39-44 psicometria

La retta di regressione è rappresentata con quale equazione?. y = b + ax. y = a + bx. x = a + bx. x = b + ay.

L'intercetta è rappresentata dalla lettera: y. a. x. b.

La retta di regressione può essere calcolata usando: il t test. il metodo dei massimi quadrati. il metodo dei minimi quadrati. la correlazione.

Quando il coefficiente di regressione è pari a zero la retta: sarà parallele agli assi cartesiani. diventerà una linea curva. sarà esterne al piano cartesiano. perderà la loro forma diventando linee spezzate.

Il coefficiente di regressione indica: di quanto varia la Y al variare di una unità di X. entrambe le alternative. nessuna delle due alternative. se Y è crescente o decrescente.

Per rappresentare i valori durante l'analisi della regressione possiamo usare. diagrammi a dispersione. tabelle a singola o doppia entrata. entrambe le alternative. nessuna delle due alternative.

Il coefficiente di regressione nell'equazione della retta è rappresentato dalla lettera. y. b. a. x.

La regressione lineare può essere rappresentata da: una curva. una retta. una linea spezzata. una parabola.

Quando analizziamo il legame tra due variabili queste possono derivare: nessuna delle due alternative. due popolazioni diverse. una stessa popolazione. entrambe le alternative.

La correlazione fra le due variabili esprime: l'intensità del legame. la direzione del legame. la causalità del legame. un rapporto di causa-effetto.

La funzione di regressione più usata è quella: parabolica. lineare. curvilinea. standardizzata.

La funzione di regressione permette di: valutare il valore della variabile dipendente al variare della variabile indipendente. valutare il valore della variabile dipendente al variare dell'atra variabile dipendente. valutare il valore di una variabile indipendente al variare dell'altra variabile indipendente. valutare il valore della variabile indipendente al variare della variabile dipendente.

La correlazione ci permette di: misurare la forza o l'intensità del legame fra due variabili. nessuna delle due. capire la relazione causale tra le variabili. entrambe.

La covarianza è: il valore degli scarti di y su x. il valore minimo del prodotto degli scarti corrispondenti di X e di Y. il valore massimo del prodotto degli scarti corrispondenti di X e di Y. il valore medio del prodotto degli scarti corrispondenti di X e di Y.

l coefficiente di correlazione lineare ci dice. come le due variabili variano congiuntamente. la media del campione. come le due variabili variano singolarmente. come le due variabili si relazionano con una terza variabile.

Si ha una correlazione inversa quando il coefficiente di correlazione lineare di Bravais-Pearson: è uguale a 0. è sia minore che maggiore di zero. è minore di 0. è maggiore di 0.

Per analizzare la variabilità congiunta di due variabili usiamo: l'analisi fattoriale. la mediana. la deviazione standard. la covarianza.

Se il coefficiente di correlazione lineare di Bravais-Pearson è uguale a zero: non abbiamo informazioni per capire se è presente o meno non esiste correlazione lineare. esiste correlazione lineare. c'è una correlazione inversa tra le due variabili. non esiste correlazione lineare.

Se il coefficiente di correlazione lineare di Bravais-Pearson è uguale a -1: correlazione imperfetta. correlazione estrema. correlazione perfetta inversa. assenza di correlazione.

. Se il coefficiente di correlazione lineare di Bravais-Pearson è uguale a +1: correlazione perfetta diretta. correlazione estrema. correlazione imperfetta. assenza di correlazione.

Il coefficiente di correlazione lineare di Bravais-Pearson può variare. fra -1 e +1. fra 3 e -3. fra «meno infinito» e «più infinito». fra 0 e 1.

Si ha una correlazione diretta quando il coefficiente di correlazione lineare di Bravais-Pearson: è uguale a 0. è sia minore che maggiore di zero. è maggiore di 0. è minore di 0.

. Il coefficiente di correlazione lineare di Bravais-Pearson rappresenta: la retta di regressione. la covarianza. la deviazione standard. la covarianza normalizzata.

Per analizzare la correlazione solitamente si usa: il coefficiente di correlazione lineare di Bravais-Pearson. la media ponderata. La retta di regressione. l'anova.

La covarianza varia: fra 0 e 1. fra «meno infinito» e «più infinito». fra 3 e -3. fra -1 e +1.

La covarianza può essere: solo positiva o negativa. positiva, negativa o nulla. solo positiva o nulla. lineare o curvilinea.

Quando il coefficiente di correlazione r è uguale a 0 si parla di: correlazione perfetta. correlazione estrema. correlazione imperfetta. assenza di correlazione.

La varianza non spiegata può dipendere: da errori emersi durante la procedura. da altre variabili non controllate. entrambe. nessuna delle due.

La varianza spiegata è: la variabilità di Y che non dipende dalla variabile X. l'errore standard. equivalente al coefficiente angolare. la variabilità della Y dovuta alla variabile X.

La varianza non spiegata è: equivalente all'intercetta. la variabilità della Y dovuta alla variabile X. l'errore standard. la variabilità di Y che non dipende dalla variabile X.

La varianza totale è data da: entrambe. nessuna delle due. la varianza non spiegata. la varianza spiegata.

Il coefficiente di indeterminazione ci permette di definire: l'errore standard. la varianza di Y che dipende dalla variabile X. la varianza di Y che non dipende dalla variabile X. la varianza normalizzata.

Il coefficiente di determinazione ci permette di definire: l'errore standard. la varianza dovuta allo scarto fra Y e X. la varianza dovuta a X. la varianza dovuta alla dipendenza lineare fra Y e X.

Il coefficiente di determinazione è dato da: "r diviso due". alfa. "x" medio. "r" al quadrato.

Il coefficiente di indeterminazione è dato da: 1-"r" al quadrato. "r diviso due". delta. "r" al quadrato.

Quando voglio analizzare se due variabili rilevate su un solo campione sono tra loro correlate le organizzerò: in un tabella a singola entrata. in una tabella a doppia entrata. in un diagramma a torta. in una tabella semplice.

Una varabile A è indipendente da una variabile B quando: per ogni valore di A le frequenze relative non dipendono dai valori di B. le frequenze relative di A e B sono uguali. per ogni valore di A le frequenze relative dipendono dai valori di B. le frequenze relative di A e B sono diverse.