Kesimpulan pada Populasi Tunggal

Seberapa kita dapat merasakan akuratnya area?

Data pada Tabel 4.1 adalah dari eksperimen dalam persepsi psikologi. Seseorang diminta
untuk menilai area relatif bidang lingkaran berbagai ukuran area pada skala persepsi yang
dapat didekati dengan
daerah dinilai = a (area yang benar) b
Bagi kebanyakan orang eksponen b adalah antara 0,6 dan 1. Artinya, seseorang dengan
eksponen 0,8 yang melihat dua lingkaran, satu dua kali luas dari yang lain, akan
menilai satu lebih besar untuk menjadi hanya 20,8 = 1,74 lebih besar.
Perhatikan bahwa jika eksponen kurang dari 1, orang cenderung meremehkan daerah; jika
lebih besar dari 1, ia atau dia akan melebih-lebihkan daerah. Data yang ditampilkan pada
Tabel 4.1 adalah seperangkat eksponen diukur oleh 24 orang dari satu percobaan tertentu
(Cleveland
et al., 1982). Sebuah histogram data ini diberikan dalam Gambar 4.1.
Ini mungkin menarik untuk memperkirakan nilai rata-rata dari b bagi sekumpulan dari
yang sampel ini diambil; Namun, karena kita tidak tahu nilai populasi
deviasi standar kita tidak bisa menggunakan metode dari Bab 3.
Selanjutnya, kita mungkin akan tertarik dalam memperkirakan varians dari pengukuran ini
dengan baik. Bab ini membahas metode untuk melakukan kesimpulan tentang cara
ketika varians populasi tidak diketahui serta kesimpulan pada yang tidak diketahui
varians populasi. Kesimpulan untuk contoh ini disajikan dalam
Bagian 4.2 dan 4.4.
4.1 Pendahuluan
Contoh yang digunakan dalam Bab 3 untuk menarik kesimpulan statistik
tidak sangat menarik atau berguna. Ini memang disengaja, karena kami
ingin menghindari gangguan dari isu-isu yang relevan dengan prinsip-prinsip yang sudah
dikenalkan.
Tabel 4.1
Eksponen Terukur
Catatan: Dicetak ulang dengan izin dari Asosiasi Amerika statistik.

Gambar 4.1

Histogram dari contoh 4.1

Kita sekarang akan beralih ke contoh bahwa meskipun masih cukup sederhana, akan
memiliki aplikasi yang lebih berguna. Secara khusus, kami menyajikan prosedur untuk
membuat kesimpulan dari rata-rata populasi yang terdistribusi normal di mana
varians tidak diketahui,
membuat kesimpulan tentang varians dari populasi terdistribusi normal, dan
membuat kesimpulan pada proporsi keberhasilan dalam populasi binomial.
Meningkatkan derajat kompleksitas ditambahkan dalam bab-bab berikutnya. Ini
dimulai pada Bab 5 dengan kesimpulan untuk membandingkan dua populasi dan
Bab 6 dengan kesimpulan pada rata-rata dari sejumlah populasi. Di
Bab 7 kita menunjukkan prosedur menarik kesimpulan antara dua variabel
melalui apa yang akan kita sebut sebagai model linear, yang kemudian
digunakan sebagai dasar umum untuk banyak prosedur menarik kesimpulan statistik lainnya.
Sebagai tambahan berisi perkenalan singkat dengan metode statistik lainnya yang yang
mencakup situasi yang berbeda serta metodologi yang dapat digunakan saat
asumsi yang mendasari tidak dapat memuaskan atau tidak jelas

4.2 Kesimpulan pada Rata-rata Populasi

Dalam Bab 3 kita menggunakan sampel rata rata

y dan distribusi sampling untuk

membuat
kesimpulan tentang populasi rata-rata. Untuk kesimpulan ini kita menggunakan fakta bahwa,
untuk setiap kira-kira pada data statistic terdistribusi secara normal

memiliki standar distribusi normal. Statistik ini membatasi nilai praktis

karena, jika rata-rata populasi tidak diketahui, hal ini juga kemungkinan bahwa varians
dari populasi tidak diketahui.
Dalam pembahasan distribusi t dalam Bagian 2.6 kita mencatat bahwa jika pada persamaan
diatas, deviasi standar yang diketahui digantikan oleh taksiran, s, yang menghasilkan statistik
memiliki distribusi sampel yang dikenal sebagai distribusi Students t.
Distribusi ini memiliki satu parameter, yang disebut derajat kebebasan,
(n-1) untuk kasus ini. Jadi untuk kesimpulan statistik pada rata-rata dari
populasi terdistribusi normal, kita dapat menggunakan statistik

Hal ini sangat penting untuk dicatat bahwa derajat kebebasan didasarkan pada
penyebut dari rumus yang digunakan untuk menghitung s2, yang mencerminkan rumus umum
untuk menghitung s2

bentuk yang akan digunakan secara luas dalam bab-bab selanjutnya

Kesimpulan pada mengikuti pola yang sama dijelaskan dalam Bab 3 dengan hanya dubah
uji statistik, yang, z dan diganti dengan t dan s.
Hipotesis Uji
Untuk menguji hipotesis
H0: = 0 vs
H1: = 0,
1in Bagian 2.2 kita mengadopsi konvensi yang digunakan huruf kapital untuk menunjuk
variabel random
dan huruf kecil untuk mewakili realisasi dari variabel acak. Pada waktu itu kami menyatakan
bahwa kekhususan penunjukan ini tidak akan diperlukan setelah Bab 3. Oleh karena itu,
untuk ini
dan bab-bab berikutnya kita akan menggunakan huruf kecil secara eksklusif.

menghitung uji statistik

Keputusan tentang penolakan H0 mengikuti aturan yang ditetapkan dalam Bab 3.

Artinya, H0 ditolak jika nilai yang dihitung dari t berada di kawasan penolakan,
seperti yang didefinisikan oleh tertentu, ditemukan dalam tabel distribusi t, atau jika
dihitung nilai p lebih kecil dari nilai yang ditentukan dari . Karena sebagian besar tabel
dari distribusi t hanya terbatas jumlah tingkat probabilitas yang tersedia,
perhitungan nilai p biasanya disediakan hanya jika analisis yang
dilakukan pada komputer, yang tidak terbatas pada menggunakan tables.2
Kurva tes ini dapat dibangun, namun, mereka memerlukan
distribusi yang lebih kompleks. Grafik memang ada untuk menentukan kekuatan
untuk situasi yang dipilih dan tersedia dalam beberapa teks ( misalnya dalam Neter
et al., 1996).
CONTOH 4.2

Dalam Contoh 3.3 kita disajikan masalah kontrol kualitas di mana kami menguji
hipotesis bahwa berat rata-rata kacang yang dimasukkan ke dalam guci itu yang dibutuhkan
8 oz. Kami berasumsi bahwa kita tahu deviasi standar populasi, mungkin
dari pengalaman. Kami sekarang santai asumsi itu dan memperkirakan keduanya berarti dan
varians dari sampel.
Tabel 4.2 berisi data dari sampel 16 botol.
Solusi Kami mengikuti lima langkah dari uji hipotesis (Bagian 3.2).
1. Hipotesisnya adalah
H0: = 8,
H1: 8.
2. Tentukan = 0,05. Tabel distribusi t (Lampiran Tabel A.2) menyediakan
nilai t untuk wilayah penolakan dua ekor untuk 15 derajat kebebasan
sebagai | t | > 2,1314.

3. Untuk mendapatkan uji statistik yang tepat, pertama menghitung

y

dan s2:

= 126,28 / 16 = 7,8925,

s2 = (997,141-996,6649) / 15 = 0,03174.
Uji statistik memiliki nilai
t = (7,8925-8) /

0,03174/16 = (-0,1075) /0.04453 = -2,4136.

2We dicatat dalam Bagian 2.6 bahwa ketika derajat kebebasan menjadi besar, distribusi t
sangat
erat mendekati normal. Dalam kasus tersebut, penggunaan tabel dari distribusi normal
memberikan hasil yang dapat diterima bahkan jika 2 tidak diketahui. Untuk alasan ini
banyak buku teks mengobati seperti
kasus, biasanya menentukan ukuran sampel lebih dari 30, sebagai contoh kasus besar dan
menentukan penggunaan
yang zstatistic untuk kesimpulan pada mean. Meskipun hasil metodologi tersebut tidak benar,
sampel dikotomi sampel-kecil besar tidak meluas ke sebagian besar metode statistik lainnya.
Saya Di
Selain itu, sebagian besar program komputer dengan benar menggunakan distribusi t terlepas
dari ukuran sampel.
4. Karena |t| melebihi nilai kritis 2,1314, maka hipotesis nol ditolak.
5. Perhatikan bahwa kesempatan yang dipilih ini tidak benar pada 0,05.
Nilai p sebenarnya dari uji statistik tidak dapat diperoleh dari Lampiran Tabel
A.2. Nilai p yang sebenarnya, yang diperoleh oleh program komputer, adalah 0,0290, dan
kami
dapat menolak H0 pada setiap yang ditentukan lebih besar dari nilai yang diamati dari
0,0290.
Pembeli apple bersedia membayar harga premium untuk apel jika penjual memiliki, seperti
yang diklaim yaitu diameter rata-rata lebih dari 2,5 di. Pembeli ingin menguji klaim apel
yang cukup besar, sehingga ia mengambil sampel acak dari 12 apel dan mengukur
diameternya.
Hasil diberikan dalamTabel 4.3.

SOLUSI
:
Mendapatkan apel lebih kecil bukanlah masalah, pembeli bersedia untuk mengambil
kesempatan 10% dari tidak perlu membayar harga premium. Oleh karena itu tingkat
signifikansi, , ditetapkan sebesar 0,10. Tentu saja, pembeli hanya membayar harga premium
jika apel lebih besar dari 2,5 in
yang dinyatakan dalam uji satu sisi (one-tailed test).
1. Hipotesisnya adalah
H0: = 2,5,
H1: > 2,5.
2. Dengan kata lain, ia akan membeli apel hanya jika hipotesis nol ditolak.
Kami sudah menentukan = 0,10. varians diperkirakan dari 12
sampel; maka t statistik untuk pengujian memiliki 11 derajat kebebasan
dan satu sisi daerah penolakan adalah untuk menolak H0 jika nilai dihitung dari
t melebihi 1,3634.
3. Dari sampel, nilai y dan s2 adalah
y

= 2,758,

s2 = 0,1554,
dan uji statistik adalah
t = (2,758-2,5) /

0,1554/12 = 2,267.

4. hipotesis nol ditolak.

5. Pembeli harus bersedia membayar harga premium karena ada
bukti yang cukup bahwa diameter rata-rata apel dari beban ini lebih dari 2,5 in
Jika masalah ini telah dikerjakan oleh program komputer, hasil dari
tes mungkin akan dilaporkan dalam bentuk nilai p. Namun, sebagian besar
program komputer secara otomatis memberikan probabilitas two-tailed, dalam hal ini
nilai p yang benar untuk uji hipotesis one-tailed harus ditemukan dengan membagi
cetak p nilai dengan 2. Untuk contoh ini, komputer-menghasilkan nilai p
adalah 0,0433; maka benar satu-ekor nilai p adalah 0,0443 / 2 = 0,0222, yang

merupakan
memang kurang dari 0,10 yang diperlukan.
CONTOH 1.2
MENINJAU KEMBALI
Ingat bahwa pada Contoh 1.2, John Mode telah ditawari pekerjaan
di timur kota Texas. Jelas, biaya perumahan di kota ini
akan menjadi pertimbangan penting dalam keputusan untuk pindah. Mode membaca
artikel di koran dari kota di mana mereka saat ini tinggal yang diklaim
"rata-rata" harga rumah adalah $ 155.000. Ini menjadikan ingin tahu apakah
data yang dikumpulkan dalam Contoh 1.2 menunjukkan perbedaan antara kedua kota.
Mereka beranggapan bahwa "rata-rata" harga sebagaimana dimaksud dalam artikel itu
harga rata rata, dan sampel yang mereka kumpulkan dari kota baru merupakan sampel
acak
semua harga rumah di kota itu.
Untuk tujuan ini,
H0: = 155, dan
H1: 155.
Mereka menghitung hasil sebagai berikut dari Tabel 1.2:

y =9755,18, y 2=1.876 .762

n = 69

Jadi,
y =141,4

SS = 497,580 dan s2 = 7317.4,

lalu
t=

141,4155,0
7317,4
69

= - 1,32

yang tidak cukup bukti (di = 0,05) bahwa harga rata-ratanya berbeda. Di
Dengan kata lain, harga rata-rata perumahan tampaknya tidak berbeda dari yang
kota di mana Mode saat ini tinggal.
Estimasi
interval kepercayaan pada dibangun dengan cara yang sama seperti yang di
Bab 3 kecuali yang diganti dengan s, dan nilai tabel z untuk
Koefisien ditentukan (1-) diganti dengan nilai yang sesuai
dari tabel distribusi t untuk derajat kebebasan yang tepat. Itu
rumus umum dari (1 - ) pada interval adalah
Jadi,

t / 2

s2
n

dimana t / 2 memiliki (n-1) derajat kebebasan.

0,95 interval pada rata-rata di conto 4.2 (Tabel 4.2) adalah
7,8925 2,1314 (0,04453),
7,8925 0,0949,
atau dari 7,798-7,987. Mengingat kesetaraan tes hipotesis dan interval keyakinan, kami
mencatat bahwa interval ini tidak mengandung hipotesis nol
nilai 8 yang digunakan dalam Contoh 4.2, setuju dengan hasil yang diperoleh.
Demikian pula, satu sisi lebih rendah selang 0,90 interval kepercayaan untuk ukuran rata-rata
apel adalah

2,758-1,3634

0,1554/12 atau

2,758-0,155 = 2,603.
Ini lebih besar dari nilai yang dibutuhkan dari 2,5, setuju dengan hasil uji hipotesis.
Solusi untuk Contoh 4.1
Kita sekarang dapat memecahkan masalah dalam Contoh 4.1 dengan memberikan keyakinan
interval untuk eksponen. Kami pertama menghitung statistik sampel: y = 0,9225 dan s =
0,165. t statistik berdasarkan 24-1 = 23 derajat kebebasan, dan karena kami ingin interval
kepercayaan 95%
kita menggunakan t0.05 / 2 = 2,069 (dibulatkan). interval kepercayaan 0,95 pada adalah
diberikan oleh
0,9225 (2,069) (0,165) /

24 atau

0,9225 0.070, atau 0,8525 sampai 0,9925.

Jadi kita 95% yakin bahwa eksponen rata rata sebenarnya adalah antara 0,85 dan
0.99, dibulatkan ke dua desimal. Ini tampaknya menyiratkan bahwa, rata-rata,
orang cenderung meremehkan daerah relatif.

Ukuran sampel
Persyaratan ukuran sampel untuk masalah estimasi dimana tidak diketahui
cukup rumit. Jelas kita tidak bisa memperkirakan varians sebelum kita mengambil
sampel; maka t statistik tidak dapat digunakan secara langsung untuk memperkirakan ukuran
sampel. metode berulang yang akan memberikan ukuran sampel untuk situasi tertentu ada,
tetapi mereka berada di luar lingkup teks ini. Oleh karena itu sebagian perhitungan ukuran

sampel
hanya mengasumsikan beberapa varian dikenal dan lanjutkan seperti dibahas dalam Bagian
3.4.
Derajat kebebasan
Untuk contoh di bagian ini derajat kebebasan dari statistik uji (
t statistik) adalah (n-1), di mana n adalah ukuran sampel. Hal ini, bagaimanapun,
Penting untuk diingat bahwa derajat kebebasan dari statistik t selalu
yang digunakan untuk memperkirakan varians yang digunakan dalam membangun uji
statistik. Kita
akan melihat bahwa untuk banyak aplikasi tidak (n-1).
Misalnya, bahwa kita perlu untuk memperkirakan ukuran rata-rata batu yang
diproduksi oleh pemecah batu. Sebuah sampel acak dari 100 batu yang akan digunakan.
Sayangnya, kita tidak punya waktu untuk menimbang masing-masing batu secara individual.
Kita dapat,menimbang seluruh 100 dalam satu berat, membagi berat total 100
untuk mendapatkan perkiraan , dan menyebutnya y
. Kami kemudian mengambil
100

random sampel acak 10 batu dari 100, dan kita menimbang secara individual untuk
menghitung perkiraan
dari varians,

di mana

10

dihitung dari sub-sampel dari 10 pengamatan.

Statistiknya akan memiliki distribusi t dengan 9 (tidak 99) derajat kebebasan.

Meskipun situasi seperti ini tidak sering muncul dalam praktek, itu menggambarkan
fakta bahwa derajat kebebasan untuk t statistik yang terkait dengan
perhitungan s2: itu selalu denominator di s2 = SS / df.
Namun, varians dari y
masih diperkirakan oleh s2 / 100 karena varians
100

dari distribusi sampling didasarkan pada ukuran sampel yang digunakan untuk
menghitung rata-rata itu.
4.3 Kesimpulan pada Sebuah Proporsi
Dalam populasi binomial, parameter yang menarik adalah p, proporsi
"Keberhasilan." Dalam Bagian 2.3 kita menggambarkan sifat populasi binomial
dan dalam Bagian 2.5 pendekatan normal terhadap distribusi
proporsi keberhasilan dalam sampel n dari populasi binomial.
distribusi ini dapat digunakan untuk membuat kesimpulan statistik tentang parameter p,
proporsi keberhasilan dalam suatu populasi.
Estimasi p dari sampel berukuran n adalah proporsi sampel,

dimana y adalah jumlah keberhasilan dalam sampel. Menggunakan pendekatan normal,

statistik yang tepat untuk melakukan kesimpulan pada p adalah

Di bawah kondisi untuk distribusi binomial dinyatakan dalam Bagian 2.3, statistik ini
memiliki distribusi normal standar, dengan asumsi ukuran sampel yang cukup untuk
pendekatan yang akan berlaku.
Hipotesis Uji p
Hipotesisnya adalah
H0: p = p0,
H1: p P0.
Hipotesis alternatif tentu saja, menjadi satu sisi. Untuk melakukan tes,
menghitung uji statistik

yang dibandingkan dengan nilai kritis yang sesuai dari distribusi normal
(Lampiran Tabel A.1), atau nilai p dihitung dari distribusi normal.
Perhatikan bahwa kita tidak menggunakan distribusi t di sini karena varians adalah
tidak diperkirakan sebagai jumlah kotak dibagi dengan derajat kebebasan. Tentu saja,
penggunaan dari distribusi normal adalah perkiraan, dan umumnya
direkomendasikan untuk digunakan hanya jika np 5 dan n (1 - p) 5.
CONTOH 4.4
Sebuah iklan mengklaim bahwa lebih dari 60% dokter memilih tertentu
merek pembunuh rasa sakit. Sebuah lembaga yang didirikan untuk memantau kebenaran
dalam periklanan melakukan survei yang terdiri dari sampel acak dari 120 dokter. Dari 120
mempertanyakan, 82 menunjukkan preferensi untuk merek tertentu. Apakah iklan
dibenarkan?
Solusi
Parameter yang menarik adalah p, proporsi dokter di populasi yang lebih memilih merek
tertentu. Untuk menjawab pertanyaan tersebut, berikut Uji hipotesis yang dilakukan:
H0: p = 0,6,
H1: p > 0,6.
Catatan bahwa ini adalah uji satu sisi dan penolakan mendukung hipotesis
iklan. Apakah mungkin bahwa produsen obat penghilang rasa sakit akan
menggunakan satu set sedikit berbeda dari hipotesis? Sebuah tingkat signifikansi 0,05 yang

dipilih.
Statistik ujinya adalah

Nilai p statistik ini (dari Lampiran Tabel A.1) adalah

Estimasi dari p
Karena nilai p ini kurang dari yang ditentukan 0,05, kita menolak H0 dan menyimpulkan
bahwa proporsi sebenarnya lebih besar dari 0,6. Artinya, iklan yang muncul dibenarkan.
Internal keyakinan (1-) pada p berdasarkan ukuran sampel y successes dengan

Perhatikan bahwa karena tidak ada nilai hipotesis p, proporsi sampel

digantikan p dalam rumus untuk varians.
CONTOH 4.5
Sebuah jajak pendapat sebelum pemilu menggunakan sampel acak dari 150 pemilih
menunjukkan bahwa calon Smith disukai 84, yaitu,
= 0,56. Kami ingin membangun 0.99
interval kepercayaan pada proporsi yang benar dari pemilih mendukung Smith.
Solusi
Untuk menghitung interval kepercayaan, kita menggunakan

mengakibatkan interval 0,456-0,664. Perhatikan bahwa interval memang mengandung

50% (0,5) serta nilai-nilai di bawah 50%. Ini berarti bahwa Smith tidak dapat memprediksi
dengan 0,99 keyakinan bahwa dia akan memenangkan pemilu.
Sebuah Pendekatan Alternatif untuk Interval Keyakinan
Dalam Agresti dan Coull (1998), itu menunjukkan bahwa metode memperoleh kepercayaan
sebuah interval pada p disajikan di atas cenderung menghasilkan interval yang tidak
benar-benar memberikan tingkat kepercayaan tertentu. Hal ini karena binomial
adalah variabel acak diskrit dan selang kepercayaan dibangun menggunakan

aproksimasi normal untuk binomial, yang terus-menerus. simulasi

Studi yang dilaporkan dalam Agresti dan Coull menunjukkan bahwa bahkan dengan ukuran
sampel setinggi 100 dan benar proporsi 0,018, jumlah sebenarnya kepercayaan
interval yang berisi p benar dekat dengan 84% dari nominal 95% yang ditentukan.
Solusinya, seperti yang diusulkan dalam artikel ini, adalah untuk menambahkan dua
keberhasilan dan dua kegagalan dan kemudian menggunakan rumus standar untuk
menghitung selang kepercayaan.
Penyesuaian ini menghasilkan kinerja yang lebih baik dari selang kepercayaan,
bahkan dengan sampel relatif kecil. Menggunakan penyesuaian ini, interval didasarkan
pada perkiraan baru dari p;
akan didasarkan pada
akan menjadi

Untuk Contoh 4.5 interval

selang kepercayaan yang dihasilkan

atau
interval dari 0,455 sampai 0,661. interval ini tidak jauh berbeda dari yang dibangun tanpa
penyesuaian, terutama karena ukuran sampel besar dan perkiraan p dekat dengan 0,5. Jika
ukuran sampel yang kecil, ini pendekatan akan menghasilkan interval keyakinan yang lebih
handal.
Ukuran sampel
Sejak estimasi pada p menggunakan distribusi normal standar sampling, kita
dapat memperoleh ukuran sampel yang diperlukan untuk tingkat presisi tertentu. Di
Bagian 3.4 kita mencatat bahwa untuk (1 - ) tingkat kepercayaan dan maksimal
Kesalahan estimasi E, ukuran sampel yang dibutuhkan adalah

Formula ini disesuaikan untuk populasi binomial dengan mengganti kuantitas

p (1 - p) untuk 2.
Dalam kebanyakan kasus kita mungkin memiliki perkiraan (atau menebak) untuk p yang
dapat digunakanuntuk menghitung ukuran sampel yang diperlukan. Jika tidak ada estimasi
tersedia, maka 0,5 mungkin digunakan untuk p, karena ini menghasilkan nilai terbesar yang
mungkin untuk varians
dan, karenanya, juga n terbesar untuk E diberikan (dan, tentu saja, ). Dengan kata lain,
penggunaan 0,5 untuk p tidak diketahui memberikan perkiraan konservatif sebagian
ukuran sampel.
CONTOH 4.6
Dalam pemilihan antara dua kandidat (p kurang lebih 0,5), sebelum pilkada pendapat harus
memberikan perkiraan agak tepat. Kami ingin
memperkirakan proporsi pemilih mendukung calon dengan kesalahan maksimum
estimasi dari 1% (dengan keyakinan 0,95). Apa ukuran sampel akan dibutuhkan?
Solusi

Untuk memenuhi kriteria yang ditentukan akan membutuhkan ukuran sampel

n = (1,96)2 (0,5) (0,5) / (0,01)2 = 9604.
Hal ini tentunya sampel agak besar dan merupakan konsekuensi alami dari
tingkat presisi yang tinggi dan keyakinan diperlukan.
4.4 Kesimpulan pada Variance dari Satu Populasi
Kesimpulan untuk varians mengikuti pola yang sama seperti dalam prosedur menarik
kesimpulan menggunakan distribusi sampling dari titik perkiraan. Estimasi point untuk 2
adalah

atau lebih umum SS / df.

Kami juga mencatat dalam Bagian 2.6 bahwa jumlah sampel

memiliki distribusi 2 dengan (n - 1) derajat kebebasan, dengan asumsi sampel

dari populasi yang terdistribusi normal. Seperti sebelumnya, titik estimasi dan
distribusi sampling memberikan dasar untuk tes hipotesis dan interval keyakinan.
Hipotesis Uji 2
Untuk menguji hipotesis nol bahwa varians dari populasi adalah nilai yang dtentukan,
mengatakan 02 , hipotesisnya adalah

dengan alternatif satu sisi diperbolehkan. Statistik dari Bagian 2.6 digunakan untuk menguji
hipotesis nol

di mana untuk kasus ini

Jika hipotesis nol benar, statistik ini memiliki distribusi 2 dengan (n-1) derajat kebebasan.
Jika hipotesis nol salah, maka nilai dari SS kuantitas akan cenderung
untuk mencerminkan nilai sebenarnya dari 2. Artinya, jika 2 lebih besar (lebih kecil) dari
nol
nilai hipotesis, maka SS akan cenderung relatif besar (kecil), dan nilai
statistik uji karena itu akan cenderung lebih besar (lebih kecil) dari yang disarankan
oleh distribusi 2. Oleh karena itu daerah penolakan untuk ujian akan
two-tailed; Namun, nilai-nilai kritis akan baik positif dan kami harus menemukan

nilai kritis individu untuk setiap sisi. Dengan kata lain, wilayah penolakan
menolak H0 jika:

Seperti distribusi t, 2 adalah distribusi lain yang hanya tabel terbatas yang
tersedia. Jadi sulit untuk menghitung nilai p saat melakukan tes hipotesis
pada varian ketika tabel tersebut harus digunakan.
tes hipotesis tentang varians sering one-tailed karena variabilitas adalah
digunakan sebagai ukuran konsistensi, and we usually ingin menjaga konsistensi,
yang ditandai dengan varians kecil. Dengan demikian, hipotesis alternatif yang lebih besar
varians menyiratkan proses yang tidak stabil atau tidak konsisten.
CONTOH 4.2
MENINJAU KEMBALI
Dalam mengisi tabung dengan kacang, kami tidak hanya ingin rata-rata
berat isi menjadi 8 oz., tapi kami juga ingin mempertahankan tingkat
konsistensi dalam jumlah kacang yang dimasukkan ke dalam stoples. Jika salah satu tabung
menerima terlalu banyak kacang, itu akan meluap, dan terjadi pemborosan kacang.
Jika tabung lain terlalu sedikit kacang, itu tidak akan penuh dan konsumen tabung kacang
yang akan merasa tertipu bahkan meskipun rata-rata guci memiliki massa sama dari kacang.
Karena itu,
tes pada varians dari bobot kacang juga harus menjadi bagian dari kualitas
kontrol dari proses.
Misalkan berat dari kacang 95% dari tabungnya yang digunakan dalam 0,2 oz dari rata-rata.
Dengan asumsi kita distribusi mendekati normal dapat menggunakan aturan empiris untuk
menyatakan bahwa standar deviasi harus di antara 0,2 / 2 = 0,10, atau ekuivalen yang varians
berada di 0,01.
Solusi
Kami akan menggunakan sampel data pada Tabel 4.2 untuk menguji hipotesis

menggunakan tingkat signifikansi = 0,05. Jika kita menolak hipotesis nol demi
dari varians yang lebih besar kami menyatakan bahwa proses pengisian tidak di kontrol. Itu
daerah penolakan didasarkan pada statistik

yang dibandingkan dengan distribusi 2 dengan 15 derajat kebebasan. Dari

Lampiran Tabel A.3 daerah penolakan untuk menolak H0 adalah untuk dihitung
nilai 2 melebihi 25.00. Dari sampel, SS = 0,4761, dan uji statistik
memiliki nilai

Oleh karena itu hipotesis nol ditolak dan kami merekomendasikan mengorbankan
memodifikasi proses pengisian untuk memastikan konsistensi. Artinya, mesin
harus disesuaikan atau dimodifikasi untuk mengurangi variabilitas. Tentu, setelah
modifikasi, seri lain dari tes akan dilakukan untuk memastikan keberhasilan dalam
mengurangi variasi.
CONTOH 4.1 MENINJAU KEMBALI
Misalkan dalam studi psikologi persepsi, variabilitas subjek adalah perhatian. Secara khusus,
misalkan bahwa peneliti ingin mengetahui apakah varians dari eksponen berbeda dari 0,02.
Solusi
Hipotesisnya adalah

Menggunakan tingkat signifikansi 0,05, wilayah kritis

menolak H0 jika SS / 0,02 lebih besar dari 38,08 (dibulatkan)
atau lebih kecil dari 11,69 (dibulatkan).
Data pada Tabel 4.1 menghasilkan SS = 0,628. Oleh karena itu, uji statistik memiliki nilai
dari 0,628 / 0,02 = 31,4, yang tidak di daerah kritis; dengan demikian, kita tidak dapat
menolak
hipotesis nol bahwa 2 = 0,02.
Estimasi 2
Sebuah selang kepercayaan dapat dibangun untuk nilai 2 parameter
menggunakan distribusi 2. Karena distribusi tidak simetris, Interval kepercayaan
tidak simetris s2 dan, seperti dalam kasus dua-sisi uji hipotesis, kita perlu dua nilai individu
dari distribusi 2 untuk menghitung selang kepercayaan.
Batas bawah interval kepercayaan adalah
dan batas atas adalah
di mana nilai-nilai ekor berasal dari distribusi 2 dengan (n - 1) derajat
kebebasan. Perhatikan bahwa nilai ekor atas dari distribusi 2 digunakan untuk
batas bawah dan sebaliknya.
Untuk Contoh 4.2 kita dapat menghitung interval kepercayaan 0,95 pada 2 berdasarkan
data sampel yang diberikan dalam Tabel 4.2. Karena uji hipotesis untuk contoh ini
itu one-tailed, kita membangun interval keyakinan satu sisi yang sesuai.

Dalam hal ini kita ingin batas 95% lebih rendah, yang akan membutuhkan atas
0,05 ekor distribusi 2 dengan 15 derajat kebebasan, yang kita miliki
sudah terlihat menjadi 25,00. Batas kepercayaan rendah adalah
=0,0190.
Semakin rendah 0,95 batas kepercayaan untuk standar deviasi hanya
akar kuadrat dari batas untuk varians, sehingga nilai 0,138.
Oleh karena itu 95% yakin bahwa standar deviasi benar setidaknya 0.138.
Nilai ini lebih besar dari yang ditetapkan oleh hipotesis nol dan lagi
interval kepercayaan setuju dengan hasil uji hipotesis.