Forschungsmethoden und Statistik in der Psychologie: Lernpaket

Beschreibende Statistik: Der Mittelwert ist die Summe geteilt durch n; der Median ist der mittlere Wert der sortierten Daten (bei geradem n der Mittelwert der beiden mittleren Werte). Die Stichproben-Standardabweichung ist s = √(Σ(x − x̄)²/(n − 1)). Ein z-Wert z = (x − μ)/σ gibt an, wie viele Standardabweichungen ein Wert vom Mittelwert entfernt liegt.

Beschreibende Statistik: Der Mittelwert ist die Summe geteilt durch n; der Median ist der mittlere Wert der sortierten Daten (bei geradem n der Mittelwert der beiden mittleren Werte). Die Stichproben-Standardabweichung ist s = √(Σ(x − x̄)²/(n − 1)). Ein z-Wert z = (x − μ)/σ gibt an, wie viele Standardabweichungen ein Wert vom Mittelwert entfernt liegt.

Diskrete Zufallsvariablen: Eine Wahrscheinlichkeitsverteilung listet jeden Wert x, den eine Variable annehmen kann, mit seiner Wahrscheinlichkeit p(x) auf; die Wahrscheinlichkeiten liegen zwischen 0 und 1 und summieren sich zu 1. Der Erwartungswert (Mittelwert) ist E(X) = Σx·p(x), der Durchschnitt auf lange Sicht. Die Varianz ist Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², und die Standardabweichung ist σ = √Var(X). Für eine lineare Änderung Y = aX + b gilt: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) und σ_Y = |a|·σ_X; das Addieren einer Konstanten ändert die Streuung nicht.

Diskrete Zufallsvariablen: Eine Wahrscheinlichkeitsverteilung listet jeden Wert x, den eine Variable annehmen kann, mit seiner Wahrscheinlichkeit p(x) auf; die Wahrscheinlichkeiten liegen zwischen 0 und 1 und summieren sich zu 1. Der Erwartungswert (Mittelwert) ist E(X) = Σx·p(x), der Durchschnitt auf lange Sicht. Die Varianz ist Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², und die Standardabweichung ist σ = √Var(X). Für eine lineare Änderung Y = aX + b gilt: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) und σ_Y = |a|·σ_X; das Addieren einer Konstanten ändert die Streuung nicht.

Von einer Fläche zurück zu z: Φ(z) ist die Fläche links von z. Für eine linke Randfläche A suche in der Tabelle z mit Φ(z) = A. Eine rechte Randfläche A bedeutet Φ(z) = 1 − A. Eine zentrale Fläche A zwischen −z und z lässt (1 − A)/2 auf jedem Rand übrig, also Φ(z) = (1 + A)/2. Für einen Wert x verwende x = μ + zσ.

Summen und Differenzen normalverteilter Variablen: Sind X und Y unabhängig und normalverteilt, sind auch X + Y und X − Y normalverteilt. Die Mittelwerte werden addiert oder subtrahiert: E(X ± Y) = μ_X ± μ_Y. Die Varianzen addieren sich immer, auch bei einer Differenz: Var(X ± Y) = σ_X² + σ_Y², also σ = √(σ_X² + σ_Y²). Standardabweichungen werden nie direkt addiert. Die Summe von n unabhängigen Objekten mit derselben Verteilung hat den Mittelwert n·μ und die Standardabweichung σ·√n. Standardisiere dann wie gewohnt: z = (x − Mittelwert)/σ und lies Φ(z) ab.

Interval for a difference: estimate ± critical value × standard error. For two independent means with known σ: SE = √(σ₁²/n₁ + σ₂²/n₂) and z. With equal unknown variances: pooled s_p and t with n₁ + n₂ − 2 degrees of freedom. For paired data, work with the differences: d̄ ± t·s_d/√n.

Konfidenzintervall für einen Mittelwert: x̄ ± Fehlermarge. Bei bekanntem σ der Grundgesamtheit ist die Fehlermarge z·σ/√n; ist nur die Stichproben-Standardabweichung s bekannt, nimm t mit n − 1 Freiheitsgraden: t·s/√n. Kritische Werte: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Für eine Fehlermarge von höchstens E brauchst du n ≥ (z·σ/E)², aufgerundet.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Regression nach der Methode der kleinsten Quadrate: Mit den Mittelwerten x̄ und ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² und Sxy = Σ(x − x̄)(y − ȳ) hat die Gerade ŷ = a + b·x die Steigung b = Sxy/Sxx und den Achsenabschnitt a = ȳ − b·x̄; sie geht also immer durch (x̄, ȳ). Der Korrelationskoeffizient nach Pearson r = Sxy/√(Sxx·Syy) liegt zwischen −1 und 1; r² ist der Anteil der Streuung von y, der durch die Gerade erklärt wird.

Regression nach der Methode der kleinsten Quadrate: Mit den Mittelwerten x̄ und ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² und Sxy = Σ(x − x̄)(y − ȳ) hat die Gerade ŷ = a + b·x die Steigung b = Sxy/Sxx und den Achsenabschnitt a = ȳ − b·x̄; sie geht also immer durch (x̄, ȳ). Der Korrelationskoeffizient nach Pearson r = Sxy/√(Sxx·Syy) liegt zwischen −1 und 1; r² ist der Anteil der Streuung von y, der durch die Gerade erklärt wird.

Chi-Quadrat-Tests: Vergleiche die beobachteten Häufigkeiten O mit den unter H₀ erwarteten Häufigkeiten E über χ² = Σ(O − E)²/E. Anpassungstest: E = n·p für jede Kategorie, df = k − 1 (minus eins für jeden aus den Daten geschätzten Parameter). Unabhängigkeit in einer r × c-Tafel: E = Zeilensumme × Spaltensumme / Gesamtsumme, df = (r − 1)(c − 1). Verwirf H₀, wenn χ² den kritischen Wert für das gewählte α überschreitet.

Chi-Quadrat-Tests: Vergleiche die beobachteten Häufigkeiten O mit den unter H₀ erwarteten Häufigkeiten E über χ² = Σ(O − E)²/E. Anpassungstest: E = n·p für jede Kategorie, df = k − 1 (minus eins für jeden aus den Daten geschätzten Parameter). Unabhängigkeit in einer r × c-Tafel: E = Zeilensumme × Spaltensumme / Gesamtsumme, df = (r − 1)(c − 1). Verwirf H₀, wenn χ² den kritischen Wert für das gewählte α überschreitet.