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.

Variables aléatoires discrètes : une loi de probabilité énumère chaque valeur x que peut prendre la variable avec sa probabilité p(x) ; les probabilités sont comprises entre 0 et 1 et leur somme vaut 1. L’espérance (moyenne) est E(X) = Σx·p(x), la moyenne à long terme. La variance est Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², et l’écart-type σ = √Var(X). Pour un changement linéaire Y = aX + b : E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) et σ_Y = |a|·σ_X ; ajouter une constante ne change pas la dispersion.

Variables aléatoires discrètes : une loi de probabilité énumère chaque valeur x que peut prendre la variable avec sa probabilité p(x) ; les probabilités sont comprises entre 0 et 1 et leur somme vaut 1. L’espérance (moyenne) est E(X) = Σx·p(x), la moyenne à long terme. La variance est Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², et l’écart-type σ = √Var(X). Pour un changement linéaire Y = aX + b : E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) et σ_Y = |a|·σ_X ; ajouter une constante ne change pas la dispersion.

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.

Sommes et différences de variables normales : si X et Y sont indépendantes et normales, X + Y et X − Y sont aussi normales. Les moyennes s’additionnent ou se soustraient : E(X ± Y) = μ_X ± μ_Y. Les variances s’additionnent toujours, même pour une différence : Var(X ± Y) = σ_X² + σ_Y², donc σ = √(σ_X² + σ_Y²). Les écarts-types ne s’additionnent jamais directement. Le total de n éléments indépendants de même loi a pour moyenne n·μ et pour écart-type σ·√n. Centrez et réduisez ensuite comme d’habitude : z = (x − moyenne)/σ et lisez Φ(z).

Intervalle de confiance pour une moyenne : x̄ ± marge d’erreur. Si l’écart-type σ de la population est connu, la marge vaut z·σ/√n ; si l’on ne dispose que de l’écart-type de l’échantillon s, utilisez t à n − 1 degrés de liberté : t·s/√n. Valeurs critiques : z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Pour obtenir une marge E ou moins, il faut n ≥ (z·σ/E)², arrondi à l’entier supérieur.

Intervalle de confiance pour une moyenne : x̄ ± marge d’erreur. Si l’écart-type σ de la population est connu, la marge vaut z·σ/√n ; si l’on ne dispose que de l’écart-type de l’échantillon s, utilisez t à n − 1 degrés de liberté : t·s/√n. Valeurs critiques : z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Pour obtenir une marge E ou moins, il faut n ≥ (z·σ/E)², arrondi à l’entier supérieur.

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.