P. 1
STATISTIK EKONOMI II

STATISTIK EKONOMI II

|Views: 1,628|Likes:
Dipublikasikan oleh Hendro Yuwono

More info:

Published by: Hendro Yuwono on May 14, 2012
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/05/2013

pdf

text

original

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

stokastik atau proses kesempatan. atau diulangi berulang kali dalam kondisi yang sama. Sri Wahyu Lelly Hana Setyanti 4 . yang disebut percobaan tunggal. • 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.PROBABILITAS DAN PERCOBAAN • Probabilitas berhubungan erat dengan masalah kesempatan (chance).

• Probabilitas biasanya diberi simbol P. tidak mungkin tidak terjadi Ex: probabilitas darah mengalir dalam badan orang yang masih hidup = 1 Sri Wahyu Lelly Hana Setyanti 5 . 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. mustahil. dan dinyatakan dalam angka positif. dengan minimum 0 dan maksimum 1.

Sri Wahyu Lelly Hana Setyanti 6 . • 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.

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

Ex : a.PENDEKATAN TEORI PROBABILITAS 1. Dadu yang mempunyai 6 permukaan yang sama dilempar satu kali. b.4 dan untuk mendapat kelereng putih 6/10 atau 0. Probabilitas untuk mendapat kelereng merah 4/10 atau 0. c.5).5 dan PB = 0. Kantong yang berisi 4 kelereng merah dan 6 kelereng putih. 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 0.50 (PA= 0. Kemungkinan salah satu permukaan tampak di atas adalah 1/6.6 Sri Wahyu Lelly Hana Setyanti 8 .

PENDEKATAN SUBYEKTIF Berdasarkan perasaan atau kira-kira dari peneliti Sri Wahyu Lelly Hana Setyanti 9 .65 3.2. 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. PENDEKATAN EMPIRIS Berdasarkan observasi.

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

14 Sri Wahyu Lelly Hana Setyanti 11 . 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. maka P(A dan C)=0. P (A)=0.7.2=0.2. Contoh : Kejadian turunnya hujan di Jember dan Peristiwa pengeboman 9 september di Jakarta Teorema : P ( A dan B ) = P (A) . KEJADIAN YANG INDEPENDENT Dua kejadian A dan B disebut independent.2.0. P (B) Contoh Soal : Bila probabilitas harga beras di Indonesia akan naik.

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

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

Materi 2 Distribusi Binomial Sri Wahyu Lelly Hana Setyanti 14 .

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

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

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

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

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

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

2.3. dan P(xi) adalah probabilitas untuk mendapatkan Xi sukses dari n percobaan..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.p Sri Wahyu Lelly Hana Setyanti 21 ... Dengan demikian secara sederhana mean dari distribusi binomial dihitung dengan rumus : µ = n. Di dalam distribusi binomial.1. Xi menunjukkan jumlah sukses 0..

kita akan memperoleh : Jawab : • µ = 300. 1 / 2 .Contoh Soal : • Dari distribusi timbulnya permukaan A dari 300 lemparan coin. 1= 8.66 /2 Sri Wahyu Lelly Hana Setyanti 22 .1/2 = 150 • σ= 300 .

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

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

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

. berapakah probabilitas suatu keluarga dengan 6 anak akan terdiri dari 0. Bila peluang untuk melahirkan anak laki-laki dan anak perempuan adalah sama.. 6 anak laki-laki ? 3. Berapa banyak barang X yang harus diproduksi agar probabilitas barang X yang rusak sebanyak ≥ 1 ialah ≥ ½ (50 persen).. 5/100 dari barang X yang diproduksi dengan menggunakan mesin A ternyata rusak sedangkan 95/100 ternyata dapat memenuhi kualitas standar. 1.2.. Bila produksi di atas merupakan sebuah proses Bernoulli di mana tiap-tiap percobaan selalu menghasilkan sukses (rusak) atau gagal (baik).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 .

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

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.000 orang pembaca. berapa orang diharapkan akan membalas iklan tersebut ? b.Contoh Soal : Misalkan sebuah mobil diiklankan di surat kabar untuk dijual.00002 ditanyakan : a. Surat kabar yang memuat iklan tersebut kita misalkan mempunyai 100. Jika kemungkinan seseorang akan membalas iklan tersebut 0. berapa kemungkinan tidak ada yang membalas ? Sri Wahyu Lelly Hana Setyanti 29 .

0.00002 µ = n.00002 =2 • Rata rata ada 2 orang yang membalas iklan tersebut • X=1 Sri Wahyu Lelly Hana Setyanti 30 .Jawab : n = 100. p µ = 100.000 .000 p= 0.

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

Materi 3 Distribusi Normal Sri Wahyu Lelly Hana Setyanti 32 .

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

e 1/ 2 ( x−µ σ )2 Y = ordinat kurva normal untuk setiap nilai x µ = mean σ = deviasi standar = konstante = 3.71828 Sri Wahyu Lelly Hana Setyanti 34 .Untuk membuat kurva normal kita harus mengetahui besarnya µ (mean) dan σ (deviasi standar) : Y= 1 σ π2π .14159 e = konstante = 2.

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

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 .

1179 .0438 .12 40 Sri Wahyu Lelly Hana Only One Table Setyanti is Needed . 0832 .0478 0.2 .3 .0 .0793 .00 .0000 .0080 0.02 0.1255 Probabilities 0 Z = 0.0478 Z .0040 .0398 .1217 .01 .1 .0871 0.Solution: The Cumulative Standardized Normal Distribution Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .

12 Z 41 .2 − 5 = = 0.2 µ =5 X Sri Wahyu Lelly Hana Setyanti µZ = 0 0.12 10 Standardized Normal Distribution Normal Distribution σ = 10 σZ =1 6.Standardizing Example Z= X −µ σ 6.

Example: P ( 2.1) = .1664 Z= X −µ σ 2.9 X Sri Wahyu Lelly Hana Setyanti −0.0832 σZ =1 .1 µ =5 2.21 10 Normal Distribution σ = 10 Standardized Normal Distribution .1 − 5 = = .9 ≤ X ≤ 7.9 − 5 = = −.21 0.0832 7.21 µZ = 0 Z 42 .21 10 Z= X −µ σ 7.

1 .0000 .0793 .0080 0.00 .0 .1217 .01 .0832 Z .2 .02 0.1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 σZ =1 .1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.21 43 .9 ≤ X ≤ 7.Example: P ( 2.0438 .3 .0398 .1) = .0871 0.0832 .1179 .0040 .0478 0.

4602 .21 44 Sri Wahyu Lelly Hana Setyanti .3 .4168 .2 .1) = .0 .Example: P ( 2.02 -0.1664(continued) Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .3821 .4207 .01 .4920 0 Z = -0.00 .9 ≤ X ≤ 7.1 .4168 σZ =1 Z .3783 .4522 0.4129 -0.5000 .3745 -0.4562 .4960 .

30 Z 45 .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 0.3821 Z= Normal Distribution X −µ σ 8−5 = = .

0793 .1179 Z .0438 .3 .3821 Cumulative Standardized Normal Distribution Table (Portion) (continued) µZ = 0 σZ =1 .0000 .00 .0478 0.0 .0871 0.0398 .30 46 .0080 0.1 .0832 .1179 .01 .02 0.1255 Sri Wahyu Lelly Hana Setyanti 0 Z = 0.Example: P ( X ≥ 8 ) = .0040 .2 . 1217 .

1217 σZ =1 Z .0478 0.0080 0.0040 .0871 0 Z = .31 0.2 .0793 .2 0.1 .0398 .3 .0 .1179 .1217 .0832 .6217 ? Cumulative Standardized Normal Distribution Table (Portion) µZ = 0 .0000 .01 0.00 .Finding Z Values for Known Probabilities What is Z Given Probability = 0.1255 47 Sri Wahyu Lelly Hana Setyanti .0438 .

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

9877756 Lelly Hana Setyanti Sri Wahyu X µ = 73 91 0 2.25 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.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 49 Z . What is the probability of getting a grade no higher than 91 on this exam? X N ( 73.

9772 P(65<=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) 0.1587 P(X<=89) 0.More Examples of Normal Distribution Using PHStat(continued) What percentage of students scored between 65 and 89? X N ( 73.8186 Sri Wahyu Lelly Hana Setyanti X 65 µ = 73 89 -1 0 2 Z 50 .

645 Z 51 . Cumulative Percentage 95.644853 X Value 86.15882 X µ = 73 ? =86.16 Sri Wahyu Lelly Hana Setyanti 0 1.00% Z Value 1.More Examples of Normal Distribution Using PHStat(continued) Only 5% of the students taking the test scored higher than what grade? X N ( 73.05 Find X and Z Given Cum. Pctage.8 2 ) P ( ? ≤ X ) = .

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

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.

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

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. not likely! REJECT Null Hypothesis Take a Sample Sri Wahyu Lelly Hana Setyanti ( X = 20 ) 59 .

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

01.05.Level of Significance. α • Defines unlikely values of sample statistic if null hypothesis is true • Is designated by α . .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 .

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 .

: X ) to test 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.Critical Values Approach to Testing • Convert sample statistic (e.g. reject H0 – Otherwise do not reject H0 Sri Wahyu Lelly Hana Setyanti 69 .g.: Z.

do not reject H0 – If p-value ≤ α .g. X ) to Test Statistic (e. reject H0 α Sri Wahyu Lelly Hana Setyanti α 70 .p-Value Approach to Testing • Convert Sample Statistic (e. Z. 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.

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

Collect data 8. Make statistical decision Reject null hypothesis The true mean number of TV Sri Wahyu Lelly Hana Setyanti 72 sets is less than 3 .0228 Z 9.645 100 households surveyed Computed test stat =-2. p-value = . Set up critical value(s) Reject H0 (continued) α 7. Compute test statistic and p-value 10. Express conclusion -1.General Steps in Hypothesis Testing 6.

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

4738 .06 α = .4750 76 Critical Value = 1.4591 .4744 .05? Standardized Cumulative Normal Distribution Table (Portion) σZ =1 .4678 .7 .95 Z .05 1.4505 .8 .04 .645 0 1.4671 .645 Z Sri Wahyu Lelly Hana Setyanti .6 .4608 1.Finding Critical Value: One Tail What is Z given α = 0.9 .4686 1.05 .4515 1.4599 .4495 .

50 Z Z Value of Sample Statistic 77 From Z Table: Lookup 1.5668 0 1.0000 .4332 .0668 Use the alternative hypothesis to find the direction of the rejection region.50 to Sri Wahyu Lelly Hana Setyanti Obtain .50) = 0.4332 .5668 1. P-Value =.p -Value Solution p-Value is P(Z ≥ 1..

50 No evidence that true Sri Wahyu Lelly Hana Setyanti is more than 368 78 mean .645 X −µ σ =1.Example Solution: One Tail Test H0: µ ≤ 368 H1: µ > 368 Test Statistic: Z= Reject .05 α = 0.50 n Decision: Do Not Reject at α = .05 Conclusion: 0 1.5 n = 25 Critical Value: 1.645 Z 1.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->