PSICOMETRIA 9CFU PASCA 1-40

Come esito di una prova sperimentale svolta per verificare un'ipotesi si può ottenere che. l'ipotesi risulti definitivamente dimostrata falsa. la decisione raggiunta sia priva di qualsiasi margine di errore. l'ipotesi risulti definitivamente confermata. l'ipotesi risulti supportata oppure non supportata dai dati.

Quando si traggono conclusioni attraverso una prova sperimentale, gli errori decisionali: possono assumere soltanto la forma di falsi negativi. non possono verificarsi se la ricerca è stata condotta correttamente. possono assumere soltanto la forma di falsi positivi. possono assumere la forma di falsi positivi o falsi negativi.

Se un esame del sangue effettuato su un uomo indicasse la presenza di una gravidanza in atto, ci troveremmo di fronte a un: falso positivo. falso negativo. risultato correttamente negativo. risultato correttamente positivo.

Se una donna al nono mese di gravidanza non risultasse positiva a un test di gravidanza, ci troveremmo di fronte a un: risultato correttamente positivo. falso negativo. risultato correttamente negativo. falso positivo.

Se il p-value ottenuto mediante un test statistico è uguale o superiore al livello di significatività α = 0.05: l'ipotesi nulla H₀ non viene falsificata. l'ipotesi nulla H₀ viene falsificata. l'ipotesi nulla H₀ viene confermata. l'ipotesi alternativa H₁ viene confermata.

La potenza statistica dipende: dal numero di variabili inserite nel dataset. esclusivamente dalla numerosità campionaria. esclusivamente dal livello di significatività adottato. dalla numerosità campionaria, dalla variabilità dei dati e dalla dimensione dell'effetto considerata rilevante.

In termini di errori decisionali, la potenza statistica corrisponde: a β, ossia alla probabilità di non falsificare H₀ quando H₀ è falsa. a 1 - β, ossia al complemento della probabilità di errore di II tipo. ad α, ossia alla probabilità di falsificare H₀ quando H₀ è vera. a 1 - α, ossia alla probabilità di non commettere un errore di I tipo.

La probabilità di falsificare correttamente l'ipotesi nulla H₀ quando essa è falsa è definita: probabilità di errore di II tipo β. errore standard. potenza statistica. livello di significatività α.

Se il p-value ottenuto mediante un test statistico è inferiore al livello di significatività α = 0.05: l'ipotesi alternativa H₁ viene falsificata. l'ipotesi nulla H₀ viene confermata. l'ipotesi nulla H₀ viene falsificata. l'ipotesi nulla H₀ non viene falsificata.

Nella teoria fisheriana, l'ipotesi nulla H₀: ipotizza l'assenza di differenze dovute a un trattamento. stabilisce l'ampiezza della differenza osservata. dimostra che il trattamento è inefficace. ipotizza la presenza di differenze dovute a un trattamento.

Nella teoria fisheriana, l'ipotesi alternativa H₁: stabilisce il livello di significatività dello studio. dimostra che l'ipotesi nulla H₀ è falsa. ipotizza l'assenza di differenze dovute a un trattamento. ipotizza la presenza di differenze dovute a un trattamento.

La logica della teoria fisheriana della verifica delle ipotesi prende avvio dall'individuazione: dell'ipotesi nulla H₀. dell'ipotesi alternativa H₁. della statistica descrittiva da applicare. della numerosità definitiva del campione.

La probabilità di commettere un errore di I tipo è rappresentata: dall'errore standard. dalla potenza statistica 1 - β. dalla probabilità di errore di II tipo β. dal livello di significatività α.

Una caratteristica è definita costante quando: non può essere rilevata mediante una procedura di misurazione. può essere descritta esclusivamente mediante valori numerici. assume lo stesso valore per tutte le unità di analisi considerate. assume almeno due valori diversi nell'insieme di osservazioni.

Una caratteristica è definita variabile quando: assume lo stesso valore per tutte le unità di analisi. non può essere sottoposta a misurazione. può essere descritta esclusivamente mediante categorie qualitative. assume valori diversi all'interno dell'insieme di osservazioni.

Una scala di misura costituita da numeri disposti in modo da riflettere una graduatoria è detta: nominale. a intervalli equivalenti. ordinale. a rapporti equivalenti.

La grandezza di una casa espressa in metri quadrati è misurata su scala: nominale. a rapporti equivalenti. a intervalli equivalenti. ordinale.

Una scala di misura in cui i numeri rappresentano la distanza da uno zero assoluto non arbitrario è detta: a rapporti equivalenti. a intervalli equivalenti. ordinale. nominale.

Una scala di misura in cui la differenza tra i punteggi indica l'ampiezza dell'intervallo che li separa è detta: nominale. ordinale. a intervalli equivalenti. a classificazione categoriale.

La variabile "Paese di origine", con modalità "Italia", "altro Paese europeo" e "altro Paese extraeuropeo", è misurata su scala: a intervalli equivalenti. ordinale. a rapporti equivalenti. nominale.

Nella scala di misura nominale, le categorie: prevedono intervalli costanti tra una categoria e l'altra. indicano una quantità, ma non possono essere ordinate. non possono essere ordinate e non indicano una quantità. possono essere ordinate, ma non indicano una quantità.

La scala di misura nominale: è di tipo quantitativo e consente il calcolo delle distanze tra i valori. è utilizzata esclusivamente per rappresentare i punteggi ottenuti ai test. è di tipo qualitativo ed è finalizzata alla classificazione dei casi. prevede un ordinamento gerarchico tra le categorie.

La scala di misura ordinale: permette di ordinare i valori dal minore al maggiore o viceversa. colloca i casi in categorie prive di qualsiasi ordinamento. consente di interpretare i rapporti tra i valori. prevede intervalli costanti tra i valori.

La scala di misura caratterizzata da intervalli della stessa ampiezza e dall'assenza di uno zero assoluto è detta: a rapporti equivalenti. nominale. ordinale. a intervalli equivalenti.

La scala di misura caratterizzata da intervalli della stessa ampiezza e dalla presenza di uno zero assoluto è detta: a rapporti equivalenti. a intervalli equivalenti. ordinale. nominale.

Le scale di misura previste dalla teoria della misura formale sono: nominale, ordinale, a intervalli equivalenti e a rapporti equivalenti. nominale, descrittiva, inferenziale e a rapporti equivalenti. nominale, quantitativa, continua e discreta. qualitativa, ordinale, sperimentale e correlazionale.

Con il termine dati grezzi si indicano: i dati trasformati in frequenze percentuali. i risultati già organizzati mediante indici di tendenza centrale. le sole informazioni raccolte attraverso strumenti psicometrici standardizzati. le informazioni ottenute immediatamente dopo la raccolta, prima di qualsiasi elaborazione statistica.

In una tabella contenente i dati raccolti su un campione, generalmente: ogni riga riporta una statistica descrittiva e ogni colonna una frequenza. ogni riga corrisponde a un gruppo e ogni colonna a un indice di dispersione. ogni riga corrisponde a un soggetto e ogni colonna rappresenta una variabile. ogni riga rappresenta una variabile e ogni colonna corrisponde a un soggetto.

La scelta degli strumenti da utilizzare per descrivere i dati dipende principalmente: dal numero complessivo delle analisi previste nella ricerca. dalla numerosità delle variabili presenti nel dataset. dall'ordine in cui i soggetti sono stati inseriti nella tabella. dal tipo di dati e dal livello di misurazione della variabile.

Per descrivere una variabile nominale risultano appropriati: unicamente gli indici di tendenza centrale. una tabella di frequenza e un grafico a barre o un grafico a torta. un grafico basato sulla distanza numerica tra le categorie. un istogramma e il raggruppamento dei punteggi in intervalli.

Quando una variabile quantitativa presenta numerosi valori distinti, per ottenere una rappresentazione più chiara è possibile: raggruppare i punteggi in classi di valori adiacenti e rappresentarne la distribuzione mediante un istogramma. trasformare i punteggi in categorie nominali prive di ordinamento. eliminare i valori meno frequenti prima di costruire il grafico. rappresentare ogni valore mediante una porzione di un grafico a torta.

La frequenza cumulata può essere calcolata quando: la variabile presenta una sola modalità. le categorie della variabile sono nominali e prive di ordinamento. le modalità della variabile possono essere disposte secondo un ordine. le frequenze assolute non sono disponibili.

Le frequenze possono essere calcolate per variabili misurate su scala: esclusivamente nominale. nominale, ordinale, a intervalli equivalenti o a rapporti equivalenti. esclusivamente a intervalli equivalenti. esclusivamente ordinale.

La frequenza corrisponde: alla variabilità complessiva dei dati osservati. alla differenza tra il valore più alto e il valore più basso. al valore numerico assunto dalla variabile nel campione. al numero di unità statistiche in cui compare una determinata modalità di una variabile.

Per una variabile quantitativa è possibile calcolare: soltanto le frequenze assolute. soltanto le frequenze cumulate. le frequenze assolute, relative, percentuali e cumulate. soltanto le frequenze percentuali.

La somma di tutte le frequenze assolute è uguale: alla numerosità complessiva del campione. alla mediana del campione. alla media del campione. alla varianza del campione.

Il numero di volte in cui si presenta un punteggio o una modalità di risposta è definito: range. varianza. media. frequenza.

La frequenza percentuale di una modalità si ottiene: dividendo la frequenza assoluta per la numerosità del campione e moltiplicando il risultato per 100. dividendo la numerosità del campione per la frequenza assoluta. sommando la frequenza assoluta alle frequenze delle modalità precedenti. sottraendo la frequenza assoluta dalla numerosità del campione.

Per rappresentare graficamente una variabile qualitativa o nominale sono appropriati: il grafico a barre e il grafico a torta. esclusivamente il grafico delle frequenze cumulate. l'istogramma e il grafico a torta. esclusivamente l'istogramma.

In quale situazione è appropriato utilizzare un istogramma invece di un grafico a barre?. quando si rappresentano categorie nominali prive di ordinamento. quando si rappresenta la distribuzione di una variabile quantitativa. quando i codici numerici svolgono esclusivamente la funzione di etichette. quando si vuole mostrare la composizione percentuale di una variabile nominale.

Rispetto al grafico a torta, il grafico a barre consente generalmente: una visualizzazione basata esclusivamente sulla composizione percentuale del campione. un confronto più preciso tra categorie caratterizzate da frequenze simili. una rappresentazione più appropriata degli intervalli contigui di una scala numerica. una rappresentazione in cui l'ampiezza delle porzioni è proporzionale alla frequenza.

Il grafico a torta risulta particolarmente appropriato quando: si vuole evidenziare la composizione percentuale di un insieme costituito da poche categorie. si vuole mostrare la distanza numerica tra i punteggi osservati. si vogliono confrontare con precisione numerose categorie con frequenze simili. si rappresentano intervalli contigui di una variabile quantitativa.

Quale caratteristica distingue il grafico a barre dall'istogramma?. nel grafico a barre le frequenze sono espresse esclusivamente in percentuale, mentre nell'istogramma sono espresse esclusivamente in valori assoluti. nel grafico a barre le barre sono adiacenti perché rappresentano valori quantitativi, mentre nell'istogramma sono separate perché rappresentano categorie nominali. nel grafico a barre le barre sono separate perché rappresentano categorie distinte, mentre nell'istogramma sono adiacenti perché rappresentano intervalli contigui di una scala numerica. nel grafico a barre l'area complessiva rappresenta sempre il totale del campione, mentre nell'istogramma ogni barra rappresenta una categoria qualitativa.

Per descrivere in modo più completo una distribuzione è necessario considerare congiuntamente: la posizione centrale e la variabilità dei punteggi. la numerosità del campione e il livello di significatività. esclusivamente il valore medio dei punteggi. esclusivamente il valore minimo e il valore massimo.

Gli indici numerici utilizzati per descrivere i dati si suddividono principalmente in: indici di tendenza centrale e indici di dispersione. indici campionari e indici sperimentali. indici di frequenza e indici di significatività. indici nominali e indici ordinali.

Un indice numerico utilizzato nella descrizione dei dati: rappresenta tutti i singoli punteggi presenti nella distribuzione. fornisce sempre una descrizione completa della variabile. riassume una specifica caratteristica della distribuzione senza sostituirne la descrizione completa. elimina la necessità di osservare la distribuzione dei dati.

La media è un indice di: tendenza centrale. dispersione. frequenza. significatività.

La moda è un indice di: significatività. dispersione. frequenza. tendenza centrale.

La mediana è un indice di: significatività. dispersione. tendenza centrale. frequenza.

Due distribuzioni che presentano lo stesso valore medio: devono presentare necessariamente la stessa dispersione. non possono essere confrontate mediante indici numerici. possono differire per il grado di variabilità dei punteggi. devono contenere gli stessi punteggi individuali.

Gli indici di tendenza centrale forniscono un'indicazione: del numero di osservazioni presenti nel campione. del valore tipico attorno al quale i punteggi tendono a concentrarsi. del grado in cui i punteggi differiscono tra loro. dell'ampiezza complessiva dell'intervallo dei punteggi.

La media aritmetica, considerata da sola: consente di individuare direttamente tutti i valori estremi. sintetizza il livello generale dei punteggi, ma non descrive la loro dispersione. descrive sia il centro sia la dispersione completa dei punteggi. indica la distanza tra il valore minimo e il valore massimo.

Nella distribuzione "7, 15, 12, 12, 7, 4, 10. 9, 12, 11", la moda è: 7. 11. 10. 12.

La moda può essere calcolata per variabili: esclusivamente quantitative. esclusivamente quantitative continue. esclusivamente qualitative. sia qualitative sia quantitative.

La media aritmetica può essere calcolata per variabili: con funzione esclusivamente identificativa. quantitative. qualitative nominali. categoriali non ordinate.

Il punteggio o la categoria che compare con maggiore frequenza in una distribuzione è: la media. la moda. la varianza. la mediana.

Nella distribuzione di frequenze "3: 1; 4: 2; 5: 3; 6: 1; 7: 3; 8: 1": la moda è 3 e la distribuzione è unimodale. la distribuzione non presenta alcuna moda. le mode sono 5 e 7 e la distribuzione è bimodale. la moda è 1 e la distribuzione è unimodale.

Il valore della media aritmetica: deve coincidere con il valore più frequente. coincide necessariamente con il punteggio centrale. può non coincidere con nessuno dei valori osservati nella distribuzione. deve essere sempre presente tra i punteggi osservati.

La media aritmetica: utilizza tutti i valori della distribuzione ed è influenzata dai valori estremi. dipende esclusivamente dal punteggio che compare con maggiore frequenza. utilizza soltanto il valore minimo e il valore massimo. non è influenzata dai punteggi particolarmente elevati o bassi.

La media aritmetica può essere interpretata come: il valore che compare con maggiore frequenza nella distribuzione. il punteggio che occupa la posizione centrale nella distribuzione ordinata. la differenza tra il punteggio massimo e il punteggio minimo. il valore che si otterrebbe distribuendo in parti uguali la somma totale dei punteggi tra tutte le osservazioni.

Dividendo la somma di tutti i punteggi per il numero totale delle osservazioni si ottiene: la moda. la mediana. la media aritmetica. la varianza.

Quando il numero delle osservazioni è pari, la mediana si ottiene: scegliendo il minore dei due punteggi centrali. scegliendo il maggiore dei due punteggi centrali. calcolando la media tra il valore minimo e il valore massimo. calcolando la media aritmetica dei due punteggi centrali.

Quando il numero delle osservazioni è dispari, la mediana corrisponde: al punteggio che compare con maggiore frequenza. al punteggio che occupa la posizione centrale nella distribuzione ordinata. alla media tra il valore minimo e il valore massimo. alla media aritmetica dei due punteggi centrali.

La mediana lascia: il 75% delle osservazioni al di sotto e il 25% al di sopra. la maggior parte delle osservazioni al di sopra del valore centrale. il 50% delle osservazioni al di sotto o uguali e il 50% al di sopra o uguali. il 25% delle osservazioni al di sotto e il 75% al di sopra.

Per individuare la mediana è necessario: sottrarre il valore minimo dal valore massimo. calcolare la somma di tutti i punteggi. ordinare i punteggi della distribuzione. individuare il punteggio più frequente.

La mediana è: il valore che compare con maggiore frequenza nella distribuzione. la differenza tra il punteggio massimo e il punteggio minimo. la somma dei punteggi divisa per il loro numero. il valore che divide in due parti uguali una distribuzione ordinata.

Nella distribuzione ordinata "3, 5, 7, 8, 10", la mediana è: 6.6. 8. 5. 7.

Quando i dati sono numerosi e organizzati in una tabella di frequenza, la mediana può essere individuata utilizzando: la moda e le frequenze percentuali. la posizione mediana e le frequenze cumulate. il range e le frequenze assolute. la media e le frequenze relative.

La mediana è definita un indice robusto perché: aumenta necessariamente in presenza di valori estremi. dipende dalla posizione ordinata dei punteggi ed è poco influenzata dai valori estremi. utilizza tutti gli scarti dei punteggi rispetto alla media. dipende dalla distanza tra il valore minimo e il valore massimo.

La deviazione media è: la somma dei punteggi divisa per il loro numero. la media degli scarti dalla media considerati in valore assoluto. la media degli scarti dalla media elevati al quadrato. la differenza tra il valore massimo e il valore minimo.

Il range: si calcola sottraendo il valore minimo dal valore massimo. tutte le alternative. è molto influenzato dai valori estremi. considera soltanto i valori estremi della distribuzione.

Se la varianza di una distribuzione aumenta significa che: diminuisce necessariamente il numero delle osservazioni. i punteggi diventano più simili tra loro. aumenta la dispersione dei punteggi attorno alla media. aumenta necessariamente la media della distribuzione.

La varianza è espressa: nella stessa unità di misura della variabile. senza alcuna unità di misura. nell'unità di misura al quadrato della variabile. come percentuale della media.

Rispetto alla deviazione media, la varianza ha la caratteristica di: non dipendere dalla media della distribuzione. ignorare i punteggi più lontani dalla media. considerare soltanto il valore minimo e il valore massimo. attribuire maggiore peso agli scarti più grandi.

La somma degli scarti dalla media elevati al quadrato prende il nome di: range. varianza. deviazione media. devianza.

L'elevazione al quadrato degli scarti dalla media consente di: evitare che gli scarti positivi e negativi si annullino. ridurre il peso degli scarti più grandi. rendere la varianza uguale alla media. escludere i valori estremi dalla distribuzione.

La varianza: è un indice di dispersione. considera tutti i punteggi della distribuzione. è la media degli scarti dalla media elevati al quadrato. tutte le alternative.

Nella distribuzione "4, 6, 8, 9, 15", il range è: 9. 19. 15. 11.

L'intervallo dal punteggio più grande al punteggio più piccolo di una variabile è: la deviazione media. il range. la varianza. la mediana.

Nel calcolo della deviazione media, gli scarti dalla media: sono sommati mantenendo il loro segno. sono considerati in valore assoluto. sono elevati al quadrato. non vengono considerati.

La deviazione standard indica: la distanza tipica dei punteggi dalla media. la distanza tra il valore massimo e il valore minimo. la distanza tipica dei punteggi dalla mediana. la posizione del punteggio più frequente.

La deviazione standard è definita come: la radice quadrata della varianza. la differenza tra il valore massimo e il valore minimo. la somma degli scarti dalla media. la media dei punteggi osservati.

Un punteggio z pari a -1 indica che il punteggio osservato: è il valore minimo della distribuzione. si trova una deviazione standard sopra la media. si trova una deviazione standard sotto la media. coincide con la media della distribuzione.

La deviazione standard è espressa: nell'unità di misura al quadrato della variabile. nella stessa unità di misura della variabile. senza alcuna unità di misura. sempre in punti percentuali.

Se la deviazione standard di una distribuzione è piccola significa che: la distribuzione è necessariamente asimmetrica. la media della distribuzione è molto elevata. i punteggi sono necessariamente tutti uguali. i punteggi sono concentrati attorno alla media.

La deviazione standard è sensibile ai valori estremi perché: considera soltanto il valore massimo e il valore minimo. deriva dagli scarti dalla media elevati al quadrato. esclude dal calcolo i punteggi più lontani dalla media. utilizza gli scarti dalla mediana in valore assoluto.

Nella distribuzione normale standard, la media e la deviazione standard sono rispettivamente: 0 e 1. 1 e 0. 100 e 15. 50 e 10.

Nella distribuzione normale standard, un punteggio z pari a 0 indica che il punteggio: coincide con il valore minimo della distribuzione. coincide con la media della distribuzione. si trova una deviazione standard sopra la media. si trova una deviazione standard sotto la media.

Nella distribuzione normale, circa il 95% dei casi si colloca: tra 0 e +1 deviazione standard dalla media. tra -1 e +1 deviazioni standard dalla media. tra -2 e +2 deviazioni standard dalla media. tra -3 e +3 deviazioni standard dalla media.

Se un punteggio ha z = -0.70 si può affermare che: è 70 punti sotto la media. si trova 0.7 deviazioni standard sotto la media. coincide con il valore minimo della distribuzione. è inferiore al 70% dei punteggi.

La mediana coincide con: il secondo quartile. il quinto decile. il cinquantesimo percentile. tutte le alternative.

I quantili: tutte le alternative. dividono una distribuzione ordinata in parti uguali. indicano la proporzione di valori che si trova al di sotto e al di sopra di un valore. sono indici di posizione.

Per individuare il punteggio di QI al di sotto del quale si colloca il 70% della popolazione si calcola: il settantesimo percentile. la deviazione standard della distribuzione. la media della distribuzione. il settimo decile inferiore.

I valori che dividono una distribuzione ordinata in cento parti uguali sono detti: decili. percentili. quartili. percentuali.

L'indice che indica la posizione relativa di un valore all'interno di una distribuzione ordinata è detto: quantile. media. varianza. deviazione standard.

Dopo avere calcolato la posizione di un quantile, nella colonna delle frequenze cumulate si individua: la frequenza assoluta più elevata. la frequenza corrispondente alla media. il primo valore inferiore alla posizione calcolata. il primo valore uguale o superiore alla posizione calcolata.

Il risultato della formula per il calcolo di un quantile indica: la distanza del quantile dalla media. la frequenza assoluta del quantile. la posizione del quantile nella distribuzione ordinata. il valore numerico assunto dal quantile.

Per calcolare un quantile nei dati osservati è necessario innanzitutto: standardizzare tutti i punteggi. ordinare i dati in senso crescente. calcolare la media della distribuzione. calcolare la deviazione standard.

In una distribuzione dei risultati di un test, il venticinquesimo percentile coincide con il punteggio 45. Ciò significa che: il 25% dei soggetti ha ottenuto un punteggio superiore o uguale a 45. il 45% dei soggetti ha ottenuto un punteggio uguale o inferiore a 25. il 25% dei soggetti ha ottenuto un punteggio uguale o inferiore a 45. il punteggio 45 divide la distribuzione in due parti uguali.

Dire che un soggetto si colloca al 75° percentile significa che: il soggetto ha risposto correttamente al 75% delle domande. il 75% dei soggetti ha ottenuto un punteggio uguale o inferiore. il 75% dei soggetti ha ottenuto un punteggio superiore. il soggetto ha ottenuto il 75% del punteggio massimo.

Il terzo quartile corrisponde alla proporzione cumulata: 0.25. 0.5. 0.75. 0.9.

Il primo quartile corrisponde alla proporzione cumulata: 0.1. 0.5. 0.75. 0.25.

Sono tipologie di quantili: i decili. tutte le alternative. i percentili. i quartili.

Dopo aver importato un dataset in Jamovi è necessario: calcolare immediatamente tutte le statistiche descrittive. controllare il tipo di dato e il livello di misura delle variabili. ordinare necessariamente tutti i casi. eliminare le variabili categoriali.

Per importare in Jamovi un dataset già esistente si utilizza il comando: Apri. Modifica. Analisi. Variabili.

Nel foglio dati di Jamovi, le righe rappresentano: le variabili. i livelli di misura. i casi o le osservazioni. le analisi statistiche.

In Jamovi, nell'area relativa alle proprietà di una variabile è possibile specificare: la media, la mediana e la moda. il valore di correlazione. il nome, il tipo di dato e il livello di misura. il numero dei partecipanti e delle analisi.

Per modificare le proprietà di una variabile con Jamovi è possibile: fare doppio clic sull'intestazione della colonna. selezionare il risultato di un'analisi. chiudere il foglio dati. fare doppio clic su una qualsiasi osservazione.

Nel foglio dati di Jamovi, le colonne rappresentano: le variabili. i risultati delle analisi. i casi o le osservazioni. le frequenze.

Se un punteggio quantitativo viene riconosciuto da Jamovi come nominale è necessario: modificare la variabile in ID. trasformare tutti i valori in testo. modificare il livello di misura e impostarlo come continuo. eliminare la variabile dal dataset.

In un dataset ben organizzato (tidy), ogni colonna rappresenta: un gruppo di partecipanti. una variabile. una singola osservazione. un risultato statistico.

I valori che misurano la stessa caratteristica dovrebbero essere inseriti: in colonne diverse per ogni partecipante. nella stessa colonna. nella stessa riga. in celle che contengono anche altre informazioni.

In un dataset ben organizzato (tidy), ogni riga rappresenta: una variabile misurata. una statistica descrittiva. un livello di misura. una singola osservazione.

In Jamovi, ogni cella di un dataset contiene: il valore di una variabile per una determinata osservazione. tutte le informazioni relative allo studio. tutti i valori raccolti su una variabile. il risultato di un'analisi statistica.

I nomi assegnati alle variabili dovrebbero essere: chiari, coerenti e informativi. brevi anche quando risultano poco comprensibili. uguali per variabili che misurano aspetti diversi. composti esclusivamente da numeri.

L’interpretazione congiunta di grafico e indici (media, mediana, moda) consente di: trasformare i punteggi in z. valutare la forma della distribuzione e la sua eventuale normalità. calcolare la deviazione standard. stimare la dimensione del campione.

Se una distribuzione presenta una coda più lunga verso i valori elevati, come viene definita?. Asimmetrica positiva. Simmetrica. Asimmetrica negativa. Normale standard.

Se una distribuzione presenta una coda più lunga verso i valori più bassi, come viene definita?. Simmetrica. Normale standard. Asimmetrica negativa. Asimmetrica positiva.

La frequenza cumulata di una modalità rappresenta: il numero totale di casi fino a quella modalità inclusa. il numero di casi con quella modalità specifica. la differenza tra frequenze successive. la percentuale di casi sopra la media.

In un grafico di distribuzione delle frequenze, cosa rappresenta l’altezza delle barre?. La frequenza cumulata. La media della distribuzione. La deviazione standard. La frequenza assoluta dei casi per ciascun valore.

In una distribuzione asimmetrica negativa, quale relazione tra indici di tendenza centrale è più probabile?. media < mediana < moda. mediana < media < moda. media = mediana = moda. moda < mediana < media.

In una distribuzione asimmetrica positiva, quale relazione tra indici di tendenza centrale è più probabile?. media > mediana > moda. media = mediana = moda. moda > mediana > media. mediana > media > moda.

Per determinare la mediana a partire da una tabella di frequenze, è necessario: individuare la posizione centrale utilizzando le frequenze cumulate. sommare tutte le modalità. identificare il valore con frequenza massima. calcolare la media aritmetica.

In una distribuzione asimmetrica positiva, quale tra le seguenti affermazioni è corretta?. Tutte le misure di tendenza centrale coincidono. La moda è sempre maggiore della media. La mediana coincide con la media. La media è spostata verso la coda destra.

In una distribuzione perfettamente normale, quale relazione sussiste tra media, mediana e moda?. Coincidono nello stesso punto centrale. La mediana coincide solo con la moda. La moda è diversa dalla media. La media è maggiore della mediana.

Quale caratteristica descrive correttamente la distribuzione normale?. Ha più valori estremi che centrali. È simmetrica rispetto al centro. Non ha un punto centrale definito. È asimmetrica verso destra.

Se una distribuzione presenta una coda più lunga verso sinistra, come viene definita?. Asimmetria negativa. Distribuzione simmetrica. Asimmetria positiva. Distribuzione mesocurtica.

Se una distribuzione presenta una coda più lunga verso destra, come viene definita?. Distribuzione mesocurtica. Distribuzione simmetrica. Asimmetria negativa. Asimmetria positiva.

In una distribuzione asimmetrica negativa, quale tra le seguenti affermazioni è corretta?. La media è spostata verso la coda sinistra. La mediana coincide con la media. Tutte le misure di tendenza centrale coincidono. La moda è sempre minore della media.

Quale affermazione distingue correttamente la curtosi dall’asimmetria?. La curtosi indica se la distribuzione è simmetrica. La curtosi coincide con la varianza. La curtosi misura la direzione della coda. La curtosi riguarda la concentrazione dei punteggi, non la simmetria.

Perché molte tecniche statistiche richiedono una distribuzione approssimativamente normale?. Perché sono state sviluppate assumendo tale forma dei dati. Perché garantisce sempre risultati esatti. Perché rende inutili le verifiche preliminari. Perché elimina la variabilità dei dati.

Se la frequenza cumulata associata al valore 3 è 28, cosa significa?. 28 è la frequenza massima. 28 è la media dei punteggi. 28 soggetti hanno punteggio pari a 3. 28 soggetti hanno punteggio pari o inferiore a 3.

Qual è la differenza principale tra frequenze semplici e frequenze cumulate?. Le cumulate rappresentano la somma progressiva delle frequenze fino a un certo valore. Le semplici includono i valori precedenti. Le cumulate indicano solo la moda. Non esiste differenza.

La presenza di una distribuzione bimodale può indicare che: La variabile non è misurabile. I dati derivano da sottogruppi differenti. I dati sono sempre normali. I dati sono necessariamente casuali.

Quale informazione NON è direttamente ricavabile dai dati grezzi presentati in sequenza?. valori osservati. Il numero totale dei casi. La struttura sintetica della distribuzione. Il range dei punteggi.

In un istogramma, cosa rappresenta l’altezza delle barre?. La frequenza dei punteggi. Il numero di variabili. La deviazione standard. Il valore medio.

Due distribuzioni con identici valori e frequenze ma diversa disposizione sono: Non confrontabili. Equivalenti dal punto di vista informativo. Statistiche diverse. Utilizzabili solo in contesti diversi.

Qual è la funzione principale di una distribuzione di frequenze?. Rappresentare la numerosità dei casi associati a ciascun valore della variabile. Calcolare automaticamente la media. Trasformare i dati in percentili. Eliminare i valori estremi.

Quale interpretazione è corretta per una percentuale cumulata del 56% al valore 3?. Il 56% ha punteggio superiore a 3. Il 56% ha punteggio pari a 3. Il 56% dei valori coincide con la media. Il 56% dei soggetti ha punteggio pari o inferiore a 3.

Quale delle seguenti affermazioni descrive correttamente i dati grezzi?. Non possono essere analizzati. Sono già organizzati in frequenze. Sono valori osservati non ancora organizzati in una distribuzione di frequenze. Sono sempre rappresentati graficamente.

Che cosa rappresenta la moda in una distribuzione?. Il valore minimo osservato. Il valore centrale della distribuzione. Il valore con frequenza più elevata. Il valore medio dei punteggi.

Qual è la caratteristica principale di una distribuzione multimodale?. Presenza di un solo valore centrale. Frequenze tutte uguali. Presenza di più picchi di frequenza. Assenza di moda.

Quando una distribuzione presenta due valori con frequenza massima, come viene definita?. Bimodale. Asimmetrica. Cumulativa. Normale.

Nel caso del lancio di un dado non truccato, quale proprietà è soddisfatta?. Asimmetria positiva. Distribuzione bimodale. Varianza nulla. Equiprobabilità degli esiti.

Quando si parla di distribuzione uniforme?. Quando tutti i valori della variabile hanno la stessa probabilità. Quando la variabile è continua. Quando le frequenze sono uguali nel campione. Quando i valori sono distribuiti normalmente.

Qual è la differenza principale tra distribuzione di frequenza e distribuzione di probabilità?. La distribuzione di probabilità conta quante volte si osserva un valore. La distribuzione di frequenza utilizza solo modelli teorici. La distribuzione di probabilità assegna probabilità teoriche ai valori della variabile. Non esiste alcuna differenza.

Quale delle seguenti affermazioni descrive correttamente la funzione di distribuzione F(X)?. Indica la probabilità che la variabile assuma valori minori o uguali a X. Indica la probabilità che la variabile assuma esattamente il valore X. Indica la media della distribuzione. Indica la frequenza osservata dei valori fino a X.

Perché nel calcolo di P(4 ≤ x ≤ 6) con la funzione cumulativa si utilizza F(6) − F(3)?. Perché F(3) è il valore medio. Perché F(6) non include il valore 6. Perché la funzione cumulativa non include estremi. Perché F(3) include tutti i valori fino a 3 che devono essere esclusi.

Come si calcola la probabilità che una variabile discreta assuma valori in un intervallo (A, B]?. F(B) + F(A). F(B) − F(A). F(A) − F(B). P(A) × P(B).

Qual è il significato del valore F(6) = 1 nel caso del dado?. Rappresenta un evento impossibile. Rappresenta un evento certo. Indica la media della distribuzione. Indica la probabilità minima.

Quale proprietà caratterizza la funzione di distribuzione cumulativa?. Decresce all’aumentare di X. È costante per tutti i valori. Può assumere valori negativi. È monotòna, crescente e assume valori tra 0 e 1.

Quale tra le seguenti formule consente di standardizzare un punteggio?. - x+x z= ------ DS. - x-x z= ------ DS. - x z= ------ DS. - x-x z= ------ DS 2.

Il numero di deviazioni standard che separano un punteggio dalla media corrisponde a: La varianza. Il range. Il quantile. Il punteggio z.

Per calcolare correttamente un punteggio z è necessario: Conoscere solo la varianza. Conoscere sia la media sia la deviazione standard. Conoscere solo la media. Conoscere il numero di casi.

Un punteggio z pari a 1.5 indica che: Il valore si colloca 1.5 deviazioni standard sopra la media. Il valore è inferiore alla media. Il valore è vicino alla media. Il valore è il 150% della media.

Un punteggio z pari a −1.7 indica che: Il valore è estremamente raro. Il valore coincide con la media. Il valore è sotto la media e distante 1.7 deviazioni standard. Il valore è sopra la media.

Perché valori di z superiori a 2 sono considerati relativamente rari?. Perché rappresentano la maggioranza dei casi. Perché indicano posizioni lontane dai valori tipici della distribuzione. Perché sono impossibili da osservare. Perché coincidono con la media.

Quale affermazione descrive meglio il vantaggio dei punteggi z?. Eliminano la variabilità dei dati. Consentono il confronto tra punteggi espressi in scale diverse. Rendono tutte le distribuzioni uguali. Trasformano i dati in percentuali.

Due soggetti ottengono lo stesso scarto dalla media ma in distribuzioni con deviazioni standard diverse: cosa accade ai loro punteggi z?. I punteggi z saranno identici. I punteggi diventano negativi. I punteggi z saranno diversi. Non è possibile calcolare z.

Quale interpretazione coglie correttamente il significato di un punteggio z?. Indica la posizione in termini di percentili. Misura la variabilità della distribuzione. Coincide con la differenza assoluta dalla media. Esprime la distanza dalla media in unità di deviazione standard.

Qual è la funzione principale della formula del punteggio z?. Determinare la frequenza cumulata. Stimare la dispersione dei dati. Calcolare la media campionaria. Trasformare una distanza in unità standardizzate.

Se un punteggio si colloca oltre ±2 deviazioni standard, quale interpretazione è più appropriata?. È relativamente raro e situato nelle code della distribuzione. Non è interpretabile. È il valore più frequente. È un valore medio.

Perché le tabelle z vengono talvolta definite “tabelle di significatività”?. Perché in altri contesti sono usate per individuare soglie critiche nelle code della distribuzione. Perché calcolano il p-value automaticamente. Perché eliminano l’errore statistico. Perché indicano solo valori significativi.

Un valore z = −1.64 corrisponde a circa il 95% dei casi al di sopra di esso. Quale interpretazione è corretta?. Solo circa il 5% dei casi si colloca nella coda inferiore. Il valore è superiore alla media. Il punteggio è estremamente elevato. Il 95% dei casi è sotto la media.

Perché, al crescere del valore positivo di z, la percentuale associata nelle tabelle diminuisce?. Perché la media si sposta. Perché i punteggi si collocano progressivamente nelle code della distribuzione e diventano meno frequenti. Perché la distribuzione perde simmetria. Perché la deviazione standard diminuisce.

Un valore di z negativo indica che: Il punteggio è sempre estremo. Il punteggio è uguale alla media. Il punteggio è raro. Il punteggio si colloca al di sotto della media.

Nella distribuzione normale standard, quale caratteristica descrive correttamente il punto z = 0?. Rappresenta il valore massimo della distribuzione. Identifica i valori rari. Coincide con media, mediana e moda. Indica l’inizio della distribuzione.

Nelle tabelle z, l’area associata a un valore z rappresenta: La proporzione di casi con punteggi superiori a quel valore. Il numero totale di osservazioni. La proporzione di casi inferiori al valore z. La distanza del punteggio dalla media.

Quale proprietà definisce la distribuzione normale standard?. Media e deviazione standard entrambe pari a 1. Media pari a 1 e deviazione standard pari a 0. Media pari a 0 e deviazione standard pari a 0. Media pari a 0 e deviazione standard pari a 1.

In una distribuzione normale standard, quale intervallo contiene circa il 68% dei punteggi?. Tra z = −2 e z = +2. Tra z = 0 e z = +2. Tra z = −1 e z = +1. Tra z = −3 e z = +3.

Qual è la funzione principale delle tabelle z nel contesto della distribuzione normale standard?. Calcolare la deviazione standard dei dati. Trasformare i punteggi in valori grezzi. Stimare la media della distribuzione. Associare a ciascun valore z la proporzione di casi che si collocano al di sopra di esso.

Se uno studente passa da z = 0.625 a z = 2.25, quale conclusione è più appropriata?. Non è possibile confrontare i due valori. Il cambiamento è casuale. La sua posizione relativa nella distribuzione è migliorata in modo sostanziale. Il suo punteggio è aumentato di poco.

Perché i punteggi z permettono un confronto corretto tra test diversi?. Perché esprimono i punteggi in termini di distanza dalla media della propria distribuzione. Perché trasformano tutti i punteggi in percentuali. Perché rendono uguali le distribuzioni. Perché eliminano le differenze tra test.

Quale interpretazione è più corretta per un punteggio z = 2.25?. Il punteggio è elevato e si colloca in una regione poco frequente della distribuzione. Il punteggio è tipico della popolazione. Il punteggio è negativo. Il punteggio è vicino alla media.

Un punteggio z pari a 0.625 indica che: Il valore è moderatamente sopra la media, ma ancora nella zona centrale. Il valore è sotto la media. Il valore è estremamente elevato. Il valore coincide con la deviazione standard.

Due punteggi identici su scala numerica possono avere significati diversi perché: Sono sempre errori di misura. Non possono essere confrontati matematicamente. Sono sempre riferiti a popolazioni diverse. Possono occupare posizioni diverse nelle rispettive distribuzioni.

Perché non è corretto confrontare due punteggi anche dopo averli riportati sulla stessa scala metrica (es. decimi → trentesimi)?. Perché le distribuzioni di riferimento possono avere caratteristiche diverse. Perché cambia la deviazione standard in modo casuale. Perché la trasformazione matematica è imprecisa. Perché i punteggi diventano negativi.

Per calcolare un punteggio z in un contesto applicativo è necessario conoscere: Media e range della distribuzione. Media e deviazione standard della distribuzione. Moda e deviazione standard della distribuzione. La numerosità campionaria.

Perché i punteggi grezzi ottenuti in due test diversi non sono direttamente confrontabili?. Perché non sono standardizzati. Perché hanno unità di misura numeriche. Perché derivano da distribuzioni con media e deviazione standard diverse. Perché sono espressi con numeri diversi.

Qual è lo scopo principale della standardizzazione tramite punteggi z?. Trasformare i punteggi in percentili. Rendere confrontabili punteggi provenienti da distribuzioni diverse. Aumentare la precisione dei punteggi. Eliminare la variabilità dei dati.

La verifica della normalità della distribuzione è importante perché. Molte procedure statistiche assumono la normalità dei dati. Permette di trasformare i dati in percentili. Serve a calcolare la media. Consente di eliminare gli outlier automaticamente.

Una distribuzione con p-value <0.05 nel test di Shapiro-Wilk indica che. I dati si discostano significativamente dalla normalità. La media è distorta. I dati sono perfettamente normali. La deviazione standard è elevata.

Perché è necessario affiancare l’analisi grafica al test di normalità?. Perché i grafici sostituiscono il test statistico. Perché i grafici eliminano la variabilità. Perché il p-value non è interpretabile. Perché il test sintetizza lo scostamento ma non descrive la forma della distribuzione.

Il test di Shapiro-Wilk serve a. Misurare la correlazione tra variabili. Valutare se i dati sono compatibili con una distribuzione normale. Calcolare la deviazione standard. Confrontare due medie campionarie.

Un valore della statistica W vicino a 1 indica che. La media è pari a zero. La distribuzione è fortemente asimmetrica. I dati non sono standardizzati. La distribuzione è simile a quella normale.

Se il p-value del test di Shapiro-Wilk è superiore a 0.05, allora. Si rifiuta l’ipotesi di normalità. I dati sono sicuramente normali. Non si rifiuta l’ipotesi di normalità. La distribuzione è uniforme.

Nella fase esplorativa dell'analisi dei dati, grafici e tabelle permettono di: osservare la forma della relazione e individuare eventuali valori anomali (outlier). sostituire completamente le analisi statistiche. dimostrare direttamente un rapporto causale. calcolare automaticamente la significatività.

L'osservazione di una relazione tra due variabili: non implica necessariamente un rapporto di causalità. rende superflua ogni ulteriore analisi. dimostra sempre che una variabile causa l'altra. indica che le due variabili hanno la stessa media.

Studiare la relazione tra due variabili significa osservare: come una variabile cambia al variare dell'altra. com'è distribuita una sola variabile. quale variabile possiede il numero più elevato di categorie. quale variabile presenta la frequenza maggiore.

Nella rappresentazione della relazione tra variabili, il tipo di grafico viene scelto principalmente in base: al numero complessivo dei casi. alla frequenza della variabile dipendente. al tipo di variabili considerate. alla significatività statistica dei risultati.

È possibile studiare la relazione tra: due variabili quantitative. due variabili nominali. una variabile nominale e una quantitativa. tutte le alternative.

Per rappresentare la relazione tra due variabili quantitative si utilizza principalmente: l'istogramma. il grafico a torta. il grafico a barre. il grafico di dispersione.

Per rappresentare la relazione tra due variabili nominali si può utilizzare: la funzione di distribuzione. il grafico a barre. il grafico di dispersione. l'istogramma.

Per confrontare la distribuzione di una variabile quantitativa tra le categorie di una variabile nominale si possono utilizzare: un grafico a torta della variabile quantitativa. un unico grafico di dispersione. istogrammi distinti per ciascuna categoria. una funzione di distribuzione della variabile nominale.

Quando una rappresentazione contiene troppe categorie con frequenze molto basse può essere opportuno: mantenere tutte le categorie senza modifiche. eliminare le etichette degli assi. aumentare il numero delle classi rappresentate. riunire alcune categorie in gruppi più ampi.

Rispetto a una tabella, un grafico consente generalmente: una lettura sempre più precisa dei singoli valori. una comprensione più immediata dell'andamento dei dati. l'eliminazione dei valori anomali. una rappresentazione esclusivamente numerica.

La retta di regressione rappresentata in un grafico di dispersione indica: la tendenza generale della relazione tra le variabili. i valori esatti di tutti i singoli casi. la deviazione standard delle due variabili. la frequenza marginale della variabile Y.

Il raggruppamento dei punteggi quantitativi in fasce: rende la tabella più precisa del grafico di dispersione. elimina la necessità di calcolare le frequenze congiunte. mantiene invariata tutta l'informazione dei punteggi individuali. riduce il dettaglio ma rende la tabella più sintetica e leggibile.

Nell'ultima colonna di una tabella di contingenza sono riportate: le deviazioni standard di riga. le frequenze congiunte. le frequenze marginali di colonna. le frequenze marginali di riga.

In un grafico di dispersione: l'asse X riporta i punteggi di una variabile e l'asse Y le frequenze. l'asse X riporta i punteggi e l'asse Y la deviazione standard. l'asse X riporta le frequenze e l'asse Y i punteggi della variabile. l'asse X riporta i punteggi di una variabile e l'asse Y i punteggi dell'altra.

Il grafico di dispersione è adatto a rappresentare: la variabilità di una distribuzione. la distribuzione di una sola variabile nominale. la relazione tra due variabili quantitative. le frequenze percentuali di una variabile categoriale.

In un grafico di dispersione, ogni punto rappresenta: la media delle due variabili. un caso descritto da una coppia di punteggi. la frequenza complessiva di un punteggio. una categoria della variabile riportata sull'asse X.

Le coordinate di un punto in un grafico di dispersione indicano: le frequenze marginali delle due variabili. la media e la deviazione standard delle due variabili. il valore minimo e il valore massimo della distribuzione. i valori assunti dallo stesso caso nelle due variabili.

Si parla di relazione lineare quando i punti del grafico di dispersione: tendono a disporsi approssimativamente lungo una linea retta. si concentrano esclusivamente al centro del grafico. tendono a disporsi approssimativamente lungo una curva. si distribuiscono con la stessa frequenza sui due assi.

Quando più osservazioni presentano la stessa coppia di punteggi, nel grafico di dispersione: le osservazioni vengono automaticamente eliminate. la retta di regressione coincide con tutti i punti. i punti possono sovrapporsi e apparire come un unico punto. la relazione diventa necessariamente lineare.

Per rappresentare due variabili quantitative in una tabella di contingenza è necessario: trasformare entrambe le variabili in frequenze marginali. raggruppare i punteggi delle due variabili in fasce. ordinare i casi in base alla deviazione standard. calcolare la media di ciascuna variabile.

Nell'ultima riga di una tabella di contingenza sono riportate: le frequenze marginali di riga. le medie delle colonne. le frequenze congiunte. le frequenze marginali di colonna.

Nelle celle interne di una tabella di contingenza sono riportate: le frequenze congiunte. le frequenze marginali di riga. le medie delle due variabili. le frequenze marginali di colonna.

In un grafico a barre utilizzato per rappresentare due variabili nominali: sui due assi sono riportate esclusivamente le frequenze marginali. sull'asse X sono riportate le frequenze e sull'asse Y la deviazione standard. sull'asse X sono riportati i punteggi di una variabile e sull'asse Y quelli dell'altra. sull'asse X sono riportate le categorie di una variabile e sull'asse Y le frequenze.

Per rappresentare graficamente la relazione tra due variabili nominali si utilizza principalmente: il grafico a barre. la curva normale. il grafico di dispersione. l'istogramma.

In un grafico a barre che rappresenta due variabili nominali, la seconda variabile può essere rappresentata: ordinando le categorie in base alla media. calcolando la correlazione. suddividendo o affiancando le barre in base alle sue categorie. riportando i suoi punteggi sull'asse Y.

Nelle celle interne di una tabella di contingenza sono riportate: le frequenze marginali di riga. le frequenze marginali di colonna. le frequenze congiunte. le medie delle categorie.

Le frequenze congiunte indicano: il valore medio delle due variabili. il numero totale di casi appartenenti a una sola categoria. la percentuale complessiva dei casi esclusi. il numero di casi che presentano una specifica combinazione di categorie.

Quando le percentuali sono calcolate all'interno di ciascuna colonna: il totale complessivo del campione diventa il riferimento per ogni percentuale. ogni riga deve necessariamente avere lo stesso totale. ogni colonna ha un proprio totale pari al 100%. tutte le celle della tabella sommano separatamente al 100%.

Le barre raggruppate sono particolarmente utili per: confrontare direttamente le categorie delle due variabili. calcolare le frequenze marginali. mettere in evidenza la composizione interna di un gruppo. rappresentare la relazione tra due variabili quantitative.

Le barre segmentate sono particolarmente utili per: mostrare la composizione interna di ciascun gruppo. confrontare la dispersione dei punteggi. rappresentare i singoli punteggi osservati. confrontare direttamente le categorie delle due variabili.

Quando un grafico a barre contiene troppe categorie può essere opportuno: ridurre la distanza tra le barre. accorpare alcune categorie in gruppi più ampi. aumentare ulteriormente il numero delle barre. eliminare le etichette delle categorie.

Le percentuali condizionate permettono di: eliminare le differenze nella numerosità dei gruppi. calcolare la media delle categorie nominali. descrivere soltanto la composizione complessiva del campione. confrontare la distribuzione di una variabile all'interno dei diversi gruppi.

Nel grafico per gruppi: sull'asse X sono riportate le categorie nominali e sull'asse Y i punteggi medi dei gruppi. sull'asse X sono riportate le classi di punteggio e sull'asse Y le frequenze cumulate. sull'asse X sono riportati i punteggi di una variabile e sull'asse Y quelli dell'altra. sull'asse X sono riportate le categorie nominali e sull'asse Y le frequenze.

Nello studio della relazione tra una variabile nominale e una quantitativa, l'obiettivo è osservare: come i punteggi quantitativi si distribuiscono nelle diverse categorie nominali. come si distribuiscono congiuntamente due variabili nominali. come due variabili quantitative variano congiuntamente. come si distribuisce una singola variabile quantitativa.

Per inserire una variabile quantitativa in una tabella di contingenza è necessario: raggruppare i punteggi in classi o intervalli. standardizzare tutti i punteggi. ordinare i punteggi dal più basso al più alto. calcolare la media complessiva della variabile.

Nella tabella di contingenza utilizzata per una variabile nominale e una quantitativa: le classi di punteggio sono sostituite dalle medie dei gruppi. le categorie nominali sono riportate su una dimensione e le classi di punteggio sull'altra. i singoli punteggi quantitativi sono riportati nelle celle interne. le categorie della variabile nominale sono riportate su entrambe le dimensioni.

Per distinguere nel grafico le diverse classi di punteggio è utile: utilizzare etichette riferite esclusivamente alle categorie nominali. inserire una legenda che associ ogni barra alla classe corrispondente. riportare sull'asse X soltanto i valori medi dei gruppi. sostituire le classi di punteggio con i totali marginali.

Nel grafico per gruppi, le barre distinte rappresentano: i singoli casi presenti nel campione. le medie della variabile quantitativa nei gruppi. le classi di punteggio della variabile quantitativa. le categorie della variabile nominale.

Quando una variabile nominale presenta molte categorie può essere opportuno: accorpare le categorie esclusivamente in base alla loro frequenza. eliminare le categorie con le frequenze più basse. accorpare categorie simili secondo un criterio teoricamente coerente. mantenere tutte le categorie per evitare qualsiasi perdita di dettaglio.

Un numero eccessivo di classi della variabile quantitativa può: facilitare sempre l'individuazione delle tendenze generali. rendere il confronto più preciso senza ridurre la leggibilità. rendere la rappresentazione frammentata e difficile da interpretare. conservare invariato il dettaglio dei singoli punteggi.

Per confrontare in modo sintetico una variabile quantitativa tra gruppi nominali si possono calcolare: soltanto le frequenze delle categorie nominali. un unico valore medio calcolato sull'intero campione. indici di tendenza centrale e di dispersione per ciascun gruppo. esclusivamente le frequenze marginali della tabella.

Nelle celle interne della tabella di contingenza sono riportate: le frequenze marginali. gli indici di dispersione. le frequenze congiunte. le medie dei gruppi.

Se, in un grafico di dispersione, all'aumentare della variabile X tende ad aumentare anche la variabile Y secondo un andamento approssimativamente lineare: è presente una correlazione positiva. non è presente alcuna relazione tra le variabili. è presente una correlazione negativa. è presente una relazione non lineare.

La presenza di un outlier nel grafico di dispersione può: essere identificata con certezza osservando soltanto il valore del coefficiente di correlazione. modificare esclusivamente la dispersione della variabile Y. influenzare soltanto la media della variabile X senza modificare la relazione. influenzare la posizione della retta di regressione e il valore della correlazione.

La matrice di correlazione: contiene valori pari a 1 sulla diagonale principale. è asimmetrica rispetto alla diagonale principale. contiene le covarianze sulla diagonale principale. contiene le varianze sulla diagonale principale.

In un grafico di dispersione, se il coefficiente di correlazione si avvicina a +1: i punti tendono a disporsi vicino a una retta crescente. i punti non mostrano una chiara tendenza lineare. i punti tendono a disporsi vicino a una retta decrescente. i punti assumono una distribuzione a campana.

In un grafico di dispersione, se il coefficiente di correlazione si avvicina a 0: i punti non mostrano una chiara tendenza lineare. i punti tendono a disporsi vicino a una retta crescente. i punti si dispongono esattamente lungo una retta. i punti tendono a disporsi vicino a una retta decrescente.

Se, in un grafico di dispersione, all'aumentare della variabile X la variabile Y tende a diminuire secondo un andamento approssimativamente lineare: è presente una correlazione positiva. non è possibile stabilire la direzione della relazione. è presente una relazione non lineare. è presente una correlazione negativa.

La covarianza è definita come: la somma delle varianze delle due variabili. il prodotto delle medie delle due variabili. la media dei prodotti degli scarti dalla media delle due variabili. la media degli scarti in valore assoluto delle due variabili.

Il valore della covarianza: nessuna delle alternative. dipende dalla varianza delle variabili. dipende dall'unità di misura delle due variabili. entrambe le alternative.

Il valore della covarianza: non dipende dalla varianza delle variabili. nessuna delle alternative. entrambe le alternative. non dipende dall'unità di misura delle variabili.

Una covarianza pari a 0 indica: presenza di una relazione lineare negativa perfetta. uguaglianza tra le medie delle due variabili. presenza di una relazione lineare positiva perfetta. assenza di una relazione lineare tra le variabili.

Il coefficiente r di Pearson si ottiene: dividendo la varianza di X per la varianza di Y. sommando le varianze delle due variabili. standardizzando la covarianza. sottraendo la media di Y dalla media di X.

La matrice che contiene valori pari a 1 sulla diagonale principale è la matrice: dei punteggi standardizzati. delle frequenze congiunte. di correlazione. di varianza-covarianza.

Se, in un grafico di dispersione, al diminuire della variabile X tende a diminuire anche la variabile Y secondo un andamento approssimativamente lineare: non è possibile stabilire la direzione della relazione. è presente una correlazione negativa. è presente una correlazione positiva. è presente una relazione non lineare.

La matrice di varianza-covarianza: contiene valori pari a 1 sulla diagonale principale. è asimmetrica rispetto alla diagonale principale. contiene i coefficienti di correlazione sulla diagonale principale. contiene le varianze sulla diagonale principale.

La matrice di correlazione e la matrice di varianza-covarianza: sono entrambe asimmetriche rispetto alla diagonale principale. contengono gli stessi valori nelle celle al di fuori della diagonale principale. contengono entrambe valori pari a 1 sulla diagonale principale. sono entrambe simmetriche rispetto alla diagonale principale.

Il coefficiente di correlazione r può assumere valori compresi tra: qualsiasi valore reale. -1 e +1. 0 e +1. -100 e +100.

Il coefficiente di correlazione può assumere: esclusivamente valori negativi. esclusivamente valori positivi. esclusivamente valori diversi da 0. valori negativi, pari a 0 o positivi.

Il segno del coefficiente di correlazione indica: la direzione della relazione. la significatività statistica della relazione. la variabilità delle due variabili. l'intensità della relazione.

Il valore assoluto del coefficiente di correlazione indica: la natura causale della relazione. la significatività statistica della relazione. l'intensità della relazione. la direzione della relazione.

Un coefficiente di correlazione pari a r = 0 indica: assenza di una relazione lineare, ma non esclude una relazione non lineare. presenza di una relazione lineare positiva debole. assenza di qualsiasi possibile relazione tra le variabili. presenza di una relazione lineare negativa debole.

Il coefficiente di correlazione: quanto più si avvicina a +1 o -1, tanto meno forte è la relazione lineare. nessuna delle alternative. entrambe le alternative. quanto più si avvicina a 0, tanto più forte è la relazione lineare.

Il coefficiente di correlazione: quanto più il suo valore assoluto si avvicina a 0, tanto meno forte è la relazione lineare. quanto più il suo valore assoluto si avvicina a 1, tanto più forte è la relazione lineare. entrambe le alternative. nessuna delle alternative.

Se r = 0.50, la percentuale di varianza condivisa tra le due variabili è pari al: 0.25. 0.05. 0.75. 0.50.

Se r = 0.30, la percentuale di varianza condivisa tra le due variabili è pari al: 0.70. 0.09. 0.03. 0.30.

Il coefficiente di determinazione r² rappresenta: la proporzione di varianza condivisa tra le due variabili. la quota di varianza totale presente nel campione. la probabilità che la relazione sia statisticamente significativa. la direzione della relazione tra le due variabili.

Le soglie utilizzate per classificare l'intensità di una correlazione: dipendono esclusivamente dal segno del coefficiente. definiscono categorie rigide applicabili allo stesso modo in ogni ambito. hanno valore orientativo e devono essere interpretate considerando il contesto di ricerca. sostituiscono l'osservazione del grafico di dispersione.

Secondo le soglie orientative del coefficiente di correlazione r di Pearson, un coefficiente r = 0.20 indica: una relazione positiva debole o assente. una relazione positiva moderata. una relazione positiva forte. una relazione positiva moderatamente forte.

Secondo le soglie orientative del coefficiente di correlazione r di Pearson, un coefficiente r = -0.60 indica: una relazione negativa moderata. una relazione negativa perfetta. una relazione negativa moderatamente forte. una relazione negativa debole o assente.

La formula concettuale e la formula operativa di r di Pearson: producono coefficienti diversi perché utilizzano quantità differenti. forniscono una la direzione e l'altra l'intensità della relazione. esprimono lo stesso coefficiente attraverso procedimenti di calcolo differenti. si applicano rispettivamente alle correlazioni positive e negative.

Per predisporre la tabella necessaria all'applicazione della formula operativa di r di Pearson occorre riportare: X, Y, X + Y e X - Y. le frequenze assolute e cumulate delle due variabili. le medie, le mediane e le mode delle due variabili. X, Y, X², Y² e X × Y.

La standardizzazione della covarianza permette di ottenere un indice che: dipende dalle scale originali delle due variabili. non dipende dall'unità di misura delle variabili. può assumere qualsiasi valore reale. misura direttamente la causalità della relazione.

Nella formula concettuale di r di Pearson, la covarianza viene divisa per: la numerosità delle osservazioni. la somma delle deviazioni standard delle due variabili. il prodotto delle deviazioni standard delle due variabili. il prodotto delle medie delle due variabili.

Il coefficiente r di Pearson si ottiene: standardizzando la covarianza. sommando le deviazioni standard delle due variabili. elevando al quadrato la covarianza. dividendo la varianza di X per la varianza di Y.

Misurando la correlazione tra il tempo trascorso a correre e le calorie bruciate, quale valore di r appare più plausibile?. 0.1. 0.9. -0.1. -0.9.

Il coefficiente di determinazione corrisponde: al quadrato del coefficiente di correlazione. alla radice quadrata del coefficiente di correlazione. al valore assoluto della covarianza. al prodotto tra r e la numerosità del campione.

Se r = 0.50, il coefficiente di determinazione è pari a: 0.05. 0.5. 0.25. 0.75.

Misurando la correlazione tra le ore di deprivazione di sonno e il livello di attenzione, quale valore di r appare più plausibile?. 0.8. 0.1. -0.1. -0.8.

Una ricerca ha rilevato r = -0.87 tra la variabile X e la variabile Y. Ciò indica: una correlazione negativa forte tra le due variabili. una correlazione positiva debole tra le due variabili. una correlazione positiva forte tra le due variabili. una correlazione negativa debole tra le due variabili.

Una ricerca ha rilevato r = -0.84 tra la variabile X e la variabile Y. Ciò significa che: all'aumentare di X, Y tende ad aumentare. all'aumentare di X, Y tende a diminuire. all'aumentare di X, Y tende a rimanere costante. le variazioni di X non sono associate linearmente a quelle di Y.

Una ricerca ha rilevato r = 0.92 tra la variabile X e la variabile Y. Ciò significa che: all'aumentare di X, Y tende ad aumentare. le variazioni di X non sono associate linearmente a quelle di Y. all'aumentare di X, Y tende a diminuire. all'aumentare di X, Y tende a rimanere costante.

La presenza di una correlazione tra due variabili: prova l'esistenza di una relazione causale. chiarisce quale variabile rappresenta la causa e quale l'effetto. nessuna delle alternative. indica quale variabile esercita un'influenza sull'altra.

Un limite della covarianza consiste nel fatto che: può essere calcolata soltanto quando le variabili hanno la stessa media. non dispone di una scala di riferimento fissa. non fornisce informazioni sulla direzione della relazione. assume esclusivamente valori compresi tra -1 e +1.

La presenza di una correlazione tra due variabili: non dimostra l'esistenza di una relazione causale. non indica quale variabile influenzi l'altra. non chiarisce quale variabile rappresenti la causa e quale l'effetto. tutte le alternative.

Se tra due variabili è presente una correlazione positiva: all'aumentare di una variabile, l'altra tende a diminuire. le due variabili assumono necessariamente valori positivi. il coefficiente di correlazione è necessariamente significativo. le due variabili tendono ad aumentare o diminuire insieme.

Il coefficiente r di Pearson viene applicato principalmente a: qualsiasi coppia di variabili, indipendentemente dalla scala di misura. variabili ordinali espresse esclusivamente mediante ranghi. variabili quantitative a punteggio. variabili nominali con più di due categorie.

Nel calcolo della covarianza, se gli scarti dalla media delle due variabili hanno lo stesso segno, il loro prodotto è: indipendente dal segno degli scarti. positivo. negativo. necessariamente pari a 0.

Il valore della covarianza: nessuna delle alternative. non dipende dalla varianza delle variabili. non dipende dall'unità di misura delle variabili. entrambe le alternative.

Il valore della covarianza: nessuna delle alternative. dipende dalla varianza delle due variabili. dipende dall'unità di misura delle due variabili. entrambe le alternative.

Una covarianza negativa indica che: le due variabili tendono a variare in direzioni opposte. le due variabili tendono a variare nella stessa direzione. le due variabili presentano entrambe una varianza negativa. non emerge alcuna relazione lineare sistematica.

Una covarianza positiva indica che: non emerge alcuna relazione lineare sistematica. le due variabili tendono a variare nella stessa direzione. all'aumentare di una variabile, l'altra tende a diminuire. le due variabili presentano la stessa medi.

Il coefficiente di determinazione r² può assumere: valori non negativi compresi tra 0 e 1. soltanto valori maggiori di 1. valori compresi tra -1 e +1. qualsiasi valore reale.

Se r = -0.80, la percentuale di varianza condivisa tra le due variabili è pari al: 0.20. 0.36. 0.64. 0.80.

Nella formula della covarianza, N rappresenta: il numero degli scarti positivi dalla media. il numero delle coppie di osservazioni. il numero complessivo dei punteggi di X e Y considerati separatamente. il numero delle variabili incluse nell'analisi.

Nel calcolo della covarianza, se gli scarti dalla media delle due variabili hanno segno opposto, il loro prodotto è: necessariamente pari a 1. negativo. uguale alla somma degli scarti. positivo.

Il coefficiente ρ di Spearman può assumere valori compresi tra: -100 e +100. 0 e +1. qualsiasi valore reale. -1 e +1.

Nel calcolo di ρ di Spearman vengono correlate: le medie delle due variabili. le frequenze assolute dei punteggi. le deviazioni standard delle due variabili. le posizioni occupate dai punteggi nelle due variabili.

Un coefficiente ρ di Spearman pari a -1 indica: una relazione monotona negativa perfetta. una relazione necessariamente lineare negativa perfetta. assenza di relazione tra i ranghi. una relazione monotona positiva perfetta.

Un coefficiente ρ di Spearman pari a +1 indica: una relazione monotona negativa perfetta. una relazione necessariamente lineare positiva perfetta. una relazione monotona positiva perfetta. assenza di relazione tra i ranghi.

Un coefficiente ρ di Spearman pari a 0 indica: presenza di una relazione monotona positiva debole. presenza di una relazione lineare negativa perfetta. assenza di qualsiasi possibile relazione tra le variabili. assenza di una relazione monotona.

Il coefficiente ρ di Spearman non è appropriato quando la relazione tra le variabili è: monotona decrescente. monotona ma non lineare. non monotona. monotona crescente.

Per esaminare la relazione tra due variabili rilevate mediante scale Likert e trattate come ordinali è generalmente preferibile: r di Pearson, perché utilizza direttamente i punteggi originali delle scale. ρ di Spearman, perché rispetta la natura ordinale dei dati. r di Pearson, perché non richiede alcuna assunzione. la covarianza, perché assume sempre valori compresi tra -1 e +1.

In presenza di distribuzioni marcatamente asimmetriche, può essere preferibile utilizzare: alfa di Cronbach. ρ di Spearman. r di Pearson indipendentemente dalle altre caratteristiche dei dati. il coefficiente di determinazione.

La maggiore robustezza di ρ di Spearman agli outlier dipende dal fatto che: utilizza i ranghi anziché i valori originali. utilizza soltanto i punteggi compresi entro una deviazione standard. sostituisce gli outlier con la media della distribuzione. elimina automaticamente tutte le osservazioni estreme.

Rispetto al coefficiente r di Pearson, ρ di Spearman è generalmente: più sensibile alla grandezza dei valori estremi. meno sensibile all'influenza degli outlier. ugualmente influenzato dagli outlier perché utilizza gli stessi punteggi. non utilizzabile in presenza di valori estremi.

Il coefficiente ρ di Spearman può assumere un valore elevato quando la relazione tra le variabili è: monotona ma non necessariamente lineare. lineare soltanto se le distribuzioni sono normali. priva di una direzione sistematica. non monotona ma simmetrica.

La principale differenza tra r di Pearson e ρ di Spearman è che: Pearson utilizza i punteggi originali e misura una relazione lineare, mentre Spearman utilizza i ranghi e misura una relazione monotona. Pearson misura soltanto l'intensità della relazione, mentre Spearman ne misura soltanto la direzione. Pearson e Spearman differiscono esclusivamente quando il coefficiente assume segno negativo. Pearson utilizza i ranghi e misura una relazione monotona, mentre Spearman utilizza i punteggi originali e misura una relazione lineare.

Una relazione monotona: deve essere necessariamente rappresentata da una retta. deve presentare una distribuzione normale. può essere anche non lineare. può assumere soltanto una direzione crescente.

Una relazione monotona decrescente è presente quando: all'aumentare di una variabile, l'altra tende sistematicamente ad aumentare. la relazione non presenta una direzione riconoscibile. all'aumentare di una variabile, l'altra tende sistematicamente a diminuire. le due variabili presentano necessariamente una relazione lineare positiva.

I ranghi rappresentano: gli scarti dei punteggi rispetto alla media. le posizioni ordinali occupate dai punteggi nella distribuzione. le distanze quantitative tra punteggi consecutivi. le frequenze con cui compaiono i punteggi.

Il coefficiente ρ di Spearman viene calcolato: calcolando il rapporto tra le varianze delle due variabili. applicando la formula della covarianza ai punteggi grezzi. applicando la formula della correlazione di Pearson ai ranghi. calcolando la differenza tra le medie dei ranghi.

Due punteggi identici occuperebbero le posizioni 2 e 3. Il rango condiviso assegnato a ciascuno è: 2. 3. 5. 2.5.

Il rango condiviso attribuito a punteggi identici corrisponde: alla media dei ranghi delle posizioni che avrebbero occupato. al rango della prima osservazione incontrata. alla somma dei ranghi delle posizioni occupate. alla mediana dei punteggi originali.

Quando due o più osservazioni presentano lo stesso punteggio nella stessa variabile, si assegnano: il rango più basso a tutte le osservazioni. il rango più elevato a tutte le osservazioni. ranghi condivisi. ranghi consecutivi scelti casualmente.

La trasformazione dei punteggi in ranghi: conserva le distanze, ma modifica l'ordine dei punteggi. conserva l'ordine dei punteggi, ma non le distanze tra di essi. elimina qualsiasi informazione sulla posizione relativa dei punteggi. conserva sia l'ordine sia le distanze originarie.

Nell'assegnazione dei ranghi in ordine crescente, al punteggio più basso viene attribuito: il rango 0. il rango medio della distribuzione. il rango corrispondente alla numerosità del campione. il rango 1.

Una relazione monotona crescente è presente quando: le due variabili mantengono sempre lo stesso valore. la relazione cambia ripetutamente direzione. all'aumentare di una variabile, l'altra tende sistematicamente ad aumentare. all'aumentare di una variabile, l'altra tende sistematicamente a diminuire.

Per calcolare il coefficiente ρ di Spearman, i punteggi originali vengono: trasformati in ranghi. sostituiti con le rispettive medie. standardizzati in punti z. trasformati in frequenze cumulate.

Il coefficiente di correlazione che si basa sui ranghi è: alfa di Cronbach. r di Pearson. d di Cohen. ρ di Spearman.

Il coefficiente ρ di Spearman non è generalmente preferibile quando: entrambe le alternative. le variabili sono quantitative e presentano distribuzioni approssimativamente normali. la relazione è lineare e non sono presenti outlier influenti. nessuna delle alternative.

Il coefficiente ρ di Spearman è particolarmente indicato quando: i punteggi sono espressi su scala ordinale. entrambe le alternative. nessuna delle alternative. una o entrambe le distribuzioni dei punteggi sono marcatamente asimmetriche.

Nell'interpretazione del coefficiente ρ di Spearman, il segno indica: la significatività statistica della relazione. la distanza tra i ranghi. la direzione della relazione monotona. l'intensità della relazione.

Nell'interpretazione del coefficiente ρ di Spearman, il valore assoluto indica: la direzione della relazione. l'intensità della relazione monotona. il numero dei ranghi condivisi. la normalità delle distribuzioni.

La statistica inferenziale consente di: utilizzare le informazioni campionarie per formulare inferenze sulla popolazione. osservare direttamente tutte le popolazioni potenzialmente infinite. descrivere esclusivamente i punteggi osservati nel campione. eliminare completamente l'incertezza associata ai risultati.

In una popolazione statistica totalmente reperibile: è possibile ottenere la totalità dei punteggi relativi alla variabile di interesse. non è possibile conoscere tutti i punteggi nemmeno in linea teorica. la popolazione può essere descritta esclusivamente attraverso un campione. la variabile può generare un numero indefinito di nuovi punteggi.

Le conclusioni formulate sulla popolazione a partire da un campione: coincidono necessariamente con le caratteristiche reali della popolazione. sono valide soltanto se il campione ha la stessa numerosità della popolazione. sono associate a un certo grado di incertezza. sono associate a un certo grado di incertezza.

Una popolazione statistica può essere: totalmente reperibile. potenzialmente infinita. entrambe le alternative. nessuna delle alternative.

Una ricercatrice seleziona i partecipanti scegliendo soltanto le persone più facilmente raggiungibili. Questa procedura: non garantisce l'equiprobabilità di selezione delle unità campionarie. rappresenta una procedura di randomizzazione. produce necessariamente un campione rappresentativo. assicura l'assenza di distorsioni sistematiche.

Quale delle seguenti procedure può essere utilizzata per effettuare un campionamento casuale?. utilizzo di numeri casuali generati mediante un software. estrazione manuale delle unità. utilizzo di una tabella dei numeri casuali. tutte le alternative.

Nel contesto del campionamento, il termine randomizzazione indica: una procedura formalizzata che garantisce l'equiprobabilità di selezione delle unità. una selezione effettuata senza seguire alcuna regola. una procedura che rende il campione identico alla popolazione. una scelta basata sull'intuizione del ricercatore.

Nel campionamento casuale, ciascuna unità della popolazione deve avere: una probabilità di selezione proporzionale al proprio punteggio. la stessa probabilità di essere inclusa nel campione. la stessa probabilità di essere inclusa nel campione. una probabilità maggiore se presenta caratteristiche vicine alla media.

Le statistiche campionarie vengono utilizzate per: eliminare le differenze tra campione e popolazione. sostituire definitivamente i parametri della popolazione. stimare i corrispondenti parametri della popolazione. garantire che campioni diversi producano gli stessi risultati.

In una popolazione statistica potenzialmente infinita: la popolazione è necessariamente composta da un numero finito di punteggi. non è possibile ottenere la totalità dei punteggi. la numerosità della popolazione coincide con quella del campione. è possibile ottenere la totalità dei punteggi.

Un campione selezionato casualmente: elimina qualsiasi forma di variabilità campionaria. coincide necessariamente con la popolazione rispetto a tutte le caratteristiche. garantisce che le statistiche campionarie coincidano con i parametri. non è necessariamente identico alla popolazione, ma riduce il rischio di distorsioni sistematiche.

Un campione statistico è: una procedura utilizzata per selezionare la popolazione. un insieme di parametri riferiti alla popolazione. l'insieme completo dei punteggi relativi alla variabile di interesse. un sottoinsieme di punteggi estratto dalla popolazione di riferimento.

Una statistica campionaria è: una procedura utilizzata per selezionare casualmente le unità. una caratteristica numerica riferita all'intera popolazione. una misura calcolata sui punteggi osservati nel campione. la probabilità che un'unità venga inclusa nel campione.

Per definire correttamente una popolazione statistica è necessario specificare: esclusivamente il numero degli individui presenti. soltanto il contesto in cui viene condotta la ricerca. la variabile di interesse e l'insieme completo dei relativi punteggi. la numerosità prevista del campione.

L'insieme dei pazienti afferenti a un servizio psicologico costituisce una popolazione statistica rispetto a una specifica variabile quando: si selezionano soltanto i pazienti con punteggi vicini alla media. si specifica la variabile e si considera l'insieme completo dei relativi punteggi. si include nel campione un numero sufficientemente elevato di pazienti. si calcola una statistica descrittiva sui pazienti osservati.

La media calcolata su un campione rappresenta: la vera media della popolazione in ogni possibile campione. una misura priva di relazione con la popolazione di riferimento. un parametro noto senza margine di incertezza. una stima della media della popolazione.

Una popolazione statistica è costituita: dalle sole osservazioni che presentano valori vicini alla media. dal sottoinsieme di individui che partecipa materialmente allo studio. dalle statistiche calcolate sui dati campionari. dall'insieme completo dei punteggi relativi alla variabile di interesse.

Un parametro è: un metodo di estrazione casuale. una caratteristica numerica riferita alla popolazione. un singolo punteggio osservato nel campione. una misura calcolata esclusivamente sui dati campionari.

Nella distribuzione delle medie campionarie, il 95% centrale corrisponde: alle medie campionarie esattamente uguali alla media della popolazione. alla somma della coda inferiore e della coda superiore. alla parte della distribuzione compresa tra le due code estreme, ciascuna pari al 2.5%. alla sola parte della distribuzione superiore alla media.

alla sola parte della distribuzione superiore alla media. il 95% della distribuzione delle medie campionarie. il 2.5% della distribuzione delle medie campionarie. il 5% della distribuzione delle medie campionarie. il 50% della distribuzione delle medie campionarie.

Una media campionaria collocata in una delle code estreme della distribuzione è: priva di rilevanza per l'inferenza statistica. più probabile di una media collocata nell'area centrale. necessariamente uguale alla media della popolazione. poco probabile sotto l'ipotesi che il campione provenga dalla popolazione di riferimento.

Un risultato è considerato statisticamente significativo quando: deriva da un campione ampio, indipendentemente dal risultato osservato. è molto vicino al parametro previsto dall'ipotesi nulla H₀. è sufficientemente improbabile sotto l'ipotesi nulla H₀. ricade nel 95% centrale della distribuzione.

L'intervallo di confidenza permette di: eliminare la variabilità introdotta dal campionamento. dimostrare che la statistica campionaria coincide con il parametro. determinare con certezza il valore esatto del parametro. esprimere l'incertezza e la precisione associate alla stima di un parametro della popolazione.

Un intervallo di confidenza per la media della popolazione viene costruito: sostituendo la media campionaria con la mediana. attorno alla media campionaria, utilizzando l'informazione sulla variabilità campionaria. eliminando le osservazioni collocate nelle code della distribuzione. attorno a ciascun singolo punteggio osservato nella popolazione.

La deviazione standard della popolazione viene indicata generalmente con il simbolo: μ. S. M. σ.

Da un campione all'altro varia: la stima campionaria del parametro. la definizione della variabile di interesse. la media reale della popolazione. il parametro della popolazione.

La media della popolazione viene indicata generalmente con il simbolo: M. σ. S. μ.

La media calcolata sul campione viene indicata con il simbolo: M. μ. σ. S.

La deviazione standard calcolata sul campione viene indicata nella lezione con il simbolo: M. S. σ. μ.

Le quantità calcolate sul campione vengono definite: errori standard della popolazione. statistiche campionarie. parametri della popolazione. probabilità di campionamento.

Le caratteristiche numeriche riferite alla popolazione vengono definite: parametri. statistiche campionarie. unità campionarie. stime osservate.

Un campione si definisce rappresentativo quando: riflette in modo accurato le caratteristiche rilevanti della popolazione di riferimento. comprende soltanto le unità con punteggi vicini alla media. riproduce esattamente tutti i punteggi della popolazione. rispecchia le aspettative del ricercatore.

La generalizzabilità indica il grado in cui i risultati ottenuti: su un campione possono essere estesi alla popolazione di riferimento. in un determinato momento possono essere estesi senza condizioni a periodi successivi. sulla popolazione possono essere estesi a un singolo partecipante. su un campione possono essere estesi automaticamente a qualsiasi altra popolazione.

Le medie di numerosi campioni randomizzati tendono a: distribuirsi attorno alla media della popolazione. distribuirsi esclusivamente nelle code della distribuzione. concentrarsi prevalentemente lontano dalla media della popolazione. coincidere tutte esattamente con la media della popolazione.

Rispetto ai campioni di piccola ampiezza, i campioni più ampi tendono a produrre: stime più variabili dei parametri della popolazione. medie necessariamente identiche al parametro. stime più precise dei parametri della popolazione. una maggiore probabilità di distorsione sistematica.

All'aumentare dell'ampiezza del campione, l'errore standard tende a: aumentare. rimanere necessariamente invariato. diventare uguale alla media campionaria. diminuire.

All'aumentare dell'ampiezza del campione, le medie campionarie: diventano più variabili da un campione all'altro. tendono ad allontanarsi dalla media della popolazione. presentano necessariamente valori più elevati. tendono a concentrarsi maggiormente attorno alla media della popolazione.

Un errore standard elevato indica che le stime campionarie sono: necessariamente distorte nella stessa direzione. più concentrate e più precise. più disperse e meno precise. uguali al parametro della popolazione.

Un errore standard piccolo indica che le medie campionarie: coincidono necessariamente con la media della popolazione. sono molto disperse attorno alla media della popolazione. sono poco disperse attorno alla media della popolazione. presentano una maggiore variabilità da un campione all'altro.

L'errore standard misura: la variabilità delle medie campionarie. la probabilità che la popolazione sia normalmente distribuita. la differenza tra la media e la mediana del campione. la variabilità dei singoli punteggi all'interno di un campione.

La deviazione standard delle medie campionarie prende il nome di: errore sistematico. varianza della popolazione. errore standard. intervallo di confidenza.

La media delle medie campionarie tende a: rappresentare l'errore sistematico del campionamento. avvicinarsi alla media della popolazione. aumentare con l'ampiezza dei campioni. coincidere con la deviazione standard della popolazione.

Nella distribuzione delle medie campionarie, le medie molto lontane dalla media della popolazione sono generalmente: più frequenti delle medie vicine al valore della popolazione. meno frequenti delle medie vicine al valore della popolazione. impossibili da osservare. frequenti quanto le medie collocate nell'area centrale.

La variabilità delle statistiche calcolate su campioni diversi prende il nome di: variabilità campionaria. variabilità sistematica. randomizzazione. errore di misurazione.

Campioni diversi estratti casualmente dalla stessa popolazione: possono contenere soltanto gli stessi punteggi. coincidono sempre con la popolazione di riferimento. producono necessariamente la stessa media. possono essere composti da punteggi differenti.

Un campione randomizzato viene selezionato mediante: una procedura che riduce il rischio di distorsioni sistematiche nella selezione. una scelta basata sulle aspettative del ricercatore. una selezione delle unità più facilmente raggiungibili. una procedura che garantisce la coincidenza tra statistiche campionarie e parametri.

Il campionamento in cui ogni unità della popolazione ha la stessa probabilità di essere selezionata è definito: selezione intenzionale. campionamento randomizzato. assegnazione casuale alle condizioni. campionamento per convenienza.

Il processo sistematico mediante il quale ogni unità della popolazione ha la stessa probabilità di essere selezionata prende il nome di: potenza statistica. randomizzazione. coerenza interna. selezione arbitraria.

Le medie calcolate su campioni diversi estratti dalla stessa popolazione: coincidono necessariamente tra loro. sono sempre uguali alla media della popolazione. possono assumere valori differenti. variano soltanto se cambia la popolazione di riferimento.

Se gli eventi A e B sono indipendenti: P(A|B) è necessariamente uguale a P(B). P(A|B) è uguale a P(A) + P(B). P(A|B) è uguale a P(A). P(A|B) è necessariamente uguale a 0.

Per due eventi dipendenti, la probabilità della loro intersezione si calcola mediante: P(A ∩ B) = P(A) × P(B|A). P(A ∩ B) = P(A) × P(B) in ogni situazione. P(A ∩ B) = P(A) + P(B). P(A ∩ B) = P(A) - P(B|A).

La regola della moltiplicazione viene utilizzata, nella sua forma semplice, per calcolare: la probabilità di un singolo evento impossibile. la probabilità dell'unione di eventi mutuamente escludenti. la somma delle probabilità di tutti gli esiti possibili. la probabilità congiunta di eventi indipendenti.

Per due eventi indipendenti, la regola della moltiplicazione stabilisce che: P(A ∩ B) = P(A) × P(B). P(A ∪ B) = P(A) × P(B). P(A|B) = P(A) - P(B). P(A ∩ B) = P(A) + P(B).

Due eventi sono indipendenti quando: il verificarsi dell'uno non modifica la probabilità dell'altro. hanno sempre la stessa probabilità. non possono verificarsi contemporaneamente. si verificano necessariamente nello stesso momento.

La probabilità P(A ∩ B) rappresenta la probabilità che: si verifichino entrambi gli eventi A e B. si verifichi A oppure B, ma non entrambi. non si verifichi nessuno dei due eventi. si verifichi A dato che B non si è verificato.

Nella formula P(A ∪ B) = P(A) + P(B) - P(A ∩ B), la probabilità dell'intersezione viene sottratta perché: la somma delle probabilità deve essere sempre uguale a 0. gli eventi A e B sono necessariamente indipendenti. l'intersezione rappresenta gli esiti che non appartengono né ad A né a B. gli esiti comuni ad A e B sarebbero altrimenti conteggiati due volte.

Quando due eventi A e B possono verificarsi contemporaneamente, la probabilità della loro unione si calcola mediante: P(A ∪ B) = P(A) + P(B). P(A ∪ B) = P(A) × P(B). P(A ∪ B) = P(A) - P(B). P(A ∪ B) = P(A) + P(B) - P(A ∩ B).

La probabilità dell'unione di due eventi A e B rappresenta la probabilità che: si verifichi A soltanto dopo B. si verifichi A, B oppure entrambi. non si verifichi nessuno dei due eventi. si verifichino necessariamente A e B contemporaneamente.

Per due eventi mutuamente escludenti, la regola dell'addizione stabilisce che: la probabilità dell'unione è data dalla differenza tra P(A) e P(B). la probabilità che si verifichi A oppure B è data dalla somma di P(A) e P(B). la probabilità che si verifichino A e B è data dal prodotto di P(A) e P(B). la probabilità che si verifichi A dato B è data dalla somma di P(A) e P(B).

Se un insieme di eventi è mutuamente escludente ed esaustivo, la somma delle probabilità degli eventi è: uguale al prodotto delle probabilità. sempre inferiore a 0.5. uguale a 1. uguale a 0.

Due eventi sono mutuamente escludenti quando: si verificano sempre nella stessa sequenza. non possono verificarsi contemporaneamente. possono verificarsi contemporaneamente ma con bassa probabilità. il verificarsi dell'uno non modifica la probabilità dell'altro.

La regressione verso la media può verificarsi perché i punteggi estremi: possono includere una componente casuale che non si ripresenta nello stesso modo. presentano necessariamente un errore sistematico nella stessa direzione. sono indipendenti dall'errore di misura. possono essere ottenuti soltanto da persone con caratteristiche stabili.

Il fenomeno della regressione verso la media indica che: punteggi inizialmente estremi tendono ad avvicinarsi alla media nelle misurazioni successive. punteggi inizialmente estremi tendono necessariamente a diventare ancora più estremi. tutti i punteggi tendono a coincidere con la media dopo una seconda misurazione. la media del gruppo tende ad avvicinarsi ai punteggi più elevati.

Una probabilità pari a 0.20 indica che, ripetendo molte volte la situazione nelle stesse condizioni, l'evento: deve verificarsi esattamente 20 volte in ogni serie di 100 prove. è atteso approssimativamente 20 volte su 100. è atteso approssimativamente 80 volte su 100. non può verificarsi.

La probabilità di un evento certo è: uguale a 1. indeterminabile. uguale a 0. necessariamente inferiore a 1.

La probabilità di un evento impossibile è: uguale a 0. uguale a 1. uguale a 0.5. indeterminabile.

In statistica, la probabilità di un evento viene espressa mediante un valore: compreso tra 0 e 1, estremi inclusi. necessariamente espresso come numero intero. necessariamente maggiore di 1. compreso tra -1 e +1, estremi inclusi.

La percentuale 45% a quanto corrisponde in forma decimale?. 0.0045. 0.45. 0.045. 4.5.

La probabilità condizionata P(A|B) indica: la probabilità che si verifichino A e B contemporaneamente. la probabilità che si verifichi A dato che si è verificato B. la probabilità che non si verifichi né A né B. la probabilità che si verifichi A oppure B.

Un punteggio elevato a un test psicologico: coincide necessariamente con il livello reale del costrutto. modifica la probabilità attribuita alla presenza del costrutto, ma non ne costituisce una conferma certa. dimostra con certezza la presenza del costrutto. esclude completamente l'influenza dell'errore di misura.

In un item a scelta multipla con quattro alternative, una sola delle quali corretta, la probabilità di rispondere correttamente per caso è: 0.75. 0.4. 0.5. 0.25.

Quando si effettuano più test statistici sullo stesso insieme di dati, una procedura per controllare l'aumento della probabilità di ottenere risultati significativi per effetto del caso consiste nel: dividere il livello di significatività complessivo per il numero dei test effettuati. moltiplicare il livello di significatività complessivo per il numero dei test effettuati. dividere il livello di significatività per la numerosità del campione. mantenere invariato il livello di significatività per ciascun test.

Replicare uno studio significa: ripetere lo studio in un momento successivo e possibilmente in condizioni differenti. applicare test statistici diversi allo stesso campione. analizzare più volte gli stessi dati modificando il livello di significatività. ripetere lo stesso test statistico sui medesimi dati.

In uno studio vengono effettuati due test statistici e si vuole mantenere il livello di significatività complessivo pari a 0.05. Quale livello di significatività deve essere utilizzato per ciascun test?. 0.025. 0.05. 0.1. 0.0025.

Aumentando il numero di alternative di risposta di un item, la probabilità di individuare casualmente la risposta corretta: aumenta. rimane necessariamente invariata. diventa uguale a 1. diminuisce.

Il teorema di Bayes consente di: calcolare esclusivamente la probabilità di eventi impossibili. aggiornare una probabilità iniziale alla luce di nuove informazioni. eliminare la frequenza di base del fenomeno nella popolazione. stabilire che il risultato di un test è sempre corretto.

Il numero atteso di risposte corrette dovute al caso in un test si ottiene: calcolando la media dei punteggi osservati nel campione. moltiplicando il numero degli item per il numero delle alternative. sottraendo le risposte errate dalle risposte omesse. sommando le probabilità di risposta corretta casuale associate ai singoli item.

Un punteggio vicino al numero atteso di risposte corrette dovute al caso può indicare: l'assenza di qualsiasi errore di misura. una conoscenza certamente elevata dei contenuti. una prestazione compatibile con risposte casuali. una probabilità nulla di aver risposto casualmente.

Nel riportare una correlazione o una differenza tra medie è necessario indicare anche: soltanto il numero identificativo dei partecipanti. la frequenza della categoria modale. se il risultato è statisticamente significativo. esclusivamente il valore massimo osservato.

In un test a due code con α = 0.05, la regione estrema viene suddivisa in: 2.5% nella coda inferiore e 2.5% nella coda superiore. 5% nella coda inferiore e 5% nella coda superiore. 5% nella parte centrale della distribuzione. 2.5% nella sola coda superiore.

In un test a una coda con α = 0.05: il 5% viene sempre suddiviso equamente tra le due code. non viene formulata alcuna ipotesi direzionale. il 95% viene collocato nella coda superiore. l'intero 5% viene collocato in una sola coda della distribuzione.

La scelta tra un test a una coda e un test a due code dipende principalmente: dal numero delle variabili nominali. dalla media osservata nel campione. dal numero di alternative di risposta. dalla direzione dell'ipotesi formulata.

Un valore critico è: la media della distribuzione campionaria. la probabilità che H₀ sia vera. il punteggio più frequente osservato nel campione. il valore oltre il quale il risultato viene considerato statisticamente significativo.

Le tavole di significatività statistica riportano valori critici in funzione, generalmente: della scala di misura nominale. della media e della mediana del campione. dell'ordine di inserimento dei dati. della numerosità campionaria o dei gradi di libertà.

Si commette un errore di II tipo quando: si rifiuta H₀ mentre H₀ è falsa. non si rifiuta H₀ mentre H₀ è vera. non si rifiuta H₀ mentre H₀ è falsa. si rifiuta H₀ mentre H₀ è vera.

Un risultato statisticamente significativo: può avere una dimensione ridotta e una limitata rilevanza psicologica. esclude la necessità di interpretare la dimensione dell'effetto. è necessariamente ampio e importante dal punto di vista psicologico. dimostra che l'effetto osservato è causalmente rilevante.

Si commette un errore di I tipo quando: non si rifiuta H₀ mentre H₀ è falsa. si rifiuta H₀ mentre H₀ è vera. si rifiuta H₀ mentre H₀ è falsa. non si rifiuta H₀ mentre H₀ è vera.

Commettere un errore di I tipo significa concludere che: H₀ è vera e viene correttamente mantenuta. esiste un effetto, una differenza o una relazione che nella popolazione non è presente. non esiste un effetto che nella popolazione è realmente presente. H₁ è falsa e viene correttamente respinta.

Commettere un errore di II tipo significa: rilevare un effetto che nella popolazione non esiste. non rilevare un effetto, una differenza o una relazione realmente presente nella popolazione. rifiutare correttamente un'ipotesi nulla falsa. dimostrare con certezza l'assenza di un effetto.

All'aumentare della numerosità campionaria, la distribuzione dei coefficienti campionari tende a essere: più dispersa attorno al parametro della popolazione. necessariamente spostata verso valori positivi. indipendente dal parametro della popolazione. meno dispersa attorno al parametro della popolazione.

Un livello di significatività α = 0.05 indica che, assumendo vera H₀, un risultato uguale o più estremo di quello osservato si verificherebbe mediamente: esattamente una volta su 100. circa 95 volte su 100. circa 5 volte su 100. circa 50 volte su 100.

A parità di relazione osservata, la valutazione della significatività può cambiare al variare: dell'ordine delle righe nel file di dati. del numero identificativo dei partecipanti. della numerosità campionaria. della denominazione attribuita alle variabili.

Rispetto a un campione piccolo, un campione più ampio tende a produrre: una maggiore variabilità campionaria. coefficienti necessariamente più elevati. una stima più stabile e meno incerta del parametro. risultati sempre statisticamente significativi.

Con un livello di significatività α = 0.05, il 5% più estremo della distribuzione rappresenta: la regione dei risultati più frequenti sotto H₀. la probabilità che H₁ sia falsa. il 95% dei risultati attesi nella popolazione. la regione dei risultati considerati sufficientemente rari sotto H₀.

Se il risultato osservato rientra nel 95% centrale della distribuzione attesa sotto H₀: H₀ non viene rifiutata. H₀ viene rifiutata. il risultato è necessariamente importante. H₁ viene dimostrata con certezza.

La variabilità campionaria indica che: le statistiche campionarie coincidono necessariamente con i parametri. tutti i campioni estratti dalla stessa popolazione producono risultati identici. campioni diversi estratti dalla stessa popolazione possono produrre risultati differenti. i parametri della popolazione cambiano a ogni campionamento.

Un risultato statisticamente significativo è un risultato che: è poco probabile assumendo vera l'ipotesi nulla H₀. esclude completamente l'influenza della variabilità campionaria. è necessariamente importante dal punto di vista psicologico. dimostra con certezza che l'ipotesi nulla H₀ è falsa.

La significatività statistica permette di valutare: quanto il campione sia simile a qualsiasi altra popolazione. quanto lo strumento utilizzato sia attendibile. quanto il risultato sia importante dal punto di vista clinico. quanto il risultato osservato sia compatibile con ciò che ci si attenderebbe se H₀ fosse vera.

Affermare che un risultato è statisticamente significativo non significa che: il valore osservato sia raro sotto H₀. il risultato fornisca evidenza contro H₀. Il risultato sia poco compatibile con H₀. il risultato sia certamente estraneo all'influenza del caso.

La valutazione della significatività statistica fa parte principalmente: del processo di verifica delle ipotesi. della descrizione anagrafica del campione. della costruzione delle distribuzioni di frequenza. della codifica delle variabili nominali.

Il processo di verifica delle ipotesi viene generalmente condotto assumendo come riferimento: l'intervallo di confidenza. la media campionaria. la dimensione dell'effetto. l'ipotesi nulla H₀.

L'ipotesi nulla H₀ afferma generalmente che nella popolazione: non è presente l'effetto, la differenza o la relazione oggetto di studio. è presente una relazione perfetta tra le variabili. l'effetto osservato nel campione è necessariamente elevato. la statistica campionaria coincide sempre con il parametro.

L'ipotesi alternativa H₁ prevede generalmente che nella popolazione: non sia presente alcun effetto, differenza o relazione. il campione coincida con l'intera popolazione. sia presente un effetto, una differenza o una relazione. la variabilità campionaria sia uguale a 0.

Se una statistica campionaria cade nel 5% più estremo della distribuzione attesa sotto H₀: la statistica campionaria viene sostituita dal parametro. H₀ viene necessariamente dimostrata vera. il risultato viene considerato descrittivamente irrilevante. il risultato viene considerato statisticamente significativo.

I test di significatività statistica consentono di valutare se i dati osservati: dimostrano con certezza l'ipotesi alternativa H₁. forniscono evidenza sufficiente contro l'ipotesi nulla H₀. descrivono integralmente la popolazione di riferimento. eliminano la possibilità di errore decisionale.

Anche quando nella popolazione non esiste una relazione lineare tra due variabili: la correlazione campionaria non può essere calcolata. in un singolo campione può essere osservata una correlazione diversa da 0. tutti i campioni producono correlazioni positive. ogni campione deve produrre una correlazione esattamente uguale a 0.

La correlazione lineare di Pearson calcolata nella popolazione viene indicata con: ρ. M. r. S.

La correlazione lineare di Pearson calcolata nel campione viene indicata con: μ. σ. r. ρ.

Nell'esempio in cui ρ = 0, questo valore indica che nella popolazione: esiste una relazione lineare positiva perfetta. non esiste una relazione lineare tra X e Y. esiste una relazione lineare negativa perfetta. la correlazione non può essere stimata.

Il coefficiente r calcolato nel campione rappresenta: la dimensione complessiva della popolazione. un parametro fisso della popolazione. una stima del parametro ρ della popolazione. la probabilità che H₀ sia vera.

La distribuzione dei coefficienti di correlazione ottenuti da numerosi campioni viene definita: distribuzione delle frequenze cumulate. distribuzione campionaria. distribuzione dei ranghi. distribuzione della popolazione.

Nella distribuzione campionaria costruita assumendo ρ = 0, i valori di r prossimi a 0 sono generalmente: meno frequenti dei valori collocati nelle code. più frequenti dei valori collocati nelle code. impossibili da osservare. necessariamente statisticamente significativi.

I valori collocati nelle code della distribuzione campionaria sono: meno frequenti sotto l'ipotesi nulla H₀. necessariamente impossibili. più frequenti dei valori centrali. sempre uguali al parametro della popolazione.

Con un livello di significatività α = 0.05, il 95% centrale della distribuzione rappresenta: la probabilità che H₀ sia vera. l'insieme dei risultati impossibili sotto H₀. l'insieme dei risultati più comunemente attesi sotto H₀. la regione dei risultati statisticamente significativi.

Quando ρ = 0, i coefficienti di correlazione ottenuti da numerosi campioni tendono: a concentrarsi esclusivamente vicino a +1. a distribuirsi attorno a 0. a coincidere tutti esattamente con 0. a presentare soltanto valori negativi.

L'errore di II tipo corrisponde a: un falso positivo. un risultato necessariamente significativo. una decisione corretta in assenza di un effetto. un falso negativo.

La probabilità di commettere un errore di I tipo viene indicata con: 1 - β. α. β. ρ.

Commettere un errore di II tipo significa: rifiutare correttamente un'ipotesi nulla falsa. non rifiutare correttamente un'ipotesi nulla vera. rilevare un effetto inesistente nella popolazione. non rilevare un effetto realmente presente nella popolazione.

L'errore di I tipo corrisponde a: una decisione corretta in presenza di un effetto. una stima priva di variabilità campionaria. un falso negativo. un falso positivo.

Commettere un errore di I tipo significa concludere che: H₀ è falsa e viene correttamente rifiutata. H₀ è vera e viene correttamente non rifiutata. esiste un effetto che nella popolazione non è presente. non esiste un effetto che nella popolazione è presente.

In uno studio sulla relazione tra genere e reddito, concludere che la relazione esiste quando nella popolazione è assente costituisce: una decisione corretta associata alla potenza. un errore di I tipo. un errore di II tipo. una corretta mancata reiezione di H₀.

Il livello di significatività α rappresenta: la probabilità di non rifiutare H₀ quando H₀ è falsa. la probabilità che H₀ sia vera dopo l'analisi. la dimensione dell'effetto nella popolazione. il rischio accettato di rifiutare H₀ quando H₀ è vera.

Impostare α = 0.05 significa accettare: un rischio del 5% di non rilevare un effetto reale. un rischio del 5% di rifiutare H₀ quando H₀ è vera. una probabilità del 95% che H₁ sia vera. una potenza statistica necessariamente pari a 0.95.

Si commette un errore di II tipo quando: non si rifiuta H₀ mentre H₀ è vera. si rifiuta H₀ mentre H₀ è falsa. non si rifiuta H₀ mentre H₀ è falsa. si rifiuta H₀ mentre H₀ è vera.

La probabilità di commettere un errore di II tipo viene indicata con: 1 - β. α. β. μ.

Nel processo di verifica delle ipotesi è possibile commettere: nessun errore se il campionamento è casuale. soltanto un errore di I tipo. soltanto un errore di II tipo. un errore di I tipo o un errore di II tipo.

La potenza statistica di un test viene indicata con: 1 - β. α + β. 1 - α. α – β.

La potenza statistica rappresenta la probabilità di: non rilevare un effetto realmente presente nella popolazione. rifiutare H₀ quando H₀ è vera. rilevare un effetto realmente presente nella popolazione. dimostrare con certezza che H₁ è vera.

Quando H₀ è falsa e viene rifiutata: si commette un errore di II tipo. H₀ viene accettata come vera. si commette un errore di I tipo. la decisione è corretta e il test ha rilevato un effetto reale.

Quando H₀ è vera e non viene rifiutata: la potenza statistica è necessariamente uguale a 1. si commette un errore di II tipo. si commette un errore di I tipo. la decisione statistica è corretta.

Impostando un livello di significatività α più restrittivo: si riduce necessariamente il rischio di errore di II tipo. si riduce il rischio di errore di I tipo. si elimina qualsiasi possibilità di errore. si aumenta il rischio di errore di I tipo.

Ridurre il livello di significatività da α = 0.05 ad α = 0.01 rende: più difficile rifiutare l'ipotesi nulla H₀. impossibile commettere un errore di II tipo. più facile rifiutare l'ipotesi nulla H₀. la potenza statistica necessariamente uguale a 1.

A parità delle altre condizioni, rendere più restrittivo il livello di significatività α può: eliminare la variabilità campionaria. ridurre il rischio di errore di I tipo e aumentare il rischio di errore di II tipo. ridurre contemporaneamente entrambi i tipi di errore. aumentare la potenza statistica e ridurre β.

Si commette un errore di I tipo quando: non si rifiuta H₀ mentre H₀ è vera. non si rifiuta H₀ mentre H₀ è falsa. si rifiuta H₀ mentre H₀ è vera. si rifiuta H₀ mentre H₀ è falsa.

La generalizzazione di un risultato statisticamente significativo richiede anche di considerare: la plausibilità teorica, la qualità della misurazione e i possibili fattori confondenti. il numero identificativo assegnato ai partecipanti. esclusivamente il segno positivo o negativo del coefficiente. soltanto il valore numerico della statistica campionaria.

Il compromesso tra errore di I tipo ed errore di II tipo deve essere valutato considerando: gli obiettivi della ricerca e le conseguenze di falsi positivi e falsi negativi. soltanto il numero delle variabili considerate. la preferenza del ricercatore per H₀ o H₁. esclusivamente la media osservata nel campione.

L'ipotesi nulla H₀ e l'ipotesi alternativa H₁ devono riferirsi: esclusivamente a relazioni positive. a campioni estratti da popolazioni necessariamente diverse. alle stesse variabili e allo stesso fenomeno oggetto di studio. a variabili differenti e non confrontabili.

In uno studio sulla relazione tra genere e reddito, non rilevare una relazione realmente presente nella popolazione costituisce: un errore di II tipo. un errore di I tipo. una corretta reiezione di H₀. una decisione corretta associata ad α.

L'ipotesi nulla H₀ rappresenta generalmente: l'assenza di una relazione, di una differenza o di un effetto nella popolazione. la coincidenza tra campione e popolazione. la presenza certa di una relazione nella popolazione. la rilevanza psicologica dell'effetto osservato.

L'ipotesi alternativa H₁ rappresenta generalmente: la presenza di sola variabilità campionaria. la presenza di una relazione, di una differenza o di un effetto nella popolazione. l'assenza di qualsiasi effetto nella popolazione. la certezza che il campione sia rappresentativo.

Nel caso della correlazione tra due variabili, l'ipotesi nulla H₀ afferma che nella popolazione: la correlazione è uguale a 0.5. la correlazione non può essere calcolata. la correlazione è uguale a 1. la correlazione è uguale a 0.

Nel caso di una correlazione non direzionale, l'ipotesi alternativa H₁ afferma che nella popolazione: la correlazione è necessariamente uguale a 0. la correlazione è necessariamente positiva. la correlazione campionaria coincide con quella della popolazione. la correlazione è diversa da 0.

L'ipotesi nulla H₀ viene utilizzata nel processo di verifica delle ipotesi come: conclusione formulata dopo aver osservato i risultati. modello di riferimento rispetto al quale valutare i dati campionari. descrizione delle caratteristiche anagrafiche del campione. affermazione considerata certamente vera sul piano teorico.

Nella verifica delle ipotesi, i dati campionari vengono utilizzati per valutare: se la variabilità campionaria possa essere eliminata. se il campione coincida esattamente con la popolazione. quanto il risultato osservato sia compatibile con H₀. se H₁ possa essere dimostrata con certezza.

Un risultato statisticamente significativo: non coincide necessariamente con un risultato teoricamente plausibile o psicologicamente rilevante. garantisce che la relazione sia causalmente interpretabile. osservata. dimostra sempre la plausibilità teorica della relazione.

La verifica delle ipotesi è un processo probabilistico perché: le decisioni basate sul campione mantengono sempre un margine di incertezza. trasforma le statistiche campionarie in parametri certi. consente di conoscere con certezza la realtà della popolazione. elimina la possibilità di commettere errori decisionali.

Quando i dati risultano poco compatibili con l'ipotesi nulla H₀: H₁ viene rifiutata automaticamente. non può essere presa alcuna decisione statistica. H₀ viene dimostrata vera. H₀ viene rifiutata.

Quando si rifiuta l'ipotesi nulla H₀: l'ipotesi alternativa H₁ riceve supporto empirico. l'ipotesi alternativa H₁ viene dimostrata con certezza. l'ipotesi alternativa H₁ viene rifiutata. H₀ viene considerata certamente vera.

Il rifiuto dell'ipotesi nulla H₀ indica che: i dati osservati sono poco compatibili con lo scenario previsto da H₀. H₁ è certamente vera nella popolazione. l'effetto osservato è necessariamente ampio. H₀ non può essere nuovamente sottoposta a verifica.

Quando i dati risultano compatibili con ciò che ci si attenderebbe sotto H₀: l'effetto viene considerato certamente assente. H₀ viene accettata come certamente vera. H₁ viene dimostrata falsa. H₀ non viene rifiutata.

Quando non si rifiuta l'ipotesi nulla H₀: non vi sono evidenze sufficienti per sostenere H₁. si esclude la presenza di qualsiasi effetto nella popolazione. si dimostra che H₀ è vera. si dimostra che H₁ è falsa.

Il mancato rifiuto dell'ipotesi nulla H₀ può dipendere dal fatto che: H₀ è stata dimostrata con certezza. l'effetto è assente oppure lo studio non dispone di informazioni sufficienti per rilevarlo. H₁ è logicamente impossibile. la variabilità campionaria è stata eliminata.

Aumentare la potenza statistica consente di: ridurre direttamente α fino a 0. ridurre il rischio di errore di II tipo. aumentare la probabilità di falso negativo. dimostrare con certezza l'ipotesi alternativa H₁.

L'affermazione "nella popolazione esiste una relazione tra i punteggi nelle abilità matematiche e i punteggi nelle abilità musicali" rappresenta: un'ipotesi di assenza di correlazione. l'ipotesi alternativa H₁. l'ipotesi nulla H₀. una decisione di mancato rifiuto di H₀.

L'affermazione "nella popolazione non esiste una relazione lineare tra dimensione del cervello e punteggio di intelligenza" rappresenta: un'ipotesi alternativa direzionale. l'ipotesi nulla H₀. una decisione di rifiuto di H₀. l'ipotesi alternativa H₁.

Nel caso della correlazione lineare, l'ipotesi nulla H₀ afferma che nella popolazione: la correlazione è necessariamente negativa. la correlazione è uguale a quella osservata nel campione. la correlazione è uguale a 0. la correlazione è necessariamente positiva.

Nel caso di un'ipotesi alternativa non direzionale sulla correlazione, H₁ afferma che nella popolazione: la correlazione è necessariamente maggiore di 0. la correlazione campionaria è uguale a 1. la correlazione è uguale a 0. la correlazione è diversa da 0.

Il coefficiente di correlazione di Pearson calcolato nel campione viene indicato con: β. α. r. ρ.

La correlazione lineare di Pearson nella popolazione viene indicata con: ρ. p. n. r.

Il coefficiente r calcolato nel campione rappresenta: il livello di significatività scelto dal ricercatore. un parametro noto e invariabile del campione. la probabilità che H₀ sia vera. una stima della correlazione ρ nella popolazione.

La possibilità di osservare valori di r differenti in campioni estratti dalla stessa popolazione dipende dalla: codifica delle variabili. normalizzazione dei punteggi. variabilità campionaria. correlazione perfetta.

Se nella popolazione ρ = 0: non è possibile calcolare la correlazione campionaria. nel campione possono comparire soltanto correlazioni positive. nel campione può comunque essere osservato un valore di r diverso da 0. in ogni campione deve risultare r = 0.

Nella matrice di correlazione, un asterisco indica: p > 0.05. p <0.01. p <0.001. p <0.05.

Le tabelle di significatività di Pearson e Spearman devono essere distinte perché: i rispettivi valori critici non coincidono necessariamente. Pearson produce soltanto correlazioni positive. Pearson non dipende dall'ampiezza campionaria. Spearman non può essere sottoposto a verifica di significatività.

Per un campione di 10 coppie di punteggi, il valore critico di rho di Spearman al livello del 5% è, in valore assoluto: 0.89. 0.63. 0.2. 0.65.

Con n = 10, un coefficiente rho di Spearman pari a -0.89 è: statisticamente significativo al livello del 5%. compatibile con l'ipotesi nulla H₀. non significativo perché inferiore a 0.90. non significativo perché negativo.

Se l'assunzione di normalità non è rispettata per le variabili considerate, la procedura utilizzata nell'esempio è: il test del chi-quadrato. il coefficiente rho di Spearman. il coefficiente r di Pearson. il coefficiente di determinazione r².

Un risultato del test di Shapiro-Wilk con p <0.05 indica, nell'esempio considerato, che: il coefficiente di Pearson deve essere uguale a 0. l'assunzione di normalità non è rispettata. la correlazione è necessariamente significativa. la distribuzione può essere considerata normale.

In una matrice di correlazione, gli asterischi accanto al coefficiente indicano: il numero delle variabili escluse. il livello di significatività statistica. la presenza di dati mancanti. l'ampiezza del campione.

Nella matrice di correlazione, tre asterischi indicano: p <0.001. p <0.05. p > 0.05. p <0.10.

Nella matrice di correlazione, due asterischi indicano: p <0.05. p <0.01. p > 0.10. p <0.001.

Una matrice di correlazione può essere riportata soltanto per metà perché: i valori non significativi non possono essere riportati. è simmetrica. la diagonale contiene soltanto valori mancanti. le correlazioni negative vengono escluse.

Un risultato pari a r = -0.90, p <0.05 indica: una relazione causale negativa. una correlazione negativa statisticamente significativa. una correlazione negativa non significativa. una correlazione positiva statisticamente significativa.

Nella diagonale principale di una matrice di correlazione si trova la correlazione: soltanto tra le variabili statisticamente significative. tra ciascuna variabile e la numerosità campionaria. tra ciascuna variabile e la media del campione. di ciascuna variabile con se stessa.

La correlazione di una variabile con sé stessa è: uguale a 0. dipendente dalla numerosità campionaria. uguale al valore p. uguale a 1.

Nella matrice riportata, una correlazione con p = 0.620 è: statisticamente significativa al livello di 0.05. statisticamente significativa al livello di 0.01. necessariamente negativa. non statisticamente significativa al livello di 0.05.

Nella matrice riportata, una correlazione con p = 0.005 è: necessariamente priva di rilevanza. non statisticamente significativa al livello di 0.05. significativa soltanto al livello di 0.10. statisticamente significativa al livello di 0.01.

La correlazione tra autoefficacia universitaria e coinvolgimento nello studio, rho = 0.539 e p <0.001, è: negativa e statisticamente significativa. positiva ma non statisticamente significativa. nulla nella popolazione. positiva e statisticamente significativa.

La correlazione tra autoefficacia universitaria e procrastinazione accademica, rho = -0.579 e p <0.001, indica che: le due variabili non presentano alcuna associazione. punteggi più elevati di autoefficacia universitaria sono associati a livelli più bassi di procrastinazione. l'autoefficacia universitaria causa necessariamente una riduzione della procrastinazione. punteggi più elevati di autoefficacia universitaria sono associati a livelli più elevati di procrastinazione.

La correlazione tra autoefficacia universitaria e ansia accademica, rho = -0.353 e p = 0.030, è: negativa ma non statisticamente significativa. positiva e statisticamente significativa al livello di 0.05. una correlazione negativa perfetta. negativa e statisticamente significativa al livello di 0.05.

Nel riportare una correlazione in un articolo è opportuno indicare: il coefficiente, la direzione della relazione e il valore p. soltanto il nome delle variabili analizzate. soltanto se il coefficiente è positivo. esclusivamente la numerosità campionaria.

Se H₀ afferma che ρ = 0, la distribuzione delle correlazioni campionarie tende a concentrarsi: esclusivamente attorno a valori positivi. esclusivamente attorno a valori negativi. attorno a 0. attorno a 1.

Per verificare la significatività del coefficiente rho di Spearman è necessario utilizzare: la tabella delle frequenze cumulate. la tabella dei valori critici specifica per rho di Spearman. la tabella dei valori critici di r di Pearson. la tabella della distribuzione normale standard.

Se si ottiene r = -0.90 con n = 10, la decisione statistica è: non rifiutare H₀ perché il coefficiente è negativo. dimostrare con certezza una relazione causale. accettare H₀ perché r non è uguale a -1. rifiutare H₀ e concludere che i dati sostengono una relazione negativa.

Un test a due code è coerente con un'ipotesi alternativa che: afferma che la correlazione nella popolazione è uguale a 0. prevede esclusivamente una correlazione negativa. prevede una relazione senza specificarne in anticipo la direzione. prevede esclusivamente una correlazione positiva.

Assumendo vera H₀, i coefficienti di correlazione molto distanti da 0 sono generalmente: meno probabili dei coefficienti vicini a 0. necessariamente impossibili. più probabili dei coefficienti vicini a 0. sempre uguali al parametro della popolazione.

Le tabelle di significatività dei coefficienti di correlazione permettono di individuare: i valori critici in funzione dell'ampiezza campionaria. la frequenza assoluta dei punteggi. la media delle due variabili correlate. il numero delle categorie delle variabili.

Una correlazione viene considerata statisticamente significativa quando: è uguale alla media delle correlazioni campionarie. è diversa da 0, indipendentemente dall'ampiezza campionaria. raggiunge o supera in valore assoluto il valore critico indicato per l'ampiezza del campione. è positiva, indipendentemente dalla sua intensità.

Il valore critico di un coefficiente di correlazione rappresenta: la soglia che il coefficiente deve raggiungere per essere considerato statisticamente significativo. il valore massimo ottenibile soltanto nei campioni ampi. la correlazione media osservata nella popolazione. la probabilità che H₁ sia vera.

Se la correlazione osservata rientra nel 95% centrale delle correlazioni attese sotto H₀: H₀ non viene rifiutata. la correlazione viene considerata perfetta. H₁ viene dimostrata vera. H₀ viene rifiutata.

Se la correlazione osservata ricade nel 5% più estremo delle correlazioni attese sotto H₀: H₀ viene rifiutata e H₁ riceve supporto empirico. la correlazione viene considerata necessariamente importante. H₀ viene dimostrata vera. H₁ viene rifiutata.

Una correlazione statisticamente significativa indica che: la relazione nella popolazione è dimostrata con certezza. la relazione osservata è necessariamente causale. l'intensità della relazione è necessariamente elevata. il valore osservato è poco compatibile con H₀.

Per n = 10, una correlazione di Pearson è significativa al livello del 5% quando: |r| è pari o superiore a 0.63. r è compreso tra -0.50 e 0.50. |r| è pari o superiore a 0.20. r è necessariamente positivo.

Nel test a due code con livello di significatività pari a 0.05: il 2.5% è collocato nella coda negativa e il 2.5% nella coda positiva. il 5% è collocato esclusivamente nella coda positiva. il 5% è collocato esclusivamente nella coda negativa. il 5% è collocato nella parte centrale della distribuzione.

Nel valutare la significatività di una correlazione a due code è particolarmente rilevante: la distanza del coefficiente da 0. la presenza di un segno negativo. l'ordine con cui sono state inserite le variabili. la presenza di un segno positivo.

All'aumentare dell'ampiezza campionaria, il valore critico necessario per la significatività tende a: rimanere sempre uguale a 1. diminuire. diventare indipendente dal livello di significatività. aumentare.

In campioni più ampi, anche correlazioni relativamente piccole possono risultare significative perché: la correlazione osservata aumenta automaticamente. la probabilità di errore diventa uguale a 0. la stima è più stabile e la variabilità campionaria è minore. tutti i coefficienti vengono considerati significativi.

45. La significatività statistica di una correlazione dipende: sia dall'intensità del coefficiente sia dall'ampiezza campionaria. soltanto dal nome attribuito alle variabili. soltanto dalla numerosità campionaria. soltanto dal segno della correlazione.

Una correlazione più piccola può risultare significativa rispetto a una correlazione più elevata quando: è calcolata su un campione più ampio. le variabili sono riportate in ordine inverso. il coefficiente è espresso con più cifre decimali. è negativa anziché positiva.

Per un campione di 10 coppie di punteggi, il valore critico di r di Pearson al livello del 5% è, in valore assoluto: 0.94. 0.2. 0.44. 0.63.

Con n = 10, una correlazione di Pearson r = 0.94 è: statisticamente significativa al livello del 5%. non statisticamente significativa perché positiva. non statisticamente significativa perché inferiore a 1. compatibile con il 95% centrale delle correlazioni attese sotto H₀.

Con n = 10, una correlazione di Pearson r = 0.50 è: necessariamente significativa perché moderata. statisticamente significativa perché diversa da 0. statisticamente significativa perché positiva. non statisticamente significativa al livello del 5%.

Con n = 10, una correlazione di Pearson r = -0.90 è: compatibile con l'assenza di relazione nella popolazione. non significativa perché negativa. non significativa perché inferiore a 0. statisticamente significativa al livello del 5%.

Nella verifica della significatività di una correlazione si valuta: se le due variabili abbiano la stessa media. se la correlazione campionaria coincida con la causalità. quanto il valore osservato sia plausibile assumendo vera H₀. se il coefficiente osservato dimostri con certezza H₁.

Quando l'errore standard è elevato, la stima della media della popolazione tende a essere: più stabile e più precisa. meno stabile e meno precisa. necessariamente distorta verso valori elevati. priva di variabilità campionaria.

Nel grafico con media della popolazione μ = 50 e deviazione standard σ = 10, l'aumento di N modifica principalmente: il numero dei valori possibili nella popolazione. la dispersione delle medie campionarie. la deviazione standard dei punteggi della popolazione. la media della popolazione.

Nel confronto tra distribuzioni delle medie campionarie, la distribuzione relativa a N = 2 è: uguale alla distribuzione relativa a N = 25. priva di variabilità. la più ampia. la più stretta.

La correzione N - 1 viene utilizzata perché: la popolazione è interamente conosciuta. la numerosità del campione è sempre inferiore a 10. il campione viene impiegato per stimare la variabilità della popolazione. la media della popolazione viene utilizzata nel calcolo.

Nella stima della deviazione standard, il termine N - 1 rappresenta: il livello di significatività. i gradi di libertà. la media campionaria. l'errore standard.

Quando si utilizza un campione per stimare la deviazione standard della popolazione, al denominatore si impiega: N + 1. √N. N - 1. N.

Nella pratica della ricerca, l'errore standard viene stimato perché generalmente: si dispone sempre dell'intera popolazione. si dispone di un solo campione osservato. non è possibile calcolare la deviazione standard. la media campionaria non può essere calcolata.

Per conoscere direttamente l'errore standard sarebbe necessario: conoscere esclusivamente il livello di significatività. osservare soltanto il punteggio massimo del campione. estrarre molti campioni dalla stessa popolazione e calcolarne le medie. calcolare la moda di un singolo campione.

L'errore standard della media viene stimato utilizzando: la media e la mediana del campione. la deviazione standard stimata e la numerosità campionaria. il livello di significatività e il valore p. la moda e il numero delle categorie.

Il fatto che la distribuzione delle medie diventi più stretta all'aumentare di N significa che: la deviazione standard della popolazione diventa uguale a 0. la media della popolazione aumenta. le medie campionarie diventano meno variabili. i punteggi individuali della popolazione diventano meno variabili.

Una distribuzione delle medie campionarie più stretta corrisponde a: una numerosità campionaria più piccola. un errore standard più piccolo. una maggiore variabilità delle medie. un errore standard più grande.

Una distribuzione delle medie campionarie più ampia corrisponde a: una media della popolazione più elevata. un errore standard più elevato. una deviazione standard dei punteggi uguale a 0. un errore standard più basso.

Nel confronto tra distribuzioni delle medie campionarie, la distribuzione relativa a N = 25 è: priva di un valore centrale. la più stretta. la più ampia. centrata su una media differente.

Nel grafico delle distribuzioni delle medie campionarie per N = 2, N = 10 e N = 25, le tre distribuzioni sono: centrate attorno a tre medie della popolazione differenti. spostate progressivamente verso valori più elevati. centrate attorno alla stessa media della popolazione. spostate progressivamente verso valori più bassi.

Nella formula della deviazione standard stimata, la quantità contenuta sotto la radice quadrata rappresenta: l'errore standard stimato. la probabilità stimata. la media stimata. la varianza stimata.

L'aumento della numerosità campionaria rende la stima della media più precisa perché: aumenta automaticamente la media campionaria. riduce la variabilità delle medie ottenibili da campioni differenti. elimina qualsiasi differenza tra campione e popolazione. riduce necessariamente la variabilità dei punteggi nella popolazione.

Nei campioni più ampi, le medie tendono a essere più stabili perché: la media campionaria coincide sempre con la media della popolazione. i valori estremi vengono automaticamente eliminati. l'influenza dei singoli punteggi si riduce e i valori estremi tendono a compensarsi. la deviazione standard dei punteggi diventa necessariamente uguale a 0.

Nei campioni piccoli, la media campionaria è maggiormente influenzata: dal numero delle variabili nominali. dalla significatività statistica. dai singoli punteggi particolarmente alti o bassi. dalla media della popolazione direttamente osservata.

Due campioni hanno la stessa numerosità, ma il primo presenta una maggiore variabilità dei punteggi. Quale campione tenderà ad avere l'errore standard più elevato?. Non è possibile calcolare l'errore standard conoscendo la deviazione standard. Entrambi avranno necessariamente lo stesso errore standard. Il secondo campione. Il primo campione.

A parità di numerosità campionaria, una deviazione standard stimata più elevata produce: un errore standard più elevato. un errore standard invariato. un errore standard più basso. una numerosità campionaria più elevata.

A parità di deviazione standard stimata, un campione più ampio tende a produrre: una maggiore variabilità dei punteggi individuali. un errore standard più piccolo. una media campionaria necessariamente diversa. un errore standard più grande.

A parità di deviazione standard stimata, un campione più piccolo tende a produrre: un errore standard più basso. una media necessariamente più elevata. una deviazione standard necessariamente più bassa. un errore standard più elevato.

A parità di deviazione standard stimata, all'aumentare della numerosità campionaria l'errore standard: diminuisce. rimane invariato. diventa uguale alla media. aumenta.

L'errore standard stimato della media si calcola dividendo la deviazione standard stimata: per la radice quadrata di N. per N - 1. per N elevato al quadrato. per √(N - 1).

Nella formula SE = s / √N, il simbolo N indica: la numerosità del campione. la media della popolazione. il numero delle variabili. la deviazione standard stimata.

Una volta fissata la media campionaria, i gradi di libertà sono N - 1 perché: l'ultimo scarto risulta vincolato dagli altri scarti. il primo punteggio deve essere eliminato. tutti i punteggi possono variare liberamente. la media campionaria viene sottratta dalla numerosità.

La deviazione standard stimata è: la radice quadrata della varianza stimata. il quadrato della varianza stimata. la varianza stimata divisa per la media. l'errore standard moltiplicato per N.

La formula dell'errore standard stimato della media è: SE = s / √N. SE = s / N. SE = √N / s. SE = s × √N.

La varianza e la deviazione standard differiscono perché: la varianza è espressa in unità quadrate e la deviazione standard nella scala originaria. la deviazione standard è sempre inferiore a 1. la varianza non misura la variabilità. la varianza riguarda i campioni e la deviazione standard soltanto le popolazioni.

La media calcolata in un campione: coincide sempre con la media della popolazione. può essere calcolata soltanto conoscendo la popolazione. non coincide necessariamente con la media della popolazione. è necessariamente inferiore alla media della popolazione.

Campioni diversi estratti dalla stessa popolazione possono produrre medie differenti perché: la deviazione standard è sempre uguale a 0. la media della popolazione cambia a ogni estrazione. contengono combinazioni differenti di unità statistiche e punteggi. provengono necessariamente da popolazioni diverse.

L'errore standard della media descrive: la probabilità che la media campionaria sia corretta. la variabilità dei singoli punteggi attorno alla media. la variabilità delle medie campionarie. la differenza tra il punteggio massimo e il punteggio minimo.

La deviazione standard descrive: la variabilità dei punteggi individuali attorno alla media. la variabilità delle medie ottenute da campioni differenti. la distanza tra la media campionaria e il valore critico. la probabilità di commettere un errore di I tipo.

La differenza principale tra deviazione standard ed errore standard è che: la prima riguarda i punteggi individuali, il secondo le medie campionarie. la prima misura la precisione, il secondo misura la forma della distribuzione. la prima riguarda la popolazione, il secondo esclusivamente le variabili nominali. la prima dipende dalla numerosità, il secondo non dipende dalla numerosità.

L'insieme delle medie ottenute estraendo ripetutamente campioni dalla stessa popolazione forma: la distribuzione delle frequenze cumulate. la distribuzione dei ranghi. la distribuzione dei punteggi individuali. la distribuzione campionaria delle medie.

La distribuzione campionaria delle medie è composta da: medie calcolate su campioni differenti. parametri provenienti da popolazioni differenti. punteggi individuali osservati in un solo campione. frequenze delle categorie di una variabile nominale.

In termini teorici, l'errore standard della media corrisponde: alla deviazione standard delle medie campionarie. alla media delle deviazioni standard campionarie. alla varianza dei singoli punteggi. alla differenza tra media e mediana.

La media delle medie ottenute da numerosi campioni tende a collocarsi: sempre al di sopra della media della popolazione. sempre al di sotto della media della popolazione. vicino al valore massimo della popolazione. vicino alla media della popolazione.

Il fatto che campioni diversi producano medie differenti: indica necessariamente un errore nella raccolta dei dati. dimostra che i campioni provengono da popolazioni differenti. può dipendere dalla variabilità introdotta dal campionamento. dimostra che la media della popolazione cambia nel tempo.

Un errore standard piccolo indica che le medie campionarie sono: necessariamente uguali alla media della popolazione. molto disperse tra loro. indipendenti dalla numerosità campionaria. poco disperse tra loro.

Un errore standard piccolo è associato a: una maggiore variabilità dei punteggi individuali. una media campionaria necessariamente elevata. una maggiore dispersione delle medie campionarie. una stima più precisa della media della popolazione.

Un errore standard elevato indica che le medie campionarie sono: necessariamente uguali a 0. necessariamente superiori alla media della popolazione. relativamente concentrate tra loro. relativamente disperse tra loro.

Un errore standard pari a 0.58 indica che: i singoli punteggi distano tutti esattamente 0.58 punti dalla media. la probabilità di errore statistico è pari al 58%. la media della popolazione è necessariamente pari a 0.58. le medie di campioni ripetuti presenterebbero una variabilità stimata di circa 0.58 punti.

Nell'esempio con N = 6 e deviazione standard stimata pari a circa 1.41, l'errore standard è circa: 6. 2.45. 1.41. 0.58.

Nell'esempio con N = 6, ΣX = 30 e ΣX² = 160, la deviazione standard stimata è circa: 1.41. 2. 5. 0.58.

Nell'esempio con N = 6, ΣX = 30 e ΣX² = 160, la varianza stimata è: 0.58. 2. 1.41. 10.

Nell'esempio con i punteggi 5, 7, 3, 6, 4 e 5, i gradi di libertà sono: 6. 5. 30. 4.

Due campioni hanno la stessa numerosità, ma deviazioni standard stimate pari a 6 e 12. L'errore standard del secondo campione sarà: la metà rispetto a quello del primo. indipendente dalla deviazione standard. doppio rispetto a quello del primo. uguale a quello del primo.

Due campioni hanno la stessa deviazione standard stimata s = 10, ma numerosità pari rispettivamente a 25 e 100. Quale campione produce la stima più precisa della media?. Il campione con N = 100. Il confronto dipende esclusivamente dalla media. I due campioni hanno la stessa precisione. Il campione con N = 25.

Se s = 10 e N = 100, l'errore standard della media è: 0.1. 100. 1. 10.

Se s = 10 e N = 25, l'errore standard della media è: 2. 10. 0.4. 50.

Nella formula SE = s / √N, il simbolo s indica: la numerosità campionaria. la deviazione standard stimata. la media campionaria. la somma dei punteggi.