Herkenningsmodellen voor zeven-segment displays
Citation for published version (APA):Heddes, M. C. A. A. (1986). Herkenningsmodellen voor zeven-segment displays. (IPO-Rapport; Vol. 523). Instituut voor Perceptie Onderzoek (IPO).
Document status and date: Gepubliceerd: 27/02/1986
Document Version:
Uitgevers PDF, ook bekend als Version of Record
Please check the document version of this publication:
• A submitted manuscript is the version of the article upon submission and before peer-review. There can be important differences between the submitted version and the official published version of record. People interested in the research are advised to contact the author for the final version of the publication, or visit the DOI to the publisher's website.
• The final author version and the galley proof are versions of the publication after peer review.
• The final published version features the final layout of the paper including the volume, issue and page numbers.
Link to publication
General rights
Copyright and moral rights for the publications made accessible in the public portal are retained by the authors and/or other copyright owners and it is a condition of accessing publications that users recognise and abide by the legal requirements associated with these rights. • Users may download and print one copy of any publication from the public portal for the purpose of private study or research. • You may not further distribute the material or use it for any profit-making activity or commercial gain
• You may freely distribute the URL identifying the publication in the public portal.
If the publication is distributed under the terms of Article 25fa of the Dutch Copyright Act, indicated by the “Taverne” license above, please follow below link for the End User Agreement:
www.tue.nl/taverne Take down policy
If you believe that this document breaches copyright please contact us at: openaccess@tue.nl
Instituut voor Perceptie 0nderzoek
Postbus 513, 5600 MB
EINDH0VEN
Rapport no. 523
Herkenningsmodellen voor
zeven-segment displays
M. Heddes
27.02.1986
Stage verricht in de researchgroep Cognitie en Communicatie.
0nder leiding van:
Dr. D.G. Bouwhuis
SAMENVATTING
In dit verslag zijn de volgende herkenningsmodellen veer
zeven •egment displays besproken:
KB2 KB3
da•= Alfa¼f(A\Bl + f(B\Al
da•= Gamma(A\Bl + f (B\Al
KB4vl da•= {f(A\Bl+f(B\Al}¼{exp(-Theta¼f<A~B>>> 14 parameters. 8 parameters. 2 parameters. KB4v2 da•= {f(A\Bl+f(B\Al}¼{exp<-Theta¼f(A~Bll + f<AnB>¼exp<-Gamma¼f(A\B>>> 3 parameters.
Het KB2 <Keren ~ Baggen 1981) model voorspelt vrij slecht en
voldoet dus niet zo geed, zeker gezien het greet aantal
parameters. Als hier Alfa=Gamma/f wordt gesteld ontstaat het
KB3 model, dat dus 6 parameters minder heeft en nagenoeg
hetzelfde voorspelt als KB2. Het KB2 model kan overigens
sterk verbeterd worden door het toevoegen van een elfde
stimulus: een linkse 1 (links op het zeven segmenten
display>.
Een geheel andere aanpak is het KB4 model. Deze twee
voor•pellen nog het beste met de minste parameters <twee of
drie>. Nadeel van het model is de vraag of d •• ook een echte
af•tand is. KB4v2 voor•pelt het besteJ de resultaten zijn
echter nog een factor 3.~ slechter dan het best bekende
model: het Choice model. Deze laatste heeft daar wel 54
parameters voor nodig. Aangezien het KB4 model zeer slecht
te interpreteren is, is het nog maar de vraag of het een
INHOUDSOPGAVE SAMENVATTING HOOFDSTUK 1 HOOFDSTUK 2 PAR 2.1 PAR 2.2 HOOFDSTUK 3 PAR 3.1 PAR 3.2 PAR 3.3 PAR 3.4 HOOFDSTUK 4 PAR 4.1 PAR 4.2 PAR 4.3 HOOFDSTUK 5 PAR 5. 1 PAR 5.2 PAR 5.3 PAR 5.4 INLEIDING
DEFENITIE VAN HET KB-EN CHOICE MODEL HET CHOICE MODEL
HET KB MODEL
MLE VOOR KB2-EN CHOICE MODEL VERGELIJKEN VAN TWEE MATRICES MLE VAN CHOICE MODEL
MLE VAN KB2 MODEL CONCLUSIES
STEPITI VERBAND TUSSEN ALFA EN F STEPIT HET KB3 MODEL CONCLUSIES HET KB4 MODEL KB4 VERSIE 0 KB4 VERSIE 1 KB4 VERSIE 2 CONCLUSIES 1 3 4 4 4 7 7 7 9 9 10 10 11 12 13 13 14 16 17 HOOFDSTUK 6 PAR 6. 1 PAR 6.2 PAR 6.3
UITBREIDING VAN HET KB MODEL MET LINKSE 1 18
PRINCIPE VAN DE UITBREIDING 18
HET KB2 MODEL MET LINKSE 1 19
HET KB4 MODEL MET LINKSE 1 19
HOOFDSTUK 7 HET KB4 MODEL MET TWEE ANDERE MATRICES 20
LITERATUUR LIJST
APPENDIX A BESCHRIJVING VAN ENKELE ALGORITMEN
A.1 LIB.PAS EN MLE
A.2 STEPIT
A.3 DE PROGRAMMA'S
APPENDIX B UITDRA~IEN VAN DE PROGRAMMA'S
21 22 22 24 24 26
HOOFDSTUK l INLEIDING
Voor de opleiding tot elektrotechnisch ingenieur heb ik stage
gedaan bij het IPO. Een van de researchgroepen is Cognitie en
Communicatie. Hier wordt in de afdeling leesprocessen <ender
andere> onderzoek gedaan naar herkennings modellen voor 7-segment
displays. Het doel van zo'n model is het voorspellen van een
kansenmatrix, welke verkregen is door een experiment: een
waarnemer zegt welk cijfer hij aangeboden heeft gekregen op het
display. Door dit vele malen te doen ontstaan kansen die in een
10*10 matrix geplaatst worden: verticaal de opgelichte cijfers
<stimuli>, horizontaal de cijfers die de waarnemer heeft gezien
<response>. Van de modellen wordt geeist dat ze de matrix goed
voorspellen, weinig parameters hebben en geed interpreteerbaar
zijn (bijvoorbeeld een relatie met het experiment hebben>. In dit
HOQFDSTUI< 2 DEFINITIE VAN HET KB-EN CHOICE MODEL
Het doel van deze modellen is het voorspellen van de Ckansenl
matrix.
In dit verslag wordt voornamelijk (met verschi J lende versies>. Ook
besproken, omdat dit het model
levert.
PAR 2.1 HET CHOICE MODEL
gesproken over het KB-model zal het Choice-model worden
is dat de beste resultaten
Het door Luce
bel<ende model
ervan is:
(1963) opgestelde Choice model is het best
cm een matrix te voorspellen. De definitie
s,.,•B.,N,., ,
P,J •A,BJ N,J , 10
(similarity) <probability>
met A,• (
L
S, J ) - 1 normerings factor ,j =1
i , j : stimulus, response,
BJ response bias,
mate van overeenl<omst tussen stimuli i en ji
N,.,•N.,,
•n
N,,•1 •P,.,
is dus de kans dat stimulus j gezien is, teri,1ij l stimulusi is aangeboden.
Voordeel van het model is dat het zeer geed voorspelt.
Nadelen zijn: -Het heeft veel C~4> parameters.
-Het is niet fysisch interpr•teerbaar;
er is geen duideliJk• relatie met de experimen-tele omstandigh•den.
PAR 2.2 HET KB MODEL
Dit model is opgesteld door
gebaseerd op Tversky"s (1977>
kenmerken <features> zijn
zeven-segmenten display.
Keren en Baggen (1977> en is
feature model of similarity. De
hier de segmenten van het
De definitie van het KB model is:
10
met
A.• <
L
s • ..,
> - 1 normerings factor , b=lTheta<0 en Alfa>0, a,b: stimulus, response,
<di star1c:e l
(similarity) < p rob a.bi 1 i t y l
A,B: verzamelingen van segmenten. A bevat alle segmen-ten in stimulus a; idem veer B.
f: functie, die werkt op een verzameling van
segmen-ten. De functiewaarde is de som over alle
seg-menten die in die verzameling zitten,
vermenigvul-digd met een konstante fk <met k het segment
num-mer l.
Alfa: asymmetrie factor.
Om dit model
algoritmen wordt
direct verband
segmenten worden
naderhand te kunnen gebruiken in
computer-eerst een andere notatie ingevoerd, die in
staat met het segmenten display. Deze
als volgt genummered:
F
re.
2. 1 Nummerin9 van het displayDe Delta-matrix geeft nu aan welke segmenten de 10 stimuli
Kenmerk 1 2 3 4 5 6 7 1 0 0 1 0 0 1 0 2 1 0 1 1 1 0 1 3 1 0 1 1 0 1 1 4 0 1 1 1 0 1 0 5 1 1 0 1 0 1 1 Stimulus 6 1 1 0 1 1 1 1 7 1 0 1 0 0 1 0 8 1 1 1 1 1 1 1 9 1 1 1 1 0 1 1 0 1 1 1 0 1 1 1
Dus Delta, ... is 1 als stimulus i segment k bezit.
Het model wordt dan:
7
d,.i-L
( Th•t•*f1cD•lta,1cD•lta.i1c +k•l Alfa1cf1cD•lta,1cCl-D•lta.i1c> +
f1cD•lta.i1cCl-D•lta,1c> ) .
Smith (1982) heeft aangetoond dat het KB model een speciale
versie is van het Choice model en dat Theta een overbodige
parameter is, die op O gesteld kan worden (dit laatste komt
doordat
P,.i
genormeerd word: de som van een rij meet gelijkaan 1 z i j n l •
Er zijn twee versies van het KB model: KB! met Alfa ... =Alfa; heeft 8 parameters,
KB2 heeft 14 parameters.
Het KB1 model is behandeld door Keren~ Baggen (1981>.
Het KB2 model zal ook in de volgende hoofdstukken worden
behandeld.
HOOFDSTUK 3 MLE VOOR KB2-EN CHOICE MODEL
Het KB2-en Choice model bezitten een aantal parameters., die
zo gekozen rnoeten worden dat de matrix, voorspeld door het
model, zo geed als mogelijk lijkt op de experimentele matrix.
Een methode om deze parameters te berekenen is via het
principe van maximum likelihood. De parameters die hieruit
ontstaan heten maximum likelihood estimates <MLE>.
PAR 3.1 VERGELIJKEN VAN TWEE MATRICES
Hieronder worden drie methoden besproken
elkaar te vergelijken. Het resultaat kleiner dat getal, hoe beter de matrices
om twee matrices met
is een getal. Hoe
ge 1 i j k z i j n •
1 )
2)
3)
Likelihood rati: i
Gem. error coef.:
L= -
L
2LOG<Pe,~/Pc,~>i ,J
GEC=
L
i ' j
waarbij 100 het gemiddelde is van de geobserveerde matrix.
Chi kwadraat: CHI2=
L
i ,J
Hierbij is Pe: verwachte matrix (door model voorspeld) en Po: geobserveerde matrix.
Vcornamelijk zal gesprcken warden over CHI2 <dit wordt in de
literatuur cok veel gebruikt>. In de uitdraaien zullen cok L
of GEC vermeld zijn.
PAR 3,2 MLE VAN CHOICE MODEL
Voor een nauwkeurige beschrijving van de methode van maximum
likelihood wordt verwezen naar Bishop, Fienberg ~ Holland
(1975). Een kcrte beschrijving van het principe is:
Voor iedere variabele L van het model wordt een verzamelin9
CL gedefinieerd, die indices <i,jl bevat. Voor iedere eel in
Er zijn dus 14 verzamelingen
c._
(want er zijn 14 variabelenl die ieder alle cellen van de matrix bevatten waarin variabele L voorkomt.Nu geldt veer het Choice model <en dus ook voor het KB model)
dat:
L
Po,J =L
Pe,Ji , J ~
c._
i , je
c._
Het algoritme begint
waarde (bijvoorbeeld
(bijvoorbeeld gevuld
en
met veer iedere variabele een
begin-ll. Hieruit ontstaat een matrix Pe
met 1-enl.
Nu wordt er in de geobserveerde matrix gesommeerd over
c._
enook in de ver~achte matrix. Deze &ommen worden met elkaar
vergeleken. De elementen in de verwachte matrix worden nu zo
bijgeschaald dat aan bovenstaande criteria is voldaan (de
sommen worden nu dus gelijkl. Dit word gedaan veer iedere L
en net zolang tot de elementen niet meer bijgeschaald hoeven
te worden. De uitkomst van het algoritme is dus in principe
de verwachte matrix. Als tevens tijdens iedere slag de
variabelen zelf ook bijgeschaald worden bevatten ze na afloop
meteen de juiste waarden.
Het algoritme zelf wordt beschreven in appendix A.
Voor het choice model is de matrix Pe vermeld in uitdraai 1.
De parameters zijn niet vermeld, het gaat hier namelijk
alleen cm de uitkomst: omdat dit model de beste resultaten
levert zal het gebruikt worden cm er het KB model mee te
vergelijken. CHI2 is zeer laag: 215. Het zal blijken dat het
veer het KB model zeer moeilijk is cm hier ook maar bij in de
buurt te komen.
PAR 3.3 MLE VAN KB2 MODEL
Om het algoritme pt het KB2 model los te laten meet het eerst
geschreven worden in de notatie van het choice model. Dit
wordt dan:
7
P , J • A , L
<
fkDelta,k + AlfakfkDelta,k(1-DeltaJk> +of 7 7
P,,1•A, C
TT
be•lta,1 ..>
1TT
c!Delta, .. -Delta.1 ..>•
k• 1 of Pa.1•Aab.1N,.1 , waarbij f ..
•-Lncb .. >-Ln<c ..
> Alfa .. f ..•LnCb .. >-LnCc .. > •
k•lVoor de afleiding hiervan zie Smith 11982). De variabele
Theta is hier weggelaten, omdat deze 0 gesteld mag worden. De resultaten van het algoritme zijn vermeldt in uitdraai 1.
Wat opvalt is de zeer hoge CHIZ: 5800 tegen 214 bij het
Choice model. Dit is voor een greet deel te wijten aan de
grote afwijking tussen 1-6. 0ok 6-1 wordt niet erg geed
voorspeld.
Hierbij komt ook nog een niet genoemd nadeel van het KB model
aan het licht: Waarom zit de 1 rechts op het zeven-segmenten
display en niet links? De positie van de 1 maakt voor een
waarnemer toch niets uit, als er maar twee streepjes boven
elkaar zitten.
Echter, als de 1 links zit
gemeenschappelijk, zodat de
waarschijnlijk minder worden.
nader ingegaan.
PAR. 3.4 C0NCLUSIE
hebben de 1 en de 6 meer
afwijkingen tussen 1-6 dan
Hierop wordt in Hoofdstuk 6
In dit hoofdstuk zijn het Choice model en het KB model
besproken. Het choice model voorspelt het beste met een CHI2
van 214, tegen een CHI2 van 5800 voor het KB model. Dat deze
laatste CHI2 zo hoog is komt voornamelijk door de afwijking
tussen 6 en 1: geobserveerd is 15 en verwacht wordt 0.1: dat
levert al een CHI2 op van 3400! Het wil nu neg niet zeggen
dat het KB model ook slechter is als het Choice model, daar
de laatste veel meer parameters heeft. Het is dus eigenlijk
gewenst een andere maat te vinden dan CHI2 cm twee matrices
te vergelijken, die bijvoorbeeld ook het aantal parameters
van het model erin betrekt. Helaas ben ik er niet in geslaagd
zciets te vinden, en zal toch CHIZ moeten worden gebruikt.
Een grcte CHIZ wil dan neg niet zeggen dat het model ock
HOOFDSTUK 4 STEPIT; VERBAND TUSSEN ALFA EN F
Het blijkt dat de parameterschatting door de maximum likelihood procedure geheel niet optimaal is, tenminste niet veer het KB2 model. Een andere methode cm de parameters te schatten is met behulp van Stepit.
PAR 4.1 STEPIT
Stepit is een zoekprocedure geschreven door Chandler (1965), die probeert de parameters zo te kiezen dat <in dit geval) CHI2 minimaal wordt. Veer een beschrijving van het algoritme wordt verwezen naar appendix A.
Opmerking: Minimaliseren van L of GEC (met Stepit) blijkt niet te werken. Stepit toegepast op parameters: het KB2 model f.1.•1.712 Alia.1.•0.273 i:z•l.116 A Ii a:z•O. 634 f:s•l.345 Alfa:s•O. 715 f .. •1.823 Alfa .. •O. 426 fe•l.267 Alia.•1.077 f.•1.026 Alfa.•0.866 f;,,•0.175 A 1f a;,,•5. 363 CHI2=2118
De matrices zijn vermeld in uitdraai 2.
levert de volgende
Duidelijk is dat (in dit geval) Stepit veel beter werkt dan
MLE. Ook valt een zeker verband op tussen Alfak en fk: hoe
kletner f k , des te grater Alfak. paragraaf warden besproken.
10
PAR 4.2
KB3 MODELAls de Alfa en f-en uit par. 4.1 in een grafiek worden gezet, ontstaat het volgende verband:
s
',.
\ 'l \ \3
\,_ 'l.'
'
'
'
s
';.. s. .
I • ---.t.._- ~
If 0•,5
3..0
1,S 2,oFIG. 4.2 ALFA AlS Fl/NCTIE VAN F
Dit verband ontstaat ook als de Alfa en f-en, verkregen door
MLE in zo'n grafiek worden uitgezet, echter minder sterk. Gesteld kan dus worden:
Hieruit volgt dan het KB3 model:
d •• =Gamma(A\B)+f(B\A) of 7 d,~=
L
GammaDelta,kCl-D•lt•~k> k=l s,~••xpC-d,~ >P,~•a,s,~,
10met a,•C
Ls,~,-&
j21
7
+
L
fkD•lt•~kCl-D•lta,k>k=l
Wat opvalt aan de formule van de afstand is dat segmenten die
wel in A, maar niet in B zitten (A\B) niet gewogen worden
<want Gamma is constant>, terwijl segmenten die wel in B,
maar niet in A zitten <B\A) we/ gewogen worden (f i& niet
Parameter van 2300.
schatting met behulp van Stepit levert nu een CHI2 Veer de matrices: zie uitdraai 3
PAR 4,3
CONCLUSIES
Doordat blijkt dat in het KB2 model de alfa's afhankelijk
zijn van de f"en kan worden gesteld alfa=gamma/f. Hieruit
ontstaat het KB3 model. In plaats van alfa=gamma/f kan
natuurlijk ook worden gesteld: f=gamma/alfa. In dit geval
worden juist de segmenten in <B\A) gewogen en de segmenten in
(A\B) juist niet! Fysisch gezien is dit niet hetzelfde,
echter theoretisch gezien zouden er dezelfde uitkomsten uit
moeten komen als bij "alfa=gamma/f". Of dit ook zo is heb ik
niet meer uitgeprobeerd.
Het KB3 model voorspelt nagenoeg hetzelfde als het KB2 model,
maar heeft slechts 8 parameters, tegen 14 veer KB2. Uit een
vergelijking met het Choice model blijkt dat het KB3 model
ongeveer een factor 10 slechter voorspelt, maar ook
(ongeveer> een factor 7 minder parameters heeft. Hierbij meet
neg opgemerkt worden dat het KB3 model een speciale versie is
HOOFDSTUK 5 HET KB4 MODEL
In dit hoofdstuk zal een nieuw model worden besproken, dat
slechts drie parameters heeit en beter voorspelt dan het KB2
model.
PAR
~.1 KB4 VERSIE 0 In eerste instantie gedefinieerd:s ••
= exp<-d •• > , P •• =A.s •• ,
10 A.•C}
s •• >-& •
~
werd het nieuwe model als volgt
Uit de formule voor de afstand blijken gunstige eigenschappen voor het model:
-Het model is geen speciale versie meer van het Choice
mode 1.
-De doorsnede f<AOB> komt ook in de formule voor. -Als f<AOB>=O dan is P ••
-o.
-Als fCAOB> is groot, dan is P •• greet.
-Als f(A\B) en/of f(B\A) is greet, dan is P •• klein.
Parameter schatting door Stepit levert echter een zeer grote
CHI2 op van 10800. Uit de matrices (zie uitdraai 4) volgt dat
dit vooral komt doordat de diagonaal elementen te klein zijn
(of doordat de niet-diagonaal elementen te groot zijn>. Een
manier om dit op te lessen wordt in de volgende paragraai
PAR
S.2
KB4 VERSIE 1De definitie van dit model is:
of 7 dj~=f
L
<Delta,kCl-Delta~kl+Delta~k<l-Deltajk>>*
k•l 7 expC-Thet•*f,L
DeltaakDelt•~k> Opmerking: kslDe factor f<AnB>, die in het KB4v0 in de noemer
stond is nu dus vervangen door een e-macht.
Tevens zijn alle fk vervangen door een f. Alfa en
Gamma zijn weggelaten omdat die nagenoeg aan
elkaar gelijk waren.
Parameter schatting met behulp van Stepit levert de volgende
parameters:
f:0.644
theta=-0.279 CH2=1240
Voor de matrices: zie uitdraai ~
Chi kwadraat ligt hier zelfs lager dan die van het KB3 model
met 8 parameters.
Een nadeel van dit model is dat de afstanden symmetrisch
zijn, dus d.-•d-• De geobserveerde matrix is namelijk ook
sterk asymmetrisch. Dat de verwachte kansenmatrix niet
symmetrisch is komt alleen door het normeren van de rijen;
deze asymmetrie is echter vrij zwak.
Wat ook neg opvalt is het teken van Theta: dit is geheel
tegen de verwachtingen in negatief. Daarom i s het het neg
onduidelijk welke fysische interpretatie te hechten aan
formule veer de afstand:
-Logisch is: hoe groter de verschillen tussen stimuli a
en b <is grote t(A\Bl+t(B\Al > des te groter de atstand. In dit opzicht voldoet het model dus geed.
-Onlogisch is: hoe grater de overeenkomst tussen a en b
(is grote t<Ar\B> > des te groter de atstand! De vraag is dus of d •• ook een echte atstand voorstelt.
Wat gebeurt er nu als het verschil tussen twee stimuli a en
b met een segment atneemt, terwijl de overeenkomst met een
segment toeneemt? Als het geed is meet de afstand dan loch
kleiner warden. Stel v i s het aantal verschillende s•gmenten
tussen a en b, en g het aantal gemeenschappelijke. Dan geldt
veer de afstand:
Nu vermindert v met 1 en 9 vermeerdert met 1:
ln< v/(v-1>
> >
-Theta*f •Veer v geldt de beperking v<7 (de stimuli hebben altijd iets
g•meenschappelijk, dus v i s maximaal 6). In dat geval gaat de
laatste formule over in:
ln{6/~) • 0.182
>
-Theta*f c 0.180Veer v•7 blijkt dit niet meer te gelden. Het blijkt nu dus
dat Theta en f zo gekozen zijn (berekend door Stepitl dat neg
net aan de gestelde voorwaarde wordt voldaan. Is dat toeval?
PAR
~-3 t<B4 VERSIE 2De geobserveerde verwarringsmatrix (veer het gemak hieronder
neg eens vermeldl is sterk asymmetrisch. Dit komt in het
Geobserveerde matrix: 1 2 3 4 5 6 7 8 9 0 1 2 877 7 14 782 29 29 149 22 14 26 25 14 269 4 11 28 25 29 18 4 3 7 47 6B1 4 43 7 21 28 111 7 4 22 4 4 36 7 18 732 4 14 669 11 97 21 7 18 18 46 82 11 7 6 15 47 0 11 79 663 0 70 11 18 7 60 14 40 30 7 4 667 11 21 25 8 0 29 29 7 7 155 0 577 82 71 9 4 7 152 41 126 11 4 67 550 21 0 4 18 15 0 14 43 7 172 43 81B Beschouw nu alle deelverzameling bijna altijd dat
paren van stimuli a en b, waarbij a een
is van b (bijvoorbeeld 1 en 7). Dan geldt
Pab
<
P-• (zie matrix). Hieruit kan dan deconclusie getrokken worden dat het in het algemeen
makkelijker is een segment niet te zien, dan een segment
gezien te hebben dater niet was. Bijvoorbeeld van een 1 een
7 maken is moeilijker dan van een 7 een 1 te maken.
Een manier om het model te verbeteren is deze asymmetrie erin te brengen. Dit kan als volgt worden gedaan:
Als a omvat wordt door b, dan is f(A\Bl=O.
Neem nu als factor (die bepaald wordt of er asymmetrie is
tussen a-b en b-a>:
exp(-Gamma*f(A\Bll , met Gamma>>O.
Dan is deze factor gelijk aan 1 als f(A\B)=O en praktisch
gelijk aan O als f(A\Bl>O
Nu is alleen neg een functie nodig die de mate van
asymmetrie aangeeft (bijvoorbeeld 1-4 is meer asymmetrisch
dan 1-7). Hiervoor is f(~OB> genomen, omdat vaak geldt: hoe
meer asymmetr i e, hoe groter f (~ 0 B> , z ie hi ervoor de geob-serveerde matrix.
De formule veer de afstand wordt dus:
dab={f CA\Bl+f CB\Al}{exp(-Theta*f<A~B>l+f<AOBlexp<-Gamma*f<A\BlJ
Stepit, met veer Gamma een
Theta een beginwaarde van 1,
op:
f=0.604
Theta=-0.309 Gamma.=50.286 CHI2=830
beginwaarde van 50, veer fen
In dit geval voldoet Gamma dus aan de verwachting: Gamma is tamel ijk greet, zodat exp<-gamma¼f (A\Bl l is 0 of 1.
Een tweede run van Stepit, echter nu met voor Gamma een beginwaarde van 1, levert:
f=0.590 Theta=-0.320 Gamma=l.898 CHI2=765 Nu. is Gamma vaker niet 0
dus tamelijk klein, zodat exp<-gamma¼f(A\Bl>
is. Voor de matrices van deze laatse Stepit run
zie uitdraai 6.
Het valt op dat Gamma tamelijl< ongevoelig is: in beide
ge~allen zijn CHI2, Theta en f ongeveer hetzelfde, terwijl
Gamma een factor 25 is veranderd! Misschien is het mcgelijk
Gamma te laten vervallen door een functie KD te definieren:
KD<x>
=
1 als x•0 en KD<x>=
0 als x<>0.Dan wcrdt de fcrmule veer de afstand:
Vergeleken met het KB2 model is CHI2 dus verlaagd van 2100
naar 765, met in totaal drie parameters, veer het KB2 model!
PAR 5.4 C0NCLUSIES
In dit hoofdstuk z i j n een aantal
tegen 14 parameters
nieuwe modellen
geintroduceerd, die vrij geed voorspellen en zeer weinig
parameters hebben. Het nadeel van al deze modellen is dat ze
slecht interpreteerbaar z i j n. De vraag is dus: wat heb je
eraan?
Het KB4v1 model heeft 2 parameters en levert een CHI2 van
1240. KB4v2 heeft 3 parameters met een CHI2 van 765.
Als in het KB4vl model Theta gelijk aan nul wcrdt gesteld,
dus d •• = f(A\Bl+f(B\Al; met fk=t, dan levert Stepit
een f-waarde op van 1, bij een CHI2 van 2900! Dit model heeft dan dus geen parameters. De afstand wordt dan:
d •• = Caantal verschillende segmenten tussen a en b}.
Dit is misschien een
onderzoek.
HOOFDSTUK 6 UITBREIDING VAN HET
KB
MODEL MET LINKSE 1Zeals in hoofdstuk 3 al vermeld is stimulus 1 een zwakke
plek in het KB model: waarom zit de 1 rechts op het display
en niet links? Hel KB2 model kan verbeterd warden door het
toevoegen van een elfde stimulus: een linkse 1- In dit
hoofdstuk wordt dit beschreven voor het KB2, KB4v1 en KB4v2
model.
PAR 6.1 PRINCIPE VAN DE UITBREIDING
De methode is als volgt:
De geobserveerde 10¼10 matrix Po wordt uitgebreid tot een
11*11 matrix Po', waarbij de elfde stimulus de linkse 1
voorstelt <een normale rechtse 1 wordt aangegeven door -1 en
een linkse door 1-l. De uitbreiding gebeurd op de volgende
manier:
-1 2 0
1--1 0
2 Pc'•
0 Po-1/2 Poa • • • • • • • • Poo
1- 0 P1-a•••••••P1-o
Als dus een rechtse 1 wordt aangeboden, dan wordt deze
alleen herkend als een rechtse 1, en niet als een linkse 1.
Idem als een linkse 1 wordt uitgezonden. Verder worden alle
responsen, die als een 1 herkend zijn verdeeld tussen de
linkse- en rechtse 1.
Voor deze matrix warden nu
bepaald. De uitkomst is
Tenslotte berekend:
wordt uit Pe'
Pe,1=Pe',-1+Pe',,-Pe,~=Pe'-,~+Pe•,-~ Pe,~=Pe',~ de een de 18
parameters van het KB model
andere 11*11 matrix: Pe'.
echte verwachte matrix Pe
voor i=2 •• 10 voor j=2 •• 10
De parameters van het model voorspellen de de 11*11 matrix
met 11 stimuli, terwijl de echte 10*10 matrix dus met
bovenstaande formules meet worden terugberekend.
PAR
6.2
HET KB2 MODEL MET LINKSE1
De in de vorige paragraaf beschreven methode cm het KB2 model
uit te breiden met een linkse 1 heeft als resultaat een CHI2
van 1200 (berel:end met behulp van MLE>. De CHI2 is dus sterk
gedaald van 5800 naar 1200. Dit komt vooral door de zeer
sterke verbetering van 1-6. Dok 6-1 wordt veel beter
voorspeld. De matrices zijn vermeld in uitdraai 7.
Er mag dus geconcludeerd worden dat het toevoegen van een
linkse 1 het KB2 model aanzienlijk verbetert.
PAR 6.3 HET KB4 MODEL MET LINKSE 1
Uitbreiding van het KB4 model versie 1 met de linkse 1 levert e•n CHIZ op van 1050 <zie uitdraai 8>. Dit is berekend met
Stepit. De daling van CHIZ van 1240 naar 1040 is dus niet zo
sterk als veer het KB2 model.
Hetzelfde voor het KB4 model versie 2 leverde een CHI2 op van
770 <zie uitdraai 9>. Dit is zelfs een verslechtering: CHI2
stijgt van 765 naar 770.
Hierbij meet neg opgemerkt warden dat de in paragraaf 5.2
beschreven stelling:
In< v/v-1>
> >
-Theta*f hier niet meer geldt:ln{ 7/6}=0.154 ln< 7/6)=0.154 Veer v wordt nu 7 verschillende segmenten linkse 1 en 3.
1
1
0.345*0.591=0.204 0.367*0.559=0.205 genomen, omdat kunnen zijn, b.v.: veer KB4v1, veer KB4v2. er nu wel zeven linkse 1 en 7, ofVeer het KB4 model heeft een uitbreiding met een link&e 1 dus niet zoveel effect.
HOOFDSTUK 7 HET KB4v2 MODEL MET ANDERE VERWARRINGS MATRICES
Tot nu toe zijn alle modellen gete&t met dezelfde verwarrings
matrix. In dit hoofdstuk wordt het KB4v2 model getest met
twee andere •atrices zie van Nes & Bouma (1978>.
Veer de resultaten zie uitdraai
uitdraai 11 <eccentric reading>.
10 <distance reading> en
Het blijkt dat deze matrices niet geed vcorspeld warden, de
CHI2 zijn ~700 en 2300. Hoe dit komt is mij niet bekend. Wel
is het zo dat de
er zijn veel
1000.
matrices op zich al vrij onnauwkeurig zijn: nullen en de rijsom is maar 100 in plaats van
LITERATUUR LIJST
Bishop, Y.M.M., Fienberg, S.E. ~ Holland, P. W. Discrete
multivariate analysis. Cambridge, Mass: M.I.T. Press,
1975.
Keren, G., ~ Baggen, S. Recognition models of
apha-numeric characters. Perception & Psychophysics, 1981,
29, 234-245.
Luce, R.D. Detection and recognition. In R.D. Luce, R.R.
Bush,~ S.E. Galanter <Eds.>, HandbooJ of
mathemati-cal psychology <Vol. 1). New York: Wiley, 1963.
Nes, F.L. ~ Bouma H. On the legibility of segmented
numerals, IPO manuscript no. 337, IPO Eindhoven,
1978.
Smith, J.E.I<. Reco9nition models evaluated. Perception &
Psychophysics, 1982, 31, 183-189.
Tversky, A. Features of similarity. Psychological
APPENDIX A BESCHRIJVING VAN ENKELE ALGORITMEN
A.1 LIB.PAS EN MLE
In de library LIB.PAS staan enkele veel gebruikte proc•dures
en functies. Tevens worden er enkele variabel•n •n typen
gedeclareerd, die dan naderhand zo gebruikt kunnen worden. Orn •en programma hiervan gebruik te laten maken moet dit <na het compileren> gelinkt worden met de library:
PASCAL progname LINK progname,LIB
Hieronder zal de inhoud van LIB beschreven worden.
TYPEN: matrix•array[l •• 11,1 •• 111 of real; artype=array[l.111 of realJ
ar2type=arrayC1 •• 11,1 •• 2l of real;
matrix4d•arrayt1 •• 11,1 •• 11,1 •• 11,1 •• 21 of real
VARIABELEN: inv2: invoerfile voor alle programma's uit2: uitvoerfile voor alle programma's n,m: afmeting van de geobserveerde matrix
<normaal 10,10>
features: aantal features <7> alfa,f: alfa en f uit KB model delta: M matrix
po: geobserveerde matrix
pech: door Choice model berekende matrix pekb: door KB model berekende matrix
PROCEDURE PRINMAT<mat: matrix; n,m: integer> Print matrix mat van afmeting n-hl
FUNCTION CALCX2<x,y: matrix; n,m: integerl:real
berekent CHI2 van matrices x,y van afmeting n*m
FUNCTION CALCG2<x,y: matrix; n,m: integer>:real berekent L van matrices x,y van afmeting n*m
FUNCTION CALCGEX<x,y: matrix; n,m: integer>:real berekent GEC van matrices x,y van afmeting n*m
PROCEDURE CALCX2MAT<x,y: matrix; n,m: integer, var res: matrix> berekent Chi kwadraat matrix; resultaat in res
PROCEDURE CALCGECMAT<x,y: matrix; n,m: integer, var res: matrix) berekent GEC matrix; resultaat in res
PROCEDURE LINEFEED<L: integer>
PROCEDURE MLEKBMOD<features,n: integer; po,delta: matrix; var x2mat,pe: matrix; var alfa,f: artype; var slag: integer; var x2,g2: real>
berekent MLE van KB2 model. Locale variabelen:
be: ar2type bevat deb's (bcCk,lll en de c's CbcCk,21>
van het KB2 model <zie par. 3.3>
mbc: matrix~d geeft aan over welke elementen van de
matrix gesommeerd meet ~orden om een variabele bij
te stellen.
mbcli,j,k,ll voor sommeren over alle cellen die
variabele b[kl hebben.
mbcCi,j,k,23 idem veer c[kl. sbc: ar2type.
sbcCk,vl bevat de sommatie van Po over mbcCi,j,k,vJ. snbc: ar2type.
snbc[k,vl bevat de sommatie van Po over niet mbc[i,j,k,vl
sa: artype
saCil bevat de rijsom van Po.
a:
artype: coeficientA,.
Uitvoer variabelen:
x2mat: bevat CHI2 matrix pe: bevat berekende matrix
alfa,f: bevatten berekende alfa's en f'en x2,g2: bevatten CHI2 en L
slag: aantal slagen die het algoritme nodig heeft gehad
Het algoritme werkt dan als volgt:
Eerst worden mbc, sa, be, sbc, snbc berekend.
Dan volgt er een WHILE lus, waarin
-eerst aCil wordt bijgesteld.
-dan wordt in een lus de bCkl en de cCkJ bijgesteld
Ceigenlijk dus bcCk,zl veer z=l en voor z=2>.
-dit net zolang tot geen enkele variabele bijgesteld
hoeft te worden.
De f ' s en alfa's worden berekend uit deb's en c's.
PROCEDURE MLECHMODlfeatures,n :integerl po: matrix;
var x2mat, pel: matrix; var slag: integer;
var x2,g2: real
berekent MLE van Choice model. Locale variabelen:
sa: saCil bevat de rijsom van Po. sk: skCjJ bevat de kolom som van Po.
Uitvoer variabelen <zie ook de vorige procedure>: pel: berekende matrix
Het algoritme werkt als volgt: Eerst warden sa en sk berekend. Dan volgt er een WHILE lus, waarin: -Eerst A, wordt bijgesteld.
A.2
echt, daar bJ niet in het programma voorkomt: alleen de matrix pel wordt verandert, zodat het lijkt of bJ bijgesteld.
-Tenslotte wordt N,J biJg••t•ld. Dok hler 9•1dt voor N~J
dezelfde opmerking als veer bJ.
Dit net zolang tot geen variabele meer hoeft te warden
bijgesteld.
STEPIT
Het programma is geschreven in fortran. Daarom komen de
r•sultaten van Stepit (de waarden van de parameters en van
CHI2> in een aparte file: RES.DAT Dan kunnen ze door een
ander programma (in Pascal geschreven> worden verwerkt. Een
run van Stepit bestaat dus altijd uit twee delen: een run
van Stepit zelf, gevolg door een run van •en vervolg
programma.
De Stepit programma's hebben als naam altijd een X, gevolgd
ddor een nummer (bijvoorbeeld X4>. Het bijbehorende
vervolg-programma heet STEP, gevolgd door hetzelfde nummer.
Veer een beschrijving van de werking en de variabelen van
Stepit wordt verwezen naar de gebruiksaanwijzing. Hier wordt
alleen ingegaan op de functie FUNK. De waarde van deze
door de gebruiker zelf te definieren functie is hier de CHI2
waarde. Deze waarde wordt dan door Stepit geminimaliseerd.
FUNK berekent altijd eerst de verwachte matrix <welke
uiteraard afhankelijk is van de door Stepit te bepalen
parameters>. Daarna wordt CHI2 berekend door deze matrix te
vergelijken met de geobserveerde matrix Po.
A,3
DE
PROGRAMMA'SHieronder zullen de programma's worden vermeld welke zijn
gebruikt bij het maken van de uitdraaien. Tevens wordt
aangegeven hoe de invoer file INV2.DAT er meet uitzien.
CALPAR: berekent MLE van KB2- en Choice model. Invoer: n, m, features
geobserveerde matrix <n*m> delta matrix <n*features>
X2 X4 X9 X5
xe
stimulus. Invoer: n, m, features geobserveerde matrix (n¼m) delta matrix (n¼features> llde rij van delta matrixk (nummer van toegevoegde stimulus>
en STEP2: Step i t van KB4v0 mode 1.
en STEP4: Stepit van KB4vl model.
en STEP9: Stepit van KB4v2 mode 1.
en STEPS! Stepit van KB3 mode 1.
en STEPS: Stepit van KB2 mode 1.
Invoer: geobserveerde matrix ( 10¼10) delta matrix ( 10¼7 >
(eventueel: beginwaarde van de parameters>
Ceventueel: maskeer waarde veer de parameters>
X3 en STEP3: Stepit van KB4v2 met toegevoegd een linkse 1
X7 en STEP7: Stepit van KB4vl met toegevoegd een linkse 1
Invoer (nu in XINV.DAT>:
nieuwe geobserveerde matrix (11*11>
APPENDIX
B
UITDRAAIEN VAN ALG0RITMENUitdraai 1: MLE van Choice- en KB2 model.
Bijbehorend algoritme: CALPAR. BJ z. 27
Uitdraai 2: Stepit van KB2 model.
Bijbehorend algoritme: X5 en STEPS.
Blz. 30
Uitdraai 3: Stepit van KB3 model.
Bijbehorend algoritme: X6 en STEP6. Blz. 32
Uitdraai 4: Stepit van KB4v0 model.
Bijbehorend algoritme: X2 en STEP2. Blz. 34
Uitdraai
~=
Stepit van KB4v1 model.Bijbehorend algoritme: X4 en STEP4. Blz. 36
Uitdraai 6: Stepit van KB4v2 model.
Bijbehorend algoritme: X9 en STEP9. Blz. 38
Uitdraai 7: MLE van KB2 model met toegevoegd een linkse 1.
Bijbehorend algoritme: MLE11STI. Blz. 40
Uitdraai
e:
Stepit van KB4v2 model met toegevoegd een linkse 1.Bijbehorend algoritme: X3 en STEP3. Blz. 43
Uitdraai 9: Stepit van KB4v1 model met toegevoegd een linkse 1.
Bijbehorend algoritme: X7 en STEP7. Bl z. 46
Uitdraai 10: Stepit van KB4v2 model met andere geobserveerde
matrix voor distant reading.
Bijbehorend algoritme: X4 en STEP4. Blz. 49
Uitdraai 11: Stepit van KB4v2 model met andere geobserveerde
matrix voor eccentric reading. Bijbehorend algoritme: X4 en STEP4. Blz. ~1
DJT PROGWAMMA BEREKtqT DE MAXIMUM LIKELIHOOD ESTIMATE
VAN Et.N GEOBSERVEEflDE MATR[X VOOR H£T KB2- EN HET CHOICE MODEL
GEOBSERVi::.ERDE MATRIX RESPONSE STil~ULUS 2 3 4 5 6 7 8 9 10 1 877.0 7.0 7.0 22. 0 4. 0 15.0 60.0 0 0 4. 0 4. 0 2 14.0 ?82.0 47.0 4. 0 36. 0 47.0 14.0 29. 0 7. 0 18. 0 3 29.0 29.0 681. 0 7.0 18.0 0.0 40.0 290 152. 0 15 0 4 149.0 22.0 4. 0 732.0 4.0 11. 0 30. 0 7.0 41. 0 0 0 5 14.0 26.0 43.0 14.0 669.0 79.0 7. 0 7. 0 126. 0 14 0 6 25.0 14.0 7.0 11. 0 9?.0 663. 0 4.0 155.0 11. 0 43 0 7 269.0 4.0 21. 0 21. 0 7.0 0.0 667.0 0.0 4.0 7 0 8 11. 0 28.0 28.0 18.0 18. 0 70.0 11. 0 577.0 67. 0 172. 0 9 25.0 29.0 111. 0 46.0 82. 0 11. 0 21 0 82.0 550 0 43. 0 10 180 4.0 7.0 11. 0 7.0 18.0 25.0 71 0 21 0 818. 0
MLE MATRI)( VAN KB2 MODEL
RESPONSE STIMULUS 1 2 3 4 5 6 7 8 9 10 1 864.8 0.4 6. 1 23.8 0.3 0. 1 100.2 0.3 1. 5 2. 5 2 4.4 782.0 62.2 2. 4 3. 4 16. 4 8.6 11. 0 15 1 31. b 3 41. 6 41.8 590.6 22.9 32. 7 6.2 82. 1 27.2 143 0 12.0 4 132. 3 1. 3 18. 7 7:59. 1 10.B 2. 1 15.3 9.0 47 4 4 0
,,
N 5 3. 7 3. 7 52. 7 21. 3 622 3 11B. 2 7.3 25. 3 133 3 11 1 ~"'
6 O.B 20.0 11. 3 4. 6 132.9 634.6 1. 6 135. 9 28 5 59. 9 ~ 7 310. 3 2 7 37. 5 8 5 2 1 0 4 612.6 1. 7 9 1 1 :,_ 2 8 2 6 6b. 8 37. 5 15.2 21. 7 103. 5 5. 2 453.0 94 9 199. 5 9 12.6 1.!. 7 178. 9 72. 3 103 3 19. 6 24. 9 85.9 452 1 37. a 10 10. 7 13 5 7. b 3. 1 4. 4 21. 0 21 1 91 a 19 .., c. 807 6 GEC..
1. b2336E+OOGHI KWADRAAT• 5.81609E+03
MLE MATRIX VAN CHOICE MODEL
RESPONSE STil1ULUS 1 2 3 4 5 b 7 8 9 10 1 B77.0 2. 3 4. 7 25. 5 1. 9 4.0 74. 4 1. 5 3. 9 4.9 2 1B. 7 782.0 41. 9 15. 4 31. 0 2'9. 1 12. 7 31. 7 20 1 15. 4 3 31. 3 34. 1 681. 0 5. '9 :n.4 3.0 40.4 28.8 133. 5 14.4 4 145. 5 10.6 5. 1 732.0 7. 4 8., 31. '9 11. 6 40.6 6.8
,
16. 1 31. 0 33.6 10.6 66'9.0 84.0 '9. '9 13. '9 116. 2 14. 7 6 36.0 31. '9 4.0 13. 5 92.0 663.0 2.'9 130. 1 12.8 43.'9 7 2'4.6 5.3 20.6 19. 1 4. 1 1. 1 667.0 3.8 8.6 15.9 8 9. 5 ::z,. 3 28.2 13.4 11.1 94.9 7. ::z 577.0 74.'9 158.4 9 25. 1 15.'9 129. 5 46.4 91. 0 '9.2 16. 4 74. 1 5500 41. 6GHl KWADRAAT 11ATRlX VOOR KB t100EL RESPONSE STli'IVLU8 1
a
3 4,
6 7 a"
10 1 0.2 ff.3 0. 1 0. 1 3".5 3464.0 16. l 0.3 4.3 O.lfa
21. 1 0.0 3.7 1. l 308.2 57.0 3.3 2,. 5 4. 3 5.9 3 3.8 3.9 13.8 11. 0 6.6 6.2 21.6 0. l 0.6 0.8 l 4 2. 1 322.2 11. 6 l. 0 4.3 38.9 14.0 0.4 0.9 4.0 5 att., 132.8 1. 8 2., 3.5 13.0 0.0 13.2 0.4 0.7 6 738. 5 1. 8 1. 6 9. 1 "· 7 1. 3 3.8 2.7 10. 7 4. 7'
7,.
,
0. 7 7.2 18.2 11. 7 0. 4 4.8 1. 7 2.8 4. 4 8 26 4 22. 5 2. 4 o., 0.6 10.9 6. 4 34.0 8.2 3.8 9 12.2 21. 1 2,. 7 9.6 4.4 3.8 0.6 0. 2 21. 2 0. 7 10 5.0 6. 7 0.0 20.4 1. 5 0.4 0. 7 4. 7 0. 2 0. 1GEC MATRIX VOOR KB MODEL
RESPONSE STll1ULUS 1 2 3 4
,
6 7 8 9 10 1 0. 3 0. 1 0.0 0.0 0.0 0., 3.8 0.0 0. 0 0.0 2 0. 2 0.0 0. 5 0.0 2., 2.2 0. 1 4. 3 0. 2 0. 4 3 0. 4 0. 4 19.0 0.6 0. 5 0. 1 4. 1 0.0 0.2 0 0 4 0. 7 1. 0 0., 1. 7 0. 1 0. 2 0. 5 0.0 0. 1 o. 0,_
N 5 0.2 1. 2 0.2 0. 1 5. 1 3.6 0 0 o. 8 0. 1 0.0 (X) 6 1. 4 0. 1 0.0 0. 1 3.0 1. 9 0.0 0.8 0. 7 o. 7 N 7 4.0 0. 0 0.6 0.4 0. 1 0. 0 6.9 0.0 0. 1 o. 2 8 0.2 3. 5 0.2 0.0 0.0 2.6 0. 1 35.8 1. 8 l. 8 9 0. 4 0.6 10. 7 1. 6 1. 1 0.2 0. 0• 0.0 22.3 0. 1 10 0. 1 0.2 0.0 0. 1 0. 0 0.0 0.0 l. 0 0.0 0.3GHI I-IWADRAAT MATRIX VOOT CHOICE MODEL
RESPONSE STIMULUS 2 3 4 5 6 7 8 9 10 1 0 0 9.8 1. 2 0., 2.2 30.3 2.8 1. , 0.0 0.2 2 l. 2 0.0 0.6 8.4 0.8 11. 0 0. 1 0.2 8., 0. 4 3 0. 2 0. B 0.0 0.2 3.2 3.0 0.0 0.0 2.6 0. 0 4 0. 1 12. 1 0.2 0.0 1. 5 0. 7 0. 1 1. 8 0.0 6.8 5 0.3 0.8 2.6 1. 1 0.0 0.3 0.8 3. 4 0.8 0.0 6 3 4 10.0 2.2 0., 0.3 0.0 0.4 4.8 0. 2 0.0 7 0.8 0. 3 0.0 0.2 2.0 1. 1 0.0 3.8 2., 4. 9 8 0.2 0.3 0. 0 1. 6 4.3 6., 2. 0 0.0 0.8 1. 2 9 0.0 10.8 2. 6 0.0 1. 1 0.3 1. 3 0.8 0.0 0.0 10 0.0 1. 0 0.0 11. 1 0. 1 0.0 4.8 2.2 0. 1 0.0
QEC 11ATRIX VOOR CI-OICE 110DEL RESPONSE STll1ULUS 1 2 3 4 5 6 7 8 q 10 1 0.0 0. l 0.0 0.0 0.0 0.3 o. 5 0.0 0 0 0. 0 2 0. 1 0.0 0. 1 0. 3 0. 1 0. 7 0.0 0.0 0. 4 0 0 3 0.0 0. 1 0.0 0.0 0.2 0.0 0. 0 0.0 0.8 0. 0 4 0.0 0.3 0.0 0. 0 0.0 0.0 0.0 0.0 0. 0 0 1 5 0.0 0. 1 0. 2 0.0 0. 0 0. 1 0.0 0 1 0. 2 0 0 6 03 0. 7 0.0 0. 0 0. 1 0.0 0. 0 1. 4 0. 0 0 0 7 0 5 0.0 0. 0 0. 0 0 0 0. 0 o. 0 0. 0 0 0 0 2 8 0.0 0.0 0. 0 0. 0 0. 1 1. 4 0. 0 0 0 0 1 0 4 q 0.0 0. 4 0. 8 0. 0 0. 2 0.0 0 0 0. 1 0. 0 0 0 10 0.0 0.0 0. 0 0. 1 0. 0 0.0 0. 2 0. 4 0. 0 0 0 tJ ,a THETA• O.OOOOOE+OO
...
FC1l•2. 155210 ALFACll•0.315518 w Ft2l=1. 418612 ALFAC2J=0.65367b Ft3J•l. 541012 ALFAC3J•O.'il57856 Ft4J•2. 174836 ALFAC4J•0.377017 FC5Js1. 661136 ALFACSJ=0.940943 Ft6J•O. 968801 ALFAC6J•l.01858'il FC7J•0.619318 ALFAC7J•l.E61845TERUG QEREK.ENDE 11ATklX UIT ALFA El~ F VOLGENS HET K92 110DEL RESPONSE STil1VLUS 1 2 3 4
,
b 7 B q 10 1 864.8 0.4 6. 1 23.8 0.3 0. 1 100. iZ 0.3 t., iZ., 2 4. 4 782.0 62.2 2. 4 3. 4 u,.4 8.6 71.B 15. 1 31. 6 3 41. 6 41. 8 5'J0.6 iZiZ. c;, 32.7 6.2 82. 1 27.2 143.0 12.0 4 132.3 1. 3 18. 7 75'il. 1 10.8 2. l 15.3 'ii. 0 47.4 4.0 5 3.7 3.7 52.7 21.3 622.3 118.2 7.3 25.3 133.3 tt. l6 0.8 20.0 tt. 3 4.6 132. c;, 634.6 1. 6 135.'il iZB. 5 5'il. c;,
GEOBSERVc.ERDE l'IATRJX RESPONSE STIMULUS 2 3 4 5 6 7 8
.,
10 1 877.0 7.0 7.0 22.0 4.0 15.0 60.0 0.0 4.0 4.0 2 14.0 782.0 47.0 4.0 36.0 47.0 14.0 2".0 7.0 18.0 3 2".0 29.0 681. 0 7.0 18.0 0.0 40.0 29.0 152.0 15.0 4 14'f. 0 22.0 4.0 732.0 4.0 11. 0 30.0 7.0 41. 0 0.0 5 14.0 26.0 43.0 14.0 66'f. 0 79.0 7.0 7.0 126.0 14.0 6 2,.0 14.0 7.0 11. 0 97.0 663.0 4.0 155.0 11. 0 43.0 7 26'f.0 4.0 21.0 21. 0 7.0 0.0 667.0 0.0 4.0 7.0 9 11. 0 29.0 28.0 18.0 19.0 70.0 11. 0 577.0 67.0 172.0.,
25.0 29.0 11 l. 0 46.0 82.0 11. 0 21. 0 82.0 ,,0.0 43.0 10 18 0 4.0 7.0 11. 0 7.0 18.0 25. 0 71. 0 21. 0 818.0BEREKENDE MATRIX m. b. v. STEP IT
RESPONSE STMULUS 2 3 4 5 6 7 8 9 10 1 n,. 9 2. 2 19.0 41. 0 2 4 0. 7 140. 0 1. 8 6.2 10. 8 2 7. 4 721. 4 66. 1 ,. 3 8. 3 32.4 11. 9 84. 7 21. 6 38.9 3 53 4 54.9 473.6 38.0 59. 3 16. 7 0,. 1 43. 7 1:,:,. 1 20. 1 4 138 3 5 3 45. 6 610.2 35. 3 10.0 25. 0 26.0 92. 4 12.0 5 7. 6 7.8 67. 7 33. 7 527. 5 1486 12 2 38. 7 137. 4 17. 8 6 2 1 30. 0 18.6 9. 3 145. 1 567.9 3. 3 147.9 37.8 68.0 7 318. 7 8.0 68.9 16.9 8. 6 2.4 508. 3 6. 4 22.6 39. 4 8 5. 4 77.3 48.0 23.9 37.2 14:5. 7 B. 6 381. 2 97. 4 175. 2 (A
.,
19.6 20. 1 173.5 86. 3 134.6 37.9 31.2 99.2 352.0 45.6 l> 0 10 21. 7 23. 0 14.3 7. 1 11. 1 43. 4 34.6 113. 4 29.0 702. 4 l>QHI KWAORAAT VAN STEPIT• 2118. 35 M
GHI KWACRAAT• 2118. 35 hJ GEC• 6. 590 GEC MATRIX RESPONSE STIMULUS 2 3 4 5 6 7 8 9 10 l 23.8 0. 1 0.3 0.8 0. 0 0.:, 14. 9 0.0 0. 0 0. 1 2 0. 1 8.6 0.8 0.0 1. 8 0.:, 0.0 7.2 0. 5 1. 0 3 1. 4 1. 6 100.2 2.2 4.0 0. 7 4. 7 0. 5 0.0 0. 1 4 0.3 0. 7 4.0 34.6 2.3 o.o 0. 1 0.8 6. 2 0. 3 :, 0. 1 0.8 l. 4 0.9 46. 7 11. 3 0. 1 2.3 0. 3 0.0 6 1. 2 0.6 0.3 0.0 ,. 4 21. l 0.0 0. 1 1. 7 1.:, 7 5. 7 0.0 5.3 0.0 0.0 0.0 58. 7 0. 1 0.8 2.4 8 0. t 5. 7 0.'f 0. 1 O.'f 13. 4 0.0 8'f. 4 2.2 0.0 9 0 1 0.2 9. 1 3.8 6. 4 l. 7 0. 2 0. 7 91.3 0.0 10 0. 0 0.8 0. 1 0.0 0.0 1.:, 0.2 4.2 0. 1 31. 1
C,,f
...
GHI KWADRAAT MATRIX
STIMULUS 1 1 13.2 2 ,.e 3 11. 1 4 0.8
,
,. 3 6 24.,.8 7 7. 7 8 ,.8 9 1., 10 0. 6 XCll• l. 712 ALFAC 1 l• XC2l• l. 116 ALFAC2l• XC3l• 1. 34:, ALFAC3J .. XC4l• l. 823 ALFAC41• XCSJ• 1. 267 ALFA[51• XC6J= 1. 026 ALFAC6J= XC7l= 0 175 ALFAC7l,. RESPONSE 3 4 10., 7.6 a.a ,. 1,.
,
0.3 12.2 "PO. 8 2:,_3 ,2_., 37 . ., 24.3 42.0 .,_ 0 11., 8 . , 7.3 0.3 2.0 33.3 1. 0 31.4 8.3 1. 4 3. 9 22:, 18.8 15. 7 3. 7 2. 1 0.273 0. 634 0. 11, 0. 426 1. 077 0.866 5. 363,
7 a 10 1. 1 306.6 4,.7 1. a 0.8 4.3 "P2."P 6. 6 0.4 36.6.,_
.,
11. 3 28.S 16.7 23. "P 4 . ., 0. 1 1. 3 27.8 0. 1 1. 0 13 . ., 28.6 12.0 38.0 32.6 2.2 26.0 0 . ., 0.8 16.0 1, . ., 0. 1 0.3 1.,. 0 .,_2 0.3 2. 4 4.,.6 6.4 1:,_3 26.6.,_
.,
3.,.4 0. 7 100.6.,_,
0. 1 20.:, 1.,. 1 3.3 3.0 111. 3 0. l 1. 5 14.8 2. 7 15 . ., 2.2 19. 0 hJ.
t,JBEREKENlNO VAN KB3 l"IODEL MET STEPlT, ALFA•FUNCTIE VAN F OEOBSERVEERDE t'IATRIX RESPONSE STINUl.US 1 2 3 4
,
6 1 B.,
lO 1 877. 0 7.0 7.0 22.0 4.0 15.0 60.0 0.0 4.0 4.0 2 14.0 7B2.0 47.0 4.0 36.0 47.0 14.0 2".0 1.0 1B.O 3 2'1.0 2'1.0 6B1.0 1.0 1B.O 0.0 40.0 2'1.0 152.0 15. 0 4 14'1.0 22.0 4.0 732.0 4.0 tt. 0 30.0 7.0 41. 0 0.0,
14. 0 26.0 43.0 14.0 66'1.0 7'1.0 7.0 7.0 126.0 14.0 6 25. 0 14.0 7.0 11. 0 '17.0 663.0 4.0 155.0 11. 0 43.0 7 26'1.0 4.0 21. 0 21. 0 7.0 0.0 667. 0 0.0 4.0 7.0 8 11. 0 28.0 28.0 18.0 18.0 70. 0 11. 0 ,11. 0 67.0 172. 0 9 25.0 2'1. 0 111. 0 46. 0 82.0 11. 0 21. 0 82.0 5'JO. 0 43. 0 10 18.0 4. 0 1. 0 11. 0 7.0 18.0 25.0 71.0 21. 0 818. 0BEREKENOE MATRIX m. b. v. STEP IT
RESPONSE
STIMULUS 1 2 3 4 5 6 7 8 9 10
1 775. 2 2.0 17.0 3'1.0 2. s 0. 7 145. 3 1. 6 S. 8 10. 'I
2 6. 4 736. 6 79.3 5. l 11. 1 27. 1 14. 8 62.8 27. 1 27. 1
w 3 38. 1 56. 1 472. 9 30.2 6'1. 9 l'I. 2 88. 2 44. 5 161.'I l 'I. 2
N 4 117. B 4.8 40. 7 631. 7 40. 7 11. 2 22. l 2,_., '14.2 11. 2 5 5. l 7.5 63 l 27.2 534.0 146. 7 11. B 40. 2 146.2 17.3 6 2.0 25.3 25.3 10. 'I 213.8 495.3 4. 7 • 135.6 5B. 5 58. 5 1 24'1.3 B.O 67. 5 12.5 10.0 2. 7 577.4 6.3 23. 1 43.2 8 5.0 62. 5 62. 5 27.0 62. 5 144.7 11.6 335.0 144. 7 144. 7 9 12. 7 18.8 158. 2 68.3 158.2 43. 5 2'1. 5 100. 7 366. 5 43. S 10 2:3 4 18. 5 18. 'J B.O 18. 5 42.B 54. 3 9q. l 42.B 674. 3
GHl t,1.WADRAAT UIT STEPIT,. 2317. so
GHI t,1WADRAAT=- 2317. 51 GEC= 7. 421 GEC MATRIX : RESPONSE STli'IULUS 1 2 3 4 5 6 1 B
.,
10 1 24. 1 0. l 0.2 0.1 0.0 0., 17.0 0.0 0.0 0. 1 2 0. 1 4.8 2.4 0.0 1. 4 O.'I 0.0 2. 7 0 . ., 0. 2 3 0. 2 1. 7 100. 9 l. 3 6.3 0. 9 5.4 0.6 0. 2 0. 0 4 2.3 0. 1 3. l 23. 4 3. l 0.0 0. l o.e 6.6 0. 3 5 0.2 O.B 0 . ., 0.4 42.5 10. 7 0. l 2. 6 0 . ., 0.0 6 1. 2 0 3 O.B 0.0 31.B 65. 5 0.0 0.9 5.3 0. b 7 0. 9 0 0 5. 0 0.2 0.0 0.0 18. 7 0. l O.B 3.0 8 0 1 2. 8 2.8 0. 2 4. b 13.0 0. 0 13b. 4 14. 1 1. 7.,
(,.I
(,I
GHI KWADRAAT MATRIX
STIMULUS 1 1 13.4 2 ., . 1 3 2.2 4 8 3 :, 1,.1 6 2:,q_3 7 1. 6 8 7. l
.,
11. 8 10 1. 3 XCll•l.674 XC2l•1. 072 XC3l•l. 296 XC4]•1. 918 XC5l•1. 2"12 XC6]s1. 389 XC7]•0.2:?9 ALPHA-=0.840 RESPONSE 3 4 12.3,
..
7. 4 2.8 13. 1 0.2 13. 1 'ft. 6 17.8 61. 2 33.0 15. 'J 4:,_9 6.4 6. 4,.o
13.2 0.0 2.0 32.0 ,. 1 l'J.O l'J. 0 3.0 ,. 6 14. l 7. 3 11. 3 7. l 1. 1 6 1 8 10 0.IJ 21J7. 1 50. l t.6 0.6 4.3 50.4 14.6 0.0 18. 2 14. 'J 3. l 38.5 t'J.2 26.3 ,. 4 0.6 0 . ., 33.0 0.0 2.8 13.8 30.0 11. 2 34.2 31. 2 1 . ., 27.4 2.8 0.6 63.8 ,6.8 0. l iZ. 8 38.6 4. 1 0.'J 2.7 13.'J 6.3 1:,. 8 30.3 31.6 38.:, 0.0 174. 7 41. 7 :, 2 36.7 24.3 2 4 3., 'Jl 8 0.0 7. 1 14. 4 15.8 8.0 11.1 30 6 (A.
NBEREKENINQ VAN K84 MODEL VERSIE t, QEDBSERVcERDE l'IATRIX RESPONSE STil'fVLUS 1 ;z 3 4
,
b 7 8.,
10 1 877.0 7.0 1.0 :z2.o 4.0 1,.0 bO.O 0.0 4.0 4.0 2 14.0 782.0 47.0 4.0 3b.O 47.0 14.0 2•.o 7.0 18.0 3 2".0 2".0 b81. 0 7.0 18.0 0.0 40.0 2•.o 152.0 1,.0 4 149.0 2:Z. 0 4. 0 732.0 4.0 11. 0 30.0 1.0 41. 0 0.0,
14.0 2b.O 43.0 14.0 669.0 7•.o 1.0 7.0 126.0 14.0 6 2,. 0 14.0 7.0 11. 0 97.0 663.0 4.0 155. 0 11. 0 43.0 7 269. 0 4. 0 21. 0 21. 0 7. 0 0.0 667. 0 0.0 4. 0 7.0 8 11 0 28.0 28.0 18.0 18.0 70.0 11. 0 577.0 67.0 172.0 9 2:,0 29.0 111. 0 46.0 82.0 11. 0 21. 0 82.0 550.0 43.0 10 18.0 4. 0 7.0 11. 0 7.0 18.0 25.0 71. 0 21. 0 818.0BER£1(.£NDE MATRIX m. b. v. STEPIT
RESPONSE STii~ULUS 1 2 3 4
,
6 7 8 9 10 1 42':>. 4 0.2 66.2 95.2 1.6 0., 294.:, 20. 4 40. 5 55. 6 2 0. 7 596. 7 104. 1 1:,.9 ,. 0 28. 1 4. 8 132. 5 66.8 43. 4 ;u 3 74.:, 52.6 217. 1 10,. 1 79.3 4:,, 0 101. 7 106.8 161. 4 56.:, J) 4 116. 3 9., 118. 7 274.8 63. 6 33. 7 80.:, 100.4 157.2 45. 3 J),
3.0 3. 1 97. 1 bB. 7 349.0 212.8 10.2 9:,_ 3 140.0 29.9....
6 1.4 21. 9 6,.2 44.4 244. 1 324.4 ,. 3 149. 2 97.9 76.2 ~ 7 290. 7 1. 9 9:,_9 6:,. l 6. 7 2.4 359.2 33.8 62. l 92.2 8 30. 7 74. 1 117. 0 99.6 79.3 112.:, 4:,, 3 11,.8 141. 9 125.9 9 47.:, 34. 5 154.8 133.2 108. 6 66. 2 67. 0 126.4 183. 6 78.2 10 84.9 30.9 1,. 3 54. 7 34.6 70. 1 117. 2 152. 6 106.2 273.3GHI KWAORAAT VAN STEPITs 10788. 45 GHI KWADRAAT• 10788. 45 GEC: 44. '327 GEC MATRIX : RESPONSE STIMULUS 1 2 3 4 5 6 7 B 9 10 1 47:,_2 0. 1 8.2 12., 0.0 0 . , 129. 1 1. 0 3. l 6.2 2 0. 4 90.0 7.6 0.3 2.2 0.8 0.2 2,.0 9.3 1., 3 4.8 l. 3 ,01. 5 22. 4 9.7 4.7 8. 9 14. 1 0.2 4.0 4 2 5 0.4 30. 7 487. 0 8.3 1. 2 5.9 20. 3 31.4 4.8
,
0.3 1. 2 6.9 7. 0 239.6 41.7 0.0 14.3 0., 0.6 6 1.3 0. 1 7.9 2. 6 ,o. 4 267. 1 0.0 0. 1 17. 6 2. 6 7 1 t 0.0 13. 1 4., 0. 0 0.0 220.8 2. 7 7. 9 13. 2 8 0 9 4. 9 ta., 1 ,. 1 8. 5 4.2 2 7 375.0 13 1 5.0(,I
(JI
QHI ~WAORAAT MATRIX ST 111\Jl.US 1 47CJ. 4 2 Z36.0 3 27.8 4 "· 2
,
40.7 6 412. C, 7 1. 6 8 12. 6.,
10. 7 10 52. 7 XC 1 ]s0. 164 Xt21•0 220 X t3 l"0. 565 Xt4Js0. 448 XCS]=0 306 Xt61=0. 690 Xt71=0 218 GAl1MAs2 813 ALPHA•l.616 RESPONSE 3 4 223.6 ,2 .• 56.3 57.6 31.3 8.CJ 10. 6 ••1.5 'Jl. 6 16.3 110. 8 760.:, 16C,.3 30. 1 43. 5 2.CJ 51. CJ 2,. 1 2.6 58., 2CJ. " 28. 7 67. 7 6, . • o.• 12. 4 '7. 1 23.4 62. 0 34.C, 6 ? 8 10 3.8 46CJ. 7 186.? :Z0.4 32.8 47.CJ 1CJ1.7 12.B 17.4 BO.CJ 53.6 14.CJ 47.4 45.0 37.4 56. 7 0 , 30. 5,:,.e 1,.3 31.? 86.IJ
a,.e
45.32C,3. 4 84. 1 1. 0 71.IJ 1. 4 B. 4 88.7 3:,3_ 4 0.3 0.2 77. 1 14. 5 0.0 2.4 263. CJ 33.B :,4_3 oB.B 46.4 16. 1 25.IJ •1 ,. 1 3CJ.5 17.0 6., 46.0 31. 5 15.6 731. 2 15.B 22. 1 38. 7 72.:, 43.6 68. 4 1085. 3 A N
BEREKENINO VAN KB4 MODEL VERSIE 1 QEOBSERV£.ERDE NATRIX RESPON8E STIMVLUS 1 2 3 4 5 6 7 8
"
10 1 877.0 7.0 7.0 22.0 4.0 15.0 60.0 0.0 4.0 4. 0 2 14.0 782.0 47.0 4.0 36.0 47.0 14.0 29.0 7.0 18.0 3 29.0 21J.0 b81.0 7.0 18.0 0.0 40.0 iZIJ. 0 152.0 15.0 4 141J. 0 22.0 4.0 732.0 4.0 11. 0 30.0 7.0 41. 0 0.0,
14.0 26.0 43.0 14.0 661J.0 71J.O 7.0 7.0 126.0 14.0 b 25.0 14.0 7.0 11. 0 IJ7.0 bb3.0 4.0 155.0 11. 0 43.0 7 269. 0 4.0 21.0 21. 0 7.0 0.0 667.0 0. 0 4. 0 7.0 8 11. 0 28. 0 28.0 18.0 18. 0 70. 0 11. 0 577.0 67. 0 172.0 9 25.0 290 111. 0 4b. 0 82.0 11. 0 21. 0 82.0 550.0 43.0 10 18. 0 4. 0 7.0 11. 0 7.0 18.0 25.0 71. 0 21. 0 818.0BEREKE~IOE MATRIX m. b. v. STEP IT
RESPONSE STli'liJLUS 1 2 3 4 5 6 7 8 9 10 1-4
....
1 577.B 12.3 36.3 91. 3 12.3 5. 7 229. 7 5. 7 14.4 14. 4 t:I ::0 ~ 2 17. 1 805. 6 57. 4 8.0 9. 7 15. 3 20. 1 34. 1 15. 3 15. 3 l> 0-. 3 38. 4 43. 5 610. 5 22. 3 43. 5 11. 6 67. 1 25.9 125.6 11. 6 l> 4 111. 5 7. 0 25. 7 705. 1 25. 7 8. 5 44.3 13. 4 50.2 8. 5 1-4,
12.9 7.4 43. 4 22.2 609.6 125. 4 15.2, 25.8 125. 4 11. 6 UI 6 b. 7 13.0 13.0 8.2 140.3 b81.6 6.8 102.8 28.9 28.9 7 231.8 14.b b4. 1 3b.6 14.b 5.8 583.0 7.0 21.3 21.3 8 6 1 26. 1 26. 1 11. 7 2b. 1 93. 0 7. 5 617.2 93.0 93.0 9 13. 9 10.6 114. 4 39.6 114. 4 23. 5 20. 3 83. 8 556.0 23. 5 10 18 3 13.9 13.9 8.9 13.9 31. 0 26. 7 110. 4 31. 0 732. 1GHI lo<.WAORAAT VAN STE.P[Ts 1243.86
GHI lo<WAO~AAT'"' 1243. 86 GEC: 4.261 QEC MATRIX : RESPONSE STIMULUS 1 2 3 4 5 b 7 8 9 10 t 208.6 0. 1 2.0 11. :z 0.2 0. 2 67. t 0. 1 0. 3 0.3 2 0. 0 t. 3 0.3 0.0 1. 6 2.3 0. t 0. 1 0.2 0.0 3 0.2 0. 5 11. 6 0.5 1. , 0.3 t. 7 o. 0 1. 6 0.0 4 3.3 0. 5 1. 1 1. 7 t. 1 0.0 0. 5 0. 1 0.2 0.2 5 0.0 0.8 0.0 0.2 8.2 5.0 0.2 0.B 0.0 0.0 6 0.8 0. 0 0. 1 0.0 4. 4 O.B 0.0 6. 4 0. 7 0. 5 7 3 2 0.3 4. 3 0.6 0. 1 0. 1 16 5 0 1 0. 7 0 5 8 0. 1 0.0 0.0 0. 1 0. 2 1. 2 0. 0 3. 8 1. 6 14. 5
~
'J
I
OHi KWADRAAT MATR[X STil1ULUS 1 155.0 2 0.6 3 2.3 4 12.6
,
0. 1 6 ,o. 1 7 6.0 8 3 ""
8.9 10 0.0 Xtll•0.644 Xt2l=0.644 XC3l=O. 644 XC4l•O. 6't4 xc,1=0.044 Xtol•O. 644 XC7]-=0. 644 THETAs-0.279 RESPONSE 3 4 2.3 23. 7 52.6,.,
0.7 1. " 2.0 70.8 4.B B. 1 10. :, 14. CJ 32. 1 18.3 1. 0 18.3 47. 1 0.0 3.0 ,.a o. 1 2.7 O.CJ 13.3 7.7 29.0 6. 7 3.9 o. 1 0. 1 3. 4 2., 32.2 0. 1 1. 0 9.2 7. 1 3 4 0., 3. 4 6 7 a 10 15.3 1::Z5.4 ,. 7 7. 5 7.5 65.6 1." o.a 4., 0. , 11. 6 11.0 0.4 ,. 5 1. 0 0.7 4.6 3. 1 1. 7 8., 17.2 4., 13.7 0.0 o., o. 5 1. 1 26.6 11. 1 6.9,.a
12. 1 7.0 14.0 9.6 ,.1 1. 7 2. 6 7.3 67.0 6. 7 0.0 0.0 0. 1 16. 1,.
,
0. 1 14.0 3.2 10. 1 (JI.
hJBEREKENINQ VAN KB4 MODEL VERSIE 2 QEOBSERVtERDE MATRIX RESPONSE STii11A.US 1 :z 3 4
,
6 7 e 9 10 1 877.0 7.0 7.0 22.0 4.0 1'.0 60.0 0.0 4.0 4.0 :z 14.0 78:Z.O 47.0 4.0 36.0 47.0 14.0 29.0 7.0 18.0 3 2~.0 29.0 681.0 7.0 18.0 0.0 40.0 2'J.0 1,2.0 1,.0 4 149.0 22.0 4.0 732.0 4.0 11. 0 30.0 7.0 41. 0 0.0,
14.0 26.0 43.0 14.0 669.0 79.0 7.0 7.0 126.0 14. 0 6 25.0 14.0 7.0 11. 0 97.0 663.0 4.0 1,:S.O 11. 0 43.0 7 269.0 4.0 21. 0 21. 0 7.0 0.0 667.0 0.0 4.0 7.0 8 11. 0 28.0 28.0 18.0 18.0 70.0 11. 0,n.o
67. 0 172. 0 9 2~ 0 29.0 111. 0 46.0 82.0 11. 0 21. 0 82.0 550.0 43. 0 10 18.0 4. 0 7.0 11. 0 7.0 18.0 2,.0 71. 0 21.0 818. 0BEREKENDE MATRIX m. b. v. STEP IT
RESPONSE STtl'.\JLVS 2 3 4
,
6 7 8 9 10 C...
1 825. 3 13.2 7. 7 18.2 13.2 11. 5 86.6 11. 1 6. 5 6. 5 -I t:, t-1 2 21. 8 786. 7 50. 7 10.6 12.2 18. 1 23.9 37. 7 1B. 1 18. 1 :t, (I) 3 44.0 40. 4 627.2 24. 7 40. 4 14. 4 67. , 30.0 96.9 14. 4 :f,, 4 104. 1 9.8 22.B 727.8 22.8 11. 3 44.0 16. 7 29.3 11. 3 :f,, 5 17.8 10.0 41. 3 25. 3 641. 4 99. 1 19.5 30. 7 99. 1 14.B...
6 9.3 15.4 1,. 4 10.4 130. 7 669.0 9. o· 106. 7 3:Z. 1 32. 1 O'-7 186.6 14. l 21., 26. :5 14. 1 9.4 6""· 4 10.8 10.B 10.8 8 8. 0 28.6 28.6 13. 7 28.6 95. 3 9.3 597.:Z 95.3 95.3 9 17.3 12. 7 107. 5 41.3 107. 5 26. 4 23.4 87. 7 550. 0 26. 4 10 22. 2 16. 3 16.3 11. 0 16.3 33.9 30. 1 112. 8 33. 9 707. 3GHt KWAO~AAT VAN STEPIT= 765. 40
GHI KWAORAAT= 765. 40 GEC= t. 322 GEC MATRIX : RESPONSE STii1ULUS 1 2 3 4
,
6 7 8 9 10 1 6 2 0. 1 0.0 0.0 0.2 0.0 1. 7 0.3 0.0 0.0 2 0. 1o:
1 0.0 0. 1 1. 3 l. 9 0. 2 0.2 0.3 0.0 3 0. 5 0.3 6.8 0. 7 l. 2 0. 5 l B 0.0 7. 1 0.0 4 4. 7 0.3 0.8 0.0 0.8 0.0 0. , 0.2 0. 3 0.3 5 0.0 0.6 0.0 0.3 1. B 0.9 0. 4 1. 3 1. 7 0.0 6 0.6 0.0 0.2 0.0 2.6 0. 1 0. 1,.
4 1. 0 0.3 7 15.8 0.2 0.0 0. l 0. 1 0.2 1. 9 0. 3 0. 1 0.0 8 0.0 0.0 0.0 0 0 0.3 1. 5 0.0 1. 0 1. 9 13. 7 9 0. 1 0.6 0.0 0. 1 1. 5 0., 0.0 0. 1 0.0 0.6l,I -(I
GHI ~WADRAAT MATRIX
STU1ULUS 1 3 2 2 2.8 3 ,. 1 4 19. 4