The Failures of Mathematical Anti-Evolutionism

sums when rolling two dice. Note that the first row
should be taken to mean that P(
2)
= P(12) = 1/36, the
second row means that P(
3)
= P(11) = 1/18, and so forth.
Outcome
Probability
2 or 12
1
36
3 or 11
1
18
4 or 10
1
12
5 or 9
1
9
6 or 8
5
36
7
1
6
on how we arrived at some of these fractions, note that 2/36
= 1/18,
3/36
= 1/12, and so on.
In simple examples involving coins, playing cards, or dice,
choosing the right distribution seems pretty straightforward. How-
ever, choosing the right distribution can be a very difficult practical
problem when dealing with data sets drawn from complex, real-life
situations. If you decide to pursue a career in statistics, much of
your training will involve learning how to discern the probability
distribution appropriate to different kinds of data. For us, however,
the point is this: A serious probability calculation can only be carried
out within a properly defined probability space, and the burden is on
the one doing the calculation to justify their choice of distribution.
Now suppose you are an anti-evolutionist. You start with a
track one intuition that there is something improbable in the idea
of evolution, or any other naturalistic process, crafting complex,
functional structures. But you also know that scientists will not take
seriously a mere statement of incredulity. So you go looking for a track
two argument. This entails defining a proper probability space, which
in turn entails enumerating the outcomes and assigning probabilities
to each.

---

5.3 the hardy–weinberg law 117
Anti-evolutionists have tried a number of approaches to meet-
ing this burden, but we shall argue that none are at all successful.
However, we must attend to some further preliminaries before exam-
ining their arguments.
5.3 the hardy–weinberg law
Most of this chapter is devoted to the poor probability arguments put
forth by anti-evolutionists. As preparation for this, let us first consider
a reasonable application of probability to evolution.
Evolutionary biology addresses fundamental questions about
the origins of humanity, and that is one of the reasons it receives
so much attention from nonscientists. However, the daily work of
most biologists is not about anything quite so grand as ultimate
origins. Much of the routine work in evolution is devoted to mundane
questions of the following sort: Given a population of organisms
and some knowledge about the frequencies of various genes, what
can we say about the gene frequencies a few generations hence?
Since such questions involve the genetics of populations, the branch
of evolutionary biology that studies them is known as “population
genetics.”
How might we develop a mathematical model to study this
question?
A typical scenario in genetics is for an animal’s chromosomes
to contain two copies of a gene that can exist in two different forms. If
we refer to these genes as A and B, then we can say that each animal is
either of type AA, BB, or AB, depending on whether the two copies of
the gene in that animal are the same or different. We can then imagine
listing the types for all the animals in the local population, which
would produce a big collection of As and Bs. From this collection, we
could work out the percentage of the total that are As, as well as the
percentage that are Bs.
For example, if there were five animals in the population of
types

---

118 5 probability theory