1
00:00:08,341 --> 00:00:11,576
el futuro
se desarrolla ante nuestros ojos...

2
00:00:11,611 --> 00:00:14,212
pero ¿está siempre fuera de nuestro alcance?

3
00:00:14,247 --> 00:00:17,582
Lo que alguna vez fue la provincia
de los dioses

4
00:00:17,617 --> 00:00:21,820
ahora se ha hecho más visible

5
00:00:21,855 --> 00:00:24,856
a través de las matemáticas y los datos.

6
00:00:24,891 --> 00:00:27,893
A partir de algunas primeras observaciones
sobre el juego

7
00:00:27,928 --> 00:00:30,729
Surgieron herramientas que guían

8
00:00:30,764 --> 00:00:32,964
nuestra comprensión científica
del mundo

9
00:00:32,999 --> 00:00:34,766
y más...

10
00:00:34,801 --> 00:00:38,136
a través del poder de la predicción.

11
00:00:41,675 --> 00:00:43,341
De nuestras decisiones
sobre el clima...

12
00:00:43,376 --> 00:00:46,044
el mas fuerte
huracán jamás registrado...

13
00:00:46,079 --> 00:00:47,746
para encontrar
alguien perdido en el mar...

14
00:00:47,781 --> 00:00:48,914
Comenzando patrón de búsqueda.

15
00:00:48,949 --> 00:00:50,348
¡Estén atentos!

16
00:00:50,383 --> 00:00:52,884
todos los dias
las matemáticas y los datos se combinan

17
00:00:52,919 --> 00:00:55,854
para ayudarnos a imaginar
que podría ser...

18
00:00:55,889 --> 00:00:59,524
es la mejor bola de cristal
que la humanidad puede tener.

19
00:00:59,559 --> 00:01:02,661
hacer un viaje
en las alas de la probabilidad

20
00:01:02,696 --> 00:01:04,429
hacia el futuro.

21
00:01:04,464 --> 00:01:05,464
Estamos pensando en la suerte.

22
00:01:05,499 --> 00:01:06,832
o desgracia,

23
00:01:06,867 --> 00:01:09,268
pero básicamente lo son
una cuestion de matematicas no?

24
00:01:11,571 --> 00:01:14,072
"Predicción en cifras" --

25
00:01:14,107 --> 00:01:26,351
Ahora mismo, en "NOVA".

26
00:01:26,386 --> 00:01:29,688
El condado de Orange
Feria, celebrada en el sur de California.

27
00:01:31,992 --> 00:01:35,560
En teoría, estas multitudes
tener un poder predictivo

28
00:01:35,595 --> 00:01:38,296
que puede tener una precisión sorprendente,

29
00:01:38,331 --> 00:01:43,001
pero no pertenece a ninguno
individuo, sólo el grupo.

30
00:01:43,036 --> 00:01:44,636
Y aun así hay que verlo

31
00:01:44,671 --> 00:01:49,641
a través del lente de las matemáticas.

32
00:01:49,676 --> 00:01:53,078
La teoría se conoce como
la "sabiduría de las multitudes",

33
00:01:53,113 --> 00:01:57,582
un fenómeno documentado por primera vez
hace unos cien años.

34
00:01:57,617 --> 00:02:00,152
estadístico
Talithia Williams está aquí

35
00:02:00,187 --> 00:02:03,155
para ver si la teoría se confirma,
y pasar un rato

36
00:02:03,190 --> 00:02:06,358
con el animal más querido de la feria,

37
00:02:06,393 --> 00:02:09,427
Parches, un buey de 14 años.

38
00:02:11,932 --> 00:02:14,232
eso
era una feria como esta

39
00:02:14,267 --> 00:02:16,268
donde, en 1906,

40
00:02:16,303 --> 00:02:19,504
Sir Francis Galton se encontró con un concurso

41
00:02:19,539 --> 00:02:22,541
donde tuviste que adivinar
el peso de un buey,

42
00:02:22,576 --> 00:02:24,943
como parches
Ves aquí detrás de mí.

43
00:02:26,746 --> 00:02:29,281
despues del buey
El concurso de adivinanzas del peso había terminado.

44
00:02:29,316 --> 00:02:34,719
Galton se llevó todas las entradas a casa.
y los analizó estadísticamente.

45
00:02:34,754 --> 00:02:36,388
Para su sorpresa,

46
00:02:36,423 --> 00:02:39,357
mientras que ninguno de los individuos
las conjeturas eran correctas,

47
00:02:39,392 --> 00:02:42,194
el promedio de todas las conjeturas

48
00:02:42,229 --> 00:02:45,096
estaba fuera de menos del uno por ciento.

49
00:02:45,131 --> 00:02:47,866
Ésa es la sabiduría de las multitudes.

50
00:02:47,901 --> 00:02:51,336
¿Pero sigue siendo cierto?

51
00:02:51,371 --> 00:02:54,005
Así que así es como pienso
Podemos probar eso hoy.

52
00:02:54,040 --> 00:02:57,375
¿Qué pasa si preguntamos a una muestra aleatoria?
de gente aquí en la feria

53
00:02:57,410 --> 00:03:00,912
si pueden adivinar cuantas gelatinas
frijoles que creen que están en el frasco.

54
00:03:00,947 --> 00:03:03,615
Y luego, tomamos esos números.
y promediarlos

55
00:03:03,650 --> 00:03:05,116
y ver si eso está realmente cerca

56
00:03:05,151 --> 00:03:07,586
al número real de gominolas.

57
00:03:09,422 --> 00:03:12,090
Adivina cuantas gominolas
están aquí.

58
00:03:12,125 --> 00:03:14,025
Vamos chicos, todos
tienen que adivinar.

59
00:03:14,060 --> 00:03:15,560
Veo tu mente dando vueltas.

60
00:03:15,595 --> 00:03:16,428
1.227.

61
00:03:16,463 --> 00:03:18,063
846.

62
00:03:18,098 --> 00:03:19,731
¿Probablemente como 925?

63
00:03:19,766 --> 00:03:21,199
Creo que mil.

64
00:03:21,234 --> 00:03:22,734
Así que simplemente anota tu número.

65
00:03:22,769 --> 00:03:24,169
Ajá, ahí lo tienes.

66
00:03:24,204 --> 00:03:26,538
¿Puedo tener una gominola?

67
00:03:28,642 --> 00:03:32,911
Las 135 conjeturas
reunidos entre la multitud varían enormemente.

68
00:03:32,946 --> 00:03:35,880
El rango de nuestras conjeturas fue,

69
00:03:35,915 --> 00:03:40,185
del más pequeño era 183,
el más grande era 12.000.

70
00:03:40,220 --> 00:03:42,721
Entonces puedes decir,
la gente realmente estaba adivinando.

71
00:03:42,756 --> 00:03:49,160
Pero cuando tomamos el promedio
de nuestras conjeturas, obtenemos 1.522.

72
00:03:49,195 --> 00:03:50,996
Entonces la pregunta es,

73
00:03:51,031 --> 00:03:54,899
¿Qué tan cerca está nuestro promedio del
¿Número real de gominolas?

74
00:03:54,934 --> 00:03:58,536
Bueno, ahora es el momento de la verdad.

75
00:04:09,916 --> 00:04:15,120
Muy bien, entonces el número real
de gominolas fue de 1.676.

76
00:04:15,155 --> 00:04:19,791
El promedio de nuestras conjeturas fue
menos del diez por ciento.

77
00:04:19,826 --> 00:04:22,160
Así que en realidad
Había algo de sabiduría en nuestra multitud.

78
00:04:22,195 --> 00:04:25,697
Aunque con una diferencia de alrededor del diez por ciento,

79
00:04:25,732 --> 00:04:27,265
el promedio de las estimaciones de la multitud

80
00:04:27,300 --> 00:04:29,868
era aún más preciso

81
00:04:29,903 --> 00:04:32,637
que la gran mayoría
de las conjeturas individuales.

82
00:04:32,672 --> 00:04:36,508
Aun así, la sabiduría de las multitudes
tiene límites.

83
00:04:36,543 --> 00:04:40,178
Puede ser fácilmente socavado
por influencias externas

84
00:04:40,213 --> 00:04:43,682
y tiende a funcionar mejor en
preguntas con respuestas claras,

85
00:04:43,717 --> 00:04:44,883
como un número.

86
00:04:44,918 --> 00:04:47,018
Los pasos que tomó Talithia

87
00:04:47,053 --> 00:04:50,955
reflejar un proceso en curso
a nuestro alrededor estos días

88
00:04:50,990 --> 00:04:53,358
en el trabajo de los estadísticos.

89
00:04:53,393 --> 00:04:54,726
Gracias a todos.

90
00:04:54,761 --> 00:04:55,960
Entonces recopilamos estos datos,

91
00:04:55,995 --> 00:04:58,763
Bien, lo analizamos matemáticamente.

92
00:04:58,798 --> 00:05:01,366
y tenemos un presupuesto
eso estuvo bastante cerca

93
00:05:01,401 --> 00:05:03,435
al valor real real.

94
00:05:03,470 --> 00:05:06,471
Eso es matemática y estadística.
en el trabajo.

95
00:05:10,143 --> 00:05:14,579
No siempre usamos
matemáticas y estadística para hacer predicciones.

96
00:05:14,614 --> 00:05:19,617
Los romanos estudiaron los vuelos.
y gritos de pájaros.

97
00:05:19,652 --> 00:05:23,822
Los chinos descifraron el "oráculo"
huesos con una varilla de metal caliente

98
00:05:23,857 --> 00:05:25,857
y leer los resultados

99
00:05:25,892 --> 00:05:28,827
Rusos del siglo XIX
pollos usados.

100
00:05:30,930 --> 00:05:34,032
A lo largo de la historia,
hemos buscado el futuro

101
00:05:34,067 --> 00:05:36,534
en lunares en la cara de las personas,

102
00:05:36,569 --> 00:05:38,870
nubes en el cielo,

103
00:05:38,905 --> 00:05:41,973
o una perla arrojada en una olla de hierro.

104
00:05:42,008 --> 00:05:48,080
Y esa lista de cosas usadas
para predecir sigue y sigue.

105
00:05:53,753 --> 00:05:57,789
Pero más recientemente... eso es
los últimos doscientos años...

106
00:05:57,824 --> 00:06:00,892
para ver el futuro,
Hemos recurrido a la ciencia.

107
00:06:00,927 --> 00:06:05,029
e hizo algunas predicciones notables

108
00:06:05,064 --> 00:06:08,600
de la existencia de Neptuno,

109
00:06:08,635 --> 00:06:11,936
u ondas de radio,

110
00:06:11,971 --> 00:06:15,206
o agujeros negros,

111
00:06:15,241 --> 00:06:19,611
a la futura ubicación
de un cometa con tanta precisión

112
00:06:19,646 --> 00:06:21,446
podríamos aterrizar una sonda espacial
en ello.

113
00:06:23,316 --> 00:06:26,050
Pero si abres el capó
de la ciencia,

114
00:06:26,085 --> 00:06:29,354
dentro encontrarás un campo
de matemáticas aplicadas

115
00:06:29,389 --> 00:06:32,757
eso ha hecho que muchos de esos
predicciones posibles:

116
00:06:32,792 --> 00:06:34,659
estadísticas.

117
00:06:34,694 --> 00:06:36,828
Las estadísticas son algo únicas.

118
00:06:36,863 --> 00:06:39,998
No es una ciencia empírica.
en sí, pero no es pura matemática,

119
00:06:40,033 --> 00:06:41,900
pero tampoco es filosofía.

120
00:06:41,935 --> 00:06:45,170
Es el marco, el lenguaje,

121
00:06:45,205 --> 00:06:49,407
las reglas por las cuales hacemos ciencia.

122
00:06:49,442 --> 00:06:51,276
A partir de ahí podemos tomar decisiones,

123
00:06:51,311 --> 00:06:54,646
podemos sacar conclusiones,
podemos hacer predicciones.

124
00:06:54,681 --> 00:06:56,815
Eso es lo que... eso es lo que
los estadísticos intentan hacer.

125
00:06:56,850 --> 00:06:59,751
La razón por la que amo las estadísticas es que

126
00:06:59,786 --> 00:07:02,787
predice la probabilidad
de sucesos futuros,

127
00:07:02,822 --> 00:07:06,925
lo que realmente significa
es la mejor bola de cristal

128
00:07:06,960 --> 00:07:08,893
que la humanidad puede tener.

129
00:07:10,930 --> 00:07:14,232
En definitiva, todos
El poder predictivo de las estadísticas.

130
00:07:14,267 --> 00:07:18,536
se basa en una visión revolucionaria
desde hace unos 500 años--

131
00:07:18,571 --> 00:07:21,873
que el azar mismo puede ser domesticado

132
00:07:21,908 --> 00:07:24,543
a través de las matemáticas
de probabilidad.

133
00:07:26,813 --> 00:07:29,414
¡Viva Las Vegas!

134
00:07:29,449 --> 00:07:33,384
Aquí hay una ciudad llena de palacios.

135
00:07:33,419 --> 00:07:36,254
construido sobre la comprensión
probabilidad

136
00:07:36,289 --> 00:07:38,490
y alimentado por el juego,

137
00:07:38,525 --> 00:07:40,592
que puede parecer un lugar divertido

138
00:07:40,627 --> 00:07:42,760
para encontrar al matemático Keith Devlin.

139
00:07:42,795 --> 00:07:45,096
Pero las matemáticas y los juegos de azar

140
00:07:45,131 --> 00:07:47,832
han sido atados juntos
durante siglos.

141
00:07:47,867 --> 00:07:51,269
Hoy en un casino encontrarás ruleta,

142
00:07:51,304 --> 00:07:52,737
máquinas tragamonedas,

143
00:07:52,772 --> 00:07:54,572
veintiuna.

144
00:07:54,607 --> 00:07:58,676
También se conoce jugar a los dados.
como "hacer rodar los huesos",

145
00:07:58,711 --> 00:08:00,545
cual es mas exacto
de lo que piensas.

146
00:08:00,580 --> 00:08:02,580
Los humanos han estado apostando.

147
00:08:02,615 --> 00:08:05,383
desde los inicios
de la civilización moderna.

148
00:08:05,418 --> 00:08:07,719
Los antiguos griegos, los antiguos egipcios,

149
00:08:07,754 --> 00:08:11,856
usaría los huesos del tobillo de
ovejas como una forma de dados tempranos.

150
00:08:11,891 --> 00:08:16,327
Sorprendentemente, mientras
los griegos sentaron las bases

151
00:08:16,362 --> 00:08:19,831
para nuestras matemáticas,
no hicieron ningún esfuerzo

152
00:08:19,866 --> 00:08:22,166
tratando de analizar juegos de azar.

153
00:08:22,201 --> 00:08:24,936
parece tener
nunca se les ocurrió,

154
00:08:24,971 --> 00:08:28,806
o incluso a cualquiera que esté en lo alto
hasta el siglo XV, XVI,

155
00:08:28,841 --> 00:08:30,575
que podrías aplicar las matemáticas

156
00:08:30,610 --> 00:08:33,144
para calcular el camino
Estos juegos saldrían.

157
00:08:35,582 --> 00:08:39,450
italiano del siglo XVI
matemático gerolamo cardano

158
00:08:39,485 --> 00:08:42,086
hizo una observación temprana clave:

159
00:08:42,121 --> 00:08:45,623
que cuantas más veces
se juega un juego de azar,

160
00:08:45,658 --> 00:08:47,959
cuanto mejor matemático
probabilidad

161
00:08:47,994 --> 00:08:49,794
predice el resultado,

162
00:08:49,829 --> 00:08:54,399
más tarde probado como
la ley de los grandes números.

163
00:08:54,434 --> 00:08:59,704
Ejemplos de la ley de los grandes.
Los números en el trabajo nos rodean.

164
00:08:59,739 --> 00:09:01,105
Cuando lanzo esta moneda,

165
00:09:01,140 --> 00:09:02,840
no tenemos forma de saberlo

166
00:09:02,875 --> 00:09:04,809
si va
para salir cara o cruz.

167
00:09:07,513 --> 00:09:09,013
Esa vez fueron caras.

168
00:09:09,048 --> 00:09:13,484
Por otro lado, si fuera
lanzar una moneda 100 veces,

169
00:09:13,519 --> 00:09:17,522
aproximadamente el 50% del tiempo
saldría cara,

170
00:09:17,557 --> 00:09:19,724
y el 50% del tiempo
saldría cruz.

171
00:09:19,759 --> 00:09:21,159
No podemos predecir un solo lanzamiento.

172
00:09:21,194 --> 00:09:25,630
Podemos predecir el agregado.
Comportamiento sobre 100 lanzamientos.

173
00:09:25,665 --> 00:09:27,498
Esa es la ley de los grandes números.

174
00:09:27,533 --> 00:09:31,102
De hecho, los casinos son un testimonio

175
00:09:31,137 --> 00:09:33,871
a la mano de hierro de
la ley de los grandes números.

176
00:09:33,906 --> 00:09:35,239
Los juegos están diseñados

177
00:09:35,274 --> 00:09:38,843
para darle a los casinos
una ligera ventaja sobre el jugador.

178
00:09:38,878 --> 00:09:41,346
Tomemos como ejemplo la ruleta americana:

179
00:09:41,381 --> 00:09:44,649
en el volante están
los números del uno al 36,

180
00:09:44,684 --> 00:09:46,718
mitad roja y mitad negra.

181
00:09:46,753 --> 00:09:49,420
Apostar un dólar a un color
o el otro

182
00:09:49,455 --> 00:09:52,457
Parece una propuesta 50-50.

183
00:09:52,492 --> 00:09:56,227
Pero la rueda también tiene
dos ranuras verdes con ceros.

184
00:09:56,262 --> 00:09:57,528
Si la pelota cae en esos,

185
00:09:57,563 --> 00:10:01,366
el casino gana todas las apuestas
ya sea en rojo o negro.

186
00:10:01,401 --> 00:10:03,434
Y ese es el tipo de ventaja

187
00:10:03,469 --> 00:10:07,505
eso hace que el casino gane dinero
a largo plazo.

188
00:10:07,540 --> 00:10:09,007
Los clientes están apostando.

189
00:10:09,042 --> 00:10:10,708
El casino es absolutamente
no apostar.

190
00:10:10,743 --> 00:10:12,276
Porque pueden perder dinero,

191
00:10:12,311 --> 00:10:16,180
pueden perder mucho dinero
a uno o dos jugadores,

192
00:10:16,215 --> 00:10:18,016
pero si tienes miles
y miles de jugadores,

193
00:10:18,051 --> 00:10:19,517
por la ley de los grandes números,

194
00:10:19,552 --> 00:10:22,487
tienes la garantía de ganar dinero.

195
00:10:24,490 --> 00:10:25,890
La ley de los grandes números.

196
00:10:25,925 --> 00:10:28,493
entra en juego
fuera del juego también.

197
00:10:28,528 --> 00:10:31,396
En baloncesto, un gol de campo o
porcentaje de tiro

198
00:10:31,431 --> 00:10:34,766
es el número de cestas hechas

199
00:10:34,801 --> 00:10:38,369
dividido por el número de disparos realizados.

200
00:10:38,404 --> 00:10:41,105
Pero a principios de temporada,

201
00:10:41,140 --> 00:10:43,441
cuando se basa en
un número reducido de intentos,

202
00:10:43,476 --> 00:10:45,410
ese porcentaje puede ser engañoso.

203
00:10:45,445 --> 00:10:48,246
al principio
de la temporada, un jugador menos habilidoso

204
00:10:48,281 --> 00:10:52,216
podría hacer algunos tiros de suerte
en una fila.

205
00:10:52,251 --> 00:10:53,451
Y en ese momento,

206
00:10:53,486 --> 00:10:55,119
tendrían un súper alto
porcentaje de tiro.

207
00:11:00,560 --> 00:11:02,126
Mientras tanto, un jugador muy hábil

208
00:11:02,161 --> 00:11:06,164
Puede que te pierdas algunos en el
comienzo de la temporada

209
00:11:06,199 --> 00:11:07,498
y tener un porcentaje de tiro bajo.

210
00:11:08,534 --> 00:11:10,134
Pero a medida que avanza la temporada,

211
00:11:10,169 --> 00:11:11,703
y el número total de disparos aumenta,

212
00:11:11,738 --> 00:11:15,306
sus porcentajes de tiro
pronto reflejará

213
00:11:15,341 --> 00:11:16,674
su verdadero nivel de habilidad.

214
00:11:18,444 --> 00:11:21,012
Esa es la ley de los grandes números.
en el trabajo.

215
00:11:21,047 --> 00:11:26,317
Una pequeña muestra, como simplemente
unos cuantos disparos, pueden ser engañosos,

216
00:11:26,352 --> 00:11:29,454
mientras que una muestra grande, como muchas tomas,

217
00:11:29,489 --> 00:11:31,522
te da una mejor imagen.

218
00:11:39,165 --> 00:11:43,034
Las observaciones sobre el juego que
condujo a la ley de los grandes números

219
00:11:43,069 --> 00:11:47,338
fueron un comienzo, pero lo que realmente
lanzó la teoría de la probabilidad

220
00:11:47,373 --> 00:11:50,241
y abrió una puerta a una forma completamente nueva

221
00:11:50,276 --> 00:11:52,643
de pensar en el futuro,

222
00:11:52,678 --> 00:11:54,078
era una serie de cartas

223
00:11:54,113 --> 00:11:56,848
intercambiado entre
dos matemáticos franceses,

224
00:11:56,883 --> 00:12:02,453
Blaise Pascal y
Pierre de Fermat en la década de 1650,

225
00:12:02,488 --> 00:12:04,822
sobre otro problema de juego
que había estado dando vueltas

226
00:12:04,857 --> 00:12:07,358
durante unos cuantos siglos.

227
00:12:07,393 --> 00:12:11,062
Una versión simplificada de
el problema es el siguiente:

228
00:12:11,097 --> 00:12:14,165
dos jugadores... llamémoslos
Blaise y Pierre...

229
00:12:14,200 --> 00:12:16,134
están lanzando una moneda.

230
00:12:16,169 --> 00:12:19,971
Blaise ha elegido cabezas,
y Pierre colas.

231
00:12:20,006 --> 00:12:22,840
El juego es al mejor de 5 lanzamientos,

232
00:12:22,875 --> 00:12:26,144
y cada uno ha puesto dinero
en la olla.

233
00:12:26,179 --> 00:12:30,715
Lanzan la moneda tres veces
y Blaise está por delante dos a uno.

234
00:12:32,151 --> 00:12:35,586
Pero entonces el juego se interrumpe.

235
00:12:35,621 --> 00:12:39,657
¿Cuál es la forma justa de dividir el bote?

236
00:12:39,692 --> 00:12:41,926
La pregunta es:
¿Cómo se dividen el bote?

237
00:12:41,961 --> 00:12:44,428
para que sea justo
a lo que pudo haber pasado

238
00:12:44,463 --> 00:12:46,430
si hubieran podido completar el juego.

239
00:12:46,465 --> 00:12:51,402
Fermat sugirió
imaginando los posibles resultados futuros

240
00:12:51,437 --> 00:12:53,604
si el juego hubiera continuado.

241
00:12:53,639 --> 00:12:56,307
solo quedan dos mas
lanzamientos de monedas,

242
00:12:56,342 --> 00:12:59,177
creando cuatro posibles
combinaciones.

243
00:12:59,212 --> 00:13:05,383
Cara-cara, cara-cruz,
cruz-cara y cruz-cruz.

244
00:13:05,418 --> 00:13:09,520
En los tres primeros,
Blaise gana con suficientes cabezas.

245
00:13:09,555 --> 00:13:12,256
Pierre sólo gana en el último caso,

246
00:13:12,291 --> 00:13:16,394
entonces Fermat sugirió que
una división de tres a uno

247
00:13:16,429 --> 00:13:18,930
fue la solución correcta.

248
00:13:18,965 --> 00:13:20,631
El avance clave

249
00:13:20,666 --> 00:13:24,202
estaba imaginando el futuro,
matemáticamente,

250
00:13:24,237 --> 00:13:27,305
algo con lo que incluso Pascal tuvo problemas.

251
00:13:27,340 --> 00:13:31,943
Porque lo que hizo Fermat fue decir,
"Miremos hacia el futuro,

252
00:13:31,978 --> 00:13:33,744
"mirar posibles futuros,

253
00:13:33,779 --> 00:13:36,547
"y contaremos el camino
cosas podrían haber pasado

254
00:13:36,582 --> 00:13:38,449
en diferentes futuros posibles."

255
00:13:38,484 --> 00:13:41,118
Era una simple cuestión de aritmética,

256
00:13:41,153 --> 00:13:44,822
pero la idea de contar cosas
en el futuro

257
00:13:44,857 --> 00:13:47,124
era completamente nuevo,

258
00:13:47,159 --> 00:13:49,060
y Pascal no pudo terminar
su mente alrededor de ello.

259
00:13:49,095 --> 00:13:53,397
Finalmente Pascal
aceptó la solución de Fermat,

260
00:13:53,432 --> 00:13:54,999
como lo hicieron otros,

261
00:13:55,034 --> 00:13:58,002
y hoy, ese intercambio
de letras se considera

262
00:13:58,037 --> 00:14:01,405
como el nacimiento de
Teoría moderna de la probabilidad.

263
00:14:01,440 --> 00:14:04,842
La gente se dio cuenta
el futuro no estaba en blanco.

264
00:14:04,877 --> 00:14:06,911
No lo sabías exactamente
que iba a pasar,

265
00:14:06,946 --> 00:14:09,313
pero podrías calcular
con gran precisión

266
00:14:09,348 --> 00:14:12,116
cual es la probabilidad
de las cosas que sucedieron fueron.

267
00:14:12,151 --> 00:14:14,252
Podrías hacer todas las predicciones.

268
00:14:14,287 --> 00:14:16,587
hacemos hoy y damos por sentado.

269
00:14:16,622 --> 00:14:20,324
Podrías hacerlos usando matemáticas.

270
00:14:20,359 --> 00:14:22,426
Fue una idea fundamental,

271
00:14:22,461 --> 00:14:25,529
y una de las puertas
que condujo al mundo moderno.

272
00:14:25,564 --> 00:14:29,634
Inherente a todos nuestros intentos.
para predecir el futuro

273
00:14:29,669 --> 00:14:31,335
del mercado de valores

274
00:14:31,370 --> 00:14:32,837
al seguro

275
00:14:32,872 --> 00:14:35,072
a los minoristas web que intentan descubrir

276
00:14:35,107 --> 00:14:36,841
qué podrías comprar a continuación,

277
00:14:36,876 --> 00:14:39,977
es la idea de que con los datos correctos,

278
00:14:40,012 --> 00:14:44,148
la probabilidad de eventos futuros
se puede calcular.

279
00:14:48,421 --> 00:14:50,288
De hecho, uno de
las grandes historias de éxito

280
00:14:50,323 --> 00:14:52,056
en la ciencia de la predicción

281
00:14:52,091 --> 00:14:55,259
produce un pronóstico
que muchos de nosotros comprobamos todos los días

282
00:14:55,294 --> 00:14:58,763
para responder la pregunta,
"¿Necesito un paraguas?

283
00:14:58,798 --> 00:15:01,732
¿O un refugio contra tormentas?

284
00:15:04,937 --> 00:15:06,304
La temporada de huracanes de 2017

285
00:15:06,339 --> 00:15:09,941
será recordado por
su ferocidad y destrucción.

286
00:15:09,976 --> 00:15:11,976
El más fuerte jamás registrado...

287
00:15:12,011 --> 00:15:14,111
El Puerto Rico y el San Juan
que supimos ayer

288
00:15:14,146 --> 00:15:15,346
ya no está allí.

289
00:15:17,416 --> 00:15:21,352
Las tormentas se formaron y
ganado en intensidad con sorprendente velocidad,

290
00:15:21,387 --> 00:15:24,655
dejando a los pronosticadores
para enfatizar la incertidumbre

291
00:15:24,690 --> 00:15:25,856
de dónde podrían aterrizar.

292
00:15:25,891 --> 00:15:27,825
María es ahora
un huracán de categoría tres.

293
00:15:27,860 --> 00:15:30,461
Exactamente lo que se verá
Es decir, todavía no lo sabemos.

294
00:15:30,496 --> 00:15:32,363
todavía hay
gran incertidumbre....

295
00:15:32,398 --> 00:15:35,099
En el pronóstico del tiempo,

296
00:15:35,134 --> 00:15:38,636
la única certeza es la incertidumbre.

297
00:15:38,671 --> 00:15:40,004
Una cosa que sabemos

298
00:15:40,039 --> 00:15:43,174
seguro que no podemos darte
un pronóstico perfecto.

299
00:15:43,209 --> 00:15:49,013
Dada la naturaleza de
cómo hacemos un pronóstico,

300
00:15:49,048 --> 00:15:53,718
desde las observaciones globales hasta
ecuaciones que se ejecutan en computadoras,

301
00:15:53,753 --> 00:15:56,253
saliendo en el tiempo,

302
00:15:56,288 --> 00:15:58,489
No creo que alguna vez haya
un pronóstico perfecto.

303
00:15:58,524 --> 00:16:02,159
Para luchar contra esa incertidumbre,

304
00:16:02,194 --> 00:16:06,464
los pronosticadores se han vuelto
a más datos... muchos más datos.

305
00:16:06,499 --> 00:16:08,566
Aquí en el
Servicio Meteorológico Nacional

306
00:16:08,601 --> 00:16:10,067
oficina de Baltimore-Washington,

307
00:16:10,102 --> 00:16:12,603
meteoróloga Isha Renta

308
00:16:12,638 --> 00:16:15,873
se prepara para la tarde
Lanzamiento de un globo meteorológico.

309
00:16:15,908 --> 00:16:17,875
Dos veces al día, todos los días,

310
00:16:17,910 --> 00:16:21,512
en todo Estados Unidos
y en todo el mundo,

311
00:16:21,547 --> 00:16:23,414
al mismo tiempo,

312
00:16:23,449 --> 00:16:26,584
se sueltan globos
tomar un paquete de instrumentos

313
00:16:26,619 --> 00:16:29,653
a través de la atmósfera.

314
00:16:29,688 --> 00:16:34,325
Transmite lecturas sobre
cada diez metros de altura.

315
00:16:34,360 --> 00:16:36,093
es mi entendimiento
que han desarrollado

316
00:16:36,128 --> 00:16:39,230
Otras formas de ponerse vertical.
perfiles de la atmósfera,

317
00:16:39,265 --> 00:16:41,766
pero aún así la precisión
y la resolución

318
00:16:41,801 --> 00:16:43,567
que el globo meteorológico
darte es mucho más alto.

319
00:16:43,602 --> 00:16:45,803
Entonces es por eso
todavía dependemos de ellos.

320
00:16:51,010 --> 00:16:53,778
Los datos de
El globo meteorológico de Isha termina

321
00:16:53,813 --> 00:16:55,613
en el Centro Nacional
para la predicción ambiental

322
00:16:55,648 --> 00:16:57,515
en College Park, Maryland,

323
00:16:57,550 --> 00:17:00,684
el punto de partida para
casi todas las previsiones meteorológicas

324
00:17:00,719 --> 00:17:04,188
en los Estados Unidos.

325
00:17:04,223 --> 00:17:06,891
Su información se convierte en una gota.
en un cubo muy grande

326
00:17:06,926 --> 00:17:11,662
de datos tomados en cada día.

327
00:17:11,697 --> 00:17:12,963
Temperatura, presión,
velocidad del viento,

328
00:17:12,998 --> 00:17:14,365
y dirección en la atmósfera.

329
00:17:14,400 --> 00:17:16,801
Decenas de miles de puntos
se utilizan observaciones

330
00:17:16,836 --> 00:17:20,037
cada hora de cada día
como una especie de punto de partida.

331
00:17:20,072 --> 00:17:22,440
Ahí es donde comenzamos la simulación,

332
00:17:22,475 --> 00:17:23,674
a partir de esas observaciones.

333
00:17:25,511 --> 00:17:27,244
todo
se convierte en parte de un proceso,

334
00:17:27,279 --> 00:17:28,646
que ha sido descrito

335
00:17:28,681 --> 00:17:31,248
como uno de los grandes
logros intelectuales

336
00:17:31,283 --> 00:17:34,852
del siglo XX: previsión numérica.

337
00:17:37,790 --> 00:17:39,890
el primer paso
en pronóstico numérico

338
00:17:39,925 --> 00:17:44,295
es romper un casi 40 millas-
sección gruesa de la atmósfera

339
00:17:44,330 --> 00:17:47,098
en una cuadrícula tridimensional.

340
00:17:47,133 --> 00:17:51,335
Entonces, cada punto de la cuadrícula es
valores numéricos asignados

341
00:17:51,370 --> 00:17:53,304
para diferentes aspectos del clima,

342
00:17:53,339 --> 00:17:56,140
basado en los miles de millones de mediciones

343
00:17:56,175 --> 00:17:59,210
continuamente vertiendo
al Servicio Meteorológico.

344
00:17:59,245 --> 00:18:00,544
Entonces tendrás un entendimiento

345
00:18:00,579 --> 00:18:02,146
de temperatura, presión,

346
00:18:02,181 --> 00:18:04,882
y valores en términos de viento
y dirección del viento

347
00:18:04,917 --> 00:18:06,183
en cada uno de estos puntos

348
00:18:06,218 --> 00:18:07,518
dentro de esta red que cubre el globo.

349
00:18:07,553 --> 00:18:11,956
Desde allí,
ecuaciones de la física

350
00:18:11,991 --> 00:18:16,760
de fluidos y termodinamica
se aplican a cada punto de la cuadrícula.

351
00:18:16,795 --> 00:18:19,029
No solo tu
cambiar las caracteristicas

352
00:18:19,064 --> 00:18:22,199
en cada punto de la cuadrícula, pero el
cambios en esos puntos de la cuadrícula

353
00:18:22,234 --> 00:18:24,201
afectar los puntos de la cuadrícula vecinos,

354
00:18:24,236 --> 00:18:27,104
y luego puntos de cuadrícula vecinos
afectar a otros puntos de la cuadrícula.

355
00:18:27,139 --> 00:18:29,874
Y así evolucionas la atmósfera.
a través del tiempo

356
00:18:29,909 --> 00:18:31,842
en este espacio tridimensional.

357
00:18:31,877 --> 00:18:35,679
y
Sorprendentemente, el enfoque funciona.

358
00:18:35,714 --> 00:18:37,515
Es increíblemente loco que funcione.

359
00:18:37,550 --> 00:18:41,418
Es notable lo bien que funciona,

360
00:18:41,453 --> 00:18:44,221
dado que estamos haciendo
grandes suposiciones

361
00:18:44,256 --> 00:18:46,557
sobre el estado inicial,
por así decirlo,

362
00:18:46,592 --> 00:18:49,059
o el estado inicial
de cualquier pronóstico.

363
00:18:49,094 --> 00:18:54,165
Y ese estado inicial
resulta absolutamente crucial.

364
00:18:56,268 --> 00:18:58,035
En los primeros días
de previsión numérica,

365
00:18:58,070 --> 00:19:01,438
parecía como
una predicción meteorológica definitiva

366
00:19:01,473 --> 00:19:04,808
extendiéndose hacia el futuro
pronto podría ser posible.

367
00:19:04,843 --> 00:19:08,913
Pero la investigación en los años 1960

368
00:19:08,948 --> 00:19:12,583
demostró que pequeños errores
en la medición del estado inicial

369
00:19:12,618 --> 00:19:17,688
crecer con el tiempo,
haciendo predicciones equivocadas.

370
00:19:17,723 --> 00:19:20,291
Entonces, a medida que avanzas en el tiempo,

371
00:19:20,326 --> 00:19:22,393
el pronostico
se volverá menos preciso.

372
00:19:22,428 --> 00:19:27,198
Irónicamente, eso
sensibilidad a las condiciones iniciales

373
00:19:27,233 --> 00:19:30,134
También sugirió una manera
para mejorar la precisión

374
00:19:30,169 --> 00:19:32,403
de previsiones meteorológicas numéricas.

375
00:19:32,438 --> 00:19:35,839
Gracias al poder de las computadoras actuales,

376
00:19:35,874 --> 00:19:39,076
Los pronosticadores pueden ejecutar sus
simulaciones meteorológicas ni una sola vez

377
00:19:39,111 --> 00:19:41,645
pero varias veces.

378
00:19:41,680 --> 00:19:45,716
Para cada ejecución, ligeramente
alterar las condiciones iniciales

379
00:19:45,751 --> 00:19:48,519
para reflejar el error inherente
incorporado en las medidas

380
00:19:48,554 --> 00:19:50,387
y la incertidumbre en el modelo mismo.

381
00:19:50,422 --> 00:19:55,559
El proceso se llama pronóstico por conjuntos,

382
00:19:55,594 --> 00:19:59,029
y los resultados se llaman
parcelas de espagueti.

383
00:19:59,064 --> 00:20:01,599
estamos mirando
alrededor de 100 pronósticos diferentes aquí

384
00:20:01,634 --> 00:20:04,268
para la corriente en chorro hace unos seis días.

385
00:20:04,303 --> 00:20:05,970
Tenemos la corriente en chorro real

386
00:20:06,005 --> 00:20:08,072
dibujado como la línea blanca
aquí hoy,

387
00:20:08,107 --> 00:20:10,474
y puedes ver la mayoría de los
previsiones hace seis días

388
00:20:10,509 --> 00:20:12,409
estábamos bien al norte de donde estábamos
encontrar realmente la corriente en chorro

389
00:20:12,444 --> 00:20:13,711
esta mañana.

390
00:20:13,746 --> 00:20:16,680
Y luego iremos a
un pronóstico de cinco días

391
00:20:16,715 --> 00:20:19,583
y una previsión de cuatro días
y una previsión de tres días

392
00:20:19,618 --> 00:20:23,087
y luego hasta dos días
y el día del evento.

393
00:20:23,122 --> 00:20:24,822
Y puedes ver cómo el modelo
todos los pronósticos convergen

394
00:20:24,857 --> 00:20:27,558
sobre esa solución, que es lo que
esperarías que lo hicieran.

395
00:20:27,593 --> 00:20:30,194
pero vuelves
al pronóstico de seis días,

396
00:20:30,229 --> 00:20:32,997
puedes ver la gran extensión
en las soluciones de conjunto

397
00:20:33,032 --> 00:20:35,232
para este patrón en particular.

398
00:20:35,267 --> 00:20:40,004
Al final,
Los meteorólogos recurren a herramientas estadísticas.

399
00:20:40,039 --> 00:20:42,172
para analizar las previsiones meteorológicas

400
00:20:42,207 --> 00:20:45,609
y a menudo utilizan probabilidades
para expresar la incertidumbre

401
00:20:45,644 --> 00:20:47,645
en los resultados.

402
00:20:47,680 --> 00:20:49,913
Esa es la "probabilidad del 40% de lluvia"
es posible que escuches

403
00:20:49,948 --> 00:20:52,483
de su pronosticador local.

404
00:20:52,518 --> 00:20:54,718
La meteorología es probabilística.
en su esencia,

405
00:20:54,753 --> 00:20:56,720
y yo creo que
el público en general sabe

406
00:20:56,755 --> 00:21:00,491
hay incertidumbre inherente
en todo lo que decimos,

407
00:21:00,526 --> 00:21:01,725
pero estamos mejorando.

408
00:21:04,530 --> 00:21:09,066
Nuestras previsiones a tres días de antelación
ahora son tan precisos

409
00:21:09,101 --> 00:21:11,001
como eran las previsiones de un día
hace unos 10 años.

410
00:21:11,036 --> 00:21:12,569
Y esto sigue mejorando.

411
00:21:12,604 --> 00:21:15,673
Entonces la ciencia ha avanzado.
más allá de mis sueños más locos,

412
00:21:15,708 --> 00:21:19,577
y es difícil incluso ver
hacia dónde podría llegar en el futuro.

413
00:21:22,147 --> 00:21:23,847
Al igual que en meteorología,

414
00:21:23,882 --> 00:21:25,149
para el resto de la ciencia,

415
00:21:25,184 --> 00:21:27,618
la prueba definitiva de nuestra comprensión

416
00:21:27,653 --> 00:21:31,588
es nuestra capacidad
para hacer predicciones precisas.

417
00:21:31,623 --> 00:21:33,724
A gran escala, las teorías científicas

418
00:21:33,759 --> 00:21:36,593
como la teoría general de Einstein
de la relatividad

419
00:21:36,628 --> 00:21:38,028
hay que hacer predicciones

420
00:21:38,063 --> 00:21:40,597
que se puede probar para ser aceptado.

421
00:21:40,632 --> 00:21:43,233
En ese caso, tomó cuatro años.

422
00:21:43,268 --> 00:21:45,636
antes de un eclipse solar total
revelado

423
00:21:45,671 --> 00:21:48,939
esa luz que pasa cerca del sol se curva,

424
00:21:48,974 --> 00:21:52,443
tal como se predijo
por la teoría de Einstein--

425
00:21:52,478 --> 00:21:54,611
la primera prueba de que tenía razón

426
00:21:54,646 --> 00:21:58,582
que la masa del sol distorsiona
el tejido del espacio-tiempo--

427
00:21:58,617 --> 00:22:00,884
lo que experimentamos como gravedad.

428
00:22:02,221 --> 00:22:06,890
De hecho, el método científico
exige una hipótesis

429
00:22:06,925 --> 00:22:09,793
lo que lleva a una predicción
de resultados

430
00:22:09,828 --> 00:22:12,229
desde un cuidadosamente diseñado
experimento

431
00:22:12,264 --> 00:22:13,864
que pondrá a prueba su afirmación.

432
00:22:16,268 --> 00:22:20,104
Sorprendentemente, no fue
hasta los años 1920 y 1930

433
00:22:20,139 --> 00:22:23,273
que un científico británico,
Ronald A. Fisher,

434
00:22:23,308 --> 00:22:26,710
pautas establecidas
para diseñar experimentos

435
00:22:26,745 --> 00:22:31,982
usando estadística y probabilidad
como forma de juzgar los resultados.

436
00:22:36,221 --> 00:22:39,423
Como ejemplo,
contó la historia de una dama

437
00:22:39,458 --> 00:22:41,091
quien afirmó saborear la diferencia

438
00:22:41,126 --> 00:22:43,861
entre leche vertida en su té

439
00:22:47,866 --> 00:22:51,335
y se vertió té en su leche.

440
00:22:56,408 --> 00:22:59,576
Fisher consideró maneras
para probar eso.

441
00:22:59,611 --> 00:23:03,514
¿Y si él la presentara?
¿Con solo una taza para identificar?

442
00:23:03,549 --> 00:23:05,749
Si lo hizo bien una vez,
probablemente,

443
00:23:05,784 --> 00:23:08,352
"Bueno, sí, pero ella tenía una
50-50 de posibilidades, con sólo adivinar,

444
00:23:08,387 --> 00:23:09,887
de hacerlo bien."

445
00:23:09,922 --> 00:23:12,523
Entonces no estarías muy convencido
que ella tiene la habilidad.

446
00:23:12,558 --> 00:23:16,460
Fisher propuso
que una prueba razonable de su capacidad

447
00:23:16,495 --> 00:23:18,729
Serían ocho tazas,

448
00:23:18,764 --> 00:23:20,130
cuatro con leche en té,

449
00:23:20,165 --> 00:23:23,801
cuatro con té en leche,

450
00:23:23,836 --> 00:23:26,970
cada uno presentado al azar.

451
00:23:27,005 --> 00:23:33,210
La señora entonces tuvo que separarse
nuevamente en los dos grupos.

452
00:23:33,245 --> 00:23:34,645
¿Por qué ocho?

453
00:23:34,680 --> 00:23:38,248
porque eso produjo
70 combinaciones posibles

454
00:23:38,283 --> 00:23:43,487
de las tazas, pero solo una
con ellos separados correctamente.

455
00:23:43,522 --> 00:23:46,089
Si ella lo hizo bien,

456
00:23:46,124 --> 00:23:48,992
eso no probaría
ella tenía una habilidad especial,

457
00:23:49,027 --> 00:23:53,163
pero Fisher pudo concluir,
si ella solo estuviera adivinando,

458
00:23:53,198 --> 00:23:56,433
fue un resultado extremadamente improbable,

459
00:23:56,468 --> 00:24:00,771
una probabilidad
de sólo el 1,4 por ciento.

460
00:24:00,806 --> 00:24:03,707
Gracias principalmente a Fisher,

461
00:24:03,742 --> 00:24:07,478
esa idea quedó consagrada
en ciencia experimental

462
00:24:07,513 --> 00:24:12,182
como el "valor p" -
p para probabilidad.

463
00:24:12,217 --> 00:24:15,252
Si asumes tus resultados
fueron solo por casualidad,

464
00:24:15,287 --> 00:24:18,088
eso lo que estabas probando
no tuvo ningún efecto,

465
00:24:18,123 --> 00:24:21,825
cual es la probabilidad
verías esos resultados

466
00:24:21,860 --> 00:24:24,094
¿O algo aún más raro?

467
00:24:24,129 --> 00:24:26,196
Si asumes que hay un proceso

468
00:24:26,231 --> 00:24:28,131
eso es completamente aleatorio,

469
00:24:28,166 --> 00:24:32,870
y encuentras que es bonito
es poco probable que obtenga sus datos,

470
00:24:32,905 --> 00:24:34,972
Entonces podrías sospechar
que algo está pasando.

471
00:24:35,007 --> 00:24:37,975
Se podría concluir, de hecho,
que no es un proceso aleatorio.

472
00:24:38,010 --> 00:24:42,179
Que esto es interesante de ver.
¿Qué más podría estar pasando?

473
00:24:42,214 --> 00:24:43,914
y pasa algún tipo
de prueba de olfateo.

474
00:24:43,949 --> 00:24:47,384
pescador también
sugirió un punto de referencia:

475
00:24:47,419 --> 00:24:48,785
solo resultados experimentales

476
00:24:48,820 --> 00:24:51,922
donde el valor p
estaba por debajo de .05--

477
00:24:51,957 --> 00:24:54,291
una probabilidad menor que
cinco por ciento--

478
00:24:54,326 --> 00:24:56,093
merecían una segunda mirada.

479
00:24:56,128 --> 00:24:57,394
En otras palabras,

480
00:24:57,429 --> 00:25:00,731
si asumes tus resultados
fueron solo por casualidad,

481
00:25:00,766 --> 00:25:03,734
los verías menos que
una vez de cada 20.

482
00:25:03,769 --> 00:25:06,370
No es muy probable.

483
00:25:06,405 --> 00:25:10,607
Llamó a esos resultados
"estadísticamente significativo".

484
00:25:10,642 --> 00:25:12,276
Estadísticamente significativo.

485
00:25:12,311 --> 00:25:13,577
Esta es una palabra terrible.

486
00:25:13,612 --> 00:25:15,379
Podría ser bastante insignificante.

487
00:25:15,414 --> 00:25:19,583
Podrías estar detectando
un efecto muy, muy, muy pequeño,

488
00:25:19,618 --> 00:25:22,686
pero se llamaría,
en la jerga matemática,

489
00:25:22,721 --> 00:25:23,854
"significativo".

490
00:25:25,090 --> 00:25:26,523
Desde los días de Fisher,

491
00:25:26,558 --> 00:25:30,761
Los valores p se han utilizado como
criterio conveniente para el éxito

492
00:25:30,796 --> 00:25:34,565
por muchos, incluyendo
la mayoría de las revistas científicas.

493
00:25:34,600 --> 00:25:36,700
Como prefieren publicar éxitos,

494
00:25:36,735 --> 00:25:40,103
y ser publicado es
fundamental para el avance profesional,

495
00:25:40,138 --> 00:25:43,941
la tentación de masajear y
manipular datos experimentales

496
00:25:43,976 --> 00:25:47,244
en un buen valor p es enorme.

497
00:25:47,279 --> 00:25:51,348
Incluso tiene un nombre:
"p-hacking."

498
00:25:51,383 --> 00:25:55,686
P-hacking es cuando los investigadores
consciente o inconscientemente

499
00:25:55,721 --> 00:25:59,389
guiar su análisis de datos para obtener
los resultados que quieren,

500
00:25:59,424 --> 00:26:03,560
y dado que .05 es una especie de-el
barra para poder publicar

501
00:26:03,595 --> 00:26:06,630
y llamar algo real,
y obtener todo el dinero de su subvención,

502
00:26:06,665 --> 00:26:10,434
normalmente está guiando los resultados

503
00:26:10,469 --> 00:26:13,370
para que llegues
en esa p de .05.

504
00:26:15,774 --> 00:26:19,776
¿Cuánto p-hacking?
realmente continúa, es difícil saberlo.

505
00:26:19,811 --> 00:26:22,212
¿Qué puede ser más importante?
es recordar

506
00:26:22,247 --> 00:26:25,882
lo que se pretendía originalmente
por un valor p.

507
00:26:25,917 --> 00:26:31,355
El valor p siempre estuvo pensado
ser detective, no juez.

508
00:26:31,390 --> 00:26:33,090
Si haces un experimento

509
00:26:33,125 --> 00:26:36,593
y encuentre el resultado que es
estadísticamente significativo,

510
00:26:36,628 --> 00:26:40,530
eso te está diciendo, eso es
un lugar interesante para mirar

511
00:26:40,565 --> 00:26:42,733
e investigar y comprender
Además de lo que está pasando,

512
00:26:42,768 --> 00:26:45,769
no "no estudies más esto
porque el asunto está resuelto."

513
00:26:45,804 --> 00:26:50,540
En cierto sentido,
un valor p bajo es una invitación

514
00:26:50,575 --> 00:26:54,244
para reproducir el experimento,
para ayudar a validar el resultado,

515
00:26:54,279 --> 00:26:56,546
pero eso no siempre sucede.

516
00:26:56,581 --> 00:27:00,584
De hecho, hay pocos
incentivos profesionales para ello.

517
00:27:00,619 --> 00:27:04,221
Las revistas y los financiadores prefieren investigaciones novedosas.

518
00:27:04,256 --> 00:27:08,625
No hay premio Nobel
para replicación.

519
00:27:08,660 --> 00:27:14,164
Otra solución al p-hacking
y el énfasis excesivo en los valores p

520
00:27:14,199 --> 00:27:17,868
puede ser simplemente una mayor transparencia.

521
00:27:17,903 --> 00:27:19,436
Más y
más, lo que la gente está haciendo

522
00:27:19,471 --> 00:27:21,405
está publicando sus datos.

523
00:27:21,440 --> 00:27:25,776
Y por eso se está volviendo más difícil y
Es más difícil mentir con las estadísticas.

524
00:27:25,811 --> 00:27:27,444
porque la gente simplemente sondeará y dirá:

525
00:27:27,479 --> 00:27:28,912
"Bueno, dame el conjunto que analizaste.

526
00:27:28,947 --> 00:27:30,514
y déjame ver
cómo obtuviste este resultado."

527
00:27:32,551 --> 00:27:36,453
Las estadísticas continúan
desempeñar un papel fundamental en la ciencia,

528
00:27:36,488 --> 00:27:39,189
pero realmente en cualquier lugar datos
se recoge,

529
00:27:39,224 --> 00:27:40,624
encontrarás estadísticos
están en el trabajo,

530
00:27:40,659 --> 00:27:44,861
buscando patrones, sacando conclusiones,

531
00:27:44,896 --> 00:27:47,230
y a menudo haciendo predicciones--

532
00:27:47,265 --> 00:27:50,267
aunque no siempre funcionan.

533
00:27:51,369 --> 00:27:54,271
La elección presidencial
de 2016

534
00:27:54,306 --> 00:27:55,772
fue difícil para los encuestadores,

535
00:27:55,807 --> 00:27:59,276
las personas que conducen
y analizar encuestas de opinión.

536
00:28:00,612 --> 00:28:03,146
Hillary Clinton fue
el gran favorito

537
00:28:03,181 --> 00:28:05,582
para vencer a donald trump
hasta el día de las elecciones.

538
00:28:05,617 --> 00:28:07,517
Trump se dirige a una derrota histórica.

539
00:28:07,552 --> 00:28:09,119
Va a perder por goleada.

540
00:28:09,154 --> 00:28:11,288
creo que ella va
que pases una muy buena noche.

541
00:28:11,323 --> 00:28:15,992
La "Nueva York
Times" sitúa las posibilidades de Trump en un 15%.

542
00:28:16,027 --> 00:28:20,430
Un encuestador la noche de las elecciones
Le dio el uno por ciento.

543
00:28:20,465 --> 00:28:24,468
Una proyección de un 99% de posibilidades
de ganar, ¿es correcto?

544
00:28:24,503 --> 00:28:25,869
Las probabilidades son abrumadoras

545
00:28:25,904 --> 00:28:28,305
de una victoria de Hillary Clinton
el martes.

546
00:28:28,340 --> 00:28:31,442
me sorprenderia mucho
si algo más pasó

547
00:28:33,078 --> 00:28:37,514
Y, por supuesto,
Trump ganó y Clinton perdió.

548
00:28:37,549 --> 00:28:39,249
A la gente se le dijo repetidamente,

549
00:28:39,284 --> 00:28:40,584
"Hillary Clinton es la candidata

550
00:28:40,619 --> 00:28:43,253
lo más probable es que gane esto
elección", y no lo hizo.

551
00:28:43,288 --> 00:28:46,556
Y creo que eso realmente dejó
la gente se siente casi mentida,

552
00:28:46,591 --> 00:28:49,326
Casi engañado por estos números.

553
00:28:49,361 --> 00:28:52,229
¿Y qué?
estaba pasando con las encuestas?

554
00:28:52,264 --> 00:28:55,332
¿Y exactamente cómo
¿La gente predice elecciones?

555
00:28:55,367 --> 00:28:59,202
Una forma es simplemente preguntarle a la gente.
por quién votarán.

556
00:28:59,237 --> 00:29:03,273
uno de
las grandes cosas de las encuestas

557
00:29:03,308 --> 00:29:05,942
es que no tenemos que hablar con todo el mundo

558
00:29:05,977 --> 00:29:12,249
para saber qué
las opiniones son de todos.

559
00:29:12,284 --> 00:29:14,484
De hecho podemos seleccionar
algo llamado muestra.

560
00:29:16,388 --> 00:29:18,822
El muestreo es una idea familiar.

561
00:29:18,857 --> 00:29:20,857
Para ver si la sopa está bien,

562
00:29:20,892 --> 00:29:23,760
pruebas una cucharadita, no toda la olla.

563
00:29:23,795 --> 00:29:25,929
Para analizar su sangre en el médico,

564
00:29:25,964 --> 00:29:28,131
normalmente extraen menos de una onza,

565
00:29:28,166 --> 00:29:30,267
No te dejan seco.

566
00:29:30,302 --> 00:29:31,635
Pero en muchas circunstancias,

567
00:29:31,670 --> 00:29:37,340
encontrar una muestra representativa
Es más difícil de lo que parece.

568
00:29:37,375 --> 00:29:39,643
Supongamos que esto

569
00:29:39,678 --> 00:29:42,746
es la población de aproximadamente
mil personas en una ciudad,

570
00:29:42,781 --> 00:29:45,949
y queremos saber,
"¿La gente está a favor o en contra?

571
00:29:45,984 --> 00:29:48,552
convertir un parque
¿En un parque para perros?"

572
00:29:48,587 --> 00:29:50,487
Y entonces estas cuentas verdes
aquí abajo

573
00:29:50,522 --> 00:29:52,322
van a representar
personas que estaban a favor,

574
00:29:52,357 --> 00:29:55,091
y las cuentas rojas son
gente que está en contra.

575
00:29:55,126 --> 00:29:58,795
talithia
El primer paso es aprovechar.

576
00:29:58,830 --> 00:30:03,767
de un aliado improbable
en el muestreo: aleatoriedad.

577
00:30:03,802 --> 00:30:05,569
La belleza de la aleatorización

578
00:30:05,604 --> 00:30:08,605
es que mientras lances
todo de tu población

579
00:30:08,640 --> 00:30:12,042
en una olla
y sacarlo al azar,

580
00:30:12,077 --> 00:30:13,643
puedes estar seguro de que eres
dentro

581
00:30:13,678 --> 00:30:15,178
ciertos puntos porcentuales

582
00:30:15,213 --> 00:30:17,014
del valor real que hay en ese bote.

583
00:30:19,217 --> 00:30:23,153
Entonces el plan es aleatoriamente
Pruebe las cuentas, pero ¿cuántas?

584
00:30:23,188 --> 00:30:27,190
Eso depende de cuanto
precisión que Talithia quiere.

585
00:30:27,225 --> 00:30:31,228
Una medida es
el margen de error--

586
00:30:31,263 --> 00:30:33,830
la cantidad máxima
el resultado de la muestra

587
00:30:33,865 --> 00:30:37,567
Se puede esperar que difieran de
la de toda la población.

588
00:30:37,602 --> 00:30:40,670
Es la cifra más o menos,
a menudo un porcentaje,

589
00:30:40,705 --> 00:30:43,506
lo ves en la letra pequeña
en las encuestas.

590
00:30:43,541 --> 00:30:47,510
Pero también hay un nivel de confianza.

591
00:30:47,545 --> 00:30:49,913
Hay incertidumbre inherente

592
00:30:49,948 --> 00:30:52,782
que cualquier muestra realmente
representa a toda una población.

593
00:30:52,817 --> 00:30:55,952
El nivel de confianza te lo dice
¿Qué tan seguro puedes estar?

594
00:30:55,987 --> 00:30:57,287
sobre tu resultado.

595
00:30:57,322 --> 00:30:59,823
Un nivel de confianza del 90% significa,

596
00:30:59,858 --> 00:31:03,860
en promedio, si realizó su encuesta
o muestrear 100 veces,

597
00:31:03,895 --> 00:31:06,963
90 de esas veces, sería exacto,

598
00:31:06,998 --> 00:31:09,299
dentro del margen de error.

599
00:31:09,334 --> 00:31:13,570
Talithia sabe el número total.
de cuentas son mil.

600
00:31:13,605 --> 00:31:16,072
Y ella se decidió
un más o menos cinco por ciento

601
00:31:16,107 --> 00:31:20,110
margen de error
con un nivel de confianza del 90%.

602
00:31:20,145 --> 00:31:25,548
Eso significa que necesita una muestra.
tamaño de al menos 214 cuentas.

603
00:31:25,583 --> 00:31:27,150
Aquí están los resultados:

604
00:31:27,185 --> 00:31:31,788
Tenemos 103 cuentas rojas.
y 111 verde,

605
00:31:31,823 --> 00:31:34,791
entonces alrededor del 48% de nuestra población
votaría en contra,

606
00:31:34,826 --> 00:31:37,460
y alrededor del 52% votaría a favor.

607
00:31:37,495 --> 00:31:39,963
Ahora, recuerda ese margen de
error del que hablamos,

608
00:31:39,998 --> 00:31:41,631
¿Ese más o menos cinco por ciento?

609
00:31:41,666 --> 00:31:43,867
Entonces, una vez que tomas eso en cuenta,

610
00:31:43,902 --> 00:31:46,169
esos números realmente
no son tan diferentes en absoluto.

611
00:31:46,204 --> 00:31:50,774
Así que supongo que se podría decir:
Este cachorro está demasiado cerca para llamar.

612
00:31:50,809 --> 00:31:56,546
De hecho, dentro del
Margen de error, las estadísticas acertaron.

613
00:31:56,581 --> 00:32:00,517
Había igual número de
cuentas rojas y verdes en el frasco.

614
00:32:03,021 --> 00:32:05,989
Si bien el error de muestreo
construido desde las matemáticas

615
00:32:06,024 --> 00:32:07,257
se puede cuantificar,

616
00:32:07,292 --> 00:32:10,226
hay otros errores
eso no puede.

617
00:32:10,261 --> 00:32:14,030
Las otras partes del
error: cómo formulamos nuestras preguntas,

618
00:32:14,065 --> 00:32:15,899
cómo se sienten los encuestados ese día,

619
00:32:15,934 --> 00:32:18,234
la responsabilidad de predecir

620
00:32:18,269 --> 00:32:21,905
cual va su comportamiento
estar en algún lugar más adelante--

621
00:32:21,940 --> 00:32:23,440
todas esas fuentes de error

622
00:32:23,475 --> 00:32:25,909
son algo que no podemos calcular.

623
00:32:25,944 --> 00:32:30,914
Y hay una trampa
al muestreo aleatorio para las encuestas también.

624
00:32:30,949 --> 00:32:32,615
Hace unas décadas,

625
00:32:32,650 --> 00:32:35,719
cuando casi todos los hogares
tenía teléfono fijo,

626
00:32:35,754 --> 00:32:40,323
encontrar una muestra aleatoria significó
marcar números de teléfono al azar.

627
00:32:40,358 --> 00:32:44,260
En la década de 1970
y en la década de 1980, estábamos consiguiendo,

628
00:32:44,295 --> 00:32:46,496
ya sabes, tasas de respuesta del 90%.

629
00:32:46,531 --> 00:32:48,798
Si elegimos al azar un número de teléfono,

630
00:32:48,833 --> 00:32:50,967
alguien al otro lado
de ese teléfono lo contestaría

631
00:32:51,002 --> 00:32:52,335
y haría la entrevista
con nosotros.

632
00:32:53,772 --> 00:32:55,538
Esos días se acabaron.

633
00:32:55,573 --> 00:32:58,475
Gracias al identificador de llamadas.
y contestadores automáticos,

634
00:32:58,510 --> 00:33:01,444
la gente muchas veces no responde
sus teléfonos fijos nunca más--

635
00:33:01,479 --> 00:33:04,114
si es que tienen uno.

636
00:33:04,149 --> 00:33:06,750
Las tasas de respuesta están muy bajas.

637
00:33:06,785 --> 00:33:09,652
Sólo alrededor del diez por ciento de las personas

638
00:33:09,687 --> 00:33:11,321
responder a las encuestas.

639
00:33:11,356 --> 00:33:13,289
Así que estás cruzando los dedos

640
00:33:13,324 --> 00:33:14,991
y esperando que la gente a la que llegues

641
00:33:15,026 --> 00:33:18,161
son los mismos que los
que realmente van a votar.

642
00:33:18,196 --> 00:33:23,733
Por ejemplo, encontramos en 2016,
los encuestadores no llegaban

643
00:33:23,768 --> 00:33:26,870
suficientes votantes blancos
sin títulos universitarios.

644
00:33:26,905 --> 00:33:29,439
Si hay un sesgo
en los datos, no puede recuperarse de ellos.

645
00:33:29,474 --> 00:33:32,142
Como hemos visto
de algunas elecciones recientes.

646
00:33:33,678 --> 00:33:37,280
Después de Donald
La sorpresiva victoria de Trump

647
00:33:37,315 --> 00:33:39,516
Muchos se preguntaron si las encuestas no habían funcionado.

648
00:33:39,551 --> 00:33:42,852
Pero si miras
en las propias urnas,

649
00:33:42,887 --> 00:33:44,287
y no los titulares,

650
00:33:44,322 --> 00:33:47,657
en promedio, las encuestas sobre
nivel nacional y estatal

651
00:33:47,692 --> 00:33:52,362
estaban fuera por
cantidades históricamente típicas.

652
00:33:52,397 --> 00:33:55,598
Entonces cuando escucho a la gente
decir: "Oh, las encuestas estaban equivocadas".

653
00:33:55,633 --> 00:33:58,635
entonces probablemente refleja
interpretaciones de la gente

654
00:33:58,670 --> 00:34:01,337
sobre que las encuestas están equivocadas,

655
00:34:01,372 --> 00:34:03,273
donde las personas, por diversas razones,

656
00:34:03,308 --> 00:34:06,409
Miró las encuestas y dijo:

657
00:34:06,444 --> 00:34:08,812
"Estos números me demuestran
que Clinton va a ganar".

658
00:34:08,847 --> 00:34:10,980
Cuando miramos las encuestas,
dijimos,

659
00:34:11,015 --> 00:34:13,817
"Estas cifras ciertamente
hazla una favorita,

660
00:34:13,852 --> 00:34:16,719
"pero apuntan hacia una
elección que está bastante reñida

661
00:34:16,754 --> 00:34:18,755
y bastante incierto, en realidad."

662
00:34:18,790 --> 00:34:21,257
Y en 2016,

663
00:34:21,292 --> 00:34:25,328
EE.UU. elección presidencial
estaba así de cerca.

664
00:34:25,363 --> 00:34:27,630
La victoria de Trump dependía
en menos votos

665
00:34:27,665 --> 00:34:30,967
que la capacidad de asientos de
algunos estadios de fútbol universitario--

666
00:34:31,002 --> 00:34:33,436
repartidos en tres estados:

667
00:34:33,471 --> 00:34:36,840
Pensilvania, Wisconsin,
y Míchigan.

668
00:34:36,875 --> 00:34:40,510
Y hubo algunos problemas
con las encuestas en esos estados

669
00:34:40,545 --> 00:34:43,046
que llevó a subestimar
El apoyo de Trump,

670
00:34:43,081 --> 00:34:46,950
según una autopsia
por un consorcio de encuestadores.

671
00:34:50,688 --> 00:34:53,923
Nate Silver, el fundador
del sitio web FiveThirtyEight,

672
00:34:53,958 --> 00:34:55,959
es uno de los nombres más importantes
en las encuestas--

673
00:34:55,994 --> 00:34:59,429
aunque el no lo hace
generalmente realizan encuestas.

674
00:34:59,464 --> 00:35:02,832
Nuestro trabajo es
tomar las encuestas de otras personas

675
00:35:02,867 --> 00:35:05,902
y traducir eso

676
00:35:05,937 --> 00:35:09,339
en términos de probabilidad,
para decir básicamente si--

677
00:35:09,374 --> 00:35:10,507
um, ¿quién está delante?

678
00:35:10,542 --> 00:35:13,443
que suele ser bastante fácil
para decir, um,

679
00:35:13,478 --> 00:35:15,845
pero entonces, ¿qué tan seguro o
incierta es la elección

680
00:35:15,880 --> 00:35:17,780
es la parte más difícil.

681
00:35:17,815 --> 00:35:20,717
Como un meteorólogo,

682
00:35:20,752 --> 00:35:23,987
Nate presenta sus predicciones
como probabilidades.

683
00:35:24,022 --> 00:35:27,390
En la mañana del día de las elecciones de 2016,

684
00:35:27,425 --> 00:35:29,959
le dio a Clinton sobre
un 70% de posibilidades de ganar

685
00:35:29,994 --> 00:35:33,696
y Trump tiene aproximadamente un 30% de posibilidades.

686
00:35:33,731 --> 00:35:36,332
eso es como rodar
un dado de diez caras

687
00:35:36,367 --> 00:35:38,201
con siete lados que son Clinton

688
00:35:38,236 --> 00:35:40,770
y tres que son Trump.

689
00:35:40,805 --> 00:35:42,705
personas que
hacer pronósticos probabilísticos,

690
00:35:42,740 --> 00:35:47,243
No están diciendo que la política.
es intrínsecamente aleatorio.

691
00:35:47,278 --> 00:35:51,114
Están diciendo que tenemos
conocimiento imperfecto de ello,

692
00:35:51,149 --> 00:35:53,383
y que si crees que puedes ser
más seguro que eso,

693
00:35:53,418 --> 00:35:57,887
probablemente te estés engañando a ti mismo
basado en cuán precisas son las encuestas,

694
00:35:57,922 --> 00:35:59,789
otros tipos de datos políticos lo son.

695
00:36:02,260 --> 00:36:04,794
En última instancia,
interpretando una probabilidad

696
00:36:04,829 --> 00:36:07,030
Depende de la situación.

697
00:36:07,065 --> 00:36:10,633
Si bien una probabilidad del 30% puede parecer escasa,

698
00:36:10,668 --> 00:36:14,270
si aprendiste el vuelo
estabas a punto de abordar

699
00:36:14,305 --> 00:36:16,940
se estrelló tres
de cada diez viajes,

700
00:36:16,975 --> 00:36:18,875
¿te subirías al avión?

701
00:36:18,910 --> 00:36:21,811
como esto
el avión solo llega a su destino

702
00:36:21,846 --> 00:36:23,713
siete de cada diez veces,

703
00:36:23,748 --> 00:36:26,449
por favor presta atención
a nuestra breve sesión informativa de seguridad.

704
00:36:26,484 --> 00:36:29,085
O si un meteorólogo dijera

705
00:36:29,120 --> 00:36:31,721
solo hay un 30% de probabilidad de lluvia,

706
00:36:31,756 --> 00:36:32,822
y luego llovió

707
00:36:32,857 --> 00:36:34,324
¿te importaría?

708
00:36:34,359 --> 00:36:35,858
Si llueve,

709
00:36:35,893 --> 00:36:38,661
nadie exige saber,
"¿Por qué llovió?

710
00:36:38,696 --> 00:36:40,463
tenemos que conseguir
hasta el fondo de esto."

711
00:36:40,498 --> 00:36:42,465
Podemos decir: "Simplemente sucedió".

712
00:36:42,500 --> 00:36:44,000
Puede que haya llovido,
puede que no haya llovido.

713
00:36:44,035 --> 00:36:45,401
Dio la casualidad de que así fue.

714
00:36:45,436 --> 00:36:48,137
creo que hay
una cierta resistencia natural

715
00:36:48,172 --> 00:36:50,907
a ver cosas
que tal vez nos importe

716
00:36:50,942 --> 00:36:52,775
más que si
va a llover o no,

717
00:36:52,810 --> 00:36:55,912
como las elecciones, de la misma manera.

718
00:36:55,947 --> 00:36:59,249
Como muestra 2016,

719
00:36:59,284 --> 00:37:01,818
predecir quién ganará
la presidencia de estados unidos,

720
00:37:01,853 --> 00:37:05,622
un concurso de una sola vez
entre dos oponentes únicos,

721
00:37:05,657 --> 00:37:08,858
no es nada fácil.

722
00:37:08,893 --> 00:37:10,560
Pero en al menos un campo,

723
00:37:10,595 --> 00:37:14,030
hay literalmente décadas
de estadísticas detalladas

724
00:37:14,065 --> 00:37:16,065
sobre cómo se desarrollaron los concursos...

725
00:37:16,100 --> 00:37:17,900
béisbol.

726
00:37:19,070 --> 00:37:22,272
El béisbol siempre ha sido
un juego de números--

727
00:37:22,307 --> 00:37:28,077
puntuaciones de caja, promedios de bateo,
ERA, carreras impulsadas.

728
00:37:28,112 --> 00:37:31,514
Pero aunque las estadísticas siempre han
sido parte del béisbol,

729
00:37:31,549 --> 00:37:36,519
en los últimos 20 años,
su importancia se ha disparado

730
00:37:36,554 --> 00:37:39,656
debido a los análisis deportivos,

731
00:37:39,691 --> 00:37:43,994
el uso de modelos predictivos
para mejorar el desempeño de un equipo.

732
00:37:45,396 --> 00:37:47,096
Hasta cierto punto, todas las empresas,
no solo deportes,

733
00:37:47,131 --> 00:37:50,266
realmente está tratando de predecir
el próximo evento, ya sabes.

734
00:37:50,301 --> 00:37:51,668
Ya sea que esté en Wall Street,

735
00:37:51,703 --> 00:37:53,036
o si estás en el negocio de la tecnología,

736
00:37:53,071 --> 00:37:54,637
¿Cuál es la novedad?

737
00:37:54,672 --> 00:37:56,039
Y para nosotros,
es el rendimiento futuro del jugador.

738
00:37:57,742 --> 00:37:59,842
Billy Beane fue uno de los primeros

739
00:37:59,877 --> 00:38:03,179
adoptar la cuantitativa
enfoque a finales de los 90,

740
00:38:03,214 --> 00:38:06,883
cuando era gerente general
de los Atléticos de Oakland.

741
00:38:06,918 --> 00:38:10,019
Atascado con la baja nómina
de un equipo de mercado pequeño,

742
00:38:10,054 --> 00:38:13,389
abandonó décadas
de la tradición subjetiva del béisbol

743
00:38:13,424 --> 00:38:17,560
y comprometió a la organización
al uso de análisis estadísticos

744
00:38:17,595 --> 00:38:20,096
para guiar al equipo
toma de decisiones.

745
00:38:20,131 --> 00:38:22,332
Se convirtió en gran medida en una ecuación matemática.

746
00:38:22,367 --> 00:38:24,133
armar un equipo de béisbol.

747
00:38:24,168 --> 00:38:29,072
Las estadísticas de Billy
El enfoque comenzó a llamar la atención.

748
00:38:29,107 --> 00:38:30,773
cuando los Atléticos de Oakland terminaron
en los playoffs

749
00:38:30,808 --> 00:38:34,777
en cuatro años consecutivos

750
00:38:34,812 --> 00:38:38,448
y establecer un récord de liga
con 20 victorias seguidas.

751
00:38:38,483 --> 00:38:39,749
Luego fue adorado

752
00:38:39,784 --> 00:38:43,019
e incluso le dieron un nombre en
un libro y una película más vendidos,

753
00:38:43,054 --> 00:38:44,520
"Bola de dinero".

754
00:38:44,555 --> 00:38:46,756
Brad Pitt interpreta a Billy.

755
00:38:46,791 --> 00:38:49,759
Si ganamos
nuestro presupuesto con este equipo,

756
00:38:49,794 --> 00:38:53,296
habremos cambiado el juego.

757
00:38:54,499 --> 00:38:56,232
Si bien "Moneyballing" no condujo

758
00:38:56,267 --> 00:38:59,335
a un campeonato de liga
para los Atléticos de Oakland,

759
00:38:59,370 --> 00:39:01,871
Cambió el juego.

760
00:39:01,906 --> 00:39:04,240
Hoy, cada
Equipo de Grandes Ligas de Béisbol

761
00:39:04,275 --> 00:39:06,109
tiene una analítica deportiva
departamento,

762
00:39:06,144 --> 00:39:09,712
tratando de predecir y mejorar
rendimiento futuro del jugador

763
00:39:09,747 --> 00:39:11,147
a través de datos,

764
00:39:11,182 --> 00:39:12,949
analizando todo

765
00:39:12,984 --> 00:39:16,352
desde el ángulo y la velocidad
de la pelota saliendo del bate--

766
00:39:16,387 --> 00:39:18,621
a qué jugadores deben educarse

767
00:39:18,656 --> 00:39:21,491
de las ligas menores
o comercializado.

768
00:39:21,526 --> 00:39:24,794
nunca lo haré
finge ser un genio de las matemáticas,

769
00:39:24,829 --> 00:39:27,697
Solo entiendo sus poderes
y su aplicación.

770
00:39:27,732 --> 00:39:29,365
Cuando ejecutas un
Equipo de Grandes Ligas de Béisbol,

771
00:39:29,400 --> 00:39:32,001
que es un gran trabajo,

772
00:39:32,036 --> 00:39:34,003
y cada niño
quien sueña con hacerlo,

773
00:39:34,038 --> 00:39:36,939
puedo decirte que es
todo lo que has pensado.

774
00:39:36,974 --> 00:39:38,307
Pero cuando me preguntan,

775
00:39:38,342 --> 00:39:39,776
"¿Qué tengo que hacer
hacer eso?"

776
00:39:39,811 --> 00:39:42,178
Mi respuesta es siempre la misma.

777
00:39:42,213 --> 00:39:44,514
Yo digo: "Ve a estudiar
y sacar una A en matemáticas."

778
00:39:44,549 --> 00:39:49,318
mientras practica deportes
La analítica ha transformado el béisbol.

779
00:39:49,353 --> 00:39:54,056
El dinero ha encontrado su camino
en muchos campos no relacionados.

780
00:39:54,091 --> 00:39:56,993
Los defensores de la tecnología basada en datos
toma de decisiones y predicción

781
00:39:57,028 --> 00:40:00,096
han aplicado el enfoque
a áreas tan diversas

782
00:40:00,131 --> 00:40:04,200
como música popular y aplicación de la ley.

783
00:40:04,235 --> 00:40:06,335
Se ha habilitado el Moneyballing

784
00:40:06,370 --> 00:40:08,471
por la gran cantidad de información

785
00:40:08,506 --> 00:40:12,775
recopilados a través de Internet,
los llamados "Big Data".

786
00:40:12,810 --> 00:40:14,710
Nuestra producción actual de datos

787
00:40:14,745 --> 00:40:19,916
es aproximadamente 2,5
quintillones de bytes al día.

788
00:40:21,385 --> 00:40:24,754
Pero ¿qué pasa con
la situación contraria,

789
00:40:24,789 --> 00:40:27,890
cuando hay muy pocos datos,
sin embargo, es necesario tomar medidas...

790
00:40:27,925 --> 00:40:32,328
por ejemplo al buscar
¿Para las personas perdidas en el mar?

791
00:40:32,363 --> 00:40:35,965
¿Cómo empiezas?
para predecir dónde podrían estar?

792
00:40:38,236 --> 00:40:41,904
La Guardia Costera de EE.UU.
Centro de Comando del Sector Boston.

793
00:40:41,939 --> 00:40:44,974
Desde este conjunto seguro de habitaciones,

794
00:40:45,009 --> 00:40:49,212
La Guardia Costera coordina todo
operaciones en el área de Boston,

795
00:40:49,247 --> 00:40:52,248
incluyendo la seguridad nacional,
control de drogas,

796
00:40:52,283 --> 00:40:54,851
y búsqueda y rescate.

797
00:40:59,657 --> 00:41:01,757
Buenos días, Guardia Costera.
Centro de Comando del Sector Boston,

798
00:41:01,792 --> 00:41:03,025
Sr. Fleming hablando.

799
00:41:03,060 --> 00:41:04,126
Eh, buenos días, señor...

800
00:41:04,161 --> 00:41:05,995
Una persona que llama informa

801
00:41:06,030 --> 00:41:07,430
que un amigo fue a hacer paddleboard

802
00:41:07,465 --> 00:41:10,366
más temprano en la mañana,
pero ahora está atrasado.

803
00:41:16,774 --> 00:41:18,508
La Guardia Costera inicia una búsqueda

804
00:41:18,543 --> 00:41:19,809
con un barco de respuesta de 45 pies...

805
00:41:19,844 --> 00:41:21,077
Interesante...

806
00:41:21,112 --> 00:41:22,078
...fuera del puerto de Boston.

807
00:41:22,113 --> 00:41:24,714
Próximamente.

808
00:41:24,749 --> 00:41:26,616
Desafortunadamente,
una embarcación de remo en problemas

809
00:41:26,651 --> 00:41:28,751
se ha vuelto cada vez más común.

810
00:41:28,786 --> 00:41:30,920
eres requerido
tener puesto un chaleco salvavidas.

811
00:41:30,955 --> 00:41:33,689
La razón de esto es que en 2015,

812
00:41:33,724 --> 00:41:37,460
creo que tuvimos
625 muertes en todo el país--

813
00:41:37,495 --> 00:41:39,729
varias de esas personas
que fueron recuperados

814
00:41:39,764 --> 00:41:41,631
fueron recuperados sin
un chaleco salvavidas.

815
00:41:41,666 --> 00:41:45,434
El comando
El Centro también bota otro barco

816
00:41:45,469 --> 00:41:48,404
desde la estación Point Allerton,
en casco.

817
00:41:48,439 --> 00:41:49,805
Viraje corto desconectado.

818
00:41:49,840 --> 00:41:51,040
Manténgase alejado de las filas.

819
00:41:52,710 --> 00:41:55,244
La persona que llamó dijo que
la persona desaparecida normalmente remaba

820
00:41:55,279 --> 00:41:58,214
entre la playa de Nantasket
y la luz de Boston,

821
00:41:58,249 --> 00:41:59,715
a unas tres millas de distancia.

822
00:41:59,750 --> 00:42:01,584
Pero con todas las incógnitas...

823
00:42:01,619 --> 00:42:04,520
donde se metió en problemas
y cómo pudo haberse desviado...

824
00:42:04,555 --> 00:42:09,025
el área de búsqueda podría ser
tan grande como 20 millas cuadradas.

825
00:42:12,463 --> 00:42:15,598
Operaciones de búsqueda y rescate

826
00:42:15,633 --> 00:42:19,402
a menudo se basan
en circunstancias únicas

827
00:42:19,437 --> 00:42:22,772
y requieren acción,
a pesar de la información incompleta.

828
00:42:22,807 --> 00:42:24,507
Para atacar problemas como ese,

829
00:42:24,542 --> 00:42:27,076
Los estadísticos recurren a una idea.
que se origina

830
00:42:27,111 --> 00:42:29,812
con un siglo XVIII
clérigo inglés

831
00:42:29,847 --> 00:42:34,016
interesado en la probabilidad--
Tomás Bayés.

832
00:42:34,051 --> 00:42:37,186
Imagina que te dan una moneda para lanzarla.

833
00:42:37,221 --> 00:42:40,723
y quieres saber si
es justo, 50-50 cara o cruz,

834
00:42:40,758 --> 00:42:45,494
o ponderado al suelo
más en cara que en cruz.

835
00:42:45,529 --> 00:42:48,097
El enfoque tradicional
en estadística y ciencia

836
00:42:48,132 --> 00:42:53,102
no asume ninguna de las respuestas y
utiliza experimentos para descubrirlo.

837
00:42:53,137 --> 00:42:58,441
En este caso eso implica
Lanzando mucho la moneda.

838
00:42:58,476 --> 00:43:01,877
O podrías acercarte al
problema como un bayesiano.

839
00:43:01,912 --> 00:43:04,246
A diferencia de las estadísticas tradicionales,

840
00:43:04,281 --> 00:43:06,882
eso significa comenzar
con una probabilidad inicial

841
00:43:06,917 --> 00:43:09,285
basado en lo que sabes.

842
00:43:09,320 --> 00:43:12,021
En este caso, todas las monedas
alguna vez te has encontrado

843
00:43:12,056 --> 00:43:15,358
en una vida de lanzar monedas
han sido justos.

844
00:43:15,393 --> 00:43:18,928
parece probable
Este probablemente también sea justo.

845
00:43:18,963 --> 00:43:21,897
A continuación, también lanzas la moneda,

846
00:43:21,932 --> 00:43:24,433
actualizando la probabilidad
a medida que avanzas.

847
00:43:24,468 --> 00:43:27,370
Digamos que comienza
con varias cabezas seguidas.

848
00:43:27,405 --> 00:43:29,005
Eso podría hacerte preguntarte,

849
00:43:29,040 --> 00:43:32,174
aumentando tu probabilidad
estima que está ponderado.

850
00:43:32,209 --> 00:43:36,846
Pero a medida que lo volteas más veces,
Esos empiezan a parecer una casualidad.

851
00:43:36,881 --> 00:43:38,681
Al final, tu mejor estimación.

852
00:43:38,716 --> 00:43:41,917
es que probablemente sea
una moneda justa,

853
00:43:41,952 --> 00:43:44,754
pero estas abierto
a cualquier información nueva.

854
00:43:44,789 --> 00:43:48,157
Como si fuera de tu tío
el estafador, "Larry el Torcido".

855
00:43:50,995 --> 00:43:52,461
Sector 659.

856
00:43:52,496 --> 00:43:56,132
Nuestra hora estimada de llegada.
es uno uno cinco ocho.

857
00:43:56,167 --> 00:44:00,369
inferencia bayesiana
crea un enfoque matemático riguroso

858
00:44:00,404 --> 00:44:05,241
para calcular probabilidades
basado en nueva información.

859
00:44:05,276 --> 00:44:07,643
Y se sienta en el corazón
de la Guardia Costera

860
00:44:07,678 --> 00:44:12,381
Búsqueda y rescate óptimo
Sistema de Planificación: SAROPS.

861
00:44:12,416 --> 00:44:15,051
el ha estado
desaparecido desde las 7:30 de esta mañana,

862
00:44:15,086 --> 00:44:16,952
así que voy a seguir adelante
y hacer una deriva SAROPS.

863
00:44:16,987 --> 00:44:18,754
SAROPS toma información

864
00:44:18,789 --> 00:44:21,991
sobre la última posición conocida
del objeto de la búsqueda...

865
00:44:22,026 --> 00:44:23,626
¿Cuál es la dirección del viento?

866
00:44:23,661 --> 00:44:26,195
...junto con el
lecturas de corrientes y vientos

867
00:44:26,230 --> 00:44:28,264
y los combina con información

868
00:44:28,299 --> 00:44:30,933
sobre cómo los objetos se desplazan
en el agua

869
00:44:30,968 --> 00:44:33,903
para simular miles de caminos posibles

870
00:44:33,938 --> 00:44:36,238
el objetivo pudo haber tomado.

871
00:44:36,273 --> 00:44:38,708
Estos se procesan en probabilidades,

872
00:44:38,743 --> 00:44:40,443
indicado por color,

873
00:44:40,478 --> 00:44:43,679
y se convirtieron en planes de búsqueda
para ser ejecutado.

874
00:44:43,714 --> 00:44:46,348
SAROPS es realmente
un caballo de batalla para la Guardia Costera.

875
00:44:46,383 --> 00:44:48,317
Hace muchos de los cálculos por nosotros.

876
00:44:48,352 --> 00:44:50,419
Nos proporciona mucho
de patrones de búsqueda valiosos

877
00:44:50,454 --> 00:44:51,987
y opciones de planificación de búsqueda.

878
00:44:52,022 --> 00:44:54,356
Pensé que él era
bastante lejos de la costa pero, ya sabes,

879
00:44:54,391 --> 00:44:56,892
dijo que estaba bien, así que seguí adelante.

880
00:44:56,927 --> 00:44:58,828
Se ha corrido la voz de la búsqueda.

881
00:44:58,863 --> 00:45:03,399
Un navegante informa de un avistamiento.
desde más temprano en el día.

882
00:45:03,434 --> 00:45:05,401
Lo que hice fue entrar y poner
esa información en SAROPS,

883
00:45:05,436 --> 00:45:07,002
y cambió todo.

884
00:45:07,037 --> 00:45:10,940
SAROPS rápidamente
recalcula todas las probabilidades

885
00:45:10,975 --> 00:45:13,542
y genera un nuevo plan de búsqueda.

886
00:45:13,577 --> 00:45:17,680
El área se ha desplazado
tres millas más mar adentro.

887
00:45:19,683 --> 00:45:23,052
Estamos en escena,
comenzando el patrón de búsqueda ahora.

888
00:45:25,089 --> 00:45:26,122
Esté atento.

889
00:45:26,157 --> 00:45:27,556
Roger, subiendo.

890
00:45:27,591 --> 00:45:28,791
estamos evaluando
la situación en escena.

891
00:45:30,661 --> 00:45:34,497
Cualquier objeto que veas en
el agua, por favor mire más de cerca.

892
00:45:45,709 --> 00:45:47,743
Paddleboarder, babor

893
00:45:51,115 --> 00:45:54,416
Roger,
Hemos localizado a un paddleboarder.

894
00:45:54,451 --> 00:45:55,718
con cero una persona a bordo.

895
00:45:55,753 --> 00:45:57,453
¡Fuera del corredor del puerto!

896
00:45:57,488 --> 00:45:59,488
Lado de estribor.

897
00:45:59,523 --> 00:46:00,956
tengo una visual

898
00:46:00,991 --> 00:46:02,658
Muy bien.

899
00:46:02,693 --> 00:46:07,129
Resulta que
la búsqueda ha sido un simulacro.

900
00:46:07,164 --> 00:46:10,466
Horas antes, el paddleboard
fue colocado en el agua

901
00:46:10,501 --> 00:46:13,536
por otro barco de la Guardia Costera
y se le dejó ir a la deriva.

902
00:46:13,571 --> 00:46:17,606
Los instrumentos montados en él.
están ahí para medir el viento

903
00:46:17,641 --> 00:46:20,242
y registrar el camino que ha tomado,

904
00:46:20,277 --> 00:46:21,877
información que luego será utilizada

905
00:46:21,912 --> 00:46:25,181
para modificar las simulaciones de deriva
en SAROPS,

906
00:46:25,216 --> 00:46:28,184
aunque el sistema funcionó
bastante bien hoy.

907
00:46:28,219 --> 00:46:30,953
El objeto era correcto
en medio de nuestros patrones de búsqueda.

908
00:46:30,988 --> 00:46:33,389
Entonces SAROPS fue en realidad
Totalmente preciso

909
00:46:33,424 --> 00:46:35,024
al predecir dónde necesitábamos buscar

910
00:46:35,059 --> 00:46:36,458
encontrar
el surfista de remo desaparecido.

911
00:46:38,395 --> 00:46:40,696
para poder
llamar a una familia y decirle:

912
00:46:40,731 --> 00:46:42,364
"Tu familia y amigos
está volviendo a casa",

913
00:46:42,399 --> 00:46:43,899
es absolutamente una llamada

914
00:46:43,934 --> 00:46:45,401
que todos deberíamos tener
la oportunidad de hacer,

915
00:46:45,436 --> 00:46:47,803
y, afortunadamente,
por cosas como esta,

916
00:46:47,838 --> 00:46:49,572
podemos hacer esa llamada.

917
00:46:52,610 --> 00:46:55,611
El computacional
Complejidad de las probabilidades de actualización.

918
00:46:55,646 --> 00:46:59,415
detuvo el enfoque bayesiano
durante la mayor parte del siglo XX.

919
00:46:59,450 --> 00:47:05,054
Pero la potencia informática actual
lo ha desatado en el mundo.

920
00:47:05,089 --> 00:47:08,691
Está en todo, desde tu filtro de spam.

921
00:47:08,726 --> 00:47:13,596
a la forma en que funcionan las búsquedas de Google
a los coches autónomos.

922
00:47:13,631 --> 00:47:17,700
Algunos incluso encuentran en el bayesiano
abrazo de probabilidad,

923
00:47:17,735 --> 00:47:21,537
similitudes con la forma en que aprendemos
desde la experiencia.

924
00:47:21,572 --> 00:47:24,773
Y lo han integrado en las computadoras,

925
00:47:24,808 --> 00:47:26,642
Haciéndolo parte de una nueva y poderosa fuerza:

926
00:47:26,677 --> 00:47:28,811
aprendizaje automático.

927
00:47:28,846 --> 00:47:31,513
En el pasado,
cuando programamos computadoras,

928
00:47:31,548 --> 00:47:36,018
Tendíamos a escribir realmente,
con un detalle insoportable,

929
00:47:36,053 --> 00:47:38,687
un conjunto de reglas
eso le diría a la computadora

930
00:47:38,722 --> 00:47:42,324
que hacer en cada uno
contingencias.

931
00:47:42,359 --> 00:47:44,526
Pero hay otro enfoque...

932
00:47:44,561 --> 00:47:46,462
para tratar la computadora

933
00:47:46,497 --> 00:47:51,267
como un niño
aprendiendo a andar en bicicleta.

934
00:47:51,302 --> 00:47:53,669
Nadie le enseña a un niño.
montar usando un conjunto de reglas.

935
00:47:53,704 --> 00:47:55,971
Puede haber algunos consejos,

936
00:47:56,006 --> 00:47:58,407
pero en última instancia,
es prueba y error

937
00:47:58,442 --> 00:48:02,778
experiencia--
ese es el instructor.

938
00:48:02,813 --> 00:48:04,747
Lo nuevo,
el chico nuevo de la cuadra

939
00:48:04,782 --> 00:48:05,981
es el aprendizaje automático,

940
00:48:06,016 --> 00:48:07,683
específicamente algo
llamado aprendizaje profundo.

941
00:48:07,718 --> 00:48:10,986
Aquí no informamos.
la computadora de las reglas,

942
00:48:11,021 --> 00:48:12,354
sino a través de ejemplos.

943
00:48:12,389 --> 00:48:14,056
Tan similar a, como, un niño pequeño.

944
00:48:14,091 --> 00:48:16,692
que cae y aprende
de esta experiencia,

945
00:48:16,727 --> 00:48:18,995
simplemente dejamos la computadora
aprender de los ejemplos.

946
00:48:21,532 --> 00:48:23,165
Supongamos
quieres entrenar una computadora

947
00:48:23,200 --> 00:48:26,068
Reconocer imágenes de gatos.

948
00:48:26,103 --> 00:48:29,338
Al escanear a través de miles
de imágenes etiquetadas--

949
00:48:29,373 --> 00:48:31,407
algunos gatos, otros no...

950
00:48:31,442 --> 00:48:34,109
la computadora puede desarrollar
sus propias pautas

951
00:48:34,144 --> 00:48:38,380
para evaluar la probabilidad
que una imagen es un gato.

952
00:48:38,415 --> 00:48:39,982
y estos dias

953
00:48:40,017 --> 00:48:44,353
Las computadoras están haciendo mucho más.
que simplemente buscar gatos.

954
00:48:44,388 --> 00:48:46,155
Algunas de las mejores computadoras ahora

955
00:48:46,190 --> 00:48:49,858
puede aprender a vencer
El mejor campeón de Go del mundo.

956
00:48:49,893 --> 00:48:54,263
o descubrir documentos
en montones de documentos,

957
00:48:54,298 --> 00:48:56,498
trabajo que abogados altamente remunerados
normalmente lo hago,

958
00:48:56,533 --> 00:48:58,867
o diagnosticar enfermedades.

959
00:48:58,902 --> 00:49:00,970
En Stanford,
Recientemente realizamos un estudio

960
00:49:01,005 --> 00:49:03,839
para entender si
un algoritmo de aprendizaje automático

961
00:49:03,874 --> 00:49:07,676
puede competir con los de primera categoría,
nivel de Stanford,

962
00:49:07,711 --> 00:49:09,044
dermatólogos certificados

963
00:49:09,079 --> 00:49:13,182
para detectar cosas como el cáncer de piel.

964
00:49:13,217 --> 00:49:16,685
Y he aquí, descubrimos que
nuestro algoritmo de aprendizaje automático,

965
00:49:16,720 --> 00:49:18,187
nuestra cajita,

966
00:49:18,222 --> 00:49:21,824
es tan bueno como el mejor ser humano
médico en la detección del cáncer de piel.

967
00:49:21,859 --> 00:49:24,994
Eso plantea muchas preguntas:

968
00:49:25,029 --> 00:49:28,130
¿Deberíamos confiar en el software?
sobre nuestros médicos?

969
00:49:28,165 --> 00:49:31,700
¿O son programas de diagnóstico?
como el de sebastian

970
00:49:31,735 --> 00:49:34,103
el medico inteligente
asistentes del mañana,

971
00:49:34,138 --> 00:49:37,506
¿Una nueva herramienta pero no un sustituto?

972
00:49:37,541 --> 00:49:41,010
Y hay otras preocupaciones.

973
00:49:41,045 --> 00:49:46,715
Si le preguntaras a una persona que viaja
una bicicleta exactamente como la hacen,

974
00:49:46,750 --> 00:49:49,184
estarían en apuros
para ponerlo en palabras.

975
00:49:49,219 --> 00:49:50,652
Lo mismo es cierto

976
00:49:50,687 --> 00:49:53,789
con la llamada "caja negra"
aplicaciones de aprendizaje automático

977
00:49:53,824 --> 00:49:55,457
como el de Sebastián:

978
00:49:55,492 --> 00:49:57,626
nadie, incluido Sebastián,

979
00:49:57,661 --> 00:50:00,829
sabe cómo detecta el cáncer de piel.

980
00:50:00,864 --> 00:50:04,166
Como el ciclista, simplemente lo hace,

981
00:50:04,201 --> 00:50:06,869
lo cual puede estar bien
para software de diagnóstico,

982
00:50:06,904 --> 00:50:09,104
pero no para otros aspectos
de medicina,

983
00:50:09,139 --> 00:50:12,408
como decisiones de tratamiento.

984
00:50:12,443 --> 00:50:13,776
Si lo que estás haciendo es decidir

985
00:50:13,811 --> 00:50:15,878
que dosis de quimioterapia
para darle a un paciente,

986
00:50:15,913 --> 00:50:17,946
Creo que la mayoría de la gente se sentiría incómoda.

987
00:50:17,981 --> 00:50:19,481
siendo eso una caja negra.

988
00:50:19,516 --> 00:50:20,883
La gente querría entender

989
00:50:20,918 --> 00:50:22,584
donde esas predicciones
vienen de.

990
00:50:22,619 --> 00:50:25,387
Lo mismo puede ser cierto

991
00:50:25,422 --> 00:50:26,955
para evaluar quién debe
obtener un préstamo hipotecario,

992
00:50:26,990 --> 00:50:30,592
o de quién deberían ser despedidos
su trabajo por mal desempeño,

993
00:50:30,627 --> 00:50:33,529
o quién obtiene la libertad condicional,

994
00:50:33,564 --> 00:50:35,230
todas las situaciones

995
00:50:35,265 --> 00:50:38,967
en qué máquina de caja negra
Se utilizan software de aprendizaje.

996
00:50:39,002 --> 00:50:40,436
Estos son algoritmos

997
00:50:40,471 --> 00:50:43,605
eso puede tener un gran efecto
en la vida de las personas.

998
00:50:43,640 --> 00:50:45,607
Y tenemos que entender,
como sociedad,

999
00:50:45,642 --> 00:50:47,142
¿Qué hay dentro de esos algoritmos?

1000
00:50:47,177 --> 00:50:48,510
y en qué se basan,

1001
00:50:48,545 --> 00:50:50,879
para asegurarse de que
no se están perpetuando

1002
00:50:50,914 --> 00:50:53,315
Problemas sociales que ya tenemos.

1003
00:50:55,319 --> 00:50:59,788
Vivimos en una época
cuando la fusión de datos, computadoras,

1004
00:50:59,823 --> 00:51:03,392
probabilidad y estadística

1005
00:51:03,427 --> 00:51:06,095
nos otorga más poder predictivo
de lo que jamás hemos conocido antes.

1006
00:51:06,130 --> 00:51:10,165
Podemos ver los beneficios tangibles,

1007
00:51:10,200 --> 00:51:12,167
y algunos de los peligros,

1008
00:51:12,202 --> 00:51:17,272
mientras también me pregunto
adónde irá todo esto.

1009
00:51:17,307 --> 00:51:19,241
Realmente estamos viendo una nueva
ciencia de la estadistica

1010
00:51:19,276 --> 00:51:20,809
desarrollándose bajo nuestros pies.

1011
00:51:20,844 --> 00:51:21,977
Eso es emocionante

1012
00:51:22,012 --> 00:51:24,746
y creo que debe ser un poco
un poco como

1013
00:51:24,781 --> 00:51:26,381
cómo era cuando
la teoría de la probabilidad

1014
00:51:26,416 --> 00:51:28,217
se desarrolló por primera vez

1015
00:51:28,252 --> 00:51:30,853
por Pascal y Fermat
y la gente que los rodea,

1016
00:51:30,888 --> 00:51:32,020
que la gente decía,

1017
00:51:32,055 --> 00:51:33,889
"Dios mío, estas son preguntas
que las matemáticas

1018
00:51:33,924 --> 00:51:35,924
realmente puede tener algo
decir acerca de."

1019
00:51:35,959 --> 00:51:37,593
Creo que eso debe haber sido
como era

1020
00:51:37,628 --> 00:51:39,595
cuando las estadísticas
en su forma tradicional

1021
00:51:39,630 --> 00:51:41,897
se estaba desarrollando en el
primera parte del siglo XX,

1022
00:51:41,932 --> 00:51:44,199
y de repente
la gente solo preguntaba

1023
00:51:44,234 --> 00:51:45,634
tipos completamente nuevos de preguntas

1024
00:51:45,669 --> 00:51:47,069
que ni siquiera pudieron
se han acercado antes.

1025
00:51:47,104 --> 00:51:50,005
Y creo que estamos teniendo
Otro momento como ese ahora.

1026
00:51:51,842 --> 00:51:54,943
mientras mañana
siempre será incierto,

1027
00:51:54,978 --> 00:51:58,547
las matemáticas continuarán
para guiar el camino,

1028
00:51:58,582 --> 00:52:00,916
a través del poder de la probabilidad,

1029
00:52:00,951 --> 00:52:04,253
y predicción en números.