Méthodologie de la recherche et statistiques en psychologie : pack de révision

Statistique descriptive : la moyenne est la somme divisée par n ; la médiane est la valeur du milieu des données triées (la moyenne des deux valeurs du milieu si n est pair). L'écart-type d'échantillon est s = √(Σ(x − x̄)²/(n − 1)). Un score z = (x − μ)/σ indique à combien d'écarts-types une valeur se trouve de la moyenne.

Statistique descriptive : la moyenne est la somme divisée par n ; la médiane est la valeur du milieu des données triées (la moyenne des deux valeurs du milieu si n est pair). L'écart-type d'échantillon est s = √(Σ(x − x̄)²/(n − 1)). Un score z = (x − μ)/σ indique à combien d'écarts-types une valeur se trouve de la moyenne.

Probabilités : avec des issues équiprobables, P(A) = cas favorables/cas possibles. Pour des événements indépendants, on multiplie : P(A et B) = P(A)·P(B). Le complémentaire aide souvent : P(au moins un) = 1 − P(aucun). Loi binomiale : pour n épreuves indépendantes de probabilité de succès p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Probabilités : avec des issues équiprobables, P(A) = cas favorables/cas possibles. Pour des événements indépendants, on multiplie : P(A et B) = P(A)·P(B). Le complémentaire aide souvent : P(au moins un) = 1 − P(aucun). Loi binomiale : pour n épreuves indépendantes de probabilité de succès p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

D’une aire à z : Φ(z) est l’aire à gauche de z. Pour une aire A de la queue gauche, trouvez dans la table le z tel que Φ(z) = A. Une aire A de la queue droite signifie Φ(z) = 1 − A. Une aire centrale A entre −z et z laisse (1 − A)/2 dans chaque queue, donc Φ(z) = (1 + A)/2. Pour une valeur x, utilisez x = μ + zσ.

Loi normale : transformez une valeur x en score z, z = (x − μ)/σ, qui compte le nombre d’écarts-types par rapport à la moyenne. Une table de z (ou Φ(z)) donne l’aire à gauche de z, c’est-à-dire P(X < x). L’aire à droite vaut 1 − Φ(z), et l’aire entre deux valeurs est la différence de leurs deux aires.

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.

Intervalle pour une variance : (n − 1)s²/σ² suit une loi du χ² à n − 1 degrés de liberté. L’intervalle à 95 % pour σ² va de (n − 1)s² divisé par la valeur supérieure du χ² (2,5 % au-dessus) à (n − 1)s² divisé par la valeur inférieure du χ² (2,5 % en dessous) ; l’intervalle pour σ est la racine carrée des deux bornes. Il n’est pas symétrique autour de s.

Test sur une moyenne : la statistique de test mesure à combien d'erreurs types la moyenne de l'échantillon se trouve de la valeur affirmée dans H₀ : z = (x̄ − μ₀)/(σ/√n) quand σ est connu, t = (x̄ − μ₀)/(s/√n) quand il est estimé sur l'échantillon. Un intervalle de confiance vaut x̄ ± (valeur critique)·(erreur type).

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.

Régression par les moindres carrés : avec x̄ et ȳ les moyennes, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² et Sxy = Σ(x − x̄)(y − ȳ), la droite ŷ = a + b·x a pour pente b = Sxy/Sxx et pour ordonnée à l’origine a = ȳ − b·x̄ ; elle passe donc toujours par (x̄, ȳ). Le coefficient de corrélation de Pearson r = Sxy/√(Sxx·Syy) est compris entre −1 et 1 ; r² est la part de la variation de y expliquée par la droite.

Régression par les moindres carrés : avec x̄ et ȳ les moyennes, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² et Sxy = Σ(x − x̄)(y − ȳ), la droite ŷ = a + b·x a pour pente b = Sxy/Sxx et pour ordonnée à l’origine a = ȳ − b·x̄ ; elle passe donc toujours par (x̄, ȳ). Le coefficient de corrélation de Pearson r = Sxy/√(Sxx·Syy) est compris entre −1 et 1 ; r² est la part de la variation de y expliquée par la droite.

Tests du khi-deux : comparez les effectifs observés O aux effectifs E attendus sous H₀ avec χ² = Σ(O − E)²/E. Ajustement : E = n·p pour chaque catégorie, df = k − 1 (moins un de plus pour chaque paramètre estimé à partir des données). Indépendance dans un tableau r × c : E = total de la ligne × total de la colonne / total général, df = (r − 1)(c − 1). Rejetez H₀ lorsque χ² dépasse la valeur critique pour le α choisi.

Tests du khi-deux : comparez les effectifs observés O aux effectifs E attendus sous H₀ avec χ² = Σ(O − E)²/E. Ajustement : E = n·p pour chaque catégorie, df = k − 1 (moins un de plus pour chaque paramètre estimé à partir des données). Indépendance dans un tableau r × c : E = total de la ligne × total de la colonne / total général, df = (r − 1)(c − 1). Rejetez H₀ lorsque χ² dépasse la valeur critique pour le α choisi.