From Circuit Theory to System Theory. Lotfi Zadeh, 1954: System Theory Fuzzy Set Theorie.
Entscheidungstheorie für Unentschlossene In decision Theory
description
Transcript of Entscheidungstheorie für Unentschlossene In decision Theory
Entscheidungstheorie für UnentschlosseneIndecision Theory
Entscheidungstheorie für UnentschlosseneIndecision Theory
Christian Kaernbach
Institut für Allgemeine Psychologie
Universität Leipzig
EntscheidungstheorieDecision Theory
EntscheidungstheorieDecision Theory
• Jeder Stimulus löst eine interne Repräsentation aus, die sich durch einen eindimensionalen Parameter e beschreiben läßt.
e
• e ist Gauß-verteilt , mit Standardabweichung = 1 und Mittelwert µ = 0 (Rauschen) bzw. µ = d‘ (Signal).
RauschenSignal
0 2
d‘0
0
1
0 1p(Ja|R)
p(Ja|S)
RauschenSignal
e
EntscheidungstheorieDecision Theory
EntscheidungstheorieDecision Theory
• Bei Ja/Nein-Aufgaben setzt die VP ein Kriterium c und sagt „Ja“ wenn e > c.
„Ja“
• Bei Wahlaufgaben (forced choice) wählt die VP den Stimulus mit dem größten e.
„Signal“
d‘0
WahrscheinlichkeitsrechnungWahrscheinlichkeitsrechnung
• bedingte Wahrscheinlichkeit:
)|()(
)|()()(
)()()|(
ABpAp
BApBpBAp
BpBApBAp
A
B
AB
)|()()|()(
)|()(
)(
)|()()|(
1100
00000 HEpHpHEpHp
HEpHp
Ep
HEpHpEHp
• Wahrscheinlichkeit für Hypothesen nach Bayes:
: 100A : 30B : 40
AB : 24
Entscheidungstheorie bei Ja/Nein-AufgabenEntscheidungstheorie bei Ja/Nein-Aufgaben
)|()|()|(
)|()()|()()|()(
)|(RepSep
SepRepRpSepSp
SepSpeSp
0
1
0 1p(Ja|R)
p(Ja|S)
RauschenSignal
e
d‘ ((ee))
0 ((ee))
pcor wächst monoton mit e
Kriterium in pcor Kriterium in e
d‘0
)()(
)(
)|()()|()()|()(
)|(0'
'
ee
e
RepRpSepSpSepSp
eSpd
d
Entscheidungstheorie bei WahlaufgabenEntscheidungstheorie bei Wahlaufgaben
jkNk
kjdsj eeeeep
1
0' )()()|(
Nisi
sjsj eeep
eeepeeep
1
)|(
)|()|(
am größten für emax = es
RauschenSignal
e2e3e1
d‘ ((ee22))0 ((ee33))0 ((ee11))
e
am größten für emax = es
d‘0
Wahlaufgaben ohne Entscheidungszwangunforced choice
Wahlaufgaben ohne Entscheidungszwangunforced choice
Es war der• 1. Stimulus• 2. Stimulus• 3. Stimulus• ich weiß es nicht
RauschenSignal
Wahlaufgaben ohne Entscheidungszwangunforced choice
Wahlaufgaben ohne Entscheidungszwangunforced choice
jkNk
kjdsj eeeeep
1
0' )()()|(
Nisi
ss eeep
eeepeeep
1
maxmax )|(
)|()|(
e2e3e1 e2e3e1e2e3e1
pcor 1/N
+ D
0
1
0 1p(D|emaxes)
p(D|e
max=e
s)
d‘0
d‘0
jkNk
kjdsj eeeeep
1
0' )()()|(
RauschenSignal
Wahlaufgaben ohne Entscheidungszwangunforced choice
Wahlaufgaben ohne Entscheidungszwangunforced choice
Nisi
ss eeep
eeepeeep
1
maxmax )|(
)|()|(
e2e1-2 -1 0 1 2 3 4 5 6
|e1 – e2| d’ > C D
eS – eR
)()()|(
)()()|(
102'2
201'1
eeeeep
eeeeep
ds
ds
')(max0min'min0max'
min0max'max minmax1
1)()()()(
)()()|( dee
dd
ds eeeee
eeeeep
'||
max0min'min0max'
min0max'max 211
1)()()()(
)()()|( dee
dd
ds eeeee
eeeeep
-2 -1 0 1 2 3 4 5 6c-c
0
1
0 1p(D|emaxes)
p(D|e
max=e
s)
|e1 – e2| > C/d’ D|e1 – e2| > c D+ Dpcor
1/N
Anwendungsbeispiel: Adaptive VerfahrenAnwendungsbeispiel: Adaptive VerfahrenSignalstärke anpassen, um Wahrnehmungsschwelle zu finden
• Ja/Nein-Aufgaben simple up-down: Ja Nein führt zu 50% „Ja“– kriterienabhängig
• Wahl-Aufgaben, N=2,3,4...:weighted up-down (hier N=2): führt zu 75% kriterienfrei– Stochastik (random walk)– Raten wird erzwungen
• Wahl ohne Zwang (hier N=2) unforced weighted up-down führt zu 75% + / 2 Stochastik müßte reduziert werden Komfortgewinn Test des Verfahrens in Simulation und Experiment
Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen
Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen
• optimaler Nicht-Entscheider bei festem d‘:pcor > 1/N + oder (N=2): |e1–e2| > c 0
0.25
0.5
0.75
1
0.01 0.1 1 10 100d' (logarithmisch)
c=0c=1c=2c=3
• optimaler Nicht-Entscheider bei variablem d‘ ?optimal wäre: konstant halten. Erfordert Kenntnis von d‘.ohne Kenntnis von d‘ : c konstant halten (geht nur für N=2)N > 2: konstant halten.
• je 100.000 virtuelle adaptive Versuchsläufefür verschiedene konstant gehaltene Wertevon c (N = 2) bzw. (N 2)
Messung des statistischen und systematischen Fehlers
Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen
Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen
0
0.25
0.5
0.75
1
0.01 0.1 1 10 100d' (logarithmisch)
c=0c=1c=2c=3
• je 100.000 virtuelle adaptive Versuchsläufefür verschiedene konstant gehaltene Wertevon c (N = 2) bzw. (N 2)
Messung des statistischen und systematischen Fehlers
0
1
2
0 1 2
systematischer Fehler
sta
tistis
che
r F
ehl
er
N=2, c ran
N=2, c fix
N=2, d fix
N=3, d fix
N=4, d fix
c= 0
1
. 4
=. 2
fix fix fix
. 3. 5
. 6
0
1
2
3
4
0 10 20 30 40 50trial number
0
1
2
3
4
5
6
7
8
9
0 10 20 30 40 50trial number
sta
tistic
al e
rro
r [d
B]
46 8 10 12 14 16
Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang
Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang
simple up-downforced WUDunforced WUD
6 Versuchspersonen, Sinuston in Rauschen,Startpunkt randomisiert, Schrittweite 4/2/1 dB,120 bzw. 360 (N=4) Durchläufe (runs)
N=6, erste 120 runs N=4, letzte 180 runs
–SUD –UWUD–WUD –WUDerste 120 runs (N=6)–3.45.5 0.030.5
letzte 180 runs (N=4)–0.32.4 0.090.3
0
1
2
3
4
5
6
7
8
9
0 10 20 30 40 50trial number
„schlechtes“ Cluster (N=3)
0
1
2
3
4
5
6
7
8
9
0 10 20 30 40 50trial number
„gutes“ Cluster (N=3)
Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang
Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang
6 Versuchspersonen, Sinuston in Rauschen,Startpunkt randomisiert, Schrittweite 4/2/1 dB,120 bzw. 360 (N=4) Durchläufe (runs)
0
2
4
6
0 2 4 6# „ich weiß nicht“
# F
als
cha
ntw
ort
en
d ' niedrig
d ' hoch
0
2
4
6
0 2 4 6# „ich weiß nicht“
# F
als
cha
ntw
ort
en
Simulation, c fix
0.5c=0.1
d ' niedrig
d ' hoch0
2
4
6
0 2 4 6# „ich weiß nicht“
# F
als
cha
ntw
ort
en
Simulation, c fixSimulation, d fix fix
10%
=2%
46
8
0.5c=0.1
d ' niedrig
d ' hoch0
2
4
6
0 2 4 6# „ich weiß nicht“
# F
als
cha
ntw
ort
en
Simulation, c fixSimulation, d fixempirische Daten
fix
10%
=2%
46
8
0.5c=0.1
d ' niedrig
d ' hoch
FazitFazit
vor Bayes (vage):„Ich weiß nicht...“
nach Bayes (bestimmt):„Ich weiß, daß ich nichts weiß!“ (Goethe oder so)