Métodos de Pesquisa e Estatística em Psicologia: pacote de revisão

Estatística descritiva: a média é a soma a dividir por n; a mediana é o valor central dos dados ordenados (a média dos dois centrais se n for par). O desvio-padrão amostral é s = √(Σ(x − x̄)²/(n − 1)). Uma pontuação z = (x − μ)/σ diz a quantos desvios-padrão da média está um valor.

Estatística descritiva: a média é a soma a dividir por n; a mediana é o valor central dos dados ordenados (a média dos dois centrais se n for par). O desvio-padrão amostral é s = √(Σ(x − x̄)²/(n − 1)). Uma pontuação z = (x − μ)/σ diz a quantos desvios-padrão da média está um valor.

Probabilidades: com resultados equiprováveis, P(A) = favoráveis/possíveis. Para acontecimentos independentes multiplica-se: P(A e B) = P(A)·P(B). O complementar ajuda muitas vezes: P(pelo menos um) = 1 − P(nenhum). Binomial: em n provas independentes com probabilidade de sucesso p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Variáveis aleatórias discretas: uma distribuição de probabilidade lista cada valor x que uma variável pode assumir com sua probabilidade p(x); as probabilidades ficam entre 0 e 1 e somam 1. O valor esperado (média) é E(X) = Σx·p(x), a média de longo prazo. A variância é Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², e o desvio padrão é σ = √Var(X). Para uma mudança linear Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) e σ_Y = |a|·σ_X; somar uma constante não muda a dispersão.

Somas e diferenças de variáveis normais: se X e Y são independentes e normais, X + Y e X − Y também são normais. As médias se somam ou se subtraem: E(X ± Y) = μ_X ± μ_Y. As variâncias sempre se somam, também em uma diferença: Var(X ± Y) = σ_X² + σ_Y², portanto σ = √(σ_X² + σ_Y²). Os desvios padrão nunca se somam diretamente. O total de n itens independentes com a mesma distribuição tem média n·μ e desvio padrão σ·√n. Depois padronize como de costume: z = (x − média)/σ e leia Φ(z).

De uma área de volta a z: Φ(z) é a área à esquerda de z. Para uma área de cauda esquerda A, encontre na tabela o z com Φ(z) = A. Uma área de cauda direita A significa Φ(z) = 1 − A. Uma área central A entre −z e z deixa (1 − A)/2 em cada cauda, então Φ(z) = (1 + A)/2. Para um valor x, use x = μ + zσ.

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.

Intervalo de confiança para uma média: x̄ ± margem de erro. Com σ populacional conhecido, a margem é z·σ/√n; tendo apenas o desvio-padrão amostral s, use t com n − 1 graus de liberdade: t·s/√n. Valores críticos: z = 1,645 (90%), 1,96 (95%), 2,576 (99%). Para obter uma margem E ou menor, você precisa de n ≥ (z·σ/E)², arredondado para cima.

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.

Tamanho de amostra para um teste: para detectar um deslocamento real δ com poder 1 − β em um teste z unilateral ao nível α, o erro-padrão deve satisfazer δ = (z_α + z_β)·σ/√n, então n = ((z_α + z_β)·σ/δ)², arredondado para cima.

Regressão por mínimos quadrados: com x̄ e ȳ as médias, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), a reta ŷ = a + b·x tem inclinação b = Sxy/Sxx e intercepto a = ȳ − b·x̄, então ela sempre passa por (x̄, ȳ). O coeficiente de correlação de Pearson r = Sxy/√(Sxx·Syy) fica entre −1 e 1; r² é a fração da variação de y explicada pela reta.

Regressão por mínimos quadrados: com x̄ e ȳ as médias, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), a reta ŷ = a + b·x tem inclinação b = Sxy/Sxx e intercepto a = ȳ − b·x̄, então ela sempre passa por (x̄, ȳ). O coeficiente de correlação de Pearson r = Sxy/√(Sxx·Syy) fica entre −1 e 1; r² é a fração da variação de y explicada pela reta.

Testes qui-quadrado: compare as frequências observadas O com as frequências E esperadas sob H₀ usando χ² = Σ(O − E)²/E. Aderência: E = n·p para cada categoria, gl = k − 1 (menos um para cada parâmetro estimado a partir dos dados). Independência em uma tabela r × c: E = total da linha × total da coluna / total geral, gl = (r − 1)(c − 1). Rejeite H₀ quando χ² ultrapassar o valor crítico para o α escolhido.

Testes qui-quadrado: compare as frequências observadas O com as frequências E esperadas sob H₀ usando χ² = Σ(O − E)²/E. Aderência: E = n·p para cada categoria, gl = k − 1 (menos um para cada parâmetro estimado a partir dos dados). Independência em uma tabela r × c: E = total da linha × total da coluna / total geral, gl = (r − 1)(c − 1). Rejeite H₀ quando χ² ultrapassar o valor crítico para o α escolhido.