Prace dyplomowe · Statystyka

Statystyka na psychologii – 10 zadań ze statystyki z rozwiązaniami krok po kroku

Dziesięć zadań ze statystyki jak na kolokwium z psychologii: od średniej i stenów, przez test t, korelację i chi-kwadrat, po ANOVA i regresję. Każde z danymi do policzenia ręcznie, rozwiązaniem krok po kroku, zapisem APA i typowym błędem.

Strona główna / Blog / Zadania ze statystyki
W skrócie: Dziesięć zadań obejmuje typowy materiał kolokwium ze statystyki na psychologii: statystyki opisowe, wynik z i normy, rozkład normalny, przedział ufności, testy t, korelację, χ², ANOVA i regresję. Każde rozwiązanie ma wzór, podstawienie, wynik pośredni, decyzję z wartością krytyczną lub p, zapis APA z wielkością efektu i typowy błąd. Wszystkie liczby sprawdzono w R, a dane do zadań możesz pobrać w pliku CSV.

Zadania ze statystyki na psychologii: jak z nich korzystać

Na kolokwium ze statystyki na psychologii zwykle nie ma komputera. Jest kalkulator, tablice rozkładów i kilka zadań z krótką historyjką: wyniki testu inteligencji, lęk przed egzaminem, terapia przed i po. Poniżej znajdziesz 10 zadań ze statystyki z rozwiązaniami w takim właśnie stylu. Dane są małe (od 8 do 16 osób albo gotowa tabela), więc każde zadanie policzysz ręcznie w kilka minut.

Każde zadanie ma ten sam układ: treść z danymi, rozwiązanie krok po kroku (wzór, podstawienie, wynik pośredni, wynik końcowy i wartość krytyczna albo p), interpretację w stylu APA i jeden typowy błąd. Najpierw spróbuj sam(a), dopiero potem czytaj rozwiązanie. Wyniki zaokrąglamy do dwóch miejsc po kropce, a wszystkie liczby sprawdziliśmy w R (kod na końcu wpisu). Jeśli przy rachunku ręcznym wyjdzie Ci inna ostatnia cyfra, to zwykle skutek wcześniejszego zaokrąglenia, a nie błąd.

Ten wpis to zbiór ćwiczeń. Jeśli chcesz najpierw zobaczyć, jakie analizy pojawiają się w pracach z psychologii i po co psychologowi statystyka, przeczytaj statystykę dla psychologa i statystykę dla psychologów. Wzory i przykłady w zadaniach są standardowe – znajdziesz je w podręcznikach statystyki dla psychologów (King i Minium, 2009; Field, 2018).

Spis zadań: numer, temat psychologiczny i metoda statystyczna
ZadanieHistoryjkaCo liczysz
1lęk przed egzaminem u 8 studentówśrednia, mediana, SD (z n − 1)
2wynik surowy w teście inteligencjiwynik z, skala IQ, sten, centyl
3ilu studentów ma IQ 85–115, a ilu powyżej 130pole pod krzywą normalną
4efekt Stroopa u 10 osób95% przedział ufności dla średniej (t)
5trening relaksacji a lęktest t dla prób niezależnych, d Cohena
6objawy depresji przed terapią i po niejtest t dla prób zależnych, dz
7samoocena a poczucie samotnościkorelacja Pearsona, r², test istotności
8płeć a strategia radzenia sobie ze stresemχ² 2 × 2, liczności oczekiwane, φ
9zapamiętywanie słów w ciszy, przy muzyce i w hałasieANOVA jednoczynnikowa, η², post hoc
10godziny nauki a wynik egzaminuregresja liniowa prosta, przewidywanie, R²

Wartości krytyczne podajemy przy każdym zadaniu, ale warto umieć je odczytać samodzielnie z tablic rozkładów t, χ² i F. Dane do zadań z surowymi wynikami (wszystkie poza 2 i 3) możesz pobrać w jednym pliku: statystyka-psychologia-zadania-dane.csv (format długi: zadanie, osoba, grupa, zmienna, wartość). Plik otworzysz w SPSS, jamovi albo R i sprawdzisz w programie swoje rachunki.

Zadanie 1. Średnia, mediana i odchylenie standardowe

Treść zadania

Ośmiu studentów wypełniło skalę lęku przed egzaminem (wyniki od 10 do 50). Uzyskali: 24, 31, 28, 35, 22, 30, 41, 29. Oblicz średnią, medianę i odchylenie standardowe z próby.

Rozwiązanie krok po kroku

Krok 1. Średnia. Suma wyników wynosi 240, a n = 8.

M = Σx / n = 240 / 8 = 30.00

Krok 2. Mediana. Uporządkuj wyniki: 22, 24, 28, 29, 30, 31, 35, 41. Przy parzystej liczbie wyników mediana to średnia dwóch środkowych: Me = (29 + 30) / 2 = 29.50.

Krok 3. Odchylenia i ich kwadraty. Odejmij średnią od każdego wyniku: −6, 1, −2, 5, −8, 0, 11, −1 (suma odchyleń zawsze wynosi 0 – to dobra kontrola). Kwadraty: 36, 1, 4, 25, 64, 0, 121, 1. Ich suma to SS = 252.

Krok 4. Wariancja i SD. W próbie dzielisz przez n − 1, czyli przez stopnie swobody:

s² = SS / (n − 1) = 252 / 7 = 36.00;   SD = √36 = 6.00

Interpretacja

Studenci uzyskali średnio M = 30.00 punktu (SD = 6.00, Me = 29.50). Średnia i mediana są bliskie, więc jeden wysoki wynik (41) nie przesunął mocno średniej. Więcej o tym, co mówi odchylenie standardowe, przeczytasz w słowniku.

Typowy błąd

Dzielenie przez n zamiast n − 1: daje SD = 5.61 zamiast 6.00, czyli odchylenie populacji, a nie oszacowanie z próby (kalkulatory mają często dwa przyciski: σn i sn−1).

Zadanie 2. Wynik z, skala IQ, sten i centyl

Treść zadania

Studentka uzyskała 52 punkty surowe w teście zdolności poznawczych. W normach testu M = 42, SD = 8. Przelicz jej wynik na wynik z, wynik w skali IQ (M = 100, SD = 15), sten i centyl, zakładając rozkład normalny.

Rozwiązanie krok po kroku

Krok 1. Wynik z (standaryzacja):

z = (x − M) / SD = (52 − 42) / 8 = 1.25

Krok 2. Skala IQ. Każda skala standardowa to M + SD × z: IQ = 100 + 15 × 1.25 = 118.75. Przy okazji wynik tenowy: 50 + 10 × 1.25 = 62.50.

Krok 3. Sten. Skala stenowa ma średnią 5.5 i SD = 2: 5.5 + 2 × 1.25 = 8.00. Po zaokrągleniu i ograniczeniu do zakresu 1–10 – sten 8.

Krok 4. Centyl. Odczytaj z tablicy rozkładu normalnego pole na lewo od z = 1.25: 0.8944. Centyl = 89.44, czyli ok. 89.

Interpretacja

Wynik studentki leży 1.25 odchylenia standardowego powyżej średniej norm. Odpowiada to IQ ok. 119 i stenowi 8 (wynik wysoki); w grupie normalizacyjnej ok. 89% osób ma wynik niższy. W prawdziwym teście korzystaj z tabel norm z podręcznika – wzór to przybliżenie dla rozkładu normalnego.

Typowy błąd

Mylenie centyla z odsetkiem poprawnych odpowiedzi: centyl 89 nie znaczy „89% zadań dobrze”, tylko „lepiej niż ok. 89% grupy odniesienia”.

Zadanie 3. Ile osób mieści się w przedziale rozkładu normalnego

Treść zadania

Wyniki IQ mają rozkład normalny z M = 100 i SD = 15. Jaki odsetek osób ma IQ między 85 a 115, a jaki powyżej 130? Ile takich osób spodziewasz się na roku liczącym 200 studentów (zakładając, że rok nie różni się od populacji)?

Rozwiązanie krok po kroku

Krok 1. Zamień granice na z. 85 → z = −1.00; 115 → z = 1.00; 130 → z = 2.00.

Krok 2. Pole między −1 a 1. Z tablicy: Φ(1) − Φ(−1) = 0.6827, czyli 68.27%. Na 200 osób: 200 × 0.6827 = 136.54, czyli ok. 137 osób.

Krok 3. Pole powyżej 2. 1 − Φ(2) = 0.0228, czyli 2.28%. Na 200 osób: 200 × 0.0228 = 4.55, czyli ok. 5 osób.

Dla wprawy: IQ między 70 a 85 (z od −2 do −1) ma 13.59% osób, czyli 27.18 z 200.

Krzywa normalna wyników IQ o średniej 100 i SD 15 z dodatkową osią wyników z; na niebiesko zacieniowany obszar 85–115 obejmujący 68.27% osób, na czerwono obszar powyżej 130 obejmujący 2.28%; przerywana linia przy IQ 118.75 z zadania 2: z = 1.25, sten 8, centyl 89.44
Rysunek 1. Rozkład normalny IQ z polami z zadania 3 i wynikiem studentki z zadania 2. Górna oś pokazuje te same punkty w jednostkach z. Obliczenia: R (dane z treści zadań).

Interpretacja

W rozkładzie normalnym ok. 68% wyników leży w odległości jednego SD od średniej, a tylko ok. 2% powyżej +2 SD. Na roku z 200 osobami IQ powyżej 130 miałoby więc ok. 5 osób.

Typowy błąd

Odczytanie z tablicy pola na lewo od z = 2 (0.9772) jako odsetka osób powyżej 130 – zawsze naszkicuj krzywą i zaznacz, którą część pola liczysz.

Zadanie 4. Przedział ufności 95% dla średniej

Treść zadania

Dziesięć osób wykonało zadanie Stroopa. Efekt interferencji (czas reakcji w próbach niezgodnych minus zgodnych, w ms) wyniósł: 85, 112, 96, 130, 74, 101, 118, 92, 105, 87. Oblicz 95% przedział ufności dla średniego efektu.

Rozwiązanie krok po kroku

Krok 1. Średnia i SD. M = 100.00 ms, SD = 16.81 ms (licz jak w zadaniu 1).

Krok 2. Błąd standardowy średniej. SE = SD / √n = 16.81 / √10 = 5.32.

Krok 3. Wartość krytyczna t. Przy df = n − 1 = 9 i 95% ufności: tkryt = 2.262.

95% CI = M ± tkryt × SE = 100.00 ± 2.262 × 5.32 = 100.00 ± 12.03 → [87.97, 112.03]

Interpretacja

Średni efekt Stroopa wyniósł M = 100.00 ms, 95% CI [87.97, 112.03]. Przedział nie obejmuje zera, więc dane są zgodne z wyraźną interferencją. Przedział ufności opisuje precyzję oszacowania: przy 10 osobach jego szerokość to ok. 24 ms.

Typowy błąd

Użycie 1.96 z rozkładu normalnego zamiast t przy małej próbie: daje za wąski przedział [89.58, 110.42].

Zadanie 5. Test t dla prób niezależnych i d Cohena

Treść zadania

Ośmiu studentów przeszło trening relaksacji, ośmiu innych było w grupie kontrolnej. Przed sesją zmierzono poziom lęku (wyższy wynik = większy lęk). Trening: 14, 18, 12, 16, 11, 15, 13, 17. Kontrola: 19, 15, 17, 22, 13, 18, 16, 20. Czy grupy różnią się poziomem lęku (α = .05, test dwustronny)? Oblicz d Cohena.

Rozwiązanie krok po kroku

Krok 1. Statystyki opisowe. Trening: M = 14.50, SD = 2.45 (s² = 6.00). Kontrola: M = 17.50, SD = 2.88 (s² = 8.29).

Krok 2. Łączone SD (równe liczebności, więc to pierwiastek ze średniej wariancji):

sp = √[((n1 − 1)s1² + (n2 − 1)s2²) / (n1 + n2 − 2)] = √[(7 × 6.00 + 7 × 8.29) / 14] = 2.67

Krok 3. Statystyka t. Błąd standardowy różnicy: SE = sp × √(1/8 + 1/8) = 1.34.

t = (M2 − M1) / SE = (17.50 − 14.50) / 1.34 = 2.24;   df = 8 + 8 − 2 = 14

Krok 4. Decyzja. tkryt(14) = 2.145. Ponieważ 2.24 > 2.145, odrzucasz H0; dokładnie p = .041.

Krok 5. Wielkość efektu. d = (17.50 − 14.50) / 2.67 = 1.12. Według konwencji Cohena (1992) to efekt duży, ale przy 8 osobach na grupę oszacowanie jest bardzo nieprecyzyjne: 95% CI dla różnicy średnich to [0.13, 5.87].

Wykres punktowy lęku w dwóch grupach po 8 osób: trening relaksacji średnia 14.50 z 95% przedziałem ufności od 12.45 do 16.55, grupa kontrolna średnia 17.50 z przedziałem od 15.09 do 19.91; podpis t(14) = 2.24, p = .041, d = 1.12
Rysunek 2. Wyniki lęku w zadaniu 5: każda osoba, średnie grup i ich 95% przedziały ufności. Rozkłady grup wyraźnie na siebie zachodzą, mimo dużego d. Obliczenia: R (dane z treści zadania).

Interpretacja

Osoby po treningu relaksacji miały niższy poziom lęku (M = 14.50, SD = 2.45) niż osoby z grupy kontrolnej (M = 17.50, SD = 2.88), t(14) = 2.24, p = .041, d = 1.12.

Więcej o tym teście: test t dla prób niezależnych i interpretacja d Cohena. W pracy empirycznej domyślnie wybierz test Welcha, który nie zakłada równych wariancji – tu daje prawie to samo: t(13.65) = 2.24, p = .042.

Typowy błąd

Podanie samego „p < .05” bez średnich, SD i wielkości efektu – Fritz i in. (2012) przejrzeli artykuły z jednego czasopisma psychologicznego z lat 2009–2010 i w dwóch trzecich artykułów z testami t nie znaleźli wielkości efektu.

Zadanie 6. Test t dla prób zależnych (terapia przed i po)

Treść zadania

Ośmiu pacjentów wypełniło skalę objawów depresji przed terapią i po 10 sesjach. Przed: 28, 22, 31, 25, 19, 27, 24, 30. Po: 21, 20, 24, 18, 17, 22, 23, 21 (ta sama kolejność osób). Czy objawy się zmniejszyły? Oblicz dz.

Rozwiązanie krok po kroku

Krok 1. Różnice dla każdej osoby (przed − po): 7, 2, 7, 7, 2, 5, 1, 9.

Krok 2. Średnia i SD różnic. MD = 5.00, SDD = 2.98; SE = 2.98 / √8 = 1.05.

t = MD / (SDD / √n) = 5.00 / 1.05 = 4.75;   df = 8 − 1 = 7

Krok 3. Decyzja. tkryt(7) = 2.365; 4.75 > 2.365, p = .002. 95% CI dla średniej zmiany: [2.51, 7.49].

Krok 4. Wielkość efektu. dz = MD / SDD = 5.00 / 2.98 = 1.68. Lakens (2013) szczegółowo porównuje miary efektu dla schematów wewnątrz- i międzyosobowych: dz uwzględnia korelację między pomiarami, więc nie jest tym samym co d z zadania 5. Zawsze napisz, którą miarę podajesz (zob. wielkość efektu dla prób zależnych).

Wykres przed–po: osiem szarych linii pacjentów, każda opada od pomiaru przed terapią do pomiaru po terapii; czerwona linia średnich od 25.75 do 20.75; podpis: różnice M = 5.00, SD = 2.98, t(7) = 4.75, p = .002, dz = 1.68
Rysunek 3. Wyniki ośmiu pacjentów z zadania 6. Linie łączą pomiary tej samej osoby – właśnie tę informację wykorzystuje test dla prób zależnych. Obliczenia: R (dane z treści zadania).

Interpretacja

Po terapii objawy depresji były niższe (M = 20.75) niż przed nią (M = 25.75), t(7) = 4.75, p = .002, dz = 1.68; średnia zmiana wyniosła 5.00 punktu, 95% CI [2.51, 7.49].

Bez grupy kontrolnej nie wiesz jednak, czy spadek to efekt terapii, czy np. upływu czasu. Szczegóły testu: test t dla prób zależnych.

Typowy błąd

Policzenie testu dla prób niezależnych na danych przed–po: daje t(14) = 3.01, p = .009, bo pomija korelację pomiarów (r = .69) i traktuje te same osoby jak dwie różne grupy.

Zadanie 7. Korelacja Pearsona i jej istotność

Treść zadania

Dziesięciu studentów pierwszego roku wypełniło skalę samooceny i skalę poczucia samotności. Samoocena: 30, 25, 34, 22, 28, 36, 20, 31, 26, 28. Samotność: 36, 44, 35, 42, 41, 37, 40, 39, 45, 41. Oblicz współczynnik korelacji Pearsona, r² i sprawdź istotność (α = .05).

Rozwiązanie krok po kroku

Krok 1. Średnie. MX = 28.00, MY = 40.00.

Krok 2. Sumy z odchyleń. Dla każdej osoby policz odchylenia od średnich, ich iloczyn i kwadraty. Suma iloczynów SP = −99, SSX = 226, SSY = 98.

r = SP / √(SSX × SSY) = −99 / √(226 × 98) = −99 / 148.82 = −.665

Krok 3. Wariancja wspólna. r² = .443, czyli ok. 44% zmienności samotności wiąże się z samooceną.

t = r √(n − 2) / √(1 − r²) = −2.52;   df = 10 − 2 = 8

Krok 4. Decyzja. |−2.52| > tkryt(8) = 2.306, p = .036.

Interpretacja

Samoocena korelowała ujemnie z poczuciem samotności, r(8) = −.67, p = .036, 95% CI [−.91, −.06]: studenci z wyższą samooceną zgłaszali mniejsze poczucie samotności.

Zwróć uwagę na przedział ufności: przy 10 osobach prawdziwa korelacja może być zarówno bardzo silna, jak i bliska zera. Więcej: korelacja Pearsona.

Typowy błąd

Wniosek „niska samoocena powoduje samotność” – z korelacji nie wynika kierunek ani przyczyna; samotność może obniżać samoocenę albo obie zależeć od trzeciej zmiennej (zob. korelacja a przyczynowość).

Zadanie 8. Test chi-kwadrat 2 × 2 i współczynnik φ

Treść zadania

W grupie 60 studentów sprawdzono dominującą strategię radzenia sobie ze stresem przed sesją. Wśród 30 kobiet 12 wybierało strategię zadaniową, a 18 – emocjonalną. Wśród 30 mężczyzn 20 – zadaniową, a 10 – emocjonalną. Czy strategia zależy od płci? Oblicz φ.

Rozwiązanie krok po kroku

Krok 1. Liczności oczekiwane (przy braku związku): E = suma wiersza × suma kolumny / N. Strategia zadaniowa: 30 × 32 / 60 = 16; emocjonalna: 30 × 28 / 60 = 14 (tak samo w obu wierszach). Wszystkie E ≥ 5, więc test χ² jest odpowiedni.

Liczności obserwowane i oczekiwane w zadaniu 8
PłećZadaniowa: O (E)Emocjonalna: O (E)Razem
Kobiety12 (16)18 (14)30
Mężczyźni20 (16)10 (14)30
Razem322860

Krok 2. Składniki (O − E)² / E: 16/16 = 1.000 i 16/14 = 1.143, po dwa razy.

χ² = Σ (O − E)² / E = 1.000 + 1.143 + 1.000 + 1.143 = 4.29;   df = (2 − 1)(2 − 1) = 1

Krok 3. Decyzja. χ²kryt(1) = 3.84; 4.29 > 3.84, p = .038.

Krok 4. Siła związku. φ = √(χ² / N) = √(4.29 / 60) = .27.

Interpretacja

Strategia radzenia sobie ze stresem wiązała się z płcią, χ²(1, N = 60) = 4.29, p = .038, φ = .27: strategię zadaniową wybierało 66.67% mężczyzn i 40.00% kobiet.

Więcej o teście: test chi-kwadrat niezależności, współczynnik φ i dłuższy przykład w poradniku test chi-kwadrat krok po kroku.

Typowy błąd

Nieświadome porównanie z programem, który dla tabeli 2 × 2 domyślnie stosuje poprawkę Yatesa (tak robi R): wtedy χ² = 3.28, p = .070 – zawsze napisz, którą wersję testu liczysz.

Zadanie 9. ANOVA jednoczynnikowa dla trzech grup

Treść zadania

Piętnaście osób uczyło się listy 20 słów w jednym z trzech warunków (po 5 osób). Liczba zapamiętanych słów: cisza – 12, 15, 10, 14, 9; muzyka – 17, 13, 16, 18, 11; hałas – 9, 12, 7, 13, 9. Czy warunek wpływa na zapamiętywanie? Wypełnij tabelę ANOVA i oblicz η².

Rozwiązanie krok po kroku

Krok 1. Średnie. Cisza: 12.00, muzyka: 15.00, hałas: 10.00; średnia ogólna: 12.33.

Krok 2. Suma kwadratów między grupami:

SSB = Σ nj(Mj − M)² = 5[(12.00 − 12.33)² + (15.00 − 12.33)² + (10.00 − 12.33)²] = 63.33

Krok 3. Suma kwadratów wewnątrz grup. W każdej grupie zsumuj kwadraty odchyleń od średniej grupy: 26 + 34 + 24 = 84.00.

Krok 4. Tabela ANOVA.

Tabela ANOVA dla zadania 9
ŹródłoSSdfMSF
Między grupami63.33231.674.52
Wewnątrz grup84.00127.00
Ogółem147.3314

Krok 5. Decyzja i efekt. Fkryt(2, 12) = 3.89; 4.52 > 3.89, p = .034. η² = SSB / SST = 63.33 / 147.33 = .43. Lakens (2013) przypomina, że η² to oszacowanie z próby obciążone w górę – przy tak małej próbie traktuj je ostrożnie (zob. eta kwadrat).

Krok 6. Post hoc. Istotne F mówi tylko, że jakieś średnie się różnią. Test Tukeya pokazuje, że różni się tylko para muzyka–hałas (różnica 5 słów, p = .028); cisza nie różni się istotnie ani od muzyki (p = .213), ani od hałasu (p = .478).

Interpretacja

Warunek uczenia się różnicował liczbę zapamiętanych słów, F(2, 12) = 4.52, p = .034, η² = .43. Test Tukeya wykazał, że osoby uczące się przy muzyce (M = 15.00) zapamiętały więcej słów niż osoby uczące się w hałasie (M = 10.00), p = .028.

Pełny przykład z założeniami znajdziesz w poradniku ANOVA krok po kroku, a wzór tabeli w artykule – w haśle tabela APA dla ANOVA.

Typowy błąd

Zamiast jednej ANOVA trzy testy t dla każdej pary grup – każdy test dokłada ryzyko błędu I rodzaju, więc łączne ryzyko jest większe niż .05.

Zadanie 10. Regresja liniowa prosta i przewidywanie

Treść zadania

Ośmiu studentów podało liczbę godzin nauki w tygodniu przed egzaminem i uzyskało punkty (0–30). Godziny: 2, 4, 5, 7, 8, 10, 11, 13. Punkty: 14, 12, 20, 17, 24, 21, 27, 25. Wyznacz równanie regresji, przewidź wynik osoby, która uczy się 6 godzin, i oblicz R².

Rozwiązanie krok po kroku

Krok 1. Średnie i sumy. MX = 7.50, MY = 20.00; SP = 119, SSX = 98, SSY = 200 (liczysz jak w zadaniu 7).

b = SP / SSX = 119 / 98 = 1.214;   a = MY − b × MX = 20.00 − 1.214 × 7.50 = 10.893

Krok 2. Równanie i przewidywanie. ŷ = 10.89 + 1.21 × godziny. Dla 6 godzin: ŷ = 10.893 + 1.214 × 6 = 18.18 punktu.

Krok 3. Dopasowanie. R² = SP² / (SSX × SSY) = 119² / (98 × 200) = .72. Test nachylenia: t(6) = 3.95, p = .008 (w regresji prostej to ten sam test co F(1, 6) = 15.62).

Wykres rozrzutu ośmiu studentów: godziny nauki od 2 do 13 i punkty z egzaminu od 12 do 27, z niebieską linią regresji y = 10.89 + 1.21 razy godziny, R² = .72; czerwony punkt dla 6 godzin z przewidywanym wynikiem 18.18 punktu
Rysunek 4. Linia regresji z zadania 10 i przewidywanie dla 6 godzin nauki (przerywane linie). Odległości punktów od linii to reszty, których nie wyjaśnia model. Obliczenia: R (dane z treści zadania).

Interpretacja

Liczba godzin nauki przewidywała wynik egzaminu, b = 1.21, t(6) = 3.95, p = .008, R² = .72: każda dodatkowa godzina nauki wiązała się ze średnio o 1.21 punktu wyższym wynikiem.

Stała a = 10.89 to przewidywany wynik osoby, która w ogóle się nie uczyła – ma sens tylko wtedy, gdy zero leży blisko zakresu danych. Więcej: regresja liniowa.

Typowy błąd

Przewidywanie poza zakresem danych: dla 30 godzin równanie daje 47.32 punktu, choć maksimum egzaminu to 30.

Jak wybrać test do zadania: krótka ściąga

Na kolokwium najwięcej punktów traci się nie na rachunkach, tylko na wyborze metody. Zanim zaczniesz liczyć, odpowiedz na trzy pytania: ile jest zmiennych, na jakiej skali są mierzone i czy grupy są niezależne (różne osoby), czy zależne (te same osoby dwa razy).

Ściąga: sytuacja w zadaniu, właściwa metoda i wielkość efektu
Sytuacja w treści zadaniaMetodaWielkość efektu
Opis jednej zmiennej ilościowejM, Me, SD; przedział ufności dla średniej–
Pozycja osoby względem normwynik z, skale standardowe, pole pod krzywą normalną–
Dwie niezależne grupy, wynik ilościowytest t dla prób niezależnych (w pracy: Welch)d Cohena
Te same osoby zmierzone dwa razytest t dla prób zależnychdz
Trzy i więcej niezależnych grupANOVA jednoczynnikowa + post hocη²
Dwie zmienne ilościowe, pytanie o związekkorelacja Pearsonar, r²
Przewidywanie jednej zmiennej z drugiejregresja liniowaR²
Dwie zmienne jakościowe (kategorie)test χ² niezależnościφ (2 × 2) lub V Craméra

Pełniejszy schemat, z testami nieparametrycznymi i modelami dla wielu zmiennych, znajdziesz we wpisie jaki test statystyczny do jakiej hipotezy. Pamiętaj też, że wartość p nie mówi, jak duży jest efekt – dlatego w każdym zadaniu podaliśmy osobno wielkość efektu, zgodnie z zaleceniami stylu APA (American Psychological Association, 2020).

Jeśli po kolokwium przychodzi czas na własne badanie do pracy dyplomowej, a dane są większe niż w tych zadaniach, możesz skorzystać z konsultacji analizy statystycznej dla studentów – pomożemy dobrać metodę i wyjaśnimy wyniki tak, żebyś umiał(a) je samodzielnie opisać.

Przykład reprodukowalny

Sprawdź wyniki w R: kod i wynik

Dwa przepisy liczą wszystkie liczby z rozwiązań na danych wpisanych w kod (bez losowania). Każde zadanie jest policzone dwa razy: najpierw wzorem, tak jak na kartce, potem gotową funkcją R jako kontrola. Rysunki i plik CSV powstały w osobnym skrypcie, który wczytuje dane z tych przepisów.

Zadania 1–4: statystyki opisowe, wynik z, sten, centyl i przedział ufności

Dane wejściowe: liczby z treści zadań 1–4 wpisane w kod; tylko funkcje bazowego R (pnorm, qt, t.test).

Co odczytać: wyniki pośrednie (suma kwadratów odchyleń, SE, tkryt) i końcowe każdego zadania oraz linie „Błąd”, które pokazują wynik typowej pomyłki.

R
# B375 – zadania 1–4: statystyki opisowe, wynik z, sten, centyl, rozkład normalny, przedział ufności
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R.
z2 <- function(x) formatC(x, format = "f", digits = 2)   # zapis z 2 miejscami po kropce

# Zadanie 1. Lęk przed egzaminem (8 studentów, wynik 10–50)
lek <- c(24, 31, 28, 35, 22, 30, 41, 29)
n <- length(lek); M <- sum(lek) / n
odch <- lek - M
cat("Zadanie 1\n")
cat("Suma =", sum(lek), "; n =", n, "; M =", z2(M), "\n")
cat("Odchylenia od średniej:", odch, "\n")
cat("Kwadraty odchyleń:", odch^2, "; suma kwadratów SS =", sum(odch^2), "\n")
cat("Wariancja (n - 1) =", z2(sum(odch^2) / (n - 1)), "; SD =", z2(sqrt(sum(odch^2) / (n - 1))), "\n")
cat("Kontrola: mean =", z2(mean(lek)), "; median =", z2(median(lek)), "; sd =", z2(sd(lek)), "\n")
cat("Uporządkowane:", sort(lek), "\n")
cat("Błąd: SD liczone z n zamiast n - 1 =", z2(sqrt(sum(odch^2) / n)), "\n\n")

# Zadanie 2. Wynik surowy 52 pkt w teście o normach M = 42, SD = 8
x <- 52; Mn <- 42; SDn <- 8
z <- (x - Mn) / SDn
sten <- min(10, max(1, round(5.5 + 2 * z)))
cat("Zadanie 2\n")
cat("z =", z2(z), "\n")
cat("Wynik w skali IQ (M = 100, SD = 15) =", z2(100 + 15 * z), "\n")
cat("Wynik tenowy (M = 50, SD = 10) =", z2(50 + 10 * z), "\n")
cat("5.5 + 2z =", z2(5.5 + 2 * z), "; sten =", sten, "\n")
cat("Centyl = 100 * pnorm(z) =", z2(100 * pnorm(z)), "\n\n")

# Zadanie 3. Odsetki osób w przedziałach IQ (M = 100, SD = 15) i liczba osób w grupie 200 studentów
cat("Zadanie 3\n")
p_85_115 <- pnorm(115, 100, 15) - pnorm(85, 100, 15)
p_130 <- 1 - pnorm(130, 100, 15)
p_70_85 <- pnorm(85, 100, 15) - pnorm(70, 100, 15)
cat("z dla 85, 115, 130, 70:", z2((c(85, 115, 130, 70) - 100) / 15), "\n")
cat("P(85 < IQ < 115) =", z2(100 * p_85_115), "%; oczekiwana liczba z 200 =", z2(200 * p_85_115), "\n")
cat("P(IQ > 130)      =", z2(100 * p_130), "%; oczekiwana liczba z 200 =", z2(200 * p_130), "\n")
cat("P(70 < IQ < 85)  =", z2(100 * p_70_85), "%; oczekiwana liczba z 200 =", z2(200 * p_70_85), "\n\n")

# Zadanie 4. Efekt Stroopa: różnica czasu reakcji (ms) u 10 osób, 95% przedział ufności dla średniej
stroop <- c(85, 112, 96, 130, 74, 101, 118, 92, 105, 87)
n4 <- length(stroop); M4 <- mean(stroop); SD4 <- sd(stroop)
SE4 <- SD4 / sqrt(n4); tkr <- qt(0.975, df = n4 - 1)
cat("Zadanie 4\n")
cat("n =", n4, "; M =", z2(M4), "; SD =", z2(SD4), "; SE =", z2(SE4), "\n")
cat("t krytyczne (df = 9, 95%) =", formatC(tkr, format = "f", digits = 3), "; margines błędu =", z2(tkr * SE4), "\n")
cat("95% CI = [", z2(M4 - tkr * SE4), ",", z2(M4 + tkr * SE4), "]\n")
cat("Kontrola t.test():", z2(t.test(stroop)$conf.int), "\n")
cat("Błąd: z = 1.96 zamiast t daje [", z2(M4 - 1.96 * SE4), ",", z2(M4 + 1.96 * SE4), "]\n")
Wynik w R
Zadanie 1
Suma = 240 ; n = 8 ; M = 30.00 
Odchylenia od średniej: -6 1 -2 5 -8 0 11 -1 
Kwadraty odchyleń: 36 1 4 25 64 0 121 1 ; suma kwadratów SS = 252 
Wariancja (n - 1) = 36.00 ; SD = 6.00 
Kontrola: mean = 30.00 ; median = 29.50 ; sd = 6.00 
Uporządkowane: 22 24 28 29 30 31 35 41 
Błąd: SD liczone z n zamiast n - 1 = 5.61 

Zadanie 2
z = 1.25 
Wynik w skali IQ (M = 100, SD = 15) = 118.75 
Wynik tenowy (M = 50, SD = 10) = 62.50 
5.5 + 2z = 8.00 ; sten = 8 
Centyl = 100 * pnorm(z) = 89.44 

Zadanie 3
z dla 85, 115, 130, 70: -1.00 1.00 2.00 -2.00 
P(85 < IQ < 115) = 68.27 %; oczekiwana liczba z 200 = 136.54 
P(IQ > 130)      = 2.28 %; oczekiwana liczba z 200 = 4.55 
P(70 < IQ < 85)  = 13.59 %; oczekiwana liczba z 200 = 27.18 

Zadanie 4
n = 10 ; M = 100.00 ; SD = 16.81 ; SE = 5.32 
t krytyczne (df = 9, 95%) = 2.262 ; margines błędu = 12.03 
95% CI = [ 87.97 , 112.03 ]
Kontrola t.test(): 87.97 112.03 
Błąd: z = 1.96 zamiast t daje [ 89.58 , 110.42 ]

Zadania 5–10: testy t, korelacja, chi-kwadrat, ANOVA i regresja

Dane wejściowe: liczby z treści zadań 5–10 wpisane w kod; funkcje pakietu stats (t.test, cor.test, chisq.test, aov, TukeyHSD, lm).

Co odczytać: statystyki testów z rachunku ręcznego i z funkcji R (powinny być identyczne), wartości krytyczne, p, wielkości efektu i tabelę ANOVA.

R
# B375 – zadania 5–10: test t (niezależny i zależny), korelacja Pearsona, chi-kwadrat, ANOVA, regresja
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R (stats).
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x) sub("^(-?)0\\.", "\\1.", z3(x))   # bez zera przed kropką (p, r, R², φ, η²)

# Zadanie 5. Lęk po treningu relaksacji (n = 8) i w grupie kontrolnej (n = 8)
relaks <- c(14, 18, 12, 16, 11, 15, 13, 17)
kontrola <- c(19, 15, 17, 22, 13, 18, 16, 20)
n1 <- length(relaks); n2 <- length(kontrola)
sp <- sqrt(((n1 - 1) * var(relaks) + (n2 - 1) * var(kontrola)) / (n1 + n2 - 2))
t5 <- (mean(kontrola) - mean(relaks)) / (sp * sqrt(1 / n1 + 1 / n2))
cat("Zadanie 5\n")
cat("M relaks =", z2(mean(relaks)), "; SD =", z2(sd(relaks)), "| M kontrola =", z2(mean(kontrola)), "; SD =", z2(sd(kontrola)), "\n")
cat("Wariancje:", z2(var(relaks)), z2(var(kontrola)), "; SD łączone =", z2(sp), "; SE różnicy =", z2(sp * sqrt(1 / n1 + 1 / n2)), "\n")
cat("t(", n1 + n2 - 2, ") =", z2(t5), "; t krytyczne =", z3(qt(0.975, n1 + n2 - 2)), "; p =", bz(2 * pt(-abs(t5), n1 + n2 - 2)), "\n")
cat("d Cohena =", z2((mean(kontrola) - mean(relaks)) / sp), "\n")
tt5 <- t.test(kontrola, relaks, var.equal = TRUE)
cat("Kontrola t.test(): t =", z2(tt5$statistic), "; p =", bz(tt5$p.value), "; 95% CI różnicy [", z2(tt5$conf.int), "]\n")
w5 <- t.test(kontrola, relaks)
cat("Test Welcha: t(", z2(w5$parameter), ") =", z2(w5$statistic), "; p =", bz(w5$p.value), "\n\n")

# Zadanie 6. Objawy depresji przed terapią i po niej (te same 8 osób)
przed <- c(28, 22, 31, 25, 19, 27, 24, 30)
po    <- c(21, 20, 24, 18, 17, 22, 23, 21)
roz <- przed - po
t6 <- mean(roz) / (sd(roz) / sqrt(length(roz)))
cat("Zadanie 6\n")
cat("Różnice przed - po:", roz, "\n")
cat("M przed =", z2(mean(przed)), "; M po =", z2(mean(po)), "; M różnic =", z2(mean(roz)), "; SD różnic =", z2(sd(roz)),
    "; SE =", z2(sd(roz) / sqrt(length(roz))), "\n")
cat("t(", length(roz) - 1, ") =", z2(t6), "; t krytyczne =", z3(qt(0.975, length(roz) - 1)), "; p =", bz(2 * pt(-abs(t6), length(roz) - 1)), "\n")
cat("d_z =", z2(mean(roz) / sd(roz)), "\n")
tt6 <- t.test(przed, po, paired = TRUE)
cat("Kontrola t.test(paired): t =", z2(tt6$statistic), "; p =", bz(tt6$p.value), "; 95% CI [", z2(tt6$conf.int), "]\n")
bl6 <- t.test(przed, po, var.equal = TRUE)
cat("Błąd – test dla prób niezależnych: t(14) =", z2(bl6$statistic), "; p =", bz(bl6$p.value), "\n")
cat("Korelacja przed–po: r =", bz(cor(przed, po)), "\n\n")

# Zadanie 7. Samoocena i poczucie samotności (10 studentów)
samoocena <- c(30, 25, 34, 22, 28, 36, 20, 31, 26, 28)
samotnosc <- c(36, 44, 35, 42, 41, 37, 40, 39, 45, 41)
dx <- samoocena - mean(samoocena); dy <- samotnosc - mean(samotnosc)
r <- sum(dx * dy) / sqrt(sum(dx^2) * sum(dy^2))
t7 <- r * sqrt(length(dx) - 2) / sqrt(1 - r^2)
cat("Zadanie 7\n")
cat("M samoocena =", z2(mean(samoocena)), "; M samotność =", z2(mean(samotnosc)), "\n")
cat("Suma iloczynów odchyleń SP =", sum(dx * dy), "; SSx =", sum(dx^2), "; SSy =", sum(dy^2),
    "; pierwiastek z SSx * SSy =", z2(sqrt(sum(dx^2) * sum(dy^2))), "\n")
cat("r =", bz(r), "; r^2 =", bz(r^2), "; t(", length(dx) - 2, ") =", z2(t7), "; t krytyczne =", z3(qt(0.975, length(dx) - 2)), "\n")
ct7 <- cor.test(samoocena, samotnosc)
cat("Kontrola cor.test(): r =", bz(ct7$estimate), "; p =", bz(ct7$p.value), "; 95% CI [", z2(ct7$conf.int), "]\n\n")

# Zadanie 8. Płeć a dominująca strategia radzenia sobie ze stresem (N = 60)
tab <- matrix(c(12, 20, 18, 10), nrow = 2,
              dimnames = list(plec = c("kobiety", "mężczyźni"), strategia = c("zadaniowa", "emocjonalna")))
E <- outer(rowSums(tab), colSums(tab)) / sum(tab)
skladniki <- (tab - E)^2 / E
chi <- sum(skladniki)
cat("Zadanie 8\n"); print(tab)
cat("Liczności oczekiwane:\n"); print(E)
cat("Składniki (O - E)^2 / E:\n"); print(round(skladniki, 3))
cat("chi^2(1) =", z2(chi), "; chi^2 krytyczne =", z2(qchisq(0.95, 1)), "; p =", bz(pchisq(chi, 1, lower.tail = FALSE)), "\n")
cat("phi =", bz(sqrt(chi / sum(tab))), "\n")
cat("Odsetek strategii zadaniowej: kobiety =", z2(100 * tab[1, 1] / sum(tab[1, ])), "%; mężczyźni =", z2(100 * tab[2, 1] / sum(tab[2, ])), "%\n")
ch8 <- chisq.test(tab, correct = FALSE)
cat("Kontrola chisq.test(correct = FALSE): chi^2 =", z2(ch8$statistic), "; p =", bz(ch8$p.value), "\n")
ch8y <- chisq.test(tab)
cat("Z poprawką Yatesa (domyślnie w R dla 2 x 2): chi^2 =", z2(ch8y$statistic), "; p =", bz(ch8y$p.value), "\n\n")

# Zadanie 9. Liczba zapamiętanych słów w trzech warunkach (po 5 osób)
slowa <- c(12, 15, 10, 14, 9,    # cisza
           17, 13, 16, 18, 11,   # muzyka
           9, 12, 7, 13, 9)      # hałas
warunek <- factor(rep(c("cisza", "muzyka", "hałas"), each = 5), levels = c("cisza", "muzyka", "hałas"))
Mg <- tapply(slowa, warunek, mean); Mc <- mean(slowa); ng <- tapply(slowa, warunek, length)
SSb <- sum(ng * (Mg - Mc)^2); SSw <- sum((slowa - Mg[warunek])^2); SSt <- sum((slowa - Mc)^2)
dfb <- nlevels(warunek) - 1; dfw <- length(slowa) - nlevels(warunek)
F9 <- (SSb / dfb) / (SSw / dfw)
cat("Zadanie 9\n")
cat("Średnie w grupach:", paste(names(Mg), z2(Mg)), "; średnia ogólna =", z2(Mc), "\n")
cat("SS wewnątrz w grupach:", tapply((slowa - Mg[warunek])^2, warunek, sum), "\n")
tabela <- data.frame(zrodlo = c("między grupami", "wewnątrz grup", "ogółem"),
                     SS = round(c(SSb, SSw, SSt), 2), df = c(dfb, dfw, dfb + dfw),
                     MS = c(round(c(SSb / dfb, SSw / dfw), 2), NA),
                     F = c(round(F9, 2), NA, NA))
print(tabela, row.names = FALSE)
cat("F krytyczne (2, 12) =", z2(qf(0.95, dfb, dfw)), "; p =", bz(pf(F9, dfb, dfw, lower.tail = FALSE)), "; eta^2 =", bz(SSb / SSt), "\n")
m9 <- aov(slowa ~ warunek)
print(summary(m9))
print(TukeyHSD(m9), digits = 3)
cat("\n")

# Zadanie 10. Godziny nauki a wynik egzaminu (punkty 0–30), 8 studentów
godziny <- c(2, 4, 5, 7, 8, 10, 11, 13)
punkty  <- c(14, 12, 20, 17, 24, 21, 27, 25)
dx <- godziny - mean(godziny); dy <- punkty - mean(punkty)
b <- sum(dx * dy) / sum(dx^2); a <- mean(punkty) - b * mean(godziny)
cat("Zadanie 10\n")
cat("M godziny =", z2(mean(godziny)), "; M punkty =", z2(mean(punkty)), "; SP =", sum(dx * dy), "; SSx =", sum(dx^2), "; SSy =", sum(dy^2), "\n")
cat("b =", z3(b), "; a =", z3(a), "; przewidywanie dla 6 godzin =", z2(a + b * 6), "\n")
cat("R^2 =", bz(sum(dx * dy)^2 / (sum(dx^2) * sum(dy^2))), "\n")
m10 <- lm(punkty ~ godziny)
print(round(summary(m10)$coefficients, 3))
cat("Kontrola lm(): R^2 =", bz(summary(m10)$r.squared), "; F(1, 6) =", z2(summary(m10)$fstatistic[1]),
    "; przewidywanie predict() =", z2(predict(m10, data.frame(godziny = 6))), "\n")
cat("Ekstrapolacja (30 godzin) =", z2(predict(m10, data.frame(godziny = 30))), "\n")
Wynik w R
Zadanie 5
M relaks = 14.50 ; SD = 2.45 | M kontrola = 17.50 ; SD = 2.88 
Wariancje: 6.00 8.29 ; SD łączone = 2.67 ; SE różnicy = 1.34 
t( 14 ) = 2.24 ; t krytyczne = 2.145 ; p = .041 
d Cohena = 1.12 
Kontrola t.test(): t = 2.24 ; p = .041 ; 95% CI różnicy [ 0.13 5.87 ]
Test Welcha: t( 13.65 ) = 2.24 ; p = .042 

Zadanie 6
Różnice przed - po: 7 2 7 7 2 5 1 9 
M przed = 25.75 ; M po = 20.75 ; M różnic = 5.00 ; SD różnic = 2.98 ; SE = 1.05 
t( 7 ) = 4.75 ; t krytyczne = 2.365 ; p = .002 
d_z = 1.68 
Kontrola t.test(paired): t = 4.75 ; p = .002 ; 95% CI [ 2.51 7.49 ]
Błąd – test dla prób niezależnych: t(14) = 3.01 ; p = .009 
Korelacja przed–po: r = .688 

Zadanie 7
M samoocena = 28.00 ; M samotność = 40.00 
Suma iloczynów odchyleń SP = -99 ; SSx = 226 ; SSy = 98 ; pierwiastek z SSx * SSy = 148.82 
r = -.665 ; r^2 = .443 ; t( 8 ) = -2.52 ; t krytyczne = 2.306 
Kontrola cor.test(): r = -.665 ; p = .036 ; 95% CI [ -0.91 -0.06 ]

Zadanie 8
           strategia
plec        zadaniowa emocjonalna
  kobiety          12          18
  mężczyźni        20          10
Liczności oczekiwane:
          zadaniowa emocjonalna
kobiety          16          14
mężczyźni        16          14
Składniki (O - E)^2 / E:
           strategia
plec        zadaniowa emocjonalna
  kobiety           1       1.143
  mężczyźni         1       1.143
chi^2(1) = 4.29 ; chi^2 krytyczne = 3.84 ; p = .038 
phi = .267 
Odsetek strategii zadaniowej: kobiety = 40.00 %; mężczyźni = 66.67 %
Kontrola chisq.test(correct = FALSE): chi^2 = 4.29 ; p = .038 
Z poprawką Yatesa (domyślnie w R dla 2 x 2): chi^2 = 3.28 ; p = .070 

Zadanie 9
Średnie w grupach: cisza 12.00 muzyka 15.00 hałas 10.00 ; średnia ogólna = 12.33 
SS wewnątrz w grupach: 26 34 24 
         zrodlo     SS df    MS    F
 między grupami  63.33  2 31.67 4.52
  wewnątrz grup  84.00 12  7.00   NA
         ogółem 147.33 14    NA   NA
F krytyczne (2, 12) = 3.89 ; p = .034 ; eta^2 = .430 
            Df Sum Sq Mean Sq F value Pr(>F)  
warunek      2  63.33   31.67   4.524 0.0343 *
Residuals   12  84.00    7.00                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = slowa ~ warunek)

$warunek
             diff   lwr    upr p adj
muzyka-cisza    3 -1.46  7.464 0.213
hałas-cisza    -2 -6.46  2.464 0.478
hałas-muzyka   -5 -9.46 -0.536 0.028


Zadanie 10
M godziny = 7.50 ; M punkty = 20.00 ; SP = 119 ; SSx = 98 ; SSy = 200 
b = 1.214 ; a = 10.893 ; przewidywanie dla 6 godzin = 18.18 
R^2 = .723 
            Estimate Std. Error t value Pr(>|t|)
(Intercept)   10.893      2.543   4.284    0.005
godziny        1.214      0.307   3.952    0.008
Kontrola lm(): R^2 = .723 ; F(1, 6) = 15.62 ; przewidywanie predict() = 18.18 
Ekstrapolacja (30 godzin) = 47.32 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  4. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Jakie zadania ze statystyki są na kolokwium na psychologii?

Najczęściej: statystyki opisowe (średnia, mediana, SD), przeliczanie wyników surowych na z, steny i centyle, pola pod krzywą normalną, przedział ufności, test t dla prób niezależnych i zależnych, korelacja Pearsona, test χ², ANOVA jednoczynnikowa i regresja prosta. Zakres zależy od uczelni, więc porównaj go z sylabusem przedmiotu.

Czy na kolokwium ze statystyki liczy się SD z n czy z n − 1?

Gdy opisujesz próbę i wnioskujesz o populacji, dziel sumę kwadratów odchyleń przez n − 1. W zadaniu 1 daje to SD = 6.00, a dzielenie przez n – 5.61. Na kalkulatorze wybierz przycisk oznaczony s lub σn−1.

Skąd wziąć wartość krytyczną t, χ² i F na kolokwium?

Z tablic rozkładów: dla t potrzebujesz liczby stopni swobody i poziomu α (dwustronnie), dla χ² – df = (wiersze − 1)(kolumny − 1), dla F – dwóch liczb stopni swobody. Na przykład tkryt(14) = 2.145, χ²kryt(1) = 3.84, Fkryt(2, 12) = 3.89 przy α = .05.

Jak zapisać wynik zadania ze statystyki w stylu APA?

Podaj statystykę z liczbą stopni swobody, dokładne p do trzech miejsc i wielkość efektu, np. t(14) = 2.24, p = .041, d = 1.12. Przed wynikiem testu podaj średnie i SD grup, a p, r i η² zapisuj bez zera przed kropką.

Jak sprawdzić, czy dobrze rozwiązałem zadanie ze statystyki?

Wpisz dane do programu (R, SPSS, jamovi) i porównaj wynik z rachunkiem ręcznym. Drobne różnice na ostatnim miejscu po kropce wynikają zwykle z zaokrągleń w trakcie liczenia. Większe różnice oznaczają najczęściej zły test (np. niezależny zamiast zależnego) albo pomyłkę w n − 1.

Powiązane hasła

Przeczytaj też

Poradnik

Zadania ze statystyki z rozwiązaniami

Wszystkie zbiory zadań w jednym miejscu: tabela działów, poziomów i kierunków, dziewięć przykładowych zadań, ściąga wyboru testu i najczęstsze błędy.

Czytaj →
Poradnik

Statystyka dla psychologa

Analizy w pracy dyplomowej z psychologii: typowe projekty, wynik kwestionariusza, alfa i omega, normy i steny, eksperyment i raport APA – z danymi i kodem R.

Czytaj →
Poradnik

Test chi-kwadrat krok po kroku

Test zgodności i niezależności na jednym badaniu: odsetki, liczebności oczekiwane, reszty, V Craméra, test Fishera i gotowy opis APA.

Czytaj →
Poradnik

ANOVA krok po kroku

Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.

Czytaj →
Poradnik

Statystyka opisowa – zadania z rozwiązaniami

Dziewięć zadań jak na kolokwium: szeregi rozdzielcze, średnia ważona, mediana i kwartyle ze wzoru interpolacyjnego, wariancja, CV, skośność i reguła 1.5 IQR.

Czytaj →
Poradnik

Prawdopodobieństwo i rozkłady – zadania

Dziesięć zadań jak na kolokwium: prawdopodobieństwo warunkowe, wartość oczekiwana, rozkład dwumianowy, Poissona i normalny, CTG – z rozwiązaniami krok po kroku.

Czytaj →
Poradnik

Estymacja i testowanie hipotez – zadania

Dziesięć zadań jak na kolokwium: przedziały ufności (z, t, Wilson), liczebność próby, testy dla średniej i proporcji, test jednostronny, błąd II rodzaju i moc.

Czytaj →
Poradnik

Korelacja i regresja – zadania z rozwiązaniami

Dziesięć zadań: kowariancja, Pearson i Spearman, metoda najmniejszych kwadratów, R², przedział predykcji, reszty, punkt wpływowy, regresja wieloraka i kwartet Anscombe’a.

Czytaj →
Poradnik

Testy nieparametryczne – zadania

Dziesięć zadań jak na kolokwium: Mann–Whitney, test znaków, Wilcoxon, Kruskal–Wallis z Dunnem, Friedman i Spearman – z rangami i rozwiązaniami krok po kroku.

Czytaj →
Poradnik

Statystyka medyczna – zadania z rozwiązaniami

Dziesięć zadań dla pielęgniarstwa i kierunków medycznych: RR, OR, NNT, czułość i PPV, Fisher, McNemar, zapadalność, Kaplan–Meier i Wilcoxon – krok po kroku.

Czytaj →
Poradnik

Pytania na egzamin ze statystyki

66 krótkich pytań z odpowiedziami w 9 działach – od skal pomiarowych i SD po wartość p, moc, wybór testu, regresję i pytania „wyjaśnij różnicę”.

Czytaj →

Masz własne dane do pracy i nie wiesz, który test wybrać?

Pomożemy dobrać analizę do hipotez, sprawdzimy obliczenia w R lub SPSS i wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
  2. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  3. Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
  4. Fritz, C. O., Morris, P. E., & Richler, J. J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2–18. https://doi.org/10.1037/a0024338
  5. King, B. M., & Minium, E. W. (2009). Statystyka dla psychologów i pedagogów. Wydawnictwo Naukowe PWN.
  6. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863 ● Otwarty dostęp

Cytowania BibTeX

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}
@article{cohen1992power, author={Cohen, Jacob}, title={{A power primer}}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}
@book{field2018discovering, author={Field, Andy}, title={{Discovering statistics using IBM SPSS Statistics}}, year={2018}, edition={5th}, publisher={SAGE}}
@article{fritz2012effect, author={Fritz, Catherine O. and Morris, Peter E. and Richler, Jennifer J.}, title={{Effect size estimates: Current use, calculations, and interpretation}}, journal={Journal of Experimental Psychology: General}, year={2012}, volume={141}, number={1}, pages={2--18}, doi={10.1037/a0024338}}
@book{king2009statystyka, author={King, Bruce M. and Minium, Edward W.}, title={{Statystyka dla psychologów i pedagogów}}, year={2009}, publisher={Wydawnictwo Naukowe PWN}}
@article{lakens2013calculating, author={Lakens, Daniël}, title={{Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs}}, journal={Frontiers in Psychology}, year={2013}, volume={4}, eid={863}, doi={10.3389/fpsyg.2013.00863}}
R