Practica 4- Stevens PDF

Preview

Summary

Practica 4- Stevens...

Description

PRACTICA 4 PSICOFISICA DE STEVENS Objetivos:  Familiarizarse con uno de los métodos directos (de Stevens) para calcular la función psicofísica Ψ(Ι) de percepción de luminancia  Comprender como los métodos, procedimientos y técnicas de investigación permiten verificar hipótesis y generar nuevos conocimientos de modo riguroso  Profundizar en la noción de brillo y claridad Ley de Stevens La variable independiente I es la base, y el exponente a es una constante Método directo: Estimación de magnitudes -

Los estímulos tienen diferentes valores de luminancia Se presentan de forma aleatoria La observadora/ el observador tiene que asignar un número

El hecho que vemos los grises, blancos, y negros aproximadamente iguales a pesar de cambios de iluminación. La luminancia de los papeles que llega al ojo es diferente. El brillo también. Sin embargo, “sabemos” que tienen el mismo“blanco” (los papeles parecen ser idénticos), es decir la reflectancia percibida (=claridad) es constante.  Brillo →variaciones graduales en luminancia (sombras, sombreado). …es el modo normal de la percepción acromática.  Claridad →estímulos sin variaciones graduales en luminancia …es el modo normal de la percepción acromática … podemos “forzar” la percepción de la claridad con estímulos uniformes en luminaria Variable independiente I = luminancia del estímulo (0-9) Variable dependiente Ψ = valor asignado (respuesta 1-9)

1. Estimación de magnitudes: evaluación de datos Problema: -

Para ajustar la recta necesitamos calcular log(I) y log(Ψ) El problema es que no podemos calcular log (0) ¿Qué hacemos con los datos que corresponden a I=0?

Soluciones: 1. Ajustamos la función potencial Ψ(I)=c·Ia a los datos (es decir, sin aplicar la transformación logarítmica) 2. Eliminamos los datos que corresponden a I=0 …para evitar problemas como log(0) en la transformation logarítmica: a. Para ajustar la recta a la representación logarítmica de los datos, consideramos dos métodos (es decir, dos tipos de algoritmos): i. robust regression - es la versión robusta de la regresión lineal. Los outliers no influyen tanto en el resultado de robust regression comparado con la regresión lineal ii. weighted regression - es una versión de la regresión lineal que tiene en cuenta la incertidumbre (p.e. desviación estándar o MAD) de cada punto de datos. iii. De esta manera podemos ver cómo un método influye en el resultado…

3. Sumamos un valor ε a los datos antes de calcular log …en vez de log (0) entonces tendríamos log(0+ε)...