Методы исследования и статистика в психологии: шпаргалка-пакет

Описательная статистика: среднее — сумма, делённая на n; медиана — середина упорядоченных данных (среднее двух средних значений при чётном n). Выборочное стандартное отклонение s = √(Σ(x − x̄)²/(n − 1)). z-оценка z = (x − μ)/σ показывает, на сколько стандартных отклонений значение отстоит от среднего.

Описательная статистика: среднее — сумма, делённая на n; медиана — середина упорядоченных данных (среднее двух средних значений при чётном n). Выборочное стандартное отклонение s = √(Σ(x − x̄)²/(n − 1)). z-оценка z = (x − μ)/σ показывает, на сколько стандартных отклонений значение отстоит от среднего.

Дискретные случайные величины: распределение вероятностей перечисляет все значения x, которые может принять величина, с их вероятностями p(x); вероятности лежат между 0 и 1, а их сумма равна 1. Математическое ожидание (среднее) равно E(X) = Σx·p(x), это долгосрочное среднее значение. Дисперсия равна Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², а стандартное отклонение σ = √Var(X). При линейном преобразовании Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) и σ_Y = |a|·σ_X; прибавление константы не меняет разброс.

Дискретные случайные величины: распределение вероятностей перечисляет все значения x, которые может принять величина, с их вероятностями p(x); вероятности лежат между 0 и 1, а их сумма равна 1. Математическое ожидание (среднее) равно E(X) = Σx·p(x), это долгосрочное среднее значение. Дисперсия равна Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², а стандартное отклонение σ = √Var(X). При линейном преобразовании Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) и σ_Y = |a|·σ_X; прибавление константы не меняет разброс.

Суммы и разности нормальных величин: если X и Y независимы и нормальны, то X + Y и X − Y тоже нормальны. Средние складываются или вычитаются: E(X ± Y) = μ_X ± μ_Y. Дисперсии всегда складываются, в том числе для разности: Var(X ± Y) = σ_X² + σ_Y², поэтому σ = √(σ_X² + σ_Y²). Стандартные отклонения напрямую никогда не складываются. Сумма n независимых элементов с одинаковым распределением имеет среднее n·μ и стандартное отклонение σ·√n. Затем стандартизируйте как обычно: z = (x − среднее)/σ и найдите Φ(z).

Суммы и разности нормальных величин: если X и Y независимы и нормальны, то X + Y и X − Y тоже нормальны. Средние складываются или вычитаются: E(X ± Y) = μ_X ± μ_Y. Дисперсии всегда складываются, в том числе для разности: Var(X ± Y) = σ_X² + σ_Y², поэтому σ = √(σ_X² + σ_Y²). Стандартные отклонения напрямую никогда не складываются. Сумма n независимых элементов с одинаковым распределением имеет среднее n·μ и стандартное отклонение σ·√n. Затем стандартизируйте как обычно: z = (x − среднее)/σ и найдите Φ(z).

Доверительный интервал для среднего: x̄ ± предельная ошибка. При известном σ генеральной совокупности предельная ошибка равна z·σ/√n; если известно только выборочное стандартное отклонение s, используйте t с n − 1 степенями свободы: t·s/√n. Критические значения: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Чтобы предельная ошибка не превышала E, нужен объём выборки n ≥ (z·σ/E)², округлённый вверх.

Доверительный интервал для среднего: x̄ ± предельная ошибка. При известном σ генеральной совокупности предельная ошибка равна z·σ/√n; если известно только выборочное стандартное отклонение s, используйте t с n − 1 степенями свободы: t·s/√n. Критические значения: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Чтобы предельная ошибка не превышала E, нужен объём выборки n ≥ (z·σ/E)², округлённый вверх.

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.

Проверка среднего: статистика критерия показывает, на сколько стандартных ошибок выборочное среднее отстоит от значения из H₀: z = (x̄ − μ₀)/(σ/√n), если σ известно, t = (x̄ − μ₀)/(s/√n), если его оценивают по выборке. Доверительный интервал — x̄ ± (критическое значение)·(стандартная ошибка).

Метод наименьших квадратов: при средних x̄ и ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² и Sxy = Σ(x − x̄)(y − ȳ) прямая ŷ = a + b·x имеет угловой коэффициент b = Sxy/Sxx и свободный член a = ȳ − b·x̄, поэтому она всегда проходит через (x̄, ȳ). Коэффициент корреляции Пирсона r = Sxy/√(Sxx·Syy) лежит между −1 и 1; r² — доля вариации y, объяснённая прямой.

Метод наименьших квадратов: при средних x̄ и ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² и Sxy = Σ(x − x̄)(y − ȳ) прямая ŷ = a + b·x имеет угловой коэффициент b = Sxy/Sxx и свободный член a = ȳ − b·x̄, поэтому она всегда проходит через (x̄, ȳ). Коэффициент корреляции Пирсона r = Sxy/√(Sxx·Syy) лежит между −1 и 1; r² — доля вариации y, объяснённая прямой.

Критерии хи-квадрат: сравнивают наблюдаемые частоты O с частотами E, ожидаемыми при H₀, по формуле χ² = Σ(O − E)²/E. Согласие с распределением: E = n·p для каждой категории, df = k − 1 (и ещё минус один за каждый параметр, оцениваемый по данным). Независимость в таблице r × c: E = итог по строке × итог по столбцу / общий итог, df = (r − 1)(c − 1). Отвергайте H₀, когда χ² превышает критическое значение для выбранного α.

Критерии хи-квадрат: сравнивают наблюдаемые частоты O с частотами E, ожидаемыми при H₀, по формуле χ² = Σ(O − E)²/E. Согласие с распределением: E = n·p для каждой категории, df = k − 1 (и ещё минус один за каждый параметр, оцениваемый по данным). Независимость в таблице r × c: E = итог по строке × итог по столбцу / общий итог, df = (r − 1)(c − 1). Отвергайте H₀, когда χ² превышает критическое значение для выбранного α.