Sistemas biométricos para la valoración de la evidencia...

1

Sistemas biométricospara la valoración

de la evidencia forenseDaniel Ramos [email protected]

ATVS – Biometric Recognition Grouphttp://atvs.ii.uam.es

Universidad Autónoma de Madrid

2Técnicas biométricas aplicadas a la seguridad

Biometría para la valoración de la evidencia forense

Individualización enciencia forense (criminalística)

2



Ciencia ForenseDefiniciones (Wikipedia)

Forensic science is the application of a broad spectrum of sciences to answer questions of interest to the legal system. This may be in relation to a crime or to a civil action.

En España se suele denominar “criminalística”No confundir con “criminología”

Forensic identification is the application of forensic science and technology to identifyspecific objects from the trace evidence they leave, often at a crime scene or the scene of an accident.



Identificación forense e incertidumbre

Identificación en criminalísitica significa individualización

Dos objetos son indistinguibles entre ellos¡Pero además distinguibles del resto de objetos considerados (población)!

La identificación no se logra nunca sin incertidumbre

El perito forense está siempre sometido a esa incertidumbre

3



Problema de ejemploAsalto a una casa

Se encuentra una ventana rotaSupuestamente rota por un asaltante que ha cometido un delito

Vidrio de la ventana: toma indubitada o de control

Su fuente es conocida

La policía encuentra un sospechoso

Fragmentos de vidrio de la ropa del sospechoso: toma dubitada o recogida

Su fuente es desconocida



Pregunta de relevanciaLa pregunta relevante para el juez suele ser:

¿Provienen los fragmentos de vidrio que se han encontrado en la ropa del sospechoso de la ventana rota?

¿Provienen ambas tomas de la misma fuente? Pregunta a nivel de la fuente

4



Para analizar vidrios se toman característicasRelacionados con su composición física y química

Concentraciones de elementos, índice de refracción…

El valor de cada características pueden variarEn el mimo objeto (fabricación, errores de medida, etc.)Entre objetos

Su comportamiento se puede modelar con una variable aleatoria

Características

NaCMgCnC…

NaRMgRnR…



IndividualizaciónPrimer paso para individualizar:

Comparar las características de dubitada e indubitada

NaCMgCnC…

NaRMgRnR…

NaC

MgC

nC

NaR

MgR

nR

¿Hasta qué puntose parecen?

¿Son iguales?

5



Problemas al comparar características

Las características tienen incertidumbreErrores de medidaVariabilidad (en el propio material bajo análisis)

Necesario un enfoque probabilísticoManejo de incertidumbre

En el caso de características en el dominio continuo (como las del vidrio), no encontraremos magnitudes “iguales”

Grado de similitud…¿Qué significa “coincidencia”?



Recordemos qué es individualizarDubitada e indubitada son indistinguiblesLa indubitada (sospechoso) es totalmente distinguible del resto de la población

¿Quién nos asegura que no hay otros objetos en la población que no tengan tal grado de similitud?

NaC

MgC

nC

NaR

MgR

nR

¿Individualizaciónsi suficientemente

indistinguibles?

¿Es suficiente con comparar tomas?

6



EjemploEl sospechoso tiene nariz

Sabemos (testigos, etc.) que el criminal tiene nariz

¿Es el sospechoso el criminal?



EjemploEl sospechoso tiene nariz

Sabemos (testigos, etc.) que el criminal tiene nariz

¿Es el sospechoso el criminal?

¡En la población, todos tienen nariz! ¡Podría ser cualquiera!

Incluso con similitud total (match) la evidencia (ambos tienen nariz) tiene un valor individualizador nulo

7



NaC

MgC

nC

NaR

MgR

nR

Similitud

Individualización: a considerar

Nap1

Mgp1

np1

Napn

MgpN

npN

Rareza en lapoblación

...



Sistemas biométricosen criminalística

8



Toma incriminatoria (dubitada)Pinchazo telefónicoCara en cámara de seguridadFirma en documento…

Criminal(Identidad C)

El problema: biometría en caso forense



Toma incriminatoria (dubitada)Pinchazo telefónicoCara en cámara de seguridadFirma en documento…

La policía arresta a un sospechosoSe realiza una toma del sospechoso (indubitada)

En dependencias policialesTomas cuya autoría se reconoce…

El problema: biometría en caso forense

Sospechoso(Identidad S)

Criminal(Identidad C)

9



Disponemos de un sistema biométricoSimilitud entre las identidades en dos tomas biométricas

Idealmente:Si C y S son la misma identidad, score más altoSi C y S son identidades diferentes, score más bajo

Reconocimientoautomáticode locutor

Identidad C

scoreIdentidad S



No basta con detección (verificación)Comparar con un umbral equivale a concluir “misma fuente” sólo a partir de similitud

No se considera la población relevanteNo se considera el resto de información en el caso

Por lo tanto, no basta con un sistema biométrico para individualizar

Cualquiera en la población con la misma similitud sería tomado como la fuente de la toma dubitadaHace falta un paso adicional...

ReconocimientoBiométrico

Cscore

S< τ C y S diferentes

> τ C y S iguales

10



El “Cambio de Paradigma”en la Identificación Forense



“Identificación Forense”Identificación: certeza de no confundir un individuo (fuente) del resto de posibles fuentes (una población)

Identificación de la fuente

Disciplinas clásicas asumidas como “muy discriminantes”

Dactiloscopia (huella dactilar)Marcas de herramientasMarcas de calzadoBalística

Tipo de resultados obtenidos del análisis“Identificación” / “exclusión”Escalas verbales de identificación

11



Identificación y errores



Identificación forense y errores

12





El cambio de paradigma

13



Nuevo paradigma (1/2): admisibilidadReglas Daubert americanas -1993-. Admisibilidad de una técnica forense en juicio:

Prueba empírica: refutable / comprobableNo sólo en laboratorio, sino en condiciones de caso real

Precisión conocida (p. ej., tasa de error)Revisada y publicadaEstándares definen su usoAceptación general en la comunidad

Necesidades:TransparenciaComprobación experimentalProtocolos comunes



Nuevo paradigma (2/2): ADN

Análisis de ADN: modelo a seguir en identificación forense:

Metodología científicaEvitando opiniones oscuras basadas en “experiencia del experto”, claramente no comprobables científicamente

Protocolos claros y aceptadosProbabilístico: evita “identificaciones absolutas”Introduce y populariza el análisis de la evidencia forense mediante likelihood ratios (LR)

14



Nuevo Paradigma: ADNEl análisis de ADN se ha convertido en el nuevo estándar dorado en identificación forense

Procedimientos claros y estándarProbabilístico, evitando identificaciones o exclusiones absolutasBasado en grandes bases de datos: evaluable

Se basa en una metodología de cálculo de relaciones de verosimilitud (likelihood ratio, LR) para la evaluación de la evidencia forense:



LR utilizando sistemas biométricosEl sistema biométrico genera un score

Arquitectura básica del sistema: en general no modificable

Score mide similitud entre identidades: evidencia E

Paso necesario: transformar el score en un LRInterpretable, estándar, lógico

LRReconocimientobiométrico

Transformaciónscore a LR

Score: evidencia (E)( )( )

,,

p

d

p H ILR

p E HE

I=

15



Valoración de la evidencia forenseutilizando sistemas biométricos

y relaciones de verosimilitud (LR)



Las investigaciones policiales llevan a la detención de un sospechoso

Grabaciones de voz incriminatorias tomadas en la Comunidad Autónoma de Madrid

Población: potenciales criminalesHablantes de Madrid con características similares al hablante de la toma dubitada

IdiomaAcento...

Sistema: GSM grabado en cinta magnetofónica

Caso simulado

C

S

16



Se realizan grabaciones del sospechoso (voz indubitada)

En principio, la abundancia y control sobre las grabaciones suele ser mayor que en la toma dubitada

Pero posiblemente en condiciones muy diferentes a la toma dubitadaPuede haber incluso pinchazos no incriminatorios de los cuales el sospechoso reconoce la autoría

Condiciones similares a la toma dubitada

El juez le pide al perito forense que evalúe la evidenciaY que muestre su valor en el juicio de forma comprensible

Caso simulado

S



PlanteamientoHipótesis que se manejan:

El sospechoso es el autor de la toma biométrica dubitada: HpCualquier otra persona en la población de la CAM es el autor de la toma biométrica dubitada: Hd

Evidencia:Score proveniente de sistema biométrico: E

La pregunta del juez:¿Cuál es la probabilidad de que, a la luz de la evidencia y del resto de información acerca del caso, el sospechoso sea el autor de la toma biométrica dubitada?

( )¿ , ?pP H E I

17



Similtud entre toma indibitada y toma dubitadaCalculada por el sistema biométrico

¿Qué interpretación tiene el score por sí mismo?¿10 con respecto a qué? ¿Es mucho? ¿Es poco?

Aunque sea mucho ¿puede haber otros individuos que generen tomas igual o más similares?

No lo sabemos porque no hemos analizado la población…

Evidencia

ReconocimientoBiométrico

C

s=10S



Información de la que disponemos

Distinguimos dos tipos de información acerca del caso:Evidencia: E (score del sistema biométrico)Otra Información relevante en el caso pero que no tiene que ver con la evidencia: I

Testimonios de testigosNúmero de potenciales causantes del roboToma de ADN…

E es el objetivo de análisis del perito forenseI puede ser conocida por el perito o no

( )¿ , ?pP H E I

18



¿Quién contesta a esta pregunta?¿El juez?¿El perito forense?¿Los dos?

Ambos tienen información acerca de las hipótesisAcerca de si el sospechoso es o no el autor del roboPerito: evidenciaJuez: resto de información

No está muy claro cómo combinar ambas fuentes de información…

Primer obstáculo( )¿ , ?pP H E I



Segundo obstáculo

Está claro que la evidencia tiene que ser evaluada, peroSi el perito reporta una “identificación” basándose en E¿Qué pasa con I? Testigos, otros informes, otras evidencias…¿Ignoramos el resto (I) ?¿No estará el científico usurpando el papel del juez?

¿Cómo resolvemos esto?

( )¿ , ?pP H E I

19



Solución: teorema de Bayes

( ) ( ) ( )( ),

,p p

p

P H P HP H

I II

I

EE

P E=

( ) ( ) ( )( ),

, d dd

P H P HP H

I II

IE

EP E

=




( ) ( ) ( )( ),

,p p

p

P H P HP H

I II

I

EE

P E=

( ) ( ) ( )( ),

, d dd

P H P HP H

I II

IE

EP E

=

20




( ) ( ) ( )( ),

,p p

p

P H P HP H

I II

I

EE

P E=

( ) ( ) ( )( ),

, d dd

P H P HP H

I II

IE

EP E

=

( )( )

( )( )

( )( )

, ,, ,

p pp

d d d

E EE E

I III

P H P HP HP H P H I P H I

=



Separación de roles( )( )

( )( )

( )( )

, ,, ,

p pp

d d d

E EE E

I III


=

21



Separación de roles( )( )

( )( )

( )( )

, ,, ,

p pp

d d d

E EE E

I III


=

( )( )

p

d

P H I

P H I



Separación de roles

( )( )

,,

p

d

P HP E H

IEI

( )( )

( )( )

( )( )

, ,, ,

p pp

d d d

E EE E

I III


=

( )( )

p

d

P H I

P H I

22



Separación de roles

( )( )

,,

p

d

P HP E H

IEI

( )( )

( )( )

( )( )

, ,, ,

p pp

d d d

E EE E

I III


=

( )( )

p

d

P H I

P H I( )( )

,

,p

d

P H

P H

IE

E I



Calcular las probabilidades a priori

Inferir las probabilidades a posterioriSólo se puede si se conocen las probabilidades a priori

No es competencia del perito…

( )( )

,

,p

d

P H

P H

IE

E I

( )( )

p

d

P H I

P H I

Probabilidad de la hipótesis del fiscal frente a la del defensor antes de

conocer E

Probabilidad de la hipótesis del fiscal frente a la del defensor después de

conocer E

23



Imaginemos que P(Hp|I)=0,25 (por tanto P(Hd|I)=0,75)

Imaginemos que P(Hp|I)=0,90 (por tanto P(Hd|I)=0,1)

Llamaremos a esto apuesta o pronóstico (en inglés, “odds”).

¿Cómo interpretar este cociente?

( )( )

0,25 10,75 3

p

d

I

I

P H

P H= = “Apuesto 3 a 1 a favor de la

hipótesis del defensor”

( )( )

0,9 90,1 1

p

d

P H

P IH

I= =

“Apuesto 9 a 1 a favor de la hipótesis del fiscal”



Imaginemos P(Hp|I)=0,25 (por tanto, P(Hd|I)=0,75)

Interpretación de “Pronóstico”

( )( )

0,25 10,75 3

p

d

I

I

P H

P H= = “El pronóstico a favor de la hipótesis

de la defensa es 3 contra 1”

24




“Piedras en una balanza”


( )( )

0,25 10,75 3

p

d

I

I

P H



HdHp






( )( )

0,25 10,75 3

p

d

I

I

P H



HdHp

25






( )( )

0,25 10,75 3

p

d

I

I

P H



HdHp






( )( )

0,25 10,75 3

p

d

I

I

P H



HdHp

26






( )( )

0,25 10,75 3

p

d

I

I

P H



HdHp



Suponemos que P(Hp|I)=1- P(Hd|I)Tiene sentido en muchos casos

Haciendo cuentas:

Ejemplo:

Pronóstico y probabilidad

( )( )( )( )( )1

p

dp

p

d

P H

P HP H

I

II

IP H

IP H

=

+

( )( ) ( )

1 11 3 3 0, 251 43 1

3 3

pp

d

II

I

P HP H

P H= ⇒ = = =

+

27



¿Rol del perito forense?Calcular el likelihood ratio.

Cuanto mayor (menor) el valor del LR, más apoyo a la hipótesis del fiscal (de la defensa).

( )( )

,,

p

d

IEE

P HLR

P H I=

LR>1: apoyo la hipótesis del fiscal

LR<1: Apoyo la hipótesis del defensor

LR=1: No apoyo a nadie



¿Rol del científico forense?Calcular el likelihood ratio.

( )( )

,,

p

d

IEE

P HLR

P H I=

Numerador: “similitud”. ¿tiene sentido este valor de la evidencia si el sospechoso ha cometido el crimen?

Denominador: “rareza”. ¿Es típico observar este valor de evidencia en la población?

28



Paso 1: el sistema biométrico calcula un score

Sin valor por sí mismo¿10 con respecto a qué?

En general, no interpretableA priori, no conocemos su rango de variación

Ejemplo 1: cálculo del LR

Reconocimientobiométrico

C

s=10S







C

s=10S

Paso 2: cálculo del LREn este ejemplo usamos modelado gaussiano

Intervariabilidad(población)

Intravariabilidad(sospechoso)


29







C

s=10S


Intervariabilidad(población)


s=10




Apoyo 2,33 a 1a la hipótesis Hp(“misma fuente”)





C

s=10S


0,02,30,035

153LR = =Intervariabilidad

(población)


s=10


30



La población potencial de autores de la dubitada son 5.000.000 de habitantes de la CAM

Igualmente probables de ser el potencial autorNo hay más información incriminatoria

Del análisis de la evidencia (sistema biométrico)Y su valoración mediante LR

Apoyo muy débil a la hipótesis del fiscal“El sospechoso es el autor de la toma dubitada”

Inferencia de identidad (ejemplo 1)

( )( )

, 0,035 2,330,015

1010 ,

p

d

IP HER

EL

P IH=

= = ==



1

4.999.999

( )( )

1 15.000.0004.999.999 4.999.9995.000.000

p

d

P

I

H I

P H= =

Sin conocer la evidencia


31



1


La comparación biométrica entre tomas dubitada e indubitada apoya 2,33 a 1 la

hipótesis del fiscal

( )( )

, 2,334.999.999,

p

d

EH

IE

P

P H

I=

Una vez vista la evidencia

Inferencia

2,33LR =

2,33

4.999.999

( )( )

1 15.000.0004.999.999 4.999.9995.000.000

p

d

P

I

H I

P H= =


4.999.999



Imaginemos que hay otra información dentro de I que apunta a que el sospechoso es el autor de la toma dubitada

Testigos, otra evidencia, etc.

Supongamos misma evidenciaValoración del score del sistema biométrico mediante LR

“Apoyo débil a la hipótesis del fiscal”

Inferencia de identidad (Ejemplo 2)

( ) 13pP H I =

( )( )

, 0,035 2,330,015

1010 ,

p

d

IP HER

EL

P IH=

= = ==

32



1

2

( )( )

1 132 23

p

d

I

I

P H

P H= =





1


La comparación biométrica entre tomas dubitada e indubitada apoya 2,33 a 1 la


( )( )

, 2,332,

p

d

E

E I

P H

P H

I=


Inferencia

2,33LR =

2,33


( )( )

1 132 23

p

d

I

I

P H

P H= =

2

2

33



Apoyo 90 a 1a la hipótesis Hp(“misma fuente”)


C

s=20S


0,0,045

590

000LR = =Intervariabilidad

(población)


s=20




Imaginemos que la información a priori es la misma que en el ejemplo 2

Testigos, otra evidencia, etc.

Pero ahora la evidencia es más fuerte a favor de la hipótesis del fiscal

Valoración del score del sistema biométrico mediante LR

“Apoyo moderado a la hipótesis del fiscal”


( ) 13pP H I =

( )( )

, 0,045 900,

202 00,0 05

p

d

IP HER

EL

P IH=

= = ==

34



1

2

( )( )

1 132 23

p

d

I

I

P H

P H= =





1


La comparación biométrica entre tomas dubitada e indubitada apoya 90 a 1 la


( )( )

, 451,

p

d

I

IE

P H

P H

E=


Inferencia

90LR =

45

( )( )

1 132 23

p

d

I

I

P H

P H= =

2

1


35



Ejemplo 1:

Ejemplo 2:

Ejemplo 3:

Probabilidades para decidir

( ) 45, 0.98 98%1 45pP H IE⇒ = ≈ =+

( )( )

, 2,332,

p

d

E

E I

P H

P H

I=

( )( )

,45

,p

d

P H

P H E I

E I=

( )2,33

2, 0.54 54%2,3312

pP H E I⇒ = ≈ =+

( )( )

, 2,334.999.999,

p

d

EH

IE

P

P H

I= ( ) 7

2,334.999.999, 4,7 102,331

4.999.999

p IP H E −⇒ = ≈ ⋅+



( )( )

,,

p

d

IEE

p HLR

p H I=

( )( )

p

d

P H I

P H I

( )( )

,

,p

d

P H I

P H

E

E I

PeritoForense

199

100099

199

=1000

99=

Inferencia de la identidad

LR apoya opinión previa(no es opinión en sí)

BBDD

Esquema resumenNaC

MgC

NaR

MgRLR=1000

36



Mensaje 1:El LR no es una opinión sobre las hipótesisEl LR apoya las opiniones sobre las hipótesis

¡Cuidado!No confundir esto (perito, juicio sólo sobre la evidencia)

Con esto (considera toda la información del caso, juicio sobre las hipótesis)

¡Falacia del fiscal!

Mensajes importantes

( )( )

,1,

010

p

d

IEE

PR

P IH

LH

==

=

( )( )

,

,p

d

P H

P H

IE

E I



Falacia del fiscal: ejemploHipótesis: sospechoso es una vaca

Evidencia: sospechoso tiene 4 patas¿Probabilidad de tener 4 patas dado que el sospechoso es una vaca?

( )¿ 4 ?P V ( ),pP E H I

37



¿Probabilidad de que el sospechoso es una vaca dado que tiene 4 patas?

( )¿ 4 ?P V

Falacia del fiscal: ejemplo

( ),pP H E I



Mensaje 2:La valoración de la evidencia mediante LR es independiente de la probabilidad a prioriSi la probabilidad a priori no se fija, al perito le debe dar igual

Puede calcular el LR e interpretarlo fácilmente Apoyo N a 1 a la opinión previa a favor de la hipótesis del fiscal/defensor)

Mensaje 3:Para calcular el LR hacen falta datos

Modelado de poblaciones, sobre todoImportancia de las bases de datos…

Enfoque científico

Mensajes importantes

38



Conclusiones



ConclusionesIdentificación forense: individualización

Similitud entre dubitada e inducibtadaY distinción del resto de la población

Identificaciones a partir de similitudErrores muy sonados (caso Mayfield)Daubert: ejemplo de pasos para cambiarADN como estándar científicoSistemas biométricos funcionando en verificación no adecuado

Paso adicional: cálculo de LR a partir de scoresSiguiendo al ADNNecesidad de bases de datos

Otros muchos tipos de modelado para cálculo de LRCampo en constante crecimiento

39



¡Muchas gracias!

Sistemas biométricospara la valoración

de la evidencia forenseDaniel Ramos [email protected]

ATVS – Biometric Recognition Grouphttp://atvs.ii.uam.es

Universidad Autónoma de Madrid

Sistemas biométricos para la valoración de la evidencia...

Documents

Transcript of Sistemas biométricos para la valoración de la evidencia...