Métodos de investigación y estadística en psicología: pack de repaso

Estadística descriptiva: la media es la suma dividida entre n; la mediana es el valor central de los datos ordenados (la media de los dos centrales si n es par). La desviación típica muestral es s = √(Σ(x − x̄)²/(n − 1)). Una puntuación z = (x − μ)/σ indica a cuántas desviaciones típicas está un valor de la media.

Estadística descriptiva: la media es la suma dividida entre n; la mediana es el valor central de los datos ordenados (la media de los dos centrales si n es par). La desviación típica muestral es s = √(Σ(x − x̄)²/(n − 1)). Una puntuación z = (x − μ)/σ indica a cuántas desviaciones típicas está un valor de la media.

Variables aleatorias discretas: una distribución de probabilidad enumera cada valor x que puede tomar una variable con su probabilidad p(x); las probabilidades están entre 0 y 1 y suman 1. El valor esperado (media) es E(X) = Σx·p(x), el promedio a largo plazo. La varianza es Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², y la desviación típica es σ = √Var(X). Para un cambio lineal Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) y σ_Y = |a|·σ_X; sumar una constante no cambia la dispersión.

Probabilidad: con resultados equiprobables, P(A) = favorables/totales. Para sucesos independientes se multiplica: P(A y B) = P(A)·P(B). El complementario suele ayudar: P(al menos uno) = 1 − P(ninguno). Binomial: en n ensayos independientes con probabilidad de éxito p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Sumas y diferencias de variables normales: si X e Y son independientes y normales, X + Y y X − Y también son normales. Las medias se suman o se restan: E(X ± Y) = μ_X ± μ_Y. Las varianzas siempre se suman, también en una diferencia: Var(X ± Y) = σ_X² + σ_Y², así que σ = √(σ_X² + σ_Y²). Las desviaciones típicas nunca se suman directamente. El total de n elementos independientes con la misma distribución tiene media n·μ y desviación típica σ·√n. Después estandariza como de costumbre: z = (x − media)/σ y lee Φ(z).

Sumas y diferencias de variables normales: si X e Y son independientes y normales, X + Y y X − Y también son normales. Las medias se suman o se restan: E(X ± Y) = μ_X ± μ_Y. Las varianzas siempre se suman, también en una diferencia: Var(X ± Y) = σ_X² + σ_Y², así que σ = √(σ_X² + σ_Y²). Las desviaciones típicas nunca se suman directamente. El total de n elementos independientes con la misma distribución tiene media n·μ y desviación típica σ·√n. Después estandariza como de costumbre: z = (x − media)/σ y lee Φ(z).

Confidence interval for a mean: x̄ ± margin of error. With a known population σ the margin is z·σ/√n; with only the sample standard deviation s, use t with n − 1 degrees of freedom: t·s/√n. Critical values: z = 1,645 (90%), 1,96 (95%), 2,576 (99%). To get a margin E or smaller, you need n ≥ (z·σ/E)², rounded up.

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.

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.

Regresión por mínimos cuadrados: con x̄ e ȳ las medias, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² y Sxy = Σ(x − x̄)(y − ȳ), la recta ŷ = a + b·x tiene pendiente b = Sxy/Sxx y ordenada en el origen a = ȳ − b·x̄, así que siempre pasa por (x̄, ȳ). El coeficiente de correlación de Pearson r = Sxy/√(Sxx·Syy) está entre −1 y 1; r² es la fracción de la variación de y explicada por la recta.

Regresión por mínimos cuadrados: con x̄ e ȳ las medias, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² y Sxy = Σ(x − x̄)(y − ȳ), la recta ŷ = a + b·x tiene pendiente b = Sxy/Sxx y ordenada en el origen a = ȳ − b·x̄, así que siempre pasa por (x̄, ȳ). El coeficiente de correlación de Pearson r = Sxy/√(Sxx·Syy) está entre −1 y 1; r² es la fracción de la variación de y explicada por la recta.

Pruebas de chi cuadrado: compara las frecuencias observadas O con las frecuencias E esperadas bajo H₀ mediante χ² = Σ(O − E)²/E. Bondad de ajuste: E = n·p para cada categoría, gl = k − 1 (menos uno más por cada parámetro estimado a partir de los datos). Independencia en una tabla r × c: E = total de fila × total de columna / total general, gl = (r − 1)(c − 1). Rechaza H₀ cuando χ² supera el valor crítico para el α elegido.

Pruebas de chi cuadrado: compara las frecuencias observadas O con las frecuencias E esperadas bajo H₀ mediante χ² = Σ(O − E)²/E. Bondad de ajuste: E = n·p para cada categoría, gl = k − 1 (menos uno más por cada parámetro estimado a partir de los datos). Independencia en una tabla r × c: E = total de fila × total de columna / total general, gl = (r − 1)(c − 1). Rechaza H₀ cuando χ² supera el valor crítico para el α elegido.