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 análisis concreto de los resultados, en donde
confusión, precisión, exactitud y curva ROC, se aplica unos métodos específicos y así
demostrando conocimiento y dominio poder obtener un mayor resultado,
análisis estadístico de resultados.
es decir una imagen más clara y confiable

B. Objetivo General
b. ¿Qué es evaluación cuantitativa en
Analizar correctamente los resultados
tratamiento de imágenes?
obtenidos por medio de evaluación
Esta técnica esta basaba en el resultado de
cualitativa y cuantitativa, evidenciando
procedimientos matemáticos realizados a lo
conocimiento sobre precisión, exactitud,
largo de un proceso o tratado de una imagen.
curva ROC.
Lo cual permite hacer un análisis de la
imagen, determinando si esta es de calidad o
no, como se puede clasificar, bajo que
II. RESULTADOS Y DESARROLLO DEL
condición y si es positiva o negativa. La
TRABAJO
evaluación cuantitativa se base en la
cuantificación de propiedades escalares y
vectoriales de una imagen.
Actividades a desarrollar Paso 4 –
Análisis estadístico de resultados
c. ¿Qué es verdaderos positivos, falsos
positivos, verdaderos negativos, falsos
APORTE POR:
negativos, en tratamiento de imágenes?
Mario Álvarez Zapata

a. ¿Qué es evaluación cualitativa en • Verdadero Positivo (VP):

corresponde al resultado arrojado y el valor es
tratamiento
positivo. Son los pixeles que corresponden al
de imágenes?
área de interés según la segmentación ideal, y
La naturaleza de cualquier procedimiento de
la herramienta asume que son parte de la
evaluación cualitativa es poder separar áreas lesión.
de imagen positivas de píxeles mal • Falso Positivo (FP): Corresponde a si
clasificados. Emplea la recaudación de datos el resultado real es positivo y la enfermedad
sin medición numérica, para afinar o es ausente. Son los pixeles que no
descubrir preguntas de indagación en el corresponden al área de interés según la
proceso de investigación, se podría decir que segmentación ideal, sin embargo, la
es aquella en que el aporte de la indagación herramienta asume que son parte de la
se basa en técnicas de información que lesión.
permiten conocer las causas mediante el • Verdadero Negativo (VN):
análisis y la valoración. Estableciendo así Corresponde al diagnóstico negativo y
ideas como consecuencia de la observación y resultado ausente. Resultado del tratamiento
evaluación realizadas. Proponen nuevas de una imagen (exploración física o prueba
observaciones y evaluaciones para complementaria) que obtiene un valor de
esclarecer, modificar o fundamentar verdadero negativo (VN) cuando su
suposiciones e ideas. Siendo la evaluación conclusión indica que no tiene una
cualitativa una técnica que permite tener un 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 e. ¿Qué es y cómo se realiza la curva
la herramienta tampoco son parte de la característica operativa del receptor ROC?
lesión. Gráfico que representa la relación entre la
• Falso negativo (FN): Corresponde tasa de verdaderos positivos (sensibilidad) y
cuando el diagnostico arrojado es negativo y la tasa de falsos positivos ("1 - especificidad")
la enfermedad está presente. Son los pixeles como una función del nivel de corte del
que corresponden al área de interés según la marcador de una enfermedad (o condición
segmentación ideal, sin embargo, la clínica). Las curvas ROC ayudan a demostrar
herramienta no los tiene como parte de la cómo el incremento o disminución del punto
lesión.
de corte que define una prueba como
positiva afecta al equilibrio entre la
d. ¿Qué es precisión y exactitud en
identificación correcta de los enfermos
tratamiento
(verdaderos positivos) y la denominación
de imágenes?
incorrecta como positivos de los sanos (falsos
La precisión es la dispersión de un grupo de
positivos).
mediciones, esta se expresa numéricamente.
Y la exactitud es la proximidad que se tiene El área bajo la curva ROC es una expresión
entre el valor medido y el valor verdadero. del potencial diagnóstico de un marcador
Por otro lado, para determinar la precisión o independiente de la población de pacientes y
exactitud de las mediciones, es indispensable puede utilizarse para comparar uno o más
cuantificar la diferencia entre el resultado de marcadores.
una medida y el valor de esta (valor
En consecuencia, las curvas ROC son útiles
verdadero, valor real o estándar). A este
para:
mecanismo se reconoce como el error de
incertidumbre. • Conocer el rendimiento global de una
prueba. Área bajo la curva.
• Comparar dos pruebas o dos puntos
La precisión se refiere a la dispersión del
de corte. Comparación de dos curvas o de dos
conjunto de valores obtenidos de mediciones
puntos sobre una curva.
repetidas de una imagen. Cuanto menor es la • Elegir el punto de corte apropiado
dispersión mayor es la precisión. Una para un determinado paciente.

medida común de la variabilidad es la Limitaciones de su uso: sólo contemplan dos

desviación estándar de las mediciones y la estados clínicos posibles (sano, enfermo) y
precisión se puede estimar como una función no sirven para situaciones en que se trata de
de ella. Es importante resaltar que la discernir entre más de dos enfermedades.
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.
 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).

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 c. ¿Qué es verdaderos positivos, falsos
de investigación en el proceso de positivos, verdaderos negativos, falsos
interpretación, así podríamos decir que es negativos, en tratamiento de imágenes?
aquella en que el aportante de la Las métricas para evaluar procesos de
información se basa en técnicas de detección involucran la frecuencia relativa de
información que permite, conocer las causas las decisiones correctas e incorrectas que
mediante la observación y evaluación hace un observador a partir de las imágenes
establecida. médicas (o de cualquier otro tipo de
evidencia (imágenes de satélite, estadísticas
b. ¿Qué es evaluación cuantitativa en numéricas, graficas de voltaje/corriente)
tratamiento de imágenes? apropiadas al proceso de detección del que
En cualquier situación en la que una se trate). Las medidas básicas son:
anormalidad ocupa una región definida
Número de positivos y negativos, verdaderos
dentro de una imagen. Es necesario
y falsos (PV, NV, FP, FN). A partir de éstos se
establecer criterios objetivos para realizar la
calculan la Sensibilidad y la especificidad del
comparación de los resultados automáticos
proceso de detección (diagnóstico).
contra la imagen de referencia anotada por
un experto. Para esto las regiones de una En el proceso de detección de la presencia o
anormalidad deben estar anotadas en ambas ausencia de una anormalidad en una imagen,
imágenes de manera compatible para se utilizan comúnmente las categorías:
realizar la comparación (muchas veces se 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: replicados de manera
Miguel Zuleta Perez adecuada.

Paso 4 – Análisis estadístico de c. ¿Qué es verdaderos

resultados: positivos, falsos positivos,
verdaderos negativos, falsos
1. Definición de conceptos: negativos, en tratamiento de
estudiando el libro guía, el imágenes?
estudiante investiga de manera
individual y da respuesta a las Son parte de la matriz de
siguientes preguntas teóricas: confusión cuyo orden es el
número de clases, en las
a. ¿Qué es evaluación columnas podemos encontrar
cualitativa en tratamiento de las clases reales y en las filas
imágenes? las clases asignadas por el
clasificador, con esto se puede
La evaluación cualitativa busca
obtener indicadores de
construir y describir la realidad
desempeño, y a su vez se
con la recolección de datos sin
pueden verificar con los
medición numérica, utilizando
indicadores de Proporción de
juicios de valor sobre los datos
verdaderos positivos, con el
y evidencias tomados de la
cual se puede medir la
realidad evaluada.
efectividad del clasificador, y la
b. ¿Qué es evaluación proporción de verdaderos
cuantitativa en tratamiento negativos, que nos muestra la
de imágenes? especificidad del clasificador.

Es el desarrollo de técnicas Proporción de verdaderos

específicas, para la positivos: PVP = VP/ (VP+FN).
incorporación en (Efectividad). Proporción de
aplicaciones tecnológicas se ve verdaderos neg egativos: PVN
limitado por la falta de = VN/ (VN+FP). (Especificidad)
evaluación
cuantitativa de su rendimiento
sobre una base común de
imágenes, lo que impide que
los resultados puedan ser
 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.
 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).
Código

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
APORTE POR: como enfermos decimos que el elemento
Johnatan_Mazo Ramírez está enfermo lo cual genera un error que se
considera como falso negativo.
a. ¿Qué es evaluación cualitativa en
tratamiento de imágenes? Cuando el diagnóstico es positivo, es decir
que el clasificador nos dice que el elemento
Evaluación que trata de construir y describir está enfermo, pero como expertos sabemos
la realidad. Se realiza con base a juicios de que la enfermedad está ausente ósea que el
valor sobre los datos y evidencias extraídos elemento está sano, tendríamos un error
llamado falso positivo
Y por último cuando el diagnóstico es denominación incorrecta como positivos de
positivo, es decir que el clasificador nos los sanos (falsos positivos)
arroje que el elemento está enfermo y
El área de la curva ROC es una expresión del
nosotros como expertos sabemos que el
potencial diagnóstico de un marcador
elemento está enfermo, ósea que se
independiente de la población de pacientes y
convierte en verdadero positivo (Mateus
puede utilizarse para comparar uno o más
Abaunza, 2017)
marcadores

d. ¿Qué es precisión y exactitud en

tratamiento de imágenes? APORTE POR:
Katherin Sánchez Sánchez
Son valores arrojados por la base de datos
generados por el clasificador

Precisión: se refiere a la dispersión del a. ¿Qué es evaluación cualitativa en

conjunto de valores obtenidos de mediciones tratamiento de imágenes?
repetidas de una magnitud. Cuanto menor es
utiliza la recolección de datos sin medición
la dispersión mayor es la precisión. Es
numérica para descubrir o afinar preguntas
importante resaltar que la automatización de
de investigación en el proceso de
diferentes pruebas o técnicas puede producir
interpretación así podríamos decir que es
un aumento de la precisión.
aquella en que el aporte de la información se
Exactitud: se refiere a cuán cerca del valor basa en técnicas de información que permita
real se encuentra el valor medido. En conocer las causas mediante la observación y
términos estadísticos, la exactitud está evaluación estableciendo así ideas como
relacionada con el sesgo de una estimación. consecuencias de la observación y evaluación
Cuanto menor es el sesgo más exacto es una realizadas proponen nuevas observaciones y
estimación. Cuando se expresa la exactitud evaluaciones para generar otras tratando de
de un resultado, se expresa mediante el construir una realidad basados en juicios de
error absoluto que es la diferencia entre el valor.
valor experimental y el valor verdadero
b. ¿Qué es evaluación cuantitativa en
tratamiento de imágenes?
e. ¿Qué es y cómo se realiza la curva Es el desarrollo de técnicas específicas, para
característica operativa del receptor ROC? la incorporación en aplicaciones tecnológicas
se ve limitado por la falta de evaluación
Gráfico que representa la relación entre la
cuantitativa de su rendimiento sobre una
tasa de verdaderos positivos (sensibilidad) y
base común de imágenes, lo que impide que
la tasa de falsos positivos (“1- especificidad”)
los resultados puedan ser replicados de
como una función del nivel de corte del
manera adecuada
marcador de una enfermedad. Las curvas
ROC ayudan a demostrar como el c. ¿Qué es verdaderos positivos, falsos
incremento o disminución del punto de corte positivos, verdaderos negativos, falsos
que define una prueba como positiva afecta negativos, en tratamiento de imágenes?
al equilibrio entre la identificación correcta
de los enfermos (verdaderos positivos) y la
La información de la prueba de clasificación información y las imprecisiones que en este
se dispone en una matriz de confusión. La proceso pueden aparecer, y tratan de
matriz de confusión es una matriz cuadrada eliminar estas imprecisiones para que los
cuyo orden es el número de clases. En las Niveles Digitales de las distintas celdas
columnas se presentan las clases reales reflejen fielmente la realidad presente en el
mientras que en las filas se presentan las momento de capturar dicha imagen.
clases asignadas por el clasificador; en la
Tabla 3, se muestra una matriz de confusión
Independientemente del número de bandas
para dos clases. La suma vertical muestra la
de la imagen, las correcciones se realizan de
distribución real de las clases, mientras que
forma individual para cada una de las
la suma horizontal muestra la distribución de
bandas, ya que algunos de los errores
las clases producida por el clasificador. El
pueden aparecer solo en parte de dichas
análisis de los clasificadores se hace con base
bandas, y no necesariamente sobre todas
en la matriz de confusión de donde se
ellas de forma simultánea para un mismo
obtienen los indicadores de desempeño.
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
a. ¿Qué es precisión y exactitud en
la tasa de falsos como una función del nivel
tratamiento de imágenes?
de corte del marcador de una enfermedad (o
El proceso de rectificación implica el cálculo condición clínica). Las curvas ROC ayudan a
de la función de transformación, para lo cual demostrar cómo el incremento o
se emplea un conjunto de puntos de disminución del punto de corte que define
referencia o puntos de control. Estos son una prueba como positiva afecta al equilibrio
elementos puntuales de los cuales se conoce entre la identificación correcta de los
con exactitud sus coordenadas reales (bien enfermos (verdaderos positivos) y la
habiéndolas tomado sobre el terreno o bien denominación incorrecta como positivos de
con una imagen ya corregida cuya los sanos (falsos positivos).
georreferencia pueda emplearse como dato
El área bajo la curva ROC es una expresión
fiable), y pueden localizarse en la imagen.
del potencial diagnóstico de un marcador
Identificando estos puntos y localizándolos
independiente de la población de pacientes y
sobre la imagen a corregir se puede calcular
puede utilizarse para comparar uno o más
la transformación de tal forma que, al aplicar
marcadores.
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
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 • La naturaleza de cualquier procedimiento
sensibilidad mayor (94%) con la proporción de evaluación cualitativa es poder separar
menor de falsos positivos (24%). áreas de imagen positivas de píxeles mal
clasificados.
• Para determinar la precisión o exactitud
2. Implementación de códigos (componente de las mediciones, es indispensable
práctico): cada estudiante debe realizar de cuantificar la diferencia entre el resultado
manera individual la implementación de los de una medida y el valor de esta (valor
códigos que se encuentran en el Anexo 1. verdadero, valor real o estándar). A este
También debe analizar los resultados mecanismo se reconoce como el error de
obtenidos y crear los scripts que se solicitan incertidumbre.
en el mismo anexo. • 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
ENLACE WEB DESARROLLO ANEXO 1 tiene sensibilidad y especifidad iguales a
DE CADA ESTUDIANTE 1: la curva sólo tiene el punto (0,1).
• La curva ROC es útil para conocer el
https://drive.google.com/open?id=1ThZOxpeVD rendimiento global de una prueba.
zuyVy_RKTOnhYmEAtyGyLkv • 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
V. MEJORAS la persona esté enferma, mientras que la
especificidad es la probabilidad de que de
Es importante tener en cuenta los
negativo sobre una persona que se sabe
líneamientos propuestos por el documento:
que esta sana.
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 VII. REFERENCIAS
webconference, ya que permite ejecutar sin
complicaciones los scripts en Matlab
propuestos en el documento Anexo 1, POR:
graficando por medio de la función plot en Mario Álvarez Zapata
MatLab la curva ROC y tener un referente
para los scripts diseñados por el estudiante.
Curvas ROC. (2019). Accedido:
9 noviembre de 2019, (en línea)

http://www.hrc.es/bioest/roc_1.html
VI. CONCLUSIONES 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