1.

Formulate null and alternative hypotheses for application involving a single population
mean or proportion
2. Formulate a decision rule for testing a hypothesis
3. Know how to use the test statistical , critical value, and p-value approaches to test the
null hypothesis
4. Know that type I and type ii errors are
5. Compute the probability of a type II error

1. Hipotesis alternatif (Ha) dirumuskan dengan kalimat positif. Hipotesis nol adalah pernyataan
tidak adanya hubungan, pengaruh, atau perbedaan antara parameter dengan statistik. Hipotesis
Nol (Ho) dirumuskan dengan kalimat negatif). Nilai Hipotesis Nol (Ho) harus menyatakan
dengan pasti nilai parameter.

Pernyataan Hipotesis Nol (H0)

 Pernyataan yang diasumsikan benar kecuali ada bukti yang kuat untuk membantahnya.
 Selalu mengandung pernyataan “sama dengan”, “Tidak ada pengaruh”, “Tidak
perbedaan”
 Dilambangkan dengan H0
 Contoh : H0 : μ1 = μ2 atau H0 : μ1 ≥ μ2

Pernyataan Hipotesis Alternatif (H1)

 Pernyataan yang dinyatakan benar jika Hipotesis Nol (H0) berhasil ditolak.
 Dilambangkan dengan H1 atau HA
 Contoh H1 : μ1 ≠ μ2 atau H1 : μ1 > μ2
 2. Aturan keputusan adalah pernyataan yang memberi tahu dalam keadaan apa untuk menolak
hipotesis nol. Aturan keputusan didasarkan pada nilai-nilai spesifik dari statistik uji (misalnya,
tolak H 0 jika Z > 1,645). Aturan keputusan untuk tes tertentu tergantung pada 3 faktor: penelitian
atau hipotesis alternatif, statistik uji dan tingkat signifikansi. Masing-masing dibahas di bawah ini.

a) Aturan keputusan tergantung pada apakah tes berekor atas, berekor rendah, atau
berekor dua diusulkan. Dalam tes berekor atas aturan keputusan memiliki penyidik
menolak H 0 jika statistik uji lebih besar dari nilai kritis. Dalam tes berekor rendah
aturan keputusan memiliki penyidik menolak H 0 jika statistik uji lebih kecil dari nilai
kritis. Dalam uji dua sisi aturan keputusan memiliki penyidik menolak H 0 jika statistik
uji ekstrem, baik lebih besar dari nilai kritis atas atau lebih kecil dari nilai kritis lebih
rendah.
b) Bentuk yang tepat dari statistik uji juga penting dalam menentukan aturan
keputusan. Jika statistik uji mengikuti distribusi normal standar (Z), maka aturan
keputusan akan didasarkan pada distribusi normal standar. Jika statistik uji mengikuti
distribusi t, maka aturan keputusan akan didasarkan pada distribusi t. Nilai kritis yang
sesuai akan dipilih dari distribusi t lagi tergantung pada hipotesis alternatif spesifik dan
tingkat signifikansi.
c) Faktor ketiga adalah tingkat signifikansi. Tingkat signifikansi yang dipilih pada
Langkah 1 (misalnya, α = 0,05) menentukan nilai kritis. Misalnya, dalam uji Z ekor
atas, jika α = 0,05 maka nilai kritisnya adalah Z = 1,645.

3. Uji statistik, nilai kritis, dan pendekatan nilai-p

a. Banyak uji hipotesis statistik mengembalikan nilai-p yang digunakan untuk

menginterpretasikan hasil tes.Beberapa tes tidak mengembalikan nilai-p, membutuhkan
metode alternatif untuk menafsirkan statistik uji yang dihitung secara langsung.Suatu statistik
yang dihitung dengan uji hipotesis statistik dapat diinterpretasikan menggunakan nilai-nilai
kritis dari distribusi statistik uji.

Beberapa contoh uji hipotesis statistik dan distribusinya dari mana nilai kritis dapat
dihitung adalah sebagai berikut:
1) Z-Test : Distribusi Gaussian.
 2) Student t-Test : Student t-distribution.
3) Uji Chi-Squared: Distribusi Chi-Squared.
4) ANOVA : Distribusi-F.
Nilai-nilai kritis juga digunakan ketika mendefinisikan interval untuk pengamatan yang
diharapkan (atau tidak terduga) dalam distribusi. Menghitung dan menggunakan nilai kritis
mungkin sesuai ketika mengukur ketidakpastian estimasi statistik atau interval seperti interval
kepercayaan dan interval toleransi.

b. Nilai kritis melibatkan menentukan "kemungkinan" atau "tidak mungkin" dengan menentukan
apakah atau tidak statistik uji yang diamati lebih ekstrim daripada yang diharapkan jika
hipotesis nol itu benar. Artinya, ini memerlukan membandingkan statistik uji yang diamati
dengan beberapa nilai cutoff, yang disebut "nilai kritis." Jika statistik uji lebih ekstrim daripada
nilai kritis, maka hipotesis nol ditolak untuk mendukung hipotesis alternatif. Jika statistik uji
tidak ekstrim seperti nilai kritis, maka hipotesis nol tidak ditolak.Secara khusus, empat langkah
yang terlibat dalam menggunakan pendekatan nilai kritis untuk melakukan tes hipotesis adalah:
1) Tentukan hipotesis nol dan alternatif.
2) Dengan menggunakan data sampel dan dengan asumsi hipotesis nol itu benar, hitung
nilai statistik uji. Untuk melakukan uji hipotesis untuk mean populasi μ, kami
menggunakan statistik-t yang mengikuti distribusi-t dengan n - 1 derajat kebebasan.
3) Tentukan nilai kritis dengan mencari nilai distribusi statistik uji yang diketahui
sehingga kemungkinan membuat kesalahan Tipe I - yang dilambangkan (huruf Yunani
" α ") dan disebut "tingkat signifikansi tes" - adalah kecil (biasanya 0,01, 0,05, atau
0,10).
4) Bandingkan statistik uji dengan nilai kritis. Jika statistik uji lebih ekstrem ke arah
alternatif daripada nilai kritis, tolak hipotesis nol untuk hipotesis alternatif. Jika statistik
uji kurang ekstrim dari nilai kritis, jangan menolak hipotesis nol.
c. Pendekatan nilai-P melibatkan penentuan "kemungkinan" atau "tidak mungkin" dengan
menentukan probabilitas - dengan asumsi hipotesis nol benar - untuk mengamati statistik uji
yang lebih ekstrem dalam arah hipotesis alternatif daripada yang diamati. Jika nilai-P kecil,
katakan kurang dari (atau sama dengan) α, maka "tidak mungkin." Dan, jika nilai-P besar,
katakan lebih dari, maka itu α "kemungkinan."Jika nilai-P kurang dari (atau sama dengan) α,
 maka hipotesis nol ditolak untuk mendukung hipotesis alternatif. Dan, jika nilai-P lebih besar
dari α, maka hipotesis nol tidak ditolak.Secara khusus, empat langkah yang terlibat dalam
menggunakan pendekatan P-value untuk melakukan tes hipotesis adalah:
1) Tentukan hipotesis nol dan alternatif.
2) Dengan menggunakan data sampel dan dengan asumsi hipotesis nol itu benar, hitung nilai
statistik uji. Sekali lagi, untuk melakukan tes hipotesis untuk rata-rata populasi μ, kami
menggunakan statistik-t yang mengikuti distribusi-t dengan n - 1 derajat kebebasan.
3) Dengan menggunakan distribusi statistik uji yang diketahui, hitung nilai-P
4) Tetapkan tingkat signifikansi,, probabilitas membuat kesalahan Tipe I menjadi kecil - 0,01,
0,05, atau 0,10. Bandingkan nilai-P dengan. Jika nilai-P kurang dari (atau sama dengan) α,
tolak hipotesis nol yang mendukung hipotesis alternatif. Jika nilai-P lebih besar dari α,
jangan menolak hipotesis nol.

4. Kesalahan tipe I dan II

a. Kesalahan Tipe I (α)

1) Kesalahan ini merupakan kesalahan menolak Ho, padahal sesungguhnya Ho benar.

Artinya menyimpulkan adanya perbedaan, padahal sesungguhnya tidak ada
perbedaan
2) Peluang kesalahan tipe I adalah α atau sering disebut tingkat signifikansi
(significance level)
3) Sebaliknya,peluang untuk tidak membuat kesalahan tipe I adalah Kesalahan tipe I
(α)
4) Sebaliknya,peluang untuk tidak membuat kesalahan tipe I adalah sebesar 1 – α, yang
disebut dengan tingkat kepercayaan (confidence level)

b. Kesalahan tipe II (β)

1) Kesalahan ini merupakan kesalahan tidak menolak Ho, padahal sesungguhnya Ho

salah
2) Artinya menyimpulkan tidak ada perbedaan, padahal sesungguhnya ada perbedaan.
 3) Peluang untuk membuat kesalahan tipe kedua (II) ini sebesar 1 - β, dan dikenal
dikenal sebagai sebagai Tingkat Tingkat Kekuatan Kekuatan Uji (power of the test
power of the test)

5. Kesalahan tipe II terjadi ketika seseorang menolak hipotesis alternatif (gagal untuk menolak
hipotesis nol) ketika hipotesis alternatif benar. Probabilitas kesalahan tipe II dilambangkan
dengan β Seseorang tidak dapat mengevaluasi probabilitas kesalahan tipe II ketika hipotesis
alternatif berbentuk μ> 180, tetapi sering hipotesis alternatif adalah hipotesis bersaing bentuk:
rata-rata populasi alternatif adalah 300 dengan standar deviasi 30, dalam hal ini seseorang dapat
menghitung probabilitas kesalahan tipe II.

Contoh:

Jika pria yang memiliki kecenderungan penyakit jantung memiliki tingkat

kolesterol rata-rata 300 dengan standar deviasi 30, tetapi hanya pria dengan kadar kolesterol di
atas 225 yang didiagnosis memiliki kecenderungan penyakit jantung, berapa probabilitas
kesalahan tipe II (hipotesis nol) adalah bahwa seseorang tidak memiliki kecenderungan
penyakit jantung).

z = (225-300) /30=-2.5 yang sesuai dengan area ekor 0,0062, yang merupakan
probabilitas kesalahan tipe II (β).

Jika pria yang memiliki kecenderungan penyakit jantung memiliki tingkat kolesterol
rata-rata 300 dengan standar deviasi 30, di atas tingkat kolesterol apa Anda harus mendiagnosis
pria yang memiliki kecenderungan penyakit jantung jika Anda ingin probabilitas kesalahan tipe
II menjadi 1%? (Hipotesis nolnya adalah seseorang tidak memiliki kecenderungan terkena
penyakit jantung.)

1% pada ekor sesuai dengan z-score 2,33 (atau -2,33); -2,33 × 30 = -70; 300 - 70 = 230.

Kesimpulan Cara Probabilitas

• Ho ditolak bila P ≤ 
• Ho gagal ditolak bila P