Insegnamento a.a. 2015-2016

Vai alle classi: 31

CLMG (3 cfu - II sem. - OP)

Docente responsabile dell'insegnamento:
MELISSA MIEDICO

Obiettivi formativi del corso

 Il corso intende fornire le conoscenze necessarie per la costruzione disistemi probabilistici che i leghino le evidenze disponibili alle ipotesi di rilevanza processuale.Nel corso gli studenti sono introdotti a rappresentare la dipendenza fra evidenze e ipotesi tramite Bayesian Networks, una particolare caratterizzazione dei modelli grafici. Oltre a richiami di teoria della probabilità e delle decisioni vengono approfonditi i concetti di indipendenza e indipendenza condizionata,del valore dell'evidenza, della trattazione contemporanea di più evidenze, del trasferimento di evidenze dell'individuazione di evidenze manipolate. Infine viene introdotto il concetto di valutazione preventiva di uno strumento probabilistico per fornire indicazioni sulle sue capacità di fornire distribuzioni di probabilità sulle ipotesi d'interesse utilizzabili in ambito decisionale.Le computazioni necessarie sono supportate da un software liberamente disponibile in rete che viene illustrato e utilizzato durante il corso.

Programma sintetico del corso

• Eventi e probabilità, definizioni e regole di manipolazione.
• Probabilità e scienze forensi.
• Teorema di Bayes: relazione fra una evidenza e una ipotesi di rilevanza forense.
• Indipendenza e indipendenza condizionata.
• Rappresentazione del sistema probabilistico tramite una Bayesian Network.
• Indipendenze condizionate e connessioni fra nodi di una rete.
• Introduzione al software Genie.
• Identificazione : Ipotesi e evidenza diretta, soluzione Bayesiana e approcci alternativi.
• Identificazione : Ipotesi e evidenza indiretta basata su tracce di DNA.
• Combinazione di evidenze.
• Valutazione di evidenze con possibilità di trasferimento.
• Prevalutazione di un caso.
• Analisi di sensitività.

Descrizione dettagliata delle modalità d'esame

The examination is written and it will take place at the end of the course. The exam consists in answering open questions covering large part of the material introduced by the course.

Testi d'esame

• F. Taroni , C. Aitken,S.  Bozza,et all , Bayesian Network for probabilistic inference and decision analysisin forensic Science, Wiley, 2014.

Testi d'esame & Articoli on line (verifica disponibilità in Biblioteca)

Prerequisiti

Una lettura propedeutica al corso è costituita dai capitoli 1-4 (compresi) del testo di F. Corradi Statistica. Egea Pixel 2014.

E' inoltre utile rivedere il testo adottato per il corso 50057 Metodi quantitativi del Prof. Peccati, in particolare rileggere i capitoli 5-11 compresi del testo di M. D'Amico-L. Peccati Metodi matematici, statistici e finanziari per giuristi.Egea 2011

Modificato il 28/04/2015 11:11