Aplicação de redes bayesianas na ciência forense

Tese de mestrado em Bioestatística, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2015O estado da arte corrente na valorização de provas científicas levanta problemas para os cientistas forenses devido à complexidade das provas. As provas científicas estão, regra geral, incompletas, o que leva os cientistas forenses a terem que lidar com incerteza e tomada de decisões. De um ponto de vista jurídico, é essencial que o investigador forense consiga apresentar provas com a validação científica exigida. Regra geral, esta validação é apresentada na forma de uma Razão de Verosimilhanças (Likelihood Ratio, LR), cujo cálculo pode ser bastante difícil face a dados com maior complexidade. Desde o final da década de 1980, as Redes Bayesianas (RB) atraem investigadores na área da ciência forense. RB são modelos probabilísticos que ajudam os cientistas forenses a qualificar e, caso seja possível, quantificar os estados de conhecimento usando Teoria da Probabilidade para obter resultados, considerando o cálculo do LR, para aconselhar os seus clientes relativamente a significância dos seus resultados. Uma RB codifica uma distribuição de probabilidade conjunta, através de um grafo direcionado acíclico construído tendo em conta a condição de Markov: um nodo do grafo é condicionalmente independente dos nodos que não são seus descendentes, dados os seus nodos pais. Tendo em conta a independência condicional, a distribuição de probabilidade conjunta pode ser facilmente calculada usando a regra da cadeia. Nesta dissertação foram avaliados alguns casos de paternidade disputada usando RB com o software R, através de um package adequado à construção destes modelos. No entanto, pela sua complexidade de utilização, não é, de momento, uma ferramenta acessível à maioria dos investigadores forenses. Este trabalho tem como objectivo a construção de um programa que permita ao investigador forense a utilização do referido package de R, através a construção dos modelos gráficos para diversos casos, simples e mais complexos, de paternidade disputada. Os resultados obtidos com o programa criado foram comparados com resultados obtidos através do software famílias e foram satisfatórios.The current state of the art in scientific evidence evaluation does not allow scientists to cope adequately with the problems caused by the complexity of the evidence. Scientific evidence is usually incomplete to some degree, thus uncertainty and decision making is a prevalent issue which forensic scientists have to deal with. From a juridical point of view, it is essential that the forensic investigator can present solid scientific evidence to a jury. Usually, this validation assumes the shape of a Likelihood Ratio (LR), whose calculation can be quite troublesome in cases of big complexity. Since the late 1980’s, Bayesian Networks have attracted researchers in forensic science. Bayesian Networks are probabilistic models that help forensic scientists qualify and, if possible, quantify their states of knowledge using probability theory to obtain the results required, regarding the calculation of a LR, to advise their clients of the significance of their findings. A Bayesian Network codifies a joint probability distribution, using a directional acyclic graph, built with the Markov property in mind: a node in the graph is conditionally independent from its descendant nodes given its parents. Thus, given the conditional independence, the joint probability distribution can be easily computed using the chain rule. In this thesis, several cases of disputed paternity were addressed with Bayesian Networks using R software, with an adequate package to build this type of models. However, given its complexity, it is not a accessible tool for most forensic investigators. This work aims to build a program that allows forensic analysts to use R to build graphic models for cases of disputed paternity. The results obtained with the created program were compared with results obtained with the familias software and the program proved to be efficient