Paso 4 – Análisis estadísticos de resultados

Johnatan Mazo Ramírez – código: 1036657121

Miguel Zuleta Pérez– código: 1037629117
Francisco Javier Vanegas Perfetty – código: 1040738617
Katherin Sánchez Sánchez – código: 1047971813
Mario Álvarez Zapata – código: 1128406203

Presentado a:
PAOLA ANDREA MATEUS
GRUPO: 208054_19

Universidad Nacional Abierta y a Distancia

19 -11- 2019
 PALABRAS CLAVE: análisis cualitativo y
ABSTRACT: Through the Matlab
cuantitativo, precisión, exactitud y ROC.
software, the collaborative group used
techniques to analyze the main
characteristics of the objects of interest
in the images, for the training of I. INTRODUCCIÓN
classifiers. Using SVM as a resource in
El grupo colaborativo 208054_19 evaluó los
the previous step of the subject (Step 3)
resultados del procesamiento y clasificación
which allowed to recognize the
de imágenes teniendo en cuenta: el análisis
identification of characteristics,
cuantitativo y cualitativo, falsos positivos,
supervised and unsupervised classifiers.
verdaderos positivos, falsos negativos y
According to the above, in this step 4
verdaderos negativos, sensibilidad,
each student evaluated the results of
especificidad y la curva de ROC mediante el
the implemented classifier, through
uso de herramientas computacionales, como
qualitative and quantitative analysis,
lo es Matlab. Adicional la guía de actividades
obtaining the accuracy, accuracy and
unidad 3 – Paso 4, tiene como fin fomentar la
operational characteristic curve of the
investigación en cada integrante del grupo
receiver (ROC).
colaborativo, dividiendo en dos fases la
materia: una parte individual y otra
KEYWORDS: qualitative and quantitative
colaborativa. Siendo la parte individual
analysis, precision, accuracy and ROC.
esencial para fomentar la investigación y la
lectura sobre temas claves para el desarrollo
RESUMEN: A través del software
– comprensión del paso 4 de la materia
Matlab, el grupo colaborativo utilizó
instrumentación. La parte colaborativa busca
técnicas para analizar las características
el análisis y la retroalimentación de cada
principales de los objetos de interés en
integrante del grupo hacia los aportes y
las imágenes, para el entrenamiento de
resultados obtenidos por cada estudiante. Lo
clasificadores. Usando como recurso
anterior teniendo en cuenta los resultados
SVM en el paso anterior de la materia
obtenidos en el Paso 3 de la materia,
(Paso 3) lo que permitió reconocer la
maquina de soporte de vectores SVM.
identificación de características,
clasificadores supervisados y no
supervisados. Según lo anterior, en este
paso 4 cada estudiante evaluó los A. Justificación
resultados del clasificador La parte 3 de la materia fue esencial para el
implementado, por medio de análisis desarrollo del documento: Guía de
cualitativo y cuantitativo, obteniendo la actividades y Rúbrica de evaluación - Paso 4 –
precisión, exactitud y curva Análisis estadístico de resultados. Siendo
característica operativa del receptor además esencial la investigación de cada
(ROC). integrante del grupo, para definir los
conceptos relacionados con evaluación
cualitativa y cuantitativa, matriz de
confusión, precisión, exactitud y curva ROC,
demostrando conocimiento y dominio
análisis estadístico de resultados.
B. Objetivo General
Analizar correctamente los resultados
obtenidos por medio de evaluación
cualitativa y cuantitativa, evidenciando
conocimiento sobre precisión, exactitud,
curva ROC.
II. RESULTADOS Y DESARROLLO DEL
TRABAJO
Actividades a desarrollar Paso 4 –
Análisis estadístico de resultados
APORTE POR:
Mario Álvarez Zapata
a. ¿Qué es evaluación cualitativa en
tratamiento
de imágenes?
La naturaleza de cualquier procedimiento de
evaluación cualitativa es poder separar áreas
de imagen positivas de píxeles mal
clasificados. Emplea la recaudación de datos
sin medición numérica, para afinar o
descubrir preguntas de indagación en el
proceso de investigación, se podría decir que
es aquella en que el aporte de la indagación
se basa en técnicas de información que
permiten conocer las causas mediante el
análisis y la valoración. Estableciendo así
ideas como consecuencia de la observación y
evaluación realizadas. Proponen nuevas
observaciones y evaluaciones para
esclarecer, modificar o fundamentar
suposiciones e ideas. Siendo la evaluación
cualitativa una técnica que permite tener un
análisis concreto de los resultados, en donde
se aplica unos métodos específicos y así
poder obtener un mayor resultado,
es decir una imagen más clara y confiable
b. ¿Qué es evaluación cuantitativa en
tratamiento de imágenes?
Esta técnica esta basaba en el resultado de
procedimientos matemáticos realizados a lo
largo de un proceso o tratado de una imagen.
Lo cual permite hacer un análisis de la
imagen, determinando si esta es de calidad o
no, como se puede clasificar, bajo que
condición y si es positiva o negativa. La
evaluación cuantitativa se base en la
cuantificación de propiedades escalares y
vectoriales de una imagen.
c. ¿Qué es verdaderos positivos, falsos
positivos, verdaderos negativos, falsos
negativos, en tratamiento de imágenes?
• Verdadero Positivo (VP):
corresponde al resultado arrojado y el valor es
positivo. Son los pixeles que corresponden al
área de interés según la segmentación ideal, y
la herramienta asume que son parte de la
lesión.
• Falso Positivo (FP): Corresponde a si
el resultado real es positivo y la enfermedad
es ausente. Son los pixeles que no
corresponden al área de interés según la
segmentación ideal, sin embargo, la
herramienta asume que son parte de la
lesión.
• Verdadero Negativo (VN):
Corresponde al diagnóstico negativo y
resultado ausente. Resultado del tratamiento
de una imagen (exploración física o prueba
complementaria) que obtiene un valor de
verdadero negativo (VN) cuando su
conclusión indica que no tiene una
enfermedad determinada, y se confirma que
el paciente realmente no la está sufriendo.
Son los pixeles que no corresponden al área
de interés según la segmentación ideal, y en
la herramienta tampoco son parte de la
lesión.
• Falso negativo (FN): Corresponde
cuando el diagnostico arrojado es negativo y
la enfermedad está presente. Son los pixeles
que corresponden al área de interés según la
segmentación ideal, sin embargo, la
herramienta no los tiene como parte de la
lesión.
d. ¿Qué es precisión y exactitud en
tratamiento
de imágenes?
La precisión es la dispersión de un grupo de
mediciones, esta se expresa numéricamente.
Y la exactitud es la proximidad que se tiene
entre el valor medido y el valor verdadero.
Por otro lado, para determinar la precisión o
exactitud de las mediciones, es indispensable
cuantificar la diferencia entre el resultado de
una medida y el valor de esta (valor
verdadero, valor real o estándar). A este
mecanismo se reconoce como el error de
incertidumbre.
La precisión se refiere a la dispersión del
conjunto de valores obtenidos de mediciones
repetidas de una imagen. Cuanto menor es la
dispersión mayor es la precisión. Una
medida común de la variabilidad es la
desviación estándar de las mediciones y la
precisión se puede estimar como una función
de ella. Es importante resaltar que la
automatización de diferentes pruebas o
técnicas puede producir un aumento de la
precisión. Esto se debe a que, con dicha
automatización, lo que logramos es una
disminución de los errores manuales o su
corrección inmediata.
La exactitud se refiere a cuán cerca del valor
real se encuentra el valor medido.
e. ¿Qué es y cómo se realiza la curva
característica operativa del receptor ROC?
Gráfico que representa la relación entre la
tasa de verdaderos positivos (sensibilidad) y
la tasa de falsos positivos ("1 - especificidad")
como una función del nivel de corte del
marcador de una enfermedad (o condición
clínica). Las curvas ROC ayudan a demostrar
cómo el incremento o disminución del punto
de corte que define una prueba como
positiva afecta al equilibrio entre la
identificación correcta de los enfermos
(verdaderos positivos) y la denominación
incorrecta como positivos de los sanos (falsos
positivos).
El área bajo la curva ROC es una expresión
del potencial diagnóstico de un marcador
independiente de la población de pacientes y
puede utilizarse para comparar uno o más
marcadores.
En consecuencia, las curvas ROC son útiles
para:
• Conocer el rendimiento global de una
prueba. Área bajo la curva.
• Comparar dos pruebas o dos puntos
de corte. Comparación de dos curvas o de dos
puntos sobre una curva.
• Elegir el punto de corte apropiado
para un determinado paciente.
Limitaciones de su uso: sólo contemplan dos
estados clínicos posibles (sano, enfermo) y
no sirven para situaciones en que se trata de
discernir entre más de dos enfermedades.

imagen tomada de: http://www.hrc.es/bioest/roc_1.html
APORTE POR:
Francisco Vanegas Perfetty
a. ¿Qué es evaluación cualitativa en
tratamiento de imágenes?
Evaluación que trata de construir y
describir la realidad.
Utiliza la recolección de datos sin medición
numérica para descubrir o afinar preguntas
de investigación en el proceso de
interpretación, así podríamos decir que es
aquella en que el aportante de la
información se basa en técnicas de
información que permite, conocer las causas
mediante la observación y evaluación
establecida.
b. ¿Qué es evaluación cuantitativa en
tratamiento de imágenes?
En cualquier situación en la que una
anormalidad ocupa una región definida
dentro de una imagen. Es necesario
establecer criterios objetivos para realizar la
comparación de los resultados automáticos
contra la imagen de referencia anotada por
un experto. Para esto las regiones de una
anormalidad deben estar anotadas en ambas
imágenes de manera compatible para
realizar la comparación (muchas veces se
anotan igual). La cuantificación de la
correspondencia entre los resultados
automáticos y del experto de be hacerse de
forma automática y utilizando métricas
apropiadas (que al menos puedan
justificarse). La siguiente imagen ilustra el
criterio de
50% de traslape entre la región detectada
automáticamente y la imagen de referencia
(anotada por un experto).
c. ¿Qué es verdaderos positivos, falsos
positivos, verdaderos negativos, falsos
negativos, en tratamiento de imágenes?
Las métricas para evaluar procesos de
detección involucran la frecuencia relativa de
las decisiones correctas e incorrectas que
hace un observador a partir de las imágenes
médicas (o de cualquier otro tipo de
evidencia (imágenes de satélite, estadísticas
numéricas, graficas de voltaje/corriente)
apropiadas al proceso de detección del que
se trate). Las medidas básicas son:
Número de positivos y negativos, verdaderos
y falsos (PV, NV, FP, FN). A partir de éstos se
calculan la Sensibilidad y la especificidad del
proceso de detección (diagnóstico).
En el proceso de detección de la presencia o
ausencia de una anormalidad en una imagen,
se utilizan comúnmente las categorías:
positivo verdadero, positivo falso, negativo
verdadero y negativo falso. Los términos
positivo y negativo se refieren al diagnóstico
hecho por un observador humano o por un
sistema automático. Los adjetivos verdadero
y falso se refieren a como el diagnóstico
corresponde o no con el estado clínico del
paciente. Así un positivo verdadero (PV)
corresponde al diagnóstico de presencia de Es una representación gráfica de la
una anormalidad cuando ésta realmente sensibilidad frente a la especificidad para un
existe en el paciente. Un negativo verdadero sistema clasificador binario según se varía el
(NV) corresponde al diagnóstico negativo de umbral de discriminación. Otra
una anormalidad cuando efectivamente la interpretación de este gráfico es la
anormalidad no existe en el paciente. representación de la razón o ratio de
verdaderos positivos (VPR = Razón de
d. ¿Qué es precisión y exactitud en
Verdaderos Positivos) frente a la razón o
tratamiento de imágenes?
ratio de falsos positivos (FPR = Razón de
Precisión se refiere a la dispersión del Falsos Positivos) también según se varía el
conjunto de valores obtenidos de
mediciones repetidas de una magnitud.
Cuanto menor es la dispersión mayor la
precisión. Una medida común de la
variabilidad es la desviación estándar de las
mediciones y la precisión se puede estimar
como una función de ella. Es importante
resaltar que la automatización de diferentes
pruebas o técnicas puede producir un
aumento de la precisión. Esto se debe a que
con dicha automatización, lo que logramos
es una disminución de los errores manuales umbral de discriminación (valor a partir del
o su corrección inmediata. No hay que cual decidimos que un caso es un positivo).
confundir resolución con precisión. ROC también puede significar Relative
Operating Characteristic (Característica
Exactitud se refiere a cuán cerca del valor Operativa Relativa) porque es una
real se encuentra el valor medido. En comparación de dos características
términos estadísticos, la exactitud está operativas (VPR y FPR) según cambiamos el
relacionada con el sesgo de una estimación. umbral para la decisión.
Cuanto menor es el sesgo más exacto es una
estimación. Cuando se expresa la exactitud
de un resultado, se expresa mediante el
error absoluto que es la diferencia entre el
valor experimental y el valor verdadero.

e. ¿Qué es y cómo se realiza la curva

característica operativa del receptor ROC?
APORTE POR:
Miguel Zuleta Perez
Paso 4 – Análisis estadístico de
resultados:
1. Definición de conceptos:
estudiando el libro guía, el
estudiante investiga de manera
individual y da respuesta a las
siguientes preguntas teóricas:
a. ¿Qué es evaluación
cualitativa en tratamiento de
imágenes?
La evaluación cualitativa busca
construir y describir la realidad
con la recolección de datos sin
medición numérica, utilizando
juicios de valor sobre los datos
y evidencias tomados de la
realidad evaluada.
b. ¿Qué es evaluación
cuantitativa en tratamiento
de imágenes?
Es el desarrollo de técnicas
específicas, para la
incorporación en
aplicaciones tecnológicas se ve
limitado por la falta de
evaluación
cuantitativa de su rendimiento
sobre una base común de
imágenes, lo que impide que
los resultados puedan ser
replicados de manera
adecuada.
c. ¿Qué es verdaderos
positivos, falsos positivos,
verdaderos negativos, falsos
negativos, en tratamiento de
imágenes?
Son parte de la matriz de
confusión cuyo orden es el
número de clases, en las
columnas podemos encontrar
las clases reales y en las filas
las clases asignadas por el
clasificador, con esto se puede
obtener indicadores de
desempeño, y a su vez se
pueden verificar con los
indicadores de Proporción de
verdaderos positivos, con el
cual se puede medir la
efectividad del clasificador, y la
proporción de verdaderos
negativos, que nos muestra la
especificidad del clasificador.
Proporción de verdaderos
positivos: PVP = VP/ (VP+FN).
(Efectividad). Proporción de
verdaderos neg egativos: PVN
= VN/ (VN+FP). (Especificidad)
 e. ¿Qué es y cómo se realiza la
curva característica
operativa del receptor ROC?

Las curvas ROC se desarrollaron

en los años cincuenta como
herramientas para el estudio de
detección e interpretación de
d. ¿Qué es precisión y exactitud señales de radar, representa la
en tratamiento de imágenes? relación entre la tasa de
verdaderos positivos
La Precisión se refiere a la (sensibilidad) y la tasa de falsos
dispersión del conjunto de positivos ("1 - especificidad")
valores obtenidos de como una función del nivel de
mediciones repetidas de una corte del marcador de una
magnitud, cuanto menor es la condición.
dispersión mayor es la
Por este motivo, las aplicaciones
precisión; mientras que la de las curvas ROC se
Exactitud se refiere a cuán extendieron a múltiples sistemas
cerca del valor real se diagnósticos, incluidas las
encuentra el valor medido. La técnicas radiológicas y las
exactitud puede determinarse pruebas de laboratorio ya que
con una sola medida, mientras ayudan a demostrar cómo el
que para evaluar la precisión se incremento o disminución del
necesitan varias medidas punto de corte que define una
(repetibilidad), no pudiéndose prueba como positiva afecta al
hablar de precisión para una equilibrio entre la identificación
sola medida. correcta de los enfermos
(verdaderos positivos) y la
Estos elementos en tratamiento denominación incorrecta como
de imágenes están relacionados positivos de los sanos (falsos
con la captura de la información positivos).
de una imagen y las El área bajo la curva ROC es una
imprecisiones que pueden expresión del potencial
aparecer. Haciéndose las diagnóstico de un marcador
correcciones individuales en independiente de la población de
cada una de las bandas de la pacientes y puede utilizarse para
imagen. comparar uno o más
marcadores.
 Imágenes
3 3
enfermas
0 0 3 3 100% 100%
Imágenes
3 3
sanas

2. Realizar la curva
característica operativa del
receptor ROC.
• Sensibilidad
Implementación de códigos
𝑉𝑃
en software 𝑉𝑃𝑅 =
𝑉𝑃 + 𝐹𝑁
3
1. Realice la evaluación 𝑉𝑃𝑅 = = 1 = 100%
3+0
cualitativa de los resultados
obtenidos en el paso 3. El
análisis se realiza entre los • Especificidad
resultados que arroja la 𝑉𝑁
máquina de soporte 𝑆𝑃𝐶 =
𝐹𝑃 + 𝑉𝑁
vectorial SVM, en la 3
variable “clasificación” 𝑆𝑃𝐶 = = 1 = 100%
0+3
contra los resultados reales
del experto”

La evaluación debe entregar los

siguientes datos en porcentaje: a. Explique los datos y gráfica
obtenida.
• La tabla anterior la debe
realizar tanto para la SVM
como para la clasificación Grafica -
por umbral.
• Se debe anexar las
imágenes resultantes de las
imágenes enfermas y
sanas.

Código
APORTE POR:
Johnatan_Mazo Ramírez
a. ¿Qué es evaluación cualitativa en
tratamiento de imágenes?
Evaluación que trata de construir y describir
la realidad. Se realiza con base a juicios de
valor sobre los datos y evidencias extraídos
de la realidad evaluada (Mateus Abaunza,
2017).
b. ¿Qué es evaluación cuantitativa en
tratamiento de imágenes?
Arroja un valor de producto final dando una
última palabra arrojando un resultado de
positivos o negativo sin buscar una mejora,
se realizan juicios de valor sobre los datos y
evidencias de la realidad evaluada, cada vez
que un clasificador arroje un resultado se
lleva a un juicio de valor que se identifica y
evalúa en que estados se encuentran los
elementos, se desarrolla por medio de una
base a la cual se llama Ground Truth que es
la base inicial del clasificador , donde se
asigna una clasificación a las imágenes
procesadas (Mateus Abaunza, 2017).
c. ¿Qué es verdaderos positivos, falsos
positivos, verdaderos negativos, falsos
negativos, en tratamiento de imágenes?
Estos son opciones de resultados dados por
un clasificador,
El resultado de verdadero negativo, quiere
decir que el diagnostico que nos da el
clasificador es negativo, ósea que el
elemento está sano, y la enfermedad es
ausente.
En el falso negativo, el clasificador nos dice
que el elemento está sano, pero nosotros
como enfermos decimos que el elemento
está enfermo lo cual genera un error que se
considera como falso negativo.
Cuando el diagnóstico es positivo, es decir
que el clasificador nos dice que el elemento
está enfermo, pero como expertos sabemos
que la enfermedad está ausente ósea que el
elemento está sano, tendríamos un error
llamado falso positivo
Y por último cuando el diagnóstico es
positivo, es decir que el clasificador nos
arroje que el elemento está enfermo y
nosotros como expertos sabemos que el
elemento está enfermo, ósea que se
convierte en verdadero positivo (Mateus
Abaunza, 2017)
d. ¿Qué es precisión y exactitud en
tratamiento de imágenes?
Son valores arrojados por la base de datos
generados por el clasificador
Precisión: se refiere a la dispersión del
conjunto de valores obtenidos de mediciones
repetidas de una magnitud. Cuanto menor es
la dispersión mayor es la precisión. Es
importante resaltar que la automatización de
diferentes pruebas o técnicas puede producir
un aumento de la precisión.
Exactitud: se refiere a cuán cerca del valor
real se encuentra el valor medido. En
términos estadísticos, la exactitud está
relacionada con el sesgo de una estimación.
Cuanto menor es el sesgo más exacto es una
estimación. Cuando se expresa la exactitud
de un resultado, se expresa mediante el
error absoluto que es la diferencia entre el
valor experimental y el valor verdadero
e. ¿Qué es y cómo se realiza la curva
característica operativa del receptor ROC?
Gráfico que representa la relación entre la
tasa de verdaderos positivos (sensibilidad) y
la tasa de falsos positivos (“1- especificidad”)
como una función del nivel de corte del
marcador de una enfermedad. Las curvas
ROC ayudan a demostrar como el
incremento o disminución del punto de corte
que define una prueba como positiva afecta
al equilibrio entre la identificación correcta
de los enfermos (verdaderos positivos) y la
denominación incorrecta como positivos de
los sanos (falsos positivos)
El área de la curva ROC es una expresión del
potencial diagnóstico de un marcador
independiente de la población de pacientes y
puede utilizarse para comparar uno o más
marcadores
APORTE POR:
Katherin Sánchez Sánchez
a. ¿Qué es evaluación cualitativa en
tratamiento de imágenes?
utiliza la recolección de datos sin medición
numérica para descubrir o afinar preguntas
de investigación en el proceso de
interpretación así podríamos decir que es
aquella en que el aporte de la información se
basa en técnicas de información que permita
conocer las causas mediante la observación y
evaluación estableciendo así ideas como
consecuencias de la observación y evaluación
realizadas proponen nuevas observaciones y
evaluaciones para generar otras tratando de
construir una realidad basados en juicios de
valor.
b. ¿Qué es evaluación cuantitativa en
tratamiento de imágenes?
Es el desarrollo de técnicas específicas, para
la incorporación en aplicaciones tecnológicas
se ve limitado por la falta de evaluación
cuantitativa de su rendimiento sobre una
base común de imágenes, lo que impide que
los resultados puedan ser replicados de
manera adecuada
c. ¿Qué es verdaderos positivos, falsos
positivos, verdaderos negativos, falsos
negativos, en tratamiento de imágenes?
La información de la prueba de clasificación
se dispone en una matriz de confusión. La
matriz de confusión es una matriz cuadrada
cuyo orden es el número de clases. En las
columnas se presentan las clases reales
mientras que en las filas se presentan las
clases asignadas por el clasificador; en la
Tabla 3, se muestra una matriz de confusión
para dos clases. La suma vertical muestra la
distribución real de las clases, mientras que
la suma horizontal muestra la distribución de
las clases producida por el clasificador. El
análisis de los clasificadores se hace con base
en la matriz de confusión de donde se
obtienen los indicadores de desempeño.
a. ¿Qué es precisión y exactitud en
tratamiento de imágenes?
El proceso de rectificación implica el cálculo
de la función de transformación, para lo cual
se emplea un conjunto de puntos de
referencia o puntos de control. Estos son
elementos puntuales de los cuales se conoce
con exactitud sus coordenadas reales (bien
habiéndolas tomado sobre el terreno o bien
con una imagen ya corregida cuya
georreferencia pueda emplearse como dato
fiable), y pueden localizarse en la imagen.
Identificando estos puntos y localizándolos
sobre la imagen a corregir se puede calcular
la transformación de tal forma que, al aplicar
dicha transformación sobre los puntos de
control, pasen a tener las coordenadas que
realmente les corresponden con un error
mínimo.
Estos elementos están relacionados con la
forma en que los sensores capturan la
información y las imprecisiones que en este
proceso pueden aparecer, y tratan de
eliminar estas imprecisiones para que los
Niveles Digitales de las distintas celdas
reflejen fielmente la realidad presente en el
momento de capturar dicha imagen.
Independientemente del número de bandas
de la imagen, las correcciones se realizan de
forma individual para cada una de las
bandas, ya que algunos de los errores
pueden aparecer solo en parte de dichas
bandas, y no necesariamente sobre todas
ellas de forma simultánea para un mismo
píxel.
a. ¿Qué es y cómo se realiza la curva
característica operativa del receptor
ROC?
Gráfico que representa la relación entre la
tasa de verdaderos positivos (sensibilidad) y
la tasa de falsos como una función del nivel
de corte del marcador de una enfermedad (o
condición clínica). Las curvas ROC ayudan a
demostrar cómo el incremento o
disminución del punto de corte que define
una prueba como positiva afecta al equilibrio
entre la identificación correcta de los
enfermos (verdaderos positivos) y la
denominación incorrecta como positivos de
los sanos (falsos positivos).
El área bajo la curva ROC es una expresión
del potencial diagnóstico de un marcador
independiente de la población de pacientes y
puede utilizarse para comparar uno o más
marcadores.
Al trazar el desempeño de dos o más curvas
ROC de pruebas diagnósticas, podremos
comparar este desempeño de forma gráfica
encontramos una variable numérica continua
(valores de úrea sérica, expresados en
mg/dL) como prueba diagnóstica de
enfermedad renal en general (no clasificada
en estadios) y como patrón oro se utilizó la
depuración de creatinina de 24h, para definir
la presencia o no de enfermedad renal
(variable nominal dicotómica). La curva ROC
de la prueba úrea sérica (expresada en
mg/dL) para diagnosticar ERC no
estadificada, así mismo la tabla 1 señala el
área bajo la curva de la curva ROC que es de
0,93, que significa que al tomar la totalidad
de las parejas posibles de pacientes
enfermos y sanos, en el 93% de estas parejas
el enfermo tendrá un valor superior de úrea
sanguínea en comparación su par sano.

Finalmente, el punto de corte ideal está en la

cercanía de 70,125 mg/dL de úrea sérica, que
determina de forma simultánea la
sensibilidad mayor (94%) con la proporción
menor de falsos positivos (24%).
2. Implementación de códigos (componente
práctico): cada estudiante debe realizar de
manera individual la implementación de los
códigos que se encuentran en el Anexo 1.
También debe analizar los resultados
obtenidos y crear los scripts que se solicitan
en el mismo anexo.
ENLACE WEB DESARROLLO ANEXO 1
DE CADA ESTUDIANTE
https://drive.google.com/open?id=1ThZOxpeVD
zuyVy_RKTOnhYmEAtyGyLkv
V. MEJORAS
Es importante tener en cuenta los
líneamientos propuestos por el documento:
Guía de actividades y Rúbrica de evaluación -
Guía de actividades y Rúbrica de evaluación -
Paso 4 – Análisis estadístico de resultados.
Además de observar los tips y paso a paso
dictados por la tutora de la materia en la
webconference, ya que permite ejecutar sin
complicaciones los scripts en Matlab
propuestos en el documento Anexo 1,
graficando por medio de la función plot en
MatLab la curva ROC y tener un referente
para los scripts diseñados por el estudiante.
VI. CONCLUSIONES
• La naturaleza de cualquier procedimiento
de evaluación cualitativa es poder separar
áreas de imagen positivas de píxeles mal
clasificados.
• Para determinar la precisión o exactitud
de las mediciones, es indispensable
cuantificar la diferencia entre el resultado
de una medida y el valor de esta (valor
verdadero, valor real o estándar). A este
mecanismo se reconoce como el error de
incertidumbre.
• En la curva ROC, la prueba fue perfecta, es
decir, que los datos arrojados en la
maquina SVM del paso 3 es ideal, hay una
región en la que cualquier punto de corte
tiene sensibilidad y especifidad iguales a
1: la curva sólo tiene el punto (0,1).
• La curva ROC es útil para conocer el
rendimiento global de una prueba.
• La curva ROC tiene limitaciones en su uso:
sólo contemplan dos estados clínicos
posibles (sano, enfermo) y no sirven para
situaciones en que se trata de discernir
entre más de dos enfermedades.
• La sensibilidad es la probabilidad de que
la persona esté enferma, mientras que la
especificidad es la probabilidad de que de
negativo sobre una persona que se sabe
que esta sana.
VII. REFERENCIAS
POR:
Mario Álvarez Zapata
Curvas ROC. (2019). Accedido:
9 noviembre de 2019, (en línea)
http://www.hrc.es/bioest/roc_1.html
Tratamiento de imágenes | Característica
Operativa del Receptor | Análisis. (2019). 2019, (en línea)
Accedido: https://bookdown.org/content/2274/metod
os-declasificacion.html
9 noviembre de 2019, (en
línea)

https://es.scribd.com/document/394327462 APORTE POR:

/Pregunt as-Fase5 Johnatan_Mazo Ramírez

Eguizamon I, Trabajo de grado (2019).

Accedido: 9 noviembre de 2019, (en línea) AnkeMeyer-BaeseVolkerSchmid. (24
http://www.cc.pol.una.py/wpfg2014/pdf/lba de 06 de 2014). sciencedirect.com.
reiro_dl eguizamon.pdf Obtenido de sciencedirect.com:
https://www.sciencedirect.com/science/arti
Rosero A., UNAL (2019). Accedido: 9 cle/pii/B
noviembre de 2019, (en línea) 9780124095458000029
http://bdigital.unal.edu.co/55947/7/%C3%81 kdnuggets. (06 de 02
ngelaV .CaicedoRosero.2016.pdf de 2017). https://www.kdnuggets.com.
HtaGlossary.net | curva (ROC) de la Obtenido de
característica operativa del receptor (n.f.). https://www.kdnuggets.com:
https://www.kdnuggets.com/2017/02/yhat-
(2019). Accedido: 9 noviembre de 2019, (en
supportvector-machine.html
línea)
http://htaglossary.net/curva+%28ROC%29+d Sullivan, J. (16 de
e+la+ 07 de 2017).
caracter%C3%ADstica+operativa+del+recept https://jtsulliv.github.io. Obtenido
or+% de https://jtsulliv.github.io:
https://jtsulliv.github.io/perceptron/
28n.f.%29

Gráfico de líneas 2D - MATLAB plot-

MathWorks América Latina. (2019).

Accedido: 27 noviembre de 2019, (en línea) APORTE POR:
https://la.mathworks.com/help/matlab/ref/ Katherin Sánchez Sánchez
plot.html

Parra, F. (2019). 6 métodos de

Aguado, A. S. (2012).
clasificación | Estadística y Machine Learning
bibliotecavirtual.unad.edu.co. Obtenido de
con R. Accedido: 27 noviembre de 2019,
bibliotecavirtual.unad.edu.co:
(en línea)
https://bookdown.org/content/2274/metod http://bibliotecavirtual.unad.edu.co:2048/lo
os-declasificacion.html gin?user
=proveedor&pass=danue0a0&url=http://bibl
Mateus, P. (2019). Web conference –
iotecav
Adobe Connect | Cuarta web del curso
irtual.unad.edu.co:2051/login.aspx?direct=tr
Tratamiento de imágenes sobre la unidad 3 -
ue&db
paso 4. Accedido: 27 noviembre de
=nlebk&AN=477505&lang=es&site=ehost-
live Aguado, A. S. (2012). irtual.unad.edu.co:2051/login.aspx?direct=tr
bibliotecavirtual.unad.edu.co. Obtenido de ue&db
bibliotecavirtual.unad.edu.co: =nlebk&AN=477505&lang=es&site=ehost-
http://bibliotecavirtual.unad.edu.co:2048/lo live
gin?user
=proveedor&pass=danue0a0&url=http://bibl Aguado, A. S. (2012).
iotecav bibliotecavirtual.unad.edu.co. Obtenido de
irtual.unad.edu.co:2051/login.aspx?direct=tr bibliotecavirtual.unad.edu.co:
ue&db http://bibliotecavirtual.unad.edu.co:2048/lo
=nlebk&AN=477505&lang=es&site=ehost- gin?user
live =proveedor&pass=danue0a0&url=http://bibl
iotecav
Bovik, A. C. (2009). irtual.unad.edu.co:2051/login.aspx?direct=tr
bibliotecavirtual.unad.edu.co. Obtenido ue&db
de bibliotecavirtual.unad.edu.co: =nlebk&AN=477505&lang=es&site=ehost-
http://bibliotecavirtual.unad.edu.co:2048/lo live
gin?user
=proveedor&pass=danue0a0&url=http://bibl Bovik, A. C. (2009).
iotecav bibliotecavirtual.unad.edu.co. Obtenido
irtual.unad.edu.co:2051/login.aspx?direct=tr de bibliotecavirtual.unad.edu.co:
ue&db http://bibliotecavirtual.unad.edu.co:2048/lo
=nlebk&AN=249002&lang=es&site=ehost- gin?user
live =proveedor&pass=danue0a0&url=http://bibl
iotecav
Mateus, P. (. ( 26 de Julio de 2017). irtual.unad.edu.co:2051/login.aspx?direct=tr
hdl.handle.net. Obtenido de ue&db
hdl.handle.net: =nlebk&AN=249002&lang=es&site=ehost-
http://hdl.handle.net/10596/12674 live
Quilmes., U. N. (2005). iaci.unq.edu.ar. Mateus, P. (. ( 26 de Julio de 2017).
Obtenido de iaci.unq.edu.ar: hdl.handle.net. Obtenido de
hdl.handle.net:
http://iaci.unq.edu.ar/materias/vision/archiv http://hdl.handle.net/10596/12674
os%5Ca
puntes%5CComandos%20comunes%20de%2 Quilmes., U. N. (2005). iaci.unq.edu.ar.
0Matl Obtenido de iaci.unq.edu.ar:
ab%20para%20el%20procesamiento%20de% http://iaci.unq.edu.ar/materias/vision/archiv
20im %C3%A1gen.pdf os%5Ca
Aguado, A. S. (2012). puntes%5CComandos%20comunes%20de%2
bibliotecavirtual.unad.edu.co. Obtenido de 0Matl
bibliotecavirtual.unad.edu.co: ab%20para%20el%20procesamiento%20de%
20im %C3%A1gen.pdf
http://bibliotecavirtual.unad.edu.co:2048/lo
gin?user
=proveedor&pass=danue0a0&url=http://bibl
iotecav