Cotas superior e inferior para la función de distribución del tiempo de reacción en modelos de procesamiento en paralelo / Upper and lower bounds for the reaction-time distribution function in parallel processing models.

En los modelos estocásticos de procesamiento en paralelo, adoptando la terminología propuesta por Colonius y coautores, un sistema se denomina “k th-terminating” si inicia la respuesta en cuanto k de sus n canales activados han terminado el procesamiento. Estos autores también desarrollan una metodología para obtener las cotas superior e inferior para la función de distribución del tiempo de reacción en un sistema paralelo “k th-terminating” de capacidad ilimitada y n canales, para valores de k uno, dos y n (Colonius y Vorberg, 1994. Journal of Mathematical Psychology, 38, 35-58; Colonius y Ellermeier, 1997. Analysis. Journal of Mathematical Psychology, 41, 19-27). En el presente trabajo se utiliza una metodología análoga para extender la solución a cualquier valor de k. Las funciones de distribución de los tiempos de reacción se expresan como probabilidades conjuntas, y se utilizan desigualdades de tipo Bonferroni (AU)

Colonius and co-workers proposed a terminology for stochastic models of information processing, in which a parallel system is called k th-terminating if it initiates a response as soon as the channel k finishes processing, having n active channels. The authors (Colonius, H. and Vorberg, D. (1994). Distribution Inequalities for Parallel Models with Unlimited Capacity. Journal of Mathematical Psychology, 38, 35-58; Colonius, H. and Ellermeier, W. (1997). Distribution Inequalities for Parallel Models of Reaction Time with an Application to Auditory Profile Analysis. Journal of Mathematical Psychology, 41, 19-27) also developed a methodology to evaluate the upper and lower bounds for the reaction-time distribution functions in a k th-terminating parallel system with an unlimited processing capacity assumption and k values equal to one, two or n. That work is extended here to the case of any k value, by using a similar methodology, considering the distribution functions of the reaction times as joint probabilities and using Bonferroni-type inequalities (AU)

Predicciones bajo hipótesis de distribuciones gaussianas y laplacianas en un modelo CTVA-2D / No disponible

La teoría CODE de Atención Visual que presenta Logan en 1996 (Psychological Review, 103, 603-649) considera que la posición que ocupan los elementos en una presentación visual, en lugar de representarse por puntos en el espacio, se representan por distribuciones de probabilidad. Logan desarrolla un modelo utilizando distribuciones Laplacianas unidimensionales. Este modelo se ha extendido a dos dimensiones generando el modelo CTVA-2D (Alvarado, Santalla y Santisteban, 1999, Acta Psychologica, 103, 239-255). En este trabajo se comparan los resultados bajo los supuestos de distribuciones gaussianas y de laplacianas en la citada extensión bidimensional del modelo (AU)

Predictions in a CTVA-2D model under normal and Laplace’s distributions hypotheses. The CODE theory of Visual Attention introduced by Logan in 1996 (Psychological Review, 103, 603-649) assumes that the items location is not represented by points in the space whereas it is represented by one-dimensional Laplace distributions. This model has been extended to two dimensions by the CTVA-2D model (Alvarado, Santalla & Santisteban, 1999, Acta Psychologica, 103, 239-255). The present work compares the results obtained assuming Laplace and normal distributions in the two-dimensional model (AU)

Modelos estocásticos de aprendizaje en ensayos de respuesta dicotómica y un número finito de estados absorbentes / No disponible

En este trabajo se construye un modelo probabilístico para representar un proceso de aprendizaje en el contexto de los modelos de estado en la denominada teoría matemática del aprendizaje. El modelo incluye tanto el proceso de adquisición como el de olvido, así como el supuesto de que el proceso puede terminar en uno cualquiera de r estados. Se consideran en el modelo dos estados transitorios y un número finito r de estados absorbentes. Las transiciones se supone que están reguladas por la “fuerza de la respuesta” según la concibe Luce en su modelo b de aprendizaje y que deriva a partir de su axioma de elección (AU)

Stochostic learning models for dichotomous response trials and a finite number of absorbing states. A probabilistic model for a learning process has been built up in the context of the state models for the learning mathematical theory. Two transitory states (for the acquisition and forgetting processes) and a finite number of absorbing states are considered. The transition probabilities are assumed to be controlled by the “response strength” of the Luce’s β model, derived from his choice axiom (AU)