Мидоу подсчитал: вероятность того, что ребенок умрет от синдрома внезапной смерти, равна 1 из 8 543. Свою цифру — 73 млн к 1 — он получил путем умножения этих двух факторов, по одному на каждого ребенка. Однако согласно его подсчетам выходит, что смерти детей были независимы друг от друга — то есть, ни факторы окружающей среды, ни наследственность не играли роли, увеличивавшей риск заболевания второго ребенка синдромом, от которого умер первенец. В действительности, в статье, опубликованной в «Бритиш медикал джорнел» через несколько недель после суда, вероятность того, что оба ребенка умрут в результате синдрома внезапной смерти, была определена как 2,75 млн к 1{112}. Но даже эта цифра слишком велика.
Чтобы понять, почему так получилось, что Салли Кларк посадили, нужно разобраться в ошибке перестановки двух элементов: мы пытаемся выяснить не вероятность того, что двое детей умрут в результате синдрома, а вероятность того, что двое умерших детей действительно умерли в результате синдрома. Спустя два года после заключения Кларк в тюрьму, Королевское общество статистиков рассмотрело ее дело и в сообщении для печати заявило: в своем решении присяжные «допустили серьезную логическую ошибку, именуемую „ошибкой обвинения“. Присяжные должны рассмотреть два разных объяснения детских смертей: от синдрома или же в результате умышленного убийства. И два смертельных исхода от синдрома, и два убийства в равной степени маловероятны, однако одно из двух все же случилось. В данном случае значение имеет относительное правдоподобие смертей…, а вовсе не то, насколько маловероятно… {объяснение смертей синдромом внезапной смерти{113}}». Позднее математик подсчитал относительное правдоподобие того, что семья теряет двух детей в результате синдрома внезапной смерти или же умышленного убийства. И на основании имевшихся данных заключил: вероятность того, что двое младенцев умрут в результате синдрома, в 9 раз выше, нежели то, что они станут жертвами убийства{114}.
Семья Кларк подала на апелляцию, а в качестве экспертных свидетелей наняла собственных специалистов-статистиков. Апелляцию они проиграли, однако не сдались и решили добиваться врачебных разъяснений относительно причины смертей. В результате открылось, что патологоанатом, привлеченный обвинением, утаил тот факт, что второй ребенок на момент смерти страдал от бактериальной инфекции, каковая и могла вызвать летальный исход. Основываясь на данном обстоятельстве, судья отменил обвинительный приговор — Салли Кларк, просидевшая в заключении почти три с половиной года, была освобождена.
Известный адвокат и профессор юридического факультета в Гарварде Алан Дершовиц также с успехом воспользовался «ошибкой обвинения» во время защиты О. Дж. Симпсона, обвинявшегося в убийстве своей бывшей жены, Николь Браун Симпсон, и ее спутника. Судебный процесс с участием Симпсона, бывшей футбольной знаменитости, был одним из самых громких событий в прессе за 1994–95 гг. У полиции имелось достаточно улик, свидетельствовавших против Симпсона. Одну перчатку, испачканную в крови, они нашли у него дома, другую обнаружили на месте преступления. Пятна крови, совпадающей по группе с кровью Николь, были найдены на перчатках, в его машине, на носках в его спальне, а также на подъездной аллее у дома и в самом доме. Более того, образцы ДНК крови, обнаруженной на месте преступления, совпали с образцами ДНК крови Симпсона. Защита была бессильна, она разве что обвинила полицейское управление Лос-Анджелеса в расизме (О. Дж. Симпсон — афро-американец), а также нечестности и усомнилась в подлинности улик.
Обвинение решило напирать на склонность Симпсона к агрессии по отношению к Николь. Первые десять дней обвинители говорили о многочисленных случаях насилия и заявляли о том, что одно уже это является достаточным основанием, чтобы подозревать Симпсона в убийстве. Как они выразились, «начинается с пощечины, а заканчивается убийством»{115}. Защита воспользовалась этой стратегией, усмотрев в ней двойные стандарты — адвокаты указали на то, что обвинение две недели пыталось сбить присяжных с толку, а свидетельства о том, что Симпсон раньше бил Николь, ничего не значат. Вот доводы Дершовица: в США 4 млн женщин ежегодно терпят побои от своих мужей и парней, и однако согласно общей сводке ФБР по преступлениям, совершенным в 1992 г., убитыми оказались в общей сложности 1 432 женщины, то есть 1 женщина из каждых 2 500{116}. Следовательно, возразила защита, очень немногие мужчины, поколачивающие своих жен, способны убить их. Верно? Да. Убедительно? Да. Имеет ли отношение к делу? Нет. Нас интересует не вероятность того, что мужчина, который бьет жену, зайдет так далеко, что убьет ее (1 из 2 500), а скорее вероятность того, что избитая и убитая жена была убита именно тем, кто ее избивал. Согласно сводке по совершенным в США преступлениям в 1992, а также 1993 гг., вероятность, которую Дершовиц (или обвинение) должны были привести, звучала бы следующим образом: из всех избитых женщин, убитых в США в 1993 г., около 90% были убиты теми, кто их бил. Эти статистические данные во время судебного процесса обнародованы не были.
По мере того, как приближался час вынесения приговора, вдвое сократилось количество междугородних звонков, объем торгов на Нью-йоркской фондовой бирже упал на 40%, а около 100 млн человек включили телевизоры и радио, чтобы услышать: невиновен. Возможно, Дершовиц считал оправданной стратегию введения присяжных в заблуждение, потому как по его словам «клятва, произносимая в зале судебных заседаний — „говорить правду, всю правду и ничего, кроме правды“ касается только свидетелей. Адвокаты со стороны защиты, обвинения, а также судьи не дают этой клятвы… и конечно же, справедливо сказать, что в основе американской судебной системы лежит принцип — не говорить всю правду»{117}.
Хотя условная вероятность произвела среди идей о теории случайности революцию, Томас Байес не был революционером, его работа, пусть даже и опубликованная в престижном издании «Philosophical Transactions» в 1764 г., осталась незамеченной. Пока другой человек, французский математик Пьер-Симон де Лаплас, не привлек внимание ученых к идеям Байеса: так мир узнал, как неразличимые на первый взгляд вероятности могут быть вычислены благодаря очевидным исходам.
Возможно, вы помните: «золотая теорема» Бернулли позволяет вычислить еще до самого эксперимента с подбрасыванием монет степень уверенности в том, что получится определенный исход (при условии, что монета идеальна, без изъянов). Возможно, вы также помните: теорема эта не скажет вам уже после проведенного вами эксперимента с монетой степень вероятности того, что монета была идеальной. Точно так же, если вам известно: вероятность того, что старик восьмидесяти пяти лет доживет до девяноста, равна 50/50, «золотая теорема» подсказывает вероятность того, что половина из стариков восьмидесяти пяти лет в группе из 1 000 человек умрет в течение ближайших пяти лет. Однако если половина людей в группе умрет в течение ближайших пяти лет уже после того, как им исполнится восемьдесят пять, теорема не ответит на вопрос: насколько вероятно, что неявные шансы на выживание для людей из этой группы равны 50/50. Или такой пример. Если Форд знает, что у 1 из 100 его машин неисправна трансмиссия, при помощи «золотой теоремы» можно узнать вероятность того, что в партии из 1 000 машин 10 или более трансмиссий будут неисправными однако если Форд обнаружит 10 неисправных трансмиссий в выборке из 1 000 машин, данный факт не сообщит автомобильной компании вероятность того, что среднее арифметическое неисправных трансмиссий равно 1 из 100. В жизни наиболее частой из данных примеров оказывается вторая постановка задачи: вне ситуации связанной с азартными играми, мы обычно не обладаем теоретическими знаниями шансов, скорее нам приходится вычислять их, основываясь на серии наблюдений. Ученые тоже оказываются в подобном положении: обычно они не пытаются найти (располагая размером физической величины) вероятность того, что измерения получатся такими либо другими, а вместо этого стараются распознать истинный размер физической величины, опираясь на ряд измерений.
Я специально выделил это различие — ввиду его важности. Оно определяет существенную разницу между вероятностью и статистикой: первая имеет дело с прогнозами на основе определенных вероятностей; последняя связана с заключениями на основе вероятностей, выведенных посредством серии наблюдений.
Именно к ряду вопросов, связанных со статистикой, и обращался Лаплас. Он не знал о существовании теории Байеса и, следовательно, вынужден был придумать ее снова. Как только Лаплас сформулировал теорию, встал следующий вопрос: имеется ряд измерений; каково наилучшее предположение, какое можно сделать из истинного размера измеренной величины, и какова вероятность того, что это предположение будет «близко» к истинному размеру, какие бы требования вы ни предъявляли к степени этой «близости»?
