STATISTIK II

Sri Wahyu Lelly Hana Setyanti

1

Materi 1 Teori Probabilitas

Sri Wahyu Lelly Hana Setyanti

2

Tujuan
• Setelah mempelajari bab ini diharapkan mahasiswa mampu menjelaskan dasar dari teori probabilitas • Mampu menjelaskan macam-macam pendekatan dalam teori probabilitas • Mampu menghitung probabilitas dari peristiwa yang terjadi

Sri Wahyu Lelly Hana Setyanti

3

yang disebut percobaan tunggal. Proses dari pelaksanaan percobaan ini seringkali dianggap sebagai perbuatan random. • Percobaan ini dapat dilakukan sekali saja.PROBABILITAS DAN PERCOBAAN • Probabilitas berhubungan erat dengan masalah kesempatan (chance). Sri Wahyu Lelly Hana Setyanti 4 . stokastik atau proses kesempatan. • Suatu tindakan yang dilakukan untuk menemukan apa yang akan terjadi mengenai suatu peristiwa yang mengandung unsur kesempatan disebut percobaan (trial). atau diulangi berulang kali dalam kondisi yang sama.

mustahil. Ex: munculnya matahari di malam hari = 0 Kalau P =1 Peristiwa itu pasti terjadi. tidak mungkin tidak terjadi Ex: probabilitas darah mengalir dalam badan orang yang masih hidup = 1 Sri Wahyu Lelly Hana Setyanti 5 . simbol untuk kemungkinan tidak terjadi biasanya dinyatakan dengan Q yaitu : 1 – P Kalau P=0 Peristiwa itu tidak mungkin terjadi. dan dinyatakan dalam angka positif.• Probabilitas biasanya diberi simbol P. dengan minimum 0 dan maksimum 1.

• Ruang sampel adalah hasil yang dibentuk oleh himpunan hasil percobaan yang mewakili semua kemungkinan hasil dari percobaan tersebut. Sri Wahyu Lelly Hana Setyanti 6 .TITIK SAMPEL DAN RUANG SAMPEL • Suatu hasil dari percobaan disebut titik sampel atau kejadian dasar.

T) • Jika dua macam uang logam misalnya Rp. 100. 50. kemungkinan hasilnya ialah gambar kepala raja H atau ekornya T • Jika terdapat 2 titik sampel. kedua titik sampel tadi membentuk ruang sampel.• Jika kita melempar uang logam ke atas misalnya.dilemparkan ke atas secara bersamaan.. atau himpunan dari titik sampel. TT ) Sri Wahyu Lelly Hana Setyanti 7 . TH. maka : S=(H. HT. maka kemungkinan dari hasil lemparan dapat kita peroleh ruang sampel (hasil himpunan percobaan) terdiri dari 4 macam titik sampel yaitu : S = ( HH.. • Misalkan kita tentukan bahwa S merupakan ruang sampel.dan Rp.

50 (PA= 0.5).6 Sri Wahyu Lelly Hana Setyanti 8 . Dadu yang mempunyai 6 permukaan yang sama dilempar satu kali. Kemungkinan salah satu permukaan tampak di atas adalah 1/6. Probabilitas munculnya permukaan A dan B pada coin adalah ½ atau 0.4 dan untuk mendapat kelereng putih 6/10 atau 0. c. Ex : a. b.PENDEKATAN TEORI PROBABILITAS 1. Probabilitas untuk mendapat kelereng merah 4/10 atau 0. PENDEKATAN KLASIK Probabilitas adalah kemungkinan terjadinya suatu peristiwa diantara keseluruhan peristiwa yang bisa terjadi.5 dan PB = 0. Kantong yang berisi 4 kelereng merah dan 6 kelereng putih.

PENDEKATAN SUBYEKTIF Berdasarkan perasaan atau kira-kira dari peneliti Sri Wahyu Lelly Hana Setyanti 9 .65 3. Ex : Seseorang dari jarak 5 meter melempar sebuah benda 100 kali hanya kena 65 kali maka berdasar (pengalaman) pendekatan ini probabilitasnya adalah 65/100 atau 0. pengalaman atau peristiwa yang telah terjadi.2. PENDEKATAN EMPIRIS Berdasarkan observasi.

maka B tidak terjadi dan terjadinya B. Contoh : Bila sekeping uang dilempar akan ada 2 kemungkinan yaitu: A = Kejadian muncul M B = Kejadian muncul B Teorema : Jika A dan B mutually exclusive maka : P ( A atau B ) = P (A) + P (B) Sri Wahyu Lelly Hana Setyanti 10 . maka A tidak terjadi. MUTUALLY EXCLUSIVE Dua kejadian disebut eksklusif secara bersama. bila dengan terjadinya A.MENGHITUNG PROBABILITAS 1.

2. bila terjadinya A tidak mempengaruhi terjadinya B dan terjadinya B tidak mempengaruhi terjadinya A.0. P (B) Contoh Soal : Bila probabilitas harga beras di Indonesia akan naik.2.14 Sri Wahyu Lelly Hana Setyanti 11 .7 dan probabilitas seorang mahasiswa FE UNEJ memperoleh nilai C untuk statistik P(C)=0.7. KEJADIAN YANG INDEPENDENT Dua kejadian A dan B disebut independent. Contoh : Kejadian turunnya hujan di Jember dan Peristiwa pengeboman 9 september di Jakarta Teorema : P ( A dan B ) = P (A) . P (A)=0.2=0. maka P(A dan C)=0.

80 = 0. ialah : P(A/B) = P(A n B) P (B) atau. P(A/B) = P(A n B) P (A) Contoh : Probabilitas calon mahasiswa diterima di FE UNEJ sebesar 0. jika diketahui B telah terjadi. CONDITIONAL PROBABILITY Probabilitas akan terjadinya A. Berapa kemungkinan calon itu akan lulus sarjana ? P(B) = PA .40 dan kalau sudah menjadi mahasiswa.80. kemungkinan untuk lulus sarjana =0. P(B/A) = 0.40 .32 Sri Wahyu Lelly Hana Setyanti 12 . 0.3.

terdiri dari 3 bola merah. Berapakah probabilitas yang akan terambil bila : a.TUGAS 1. . bola hijau Sri Wahyu Lelly Hana Setyanti 13 2. bola merah atau putih b. Dari setumpuk kartu bridge diambil 2 kartu berturut-turut tanpa pengembalian (kartu kedua diambil sebelum kartu pertama dikembalikan). 2 bola putih. Kemudian diambil sembarang sebuah bola. bola merah atau putih atau biru c. Berapakah probabilitas pengambilan pertama As dan kedua King ? Dalam sebuah kotak tercampur 10 bola dengan jenis dan ukuran yang sama. 5 bola biru.

Materi 2 Distribusi Binomial Sri Wahyu Lelly Hana Setyanti 14 .

diterima atau ditolak. Apabila masing-masing percobaan hanya mempunyai dua kemungkinan peritiwa.• Disamping percobaan tunggal. ya dan tidak. Tiap ulangan dalam percobaan dilakukan secara terpisah yakni peristiwa dalam suatu percobaan tidak akan mempengaruhi percobaan berikutnya. dan probabilitas peristiwa tetap sama selama percobaan. percobaan yang diulang tersebut adalah Proses Bernoulli Sri Wahyu Lelly Hana Setyanti 15 . misalnya seperti sukses dan gagal. suatu percobaan mungkin dilakukan secara berkali-kali.

Pada pelemparan sebuah dadu sebanyak sekali. maka p=1/2 dan 1-p=q=1/2. bila dadu di atas dilempar sebanyak n kali (n percobaan) maka pada tiap pelemparan. maka pelemparan tersebut merupakan 100 percobaan Bernoulli dimana setiap percobaan selalu menghasilkan ’sukses’ (misalnya sisi 0) atau ’gagal’ (misalnya sisi 1) dan probabilitas bagi sisi 0 adalah sama untuk tiap-tiap pelemparan dalam 100 lemparan. Bila uang logam di atas setimbang. Tetapi bila uang logam di atas tidak setimbang. Sri Wahyu Lelly Hana Setyanti 16 .sekeping uang logam dilempar 100 kali. hal itu berarti p harus konstan. Bila . tetapi mungkin seri.• Contohnya hasil pertandingan sepak bola tidak selalu menang dan kalah. probabilita timbulnya mata dadu 6 harus tetap 1/6. Tiaptiap percobaan harus memiliki probabilitas sukses yang identik. probabilitas timbulnya mata dadu 6 ialah 1/6. maka p tidak perlu harus sama dengan ½.

• Distribusi Binomial dinyatakan dalam rumus : p( x . n ) = ( n ) p x (1− p ) n − x ) x Sri Wahyu Lelly Hana Setyanti 17 .

menunjukkan x kali sukses dari n kali kejadian. Koefisien tersebut dapat dihitung dengan menggunakan segitiga pascal dengan rumus ( n x ) = n ( n − 1 )( n − 2 ).( n − x + 1 ) x ( x − 1 )( x − 2 )..n ) = n! X ! ( n − X )! 18 Sri Wahyu Lelly Hana Setyanti ... 1 = n! X !(n − X )! Jadi P ( x .. 2 .• Disebut Binomial coefficient.

6) =( 5 )(1 / 25 )(1 / 2)1 =0. p = ½ 6 (5.Contoh Soal : • Bila sekeping uang logam yang setimbang dilempar sebanyak 6 kali. Jawab : n = 6. (a) berapakah probabilitas memperoleh 5 sisi 0 dan (b) berapakah probabilitas memperoleh paling sedikit 5 sisi 0. 09375 p Sri Wahyu Lelly Hana Setyanti 19 . x = 5.

015625 6 • Probabilitas memperoleh ≥ 5 sisi 0 menjadi : p (5/6. 6 ) = ( 6 )(1 / 2 6 )(1 / 2 ) 0 = 0 . p = ½ p( 6 .n = 6. x = 6.109375 Sri Wahyu Lelly Hana Setyanti 20 . ½) + (6/6. ½) = 0.

Xi menunjukkan jumlah sukses 0. Dengan demikian secara sederhana mean dari distribusi binomial dihitung dengan rumus : µ = n.1..p Sri Wahyu Lelly Hana Setyanti 21 ..Rata-Rata (Mean) Distribusi Binomial • Jika nilai parameter n dan p telah diketahui maka dari distribusi binomial tersebut kita juga dapat menghitung rata-ratanya.dan n..2. Di dalam distribusi binomial.3.. dan P(xi) adalah probabilitas untuk mendapatkan Xi sukses dari n percobaan.

1 / 2 .Contoh Soal : • Dari distribusi timbulnya permukaan A dari 300 lemparan coin. 1= 8.1/2 = 150 • σ= 300 . kita akan memperoleh : Jawab : • µ = 300.66 /2 Sri Wahyu Lelly Hana Setyanti 22 .

p .q Sri Wahyu Lelly Hana Setyanti 23 .Varians dan Deviasi Standar Distribusi Binomial σ= np (1 − p ) σ= n .

p = 1/6 dan q = 5/6 Jawab : Variansnya = 4 (1/6) (5/6) = 4 (5/36) = 20/36 = 5/9 Deviasi standarnya menjadi : σ = n. p.Contoh Soal : Hitunglah varians dan deviasi standar jika diketahui n = 4.q = 5/9 Sri Wahyu Lelly Hana Setyanti 24 .

. Dalam memproduksi 5 unit produk. . 1.TUGAS 1. berapakah probabilitas untuk menemukan 0.5 unit kerusakan produk? Sri Wahyu Lelly Hana Setyanti 25 . maka diketahui bahwa setiap produksi sebanyak 1450 unit akan terjadi kerusakan sebanyak 145 unit. Setelah dilakukan penelitian terhadap hasil produksi mesin ”X”...

Bila peluang untuk melahirkan anak laki-laki dan anak perempuan adalah sama. berapakah probabilitas suatu keluarga dengan 6 anak akan terdiri dari 0. Berapa banyak barang X yang harus diproduksi agar probabilitas barang X yang rusak sebanyak ≥ 1 ialah ≥ ½ (50 persen)....2. Bila produksi di atas merupakan sebuah proses Bernoulli di mana tiap-tiap percobaan selalu menghasilkan sukses (rusak) atau gagal (baik). 6 anak laki-laki ? 3.05... 1. maka kita harus mencari bilangan untuk n yang terkecil sedemikian rupa agar p (X ≥ 1) ≥½ Sri Wahyu Lelly Hana Setyanti 26 . 5/100 dari barang X yang diproduksi dengan menggunakan mesin A ternyata rusak sedangkan 95/100 ternyata dapat memenuhi kualitas standar. dan bila probabilitas p bagi sukses dinyatakan sebagai p = 0. .

jika kejadiankejadian terjadi dalam kurun waktu atau ruang kontinyu tertentu. Distribusi ini dianggap sebagai pendekatan pada distribusi Binomial apabila n (banyaknya percobaan) adalah besar. Sri Wahyu Lelly Hana Setyanti 27 . hanya berbeda pada sifat kontinyuitasnya saja.Distribusi Poisson • Distribusi Poisson dapat digunakan untuk menentukan probabilitas dari sejumlah sukses yang ditentukan. sedangkan P (probabilitas sukses sangat kecil). Proses Poisson seperti proses Bernoulli.

Rumus distribusi Poisson adalah : p ( x ) = µ x! x e − u µ = n . p Sri Wahyu Lelly Hana Setyanti 28 .

berapa kemungkinan bahwa yang membalas iklan tersebut hanya seorang ? c. berapa kemungkinan tidak ada yang membalas ? Sri Wahyu Lelly Hana Setyanti 29 .00002 ditanyakan : a. Jika kemungkinan seseorang akan membalas iklan tersebut 0.000 orang pembaca. Surat kabar yang memuat iklan tersebut kita misalkan mempunyai 100.Contoh Soal : Misalkan sebuah mobil diiklankan di surat kabar untuk dijual. berapa orang diharapkan akan membalas iklan tersebut ? b.

000 .00002 =2 • Rata rata ada 2 orang yang membalas iklan tersebut • X=1 Sri Wahyu Lelly Hana Setyanti 30 . 0.Jawab : n = 100. p µ = 100.00002 µ = n.000 p= 0.

13534 = 1 ) −2 = 0 .13534 31 Sri Wahyu Lelly Hana Setyanti .13534 1 = 0 .X = 0 1 e ) −2 2 ( 0 . 27068 p (0 ) = 20e 1! 1 ( 0 .Maka p (1 ) = 2 1! = a.

Materi 3 Distribusi Normal Sri Wahyu Lelly Hana Setyanti 32 .

Distribusi Normal Distribusi normal adalah distribusi yang kontinyu. Probabilitas atau frekuensi relatif pada kejadian tertentu diukur menurut ukuran luas pada daerah yang menggambarkan kejadian di bawah kurva normal. Angka pada distribusi ini besarnya tak terhingga. Ada berbagai macam bentuk kurva normal. semua bentuk dapat diubah menjadi kurva normal standar. Meskipun demikian. Sri Wahyu Lelly Hana Setyanti 33 .

Untuk membuat kurva normal kita harus mengetahui besarnya µ (mean) dan σ (deviasi standar) : Y= 1 σ π2π .14159 e = konstante = 2.71828 Sri Wahyu Lelly Hana Setyanti 34 .e 1/ 2 ( x−µ σ )2 Y = ordinat kurva normal untuk setiap nilai x µ = mean σ = deviasi standar = konstante = 3.

33 s • Random Variable Has Infinite Range f(X) µ µ Mean Median Mode X Sri Wahyu Lelly Hana Setyanti 35 . Median and Mode are Equal • Interquartile Range Equals 1.Syarat Distribusi Normal • “Bell Shaped” • Symmetrical • Mean.

Probability adalah area di bawah kurva f(X) X c d Sri Wahyu Lelly Hana Setyanti 36 .

Macam Distribusi Normal Sri Wahyu Lelly Hana Setyanti 37 .

Z = f(Z) f(X) X − µ σ σ σZ =1 X µ µZ = 0 Sri Wahyu Lelly Hana Setyanti Z 38 .

Which Table to Use? Infinitely Many Normal Distributions Means Infinitely Many Tables to Look Up! Sri Wahyu Lelly Hana Setyanti 39 .

0478 0.01 .2 .1179 .0478 Z .0000 .02 0.0398 .0 .0871 0. 0832 .0080 0.12 40 Sri Wahyu Lelly Hana Only One Table Setyanti is Needed .Solution: The Cumulative Standardized Normal Distribution Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .1255 Probabilities 0 Z = 0.0438 .0793 .00 .0040 .1217 .3 .1 .

12 10 Standardized Normal Distribution Normal Distribution σ = 10 σZ =1 6.Standardizing Example Z= X −µ σ 6.2 − 5 = = 0.12 Z 41 .2 µ =5 X Sri Wahyu Lelly Hana Setyanti µZ = 0 0.

21 µZ = 0 Z 42 .0832 7.21 10 Z= X −µ σ 7.0832 σZ =1 .9 X Sri Wahyu Lelly Hana Setyanti −0.Example: P ( 2.1 − 5 = = .9 − 5 = = −.1 µ =5 2.21 0.21 10 Normal Distribution σ = 10 Standardized Normal Distribution .1) = .9 ≤ X ≤ 7.1664 Z= X −µ σ 2.

Example: P ( 2.1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .9 ≤ X ≤ 7.1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.0478 0.02 0.3 .0398 .1 .2 .0871 0.1) = .1217 .0080 0.00 .21 43 .0040 .0000 .1179 .01 .0793 .0832 Z .0832 .0438 .0 .

0 .3745 -0.Example: P ( 2.4960 .1 .00 .3783 .21 44 Sri Wahyu Lelly Hana Setyanti .4602 .02 -0.2 .5000 .3 .3821 .01 .4207 .1) = .4522 0.4168 σZ =1 Z .4920 0 Z = -0.4562 .4168 .9 ≤ X ≤ 7.1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .4129 -0.

30 10 Standardized Normal Distribution σ = 10 σZ =1 .Example: P ( X ≥ 8 ) = .3821 8 µ =5 X Sri Wahyu Lelly Hana Setyanti µZ = 0 0.30 Z 45 .3821 Z= Normal Distribution X −µ σ 8−5 = = .

0871 0.0 .3821 Cumulative Standardized Normal Distribution Table (Portion) (continued) µZ = 0 σZ =1 .30 46 .0040 .02 0.1179 Z .1179 .1 .2 .0478 0.00 .3 .0000 .0438 .Example: P ( X ≥ 8 ) = .0080 0.0793 . 1217 .1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.0398 .0832 .01 .

0871 0 Z = .1217 σZ =1 Z .00 .0040 .Finding Z Values for Known Probabilities What is Z Given Probability = 0.0478 0.0000 .31 0.0793 .1 .0832 .2 0.1217 .3 .2 .1179 .0080 0.0438 .0398 .0 .01 0.1255 47 Sri Wahyu Lelly Hana Setyanti .6217 ? Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .

1179 σZ =1 .Recovering X Values for Known Probabilities Normal Distribution σ = 10 Standardized Normal Distribution .3821 µ =5 ? X µZ = 0 0.30 )(10 ) = 8 Wahyu Lelly + Setyanti 48 .30 Z X = µ +SriZσ = 5Hana (.

25 49 Z .8 2 ) P ( X ≤ 91) = ? 73 8 σ =8 Mean Standard Deviation Probability for X <= X Value 91 Z Value 2.9877756 Lelly Hana Setyanti Sri Wahyu X µ = 73 91 0 2.25 P(X<=91) 0. What is the probability of getting a grade no higher than 91 on this exam? X N ( 73.More Examples of Normal Distribution Using PHStat A set of final exam grades was found to be normally distributed with a mean of 73 and a standard deviation of 8.

More Examples of Normal Distribution Using PHStat(continued) What percentage of students scored between 65 and 89? X N ( 73.1587 P(X<=89) 0.82 ) P ( 65 ≤ X ≤ 89 ) = ? Probability for a Range From X Value 65 To X Value 89 Z Value for 65 -1 Z Value for 89 2 P(X<=65) 0.9772 P(65<=X<=89) 0.8186 Sri Wahyu Lelly Hana Setyanti X 65 µ = 73 89 -1 0 2 Z 50 .

16 Sri Wahyu Lelly Hana Setyanti 0 1.05 Find X and Z Given Cum.8 2 ) P ( ? ≤ X ) = . Pctage.644853 X Value 86.More Examples of Normal Distribution Using PHStat(continued) Only 5% of the students taking the test scored higher than what grade? X N ( 73.15882 X µ = 73 ? =86.645 Z 51 .00% Z Value 1. Cumulative Percentage 95.

Assessing Normality (continued) Normal Probability Plot for Normal Distribution 90 X 60 30 -2 -1 0 1 2 Z Look Sri Wahyu Lelly Hana Setyanti for Straight Line! 52 .

Normal Probability Plot Left-Skewed 90 Right-Skewed 90 X 60 30 -2 -1 0 1 2 X 60 Z 30 -2 -1 0 1 2 Z Rectangular 90 U-Shaped 90 X 60 30 -2 -1 0 1 2 X 60 Z 30 -2 -1 0 1 2 Z 53 Sri Wahyu Lelly Hana Setyanti .

Fundamentals of Hypothesis Testing: One-Sample Tests Sri Wahyu Lelly Hana Setyanti 54 .

55 .What is a Hypothesis? • A hypothesis is a claim (assumption) about the population parameter – Examples of parameters are population mean or proportion – The parameter must be identified before analysis I claim the mean GPA of this class is µ = 3.5! Sri Wahyu Lelly Hana Setyanti © 1984-1994 T/Maker Co.

H0 • States the assumption (numerical) to be tested – e.g.: The average number of TV sets in U.S. not about a sample statistic ( H 0 : X ≥ 3 ) Sri Wahyu Lelly Hana Setyanti 56 . Homes is at least three (H 0 : µ ≥ 3 ) • Is always about a population parameter ( H 0 : µ ≥ 3).The Null Hypothesis.

The Null Hypothesis. H0 (continued) • Begins with the assumption that the null hypothesis is true – Similar to the notion of innocent until proven guilty • Refers to the status quo • Always contains the “=” sign • May or may not be rejected Sri Wahyu Lelly Hana Setyanti 57 .

g. H1 • Is the opposite of the null hypothesis – e. homes is less than 3 ( H1 : µ < 3 ) • • • • Challenges the status quo Never contains the “=” sign May or may not be accepted Is generally the hypothesis that is believed (or needed to be proven) to be true by the researcher Sri Wahyu Lelly Hana Setyanti 58 .: The average number of TV sets in U.The Alternative Hypothesis.S.

not likely! REJECT Null Hypothesis Take a Sample Sri Wahyu Lelly Hana Setyanti ( X = 20 ) 59 .Hypothesis Testing Process Assume the population mean age is 50. ( H 0 : µ = 50) Identify the Population Is X = 20 likely if µ = 50 ? No.

.. Therefore. if in fact this were the population mean... .. 20 µ = 50 Sri Wahyu Lelly Hana Setyanti X 60 If H0 is true . we reject the null hypothesis that m = 50.Reason for Rejecting H0 Sampling Distribution of X It is unlikely that we would get a sample mean of this value . ..

. (level of significance) – Typical values are . α • Defines unlikely values of sample statistic if null hypothesis is true • Is designated by α .05.Level of Significance.10 – Called rejection region of the sampling distribution • Is selected by the researcher at the beginning • Provides the critical value(s) of the test Sri Wahyu Lelly Hana Setyanti 61 .01. .

Level of Significance and the Rejection Region H0: µ ≥ 3 H1: µ < 3 H0: µ ≤ 3 H1: µ > 3 H0: µ = 3 H1: µ ≠ 3 Rejection Regions 0 α Critical Value(s) α α/2 0 0 Sri Wahyu Lelly Hana Setyanti 62 .

Errors in Making Decisions • Type I Error – Rejects a true null hypothesis – Has serious consequences The probability of Type I Error is • Called level of significance • Set by researcher α • Type II Error – Fails to reject a false null hypothesis – The probability of Type II Error is β – The power of the test is 1 − β ( ) Sri Wahyu Lelly Hana Setyanti 63 .

Errors in Making Decisions (continued) • Probability of not making Type I Error – (1 − α ) – Called the confidence coefficient Sri Wahyu Lelly Hana Setyanti 64 .

β ) 65 Guilty Correct Reject H0 Sri Wahyu Lelly Hana Setyanti .Result Probabilities H0: Innocent Jury Trial The Truth Verdict Innocent Innocent Guilty Correct Error Error Do Not Reject H0 Hypothesis Test The Truth Decision H0 True H0 False 1-α Type I Error (α ) Type II Error ( β ) Power (1 .

Type I & II Errors Have an Inverse Relationship If you reduce the probability of one error. the other one increases so that everything else is unchanged. β α Sri Wahyu Lelly Hana Setyanti 66 .

Factors Affecting Type II Error • True value of population parameter – β Increases when the difference between • Significance level β – β Increases when α decreases α • Population standard deviation β σ – β Increases when σ increases • Sample size β Increases when n decreases β – Sri Wahyu Lelly Hana Setyanti hypothesized parameter and its true value decrease n 67 .

How to Choose between Type I and Type II Errors • Choice depends on the cost of the errors • Choose smaller Type I Error when the cost of rejecting the maintained hypothesis is high – A criminal trial: convicting an innocent person – The Exxon Valdez: causing an oil tanker to sink • Choose larger Type I Error when you have an interest in changing the status quo – A decision in a startup company about a new piece of software – A decision about unequal pay for a covered Sri Wahyu Lelly Hana Setyanti 68 group .

Critical Values Approach to Testing • Convert sample statistic (e. t or F –statistic) • Obtain critical value(s) for a specified α from a table or computer – If the test statistic falls in the critical region.g. reject H0 – Otherwise do not reject H0 Sri Wahyu Lelly Hana Setyanti 69 .: Z.: X ) to test statistic (e.g.

p-Value Approach to Testing • Convert Sample Statistic (e. t or F –statistic) • Obtain the p-value from a table or computer – p-value: Probability of obtaining a test statistic more extreme ( ≤ or ≥ ) than the observed sample value given H0 is true – Called observed level of significance – Smallest value of α that an H0 can be rejected • Compare the p-value with – If p-value ≥ . Z.g.g. X ) to Test Statistic (e. do not reject H0 – If p-value ≤ α . reject H0 α Sri Wahyu Lelly Hana Setyanti α 70 .

g.05 n = 100 Z test 71 4.S. State the H1 3. Choose Test Sri Wahyu Lelly Hana Setyanti .: Test the assumption that the true mean number of of TV sets in U. State the H0 2. Choose n 5. Choose H0 : µ ≥ 3 H1 : µ < 3 α α =. homes is at least three ( Known) σ 1.General Steps in Hypothesis Testing e.

General Steps in Hypothesis Testing 6. Compute test statistic and p-value 10. Collect data 8. Set up critical value(s) Reject H0 (continued) α 7. Make statistical decision Reject null hypothesis The true mean number of TV Sri Wahyu Lelly Hana Setyanti 72 sets is less than 3 .645 100 households surveyed Computed test stat =-2. Express conclusion -1.0228 Z 9. p-value = .

One-tail Z Test for Mean ( σ Known)
• Assumptions
– Population is normally distributed – If not normal, requires large samples – Null hypothesis has ≤ or ≥ sign only

• Z test statistic

Z=

X − µX

σX

X −µ = σ/ n
73

Sri Wahyu Lelly Hana Setyanti

Rejection Region
H0: µ ≥ µ0 H1: µ < µ0 H0: µ ≤ µ0 H1: µ > µ0

Reject H0

Reject H0

α
0
Z Must Be Significantly Below 0 to reject H0

α
Z 0 Z
Small values of Z don’t contradict H0 Sri Wahyu Lelly Hana SetyantiDon’t Reject H0 !

74

Example: One Tail Test
Q. Does an average box of cereal contain more than 368 grams of cereal? A random sample of 25 boxes showed X = 372.5. The company has specified σ to be 15 grams. Test at the α = 0.05 level.
Sri Wahyu Lelly Hana Setyanti

368 gm.

H0: µ ≤ 368 H1: µ > 368
75

4686 1.04 .4591 .8 .9 .05? Standardized Cumulative Normal Distribution Table (Portion) σZ =1 .4671 .7 .Finding Critical Value: One Tail What is Z given α = 0.95 Z .4738 .4495 .645 Z Sri Wahyu Lelly Hana Setyanti .4744 .4608 1.6 .4505 .4515 1.06 α = .05 1.645 0 1.4750 76 Critical Value = 1.05 .4678 .4599 .

50 to Sri Wahyu Lelly Hana Setyanti Obtain .4332 .. P-Value =.50) = 0.5668 0 1.0668 Use the alternative hypothesis to find the direction of the rejection region.5668 1.50 Z Z Value of Sample Statistic 77 From Z Table: Lookup 1.4332 .p -Value Solution p-Value is P(Z ≥ 1.0000 .

05 α = 0.50 n Decision: Do Not Reject at α = .645 Z 1.50 No evidence that true Sri Wahyu Lelly Hana Setyanti is more than 368 78 mean .5 n = 25 Critical Value: 1.645 X −µ σ =1.05 Conclusion: 0 1.Example Solution: One Tail Test H0: µ ≤ 368 H1: µ > 368 Test Statistic: Z= Reject .

Sign up to vote on this title
UsefulNot useful