Handout
Handout
Handout
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
PWP 1<br />
Signalentdeckungstheorie<br />
Signal Detection Theory<br />
Roland Marcus Rutschmann<br />
WiSe 2006<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
SDT in der Psychologie<br />
◮ Mensch als Detektor/Entscheidungsträger<br />
◮ Empfindlichkeit/Entdeckbarkeit des Reizes<br />
◮ Antworttendenz<br />
◮ Psychophysisches Modell<br />
◮ Beschreibung nicht beobachtbarer Prozesse<br />
◮ Verhaltensvorhersage<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Anwendungsbeispiele<br />
◮ Psychophysik: 1000 Hz-Ton aus weißem Rauschen<br />
◮ Diagnostik: bestimmter Befund vorhanden?<br />
◮ Seismologie: Steht Erdbeben bevor?<br />
◮ Zeugenaussagen: Person vor Ort?<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Bsp. Detektion von Tönen im Rauschen<br />
◮ 2 VPn sollen reagieren, wenn Töne anwesend sind<br />
◮ Je 100 Durchgänge Rauschen, 100 Durchgänge Signale<br />
◮ VP1 detektiert 90, VP2 60 Signale<br />
◮ Hört VP1 besser?<br />
◮ VP1 sagt in 40 Fällen, in denen kein Ton da war<br />
(Rauschdurchgänge, Catch-Trials) „Ja“ es war ein Ton da<br />
VP2 irrt sich nur bei 10 Rauschdurchgängen<br />
◮ Wer ist jetzt besser?<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Terminologie<br />
◮ „Rauschdurchgänge“ (noise trials): Nur Zufallsrauschen<br />
◮ Versuchsdurchgänge (trials) ohne Signal<br />
◮ Signaldurchgänge (signal trials)<br />
◮ Versuchsdurchgänge mit Signal und Rauschen<br />
◮ Antwort „ja“ auf Signaldurchgang = Treffer (hit)<br />
trial type<br />
Antwort<br />
Nein<br />
Ja<br />
Rauschen korrekte Ablehnung falscher Alarm<br />
Signal Auslassung (miss) Treffer (hit)<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Zusammenfassung der VPn im Bsp. von Goldstein<br />
◮ Je 100 Trials nur Rauschen 100 Trials mit Signal<br />
◮ VP 1 tendiert zum „Ja“-Sagen<br />
VP 1 VP 2<br />
Nein Ja<br />
Nein<br />
N 60 40<br />
S 10 90<br />
Ja<br />
N 90 10<br />
S 40 60<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Änderung der Antworttendenz<br />
◮ Gleicher Versuch mit VP2 aber Geld für richtige Antworten<br />
(und Abzug für falsche) ⇒ liberalere Antworten<br />
◮ Belohnung von korrekter Zurückweisung ⇒ konservative<br />
Antworten (wenig „Ja“)<br />
◮ Neutrale Antworten, wenn alles gleich belohnt.<br />
Payoff-Matrix VP2-Antwort Gewinn<br />
Nein Ja Nein Ja<br />
N +20e -20e 10 90<br />
S -200e +200e 02 98 17600e<br />
N +200e -20e 99 1<br />
S -20e +20e 90 10 18180e<br />
N +20e -20e 80 20<br />
S -20e +20e 25 75 2200e<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Falscher Alarm vs. Treffer<br />
1<br />
●<br />
● ●<br />
VP2 neut VP1 lib<br />
VP1 neut<br />
●<br />
P H<br />
●<br />
VP2 kons<br />
●<br />
VP1 kons<br />
0<br />
0 1<br />
P F<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
2. Beispiel: 1000 Hz-Ton<br />
◮ Je 100 Trials nur Rauschen 100 Trials mit Signal<br />
◮ 1. Durchgang: Treffer wichtig (Belohnung für hit)<br />
◮ 2. Durchgang: kein falscher Alarm (Belohnung für correct<br />
rejection)<br />
1. Durchgang 2. Durchgang<br />
Nein Ja<br />
Nein Ja<br />
N 54 46<br />
N 81 19<br />
S 18 82<br />
S 45 55<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Relative Häufigkeiten<br />
◮ Überführung in rel. Häufigkeiten<br />
Anz. Treffer<br />
◮ Trefferrate (hit rate): h =<br />
Anz. Signaldurchgänge<br />
◮ falscher Alarm Rate (false-alarm rate): f =<br />
Anz. false alarm<br />
Anz. Rauschdurchgänge<br />
Nein Ja<br />
N 54 46<br />
S 18 82<br />
Nein Ja<br />
und N 81 19<br />
S 45 55<br />
⇒<br />
h f<br />
1. Durchg. 0.82 0.46<br />
2. Durchg. 0.55 0.19<br />
Redundante Werte:<br />
◮ Auslassungsrate, Fehlerrate (miss rate)= 1 − h<br />
◮ Rate der korr. Zurückweisungen (corr. rej. rate)= 1 − f<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Modell der Entscheidung<br />
Noise<br />
Signal<br />
x<br />
◮ Verteilung der Zufallsvariablen X<br />
◮ bei Rauschdurchgängen (Xn )<br />
◮ und Signaldurchgängen (Xs )<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Setzen des Kriteriums<br />
Nein<br />
λ<br />
Ja<br />
Noise<br />
Signal<br />
◮ Zufallsvar. x > λ ⇒ Entscheidung „Ja“<br />
◮ false-alarm rate:<br />
P F = P(Ja|noise) = P(X > λ|noise) = P(X n > λ) = R ∞<br />
λ<br />
◮ hit rate:<br />
P F = P(Ja|signal) = P(X > λ|signal) = P(X s > λ) = R ∞<br />
λ<br />
Roland Marcus Rutschmann SDT<br />
f n(x)dx = 1 − F n(λ)<br />
f s (x)dx = 1 − F s (λ)
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Variation von λ<br />
λl<br />
λ<br />
λ k<br />
Noise<br />
Signal<br />
◮ Veränderung von λ wirkt auf h und f gemeinsam<br />
◮ λk : (konservativ) Vermeidung von false alarm, aber wenig Treffer<br />
◮ λ l : Viele Treffer, aber auch viele false alarm<br />
◮ Geringere Überlappung der Dichtefunktionen f n und f s<br />
⇒ höhere Trennschärfe<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Motivation<br />
Terminologie<br />
Beispiel Goldstein<br />
Einfaches Modell<br />
Modell der statistischen Entscheidung<br />
◮ Modell zur Bestimmung interpretierbarer Variablen<br />
◮ 3 Voraussetzungen<br />
◮ Gesamte Information in einer Zahl repräsentiert<br />
◮ Diese Zahl ist Zufallsvariable<br />
◮ Überschreiten einer festen Schwelle ⇒ Entscheidung ja<br />
◮ Analogie zur NHST (Nullhypothesensignifikanztest)<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Das Gaußsche Modell<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ X n ∼ N (µ n , σ n ) und X s ∼ N (µ s , σ s )<br />
◮ Skalierung: µ n = 0, σ n = 1<br />
◮ X n ∼ N (0, 1) und X s ∼ N (µ s , σ s )<br />
◮ Rechtfertigung für Normalverteilungsannahme<br />
◮ Gut untersuchte Eigenschaften<br />
◮ Zentraler Grenzwertsatz<br />
◮ Empirische Befunde<br />
◮ Bei speziellen Fragestellungen andere Verteilung<br />
Roland Marcus Rutschmann<br />
SDT
Die Normalverteilung<br />
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Dichte an der Stelle x :φ(x) = 1<br />
σ √ e 1 x−µ<br />
2 ·( σ ) 2<br />
2π<br />
◮ Akkumulierte Dichte: Φ(x) = ∫ x<br />
−∞<br />
φ(t) dt<br />
◮ mit µ Erwartungswert und σ Standardabweichung der<br />
Verteilung<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Das univariate Gaußsche Modell<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Problem<br />
◮ Ein Experiment → 2 Meßwerte (f , h)<br />
◮ aber 3 unbekannte Variablen (λ, µ s , σ s )<br />
◮ Setze σ s = σ n = 1, µ s wird zu d ′<br />
◮ X n ∼ N (0, 1) und X s ∼ N (d ′ , 1)<br />
◮ Vorsicht: Echte Einschränkung, sollte überprüft werden.<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
Beispiel zur Berechnung von d ′ und λ<br />
Nein Ja<br />
2. Beispiel oben, 1. Durchg. N 54 46 f = 0.46<br />
S 18 82 h = 0.82<br />
1. P F = 0.46 = 1 − F n (λ) = 1 − Φ(λ) ⇒ Φ(λ) = 1 − 0.46 = 0.54<br />
⇒ λ = Z(1 − 0.46) = Z(0.54) = 0.10<br />
2. X s ∼ N (d ′ , 1)<br />
⇒ λ − d ′ = Z(1 − 0.82) = Z(0.18) = −0.92<br />
3. Kombination: d ′ = λ − (λ − d ′ ) = 0.10 + 0.92 = 1.02<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Schätzer für d ′ und λ<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
1. Z(1 − f ) = ˆλ symm.<br />
⇒ ˆλ = −Z(f )<br />
2. Z(1 − h) = ˆλ − ˆd ′ ⇒ Z(h) = ˆd ′ − ˆλ<br />
3. ˆd ′ = Z(h) − Z(f )<br />
! Vorsicht! Vorzeichen überprüfen!<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Fortsetzung 2. Beispiel<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Beispiel oben, rel. H.<br />
◮ 1. Durchgang: ˆd ′ = 1.02; ˆλ = 0.10<br />
h f<br />
1. Durchg. 0.82 0.46<br />
2. Durchg. 0.55 0.19<br />
◮ 2. Durchgang: ˆd ′ = 1.00; ˆλ = 0.88<br />
◮ ˆλ = −Z(f ) = −Z(0.19) = 0.88<br />
◮ ˆd ′<br />
= Z(h)−Z(f ) = Z(0.55)−Z(0.19) = 0.12−(−0.88) = 1.00<br />
⇒<br />
ˆd ′ ˆλ<br />
1. Durchg. 1.02 0.10<br />
2. Durchg. 1.00 0.88<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Erhöhung der Entdeckbarkeit<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Weniger Überlappung der Verteilungen durch<br />
◮ Erhöhung von d ′<br />
◮ Verringerung der Varianz σ 2<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
Messung des „Bias“ (Tendenz/Neigung)<br />
◮ „Ja-Sage-Tendenz“ von Kriterium λ und d ′ abhängig.<br />
◮ zentriertes Kriterium: λ center = λ − 1 2 d ′ = − 1 2<br />
[Z(f ) + Z(h)]<br />
◮ Wahrscheinlichkeitsverhältnis (likelihood ratio):<br />
β = fs(λ)<br />
f = φ(λ−d′ )<br />
n(λ) φ(λ)<br />
Roland Marcus Rutschmann<br />
SDT
Verlauf β<br />
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Asymmetrisch von 0 . . . ∞<br />
◮ 1 am Schnittpunkt [ ] von f s und f n<br />
◮ log(β) = log fs(λ)<br />
f n(λ)<br />
= log(f s (λ)) − log(f n (λ))<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Der ideale Beobachter<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Maximierung der Wahrscheinlichkeit richtiger Antwort<br />
◮ s Wahrscheinlichkeit für Signaltrial<br />
⇒ 1 − s = Wahrscheinlichk. für Noisetrial<br />
◮ P C = P(signal) · P(Ja|signal) + P(noise) · P(Nein|noise)<br />
= s[1 − F s (λ)] + (1 − s)F n (λ)<br />
1.0<br />
0.8<br />
0.6<br />
Pc<br />
0.4<br />
0.2<br />
0.0<br />
λ *<br />
−3 −1 1 3 5<br />
Kriterium λ<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
Optimales Kriterium<br />
◮ Optimales Krit. λ ∗ für β ∗ = fs(λ∗ )<br />
f n(λ ∗ ) = 1−s<br />
s<br />
◮ s = 1 2 ⇒ f s(λ ∗ ) = f n (λ ∗ ) Schnittpunkt der Kurven.<br />
: Wettchance (odds)<br />
◮ Mehr Signaltrials: s > 1 2 ⇒ 1−s<br />
s<br />
< 1 ⇒ f s (λ ∗ ) < f n (λ ∗ )<br />
Das Kriterium verschiebt sich nach links (wird liberaler)<br />
Roland Marcus Rutschmann<br />
SDT
Pay-off Matrix<br />
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Allgemeines Modell<br />
Univariates Modell<br />
Berechnung Kriterium und d ′<br />
Bias und Likelihood<br />
Idealer Beobachter<br />
◮ Kosten und Nutzen der Verschiedenen Möglichkeiten ungleich<br />
⇒ Optimierung des Erwartungswertes des „Gesamtwerts“<br />
E(V ) = P(Signal + Ja)V (hit) + P(Signal + Nein)V (miss)<br />
+P(Noise + Ja)V (false alarm)<br />
+P(Noise + Nein)V (cor. rej.)<br />
V (miss) und V (f. a.) meist negativ<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
Graph zu 2. Bespiel<br />
◮ 2. Bsp.:<br />
h f ˆd ′ ˆλ<br />
1. Durchg. 0.82 0.46 1.02 0.10<br />
2. Durchg. 0.55 0.19 1.00 0.88<br />
λ 1 λ 2<br />
d'<br />
−4 −2 0 2 4<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
Umsetzung in ROC-Graph<br />
◮ Trefferrate gegen Falschen Alarm auftragen<br />
◮ Punkte auf einer Linie, weil d ′ gleich groß<br />
1<br />
S1<br />
●<br />
P H<br />
S2<br />
●<br />
0<br />
0 1<br />
P F<br />
Roland Marcus Rutschmann<br />
SDT
, - . / 0 12 3 4 5 6 7 8 9 : ; < = > ? @ A B C B @ D E C F G H I J K L I G K G M N G I H I O P Q R S T U V W X Y Z [ \ ] ^ _ ` a b c<br />
Roland Marcus Rutschmann SDT<br />
+<br />
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
Eine ¡ ¢ £ ¤ ¥ ¦ § ¨ © ! ! " # $ % & ' ( )<br />
Isosensitivitätskurve
! " # $ % & ' ( ) ( * + , - . / 0 1 2 3 4 5 6 7 8 9 : ; < ; = > ? @ ; : A B C D E F G F H I J K L M F N O P Q<br />
Roland Marcus Rutschmann SDT<br />
<br />
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
Isosensitivitätslinien bei versch. d ′<br />
¢ £ ¤ ¥ ¦ § ¨ ¦ © ¤ ¥ © ¤ ¦ © ¤ <br />
¡
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
Isokriteriumslinien (λ fest)<br />
1<br />
−1.5<br />
−1<br />
−0.5<br />
P H<br />
0<br />
0.5<br />
1<br />
0 1.5<br />
0 1<br />
P F<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Graphische Darstellung<br />
Isosensitivitätskurven<br />
Univar. Gaußsches Modell<br />
ROC im univ. Gaußschen Modell<br />
◮ Es gilt P F = ∫ ∞<br />
λ<br />
f n(x)dx und P H = ∫ ∞<br />
λ<br />
f s(x)dx<br />
◮ im univariaten Fall also<br />
P F = 1 − Φ(λ) = Φ(−λ) und<br />
P H = 1 − Φ(λ − d ′ ) = Φ(d ′ − λ)<br />
◮ Durch einsetzen gewinnt man die Kurve:<br />
P H = Φ(d ′ + Φ −1 (P F ))<br />
◮ Nur durch Tabellen oder Computerprogramme errechenbar<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Weiterführende Themen<br />
Literatur<br />
Weitere Themen<br />
◮ ROC-Gerade mit Gaußschen Koordinaten<br />
◮ Ungleiche Varianzen σ 2 n und σ 2 s<br />
◮ Verschiedene Alternativen zu d ′<br />
◮ Anwendung SDT auf<br />
◮ Vertrauensskalen<br />
◮ forced-choice Paradigma<br />
◮ Diskrimination, bzw. Identifikation<br />
◮ Likelihoods und Bayesscher Beobachter<br />
Roland Marcus Rutschmann<br />
SDT
Einführung<br />
Univariates Gaußsches Modell<br />
ROC<br />
Ausblick<br />
Weiterführende Themen<br />
Literatur<br />
Literatur<br />
◮ Goldstein, E. B. (1997) Wahrnehmungspsychologie. Spektrum<br />
Akademischer Verlag, Heidelberg, erste Auflage.<br />
◮ Macmillan, N. A. (2002) Signal detection theory. In: Pashler,<br />
H. (Hrsg.), Stevens’ Handbook of Experimental Psychology,<br />
Band 1, Kapitel 2, Seiten 43–91. Wiley, New York, dritte<br />
Auflage.<br />
◮ Wickens, T. D. (2002) Elementary Signal Detection Theory.<br />
Oxford University Press, New York, New York.<br />
Roland Marcus Rutschmann<br />
SDT