Complete Course Notes for AP Statistics

Steve Felling
Desert Vista High School

Page 1
Table of Contents

Ch3 – Displaying Categorical Data

Categorical (Qualitivative) vs. Numerical (Quantitative). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Bar/Pie Charts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Contingency Tables, Marginal and Conditional Distributions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8
Are two variables independent? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10
Simpson’s Paradox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10

Ch4 – Displaying Quantitative Data

Histograms/Dotplots/Stem-and-Leaf Diagrams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
Describing Distributions (SOCS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13
How mean, median, and skew are related. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Standard Deviation and Variance (conceptual meaning) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Outliers (the IQR rules) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15
Displaying plots on a Ti-84 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
Resistant Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
‘Variable’ vs ‘Count’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

Ch5 – Describing Distributions Numerically

Standard deviation in the calculator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
Frequency Histograms and Ogives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19

Ch6 – Z-Scores and the Normal Model

Z-Scores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21
The Normal Distribution Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Symbols for population vs. sample. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
The Standard Normal Distribution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Calculator normalcdf vs. invNorm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
The ‘Empirical Rule’ 68-95-99.7% values. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
How far away is ‘unusual’? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Normal Probability (Quantile) Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
How shifting and multiplying affects distributions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Solving for an unknown mean and standard deviation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Ch7,8,9 – Bivariate (x,y) Data, Correlation, Linear Regression

Scatterplots. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Describing Associations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .28
Correlation Coefficient, r. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Linear Regression: Least-Squares Regression Line (LSRL). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Interpreting Slope and y-intercept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Using the LSRL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Coefficient of Determination, r2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Residual Plots – Determining if data shows a linear association . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Equation of LSRL from software output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
The relationship between slope, r, and scatterplot shape . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 36
Using the slope equation . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .36
The 3 ways to find the LSRL equation . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
The effect of outliers on linear regression slope and correlation coefficient . . . . . . . . . . . . . . . . . . . . . . 40
Association does not imply Causation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Terminology and standard explanations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41

Page 2
Ch10 – Straightening Non-linear Data
Using a transformation to straighten data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Two models: Exponential Model and Power Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A Power Model Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
An Exponential Model Example . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Using transformations for purposes other than straightening a scatterplot. . . . . . . . . . . . . . . . . . . . . . . . .49

Ch11 – Understanding Randomness, Creating Simulated Datasets

Humans are poor judges of random processes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Random Digit Tables, Calculator Random Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Simulating a Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Ch12 – Sampling Techniques and Biases

Sampling Terminology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Kinds of Bias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Sampling Techniques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Ch13 – Observational Studies, Experiment Design

Observational Studies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Experiment Design Example. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61
Is the result statistically significant?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63
Requirements for a well-designed experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63
Blocking in experiment design. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Experiment Design Diagrams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Controlling more than one factor in an experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Blinding and Placebos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66
Experiment and Study Terminology and standard wording. . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .67

Ch14,15 – Probability – Foundational Rules

Probability Terminology. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Probability of an Event. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Probability of a single event with equally-likely outcomes. . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Conditional Probability. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Compound Event Probability: The OR Case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .74
The Special Case for OR: Disjoint (Mutually-Exclusive) Events . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .75
Compound Event Probability: The AND Case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76
The Special Case for AND: Independent Events. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .78
The Conditional Probability Formula. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Computing Probability using Tables, Venn Diagrams, and Tree Diagrams. . . . . . . . . . . . . . . . . . . . . . . .80
Bayes’ Formula: Reverse Conditional Probability. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Ch16 – Probability – Random Variables, Transforming and Combining Distributions

Probability Models, Expected Value and Standard Deviation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Transforming a Single Probability Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Combining Multiple Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85

Ch17 – Probability – The Binomial and Geometric Probability Models

Bernoulli Trials and the Binomial Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87
The Geometric Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .88
The shape, mean, standard deviation of probability distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .89
Approximating a Binomial distribution with a Normal model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

Page 3
Ch18 – Sampling Distributions
Online Activity exploring numerical (mean) sampling distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . .92
Online Activity exploring categorical (proportion) sampling distributions . . . . . . . . . . . . . . . . . . . . . . .97
Conditions for using a Sampling Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Standard Error vs. Standard Deviation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103

Ch19 – Confidence Intervals (for single sample proportions)

The tradeoff: precision vs. confidence level . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
What is a confidence interval? Margin of Error? An example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106
The critical value z* and Confidence Level . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
The meaning of ‘95% Confidence’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Conditions for Confidence Intervals for Proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Calculating a Confidence Interval (example) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .111
Ways to reduce the margin of error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Calculating required sample size for a given confidence level . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .112

Ch20 – Hypothesis Tests (for single sample proportions)

The 3 levels of inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
What is a hypothesis? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
The Null and Alternate Hypotheses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
The p-value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Conditions for Hypothesis Tests for Proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .118
Performing a Hypothesis Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
One- and Two-Sided Hypothesis Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
‘Statistics’ vs. ‘Test Statistic’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122
How hypothesis tests and confidence intervals are related. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Standard wording formats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Ch21 – Type I/II Errors, Power of a Test

An example – is this analysis wrong? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Type I Errors. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
The Probability of a Type I Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Type II Error. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
The Probability of a Type II Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .127
The Power of a Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .127
How can you reduce errors? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
A complete errors calculation example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131

Ch22 – Comparing Two Sample Proportions

What changes when comparing two samples’ proportions? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
Pooling for Standard Error calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Conditions for Inference for 2-Sample Proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

Ch23 – Inference for Single Sample Numerical Data (a Mean)

Online activity exploring the need for t-distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .137
Gossett’s Student t-distribution and Degrees of Freedom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
t-value vs. z-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Hypothesis tests for single sample means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Conditions for Inference for 1-Sample Means . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

Page 4
Ch24,25 – Inference for 2-Sample Numerical Data (Means)
An experiment example to explore independent vs. matched-pair samples . . . . . . . . . . . . . . . . . . . . .145
Comparing hypothesis tests for 1-sample, 2-sample independent, and matched-pair data . . . . . . . . . .152
Comparing confidence intervals for 1-sample, 2-sample independent, and matched-pair data . . . . . . 155
Pooling for means data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .156
The Tukey Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

Ch26 – Chi-Squared Analysis (Comparing Counts)

Chi-Square Goodness-of-Fit Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Chi-Squared Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159
Chi-Squared Test for Homogeneity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .161
Chi-Squared Test for Independence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .163
Choosing which Chi-Squared Test to use . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Ch27 – Inference for Regression (Slope of LSRL)

Review of Linear Regression on a sample . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .164
Inference for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .165
Why inference for slope? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Hypotheses and Conditions for Inference for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Regression Confidence Intervals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

(These last two chapters were not part of the AP Statistics course, but are sometimes included in
introductory statistics courses)

Ch28 – Comparing Multiple Sample Means (ANOVA)

The concepts of Analysis of Variance (ANOVA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Treatment Mean Square (MST) and Error Mean Square (MSE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
The F-statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
The F-distribution, numerator and denominator degrees-of-freedom . . . . . . . . . . . . . . . . . . . . . . . . . . .171
p-value calculation with F-distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
The ANOVA model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .173
Residual Standard Deviation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Conditions for ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .174
Software Output – the ‘ANOVA table’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .174
A complete example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Unbalanced designs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 177
Least Significant Difference (LSD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .178
Bonferroni Multiple Comparisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179

Ch29 – Multiple Regression

A first example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Where to find/install open-source ‘r’ statistics software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Introduction to ‘r’-software programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Concepts in multiple regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .183
Using ‘r’-software to find the LSRL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
Partial Regression Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Using the results of multiple regression on a sample . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192
Inference for Multiple Regression (hypothesis tests and confidence intervals) . . . . . . . . . . . . . . . . . . .193
Important Subtleties to be aware of with Multiple Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
Comparing multiple regression models – the meaning of ‘r-squared adjusted’ . . . . . . . . . . . . . . . . . . . 200

Page 5
AP Statistics – Lesson Notes - Chapter 3: Displaying Categorical Data

Page 6
Page 7
Page 8
Page 9
Page 10
Page 11
AP Statistics – Lesson Notes - Chapter 4: Displaying Quantitative Data

Page 12
Page 13
Page 14
Page 15
Page 16
Page 17
Page 18
AP Statistics – Lesson Notes - Chapter 5: Describing Distributions Numerically

Page 19
Page 20
AP Statistics – Lesson Notes - Chapter 6: Standard Deviation, Normal Model

Page 21
Page 22
Page 23
Page 24
Page 25
Page 26
Page 27
AP Statistics – Lesson Notes - Chapter 7,8,9: Correlation, Linear Regression

Page 28
Page 29
Page 30
Page 31
Page 32
Page 33
Page 34
Page 35
Page 36
Page 37
Page 38
Page 39
Page 40
Page 41
Page 42
AP Statistics – Lesson Notes - Chapter 10: Re-expressing Data

Page 43
Page 44
Page 45
Page 46
Page 47
Page 48
Page 49
Page 50
AP Statistics – Lesson Notes - Chapter 11: Understanding Randomness

Page 51
Page 52
Page 53
Page 54
AP Statistics – Lesson Notes - Chapter 12: Sample Surveys

Page 55
Page 56
Page 57
Page 58
Page 59
AP Statistics – Lesson Notes - Chapter 13: Experiments and Observational Studies

Page 60
Page 61
Page 62
Page 63
Page 64
Page 65
Page 66
Page 67
Page 68
Page 69
AP Statistics – Lesson Notes - Chapter 14,15: Probability

Page 70
Page 71
Page 72
Page 73
Page 74
Page 75
Page 76
Page 77
Page 78
Page 79
Page 80
Page 81
Page 82
AP Statistics – Lesson Notes - Chapter 16: Random Variables

Page 83
Page 84
Page 85
Page 86
AP Statistics – Lesson Notes - Chapter 17: Probability Models

Page 87
Page 88
Page 89
Page 90
Bernoulli Trials can be considered independent if sample is <10% of the entire population.

Page 91
AP Statistics – Lesson Notes - Chapter 18: Sampling Distributions

Page 92
Page 93
Page 94
Page 95
Page 96
Page 97
Page 98
Page 99
Page 100
Page 101
Page 102
Page 103
Page 104
Page 105
AP Statistics – Lesson Notes - Chapter 19: Confidence Intervals for Proportions

Page 106
Page 107
Page 108
Page 109
Page 110
Page 111
Page 112
Page 113
AP Statistics – Lesson Notes - Chapter 20: Testing Hypotheses About Proportions

Page 114
Page 115
Page 116
Page 117
Notice…

Page 118
Page 119
Page 120
Page 121
Page 122
Page 123
AP Statistics – Lesson Notes - Chapter 21: Type I, II Errors; Power of a Test

Page 124
Page 125
Page 126
Page 127
Page 128
Page 129
Page 130
Page 131
AP Statistics – Lesson Notes - Chapter 22: Comparing Two Proportions

Page 132
Page 133
Page 134
Page 135
Page 136
AP Statistics – Lesson Notes - Chapter 23: Inferences about Means

Page 137
Page 138
Page 139
Page 140
Page 141
Page 142
Page 143
Page 144
AP Statistics – Lesson Notes – Chapters 24 and 25: Comparing Means

Page 145
Page 146
Page 147
Page 148
Page 149
Page 150
Page 151
Page 152
Page 153
Page 154
Page 155
Page 156
Page 157
AP Statistics – Lesson Notes - Chapter 26: Comparing Counts

Page 158
Page 159
Page 160
Page 161
Page 162
Page 163
AP Statistics – Lesson Notes - Chapter 27: Inferences for Regression

Page 164
Page 165
Page 166
Page 167
Page 168
AP Statistics – Lesson Notes - Chapter 28: Comparing Multiple Means (ANOVA)
NOTE: These lesson notes are a summary of information from the textbook ‘Stats: Modeling the
World’ by Bock, Velleman, and De Veaux, an excellent and highly recommended resource.

Page 169
Page 170
Page 171
Page 172
Page 173
Page 174
Page 175
Page 176
Page 177
Page 178
Page 179
Page 180
AP Statistics – Lesson Notes - Chapter 29: Multiple Regression
NOTE: These lesson notes are a summary of information from the textbook ‘Stats: Modeling the
World’ by Bock, Velleman, and De Veaux, an excellent and highly recommended resource. I have
added an example with made up data to try to illustrate each concept and procedure, and am also
including steps for conducting this analysis using ‘r’ a free (open-source) statistical software
package available for download on the internet.

Page 181
Page 182
Page 183
Page 184
Page 185
Page 186
Page 187
Page 188
Page 189
Page 190
Page 191
Page 192
Page 193
Page 194
Page 195
Page 196
Page 197
Page 198
Page 199
Page 200
Page 201