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

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

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

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

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

PENDEKATAN SUBYEKTIF Berdasarkan perasaan atau kira-kira dari peneliti Sri Wahyu Lelly Hana Setyanti 9 .2. PENDEKATAN EMPIRIS Berdasarkan observasi.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.

maka A tidak terjadi. bila dengan terjadinya A. 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 .MENGHITUNG PROBABILITAS 1. maka B tidak terjadi dan terjadinya B. MUTUALLY EXCLUSIVE Dua kejadian disebut eksklusif secara bersama.

P (A)=0.7.0. P (B) Contoh Soal : Bila probabilitas harga beras di Indonesia akan naik. maka P(A dan C)=0.14 Sri Wahyu Lelly Hana Setyanti 11 .2. bila terjadinya A tidak mempengaruhi terjadinya B dan terjadinya B tidak mempengaruhi terjadinya A.7 dan probabilitas seorang mahasiswa FE UNEJ memperoleh nilai C untuk statistik P(C)=0. Contoh : Kejadian turunnya hujan di Jember dan Peristiwa pengeboman 9 september di Jakarta Teorema : P ( A dan B ) = P (A) .2=0.2. KEJADIAN YANG INDEPENDENT Dua kejadian A dan B disebut independent.

3. Berapa kemungkinan calon itu akan lulus sarjana ? P(B) = PA . 0. ialah : P(A/B) = P(A n B) P (B) atau. kemungkinan untuk lulus sarjana =0. P(B/A) = 0.80.40 .40 dan kalau sudah menjadi mahasiswa. jika diketahui B telah terjadi.32 Sri Wahyu Lelly Hana Setyanti 12 .80 = 0. P(A/B) = P(A n B) P (A) Contoh : Probabilitas calon mahasiswa diterima di FE UNEJ sebesar 0. CONDITIONAL PROBABILITY Probabilitas akan terjadinya A.

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

Materi 2 Distribusi Binomial Sri Wahyu Lelly Hana Setyanti 14 .

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

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

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

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

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

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

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

Contoh Soal : • Dari distribusi timbulnya permukaan A dari 300 lemparan coin. kita akan memperoleh : Jawab : • µ = 300. 1= 8.1/2 = 150 • σ= 300 .66 /2 Sri Wahyu Lelly Hana Setyanti 22 . 1 / 2 .

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

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.Contoh Soal : Hitunglah varians dan deviasi standar jika diketahui n = 4. p.q = 5/9 Sri Wahyu Lelly Hana Setyanti 24 .

.. Dalam memproduksi 5 unit produk. Setelah dilakukan penelitian terhadap hasil produksi mesin ”X”. 1.TUGAS 1. berapakah probabilitas untuk menemukan 0.. . maka diketahui bahwa setiap produksi sebanyak 1450 unit akan terjadi kerusakan sebanyak 145 unit.5 unit kerusakan produk? Sri Wahyu Lelly Hana Setyanti 25 .

. berapakah probabilitas suatu keluarga dengan 6 anak akan terdiri dari 0.05. dan bila probabilitas p bagi sukses dinyatakan sebagai p = 0. .. maka kita harus mencari bilangan untuk n yang terkecil sedemikian rupa agar p (X ≥ 1) ≥½ Sri Wahyu Lelly Hana Setyanti 26 .2.. Bila produksi di atas merupakan sebuah proses Bernoulli di mana tiap-tiap percobaan selalu menghasilkan sukses (rusak) atau gagal (baik). 5/100 dari barang X yang diproduksi dengan menggunakan mesin A ternyata rusak sedangkan 95/100 ternyata dapat memenuhi kualitas standar. 6 anak laki-laki ? 3.. Bila peluang untuk melahirkan anak laki-laki dan anak perempuan adalah sama. Berapa banyak barang X yang harus diproduksi agar probabilitas barang X yang rusak sebanyak ≥ 1 ialah ≥ ½ (50 persen). 1..

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

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

Jika kemungkinan seseorang akan membalas iklan tersebut 0.00002 ditanyakan : a. berapa kemungkinan tidak ada yang membalas ? Sri Wahyu Lelly Hana Setyanti 29 .000 orang pembaca.Contoh Soal : Misalkan sebuah mobil diiklankan di surat kabar untuk dijual. Surat kabar yang memuat iklan tersebut kita misalkan mempunyai 100. berapa kemungkinan bahwa yang membalas iklan tersebut hanya seorang ? c. berapa orang diharapkan akan membalas iklan tersebut ? b.

00002 µ = n.00002 =2 • Rata rata ada 2 orang yang membalas iklan tersebut • X=1 Sri Wahyu Lelly Hana Setyanti 30 . p µ = 100.Jawab : n = 100. 0.000 p= 0.000 .

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

Materi 3 Distribusi Normal Sri Wahyu Lelly Hana Setyanti 32 .

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

14159 e = konstante = 2.71828 Sri Wahyu Lelly Hana Setyanti 34 .Untuk membuat kurva normal kita harus mengetahui besarnya µ (mean) dan σ (deviasi standar) : Y= 1 σ π2π .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 .Syarat Distribusi Normal • “Bell Shaped” • Symmetrical • Mean. Median and Mode are Equal • Interquartile Range Equals 1.

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 .

3 .1179 .0478 0.0000 .Solution: The Cumulative Standardized Normal Distribution Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .1 .0871 0.12 40 Sri Wahyu Lelly Hana Only One Table Setyanti is Needed .01 .2 .00 .1217 .0 .0080 0.0478 Z .0438 .02 0.0040 .0793 . 0832 .1255 Probabilities 0 Z = 0.0398 .

2 µ =5 X Sri Wahyu Lelly Hana Setyanti µZ = 0 0.Standardizing Example Z= X −µ σ 6.12 Z 41 .12 10 Standardized Normal Distribution Normal Distribution σ = 10 σZ =1 6.2 − 5 = = 0.

9 X Sri Wahyu Lelly Hana Setyanti −0.21 µZ = 0 Z 42 .21 0.Example: P ( 2.1) = .1664 Z= X −µ σ 2.9 − 5 = = −.21 10 Z= X −µ σ 7.0832 σZ =1 .0832 7.1 − 5 = = .9 ≤ X ≤ 7.21 10 Normal Distribution σ = 10 Standardized Normal Distribution .1 µ =5 2.

0 .01 .0793 .1217 .1) = .0000 .0040 .0832 Z .1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .2 .1 .Example: P ( 2.00 .0080 0.0478 0.21 43 .1179 .0871 0.1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.0832 .02 0.3 .0438 .9 ≤ X ≤ 7.0398 .

Example: P ( 2.1) = .3 .2 .21 44 Sri Wahyu Lelly Hana Setyanti .9 ≤ X ≤ 7.4602 .3783 .3821 .02 -0.1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .4207 .4920 0 Z = -0.4562 .4129 -0.4168 .3745 -0.00 .4168 σZ =1 Z .4522 0.4960 .0 .1 .5000 .01 .

30 Z 45 .Example: P ( X ≥ 8 ) = .3821 8 µ =5 X Sri Wahyu Lelly Hana Setyanti µZ = 0 0.3821 Z= Normal Distribution X −µ σ 8−5 = = .30 10 Standardized Normal Distribution σ = 10 σZ =1 .

0793 .3821 Cumulative Standardized Normal Distribution Table (Portion) (continued) µZ = 0 σZ =1 .0832 .0040 .02 0.01 .1 .3 .0398 .1179 . 1217 .1179 Z .1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.Example: P ( X ≥ 8 ) = .0438 .0871 0.0478 0.30 46 .0000 .0 .00 .0080 0.2 .

3 .31 0.0793 .1217 σZ =1 Z .1217 .1179 .0438 .00 .6217 ? Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .0040 .0478 0.2 .0000 .0080 0.01 0.0 .Finding Z Values for Known Probabilities What is Z Given Probability = 0.0871 0 Z = .2 0.1255 47 Sri Wahyu Lelly Hana Setyanti .1 .0832 .0398 .

30 Z X = µ +SriZσ = 5Hana (.30 )(10 ) = 8 Wahyu Lelly + Setyanti 48 .Recovering X Values for Known Probabilities Normal Distribution σ = 10 Standardized Normal Distribution .3821 µ =5 ? X µZ = 0 0.1179 σZ =1 .

25 49 Z .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 8.25 P(X<=91) 0.8 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. What is the probability of getting a grade no higher than 91 on this exam? X N ( 73.

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) 0.1587 P(X<=89) 0.More Examples of Normal Distribution Using PHStat(continued) What percentage of students scored between 65 and 89? X N ( 73.9772 P(65<=X<=89) 0.8186 Sri Wahyu Lelly Hana Setyanti X 65 µ = 73 89 -1 0 2 Z 50 .

05 Find X and Z Given Cum.00% Z Value 1.645 Z 51 .644853 X Value 86. Pctage.16 Sri Wahyu Lelly Hana Setyanti 0 1.15882 X µ = 73 ? =86.8 2 ) P ( ? ≤ X ) = . Cumulative Percentage 95.More Examples of Normal Distribution Using PHStat(continued) Only 5% of the students taking the test scored higher than what grade? X N ( 73.

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 .5! Sri Wahyu Lelly Hana Setyanti © 1984-1994 T/Maker Co.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.

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

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 .The Null Hypothesis.

g.The Alternative Hypothesis. H1 • Is the opposite of the null hypothesis – e.S. 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.

( H 0 : µ = 50) Identify the Population Is X = 20 likely if µ = 50 ? No. 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.

Reason for Rejecting H0 Sampling Distribution of X It is unlikely that we would get a sample mean of this value . 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... Therefore. ...

.Level of Significance.05.10 – 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 . (level of significance) – Typical values are . α • Defines unlikely values of sample statistic if null hypothesis is true • Is designated by α . .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 .

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 .β ) 65 Guilty Correct Reject H0 Sri Wahyu Lelly Hana Setyanti .

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

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. reject H0 – Otherwise do not reject H0 Sri Wahyu Lelly Hana Setyanti 69 .: X ) to test statistic (e.: Z.g.g.

reject H0 α Sri Wahyu Lelly Hana Setyanti α 70 . Z. do not reject H0 – If p-value ≤ α .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 ≥ .g. X ) to Test Statistic (e.g.

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

645 100 households surveyed Computed test stat =-2.General Steps in Hypothesis Testing 6. Compute test statistic and p-value 10. Make statistical decision Reject null hypothesis The true mean number of TV Sri Wahyu Lelly Hana Setyanti 72 sets is less than 3 . Express conclusion -1. p-value = . Collect data 8.0228 Z 9. Set up critical value(s) Reject H0 (continued) α 7.

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

9 .04 .4744 .4750 76 Critical Value = 1.05 .4738 .7 .4591 .645 0 1.6 .4495 .4515 1.645 Z Sri Wahyu Lelly Hana Setyanti .4599 .4686 1.95 Z .05? Standardized Cumulative Normal Distribution Table (Portion) σZ =1 .4678 .4505 .4608 1.05 1.Finding Critical Value: One Tail What is Z given α = 0.8 .06 α = .4671 .

p -Value Solution p-Value is P(Z ≥ 1.0000 .5668 1.4332 .50 to Sri Wahyu Lelly Hana Setyanti Obtain .4332 .0668 Use the alternative hypothesis to find the direction of the rejection region. P-Value =.50) = 0..50 Z Z Value of Sample Statistic 77 From Z Table: Lookup 1.5668 0 1.

05 Conclusion: 0 1.05 α = 0.50 No evidence that true Sri Wahyu Lelly Hana Setyanti is more than 368 78 mean .645 X −µ σ =1.645 Z 1.50 n Decision: Do Not Reject at α = .5 n = 25 Critical Value: 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