Upload
marcosrt777
View
1.501
Download
0
Embed Size (px)
Citation preview
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 1/130
Dise ˜ no de metodologıa para caracterizar
texturas presentes en imagenes de proyectiles
disparados por armas de fuego, con el fin de
realizar cotejo automatico
Jeison Mendez Garcıa
Facultad de Ingenierıas Electrica, Electronica,
Fısica y Ciencias de la Computacion
Pereira, Colombia
2010
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 2/130
Dise ˜ no de metodologıa para caracterizar
texturas presentes en imagenes de proyectiles
disparados por armas de fuego, con el fin de
realizar cotejo automatico
Jeison Mendez Garcıa
Tesis para optar por el tıtulo de
Ingeniero Fısico
Director
M.Sc. Jorge Hernando Rivera Piedrahita.
Universidad Tecnologica de Pereira
Facultad de Ingenierıas Electrica, Electronica,
Fısica y Ciencias de la Computacion
Pereira, Colombia
2010
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 3/130
A mi maravillosa madre, el pilar de soporte para mi vida. A mis hermanos
y sobrinos. A toda mi familia, y tantos que de una u otra forma fueron c´ omplices de
este logro.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 4/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 5/130
Indice general
´Indice general
Indice de figuras
Indice de tablas
1 Marco teorico y estado del arte 3
1.1. Procesamiento digital de Imagenes . . . . . . . . . . . . . . . . . . . . 3
1.1.1. Adquisicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2. Mejora de imagenes . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3. Representacion y descripcion . . . . . . . . . . . . . . . . . . 9
1.2. Textura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2. Descripcion de texturas, enfoque estadıstico . . . . . . . . . . . 10
1.2.3. Descripcion de texturas, enfoque espectral . . . . . . . . . . . . 12
1.2.4. Descripcion de textura, enfoque estructural . . . . . . . . . . . 15
1.3. Significacion estadıstica y potencia estadıstica . . . . . . . . . . . . . . 15
1.4. Comparacion de medias: El contraste t . . . . . . . . . . . . . . . . . . 16
1.5. Analisis de varianza: ANOVA . . . . . . . . . . . . . . . . . . . . . . 17
1.5.1. Contraste de Shapiro-Wilk (Normalidad) . . . . . . . . . . . . 20
1.5.2. Contraste de Levene (Homocedasticidad) . . . . . . . . . . . . 21
1.6. Comparacion de dos poblaciones multivariantes . . . . . . . . . . . . . 22
1.7. Analisis multivariante de la varianza: MANOVA . . . . . . . . . . . . . 23
1.7.1. Contraste de Esfericidad de Bartlett . . . . . . . . . . . . . . . 28
1.7.2. Contraste de M de Box . . . . . . . . . . . . . . . . . . . . . 29
1.8. Analisis Discriminante . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.9. Analisis Cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.9.1. Medidas de similitud . . . . . . . . . . . . . . . . . . . . . . . 33
1.9.2. Formacion de conglomerados . . . . . . . . . . . . . . . . . . 34
1.10. Balıstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 6/130
´ INDICE GENERAL
1.10.1. Terminologıa . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.10.2. Anatomıa de armas de fuego y municion . . . . . . . . . . . . 41
1.10.3. Marcas basicas sobre evidencia balıstica . . . . . . . . . . . . . 44
1.10.4. Identificacion tradicional de armas de fuego . . . . . . . . . . . 441.10.5. Influencia de la manufactura de armas en la identificacion . . . 46
1.10.6. Influencia del uso de armas en la identificacion . . . . . . . . . 47
2 Dise ˜ no experimental 49
2.1. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.1. Equipo utilizado . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.2. Imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3. Extraccion de caracterısticas . . . . . . . . . . . . . . . . . . . . . . . 52
2.4. Analisis de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542.5. Analisis de varianza multiple . . . . . . . . . . . . . . . . . . . . . . . 55
2.6. Analisis discriminante . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.7. Analisis de conglomerados . . . . . . . . . . . . . . . . . . . . . . . . 61
3 Analisis de Resultados y conclusiones 65
3.1. Discusion previa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. Analisis univariado de la varianza: ANOVA . . . . . . . . . . . . . . . 66
3.3. Analisis multivariado de la varianza: MANOVA . . . . . . . . . . . . . 66
3.4. Analisis discriminante y analisis de conglomerados . . . . . . . . . . . 66
Bibliografıa 69
A Tablas de resultados 77
B Actualidad de la identificacion automatica de armas 89
C Manufactura e identificacion 95
D Uso e identificacion 99
E Datos tecnicos, equipos LEICA 101
F Scripts Matlab 103
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 7/130
Indice de figuras
1.1. Diagrama de procesamiento digital de imagenes . . . . . . . . . . . . . . . 4
1.2. Funcion de transformacion de niveles de gris . . . . . . . . . . . . . . . . 6
1.3. Mejora de contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. descripcion de textura enfoque de Fourier . . . . . . . . . . . . . . . . . . 14
1.5. Descripcion estructural de texturas . . . . . . . . . . . . . . . . . . . . . . 15
1.6. Representacion univariante de puntuaciones Z discriminantes . . . . . . . . 31
1.7. Comparacion entre encadenamiento simple y compuesto . . . . . . . . . . 36
2.1. Arreglo para la adquisicion de las imagenes . . . . . . . . . . . . . . . . . 50
2.2. Desenvolvimiento de la superficie del proyectil . . . . . . . . . . . . . . . 51
2.3. Diagrama de flujo para obtener superficies “desenvueltas” . . . . . . . . . 51
2.4. Histograma de bajo contraste . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5. Contraste mejorado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6. Diagrama de flujo para extraccion de caracterısticas . . . . . . . . . . . . . 53
2.7. Diagrama de flujo para analisis univariado . . . . . . . . . . . . . . . . . . 55
2.8. Diagrama de flujo MANOVA . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.9. Analisis discriminante datos MCNG . . . . . . . . . . . . . . . . . . . . . 58
2.10. Analisis discriminante datos Histograma . . . . . . . . . . . . . . . . . . . 59
2.11. Analisis discriminante datos S (r ) . . . . . . . . . . . . . . . . . . . . . . . 59
2.12. Analisis discriminante datos S (θ ) . . . . . . . . . . . . . . . . . . . . . . . 60
2.13. Analisis de conglomerados MCNG . . . . . . . . . . . . . . . . . . . . . . 61
2.14. Analisis de conglomerados Histograma . . . . . . . . . . . . . . . . . . . 62
2.15. Analisis de conglomerados Histograma . . . . . . . . . . . . . . . . . . . 63
2.16. Analisis de conglomerados Histograma . . . . . . . . . . . . . . . . . . . 64
A.1. Comparacion multiple de medias y Tablas de ANOVA (MCNG) . . . . . . 82
A.2. Comparacion multiple de medias y Tablas de ANOVA (Histograma) . . . . 83
A.3. Comparacion multiple de medias y Tablas de ANOVA (S (r )) . . . . . . . . 84
A.4. Comparacion multiple de medias y Tablas de ANOVA (S (θ )) . . . . . . . . 85
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 8/130
´ INDICE DE FIGURAS
B.1. Serie IBIS-TRAX-3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 9/130
Indice de tablas
1.1. Poblacion univariante con k grupos . . . . . . . . . . . . . . . . . . . . . . 18
1.2. Tabla de Analisis de varianza de un factor . . . . . . . . . . . . . . . . . . 20
1.3. Poblacion multivariante con k grupos . . . . . . . . . . . . . . . . . . . . . 24
1.4. Tabla de Analisis de varianza multiple . . . . . . . . . . . . . . . . . . . . 25
1.5. Distribuciones del estadıstico Λ de Wilks . . . . . . . . . . . . . . . . . . 27
2.1. Codigos de las armas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2. Codigos de las caracterısticas . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3. Sumario de grupos diferentes bajo analisis univariado . . . . . . . . . . . . 54
A.1. Caracterısticas a partir del histograma . . . . . . . . . . . . . . . . . . . . 77
A.2. Caracterısticas a partir de la MCNG . . . . . . . . . . . . . . . . . . . . . 78
A.3. Caracterısticas a partir de S (r ) . . . . . . . . . . . . . . . . . . . . . . . . 78
A.4. Caracterısticas a partir de S (θ ) . . . . . . . . . . . . . . . . . . . . . . . . 79
A.5. Test de normalidad de Shapiro-Wilk (Histograma) . . . . . . . . . . . . . . 80
A.6. Test de normalidad de Shapiro-Wilk (MCNG) . . . . . . . . . . . . . . . . 80
A.7. Test de normalidad de Shapiro-Wilk (S (r )) . . . . . . . . . . . . . . . . . . 80
A.8. Test de normalidad de Shapiro-Wilk (S (θ )) . . . . . . . . . . . . . . . . . . 81
A.9. Test de Homogeneidad de las varianzas (Histograma) . . . . . . . . . . . . 81
A.10.Test de Homogeneidad de las varianzas (MCNG) . . . . . . . . . . . . . . 81
A.11.Test de Homogeneidad de las varianzas (S (r )) . . . . . . . . . . . . . . . . 81
A.12.Test de Homogeneidad de las varianzas (S (θ )) . . . . . . . . . . . . . . . . 81A.13.Pruebas de esfericidad de Bartlett . . . . . . . . . . . . . . . . . . . . . . . 86
A.14.MANOVA para caracterısticas de la MCNG . . . . . . . . . . . . . . . . . 86
A.15.MANOVA para caracterısticas del histograma . . . . . . . . . . . . . . . . 87
A.16.MANOVA para caracterısticas de S (r ) . . . . . . . . . . . . . . . . . . . . 87
A.17. MANOVA para caracterısticas de S (θ ) . . . . . . . . . . . . . . . . . . . . 88
C.1. Manufactura de canones e identificacion de armas . . . . . . . . . . . . . . 98
D.1. Uso e identificacion de armas . . . . . . . . . . . . . . . . . . . . . . . . . 99
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 10/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 11/130
Introduccion
La comparacion entre imagenes de proyectiles, disparados por armas de fuego, llevada
a cabo por los tecnicos en balıstica es una tarea que lleva mucho tiempo realizar, debido
a que esta es llevada a cabo usando solo la memoria visual y la experiencia del tecnico
para comparar texturas presentes en la imagen del proyectil objeto de prueba y la imagen
del proyectil incriminado, lo anterior representa una enorme limitacion a la hora de usar
este tipo de evidencia en una corte o juzgado.
Ahora bien, hace ya varios anos en diferentes paıses del mundo, tales como Estados
unidos, Canada, y Australia entre otros, los entes encargados de hacer cumplir la ley
han llevado acabo investigaciones para desarrollar dispositivos que puedan capturar las
imagenes de proyectiles y vainillas relacionados con investigaciones judiciales, luego
usando procesamiento digital de imagenes dotar de caracterısticas cuantitativas a los
patrones presentes en proyectiles y vainillas disparadas, para facilitar y agilizar la tarea
de identificacion de armas de fuego.
En este tipo de desarrollo se parte de la premisa que marcas caracterısticas son impresas
sobre el proyectil y la vainilla cuando un arma de fuego es disparada. Ademas, la
hipotesis asume una combinacion unica de marcas tal que la probabilidad de encontrar
dos conjuntos identicos de marcas es practicamente nula [1]. Al rededor de treinta
caracterısticas de estas marcas pueden ser distinguidas, las cuales siendo combinadas
pueden producir una “huella digital” del arma de fuego. Analizando las caracterısticas
de un conjunto de huellas digitales de armas, sera posible identificar no solo el tipo y
modelo del arma de fuego, sino que tambien cada arma en particular de manera tan
efectiva como la huella digital humana identifica cada individuo [2].
El desarrollo de la metodologıa consta del estudio, analisis y aplicacion de las tecnicas
usadas en cada una de las etapas que consta el procesamiento de imagenes digitales,
tales como adquisicion, preprocesamiento, segmentacion, representacion y descripcion,
clasificacion y reconocimiento.
En la etapa de descripcion donde se lleva cabo la extraccion de caracterısticas, se propone
el uso de informacion espectral y estadıstica de las texturas presentes en la imagen.
1
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 12/130
2 ´ INDICE DE TABLAS
La investigacion es importante en la medida que es un avance en el desarrollo de una
herramienta que facilite el cotejo de material probatorio. Actualmente el numero de casos
relacionados con proyectiles disparados por armas de fuego en la region se acerca a los3000 casos anuales, esto sumado a que la tarea de comparacion tradicional consume una
gran cantidad de tiempo, justifica el creciente ındice de impunidad en casos relacionados
con armas de fuego.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 13/130
Capıtulo 1
Marco teorico y estado del arte
1.1. Procesamiento digital de Imagenes
Una imagen es una funcion f bidimensional de las coordenadas espaciales x e y, en
cada punto ( x, y) la magnitud de f se denomina Intensidad o Nivel de gris de la imagen.
Cuando los valores de las coordenadas espaciales y de los niveles de gris de la imagen
son todos valores discretos, decimos que la imagen es digital. El campo de accion del
procesamiento digital de imagenes se refiere al tratamiento de las imagenes digitales
usando computadores [3].
Aunque la vision es uno de los mas complejos sentidos de los humanos, solo nos permite
relacionar con imagenes, los efectos sobre la materia de la parte visible del espectro
electromagnetico (400nm-700nm), de allı surge la importancia de las imagenes digitales,
pues con el dispositivo transductor adecuado podemos obtener imagenes no solo de casi
todo el espectro electromagnetico, desde gamma hasta ondas de radio, sino tambien de
otro tipo de ondas como las sonoras. Debido a lo anterior, el procesamiento digital de
imagenes es ampliamente estudiado en diferentes campos del conocimiento.
Se muestra en la figura 1.1, el esquema que representa las etapas del procesamiento de
imagenes digitales.
La etapa de adquisicion es una etapa en la cual con un dispositivo f ısico sensible a una
determinada banda del espectro electromagnetico, el cual produce una senal electrica a
la salida, y un digitalizador el cual convierte la salida del dispositivo a una forma digital;
se pueden adquirir las imagenes para luego almacenarlas.
Luego de la adquisicion viene una etapa de almacenamiento en la cual se agregan
imagenes a una base de datos la cual sirve como base de conocimiento durante el
analisis de los resultados.
En la etapa de preprocesamiento el objetivo es resaltar las componentes de la imagen
3
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 14/130
4 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Figura 1.1: Etapas del procesamiento digital de imagenes
que son de interes y reducir o eliminar las que no son de interes. Se espera que el
resultado del preprocesamiento sea una imagen lo mas apta posible para las etapas
posteriores del procesamiento.
Durante la segmentacion se aislan los objetos constituyentes de la imagen que son de
interes para el analisis. El grado de segmentacion es funcion del problema a resolver, es
decir, la segmentacion debe detenerse cuando los objetos de interes han sido aislados.
Cabe mencionar que no en todas las aplicaciones es importante segmentar las imagenes
pues el interes esta en las caracterısticas que puede proporcionar toda la imagen y no
solo una porcion de ella.
La etapa de extraccion de caracterısticas consiste en extraer informacion cuantitativa
de los elementos constitutivos de interes de la imagen con el fin de estar en capacidad
de diferenciar entre clases. Los elementos de interes pueden ser externos o internos;
externos (de contorno) cuando el objetivo principal se centra en las caracterısticas
de forma, e internos (los pixeles que comprenden una region) cuando el objetivo se
centra en las propiedades de reflectividad, tales como color, niveles de gris y textura.
Luego durante la seleccion de caracterısticas, se usan tecnicas que permitan separar
caracterısticas relevantes (las que permiten determinar un factor discriminante entre
clases) de caracterısticas redundantes o innecesarias.
Finalmente, llega la etapa de asignacion de etiquetas a objetos y mas alla, la asignacion
de significados a conjuntos de objetos. Esta etapa es conocida como reconocimiento,
y es por ası decirlo, la etapa en la cual se trata de dotar a los sistemas digitales de
procesamiento de una capacidad de aproximacion, similar a la de los seres humanos.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 15/130
1.1. PROCESAMIENTO DIGITAL DE IM ´ AGENES 5
1.1.1. Adquisicion
La digitalizacion de las imagenes es requerida debida a la necesidad de almacenamiento
para procesos posteriores de visualizacion, transmision o analisis. Debido a que enel mundo real las imagenes son continuas, es decir, entre dos puntos dados hay
una infinidad de puntos, se necesitarıa una cantidad infinita de bits para representar
ese segmento en un computador; ademas, la representacion de la intensidad tambien
demandarıa una cantidad infinita de bits para representar las variaciones a traves del
segmento. Es por esto que las imagenes se representan como un conjunto discreto de
datos organizado en una matriz 2D.
Dentro de los dispositivos usados en la tarea de digitalizar las imagenes, se encuentran
las vıdeo camaras, las camaras CCD (Dispositivo de carga acoplada) y las camaras
CMOS (Oxido de Metal Semiconductor Complementario).
El funcionamiento basico de la vıdeo camara es el dado en un tubo vidicon. Este funcionabarriendo un rayo de electrones a traves de una capa (coating) de fosforo dispuesta en
el interior del tubo de vidrio. La luz entra a la camara a traves de la superficie frontal
de vidrio y una delgada capa metalica (anodo) creando electrones libres en el fosforo.
Esto varıa la conductividad local de la capa, de esta manera la cantidad de corriente
que fluye hacia el anodo varıa a medida que el rayo se barre sobre la superficie, acorde
a la intensidad local de la luz. Esta senal electrica analoga de variacion continua, por
intervalos, es amplificada y digitalizada para ser almacenada en datos de 8 bits [4].
Las camaras a base de tubos han sido reemplazadas por camaras basadas en chips de
estado solido, entre las cuales se encuentran las camaras CCD. El chip contiene arreglos
de diodos que funcionan como ”baldes” de luz. La luz que entra al semiconductor excitalos electrones de la banda de valencia para que pasen a la banda de conduccion, de
esta manera el numero de electrones es una medida directa de la intensidad de la luz
incidente.
Cada ”balde” representa un pıxel en la camara, debido a la cantidad de receptores que se
encuentran en cada chip, resulta poco practico hacer la lectura de cada uno; en su lugar,
se usa una fila de lectura, que recibe los electrones almacenados por una fila de ”baldes”
de manera simultanea. Una senal de reloj controla el corrimiento de la carga almacenada
en una fila de lectura. Los electrones son llevados a un amplificador y de allı pueden ser
enviados en forma senal analoga a una vıdeo camara o medidos inmediatamente para
producir una salida numerica de una camara digital [4].
1.1.2. Mejora de imagenes
En el procesamiento de imagenes digitales, ası como en el analisis de senales digitales
unidimensionales, es necesaria una etapa de preprocesamiento de la senal. En esta etapa
se aplican determinadas tecnicas, las cuales hacen la senal de salida mas apropiada para
la aplicacion de las tecnicas siguientes del procesamiento.
Las tecnicas utilizadas para mejorar las imagenes digitales estan dentro de dos grandes
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 16/130
6 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
categorıas. Existen las tecnicas de mejora espacial, las cuales se llevan a cabo
directamente sobre la imagen, mas especıficamente sobre los valores de intensidad de
los pixeles que componen la imagen; y las tecnicas en el dominio de la frecuencia,
las cuales se basan en la manipulacion del espectro de Fourier de la imagen. Ademas,resulta tambien habitual el uso de tecnicas de mejora que combinan metodos de ambas
categorıas.
Mejora espacial
Las tecnicas de mejora espacial consisten en proporcionar a las imagenes una
distribucion de intensidades o niveles de gris diferente a la original, con el fin de resaltar
detalles “escondidos” de las imagenes originales.
La funci´ on de transformaci´ on de nivel de gris (tambien denominada correspondencia),
segun [5], es de la forma:
s = T (r ) (1.1)
Donde r y s, son variables que indican el nivel de gris de la imagen de entrada y la de
salida; relacionadas segun la funcion de transformacion T .
Por ejemplo, en la figura (1.2), se muestra una transformacion que mejora el contraste
de las imagenes, oscureciendo los niveles de gris por debajo de un valor m, e iluminando
los niveles de gris por encima del mismo valor. La funcion de transformacion se puede
deformar hasta formar una imagen binaria, es decir, a los niveles de gris de la imagen
original que esten por debajo de m se le asigna el valor de cero, mientras a los niveles
por encima de m se les asigna el valor del maximo nivel (255 en el caso de una imagende 8 bits).
Figura 1.2: Funcion de transformacion
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 17/130
1.1. PROCESAMIENTO DIGITAL DE IM ´ AGENES 7
Mejora en el dominio de la frecuencia
La mejora de las imagenes en el dominio de la frecuencia, consiste basicamente en
calcular el espectro de Fourier de la imagen y modificar este segun las necesidades. Se
puede por ejemplo, resaltar los bordes acentuando las componentes de alta frecuencia,
suavizar las superficies reduciendo las componentes de alta frecuencia a la vez que son
acentuadas las de baja, hasta lograr el resultado esperado por el usuario, quien es en
ultimas el juez de las bondades del procedimiento.
Histograma
El histograma de una imagen esta definido segun [5]:
p(r k ) =nk
n; k = 0, 1, 2, . . . , L (1.2)
Donde r k es el k-esimo nivel de gris o valor intensidad, nk es el numero de pixeles de la
imagen con ese valor de nivel de gris, n es el numero total de pixeles de la imagen y L
es el maximo nivel de gris, por ejemplo L = 1 para una imagen binaria, L = 255 en una
imagen de 8-bits y L = 16535 para una imagen de 16-bits.
De la definicion anterior se puede observar que p(r k ) representa la probabilidad de
aparicion del nivel de gris r k .
La forma del histograma p(r k ), da una idea de la apariencia global de la imagen,
es decir, observando la distribucion del histograma se puede inferir sı la imagen es
oscura, brillante, de bajo o alto contraste. Sin embargo,el histograma no proporcionainformacion sobre la distribucion espacial de los pixeles en la imagen.
Mejora de Contraste
El aumento de contraste consiste en incrementar el rango dinamico de los niveles de gris
presentes en la imagen que esta siendo procesada.
Algunas causas de bajo contraste en una imagen digital son: pobre iluminacion del
objetivo ocular, deficiencia en el rango dinamico del sensor, incorrecta apertura del lente
al momento de la captura de la imagen, entre otras.
Vale la pena mencionar, que el exito o fracaso de cada metodo para mejorar imagenes
incluyendo la mejora de contraste, depende de la aplicacion, por ejemplo una tecnica
puede tener buenos resultados al ser aplicada sobre una imagen de resonancia magnetica
nuclear y no serlo para mejorar una imagen de rayos-X.
Una transformacion de niveles de gris basica, es la mostrada en la figura (1.3) ,
donde la ubicacion de los puntos (r 1, s1) y (r 2, s2) controla la forma de la funcion de
transformacion. Algunas de las opciones son por ejemplo r 1 = s1 y r 2 = s2, la cual es
una transformacion lineal que no tiene efecto de variacion en el contraste; sı r 1 = 0,
s1 = L (siendo L el maximo nivel de gris permitido), r 2 = L y s2 = 0, la imagen de
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 18/130
8 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
salida resulta ser el negativo de la imagen de entrada, es decir, se invierte el orden de los
niveles de gris; si r 1 = r 2, s1 = 0 y s2 = L, el resultado es una imagen binaria. De forma
mas general, en una transformacion que mejore el contraste, en varios niveles, se espera
que r 1 ≤ r 2 y s1 ≤ s2, de forma que la funcion de transformacion sea de valor unico ymonotonamente creciente. Estas caracterısticas permiten una correspondencia uno a uno
en los niveles de gris y que se preserve el orden de los mismos.
Figura 1.3: Funcion de transformacion para mejora de contraste
A continuacion son presentadas dos tecnicas ampliamente utilizadas en la mejora de
contraste de imagenes digitales.
La Ecualizaci´ on del histograma o Linealizaci´ on del histograma es una tecnica usada
para obtener un histograma uniforme. La transformacion de nivel de gris para esta
tecnica viene dada por:
sk = T (r k ) =
k j=0
n j
n(1.3)
Las variables son como se mencionaron en la ecuacion (1.2), de manera adicional se
tiene que los niveles de gris r k estan normalizados, esto es, pertenecen al intervalo [0, 1],
donde 0 es el negro y 1 es el blanco.
La funcion de transformacion cumple las siguientes condiciones segun [5]:
1. T (r ) es de valor unico y monotonamente creciente en el intervalo 0 ≤ r ≤ 1
2. 0 ≤ T (r ) ≤ 1 para 0 ≤ r ≤ 1
La condicion 1 conserva el orden entre blanco y negro de la escala de grises, mientras la
condicion 2 garantiza una aplicacion que es coherente con el rango de valores de pixel
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 19/130
1.2. TEXTURA 9
permitidos.
La otra tecnica es conocida como Especificaci´ on del histograma, la idea basica es tener
la capacidad de poder especificar histogramas capaces de destacar determinados rangosde gris de una imagen, a diferencia del metodo anterior que produce unicamente la
aproximacion a un histograma plano.
El inconveniente de la tecnica es la necesidad de construir histogramas significativos para
determinada necesidad, aumentando el costo computacional y reduciendo la generalidad
de la aplicacion de la tecnica.
1.1.3. Representacion y descripcion
El esquema elegido para representar una imagen depende de los intereses posteriores
del analisis. Existen dos esquemas de representacion para imagenes: Externa (decontorno), cuando el interes se centra en caracterısticas de forma, tales como longitud,
perımetro, concavidad; o Interna (de region), cuando el interes se centra en el contenido
pictografico, en los pıxels que componen determinada region de la imagen, tales como
color y textura.
El enfoque de este trabajo esta en las texturas que se presentan en los proyectiles
disparados por armas de fuego, de manera tal que el esquema de representacion
seleccionado es el regional.
1.2. Textura
1.2.1. Introduccion
La textura esta definida como toda variacion de los datos a una escala mas pequena que
la escala de interes. Por ejemplo, sı se esta interesado en identificar una persona que luce
una camisa hawaiana, el patron de las figuras en la camisa es considerado como textura
[6]. Aunque no existe una definicion formal de la textura, este descriptor de las imagenes
proporciona intuitivamente medidas de propiedades tales como suavidad, rugosidad y
regularidad [5]
El analisis de las texturas presentes en imagenes ha sido y es un importante objeto
de estudio dentro del procesamiento de imagenes. El interes en las texturas aparece
principalmente en las aplicaciones presentes en sistemas automatas de vision artificial y
en el reconocimiento de objetos.
Las texturas presentan dos importantes caracterısticas que deben ser tomadas en cuenta
[6]:
Las texturas presentes en una imagen dependen de la escala, es decir, depende
directamente de la distancia a la cual la imagen es adquirida.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 20/130
10 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Las texturas dependen de la geometrıa de la figura, es decir, bajo diferentes
entornos de iluminacion las texturas obtenidas son diferentes.
Las texturas en una imagen pueden ser el resultado de cualquiera, variaciones en los
tonos o colores que esta presenta, o variaciones en la forma de la superficie representada
por la imagen, es decir, aunque la imagen este uniformemente coloreada la textura
aparecera en forma de sombras y regiones mejor iluminadas. Lo anterior aplica en
imagenes, denominadas imagenes opticas. Sin embargo, las texturas pueden aparecer
en imagenes no-opticas, como lo son por ejemplo las provenientes de tecnicas como
resonancia magnetica, ultrasonido y termograf ıa entre otras.
El significado de la aparicion de texturas en imagenes de este tipo da idea de la variacion
de cierto parametro f ısico a escala mas pequena que la escala de interes. Por ejemplo, en
imagenes de resonancia magnetica (MRI), las texturas indican la variacion de la densidad
de protones entre una zona y la siguiente.
Desde el punto de vista del analisis de texturas, imagenes opticas y no-opticas son
tratadas de la misma forma [6].
Existen tres metodos ampliamente utilizados en la descripcion de la textura que presenta
determinada imagen. Estos son los estadısticos, estructurales y espectrales.
1.2.2. Descripcion de texturas, enfoque estadıstico
Habiendo seleccionado ya el esquema de representacion interno, en el cual el interes
esta en los pixeles que forman la imagen. Pueden ser obtenidas caracterısticas de tipo
estadıstico a partir de la imagen, recordando que esta se puede entender como un
conjunto discreto de datos, donde cada uno representa la intensidad de un cierto pıxel.
El n-esimo momento alrededor de la media de un conjunto discreto de datos segun [3]
esta dado por:
µn =
Li=0
( zi − m)n p( zi) (1.4)
Donde zi representa una variable aleatoria discreta, p( z) es el histograma de la imagen,
L es el maximo nivel de gris que puede tomar la imagen (depende s ı esta es de 8-bits,
16-bits, etc) y m es la media o intensidad promedio de la imagen.
Se presentan a continuacion un conjunto de descriptores utiles en la representacion
estadıstica de caracterısticas de las imagenes digitales [3, 5].
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 21/130
1.2. TEXTURA 11
m =
Li=0
zi p( zi) Intensidad promedio. (1.5)
σ =
µ2( z) Contraste promedio (1.6)
R = 1 − 1
1 + σ2Medida de la suavidad relativa (1.7)
µ3 =
Li=0
( zi − m)3 p( zi) Medida de la asimetrıa del histograma (1.8)
U =
Li=0
p( zi)2 Uniformidad de niveles de gris (1.9)
e = − Li=0
p( zi) log p( zi) Entropıa (1.10)
Sin embargo, existe otra forma de extraer caracterısticas estadısticas de la imagen,
teniendo en cuenta ahora no solamente la distribucion de niveles de gris, sino tambien la
posicion relativa de pixeles que tienen iguales, o casi iguales niveles de intensidad. Esta
forma de describir la textura posibilita la identificacion de patrones en la textura.
Teorema 1. Sea P un operador de posici´ on y A una matriz k x k (k depende del n´ umero
de niveles de gris diferentes). El elemento ai j es el n´ umero de veces que aparecen los
puntos con el nivel de gris zi (en la posici´ on especificada por P) en relaci´ on con los
puntos con el nivel de gris z j , con i ≥ 1 y j ≤ k [5].
Ahora bien, sea n el numero total de pares de puntos de la imagen que satisfacen el
operador de posicion P, esto es n =
ai j. Entonces se puede construir la matriz de
co-ocurrencia de niveles de gris de la imagen, ası:
C =
1
n A (1.11)
Entonces ci j es una estimacion de la probabilidad conjunta que par de puntos que
satisfacen P, tengan valores ( zi, z j). Luego, como C depende del operador de posicion
P, se puede detectar la presencia de un patron dado de textura eligiendo P de forma
adecuada.
De forma mas general, el problema consiste en analizar una matriz C dada, con el fin de
establecer la categorıa de la textura de la region sobre la cual se calcula C. Un conjunto
de descriptores utiles para este fin, incluye:
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 22/130
12 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
i
j
|i − j|2 ci j Contraste (1.12)
i
j
(i − µi) ( j − µ j) ci j
σi σ j
Correlacion (1.13)
i
j
c2i j Energıa o Uniformidad (1.14)
i
j
ci j
1 + |i − j| Homogeneidad (1.15)
−
i
j
ci j log(ci j) Entropıa (1.16)
max(ci j) Maxima probabilidad (1.17)
1.2.3. Descripcion de texturas, enfoque espectral
El espectro de Fourier de una imagen es ampliamente usado porque permite detectar
f acilmente la presencia de patrones periodicos o cuasi-periodicos globales en las
imagenes. Tales patrones, aunque son f acilmente distinguibles como concentraciones
de alta energıa en el espectro, generalmente son bastante dif ıciles de detectar usando
metodos de dominio espacial por la naturaleza local de esas tecnicas [2].
La transformada de Fourier de una funcion continua de dos variables, f ( x, y),
esta definida por la siguiente ecuacion:
F (u, ν) =
∞−∞
f ( x, y)e− j2π(ux+ν y)dxdy (1.18)
donde j =√ −1
La Transformada de Fourier de una funcion discreta de dos variables (imagen
digitalizada) f ( x, y), de tamano M x N , esta dada por la ecuacion:
F (u, ν) =1
MN
M −1 x=0
N −1 y=0
f ( x, y)e− j2π(ux/ M +ν y/ N ) (1.19)
donde u = 0, 1, 2, 3, . . . , M
−1 ; ν = 0, 1, 2, 3, . . . , N
−1.
Se define el espectro de Fourier por la ecuacion
|F (u, ν)| = [ R2( x, y) + I 2( x, y)]12 (1.20)
Donde R( x, y) e I ( x, y) son la parte real e imaginaria del espectro.
Son consideradas tres caracterısticas del espectro de Fourier que son utiles para la
descripcion de la textura [5]:
1. Picos prominentes del espectro que dan la direccion principal de los patrones de
textura.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 23/130
1.2. TEXTURA 13
2. La localizacion de los picos en el plano de la frecuencia da el perıodo espacial
fundamental de los patrones.
3. La eliminacion de componentes periodicos mediante el filtrado deja elementosno periodicos de la imagen, que se pueden describir por medio de tecnicas
estadısticas.
La deteccion e interpretacion de las caracterısticas es simplificado expresando el espectro
en coordenadas polares, para producir una funcion S (r , θ ), siendo S la funcion del
espectro y r y θ las variables de este sistema de coordenadas. Para cada direccion θ
se puede considerar S (r , θ ) como una funcion unidimensional S θ (r ), de forma similar
para cada frecuencia r , se puede S (r , θ ) se puede considerar como unidimensional S r (θ ).
Analizando S θ (r ) para un valor fijo de θ se obtiene el comportamiento del espectro (tal
como la presencia de picos) a lo largo de una direccion radial desde el origen, mientrasque analizando S r (θ ) para un valor fijo de r, se obtiene el comportamiento a lo largo de
un semicırculo de radio r centrado en el origen. Luego, una descripcion mas global se
obtiene integrando (sumando variables discretas), ası:
S (r ) =
πθ =0
S θ (r ) (1.21)
S (θ ) =
Rr =1
S r (θ ) (1.22)
Para un espectro N x N , se escoge R = N /2; en general para un espectro M x N , se
determina sı M > N o viceversa, entonces R=(mayor )/2.
Los resultados de las ecuaciones (1.21) y (1.22) constituyen un par de valores
[S (r ), S (θ )] para cada par de coordenadas (r , θ ). Variando estas coordenadas se pueden
obtener dos funciones unidimensionales, S (r ) y S (θ ), que constituyen una descripcion
de la energıa espectral de la textura para una region o para una imagen completa. Mas
aun, los mismos descriptores de estas funciones se pueden calcular para caracterizar su
comportamiento cuantitativamente. Los descriptores que normalmente se utilizan para
este fin son la localizacion del valor maximo, la media, la varianza de la amplitud y de
las variaciones axiales, ademas de la distancia entre los valores maximo y medio de la
funcion [5].
A manera de ilustracion, se muestra en la figura 1.4, la comparacion de dos imagenes
diferentes a traves de las componentes radial (S (r )) y angular (S (θ )) de sus espectros.
Se puede observar de las imagenes, que las diferencia la cantidad de ruido incluido en
cada una, la orientacion de las franjas, las cuales tienen un patron cuasiperiodico, y
ademas, se puede observar que una es la reflexion de la otra. Esta relacion existente
entre las imagenes, hace que sus espectros radiales sean identicos a excepcion de las
frecuencias mas bajas.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 24/130
14 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
(a) (b)
(c) (d)
(e) (f)
Figura 1.4: (a,b) imagenes. (c,d) graficos componente radial de S . (e,f) graficos
componente angular de S .
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 25/130
1.3. SIGNIFICACI ´ ON ESTAD ISTICA Y POTENCIA ESTAD ISTICA 15
1.2.4. Descripcion de textura, enfoque estructural
Supongase que tenemos una regla de la forma S → aS , que indica que el sımbolo S
se puede escribir como aS (por ejemplo, tres aplicaciones de esta regla produciran la
cadena aaaS ). Sı a representa un cırculo (figura (1.5-a)) y se asigna el significado de
((cırculos a la derecha)) a una cadena de la forma aaa . . . , la regla S → aS permite
generar el patron de textura que se muestra en la figura (1.5-b).
Supongase a continuacion que se anaden algunas nuevas reglas a este esquema: S → bA,
A → cA, A → c, A → bS , S → a, donde la presencia de una b significa ((cırculo
abajo)) y la presencia de una c significa ((cırculo a la izquierda)). Se puede generar una
cadena de la forma aaabccbaa que corresponde a una matriz de cırculos 3x3. De igual
forma se pueden generar facilmente patrones de textura mayores como el mostrado en la
figura (1.5-c). (Tengase en cuenta, sin embargo, que estas reglas pueden generar tambien
estructuras que no son rectangulares).La idea basica de lo anterior es que una simple ((textura primitiva))se puede utilizar para
formar patrones de estructuras mas complejas por medio de algunas reglas que limitan
el numero de posibles composiciones de la(s) primitiva(s). Estos conceptos descansan
en el nucleo de una materia denominada descripciones relacionales [5].
Figura 1.5: (a)Textura primitiva, (b) patron generado usando una regla,
(c) patron generado usando varias reglas
1.3. Significacion estadıstica y potencia estadıstica
Cualquier decision derivada de una prueba de hipotesis tiene cierto grado de
incertidumbre, debido a que estas son realizadas a una muestra poblacional, y no a toda
la poblacion. Por esta razon el investigador esta obligado a deducir inferencias de una
muestra [7, 8].
Para poder interpretar las inferencias estadısticas, se deben especificar los niveles
aceptables de error estadıstico. el error de Tipo I (nivel de significacion α), se define
como la probabilidad de rechazar la hipotesis nula cuando esta es cierta. Por otra parte,
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 26/130
16 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
se define el error tipo II ( β), como la probabilidad de aceptar la hipotesis nula cuando
es falsa. A partir de esta ultima, se define el valor 1 − β, el cual representa la potencia
de la inferencia estadıstica. La potencia es la probabilidad de rechazar la hipotesis nula
dado que una alternativa especıfica es verdadera [8].Los errores de Tipo I y Tipo II, presentan entre otras, las siguientes propiedades:
α y β estan relacionados de manera tal, que el aumento de uno tiende por lo general
a generar el aumento del otro.
El aumento del espacio muestral reduce simultaneamente α y β.
En las inferencias estadısticas no solo hay que tener en cuenta el equilibrio entre el nivel
α y la potencia resultante, debido a que esta ultima depende tambien de otros factores
como el efecto tamano y el tamano de la muestra.
La probabilidad de conseguir significacion estadıstica se basa no solo en consideraciones
estadısticas, sino tambien en la magnitud real del efecto que nos interesa en la poblacion,
denominado efecto tamano. Por tal razon, para evaluar la potencia de la prueba
estadıstica es necesario entender primero el efecto examinado, por ejemplo, un efecto
grande es mas probable de encontrar que un efecto pequeno y por tanto se ve afectada la
potencia de la prueba [9].
Por otra parte, para cualquier nivel de α dado, el aumento del tamano de la muestra
siempre produce mayor potencia de la prueba estadıstica, y este efecto puede ser
indeseable, cuando la significacion de efectos cada vez mas pequenos se presente, hasta
que para muestras muy grandes casi cualquier efecto es significativo [9].
Las relaciones entre α, el tamano de la muestra, el efecto tamano y la potencia son
bastante complicados, pero se pueden encontrar ciertos puntos de partida. En [10], son
sugeridos como parametros de diseno para los experimentos, niveles de α de al menos
0.05 con niveles de potencia del 80 %.
1.4. Comparacion de medias: El contraste t
El contraste t valora la significacion estadıstica de las diferencias ente dos medias
muestrales independientes. Para determinar si existen diferencias entre dos factores ogrupos independientes de una misma variable dependiente, se calcula un estad ıstico t . El
estadıstico t es la relacion de las diferencias de las medias muestrales ( X 1 − X 2 ) y su
error estandar. El error estandar es una estimacion de la diferencia entre las medias que
se espera debido al error muestral, mas que debido a diferencias reales entre las medias.
El calculo del estadıstico t , para grupos con iguales desviaciones estandar, σ1 = σ2, se
hace a traves de:
estadıstico t =µ1 − µ2
S comb
1
n1+ 1
n2
(1.23)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 27/130
1.5. AN ´ ALISIS DE VARIANZA: ANOVA 17
donde n1 y n2 son el tamano de los grupos, y S 2comb
es la varianza combinada, la cual
contiene las varianzas poblacionales (S 21
y S 22
):
S 2comb = (n1 − 1)S
2
1 + (n2 − 1)S2
2
n1 + n2 − 2(1.24)
S 21 =
n1i=1
( xi − x1)2
n1
; S 22 =
n2i=1
( xi − x2)2
n2
Si el valor de t es grande, se puede inferir, estadısticamente hablando, que la diferencia
no se debe a la variabilidad del muestreo, sino que representa una diferencia real entre
los grupos. Para rechazar o aceptar la hipotesis nula de ambas medias muestrales son
iguales ( H 0 : µ1 = µ2), se lleva a cabo el siguiente procedimiento:
Calcular el estadıstico t .
Especificar un nivel de error de Tipo I.
Determinar el valor crıtico (t crit ) de la distribucion t con n1 + n2 − 2 grados de
libertad y con el α especificado.
Si el valor absoluto del estadıstico t calculado supera el t crit , se puede rechazar la
hipotesis nula ( µ1 = µ2).
1.5. Analisis de varianza: ANOVAPara el caso en que se comparan mas de dos grupos, no es recomendable hacer multiples
contrastes t de parejas de grupos, debido a que el error Tipo I aumenta segun [8]:
1 − (1 − α)r
donde r representa el numero de comparaciones posibles entre k medias, y esta dado por:
r = k (k − 1)/2
El anova evita el aumento del error tipo I al comparar un conjunto de grupos de
tratamiento, determinando si el conjunto completo de medidas muestrales fueron
tomadas de la misma poblacion general. Es decir, ANOVA, es empleado para determinar
la probabilidad de que las diferencias en las medias entre varios grupos se deban
meramente al error muestral.
Si se cuenta con un conjunto de datos medidos de la variable X , dividido en k grupos
o niveles de tratamiento; ANOVA permite determinar si la media de los grupos difiere
significativamente para esa variable, dentro de un intervalo de confianza seleccionado,
generalmente del 95 %.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 28/130
18 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Si tenemos k grupos o niveles, el procedimiento de ANOVA de un factor prueba si la
hipotesis nula es cierta
H 0 : µ1 = µ2 = . . . = µk (1.25)
o si por el contrario, se acepta la hipotesis alternativa que al menos dos de las medias
son diferentes.
Los datos de las observaciones se organizan en una tabla como la que se muestra a
continuacion:
Grupo 1 2 . . . i . . . k
x11 x21 . . . xi1 . . . xk 1
x12 x22 . . . xi2 . . . xk 2
......
.... . .
...
x1n x2n . . . xin xkn
Media x1 x2 . . . xi . . . xk
Tabla 1.1: Poblacion univariante con k grupos
Para que los procedimientos de los contrastes univariantes del ANOVA sean v alidos se
deben cumplir los siguientes supuestos:
Normalidad: Los datos de medidas en cada grupo provienen de una poblacionnormalmente distribuida.
Homocedasticidad: La varianza de los datos no difiere considerablemente entre
grupos, es decir, puede ser considerada homogenea.
Independencia: Las observaciones de cada grupo corresponden a individuos
extraıdos independientemente de la poblacion considerada. Las observaciones
correspondientes a los distintos grupos o niveles de tratamiento son tambien
independientes.
La verificacion de las anteriores condiciones pueden ser llevadas a cabo usando los
contrastes de hipotesis de Shapiro-Wilk y Levene, descritas respectivamente en las
secciones 1.5.1 y 1.5.2. De esta manera cobra significado que la fuente de variabilidad
entre los grupos proviene en su mayorıa de la diferencia entre sus medias.
La suma de las desviaciones al cuadrado, de los datos xi j con respecto a la media global
x, esta dada por S C total (suma total de los cuadrados):
S C total =
k i=1
n j=1
( xi j − x)2 (1.26)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 29/130
1.5. AN ´ ALISIS DE VARIANZA: ANOVA 19
La anterior expresion puede ser dividida en dos componentes, sumando y restando x de
las desviaciones, xi j − x :
Teorema 2. Identidad de la suma de los cuadrados
S C total =
k i=1
n j=1
( xi j − xi)2 + n
k i=1
( xi − x)2
Demostraci´ on.
k i=1
n j=1
( xi j − x)2 =
k i=1
n j=1
[ ( xi j − xi) + ( xi − x) ]2
=
k
i=1
n
j=1
[ ( xi j
−xi)
2+ 2 ( xi j
−xi)( xi
−x) + ( xi
−x)2 ]
=
k i=1
n j=1
( xi j − xi)2 + 2
k i=1
n j=1
( xi j − xi)( xi − x) + n
k i=1
( xi − x)2
El termino del medio es cero, como se muestra
n j=1
( xi j − xi) =
n j=1
xi j − n xi =
n j=1
xi j − n
n j=1
xi j
n
El segundo termino de la identidad de la suma de los cuadrados (teorema 2) es llamado
suma de cuadrados del factor (S C factor ), representa la varianza total de la desviacion
de las medias los grupos con respecto a la media global, es decir, es una medida de la
variabilidad entre grupos.
La primera expresion es conocida como suma de cuadrados residual (S C resid ) o suma
de cuadrados del error (S C error ) y es una medida de la variabilidad que no se debe a
los grupos, representa la variabilidad interna de cada grupo. La ecuacion del teorema 2
puede ser escrita ası:
S C total = S C factor + S C error (1.27)
El comportamiento estocastico de las medias de los grupos alrededor de la media global,
esta representada por la varianza entre grupos, S entre. Esta puede ser interpretada como
el cuadrado medio del factor (C M factor )
C M factor = S entre =S C factor
k − 1(1.28)
donde k − 1 es el numero terminos independientes (grados de libertad-gl.) en S C factor .
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 30/130
20 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
La varianza al interior de los grupos, S intra, representa el cuadrado medio del error
(C M error ), y da idea del comportamiento estocastico de los datos al rededor de la media
del grupo al que pertenece.
C M error = S intra =S C error
k (n − 1)(1.29)
donde k (n − 1) son los grados de libertad (gl.) de S C error .
Los resultados de aplicar ANOVA, generalmente se organizan como se muestra en la
tabla 1.2
Fuente SC gl CM F sig.
Grupos S C factor k − 1 C M factor C M factor
C M error p-valor
Error S C error k (n − 1) C M error
Total S S T kn − 1
Tabla 1.2: Tabla de Analisis de varianza de un factor
La relacion
F =C M factor
C M error
es una medida de la cantidad de varianza que puede ser atribuida a los diferentes
grupos o niveles de tratamiento frente a la varianza que se debe al muestreo aleatorio
de cada tratamiento. Dado que las diferencias entre grupos tiende a aumentar el valor
de C M factor , valores grandes de F permiten rechazar la hipotesis nula de que no existen
diferencias entre las medias de los grupos.
Para determinar si el estadıstico F es suficientemente grande como para respaldar el
rechazo de la hipotesis nula, se sigue un proceso similar al del contraste t . Primero, se
determina el valor crıtico para el estadıstico F (F critico) atendiendo a la distribucion F
con (k −1) y k (n−1) grados de libertad para el nivel de significacion dado, normalmente
es 0.05. Si el valor del estadıstico F es mayor que el valor F critico calculado, se puede
concluir que las medias de los grupos no son iguales.
Por otra parte, el p-valor, permite determinar si el resultado de la prueba se encuentra
justo en la frontera de la region de rechazo (p-valor ≈ 0.05), o si se encuentra bien
ubicado dentro de ella (p-valor 0.05).
1.5.1. Contraste de Shapiro-Wilk (Normalidad)
Este permite contrastar la hipotesis nula de que las muestras obtenidas de la variable
dependiente se distribuyen de manera normal en los diferentes grupos o niveles de
tratamiento, cuando se tiene un espacio muestral menor a 50. Dicha hipotesis es
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 31/130
1.5. AN ´ ALISIS DE VARIANZA: ANOVA 21
rechazada en el caso que su respectivo nivel de significacion sea menor a 0.05.
w =1
ns
h
j=1
a j,n ( xn−
j+1
−x j)
2
(1.30)
donde ns =
( xi − x)2 ; h = n/2 si n es par y h = (n − 1)/2 si n es impar [11].
1.5.2. Contraste de Levene (Homocedasticidad)
Es una prueba de homogeneidad de varianzas, permite contrastar la hipotesis de que los
grupos muestrales de la variable dependiente provienen de poblaciones con la misma
varianza. La hipotesis nula es rechazada en el caso que el nivel de significacion del
estadıstico de Levene, sea menor a 0.05.
Siguiendo un procedimiento equivalente al realizado con ANOVA, la prueba de
homogeneidad de varianzas se puede llevar a cabo ası:
Se define el valor D, como el valor absoluto de la diferencia entre cada valor y la media
del grupo al que pertenece
Di j = xi j − x j
La media de las diferencias de cada grupo D j y la media total de las diferencias DT , se
definen como
Di =
n
j=1
Di j
n; DT =
k
i=1
n
j=1
Di j
kn
De manera analoga a lo hecho en ANOVA, se definen las Sumas de cuadrados error
(S C error ) y Sumas de cuadrados factor (S C factor )
S C error =
k i=1
n j=1
( Di j − Di)2 ; S C factor = n
k i=1
( Di − DT )2
Los Cuadrados medios
C M error =S error
k (n − 1); C M factor =
S f actor
k − 1
k (n − 1) y k − 1 representan los grados de libertad
Finalmente, la relacion
F =C M factor
C M Error
permite, probar la hipotesis nula de homogeneidad de las varianzas al nivel de
significacion dado.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 32/130
22 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
1.6. Comparacion de dos poblaciones multivariantes:
Contraste T 2 de Hotelling
Este contraste evalua la diferencia entre los vectores de medias entre dos poblaciones
multivariantes, µ1 − µ2. La idea tras el contraste es determinar si los vectores de medias
son iguales ( µ1 − µ2 = 0). Ademas en el caso de µ1 µ2, que componentes de las
medias son diferentes. Se consideran dos muestras aleatorias de las poblaciones 1 y 2,
de tamano n1 y n2 respectivamente. Los vectores x (media) y S (varianza) se obtienen
como se muestra a continuacion
Muestra Estadısticas
Poblacion 1
x11, x12, . . . , x1n1
x1 =1
n1
n1 j=1
x1 j S1 =1
n1 − 1
n1 j=1
(x1 j − x1)(x1 j − x1)T
Poblacion 2
x21, x22, . . . , x2n2
x2 =1
n2
n2 j=1
x2 j S2 =1
n2 − 1
n2 j=1
(x2 j − x2)(x2 j − x2)T
donde
x1 j: representa el vector p dimensional ( p variables independientes o caracterısticas),
para el objeto j de la poblacion 1.
x2 j: representa el vector p dimensional, para el objeto j de la poblacion 2.
El sımbolo T, representa la traspuesta de la matriz.
Al igual que todos los procedimientos donde se hace inferencia estadıstica a partir de un
conjuntos de datos numericos, se asumen algunas caracterısticas de la estructura de los
datos [12]:
1. La muestra [x11, x12, . . . , x1n1], es una muestra aleatoria de tamano n1 de una
poblacion de p variables independientes, con vector de medias µ1 y matriz decovarianza Σ1
2. La muestra [x21, x22, . . . , x2n2], es una muestra aleatoria de tamano n2 de una
poblacion de p variables independientes, con vector de medias µ2 y matriz de
covarianza Σ2
3. Ambas muestras son independientes entre si.
4. Las poblaciones de donde provienen las muestras poseen una distribucion normal
multivariante.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 33/130
1.7. AN ´ ALISIS MULTIVARIANTE DE LA VARIANZA: MANOVA 23
5. Las muestras poseen la misma matriz de covarianza, Σ1 = Σ2.
De la ultima condicion, si Σ1 = Σ2 = Σ,
n1
j=1
(x1 j
−x1)(x1 j
−x1)T es un estimador
de (n1 − 1)Σ y
n2 j=1
(x2 j − x2)(x2 j − x2)T es un estimador de (n2 − 1)Σ.
De manera consecuente define la varianza combinada (Scomb), la cual es un estimador de
Σ, como:
Scomb =(n1 − 1) S1 + (n2 − 1) S2
n1 + n2 − 2(1.31)
Luego, teniendo en cuenta la independencia de las muestras, x1 y x2, lo cual implica que
sus vectores de medias x1 y x2 tambien sean independientes, se encuentra que
1n1
+1
n1
Scomb
es un estimador de la covarianza de la diferencia de medias Cov(x1−x2). De esta manera,
haciendo un sımil con la expresion de t 2 obtenida de la ecuacion (1.23), se encuentra la
expresion para el contraste T 2 de Hotelling
T 2 = ( µ1 − µ2)T
(
1
n1
+1
n1
)Scomb
−1
( µ1 − µ2) (1.32)
Al igual que el estadıstico t sigue una distribucion conocida bajo la hipotesis nula
de que no existen diferencias entre grupos para una unica variable dependiente, laT 2 de Hotelling sigue una distribucion conocida bajo la hipotesis de que no existen
diferencias entre los grupos sobre los vectores de medias para el conjunto de p variables
dependientes. La T 2 de Hotelling sigue la distribucion F de Fisher con p y n1 + n2−2−1
grados de libertad. Para obtener el valor crıtico de la T 2 de Hotelling, se encuentra el
valor tabulado para F crit a un nivel de significacion α dado y se calcula T 2crit
como sigue
[8]:
T 2crit =p(n1 + n2 − 2)
n1 + n2 − p − 1F crit
1.7. Analisis multivariante de la varianza: MANOVA
Este analisis es una extension del analisis de varianza (ANOVA) en donde se tiene
en cuenta mas de una variable de criterio. Es una tecnica de dependencia que mide
las diferencias de dos o mas variables metricas dependientes basadas en un conjunto
de variables independientes categoricas (no metricas) para efectos de prediccion. El
MANOVA se denomina como proceso multivariado debido a que se usa para valorar
la diferencia entre grupos a traves de multiples variables de manera simultanea [9].
En el MANOVA, la hipotesis nula contrastada es la igualdad de vectores de medias de
variables dependientes multiples entre los grupos, como se muestra:
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 34/130
24 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
H 0 :
µ11
µ21
...
µ p1
=
µ12
µ22
...
µ p2
= . . . =
µ1k
µ2k
...
µ pk
(1.33)
p : numero de variables dependientes, k : numero de grupos
En el caso multivariado del analisis de la varianza, se asume que k grupos
independientes tomados de manera aleatoria de una poblacion, cada uno de ellos de
tamano n, son obtenidos de poblaciones p-variadas normales con iguales matrices de
varianzas-covarianzas (Σ) [13]. Los datos se organizan en una tabla como la que se
muestra a continuacion.
Grupo 1 Grupo 2 . . . Grupo k
x11 x21 . . . xk 1
x12 x22 . . . xk 2
......
...
x1n x2n . . . xkn
Media x1 x2 . . . xk
Tabla 1.3: Poblacion multivariante con k grupos, donde cada xi j es un vector de
dimension p
Para que los procedimientos de los contrastes multivariantes del MANOVA sean validos
se deben cumplir los siguientes supuestos:
Independencia
Normalidad multivariada
Correlacion de las variables independientes
Homogeneidad de las matrices de varianzas-covarianzas
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 35/130
1.7. AN ´ ALISIS MULTIVARIANTE DE LA VARIANZA: MANOVA 25
La suma de cuadrados y productos cruzados (SCPC ) total, se puede descomponer en
dos factores como en el caso de la suma de cuadrados del experimento univariado.
SCPC total = SCPC factor + SCPC error (1.34)
k i=1
n j=1
(xi j − x)(xi j − x)T = kn
k i=1
(xi − x)(xi − x)T +
k i=1
n j=1
(xi j − xi)(xi j − xi)T
(1.35)
donde
xi j: vector que contiene p observaciones, una para cada variable dependiente.
xi: vector p dimensional que contiene el valor las medias del i-esimo grupo, una para
cada variable.
x: vector p dimensional, que contiene la media global para cada una de las variables.
Los resultados de MANOVA, se organizan en una tabla como la que se muestra
Fuente SCPC gl.
Grupos SCPC factor ≡ B k − 1
Error SCPC error ≡ W k (n − 1)
Total SCPC total ≡ T kn − 1
Tabla 1.4: Tabla de Analisis de varianza multiple.
gl. : grados de libertad
Uno de los estadısticos para contrastar la hipotesis de igualdad de todos los vectores de
medias, es el Lambda de Wilks
Λ =|W|
|W + B
|=
k
i=1
n j=1
(xi j − xi)(xi j − xi)T
k
i=1
n j=1
(xi j − x)(xi j − x)T
(1.36)
Este estadıstico, representa la porcion de variabilidad total que no se debe a las
diferencias entre los grupos. Es decir, un valor pequeno de Λ indica que las diferencias
entre medias multivariantes de los grupos (centroides), en el caso de existir, provienen
de las diferencias entre grupos.
El estadıstico Λ de Wilks, sigue distribuciones conocidas en los casos mencionados
en la tabla 1.5. Para otros casos no mencionados y tamanos muestrales grandes, una
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 36/130
26 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
aproximacion hecha por Bartlett en [14], puede ser usada para contrastar la hipotesis
nula.
− n − 1−
p + k
2 ln Λ =
− n − 1−
p + k
2 ln |W|
|W + B| (1.37)
La anterior expresion tiene aproximadamente una distribucion chi-cuadrada con p(k −1)
grados de libertad. De esta manera, se puede rechazar la hipotesis nula bajo el nivel de
significacion α dado si
−
n − 1 − p + k
2
ln
|W||W + B|
> χ2 p(k −1)(α) (1.38)
donde χ2 p(k −1)
(α) es el mayor percentil de una distribucion chi-cuadrada con p(k − 1)
grados de libertad [12, 13].
El valor del estadıstico Λ de Wilk, tambien puede ser calculado a partir de los valores
propios λ1, λ2, . . . , λs de W−1B
Λ =
si=1
1
1 + λi
(1.39)
donde s = min( p, k − 1).
Ademas del estadıstico Λ de Wilk, existen otros estadısticos que tambien son usados
para contrastar la igualdad de vectores multivariados de medias. Estos estadısticos deigual manera pueden ser expresados como funciones de los autovalores de W−1B [12].
Traza de Pillai-Bartlett ≡ V = tr
B(B + W)−1 (1.40)
Traza de Lawley-Hotelling ≡ U = tr W−1B
(1.41)
Raiz mas grande de Roy ≡ R = maximo valor propio de W−1B (1.42)
Traza de Pillai-Bartlett
Este estadıstico permite rechazar la hipotesis de igualdad de medias multivariadas dado
un nivel de confidencia α, usando una aproximacion de la distribucion F [13]:
2 N + s + 1
2m + s + 1
V
s − V > F s(2m+s+1),s(2 N +s+1)(α) (1.43)
donde
s = ( p, k − 1), m =1
2
p − (k − 1) − 1, N =
1
2
k (n − 1) − p − 1
(1.44)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 37/130
1.7. AN ´ ALISIS MULTIVARIANTE DE LA VARIANZA: MANOVA 27
# variables # grupos Funcion de distribucion seguida por Λ
p = 1 k ≥ 2 k (n − 1)
k − 1
1 − Λ
Λ
∼ F k −1,k (n−1)
p = 2 k ≥ 2 k (n − 1) − 1
k − 1
1 −
√ Λ√
Λ
∼ F 2(k −1),2(kn−k −1)
p ≥ 1 k = 2 kn − p − 1
p
1 − Λ
Λ
∼ F p,kn− p−1
p≥
1 k = 3 kn − p − 2
p
1 − √ Λ√
Λ
∼ F 2 p,2(kn− p−2)
Tabla 1.5: Distribuciones del estadıstico Λ de Wilks
Traza de Lawley-Hotelling
Este estadıstico permite rechazar la hipotesis de igualdad de medias multivariadas dado
un nivel de confidencia α, usando una aproximacion de la distribucion F [13]:
2(sN + 1)U
s2(2m + s + 1)> F s(2m+s+1),2(sN +1)(α) (1.45)
Raiz caracterıstica mas grande de Roy
Este estadıstico permite rechazar la hipotesis de igualdad de medias multivariadas dado
un nivel de confidencia α, usando una aproximacion de la distribucion F [13]:
k (n − 1) − max( p, k − 1) − 1
max( p, k − 1)R > F max( p,k −1) , k (n−1)−max( p,k −1)−1(α) (1.46)
Comparacion entre los cuatro estadısticos
Cuando H 0 : µ1 = µ2 = . . . = µk es cierta, todos los centroides estan en el mismo
punto, de esta manera todos los cuatro estadısticos descritos presentan el mismo error
Tipo I (α). Sin embargo cuando H 0 es falsa, los cuatro estadısticos tienen diferentes
probabilidades de rechazo [13].
Historicamente, el estadıstico Λ de Wilks ha desempenado un rol dominante en cuanto a
pruebas de significado estadıstico en MANOVA por haber sido el primero en ser usado
y tener unas aproximaciones de distribuciones χ2 y F bien conocidas. Sin embargo, no
siempre este estadıstico es el mas poderoso de los cuatro [13].
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 38/130
28 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
La potencia estadıstica relativa de los cuatro estadısticos depende de la configuracion de
los vectores de medias en el espacio s-dimensional < s = min( p, k − 1) >, es decir, un
estadıstico puede tener mayor potencia para una configuracion de los vectores de medias
que para otra. Una indicacion del patron que poseen los vectores de medias esta dadopor los valores propios de W−1B. Si hay un valor propio grande en comparacion
con los otros, los vectores de medias tienen la tendencia a ser colineales. Si hay dos
valores propios grandes, los vectores de medias yacen en su mayorıa en un plano, y
ası sucesivamente [13].
Debido a que el estadıstico de Roy usa el autovalor mas grande de W−1B, tiene mayor
potencia estadıstica que los otros, si los vectores de medias son colineales. Mientras
los otros tres estadısticos tienen mayor potencia cuando se trata de vectores de medias
dispersos en varias dimensiones [13].
En conclusion, el estadıstico de Roy es recomendado solo cuando los vectores de medias
son colineales, en los otros casos los otros tres tienen el mejor desempeno, siendo
V el mas recomendado incluso cuando se presenta heterogeneidad de las matrices de
varianzas-covarianzas y no-normalidad en la distribucion de los datos al interior de las
muestras [13].
En la practica, cuando se calculan los cuatro estadısticos al realizar analisis multivariado
de la varianza, todos los estadısticos permiten concluir lo mismo. En el caso que difieran
en aceptar o rechazar H 0, se pueden examinar los autovalores de W−1B y las matrices
de varianzas covarianzas para decidir cual puede o no ser un resultado confiable.
1.7.1. Contraste de Esfericidad de Bartlett
Esta prueba se utiliza para contrastar la hipotesis nula de que las variables no estan
correlacionadas en la poblacion, es decir, comprueba si la matriz de correlaciones es
proporcional a una matriz de identidad. Se puede dar como validos aquellos resultados
que nos presenten un valor elevado del test y cuyo nivel de significacion sea menor a
0.05. En este caso se rechaza la Hipotesis nula y se continua con el analisis [12, 15].
La matriz de correlaci´ on de la muestra (R) es una matriz de tamano p x p.
R =
s11√ s11
√ s11
s12√ s11
√ s22
. . .s1 p√
s11√
s pp
s21
√ s22 √ s11
s22
√ s22 √ s22
. . .s2 p
√ s22 √ s pp...
.... . .
...s p1√
s pp√
s11
s p2√ s pp
√ s22
. . .s pp√
s pp√
s pp
(1.47)
Por otra parte, si definimos la matriz de desviaciones est ´ andar de la muestra
D1/2 =
√ s11 0 . . . 0
0√
s22 . . . 0...
.... . .
...
0 0 . . .√
s pp
(1.48)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 39/130
1.8. AN ´ ALISIS DISCRIMINANTE 29
y su inversa
D−1/2
=
1√ s11
0 . . . 0
0 1√ s22
. . . 0
......
. . . ...
0 0 . . . 1√ s pp
La matriz de correlacion R, puede ser calculada, segun [12], a traves de
R = D1/2 S D−1/2 (1.49)
donde S es la matriz de varianza-covarianza total de la muestra.
La prueba se aproxima a traves de la distribucion χ2 , para p variables, n el tamano del
espacio muestral y p/2( p − 1) grados de libertad. [15].
−
n − 1 − 2 p + 5
6
lnR > χ
2 p/2( p−1)(α) (1.50)
1.7.2. Contraste de M de Box
Contrasta la hipotesis nula de igualdad de las matrices de varianzas-covarianzas
poblacionales. El estadıstico M de Box tiene la forma [15]
M =
k i=1
Si
(ni−1)/2
Sk (n−1)/2
(1.51)
donde S es una estimacion de la matriz de varianzas-covarianzas combinada, Si es una
estimacion de la matriz de varianzas-covarianzas del i-esimo grupo, kn es el numero de
casos totales, n es el numero de casos del i-esimo grupo y k es el numero de grupos.
El estadıstico M carece de distribucion muestral conocida, sin embargo puede ser
transformada en un estadıstico F y ser interpretada como tal.
Muchos analistas critican el uso de este estadıstico por ser demasiado sensible a
variaciones en la normalidad multivariante y a tamanos muestrales grandes [15].
Cuando el numerador del estadıstico M , sea muy superior al denominador,
sera indicativo de que existe heteroscedasticidad, es decir que no existe homogeneidad
entre las matrices de varianzas-covarianzas de cada grupo.El resultado del contraste permite rechazar la hipotesis de igualdad de matrices
de varianzas-covarianzas, cuando el nivel de significacion de la prueba (p-value≡Sig.<0.05) [15].
1.8. Analisis Discriminante
Cuando se tiene un conjunto de objetos dividido en dos o mas grupos y para cada uno
de ellos han sido observadas p variables, el objetivo del an´ alisis discriminante es: dado
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 40/130
30 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
un nuevo objeto encontrar una funcion que determine a que grupo o clase existente se
ajusta mas dicho objeto con base en un criterio especıfico.
El analisis discriminante implica obtener un valor teorico, es decir una combinacion
lineal de las p variables independientes, que discrimine mejor entre los grupos definidosa priori.
La discriminacion se lleva a cabo estableciendo las ponderaciones del valor teorico para
cada variable del tal forma que maximicen la varianza entre-grupos frente a la varianza
intra-grupos.
La combinacion lineal para el analisis discriminante es conocida como funci´ on
discriminante, y esta representada por la siguiente ecuacion, para el caso de dos variables
categoricas (grupos):
Dk = u1 X 1k + u2 X 2k + · · · + u p X pk (1.52)
donde
Dk : Puntuacion discriminante para el k-esimo objeto.
ui: Ponderacion discriminante para la variable independiente i.
Xik : Valor de la variable independiente i en el objeto k .
El resultado de la expresion 1.52, es una unica puntuaci´ on D discriminante compuesta,
para cada individuo incluido en el analisis. El centroide de cada grupo es obtenido
promediando las puntuaciones D de los distintos objetos que conforman el grupo. Los
centroides, indican la situacion mas comun dentro del grupo para determinado conjunto
de variables independientes, y una comparacion de los mismos muestra lo separados que
estan los grupos a lo largo de la dimension que se esta contrastando.
El contraste para la significacion estadıstica de la funcion discriminante es una medida
generalizada de la distancia entre los centroides de los grupos y se calcula comparando
las distribuciones de las puntuaciones discriminantes. Si el solapamiento o superposicion
en la distribucion es grande, significa que la funcion discriminante construida no separa
correctamente los grupos, mientras si el solapamiento es pequeno o inexistente la
funcion discriminante separa bien los grupos como lo ilustra la figura 1.6. El analisis
discriminante es sensible a la relacion que se presenta entre el tamano muestral y el
numero de variables independientes predictoras. Muchos estudios sugieren una relacion
de 20 observaciones por cada variable. Aunque esta relacion sea dif ıcil de conseguir en
la practica, se debe tener en cuenta que los resultados podrıan llegar a ser inestables a
medida que el tamano muestral disminuye en relacion con el numero de variables. El
tamano mınimo recomendado es de cinco observaciones por variable independiente.
Ademas del tamano muestral total, se debe tener en cuenta el tamano muestral de cada
grupo. Como mınimo el tamano del grupo mas pequeno debe ser mayor que el numero
de variables independientes [9].
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 41/130
1.8. AN ´ ALISIS DISCRIMINANTE 31
(a)
(b)
Figura 1.6: Representacion univariante de puntuaciones Z discriminantes
Analisis discriminante: Enfoque de Fisher
Para llevar a cabo la discriminacion entre grupos, Fisher utilizo el criterio de maximizar
la variabilidad entre grupos frente a la variabilidad al interior de los grupos.
La ecuacion (1.52), se puede escribir:
D1
D2
...
Dn
=
X 11 X 21 . . . X p1
X 12 X 22 . . . X p2
......
......
X 1n X 2n . . . X pn
u1
u2
...
u p
de manera analoga
D = [X] u (1.53)
La variabilidad de D se expresa, con las variables en terminos desviaciones respecto a
la media, como.
DT D = uT [X]T [X] u (1.54)
Debido a que la suma de cuadrados total T, se puede descomponer en dos elementos
(ver teorema 2) y a su vez [X]T [X] = T. La ecuacion (1.54) se puede reescribir
DT D = uT T u = uT F u + uT W u (1.55)
donde T = F + W. (F y W, son las sumas de los cuadrados entre-grupos e intra-grupos,
respectivamente).
En este orden, los terminos del lado derecho de la ecuacion (1.55), representan
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 42/130
32 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
respectivamente la variabilidad entre-grupos y la variabilidad intra-grupos.
Se define el parametro a maximizar λ, como la relacion entre la variabilidad entre-grupos
y la variabilidad intra-grupos.
El calculo del eje discriminante se realiza a traves de la ecuacion de valores propios.
W−1 F u = λ u (1.56)W−1 F − λ I
u = 0 (1.57)W−1 F − λ I = 0 (1.58)
suponiendo que W es no singular.
Debido a que los centroides indican la situacion mas comun al interior de cada grupo,
estos se usan para definir la puntuacion media de la funcion discriminante para cada
grupo y estas a su vez permiten definir el punto de corte discriminante C , el cual esusado como criterio de pertenencia o no a determinado grupo.
Los centroides para dos grupos
X1 =
X 11
X 21
...
X p1
X2 =
X 12
X 22
...
X p2
A partir de los centroides se pueden obtener las puntuaciones discriminantes medias.
D1 = u1 X 11 + u2 X 21 +
· · ·+ u p X p1 (1.59)
D2 = u1 X 12 + u2 X 22 + · · · + u p X p2 (1.60)
Luego, el punto de corte discriminante
C =D1 + D2
2(1.61)
permite clasificar un objeto segun
Sı Dk < C , el objeto se incluye en el grupo 1.
Sı Dk > C , el objeto se incluye en el grupo 2.
Ahora bien, en el caso de varios grupos, el modelo tiene la forma
D ji = u1i X j1 + u2i X j2 + · · · + u pi X jp (1.62)
donde
j = 1, 2, . . . , n, para n objetos.
para p variables explicativas y k grupos. i =
1, 2, . . . , k − 1 sı p ≥ k − 1
1, 2, . . . , p sı p < k − 1
Cada uno de los ejes discriminantes, se calcula a partir de la ecuacion de valores propios
(ecuacion (1.56))
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 43/130
1.9. AN ´ ALISIS CLUSTER 33
1.9. Analisis Cluster
El analisis Cluster agrupa los objetos y los individuos en conglomerados, de manera que
los objetos del mismo conglomerado son mas parecidos entre sı que a los objetos deotros conglomerados, en otras palabras, lo que se intenta con el analisis cluster, a traves
de el uso de un grupo de tecnicas multivariadas, es maximizar la homogeneidad de las
caracterısticas que presentan los objetos al interior de cada conglomerado a la vez que se
maximiza la heterogeneidad de las mismas para los objetos de diferentes conglomerados.
Las cuestiones basicas a tener en cuenta en el analisis cluster, segun [9], son:
1. Medida de similitud
2. Formacion de conglomerados
3. Numero de grupos a formar
1.9.1. Medidas de similitud
Medidas de correlacion
Las medidas de correlacion representan la similitud entre cada par de objetos, mediante
la correspondencia de patrones en los valores de las variables independientes. Se calcula
el coeficiente de correlacion entre cada par de objetos y se le asigna un significado:
elevadas correlaciones indican similitud, mientras bajas correlaciones significan carencia
de ella.
Las medidas de correlacion, sin embargo, son rara vez utilizadas debido a que el interes
con la aplicacion del analisis cluster esta en las magnitudes de los objetos y no en los
patrones de sus valores.
Medidas de distancia
Representan como medida de similitud la distancia entre observaciones medidas para
las variables incluidas en el analisis. Las medidas de distancia, son realmente medidas
de diferencia, donde los valores elevados indican menor similitud entre objetos. Se
presentan varios tipos de medidas de distancia, entre ellos la distancia euclıdea simple,
la distancia euclıdea cuadrada, la distancia absoluta y la distancia de Mahalanobis.
La mas utilizada de las medidas de distancia es la distancia euclıdea simple,
la cual calcula la distancia entre dos puntos k dimensionales ( X i1, X i2, . . . , X ik ,) y
( X j1, X j2, . . . , X jk ,) (ecuacion (1.63)).
d i j =
( X i1 − X j1)2 + ( X i2 − X j2)2 + · · · + ( X ik − X jk )2 (1.63)
Sin embargo, para efectos de reducir los calculos se usa la medida de la distancia
euclıdea cuadrada
d 2i j = ( X i1 − X j1)2 + ( X i2 − X j2)2 + · · · + ( X ik − X jk )2 (1.64)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 44/130
34 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
esta ultima es recomendada para los metodos de analisis cluster del centroide y Ward.
La distancia absoluta, es la suma del valor absoluto de las diferencias. Este enfoque
puede resultar adecuado bajo ciertas circunstancias, sin embargo puede provocar variosproblemas. Uno de ellos es que el enfoque se puede aplicar bajo el supuesto de que las
variables no estan correlacionadas, pues si lo estan los conglomerados no son validos
[16].
En la distancia estandarizada las diferencias se dividen por la varianza, de esta manera
las diferencias se hacen adimensionales. La distancia se obtiene a traves de
D2S (x1, x2) = (x1 − x2)T D−1 (x1 − x2) (1.65)
donde D es una matriz diagonal que contiene las varianzas.
La medicion de la distancia de Mahalanobis ( D2 M
) incorpora directamente un
proceso de estandarizacion de las observaciones. Este enfoque no solo incluye el
proceso de estandarizacion de los datos a escala en terminos de las desviaciones
estandar, sino que tambien evalua la varianza-covarianza unidas dentro del grupo,
ajustando las intercorrelaciones entre las variables. Conjuntos de variables altamente
intercorrelacionadas en el analisis cluster pueden ponderar implıcitamente un conjunto
de variables en los procedimientos de aglomeracion.
Para un par de variables aleatoria multivariadas x1 y x2, la distancia de Mahalanobis se
calcula a traves de [12]:
D2 M (x1, x2) = (x1 − x2)T Σ−1 (x1 − x2) (1.66)
donde Σ es la matriz de varianzas covarianzas.
Las distancias estandarizada y euclıdea absoluta son casos particulares de la distancia de
Mahalanobis, con Σ = D y Σ = I; (I: matriz identidad).
Medidas de asociacion
Las medidas de asociacion de similitud, son utilizadas para comparar objetos cuyas
caracterısticas son parametros no metricos.
1.9.2. Formacion de conglomerados
Procedimientos jerarquicos
Estos procedimientos consisten en la construccion de una estructura en forma de arbol.
En cada etapa del proceso de formacion de la estructura los dos objetos o conglomerados
mas cercanos se unen para formar nuevos conglomerados, hasta que eventualmente
todos los objetos quedan dentro de un mismo conglomerado. La representacion de la
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 45/130
1.9. AN ´ ALISIS CLUSTER 35
formacion de conglomerados se denomina dendrograma o grafico en forma de arbol.
Los metodos mas utilizados en la obtencion de conglomerados son [9]:
1. Metodo de encadenamiento simple.
2. Metodo de encadenamiento completo.
3. Metodo de encadenamiento medio.
4. Metodo de Ward.
5. Metodo del centroide.
Todos ellos se diferencian en la forma de calcular las distancias entre conglomerados.
Se procede a continuacion a describir cada uno de los metodos enumerados.
Encadenamiento simple o enfoque del vecino m´ as cercano: Identifica los objetos
separados por la distancia mas corta, y los coloca en un conglomerado. A continuacion
puede ocurrir que una otro individuo al conglomerado existente o inicie otro
conglomerado por la union de otros dos objetos.
La medida de la distancia entre conglomerados, se hace entre cualquier par de puntos,
cada uno perteneciente a un conglomerado distinto. Sin embargo, el procedimiento
genera problemas cuando los conglomerados estan mal definidos. En tales casos , los
procedimientos de encadenamiento simple pueden generar largas y sinuosas cadenas, y
eventualmente todos los individuos pueden situarse en una cadena aunque los individuos
en el extremo de una cadena puedan ser muy diferentes.
Encadenamiento completo: Es parecido al de encadenamiento simple excepto en que
el criterio de aglomeracion se basa en la distancia maxima. El procedimiento tambien es
conocido como aproximaci´ on del vecino m´ as lejano, m´ etodo del di´ ametro. La maxima
entre dos individuos de diferentes conglomerados representa la esfera de diametro
mınimo que puede contener todos los objetos de ambos conglomerados.
El metodo es denominado encadenamiento completo porque todos los objetos de un
conglomerado son vinculados con el resto por la mınima similitud, se puede decir que
la similitud dentro de cada grupo es igual al diametro del grupo. De esta manera un
objeto se une a un conglomerado solo cuando ha sido encadenado a todos los objetos del
conglomerado. De la misma manera, el encadenamiento de cada par de conglomerados
se hace solo cuando todos los objetos del primero han sido encadenados a todos los
objetos del segundo.
El uso de la distancia mas corta puede ser visto como reflejo de la similitud de los
objetos mas parecidos, mientras la distancia mas larga refleja la similitud del par de
objetos menos parecidos (ver figura 1.7).
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 46/130
36 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Encadenamiento medio: Para este metodo el criterio de aglomeracion es la distancia
media de todos los individuos de un conglomerado con todos los individuos del otro.
Este enfoque tiende a combinar los conglomerados con variaciones reducidas en su
interior. Tambien tiende a estar sesgado hacia la produccion de conglomerados conaproximadamente la misma varianza.
(a) (b)
Figura 1.7: Comparacion entre encadenamiento simple y compuesto
Metodo de Ward o m´ etodo de la varianza mınima: La distancia entre los conglomerados
es la suma de los cuadrados entre dos conglomerados sumados para todas las variables.
En cada paso del procedimiento de aglomeracion, se minimiza la suma de los cuadrados
dentro de cada conglomerado del conjunto completo de conglomerados separados.
Metodo del centroide: La distancia entre dos conglomerados es la distancia,
generalmente la euclıdea simple o cuadrada, entre sus centroides. Los centroides de los
grupos son los valores medios de las observaciones de las variables en el valor te orico
del conglomerado. En este metodo cada vez que los individuos o los conglomerados son
agrupados, se calcula un nuevo centroide. La ventaja de este metodo es que se ve menos
afectado por la existencia de datos atıpicos que los otros metodos jerarquicos descritos.
Procedimientos no jerarquicos
Estos procedimientos no implican los procesos de construccion de arboles [17].
Existen basicamente tres tecnicas: partici´ on, mezclas de distribuciones y estimaci´ on de
la densidad . De estos tres metodos, el metodo de partici´ on es el mas usado [13].
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 47/130
1.9. AN ´ ALISIS CLUSTER 37
Particion
El proceso parte desde la seleccion de una semilla como centro de cada conglomerado,
posteriormente los objetos son asignados a cada conglomerado de acuerdo un umbralestablecido, el cual depende de cada semilla. Los procedimientos no jer arquicos de
aglomeracion son tambien conocidos como aglomeracion de K-medias, y normalmente
utiliza uno de los siguientes enfoques para asignar los objetos a cada conglomerado [ 17].
Umbral secuencial: El metodo empieza seleccionando una semilla de conglomerado
e incluye todos los objetos que caen dentro de una distancia previamente especificada.
Una vez realizado este procedimiento, una segunda semilla es seleccionada y se realiza
el mismo procedimiento. El proceso continua mientras sean asignadas nuevas semillas.
Sin embargo, cuando un objeto es incluido en un conglomerado, no se consideran efectos
de ulteriores semillas.
Umbral paralelo: En contraste con el metodo anterior, en este son seleccionadas
inicialmente varias semillas de conglomerado y los objetos son asignados dentro de la
distancia umbral hacia el conglomerado con la semilla mas cercana. A medida que el
proceso avanza, se puede realizar un ajuste de la distancia umbral para incluir mas o
menos objetos en los conglomerados.
Procedimiento de optimizacion: este procedimiento agrega una herramienta de
reubicacion de los objetos. Es decir, si en el curso de asignacion de los objetos, un objeto
se acerca mas a otro conglomerado diferente al cual esta asignado en ese momento,
entonces un procedimiento de optimizacion cambia el objeto al conglomerado mas
parecido.
Los procedimientos no jerarquicos tienen ventajas sobre los procedimientos jerarquicos,
debido a que son menos susceptibles a los datos atıpicos, a la medida de distancia
utilizada y a la inclusion en el analisis de variables irrelevantes o inapropiadas. Sin
embargo estos beneficios, estos beneficios pueden ser obtenidos con la seleccion no
aleatoria de semillas de conglomerados, es decir, se necesita un conocimiento a priori o
una estimacion acertada del valor de las variables en cada conglomerado. La utilizacion
de metodos no jerarquicos con seleccion aleatoria de semillas, arroja como resultados
notablemente inferiores en comparacion con los obtenidos con tecnicas jerarquicas.
Por otra parte, otro enfoque el el uso de ambos metodos (jerarquico y no jerarquico), para
obtener los beneficios de ambos [18]. En primer lugar, una tecnica jerarquica permitirıa
establecer el numero de conglomerados, los perfiles de los centros de los conglomerados
y la identificacion de cualquier dato atıpico obvio. Posteriormente, habiendo eliminado
del analisis los datos atıpicos (en caso de ser necesario), los objetos pueden ser
aglomerados con tecnicas no jerarquicas usando como semillas de conglomerado los
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 48/130
38 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
centros de conglomerados observados con el metodo jerarquico.
Otros criterios de particion
Existen basicamente tres, estos no se basan en las distancias entre los centroides, sino
en las matrices SCPC (sumas de cuadrados y productos cruzados) entre − grupos B
e intra − grupos W. Para conglomerados bien definidos, serıa optimo que W fuera
pequeno y B fuera grande [13].
Los tres criterios son:
Minimizar tr (W)
Minimizar |W|
Maximizar tr (W−1B)
Mezclas de distribuciones
Se define la densidad de una mezcla de k distribuciones como el promedio ponderado
h(x) =
k i=1
αi f (x, µi, Σi) (1.67)
donde 0 ≤ αi ≤ 1,
k i=1
αi = 1, y f (x, µi, Σi) es la distribucion normal multivariada
[13].
Los conglomerados se pueden formar de dos maneras. La primera es asignar un elemento
que contiene el vector de observaciones x al conglomerado C i con el valor mas grande
de la probabilidad posterior definida por la ecuacion 1.68. El segundo consiste en asignar
el elemento al conglomerado con el valor mas grande de 1.69.
P(C i|x) =αi f (x, ˆ µi, Σi)
h(x)(1.68)
lnαi −1
2lnΣi
− 1
2(x − ˆ µi)
t Σ−1i (x − ˆ µi) (1.69)
donde ˆ µi, αi y Σi representan los estimados de maxima probabilidad de h(x) de la
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 49/130
1.10. BAL ISTICA 39
ecuacion 1.67 y estan dados por [13]:
αi =1
n
n
j=1
P(C i
|x j), i = 1, 2, . . . , k
−1
ˆ µi =1
nαi
n j=1
x jP(C i|x j), i = 1, 2, . . . , k
Σi =1
nαi
n j=1
(x j − ˆ µ)(x j − ˆ µ)TP(C i|x j), i = 1, 2, . . . , k
Estimacion de la densidad
En este metodo, conocido tambien como b ´ usqueda de densidad , se buscan regionesde alta densidad llamadas modos, basicamente se intenta separar regiones con una alta
concentracion de puntos de regiones que no la tienen [13].
1.10. Balıstica
1.10.1. Terminologıa
Balıstica, en forma literal, es el estudio de la dinamica de los proyectiles en vuelo. Es
diferente a “identificacion de armas de fuego”, aunque en comun acuerdo, el significado
de la palabra balıstica se ha tomado en ese sentido. Calvin Goddard, considerado el padre
de la identificacion de armas moderna, desempeno un importante papel en el desarrollo
del uso de este lenguaje. Goddard, en 1925, publico un artıculo titulado “Forensics
Ballistics” (“Balıstica forense”). Acerca del artıculo Goddard dijo en [19]:
Forense fue lo suficientemente bueno, ya que significa lo cual tiene
que ver con una disputa p´ ublica, y fue lo que quise decir. “Balıstica”,
estuvo mal, muy mal, ya que balıstica en su uso estricto aplica solamente a
proyectiles en movimiento, y las fuerzas que influencian ese movimiento.
Hasta ahora, nunca he hecho un intento de identificar un proyectil en
movimiento, y si tengo que, ser´ a muy pronto, hasta entonces en lo que
a mi concierne. Sin embargo el hombre de la calle encontr´ o interesantela palabra balıstica, y aprovech´ andose ´ avidamente, al mismo tiempo
descartando la palabra “forense” la cual, cuando se usa junto con
balıstica, en parte toma la maldici ´ on de la segunda.
Los cientıficos forenses distinguen entre cuatro tipos de “balıstica”:
Balıstica interna: la cual se refiere a las fuerzas (presion, ignicion, y
ası sucesivamente) que actuan sobre la bala mientras esta continua en el interior
del arma.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 50/130
40 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Balıstica externa: Esta es mas cercana a la definicion literal de balıstica, describe
la trayectoria de la bala entre la boca del canon del arma de fuego y su impacto en
el objetivo.
Balıstica terminal: Describe los mecanismos de impacto sobre ambos, el
proyectil y el objetivo.
Balıstica forense: En el sentido presentado por Goddard, es el analisis del
proyectil y la vainilla de evidencia y el uso de esa evidencia para enlazar
especımenes y armas particulares.
Se presentan a continuacion, algunas definiciones incluidas en el protocolo para hacer
estudios comparativos de proyectiles y vainillas, de la fiscalıa general de la nacion [20].
Proyectil: Termino usado para describir el elemento que hace parte del cartucho yes expulsado fuera del canon cuando se produce el disparo. Hay proyectiles de muchas
formas, constituciones y calibres.
Vainilla: Termino usado para describir el elemento componente del cartucho, el cual
contiene la polvora y el fulminante; las hay de diferentes tamanos, formas y calibres.
Macroscopio de comparacion: Instrumento optico que permite al observador,
apreciar dos objetos simultaneamente con el mismo grado de aumento.
Microscopio estereoscopico: Un instrumento optico, que proporciona una vista
tridimensional de un objeto, a traves de objetos pares y oculares.
Caracterısticas generales del estriado (GRC): Corresponden al numero, ancho y
sentido de giro que presentan las estrıas y mazisos en el canon de un arma de fuego de
un calibre dado.
Caracterısticas de clase: Caracterısticas mensurables de una muestra, las cuales
indican una fuente de grupo restrictivo. Ellas resultan de factores de diseno y por lo
tanto estan determinadas antes de la fabricacion.
Caracterısticas Individuales: Imperfecciones o irregularidades producidas de forma
accidental durante el proceso de fabricacion o causadas por uso, abuso, corrosion,
oxidacion o dano con un objeto. Ellas son unicas del elemento y lo distinguen de los
otros y por lo tanto son las que definen la identidad.
Caracterısticas de subclase: Son caracterısticas apreciables superficialmente,
distinguibles en un objeto, las cuales son mas restrictivas que las caracterısticas de clase
y se caracterizan por:
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 51/130
1.10. BAL ISTICA 41
1. Ser adquiridas en el proceso de fabricacion.
2. Ser significativas y estar relacionadas con un pequeno grupo fuente (son subgrupo
de las clases de las cuales ellas proceden).
3. Provenir de una fuente que puede variar con el tiempo.
1.10.2. Anatomıa de armas de fuego y municion
Armas de fuego
Las armas de fuego son dispositivos destinados expulsar uno o varios proyectiles, para
disparos a larga y corta distancia. Los proyectiles son expulsados a altas velocidades
debido al aumento de presion en el interior de la vainilla causado por la ignicion de la
polvora.
Ca ˜ non
Los canones de las armas de fuego son elaborados de piezas de acero solido cuya
composicion es cuidadosamente seleccionada para obtener las propiedades quımicas y
metalurgicas necesarias. Un primer paso del proceso, la perforacion, da como resultado
un agujero relativamente rugoso de diametro uniforme que se extiende a lo largo del
canon. Luego es perforado con una fresadora, disenada para producir una superficie tan
suave como es posible al interior del canon. Sin embargo la superficie interior conserva
numerosas cicatrices y aranazos de el proceso de perforacion; son estas imperfecciones
aleatorias las que dan las caracterısticas individuales a los proyectiles cuando estos son
disparados.
Los canones son de manera adicional son sometidos a un proceso de estriado en cual
se crea un patron de franjas o ranuras. Este proceso es principalmente para mejorar
la exactitud del arma; cuando el proyectil es expulsado, el contacto con este estriado
le proporciona una rotacion, la cual hace que el vuelo del proyectil sea mas dirigido
(movimiento comparable con la rotacion que se le proporciona a un balon de f utbol
americano). Algunas armas, tıpicamente los shotguns, no tienen el interior estriado, en
cambio la mayorıa de armas y rifles lo tienen para mejorar la precision en los disparos.
El estriado en el interior de los canones puede ser obtenido forzando un boton de
carbono a traves del canon perforado, se dice que esto proporciona la variabilidad
microscopica individual a las marcas en el canon (junto con las imperfecciones de la
primera perforacion). Algunos pasos adicionales en la elaboracion de canones incluyen
tratamiento termico para limpiar y proporcionar dureza.
A lo largo de los fabricantes, los interiores de los canones pueden variar en dos
caracterısticas fundamentales, cada una ellas es una caracterıstica de clase basica. La
primera es la orientacion de las estrıas al interior del canon, si es a la derecha o a la
izquierda. La mayorıa de las casas fabricantes en los Estados Unidos usan la orientacion
de giro a la derecha, aunque los revolver Colt son conocidos por su orientacion a la
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 52/130
42 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
izquierda. La segunda, es el numero de estrıas dentro del canon (normalmente a una
profundidad de 0.004-0.006 in) y el de macizos entre las estrıas. Historicamente, no se
estandarizo este numero, los fabricantes usaron, seis, siete u ocho estrıas; lo cual sigue
siendo el rango actual, aunque algunas tienen tan pocas como 2 y tantas como 24 ([21],pp 130-131).
Los canones tambien varıan en el angulo de orientacion de las estrıas, lo cual afecta que
tanto gira el proyectil al salir del canon [22].
Camara, pared de la recamara, percutor
La parte trasera, lejos de la boca del canon, es conocida como camara, es disenada con
el tamano adecuado segun el calibre del cartucho. La parte del arma contra la cual el
cartucho se apoya cuando es colocado en la camara es la recamara.
La superficie especıfica que esta en contacto con la base del cartucho es la pared de
la recamara. Los pasos exactos para elaborar la recamara puede variar entre casas
fabricantes. Mientras en unas el proceso de elaboracion deja estrıas gruesas en otras
se presentan patrones de cırculos concentricos. De manera similar al canon del arma, la
pared de la recamara imprime marcas caracterısticas sobre la base del cartucho cuando
este es percutido.
Un agujero en perforado en la recamara da hacia donde esta guardado el percutor; una
vara de acero duro que puede ser forzada a golpear la base del cartucho que esta situado
en la recamara para producir la ignicion del fulminante y posteriormente la polvora.
Mientras muchos de los percutores tienen una forma redondeada en su punta, algunos
tienen formas mas distintivas; en particular las armas de fuego Glock son reconocidas porsu percutor con forma rectangular. De la misma manera que la recamara y partes del arma
que estan en contacto con el proyectil o la vainilla, el percutor durante su elaboracion
puede presentar imperfecciones que lo hagan diferentes de otros de su misma clase [22].
Revolver y pistola
Las armas de fuego se dividen basicamente en dos categorıas: revolver y pistola, y se
diferencian segun la municion es cargada y segun el ciclo para volver a ser cargada.
En un revolver la municion es colocada en un cilindro, donde cada cartucho tiene su
propia camara. Un mecanismo de trinquete es usado para hacer girar el cilindro a la
siguiente posicion despues de cada disparo.
A diferencia del revolver, la pistola se auto-alimenta, haciendo uso de la municion
contenida en una camara desmontable que contiene un resorte que impulsa un cartucho
tras otro a la camara. Este dispositivo se almacena en el agarre o empunadura, y es
conocido como cargador o ((provedor)). La pistola tiene una sola camara para cada
municion y despues que esta es usada, la parte restante que permanece en la camara
(vainilla), es expulsada por una abertura ubicada a un lado o en la parte superior de la
camara. Despues de esto, otro cartucho del cargador es deslizado hacia la camara.
Las pistolas se subdividen en automaticas y semiautomaticas. Las ultimas necesitan que
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 53/130
1.10. BAL ISTICA 43
el gatillo del arma sea oprimido en varias ocasiones para lograr disparos multiples,
mientras las primeras hacen disparos en serie mientras no sea removida la fuerza que
oprime el gatillo o el cargador este vacıo.
Para la recuperacion de evidencia y su posterior analisis, la distincion entre pistola yrevolver es fundamental, pues mientras la pistola desecha las vainillas despues de cada
disparo, el revolver no lo hace a menos que la persona quien la usa se vea obligada a
recargar el arma [22].
Extractor y eyector
Como su nombre lo indica, el extractor sirve para sacar un cartucho usado de la
camara para que uno nuevo pueda tomar su lugar. En un revolver, el extractor o
barra de extraccion puede expulsar todas las vainillas a la vez. En la pistola, sin
embargo, el extractor remueve el cartucho usado y este entra en contacto con el eyector(protuberancia fija que golpea el borde del cartucho). Debido a que el proceso descrito
ocurre con cierta velocidad y fuerza, ambos ((extractor y eyector)) pueden dejar marcas
en la vainilla.
Municion
La municion o cartucho es una unidad que contiene tres elementos claves:
Bala o proyectil, el cual es expulsado por el canon del arma.
El agente impulsor(polvora), el cual proporciona la fuerza y la presion que el
proyectil necesita para ser expulsado.
Fulminante,es una mezcla quımica volatil y sensible a la presion, encargada de
encender el agente impulsor.
A continuacion se presenta una descripcion mas detallada de cada elemento.
Proyectiles
Los proyectiles o balas en municion moderna puede estar formada de una gran variedad
de metales. Hay balas elaboradas enteramente de aluminio, acero, y en ocasiones de laton
(aleacion de Cobre y Zinc); aunque sustancias no metalicas han sido usadas tambien para
construir balas. Sin embargo para mejorar las necesidades de peso de la bala, con el fin de
mejorar su exactitud y desempeno, la mayorıa de las balas contienen una cierta cantidad
de plomo.
Para evitar la deformacion de las balas antes de ser usadas, lo cual puede causar
problemas al cargar, se le adicionan sustancias como antimonio y estano para
proporcionar dureza. Mayor alcance, penetracion y exactitud de los proyectiles pueden
ser logradas usando una cobertura o “chaqueta” de cobre, de forma parcial o total; la
cobertura total puede hacer que la bala alcance grandes velocidades mientras la cobertura
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 54/130
44 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
parcial hace que la velocidad sea menor pero proporciona un dano adicional debido a
la expansion al penetrar el objetivo. Existen balas de punta expansiva las cuales estan
disenadas para penetrar el objetivo, transferir la mayor cantidad de energıa cuando la
punta del proyectil toma forma de hongo, lo cual se traduce en mayor dano, y finalmentepermanecer en el objetivo.
1.10.3. Marcas basicas sobre evidencia balıstica
Marcas sobre proyectiles
El proceso de estriado del interior del canon (rifling process) deja cavidades o ranuras
(groove marks) y entre dos ranuras consecutivas un area elevada conocida como macizo
(land mark).
El patron de estrıas y macizos (denominadas tambien valles y crestas) que se
presenta sobre la superficie de los proyectiles recuperados, puede ser usado para
determinar informacion basica acerca del tipo de estriado que presenta el canon del
arma; de esta manera se puede identificar el tipo de arma de la cual proviene el
proyectil. Especıficamente, el numero de estrıas y la direccion de estas son importantes
caracterısticas de clase [22].
Por otra parte, en una publicacion pionera sobre identificacion de armas de fuego
[23], son referidas “las ranuras finas sobre la superficie del proyectil, paralelas a las
estrıas” como “las caracterısticas individuales mas importantes que son usadas”. Estas
marcas, conocidas como estriaciones o estrıas “son causadas por su paso a traves de
las irregularidades de la superficie del interior del canon las cuales se obtienen durante
los procesos de escariado y estriado (reaming and rifling processes). Cualquier proceso
de suavizado que se haga al interior del canon dejara siempre irregularidades (puntos o
rugosidades) y estas dejaran marcas sobre el proyectil a su paso por estas”.
1.10.4. Identificacion tradicional de armas de fuego
En [24] fue presentado un sumario de las tareas basicas que un examinador realiza
cuando lleva a cabo una identificacion de armas usando evidencia.
Antes de iniciar una comparaci´ on a nivel microsc´ opico, un fundamento
es construido midiendo y comparando las caracterısticas de clase
disponibles, como las caracterısticas generales del estriado. Este criterio
es usado para reducir el n´ umero de candidatos y ası luego encontrar una
fuente com´ un. Una vez se halla establecido el fundamento, la fuente en
com´ un puede ser determinada evaluando las caracterısticas individuales
a nivel microsc´ opico usando reconocimiento de patrones.
Los peritos en balıstica comparan los proyectiles usando un microscopio de
comparacion, esta herramienta le permite observar simultaneamente las marcas que
presentan ambos. Como las regiones de interes se encuentran en los macizos, donde es
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 55/130
1.10. BAL ISTICA 45
impreso el estriado fino particular de cada arma, en un proceso tıpico de identificacion, el
experto selecciona un macizo de cualquier proyectil, ya sea el patron o el implicado, para
mantenerlo constante como el punto de inicio. Asumiendo que se tienen por ejemplo dos
especımenes con nueve macizos, el experto rota los dos proyectiles buscando similitudentre macizos. Primero se hacen las comparaciones 1-1, 2-2, 3-3, hasta 9-9; si no se
encuentran similitudes se hacen las comparaciones 1-2, 2-3, 3-4 hasta 9-1; de esta forma
se pueden llegar a hacer hasta 81 comparaciones entre macizos [25].
En la identificacion de armas tradicional ((parte ciencia y parte forma de arte, se sigue
llevando a cabo con las mismas herramientas basicas que permitieron el avance del
campo en decadas pasadas)) el examinador enfrenta la tarea de formarse un patron mental
de marcas y caracterısticas presentadas por estas en evidencia balıstica [22]. Los metodos
tradicionales para llevar a cabo la comparacion de marcas en los proyectiles estan
basados en microscopıa de luz incidente, donde la imagen formada por la iluminacion
oblicua de las marcas proporciona una representacion del especimen en la region de las
marcas [26, 27]. Esta representacion es crıticamente dependiente de dos factores, del
material de la superficie donde las marcas fueron hechas, y la geometrıa e intensidad del
sistema de iluminacion. Lo anterior debido a que las texturas en las imagenes cambian
con debido a estos factores. El juicio de similitud o no entre marcas presentadas por
los proyectiles implicados y los de prueba, esta basado en el experticio y la experiencia
del tecnico que lleva a cabo la comparacion. De esta forma, el metodo tradicional de
comparacion de marcas tiene dificultades inherentes y lleva consigo un elemento de
subjetividad [28].
Caracterısticas de clase, subclase e individuales
La clasificacion original hecha por Churchman para los tipos de caracterısticas dejadas
en proyectiles y cartuchos disparados fue reportada por Nichols [29], allı fueron
propuestas tres grandes categorıas de caracterısticas para ser examinadas [27, 30]:
Caracterısticas tipo “C” fueron definidas como caracterısticas de clase.
Caracterısticas tipo “A” fueron definidas como caracterısticas accidentales.
Estas caracterısticas son consideradas propias de cada arma (caracterısticas
individuales).
Caracterısticas tipo “B” fueron definidas como caracterısticas de sub-clase, que
pueden ser detectadas en los bordes de los macizos.
El reconocimiento de las marcas del tipo “C”, tales como calibre, forma de la marca del
percutor, direccion de giro del proyectil y numero de estrıas y macizos sobre la superficie
del proyectil, reducira el numero de armas sospechosas; mientras la deteccion de las
caracterısticas individuales (Tipo A), tiene el potencial de identificar particularmente el
arma que hizo dichas marcas sobre el cartucho y el proyectil. Las caracterısticas de tipo
A incluyen:
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 56/130
46 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
Pequenas estrıas (micro rayado) presentes en las estrıas y macizos. Estas son
adquiridas durante el proceso de manufactura del canon del arma, especıficamente
durante el estriado de su interior.
Caracterısticas individuales de la marca dejada por el percutor, estas provienen de
imperfecciones detalladas del percutor o de su propio funcionamiento en sı.
1.10.5. Influencia de la manufactura de armas en la identificacion
En [1] fue reportada una revision de trabajos relacionados con la influencia de los
procesos de manufactura en las marcas que son impresas en evidencia balıstica
(proyectiles y vainillas).
Los resultados citados en este artıculo fueron la mayorıa obtenidos de armas fabricadas
consecutivamente o de armas con numeros seriales consecuentes. Aunque, debe sersubrayado que la ultima condicion no implica la primera, pues el estampado de los
numeros seriales puede no seguir el mismo orden de los procesos de manufactura
[31]. Incluso las partes que constituyen armas consecutivamente manufacturadas no
necesariamente son fabricadas en el mismo orden. Para la evaluacion de la influencia
de la manufactura sobre las marcas que presentan las superficies de los proyectiles luego
de ser disparados, muchas de las pruebas estuvieron basadas en canones obtenidos de
una sola pieza de tubo estriado[31, 32, 33].
Las estrıas en el canon son causadas durante los procesos de perforado, escariado,
rayado y finalizacion [34, 35, 36, 37]; las rebabas por su parte son debidas al corte y
coronamiento en la boca del arma y de la garganta de la camara [32, 37, 38, 39, 40].
Pueden ser definidos dos grupos de tecnicas de rayado (estriado) del canon, dependiendo
si es removido o no material del interior canon. Las estrıas son obtenidas cortando
material en el caso de las tecnicas conocidas como Hook cutting, Scrape cutting, y
Broaching. Mientras, entre las tecnicas conocidas que usan desplazamiento de material
estan Mandrel rifling, Button rifling, y Hammering [41].
Los metodos de rayado basados en la remocion de material del canon dejan marcas
longitudinales caracterısticas de la herramienta usada para dar el estriado. Las llamadas
caracterısticas de subclase pueden ser encontradas en las estrıas y cerca de los bordes de
los macizos del canon [42, 43, 44, 45]. Las partes centrales de los macizos permanecen
intactas durante el proceso de estriado, entonces solo imperfecciones causadas durante
la perforacion y el escariado son transferidas como estriado fino en la superficie de los
proyectiles[34, 37, 46].
Las caracterısticas de subclase no pueden ser encontradas, cuando el proceso usado para
la fabricacion del canon no esta basado en la remocion de material del canon, sino
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 57/130
1.10. BAL ISTICA 47
en el desplazamiento de este debido a la aplicacion de grandes presiones. El interior
de los canones es extremadamente liso y muestra principalmente marcas concentricas
[34]. Como estas marcas corren perpendicularmente al estriado, son transferidas como
marcas individuales a la superficie del proyectil durante el disparo. A parte de estasmarcas, estrıas axiales menos prominentes resultan del boton o del mandrel cuando este
es empujado a traves de la vara [32]. Hammering produce even-mirror like surfaces.
Un aspecto importante es el numero de canones elaborados con una sola herramienta
sin modificaciones externas, tales como resharpening. Una diferencia considerable entre
las dos categorıas puede ser notada. Un Hook cutter puede ser usado para entre 5 y
50 canones, un broach para cientos de canones, y un boton para miles de canones
[34, 37, 38, 40].
Luego del estriado, el proceso final de suavizado puede tambien proporcionar algunas
estrıas finas extra a las estrıas y macizos [34, 42, 47, 48].
Todos los resultados citados en [1] corresponden a armas que han sido disparadas un
numero suficiente de veces, de forma tal que los canones ya hubiesen transferido su
firma al proyectil. En algunos estudios experimentales se ha encontrado que esto ocurre
despues de entre cinco y nueve disparos [33, 36, 38]. Para detalles de los estudios
obtenidos sobre proyectiles disparados a traves de canones consecutivamente rayados
o con numeros seriales cercanos, leer apendice C.
1.10.6. Influencia del uso de armas en la identificacion
Despues que un crimen ha sido cometido con un arma de fuego, en el tiempo que
transcurre entre este y la incautacion del arma, el arma puede haber sido disparada en
repetidas ocasiones. La pregunta que impulso la revision de trabajos hecha en [49], fue
que tan rapido cambian las caracterısticas de las marcas impresas sobre la evidencia
debido a el uso repetido de las armas. Por uso debe entenderse no solo la accion del
disparo en sı, sino tambien la limpieza, manipulacion, desmantelamiento y la influencia
de la humedad del ambiente sobre elementos de variada naturaleza que pueden ser
encontrados usualmente en el arma (polvo y residuos de disparos, entre otros). Se
encontro, que el interior del canon esta sujeto a tres procesos que influyen en las
caracterısticas que son impresas en la superficie de los proyectiles disparados. Tales
procesos son: erosion, corrosion y deposicion de diferentes tipos de partıculas. Para mas
detalles sobre la revision de trabajos acerca del tema, leer apendice D.
Erosion: La superficie del canon experimenta desgaste mecanico el cual se debe en
gran medida a la liberacion de gases durante el disparo el cual suaviza (quita filo -
blunt ) las estrıas y los macizos [50, 51]. La limpieza con diferentes tipos de cepillos
tambien conduce a un proceso de erosion tanto como el paso del proyectil a traves del
canon [37, 52, 53]. La erosion puede ser acentuada por la presencia de residuos del
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 58/130
48 CAP ITULO 1. MARCO TE ´ ORICO Y ESTADO DEL ARTE
disparo y partıculas metalicas que se desprenden del proyectil para incrustarse en el
canon [42, 53, 54, 55]. Un estudio extraordinario fue hecho por Naatanen [56] quien
revelo el fuerte desgaste en el interior del canon despues de hasta 13500 disparos.
Corrosion: Es una reaccion quımica entre el metal del arma y su ambiente y es en
gran parte debido a la presencia de materiales reactivo al momento de la ignicion
del fulminante ( primer ) y la subsecuente activacion de la polvora [48, 53, 55]. La
corrosion puede ser acelerada por la humedad y su efecto puede ser visto en la falta
de correspondencia entre proyectiles disparados consecutivamente a traves de un canon
altamente corroıdo. De hecho, la superficie interna del canon cambia continuamente
debido a que cada proyectil remueve parte del oxido [42, 47, 48, 53, 57, 58, 59].
Deposicion de partıculas metalicas: Grandes aglomerados de aceite, polvo y suciedad
de los alrededores pueden tener un efecto temporal o permanente sobre las caracterısticas
individuales de un arma [42, 47, 50, 58]. Varios autores reportan efectos de la
acumulacion de plomo en el canon; efecto actualmente denominado “emplomamiento”
[60, 61].
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 59/130
Capıtulo 2
Dise ˜ no experimental
2.1. Base de datos
La base de datos consta de un conjunto de imagenes digitales de la superficie de los
proyectiles 9 mm disparados por diferentes tipos de armas. Para la realizacion de este
trabajo fueron usados los proyectiles disparados por: 1 sub-ametralladora UZI calibre
9mm, 2 sub-ametralladoras MP5, y una Glock modelo 17 (Ver tabla 2.1).
De los proyectiles disparados por cada arma, fueron extraıdos 4 para formar parte de
la base de datos. Las imagenes representan la superficie “desenvuelta” de la zona de
interes, la cual contiene las marcas debidas al contacto con el interior del canon durante
el disparo; la forma de obtener estas imagenes es descrita en la seccion 2.1.2
Codigo Arma
A Sub-ametralladora MP5, N°88154
B Sub-ametralladora MP5, N°88206
C Sub-ametralladora UZI, cal. 9mm
D Glock Mod.17, cal. 9mm
Tabla 2.1: Codigos de las armas
2.1.1. Equipo utilizado
El equipo consta de un microscopio estereoscopico Leica MZ6, una camara para
fotomicrograf ıa de alta resolucion Leica DFC490, software LAS (Leica Application
Suite) para cambiar la configuracion de los dispositivos, visualizar y adquirir las
imagenes. Detalles tecnicos de los equipos en el apendice E.
El arreglo de los equipos para la adquisicion de las imagenes es como se muestra en la
figura 2.1.
La parte del soporte que sostiene el proyectil, permite hacer rotaciones del proyectil
49
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 60/130
50 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
Figura 2.1: Arreglo para la adquisicion de las imagenes
cada 6 grados con cierta precision. Sin embargo, debido al error inherente que implica
la rotacion del proyectil hecha manualmente, queda como perspectiva la automatizacion
de este proceso, y mas alla, la de la totalidad del proceso de adquisicion de las imagenes.
2.1.2. Imagenes
El procedimiento para obtener imagenes “desenvueltas” consta de las siguientes etapas:
1. Adquisicion de la imagen del proyectil en la posicion angular actual.
2. Extraccion del segmento de interes, esta parte de la superficie es aquella que se
encuentra en el tope de la seccion cilındrica (figura 2.2a).
3. Rotacion de 12° del proyectil.
4. Repeticion de los pasos 1 a 3 hasta haber cubierto la totalidad de la superficie.
5. Una vez almacenados todos los segmentos de interes, estos son unidos para formar
una imagen “desenvuelta” del proyectil, como se muestra en la figura 2.2b.
La razon para considerar que las rotaciones de 12° son suficientes para tomar como
constante la cantidad de luz en cada segmento, es que la diferencia de alturas entre
alguno de los extremos y la parte central, que se encuentran sobre la superficie curva, es
de 0,3 mm.
En la figura 2.3 se muestra el diagrama de flujo de la rutina elaborada en Matlab para
obtener superficies “desenvueltas”. Las funciones imreadGray.m y segmento.m se
incluyen en el apendice F.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 61/130
2.2. PREPROCESAMIENTO 51
(a) (b)
Figura 2.2: Segmento extraıdo de la superficie del proyectil (a). Ejemplo superficie
“desenvuelta” de un proyectil (b)
Figura 2.3: Diagrama de flujo para obtener superficies “desenvueltas”
2.2. Preprocesamiento
Debido a la fuerte reflexion que presentan los metales, y que las texturas a
caracterizar son crıticamente dependientes del entorno de iluminacion; una etapa de
preprocesamiento se hace necesaria para tener imagenes con el mayor contraste posible.
En la figura 2.4 se muestra una imagen obtenida usando el procedimiento descrito en laseccion 2.1.2 y su respectivo histograma.
En el histograma, la alta concentracion de niveles de gris en la parte central denota bajo
contraste, sin embargo, como es necesario tener una imagen de alto contraste para la
caracterizacion, se realizo una transformacion de los niveles de gris, usando el metodo
de ecualizaci´ on del histograma descrito en la seccion 1.1.2.
El resultado se muestra en la figura 2.5.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 62/130
52 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
(a) (b)
Figura 2.4: Imagen de proyectil (a) con su respectivo histograma de niveles de gris (b)
(a) (b)
Figura 2.5: Imagen con contraste mejorado (a) y su respectivo histograma (b)
2.3. Extraccion de caracterısticas
La elaboracion de las matrices caracterısticas se llevo a cabo usando scripts del Toolbox
de procesamiento de imagenes de Matlab y otros construidos en este mismo entorno para
el presente trabajo. Para cada uno de los enfoques se obtuvo una matriz, cuyo numero de
columnas depende de la cantidad de caracterısticas a extraer y las 16 filas corresponden
al tamano del espacio muestral (tablas A.1 a A.4).
El diagrama de flujo del proceso para extraer las caracterısticas se muestra en la
figura 2.6.
Por otra parte en la tabla 2.2, se especifican los codigos que representan las diferentes
caracterısticas extraıdas de las texturas.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 63/130
2.3. EXTRACCI ´ ON DE CARACTER´ ISTICAS 53
Figura 2.6: Diagrama de flujo para extraccion de caracterısticas
codigo descriptor codigo descriptor
1 Intensidad promedio R1 Maximo S (r )
2 Contraste promedio R2 Media S (r )
3 Suavidad relativa R3 Desviacion estandar S (r )
4 Skewness R4 Maximo-Media S (r )
5 Uniformidad A1 Maximo S (θ )
6 Entropıa A2 Media S (θ )
7 Contraste A3 Desviacion estandar S (θ )
8 Correlacion A4 Maximo-Media S (θ )
9 Energıa (uniformidad) A5 Angulo del maximo
10 Homogeneidad
Tabla 2.2: Codigos de las caracterısticas
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 64/130
54 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
2.4. Analisis de varianza
Para llevar a cabo el analisis de varianza en el caso univariado, donde se contrasta la
hipotesis nula de que las medias de los diferentes grupos no difieren significativamenteen la variable dada, se realizaron multiples analisis con la funcion anova1 del Toolbox
estadıstico de Matlab, uno para cada una de las caracterısticas. Posteriormente se
realizaron multiples comparaciones de las medias grupales de cada variable, para
determinar en el caso que la hipotesis nula fuera rechazada, cuales eran los grupos
diferentes. Los resultados se muestran en las figuras A.1 a A.4 (ver apendice A).
Antes de realizar el analisis de varianza de un factor, se contrastaron las hipotesis
de normalidad y homocedasticidad , con las pruebas de Shapiro-Wilk y Levene,
respectivamente. Los resultados de las pruebas de normalidad se muestran en las
tablas A.5 a A.8 y los de homogeneidad de la varianza en las tablas A.9 a A.12 (ver
apendice A).
Sumario resultados obtenidos usando analisis univariado
En el caso de las multiples comparaciones de las medias grupales de cada variable, se
presenta un sumario de los resultados obtenidos.
Naturaleza de las caracterısticas CaracterısticaGrupos
diferentes
Matriz de co-ocurrencia de niveles de gris Contraste
A B
B C
B D
CorrelacionB C
B D
Energıa
A B
B C
B D
Homogeneidad
A B
A D
B C
B D
Histograma de la imagen Uniformidad B CB D
Entropıa B D
Espectro de la imagen Desvest (S (r ))A C
B C
Posicion de maximo (S (θ ))
A B
B C
B D
Tabla 2.3: Sumario de grupos diferentes bajo analisis univariado
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 65/130
2.5. AN ´ ALISIS DE VARIANZA M ´ ULTIPLE 55
Figura 2.7: Diagrama de flujo para analisis univariado
De la anterior tabla, se observa que para las caracterısticas extraıdas, el grupo que mas
se diferencia de los otros es el grupo B. Una observacion detallada de la tabla 2.3, revela
que los unicos grupos para los cuales no se encontro una diferencia significativa, para
ninguna de las variables, son los grupos C y D.
2.5. Analisis de varianza multiple
Para realizar el analisis de varianza en el caso multivariado, donde se contrasta la
hipotesis nula de que los vectores multivariados de medias no difieren significativamente
entre grupos, se hizo uso de la funcion manova1 del Tool-box estadıstico de Matlab, y
la funcion maov1 [62].
Con el fin de no cometer errores en la inferencia estadıstica a realizar, se contrastaron
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 66/130
56 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
los supuestos de correlaci´ on de las variables y de homogeneidad de las matrices
de varianzas-covarianzas, usando las pruebas de Esfericidad de Bartlett y M de Box
respectivamente.
Es importante senalar que para llevar a cabo el analisis multivariado de la varianza, de las
matrices de caracterısticas extraıdas del espectro (tablas A.3 y A.4), fueron descartadas
de cada una de las matrices, una variable que resultaba redundante porque se encontraba
perfectamente contenida en otras variables de la misma matriz. De esta manera se redujo
a 3 y 4 el numero de variables en las matrices caracterısticas de las componentes radial
y angular del espectro respectivamente.
Figura 2.8: Diagrama de flujo MANOVA
Pruebas de esfericidad de Bartlett
La prueba de esfericidad de Bartlett, la cual se realiza con el fin de contrastar la hip otesis
nula que la matriz de correlaciones de las variables dependientes se asemeja a una matriz
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 67/130
2.5. AN ´ ALISIS DE VARIANZA M ´ ULTIPLE 57
identidad, se realizo con el script sphertest.m [63]. Los resultados se muestran en las
tabla A.13.
En ella se observa, que el nivel de significacion de cada prueba es menor al 5 %, lo
cual es evidencia necesaria y suficiente para rechazar la hipotesis nula, es decir que lasvariables a ser analizadas es el modelo general multivariante si est an correlacionadas.
Pruebas de Homogeneidad de las matrices de varianzas-covarianzas
Estas pruebas no pudieron ser llevadas a cabo de manera exitosa, excepto para el caso de
la matriz que contiene las caracterısticas extraıdas de la componente radial del espectro,
luego de ser modificada. Lo anterior se debio al tamano de las muestras, pues por cada
grupo se incluyeron 4 elementos, cuando lo recomendado para los experimentos es que,
como mınimo el tamano muestral del grupo mas pequeno debe ser mayor que el numero
de variables independientes [9].Sin embargo, frente al eminente problema que representa llevar a cabo experimentos
de este tipo sin probar todos los supuestos sobre las matrices de datos. En el
caso balanceado, donde todos los grupos tienen un tamano muestral igual, los
cuatro estadısticos usados para probar la hipotesis nula de igualdad de los vectores
multivariados de medias ( Lambda de Wilks, Traza de Lawley-Hotelling, Traza de Pillai-
Bartlett y Raiz m´ as grande de Roy), son lo suficiente robustos para manejar, en el caso
que se presente, los conjuntos de datos que presenten heterogeneidad en sus matrices de
varianzas-covarianzas [13].
Los resultados del analisis multivariado de la varianza de un factor, se muestran desde latabla A.14 hasta A.17. Los cuatro estadısticos usados para el contraste de la hipotesis
nula, revelan para cada conjunto de datos, que existe diferencia estadısticamente
significativa entre los vectores de medias de cada grupo, y que esta diferencia se debe
mas a la variabilidad entre grupos (clases de armas) que a la variabilidad al interior de
los grupos.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 68/130
58 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
2.6. Analisis discriminante
En analisis discriminante se usaron las variables canonicas obtenidas de la funcion
manova1.m.Dichas variables son calculadas como:
x1
x2
...
x N
−
m
...
m
Nxp
∗ V pxp = C Nxp
donde cada xi representa un vector de dimension p que contiene las observaciones
para cada elemento de los kn = N (k grupos y n el tamano muestral de cada uno),
m es un vector p-dimensional que contiene en cada elemento el valor medio de las N
observaciones para cada variable y V es la matriz que contiene los p vectores propios de
W−1B re-escalados de forma tal, que la varianza intra-grupos de las variables canonicas
contenidas en C sea igual a la matriz identidad I. Adicionalmente, se usaron las variables
canonicas correspondientes a la primera y segunda columna de C.
Los resultados del analisis discriminante lineal de Fisher, se muestran en las figuras 2.9
a 2.12. En cada una de ellas, se muestran las regiones a las que serıan asignados nuevos
proyectiles disparados por alguna de las armas en estudio.
Figura 2.9: Analisis discriminante datos MCNG
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 69/130
2.6. AN ´ ALISIS DISCRIMINANTE 59
Figura 2.10: Analisis discriminante datos Histograma
Figura 2.11: Analisis discriminante datos S (r )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 70/130
60 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
Figura 2.12: Analisis discriminante datos S (θ )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 71/130
2.7. AN ´ ALISIS DE CONGLOMERADOS 61
2.7. Analisis de conglomerados
El objeto de este analisis es mostrar como son distribuidos los elementos en los grupos
o clases existentes, usando formacion no jerarquica de conglomerados. En este procesofue usado el criterio de la distancia euclıdea absoluta o cuadrada entre objetos.
(a)
(b)
Figura 2.13: Analisis de conglomerados para las caracterısticas de MCNG, metodo de
k-medias: Distribucion original de variables canonicas (a). Pertenencia predicha por el
analisis de k-medias (b)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 72/130
62 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
(a)
(b)
Figura 2.14: Analisis de conglomerados para las caracterısticas del histograma, metodo
de k-medias: Distribucion original de variables canonicas (a). Pertenencia predicha por
el analisis de k-medias (b)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 73/130
2.7. AN ´ ALISIS DE CONGLOMERADOS 63
(a)
(b)
Figura 2.15: Analisis de conglomerados para las caracterısticas de S (r ), metodo de k-
medias: Distribucion original de variables canonicas (a). Pertenencia predicha por el
analisis de k-medias (b)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 74/130
64 CAP ITULO 2. DISE ˜ NO EXPERIMENTAL
(a)
(b)
Figura 2.16: Analisis de conglomerados para las caracterısticas de S (θ ), metodo de k-
medias: Distribucion original de variables canonicas (a). Pertenencia predicha por el
analisis de k-medias (b)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 75/130
Capıtulo 3
Analisis de Resultados y
conclusiones
3.1. Discusion previa
Una mirada a las matrices de caracterısticas extraıdas de la componente angular del
espectro (tabla A.4), permite detectar un aparente inconveniente con la deteccion de la
orientacion de las estrıas en las imagenes de los proyectiles.
El tamano de las imagenes usadas en la caracterizacion de la textura en la superficie de
los proyectiles (1138x3962 pixeles) sumado a la naturaleza global del analisis, puede
ser una razon para el aparente problema. El espectro se calculo para toda la imagen y no
solo a las regiones donde se presentan las estrıas, de esta manera, debido a la cantidad de
variaciones que aparecen en la imagen la orientacion total de estas es en promedio 90°.
Otro factor que pudo influir, fue la tecnica misma de “desenvolvimiento” de las imagenes
de la superficie de los proyectiles, debido a que se tomo una cantidad de fotos por
proyectil, que si bien es aceptable, no es suficiente para capturar en detalle la superficie,
porque se presentan variaciones de iluminacion en las uniones de los segmentos que
forman la superficie completa.
En el caso del analisis multivariado de la varianza para los diferentes conjuntos de
datos, se encontro que las matrices de caracterısticas extraıdas de la componente radial y
angular espectro, no eran matrices definidas positivas, lo cual implicaba una singularidad
y por tanto un problema durante el procedimiento. Posteriormente, se encontro que una
de las variables, era una combinacion lineal de otras dos del mismo conjunto, lo cual
es una causa para que una matriz no sea definida positiva. Una vez excluida la variable
redundante de cada conjunto de datos, se pudo realizar el analisis multivariado.
65
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 76/130
66 CAP ITULO 3. AN ´ ALISIS DE RESULTADOS Y CONCLUSIONES
3.2. Analisis univariado de la varianza: ANOVA
Cuando se analizaron los datos usando el modelo lineal general univariante, donde se
contrasta la hipotesis nula de igualdad de medias para observaciones hechas sobre una
variable, se encontro que todas las matrices caracterısticas contienen datos que son
significativamente diferentes entre grupos, para muchas de las variables observadas.
En el caso de comparaciones multiples, las cuales permiten determinar que grupos se
diferencian en determinada caracterıstica medida, se encontro que las extraıdas de la
matriz de co-ocurrencia de niveles de gris, son altamente discriminantes entre clases.
La matriz de co-ocurrencia de niveles de gris permite describir la textura que presenta
una imagen, usando la probabilidad conjunta de aparicion de cada par de pixeles
relacionados por el operador de posicion relativa P (ver teorema 1, pagina 11). En este
sentido, las caracterısticas que se puedan extraer de la matriz, resultan recomendables
para describir los patrones que presentan las estrıas sobre la superficie de los proyectiles
del experimento. El operador de posicion relativa entre pixeles (P) utilizado fue: primer
vecino a la derecha.
3.3. Analisis multivariado de la varianza: MANOVA
Al analizar los distintos conjuntos de caracterısticas usando el modelo lineal general
multivariante de un factor, donde se contrasta la hipotesis nula de igualdad de vectores
de medias entre grupos, teniendo en cuenta en este caso todas las caracterısticas para
cada estudio, se encontro que todos los estadısticos rechazan la hipotesis nula, lo cual
es un indicador de que existen por lo menos dos grupos cuyos vectores de medias son
significativamente diferentes.
3.4. Analisis discriminante y analisis de conglomerados
El analisis discriminante utilizado es el mas elemental de todos, sin embargo, se observa
que los elementos fueron clasificados de manera correcta. La etapa de clasificacion se
fortalecera cuando se tenga una poblacion mas amplia.
Por su parte, el analisis de conglomerados permite observar que la separacion de los
grupos en el espacio caracterıstico construido es aun amplia. Lo anterior se evidencia,
con elementos asignados a grupos a los que no pertenecen en realidad; sin embargo,
en ninguno de los casos se considera una mala clasificacion, teniendo en cuenta el bajo
numero de elementos en el estudio.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 77/130
3.4. AN ´ ALISIS DISCRIMINANTE Y AN ´ ALISIS DE CONGLOMERADOS 67
Conclusiones
Los proyectiles que fueron objeto de estudio en la investigacion, obtuvieron
marcas a partir de las cuales se pudo llevar a cabo una comparacion cuantitativaentre ellos, para formar grupos provenientes de la misma arma.
Se presento procedimiento para representar, de manera aceptable, la superficie
“desenvuleta” de los proyectiles disparados.
Fue propuesto un metodo, que para el conjunto de proyectiles objeto de estudio en
la investigacion, permitio de manera efectiva diferenciar los provenientes de las
diferentes armas de fuego.
Las matrices de caracterısticas extraıdas, permitieron llevar a cabo una distincion
cuantitativa de la textura presente en imagenes de proyectiles disparados pordiferentes tipos de armas.
Las caracterısticas extraıdas de la matriz de co-ocurrencia de niveles de gris
(MCNG) permite distinguir, con mayor precision que las caracterısticas de las
otras naturalezas incluidas en el trabajo, entre los proyectiles provenientes de las
diferentes armas.
Las caracterısticas extraıdas de las componentes S (r ) y S (θ ) de los espectros de
las imagenes, no resultaron ser utiles en el proceso de descripcion de las imagenes,
debido al tamano de las mismas.
Perspectivas
Probar que la naturaleza de las caracterısticas extraıdas funciona con una base de
datos mas grande y que ademas contenga diferentes tipos de estriado.
Diseno y construccion de dispositivo para escaneo lineal de proyectiles.
Estudio y aplicacion de tecnicas de compresion de imagenes que permitan reducir
el costo computacional del proceso.
Obtener caracterısticas de otra naturaleza que sirvan como descriptores decaracterısticas presentes en las imagenes y que sirvan como caracterısticas
discriminantes entre tipos de armas.
Segmentar las regiones donde, segun los estudios experimentales, se encuentran
las caracterısticas particulares de cada arma, para aplicar el metodo propuesto y
comparar los resultados, con los incluidos en el presente trabajo.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 78/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 79/130
Bibliografıa
[1] M. S. Bonfanti and J. De Kinder. The influence of manufacturing processes on the
identification of bullets and cartridge cases - a review of the literature. Science and Justice,
39(1):3–10, 1999. [citado en p. 1, 46, 47]
[2] Dongguang Li. Firearm identification system based on ballistics image processing. 2008
Congress on Image and Signal Processing, 2008. [citado en p. 1, 12, 92]
[3] R. C. Gonzales. Digital image processing using matlab. Addison-Wesley, 2002.
[citado en p. 3, 10]
[4] J. C. Russ. The image processing handbook . CRC Press, Boca Raton-Florida, 4th edition,
2000. [citado en p. 5]
[5] R. C. Gonzales and R. E. Woods. Tratamiento digital de im´ agenes. Adisson-Wesley / Diaz
de Santos, 1992. [citado en p. 6, 7, 8, 9, 10, 11, 12, 13, 15]
[6] M. Petrou and P. Garcıa. Image Processing Dealing with Texture. John Wiley & Sons Inc,
2006. [citado en p. 9, 10]
[7] J. P. Marques de Sa. Applied statistics using SPSS, Statistica, Matlab y R. Springer, New
York, 2007. [citado en p. 15]
[8] R. E. Walpole and R. H. Myers. Probabilidad y estadıstica para ingenieros. Prentice
Hall, Hispanoamericana, S.A., Mexico 1999, sixth edition. Traduccion: Ricardo Cruz.
[citado en p. 15, 16, 17, 23]
[9] J. F. Hair and R. E. Anderson. An´ alisis Multivariante. Prentice Hall, Madrid, Espana, 5
edition, 1999. Traduccion: Diego Cano, Universidad Autonoma de Madrid. [citado en p. 16,
23, 30, 33, 35, 57]
[10] J. Cohen. Statistical power analysis for the Behavioral Sciences. Academic Press, New
York, 1977. [citado en p. 16]
[11] D. Pena. Estadıstica: Modelos y m´ etodos, volume 1. Alianza Editorial, Madrid, 1997.
[citado en p. 21]
[12] R. A. Johnson and D. W. Wichern. Applied multivariate statistical analysis. Prentice Hall,
New Jersey. [citado en p. 22, 26, 28, 29, 34]
69
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 80/130
70 BIBLIOGRAF IA
[13] A. C. Rencher. Methods of multivariate analysis. John Wiley & Sons, 2002. [citado en p. 24,
26, 27, 28, 36, 38, 39, 57]
[14] M. S. Bartlett. Further aspects of the theory of multiple regression. Proceedings of the
Cambridge Philosofical Society, 34:33–40, 1938. [citado en p. 26]
[15] T. Raykov and G. A. MArcoulides. An introduction to applied multivariate analysis.
Routledge, Taylor & Francis Group, New York, 2008. [citado en p. 28, 29]
[16] R. Shephard. Metric structures in ordinal data. Journal of mathematical psychology,
3:287:315, 1966. [citado en p. 34]
[17] P. E. Green. Analyzing multivariate data. Holt, Rinehart & Winston, Hinsdale.
[citado en p. 36, 37]
[18] G. Milligan. An examination of the eff ect of six types of error perturbation of fifteen
clustering algorithms. Psycometrika, 45:325–367, 1980. [citado en p. 37]
[19] C. H. Goddard. A history of firearm identification to 1930 (reprint of 1953 address).
Association of Firearms and Toolmarks Examiners-AFTE , 31(3):225–241. [citado en p. 39]
[20] Servidores grupo Balıstica. Protocolo: Estudios comparativos de proyectiles y vainillas.
Technical report, Fiscalıa general de la nacion, 2006. [citado en p. 40]
[21] R. A. Rinker. Understanding Firearm Ballistics. Clarksville, IN: Mulberry House
Publishing, fifth edition, 2004. [citado en p. 42]
[22] D. L. Cork and et al. Ballistic Imaging. The National Academy Press. [citado en p. 42, 43, 44,
45]
[23] J. S. Hatcher. Textbook of firearms investigation, identification and evidence. NC: Small-
Arms Technical Publishing Company, first edition, 1935. [citado en p. 44]
[24] E. D. Smith. Cartridge case and bullet comparison validation study with firearms submitted
in casework. Association of Firearms and Toolmarks Examiners-AFTE , 36(4), 2004.
[citado en p. 44]
[25] D. Roberge and A. Beauchamp. The use of bullettrax-3d in a study of consecutevely
manufactured barrels. Association of Firearms and Tool Mark Examiners Journal-AFTE ,
38(2):166–172, 2006. [citado en p. 45]
[26] C. L. Smith and M. Robinson. Line-scan imaging for the positive identification of ballistics
specimens. Proceedings of the IEEE 34th Annual International Carnahan Conference on
Security Technology, pages 269–275, 2000. [citado en p. 45, 93]
[27] C. L. Smith and Dongguang Li. Intelligent imaging of forensics ballistics specimens for id.
IEEE , 2008. [citado en p. 45, 92]
[28] M. S. Bonfanti and R. J. Ghauharali. Visualisation by confocal microscopy of traces on
bullets and cartridge cases. Science and Justice,, 40(4):241–256, 2000. [citado en p. 45]
[29] R. G. Nichols. Firearm and toolmark identification criteria: A review of the literature.
Journal of forensics Science, 42(3):446–474, 1997. [citado en p. 45, 97, 98]
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 81/130
BIBLIOGRAF IA 71
[30] C. L. Smith. Profiling toolmarks on forensics ballistics specimens: An experimental
approach. IEEE , pages p.p 281–286. [citado en p. 45]
[31] E. Harig and N. Kahlfeld. Der eifluss eines modern verfahrens zur laufherstellung
auf die identifizierungsmglichkeiten von shusswaff en. Kriminalistik und forensische
Wissenschaften, 1970. [citado en p. 46, 96, 97]
[32] B. Arnold. Bullets from consecutevely manufactured sig sauer p225 barrels. Paper
presented at the 10th IAFS meeting (Oxford), 1984. [citado en p. 46, 47, 98]
[33] W. Matty. A comparison of three individual barrels produced from one button rifled
barrel blank. Association of Firearms and Toolmarks Examiners-AFTE , 17(3):64–69, 1985.
[citado en p. 46, 47, 98]
[34] A. A. Biassoti. Rifling methods-a review and assesment of the individual characteristics
produced. Association of Firearms and Toolmarks Examiners-AFTE , 13(3):36–41, 1981.
[citado en p. 46, 47]
[35] J. M. Collins. Manufacturing the lorcin l380 and corresponding characteristics. Association
of Firearms and Toolmarks Examiners-AFTE , 29(4):498–502, 1981. [citado en p. 46, 98]
[36] E. E. Hall. Bullet markings from consecutively rifled shilen dga barrels. Association of
Firearms and Toolmarks Examiners-AFTE , 15(1), 1983. [citado en p. 46, 47, 97]
[37] B. J. Heard. Handbook of Firearms and Forensics Ballistics. Chichester: Jonh Wiley and
Sons, 1997. [citado en p. 46, 47]
[38] J. E. Murdock. The eff ect of crowning on gun gun barrel individuality. Forensic Science
Society, 12(1):305–308, 1972. [citado en p. 46, 47]
[39] T. A. Warlow. firearms, the law and forensic ballistics. London: Taylor and Francis, 1996.
[citado en p. 46]
[40] S. A. Glass and W. M. Gibson. Firearms factory tours. Association of Firearms and
Toolmarks Examiners-AFTE , 29(4):487–493, 1997. [citado en p. 46, 47]
[41] A. A. Biasotti and F. A. Tulleners. Trainig syllabus for forensic firearms and toolmark
identification. Association of Firearms and Toolmarks Examiners-AFTE , 16(1):30–118,
1984. [citado en p. 46]
[42] G. Burrard. The identification of Firearms and Forensics Ballistics. London: Herbert
Jenkins, 1951. [citado en p. 46, 47, 48, 95, 96, 99]
[43] J. A. Churchman. The reproduction of characteristics in signatures of coey rifles.
(reprinted)Association of Firearms and Toolmarks Examiners-AFTE , 13(1):46–52, 1981.
[citado en p. 46, 95]
[44] V. J. Lomoro. Class characteristics of 32 swl, f.i.e. titanic revolvers. Association of Firearms
and Toolmarks Examiners-AFTE , 6(2):18–21, 1974. [citado en p. 46, 97]
[45] R. W. Skolrood. Comparison of bullets fired from consecutivelyrifled coey .22 calibre
barrels. The Canadian Society of Forensic Science journal, 8(2):49–52, 1975. [citado en p. 46,
97]
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 82/130
72 BIBLIOGRAF IA
[46] R. F. Stengel. Thoughts on bullet comparisons and ’no gun’ cases. Association of Firearms
and Toolmarks Examiners-AFTE , 19(3):306–307, 1987. [citado en p. 46]
[47] J. E. Davis. An introduction to tool marks, firearms and the striagraph. Springfield
(Illinois): Charles C. Thomas, 1958. [citado en p. 47, 48]
[48] W. F. Rowe. Firearms identification. Prentice Hall, 1988. [citado en p. 47, 48]
[49] M. S. Bonfanti and J. De Kinder. The influence of the use of firearms on their characteristics
marks. Association of Firearms and Toolmarks Examiners-AFTE , 31(3):318–323, 1999.
[citado en p. 47]
[50] A. A. Moenssens and R. E. Moses. Scientific evidence in criminal cases. The Foundation
Press Inc. Mineola (New York), 1973. pp. 111-169. [citado en p. 47, 48]
[51] G. Hart. De evolutive van een signatuur van twee revolvers. Technical report,
Afstudeerwerk voorgelegd tot het bekomen van de titel van licenciaat in de militaire-enLuchtvaartwetenschappen, Koninklijke Militaire School, Bruxeles, 1989. [citado en p. 47]
[52] J. Hoet. The history of a signature. In Proceedings of the 11th International Symposium on
Ballistics, Bruxelles, 1989. pp. 177-184. [citado en p. 47]
[53] A. Lucas. Forensic chemistry and scientific criminal investigation. Edward Arnol & Co.
London, 3th edition, 1935. [citado en p. 47, 48]
[54] G. Cunnington. Des canons et de leurs rayures. Action guns, (130):54–57, 1990.
[citado en p. 48]
[55] G. Montet. Enfin le martelage vint. Ciblet , (10):182–186, 1968. [citado en p. 48]
[56] P. H. Naatanen. Life of a rifle barrel. The American Rifleman, 104(3):22–23, 1956.
[citado en p. 48]
[57] J. S. Hatcher and F. J. Jury. Firearms investigation, identification and evidence. Harrisburg
(Pennsylvania): The Stackpole Company, 1957. [citado en p. 48, 96, 99]
[58] V. J. M. Di Maio. Gunshots wounds, practical aspects of firearms, ballistics and forensic
techniques. Elsevier. New York, 1985. [citado en p. 48]
[59] D. Jager and H. Lombacher. Geschoss oder hiilse-der fingerabdruck der schusswaff e.
Kriminalistik , 36(8):415–419, 1982. [citado en p. 48, 96, 97]
[60] A. A. Biasotti. Bullet bearing surface composition and rifling (bore) conditions as variablesin the production of individual characteristics on fired bullets. Association of Firearms and
Toolmarks Examiners-AFTE , 13(2):94–102, 1981. [citado en p. 48]
[61] AFTE Standarization Committee. Glosary of firearm and toolmark examiners. Available
Bussiness Forms. Chicago, 1985. [citado en p. 48]
[62] A. Trujillo and R. Hernandez. Maov1: Single-factor multivariate anaysis of variance test.
A MATLAB
file. [WWW document]. URL http: // www.mathworks.com / matlabcentral / fileexchange /
loadFile.do?objectId=3863&objectType=FILE. [citado en p. 55]
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 83/130
BIBLIOGRAF IA 73
[63] A. Trujillo and R. Hernandez. Sphertest: Sphericity test menu. A MATLAB file. [WWW
document]. URL http: // www.mathworks.com / matlabcentral /
fileexchange / loadFile.do?objectId=3694&objectType=FILE. [citado en p. 57]
[64] http: // www.forensictechnology.com / p1.html. All products. [citado en p. 90]
[65] Dongguang Li. Firearm identification for australian police services. Knowledge
adquisition and modeling workshop. IEEE international symposium, pages 911–914, 2008.
[citado en p. 90]
[66] F. Puente Leon. Automated comparison of firearm bullets. Elsevier , 156(1):40–50, 2006.
[citado en p. 90]
[67] J. Kinder and M. Bonfanti. Automated comparisons of bullet striations based on 3d
topography. Forensic Science International, 101:85–93, 1999. [citado en p. 92]
[68] C. L. Smith and J. M. Cross. Optical imaging techniques fpr ballistics specimens to identifyfirearms. Proceedings of IEEE International Carnahan Conference on Security Technology,
London, pages 275–283, 1995. [citado en p. 92]
[69] P. Thumwarin, C. Prasit, and T. Matsuura. Firearm identification based on rotation invariant
feature of cartridge case. SICE Anual Conference, pages 45–49, 2008. [citado en p. 92]
[70] Jun Kong, Donnguang Li, and A. C. Watson. AI 2003: Advances in artificial intelligence.
:315-326. [citado en p. 93]
[71] F. Puente Leon. An automated system for the macroscopic acquisition of images of firearms
bullets. XIV IMEKO Congress, Finland, June 2006. [citado en p. 93]
[72] Huai Sheng Wang and Dongguang Li. Characteristic of a bullet’s digital images under
the illumination of diff erent wavelengths. 2007. The Eighth International Conference on
Electronic Measurement and Instruments (ICEMI). [citado en p. 93]
[73] F. Xie, S. Xiao, and et al. Automated bullet-identification system based on surface
topography techniques. Elsevier , 266(5-6):518–522, 2009. [citado en p. 93]
[74] H. Hadersdorfer. Ist die identifizierung von geschossen und hulsen gef ahrdet? Archiv f ¨ ur
Kriminologie, 122(3-4):101–106, 1958. [citado en p. 96]
[75] A. A. Biasotti. A statistical study of the individual characteristics of fired bullets. Journal
of Forensic Sciences, 4(1):34–50, 1959. [citado en p. 96]
[76] P. F. Austin. The identification of bullets fired from high-velocity rifles with consecutively
rifled micro-groove barrels. The Canadian Society of Forensic Science Journal, 3(1):1–9,
1970. [citado en p. 96]
[77] J. E. Murdock. A general discussion of gun barrel individuality and an empirical assessment
of the individuality of consecutively button rifled .22 caliber rifle barrels. Association of
Firearms and Toolmark Examiners Journal (AFTE), 13(3):84–95, 1981. [citado en p. 97]
[78] R. A. Freeman. Consecutively rifled polygon barrels. Association of Firearms and Tool
Mark Examiners Journal, 10(2):40–42, 1978. [citado en p. 97]
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 84/130
74 BIBLIOGRAF IA
[79] K. O’Callaghan. Firearms report prepared by the metropolitan police forensic science
laboratory for the 8th interpol symposium (lyon). Technical report, London: Metropolitan
Police Forensic Science Laboratory, 1983. [citado en p. 97]
[80] T. Uchiyama. Similarity among breech face marks fired from guns with close serial
numbers. Association of Firearms and Tool-Mark Examiners Journal, 18(3):15–52, 1986.
[citado en p. 98]
[81] C. G. Brown and W. W. Bryant. Consecutively rifled gun barrels present in most crime
labs. Association of Firearms and Tool-Mark Examiners Journal, 27(3):254–258, 1995.
[citado en p. 98]
[82] K. D. Gross. The hammer −murderer . Association of Firearms and Tool-Mark Examiners
Journa, 27(1):27–30, 1995. [citado en p. 98]
[83] P. P. Lardizabal. Cartridge case study of the heckler & koch usp. Association of Firearms
and Tool-Mark Examiners Journal, 27(1):49–51, 1995. [citado en p. 98]
[84] J. H. Mathews. Firearms Identification, volume 1. The Univestity of Wisconsin Press,
Madison, 1962. [citado en p. 99]
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 85/130
Apendices
75
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 86/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 87/130
Apendice A
Tablas de resultados
Matrices de caracterısticas
1 2 3 4 5 6
A 131.3475 73.3543 0.0764 -0.2605 0.0165 5.9607
A 131.3861 74.0262 0.0777 -0.4458 0.0168 5.9478
A 131.0862 73.7193 0.0771 -0.1870 0.0166 5.9529
A 131.1737 73.9509 0.0776 -0.3106 0.0165 5.9559
B 129.8166 73.3171 0.0764 -0.1039 0.0164 5.9611
B 130.1544 73.1149 0.0760 -0.0499 0.0169 5.9362
B 133.4170 73.0995 0.0759 -0.3586 0.0169 5.9314
B 132.0659 73.5037 0.0767 -0.2454 0.0167 5.9395C 130.0024 73.3443 0.0764 -0.1633 0.0165 5.9596
C 130.7457 73.6239 0.0769 -0.2342 0.0164 5.9623
C 130.3400 73.3636 0.0764 -0.2926 0.0162 5.9713
C 128.0767 73.5856 0.0769 -0.0741 0.0164 5.9613
D 130.3069 73.1180 0.0760 -0.1739 0.0168 5.9464
D 129.8854 73.5216 0.0767 -0.0799 0.0166 5.9530
D 133.4258 72.8378 0.0754 -0.4818 0.0168 5.9450
D 131.1072 73.7661 0.0772 -0.2670 0.0168 5.9478
Tabla A.1: Caracterısticas a partir del histograma
77
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 88/130
78 AP ´ ENDICE A. TABLAS DE RESULTADOS
7 8 9 10
A 0.2500 0.9702 0.0839 0.8907A 0.2661 0.9686 0.0819 0.8853
A 0.2424 0.9715 0.0840 0.8922
A 0.2452 0.9715 0.0833 0.8913
B 0.2245 0.9733 0.0868 0.8990
B 0.2335 0.9721 0.0855 0.8948
B 0.2108 0.9747 0.0898 0.9050
B 0.2192 0.9742 0.0878 0.9012
C 0.2780 0.9669 0.0824 0.8855
C 0.2833 0.9666 0.0811 0.8829
C 0.2639 0.9686 0.0822 0.8865
C 0.2707 0.9680 0.0821 0.8874
D 0.2640 0.9685 0.0821 0.8852D 0.2555 0.9698 0.0816 0.8854
D 0.2786 0.9664 0.0808 0.8802
D 0.3036 0.9644 0.0773 0.8716
Tabla A.2: Caracterısticas a partir de la MCNG
R1 R2 R3 R4
A 10945249 219640 704926 10725608
A 9000241 220058 668327 8780183
A 9937884 225755 727701 9712129
A 9004660 203129 628766 8801531
B 9936729 205071 649927 9731658
B 8456333 212803 664155 8243530
B 7315296 224511 694504 7090785
B 10834690 222092 750900 10612598
C 10425668 219283 729984 10206385
C 11955776 233733 820806 11722043
C 11831417 232176 819068 11599241C 10223675 227781 766117 9995895
D 10830067 233866 779606 10596201
D 8207832 223764 682021 7984068
D 10301743 231338 720229 10070405
D 11827036 235438 770047 11591598
Tabla A.3: Caracterısticas a partir de S (r )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 89/130
79
A1 A2 A3 A4 A5A 6189285 3119625 539030 3069660 90
A 6406866 3137101 539343 3269765 90
A 5700627 3141585 504786 2559041 90
A 5987367 3109130 538564 2878237 90
B 6126894 3064126 542007 3062767 90
B 6170620 3112428 566443 3058192 88
B 5757631 3159679 521514 2591951 88
B 6499654 3164645 614099 3335009 88
C 6939855 3133927 626672 3805927 90
C 6538839 3144068 534915 3394770 90
C 6205272 3181358 513244 3023913 90
C 6857722 3082052 568591 3775669 90D 6623973 3187818 609643 3436155 90
D 6194521 3163087 512351 3031434 90
D 6385153 3191548 526470 3193604 90
D 6369222 3169306 550682 3199916 90
Tabla A.4: Caracterısticas a partir de S (θ )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 90/130
80 AP ´ ENDICE A. TABLAS DE RESULTADOS
Pruebas de hipotesis antes de realizar ANOVA
Grupo 1 2 3 4 5 6
A Estadıstico 0.9104 0.9151 0.9154 0.9712 0.9930 0.9997
p-value 0.4844 0.5099 0.5116 0.8487 0.9724 0.9992
B Estadıstico 0.9104 0.8860 0.8860 0.9490 0.8955 0.8507
p-value 0.4844 0.3651 0.3649 0.7100 0.4089 0.2284
C Estadıstico 0.8517 0.8223 0.8223 0.9854 0.7924 0.8183
p-value 0.2316 0.1486 0.1487 0.9331 0.0892 0.1392
D Estadıstico 0.8796 0.9699 0.9699 0.9588 0.8262 0.9013
p-value 0.3370 0.8408 0.8410 0.7714 0.1580 0.4377
Tabla A.5: Test de normalidad de Shapiro-Wilk (Histograma)
Grupo 7 8 9 10
A Estadıstico 0.8662 0.8560 0.8363 0.8046
p-value 0.2830 0.2463 0.1848 0.1106
B Estadıstico 0.9996 0.9585 0.9872 0.9988
p-value 0.9989 0.7692 0.9430 0.9966
C Estadıstico 0.9825 0.9303 0.8280 0.9346
p-value 0.9164 0.5959 0.1626 0.6214
D Estadıstico 0.9458 0.9772 0.8400 0.8485
p-value 0.6900 0.8857 0.1954 0.2214
Tabla A.6: Test de normalidad de Shapiro-Wilk (MCNG)
Grupo R1 R2 R3 R4
A Estadıstico 0.8633 0.8552 0.9741 0.8678
p-value 0.2722 0.2433 0.8665 0.2893
B Estadıstico 0.9724 0.9290 0.9232 0.9714
p-value 0.8564 0.5886 0.5550 0.8503
C Estadıstico 0.8148 0.9015 0.8714 0.8168
p-value 0.1314 0.4385 0.3032 0.1359
D Estadıstico 0.9488 0.8874 0.9147 0.9489p-value 0.7086 0.3710 0.5077 0.7095
Tabla A.7: Test de normalidad de Shapiro-Wilk (S (r ))
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 91/130
81
Grupo A1 A2 A3 A4 A5
A Estadıstico 0.9939 0.9234 0.6472 0.9864 NaN
p-value 0.9766 0.5560 0.0023 0.9386 NaN
B Estadıstico 0.9664 0.8919 0.9609 0.9162 0.6298p-value 0.8193 0.3919 0.7846 0.5160 0.0012
C Estadıstico 0.9251 0.9713 0.9523 0.8862 NaN
p-value 0.5658 0.8497 0.7305 0.3659 NaN
D Estadıstico 0.9498 0.8869 0.9090 0.9359 NaN
p-value 0.7149 0.3690 0.4773 0.6295 NaN
Tabla A.8: Test de normalidad de Shapiro-Wilk (S (θ ))
1 2 3 4 5 6
Estadıstico 1.5981 2.5944 2.5862 0.8895 1.6502 1.8393Grados de
libertad
[3 12] [3 12] [3 12] [3 12] [3 12] [3 12]
p-value 0.2415 0.1009 0.1016 0.4744 0.2302 0.1938
Tabla A.9: Test de Homogeneidad de las varianzas (Histograma)
7 8 9 10
Estadıstico 2.0317 2.4982 1.4006 1.6950
Grados de
libertad
[3 12] [3 12] [3 12] [3 12]
p-value 0.1632 0.1093 0.2905 0.2209
Tabla A.10: Test de Homogeneidad de las varianzas (MCNG)
R1 R2 R3 R4
Estadıstico 1.0627 0.7583 0.0088 1.0786
Grados de
libertad
[3 12] [3 12] [3 12] [3 12]
p-value 0.4012 0.5387 0.9988 0.3950
Tabla A.11: Test de Homogeneidad de las varianzas (S (r ))
A1 A2 A3 A4 A5
Estadıstico 0.6377 2.1751 0.9469 0.8576 2.2500
Grados de
libertad
[3 12] [3 12] [3 12] [3 12] [3 12]
p-value 0.6050 0.1439 0.4487 0.4893 0.1349
Tabla A.12: Test de Homogeneidad de las varianzas (S (θ ))
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 92/130
82 AP ´ ENDICE A. TABLAS DE RESULTADOS
Comparacion multiple de medias y tablas de ANOVA
(a)
Fuente SC gl CM F Prob>F
Grupos 0.00753 3 0.00251 13.97 0.0003
Error 0.00216 12 0.00018
Total 0.00968 15
(b)
(c)
Fuente SC gl CM∗10−5 F Prob>F
Grupos .0001 3 3.47788 14.33 0.0003
Error .00003 12 .242729
Total .00013 15
(d)
(e)
Fuente SC gl CM∗10−5 F Prob>F
Grupos .00011 3 3.60326 15.39 0.0002
Error .00003 12 .234188
Total .00014 15
(f)
(g)
Fuente SC gl CM F Prob>F
Grupos .00082 3 .00027 14.84 0.0002
Error .00022 12 .00002
Total .00104 15
(h)
Figura A.1: Comparacion multiple de medias y Tablas de ANOVA (MCNG)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 93/130
83
(a)
Fuente SC gl CM F Prob>F
Grupos 6.5786 3 2.19288 1.3 0.3208
Error 20.3094 12 1.69245
Total 26.888 15
(b)
(c)
Fuente SC gl CM F Prob>F
Grupos .618 3 .206 2.58 0.1024
Error .9594 12 .07995
Total 1.57741 15
(d)
(e)
Fuente SC∗10−6 gl CM∗10−7 F Prob>F
Grupos 2.29562 3 7.65206 2.58 0.1021
Error 3.55787 12 2.96489
Total 5.85348 15
(f)
(g)
Fuente SC gl CM F Prob>F
Grupos .03436 3 .01145 .66 0.5947
Error .20961 12 .01747
Total .24397 15
(h)
(i)
Fuente SC∗10−7 gl CM∗10−7 F Prob>F
Grupos 3.5327 3 1.17757 5.41 0 .0138
Error 2.6125 12 .21771
Total 6.1452 15
(j)
(k)
Fuente SC∗10−7 gl CM∗10−7 F Prob>F
Grupos .00102 3 .00034 5.61 0.0122
Error .00072 12 .00006
Total .00174 15
(l)
Figura A.2: Comparacion multiple de medias y Tablas de ANOVA (Histograma)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 94/130
84 AP ´ ENDICE A. TABLAS DE RESULTADOS
(a)
Fuente SC∗1012 gl CM∗1012 F Prob>F
Grupos 8.49089 3 2.8303 1.75 0.2093
Error 19.3614 12 1.61345
Total 27.8523 15
(b)
(c)
Fuente SC∗108 gl CM∗107 F Prob>F
Grupos 6.98591 3 23.2864 3.82 0.0392
Error 7.30892 12 6.09076
Total 14.2948 15
(d)
(e)
Fuente SC∗
1010 gl CM∗
109 F Prob>F
Grupos 2.67465 3 8.91551 4.52 0.0242
Error 2.36667 12 1.97222
Total 5.04132 15
(f)
(g)
Fuente SC∗1012 gl CM∗1012 F Prob>F
Grupos 8.36588 3 2.78863 1.74 0.2129
Error 19.285 12 1.60708
Total 27.6509 15
(h)
Figura A.3: Comparacion multiple de medias y Tablas de ANOVA (S (r ))
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 95/130
85
(a)
Fuente SC
∗1011 gl CM
∗1010 F Prob>F
Grupos 7.99142 3 26.6381 3.25 0.0597
Error 9.82052 12 8.18376
Total 17.8119 15
(b)
(c)
Fuente SC∗109 gl CM∗109 F Prob>F
Grupos 7.37968 3 2.45989 2.28 0.1314
Error 12.9397 12 1.07831
Total 20.3194 15
(d)
(e)
Fuente SC∗109 gl CM∗108 F Prob>F
Grupos 2.4844 3 8.2813 .54 0.6658
Error 18.50630 12 15.4219
Total 20.99070 15
(f)
(g)
Fuente SC∗1011 gl CM∗1010 F Prob>F
Grupos 7.4778 3 24.9260 2.85 0.0822
Error 10.5053 12 8.7544
Total 17.9831 15
(h)
(i)
Fuente SC gl CM F Prob>F
Grupos 6.75 3 2.25 9 0.0021
Error 3 12 .25
Total 9.75 15
(j)
Figura A.4: Comparacion multiple de medias y Tablas de ANOVA (S (θ ))
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 96/130
86 AP ´ ENDICE A. TABLAS DE RESULTADOS
Pruebas de hipotesis antes de realizar MANOVA
MCNG Histograma S (r ) S (θ )
aprox. χ2 155.0469 221.3445 161.1503 15.8012
gl. 6 15 3 6
p-valor 0.0000 0.0000 0.0000 0.0149
Tabla A.13: Pruebas de esfericidad de Bartlett
Resultados del modelo lineal general multivariante de un factor
Estadıstico Valor F gl. Hip gl. Error p-value
Traza de Pillai 1.9025 4.7669 12 33 0.0002
Lambda de Wilks 0.0218 6.5226 12 24.103 0.0001
Traza de Hotelling 10.2595 6.5547 12 23 0.0001
Raız mas grande de Roy 5.9967 16.4908 4 11 0.0001
Tabla A.14: MANOVA para caracterısticas de la MCNG
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 97/130
87
Estadıstico Valor F gl. Hip gl. Error p-value
Traza de Pillai 1.9321 2.7138 18 27 0.0093
Lambda de Wilks 0.0374 2.4728 18 20.284 0.0258
Traza de Hotelling 6.5095 2.0493 18 17 0.0729
Raız mas grande de Roy 3.4451 5.1677 6 9 0.0145
Tabla A.15: MANOVA para caracterısticas del histograma
Estadıstico Valor F gl. Hip gl. Error p-value
Traza de Pillai 1.3219 3.1511 9 36 0.0067
Lambda de Wilks 0.1193 3.7970 9 24.488 0.0041
Traza de Hotelling 3.9291 3.7836 9 26 0.0037
Raız mas grande de Roy 2.8242 11.2969 3 12 0.0008
Tabla A.16: MANOVA para caracterısticas de S (r )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 98/130
88 AP ´ ENDICE A. TABLAS DE RESULTADOS
Estadıstico Valor F gl. Hip gl. Error p-value
Traza de Pillai 1.5979 3.1340 12 33 0.0046
Lambda de Wilks 0.0461 4.4159 12 24.103 0.0010
Traza de Hotelling 8.9182 5.6977 12 23 0.0002
Raız mas grande de Roy 21.2222 7.717 4 11 0.0000
Tabla A.17: MANOVA para caracterısticas de S (θ )
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 99/130
Apendice B
Actualidad de la identificacion
automatica de armas
Actualidad de la identificacion automatica de armas
En esta seccion son descritos de forma breve los sistemas de reconocimiento automatico
de armas que funcionan al servicio de diferentes entidades, y los avances en trabajos de
investigacion al respecto.
IBIS
El Sistema Integrado de Identificacion Balıstico -IBIS- producido por la companıa
Forensic Technology con sede en Montreal Canada, es usado en alrededor de 35
paıses por las instituciones encargadas de investigar casos relacionados con armas
de fuego. La herramienta permite recabar y analizar imagenes digitales de marcas
microscopicas unicas detectadas en proyectiles y vainillas encontrados en la escena del
delito, posteriormente, es extraıda una firma electronica de cada imagen y almacenada
en una base de datos. El sistema compara automaticamente las firmas en un intento por
encontrar una coincidencia, luego clasifica las coincidencias mas probables para que
estas sean confirmadas por los expertos forenses.
La base de datos de este sistema puede estar disponible en diferentes jurisdicciones,
facilitando la relacion de delitos, armas y sospechosos.
IBIS TRAX-3D
Son innovaciones presentadas por la misma companıa fabricante de IBIS, presentadas
como respuesta a mejor caracterizacion y mayor automatizacion. IBIS TRAX-3D es
una familia de productos para el registro, almacenamiento, procesamiento y analisis de
imagenes de evidencia balıstica (ver figura B.1a).
89
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 100/130
90 AP ´ ENDICE B. ACTUALIDAD DE LA IDENTIFICACI ´ ON AUTOM ´ ATICA DE ARMAS
BrassTRAX-3D permite capturar imagenes de las marcas dejadas por el sistema central
de disparo sobre la base de la vainilla en 2-D y 3-D. Ofrece un entorno de iluminacion
controlado para obtener varias la mejor perspectiva. La construccion de modelos 3-D de
las marca dejadas por el percutor, permite llevar a cabo comparaciones bastante precisas(ver figura B.1b).
BulletTRAX-3D permite adquirir imagenes digitales 2D y crear modelos topograficos
3D de la superficie del proyectil; basicamente el sistema realiza automaticamente
la misma rutina de comparacion entre LEA’s (land engraved areas) realizada por
el perito en balıstica bajo el microscopio de comparacion, construyendo una matriz
de correlaciones donde cada elemento es la correlacion que presentaron las zonas
comparadas (ver figura B.1c).
La herramienta IBIS Data Concentrator, permite el almacenamiento y servicios
de realimentacion para alrededor de 2 millones de estaciones BrassTRAX-3D y
BulletTRAX. De manera adicional sirve como punto de conexion con la herramienta
MatchPoint+, la cual es usada como estacion para analisis de datos y elaboracion de
reportes (ver figuras B.1d y B.1e).
Por su parte, el IBIS Correlation Server lleva a cabo comparaciones de datos los datos
que se encuentran en el IBIS Data Concentrator. Para hacer las comparaciones usa
algoritmos especializados, que procesan las firmas digitales unicas extraıdas de las
imagenes, al igual que otros datos demograficos. La correlacion de las firmas muestra
las coincidencias de maxima probabilidad y luego son comparadas con los resultados
entregados por MatchPoint+ para su validacion.
La conexion entre las diferentes estaciones de trabajo puede ser remota o local, teniendo
en cuenta que las conexiones remotas estan ligadas a el ancho de banda de transmision
de datos [64].
FIREBALL
Es una base de datos interactiva que le permite a los usuarios almacenar imagenes de la
base de la vainillas y la superficie de los proyectiles, para extraer las orientaciones de
las caracterısticas de clase usando una interfaz grafica de usuario. “FIREBALL” es el
resultado de las investigaciones en identificacion de armas que se llevaron a cabo en la
Universidad Edith Cowan (Australia), durante los pasados siete anos. Sin embargo, la
necesidad expuesta por los servicios de policıa local, la cual influencio la orientacionde las investigaciones, tenıa como prioridad la identificacion de armas basada en el
reconocimiento de caracterısticas en las vainillas y no tanto en la superficie de los
proyectiles disparados [65].
Algunos resumenes de trabajos de investigacion sobre Identificacion de
armas
F. Puente Leon. Automated comparison of firearm bullets [66]
Es presentado un enfoque de comparacion de armas, basado en la extraccion automatica
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 101/130
91
(a)
(b) (c)
(d) (e)
Figura B.1: Serie IBIS-TRAX-3D
de una “firma” digital, la cual abarca las marcas relevantes de una imagen, para
identificar las caracterısticas que se presentan en la superficie de los proyectiles
disparados. Para este fin, primero se obtuvieron imagenes de alta resolucion usando
tecnicas de fusion. Posteriormente se llevo a cabo un preprocesamiento, en el cual los
niveles de intensidad de la imagen fueron filtrados a lo largo de la direccion de las estrıas.
Un filtro no lineal se encargo de la seleccion del estriado de interes. La comparacion se
llevo a acabo a traves de la correlacion cruzada de las firmas.
J. de Kinder and M. Bonfanti. Automated comparisons of bullet striations based on
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 102/130
92 AP ´ ENDICE B. ACTUALIDAD DE LA IDENTIFICACI ´ ON AUTOM ´ ATICA DE ARMAS
3D topography [67]:
Se presento un sistema con la capacidad de comparar las firmas digitales de imagenes de
proyectiles con el fin de llevar a cabo identificacion de armas. El sistema esta basado
en el almacenamiento de la topografıa de la superficie de los proyectiles usandoperfilometrıa laser. Los vectores caracterısticos son comparados entre sı usando tecnicas
de correlacion.
Dongguang Li. Firearm identification system based on ballistics image processing [2]:
En este trabajo es propuesto un sistema analıtico basado en la trasformada rapida de
Fourier para identificar proyectiles a partir de imagenes adquiridas con la tecnica de
escaneo lineal (line-scan imaging).
El estudio demuestra que diferentes tipos de estrıas y macizos generadas por diferentes
armas tiene texturas superficiales distintivas, y esas texturas pueden ser medidas e
identificadas de manera efectiva usando analisis espectral.
C. L. Smith y J. M. Cross.Optical imaging techniques for ballistics specimens to
identify firearms [68]:
El artıculo describe la investigacion tras el desarrollo de un sistema el cual puede
almacenar, analizar, recuperar, y comparar imagenes de alta resolucion de cartuchos
relacionados con casos de armas de fuego. La base de datos interactiva de balıstica
forense “FIREBALL” incorpora una Interface Grafica de Usuario (GUI) para obtener
medidas precisas de las caracterısticas de clase de los cartuchos.
En el trabajo son examinados metodos y tecnicas para producir un sistema eficiente de
analisis automatico de evidencia balıstica.
C. L. Smith y Dongguang Li. Intelligent Imaging of Forensic Ballistics Specimens for
ID [27]:
El artıculo describe algunas de las tecnologıas mas importantes en la identificacion de
armas de fuego usando especımenes balısticos (Cartuchos y proyectiles). Se propone el
mapeo de microsuperficies sobre las regiones de los especımenes en comparacion para
establecer la identificacion acorde con la precision de las medidas de las caracterısticas.
Proponen las de Line-Scanning (Escaneo lineal), Laser Depth Proofing (Prueba de
profundiad usando laser), y topografıa fotonica 3D, como herramientas de importancia
para los balısticos forenses, en la identificacion de cartuchos y proyectiles.
P. Thumwarin,C. Prasit y T. Matsuura. Firearm identification based on rotation
invariant feature of cartridge case [69]:
Es propuesto un metodo de identificacion de armas basado en caracterısticas invariantes
bajo rotacion a partir de imagenes de cartuchos. Se propone como caracterıstica
invariante bajo rotacion el valor absoluto de los coeficientes de Fourier calculados a
partir de una imagen. Finalmente, el arma puede ser identificada comparando los valores
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 103/130
93
calculados de otras muestras. Los experimentos muestran la efectividad del metodo
propuesto.
C. L. Smith. Line-scan imaging for the positive identification of ballistics specimes [26]:Describe el desarrollo de una tecnica para el registro de imagenes de proyectiles
en la identificacion automatica de armas. Los resultados se compararon con los
obtenidos usando la tecnica de perfilometrıa superficial, encontrando que las tecnicas
se complementan y ambas permiten validar el analisis de las caracterısticas de clase y
las individuales.
J. Kong, D. Li y A. C. Watson. A firearm identification system based on neural network
[70]:
Se propone un sistema de identificacion de armas basado en una Red neuronal para un
mapa de caracterısticas auto-asociativo (SOFM neural network). El trabajo se enfoca
en la identificacion de vainillas a traves de las marcas dejadas por el sistema central de
disparo, fundamentalmente la marca dejada por el percutor. Los experimentos mostraron
que el modelo propuesto es robusto y de un alto desempeno para integrar la red (SOFM
neural network) y la estrategia de toma de decisiones.
F. Puente Leon. An automated system for the macroscopic acquisition of images of
firearms bullets [71]:
Se presentaron metodos de fusion de imagenes que permiten obtener imagenes de
proyectiles de alta calidad. El trabajo se enfoco en tres problemas basicos, los cuales
causan que los sistemas opticos fallen en la adquisicion de imagenes de suficiente
calidad: iluminacion, profundidad del foco y visibilidad.
Huai Sheng Wang y Dongguang Li. Characteristic of a bullet’s digital images under
the illumination of di ff erent wavelengths [72]:
Se busco la longitud de inda de la luz que produce mejores efectos en la adquisicion
de imagenes de proyectiles, se uso el sistema de identificacion FIREBALL bajo una
iluminacion cuya longitud de onda esta en el rango de los 400nm a los 700nm. Los
experimentos revelaron que la luz con mayor longitud de onda tiene el mejor efecto en
la calidad de las imagenes.
F. Xie, S. Xiao, et al. Automated bullet-identification system based on surface
topography techniques [73]:
Se propuso un enfoque cuantitativo 3D, en el cual la totalidad de la topografıa
de la superficie de los proyectiles es adquirida para analisis e identificacion. Las
caracterısticas de clase e individuales son extraıdas de manera efectiva, usando tecnicas
de segmentacion.
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 104/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 105/130
Apendice C
Manufactura e identificacion
Autores Conjunto
de prueba
Particularidad Tecnica Resultados
Gravelle, 1925 Armas Consecutivamente
manufacturadas
Los
rastros dejados por cada
canon son individuales
Springfield
Arsenal, 1926
4 canones consecutivamente
rayados con la
misma her-
ramienta
Los
rastros dejados por cada
canon son individuales
Goddard,1933[42]
6 canones cortados de 3tubos
previamente
rayados
hook cutting
Una correctaidentificacion puede ser
llevada a cabo sin ningun
problema.
Bruning, 1934 4 pistolas
Sauer &
Sohn
consecutivamente
manufactiradas
Los proyectiles pueden
ser distinguidos por el
microrayado dejado en las
estr ıas y macizos
Churchman, 1949
[43]
3 canones
de
carabinas
Cooey
consecutivamente
rayados
broaching Los proyectiles presentan
caracterısticas de subclase
las cuales son dejadas por
la herramienta usada para
el rayado, sin embargo, lascaracterısticas
individuales de
los proyectiles disparados
a traves de diferentes
canones no corresponden
continua en la siguiente hoja
95
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 106/130
96 AP ´ ENDICE C. MANUFACTURA E IDENTIFICACI ´ ON
Autores Conjunto de
prueba
Particularidad Tecnica Resultados
Burrard, 1951
[42]
4 revolvers
Webley &
Scott
canones
consecutivamente
manufacturados;
sin ser pulidos
hook
cutting
Una
identificacion de armas
correcta pudo ser llevada a
cabo sin ningun problema.
Algunos cruces pueden
ser observados para las
caracterısticas
macro presentes en las
canones consecutivamente
cortados.
Michon and
Oprijan, 1956
[59, 31]
5 pistolas
de la misma
marca y
modelo
canones
provenientes
del mismo lote de
manufactura
Las marcas dejadas en las
estrıas y los macizos por
tres de las cinco pistolas
se parecen mucho. Las
diferencias encontradasson muy pequenas para
servir como base en la
identificacion de armas.
Hatcher et al,
1957 [57]
2 canones rayados con la
misma herramienta
mandrel
rifling
Las
marcas dejadas por cada
canon son individuales.
Hadersdorfer,
1958 [74]
10 pistolas
Walther PP
numeros seriales
cercanos
hammering Los proyectiles pueden ser
distinguidos
por las marcas dejadas en
las estrıas y los macizos.
Biasotti, 1959,
[75]
16
revolversSmith &
Wesson
Victory
hook
cutting
El porcentaje
promedio del microrayadocorrespondiente
sobre proyectiles de la
misma arma esta entre 36
y 38% para las balas de
plomo y entre 21 y 24 %
para las balas recubiertas
(enchaquetadas).
8 revolvers
Smith &
Wesson
broaching La
comparacion entre balas
disparadas por diferentes
armas resulta en 15 al
20 % correspondencia delas estrıas
Austin, 1970 [76] 3 carabinas
Marlin
336RC
canones
consecutivamente
rayados
buttoning
(Micro-
Groove)
No se observo repeticion
del
estriado.En consecuencia,
armas consecutivamente
manufacturadas poseen
suficientes caracterısticas
para permitir llevar a cabo
una identificacion.
continua en la siguiente hoja
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 107/130
97
Autores Conjunto de
prueba
Particularidad Tecnica Resultados
Harig and
Kahlfeld, 1970[31]
10 pistolas
Makarov
canones cortados
de dos tubosconsecutivamente
rayados usando la
misma heramienta
hammering Aunque algunas balas
tienen algunas similitudesconsiderables, las
diez pistolas pueden ser
identificadas usando sus
proyectiles.
Lutz, 1970 [77,
29]
2 revolvers
Smith &
Wesson
canones
consecutivamente
rayados
broaching Las armas pueden
ser identificadas por el
microrayado presente en
los macizos.
Lomoro, 1974
[44]
2 revolvers
F.I.E
Titanic
numeros seriales
cercanos
broaching Los proyectiles de los 3
revolvers muestran gran
similitud en el
microrayado presente en
las estrıas. Sin embargo no
presenta correspondencia
alguna para los macizos.
Skolrood, 1975
[45]
3 carabinas
Cooey 39
de un solo
tiro
canones
consecutivamente
rayados
broaching A parte de alguna
correspondencia
de subclase, una correcta
identificacion puede ser
llevada a cabo en base al
estriado de los proyectiles.
Freeman, 1978
[78]
3 pistolas
Heckler &
Koch P9S
canones
consecutivamente
rayados
Hammering
(polyg-
onal
rifling)
Cada canon posee una
individualidad distinta y
singular.
Murdock, 1981
[77]
9 canones
(3 Marlin, 3
Mossberg y
3
Remington)
canones
de la misma marca
fueron
consecutivamente
rayados
buttoning No se
observo sobre las estrıas y
los macizos microrayado
propio de la familia. No
obstante, algunas de las
estrıas finas concuerdan.
Esto no es suficiente para
llevar a cabo una correcta
identificacion de armas.
Jager y
Lombacher, 1982
[59]
5 pistolas
SIG P6
(P225)
numeros seriales
consecutivos
Hammering Las estrıas sobre el
proyectil permiten
identificar el arma que losdisparo.
Hall, 1983 [36] 4 carabinas
Shilen Rifle
Inc.
canones
consecutivamente
rayados
Hammering
(polyg-
onal
rifling)
Cada canon posee una
individualidad distinta y
singular.
O’Callaghan,
1983 [79]
6 canones cortados de dos
tubos previamente
rayados
buttoning La identificacion de armas
basada en los proyectiles
no presenta problemas.
continua en la siguiente hoja
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 108/130
98 AP ´ ENDICE C. MANUFACTURA E IDENTIFICACI ´ ON
Autores Conjunto de
prueba
Particularidad Tecnica Resultados
Arnold, 1984
[32]
5 canones
de pistolas
SIG P225
cortados de un tubo
previamente
rayado
hammering Cada
canon tiene una firma
unica. La identificacion
puede ser impedida por la
falta de estrıas finas o por
variaciones en el patron
entre disparo y disparo.
Una identificacion esta
mas basada en las marcas
presentes en los macizos
mas que en las presentes
en las estrıas.
Matty, 1985 [33] 3 canones
de revolver
RugerNew Model
Blackhawk
consecutivamente
cortados de un tubo
previamenterayado
buttoning Pueden ser vistos
remanentes
suficientes para separar enfases, pero no es suficiente
para una identificacion
concluyente. Los macizos
no
conservan consistencia en
el estriado que presentan.
Uchiyama, 1986
[80]
5 pistolas
FN Baby
numeros seriales
cercanos
Algunas armas pueden ser
diferenciadas
basandose en el ancho de
los macizos.
Brundage, 1994
[81, 29]
10 canones
de pistolasRuger
consecutivamente
rayados
Una correcta
identificacion no presentaningun problema.
Brown y Bryant,
1995 [81]
29
Derringers
equipadas
con
62 canones
en total
(Los
canones Derringer
son usualmente
fabricados
muy cercanamente
en la lınea de
produccion)
Se
encontro correspondencia
entre las marcas sobre
rugosas sobre las estrıas,
pero no sobre los macizos
en la superficie de los
proyectiles disparados por
los dos canones de una
pistola.
Gross, 1995 [82] 3704
pistolasWalther P5
Toda pistola transfiere un
unico patron de estriadoal proyectil disparado. La
superficie de los
proyectiles probados son
relativamente suaves.
Lardizabal, 1995
[83]
3 pistolas
Heckler &
Koch USP
numeros seriales
cercanos
Toda pistola transfiere un
unico patron de estriado al
proyectil disparado.
Collins, 1997
[35]
2 pistolas
Lorcin
L380
numeros seriales
consecutivos,
canones rayados
con la misma
herramienta.
buttoning Toda pistola transfiere un
unico patron de estriado al
proyectil disparado.
Tabla C.1: Estudios hechos sobre proyectiles disparados a traves de ca ˜ nones
consecutivamente rayados o con numeros seriales cercanos
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 109/130
Apendice D
Uso e identificacion
Autor(es) Arma(s) Procedimiento
experimen-
tal / minicion
usada
Elemento
de com-
paracion
Resultados
Goddard, 1920
[84]
1 ametral-
ladora no
especifica-
da
500 disparos proyectiles Los 500 proyectiles
pueden ser identificados
con el primero.
Burrard, 1951
[42]
1 revolver
no especifi-
cado
proyectiles de
plomo
proyectil Los 50 proyectiles ya no
pueden ser identificados
con el primero.
Burrard, 1951
[42]
1 pistola
no especi-
ficada,
calibre 7.63
Mauser
proyectiles con
camisa de nıquel
proyectil Los 20 proyectiles ya no
pueden ser identificados
con el primero.
Hatcher et al.,
1957 [57]
1 ametral-
ladora no
especifica-
da, calibre
.50
proyectiles
recubiertos
proyectil La identificacion solo es
posible si
no son disparados mas de
una docena de proyectiles.
Hatcher et al.,
1957 [57]
1 ametral-
ladora no
especifica-
da, calibre
.45
proyectil La identificacion solo es
posible si un maximo de
300-600 proyectiles han
sido disparados.
Tabla D.1: Estudios hechos sobre proyectiles disparados a traves de ca˜ nones
consecutivamente rayados o con numeros seriales cercanos
99
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 110/130
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 111/130
Apendice E
Datos tecnicos, equipos LEICA
Microscopio estereoscopico MZ6
Principio de construccion Sistema optico tratado con un recubrimiento multicapa
con trayectorias de rayos paralelas y 1 objetivo principal,
parfocal y libre de plomo
Resistencia superficial del material
antiestatico
< 1011 ohmios / cuadrado, tiempo de descarga < 2 s,
1.000V a 100V
Max. apertura numerica 0.15 con 2x objetivo acromatico / 0.075 con 1x objetivo
acromaticoResolucion 450 Lp / mm con 2x objetivo acromatico / 225 Lp / mm con
1x objetivo acromatico
Cambiador de aumentos en
posicion
zoom 6:1, 0.63x, 1x, 1.6x, 2.5x, 4x
7 posiciones enclavables en 0.8, 1, 1.25, 1.6, 2, 2.5, 3.2
Aumentos 6.3x a 40x (con objetivo 1x / oculares 10x)
Aumento total 2x a 320x
Campo del objeto 0,8mm a 105mm
Distancias de trabajo 27nm hasta 297mm
Objetivos acromaticos 1x, 1.5x, 2x, 0.8x, 0.63x, 0.5x, 0.32x, Ergo objetivo
0.4x – 0.63x con margen de desplazamiento 90mm
(distancia de trabajo 63,5 – 153,5mm)
Objetivos acromaticos planos y
apocromaticos planos
1x (Plan, Planapo), 0.5x (Plan), 0.8x (Plan), 0.63x
(Planapo), 1.6x (Planapo), 2x (Planapo), sin plomo
Dioptrıas de +5 a –5
Distancia interpupilar 52mm a 76mm
Iluminaciones Oblicua, coaxial, vertical, conductores de luz por fi bra de
vidrio y fuentes de luz frıa, disipador ESD, iluminacion
LED (Laser Emitting Diode), fluorescencia
fuente: www.leica-microsystems.com / MS5 MZ6
101
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 112/130
102 AP ´ ENDICE E. DATOS T ECNICOS, EQUIPOS LEICA
Camara digital Leica DFC490
Tipo de camara Camara digital para microscopıa con software de control
Sensor CCD de transferencia Interline con lectura por marcos –
ICX456
Grado / tamano sensor Grado cero / 8,81 mm x 6,61 mm (tipo 2 / 3)
Filtro de color Mosaico RGB Bayer
Filtro de color protector Hoya CM500S (corte IR 650 nm)
Control del obturador Obturador electronico global / lectura entrelazada
Numero de pıxeles 8 megapıxeles, 3264 x 2448
Superficie sensible 8,81 mm x 6,61 mm
Tamano de pıxel 2,7 µm x 2,7 µm
Profundidad de color 36 bits
Convertidor A / D 12 bits
Rango dinamico > 58 dB / 800:1
Ruido de lectura σ < 6 LSB (12 bits) tıpico
Tiempo de exposicion 1 ms a 600 s
Corriente oscura 0,22 LSB / s a 12 bits tıpicaControl de amplificacion / Control
de compensacion
10x / 0. . . 255 LSB (12 bits)
Imagen en vivo En la pantalla del ordenador
Correccion del sombreado Sı, almacenado para todos los formatos
Correccion del brillo En todos los modos de combinacion de color
Sistema de enfriamiento Elemento de enfriamiento termoelectrico activo Peltier
Temperaturas de enfriamiento ∆-20K a temperatura ambiente
Region de interes Graduable en pasos de 2 pıxeles desde 2 x 2 hasta maxima
resolucion
fuente: www.leica-microsystems.com /
DFC490
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 113/130
Apendice F
Scripts Matlab
function desc_spec=descriptores(srad,sang)
% DES_SPEC=DESCRIPTORES(SRAD,SANG).
% calcula los descriptores de textura de la imagen a traves de su
%espectro
desc_spec.maximo_rad= max(srad);
desc_spec.maximo_ang= max(sang);
desc_spec.media_rad= mean(srad);
desc_spec.media_ang= mean(sang) ;
desc_spec.desvest_rad= std(srad);
desc_spec.desvest_ang= std(sang);
desc_spec.RelMaxMed_rad= max(srad)-mean(srad);
desc_spec.RelMaxMed_ang= max(sang)-mean(sang);
desc_spec.PosicionAng_max= maxpos(sang);
function g= imreadGray(s)
%convierte una imagen rgb a una imagen en escala de grises
% g= conversion(’Filename.formato’). Donde g es la imagen en escala de
% grises.
f=imread(s);
g=rgb2gray(f);
function loc= maxpos(x)
103
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 114/130
104 AP ´ ENDICE F. SCRIPTS MATLAB
%funcion que retorna la posicion axial del maximo de una funcion
max_value= max(x);
loc=1;
while x(loc) ˜= max_valueloc=loc+1;
end
function x= segmento(y)
%Extrae de la imagen del proyectil contenida en x, el segmento de interes.
% s=subim(f, m, n, rx, cy) extrae una subimagen, s, desde una imagen dada, f.
% La subimagen es de m-por-n y las coordenadas de su extremo %izquierdo
%es(rx, cy).
s=subim(f, m, n, rx, cy)
[tam_fil,tam_col]= size(y);
k= 8.65;
tam_subfil= k/100;
m= ceil(tam_fil*tam_subfil);
k= 55;
tam_subcol= k/100;
n= ceil(tam_col*tam_subcol);
rx= ceil( 0.46* tam_fil ) - ceil( m / 2);
cy= ceil( 0.42* tam_col ) - ceil( n / 2);
x=subim(y, m, n, rx, cy);
% RUTINA ELABORADA PARA OBTENER LAS IMAGENES DESENVUELTAS DE LA SUPERFICIE
% DE LOS PROYECTILES
%% Lecura de imagenes
a= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_1.jpg’);
b= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_2.jpg’);
c= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_3.jpg’);
d= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_4.jpg’);
e= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_5.jpg’);
f= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_6.jpg’);g= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_7.jpg’);
h= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_8.jpg’);
i= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_9.jpg’);
j= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_10.jpg’);
k= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_11.jpg’);
l= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_12.jpg’);
m= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_13.jpg’);
n= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_14.jpg’);
o= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_15.jpg’);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 115/130
105
p= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_16.jpg’);
q= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_17.jpg’);
r= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_18.jpg’);
s= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_19.jpg’);t= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_20.jpg’);
u= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_21.jpg’);
v= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_22.jpg’);
w= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_23.jpg’);
x= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_24.jpg’);
y= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_25.jpg’);
z= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_26.jpg’);
aa= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_27.jpg’);
bb= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_28.jpg’);
cc= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_29.jpg’);
dd= imreadGray(’ExPERIMENTO\BASE_J\glock_mod17\P_4\Py_04_30.jpg’);
%% Extraccion del segmento de interes de cada imagen
a1= segmento(a);
b1= segmento(b);
c1= segmento(c);
d1= segmento(d);
e1= segmento(e);
f1= segmento(f);
g1= segmento(g);
h1= segmento(h);
i1= segmento(i);
j1= segmento(j);
k1= segmento(k);
l1= segmento(l);
m1= segmento(m);
n1= segmento(n);
o1= segmento(o);
p1= segmento(p);
q1= segmento(q);
r1= segmento(r);
s1= segmento(s);
t1= segmento(t);
u1= segmento(u);v1= segmento(v);
w1= segmento(w);
x1= segmento(x);
y1= segmento(y);
z1= segmento(z);
aa1= segmento(aa);
bb1= segmento(bb);
cc1= segmento(cc);
dd1= segmento(dd);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 116/130
106 AP ´ ENDICE F. SCRIPTS MATLAB
%% concatenacion
unwrap=[a1;b1;c1;d1;e1;f1;g1;h1;i1;j1;k1;l1;m1;n1;o1;p1;q1;r1;s1;...
t1;u1;v1;w1;x1;y1;z1;aa1;bb1;cc1;dd1];
unwrap=imrotate(unwrap,90);
function [srad, sang, S] = specxture(f);
%FUNCION MODIFICADA
%SPECXTURE calcula la textura espectral de una imagen.
% [SRAD, SANG, S] = SPECXTURE(F) calcula SRAD, la distribucion de energıa
% espectral como una funcion del radio desde el centro del espectro, SANG,
% la distribucion de energıa espectralcomo una funcion de el angulo, y
% S = log(1 + spectrum of f), normalizado. El maximo valor del radio es
% min(M,N), donde M y N son el numero de filas y columnas de una imagen o
%region contenida en f. De esta forma, SRAD es un vector de
% tamano = (min(M, N)/2) - 1; y SANG es un vector de tamano 180.
%FUNCION ORIGINAL
% Copyright 2002-2004 R. C. Gonzalez, R. E. Woods, & S. L. Eddins
% Digital Image Processing Using MATLAB, Prentice-Hall, 2004
% $Revision: 1.7 $ $Date: 2003/11/21 14:48:47 $
% Obtiene el espectro, S, de f. Las variables de S son
% (u, v), van de 1:M y 1:N, con el centro (frecuencia cero)
% en [M/2 + 1, N/2 + 1] .
S = fftshift(fft2(f));
S = abs(S);
[M, N] = size(S) ;
x0 = (M/2) + 1 ;
y0 = (N/2) + 1;
% Maximo radio del semicirculo centrado en (x0, y0) que no excede los
% lımites de S.
rmax = min(M, N)/2 - 1;
% Calculo de srad.srad = zeros(1, rmax);
srad(1) = S(x0, y0);
for r = 2:rmax
[xc, yc] = halfcircle(r, x0, y0);
srad(r) = sum(S(sub2ind(size(S), xc, yc)));
end
% Calculo de sang.
[xc, yc] = halfcircle(rmax, x0, y0);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 117/130
107
sang = zeros(1, length(xc));
for a = 1:length(xc)
[xr, yr] = radial(x0, y0, xc(a), yc(a));
sang(a) = sum(S(sub2ind(size(S), xr, yr)));end
% La salida es el logaritmo del espectro para ver mas detalles,
%normalizado en el rango [0, 1].
S = mat2gray(log(1 + S));
%-------------------------------------------------------------------%
function [xc, yc] = halfcircle(r, x0, y0)
% Calcula las coordenadas enteras de un semicirculo de radio r
% centrado en (x0,y0) usando un grado de incremento.
%Imagenes con estriado vertical
theta=1:180;
%Imagenes con estriado horizontal
% theta=91:270;
theta = theta*pi/180;
[xc, yc] = pol2cart(theta, r);
xc = round(xc)’ + x0;
yc = round(yc)’ + y0;
%-------------------------------------------------------------------%
function [xr, yr] = radial(x0, y0, x, y);
% Calcula las coordenadas de un segmento de lınea recta que va de
% (x0, y0) hasta (x, y).
[xr, yr] = intline(x0, x, y0, y);
function s=subimpar(f)
%SUBIMAGENES FILAS Y COLUMNAS PARES
%El espectro debe tener un numero par de filas y columnas para ser descompuesto
% en las funciones unidensionales s(r) y s(theta) (funcion specxture.m)
s= size(f);
tam_fil= s(1,1);
tam_col= s(1,2);
%numero par de filas
k= 95;
tam_subfil= k/100;
m= ceil(tam_fil*tam_subfil);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 118/130
108 AP ´ ENDICE F. SCRIPTS MATLAB
while mod(m,2)
tam_subfil= k/100;
m= ceil(tam_fil*tam_subfil);
k=k-1;end
%numero par de columnas
k= 95;
tam_subcol= k/100;
n= ceil(tam_col*tam_subcol);
while mod(n,2)
tam_subcol= k/100;
n= ceil(tam_col*tam_subcol);
k=k-1;
end
rx= ceil( tam_fil/2 ) - ceil(tam_fil*tam_subfil/2)+1;
cy= ceil( tam_col/2 ) - ceil(tam_col*tam_subcol/2)+1;
s=subim(f, m, n, rx, cy);
function [t]=statxture(f,scale)
%FUNCION MODIFICADA
%STATXTURE calcula medidas estadısticas de la textura de una imagen.
%T=STATXTURE(F,SCALE)Calcula seis medidas de la textura (region)
% de la imagen contenida en F. El parametro SCALE es un vector cuyos
% elementos multiplican los elementos de T para propositos de escalamiento.
% La escala por defecto es un vector de 1’s. La salida es una estructura
%que contiene los siguientes elementos:
(1) t.Average_Gray_Level
(2) t.Average_Contrast
(3) t.Smoothness
(4) t.ThirdMoment
(5) t.Uniformity
(6) t.Entropy
%FUNCION ORIGINAL:
% Copyright 2002-2004 R. C. Gonzalez, R. E. Woods, & S. L. Eddins
% Digital Image Processing Using MATLAB, Prentice-Hall, 2004
% $Revision: 1.5 $ $Date: 2004/11/04 22:33:43 $
if nargin==1;
scale(1:6)=1;
else .
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 119/130
109
scale=scale(:)’;
end
%Histograma normalizado.
p= imhist(f);p= p./numel(f);
L=length(p);
%Calculo de los 3 momento. Se necesitan los no normalizados de la funcion
% statmoments. Estos quedan contenidos en el vector mu.
[v, mu]= statmoments(p, 3);
%Calculo de las seis medidas de Textura:
%Media.
t.Average_Gray_Level = mu(1) * scale(1,1);
%Desviacion estandar.
t.Average_Contrast= (mu(2).ˆ0.5)*scale(1,2);
%Suavidad.
%La varianza es normalizada dividiendo por (L-1)ˆ2;
varn=mu(2)/(L-1)ˆ2;
t.Smoothness= (1 - 1/(1+varn))*scale(1,3);
%Skewness (normalizado por (L-1)ˆ2 tambien ).
t.ThirdMoment= (mu(3)/(L-1)ˆ2)*scale(1,4);
%Uniformidad.
t.Uniformity= (sum(p.ˆ2))*scale(1,5);
%Entropıa.
t.Entropy= (-sum(p.*(log2(p+eps))))*scale(1,6);
% RUTINA ELABORADA PARA OBTENER LAS MATRICES DE DATOS
%% LECTURA DE IMAGENES
a=imread(’MATLAB\ExPERIMENTO\py_BBP_4.jpg’);
% figure, imshow(a)
b=imread(’MATLAB\ExPERIMENTO\py_BBP_5.jpg’);
% figure, imshow(b)
c=imread(’MATLAB\ExPERIMENTO\py_BBP_8.jpg’);
% figure, imshow(c)
d=imread(’MATLAB\ExPERIMENTO\py_BBP_9.jpg’);
% figure, imshow(d)e=imread(’MATLAB\ExPERIMENTO\py_DDP_3.jpg’);
% figure, imshow(e)
f=imread(’MATLAB\ExPERIMENTO\py_DDP_8.jpg’);
% figure, imshow(f)
g=imread(’MATLAB\ExPERIMENTO\py_DDP_9.jpg’);
% figure, imshow(g)
h=imread(’MATLAB\ExPERIMENTO\py_DDP_10.jpg’);
% figure, imshow(h)
i=imread(’MATLAB\ExPERIMENTO\py_EEP_4.jpg’);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 120/130
110 AP ´ ENDICE F. SCRIPTS MATLAB
% figure, imshow(i)
j=imread(’MATLAB\ExPERIMENTO\py_EEP_6.jpg’);
% figure, imshow(j)
k=imread(’MATLAB\ExPERIMENTO\py_EEP_8.jpg’);% figure, imshow(k)
l=imread(’MATLAB\ExPERIMENTO\py_EEP_9.jpg’);
% figure, imshow(l)
m=imread(’MATLAB\ExPERIMENTO\py_glock_mod17_1.jpg’);
% figure, imshow(m)
n=imread(’MATLAB\ExPERIMENTO\py_glock_mod17_2.jpg’);
% figure, imshow(n)
o=imread(’MATLAB\ExPERIMENTO\py_glock_mod17_3.jpg’);
% figure, imshow(o)
p=imread(’MATLAB\ExPERIMENTO\py_glock_mod17_4.jpg’);
% figure, imshow(p)
%% MEJORA DE CONTRASTE (ECUALIZACION DEL HISTOGRAMA)
a=histeq(a);
% figure, imshow(a1)
b=histeq(b);
% figure, imshow(b1)
c=histeq(c);
% figure, imshow(c1)
d=histeq(d);
% figure, imshow(d1)
e=histeq(e);
% figure, imshow(e1)
f=histeq(f);
% figure, imshow(f1)
g=histeq(g);
% figure, imshow(g1)
h=histeq(h);
% figure, imshow(h1)
i=histeq(i);
% figure, imshow(i1)
j=histeq(j);
% figure, imshow(c1)
k=histeq(k);% figure, imshow(d1)
l=histeq(l);
% figure, imshow(e1)
m=histeq(m);
% figure, imshow(f1)
n=histeq(n);
% figure, imshow(g1)
o=histeq(o);
% figure, imshow(h1)
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 121/130
111
p=histeq(p);
% figure, imshow(i1)
%% SUBIMAGEN CON FILAS Y COLUMNAS PARa=subim_par(a);
b=subim_par(b);
c=subim_par(c);
d=subim_par(d);
e=subim_par(e);
f=subim_par(f);
g=subim_par(g);
h=subim_par(h);
i=subim_par(i);
j=subim_par(j);
k=subim_par(k);
l=subim_par(l);
m=subim_par(m);
n=subim_par(n);
o=subim_par(o);
p=subim_par(p);
%% CALCULO DE LOS ESPECTROS DE LAS IMAGENES
[srad, sang, S] = specxture(a);
[srad1, sang1, S1] = specxture(b);
[srad2, sang2, S2] = specxture(c);
[srad3, sang3, S3] = specxture(d);
[srad4, sang4, S4] = specxture(e);
[srad5, sang5, S5] = specxture(f);
c l e a r a b c d e f
[srad6, sang6, S6] = specxture(g);
[srad7, sang7, S7] = specxture(h);
[srad8, sang8, S8] = specxture(i);
[srad9, sang9, S9] = specxture(j);
[srad10, sang10, S10] = specxture(k);
c l e a r g h i j k
[srad11, sang11, S11] = specxture(l);
[srad12, sang12, S12] = specxture(m);
[srad13, sang13, S13] = specxture(n);[srad14, sang14, S14] = specxture(o);
[srad15, sang15, S15] = specxture(p);
c l e a r g h i j k
% CALCULO DE DESCRIPTORES ESPECTRALES
desc_esp_a= descriptores(srad,sang);
desc_esp_b= descriptores(srad1,sang1);
desc_esp_c= descriptores(srad2,sang2);
desc_esp_d= descriptores(srad3,sang3);
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 122/130
112 AP ´ ENDICE F. SCRIPTS MATLAB
desc_esp_e= descriptores(srad4,sang4);
desc_esp_f= descriptores(srad5,sang5);
desc_esp_g= descriptores(srad6,sang6);
desc_esp_h= descriptores(srad7,sang7);desc_esp_i= descriptores(srad8,sang8);
desc_esp_j= descriptores(srad9,sang9);
desc_esp_k= descriptores(srad10,sang10);
desc_esp_l= descriptores(srad11,sang11);
desc_esp_m= descriptores(srad12,sang12);
desc_esp_n= descriptores(srad13,sang13);
desc_esp_o= descriptores(srad14,sang14);
desc_esp_p= descriptores(srad15,sang15);
%% CALCULO DE DESCRIPTORES ESTADISTICOS (STATXTURE)
stats_a= statxture(a);
stats_b= statxture(b);
stats_c= statxture(c);
stats_d= statxture(d);
stats_e= statxture(e);
stats_f= statxture(f);
stats_g= statxture(g);
stats_h= statxture(h);
stats_i= statxture(i);
stats_j= statxture(j);
stats_k= statxture(k);
stats_l= statxture(l);
stats_m= statxture(m);
stats_n= statxture(n);
stats_o= statxture(o);
stats_p= statxture(p);
%% CALCULO DE DESCRIPTORES ESTADISTICOS (MCNG)
mcng_a= graycomatrix(a );
prop_mcng_a = graycoprops(mcng_a);
mcng_b= graycomatrix(b );
prop_mcng_b = graycoprops(mcng_b);
mcng_c= graycomatrix(c );
prop_mcng_c = graycoprops(mcng_c); mcng_d= graycomatrix(d );
prop_mcng_d = graycoprops(mcng_d);
mcng_e= graycomatrix(e );
prop_mcng_e = graycoprops(mcng_e);
mcng_f= graycomatrix(f );
prop_mcng_f = graycoprops(mcng_f);
mcng_g= graycomatrix(g );
prop_mcng_g = graycoprops(mcng_g);
mcng_h= graycomatrix(h );
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 123/130
113
prop_mcng_h = graycoprops(mcng_h);
mcng_i= graycomatrix(i );
prop_mcng_i = graycoprops(mcng_i);
mcng_j= graycomatrix(j );prop_mcng_j = graycoprops(mcng_j);
mcng_k= graycomatrix(k );
prop_mcng_k = graycoprops(mcng_k);
mcng_l= graycomatrix(l );
prop_mcng_l = graycoprops(mcng_l);
mcng_m= graycomatrix(m );
prop_mcng_m = graycoprops(mcng_m);
mcng_n= graycomatrix(n );
prop_mcng_n = graycoprops(mcng_n);
mcng_o= graycomatrix(o );
prop_mcng_o = graycoprops(mcng_o);
mcng_p= graycomatrix(p );
prop_mcng_p = graycoprops(mcng_p);
%% MATRIZ DE CARACTERISTICAS ESPECTRALES
data(1,1)= desc_esp_a.maximo_rad;
data(2,1)= desc_esp_b.maximo_rad;
data(3,1)= desc_esp_c.maximo_rad;
data(4,1)= desc_esp_d.maximo_rad;
data(5,1)= desc_esp_e.maximo_rad;
data(6,1)= desc_esp_f.maximo_rad;
data(7,1)= desc_esp_g.maximo_rad;
data(8,1)= desc_esp_h.maximo_rad;
data(9,1)= desc_esp_i.maximo_rad;
data(10,1)= desc_esp_j.maximo_rad;
data(11,1)= desc_esp_k.maximo_rad;
data(12,1)= desc_esp_l.maximo_rad;
data(13,1)= desc_esp_m.maximo_rad;
data(14,1)= desc_esp_n.maximo_rad;
data(15,1)= desc_esp_o.maximo_rad;
data(16,1)= desc_esp_p.maximo_rad;
data(1,2)= desc_esp_a.maximo_ang;data(2,2)= desc_esp_b.maximo_ang;
data(3,2)= desc_esp_c.maximo_ang;
data(4,2)= desc_esp_d.maximo_ang;
data(5,2)= desc_esp_e.maximo_ang;
data(6,2)= desc_esp_f.maximo_ang;
data(7,2)= desc_esp_g.maximo_ang;
data(8,2)= desc_esp_h.maximo_ang;
data(9,2)= desc_esp_i.maximo_ang;
data(10,2)= desc_esp_j.maximo_ang;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 124/130
114 AP ´ ENDICE F. SCRIPTS MATLAB
data(11,2)= desc_esp_k.maximo_ang;
data(12,2)= desc_esp_l.maximo_ang;
data(13,2)= desc_esp_m.maximo_ang;
data(14,2)= desc_esp_n.maximo_ang;data(15,2)= desc_esp_o.maximo_ang;
data(16,2)= desc_esp_p.maximo_ang;
data(1,3)= desc_esp_a.media_rad;
data(2,3)= desc_esp_b.media_rad;
data(3,3)= desc_esp_c.media_rad;
data(4,3)= desc_esp_d.media_rad;
data(5,3)= desc_esp_e.media_rad;
data(6,3)= desc_esp_f.media_rad;
data(7,3)= desc_esp_g.media_rad;
data(8,3)= desc_esp_h.media_rad;
data(9,3)= desc_esp_i.media_rad;
data(10,3)= desc_esp_j.media_rad;
data(11,3)= desc_esp_k.media_rad;
data(12,3)= desc_esp_l.media_rad;
data(13,3)= desc_esp_m.media_rad;
data(14,3)= desc_esp_n.media_rad;
data(15,3)= desc_esp_o.media_rad;
data(16,3)= desc_esp_p.media_rad;
data(1,4)= desc_esp_a.media_ang;
data(2,4)= desc_esp_b.media_ang;
data(3,4)= desc_esp_c.media_ang;
data(4,4)= desc_esp_d.media_ang;
data(5,4)= desc_esp_e.media_ang;
data(6,4)= desc_esp_f.media_ang;
data(7,4)= desc_esp_g.media_ang;
data(8,4)= desc_esp_h.media_ang;
data(9,4)= desc_esp_i.media_ang;
data(10,4)= desc_esp_j.media_ang;
data(11,4)= desc_esp_k.media_ang;
data(12,4)= desc_esp_l.media_ang;
data(13,4)= desc_esp_m.media_ang;
data(14,4)= desc_esp_n.media_ang;data(15,4)= desc_esp_o.media_ang;
data(16,4)= desc_esp_p.media_ang;
data(1,5)= desc_esp_a.desvest_rad;
data(2,5)= desc_esp_b.desvest_rad;
data(3,5)= desc_esp_c.desvest_rad;
data(4,5)= desc_esp_d.desvest_rad;
data(5,5)= desc_esp_e.desvest_rad;
data(6,5)= desc_esp_f.desvest_rad;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 125/130
115
data(7,5)= desc_esp_g.desvest_rad;
data(8,5)= desc_esp_h.desvest_rad;
data(9,5)= desc_esp_i.desvest_rad;
data(10,5)= desc_esp_j.desvest_rad;data(11,5)= desc_esp_k.desvest_rad;
data(12,5)= desc_esp_l.desvest_rad;
data(13,5)= desc_esp_m.desvest_rad;
data(14,5)= desc_esp_n.desvest_rad;
data(15,5)= desc_esp_o.desvest_rad;
data(16,5)= desc_esp_p.desvest_rad;
data(1,6)= desc_esp_a.desvest_ang;
data(2,6)= desc_esp_b.desvest_ang;
data(3,6)= desc_esp_c.desvest_ang;
data(4,6)= desc_esp_d.desvest_ang;
data(5,6)= desc_esp_e.desvest_ang;
data(6,6)= desc_esp_f.desvest_ang;
data(7,6)= desc_esp_g.desvest_ang;
data(8,6)= desc_esp_h.desvest_ang;
data(9,6)= desc_esp_i.desvest_ang;
data(10,6)= desc_esp_j.desvest_ang;
data(11,6)= desc_esp_k.desvest_ang;
data(12,6)= desc_esp_l.desvest_ang;
data(13,6)= desc_esp_m.desvest_ang;
data(14,6)= desc_esp_n.desvest_ang;
data(15,6)= desc_esp_o.desvest_ang;
data(16,6)= desc_esp_p.desvest_ang;
data(1,7)= desc_esp_a.RelMaxMed_rad;
data(2,7)= desc_esp_b.RelMaxMed_rad;
data(3,7)= desc_esp_c.RelMaxMed_rad;
data(4,7)= desc_esp_d.RelMaxMed_rad;
data(5,7)= desc_esp_e.RelMaxMed_rad;
data(6,7)= desc_esp_f.RelMaxMed_rad;
data(7,7)= desc_esp_g.RelMaxMed_rad;
data(8,7)= desc_esp_h.RelMaxMed_rad;
data(9,7)= desc_esp_i.RelMaxMed_rad;
data(10,7)= desc_esp_j.RelMaxMed_rad;data(11,7)= desc_esp_k.RelMaxMed_rad;
data(12,7)= desc_esp_l.RelMaxMed_rad;
data(13,7)= desc_esp_m.RelMaxMed_rad;
data(14,7)= desc_esp_n.RelMaxMed_rad;
data(15,7)= desc_esp_o.RelMaxMed_rad;
data(16,7)= desc_esp_p.RelMaxMed_rad;
data(1,8)= desc_esp_a.RelMaxMed_ang;
data(2,8)= desc_esp_b.RelMaxMed_ang;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 126/130
116 AP ´ ENDICE F. SCRIPTS MATLAB
data(3,8)= desc_esp_c.RelMaxMed_ang;
data(4,8)= desc_esp_d.RelMaxMed_ang;
data(5,8)= desc_esp_e.RelMaxMed_ang;
data(6,8)= desc_esp_f.RelMaxMed_ang;data(7,8)= desc_esp_g.RelMaxMed_ang;
data(8,8)= desc_esp_h.RelMaxMed_ang;
data(9,8)= desc_esp_i.RelMaxMed_ang;
data(10,8)= desc_esp_j.RelMaxMed_ang;
data(11,8)= desc_esp_k.RelMaxMed_ang;
data(12,8)= desc_esp_l.RelMaxMed_ang;
data(13,8)= desc_esp_m.RelMaxMed_ang;
data(14,8)= desc_esp_n.RelMaxMed_ang;
data(15,8)= desc_esp_o.RelMaxMed_ang;
data(16,8)= desc_esp_p.RelMaxMed_ang;
data(1,9)= desc_esp_a.PosicionAng_max;
data(2,9)= desc_esp_b.PosicionAng_max;
data(3,9)= desc_esp_c.PosicionAng_max;
data(4,9)= desc_esp_d.PosicionAng_max;
data(5,9)= desc_esp_e.PosicionAng_max;
data(6,9)= desc_esp_f.PosicionAng_max;
data(7,9)= desc_esp_g.PosicionAng_max;
data(8,9)= desc_esp_h.PosicionAng_max;
data(9,9)= desc_esp_i.PosicionAng_max;
data(10,9)= desc_esp_j.PosicionAng_max;
data(11,9)= desc_esp_k.PosicionAng_max;
data(12,9)= desc_esp_l.PosicionAng_max;
data(13,9)= desc_esp_m.PosicionAng_max;
data(14,9)= desc_esp_n.PosicionAng_max;
data(15,9)= desc_esp_o.PosicionAng_max;
data(16,9)= desc_esp_p.PosicionAng_max;
%% MATRIZ DE CARACTERISTICAS ESTADISTICAS (STATXTURE)
data(1,1)= stats_a.Average_Gray_Level;
data(2,1)= stats_b.Average_Gray_Level;
data(3,1)= stats_c.Average_Gray_Level;
data(4,1)= stats_d.Average_Gray_Level;data(5,1)= stats_e.Average_Gray_Level;
data(6,1)= stats_f.Average_Gray_Level;
data(7,1)= stats_g.Average_Gray_Level;
data(8,1)= stats_h.Average_Gray_Level;
data(9,1)= stats_i.Average_Gray_Level;
data(10,1)= stats_j.Average_Gray_Level;
data(11,1)= stats_k.Average_Gray_Level;
data(12,1)= stats_l.Average_Gray_Level;
data(13,1)= stats_m.Average_Gray_Level;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 127/130
117
data(14,1)= stats_n.Average_Gray_Level;
data(15,1)= stats_o.Average_Gray_Level;
data(16,1)= stats_p.Average_Gray_Level;
data(1,2)= stats_a.Average_Contrast;
data(2,2)= stats_b.Average_Contrast;
data(3,2)= stats_c.Average_Contrast;
data(4,2)= stats_d.Average_Contrast;
data(5,2)= stats_e.Average_Contrast;
data(6,2)= stats_f.Average_Contrast;
data(7,2)= stats_g.Average_Contrast;
data(8,2)= stats_h.Average_Contrast;
data(9,2)= stats_i.Average_Contrast;
data(10,2)= stats_j.Average_Contrast;
data(11,2)= stats_k.Average_Contrast;
data(12,2)= stats_l.Average_Contrast;
data(13,2)= stats_m.Average_Contrast;
data(14,2)= stats_n.Average_Contrast;
data(15,2)= stats_o.Average_Contrast;
data(16,2)= stats_p.Average_Contrast;
data(1,3)= stats_a.Smoothness;
data(2,3)= stats_b.Smoothness;
data(3,3)= stats_c.Smoothness;
data(4,3)= stats_d.Smoothness;
data(5,3)= stats_e.Smoothness;
data(6,3)= stats_f.Smoothness;
data(7,3)= stats_g.Smoothness;
data(8,3)= stats_h.Smoothness;
data(9,3)= stats_i.Smoothness;
data(10,3)= stats_j.Smoothness;
data(11,3)= stats_k.Smoothness;
data(12,3)= stats_l.Smoothness;
data(13,3)= stats_m.Smoothness;
data(14,3)= stats_n.Smoothness;
data(15,3)= stats_o.Smoothness;
data(16,3)= stats_p.Smoothness;
data(1,4)= stats_a.ThirdMoment;
data(2,4)= stats_b.ThirdMoment;
data(3,4)= stats_c.ThirdMoment;
data(4,4)= stats_d.ThirdMoment;
data(5,4)= stats_e.ThirdMoment;
data(6,4)= stats_f.ThirdMoment;
data(7,4)= stats_g.ThirdMoment;
data(8,4)= stats_h.ThirdMoment;
data(9,4)= stats_i.ThirdMoment;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 128/130
118 AP ´ ENDICE F. SCRIPTS MATLAB
data(10,4)= stats_j.ThirdMoment;
data(11,4)= stats_k.ThirdMoment;
data(12,4)= stats_l.ThirdMoment;
data(13,4)= stats_m.ThirdMoment;data(14,4)= stats_n.ThirdMoment;
data(15,4)= stats_o.ThirdMoment;
data(16,4)= stats_p.ThirdMoment;
data(1,5)= stats_a.Uniformity;
data(2,5)= stats_b.Uniformity;
data(3,5)= stats_c.Uniformity;
data(4,5)= stats_d.Uniformity;
data(5,5)= stats_e.Uniformity;
data(6,5)= stats_f.Uniformity;
data(7,5)= stats_g.Uniformity;
data(8,5)= stats_h.Uniformity;
data(9,5)= stats_i.Uniformity;
data(10,5)= stats_j.Uniformity;
data(11,5)= stats_k.Uniformity;
data(12,5)= stats_l.Uniformity;
data(13,5)= stats_m.Uniformity;
data(14,5)= stats_n.Uniformity;
data(15,5)= stats_o.Uniformity;
data(16,5)= stats_p.Uniformity;
data(1,6)= stats_a.Entropy;
data(2,6)= stats_b.Entropy;
data(3,6)= stats_c.Entropy;
data(4,6)= stats_d.Entropy;
data(5,6)= stats_e.Entropy;
data(6,6)= stats_f.Entropy;
data(7,6)= stats_g.Entropy;
data(8,6)= stats_h.Entropy;
data(9,6)= stats_i.Entropy;
data(10,6)= stats_j.Entropy;
data(11,6)= stats_k.Entropy;
data(12,6)= stats_l.Entropy;
data(13,6)= stats_m.Entropy;data(14,6)= stats_n.Entropy;
data(15,6)= stats_o.Entropy;
data(16,6)= stats_p.Entropy;
%% MATRIZ DE CARACTERISTICAS ESTADISTICAS (GRAYCOPROPS)
data(1,1)= prop_mcng_a.Contrast;
data(2,1)= prop_mcng_b.Contrast;
data(3,1)= prop_mcng_c.Contrast;
data(4,1)= prop_mcng_d.Contrast;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 129/130
119
data(5,1)= prop_mcng_e.Contrast;
data(6,1)= prop_mcng_f.Contrast;
data(7,1)= prop_mcng_g.Contrast;
data(8,1)= prop_mcng_h.Contrast;data(9,1)= prop_mcng_i.Contrast;
data(10,1)= prop_mcng_j.Contrast;
data(11,1)= prop_mcng_k.Contrast;
data(12,1)= prop_mcng_l.Contrast;
data(13,1)= prop_mcng_m.Contrast;
data(14,1)= prop_mcng_n.Contrast;
data(15,1)= prop_mcng_o.Contrast;
data(16,1)= prop_mcng_p.Contrast;
data(1,2)= prop_mcng_a.Correlation;
data(2,2)= prop_mcng_b.Correlation;
data(3,2)= prop_mcng_c.Correlation;
data(4,2)= prop_mcng_d.Correlation;
data(5,2)= prop_mcng_e.Correlation;
data(6,2)= prop_mcng_f.Correlation;
data(7,2)= prop_mcng_g.Correlation;
data(8,2)= prop_mcng_h.Correlation;
data(9,2)= prop_mcng_i.Correlation;
data(10,2)= prop_mcng_j.Correlation;
data(11,2)= prop_mcng_k.Correlation;
data(12,2)= prop_mcng_l.Correlation;
data(13,2)= prop_mcng_m.Correlation;
data(14,2)= prop_mcng_n.Correlation;
data(15,2)= prop_mcng_o.Correlation;
data(16,2)= prop_mcng_p.Correlation;
data(1,3)= prop_mcng_a.Energy;
data(2,3)= prop_mcng_b.Energy;
data(3,3)= prop_mcng_c.Energy;
data(4,3)= prop_mcng_d.Energy;
data(5,3)= prop_mcng_e.Energy;
data(6,3)= prop_mcng_f.Energy;
data(7,3)= prop_mcng_g.Energy;
data(8,3)= prop_mcng_h.Energy;data(9,3)= prop_mcng_i.Energy;
data(10,3)= prop_mcng_j.Energy;
data(11,3)= prop_mcng_k.Energy;
data(12,3)= prop_mcng_l.Energy;
data(13,3)= prop_mcng_m.Energy;
data(14,3)= prop_mcng_n.Energy;
data(15,3)= prop_mcng_o.Energy;
data(16,3)= prop_mcng_p.Energy;
5/11/2018 Marco Teorico - slidepdf.com
http://slidepdf.com/reader/full/marco-teorico-55a0ce58afaf0 130/130
120 AP ´ ENDICE F. SCRIPTS MATLAB
data(1,4)= prop_mcng_a.Homogeneity;
data(2,4)= prop_mcng_b.Homogeneity;
data(3,4)= prop_mcng_c.Homogeneity;
data(4,4)= prop_mcng_d.Homogeneity;data(5,4)= prop_mcng_e.Homogeneity;
data(6,4)= prop_mcng_f.Homogeneity;
data(7,4)= prop_mcng_g.Homogeneity;
data(8,4)= prop_mcng_h.Homogeneity;
data(9,4)= prop_mcng_i.Homogeneity;
data(10,4)= prop_mcng_j.Homogeneity;
data(11,4)= prop_mcng_k.Homogeneity;
data(12,4)= prop_mcng_l.Homogeneity;
data(13,4)= prop_mcng_m.Homogeneity;
data(14,4)= prop_mcng_n.Homogeneity;
data(15,4)= prop_mcng_o.Homogeneity;
data(16,4)= prop_mcng_p.Homogeneity;