JTW 125

Statistik Perniagaan
Webex 4
BAB 10: Ujian dua sampel
BAB 11: Analisis varians

22 Mac 2019; 10am-11am

 Objektif pelajaran
Menggunakan ujian hipotesis untuk membandingkan
perbezaan antara:
◼ Min dua populasi bebas (independent)
◼ Min dua populasi yang berkait (related)
◼ Perkadaran dua populasi bebas
◼ Varians dua populasi bebas
 Ujian dua sampel

Ujian dua sampel

Min Min
populasi, populasi, Perkadaran Varians
Sampel Sampel populasi populasi
bebas berkait
Examples:
Kump. 1 vs. Kumpulan sama, Perkadaran 1 vs. Varians 1 vs.
Kump. 2 sebelum dan Perkadaran 2 Varians 2
selepas rawatan
 Perbezaan antara dua min

Min populasi, sampel Matlamat: Ujian hipotesis atau

tak bersandar
(independent
* membentuk selang keyakinan
samples) untuk perbezaan antara dua
min populasi, μ1 – μ2
σ1 dan σ2 tidak
diketahui, dianggap
sama Anggaran titik untuk
perbezaan adalah
X1 – X2
σ1 dan σ2 tidak
diketahui, tidak
dianggap sama
 Perbezaan antara dua min: sampel tidak
bersandar
◼ Sumber data berbeza
Min populasi, sampel ◼ Tidak berkaitan
tidak bersandar
* ◼ Tidak bersandar
◼ Sampel yang dipilih dari satu
populasi tidak mempunyai kesan ke
atas sampel yang dipilih dari
populasi lain

Guna Sp untuk menganggar σ

σ1 dan σ2 tidak tidak diketahui. Guna ujian t
diketahui, dianggap
sama varians terkumpul (pooled)
Guna S1 dan S2 untuk
σ1 dan σ2 tidak
menganggar σ1 dan σ2 tidak
diketahui, tidak
dianggap sama diketahui. Guna ujian t varians
berasingan (separate) Chap 10-5
 Ujian hipotesis untuk dua min populasi
Dua min populasi, sampel tak bersandar

Ujian ekor bawah: Ujian ekor atas: Ujian dua ekor:

H0: μ1  μ2 H0: μ1 ≤ μ2 H0: μ1 = μ2

H1: μ1 < μ2 H1: μ1 > μ2 H1: μ1 ≠ μ2
i.e., i.e., i.e.,
H0: μ1 – μ2  0 H0: μ1 – μ2 ≤ 0 H0: μ1 – μ2 = 0
H1: μ1 – μ2 < 0 H1: μ1 – μ2 > 0 H1: μ1 – μ2 ≠ 0
 Ujian hipotesis untuk μ1 – μ2

Dua min populasi, sampel tak bersandar

Ujian ekor bawah: Ujian ekor atas: Ujian dua ekor:
H0: μ1 – μ2  0 H0: μ1 – μ2 ≤ 0 H0: μ1 – μ2 = 0
H1: μ1 – μ2 < 0 H1: μ1 – μ2 > 0 H1: μ1 – μ2 ≠ 0

a a a/2 a/2

-ta ta -ta/2 ta/2

Reject H0 if tSTAT < -ta Reject H0 if tSTAT > ta Reject H0 if tSTAT < -ta/2
or tSTAT > ta/2
 Ujian hipotesis untuk µ1 - µ2 dengan σ1
dan σ2 tidak diketahui dan dianggap sama

Min populasi, sampel Andaian:

tidak bersandar
▪ sampel diambil secara
rawak dan tidak bersandar
▪ populasi adalah bertaburan
σ1 dan σ2 tidak
diketahui, dianggap * normal atau kedua-dua sampel
adalah sekurang-kurangnya 30
sama

▪ varians populasi tidak

diketahui tetapi dianggap sama
σ1 dan σ2 tidak
diketahui, tidak
dianggap sama
 Ujian hipotesis untuk µ1 - µ2 dengan σ1 dan
σ2 tidak diketahui dan dianggap sama

• Varians terkumpul:
Min populasi, sampel
tidak bersandar (n 1 − 1)S 1 2 + (n 2 − 1)S 2 2
S p2 =
(n 1 − 1) + (n 2 − 1)

• Ujian statistik:
σ1 dan σ2 tidak
diketahui, dianggap * ( X 1 )
− X 2 − ( μ1 − μ 2 )
sama
t STAT =
1 1 
S  +
2
p

σ1 dan σ2 tidak
 n1 n 2 
diketahui, tidak
dianggap sama • tSTAT mempunyai darjah
kebebasan = (n1 + n2 – 2)
 Selang keyakinan untuk µ1 - µ2 dengan σ1
dan σ2 tidak diketahui dan dianggap sama

Min populasi, sampel

tidak bersandar

Selang keyakinan untuk

μ1 – μ2 adalah:
σ1 dan σ2 tidak
diketahui, dianggap *
(X ) 1 1 
sama
1 − X 2  ta/2 S 
2
p + 
 n1 n 2 

σ1 dan σ2 tidak
diketahui, tidak
tα/2 mempunyai darjah
dianggap sama kebebasan = n1 + n2 – 2
 Contoh ujian t varians terkumpul

Anda adalah penganalisis kewangan untuk sebuah firma.

Adakah terdapat perbezaan dalam hasil dividen antara
saham yang disenaraikan di NYSE & NASDAQ?
NYSE NASDAQ
Bilangan 21 25
Min sampel 3.27 2.53
Sisihan piawai 1.30 1.16
sampel
Anggap kedua-dua populasi
adalah normal dengan varians
sama, adakah terdapat
perbezaan dalam hasil min (a =
0.05)?
 Mengira ujian statistik

H0: μ1 - μ2 = 0 i.e. (μ1 = μ2)

H1: μ1 - μ2 ≠ 0 i.e. (μ1 ≠ μ2)

Ujian statistik:

t STAT =
(X 1 )
− X 2 − (μ 1 − μ 2 )
=
(3.27 − 2.53 ) − 0
= 2.040
 1 1   1 1 
S 
2
+  1.5021  + 
 21 25 
p
 n1 n 2 

(n 1 − 1)S12 + (n 2 − 1)S 22 (21 − 1)1.30 2 + (25 − 1)1.16 2

S P2 = = = 1.5021
(n 1 − 1) + (n 2 − 1) (21 - 1) + ( 25 − 1)
 Penyelesaian ujian hipotesis
Tolak H0 Tolak H0
H0: μ1 - μ2 = 0 i.e. (μ1 = μ2)
H1: μ1 - μ2 ≠ 0 i.e. (μ1 ≠ μ2)
a = 0.05 .025 .025

df = 21 + 25 - 2 = 44 -2.0154 0 2.0154 t
Nilai kritikal: t = ± 2.0154
2.040
Ujian Statistik: Keputusan:
3.27 − 2.53 Tolak H0 pada a = 0.05
t STAT = = 2.040
 1 1  Kesimpulan:
1.5021  +  Terdapat bukti yang cukup
 21 25 
untuk menyatakan bahawa
terdapat perbezaan dalam min
pada aras keertian a = 0.05.
 Ujian hipotesis untuk µ1 - µ2 dengan σ1 and
σ2 tidak diketahui, tidak dianggap sama

Min populasi, Andaian:

sampel tidak
▪ sampel diambil secara
bersandar
rawak dan tidak bersandar

σ1 dan σ2 tidak ▪ populasi adalah bertaburan

diketahui, dianggap normal atau kedua-dua sampel
sama adalah sekurang-kurangnya 30

▪ varians populasi tidak

diketahui dan tidak boleh
σ1 dan σ2 tidak
diketahui, tidak
dianggap sama
* dianggap sama
 Ujian hipotesis untuk µ1 - µ2 dengan σ1 dan
σ2 tidak diketahui, tidak dianggap sama

Min populasi, sampel

Ujian statistik:
tidak bersandar
t STAT =
( X 1 )
− X 2 − ( μ1 − μ 2 )
S 12 S 22
+
σ1 dan σ2 tidak
n1 n 2
diketahui, dianggap
sama tSTAT mempunyai darjah kebebasan,
ν=  S12 S 2 2 
2

 
 n + n 
 1 2 
 = 2 2
 S12   S22 
σ1 dan σ2 tidak
diketahui, tidak
dianggap sama
* 
 n 


n1 − 1

 n 
 1  + 2 


n2 − 1
 Contoh ujian t varians tak sama
Anda adalah penganalisis kewangan untuk sebuah firma.
Adakah terdapat perbezaan dalam hasil dividen antara
saham yang disenaraikan di NYSE & NASDAQ?
NYSE NASDAQ
Bilangan 21 25
Min sampel 3.27 2.53
Sisihan piawai 1.30 1.16
sampel
Anggap kedua-dua populasi
adalah normal dengan varians
tak sama, adakah terdapat
perbezaan dalam hasil min (a =
0.05)?
 Mengira ujian statistik
H0: μ1 - μ2 = 0 i.e. (μ1 = μ2)
H1: μ1 - μ2 ≠ 0 i.e. (μ1 ≠ μ2)
Ujian statistik:

t=
(X 1 )
− X 2 − (μ 1 − μ 2 )
=
(3.27 − 2.53 ) − 0
= 2.019
 S 12 S 22   1.30 2 1.16 2 
 +   + 
 n1 n 2   21 25 
2
 S12 S 22 
2
 1.30 2 1.16 2 
 
 n + n   + 
Darjah kebebasan
 1 2   21 25 
 = = = 40 .57
2
 S12   S22 
2
 1.30 2 
2
 1.16 2 
2
= 40
       
 n   n 
 1  + 2   21  +  25 
n1 − 1 n2 − 1 20 24
 Penyelesaian ujian hipotesis
Tolak H0 Tolak H0
H0: μ1 - μ2 = 0 i.e. (μ1 = μ2)
H1: μ1 - μ2 ≠ 0 i.e. (μ1 ≠ μ2)
a = 0.05 .025 .025

df = 40 -2.021 0 2.021 t
Nilai kritikal: t = ± 2.021
2.019
Keputusan:
Ujian statistik: Gagal tolak H0 pada a = 0.05
Kesimpulan:
t = 2.019 Tidak terdapat bukti yang cukup
untuk menyatakan bahawa
terdapat perbezaan dalam min
pada aras keertian a = 0.05.
 Populasi berkait - ujian perbezaan
berpasangan (paired difference test)
Ujian min oleh 2 populasi berkaitan
Sampel ◼ sampel berpasangan atau dipadankan
berkaitan ◼ langkah ukuran diulangi (sebelum/selepas)
◼ guna perbezaan antara nilai berpasangan:

Di = X1i - X2i
◼ Andaian:
◼ Kedua-dua populasi adalah bertaburan normal

◼ Sekiranya bukan normal, gunakan sampel yang

besar
 Populasi berkaitan - ujian perbezaan
berpasangan

The ith paired difference is Di , where

Sampel Di = X1i - X2i
berkaitan
n
Anggaran titik untuk
perbezaan min populasi D i

berpasangan, μD adalah : D =
i =1
n
n
Sisihan piawai sampel  i
(D − D ) 2

adalah SD SD = i =1
n−1
n adalah bilangan pasangan dalam sampel
berpasangan
 Ujian perbezaan berpasangan:
Mencari tSTAT

Sampel ◼ Ujian statistik untuk μD adalah:

Berpasangan
(paired
samples) D − μD
t STAT =
SD
n

◼ tSTAT mempunyai darjah

kebebasan n - 1
 Hipotesis
Sampel berpasangan

Lower-tail test: Upper-tail test: Two-tail test:

H0: μD  0 H0: μD ≤ 0 H0: μD = 0

H1: μD < 0 H1: μD > 0 H1: μD ≠ 0

a a a/2 a/2

-ta ta -ta/2 ta/2

Reject H0 if tSTAT < -ta Reject H0 if tSTAT > ta Reject H0 if tSTAT < -ta/2
or tSTAT > ta/2
Where tSTAT has n - 1 d.f.
 Selang keyakinan

Sampel Selang keyakinan untuk μD:

Berpasangan
SD
D  ta / 2
n

 (D − D)
i
2

where SD = i=1
n −1
 Contoh

◼ Andaikan anda menghantar beberapa orang

penjual untuk menghadiri satu bengkel latihan servis
pelanggan. Adakah latihan tersebut menghasilkan
perbezaan dalam bilangan aduan?
Number of Complaints: (2) - (1)  Di
Salesperson Before (1) After (2) Difference, Di D = n
C.B. 6 4 - 2 = -4.2
T.F. 20 6 -14
M.H. 3 2 - 1
R.K. 0 0 0
SD =
 i
(D − D ) 2

M.O. 4 0 - 4
n −1
-21
= 5.67
 Penyelesaian

◼ Adakah latihan tersebut menghasilkan perbezaan dalam bilangan aduan

(pada aras keertian 0.01)?
Tolak Tolak
H0: μD = 0
H1: μD  0
a/2 a/2
a = 0.01 D = - 4.2 - 4.604 4.604
- 1.66
t0.005 = ± 4.604 Keputusan: Gagal tolak H0
d.f. = n - 1 = 4 (tstat tidak berada dalam kawasan
penolakan)
Ujian Statistik: Kesimpulan: Tidak terdapat bukti
yang mencukupi untuk
D − μ D − 4.2 − 0
t STAT = = = −1.66 menyatakan bahawa terdapat
perbezaan dalam bilangan aduan
SD / n 5.67/ 5
pada aras keertian 0.01.
 Dua perkadaran populasi

Matlamat: ujikan satu hipotesis atau

membentuk satu selang keyakinan untuk
perbezaan antara dua perkadaran populasi
π1 – π2
Perkadaran
Andaian:
populasi
n1 π1  5 , n1(1- π1)  5
n2 π2  5 , n2(1- π2)  5

Anggaran titik untuk

p1 − p 2
perbezaan
 Dua perkadaran populasi

Ujian statistik untuk

Perkadaran π1 – π2 adalah:
populasi

( p1 − p2 ) − ( π1 − π 2 )
Z STAT =
 1 1 
p (1 − p )  + 
 n1 n 2 

X1 + X 2 X1 X2
where p= , p1 = , p2 =
n1 + n 2 n1 n2
 Ujian hipotesis untuk dua perkadaran
populasi
Perkadaran populasi

Lower-tail test: Upper-tail test: Two-tail test:

H0: π1  π2 H0: π1 ≤ π2 H0: π1 = π2

H1: π1 < π2 H1: π1 > π2 H1: π1 ≠ π2
i.e., i.e., i.e.,
H0: π1 – π2  0 H0: π1 – π2 ≤ 0 H0: π1 – π2 = 0
H1: π1 – π2 < 0 H1: π1 – π2 > 0 H1: π1 – π2 ≠ 0
 Ujian hipotesis untuk dua perkadaran
populasi
Perkadaran populasi
Lower-tail test: Upper-tail test: Two-tail test:
H0: π1 – π2  0 H0: π1 – π2 ≤ 0 H0: π1 – π2 = 0
H1: π1 – π2 < 0 H1: π1 – π2 > 0 H1: π1 – π2 ≠ 0

a a a/2 a/2

-za za -za/2 za/2

Reject H0 if ZSTAT < -Za Reject H0 if ZSTAT > Za Reject H0 if ZSTAT < -Za/2
or ZSTAT > Za/2
 Contoh ujian hipotesis:
dua perkadaran populasi

Adakah terdapat perbezaan bererti antara

perkadaran lelaki dan perkadaran wanita yang
akan mengundi ‘Ya’ untuk saranan A?

◼ Dalam satu sampel rawak, 36 dari 72 lelaki

dan 35 dari 50 wanita menyatakan bahawa
mereka akan mengundi ‘Ya’.

◼ Ujikan pada aras keertian 0.05.

 Contoh ujian hipotesis:
dua perkadaran populasi

◼ Ujian hipotesis adalah:

H0: π1 – π2 = 0 (the two proportions are equal)
H1: π1 – π2 ≠ 0 (there is a significant difference between proportions)

◼ Perkadaran sampel adalah:

◼ Men: p1 = 36/72 = 0.50
◼ Women: p2 = 35/50 = 0.70

▪ Anggaran terkumpul untuk keseluruhan perkadaran

adalah:
X1 + X 2 36 + 35 71
p= = = = 0 .582
n1 + n 2 72 + 50 122
 Contoh ujian hipotesis:
dua perkadaran populasi
Reject H0 Reject H0

Ujian statistik untuk π1 – π2 adalah:

.025 .025
( p1 − p2 ) − ( π1 − π 2 )
z STAT =
 1 1 
p ( 1 − p )  +  -1.96 1.96
 n1 n 2  -2.20
( .50 − .70 ) − ( 0 )
= = − 2 .20
 1 1  Keputusan: Tolak H0
.582 ( 1 − .582 )  + 
 72 50  Kesimpulan: Terdapat bukti
yang cukup untuk menyatakan
Nilai kritikal = ±1.96 bahawa terdapat perbezaan
untuk a = .05 dalam perkadaran lelaki dan
wanita yang akan mengundi ‘Ya’
pada aras keertian a = 0.05.
 Selang keyakinan untuk dua
perkadaran

Perkadaran Selang keyakinan untuk

populasi
π1 – π2 adalah:

p 1 (1 − p 1 ) p 2 (1 − p 2 )
( p1 − p 2 )  Z a/2 +
n1 n2
 Ujian untuk nisbah varians dua populasi
Hypotheses FSTAT
Ujian untuk
dua varians
* H0: σ12 = σ22
H1: σ12 ≠ σ22 S 2
1
populasi 2
H0: σ12 ≤ σ22 S 2
Ujian H1: σ12 > σ22
statistik F Where:
S12 = Variance of sample 1 (the larger sample variance)
n1 = sample size of sample 1
S 22 = Variance of sample 2 (the smaller sample variance)
n2 = sample size of sample 2
n1 –1 = numerator degrees of freedom
n2 – 1 = denominator degrees of freedom
Chap 10-34
 Taburan F

◼ Nilai kritikal F didapati dari jadual F

◼ Perlukan dua darjah kebebasan: pengangka
(numerator) dan penyebut (denominator)
◼ Varians sampel yang lebih besar sentiasa adalah
pengangka

◼ Apabila S 12
FSTAT = 2 df1 = n1 – 1 ; df2 = n2 – 1
S 2
 Taburan F

◼ Dalam jadual F,
◼ Darjah kebebasan pengangka menentukan lajur
◼ Darjah kebebasan penyebut menentukan baris

Chap 10-36
 Mencari kawasan penolakan
H0: σ12 = σ22 H0: σ12 ≤ σ22
H1: σ12 ≠ σ22 H1: σ12 > σ22

a/2 F a

0 0
Do not Reject H0 Do not Reject H0 F
reject H0 Fα/2 reject H0 Fα

Reject H0 if FSTAT > Fα/2 Reject H0 if FSTAT > Fα

 Ujian F: contoh

Anda ingin membandingkan hasil dividen antara saham

yang disenaraikan di NYSE dan NASDAQ. Anda
mengumpul data berikut:
NYSE NASDAQ
Number 21 25
Mean 3.27 2.53
Std dev 1.30 1.16

Adakah perbezaan dalam varians

antara NYSE & NASDAQ pada
a = 0.05?
 Ujian F: contoh penyelesaian
◼ Bentukkan ujian hipotesis:
H 0: σ 12 = σ 22 (there is no difference between variances)
H 1: σ 12  σ 22 (there is a difference between variances)

◼ Cari nilai kritikal F untuk a = 0.05:

◼ Darjah kebebasan pengangka = n1 – 1 = 21 –

1 = 20
◼ Darjah kebebasan penyebut = n2 – 1 = 25 –1
= 24
◼ Fα/2 = F.025, 20, 24 = 2.33
 Ujian F: contoh penyelesaian

◼ Ujian statistik adalah: H0: σ12 = σ22

H1: σ12 ≠ σ22
S12 1.30 2
FSTAT = 2
= 2
= 1.256
S 1.16
2
a/2 = .025

0 F
Do not Reject H0
reject H0
◼ FSTAT = 1.256 tidak berada dalam F0.025=2.33
kawasan penolakan, maka kita
gagal tolak H0
◼ Kesimpulan: Tidak terdapat bukti yang mencukupi untuk
menyatakan bahawa terdapat perbezaan dalam varians pada
aras keertian a = 0.05.
Tamat bab 10
 Bab 11
Analisis varians

Chap 11-42
 Objektif pelajaran

◼ Menyatakan konsep asas reka bentuk eksperimen

◼ Menggunakan analisis varians satu hala untuk
menguji perbezaan min beberapa kumpulan
 Gambaran keseluruhan bab
Analisis Varians (ANOVA)

One-Way Randomized Two-Way

ANOVA Block Design ANOVA
F-test
F-test F-test
Tukey-
Kramer Tukey Multiple
Multiple Comparisons Interaction
Comparisons Effects
Levene Test
For
Homogeneity Tukey Multiple
of Variance Comparisons
 Penetapan umum ANOVA

◼ Penyiasat mengawal satu atau lebih faktor

berkepentingan
◼ Setiap faktor mengandungi dua atau lebih peringkat

◼ Peringkat boleh berangka atau kategori

◼ Peringkat berbeza menghasilkan kumpulan berbeza

◼ Fikirkan setiap kumpulan sebagai satu sampel dari

populasi berlainan
◼ Perhatikan kesan ke atas pemboleh ubah bersandar
◼ Adakah kumpulan-kumpulan tersebut sama?

◼ Reka bentuk eksperimen: pelan yang digunakan untuk

mengumpul data
 ANOVA satu hala
contoh ujian F

Anda ingin melihat sekiranya Club 1 Club 2 Club 3

apabila tiga jenis batang gof 254 234 200
digunakan untuk memukul 263 218 222
bola, jarak yang berbeza 241 235 197
akan terhasil. Anda memilih 5 237 227 206
ukuran secara rawak. Pada 251 216 204
aras keertian 0.05, adakah
terdapat perbezaan dalam
min jarak?

Chap 11-46
◼ Unit uji kaji (subjek) ditentukan secara rawak
kepada kumpulan
◼ Subjek diandaikan homogen (seragam, sejenis)
◼ Hanya satu faktor atau pembolehubah tak
bersandar
◼ Dengan dua atau lebih peringkat
◼ Dianalisis oleh analisis varians satu faktor
(ANOVA)

Chap 11-47
 Analisis varians satu hala (one-way
analysis of variance)

◼ Menilai perbezaan antara min tiga atau lebih

kumpulan
Contoh: Kadar kemalangan untuk shift 1st, 2nd, and 3rd
Perbatuan dijangka untuk lima jenama tayar

◼ Andaian
◼ Populasi adalah bertaburan normal

◼ Populasi mempunyai varians yang sama

◼ Sampel adalah rawak dan diambil secara bebas

(independently drawn)
Chap 11-48
 Hipotesis ANOVA satu hala

◼ H0 : μ1 = μ2 = μ3 =  = μc
◼ Semua min populasi adalah sama
◼ i.e., tidak ada kesan faktor (tidak ada perubahan
dalam min antara kumpulan)

◼ H 1 : Bukan semua min populasi adalah sama

◼ Sekurang-kurangnya satu min populasi adalah
berbeza
◼ i.e., terdapat kesan faktor
◼ Tidak bermakna semua min populasi adalah berbeza
(sesetengah pasangan mungkin sama)
Chap 11-49
 ANOVA satu hala
H0 : μ1 = μ2 = μ3 =  = μc
H1 : Not all μ j are the same
The Null Hypothesis is True
All Means are the same:
(No Factor Effect)

μ1 = μ 2 = μ 3
Chap 11-50
 ANOVA satu hala
H0 : μ1 = μ2 = μ3 =  = μc
H1 : Not all μ j are the same
The Null Hypothesis is NOT true
At least one of the means is different
(Factor Effect is present)

or

μ1 = μ2  μ3 μ1  μ2  μ3
Chap 11-51
 Pemetakan (partitioning) variasi

◼ Jumlah variasi boleh dibahagikan kepada dua

bahagian:
SST = SSA + SSW

SST = Total Sum of Squares

(Total variation)
SSA = Sum of Squares Among Groups
(Among-group variation)
SSW = Sum of Squares Within Groups
(Within-group variation)

Chap 11-52
 Pemetakan (partitioning) variasi

SST = SSA + SSW

Total Variation = perubahan agregat nilai data individu

merentasi pelbagai peringkat faktor (SST)

Among-Group Variation = variasi antara faktor min

sampel (SSA)

Within-Group Variation = variasi yang wujud antara

nilai data dalam satu peringkat faktor tertentu (SSW)

Chap 11-53
 Pemetakan jumlah variasi

Total Variation (SST)

Variation Due to Variation Due to Random

= Factor (SSA) + Error (SSW)

Chap 11-54
 Total Sum of Squares

SST = SSA + SSW

c nj

SST =   ( X ij − X ) 2

j =1 i =1
Where:
SST = Total sum of squares
c = number of groups or levels
nj = number of observations in group j
Xij = ith observation from group j
X = grand mean (mean of all data values)
Chap 11-55
 Jumlah variasi

SST = ( X 11 − X ) 2 + ( X 12 − X ) 2 +    + ( X cnc − X ) 2

Response, X

Group 1 Group 2 Group 3

Chap 11-56
 Variasi antara kumpulan

SST = SSA + SSW

c
SSA =  n j ( X j − X ) 2
j =1
Where:
SSA = Sum of squares among groups
c = number of groups
nj = sample size from group j
Xj = sample mean from group j
X = grand mean (mean of all data values)
Chap 11-57
 Variasi antara kumpulan

c
SSA =  j j
n ( X − X ) 2

j =1

SSA
Variation Due to
MSA =
c −1
Differences Among Groups

Mean Square Among =

SSA/degrees of freedom

i j

Chap 11-58
 Variasi antara kumpulan

SSA = n1 ( X 1 − X ) 2 + n2 ( X 2 − X ) 2 +    + nc ( X c − X ) 2

Response, X

X3
X2 X
X1

Group 1 Group 2 Group 3

Chap 11-59
 Variasi dalam kumpulan

SST = SSA + SSW

c nj

SSW =   ( X ij − X j ) 2

j =1 i =1

Where:
SSW = Sum of squares within groups
c = number of groups
nj = sample size from group j
Xj = sample mean from group j
Xij = ith observation in group j
Chap 11-60
 Variasi dalam kumpulan

c nj

SSW =   ( X ij − X j ) 2
j =1 i =1

Summing the variation SSW

within each group and then MSW =
adding over all groups n−c
Mean Square Within =
SSW/degrees of freedom

μj
Chap 11-61
 Variasi dalam kumpulan

SSW = ( X 11 − X 1 ) + ( X 12 − X 2 ) +    + ( X cnc − X c )
2 2 2

Response, X

X3
X2
X1

Group 1 Group 2 Group 3

Chap 11-62
 Mendapatkan kuasa dua min
Kuasa dua min (mean squares) diperoleh dengan
membahagikan pelbagai ‘sum of squares’ dengan
darjah kebebasan masing-masing
SSA Mean Square Among
MSA = (d.f. = c-1)
c −1
SSW Mean Square Within
MSW =
n−c (d.f. = n-c)

SST
MST = Mean Square Total
n−1 (d.f. = n-1)
Chap 11-63
 Jadual ANOVA satu hala

Source of Degrees of Sum Of Mean Square F

Variation Freedom Squares (Variance)

Among SSA FSTAT =

c-1 SSA MSA =
Groups c-1
MSA
Within SSW
n-c SSW MSW = MSW
Groups n-c
Total n–1 SST

c = number of groups
n = sum of the sample sizes from all groups
df = degrees of freedom

Chap 11-64
 ANOVA satu hala
Ujian statistik F
H0: μ1= μ2 = … = μc
H1: At least two population means are different

◼ Test statistic MSA

FSTAT =
MSW
MSA is mean squares among groups
MSW is mean squares within groups
◼ Degrees of freedom
◼ df1 = c – 1 (c = number of groups)
◼ df2 = n – c (n = sum of sample sizes from all populations)

Chap 11-65
 Mentafsir ANOVA satu hala
Statistik F

◼ Statistik F merupakan nisbah anggaran

varians antara (among) dan anggaran
varians dalam (within)
◼ Nisbah mesti sentiasa positif
◼ df1 = c -1 biasanya adalah kecil
◼ df2 = n - c biasanya adalah besar

Peraturan keputusan:
◼ Reject H0 if FSTAT > Fα, a
otherwise do not reject
H0 0 Do not Reject H0
reject H0
Fα
Chap 11-66
 ANOVA satu hala
contoh ujian F

Anda ingin melihat sekiranya Club 1 Club 2 Club 3

apabila tiga jenis batang gof 254 234 200
digunakan untuk memukul 263 218 222
bola, jarak yang berbeza 241 235 197
akan terhasil. Anda memilih 5 237 227 206
ukuran secara rawak. Pada 251 216 204
aras keertian 0.05, adakah
terdapat perbezaan dalam
min jarak?

Chap 11-67
 Contoh ANOVA satu hala
Plot sebaran (scatter plot)
Distance
Club 1 Club 2 Club 3 270
254 234 200 260 •
263 218 222 ••
241 235 197
250 X1
240 •
237 227 206 • ••
251 216 204 230
• X
220
•• X2 •
210
•• X3
X1 = 249.2 X 2 = 226.0 X 3 = 205.8 200 ••
X = 227.0 190

1 2 3
Club Chap 11-68
 Contoh ANOVA satu hala -
Pengiraan

Club 1 Club 2 Club 3 X1 = 249.2 n1 = 5

254 234 200 X2 = 226.0 n2 = 5
263 218 222
X3 = 205.8 n3 = 5
241 235 197
237 227 206 n = 15
X = 227.0
251 216 204 c=3
SSA = 5 (249.2 – 227)2 + 5 (226 – 227)2 + 5 (205.8 – 227)2 = 4,716.4
SSW = (254 – 249.2)2 + (263 – 249.2)2 +…+ (204 – 205.8)2 = 1,119.6

MSA = 4,716.4 / (3-1) = 2,358.2 2,358.2

FSTAT = = 25.275
MSW = 1,119.6 / (15-3) = 93.3 93.3

Chap 11-69
 Contoh ANOVA satu hala - penyelesaian

H0: μ1 = μ2 = μ3 Test Statistic:

H1: μj not all equal
MSA 2358.2
a = 0.05 FSTAT = = = 25.275
df1= 2 df2 = 12 MSW 93.3

Critical Decision:
Value:
Reject H0 at a = 0.05
Fα = 3.89
a = .05 Conclusion:
There is evidence that
0 Do not Reject H
0
at least one μj differs
reject H0
FSTAT = 25.275 from the rest
Fα = 3.89
Chap 11-70
 Tamat bab 11

Sekian, terima kasih.