Marco Teorico

Dise no de metodologa para caracterizar
texturas presentes en im agenes de proyectiles

disparados por armas de fuego, con el n de
realizar cotejo autom atico
Jeison M endez Garca
Facultad de Ingenieras El ectrica, Electr onica,
Fsica y Ciencias de la Computaci on
Pereira, Colombia
2010
Dise no de metodologa para caracterizar
texturas presentes en im agenes de proyectiles
disparados por armas de fuego, con el n de
realizar cotejo autom atico
Jeison M endez Garca
Tesis para optar por el ttulo de
Ingeniero Fsico
Director
M.Sc. Jorge Hernando Rivera Piedrahita.
Universidad Tecnol ogica de Pereira
Facultad de Ingenieras El ectrica, Electr onica,
Fsica y Ciencias de la Computaci on
Pereira, Colombia
2010
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.
Indice general
Indice general
Indice de guras
Indice de tablas
1 Marco te orico y estado del arte 3
1.1. Procesamiento digital de Im agenes . . . . . . . . . . . . . . . . . . . . 3
1.1.1. Adquisici on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2. Mejora de im agenes . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3. Representaci on y descripci on . . . . . . . . . . . . . . . . . . 9
1.2. Textura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2. Descripci on de texturas, enfoque estadstico . . . . . . . . . . . 10
1.2.3. Descripci on de texturas, enfoque espectral . . . . . . . . . . . . 12
1.2.4. Descripci on de textura, enfoque estructural . . . . . . . . . . . 15
1.3. Signicaci on estadstica y potencia estadstica . . . . . . . . . . . . . . 15
1.4. Comparaci on de medias: El contraste t . . . . . . . . . . . . . . . . . . 16
1.5. An alisis de varianza: ANOVA . . . . . . . . . . . . . . . . . . . . . . 17
1.5.1. Contraste de Shapiro-Wilk (Normalidad) . . . . . . . . . . . . 20
1.5.2. Contraste de Levene (Homocedasticidad) . . . . . . . . . . . . 21
1.6. Comparaci on de dos poblaciones multivariantes . . . . . . . . . . . . . 22
1.7. An alisis 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. An alisis Discriminante . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.9. An alisis Cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.9.1. Medidas de similitud . . . . . . . . . . . . . . . . . . . . . . . 33
1.9.2. Formaci on de conglomerados . . . . . . . . . . . . . . . . . . 34
1.10. Balstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

INDICE GENERAL
1.10.1. Terminologa . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.10.2. Anatoma de armas de fuego y munici on . . . . . . . . . . . . 41
1.10.3. Marcas b asicas sobre evidencia balstica . . . . . . . . . . . . . 44
1.10.4. Identicaci on tradicional de armas de fuego . . . . . . . . . . . 44
1.10.5. Inuencia de la manufactura de armas en la identicaci on . . . 46
1.10.6. Inuencia del uso de armas en la identicaci on . . . . . . . . . 47
2 Dise no experimental 49
2.1. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.1. Equipo utilizado . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.2. Im agenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3. Extracci on de caractersticas . . . . . . . . . . . . . . . . . . . . . . . 52
2.4. An alisis de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5. An alisis de varianza m ultiple . . . . . . . . . . . . . . . . . . . . . . . 55
2.6. An alisis discriminante . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.7. An alisis de conglomerados . . . . . . . . . . . . . . . . . . . . . . . . 61
3 An alisis de Resultados y conclusiones 65
3.1. Discusi on previa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. An alisis univariado de la varianza: ANOVA . . . . . . . . . . . . . . . 66
3.3. An alisis multivariado de la varianza: MANOVA . . . . . . . . . . . . . 66
3.4. An alisis discriminante y an alisis de conglomerados . . . . . . . . . . . 66
Bibliografa 69
A Tablas de resultados 77
B Actualidad de la identicaci on autom atica de armas 89
C Manufactura e identicaci on 95
D Uso e identicaci on 99
E Datos t ecnicos, equipos LEICA 101
F Scripts Matlab 103
Indice de guras
1.1. Diagrama de procesamiento digital de im agenes . . . . . . . . . . . . . . . 4
1.2. Funci on de transformaci on de niveles de gris . . . . . . . . . . . . . . . . 6
1.3. Mejora de contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. descripci on de textura enfoque de Fourier . . . . . . . . . . . . . . . . . . 14
1.5. Descripci on estructural de texturas . . . . . . . . . . . . . . . . . . . . . . 15
1.6. Representaci on univariante de puntuaciones Z discriminantes . . . . . . . . 31
1.7. Comparaci on entre encadenamiento simple y compuesto . . . . . . . . . . 36
2.1. Arreglo para la adquisici on de las im agenes . . . . . . . . . . . . . . . . . 50
2.2. Desenvolvimiento de la supercie del proyectil . . . . . . . . . . . . . . . 51
2.3. Diagrama de ujo para obtener supercies desenvueltas . . . . . . . . . 51
2.4. Histograma de bajo contraste . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5. Contraste mejorado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6. Diagrama de ujo para extracci on de caractersticas . . . . . . . . . . . . . 53
2.7. Diagrama de ujo para an alisis univariado . . . . . . . . . . . . . . . . . . 55
2.8. Diagrama de ujo MANOVA . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.9. An alisis discriminante datos MCNG . . . . . . . . . . . . . . . . . . . . . 58
2.10. An alisis discriminante datos Histograma . . . . . . . . . . . . . . . . . . . 59
2.11. An alisis discriminante datos S (r) . . . . . . . . . . . . . . . . . . . . . . . 59
2.12. An alisis discriminante datos S () . . . . . . . . . . . . . . . . . . . . . . . 60
2.13. An alisis de conglomerados MCNG . . . . . . . . . . . . . . . . . . . . . . 61
2.14. An alisis de conglomerados Histograma . . . . . . . . . . . . . . . . . . . 62
A.1. Comparaci on m ultiple de medias y Tablas de ANOVA (MCNG) . . . . . . 82
A.2. Comparaci on m ultiple de medias y Tablas de ANOVA (Histograma) . . . . 83
A.3. Comparaci on m ultiple de medias y Tablas de ANOVA (S (r)) . . . . . . . . 84
A.4. Comparaci on m ultiple de medias y Tablas de ANOVA (S ()) . . . . . . . . 85

INDICE DE FIGURAS
B.1. Serie IBIS-TRAX-3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Indice de tablas
1.1. Poblaci on univariante con k grupos . . . . . . . . . . . . . . . . . . . . . . 18
1.2. Tabla de An alisis de varianza de un factor . . . . . . . . . . . . . . . . . . 20
1.3. Poblaci on multivariante con k grupos . . . . . . . . . . . . . . . . . . . . . 24
1.4. Tabla de An alisis de varianza m ultiple . . . . . . . . . . . . . . . . . . . . 25
1.5. Distribuciones del estadstico de Wilks . . . . . . . . . . . . . . . . . . 27
2.1. C odigos de las armas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2. C odigos de las caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3. Sumario de grupos diferentes bajo an alisis univariado . . . . . . . . . . . . 54
A.1. Caractersticas a partir del histograma . . . . . . . . . . . . . . . . . . . . 77
A.2. Caractersticas a partir de la MCNG . . . . . . . . . . . . . . . . . . . . . 78
A.3. Caractersticas a partir de S (r) . . . . . . . . . . . . . . . . . . . . . . . . 78
A.4. Caractersticas a partir de S () . . . . . . . . . . . . . . . . . . . . . . . . 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 ()) . . . . . . . . . . . . . . . . . . 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 ()) . . . . . . . . . . . . . . . . 81
A.13. Pruebas de esfericidad de Bartlett . . . . . . . . . . . . . . . . . . . . . . . 86
A.14. MANOVA para caractersticas de la MCNG . . . . . . . . . . . . . . . . . 86
A.15. MANOVA para caractersticas del histograma . . . . . . . . . . . . . . . . 87
A.16. MANOVA para caractersticas de S (r) . . . . . . . . . . . . . . . . . . . . 87
A.17. MANOVA para caractersticas de S () . . . . . . . . . . . . . . . . . . . . 88
C.1. Manufactura de ca nones e identicaci on de armas . . . . . . . . . . . . . . 98
D.1. Uso e identicaci on de armas . . . . . . . . . . . . . . . . . . . . . . . . . 99
Introducci on
La comparaci on entre im agenes de proyectiles, disparados por armas de fuego, llevada
a cabo por los t ecnicos en balstica 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 t ecnico
para comparar texturas presentes en la imagen del proyectil objeto de prueba y la imagen
del proyectil incriminado, lo anterior representa una enorme limitaci on a la hora de usar
este tipo de evidencia en una corte o juzgado.
Ahora bien, hace ya varios a nos en diferentes pases del mundo, tales como Estados
unidos, Canad a, y Australia entre otros, los entes encargados de hacer cumplir la ley
han llevado acabo investigaciones para desarrollar dispositivos que puedan capturar las
im agenes de proyectiles y vainillas relacionados con investigaciones judiciales, luego
usando procesamiento digital de im agenes dotar de caractersticas cuantitativas a los
patrones presentes en proyectiles y vainillas disparadas, para facilitar y agilizar la tarea
de identicaci on de armas de fuego.
En este tipo de desarrollo se parte de la premisa que marcas caractersticas son impresas
sobre el proyectil y la vainilla cuando un arma de fuego es disparada. Adem as, la
hip otesis asume una combinaci on unica de marcas tal que la probabilidad de encontrar
dos conjuntos id enticos de marcas es pr acticamente nula [1]. Al rededor de treinta
caractersticas de estas marcas pueden ser distinguidas, las cuales siendo combinadas
pueden producir una huella digital del arma de fuego. Analizando las caractersticas
de un conjunto de huellas digitales de armas, ser a posible identicar no solo el tipo y
modelo del arma de fuego, sino que tambi en cada arma en particular de manera tan
efectiva como la huella digital humana identica cada individuo [2].
El desarrollo de la metodologa consta del estudio, an alisis y aplicaci on de las t ecnicas
usadas en cada una de las etapas que consta el procesamiento de im agenes digitales,
tales como adquisici on, preprocesamiento, segmentaci on, representaci on y descripci on,
clasicaci on y reconocimiento.
En la etapa de descripci on donde se lleva cabo la extracci on de caractersticas, se propone
el uso de informaci on espectral y estadstica de las texturas presentes en la imagen.
1
2

INDICE DE TABLAS
La investigaci on es importante en la medida que es un avance en el desarrollo de una
herramienta que facilite el cotejo de material probatorio. Actualmente el n umero de casos
relacionados con proyectiles disparados por armas de fuego en la regi on se acerca a los
3000 casos anuales, esto sumado a que la tarea de comparaci on tradicional consume una
gran cantidad de tiempo, justica el creciente ndice de impunidad en casos relacionados
con armas de fuego.
Captulo 1
Marco te orico y estado del arte
1.1. Procesamiento digital de Im agenes
Una imagen es una funci on 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 acci on del
procesamiento digital de im agenes se reere al tratamiento de las im agenes digitales
usando computadores [3].
Aunque la visi on es uno de los m as complejos sentidos de los humanos, solo nos permite
relacionar con im agenes, los efectos sobre la materia de la parte visible del espectro
electromagn etico (400nm-700nm), de all surge la importancia de las im agenes digitales,
pues con el dispositivo transductor adecuado podemos obtener im agenes no solo de casi
todo el espectro electromagn etico, desde gamma hasta ondas de radio, sino tambi en de
otro tipo de ondas como las sonoras. Debido a lo anterior, el procesamiento digital de
im agenes es ampliamente estudiado en diferentes campos del conocimiento.
Se muestra en la gura 1.1, el esquema que representa las etapas del procesamiento de
im agenes digitales.
La etapa de adquisici on es una etapa en la cual con un dispositivo fsico sensible a una
determinada banda del espectro electromagn etico, el cual produce una se nal electrica a
la salida, y un digitalizador el cual convierte la salida del dispositivo a una forma digital;
se pueden adquirir las im agenes para luego almacenarlas.
Luego de la adquisici on viene una etapa de almacenamiento en la cual se agregan
im agenes a una base de datos la cual sirve como base de conocimiento durante el
an alisis de los resultados.
En la etapa de preprocesamiento el objetivo es resaltar las componentes de la imagen
3
4 CAP
ITULO 1. MARCO TE

ORICO Y ESTADO DEL ARTE
Figura 1.1: Etapas del procesamiento digital de im agenes
que son de inter es y reducir o eliminar las que no son de inter es. Se espera que el
resultado del preprocesamiento sea una imagen lo m as apta posible para las etapas
posteriores del procesamiento.
Durante la segmentaci on se aislan los objetos constituyentes de la imagen que son de
inter es para el an alisis. El grado de segmentaci on es funci on del problema a resolver, es
decir, la segmentaci on debe detenerse cuando los objetos de inter es han sido aislados.
Cabe mencionar que no en todas las aplicaciones es importante segmentar las im agenes
pues el inter es est a en las caractersticas que puede proporcionar toda la imagen y no
solo una porci on de ella.
La etapa de extracci on de caractersticas consiste en extraer informaci on cuantitativa
de los elementos constitutivos de inter es de la imagen con el n de estar en capacidad
de diferenciar entre clases. Los elementos de inter es pueden ser externos o internos;
externos (de contorno) cuando el objetivo principal se centra en las caractersticas
de forma, e internos (los pixeles que comprenden una regi on) cuando el objetivo se
centra en las propiedades de reectividad, tales como color, niveles de gris y textura.
Luego durante la selecci on de caractersticas, se usan t ecnicas que permitan separar
caractersticas relevantes (las que permiten determinar un factor discriminante entre
clases) de caractersticas redundantes o innecesarias.
Finalmente, llega la etapa de asignaci on de etiquetas a objetos y m as all a, la asignaci on
de signicados a conjuntos de objetos. Esta etapa es conocida como reconocimiento,
y es por as decirlo, la etapa en la cual se trata de dotar a los sistemas digitales de
procesamiento de una capacidad de aproximaci on, similar a la de los seres humanos.
1.1. PROCESAMIENTO DIGITAL DE IM

AGENES 5
1.1.1. Adquisici on
La digitalizaci on de las im agenes es requerida debida a la necesidad de almacenamiento
para procesos posteriores de visualizaci on, transmisi on o an alisis. Debido a que en
el mundo real las im agenes son continuas, es decir, entre dos puntos dados hay
una innidad de puntos, se necesitara una cantidad innita de bits para representar
ese segmento en un computador; adem as, la representaci on de la intensidad tambi en
demandara una cantidad innita de bits para representar las variaciones a trav es del
segmento. Es por esto que las im agenes se representan como un conjunto discreto de
datos organizado en una matriz 2D.
Dentro de los dispositivos usados en la tarea de digitalizar las im agenes, se encuentran
las vdeo c amaras, las c amaras CCD (Dispositivo de carga acoplada) y las c amaras
CMOS (
Oxido de Metal Semiconductor Complementario).

El funcionamiento b asico de la vdeo c amara es el dado en un tubo vidicon. Este funciona
barriendo un rayo de electrones a trav es de una capa (coating) de f osforo dispuesta en
el interior del tubo de vidrio. La luz entra a la c amara a trav es de la supercie frontal
de vidrio y una delgada capa met alica ( anodo) creando electrones libres en el f osforo.
Esto vara la conductividad local de la capa, de esta manera la cantidad de corriente
que uye hacia el anodo vara a medida que el rayo se barre sobre la supercie, acorde
a la intensidad local de la luz. Esta se nal el ectrica an aloga de variaci on continua, por
intervalos, es amplicada y digitalizada para ser almacenada en datos de 8 bits [4].
Las c amaras a base de tubos han sido reemplazadas por c amaras basadas en chips de
estado s olido, entre las cuales se encuentran las c amaras CCD. El chip contiene arreglos
de diodos que funcionan como baldes de luz. La luz que entra al semiconductor excita
los electrones de la banda de valencia para que pasen a la banda de conducci on, de
esta manera el numero de electrones es una medida directa de la intensidad de la luz
incidente.
Cada balde representa un pxel en la c amara, 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 la de lectura, que recibe los electrones almacenados por una la de baldes
de manera simult anea. Una se nal de reloj controla el corrimiento de la carga almacenada
en una la de lectura. Los electrones son llevados a un amplicador y de all pueden ser
enviados en forma se nal an aloga a una vdeo c amara o medidos inmediatamente para
producir una salida num erica de una c amara digital [4].
1.1.2. Mejora de im agenes
En el procesamiento de im agenes digitales, as como en el an alisis de se nales digitales
unidimensionales, es necesaria una etapa de preprocesamiento de la se nal. En esta etapa
se aplican determinadas t ecnicas, las cuales hacen la se nal de salida m as apropiada para
la aplicaci on de las t ecnicas siguientes del procesamiento.
Las t ecnicas utilizadas para mejorar las im agenes digitales est an dentro de dos grandes
6 CAP
ITULO 1. MARCO TE

categoras. Existen las t ecnicas de mejora espacial, las cuales se llevan a cabo
directamente sobre la imagen, m as especcamente sobre los valores de intensidad de
los pixeles que componen la imagen; y las t ecnicas en el dominio de la frecuencia,
las cuales se basan en la manipulaci on del espectro de Fourier de la imagen. Adem as,
resulta tambi en habitual el uso de t ecnicas de mejora que combinan m etodos de ambas
categoras.
Mejora espacial
Las t ecnicas de mejora espacial consisten en proporcionar a las im agenes una
distribuci on de intensidades o niveles de gris diferente a la original, con el n de resaltar
detalles escondidos de las im agenes originales.
La funci on de transformaci on de nivel de gris (tambi en denominada correspondencia),
seg un [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 seg un la funci on de transformaci on T.
Por ejemplo, en la gura (1.2), se muestra una transformaci on que mejora el contraste
de las im agenes, oscureciendo los niveles de gris por debajo de un valor m, e iluminando
los niveles de gris por encima del mismo valor. La funci on de transformaci on se puede
deformar hasta formar una imagen binaria, es decir, a los niveles de gris de la imagen
original que est en 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 m aximo nivel (255 en el caso de una imagen
de 8 bits).
Figura 1.2: Funci on de transformaci on
1.1. PROCESAMIENTO DIGITAL DE IM

AGENES 7
Mejora en el dominio de la frecuencia
La mejora de las im agenes en el dominio de la frecuencia, consiste b asicamente en
calcular el espectro de Fourier de la imagen y modicar este seg un las necesidades. Se
puede por ejemplo, resaltar los bordes acentuando las componentes de alta frecuencia,
suavizar las supercies 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 est a denido seg un [5]:
p(r
k
) =
n
k
n
; k = 0, 1, 2, . . . , L (1.2)
Donde r
k
es el k- esimo nivel de gris o valor intensidad, n
k
es el n umero de pixeles de la
imagen con ese valor de nivel de gris, n es el n umero total de pixeles de la imagen y L
es el m aximo 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 denici on anterior se puede observar que p(r
k
) representa la probabilidad de
aparici on 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 distribuci on del histograma se puede inferir s la imagen es
oscura, brillante, de bajo o alto contraste. Sin embargo,el histograma no proporciona
informaci on sobre la distribuci on espacial de los pixeles en la imagen.
Mejora de Contraste
El aumento de contraste consiste en incrementar el rango din amico de los niveles de gris
presentes en la imagen que est a siendo procesada.
Algunas causas de bajo contraste en una imagen digital son: pobre iluminaci on del
objetivo ocular, deciencia en el rango din amico 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 m etodo para mejorar im agenes
incluyendo la mejora de contraste, depende de la aplicaci on, por ejemplo una t ecnica
puede tener buenos resultados al ser aplicada sobre una imagen de resonancia magn etica
nuclear y no serlo para mejorar una imagen de rayos-X.
Una transformaci on de niveles de gris b asica, es la mostrada en la gura (1.3) ,
donde la ubicaci on de los puntos (r
1
, s
1
) y (r
2
, s
2
) controla la forma de la funci on de
transformaci on. Algunas de las opciones son por ejemplo r
1
= s
1
y r
2
= s
2
, la cual es
una transformaci on lineal que no tiene efecto de variaci on en el contraste; s r
1
= 0,
s
1
= L (siendo L el m aximo nivel de gris permitido), r
2
= L y s
2
= 0, la imagen de
8 CAP
ITULO 1. MARCO TE

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
, s
1
= 0 y s
2
= L, el resultado es una imagen binaria. De forma
m as general, en una transformaci on que mejore el contraste, en varios niveles, se espera
que r
1
r
2
y s
1
s
2
, de forma que la funci on de transformaci on sea de valor unico y
mon otonamente creciente. Estas caractersticas permiten una correspondencia uno a uno
en los niveles de gris y que se preserve el orden de los mismos.
Figura 1.3: Funci on de transformaci on para mejora de contraste
A continuaci on son presentadas dos t ecnicas ampliamente utilizadas en la mejora de
contraste de im agenes digitales.
La Ecualizaci on del histograma o Linealizaci on del histograma es una t ecnica usada
para obtener un histograma uniforme. La transformaci on de nivel de gris para esta
t ecnica viene dada por:
s
k
= T(r
k
) =
k
j=0
n
j
n
(1.3)
Las variables son como se mencionaron en la ecuaci on (1.2), de manera adicional se
tiene que los niveles de gris r
k
est an normalizados, esto es, pertenecen al intervalo [0, 1],
donde 0 es el negro y 1 es el blanco.
La funci on de transformaci on cumple las siguientes condiciones seg un [5]:
1. T(r) es de valor unico y mon otonamente creciente en el intervalo 0 r 1
2. 0 T(r) 1 para 0 r 1
La condici on 1 conserva el orden entre blanco y negro de la escala de grises, mientras la
condici on 2 garantiza una aplicaci on que es coherente con el rango de valores de pixel
1.2. TEXTURA 9
permitidos.
La otra t ecnica es conocida como Especicaci on del histograma, la idea b asica es tener
la capacidad de poder especicar histogramas capaces de destacar determinados rangos
de gris de una imagen, a diferencia del m etodo anterior que produce unicamente la
aproximaci on a un histograma plano.
El inconveniente de la t ecnica es la necesidad de construir histogramas signicativos para
determinada necesidad, aumentando el costo computacional y reduciendo la generalidad
de la aplicaci on de la t ecnica.
1.1.3. Representaci on y descripci on
El esquema elegido para representar una imagen depende de los intereses posteriores
del an alisis. Existen dos esquemas de representaci on para im agenes: Externa (de
contorno), cuando el inter es se centra en caractersticas de forma, tales como longitud,
permetro, concavidad; o Interna (de regi on), cuando el inter es se centra en el contenido
pictogr aco, en los pxels que componen determinada regi on de la imagen, tales como
color y textura.
El enfoque de este trabajo est a en las texturas que se presentan en los proyectiles
disparados por armas de fuego, de manera tal que el esquema de representaci on
seleccionado es el regional.
1.2. Textura
1.2.1. Introducci on
La textura est a denida como toda variaci on de los datos a una escala m as peque na que
la escala de inter es. Por ejemplo, s se est a interesado en identicar una persona que luce
una camisa hawaiana, el patr on de las guras en la camisa es considerado como textura
[6]. Aunque no existe una denici on formal de la textura, este descriptor de las im agenes
proporciona intuitivamente medidas de propiedades tales como suavidad, rugosidad y
regularidad [5]
El an alisis de las texturas presentes en im agenes ha sido y es un importante objeto
de estudio dentro del procesamiento de im agenes. El inter es en las texturas aparece
principalmente en las aplicaciones presentes en sistemas aut omatas de visi on articial y
en el reconocimiento de objetos.
Las texturas presentan dos importantes caractersticas 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.
10 CAP
ITULO 1. MARCO TE

Las texturas dependen de la geometra de la gura, es decir, bajo diferentes
entornos de iluminaci on 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 supercie representada
por la imagen, es decir, aunque la imagen est e uniformemente coloreada la textura
aparecer a en forma de sombras y regiones mejor iluminadas. Lo anterior aplica en
im agenes, denominadas im agenes opticas. Sin embargo, las texturas pueden aparecer
en im agenes no- opticas, como lo son por ejemplo las provenientes de t ecnicas como
resonancia magn etica, ultrasonido y termografa entre otras.
El signicado de la aparici on de texturas en im agenes de este tipo da idea de la variaci on
de cierto par ametro fsico a escala m as peque na que la escala de inter es. Por ejemplo, en
im agenes de resonancia magn etica (MRI), las texturas indican la variaci on de la densidad
de protones entre una zona y la siguiente.
Desde el punto de vista del an alisis de texturas, im agenes opticas y no- opticas son
tratadas de la misma forma [6].
Existen tres m etodos ampliamente utilizados en la descripci on de la textura que presenta
determinada imagen. Estos son los estadsticos, estructurales y espectrales.
1.2.2. Descripci on de texturas, enfoque estadstico
Habiendo seleccionado ya el esquema de representaci on interno, en el cual el inter es
est a en los pixeles que forman la imagen. Pueden ser obtenidas caractersticas de tipo
estadstico 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 pxel.
El n- esimo momento alrededor de la media de un conjunto discreto de datos seg un [3]
est a dado por:
n
=
L
i=0
(z
i
m)
n
p(z
i
) (1.4)
Donde z
i
representa una variable aleatoria discreta, p(z) es el histograma de la imagen,
L es el m aximo nivel de gris que puede tomar la imagen (depende s esta es de 8-bits,
16-bits, etc) y m es la media o intensidad promedio de la imagen.
Se presentan a continuaci on un conjunto de descriptores utiles en la representaci on
estadstica de caractersticas de las im agenes digitales [3, 5].
1.2. TEXTURA 11
m =
L
i=0
z
i
p(z
i
) Intensidad promedio. (1.5)
=
_
2
(z) Contraste promedio (1.6)
R = 1
1
1 +
2
Medida de la suavidad relativa (1.7)
3
=
L
i=0
(z
i
m)
3
p(z
i
) Medida de la asimetra del histograma (1.8)
U =
L
i=0
p(z
i
)
2
Uniformidad de niveles de gris (1.9)
e =
L
i=0
p(z
i
) log p(z
i
) Entropa (1.10)
Sin embargo, existe otra forma de extraer caractersticas estadsticas de la imagen,
teniendo en cuenta ahora no solamente la distribuci on de niveles de gris, sino tambi en la
posici on relativa de pixeles que tienen iguales, o casi iguales niveles de intensidad. Esta
forma de describir la textura posibilita la identicaci on 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 a
i j
es el n umero de veces que aparecen los
puntos con el nivel de gris z
i
(en la posici on especicada 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 n umero total de pares de puntos de la imagen que satisfacen el
operador de posici on P, esto es n =
_
a
i j
. Entonces se puede construir la matriz de
co-ocurrencia de niveles de gris de la imagen, as:
C =
1
n
A (1.11)
Entonces c
i j
es una estimaci on de la probabilidad conjunta que par de puntos que
satisfacen P, tengan valores (z
i
, z
j
). Luego, como C depende del operador de posici on
P, se puede detectar la presencia de un patr on dado de textura eligiendo P de forma
adecuada.
De forma m as general, el problema consiste en analizar una matriz C dada, con el n de
establecer la categora de la textura de la regi on sobre la cual se calcula C. Un conjunto
de descriptores utiles para este n, incluye:
12 CAP
ITULO 1. MARCO TE

j
|i j|
2
c
i j
Contraste (1.12)
j
(i
i
) ( j
j
) c
i j
i

j
Correlaci on (1.13)
j
c
2
i j
Energa o Uniformidad (1.14)
j
c
i j
1 + |i j|
Homogeneidad (1.15)
j
c
i j
log(c
i j
) Entropa (1.16)
m ax(c
i j
) M axima probabilidad (1.17)
1.2.3. Descripci on de texturas, enfoque espectral
El espectro de Fourier de una imagen es ampliamente usado porque permite detectar
f acilmente la presencia de patrones peri odicos o cuasi-peri odicos globales en las
im agenes. Tales patrones, aunque son f acilmente distinguibles como concentraciones
de alta energa en el espectro, generalmente son bastante difciles de detectar usando
m etodos de dominio espacial por la naturaleza local de esas t ecnicas [2].
La transformada de Fourier de una funci on continua de dos variables, f (x, y),
est a denida por la siguiente ecuaci on:
F(u, ) =
_

f (x, y)e
j2(ux+y)
dxdy (1.18)
donde j =
1
La Transformada de Fourier de una funci on discreta de dos variables (imagen
digitalizada) f (x, y), de tama no M x N, est a dada por la ecuaci on:
F(u, ) =
1
MN
M1
x=0
N1
y=0
f (x, y)e
j2(ux/M+y/N)
(1.19)
donde u = 0, 1, 2, 3, . . . , M 1 ; = 0, 1, 2, 3, . . . , N 1.
Se dene el espectro de Fourier por la ecuaci on
|F(u, )| = [R
2
(x, y) + I
2
(x, y)]
1
2
(1.20)
Donde R(x, y) e I(x, y) son la parte real e imaginaria del espectro.
Son consideradas tres caractersticas del espectro de Fourier que son utiles para la
descripci on de la textura [5]:
1. Picos prominentes del espectro que dan la direcci on principal de los patrones de
textura.
1.2. TEXTURA 13
2. La localizaci on de los picos en el plano de la frecuencia da el perodo espacial
fundamental de los patrones.
3. La eliminaci on de componentes peri odicos mediante el ltrado deja elementos
no peri odicos de la imagen, que se pueden describir por medio de t ecnicas
estadsticas.
La detecci on e interpretaci on de las caractersticas es simplicado expresando el espectro
en coordenadas polares, para producir una funci on S (r, ), siendo S la funci on del
espectro y r y las variables de este sistema de coordenadas. Para cada direcci on
se puede considerar S (r, ) como una funci on unidimensional S
(r), de forma similar

para cada frecuencia r, se puede S (r, ) se puede considerar como unidimensional S
r
().
Analizando S
(r) para un valor jo de se obtiene el comportamiento del espectro (tal

como la presencia de picos) a lo largo de una direcci on radial desde el origen, mientras
que analizando S
r
() para un valor jo de r, se obtiene el comportamiento a lo largo de
un semicrculo de radio r centrado en el origen. Luego, una descripci on m as global se
obtiene integrando (sumando variables discretas), as:
S (r) =
=0
S
(r) (1.21)
S () =
R
r=1
S
r
() (1.22)
Para un espectro NxN, se escoge R = N/2; en general para un espectro MxN, se
determina s 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 ()] para cada par de coordenadas (r, ). Variando estas coordenadas se pueden
obtener dos funciones unidimensionales, S (r) y S (), que constituyen una descripci on
de la energa espectral de la textura para una regi on o para una imagen completa. M as
a un, los mismos descriptores de estas funciones se pueden calcular para caracterizar su
comportamiento cuantitativamente. Los descriptores que normalmente se utilizan para
este n son la localizaci on del valor m aximo, la media, la varianza de la amplitud y de
las variaciones axiales, adem as de la distancia entre los valores m aximo y medio de la
funci on [5].
A manera de ilustraci on, se muestra en la gura 1.4, la comparaci on de dos im agenes
diferentes a trav es de las componentes radial (S (r)) y angular (S ()) de sus espectros.
Se puede observar de las im agenes, que las diferencia la cantidad de ruido incluido en
cada una, la orientaci on de las franjas, las cuales tienen un patr on cuasiperi odico, y
adem as, se puede observar que una es la reexi on de la otra. Esta relaci on existente
entre las im agenes, hace que sus espectros radiales sean id enticos a excepci on de las
frecuencias m as bajas.
14 CAP
ITULO 1. MARCO TE

(a) (b)
(c) (d)
(e) (f)
Figura 1.4: (a,b) im agenes. (c,d) gr acos componente radial de S . (e,f) gr acos
componente angular de S .
1.3. SIGNIFICACI

ON ESTAD
ISTICA Y POTENCIA ESTAD
ISTICA 15
1.2.4. Descripci on de textura, enfoque estructural
Sup ongase que tenemos una regla de la forma S aS , que indica que el smbolo S
se puede escribir como aS (por ejemplo, tres aplicaciones de esta regla producir an la
cadena aaaS ). S a representa un crculo (gura (1.5-a)) y se asigna el signicado de
((crculos a la derecha)) a una cadena de la forma aaa . . . , la regla S aS permite
generar el patr on de textura que se muestra en la gura (1.5-b).
Sup ongase a continuaci on que se a naden algunas nuevas reglas a este esquema: S bA,
A cA, A c, A bS , S a, donde la presencia de una b signica ((crculo
abajo)) y la presencia de una c signica ((crculo a la izquierda)). Se puede generar una
cadena de la forma aaabccbaa que corresponde a una matriz de crculos 3x3. De igual
forma se pueden generar f acilmente patrones de textura mayores como el mostrado en la
gura (1.5-c). (T engase en cuenta, sin embargo, que estas reglas pueden generar tambi en
estructuras que no son rectangulares).
La idea b asica de lo anterior es que una simple ((textura primitiva))se puede utilizar para
formar patrones de estructuras m as complejas por medio de algunas reglas que limitan
el n umero de posibles composiciones de la(s) primitiva(s). Estos conceptos descansan
en el n ucleo de una materia denominada descripciones relacionales [5].
Figura 1.5: (a)Textura primitiva, (b) patr on generado usando una regla,
(c) patr on generado usando varias reglas
1.3. Signicaci on estadstica y potencia estadstica
Cualquier decisi on derivada de una prueba de hip otesis tiene cierto grado de
incertidumbre, debido a que estas son realizadas a una muestra poblacional, y no a toda
la poblaci on. Por esta raz on el investigador est a obligado a deducir inferencias de una
muestra [7, 8].
Para poder interpretar las inferencias estadsticas, se deben especicar los niveles
aceptables de error estadstico. el error de Tipo I (nivel de signicaci on ), se dene
como la probabilidad de rechazar la hip otesis nula cuando esta es cierta. Por otra parte,
16 CAP
ITULO 1. MARCO TE

se dene el error tipo II (), como la probabilidad de aceptar la hip otesis nula cuando
es falsa. A partir de esta ultima, se dene el valor 1 , el cual representa la potencia
de la inferencia estadstica. La potencia es la probabilidad de rechazar la hip otesis nula
dado que una alternativa especca es verdadera [8].
Los errores de Tipo I y Tipo II, presentan entre otras, las siguientes propiedades:
y est an 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 simult aneamente y .
En las inferencias estadsticas no solo hay que tener en cuenta el equilibrio entre el nivel
y la potencia resultante, debido a que esta ultima depende tambi en de otros factores
como el efecto tama no y el tama no de la muestra.
La probabilidad de conseguir signicaci on estadstica se basa no s olo en consideraciones
estadsticas, sino tambi en en la magnitud real del efecto que nos interesa en la poblaci on,
denominado efecto tama no. Por tal raz on, para evaluar la potencia de la prueba
estadstica es necesario entender primero el efecto examinado, por ejemplo, un efecto
grande es m as probable de encontrar que un efecto peque no y por tanto se ve afectada la
potencia de la prueba [9].
Por otra parte, para cualquier nivel de dado, el aumento del tama no de la muestra
siempre produce mayor potencia de la prueba estadstica, y este efecto puede ser
indeseable, cuando la signicaci on de efectos cada vez m as peque nos se presente, hasta
que para muestras muy grandes casi cualquier efecto es signicativo [9].
Las relaciones entre , el tama no de la muestra, el efecto tama no y la potencia son
bastante complicados, pero se pueden encontrar ciertos puntos de partida. En [10], son
sugeridos como par ametros de dise no para los experimentos, niveles de de al menos
0.05 con niveles de potencia del 80 %.
1.4. Comparaci on de medias: El contraste t
El contraste t valora la signicaci on estadstica de las diferencias ente dos medias
muestrales independientes. Para determinar si existen diferencias entre dos factores o
grupos independientes de una misma variable dependiente, se calcula un estadstico t. El
estadstico t es la relaci on de las diferencias de las medias muestrales ( X
1
X
2
) y su
error est andar. El error est andar es una estimaci on de la diferencia entre las medias que
se espera debido al error muestral, m as que debido a diferencias reales entre las medias.
El c alculo del estadstico t, para grupos con iguales desviaciones est andar,
1
=
2
, se
hace a trav es de:
estadstico t =
1

2
S
comb
_
1
n
1
+
1
n
2
(1.23)
1.5. AN

ALISIS DE VARIANZA: ANOVA 17
donde n
1
y n
2
son el tama no de los grupos, y S
2
comb
es la varianza combinada, la cual
contiene las varianzas poblacionales (S
2
1
y S
2
2
):
S
2
comb
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+ n
2
2
(1.24)
S
2
1
=
n
1
i=1
(x
i
x
1
)
2
n
1
; S
2
2
=
n
2
i=1
(x
i
x
2
)
2
n
2
Si el valor de t es grande, se puede inferir, estadsticamente 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 hip otesis nula de ambas medias muestrales son
iguales (H
0
:
1
=
2
), se lleva a cabo el siguiente procedimiento:
Calcular el estadstico t.
Especicar un nivel de error de Tipo I.
Determinar el valor crtico (t
crit
) de la distribuci on t con n
1
+ n
2
2 grados de
libertad y con el especicado.
Si el valor absoluto del estadstico t calculado supera el t
crit
, se puede rechazar la
hip otesis nula (
1
=
2
).
1.5. An alisis de varianza: ANOVA
Para el caso en que se comparan m as de dos grupos, no es recomendable hacer m ultiples
contrastes t de parejas de grupos, debido a que el error Tipo I aumenta seg un [8]:
1 (1 )
r
donde r representa el numero de comparaciones posibles entre k medias, y est a 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 poblaci on 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 diere
signicativamente para esa variable, dentro de un intervalo de conanza seleccionado,
generalmente del 95 %.
18 CAP
ITULO 1. MARCO TE

Si tenemos k grupos o niveles, el procedimiento de ANOVA de un factor prueba si la
hip otesis nula es cierta
H
0
:
1
=
2
= . . . =
k
(1.25)
o si por el contrario, se acepta la hip otesis 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
continuaci on:
Grupo 1 2 . . . i . . . k
x
11
x
21
. . . x
i1
. . . x
k1
x
12
x
22
. . . x
i2
. . . x
k2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
1n
x
2n
. . . x
in
x
kn
Media x
1
x
2
. . . x
i
. . . x
k
Tabla 1.1: Poblaci on 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 poblaci on
normalmente distribuida.
Homocedasticidad: La varianza de los datos no diere considerablemente entre
grupos, es decir, puede ser considerada homog enea.
Independencia: Las observaciones de cada grupo corresponden a individuos
extrados independientemente de la poblaci on considerada. Las observaciones
correspondientes a los distintos grupos o niveles de tratamiento son tambi en
independientes.
La vericaci on de las anteriores condiciones pueden ser llevadas a cabo usando los
contrastes de hip otesis de Shapiro-Wilk y Levene, descritas respectivamente en las
secciones 1.5.1 y 1.5.2. De esta manera cobra signicado que la fuente de variabilidad
entre los grupos proviene en su mayora de la diferencia entre sus medias.
La suma de las desviaciones al cuadrado, de los datos x
i j
con respecto a la media global
x, est a dada por SC
total
(suma total de los cuadrados):
SC
total
=
k
i=1
n
j=1
(x
i j
x)
2
(1.26)
1.5. AN

La anterior expresi on puede ser dividida en dos componentes, sumando y restando x de
las desviaciones, x
i j
x :
Teorema 2. Identidad de la suma de los cuadrados
SC
total
=
k
i=1
n
j=1
(x
i j
x
i
)
2
+ n
k
i=1
(x
i
x)
2
Demostraci on.
k
i=1
n
j=1
(x
i j
x)
2
=
k
i=1
n
j=1
[ (x
i j
x
i
) + (x
i
x) ]
2
=
k
i=1
n
j=1
[ (x
i j
x
i
)
2
+ 2 (x
i j
x
i
)(x
i
x) + (x
i
x)
2
]
=
k
i=1
n
j=1
(x
i j
x
i
)
2
+ 2
k
i=1
n
j=1
(x
i j
x
i
)(x
i
x) + n
k
i=1
(x
i
x)
2
El t ermino del medio es cero, como se muestra
n
j=1
(x
i j
x
i
) =
n
j=1
x
i j
n x
i
=
n
j=1
x
i j
n
n
j=1
x
i j
n
El segundo t ermino de la identidad de la suma de los cuadrados (teorema 2) es llamado

suma de cuadrados del factor (SC
f actor
), representa la varianza total de la desviaci on
de las medias los grupos con respecto a la media global, es decir, es una medida de la
variabilidad entre grupos.
La primera expresi on es conocida como suma de cuadrados residual (SC
resid
) o suma
de cuadrados del error (SC
error
) y es una medida de la variabilidad que no se debe a
los grupos, representa la variabilidad interna de cada grupo. La ecuaci on del teorema 2
puede ser escrita as:
SC
total
= SC
f actor
+ SC
error
(1.27)
El comportamiento estoc astico de las medias de los grupos alrededor de la media global,
est a representada por la varianza entre grupos, S
entre
. Esta puede ser interpretada como
el cuadrado medio del factor (CM
f actor
)
CM
f actor
= S
entre
=
SC
f actor
k 1
(1.28)
donde k 1 es el numero t erminos independientes (grados de libertad-gl.) en SC
f actor
.
20 CAP
ITULO 1. MARCO TE

La varianza al interior de los grupos, S
intra
, representa el cuadrado medio del error
(CM
error
), y da idea del comportamiento estoc astico de los datos al rededor de la media
del grupo al que pertenece.
CM
error
= S
intra
=
SC
error
k(n 1)
(1.29)
donde k(n 1) son los grados de libertad (gl.) de SC
error
.
Los resultados de aplicar ANOVA, generalmente se organizan como se muestra en la
tabla 1.2
Fuente SC gl CM F sig.
Grupos SC
f actor
k 1 CM
f actor
CM
f actor
CM
error
p-valor
Error SC
error
k(n 1) CM
error
Total S S T kn 1
Tabla 1.2: Tabla de An alisis de varianza de un factor
La relaci on
F =
CM
f actor
CM
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 CM
f actor
, valores grandes de F permiten rechazar la hip otesis nula de que no existen
diferencias entre las medias de los grupos.
Para determinar si el estadstico F es sucientemente grande como para respaldar el
rechazo de la hip otesis nula, se sigue un proceso similar al del contraste t. Primero, se
determina el valor crtico para el estadstico F (F
critico
) atendiendo a la distribuci on F
con (k 1) y k(n1) grados de libertad para el nivel de signicaci on dado, normalmente
es 0.05. Si el valor del estadstico 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 regi on 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 hip otesis 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 hip otesis es
1.5. AN

rechazada en el caso que su respectivo nivel de signicaci on sea menor a 0.05.
w =
1
ns
_
h
j=1
a
j,n
(x
nj+1
x
j
)
_
2
(1.30)
donde ns =
_
(x
i
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 hip otesis de que los
grupos muestrales de la variable dependiente provienen de poblaciones con la misma
varianza. La hip otesis nula es rechazada en el caso que el nivel de signicaci on del
estadstico 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 as:
Se dene el valor D, como el valor absoluto de la diferencia entre cada valor y la media
del grupo al que pertenece
D
i j
=
x
i j
x
j
La media de las diferencias de cada grupo D

j
y la media total de las diferencias D
T
, se
denen como
D
i
=
n
j=1
D
i j
n
; D
T
=
k
i=1
n
j=1
D
i j
kn
De manera an aloga a lo hecho en ANOVA, se denen las Sumas de cuadrados error
(SC
error
) y Sumas de cuadrados factor (SC
f actor
)
SC
error
=
k
i=1
n
j=1
(D
i j
D
i
)
2
; SC
f actor
= n
k
i=1
(D
i
D
T
)
2
Los Cuadrados medios
CM
error
=
S
error
k(n 1)
; CM
f actor
=
S
f actor
k 1
k(n 1) y k 1 representan los grados de libertad
Finalmente, la relaci on
F =
CM
f actor
CM
Error
permite, probar la hip otesis nula de homogeneidad de las varianzas al nivel de
signicaci on dado.
22 CAP
ITULO 1. MARCO TE

1.6. Comparaci on de dos poblaciones multivariantes:
Contraste T
2
de Hotelling
Este contraste eval ua la diferencia entre los vectores de medias entre dos poblaciones
multivariantes,
1

2
. La idea tras el contraste es determinar si los vectores de medias
son iguales (
1

2
= 0). Adem as en el caso de
1

2
, que componentes de las
medias son diferentes. Se consideran dos muestras aleatorias de las poblaciones 1 y 2,
de tama no n
1
y n
2
respectivamente. Los vectores x (media) y S (varianza) se obtienen
como se muestra a continuaci on
Muestra Estadsticas
Poblaci on 1
x
11
, x
12
, . . . , x
1n
1
x
1
=
1
n
1
n
1
j=1
x
1j
S
1
=
1
n
1
1
n
1
j=1
(x
1j
x
1
)(x
1j
x
1
)
T
Poblaci on 2
x
21
, x
22
, . . . , x
2n
2
x
2
=
1
n
2
n
2
j=1
x
2j
S
2
=
1
n
2
1
n
2
j=1
(x
2j
x
2
)(x
2j
x
2
)
T
donde
x
1j
: representa el vector p dimensional (p variables independientes o caractersticas),
para el objeto j de la poblaci on 1.
x
2j
: representa el vector p dimensional, para el objeto j de la poblaci on 2.
El smbolo
T
, representa la traspuesta de la matriz.
Al igual que todos los procedimientos donde se hace inferencia estadstica a partir de un
conjuntos de datos num ericos, se asumen algunas caractersticas de la estructura de los
datos [12]:
1. La muestra [x
11
, x
12
, . . . , x
1n
1
], es una muestra aleatoria de tama no n
1
de una
poblaci on de p variables independientes, con vector de medias
1
y matriz de
covarianza
1
2. La muestra [x
21
, x
22
, . . . , x
2n
2
], es una muestra aleatoria de tama no n
2
de una
poblaci on de p variables independientes, con vector de medias
2
y matriz de
covarianza
2
3. Ambas muestras son independientes entre si.
4. Las poblaciones de donde provienen las muestras poseen una distribuci on normal
multivariante.
1.7. AN

ALISIS MULTIVARIANTE DE LA VARIANZA: MANOVA 23
5. Las muestras poseen la misma matriz de covarianza,
1
=
2
.
De la ultima condici on, si
1
=
2
= ,
n
1
j=1
(x
1j
x
1
)(x
1j
x
1
)
T
es un estimador
de (n
1
1) y
n
2
j=1
(x
2j
x
2
)(x
2j
x
2
)
T
es un estimador de (n
2
1).
De manera consecuente dene la varianza combinada (S
comb
), la cual es un estimador de
, como:
S
comb
=
(n
1
1) S
1
+ (n
2
1) S
2
n
1
+ n
2
2
(1.31)
Luego, teniendo en cuenta la independencia de las muestras, x
1
y x
2
, lo cual implica que
sus vectores de medias x
1
y x
2
tambi en sean independientes, se encuentra que
_
1
n
1
+
1
n
1
_
S
comb
es un estimador de la covarianza de la diferencia de medias Cov(x
1
x
2
). De esta manera,
haciendo un smil con la expresi on de t
2
obtenida de la ecuaci on (1.23), se encuentra la
expresi on para el contraste T
2
de Hotelling
T
2
= (
1

2
)
T
_
(
1
n
1
+
1
n
1
)S
comb
_
1
(
1

2
) (1.32)
Al igual que el estadstico t sigue una distribuci on conocida bajo la hip otesis nula
de que no existen diferencias entre grupos para una unica variable dependiente, la
T
2
de Hotelling sigue una distribuci on conocida bajo la hip otesis 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 distribuci on F de Fisher con p y n
1
+n
2
21
grados de libertad. Para obtener el valor crtico de la T
2
de Hotelling, se encuentra el
valor tabulado para F
crit
a un nivel de signicaci on dado y se calcula T
2
crit
como sigue
[8]:
T
2
crit
=
p(n
1
+ n
2
2)
n
1
+ n
2
p 1
F
crit
1.7. An alisis multivariante de la varianza: MANOVA
Este an alisis es una extensi on del an alisis de varianza (ANOVA) en donde se tiene
en cuenta m as de una variable de criterio. Es una t ecnica de dependencia que mide
las diferencias de dos o m as variables m etricas dependientes basadas en un conjunto
de variables independientes categ oricas (no m etricas) para efectos de predicci on. El
MANOVA se denomina como proceso multivariado debido a que se usa para valorar
la diferencia entre grupos a trav es de multiples variables de manera simult anea [9].
En el MANOVA, la hip otesis nula contrastada es la igualdad de vectores de medias de
variables dependientes m ultiples entre los grupos, como se muestra:
24 CAP
ITULO 1. MARCO TE

H
0
:
_
11
21
.
.
.
p1
_
_
=
_
12
22
.
.
.
p2
_
_
= . . . =
_
1k
2k
.
.
.
pk
_
_
(1.33)
p : numero de variables dependientes, k : numero de grupos
En el caso multivariado del an alisis de la varianza, se asume que k grupos
independientes tomados de manera aleatoria de una poblaci on, cada uno de ellos de
tama no n, son obtenidos de poblaciones p-variadas normales con iguales matrices de
varianzas-covarianzas () [13]. Los datos se organizan en una tabla como la que se
muestra a continuaci on.
Grupo 1 Grupo 2 . . . Grupo k
x
11
x
21
. . . x
k1
x
12
x
22
. . . x
k2
.
.
.
.
.
.
.
.
.
x
1n
x
2n
. . . x
kn
Media x
1
x
2
. . . x
k
Tabla 1.3: Poblaci on multivariante con k grupos, donde cada x
i j
es un vector de
dimensi on p
Para que los procedimientos de los contrastes multivariantes del MANOVA sean v alidos
se deben cumplir los siguientes supuestos:
Independencia
Normalidad multivariada
Correlaci on de las variables independientes
Homogeneidad de las matrices de varianzas-covarianzas
1.7. AN

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
f actor
+ SCPC
error
(1.34)
k
i=1
n
j=1
(x
i j
x)(x
i j
x)
T
= kn
k
i=1
(x
i
x)(x
i
x)
T
+
k
i=1
n
j=1
(x
i j
x
i
)(x
i j
x
i
)
T
(1.35)
donde
x
i j
: vector que contiene p observaciones, una para cada variable dependiente.
x
i
: 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
f actor
B k 1
Error SCPC
error
W k(n 1)
Total SCPC
total
T kn 1
Tabla 1.4: Tabla de An alisis de varianza m ultiple.
gl. : grados de libertad
Uno de los estadsticos para contrastar la hip otesis de igualdad de todos los vectores de
medias, es el Lambda de Wilks
=
|W|
|W+ B|
=
i=1
n
j=1
(x
i j
x
i
)(x
i j
x
i
)
T
i=1
n
j=1
(x
i j
x)(x
i j
x)
T
(1.36)
Este estadstico, representa la porci on de variabilidad total que no se debe a las
diferencias entre los grupos. Es decir, un valor peque no de indica que las diferencias
entre medias multivariantes de los grupos (centroides), en el caso de existir, provienen
de las diferencias entre grupos.
El estadstico de Wilks, sigue distribuciones conocidas en los casos mencionados
en la tabla 1.5. Para otros casos no mencionados y tama nos muestrales grandes, una
26 CAP
ITULO 1. MARCO TE

aproximaci on hecha por Bartlett en [14], puede ser usada para contrastar la hip otesis
nula.
_
n 1
p + k
2
_
ln =
_
n 1
p + k
2
_
ln
_
|W|
|W+ B|
_
(1.37)
La anterior expresi on tiene aproximadamente una distribuci on chi-cuadrada con p(k 1)
grados de libertad. De esta manera, se puede rechazar la hip otesis nula bajo el nivel de
signicaci on dado si
_
n 1
p + k
2
_
ln
_
|W|
|W+ B|
_
>
2
p(k1)
() (1.38)
donde
2
p(k1)
() es el mayor percentil de una distribuci on chi-cuadrada con p(k 1)
grados de libertad [12, 13].
El valor del estadstico de Wilk, tambi en puede ser calculado a partir de los valores
propios
1
,
2
, . . . ,
s
de W
1
B
=
s
_
i=1
_
1
1 +
i
_
(1.39)
donde s = min(p, k 1).
Adem as del estadstico de Wilk, existen otros estadsticos que tambi en son usados
para contrastar la igualdad de vectores multivariados de medias. Estos estadsticos de
igual manera pueden ser expresados como funciones de los autovalores de W
1
B [12].
Traza de Pillai-Bartlett V = tr
_
B(B + W)
1
_
(1.40)
Traza de Lawley-Hotelling U = tr
_
W
1
B
_
(1.41)
Raiz m as grande de Roy R = m aximo valor propio de W
1
B (1.42)
Traza de Pillai-Bartlett
Este estadstico permite rechazar la hip otesis de igualdad de medias multivariadas dado
un nivel de condencia , usando una aproximaci on de la distribuci on F [13]:
2N + s + 1
2m + s + 1
V
s V
> F
s(2m+s+1),s(2N+s+1)
() (1.43)
donde
s = (p, k 1), m =
1
2
_
p (k 1)
_
1, N =
1
2
_
k(n 1) p 1
_
(1.44)
1.7. AN

# variables # grupos Funci on de distribuci on seguida por
p = 1 k 2
_
k(n 1)
k 1
__
1
_
F
k1,k(n1)
p = 2 k 2
_
k(n 1) 1
k 1
__
1

_
F
2(k1),2(knk1)
p 1 k = 2
_
kn p 1
p
__
1
_
F
p,knp1
p 1 k = 3
_
kn p 2
p
__
1

_
F
2p,2(knp2)
Tabla 1.5: Distribuciones del estadstico de Wilks
Traza de Lawley-Hotelling
2(sN + 1)U
s
2
(2m + s + 1)
> F
s(2m+s+1),2(sN+1)
() (1.45)
Raiz caracterstica m as grande de Roy
k(n 1) max(p, k 1) 1
max(p, k 1)
R > F
max(p,k1) , k(n1)max(p,k1)1
() (1.46)
Comparaci on entre los cuatro estadsticos
Cuando H
0
:
1
=
2
= . . . =
k
es cierta, todos los centroides est an en el mismo
punto, de esta manera todos los cuatro estadsticos descritos presentan el mismo error
Tipo I (). Sin embargo cuando H
0
es falsa, los cuatro estadsticos tienen diferentes
probabilidades de rechazo [13].
Hist oricamente, el estadstico de Wilks ha desempe nado un rol dominante en cuanto a
pruebas de signicado estadstico en MANOVA por haber sido el primero en ser usado
y tener unas aproximaciones de distribuciones
2
y F bien conocidas. Sin embargo, no
siempre este estadstico es el m as poderoso de los cuatro [13].
28 CAP
ITULO 1. MARCO TE

La potencia estadstica relativa de los cuatro estadsticos depende de la conguraci on de
los vectores de medias en el espacio s-dimensional < s = min(p, k 1) >, es decir, un
estadstico puede tener mayor potencia para una conguraci on de los vectores de medias
que para otra. Una indicaci on del patr on que poseen los vectores de medias est a dado
por los valores propios de W
1
B. Si hay un valor propio grande en comparaci on
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 mayora en un plano, y
as sucesivamente [13].
Debido a que el estadstico de Roy usa el autovalor m as grande de W
1
B, tiene mayor
potencia estadstica que los otros, si los vectores de medias son colineales. Mientras
los otros tres estadsticos tienen mayor potencia cuando se trata de vectores de medias
dispersos en varias dimensiones [13].
En conclusi on, el estadstico de Roy es recomendado solo cuando los vectores de medias
son colineales, en los otros casos los otros tres tienen el mejor desempe no, siendo
V el m as recomendado incluso cuando se presenta heterogeneidad de las matrices de
varianzas-covarianzas y no-normalidad en la distribuci on de los datos al interior de las
muestras [13].
En la pr actica, cuando se calculan los cuatro estadsticos al realizar an alisis multivariado
de la varianza, todos los estadsticos permiten concluir lo mismo. En el caso que dieran
en aceptar o rechazar H
0
, se pueden examinar los autovalores de W
1
B y las matrices
de varianzas covarianzas para decidir cual puede o no ser un resultado conable.
1.7.1. Contraste de Esfericidad de Bartlett
Esta prueba se utiliza para contrastar la hip otesis nula de que las variables no est an
correlacionadas en la poblaci on, es decir, comprueba si la matriz de correlaciones es
proporcional a una matriz de identidad. Se puede dar como v alidos aquellos resultados
que nos presenten un valor elevado del test y cuyo nivel de signicaci on sea menor a
0.05. En este caso se rechaza la Hip otesis nula y se contin ua con el an alisis [12, 15].
La matriz de correlaci on de la muestra (R) es una matriz de tama no p x p.
R =
_
_
s
11
s
11
s
11
s
12
s
11
s
22
. . .
s
1p
s
11
s
pp
s
21
s
22
s
11
s
22
s
22
s
22
. . .
s
2p
s
22
s
pp
.
.
.
.
.
.
.
.
.
.
.
.
s
p1
s
pp
s
11
s
p2
s
pp
s
22
. . .
s
pp
s
pp
s
pp
_
_
(1.47)
Por otra parte, si denimos la matriz de desviaciones est andar de la muestra
D
1/2
=
_
s
11
0 . . . 0
0

s
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .

s
pp
_
_
(1.48)
1.8. AN

ALISIS DISCRIMINANTE 29
y su inversa
D
1/2
=
_
_
1
s
11
0 . . . 0
0
1
s
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
1
s
pp
_
_
La matriz de correlaci on R, puede ser calculada, seg un [12], a trav es de
R = D
1/2
S D
1/2
(1.49)
donde S es la matriz de varianza-covarianza total de la muestra.
La prueba se aproxima a trav es de la distribuci on
2
, para p variables, n el tama no del
espacio muestral y p/2(p 1) grados de libertad. [15].
_
n 1
2p + 5
6
_
ln
>
2
p/2(p1)
() (1.50)
1.7.2. Contraste de M de Box
Contrasta la hip otesis nula de igualdad de las matrices de varianzas-covarianzas
poblacionales. El estadstico M de Box tiene la forma [15]
M =
k
_
i=1
S
i
(n
i
1)/2
k(n1)/2
(1.51)
donde S es una estimaci on de la matriz de varianzas-covarianzas combinada, S
i
es una
estimaci on de la matriz de varianzas-covarianzas del i- esimo grupo, kn es el n umero de
casos totales, n es el n umero de casos del i- esimo grupo y k es el n umero de grupos.
El estadstico M carece de distribuci on muestral conocida, sin embargo puede ser
transformada en un estadstico F y ser interpretada como tal.
Muchos analistas critican el uso de este estadstico por ser demasiado sensible a
variaciones en la normalidad multivariante y a tama nos muestrales grandes [15].
Cuando el numerador del estadstico M, sea muy superior al denominador,
ser a 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 hip otesis de igualdad de matrices
de varianzas-covarianzas, cuando el nivel de signicaci on de la prueba (p-value
Sig.<0.05) [15].
1.8. An alisis Discriminante
Cuando se tiene un conjunto de objetos dividido en dos o m as grupos y para cada uno
de ellos han sido observadas p variables, el objetivo del an alisis discriminante es: dado
30 CAP
ITULO 1. MARCO TE

un nuevo objeto encontrar una funci on que determine a que grupo o clase existente se
ajusta mas dicho objeto con base en un criterio especco.
El an alisis discriminante implica obtener un valor te orico, es decir una combinaci on
lineal de las p variables independientes, que discrimine mejor entre los grupos denidos
a priori.
La discriminaci on se lleva a cabo estableciendo las ponderaciones del valor te orico para
cada variable del tal forma que maximicen la varianza entre-grupos frente a la varianza
intra-grupos.
La combinaci on lineal para el an alisis discriminante es conocida como funci on
discriminante, y est a representada por la siguiente ecuaci on, para el caso de dos variables
categ oricas (grupos):
D
k
= u
1
X
1k
+ u
2
X
2k
+ + u
p
X
pk
(1.52)
donde
D
k
: Puntuaci on discriminante para el k- esimo objeto.
u
i
: Ponderaci on discriminante para la variable independiente i.
X
ik
: Valor de la variable independiente i en el objeto k.
El resultado de la expresi on 1.52, es una unica puntuaci on D discriminante compuesta,
para cada individuo incluido en el an alisis. El centroide de cada grupo es obtenido
promediando las puntuaciones D de los distintos objetos que conforman el grupo. Los
centroides, indican la situaci on m as com un dentro del grupo para determinado conjunto
de variables independientes, y una comparaci on de los mismos muestra lo separados que
est an los grupos a lo largo de la dimensi on que se est a contrastando.
El contraste para la signicaci on estadstica de la funci on 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 superposici on
en la distribuci on es grande, signica que la funci on discriminante construida no separa
correctamente los grupos, mientras si el solapamiento es peque no o inexistente la
funci on discriminante separa bien los grupos como lo ilustra la gura 1.6. El an alisis
discriminante es sensible a la relaci on que se presenta entre el tama no muestral y el
n umero de variables independientes predictoras. Muchos estudios sugieren una relaci on
de 20 observaciones por cada variable. Aunque esta relaci on sea difcil de conseguir en
la practica, se debe tener en cuenta que los resultados podran llegar a ser inestables a
medida que el tama no muestral disminuye en relaci on con el n umero de variables. El
tama no mnimo recomendado es de cinco observaciones por variable independiente.
Adem as del tama no muestral total, se debe tener en cuenta el tama no muestral de cada
grupo. Como mnimo el tama no del grupo m as peque no debe ser mayor que el n umero
de variables independientes [9].
1.8. AN

(a)
(b)
Figura 1.6: Representaci on univariante de puntuaciones Z discriminantes
An alisis discriminante: Enfoque de Fisher
Para llevar a cabo la discriminaci on entre grupos, Fisher utiliz o el criterio de maximizar
la variabilidad entre grupos frente a la variabilidad al interior de los grupos.
La ecuaci on (1.52), se puede escribir:
_
_
D
1
D
2
.
.
.
D
n
_
_
=
_
_
X
11
X
21
. . . X
p1
X
12
X
22
. . . X
p2
.
.
.
.
.
.
.
.
.
.
.
.
X
1n
X
2n
. . . X
pn
_
_
_
_
u
1
u
2
.
.
.
u
p
_
_
de manera an aloga
D = [X] u (1.53)
La variabilidad de D se expresa, con las variables en t erminos desviaciones respecto a
la media, como.
D
T
D = u
T
[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 ecuaci on (1.54) se puede reescribir
D
T
D = u
T
T u = u
T
F u + u
T
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 t erminos del lado derecho de la ecuaci on (1.55), representan
32 CAP
ITULO 1. MARCO TE

respectivamente la variabilidad entre-grupos y la variabilidad intra-grupos.
Se dene el par ametro a maximizar , como la relaci on entre la variabilidad entre-grupos
y la variabilidad intra-grupos.
El c alculo del eje discriminante se realiza a trav es de la ecuaci on de valores propios.
W
1
F u = u (1.56)
_
W
1
F I
_
u = 0 (1.57)
W
1
F I
= 0 (1.58)
suponiendo que W es no singular.
Debido a que los centroides indican la situaci on m as com un al interior de cada grupo,
estos se usan para denir la puntuaci on media de la funci on discriminante para cada
grupo y estas a su vez permiten denir el punto de corte discriminante C, el cual es
usado como criterio de pertenencia o no a determinado grupo.
Los centroides para dos grupos
X
1
=
_
_
X
11
X
21
.
.
.
X
p1
_
_
X
2
=
_
_
X
12
X
22
.
.
.
X
p2
_
_
A partir de los centroides se pueden obtener las puntuaciones discriminantes medias.
D
1
= u
1
X
11
+ u
2
X
21
+ + u
p
X
p1
(1.59)
D
2
= u
1
X
12
+ u
2
X
22
+ + u
p
X
p2
(1.60)
Luego, el punto de corte discriminante
C =
D
1
+ D
2
2
(1.61)
permite clasicar un objeto seg un
S D
k
< C, el objeto se incluye en el grupo 1.
S D
k
> C, el objeto se incluye en el grupo 2.
Ahora bien, en el caso de varios grupos, el modelo tiene la forma
D
ji
= u
1i
X
j1
+ u
2i
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 s p k 1
1, 2, . . . , p s p < k 1
Cada uno de los ejes discriminantes, se calcula a partir de la ecuaci on de valores propios
(ecuaci on (1.56))
1.9. AN

ALISIS CLUSTER 33
1.9. An alisis Cluster
El an alisis Cluster agrupa los objetos y los individuos en conglomerados, de manera que
los objetos del mismo conglomerado son m as parecidos entre s que a los objetos de
otros conglomerados, en otras palabras, lo que se intenta con el an alisis cluster, a trav es
de el uso de un grupo de t ecnicas multivariadas, es maximizar la homogeneidad de las
caractersticas 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 b asicas a tener en cuenta en el an alisis cluster, seg un [9], son:
1. Medida de similitud
2. Formaci on de conglomerados
3. Numero de grupos a formar
1.9.1. Medidas de similitud
Medidas de correlaci on
Las medidas de correlaci on representan la similitud entre cada par de objetos, mediante
la correspondencia de patrones en los valores de las variables independientes. Se calcula
el coeciente de correlaci on entre cada par de objetos y se le asigna un signicado:
elevadas correlaciones indican similitud, mientras bajas correlaciones signican carencia
de ella.
Las medidas de correlaci on, sin embargo, son rara vez utilizadas debido a que el inter es
con la aplicaci on del an alisis cluster est a 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 an alisis. 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 eucldea simple,
la distancia eucldea cuadrada, la distancia absoluta y la distancia de Mahalanobis.
La m as utilizada de las medidas de distancia es la distancia eucldea simple,
la cual calcula la distancia entre dos puntos k dimensionales (X
i1
, X
i2
, . . . , X
ik
,) y
(X
j1
, X
j2
, . . . , X
jk
,) (ecuaci on (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 c alculos se usa la medida de la distancia
eucldea cuadrada
d
2
i j
= (X
i1
X
j1
)
2
+ (X
i2
X
j2
)
2
+ + (X
ik
X
jk
)
2
(1.64)
34 CAP
ITULO 1. MARCO TE

esta ultima es recomendada para los m etodos de an alisis 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 varios
problemas. Uno de ellos es que el enfoque se puede aplicar bajo el supuesto de que las
variables no est an correlacionadas, pues si lo est an los conglomerados no son v alidos
[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 trav es de
D
2
S
(x
1
, x
2
) = (x
1
x
2
)
T
D
1
(x
1
x
2
) (1.65)
donde D es una matriz diagonal que contiene las varianzas.
La medici on de la distancia de Mahalanobis (D
2
M
) incorpora directamente un
proceso de estandarizaci on de las observaciones. Este enfoque no solo incluye el
proceso de estandarizaci on de los datos a escala en t erminos de las desviaciones
est andar, sino que tambi en eval ua la varianza-covarianza unidas dentro del grupo,
ajustando las intercorrelaciones entre las variables. Conjuntos de variables altamente
intercorrelacionadas en el an alisis cluster pueden ponderar implcitamente un conjunto
de variables en los procedimientos de aglomeraci on.
Para un par de variables aleatoria multivariadas x
1
y x
2
, la distancia de Mahalanobis se
calcula a trav es de [12]:
D
2
M
(x
1
, x
2
) = (x
1
x
2
)
T
1
(x
1
x
2
) (1.66)
donde es la matriz de varianzas covarianzas.
Las distancias estandarizada y eucldea absoluta son casos particulares de la distancia de
Mahalanobis, con = D y = I; (I: matriz identidad).
Medidas de asociaci on
Las medidas de asociaci on de similitud, son utilizadas para comparar objetos cuyas
caractersticas son par ametros no m etricos.
1.9.2. Formaci on de conglomerados
Procedimientos jer arquicos
Estos procedimientos consisten en la construcci on de una estructura en forma de arbol.
En cada etapa del proceso de formaci on de la estructura los dos objetos o conglomerados
m as cercanos se unen para formar nuevos conglomerados, hasta que eventualmente
todos los objetos quedan dentro de un mismo conglomerado. La representaci on de la
1.9. AN

ALISIS CLUSTER 35
formaci on de conglomerados se denomina dendrograma o gr aco en forma de arbol.
Los m etodos m as utilizados en la obtenci on de conglomerados son [9]:
1. M etodo de encadenamiento simple.
2. M etodo de encadenamiento completo.
3. M etodo de encadenamiento medio.
4. M etodo de Ward.
5. M etodo del centroide.
Todos ellos se diferencian en la forma de calcular las distancias entre conglomerados.
Se procede a continuaci on a describir cada uno de los m etodos enumerados.
Encadenamiento simple o enfoque del vecino m as cercano: Identica los objetos
separados por la distancia m as corta, y los coloca en un conglomerado. A continuaci on
puede ocurrir que una otro individuo al conglomerado existente o inicie otro
conglomerado por la uni on 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 est an mal denidos. 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 aglomeraci on se basa en la distancia m axima. El procedimiento tambi en es
conocido como aproximaci on del vecino m as lejano, m etodo del di ametro. La m axima
entre dos individuos de diferentes conglomerados representa la esfera de di ametro
mnimo que puede contener todos los objetos de ambos conglomerados.
El m etodo es denominado encadenamiento completo porque todos los objetos de un
conglomerado son vinculados con el resto por la mnima similitud, se puede decir que
la similitud dentro de cada grupo es igual al di ametro 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 m as corta puede ser visto como reejo de la similitud de los
objetos m as parecidos, mientras la distancia m as larga reeja la similitud del par de
objetos menos parecidos (ver gura 1.7).
36 CAP
ITULO 1. MARCO TE

Encadenamiento medio: Para este m etodo el criterio de aglomeraci on 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. Tambi en tiende a estar sesgado hacia la producci on de conglomerados con
aproximadamente la misma varianza.
(a) (b)
Figura 1.7: Comparaci on entre encadenamiento simple y compuesto
M etodo de Ward o m etodo de la varianza mnima: 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 aglomeraci on, se minimiza la suma de los cuadrados
dentro de cada conglomerado del conjunto completo de conglomerados separados.
M etodo del centroide: La distancia entre dos conglomerados es la distancia,
generalmente la eucldea 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 m etodo cada vez que los individuos o los conglomerados son
agrupados, se calcula un nuevo centroide. La ventaja de este m etodo es que se ve menos
afectado por la existencia de datos atpicos que los otros m etodos jer arquicos descritos.
Procedimientos no jer arquicos
Estos procedimientos no implican los procesos de construcci on de arboles [17].
Existen b asicamente tres t ecnicas: partici on, mezclas de distribuciones y estimaci on de
la densidad. De estos tres m etodos, el m etodo de partici on es el m as usado [13].
1.9. AN

ALISIS CLUSTER 37
Partici on
El proceso parte desde la selecci on de una semilla como centro de cada conglomerado,
posteriormente los objetos son asignados a cada conglomerado de acuerdo un umbral
establecido, el cual depende de cada semilla. Los procedimientos no jer arquicos de
aglomeraci on son tambi en conocidos como aglomeraci on de K-medias, y normalmente
utiliza uno de los siguientes enfoques para asignar los objetos a cada conglomerado [17].
Umbral secuencial: El m etodo empieza seleccionando una semilla de conglomerado
e incluye todos los objetos que caen dentro de una distancia previamente especicada.
Una vez realizado este procedimiento, una segunda semilla es seleccionada y se realiza
el mismo procedimiento. El proceso contin ua 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 m etodo 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 m as cercana. A medida que el
proceso avanza, se puede realizar un ajuste de la distancia umbral para incluir m as o
menos objetos en los conglomerados.
Procedimiento de optimizaci on: este procedimiento agrega una herramienta de
reubicaci on de los objetos. Es decir, si en el curso de asignaci on de los objetos, un objeto
se acerca m as a otro conglomerado diferente al cual est a asignado en ese momento,
entonces un procedimiento de optimizaci on cambia el objeto al conglomerado m as
parecido.
Los procedimientos no jer arquicos tienen ventajas sobre los procedimientos jer arquicos,
debido a que son menos susceptibles a los datos atpicos, a la medida de distancia
utilizada y a la inclusi on en el an alisis de variables irrelevantes o inapropiadas. Sin
embargo estos benecios, estos benecios pueden ser obtenidos con la selecci on no
aleatoria de semillas de conglomerados, es decir, se necesita un conocimiento a priori o
una estimaci on acertada del valor de las variables en cada conglomerado. La utilizaci on
de m etodos no jer arquicos con selecci on aleatoria de semillas, arroja como resultados
notablemente inferiores en comparaci on con los obtenidos con t ecnicas jer arquicas.
Por otra parte, otro enfoque el el uso de ambos m etodos (jer arquico y no jer arquico), para
obtener los benecios de ambos [18]. En primer lugar, una t ecnica jer arquica permitira
establecer el n umero de conglomerados, los perles de los centros de los conglomerados
y la identicaci on de cualquier dato atpico obvio. Posteriormente, habiendo eliminado
del an alisis los datos atpicos (en caso de ser necesario), los objetos pueden ser
aglomerados con t ecnicas no jer arquicas usando como semillas de conglomerado los
38 CAP
ITULO 1. MARCO TE

centros de conglomerados observados con el m etodo jer arquico.
Otros criterios de partici on
Existen b asicamente 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 denidos, sera optimo que W fuera
peque no y B fuera grande [13].
Los tres criterios son:
Minimizar tr(W)
Minimizar |W|
Maximizar tr(W
1
B)
Mezclas de distribuciones
Se dene la densidad de una mezcla de k distribuciones como el promedio ponderado
h(x) =
k
i=1
i
f (x,
i
,
i
) (1.67)
donde 0
i
1,
k
i=1
i
= 1, y f (x,
i
,
i
) es la distribuci on 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 m as grande
de la probabilidad posterior denida por la ecuaci on 1.68. El segundo consiste en asignar
el elemento al conglomerado con el valor m as grande de 1.69.
P(C
i
|x) =

i
f (x,
i
,

i
)
h(x)
(1.68)
ln
i

1
2
ln

1
2
(x
i
)
t

1
i
(x
i
) (1.69)
donde
i
,
i
y

i
representan los estimados de m axima probabilidad de h(x) de la
1.10. BAL
ISTICA 39
ecuaci on 1.67 y est an dados por [13]:

i
=
1
n
n
j=1
P(C
i
|x
j
), i = 1, 2, . . . , k 1

i
=
1
n
i
n
j=1
x
j

P(C
i
|x
j
), i = 1, 2, . . . , k
i
=
1
n
i
n
j=1
(x
j
)(x
j
)
T

P(C
i
|x
j
), i = 1, 2, . . . , k
Estimaci on de la densidad
En este m etodo, conocido tambi en como b usqueda de densidad, se buscan regiones
de alta densidad llamadas modos, b asicamente se intenta separar regiones con una alta
concentraci on de puntos de regiones que no la tienen [13].
1.10. Balstica
1.10.1. Terminologa
Balstica, en forma literal, es el estudio de la din amica de los proyectiles en vuelo. Es
diferente a identicaci on de armas de fuego, aunque en com un acuerdo, el signicado
de la palabra balstica se ha tomado en ese sentido. Calvin Goddard, considerado el padre
de la identicaci on de armas moderna, desempe no un importante papel en el desarrollo
del uso de este lenguaje. Goddard, en 1925, public o un artculo titulado Forensics
Ballistics (Balstica forense). Acerca del artculo Goddard dijo en [19]:
Forense fue lo sucientemente bueno, ya que signica lo cual tiene
que ver con una disputa p ublica, y fue lo que quise decir. Balstica,
estuvo mal, muy mal, ya que balstica en su uso estricto aplica solamente a
proyectiles en movimiento, y las fuerzas que inuencian ese movimiento.
Hasta ahora, nunca he hecho un intento de identicar 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 interesante
la palabra balstica, y aprovech andose avidamente, al mismo tiempo
descartando la palabra forense la cual, cuando se usa junto con
balstica, en parte toma la maldici on de la segunda.
Los cientcos forenses distinguen entre cuatro tipos de balstica:
Balstica interna: la cual se reere a las fuerzas (presi on, ignici on, y
as sucesivamente) que act uan sobre la bala mientras esta contin ua en el interior
del arma.
40 CAP
ITULO 1. MARCO TE

Balstica externa: Esta es m as cercana a la denici on literal de balstica, describe
la trayectoria de la bala entre la boca del ca n on del arma de fuego y su impacto en
el objetivo.
Balstica terminal: Describe los mecanismos de impacto sobre ambos, el
proyectil y el objetivo.
Balstica forense: En el sentido presentado por Goddard, es el an alisis del
proyectil y la vainilla de evidencia y el uso de esa evidencia para enlazar
especmenes y armas particulares.
Se presentan a continuaci on, algunas deniciones incluidas en el protocolo para hacer
estudios comparativos de proyectiles y vainillas, de la scala general de la naci on [20].
Proyectil: T ermino usado para describir el elemento que hace parte del cartucho y
es expulsado fuera del ca non cuando se produce el disparo. Hay proyectiles de muchas
formas, constituciones y calibres.
Vainilla: T ermino usado para describir el elemento componente del cartucho, el cual
contiene la p olvora y el fulminante; las hay de diferentes tama nos, formas y calibres.
Macrosc opio de comparaci on: Instrumento optico que permite al observador,
apreciar dos objetos simultaneamente con el mismo grado de aumento.
Microsc opio estereosc opico: Un instrumento optico, que proporciona una vista
tridimensional de un objeto, a trav es de objetos pares y oculares.
Caractersticas generales del estriado (GRC): Corresponden al n umero, ancho y
sentido de giro que presentan las estras y mazisos en el ca non de un arma de fuego de
un calibre dado.
Caractersticas de clase: Caractersticas mensurables de una muestra, las cuales
indican una fuente de grupo restrictivo. Ellas resultan de factores de dise no y por lo
tanto est an determinadas antes de la fabricaci on.
Caractersticas Individuales: Imperfecciones o irregularidades producidas de forma
accidental durante el proceso de fabricaci on o causadas por uso, abuso, corrosi on,
oxidaci on o da no con un objeto. Ellas son unicas del elemento y lo distinguen de los
otros y por lo tanto son las que denen la identidad.
Caractersticas de subclase: Son caractersticas apreciables supercialmente,
distinguibles en un objeto, las cuales son m as restrictivas que las caractersticas de clase
y se caracterizan por:
1.10. BAL
ISTICA 41
1. Ser adquiridas en el proceso de fabricaci on.
2. Ser signicativas y estar relacionadas con un peque no 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. Anatoma de armas de fuego y munici on
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 presi on en el interior de la vainilla causado por la ignici on de la
p olvora.
Ca n on
Los ca nones de las armas de fuego son elaborados de piezas de acero s olido cuya
composici on es cuidadosamente seleccionada para obtener las propiedades qumicas y
metal urgicas necesarias. Un primer paso del proceso, la perforaci on, da como resultado
un agujero relativamente rugoso de di ametro uniforme que se extiende a lo largo del
ca n on. Luego es perforado con una fresadora, dise nada para producir una supercie tan
suave como es posible al interior del ca n on. Sin embargo la supercie interior conserva
numerosas cicatrices y ara nazos de el proceso de perforaci on; son estas imperfecciones
aleatorias las que dan las caractersticas individuales a los proyectiles cuando estos son
disparados.
Los ca nones son de manera adicional son sometidos a un proceso de estriado en cual
se crea un patr on 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 rotaci on, la cual hace que el vuelo del proyectil sea m as dirigido
(movimiento comparable con la rotaci on que se le proporciona a un bal on de f utbol
americano). Algunas armas, tpicamente los shotguns, no tienen el interior estriado, en
cambio la mayora de armas y ries lo tienen para mejorar la precisi on en los disparos.
El estriado en el interior de los ca nones puede ser obtenido forzando un bot on de
carbono a trav es del ca n on perforado, se dice que esto proporciona la variabilidad
microsc opica individual a las marcas en el ca n on (junto con las imperfecciones de la
primera perforaci on). Algunos pasos adicionales en la elaboraci on de ca nones incluyen
tratamiento t ermico para limpiar y proporcionar dureza.
A lo largo de los fabricantes, los interiores de los ca nones pueden variar en dos
caractersticas fundamentales, cada una ellas es una caracterstica de clase b asica. La
primera es la orientaci on de las estras al interior del ca n on, si es a la derecha o a la
izquierda. La mayora de las casas fabricantes en los Estados Unidos usan la orientaci on
de giro a la derecha, aunque los revolver Colt son conocidos por su orientaci on a la
42 CAP
ITULO 1. MARCO TE

izquierda. La segunda, es el n umero de estras dentro del ca n on (normalmente a una
profundidad de 0.004-0.006 in) y el de macizos entre las estras. Hist oricamente, no se
estandariz o este n umero, los fabricantes usaron, seis, siete u ocho estras; lo cual sigue
siendo el rango actual, aunque algunas tienen tan pocas como 2 y tantas como 24 ([21],
pp 130-131).
Los ca nones tambi en varan en el angulo de orientaci on de las estras, lo cual afecta que
tanto gira el proyectil al salir del ca n on [22].
C amara, pared de la rec amara, percutor
La parte trasera, lejos de la boca del ca n on, es conocida como c amara, es dise nada con
el tama no adecuado seg un el calibre del cartucho. La parte del arma contra la cual el
cartucho se apoya cuando es colocado en la c amara es la rec amara.
La supercie especca que est a en contacto con la base del cartucho es la pared de
la rec amara. Los pasos exactos para elaborar la rec amara puede variar entre casas
fabricantes. Mientras en unas el proceso de elaboraci on deja estras gruesas en otras
se presentan patrones de crculos conc entricos. De manera similar al ca n on del arma, la
pared de la rec amara imprime marcas caractersticas sobre la base del cartucho cuando
este es percutido.
Un agujero en perforado en la rec amara da hacia donde est a guardado el percutor; una
vara de acero duro que puede ser forzada a golpear la base del cartucho que est a situado
en la rec amara para producir la ignici on del fulminante y posteriormente la p olvora.
Mientras muchos de los percutores tienen una forma redondeada en su punta, algunos
tienen formas m as distintivas; en particular las armas de fuego Glock son reconocidas por
su percutor con forma rectangular. De la misma manera que la rec amara y partes del arma
que est an en contacto con el proyectil o la vainilla, el percutor durante su elaboraci on
puede presentar imperfecciones que lo hagan diferentes de otros de su misma clase [22].
Rev olver y pistola
Las armas de fuego se dividen b asicamente en dos categoras: rev olver y pistola, y se
diferencian seg un la munici on es cargada y seg un el ciclo para volver a ser cargada.
En un rev olver la munici on es colocada en un cilindro, donde cada cartucho tiene su
propia c amara. Un mecanismo de trinquete es usado para hacer girar el cilindro a la
siguiente posici on despu es de cada disparo.
A diferencia del rev olver, la pistola se auto-alimenta, haciendo uso de la munici on
contenida en una c amara desmontable que contiene un resorte que impulsa un cartucho
tras otro a la c amara. Este dispositivo se almacena en el agarre o empu nadura, y es
conocido como cargador o ((provedor)). La pistola tiene una sola c amara para cada
munici on y despu es que esta es usada, la parte restante que permanece en la c amara
(vainilla), es expulsada por una abertura ubicada a un lado o en la parte superior de la
c amara. Despu es de esto, otro cartucho del cargador es deslizado hacia la c amara.
Las pistolas se subdividen en autom aticas y semiautom aticas. Las ultimas necesitan que
1.10. BAL
ISTICA 43
el gatillo del arma sea oprimido en varias ocasiones para lograr disparos m ultiples,
mientras las primeras hacen disparos en serie mientras no sea removida la fuerza que
oprime el gatillo o el cargador est e vaco.
Para la recuperaci on de evidencia y su posterior an alisis, la distinci on entre pistola y
rev olver es fundamental, pues mientras la pistola desecha las vainillas despu es de cada
disparo, el rev olver no lo hace a menos que la persona quien la usa se vea obligada a
recargar el arma [22].
Extractor y eyector
C omo su nombre lo indica, el extractor sirve para sacar un cartucho usado de la
c amara para que uno nuevo pueda tomar su lugar. En un rev olver, el extractor o
barra de extracci on 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 ja 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.
Munici on
La munici on o cartucho es una unidad que contiene tres elementos claves:
Bala o proyectil, el cual es expulsado por el ca n on del arma.
El agente impulsor(p olvora), el cual proporciona la fuerza y la presi on que el
proyectil necesita para ser expulsado.
Fulminante,es una mezcla qumica vol atil y sensible a la presi on, encargada de
encender el agente impulsor.
A continuaci on se presenta una descripci on m as detallada de cada elemento.
Proyectiles
Los proyectiles o balas en munici on moderna puede estar formada de una gran variedad
de metales. Hay balas elaboradas enteramente de aluminio, acero, y en ocasiones de lat on
(aleaci on de Cobre y Zinc); aunque sustancias no met alicas han sido usadas tambi en para
construir balas. Sin embargo para mejorar las necesidades de peso de la bala, con el n de
mejorar su exactitud y desempe no, la mayora de las balas contienen una cierta cantidad
de plomo.
Para evitar la deformaci on de las balas antes de ser usadas, lo cual puede causar
problemas al cargar, se le adicionan sustancias como antimonio y esta no para
proporcionar dureza. Mayor alcance, penetraci on 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
44 CAP
ITULO 1. MARCO TE

parcial hace que la velocidad sea menor pero proporciona un da no adicional debido a
la expansi on al penetrar el objetivo. Existen balas de punta expansiva las cuales est an
dise nadas para penetrar el objetivo, transferir la mayor cantidad de energa cuando la
punta del proyectil toma forma de hongo, lo cual se traduce en mayor da no, y nalmente
permanecer en el objetivo.
1.10.3. Marcas b asicas sobre evidencia balstica
Marcas sobre proyectiles
El proceso de estriado del interior del ca n on (riing process) deja cavidades o ranuras
(groove marks) y entre dos ranuras consecutivas un area elevada conocida como macizo
(land mark).
El patr on de estras y macizos (denominadas tambi en valles y crestas) que se
presenta sobre la supercie de los proyectiles recuperados, puede ser usado para
determinar informaci on b asica acerca del tipo de estriado que presenta el ca n on del
arma; de esta manera se puede identicar el tipo de arma de la cual proviene el
proyectil. Especcamente, el n umero de estras y la direcci on de estas son importantes
caractersticas de clase [22].
Por otra parte, en una publicaci on pionera sobre identicaci on de armas de fuego
[23], son referidas las ranuras nas sobre la supercie del proyectil, paralelas a las
estras como las caractersticas individuales m as importantes que son usadas. Estas
marcas, conocidas como estriaciones o estras son causadas por su paso a trav es de
las irregularidades de la supercie del interior del ca n on las cuales se obtienen durante
los procesos de escariado y estriado (reaming and riing processes). Cualquier proceso
de suavizado que se haga al interior del ca n on dejar a siempre irregularidades (puntos o
rugosidades) y estas dejar an marcas sobre el proyectil a su paso por estas.
1.10.4. Identicaci on tradicional de armas de fuego
En [24] fue presentado un sumario de las tareas b asicas que un examinador realiza
cuando lleva a cabo una identicaci on de armas usando evidencia.
Antes de iniciar una comparaci on a nivel microsc opico, un fundamento
es construido midiendo y comparando las caractersticas de clase
disponibles, como las caractersticas generales del estriado. Este criterio
es usado para reducir el n umero de candidatos y as luego encontrar una
fuente com un. Una vez se halla establecido el fundamento, la fuente en
com un puede ser determinada evaluando las caractersticas individuales
a nivel microsc opico usando reconocimiento de patrones.
Los peritos en balstica comparan los proyectiles usando un microscopio de
comparaci on, esta herramienta le permite observar simult aneamente las marcas que
presentan ambos. Como las regiones de inter es se encuentran en los macizos, donde es
1.10. BAL
ISTICA 45
impreso el estriado no particular de cada arma, en un proceso tpico de identicaci on, el
experto selecciona un macizo de cualquier proyectil, ya sea el patr on o el implicado, para
mantenerlo constante como el punto de inicio. Asumiendo que se tienen por ejemplo dos
especmenes con nueve macizos, el experto rota los dos proyectiles buscando similitud
entre 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 identicaci on de armas tradicional ((parte ciencia y parte forma de arte, se sigue
llevando a cabo con las mismas herramientas b asicas que permitieron el avance del
campo en d ecadas pasadas)) el examinador enfrenta la tarea de formarse un patr on mental
de marcas y caractersticas presentadas por estas en evidencia balstica [22]. Los m etodos
tradicionales para llevar a cabo la comparaci on de marcas en los proyectiles est an
basados en microscopa de luz incidente, donde la imagen formada por la iluminaci on
oblicua de las marcas proporciona una representaci on del esp ecimen en la regi on de las
marcas [26, 27]. Esta representaci on es crticamente dependiente de dos factores, del
material de la supercie donde las marcas fueron hechas, y la geometra e intensidad del
sistema de iluminaci on. Lo anterior debido a que las texturas en las im agenes cambian
con debido a estos factores. El juicio de similitud o no entre marcas presentadas por
los proyectiles implicados y los de prueba, est a basado en el experticio y la experiencia
del t ecnico que lleva a cabo la comparaci on. De esta forma, el m etodo tradicional de
comparaci on de marcas tiene dicultades inherentes y lleva consigo un elemento de
subjetividad [28].
Caractersticas de clase, subclase e individuales
La clasicaci on original hecha por Churchman para los tipos de caractersticas dejadas
en proyectiles y cartuchos disparados fue reportada por Nichols [29], all fueron
propuestas tres grandes categoras de caractersticas para ser examinadas [27, 30]:
Caractersticas tipo C fueron denidas como caractersticas de clase.
Caractersticas tipo A fueron denidas como caractersticas accidentales.
Estas caractersticas son consideradas propias de cada arma (caractersticas
individuales).
Caractersticas tipo B fueron denidas como caractersticas 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, direcci on de giro del proyectil y n umero de estras y macizos sobre la supercie
del proyectil, reducir a el n umero de armas sospechosas; mientras la detecci on de las
caractersticas individuales (Tipo A), tiene el potencial de identicar particularmente el
arma que hizo dichas marcas sobre el cartucho y el proyectil. Las caractersticas de tipo
A incluyen:
46 CAP
ITULO 1. MARCO TE

Peque nas estras (micro rayado) presentes en las estras y macizos. Estas son
adquiridas durante el proceso de manufactura del ca n on del arma, especcamente
durante el estriado de su interior.
Caractersticas individuales de la marca dejada por el percutor, estas provienen de
imperfecciones detalladas del percutor o de su propio funcionamiento en s.
1.10.5. Inuencia de la manufactura de armas en la identicaci on
En [1] fue reportada una revisi on de trabajos relacionados con la inuencia de los
procesos de manufactura en las marcas que son impresas en evidencia balstica
(proyectiles y vainillas).
Los resultados citados en este artculo fueron la mayora obtenidos de armas fabricadas
consecutivamente o de armas con numeros seriales consecuentes. Aunque, debe ser
subrayado que la ultima condici on 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 evaluaci on de la inuencia
de la manufactura sobre las marcas que presentan las supercies de los proyectiles luego
de ser disparados, muchas de las pruebas estuvieron basadas en ca nones obtenidos de
una sola pieza de tubo estriado[31, 32, 33].
Las estras en el ca n on son causadas durante los procesos de perforado, escariado,
rayado y nalizaci on [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 c amara [32, 37, 38, 39, 40].
Pueden ser denidos dos grupos de t ecnicas de rayado (estriado) del ca n on, dependiendo
si es removido o no material del interior ca n on. Las estras son obtenidas cortando
material en el caso de las t ecnicas conocidas como Hook cutting, Scrape cutting, y
Broaching. Mientras, entre las t ecnicas conocidas que usan desplazamiento de material
est an Mandrel riing, Button riing, y Hammering [41].
Los m etodos de rayado basados en la remoci on de material del ca n on dejan marcas
longitudinales caractersticas de la herramienta usada para dar el estriado. Las llamadas
caractersticas de subclase pueden ser encontradas en las estras y cerca de los bordes de
los macizos del ca n on [42, 43, 44, 45]. Las partes centrales de los macizos permanecen
intactas durante el proceso de estriado, entonces solo imperfecciones causadas durante
la perforaci on y el escariado son transferidas como estriado no en la supercie de los
proyectiles[34, 37, 46].
Las caractersticas de subclase no pueden ser encontradas, cuando el proceso usado para
la fabricaci on del ca n on no est a basado en la remoci on de material del ca n on, sino
1.10. BAL
ISTICA 47
en el desplazamiento de este debido a la aplicaci on de grandes presiones. El interior
de los ca nones es extremadamente liso y muestra principalmente marcas conc entricas
[34]. Como estas marcas corren perpendicularmente al estriado, son transferidas como
marcas individuales a la supercie del proyectil durante el disparo. A parte de estas
marcas, estras axiales menos prominentes resultan del bot on o del mandrel cuando este
es empujado a trav es de la vara [32]. Hammering produce even-mirror like surfaces.
Un aspecto importante es el n umero de ca nones elaborados con una sola herramienta
sin modicaciones externas, tales como resharpening. Una diferencia considerable entre
las dos categoras puede ser notada. Un Hook cutter puede ser usado para entre 5 y
50 ca nones, un broach para cientos de ca nones, y un bot on para miles de ca nones
[34, 37, 38, 40].
Luego del estriado, el proceso nal de suavizado puede tambi en proporcionar algunas
estras nas extra a las estras y macizos [34, 42, 47, 48].
Todos los resultados citados en [1] corresponden a armas que han sido disparadas un
n umero suciente de veces, de forma tal que los ca nones ya hubiesen transferido su
rma al proyectil. En algunos estudios experimentales se ha encontrado que esto ocurre
despu es de entre cinco y nueve disparos [33, 36, 38]. Para detalles de los estudios
obtenidos sobre proyectiles disparados a trav es de ca nones consecutivamente rayados
o con numeros seriales cercanos, leer ap endice C.
1.10.6. Inuencia del uso de armas en la identicaci on
Despu es que un crimen ha sido cometido con un arma de fuego, en el tiempo que
transcurre entre este y la incautaci on del arma, el arma puede haber sido disparada en
repetidas ocasiones. La pregunta que impulso la revisi on de trabajos hecha en [49], fue
que tan r apido cambian las caractersticas de las marcas impresas sobre la evidencia
debido a el uso repetido de las armas. Por uso debe entenderse no solo la acci on del
disparo en s, sino tambi en la limpieza, manipulaci on, desmantelamiento y la inuencia
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
encontr o, que el interior del ca n on est a sujeto a tres procesos que inuyen en las
caractersticas que son impresas en la supercie de los proyectiles disparados. Tales
procesos son: erosi on, corrosi on y deposici on de diferentes tipos de partculas. Para m as
detalles sobre la revisi on de trabajos acerca del tema, leer ap endice D.
Erosi on: La supercie del ca n on experimenta desgaste mec anico el cual se debe en
gran medida a la liberaci on de gases durante el disparo el cual suaviza (quita lo -
blunt) las estras y los macizos [50, 51]. La limpieza con diferentes tipos de cepillos
tambi en conduce a un proceso de erosi on tanto como el paso del proyectil a trav es del
ca n on [37, 52, 53]. La erosi on puede ser acentuada por la presencia de residuos del
48 CAP
ITULO 1. MARCO TE

disparo y partculas met alicas que se desprenden del proyectil para incrustarse en el
ca n on [42, 53, 54, 55]. Un estudio extraordinario fue hecho por N a at anen [56] quien
revel o el fuerte desgaste en el interior del ca n on despu es de hasta 13500 disparos.
Corrosi on: Es una reacci on qumica entre el metal del arma y su ambiente y es en
gran parte debido a la presencia de materiales reactivo al momento de la ignici on
del fulminante (primer) y la subsecuente activaci on de la p olvora [48, 53, 55]. La
corrosi on puede ser acelerada por la humedad y su efecto puede ser visto en la falta
de correspondencia entre proyectiles disparados consecutivamente a trav es de un ca n on
altamente corrodo. De hecho, la supercie interna del ca n on cambia continuamente
debido a que cada proyectil remueve parte del oxido [42, 47, 48, 53, 57, 58, 59].
Deposici on de partculas met alicas: Grandes aglomerados de aceite, polvo y suciedad
de los alrededores pueden tener un efecto temporal o permanente sobre las caractersticas
individuales de un arma [42, 47, 50, 58]. Varios autores reportan efectos de la
acumulaci on de plomo en el ca n on; efecto actualmente denominado emplomamiento
[60, 61].
Captulo 2
Dise no experimental
2.1. Base de datos
La base de datos consta de un conjunto de im agenes digitales de la supercie de los
proyectiles 9 mm disparados por diferentes tipos de armas. Para la realizaci on 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 extrados 4 para formar parte de
la base de datos. Las im agenes representan la supercie desenvuelta de la zona de
inter es, la cual contiene las marcas debidas al contacto con el interior del ca n on durante
el disparo; la forma de obtener estas im agenes es descrita en la secci on 2.1.2
C odigo Arma
A Sub-ametralladora MP5, N88154
B Sub-ametralladora MP5, N88206
C Sub-ametralladora UZI, cal. 9mm
D Glock Mod.17, cal. 9mm
Tabla 2.1: C odigos de las armas
2.1.1. Equipo utilizado
El equipo consta de un microscopio estereosc opico Leica MZ6, una c amara para
fotomicrografa de alta resoluci on Leica DFC490, software LAS (Leica Application
Suite) para cambiar la conguraci on de los dispositivos, visualizar y adquirir las
im agenes. Detalles t ecnicos de los equipos en el ap endice E.
El arreglo de los equipos para la adquisici on de las im agenes es como se muestra en la
gura 2.1.
La parte del soporte que sostiene el proyectil, permite hacer rotaciones del proyectil
49
50 CAP
ITULO 2. DISE

NO EXPERIMENTAL
Figura 2.1: Arreglo para la adquisici on de las im agenes
cada 6 grados con cierta precisi on. Sin embargo, debido al error inherente que implica
la rotaci on del proyectil hecha manualmente, queda como perspectiva la automatizaci on
de este proceso, y m as all a, la de la totalidad del proceso de adquisici on de las im agenes.
2.1.2. Im agenes
El procedimiento para obtener im agenes desenvueltas consta de las siguientes etapas:
1. Adquisici on de la imagen del proyectil en la posici on angular actual.
2. Extracci on del segmento de inter es, esta parte de la supercie es aquella que se
encuentra en el tope de la secci on cilndrica (gura 2.2a).
3. Rotaci on de 12 del proyectil.
4. Repetici on de los pasos 1 a 3 hasta haber cubierto la totalidad de la supercie.
5. Una vez almacenados todos los segmentos de inter es, estos son unidos para formar
una imagen desenvuelta del proyectil, como se muestra en la gura 2.2b.
La raz on para considerar que las rotaciones de 12 son sucientes 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 supercie curva, es
de 0,3 mm.
En la gura 2.3 se muestra el diagrama de ujo de la rutina elaborada en Matlab para
obtener supercies desenvueltas. Las funciones imreadGray.m y segmento.m se
incluyen en el ap endice F.
2.2. PREPROCESAMIENTO 51
(a) (b)
Figura 2.2: Segmento extrado de la supercie del proyectil (a). Ejemplo supercie
desenvuelta de un proyectil (b)
Figura 2.3: Diagrama de ujo para obtener supercies desenvueltas
2.2. Preprocesamiento
Debido a la fuerte reexi on que presentan los metales, y que las texturas a
caracterizar son crticamente dependientes del entorno de iluminaci on; una etapa de
preprocesamiento se hace necesaria para tener im agenes con el mayor contraste posible.
En la gura 2.4 se muestra una imagen obtenida usando el procedimiento descrito en la
secci on 2.1.2 y su respectivo histograma.
En el histograma, la alta concentraci on de niveles de gris en la parte central denota bajo
contraste, sin embargo, como es necesario tener una imagen de alto contraste para la
caracterizaci on, se realiz o una transformaci on de los niveles de gris, usando el m etodo
de ecualizaci on del histograma descrito en la secci on 1.1.2.
El resultado se muestra en la gura 2.5.
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. Extracci on de caractersticas
La elaboraci on de las matrices caractersticas se llev o a cabo usando scripts del Toolbox
de procesamiento de im agenes 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 caractersticas a extraer y las 16 las corresponden
al tama no del espacio muestral (tablas A.1 a A.4).
El diagrama de ujo del proceso para extraer las caractersticas se muestra en la
gura 2.6.
Por otra parte en la tabla 2.2, se especican los c odigos que representan las diferentes
caractersticas extradas de las texturas.
2.3. EXTRACCI

ON DE CARACTER
ISTICAS 53
Figura 2.6: Diagrama de ujo para extracci on de caractersticas
c odigo descriptor c odigo descriptor
1 Intensidad promedio R1 M aximo S (r)
2 Contraste promedio R2 Media S (r)
3 Suavidad relativa R3 Desviaci on est andar S (r)
4 Skewness R4 M aximo-Media S (r)
5 Uniformidad A1 M aximo S ()
6 Entropa A2 Media S ()
7 Contraste A3 Desviaci on est andar S ()
8 Correlaci on A4 M aximo-Media S ()
9 Energa (uniformidad) A5 Angulo del m aximo
10 Homogeneidad
Tabla 2.2: C odigos de las caractersticas
54 CAP
ITULO 2. DISE

NO EXPERIMENTAL
2.4. An alisis de varianza
Para llevar a cabo el an alisis de varianza en el caso univariado, donde se contrasta la
hip otesis nula de que las medias de los diferentes grupos no dieren signicativamente
en la variable dada, se realizaron m ultiples an alisis con la funci on anova1 del Toolbox
estadstico de Matlab, uno para cada una de las caractersticas. Posteriormente se
realizaron m ultiples comparaciones de las medias grupales de cada variable, para
determinar en el caso que la hip otesis nula fuera rechazada, cuales eran los grupos
diferentes. Los resultados se muestran en las guras A.1 a A.4 (ver ap endice A).
Antes de realizar el an alisis de varianza de un factor, se contrastaron las hip otesis
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
ap endice A).
Sumario resultados obtenidos usando an alisis univariado
En el caso de las m ultiples comparaciones de las medias grupales de cada variable, se
presenta un sumario de los resultados obtenidos.
Naturaleza de las caractersticas Caracterstica
Grupos
diferentes
Matriz de co-ocurrencia de niveles de gris Contraste
A B
B C
B D
Correlaci on
B C
B D
Energa
A B
B C
B D
Homogeneidad
A B
A D
B C
B D
Histograma de la imagen Uniformidad
B C
B D
Entropa B D
Espectro de la im agen Desvest (S (r))
A C
B C
Posici on de m aximo (S ())
A B
B C
B D
Tabla 2.3: Sumario de grupos diferentes bajo an alisis univariado
2.5. AN

ALISIS DE VARIANZA M

ULTIPLE 55
Figura 2.7: Diagrama de ujo para an alisis univariado
De la anterior tabla, se observa que para las caractersticas extradas, el grupo que m as
se diferencia de los otros es el grupo B. Una observaci on detallada de la tabla 2.3, revela
que los unicos grupos para los cuales no se encontr o una diferencia signicativa, para
ninguna de las variables, son los grupos C y D.
2.5. An alisis de varianza m ultiple
Para realizar el an alisis de varianza en el caso multivariado, donde se contrasta la
hip otesis nula de que los vectores multivariados de medias no dieren signicativamente
entre grupos, se hizo uso de la funci on manova1 del Tool-box estadstico de Matlab, y
la funci on maov1 [62].
Con el n de no cometer errores en la inferencia estadstica a realizar, se contrastaron
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 se nalar que para llevar a cabo el an alisis multivariado de la varianza, de las
matrices de caractersticas extradas 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 n umero de variables en las matrices caractersticas de las componentes radial
y angular del espectro respectivamente.
Figura 2.8: Diagrama de ujo MANOVA
Pruebas de esfericidad de Bartlett
La prueba de esfericidad de Bartlett, la cual se realiza con el n de contrastar la hip otesis
nula que la matriz de correlaciones de las variables dependientes se asemeja a una matriz
2.5. AN

ALISIS DE VARIANZA M

ULTIPLE 57
identidad, se realiz o con el script sphertest.m [63]. Los resultados se muestran en las
tabla A.13.
En ella se observa, que el nivel de signicaci on de cada prueba es menor al 5 %, lo
cual es evidencia necesaria y suciente para rechazar la hip otesis nula, es decir que las
variables 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 caractersticas extradas de la componente radial del espectro,
luego de ser modicada. Lo anterior se debi o al tama no de las muestras, pues por cada
grupo se incluyeron 4 elementos, cuando lo recomendado para los experimentos es que,
como mnimo el tama no muestral del grupo m as peque no debe ser mayor que el n umero
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 tama no muestral igual, los
cuatro estadsticos usados para probar la hip otesis 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 suciente 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 an alisis multivariado de la varianza de un factor, se muestran desde la
tabla A.14 hasta A.17. Los cuatro estadsticos usados para el contraste de la hip otesis
nula, revelan para cada conjunto de datos, que existe diferencia estadsticamente
signicativa entre los vectores de medias de cada grupo, y que esta diferencia se debe
m as a la variabilidad entre grupos (clases de armas) que a la variabilidad al interior de
los grupos.
58 CAP
ITULO 2. DISE

NO EXPERIMENTAL
2.6. An alisis discriminante
En an alisis discriminante se usaron las variables can onicas obtenidas de la funci on
manova1.m.
Dichas variables son calculadas como:
_
_
_
_
x
1
x
2
.
.
.
x
N
_
_
m
.
.
.
m
_
_
_
_
Nxp
V
pxp
= C
Nxp
donde cada x
i
representa un vector de dimensi on p que contiene las observaciones
para cada elemento de los kn = N (k grupos y n el tama no 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
1
B re-escalados de forma tal, que la varianza intra-grupos de las variables can onicas
contenidas en C sea igual a la matriz identidad I. Adicionalmente, se usaron las variables
can onicas correspondientes a la primera y segunda columna de C.
Los resultados del an alisis discriminante lineal de Fisher, se muestran en las guras 2.9
a 2.12. En cada una de ellas, se muestran las regiones a las que seran asignados nuevos
proyectiles disparados por alguna de las armas en estudio.
Figura 2.9: An alisis discriminante datos MCNG
2.6. AN

Figura 2.10: An alisis discriminante datos Histograma
Figura 2.11: An alisis discriminante datos S (r)
60 CAP
ITULO 2. DISE

NO EXPERIMENTAL
Figura 2.12: An alisis discriminante datos S ()
2.7. AN

ALISIS DE CONGLOMERADOS 61
2.7. An alisis de conglomerados
El objeto de este an alisis es mostrar como son distribuidos los elementos en los grupos
o clases existentes, usando formaci on no jer arquica de conglomerados. En este proceso
fue usado el criterio de la distancia eucldea absoluta o cuadrada entre objetos.
(a)
(b)
Figura 2.13: An alisis de conglomerados para las caractersticas de MCNG, m etodo de
k-medias: Distribuci on original de variables can onicas (a). Pertenencia predicha por el
an alisis de k-medias (b)
62 CAP
ITULO 2. DISE

NO EXPERIMENTAL
(a)
(b)
Figura 2.14: An alisis de conglomerados para las caractersticas del histograma, m etodo
de k-medias: Distribuci on original de variables can onicas (a). Pertenencia predicha por
el an alisis de k-medias (b)
2.7. AN

(a)
(b)
Figura 2.15: An alisis de conglomerados para las caractersticas de S (r), m etodo de k-
medias: Distribuci on original de variables can onicas (a). Pertenencia predicha por el
64 CAP
ITULO 2. DISE

NO EXPERIMENTAL
(a)
(b)
Figura 2.16: An alisis de conglomerados para las caractersticas de S (), m etodo de k-
medias: Distribuci on original de variables can onicas (a). Pertenencia predicha por el
Captulo 3
An alisis de Resultados y
conclusiones
3.1. Discusi on previa
Una mirada a las matrices de caractersticas extradas de la componente angular del
espectro (tabla A.4), permite detectar un aparente inconveniente con la detecci on de la
orientaci on de las estras en las im agenes de los proyectiles.
El tama no de las im agenes usadas en la caracterizaci on de la textura en la supercie de
los proyectiles (1138x3962 pixeles) sumado a la naturaleza global del an alisis, puede
ser una raz on para el aparente problema. El espectro se calcul o para toda la imagen y no
solo a las regiones donde se presentan las estras, de esta manera, debido a la cantidad de
variaciones que aparecen en la imagen la orientaci on total de estas es en promedio 90.
Otro factor que pudo inuir, fue la t ecnica misma de desenvolvimiento de las im agenes
de la supercie de los proyectiles, debido a que se tom o una cantidad de fotos por
proyectil, que si bien es aceptable, no es suciente para capturar en detalle la supercie,
porque se presentan variaciones de iluminaci on en las uniones de los segmentos que
forman la supercie completa.
En el caso del an alisis multivariado de la varianza para los diferentes conjuntos de
datos, se encontr o que las matrices de caractersticas extradas de la componente radial y
angular espectro, no eran matrices denidas positivas, lo cual implicaba una singularidad
y por tanto un problema durante el procedimiento. Posteriormente, se encontr o que una
de las variables, era una combinaci on lineal de otras dos del mismo conjunto, lo cual
es una causa para que una matriz no sea denida positiva. Una vez excluida la variable
redundante de cada conjunto de datos, se pudo realizar el an alisis multivariado.
65
66 CAP
ITULO 3. AN

ALISIS DE RESULTADOS Y CONCLUSIONES
3.2. An alisis univariado de la varianza: ANOVA
Cuando se analizaron los datos usando el modelo lineal general univariante, donde se
contrasta la hip otesis nula de igualdad de medias para observaciones hechas sobre una
variable, se encontr o que todas las matrices caractersticas contienen datos que son
signicativamente diferentes entre grupos, para muchas de las variables observadas.
En el caso de comparaciones m ultiples, las cuales permiten determinar que grupos se
diferencian en determinada caracterstica medida, se encontr o que las extradas 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 aparici on de cada par de pixeles
relacionados por el operador de posici on relativa P (ver teorema 1, p agina 11). En este
sentido, las caractersticas que se puedan extraer de la matriz, resultan recomendables
para describir los patrones que presentan las estras sobre la supercie de los proyectiles
del experimento. El operador de posici on relativa entre pixeles (P) utilizado fue: primer
vecino a la derecha.
3.3. An alisis multivariado de la varianza: MANOVA
Al analizar los distintos conjuntos de caractersticas usando el modelo lineal general
multivariante de un factor, donde se contrasta la hip otesis nula de igualdad de vectores
de medias entre grupos, teniendo en cuenta en este caso todas las caractersticas para
cada estudio, se encontr o que todos los estadsticos rechazan la hip otesis nula, lo cual
es un indicador de que existen por lo menos dos grupos cuyos vectores de medias son
signicativamente diferentes.
3.4. An alisis discriminante y an alisis de conglomerados
El an alisis discriminante utilizado es el m as elemental de todos, sin embargo, se observa
que los elementos fueron clasicados de manera correcta. La etapa de clasicaci on se
fortalecer a cuando se tenga una poblaci on m as amplia.
Por su parte, el an alisis de conglomerados permite observar que la separaci on de los
grupos en el espacio caracterstico construido es a un 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 clasicaci on, teniendo en cuenta el bajo
n umero de elementos en el estudio.
3.4. AN

ALISIS DISCRIMINANTE Y AN

Conclusiones
Los proyectiles que fueron objeto de estudio en la investigaci on, obtuvieron
marcas a partir de las cuales se pudo llevar a cabo una comparaci on cuantitativa
entre ellos, para formar grupos provenientes de la misma arma.
Se present o procedimiento para representar, de manera aceptable, la supercie
desenvuleta de los proyectiles disparados.
Fue propuesto un m etodo, que para el conjunto de proyectiles objeto de estudio en
la investigaci on, permiti o de manera efectiva diferenciar los provenientes de las
diferentes armas de fuego.
Las matrices de caractersticas extradas, permitieron llevar a cabo una distinci on
cuantitativa de la textura presente en im agenes de proyectiles disparados por
diferentes tipos de armas.
Las caractersticas extradas de la matriz de co-ocurrencia de niveles de gris
(MCNG) permite distinguir, con mayor precisi on que las caractersticas de las
otras naturalezas incluidas en el trabajo, entre los proyectiles provenientes de las
diferentes armas.
Las caractersticas extradas de las componentes S (r) y S () de los espectros de
las im agenes, no resultaron ser utiles en el proceso de descripci on de las im agenes,
debido al tama no de las mismas.
Perspectivas
Probar que la naturaleza de las caractersticas extradas funciona con una base de
datos m as grande y que adem as contenga diferentes tipos de estriado.
Dise no y construcci on de dispositivo para escaneo lineal de proyectiles.
Estudio y aplicaci on de t ecnicas de compresi on de im agenes que permitan reducir
el costo computacional del proceso.
Obtener caractersticas de otra naturaleza que sirvan como descriptores de
caractersticas presentes en las im agenes y que sirvan como caractersticas
discriminantes entre tipos de armas.
Segmentar las regiones donde, seg un los estudios experimentales, se encuentran
las caractersticas particulares de cada arma, para aplicar el m etodo propuesto y
comparar los resultados, con los incluidos en el presente trabajo.
Bibliografa
[1] M. S. Bonfanti and J. De Kinder. The inuence of manufacturing processes on the
identication of bullets and cartridge cases - a review of the literature. Science and Justice,
39(1):310, 1999. [citado en p. 1, 46, 47]
[2] Dongguang Li. Firearm identication system based on ballistics image processing. 2008
Congress on Image and Signal Processing, 2008. [citado en p. 1, 12, 92]
[3] R. C. Gonz ales. Digital image processing using matlab. Addison-Wesley, 2002.
[citado en p. 3, 10]
[4] J. C. Russ. The image processing handbook. CRC Press, Boca Rat on-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. Garca. Image Processing Dealing with Texture. John Wiley & Sons Inc,
2006. [citado en p. 9, 10]
[7] J. P. Marques de S a. 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 estadstica para ingenieros. Prentice
Hall, Hispanoamericana, S.A., Mexico 1999, sixth edition. Traducci on: Ricardo Cruz.
[citado en p. 15, 16, 17, 23]
[9] J. F. Hair and R. E. Anderson. An alisis Multivariante. Prentice Hall, Madrid, Espa na, 5
edition, 1999. Traducci on: Diego Cano, Universidad Aut onoma 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. Pe na. Estadstica: 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
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 Philosocal Society, 34:3340, 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.
[18] G. Milligan. An examination of the eect of six types of error perturbation of fteen
clustering algorithms. Psycometrika, 45:325367, 1980. [citado en p. 37]
[19] C. H. Goddard. A history of rearm identication to 1930 (reprint of 1953 address).
Association of Firearms and Toolmarks Examiners-AFTE, 31(3):225241. [citado en p. 39]
[20] Servidores grupo Balstica. Protocolo: Estudios comparativos de proyectiles y vainillas.
Technical report, Fiscala general de la naci on, 2006. [citado en p. 40]
[21] R. A. Rinker. Understanding Firearm Ballistics. Clarksville, IN: Mulberry House
Publishing, fth 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 rearms investigation, identication and evidence. NC: Small-
Arms Technical Publishing Company, rst edition, 1935. [citado en p. 44]
[24] E. D. Smith. Cartridge case and bullet comparison validation study with rearms 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):166172, 2006. [citado en p. 45]
[26] C. L. Smith and M. Robinson. Line-scan imaging for the positive identication of ballistics
specimens. Proceedings of the IEEE 34th Annual International Carnahan Conference on
Security Technology, pages 269275, 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):241256, 2000. [citado en p. 45]
[29] R. G. Nichols. Firearm and toolmark identication criteria: A review of the literature.
Journal of forensics Science, 42(3):446474, 1997. [citado en p. 45, 97, 98]
BIBLIOGRAF
IA 71
[30] C. L. Smith. Proling toolmarks on forensics ballistics specimens: An experimental
approach. IEEE, pages p.p 281286. [citado en p. 45]
[31] E. Harig and N. Kahlfeld. Der eiuss eines modern verfahrens zur laufherstellung
auf die identizierungsmglichkeiten von shusswaen. 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 ried
barrel blank. Association of Firearms and Toolmarks Examiners-AFTE, 17(3):6469, 1985.
[citado en p. 46, 47, 98]
[34] A. A. Biassoti. Riing methods-a review and assesment of the individual characteristics
produced. Association of Firearms and Toolmarks Examiners-AFTE, 13(3):3641, 1981.
[35] J. M. Collins. Manufacturing the lorcin l380 and corresponding characteristics. Association
of Firearms and Toolmarks Examiners-AFTE, 29(4):498502, 1981. [citado en p. 46, 98]
[36] E. E. Hall. Bullet markings from consecutively ried 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 eect of crowning on gun gun barrel individuality. Forensic Science
Society, 12(1):305308, 1972. [citado en p. 46, 47]
[39] T. A. Warlow. rearms, 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):487493, 1997. [citado en p. 46, 47]
[41] A. A. Biasotti and F. A. Tulleners. Trainig syllabus for forensic rearms and toolmark
identication. Association of Firearms and Toolmarks Examiners-AFTE, 16(1):30118,
1984. [citado en p. 46]
[42] G. Burrard. The identication 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 ries.
(reprinted)Association of Firearms and Toolmarks Examiners-AFTE, 13(1):4652, 1981.
[44] V. J. Lomoro. Class characteristics of 32 swl, f.i.e. titanic revolvers. Association of Firearms
and Toolmarks Examiners-AFTE, 6(2):1821, 1974. [citado en p. 46, 97]
[45] R. W. Skolrood. Comparison of bullets red from consecutivelyried coey .22 calibre
barrels. The Canadian Society of Forensic Science journal, 8(2):4952, 1975. [citado en p. 46,
97]
72 BIBLIOGRAF
IA
[46] R. F. Stengel. Thoughts on bullet comparisons and no gun cases. Association of Firearms
and Toolmarks Examiners-AFTE, 19(3):306307, 1987. [citado en p. 46]
[47] J. E. Davis. An introduction to tool marks, rearms and the striagraph. Springeld
(Illinois): Charles C. Thomas, 1958. [citado en p. 47, 48]
[48] W. F. Rowe. Firearms identication. Prentice Hall, 1988. [citado en p. 47, 48]
[49] M. S. Bonfanti and J. De Kinder. The inuence of the use of rearms on their characteristics
marks. Association of Firearms and Toolmarks Examiners-AFTE, 31(3):318323, 1999.
[citado en p. 47]
[50] A. A. Moenssens and R. E. Moses. Scientic 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-en
Luchtvaartwetenschappen, 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 scientic 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):5457, 1990.
[citado en p. 48]
[55] G. Montet. Enn le martelage vint. Ciblet, (10):182186, 1968. [citado en p. 48]
[56] P. H. N a at anen. Life of a rie barrel. The American Rieman, 104(3):2223, 1956.
[citado en p. 48]
[57] J. S. Hatcher and F. J. Jury. Firearms investigation, identication 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 rearms, ballistics and forensic
techniques. Elsevier. New York, 1985. [citado en p. 48]
[59] D. J ager and H. Lombacher. Geschoss oder hiilse-der ngerabdruck der schusswae.
Kriminalistik, 36(8):415419, 1982. [citado en p. 48, 96, 97]
[60] A. A. Biasotti. Bullet bearing surface composition and riing (bore) conditions as variables
in the production of individual characteristics on red bullets. Association of Firearms and
Toolmarks Examiners-AFTE, 13(2):94102, 1981. [citado en p. 48]
[61] AFTE Standarization Committee. Glosary of rearm 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
le. [WWW document]. URL http://www.mathworks.com/matlabcentral/leexchange/
loadFile.do?objectId=3863&objectType=FILE. [citado en p. 55]
BIBLIOGRAF
IA 73
[63] A. Trujillo and R. Hernandez. Sphertest: Sphericity test menu. A MATLAB le. [WWW
document]. URL http://www.mathworks.com/matlabcentral/
leexchange/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 identication for australian police services. Knowledge
adquisition and modeling workshop. IEEE international symposium, pages 911914, 2008.
[citado en p. 90]
[66] F. Puente Le on. Automated comparison of rearm bullets. Elsevier, 156(1):4050, 2006.
[citado en p. 90]
[67] J. Kinder and M. Bonfanti. Automated comparisons of bullet striations based on 3d
topography. Forensic Science International, 101:8593, 1999. [citado en p. 92]
[68] C. L. Smith and J. M. Cross. Optical imaging techniques fpr ballistics specimens to identify
rearms. Proceedings of IEEE International Carnahan Conference on Security Technology,
London, pages 275283, 1995. [citado en p. 92]
[69] P. Thumwarin, C. Prasit, and T. Matsuura. Firearm identication based on rotation invariant
feature of cartridge case. SICE Anual Conference, pages 4549, 2008. [citado en p. 92]
[70] Jun Kong, Donnguang Li, and A. C. Watson. AI 2003: Advances in articial intelligence.
:315-326. [citado en p. 93]
[71] F. Puente Le on. An automated system for the macroscopic acquisition of images of rearms
bullets. XIV IMEKO Congress, Finland, June 2006. [citado en p. 93]
[72] Huai Sheng Wang and Dongguang Li. Characteristic of a bullets digital images under
the illumination of dierent 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-identication system based on surface
topography techniques. Elsevier, 266(5-6):518522, 2009. [citado en p. 93]
[74] H. Hadersdorfer. Ist die identizierung von geschossen und h ulsen gef ahrdet? Archiv f ur
Kriminologie, 122(3-4):101106, 1958. [citado en p. 96]
[75] A. A. Biasotti. A statistical study of the individual characteristics of red bullets. Journal
of Forensic Sciences, 4(1):3450, 1959. [citado en p. 96]
[76] P. F. Austin. The identication of bullets red from high-velocity ries with consecutively
ried micro-groove barrels. The Canadian Society of Forensic Science Journal, 3(1):19,
1970. [citado en p. 96]
[77] J. E. Murdock. Ageneral discussion of gun barrel individuality and an empirical assessment
of the individuality of consecutively button ried .22 caliber rie barrels. Association of
Firearms and Toolmark Examiners Journal (AFTE), 13(3):8495, 1981. [citado en p. 97]
[78] R. A. Freeman. Consecutively ried polygon barrels. Association of Firearms and Tool
Mark Examiners Journal, 10(2):4042, 1978. [citado en p. 97]
74 BIBLIOGRAF
IA
[79] K. OCallaghan. 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 red from guns with close serial
numbers. Association of Firearms and Tool-Mark Examiners Journal, 18(3):1552, 1986.
[citado en p. 98]
[81] C. G. Brown and W. W. Bryant. Consecutively ried gun barrels present in most crime
labs. Association of Firearms and Tool-Mark Examiners Journal, 27(3):254258, 1995.
[citado en p. 98]
[82] K. D. Gross. The

hammermurderer
. Association of Firearms and Tool-Mark Examiners

Journa, 27(1):2730, 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):4951, 1995. [citado en p. 98]
[84] J. H. Mathews. Firearms Identication, volume 1. The Univestity of Wisconsin Press,
Madison, 1962. [citado en p. 99]
Ap endices
75
Ap endice A
Tablas de resultados
Matrices de caractersticas
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 5.9395
C 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: Caractersticas a partir del histograma
77
78 AP
ENDICE A. TABLAS DE RESULTADOS

7 8 9 10
A 0.2500 0.9702 0.0839 0.8907
A 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 0.8852
D 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: Caractersticas 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 11599241
C 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: Caractersticas a partir de S (r)
79
A1 A2 A3 A4 A5
A 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 90
D 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: Caractersticas a partir de S ()
80 AP

Pruebas de hip otesis antes de realizar ANOVA
Grupo 1 2 3 4 5 6
A Estadstico 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 Estadstico 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 Estadstico 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 Estadstico 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 Estadstico 0.8662 0.8560 0.8363 0.8046
p-value 0.2830 0.2463 0.1848 0.1106
B Estadstico 0.9996 0.9585 0.9872 0.9988
p-value 0.9989 0.7692 0.9430 0.9966
C Estadstico 0.9825 0.9303 0.8280 0.9346
p-value 0.9164 0.5959 0.1626 0.6214
D Estadstico 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 Estadstico 0.8633 0.8552 0.9741 0.8678
p-value 0.2722 0.2433 0.8665 0.2893
B Estadstico 0.9724 0.9290 0.9232 0.9714
p-value 0.8564 0.5886 0.5550 0.8503
C Estadstico 0.8148 0.9015 0.8714 0.8168
p-value 0.1314 0.4385 0.3032 0.1359
D Estadstico 0.9488 0.8874 0.9147 0.9489
p-value 0.7086 0.3710 0.5077 0.7095
Tabla A.7: Test de normalidad de Shapiro-Wilk (S (r))
81
Grupo A1 A2 A3 A4 A5
A Estadstico 0.9939 0.9234 0.6472 0.9864 NaN
p-value 0.9766 0.5560 0.0023 0.9386 NaN
B Estadstico 0.9664 0.8919 0.9609 0.9162 0.6298
p-value 0.8193 0.3919 0.7846 0.5160 0.0012
C Estadstico 0.9251 0.9713 0.9523 0.8862 NaN
p-value 0.5658 0.8497 0.7305 0.3659 NaN
D Estadstico 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 ())
1 2 3 4 5 6
Estadstico 1.5981 2.5944 2.5862 0.8895 1.6502 1.8393
Grados 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
Estadstico 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
Estadstico 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
Estadstico 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 ())
82 AP

Comparaci on m ultiple 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 CM10
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 CM10
5
F Prob>F
Grupos .00011 3 3.60326 15.39 0.0002
Error .00003 12 .234188
Total .00014 15
(f)
(g)
Grupos .00082 3 .00027 14.84 0.0002
Error .00022 12 .00002
Total .00104 15
(h)
Figura A.1: Comparaci on m ultiple de medias y Tablas de ANOVA (MCNG)
83
(a)
Grupos 6.5786 3 2.19288 1.3 0.3208
Error 20.3094 12 1.69245
Total 26.888 15
(b)
(c)
Grupos .618 3 .206 2.58 0.1024
Error .9594 12 .07995
Total 1.57741 15
(d)
(e)
Fuente SC10
6
gl CM10
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)
Grupos .03436 3 .01145 .66 0.5947
Error .20961 12 .01747
Total .24397 15
(h)
(i)
Fuente SC10
7
gl CM10
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 SC10
7
gl CM10
7
F Prob>F
Grupos .00102 3 .00034 5.61 0.0122
Error .00072 12 .00006
Total .00174 15
(l)
Figura A.2: Comparaci on m ultiple de medias y Tablas de ANOVA (Histograma)
84 AP

(a)
Fuente SC10
12
gl CM10
12
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 SC10
8
gl CM10
7
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 SC10
10
gl CM10
9
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 SC10
12
gl CM10
12
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: Comparaci on m ultiple de medias y Tablas de ANOVA (S (r))
85
(a)
Fuente SC10
11
gl CM10
10
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 SC10
9
gl CM10
9
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 SC10
9
gl CM10
8
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 SC10
11
gl CM10
10
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)
Grupos 6.75 3 2.25 9 0.0021
Error 3 12 .25
Total 9.75 15
(j)
Figura A.4: Comparaci on m ultiple de medias y Tablas de ANOVA (S ())
86 AP

Pruebas de hip otesis antes de realizar MANOVA
MCNG Histograma S (r) S ()
aprox.
2
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
Estadstico 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
Raz m as grande de Roy 5.9967 16.4908 4 11 0.0001
Tabla A.14: MANOVA para caractersticas de la MCNG
87
Traza de Pillai 1.9321 2.7138 18 27 0.0093
Lambda de Wilks 0.0374 2.4728 18 20.284 0.0258
Tabla A.15: MANOVA para caractersticas del histograma
Traza de Pillai 1.3219 3.1511 9 36 0.0067
Lambda de Wilks 0.1193 3.7970 9 24.488 0.0041
Tabla A.16: MANOVA para caractersticas de S (r)
88 AP

Traza de Pillai 1.5979 3.1340 12 33 0.0046
Lambda de Wilks 0.0461 4.4159 12 24.103 0.0010
Tabla A.17: MANOVA para caractersticas de S ()
Ap endice B
Actualidad de la identicaci on
autom atica de armas
Actualidad de la identicaci on autom atica de armas
En esta secci on son descritos de forma breve los sistemas de reconocimiento autom atico
de armas que funcionan al servicio de diferentes entidades, y los avances en trabajos de
investigaci on al respecto.
IBIS
El Sistema Integrado de Identicaci on Balstico -IBIS- producido por la compa na
Forensic Technology con sede en Montreal Canad a, es usado en alrededor de 35
pases por las instituciones encargadas de investigar casos relacionados con armas
de fuego. La herramienta permite recabar y analizar im agenes digitales de marcas
microsc opicas unicas detectadas en proyectiles y vainillas encontrados en la escena del
delito, posteriormente, es extrada una rma electr onica de cada imagen y almacenada
en una base de datos. El sistema compara autom aticamente las rmas en un intento por
encontrar una coincidencia, luego clasica las coincidencias m as probables para que
estas sean conrmadas por los expertos forenses.
La base de datos de este sistema puede estar disponible en diferentes jurisdicciones,
facilitando la relaci on de delitos, armas y sospechosos.
IBIS TRAX-3D
Son innovaciones presentadas por la misma compa na fabricante de IBIS, presentadas
como respuesta a mejor caracterizaci on y mayor automatizaci on. IBIS TRAX-3D es
una familia de productos para el registro, almacenamiento, procesamiento y an alisis de
im agenes de evidencia balstica (ver gura B.1a).
89
90 AP
ENDICE B. ACTUALIDAD DE LA IDENTIFICACI

ON AUTOM

ATICA DE ARMAS
BrassTRAX-3D permite capturar im agenes 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 iluminaci on
controlado para obtener varias la mejor perspectiva. La construcci on de modelos 3-D de
las marca dejadas por el percutor, permite llevar a cabo comparaciones bastante precisas
(ver gura B.1b).
BulletTRAX-3D permite adquirir im agenes digitales 2D y crear modelos topogr acos
3D de la supercie del proyectil; b asicamente el sistema realiza autom aticamente
la misma rutina de comparaci on entre LEAs (land engraved areas) realizada por
el perito en balstica bajo el microscopio de comparaci on, construyendo una matriz
de correlaciones donde cada elemento es la correlaci on que presentaron las zonas
comparadas (ver gura B.1c).
La herramienta IBIS Data Concentrator, permite el almacenamiento y servicios
de realimentaci on para alrededor de 2 millones de estaciones BrassTRAX-3D y
BulletTRAX. De manera adicional sirve como punto de conexi on con la herramienta
MatchPoint+, la cual es usada como estaci on para an alisis de datos y elaboraci on de
reportes (ver guras 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 rmas digitales unicas extradas de las
im agenes, al igual que otros datos demogr acos. La correlaci on de las rmas muestra
las coincidencias de m axima probabilidad y luego son comparadas con los resultados
entregados por MatchPoint+ para su validaci on.
La conexi on entre las diferentes estaciones de trabajo puede ser remota o local, teniendo
en cuenta que las conexiones remotas est an ligadas a el ancho de banda de transmisi on
de datos [64].
FIREBALL
Es una base de datos interactiva que le permite a los usuarios almacenar im agenes de la
base de la vainillas y la supercie de los proyectiles, para extraer las orientaciones de
las caractersticas de clase usando una interfaz gr aca de usuario. FIREBALL es el
resultado de las investigaciones en identicaci on de armas que se llevaron a cabo en la
Universidad Edith Cowan (Australia), durante los pasados siete a nos. Sin embargo, la
necesidad expuesta por los servicios de polica local, la cual inuenci o la orientaci on
de las investigaciones, tena como prioridad la identicaci on de armas basada en el
reconocimiento de caractersticas en las vainillas y no tanto en la supercie de los
proyectiles disparados [65].
Algunos res umenes de trabajos de investigaci on sobre Identicaci on de
armas
F. Puente Le on. Automated comparison of rearm bullets [66]
Es presentado un enfoque de comparaci on de armas, basado en la extracci on autom atica
91
(a)
(b) (c)
(d) (e)
Figura B.1: Serie IBIS-TRAX-3D
de una rma digital, la cual abarca las marcas relevantes de una imagen, para
identicar las caractersticas que se presentan en la supercie de los proyectiles
disparados. Para este n, primero se obtuvieron im agenes de alta resoluci on usando
t ecnicas de fusi on. Posteriormente se llev o a cabo un preprocesamiento, en el cual los
niveles de intensidad de la imagen fueron ltrados a lo largo de la direcci on de las estras.
Un ltro no lineal se encargo de la selecci on del estriado de inter es. La comparaci on se
llev o a acabo a trav es de la correlaci on cruzada de las rmas.
J. de Kinder and M. Bonfanti. Automated comparisons of bullet striations based on
92 AP
ENDICE B. ACTUALIDAD DE LA IDENTIFICACI

ON AUTOM

ATICA DE ARMAS
3D topography [67]:
Se present o un sistema con la capacidad de comparar las rmas digitales de im agenes de
proyectiles con el n de llevar a cabo identicaci on de armas. El sistema est a basado
en el almacenamiento de la topografa de la supercie de los proyectiles usando
perlometra laser. Los vectores caractersticos son comparados entre s usando t ecnicas
de correlaci on.
Dongguang Li. Firearm identication system based on ballistics image processing [2]:
En este trabajo es propuesto un sistema analtico basado en la trasformada r apida de
Fourier para identicar proyectiles a partir de im agenes adquiridas con la t ecnica de
escaneo lineal (line-scan imaging).
El estudio demuestra que diferentes tipos de estras y macizos generadas por diferentes
armas tiene texturas superciales distintivas, y esas texturas pueden ser medidas e
identicadas de manera efectiva usando an alisis espectral.
C. L. Smith y J. M. Cross.Optical imaging techniques for ballistics specimens to
identify rearms [68]:
El artculo describe la investigaci on tras el desarrollo de un sistema el cual puede
almacenar, analizar, recuperar, y comparar im agenes de alta resoluci on de cartuchos
relacionados con casos de armas de fuego. La base de datos interactiva de balstica
forense FIREBALL incorpora una Interface Gr aca de Usuario (GUI) para obtener
m edidas precisas de las caractersticas de clase de los cartuchos.
En el trabajo son examinados m etodos y t ecnicas para producir un sistema eciente de
an alisis autom atico de evidencia balstica.
C. L. Smith y Dongguang Li. Intelligent Imaging of Forensic Ballistics Specimens for
ID [27]:
El artculo describe algunas de las tecnologas m as importantes en la identicaci on de
armas de fuego usando especmenes balsticos (Cartuchos y proyectiles). Se propone el
mapeo de microsupercies sobre las regiones de los especmenes en comparaci on para
establecer la identicaci on acorde con la precisi on de las medidas de las caractersticas.
Proponen las de Line-Scanning (Escaneo lineal), Laser Depth Proong (Prueba de
profundiad usando laser), y topografa fot onica 3D, como herramientas de importancia
para los balsticos forenses, en la identicaci on de cartuchos y proyectiles.
P. Thumwarin,C. Prasit y T. Matsuura. Firearm identication based on rotation
invariant feature of cartridge case [69]:
Es propuesto un m etodo de identicaci on de armas basado en caractersticas invariantes
bajo rotaci on a partir de im agenes de cartuchos. Se propone como caracterstica
invariante bajo rotaci on el valor absoluto de los coecientes de Fourier calculados a
partir de una imagen. Finalmente, el arma puede ser identicada comparando los valores
93
calculados de otras muestras. Los experimentos muestran la efectividad del m etodo
propuesto.
C. L. Smith. Line-scan imaging for the positive identication of ballistics specimes [26]:
Describe el desarrollo de una t ecnica para el registro de im agenes de proyectiles
en la identicaci on autom atica de armas. Los resultados se compararon con los
obtenidos usando la t ecnica de perlometra supercial, encontrando que las t ecnicas
se complementan y ambas permiten validar el an alisis de las caractersticas de clase y
las individuales.
J. Kong, D. Li y A. C. Watson. A rearmidentication systembased on neural network
[70]:
Se propone un sistema de identicaci on de armas basado en una Red neuronal para un
mapa de caractersticas auto-asociativo (SOFM neural network). El trabajo se enfoca
en la identicaci on de vainillas a trav es 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 desempe no para integrar la red (SOFM
neural network) y la estrategia de toma de decisiones.
F. Puente Le on. An automated system for the macroscopic acquisition of images of
rearms bullets [71]:
Se presentaron m etodos de fusi on de im agenes que permiten obtener im agenes de
proyectiles de alta calidad. El trabaj o se enfoc o en tres problemas b asicos, los cuales
causan que los sistemas opticos fallen en la adquisici on de im agenes de suciente
calidad: iluminaci on, profundidad del foco y visibilidad.
Huai Sheng Wang y Dongguang Li. Characteristic of a bullets digital images under
the illumination of dierent wavelengths [72]:
Se busc o la longitud de inda de la luz que produce mejores efectos en la adquisici on
de im agenes de proyectiles, se us o el sistema de identicaci on FIREBALL bajo una
iluminaci on cuya longitud de onda est a 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 im agenes.
F. Xie, S. Xiao, et al. Automated bullet-identication system based on surface
topography techniques [73]:
Se propuso un enfoque cuantitativo 3D, en el cual la totalidad de la topografa
de la supercie de los proyectiles es adquirida para an alisis e identicaci on. Las
caractersticas de clase e individuales son extradas de manera efectiva, usando t ecnicas
de segmentaci on.
Ap endice C
Manufactura e identicaci on
Autores Conjunto
de prueba
Particularidad T ecnica Resultados
Gravelle, 1925 Armas Consecutivamente
manufacturadas
Los
rastros dejados por cada
ca n on son individuales
Springeld
Arsenal, 1926
4 ca nones consecutivamente
rayados con la
misma her-
ramienta
Los
rastros dejados por cada
ca n on son individuales
Goddard,
1933[42]
6 ca nones cortados de 3
tubos
previamente
rayados
hook
cutting
Una correcta
identicaci on puede ser
llevada a cabo sin ning un
problema.
Br uning, 1934 4 pistolas
Sauer &
Sohn
consecutivamente
manufactiradas
Los proyectiles pueden
ser distinguidos por el
microrayado dejado en las
estras y macizos
Churchman, 1949
[43]
3 ca nones
de
carabinas
Cooey
consecutivamente
rayados
broaching Los proyectiles presentan
caractersticas de subclase
las cuales son dejadas por
la herramienta usada para
el rayado, sin embargo, las
caractersticas
individuales de
los proyectiles disparados
a trav es de diferentes
ca nones no corresponden
contin ua en la siguiente hoja
95
96 AP
ENDICE C. MANUFACTURA E IDENTIFICACI

ON
Autores Conjunto de
prueba
Burrard, 1951
[42]
4 rev olvers
Webley &
Scott
ca nones
consecutivamente
manufacturados;
sin ser pulidos
hook
cutting
Una
identicaci on de armas
correcta pudo ser llevada a
cabo sin ning un problema.
Algunos cruces pueden
ser observados para las
caractersticas
macro presentes en las
ca nones consecutivamente
cortados.
Michon and
Oprijan, 1956
[59, 31]
5 pistolas
de la misma
marca y
modelo
ca nones
provenientes
del mismo lote de
manufactura
Las marcas dejadas en las
estras y los macizos por
tres de las cinco pistolas
se parecen mucho. Las
diferencias encontradas
son muy peque nas para
servir como base en la
identicaci on de armas.
Hatcher et al,
1957 [57]
2 ca nones rayados con la
misma herramienta
mandrel
riing
Las
marcas dejadas por cada
ca n on son individuales.
Hadersdorfer,
1958 [74]
10 pistolas
Walther PP
numeros seriales
cercanos
hammering Los proyectiles pueden ser
distinguidos
por las marcas dejadas en
las estras y los macizos.
Biasotti, 1959,
[75]
16
rev olvers
Smith &
Wesson
Victory
hook
cutting
El porcentaje
promedio del microrayado
correspondiente
sobre proyectiles de la
misma arma est a 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
comparaci on entre balas
disparadas por diferentes
armas resulta en 15 al
20 % correspondencia de
las estras
Austin, 1970 [76] 3 carabinas
Marlin
336RC
ca nones
consecutivamente
rayados
buttoning
(Micro-
Groove)
No se observ o repetici on
del
estriado.En consecuencia,
armas consecutivamente
manufacturadas poseen
sucientes caractersticas
para permitir llevar a cabo
una identicaci on.
97
Autores Conjunto de
prueba
Harig and
Kahlfeld, 1970
[31]
10 pistolas
Makarov
ca nones cortados
de dos tubos
consecutivamente
rayados usando la
misma heramienta
hammering Aunque algunas balas
tienen algunas similitudes
considerables, las
diez pistolas pueden ser
identicadas usando sus
proyectiles.
Lutz, 1970 [77,
29]
2 rev olvers
Smith &
Wesson
ca nones
consecutivamente
rayados
broaching Las armas pueden
ser identicadas por el
microrayado presente en
los macizos.
Lomoro, 1974
[44]
2 rev olvers
F.I.E
Titanic
numeros seriales
cercanos
broaching Los proyectiles de los 3
rev olvers muestran gran
similitud en el
microrayado presente en
las estras. Sin embargo no
presenta correspondencia
alguna para los macizos.
Skolrood, 1975
[45]
3 carabinas
Cooey 39
de un solo
tiro
ca nones
consecutivamente
rayados
broaching A parte de alguna
correspondencia
de subclase, una correcta
identicaci on puede ser
llevada a cabo en base al
estriado de los proyectiles.
Freeman, 1978
[78]
3 pistolas
Heckler &
Koch P9S
ca nones
consecutivamente
rayados
Hammering
(polyg-
onal
riing)
Cada ca n on posee una
individualidad distinta y
singular.
Murdock, 1981
[77]
9 ca nones
(3 Marlin, 3
Mossberg y
3
Remington)
ca nones
de la misma marca
fueron
consecutivamente
rayados
buttoning No se
observ o sobre las estras y
los macizos microrayado
propio de la familia. No
obstante, algunas de las
estras nas concuerdan.
Esto no es suciente para
llevar a cabo una correcta
identicaci on de armas.
J ager y
Lombacher, 1982
[59]
5 pistolas
SIG P6
(P225)
numeros seriales
consecutivos
Hammering Las estras sobre el
proyectil permiten
identicar el arma que los
dispar o.
Hall, 1983 [36] 4 carabinas
Shilen Rie
Inc.
ca nones
consecutivamente
rayados
Hammering
(polyg-
onal
riing)
Cada ca n on posee una
individualidad distinta y
singular.
OCallaghan,
1983 [79]
6 ca nones cortados de dos
tubos previamente
rayados
buttoning La identicaci on de armas
basada en los proyectiles
no presenta problemas.
98 AP
ENDICE C. MANUFACTURA E IDENTIFICACI

ON
Autores Conjunto de
prueba
Arnold, 1984
[32]
5 ca nones
de pistolas
SIG P225
cortados de un tubo
previamente
rayado
hammering Cada
ca n on tiene una rma
unica. La identicaci on
puede ser impedida por la
falta de estras nas o por
variaciones en el patr on
entre disparo y disparo.
Una identicaci on esta
m as basada en las marcas
presentes en los macizos
m as que en las presentes
en las estras.
Matty, 1985 [33] 3 ca nones
de rev olver
Ruger
New Model
Blackhawk
consecutivamente
cortados de un tubo
previamente
rayado
buttoning Pueden ser vistos
remanentes
sucientes para separar en
fases, pero no es suciente
para una identicaci on
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
bas andose en el ancho de
los macizos.
Brundage, 1994
[81, 29]
10 ca nones
de pistolas
Ruger
consecutivamente
rayados
Una correcta
identicaci on no presenta
ning un problema.
Brown y Bryant,
1995 [81]
29
Derringers
equipadas
con
62 ca nones
en total
(Los
ca nones Derringer
son usualmente
fabricados
muy cercanamente
en la lnea de
producci on)
Se
encontr o correspondencia
entre las marcas sobre
rugosas sobre las estras,
pero no sobre los macizos
en la supercie de los
proyectiles disparados por
los dos ca nones de una
pistola.
Gross, 1995 [82] 3704
pistolas
Walther P5
Toda pistola transere un
unico patr on de estriado
al proyectil disparado. La
supercie de los
proyectiles probados son
relativamente suaves.
Lardizabal, 1995
[83]
3 pistolas
Heckler &
Koch USP
numeros seriales
cercanos
Toda pistola transere un
unico patr on de estriado al
proyectil disparado.
Collins, 1997
[35]
2 pistolas
Lorcin
L380
numeros seriales
consecutivos,
ca nones rayados
con la misma
herramienta.
buttoning Toda pistola transere un
unico patr on de estriado al
proyectil disparado.
Tabla C.1: Estudios hechos sobre proyectiles disparados a trav es de ca nones
consecutivamente rayados o con numeros seriales cercanos
Ap endice D
Uso e identicaci on
Autor(es) Arma(s) Procedimiento
experimen-
tal/minici on
usada
Elemento
de com-
paraci on
Resultados
Goddard, 1920
[84]
1 ametral-
ladora no
especica-
da
500 disparos proyectiles Los 500 proyectiles
pueden ser identicados
con el primero.
Burrard, 1951
[42]
1 rev olver
no especi-
cado
proyectiles de
plomo
proyectil Los 50 proyectiles ya no
con el primero.
Burrard, 1951
[42]
1 pistola
no especi-
cada,
calibre 7.63
Mauser
proyectiles con
camisa de nquel
proyectil Los 20 proyectiles ya no
con el primero.
Hatcher et al.,
1957 [57]
1 ametral-
ladora no
especica-
da, calibre
.50
proyectiles
recubiertos
proyectil La identicaci on solo es
posible si
no son disparados m as de
una docena de proyectiles.
Hatcher et al.,
1957 [57]
1 ametral-
ladora no
especica-
da, calibre
.45
proyectil La identicaci on solo es
posible si un m aximo de
300-600 proyectiles han
sido disparados.
Tabla D.1: Estudios hechos sobre proyectiles disparados a trav es de ca nones
consecutivamente rayados o con numeros seriales cercanos
99
Ap endice E
Datos t ecnicos, equipos LEICA
Microscopio estereosc opico MZ6
Principio de construcci on Sistema optico tratado con un recubrimiento multicapa
con trayectorias de rayos paralelas y 1 objetivo principal,
parfocal y libre de plomo
Resistencia supercial del material
antiest atico
< 10
11
ohmios/cuadrado, tiempo de descarga < 2 s,
1.000V a 100V
M ax. apertura num erica 0.15 con 2x objetivo acrom atico / 0.075 con 1x objetivo
acrom atico
Resoluci on 450 Lp/mm con 2x objetivo acrom atico / 225 Lp/mm con
1x objetivo acrom atico
Cambiador de aumentos en
posici on
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 acrom aticos 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 acrom aticos planos y
apocrom aticos planos
1x (Plan, Planapo), 0.5x (Plan), 0.8x (Plan), 0.63x
(Planapo), 1.6x (Planapo), 2x (Planapo), sin plomo
Dioptras de +5 a 5
Distancia interpupilar 52mm a 76mm
Iluminaciones Oblicua, coaxial, vertical, conductores de luz por bra de
vidrio y fuentes de luz fra, disipador ESD, iluminaci on
LED (Laser Emitting Diode), uorescencia
fuente: www.leica-microsystems.com/MS5 MZ6
101
102 AP
ENDICE E. DATOS T
ECNICOS, EQUIPOS LEICA

C amara digital Leica DFC490
Tipo de c amara C amara digital para microscopa con software de control
Sensor CCD de transferencia Interline con lectura por marcos
ICX456
Grado/tama no 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 electr onico global/lectura entrelazada
N umero de pxeles 8 megapxeles, 3264 x 2448
Supercie sensible 8,81 mm x 6,61 mm
Tama no de pxel 2,7 m x 2,7 m
Profundidad de color 36 bits
Convertidor A/D 12 bits
Rango din amico > 58 dB / 800:1
Ruido de lectura < 6 LSB (12 bits) tpico
Tiempo de exposici on 1 ms a 600 s
Corriente oscura 0,22 LSB/s a 12 bits tpica
Control de amplicaci on/ Control
de compensaci on
10x / 0. . . 255 LSB (12 bits)
Imagen en vivo En la pantalla del ordenador
Correcci on del sombreado S, almacenado para todos los formatos
Correcci on del brillo En todos los modos de combinaci on de color
Sistema de enfriamiento Elemento de enfriamiento termoel ectrico activo Peltier
Temperaturas de enfriamiento -20K a temperatura ambiente
Regi on de inter es Graduable en pasos de 2 pxeles desde 2 x 2 hasta m axima
resoluci on
fuente: www.leica-microsystems.com/DFC490
Ap endice 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
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_value
loc=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 IM
AGENES 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);
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);
106 AP

%% 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 energa
% espectral como una funcion del radio desde el centro del espectro, SANG,
% la distribucion de energa 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
% lmites 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);
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 lnea 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;
108 AP

while mod(m,2)
tam_subfil= k/100;
k=k-1;
end
%numero par de columnas
k= 95;
tam_subcol= k/100;
while mod(n,2)
tam_subcol= k/100;
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)
%FUNCI
ON MODIFICADA
%STATXTURE calcula medidas estadsticas 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 1s. 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
%FUNCI
ON 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 .
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).0.5)*scale(1,2);
%Suavidad.
%La varianza es normalizada dividiendo por (L-1)2;
varn=mu(2)/(L-1)2;
t.Smoothness= (1 - 1/(1+varn))*scale(1,3);
%Skewness (normalizado por (L-1)2 tambien ).
t.ThirdMoment= (mu(3)/(L-1)2)*scale(1,4);
%Uniformidad.
t.Uniformity= (sum(p.2))*scale(1,5);
%Entropa.
t.Entropy= (-sum(p.*(log2(p+eps))))*scale(1,6);
% RUTINA ELABORADA PARA OBTENER LAS MATRICES DE DATOS
%% LECTURA DE IM
AGENES
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);
110 AP

% 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 (ECUALIZACI
ON 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)
111
p=histeq(p);
% figure, imshow(i1)
%% SUBIMAGEN CON FILAS Y COLUMNAS PAR
a=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);
clear 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);
clear 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);
clear 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);
112 AP

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 ESTAD
ISTICOS (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 );
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;
114 AP

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;
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;
116 AP

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 CARACTER
ISTICAS 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;
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;
118 AP

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 ESTAD
ISTICAS (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;
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;
120 AP

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;

Marco Teorico

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Marco Teorico

Uploaded by

Copyright:

Available Formats

Dise no de metodologa para caracterizar

texturas presentes en im agenes de proyectiles

Oxido de Metal Semiconductor Complementario).

(r), de forma similar

(r) para un valor jo de se obtiene el comportamiento del espectro (tal

ISTICA Y POTENCIA ESTAD

El segundo t ermino de la identidad de la suma de los cuadrados (teorema 2) es llamado

La media de las diferencias de cada grupo D

. Association of Firearms and Tool-Mark Examiners

ENDICE A. TABLAS DE RESULTADOS

ENDICE A. TABLAS DE RESULTADOS

ENDICE A. TABLAS DE RESULTADOS

ENDICE A. TABLAS DE RESULTADOS

ENDICE A. TABLAS DE RESULTADOS

ENDICE A. TABLAS DE RESULTADOS

ENDICE B. ACTUALIDAD DE LA IDENTIFICACI

ENDICE B. ACTUALIDAD DE LA IDENTIFICACI

ENDICE C. MANUFACTURA E IDENTIFICACI

ENDICE C. MANUFACTURA E IDENTIFICACI

ECNICOS, EQUIPOS LEICA

ENDICE F. SCRIPTS MATLAB

AGENES DESENVUELTAS DE LA SUPERFICIE

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

ISTICAS ESTADISTICAS (STATXTURE)

ENDICE F. SCRIPTS MATLAB

ENDICE F. SCRIPTS MATLAB

You might also like