{"id":5702,"date":"2014-11-11T23:03:36","date_gmt":"2014-11-11T22:03:36","guid":{"rendered":"http:\/\/www.economiaediritto.it\/?p=5702"},"modified":"2024-01-08T12:19:35","modified_gmt":"2024-01-08T11:19:35","slug":"linterpretazione-delle-statistiche-in-ambito-criminologico-e-forense","status":"publish","type":"post","link":"https:\/\/www.economiaediritto.it\/en\/linterpretazione-delle-statistiche-in-ambito-criminologico-e-forense\/","title":{"rendered":"L’interpretazione delle Statistiche in ambito criminologico e forense"},"content":{"rendered":"

(di Lucio Tonello, Ferdinando Zamprogno, Massimo Cocchi, Glenda Cappello, Alfredo De Filippo, Fabio Gabrielli – L.U.de.S. University, Lugano, Svizzera).<\/strong><\/p>\n

La statistica \u00e8 una disciplina matematica, spesso usata a scopo descrittivo per estrarre da dati storici delle informazioni sintetiche e chiare. Per questo tipo di impiego, \u00e8 uno strumento che pu\u00f2 essere estremamente diretto ed efficace. Tuttavia, occorrerebbe considerare che non sempre \u00e8 cos\u00ec immediato ed intuitivo capire ci\u00f2 che i risultati di una statistica possono esprimere. In alcuni casi, dati male interpretati possono indurre a conclusioni assolutamente non corrette, addirittura opposte alla realt\u00e0 dei fatti. Questo aspetto, se considerato in ambito criminologico e forense, pu\u00f2 tradursi in situazioni drammatiche.<\/p>\n

Gerd Gigerenzer, psicologo tedesco, ha studiato in modo approfondito il problema. I suoi risultati lo hanno portato fino a redigere proposte di legge atte a limitare la manipolazione numerica in ambito processuale col fine di non confondere la giuria. Egli mostr\u00f2, ad esempio, come sia molto pi\u00f9 facile fraintendere un valore espresso in percentuale piuttosto che una cifra espressa in termini assoluti. Uno dei metodi che utilizz\u00f2 per dimostrare la sua affermazione fu un interessante esperimento: reclut\u00f2 127 studenti di legge ai quali chiese di valutare gli atti di un processo penale. Si trattava di un caso di stupro seguito da omicidio e la documentazione processuale comprendeva la descrizione delle analisi sulle tracce dell\u2019assassino, trovate sulla vittima. Le cifre disponibili negli atti (tutte relative alle analisi sulle tracce trovate), furono fornite a met\u00e0 degli studenti in termini percentuali, all\u2019altra met\u00e0 come numeri assoluti. Sostanzialmente gli studenti furono divisi in due gruppi ai quali furono dati gli stessi identici elementi, con la sola differenza che i medesimi valori numerici furono forniti in termini percentuali ad un gruppo ed assoluti all\u2019altro.
\nGigerenzer chiese ad ogni studente di analizzare gli atti e di esprimere un giudizio sull\u2019imputato. Gli studenti che avevano a disposizione le cifre assolute sentenziarono la colpevolezza solo nel 30% dei casi, mentre gli studenti che avevano a disposizione i valori percentuali si dichiararono convinti della colpevolezza nel 55% del campione: esprimendo le cifre in percentuale, si era ribaltata la maggioranza ed anzi, erano quasi raddoppiati i \u201ccolpevolisti\u201d!<\/p>\n

Dunque, la stessa informazione numerica, solo espressa in modo diverso, aveva completamente cambiato il verdetto dei giurati!<\/p>\n

L\u2019esperimento di Gigerenzer ammonisce che occorre prestare estrema attenzione ai dati statistici, che possono essere forvianti se considerati con superficialit\u00e0. Di fronte al dato statistico occorre sempre riflettere a fondo sul suo significato. Un caso reale, che potrebbe essere esemplare in questo senso, \u00e8 il noto processo a O.J. Simpson. [2].<\/p>\n

Il celebre sportivo ed attore americano era accusato dell\u2019omicidio della moglie (e del suo presunto amante) col movente della gelosia. Al processo, l\u2019accusa bas\u00f2 la sua strategia iniziale dimostrando che prima dell\u2019omicidio, Mr. Simpsons era stato violento con la moglie, documentando episodi di violenza domestica. L\u2019abilissima difesa, per far crollare questa strategia mostr\u00f2 alcuni dati statistici.<\/p>\n

In particolare, uno degli avvocati di O.J., Alan Dershowitz spieg\u00f2 che ogni anno circa quattro milioni di donne subivano violenze (dati USA) da parte dei compagni (mariti o conviventi). Se si contavano gli omicidi attribuibili agli stessi individui autori delle violenze, questi erano solo 1432 (anno di riferimento al processo, 1992). Pertanto, concluse la difesa, la percentuale di soggetti vittime di violenza che vengono poi uccisi dal compagno sono solo lo 0.04%. Dunque, non vi sarebbe relazione tra violenze domestiche ed omicidi: le violenze perpetrate dall\u2019accusato non sarebbero ammissibili come prove dell\u2019omicidio.
\nQuesto risultato, documentato da fonti assolutamente attendibili, fu certamente influente agli occhi della giuria.<\/p>\n

In realt\u00e0, l\u2019analisi statistica mostrata, seppur matematicamente corretta, non implicava esattamente quanto asserito dalla difesa. Detta analisi infatti permetteva solo di affermare che se una donna subisce violenza in casa, la probabilit\u00e0 di essere uccisa dal partner \u00e8 molto bassa (0.04%). La vittima di Simpson aveva subito violenza domestica e, se fosse stata ancora viva, le si sarebbe potuto applicare la statistica mostrata e dire che avrebbe avuto la probabilit\u00e0 di essere uccisa solo dello 0.04%. Il punto \u00e8 che lei era stata uccisa: non rientrava pi\u00f9 in quella probabilit\u00e0 e la statistica proposta non era adatta.<\/p>\n

Dunque, in sede processuale sarebbero state opportune altre considerazioni di natura matematico-statistica, ma l\u2019accusa si trov\u00f2 impreparata e non replic\u00f2. Alla fine l\u2019imputato fu dichiarato non colpevole, anche se condannato a diversi risarcimenti, in una controversa sentenza che continua a far discutere.<\/p>\n

Il caso fu molto studiato e solo tempo dopo furono proposte analisi statistiche pi\u00f9 opportune. In particolare, si osserv\u00f2 che se su un campione di 100.000 donne si consideravano quelle assassinate e che erano precedentemente state picchiate dal compagno (cio\u00e8 il nostro caso), si contavano 45 donne. Di queste, ben 40 risultavano uccise dal proprio marito, e solo 5 da persone estranee. In termini percentuali, si traduce affermando che se una donna \u00e8 vittima di violenze da parte del compagno e poi viene assassinata, la probabilit\u00e0 che il colpevole sia lui \u00e8 quasi del 90%: un risultato in contrasto con quello asserito dalla difesa al processo ed in effetti, pi\u00f9 opportuno.<\/p>\n

Si osservi anche in questo caso come, dati relativi allo stesso fenomeno, diversamente considerati, possano portare a risultati apparentemente opposti. Sembra quasi che alcune statistiche siano bugiarde o quantomeno forvianti. In realt\u00e0, a meno di errori di calcolo, le statistiche non sono mai \u201cfalse\u201d, i risultati non sono mai scorretti. Piuttosto \u00e8 l\u2019interpretazione che si da ad essere corretta o scorretta. Nell\u2019esempio di OJ Simpson infatti, emerge che quando si interpretano dati statistici in modo impreciso, superficiale, comunque non corretto, si pu\u00f2 arrivare a conclusioni assolutamente false.[3]<\/p>\n

A tale proposito, vale la pena riflettere su un ulteriore esempio che si propone come un \u201cclassico\u201d della letteratura statistica perch\u00e9 considerato illuminante dal punto di vista didattico.
\nNel 1970, presso l\u2019Universit\u00e0 della California a Berkeley, si osserv\u00f2 che il numero di soggetti maschi ammessi erano il 44% degli aspiranti mentre le femmine solamente il 35%. Il numero di maschi ammessi era notevolmente superiore alle femmine e fu mossa l\u2019accusa di discriminazione di genere. Un\u2019analisi pi\u00f9 approfondita valut\u00f2 come fossero distribuite le richieste di ammissione nei diversi corsi di laurea. Si osserv\u00f2 che le femmine sceglievano con maggior frequenza corsi di laurea pi\u00f9 impegnativi, con numero superiore di non ammessi. Non era dunque un problema di discriminazione quanto un effetto della tendenza dei due sessi a scegliere corsi di laurea diversi, caratterizzati da differenti livelli di difficolt\u00e0, cio\u00e8 con maggiore o minore facilit\u00e0 di ammissione. In particolare, le femmine avevano la propensione a cercare l\u2019ammissione in corsi di laurea pi\u00f9 difficili, con maggiore tasso di respinti. Questa tipologia di errore statistico \u00e8 noto come \u201cparadosso di Simpson\u201d dal nome dello studioso che ne mise in luce ogni dettaglio [4].<\/p>\n

Anche in questo caso, si osservi che l\u2019errore non \u00e8 nella statistica: \u00e8 innegabile che vi sono molti pi\u00f9 ammessi tra i maschi che tra le femmine. L\u2019errore \u00e8 nel dedurre che ci\u00f2 che causa questa differenza sia la discriminazione di genere: \u00e8 sbagliata l\u2019interpretazione del dato, non il dato stesso! L\u2019errore nasce solo quando si attribuisce un significato, una motivazione al risultato che si ottiene.Ogni buon statistico conosce questi tipi di errore e utilizza tutte le strategie opportune per limitarli. Tuttavia \u00e8 un problema molto pi\u00f9 frequente di quanto si possa pensare. Volendo rimanere nell\u2019ambito della discriminazione si riporta un ulteriore e pi\u00f9 recente esempio che dovrebbe apparire pi\u00f9 chiaro del precedente.<\/p>\n

Nel 2003, la Polizia di Oakland (California, USA) era molto attenta nei confronti di possibili atteggiamenti razzisti da parte dei propri agenti [5]. A tal fine, deleg\u00f2 un\u2019agenzia, la RAND ad analizzare le informazioni relative alle auto fermate dagli agenti per evincere eventuali tendenze a controllare con maggior frequenza quelle guidate da persone di colore. Vennero analizzati 7607 interventi (tra giugno e dicembre del 2003) per trovare eventuali indicazioni di possibili profiling<\/em> razzisti. Il dato che sembrava confermare questa tendenza fu che i fermi ed i controlli riguardavano persone di colore nel 56% dei casi nonostante questa minoranza costituisse solo il 35% dei residenti. La tendenza a fermare maggiormente le persone di colore sembrava evidente. Tuttavia, un\u2019analisi pi\u00f9 approfondita, evidenzi\u00f2 che Oakland, come molte altre citt\u00e0, ha delle aree in cui il tasso di criminalit\u00e0 \u00e8 pi\u00f9 alto rispetto ad altre. E\u2019 altres\u00ec vero che la polizia aveva ordine di pattugliare maggiormente quelle zone, considerate pi\u00f9 insicure. Poich\u00e9 le aree a maggior criminalit\u00e0 erano quelle con maggior presenza di minoranze etniche, il maggiore tasso di controlli in quelle aree si traduceva in un maggior numero di controlli nei confronti delle minoranze stesse. Per questo, il risultato non fu considerato una prova convincente di comportamenti razzisti da parte della polizia e la RAND attu\u00f2 altri tipi di analisi per studiare il fenomeno.<\/p>\n

Ancora una volta, il dato statistico non \u00e8 scorretto: i numeri non mentono quando mostrano che il numero di automobilisti di colore fermati \u00e8 superiore. L\u2019errore nasce quando si vuole attribuire una causa, in questo caso la natura razziale della differenza.<\/p>\n

Le analisi statistiche sono uno strumento fondamentale sia in ambito criminologico che forense. Spesso possono essere potenti armi nelle mani della giustizia e pertanto se ne auspica un largo utilizzo. Tuttavia occorre prestare molta attenzione al loro impiego. In questo testo abbiamo riportato solo alcuni dei molti errori che continuamente si verificano e di come frettolose interpretazione possano portare a pericolose conclusioni, assolutamente scorrette. Pertanto si vorrebbe esortare quanti operano nei vari ambiti del diritto e della giustizia ad essere pi\u00f9 attenti di fronte ad un dato statistico, senza dare per scontato il suo significato e senza accettare passivamente l\u2019interpretazione proposta. Si vorrebbe esortarli, in caso di dubbio, a non esitare a consultare un esperto. Perch\u00e9 si ricordi che l\u2019errore, se presente, raramente \u00e8 nel dato. Pi\u00f9 spesso \u00e8 nella superficialit\u00e0 di chi lo osserva.<\/p>\n

Bibliografia<\/strong><\/p>\n

[1] Gigerenzer G. Quando i numeri ingannano, Raffaello Cortina Editore, Milano 2003.<\/p>\n

[2] Lucarelli C. Picozzi M. Scena del Crimine. Mondadori, Milano 2005.<\/p>\n

[3] Tomatis M. Numeri assassini. Kowalski, Milano 2011.<\/p>\n

[4] E.H. Simpson. “The Interpretation of Interaction in Contingency Tables,” Journal of the Royal Statistical Society, Ser.B, 13 (1951) 238-241.<\/p>\n

[5] Devlin K. Lorden G. (2007). The numbers behind NUMB3RS: solving crime with mathematics. Plume.<\/p>\n","protected":false},"excerpt":{"rendered":"

(di Lucio Tonello, Ferdinando Zamprogno, Massimo Cocchi, Glenda Cappello, Alfredo De Filippo, Fabio Gabrielli – L.U.de.S. University, Lugano, Svizzera). La statistica \u00e8 una disciplina matematica, spesso usata a scopo descrittivo <\/p>\n","protected":false},"author":1377,"featured_media":5260,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":false,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"jetpack_post_was_ever_published":false},"categories":[27,10,5,2608,1],"tags":[],"class_list":["post-5702","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-criminologia","category-rubriche-economiche","category-fascicoli","category-n-019-11-2014","category-news"],"translation":{"provider":"WPGlobus","version":"3.0.2","language":"en","enabled_languages":["it","en","es"],"languages":{"it":{"title":true,"content":true,"excerpt":false},"en":{"title":false,"content":false,"excerpt":false},"es":{"title":false,"content":false,"excerpt":false}}},"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.economiaediritto.it\/wp-content\/uploads\/2014\/06\/1226900_53379034.jpg?fit=3054%2C2307&ssl=1","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p9CRXF-1tY","jetpack_likes_enabled":true,"jetpack-related-posts":[],"_links":{"self":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/5702","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/users\/1377"}],"replies":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/comments?post=5702"}],"version-history":[{"count":5,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/5702\/revisions"}],"predecessor-version":[{"id":10810,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/posts\/5702\/revisions\/10810"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/media\/5260"}],"wp:attachment":[{"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/media?parent=5702"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/categories?post=5702"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.economiaediritto.it\/en\/wp-json\/wp\/v2\/tags?post=5702"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}