Metodologia della ricerca e statistica per la psicologia: pacchetto last-minute

Statistica descrittiva: la media è la somma divisa per n; la mediana è il valore centrale dei dati ordinati (la media dei due centrali se n è pari). La deviazione standard campionaria è s = √(Σ(x − x̄)²/(n − 1)). Un punteggio z = (x − μ)/σ dice a quante deviazioni standard dalla media si trova un valore.

Statistica descrittiva: la media è la somma divisa per n; la mediana è il valore centrale dei dati ordinati (la media dei due centrali se n è pari). La deviazione standard campionaria è s = √(Σ(x − x̄)²/(n − 1)). Un punteggio z = (x − μ)/σ dice a quante deviazioni standard dalla media si trova un valore.

Variabili aleatorie discrete: una distribuzione di probabilità elenca ogni valore x che una variabile può assumere con la sua probabilità p(x); le probabilità sono comprese tra 0 e 1 e sommano a 1. Il valore atteso (media) è E(X) = Σx·p(x), la media a lungo termine. La varianza è Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², e la deviazione standard è σ = √Var(X). Per una trasformazione lineare Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) e σ_Y = |a|·σ_X; aggiungere una costante non cambia la dispersione.

Variabili aleatorie discrete: una distribuzione di probabilità elenca ogni valore x che una variabile può assumere con la sua probabilità p(x); le probabilità sono comprese tra 0 e 1 e sommano a 1. Il valore atteso (media) è E(X) = Σx·p(x), la media a lungo termine. La varianza è Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², e la deviazione standard è σ = √Var(X). Per una trasformazione lineare Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) e σ_Y = |a|·σ_X; aggiungere una costante non cambia la dispersione.

Somme e differenze di variabili normali: se X e Y sono indipendenti e normali, anche X + Y e X − Y sono normali. Le medie si sommano o si sottraggono: E(X ± Y) = μ_X ± μ_Y. Le varianze si sommano sempre, anche per una differenza: Var(X ± Y) = σ_X² + σ_Y², quindi σ = √(σ_X² + σ_Y²). Le deviazioni standard non si sommano mai direttamente. Il totale di n elementi indipendenti con la stessa distribuzione ha media n·μ e deviazione standard σ·√n. Poi standardizza come al solito: z = (x − media)/σ e leggi Φ(z).

Somme e differenze di variabili normali: se X e Y sono indipendenti e normali, anche X + Y e X − Y sono normali. Le medie si sommano o si sottraggono: E(X ± Y) = μ_X ± μ_Y. Le varianze si sommano sempre, anche per una differenza: Var(X ± Y) = σ_X² + σ_Y², quindi σ = √(σ_X² + σ_Y²). Le deviazioni standard non si sommano mai direttamente. Il totale di n elementi indipendenti con la stessa distribuzione ha media n·μ e deviazione standard σ·√n. Poi standardizza come al solito: z = (x − media)/σ e leggi Φ(z).

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.

Intervallo di confidenza per una media: x̄ ± margine di errore. Con σ della popolazione nota il margine è z·σ/√n; se hai solo la deviazione standard campionaria s, usa t con n − 1 gradi di libertà: t·s/√n. Valori critici: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Per ottenere un margine pari a E o inferiore serve n ≥ (z·σ/E)², arrotondato per eccesso.

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.

Potenza di un test: la potenza = 1 − β è la probabilità di rifiutare H₀ quando è falsa. Trova la soglia x̄c da μ₀ e z_α, poi calcola la probabilità di cadere oltre x̄c usando la media vera: z = (x̄c − μ)/(σ/√n).

Regressione ai minimi quadrati: con x̄ e ȳ le medie, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), la retta ŷ = a + b·x ha pendenza b = Sxy/Sxx e intercetta a = ȳ − b·x̄, quindi passa sempre per (x̄, ȳ). Il coefficiente di correlazione di Pearson r = Sxy/√(Sxx·Syy) è compreso tra −1 e 1; r² è la frazione della variabilità di y spiegata dalla retta.

Regressione ai minimi quadrati: con x̄ e ȳ le medie, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), la retta ŷ = a + b·x ha pendenza b = Sxy/Sxx e intercetta a = ȳ − b·x̄, quindi passa sempre per (x̄, ȳ). Il coefficiente di correlazione di Pearson r = Sxy/√(Sxx·Syy) è compreso tra −1 e 1; r² è la frazione della variabilità di y spiegata dalla retta.

Test chi quadrato: confronta le frequenze osservate O con le frequenze E attese sotto H₀ usando χ² = Σ(O − E)²/E. Bontà dell’adattamento: E = n·p per ogni categoria, gl = k − 1 (meno uno in più per ogni parametro stimato dai dati). Indipendenza in una tabella r × c: E = totale di riga × totale di colonna / totale generale, gl = (r − 1)(c − 1). Rifiuta H₀ quando χ² supera il valore critico per l’α scelto.

Test chi quadrato: confronta le frequenze osservate O con le frequenze E attese sotto H₀ usando χ² = Σ(O − E)²/E. Bontà dell’adattamento: E = n·p per ogni categoria, gl = k − 1 (meno uno in più per ogni parametro stimato dai dati). Indipendenza in una tabella r × c: E = totale di riga × totale di colonna / totale generale, gl = (r − 1)(c − 1). Rifiuta H₀ quando χ² supera il valore critico per l’α scelto.