Log in to StudySoup
Get Full Access to BGSU - MATH 1150 - Study Guide - Final
Join StudySoup for FREE
Get Full Access to BGSU - MATH 1150 - Study Guide - Final

Already have an account? Login here
Reset your password

BGSU / Math / MATH 1150 / What is the description of how a statistician thinks data is produced?

What is the description of how a statistician thinks data is produced?

What is the description of how a statistician thinks data is produced?


School: Bowling Green State University
Department: Math
Course: Intro to Statistics
Professor: Chao gu
Term: Fall 2016
Tags: Math, Stats, IntroToStats, Studyguide, Chapter6, Chapter8, and Chapter7
Cost: 50
Name: INTRO TO STATS: Final Exam Study Guide, Ch. 6-8
Description: This study guide covers what will be on the final exam, chapter 6-8. This includes all vocabulary, formulas and examples. Textbook page numbers are also provided so you can find practice problems and additional formulas.
Uploaded: 12/06/2017
8 Pages 70 Views 2 Unlocks

FINAL EXAM STUDY GUIDE: Chapters 6­8 Intro to Statistics *images/graphs taken from Google Images*

What is the description of how a statistician thinks data is produced?


∙ Pg. 285: 6.1­6.12 

∙ Pg. 292: 6.81­6.84, 6.87a/b, 6.88a/b, 6.89, 6.90 

∙ Chapter 6 Chapter Review pg. 284 

Section 6.1 – Probability Distributions are Models of Random Experiments ∙ Probability model

o A description of how a statistician thinks data is produced

o There are different types of models: If you want to learn more check out What refers to anything generally accepted as a medium of exchange?

 Uniform 

 Linear 

 Normal

∙ Probability distribution (PDF)

o Also called probability distribution function (pdf) is a table, graph or formula that  gives all the outcomes of an experiment and their probabilities

What is the main definition of discrete outcomes?

∙ Discrete outcomes

o A random variable is discrete if the outcomes can be listed or counted o Ex. number of siblings, roll of a die

∙ Continuous outcomes

o A random variable is called continuous if the outcomes cannot be listed because  they occur over a range, there are an infinite number of possibilities the random  variable can be If you want to learn more check out What infection that is caused by viruses, bacteria, protists, or fungi?

o Ex. exact weight, height of a person 

∙ Probability density curve If you want to learn more check out What is the coca leaf?


What is the main definition of continuous outcomes?

∙ Area under curves

o The area under a rectangle is pretty familiar and reasonable to calculate (LxW)

o The area under a normal curve is a lot harder to calculate using area formulas, so  a computer or table is needed 

Section 6.2 – The Normal Model 

∙ Normal model 

o The distribution is unimodal

o The distribution is approximately symmetric

o The distribution is approximately bell shaped

We also discuss several other topics like What is the cohort effect in psychology?

∙ Normal curve (distribution)

∙ Mean of a probability distribution

o Population Parameter:  μ

o Sample Statistic: x  (x­bar) ̅

∙ Standard deviation of a probability distribution

o Population Parameter: σ (sigma)

o Sample Statistic: s

∙ Standard Normal Model

o a normal distribution with a mean = 0 and a standard deviation = 1 o N (0,1)


∙ 7.75­7.78, .91­7.96 We also discuss several other topics like What refers to a remnant of which plate is being subducted along northern california and the pacific northwest?

∙ Chapter 7 Chapter Review pg. 338

∙ Chapter 7 Review Exercises pg. 326 

Section 7.1 – Learning about the World through Surveys 

∙ Population

o the group of people or objects we wish to study 

∙ Parameter 

o a numerical value that characterizes some aspect of the population

∙ Sample 

o a collection of people or objects taken from the population

∙ Statistic 

o a number derived from the data

∙ Census 

o a survey in which every member of the population is measured

∙ Estimators Don't forget about the age old question of What makes new york city a financial center?

o same as statistic 

∙ Statistical inference 

o the art and science of drawing conclusions about a population on the basis of 

observing only a small subset of that population

∙ Bias 

o sampling bias 

o voluntary­response bias 

o response bias 

o convenience sample 

o measurement bias 

∙ Simple random sampling (SRS) 

o involves randomly drawing people from the population without replacement. o SRS is one in which every member of the population and every possible sample is

equally likely to be chosen for the sample

Section 7.2 – Measuring the Quality of a Survey 

∙ Accuracy

o The method measures what it intended; correctly estimates the population 


o Bias measures accuracy 

o How close are the values to the true value? 

∙ Precision 

o If the method is repeated, the estimates are very consistent 

o Standard error measures precision 

o How scattered are the values?  

∙ Standard Error (SE) 

o That variability among samples 

o Look in the book for formulas, examples and review problems 

 Pg. 326­338 

 7.75–7.86, 7.91­7.96 

∙ Key Points to Remember: 

o Statisticians evaluate the method used for a survey, not the outcome of a single 


o Statistics Vary from Sample to Sample 

o The Size of the Population Does Not affect Precision 

o Large Samples Produce More Precise Estimators 

Section 7.3 – The Central Limit Theorem for Sample Proportions 

∙ Random sample with independent observations

o The sample is collected randomly and the trials are independent of each other 

∙ Large sample  

o (np ≥ 10 and n (1­p) ≥ 10) 

∙ Large Population 

o If SRS is used, a population with at least 10 times as many members as are in the  sample

∙ Central Limit Theorem (CTL) 

o If the trials are random and independent and the sample and population sizes are  large then the sampling distribution of p  is approximately normal and follows: ̂

∙ Checking Conditions for the Central Limit Theorem 

o Since simple random sampling is usually impossible to do, other random 

sampling techniques are often used instead.

o A large sample size is absolutely necessary.

o Typically, the population of interest is very large, but one should still be aware of  this requirement.

Section 7.4 – Estimating the Population Proportion with Confidence Intervals 

∙ Confidence interval

o an interval of values, computed from sample data, that is almost sure to include 

the true population proportion

o a range of plausible values for a population parameter.

∙ Margin of error (m) 

o tells us how far from the population value our estimate can be 

o Margin of error = (z*) (SE) 

∙ Confidence level 

o expresses our level of confidence that the interval contains the population 


o measures the success rate of the method, not of any one particular interval o tells us how often the estimation is successful 

o how confident we are in the process that produces the confidence interval o it is NOT the probability that the population proportion is in the interval 


∙ pg. 354

Section 8.1 – The Essential Ingredients of Hypothesis Testing

∙ Hypothesis Testing 

o A procedure that enables us to choose between two claims when we have  variability in the outcomes

∙ Null hypothesis

o The neutral, status quo, skeptical statement about a population parameter o Written: Ho

∙ Alternative hypothesis

o The research hypothesis, a statement about the value of a parameter that we intend to demonstrate is true 

o Written: Ha

∙ Significance level

o The probability of making the mistake of rejecting the null hypothesis, when it  fact, it is true

o Written as lowercase alpha 

∙ p­value

o the number that measures our surprise by reporting the probability that if the null  hypothesis is true, a test statistic will have a value as extreme as or more extreme  than the value we actually observe

o small p­values closer to 0 means we have received a surprise 

o large p­values closer to 1 means no surprise 

Page Expired
It looks like your free minutes have expired! Lucky for you we have all the content you need, just sign up here