TÈCNIQUES DE RECERCA

Facultat de Psicologia
Universitat de Barcelona

FORMULARI TÈCNIQUES DE RECERCA.

1. Models de Probabilitat en Estadística:

 Distribució binomial:

Funció de probabilitat: f ( x)  p( X  x)  Cnx  x (1   ) n  x

x x
Funció de distribució: F ( x )  p( X  x )   Cnx  x (1   ) n  x
x 0

E ( X )   x  n ·
Var ( X )   x2  n · · (1   )

 Distribució de Poisson:

x e  
Funció de probabilitat: f ( x )  p( X  x ) 
x!
 e  ix x
Funció de distribució: F ( x )  p( X  x )  
i 0 x!
E( X )   x  
Var ( X )   x2  
D( X )   x  

 Distribució normal:

1  x- 
2
1 -  
Funció de densitat: f(x) = e 2  
 2
1  x-  
2
1 x -  
Funció de distribució: F(x) =  - e   dx
2 
 2
x 
Puntuació Tipificada  z  i

1 -
Z2
Funció de densitat: f(x) = e 2
2
1 z z2
- e 2 dz
-
Funció de distribució: F(x) =
2
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

 Distribució khi-quadrat:

1
x   2  / 2 e  x ;x0
2
/2
Funció de densitat: f(x) =  /2
2

1
x   2  / 2 e  x / 2 dx
y
Funció de distribució: F(y) = 
2

0 2  /2
 / 2

 Distribució t de student:

  1 / 2
1  t2 
Funció de densitat: f(t) = 1   ;t 
 1 / 2,  / 2   

Funció de distribució:
1 1  2 2 x 4 x  x  3   2  
F(t) =    cos   cos 3     cos  sen ; per   1 i imparell
2    3 3x5 x  x  2  

1  1 1x3 1x3x  x  3 

F (t )   1  cos 2   cos 4     cos 2  sen
2  2 2 x4 2 x 4 x  x  2 

1
𝜃=
𝑡𝑔(𝑡/√𝜈)

 Distribució F de Snedecor:

1 2 1

Funció de densitat: f(F) =

 1  22
2
 F2
1
;F 0 𝐹 =
𝑋1 /𝜈1
    1  2 𝑋2 /𝜈2
 1 , 2   1 F   2  2
2 2

1 2 1
1
y  12  22 x2
Funció de distribució: F(y) =  dx
0   1  2   x    2 1 2

 ,  1 2
2 2
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

2. Descripció d’una variable qualitativa:

fi
pi 
n

fi
Pi  pi ·100  ·100
n

𝑛𝑚𝑜𝑑𝑎
𝑅𝑉 = 1 −
𝑛
𝑘

𝐷 = 1 − ∑ 𝑝𝑖2
𝑖=1

𝐷
𝐼𝑄𝑉 =
(𝑘 − 1)⁄𝑘

𝑝 𝑛/(𝑛 + 𝑚) 𝑛
𝑜𝑑𝑑𝑠 = = =
1−𝑝 1 − (𝑛/(𝑛 + 𝑚)) 𝑚

𝑁º 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠
𝑃=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑗𝑒𝑐𝑡𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó 𝑒𝑥𝑎𝑚𝑖𝑛𝑎𝑑𝑎

𝑁º 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑛𝑜𝑢𝑠 𝑒𝑛 𝑢𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑑𝑒 𝑡𝑒𝑚𝑝𝑠

𝐼𝐴 =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó 𝑒𝑛 𝑟𝑖𝑠𝑐

3. Descripció d’una variable quantitativa:

 Indicadors d’Ordre o Posició:

Pk  xi  ( j  i ) · ( xi 1  xi )

k (n  1)
on j 
100
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

 Indicadors de Tendència Central:

i n iN

 xi x i
x i 1
 i 1

n N
𝑛
1
𝑀𝑖𝑡𝑗𝑎𝑛𝑎 𝑞𝑢𝑎𝑑𝑟à𝑡𝑖𝑐𝑎 → 𝑄 = ∑ 𝑥𝑖2
𝑛
𝑖=1

1
1 ∑𝑛𝑖=1
𝑥𝑖
𝑀𝑖𝑡𝑗𝑎𝑛𝑎 ℎ𝑎𝑟𝑚ò𝑛𝑖𝑐𝑎 → =
𝐻 𝑛

∑𝑛𝑖=1 log 𝑥𝑖
𝑀𝑖𝑡𝑗𝑎𝑛𝑎 𝑔𝑒𝑜𝑚è𝑡𝑟𝑖𝑐𝑎 → log 𝐺 =
𝑛

(𝑥𝑚𝑖𝑛 + 𝑥𝑚𝑎𝑥 )
𝑀𝑖𝑑𝑅 =
2

Q1  2 · Q2  Q3
Trimitjana 
4

Q1  Q3
Mitjana de quartils  Q 
2

xi( p 251)  ...  xi( p 75)

Mitjana Interquartílica 
ni

 Indicadors de Dispersió:

Rang o Amplitud  x s  xi

Amplitud Interquartílica  IQR  Q3  Q1

IQR Q3  Q1
Amplitud SemiInterquartílica  DQ  
2 2
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

𝑄3 − 𝑄1
𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑅𝑜𝑏𝑢𝑠𝑡𝑜 → 𝐶𝑉𝑅 =
𝑄3 + 𝑄1

Mediana de les desviacions Absolutes  MAD  Md xi  Md

i n

x
i 1
i x
Desviació Mitjana  DM 
n

i n iN

 x i  x
2

SQ x  x i  
2

SQ x
Variància  S 2  i 1
 Variància   2  i 1

n 1 n 1 N N

Desviació Típica  S 2 Desviació Típica   2

S
Coeficient de Variació   ·100
x

 Indicadors de Forma:
Simetría
i n

3  x i  x / n
3

Coeficient de Fisher   1  3
 i 1

S S3

𝑥̅ − 𝑀𝑜
𝑃𝑟𝑖𝑚𝑒𝑟 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑑𝑒 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 → 𝐴𝑠1 =
𝑆

3 (𝑥̅ − 𝑀𝑑)
𝑆𝑒𝑔𝑜𝑛 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑑𝑒 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 → 𝐴𝑠2 =
𝑆

((∑𝑛𝑖=1 𝑥𝑖 − 𝑛̅)3 /𝑛)2

𝑇𝑒𝑟𝑐𝑒𝑟 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑑𝑒 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 → 𝛽1 =
(𝑆 2 )3

𝑄3 + 𝑄1 − 2 · 𝑀𝑑
Í𝑛𝑑𝑒𝑥 𝑑𝑒 𝑌𝑢𝑙𝑒 → 𝐻1 =
2 · 𝑀𝑑
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

𝑃10 + 𝑃90 − 2 · 𝑀𝑑
Í𝑛𝑑𝑒𝑥 𝑑𝑒 𝐾𝑒𝑙𝑙𝑦 → 𝐻3 =
2 · 𝑀𝑑

Kurtosi
i n

 x  x / n
4

4 i 1
i
Apuntament o kurtosi  T2  4
3 3
S S4

𝑃90 − 𝑃10 𝐴𝐶80

Í𝑛𝑑𝑒𝑥 𝐾2 → 𝐾2 = =
1.9 · (𝑃75 − 𝑃25 ) 1.9 · 𝐼𝑄𝑅

4. Descripció conjunta de dues variables qualitatives

 Associació

  fo ij  fe ij 2 
i  k j l
   
2
o 
i 1 j 1  fe ij 


 Grandària de l’efecte: intensitat associació

 k2 n
Chuprov: T  2

 j  1l  1

𝜒2
Phi de Pearson: 𝜙 = √ 𝑛

𝜒2
V de Cramer: 𝑉 = √𝑛 (𝑞−1) ; 𝑜𝑛 𝑞 = min(𝐼, 𝐽)

𝑓11 · 𝑓22
𝑂𝑅 =
𝑓12 · 𝑓21

𝑖=𝐼 𝑖=𝐼
𝜃1 − 𝜃2 𝑓𝑖𝑖
𝐾𝑎𝑝𝑝𝑎 → 𝑘 = ; 𝑜𝑛 𝜃1 = ∑ 𝑖 𝜃2 = ∑ 𝑝𝑖𝑚𝑡 𝑝𝑚𝑖𝑡
1 − 𝜃2 𝑛
𝑖=1 𝑖=1
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

𝑎
𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡𝑎𝑡 =
𝑎+𝑐

𝑑
𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑎𝑡 =
𝑏+𝑑

5. Descripció conjunta de dues variables quantitatives mesurades en escala ordinal:

 Coeficient de Goodman-Kruskall

𝐶−𝐷
𝛾̂ =
𝐶+𝐷

 Coeficient  de Kendall

2 ∑(𝑁𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑠 − 𝐼𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑠)

𝜏=
𝑛 (𝑛 − 1)

6. Descripció conjunta de dues variables quantitatives mesurades com a mínim en escala

d’interval:

i n

 x
i 1
i  x  ·  yi  y 
SPxy
COVARIÀNCI A  S xy  
n 1 n 1


 xy 
 x y 
S xy  n 
Correlació  rxy  
Sx · Sy 
 x 2 
 x  2



 y 2 
 y 2


 n   n 

Coeficient de determinació: r2
 TÈCNIQUES DE RECERCA
Facultat de Psicologia
Universitat de Barcelona

7. Altres coeficients de relació:

 Coeficient de correlació de Spearman

6 ∑ 𝑑𝑖2
𝑟𝑠 = 1 −
(𝑛 + 1) 𝑛 (𝑛 − 1)

6 ∑ 𝑑𝑖2
𝑟𝑠 = 1 −
𝑛 (𝑛2 − 1)

6 ∑(𝑥𝑖 − 𝑦1 )2
𝑟𝑠 = 1 −
𝑛3 − 1
 Biserial-puntual

𝑥̅𝑝 − 𝑥̅𝑞
𝑟𝑏𝑝 = √𝑝 · 𝑞
𝑠𝑥

 Biserial

𝑥̅𝑝 − 𝑥̅𝑞 𝑝 · 𝑞 𝑥̅𝑝 − 𝑥̅ 𝑥 𝑝

𝑟𝑏 = · ; 𝑟𝑏 = ·
𝑠𝑥 𝑦 𝑠𝑥 𝑦

 Coeficient fi

𝛼𝛿− 𝛽𝛾 𝑎𝑑− 𝑏𝑐
𝜑= ; 𝜑=
√𝑝 𝑞 𝑝′ 𝑞 ′ √(𝑎 + 𝑏) (𝑐 + 𝑑) (𝑎 + 𝑐) (𝑏 + 𝑑)

 Coeficient de correlació tetracòrica

(𝑎 𝑑) − (𝑏 𝑐) 180º
𝑟𝑡 = √ ≅ cos
𝑛2 𝑦 𝑦 ′ 𝑎𝑑
1+ √
𝑏𝑐