Автоматизированные системы, созданные в Академии управления МВД РФ

Компьютерная система криминалистического исследо­вания фонограмм "Signal Viewer". Назначение системы —пре­доставить экспертам-криминалистам инструментарий объек­тивного исследования фонограмм, отвечающий высшим тре­бованиям.

Основные задачи, решаемые системой:

идентификация личности по речевому сигналу;

исследование признаков монтажа магнитной фонограммы;

диагностика и идентификация магнитофона по фонограмме;

диагностика и идентификация объектов, излучающих звук;

установление содержания речи, неразборчивой из-за им­пульсных помех и шумов;

выявление оригинала и копии фонограммы и др.

Исследуя фонограмму, эксперт постоянно видит:

общий обзор фонообъекта в виде динамики уровня мощ­ности;

микросегмент в виде осциллограммы в текущей точке ана­лиза фонообъекта;

семь основных форм анализа фонообъекта: осциллограмму, амплитудно-фазовый спектр, функции гармоничности и индикатора основного тона голоса, сонограмму, гармонограмму и интонограмму.

АИПС "Портрет" позволяет создать базу данных, содержащую графическую информацию. Это могут быть фотографии, снятые сканером, сделанные непосредственно цифро­вой фотокамерой, или изображения, полученные с видеокамеры или видеомагнитофона.

Поиск осуществляется по любым из имеющихся параметров, как-то: фамилия, дата рождения, место жительства, состав и способ совершения преступления, а также по словес­ному описанию примерного вида: форма лица, глаз, носа, бро­вей и т. п.

При осуществлении поиска по заданным реквизитам найденные фотографии выводятся на экран для визуального отбора. Изображения можно распечатать на принтере любого типа.

Автоматизированная система "Фоторобот" предназначена для создания портретов лиц, подозреваемых в совершении преступлений.

Компоновка портрета осуществляется из отдельных элементов, куда входят: прически, глаза, носы и т. д. Кроме этого, представлены группы элементов, содержащие изображения усов, очков, головных уборов, различных морщин, верхней части одежды, кулонов, серег и др. Имеются группы с элементами профильного портрета. Количество элементов в некоторых группах достигает 250 и выше. Полученные портреты можно дополнять и корректировать "вручную". Имеется воз­можность менять взаиморасположение элементов портрета.

В настоящее время во многих странах мира используются автоматизированные системы монодактилоскопической регистрации. В России пионером данной сферы был Л. Г. Эджубов, который предложил принципиально новую полуавтоматическую систему дактилоскопической регистрации. Наиболее трудная задача — кодирование папиллярного узора — в этой системе решалась с помощью так называемого зонально-точечно-го кода. На увеличенном с помощью оптической проекции отпечатке пальца, расположенном строго определенным образом относительно двух осей координат, точками обозначались детали узора. Координаты каждой точки вводились в память ЭВМ в виде двух чисел.

Были созданы и другие системы. Так, комплекс "Дех" предназначен для автоматизированной идентификации лично­сти по отпечаткам пальцев людей, стоящих на оперативном учете в органах внутренних дел, и следам, изъятым с мест преступлений.

Возможности комплекса допускают его использование для накопления и обработки от 10 тыс. до 10 млн. дактилокарт.

Основными возможностями рабочего места комплекса яв­ляются ввод информации со скоростью до 400 карт за смену, а также поиск по картотеке со скоростью до 10 тыс. отпечатков в секунду. Допускается использование следов, неприемлемых в других подобных системах; их ввод возможен как с дактилопленок, так и непосредственно с поверхностей носителей.

Подсистема компьютерной экспертизы позволяет отказаться от визуального исследования следа и отпечатка, а возможности увеличить изображение, его зеркальное и негативное отображения повышают эффективность экспертизы и снимают утомляемость зрения.*

* Комплекс создан в Академии управления МВД РФ.

§ 2. Формы применения математических методов в судебной экспертизе

Идея применения математических методов для решения задач криминалистики и судебной экспертизы была высказана на рубеже XIX—XX в. рядом выдающихся криминалистов. В середине XIX в. большую популярность приобрели исследо­вания бельгийского статистика А. Кетле, который утверждал, что нет двух индивидов, равных друг другу по размерам час­тей тела, головы, ушей, ног, груди и длины тела.

Сотрудник парижской полиции А. Бертильон предложил антропологическую систему регистрации преступников. В этой системе выполнялось 11 измерений тела (рост, высота сидя, ширина вытянутых горизонтально рук, длина и ширина голо­вы, правого уха, левой ступни и др.), результаты которых заносились в регистрационную карту и служили средством иден­тификации личности.

Антропометрическая система регистрации была введена в России (1890), Германии (1895) и других странах. Однако опыт ее применения выявил существенные недостатки системы. Она оказалась непригодной для регистрации несовершеннолетних и женщин (наличие длинных волос, затрудняющих измерения головы, моральные соображения, возникавшие при измерении тела женщин и др.), требовала большой точности измерений, использования громоздких инструментов.

Еще в 1899 г. А. Бертильон писал: "Судебная экспертиза почерка действительно превратится в науку лишь в тот день, когда создаст таблицы вероятностей для различных линий (признаков) букв и эксперт будет давать свой вывод в такой форме: этот почерк, характеризуемый такими-то особенностями, можно встретить один раз на 1000 или 10 000 и 1 000 000 лиц той же социальной категории".

Известны взгляды русского криминалиста Н. Ф. Буринского на возможности применения математических методов в судебном почерковедении: "Почерковедение имеет все данные, чтобы сделаться точной наукой, потому что материал, с которым она оперирует, поддается измерению, а исследуемые ею явления — тривиальному наблюдению и эксперименту, в области почерковедения измерение и математика откроют нам постоянные законы и поставят эту отрасль знаний в ряд точных наук".

Методика дактилоскопической идентификации француз­ского криминалиста Бальтазара (1911) опиралась на три исходных постулата:

1) существует всего четыре типа деталей дактилоскопического узора — начала и окончания, разветвления и слияния линий;

2) появление каждой детали в клетке, на которые разбит узор, равновероятно;

3) в каждой клетке отпечатка пальца может быть одна и только одна деталь.

Одной из главных задач в методике Бальтазара является определение степени неповторимости выделенного комплекса признаков отпечатка пальца. Частота встречаемости каждой де­тали равна 1/4. Бальтазар пришел к выводу о том, что для выделения единичного объекта из всего населения планеты (в то время примерно 2 млрд. человек, или 20 млрд. отпечатков) необходимо совпадение не менее 17 деталей (1/4 в семнадца­той степени соответствует 17 179 869 184 отпечаткам). Бальта­зар полагал, что критическое число может быть снижено до 12 (число Бальтазара). Однако эта методика страдает рядом существенных недостатков и имеет скорее исторический интерес.

Идея активного использования математических методов для решения задач судебной экспертизы в СССР стала реализовываться в середине 50-х гг. Впервые в истории криминалистики были выполнены обширные работы по подсчету часто­ты встречаемости различных криминалистических признаков. Несколько позже аппарат теории вероятностей и математи­ческой статистики был применен при разработке новых мето­дик судебно-портретной экспертизы (З. И. Кирсанов), анали­тического исследования свинца и бумаги (В. М. Колосова), дак­тилоскопической экспертизы (А. Я. Палиашвили).

Объектом математического анализа в сфере судебной эк­спертизы являются различные признаки, характеризующие объекты судебно-экспертного исследования*.

* Признаками называют любые возможные характеристики предметов. Это все то, в чем одни предметы сходны между собой, а другие — раз­личны. Сходство и различие предметов в самой действительности слу­жат объектным основанием для отождествления и различения их.

Качественный признак выражает наличие или отсутствие у объекта какого-либо существенного свойства (качества). На­пример: снаряд — мелкокалиберный — иной, оружие с пра­вой нарезкой — оружие с левой нарезкой.

Количественный признак выражается в определенных единицах измерения.

Устойчивый признак присущ объекту в течение всего или достаточно длительного времени его существования.*

* Устойчивость признака — необходимое условие применения теории ве­роятностей и математической статистики.

Вариационность — различные проявления признака, обус­ловленные потерей устойчивости. Так, вариационность почер­ка зависит от различных причин. Наиболее распространенны­ми являются:

установка пишущего на быстрое небрежное или, напро­тив, медленное письмо;

подражаниестроению буквы, наблюдавшемуся в почерке другого лица;

местоположение (позиция) буквы в слове;

местоположение (позиция) буквы в определенном сочета­нии букв или в определённых словах.

Информативность —- способность признака сохранять и поддерживать содержащуюся в нем информацию о следообразующем объекте и механизме следообразования.

Количественные закономерности криминалистической ин­формации подчиняются действию закона больших чисел.

Объективная оценка идентификационного значения опи­сательных признаков основана на определении их относительных частот — отношения числа объектов, в которых присут­ствует данный признак (т), к общему числу изученных объек­тов (п):

В этом выражении символ Р означает вероятность появле­ния взятого признака. Символ ® (стрела) означает приближе­ние относительной частоты признака к его вероятности ("схо­димость по вероятности").

Например, т — число подсчитанных в общей совокупно­сти взятых папиллярных узоров детали "мостик";

п — общее число взятых на исследование папиллярных узоров.

Тогда — доля (выраженная в процентах) папиллярных узоров "мостик" в общей массе узоров.

Методы математической статистики и теории вероятнос­тей могут быть применены для:

оценки идентификационного значения количественных признаков;

оценки идентификационного значения качественных при­знаков;

исследования взаимозависимости признаков;

оценки идентификационного значения комплекса призна­ков;

оценки надежности идентификации.

Основанием применения вероятностно-статистических ме­тодов для оценки идентификационных признаков является мас­совый характер последних, случайность их появления в силу действия закона больших чисел.

По существу в данной сфере стали использоваться все разделы современной теории вероятностей (корреляционный анализ, методы проверки статистических гипотез и др.), а так­же некоторые иные математические методы (теория распоз­навания образов, геометрические методы и др.).

Задачу идентификации можно рассматривать как задачу принятия решения в обстановке помех. Решение определяет выбор между двумя гипотезами: гипотеза Н₀ — объекты иден­тичны; Н₁ — объекты не идентичны.

Возможны ошибки двух родов: идентичные объекты при­няты за неидентичные; неидентичные объекты приняты за идентичные.

Рис. 26. Пример вариации почеркового объекта и его информативности. (Методика определения пола исполнителя кратких рукописных тестов. М., 1990)

При организации и проведении судебно-экспертных ис­следований с применением ЭВМ и математических методов возникают серьезные процедурно-процессуальные вопросы.

Первая группа вопросов связана с обновлением специаль­ных познаний эксперта. При автоматизации экспертных иссле­дований наряду с традиционными (теория криминалистики, частные теории) эксперт должен обладать также новыми зна­ниями:

1) математическими (теория множеств, теория вероятнос­тей, математическая статистика и др.). Эксперт обязан иметь представление о различных математических методах, их глав­ных формулах, условиях применимости, результативности и т.д.;

2) знанием ЭВМ и других средств вычислительной техни­ки (алгоритм, программирование, ввод и вывод данных, объе­мы памяти и др.).

Функции эксперта: дача задания оператору; применение традиционных методов исследования; сравнение полученных результатов в их совокупности; формулирование выводов и дача заключения.

Функции инженера: кодирование и ввод в машину исход­ных данных; обработка полученной информации и передача ее эксперту. Ответственность за организацию и проведение экс­пертизы в целом лежит на эксперте.

Вторая группа вопросов связана с ответственностью за ошибки, допущенные при работе ЭВМ.*

* Ошибки в работе ЭВМ практически неизбежны.

По своей технологической природе ошибки ЭВМ могут иметь различный характер. Поэтому ответственность работни­ков вычислительного центра и других специалистов надо строго дифференцировать по роду выполняемых работ и в соответ­ствии с их статусом:

программист отвечает за ошибки, допущенные при раз­работке и отладке программы;

оператор — за ошибки, допущенные при подготовке ин­формации к обработке на ЭВМ;

телетайписты — за передачу и за ошибки, допущенные при передаче информации;

конструкторы — за допущенные конструктивные недо­статки в процессе проектирования ЭВМ.

Среди всех видов судебных экспертиз наибольшее прак­тическое значение математические методы имеют для почерковедческой и дактилоскопической экспертизы.

Почерковедческая экспертиза — вид криминалистической экспертизы, предметом которой служат факты, связанные с исполнением рукописных текстов.

На решение почерковедческой экспертизы целесообразно поставить такие вопросы: выполнен ли данный текст данным или другим лицом; кто подписал конкретный документ; каков пол и возраст исполнителя рукописи; не выполнена ли исследуемая рукопись (подпись) намеренно искаженным почерком или с подражанием почерку другого лица.

В почерковедческой экспертизе применяются следующие основные понятия.

Наклон почерка зависит от направления сгибательных дви­жений при выполнении прямолинейных элементов. По накло­ну почерк бывает: прямой, право- и левонаклонный.

Рис. 27. Наклон почерка: А — прямой; Б — правонаклонный; В — левонаклонный

Рис. 28. Связность почерка: А — высокосвязный; Б — средний по степени связности; В — отрывистый

Нажим почерка выражает его интенсивность и размещение нажимов в процессе письма. Выработанность почерка отражает навык письма, осуществляемого в быстром темпе (скоропись). Связнность — способность пишущего выполнять непрерывным движением большее или меньшее количество элементов пись­менных знаков без отрыва пишущего прибора от бумаги. Сложность почерка тесно связана со степенью его выработанности; упрощение или усложнение письменных знаков и их свя­зей по сравнению с принятыми нормами.

Дактилоскопическая экспертиза заключается в исследо­вании следов папиллярных узоров для установления фактов, связанных с образованием этих следов.

Основным объектом исследования в дактилоскопии явля­ется папиллярный узор пальцев рук (см. рис. 29).

Рис. 29. Папиллярный узор

Рис. 30. Типы папиллярных узоров

Папиллярные узоры делятся на три основных типа: завитковые (круговые), петлевые и дуговые.

Детали папиллярного узора — различные виды начала и окончания папиллярной линии, ее перерывы, резкие анома­лии ее длины (обрывок, точка) и ширины (тонкие линии), раз­двоение линий (вилы), комбинации раздвоений и аномалий длины (глазки, мостики, крючки).

Математические расчеты показывают, что полный и чет­кий отпечаток пальцев может повториться только один раз на 10³⁰ или 10⁵⁰ отпечатков.

Сочетание небольшого количества деталей настолько ин­дивидуализирует узор, что для отождествления достаточно 7—10 деталей, хотя в полном узоре пальца их число достига­ет 120—150.

В последние годы формируется дерматоглифика — уче­ние о кожных узорах. Представители данного направления разрабатывают способы использования данных дактилоскопии для решения следующих задач:

определение пола,

определение роста,

определение возраста,

определение дополнительных (приобретенных) статисти­ческих особенностей,

восстановление папиллярного узора и др.

§ 3. Математические основы криминалистической идентификации

Главной задачей судебно-экспертного исследования явля­ется идентификация криминалистических объектов.

В процессе криминалистической идентификации речь идет об объектах двоякого рода:

1) о следах (признаках), обнаруженных на месте преступ­ления,

2) об образцах, полученных от подозреваемого лица (лиц).

Идентификации могут подлежать любые материальные предметы и явления, их роды и виды, количества и качества, человеческая личность в целом, ее отдельные признаки, фи­зические свойства.

Процесс идентификации заканчивается установлением: факта тождества; факта отсутствия тождества сравниваемых объектов.

Вывод о тождестве опирается на идентификационный ком­плекс признаков — совокупность индивидуально-определен­ных, устойчивых признаков, неповторимых (или обладающих редкой встречаемостью), по их соотношению, местоположе­нию, взаиморасположению и т. п.

Между двумя объектами установлено отношение тожде­ства, если:

1. Между множеством признаков первого объекта и мно­жеством признаков второго объекта имеется взаимно-однознач­ное соответствие.

2. Отсутствует существенное различие между первым и вторым объектами.

3. Соответствие между двумя объектами опирается на уве­ренность в том, что оно не является следствием случайного стечения обстоятельств.

Отношение тождества может быть представлено в следу­ющем виде:

Q₁ º Q₂

Q₁ — первый объект;

Q₂ — второй объект;

º — знак тождества.

Графически отношение тождества двух объектов представ­лено на рис. 31.

Рис. 31. Взаимно-однозначное соответствие двух объектов

Процесс идентификации опирается на два принципа:

принцип единственности выделенного объекта;

принцип оптимальности выделения такого объекта.

Наиболее характерной чертой идентификации является выделение единственного объекта из множества других объектов. Если такой объект выделен и степени его встречаемости дана приемлемая оценка, т. е. вероятность появления второго такого объекта практически ничтожна, то можно считать, что процесс идентификации достиг своего результата.*

* То есть совпадение деталей двух объектов не может быть случайным.

Например, вероятностная оценка комплекса признаков может составлять дроби:

Если эти частоты (вероятности) приемлемы в конкретных условиях, то они могут служить объективным критерием ус­тановления тождества. Очевидно, что чем дробь меньше, чем ее идентификационное значение больше, тем реже встреча­ется выделенная совокупность признаков.

Процесс идентификации осуществляется путем постепен­ного сужения объема генеральной совокупности.

Пусть в качестве такой совокупности будет 100 млн. граж­дан, умеющих писать по-русски. Тогда по данному признаку можно выделить группу в 10⁶ человек, каждый из которых может быть исполнителем исследуемой рукописи и т. д. Нельзя сказать априори, сколько признаков необходимо использовать при решении задачи идентификации. Все зависит от идентификационной значимости каждого признака и их ком­плекса.

Особо значимо нахождение таких признаков, которые встречаются крайне редко, т. е. имеют очень низкую вероят­ность появления. Так, метод генной идентификации основан на том, что строение молекул ДНК — носителей генетической информации — у всех существ одного вида одинаково, но не­которые зоны, разбросанные вдоль всей молекулы, повторя­ются у каждого в разной последовательности и сочетаниях. Вероятность совпадения таких участков у двух людей 1:30 млрд., т. е. практически нулевая. Генный "отпечаток" имеется в любой клетке, появляется возможность его использования для иден­тификации личности.

Однако и события, обладающие очень малой вероятнос­тью, осуществляются вполне закономерно. Маловероятные события при многократно повторяемом явлении приобретают вполне устойчивую определенность, хотя и происходят в од­ном случае из многих миллионов.*

* Так, с точки зрения теории вероятностей возникновение жизни на Зем­ле представляется необычайно редким событием. Тем не менее оно про­изошло.

Если взять два независимых друг от друга признака, то в совокупности они будут обладать большей идентифицирующей способностью.

Это требует применения теоремы умножения вероятностей.

Обозначим буквами А, В, С случайные события — появ­ление признаков определенного рода. Например:

А —появление первого взятого признака;

В — появление второго признака;

С — появление третьего признака.

Тогда идентифицирующий комплекс может быть представ­лен в виде произведения случайных событий:

Q = A•В•С.

Если эти признаки независимы, то для определения веро­ятности их совокупности необходимо перемножить вероятнос­ти, относящиеся к каждому признаку, по формуле:

Р(Q) = Р(А) • Р (В) • Р(С),

где символ Р обозначает вероятность появления каждого при­знака.

Вероятности Р_i встречаемости признака А соответствует идентификационная значимость (информативность признака):

J_i = – lg P_i.

Принцип оптимальности процесса идентификации зак­лючается в том, что используется критерий достаточности вы­деления определенного числа признаков.

В этих целях воспользуемся величинами

N — генеральная совокупность признаков.

1/N — величина обратная размеру генеральной совокуп­ности.

Примеры величины N:

число всех жителей данной страны,

число всех жителей данной страны, пишущих на опреде­ленном алфавите,

число пишущих машинок в определенном городе,

число единиц огнестрельного оружия определенного вида и т.д.

Величина 1/N должна быть учтена при установлении тож­дества. Основная идентификационная формула приобретает вид:

(1)

Другими словами, вероятность появления комплекса при­знаков должна быть меньше (или равна) величины 1/N.

Величина 1/N показывает, каков предел величины Р(Q). Если Р(Q) < 1/N, то дальнейшее уменьшение величины Р(Q) нецелесообразно.

Процесс идентификации протекает лучше, когда величи­на N относительно невелика. Соответственно небольшой явля­ется и величина 1/N.

Например, если N = 10 000, то вероятность встретить в генеральной совокупности выделенный объект не столь вели­ка. При этом выделение одного-единственного объекта суще­ственно облегчено. Если величина N растет, то необходимо понижать величину дроби Р(Q).

При нарушении неравенства (I):

идентификационное значение установленных признаков падает. Возрастает вероятность того, что может появиться второй при­знак, обладающий выделенным набором.

При анализе возникшей ситуации целесообразно брать величины, обратные используемым вероятностям.

Рассмотрим пример.

Обратными величинами в данном случае будут Q* = 10⁶ и N* = 10⁷.

Один выделенный признак будет приходиться среднеста­тистически на 10⁶ признаков. Но наша генеральная совокуп­ность в 10 раз больше. Следовательно, вероятность встретить второй объект возрастает в 10 раз.

В процессе применения математических методов в крими­налистике и судебной экспертизе принципиальное значение имеет установленный теорией вероятностей принцип практи­ческой уверенности.

В силу этого принципа событие, имеющее очень низкую вероятность, считается недостоверным (т. е. его значение при­равнивается к 0).

Если вероятность события А в данном опыте весьма мала, то можно быть практически уверенным в том, что при одно­кратном выполнении опыта событие А не произойдет.

Принцип практической уверенности не может быть дока­зан математическими средствами. Он подтверждается всем опы­том человечества. При оценке надежности заключения экспер­та о тождестве объекта в расчет берется вся совокупность об­стоятельств уголовного дела.

Описанный аппарат обладает большой степенью общности и позволяет решить задачу идентификации для объектов раз­личной природы (например, профилограмм в трасологии, спек­трограмм и осциллограмм в физико-химических исследовани­ях, вообще для произвольных одномерных графических обра­зов).

Процесс криминалистической идентификации, в том чис­ле личности по почерку, является творческим, сложным мыс­лительным процессом. Эксперт-криминалист изучает все при­знаки сравниваемых объектов. Он изучает все особенности, выявляет их сущность, взаимосвязь и зависимость от различ­ных факторов, всю совокупность качественных и количествен­ных признаков.

§ 4. Математические методы установления групповой принадлежности объектов

В судебно-экспертных исследованиях установление груп­повой принадлежности нередко выступает в качестве само­стоятельной экспертной задачи. Групповая принадлежность — это принадлежность некоторого объекта Х к одному из под­множеств множества М₀:

С позиций теории вероятностей данная задача может рас­сматриваться как вариант проверки статистических гипотез. Надо проверить гипотезы:

В данном случае символ Н_i означает статистическую ги­потезу о принадлежности исследуемого криминалистического объекта к группе со значком "i".

Например, это принадлежность автора рукописи к муж­скому или женскому полу, той или иной возрастной, образо­вательной группе; принадлежность исследуемых химических материалов к тому или иному типу вещества; принадлежность исследуемого вещества к одной из марок бензина.

В. И. Пашкова разработала методику определения половой принадлежности человека по черепу. В результате исследова­ния 682 мужских и женских черепов она получила функции распределения для 25 измерительных признаков и предложи­ла доступную для всех методику оценки с помощью пяти ха­рактеристических интервалов (1958).

Возможность установления групповой принадлежности основывается на факте, что той или другой группе объектов свойственно наличие комплекса специфических признаков. Критерием распознавания группы является высокая вероят­ность одновременного проявления совокупности признаков в одной группе и практическая невозможность проявления этой совокупности в какой-либо другой группе.

В данном случае криминалистическую ценность имеют такие признаки, которые наиболее вероятны.*

* Этим задачи определения групповой принадлежности отличаются от обычной идентификационной задачи, где имеют значение как раз наибо­лее редко встречающиеся признаки и их вероятности.

В простых случаях в качестве показателя групповой при­надлежности можно использовать отношение произведений условных вероятностей в группах:

В этом выражении приняты следующие обозначения: Р (i/A₁) — вероятность i-го признака в группе А₁ (напри­мер, в группе мужчин);

Р (i/A₂) — вероятность i-го признака в группе женщин.

Если К > 1, то почерк принадлежит лицу мужского пола.

Если К < 1, то почерк принадлежит лицу женского пола.

С другой стороны, должны быть учтены и такие призна­ки, которые встречаются редко и малохарактерны для данной группы объектов.

С задачей определения групповой принадлежности сопри­касается и такая задача, как дифференциация объектов.

Основная сущность криминалистической дифференциа­ции заключается не только в том, что при исследовании ис­пользуются различия. Более важно то, что при дифферен­циации обязательно должна решаться дихотомическая зада­ча, т. е. отнесение исследуемого объекта к одному из двух классов.

3. И. Кирсанов с другими криминалистами выполнили ста­тистические исследования, цель которых —установление за­висимости относительной частоты встречаемости некоторых признаков почерка от пола, возраста, образования.

Анализ практики применения специалистами-почерковедами методик дифференциации рукописей на мужские и женские показал относительно высокую надежность результатов прово­димых исследований. Научно-криминалистическим центром МВД проведены исследования признаков почерка в прописных бук­вах русской скорописи. Анализ статистических данных рас­пределения признаков почерка осуществлялся на 800 образцах рукописей с использованием ЭВМ "Искра-226" и ЕС-1055. Ис­следовательская работа, связанная с поиском критериев раз­граничения мужских и женских рукописей, основывалась на вероятностно-статистическом анализе признаков почерка. Для решения указанной задачи был применен аппарат теории рас­познавания образов, а именно — способ оптимальной двоич­ной дискриминации классов.

Предлагаемый метод:

ориентирован на использование различных элементов ру­кописи средневыработанного и высоковыработанного почерка (прописные и строчные буквы);

предусматривает различные варианты применения — от ручной технологии построения заключений до автоматизиро­ванной;

позволяет проводить количественную оценку качества при­нимаемого решения о поле исполнителя рукописи с учетом индивидуальных особенностей.

Правило принятия решения для дискриминатора, опти­мального по критерию минимума средней вероятности ошиб­ки, имеет вид:

где l — отношение правдоподобия

где Р(у/2), Р(у/1) — оценки условных вероятностей появле­ния вектора значений признаков у для объектов, принадлежа­щих второму и первому классу.

Во ВНИИ МВД РФ было выполнено исследование, по­зволяющее определять пол человека по эпителиальным клет­кам волос.

Литература

Автоматизированные рабочие места и компьютерные си­стемы органов внутренних дел. М., 1993.

Белкин Р. С. Криминалистическая энциклопедия. М., 1997.

Буринский Е. Ф. Судебная экспертиза документов. СПб., 1903.

Викарук А. Я., Гегечкори Л. А. Математические аспекты экспертно-криминалистической идентификации // Правовая информатика. Вып. 3. 1998.

Вероятностно-статистические методы в почерковедческих исследованиях. М., 1974.

Грановский Г. Л. Основы трасологии. М., 1974.

Жарков Е. А., Булдарев Е. К., Ковшов В. К. Установление количественных критериев криминалистической идентифика­ции. М., 1985.

Кирсанов З. И., Рогозин А. П. Методика распознавания по почерку возраста и пола исполнителя рукописи // Вероятнос­тно-статистические методы почерковедческих исследований. М., 1976.

Кирсанов В. И., Рогозин А. П. Распознавание пола и возра­ста исполнителя рукописи по почерку // Правовая киберне­тика. М., 1973.

Кирсанов З. И. Математические методы в криминалисти­ке // Вопросы кибернетики и права. М., 1967.

Методика определения пола исполнителя кратких руко­писных текстов. М., 1990.

Пашкова В. И. Определение пола и возраста по черепу. Ставрополь, 1958.

Полевой Н. С. Криминалистическая кибернетика. М., 1989.

Пошкявичюс В. А. Возможности дифференциации руко­писных знаков методом проверки статистических гипотез с использованием ЭВМ // Проблемы правовой кибернетики. М., 1968.

Применение теории вероятностей и математической ста­тистики в судебной экспертизе: Материалы научной конфе­ренции 5—6 июня 1963 г. М., 1964.

Растрагин Л. А. Об идентификаций плоских изображений пространственных объектов // Вопросы кибернетики и права. М., 1967.

Статистическая дактилоскопия. Вопросы методологии / Под ред. Л. Г. Эджубова. М., 1999.

Собко Г. М. Основы применения математических методов в судебно-почерковедческих исследованиях. М., 1980.

Собко Г. М. Применение формализованных языков для описания почерковых объектов (подписей, кратких записей) в идентификационных исследованиях (научно-методические ре­комендации). М., 1978.

Стечнова Т. В., Печерский В. Л., Князенков С. Н. Волосы головы как объект судебно-биологической экспертизы. М., 1990.

Эджубов Л. Г. Использование кибернетики и ЭВМ в кри­миналистике и судебной экспертизе // Кибернетика и право. М., 1970.

Эджубов Л. Г. Некоторые криминалистические проблемы автоматизации судебно-экспертных исследований // Право­вая кибернетика. М., 1977.

Эджубов Л. Г. Структурный анализ папиллярного узора и пути определения объема дактилоскопической информации. Проблемы правовой кибернетики // Материалы симпозиу­ма. М., 1968.

Эджубов Л. Г., Брудовский Б. С. О критерии дактилоско­пического тождества // Правовая кибернетика. М., 1973.

Хвыля-Олинтер В. И. Математическая модель дактилос­копического изображения // Информ. бюлл. Вып. 11. М., 1990.

Глава 10. Социологическая информация

§ 1. Математическая форма представления эмпирических данных

Социологическая (социально-правовая) информация — это информация, которая получается в результате организации и проведения правовых социологических исследований.*

Главы десятая и одиннадцатая написаны совместно с кандидатом техни­ческих наук, доцентом МГИМО МИД РФ Л. Д. Гавриловой.

* Социология права — часть общей теории права, в задачу которой входит изучение социальной эффективности и социальной обусловленности права.

Цели этих исследований могут быть сформулированы сле­дующим образом:

1) выявление на базе опроса экспертов (юристов, эконо­мистов, социологов, демографов, экологов, представителей технических специальностей и др.) всего круга общественных отношений, которые должны регулироваться данным актом;

2) выявление всех субъектов права, интересов, потребно­стей и статусов, которые могут быть затронуты законопроектом;

3) анализ потенциальной активности подготавливаемого акта на базе учета иных социальных регуляторов, которые вместе с данным актом будут воздействовать на регулируе­мые отношения и процессы;

4) предварительный анализ эффективности юридических процедур, которые должны быть включены в законопроект и призваны обеспечить и гарантировать точное применение его норм и принципов;

5) социологический и юридический анализ возможных от­клонений от требований данного акта, возможных правонару­шений и методов их предупреждения, анализ мер юридичес­кой ответственности за нарушение требований акта.

Аксиоматический подход выражается во введении неко­торых точных математических определений признаков и свойств первичной количественной информации и использовании ма­тематических моделей ее представления.

В социально-правовом исследовании имеется конечное множество социальных объектов, подлежащих изучению. Это множество (оно может быть довольно большим) представляет собой генеральную совокупность. Обозначим его б<