JTW 125

Statistik Perniagaan
Kursus Intensif
BAB 8: Penganggaran selang
keyakinan
BAB 9: Asas pengujian hipotesis:
ujian satu sampel

15 Februari 2019; 11am-1pm

 Objektif pelajaran

▪ Membina anggaran selang keyakinan

untuk min dan perkadaran.

▪ Mentafsir anggaran selang keyakinan

untuk min dan perkadaran.
 Perbezaan antara anggaran
titik dan anggaran selang

◼ Anggaran titik adalah satu nombor tunggal

◼ Anggaran selang memberikan maklumat
tambahan mengenai kebolehubahan
(variability) selang tersebut

Had bawah Had atas

Anggaran titik

Lebar selang
keyakinan
 Anggaran titik

Kita boleh menganggarkan Dengan sampel

parameter populasi … statistik (satu
anggaran titik)

Min μ X
Perkadaran π p
 Selang keyakinan

◼ Berapa banyakkah ketidakpastian yang

dikaitkan dengan anggaran titik untuk satu
parameter populasi?

◼ Satu anggaran selang memberikan lebih

banyak maklumat mengenai ciri-ciri populasi
berbanding anggaran titik.

◼ Anggaran selang ini dinamakan selang

keyakinan.
 Anggaran selang keyakinan
◼ Selang memberikan satu julat nilai:
◼ Berdasarkan pemerhatian daripada 1 sampel
◼ Dinyatakan dalam bentuk paras keyakinan
◼ Contoh, 95% yakin, 99% yakin
◼ Tidak mungkin dapat 100% yakin
 Contoh selang keyakinan
◼ Populasi dengan µ = 368 and σ = 15.
◼ Sekiranya anda mengambil sampel dengan

saiz n = 35, dan paras keyakinan 95%, tentukan

anggaran selang keyakinan anda.
◼ Anggaran selang keyakinan:

σ
X  Z α/2
n
◼ Langkah 1: Tentukan nilai-nilai yang diperlukan oleh rumus, iaitu

X
Z/2
σ
n
 Ulangkaji Bab 7: Taburan persampelan untuk
min: sekiranya populasi adalah normal

◼ Sekiranya populasi adalah normal dengan min μ

dan sisihan piawai σ, taburan persampelan
untuk X juga adalah bertaburan normal dengan

σ
μX = μ dan σX =
n
 Paras keyakinan, (1-)

◼ Katakan paras keyakinan = 95%

◼ Juga boleh ditulis sebagai (1 - ) = 0.95,
(maka  = 0.05)
◼ Dalam pembentukan selang keyakinan, kita
gunakan /2
◼ Maka, untuk paras keyakinan 95%, /2 =
0.025. Berdasarkan jadual E.2, nilai Z yang
memberikan keluasan di bawah keluk=0.025
adalah 1.96.
 Mencari nilai kritikal, Zα/2

Z α/2 = 1.96
◼ Pertimbangkan selang keyakinan 95% :
1 − α = 0.95 so α = 0.05

α α
= 0.025 = 0.025
2 2

Z units: Zα/2 = -1.96 0 Zα/2 = 1.96

Had bawah Anggaran titik Had atas
X units:
 Contoh selang keyakinan
◼ Populasi dengan µ = 368 and σ = 15.
◼ Sekiranya anda mengambil sampel dengan

saiz n = 35, dan paras keyakinan 95%, tentukan

anggaran selang keyakinan anda.
◼ 368 ± 1.96 * 15 / 35 = 368 ± 4.9695

◼ (363.0305, 372.9695)
 Contoh selang keyakinan

Had Had mengandungi

# Sampel X
bawah atas µ=368?
1 362.30 356.42 368.18 Ya

2 369.50 363.62 375.38 Ya

3 360.00 354.12 365.88 Tidak

4 362.12 356.24 368.00 Ya

5 373.88 368.00 379.76 Ya

 Contoh selang keyakinan

◼ Dalam praktis, anda hanya akan mengambil

satu sampel dengan saiz n
◼ Dalam praktis, anda tidak tahu µ, maka anda
juga tidak tahu sama ada selang tersebut
mengandungi µ
◼ Walau bagaimanapun, anda tahu 95% daripada
selang yang terbentuk dengan cara ini akan
mengandungi µ
 Contoh selang keyakinan

◼ Maka, berdasarkan satu sampel yang anda

pilih, anda boleh 95% yakin bahawa selang
anda akan mengandungi µ (ini adalah satu
selang keyakinan 95%)

Note: 95% confidence is based on the fact that we used Z = 1.96.

 Proses anggaran

Random Sample I am 95%

confident that
μ is between
Population Mean 40 & 60.
(mean, μ, is X = 50
unknown)

Sample
 Formula am

◼ Formula am untuk semua selang

keyakinan adalah:
Anggaran titik ± (Nilai kritikal)(Ralat piawai)
• Anggaran titik adalah statistik sampel yang menganggarkan
parameter populasi

• Nilai kritikal adalah nilai jadual berdasarkan taburan

persampelan anggaran titik dan paras keyakinan yang
dikehendaki

• Ralat piawai adalah sisihan piawai anggaran titik

 Paras keyakinan

◼ Keyakinan selang akan

mengandungi parameter
populasi yang tidak diketahui
◼ Satu peratusan (kurang
daripada100%)
 Paras keyakinan, (1-)
◼ Katakan paras keyakinan = 95%
◼ Juga ditulis sebagai (1 - ) = 0.95, (maka 
= 0.05)
◼ Tafsiran:
◼ 95% daripada semua selang keyakinan yang
dibina akan mengandungi parameter sebenar
◼ Satu selang tertentu akan sama ada
mengandungi atau tidak mengandungi
parameter sebenar
 Selang keyakinan

Selang
Keyakinan

Min populasi Perkadaran

populasi

σ σ tidak
diketahui diketahui
 Selang keyakinan untuk μ
(σ diketahui)
◼ Andaian
◼ Sisihan piawai populasi σ diketahui

◼ Populasi bertaburan normal

◼ Jika populasi tidak normal, guna sampel yang besar

◼ Anggaran selang keyakinan:

σ
X  Z α/2
n
X adalah anggaran titik
Zα/2 adalah nilai kritikal taburan normal untuk kebarangkalian /2 di setiap
ekor
σ/ n adalah ralat piawai
 Paras keyakinan umum
◼ Paras keyakinan yang biasa digunakan
adalah 90%, 95%, and 99%
Confidence
Confidence
Coefficient, Zα/2 value
Level
1− 
80% 0.80 1.28
90% 0.90 1.645
95% 0.95 1.96
98% 0.98 2.33
99% 0.99 2.575
99.8% 0.998 3.08
99.9% 0.999 3.27
 Contoh

◼ A sample of 11 circuits from a large normal

population has a mean resistance of 2.20
ohms. We know from past testing that the
population standard deviation is 0.35 ohms.

◼ Determine a 95% confidence interval for the

true mean resistance of the population.
 Contoh

◼ A sample of 11 circuits from a large normal

population has a mean resistance of 2.20
ohms. We know from past testing that the
population standard deviation is 0.35 ohms.

◼ Solution: σ
X  Z α /2
n
= 2.20  1.96 (0.35/ 11 )
= 2.20  0.2068
1.9932  μ  2.4068
 Tafsiran

◼ Kita adalah 95% yakin bahawa min

sebenar adalah antara 1.9932 dan 2.4068
ohms
◼ Walaupun min sebenar mungkin atau
mungkin tidak berada dalam selang ini,
95% daripada selang yang dibentuk dalam
cara ini akan mengandungi min sebenar
 Selang keyakinan

Selang
Keyakinan

Min populasi Perkadaran

populasi

σ σ tidak
diketahui diketahui
 Selang keyakinan untuk μ
(σ tidak diketahui)
◼ Sekiranya sisihan piawai populasi σ tidak
diketahui, kita akan menggantikannya
dengan sisihan piawai sampel, S.
◼ Langkah ini memperkenalkan
ketidakpastian tambahan
memandangkan S berubah-ubah dari
sampel ke sampel.
◼ Oleh yang demikian, kita akan gunakan
taburan t.
 Selang keyakinan untuk μ
(σ tidak diketahui)
◼ Anggaran selang keyakinan:
S
X  tα / 2
n
(tα/2 adalah nilai kritikal taburan t dengan darjah
kebebasan n -1 dan keluasan di bawah keluk
dengan α/2 di setiap ekor)

Nota: boleh gunakan taburan Z sekiranya n > 30.

 Darjah kebebasan (df)
Bilangan pemerhatian yang bebas berubah selepas
min sampel telah dikira
Contoh: Katakan min untuk 3 nombor adalah 8.0

Biar X1 = 7 Jika min nilai-nilai ini adalah

Biar X2 = 8 8.0,
Apakah X3? Maka X3 mestilah 9
(iaitu, X3 adalah tidak bebas
untuk berubah)
Di sini, n = 3, maka darjah kebebasan = n – 1 = 3 – 1 = 2
(2 nilai boleh jadi sebarang nombor, tetapi yang ketiga tidak
bebas untuk berubah untuk satu min yang diberikan)
 Taburan t
Nota: t Z apabila n
meningkat
Normal
piawai
(t with df = ∞)

t (df = 13)
Taburan t adalah berbentuk
loceng dan simetri, tetapi
mempunyai ekor yang t (df = 5)
lebih ‘gemuk’ berbanding
normal

0 t
 Jadual t

Upper Tail Area

Let: n = 3
df .10 .05 .025 df = n - 1 = 2
 = 0.10
1 3.078 6.314 12.706 /2 = 0.05

2 1.886 2.920 4.303

3 1.638 2.353 3.182 /2 = 0.05

The body of the table

contains t values, not 0 2.920 t
probabilities
 Contoh
Satu sampel rawak n = 25 mempunyai X = 50 dan
S = 8. Binakan selang keyakinan 95% untuk μ

◼ d.f. = n – 1 = 24, maka t α /2 = t 0.025 = 2.0639

Selang keyakinan tersebut adalah

S 8
X  t α/2 = 50  (2.0639)
n 25

46.698 ≤ μ ≤ 53.302
 Tafsiran selang keyakinan

46.698 ≤ μ ≤ 53.302

◼ Kita adalah 95% yakin bahawa min populasi

adalah antara 46.698 dan 53.302.
 Selang keyakinan

Selang
Keyakinan

Min populasi Perkadaran

populasi

σ σ tidak
diketahui diketahui
 Selang keyakinan untuk
perkadaran populasi, π
◼ Had atas dan bawah untuk perkadaran populasi
dikira dengan formula

p(1 − p)
p  Z α/2
n
◼ Zα/2 adalah nilai normal piawai untuk paras keyakinan yang
dikehendaki
◼ p adalah perkadaran sampel
◼ n adalah saiz sampel
◼ Nota: pastikan np ≥ 5 dan n(1 – p) ≥ 5, jika tidak, kena guna
taburan binomial
 Contoh
◼ Satu sampel rawak 100 orang
menunjukkan 25 orang adalah kidal.
Binakan selang keyakinan 95% untuk
perkadaran sebenar orang yang kidal.
◼np = 100 * 0.25 = 25 > 5 & n(1-p) = 100 * 0.75 = 75 > 5

Pastikan p  Z /2 p(1 − p)/n

sampel
adalah cukup = 25/100  1.96 0.25(0.75) /100
besar
= 0.25  1.96 (0.0433)
0.1651    0.3349
 Tafsiran selang keyakinan

◼ Kita adalah 95% yakin bahawa perkadaran

sebenar orang yang kidal dalam populasi
adalah antara 16.51% dan 33.49%.

◼ Sungguhpun selang dari 0.1651 ke 0.3349

mungkin atau mungkin tidak mengandungi
perkadaran sebenar, 95% daripada selang
yang dibentuk daripada saiz sampel 100
dalam cara ini akan mengandungi
perkadaran sebenar.
 Tamat bab 8

BAB 9: Asas pengujian

hipotesis: Ujian satu sampel
 Objektif pelajaran

◼ Menyatakan prinsip-prinsip asas pengujian

hipotesis
◼ Menggunakan pengujian hipotesis untuk
menguji min atau perkadaran
◼ Andaian setiap prosedur pengujian hipotesis,
cara menilai mereka dan akibatnya sekiranya
andaian tersebut dilanggar
 Apakah hipotesis?
◼ Hipotesis adalah satu tuntutan
mengenai parameter
populasi:

◼ Min populasi
Contoh: Min bulanan bil telefon bimbit di
bandar ini adalah μ = RM42
◼ Perkadaran populasi
Contoh: Perkadaran orang dewasa di
bandar ini yang mempunyai telefon bimbit
adalah π = 0.68
 Hipotesis nol, H0
◼ Menyatakan tuntutan atau dakwaan yang akan diuji
Contoh: Purata diameter bolt yang dihasilkan
adalah 30mm ( H 0 : μ = 30 )

◼ Adalah sentiasa mengenai parameter

populasi dan bukannya sampel statistik

H 0 : μ = 30 H 0 : X = 30
 Hipotesis nol, H0
◼ Mula dengan andaian bahawa hipotesis nol
adalah benar
◼ Serupa dengan tanggapan bahawa
seseorang itu tidak bersalah sehingga
dibuktikan sebaliknya

◼ Nol sentiasa mengandungi simbol “=“

◼ Mungkin ditolak atau tidak akan ditolak
 Hipotesis alternatif, H1
◼ Adalah bertentangan dengan hipotesis nol
◼ cth., Purata diameter bolt yang dihasilkan tidak
bersamaan dengan 30mm ( H1: μ ≠ 30 )
◼ Alternatif tidak mempunyai simbol “=”
◼ Boleh atau tidak boleh dibuktikan
◼ Biasanya merupakan hipotesis yang cuba
dibuktikan oleh penyelidik
Ujian statistik dan nilai kritikal
Taburan persampelan ujian statistik

Kawasan Kawasan
Kawasan penolakan
penolakan bukan
penolakan

Nilai kritikal

Terlalu jauh daripada min taburan persampelan

Kesilapan yang mungkin dalam proses
membuat keputusan ujian hipotesis

◼ Ralat jenis I
◼ Menolak hipotesis nol yang benar

◼ Dianggap sebagai jenis kesilapan yang serius

◼ Kebarangkalian ralat jenis I adalah 

◼ Dipanggil sebagai aras keertian ujian

◼ Ditetapkan oleh penyelidik terlebih dahulu

◼ Ralat jenis II
◼ Kegagalan menolak hipotesis nol yang palsu

◼ Kebarangkalian ralat jenis II adalah β

 Kesilapan yang mungkin dalam proses
membuat keputusan ujian hipotesis

◼ Pekali keyakinan (1-α) adalah kebarangkalian

tidak menolak H0 apabila ianya adalah benar.

◼ Paras keyakinan satu ujian hipotesis adalah (1-

α)*100%.

◼ Kuasa ujian statistik (1-β) adalah

kebarangkalian menolak H0 apabila ianya
adalah palsu.
 Hubungan ralat I & II

▪ Tidak boleh berlaku pada masa yang sama

▪Ralat I hanya boleh berlaku apabila H0 adalah
benar
▪Ralat II hanya boleh berlaku apabila H0 adalah
palsu

Apabila kebarangkalian ralat I () ,

kebarangkalian ralat II (β)
 Faktor mempengaruhi ralat jenis II

◼ Segalanya sama,
◼ β apabila berbezaan antara parameter
yang dihipotesis dan nilai sebenar

◼ β apabila 
◼ β apabila σ
◼ β apabila n
Ujian hipotesis untuk min

Ujian hipotesis
untuk 

 Known  Unknown
(Z test) (t test)
 Ujian Z bagi hipotesis min (σ
diketahui)

Hypothesis
Tests for 

σKnown
Known σUnknown
Unknown
(Z test) (t test)
The test statistic is:
X −μ
ZSTAT =
σ
n
 6 langkah dalam pengujian
hipotesis
1. Nyatakan hipotesis nol, H0 dan hipotesis
alternatif, H1
2. Pilih aras keyakinan, ,
3. Tentukan ujian statistik yang bersesuaian
4. Tentukan nilai kritikal dan kawasan yang
membahagikan kawasan penolakan dari
kawasan bukan penolakan
5. Keputusan
6. Kesimpulan
 Contoh
Ujikan dakwaan bahawa min sebenar diameter
bolt yang dihasilkan adalah 30mm.
(Andaikan σ = 0.8,  = 0.05, X = 29.84 dan n = 100)

1. H0: μ = 30 H1: μ ≠ 30 (ini adalah ujian 2 ekor)

2.  = 0.05
3. σ dianggap diketahui, maka ujian Z digunakan
X − μ 29.84 − 30 − .16
ZSTAT = = = = −2.0
σ 0.8 0.08
n 100

4. Nilai kritikal Z/2 = Z0.025 = ±1.96

 Hypothesis Testing Example

 = 0.05/2  = 0.05/2

Reject H0 Do not reject H0 Reject H0

-Zα/2 = -1.96 0 +Zα/2= +1.96

-2.0
Since ZSTAT = -2.0 < -1.96, reject the null hypothesis
and conclude there is sufficient evidence that the mean
diameter of a manufactured bolt is not equal to 30
 Contoh

5. Keputusan: Tolak H0 jika ZSTAT < -1.96 atau ZSTAT >

1.96
Oleh kerana ZSTAT = -2.0 < -1.96, maka tolak H0

6. Kesimpulan: Terdapat bukti yang mencukupi untuk

menyatakan bahawa min diameter bolt yang
dikeluarkan tidak bersamaan dengan 30mm pada
aras keertian 0.05.
Pendekatan nilai p untuk pengujian: tafsiran

◼ Bandingkan nilai p dengan 

◼ Jika p-value <  , tolak H0
◼ Jika p-value   , gagal tolak H0
 Contoh (soalan tadi)
Ujikan dakwaan bahawa min sebenar diameter
bolt yang dihasilkan adalah 30mm.
(Andaikan σ = 0.8,  = 0.05, X = 29.84 dan n = 100)

1. H0: μ = 30 H1: μ ≠ 30 (ini adalah ujian 2 ekor)

2.  = 0.05
3. σ diketahui, maka ujian Z digunakan
X − μ 29.84 − 30 − .16
ZSTAT = = = = −2.0
σ 0.8 0.08
n 100

4. Nilai kritikal Z/2 = Z0.025 = ±1.96

 3. (bersambung) Mengira nilai p.

P(Z < -2.0) = 0.0228 P(Z > 2.0) = 0.0228

0 Z

-2.0 2.0
p-value = 0.0228 + 0.0228 = 0.0456
◼ 4. Keputusan: Tolak H0 jika nilai p < α
◼ Oleh kerana nilai p = 0.0456 < α = 0.05, maka tolak
H0
◼ 5. Kesimpulan: Terdapat bukti yang mencukupi
untuk menyatakan bahawa min diameter bolt
yang dikeluarkan tidak bersamaan dengan
30mm pada aras keertian 0.05.
 Kaitan antara ujian dua ekor
dengan selang keyakinan
◼ Untuk X = 29.84, σ = 0.8 dan n = 100, selang keyakinan
95% adalah:
0.8 0.8
29.84 - (1.96) to 29.84 + (1.96)
100 100

29.6832 ≤ μ ≤ 29.9968

◼ Memandangkan selang ini tidak mengandungi hipotesis

min (30), kita tolak hipotesis nol pada  = 0.05
Ujian t hipotesis untuk min (σ
tidak diketahui)

Hypothesis
Tests for 

σKnown
Known σUnknown
Unknown
(Z test) (t test)
The test statistic is:

X −μ
t STAT =
S
n
 Contoh: ujian 2 ekor ( tidak diketahui)

Purata kos untuk satu bilik hotel

di KL dikatakan adalah RM168
satu malam. Untuk menentukan
sama ada dakwaan ini adalah
benar, satu sampel rawak 25
hotel diambil dan didapati X =
RM172.50 dan S = RM15.40. Uji
hipotesis yang sesuai pada  = H0: ______
0.05. H1: ______
 Contoh penyelesaian: ikut 6 langkah
untuk pengujian hipotesis

H0: μ = 168
/2=.025 /2=.025
H1: μ  168

◼  = 0.05 Reject H0 Do not reject H0 Reject H0

t 24,0.025
-t 24,0.025 0
◼ n = 25, df = 25-1=24 -2.0639 1.46
2.0639
◼  tidak diketahui, X−μ 172.50 − 168
guna statistik t t STAT = = = 1.46
S 15.40

◼ Nilai kritikal: n 25

±t24,0.025 = ± 2.0639 Gagal tolak H0: Tiada bukti yang mencukupi

untuk menyatakan bahawa min kos sebenar
adalah berbeza daripada RM168 pada aras
keertian 0.05.
 Ujian satu ekor

◼ Dalam kebanyakan kes, hipotesis alternatif

memberi tumpuan pada arah tertentu

Ini adalah ujian bawah ekor (lower-

H0: μ ≥ 3
tail test) memandangkan hipotesis
H1: μ < 3 alternatif tertumpu pada bahagian
ekor di bawah min = 3
H0: μ ≤ 3 Ini adalah ujian atas ekor (upper-tail
test) memandangkan hipotesis
H1: μ > 3
alternatif tertumpu pada bahagian
ekor di atas min = 3
 Ujian bawah ekor
H0: μ ≥ 3
◼ Hanya ada satu nilai H1: μ < 3
kritikal kerana
kawasan penolakan

cuma di satu hujung

Reject H0 Do not reject H0

Z or t
-Zα or -tα 0

μ X

Nilai kritikal
 Ujian atas ekor

H0: μ ≤ 3
◼ Hanya ada satu nilai
kritikal kerana H1: μ > 3
kawasan penolakan
cuma di satu hujung 

Do not reject H0 Reject H0

Z or t Zα or tα
0
_
X μ

Nilai kritikal
 Contoh: ujian t atas ekor untuk
min ( tidak diketahui)
Seorang pengurus syarikat telefon
berpendapat bahawa bil bulanan telefon
pelanggan telah meningkat kepada purata
lebih dari RM52 sebulan. Syarikat tersebut
ingin menguji dakwaan ini. Gunakan  = 0.1.

H0: μ ≤ 52 purata bil tidak melebihi RM52 sebulan

H1: μ > 52 purata bil melebihi RM52 sebulan
Andaikan satu sampel diambil dan keputusan
berikut diperolehi:
n = 25, X = 53.1, and S = 10

◼ Ujian statistik:

X−μ 53.1 − 52
t STAT = = = 0.55
S 10
n 25
 Reject H0

 = 0.10

Do not reject H0 Reject H0

1.3178
0
tSTAT = 0.55
Gagal tolak H0 memandangkan tSTAT = 0.55 ≤ 1.3178
Tiada bukti yang mencukupi untuk menyatakan bahawa
purata bil adalah melebihi RM52 pada aras keertian 0.1.
 Perkadaran
◼ Perkadaran sampel berkepentingan ditandakan
dengan p
◼ X number in category of interest in sample
p= =
n sample size
◼ Apabila kedua-dua X (np) dan n – X [n(1-p)]
adalah sekurang-kurangnya 5, p boleh
dianggarkan dengan taburan normal dengan
min dan sisihan piawai:

μp =   (1 −  )
σp =
n
 Ujian hipotesis untuk perkadaran

◼ The sampling
distribution of p is Hypothesis
approximately Tests for p
normal, so the test
statistic is a ZSTAT
value: X5 X<5
and or
p−π n–X5
Z STAT = n–X<5
π (1 − π )
Not discussed
n in this chapter
 Ujian Z untuk perkadaran

Sebuah syarikat
pemasaran mendakwa
bahawa ia menerima
maklum balas sebanyak
8% daripada mereka
yang ditinjau. Untuk
menguji dakwaan ini, Check:
X = 25
✓
satu sampel rawak 500
dikaji dan 25 maklum n-X = 475
balas diterima. Uji pada
aras keeertian  = 0.05
 Ujian Z untuk perkadaran: penyelesaian
Ujian statistik:
H0: π = 0.08
H1: π  0.08 p −π .05 − .08
Z STAT = = = −2.47
π (1 − π ) .08(1 − .08)
 = 0.05
n 500
n = 500, p = 0.05
Nilai kritikal: ± 1.96 Keputusan:
Oleh kerana ZSTAT = -2.47 < -
Reject Reject 1.96, maka tolak H0
Kesimpulan:
.025 .025 Terdapat bukti yang
mencukupi untuk menolak
-1.96 0 1.96 z
dakwaan syarikat bahawa
-2.47 kadar respons adalah 8%
pada aras keertian 0.05.
 Penyelesaian nilai p
Mengira nilai p dan bandingkan dengan 
(untuk ujian 2 ekor, nilai p juga sentiasa 2 ekor)

Do not reject H0
Reject H0 Reject H0 p-value = 0.0136:
/2 = .025 /2 = .025
P(Z  −2.47) + P(Z  2.47)
0.0068 0.0068
= 2(0.0068) = 0.0136

-1.96 0 1.96

Z = -2.47 Z = 2.47

Tolak H0 kerana p-value = 0.0136 <  = 0.05

 Tamat bab 9

Sekian, terima kasih.