Pertemuan 10
Buku Walpole Bab 10
Pengantar
• Populasi (Population): Keseluruhan dari observasi
yang menjadi perhatian kita àJumlahnya bisa
sangat besar seolah tak berhingga.
• Sampel (Sample) à subset dari populasi:
• Biasanya dihasilkan dari proses sampling terhadap
suatu populasi.
• Statistical Inference: Bagaimana mendapatkan suatu
kesimpulan mengenai suatu populasi berdasarkan
sampel.
• Area Statistical Inference:
• Estimasi
• Uji Hipotesis: Dalam beberapa bidang à basis dari
proses Deteksi.
Hipotesis
• Estimasi: fokusnya pada mencari tahu (mengestimasi)
nilai sebuah parameter.
• Uji Hipotesis: Lebih kepada mencari kebenaran dari
hipotesis yang sudah dirumuskan sebelumnya.
• Hipotesis dalam statistik: Klaim atau pernyataan
mengenai ciri, sifat, karakteristik atau atribut dari satu
atau beberapa populasi.
• Uji Hipotesis: Menguji klaim atau pernyataan mengenai
populasi.
} Contoh:
◦ Menguji pernyataan bahwa “Lulusan Sarjana Teknik
Elektro di Indonesia memiliki rata-rata memiliki waktu
tunggu 3 bulan untuk mendapatkan pekerjaan”
Struktur Uji Hipotesis
• Null Hypothesis (H0)
• Pernyataan yang diuji dalam sebuah uji hipotesis
• Biasanya berupa initial claim yang sudah dikemukakan oleh
peneliti melalui riset sebelumnya maupun pengetahuan yang
sudah ada.
• Alternative Hypothesis (H1)
• Biasanya adalah klaim terbaru yang akan dibuktikan
kebenarannya. Pembuktian kebenaran H1 akan sekaligus
membuktikan bahwa H0 tidak lagi benar.
• Jika H0 menyatakan bahwa nilai parameter dari suatu populasi
adalah sama dengan harga tertentu, H1 menyatakan bahwa nilai
parameter dari suatu populasi adalah berbeda dengan harga
yang dinyatakan pada H0.
• H0 biasanya menyatakan bahwa fenomena yang sedang
dipelajari tidak memiliki efek atau tidak menimbulkan
perbedaan.
Contoh-contoh
• Sebuah perusahaan pembuat sedotan menghasilkan
sedotan dengan diameter 4 mm. Seorang pekerja
meyakini bahwa mesin yang digunakan sudah tidak
dapat menghasilkan dengan ukuran tersebut
kemudian diambil sampel sebanyak 100 sedotan
untuk dilakukan uji hipotesis dengan confidence
99%. Tuliskan H0 dan H1.
• Dokter meyakini bahwa kebanyakan remaja belasan
tahun tidur reratanya tidak lebih dari 10 jam setiap
harinya. Seorang peneliti meyakini bahwa remaja
tersebut tidur lebih lama. Tuliskan H0 dan H1.
Contoh-contoh
• Dewan sekolah mengeklaim bahwa paling sedikit
60% muridnya membawa sebuah telepon selular ke
sekolah. Seorang guru meyakini bahwa angka
tersebut terlalu tinggi, kemudian diambil sample
secara random sebanyak 25 murid untuk diuji
dengan tingak signifikansi sebesar 0.02. Tuliskan H0
dan H1.
Test Statistic
Contoh (Walpole et al, 2012):
• Sebuah tipe vaksin diketahui hanya 25% efektif setelah 2
tahun. Akan dibuktikan bahwa vaksin yang lebih baru lebih
unggul daripada vaksin yang sudah ada (bisa melindungi
dari virus dengan jangka waktu yang lebih lama).
Critical Region
Do not reject H0
Reject H0 (p > 0.25)
(p=0.25)
X
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
H0 is true H0 is false
Do not reject H0 Correct Decision Type II Error
Reject H0 Type I Error Correct Decision
Distribusi Binomial:
} Contoh Vaksinasi: Prob. Error Tipe II àHanya bisa dihitung
jika alternative hypothesis lebih spesific (misal H1: p=1/2)
1
𝛽 = 𝑃 type II error = 𝑃 𝑋 ≤ 8 when 𝑝 =
E
2
1
= 5 𝑏 𝑥; 20, = 0.2517
2
>?=
dan
I
1
𝛽 = 5 𝑏 𝑥; 20, = 0.1316
2
>?=
1 3
𝜎 = 𝑛𝑝𝑞 = 100 = 4.33
4 4
Peranan α, β, dan ukuran sampel (lanjutan)
Prob. Error Tipe I diberikan oleh luasan di bawah kurva di sebelah kanan
𝑋 = 36.5.
Petakan ke kurva
distribusi standar normal
(zero mean-unit variance)
36.5 − 25
𝑧= = 2.66
4.33
Figure 10.2 of Walpole, et al (2012), Probabilty &
Statistics For Engineers & Scientists
1
𝛼 = 𝑃 type I error = 𝑃 𝑋 > 36 jika 𝑝 = ≈ 𝑃(𝑍 > 2.66)
4
= 1 − 𝑃 𝑍 < 2.66 = 1 − 0.9961 = 0.0039
Catatan: Gunakan tabel kurva normal
Peranan α, β, dan ukuran sampel (lanjutan)
Prob. Error Tipe II bisa dihitung untuk alternative hypothesis H1 yang
spesifik, misal 𝐻1: 𝑝 = 1/2 àAsumsikan H1 benar
Untuk kurva yang
diasosiasikan dengan 𝐻1:
1
𝜇 = 𝑛𝑝 = 100 = 50
2
1 1
𝜎 = 𝑛𝑝𝑞 = 100 =5
2 2
Prob. Error Tipe II
diberikan oleh luasan di Figure 10.3 of Walpole, et al (2012), Probabilty &
bawah kurva H1 di Statistics For Engineers & Scientists
sebelah kiri 𝑋 = 36.5. 1
𝛽 = 𝑃 𝑥 ≤ 36 jika 𝑝 =
2
36.5 − 50 ≈ 𝑃 𝑍 < −2.7 = 0.0035
𝑧= = −2.7
5
Kenaikan ukuran sampel menurunkan baik α
maupun β!
Contoh: Continuous Random Variable
• Distribusi berat siswa di suatu sekolah tidak diketahui, namun
standar deviasinya diketahui: 𝜎 = 3.6
• 𝐻0: Rerata berat siswa di sekolah tsb. ialah 68 kg (µ = 68)
• 𝐻1: Rerata berat siswa di sekolah tsb. bukan 68 kg (µ ≠ 68)
Ketentuan Pengujian (Biru: Critical Region)
Figure 10.4 of Walpole, et al (2012), Probabilty & Statistics For Engineers & Scientists
𝛽 = 𝑃(67 ≤ 𝑋_ ≤ 69 jika 𝜇 = 70
67 − 70
Figure 10.6 of Walpole, et al (2012), Probabilty & Statistics 𝑧b = = −6.67
For Engineers & Scientists
0.45
69 − 70
𝑧< = = −2.22
0.45
Values that
differ significantly
from 200 200
Right-tailed Test
H0: µ ≤ 200
H1: µ > 200
Points Right
Values that
differ significantly
200 from 200
Two-tailed Test
H0: µ = 200 α is divided equally between
H1: µ ≠ 200 the two tails of the critical
region
200
Critical
Region
Critical Region
Set of all values of the test statistic that would cause a
rejection of the null hypothesis
Critical
Regions
Critical Value
Value (s) that separates the critical region from
the values that would not lead to a rejection of
H0
Reject H0 Fail to reject H0
Critical Value
( z score )
Pendekatan Uji Hipotesis
• Seringkali diinginkan nilai peluang terjadinya Error
Tipe I (level of significant) bernilai tetap. Pada kondisi
ini langkah uji hipotesis bisa dituliskan:
• Nyatakan null- dan alternative hypothesis
• Pilih nilai α yang diinginkan.
• Pilih jenis test statistic dan tentukan critical region
berdasarkan nilai α yang ditentukan.
• Tolak null-hypothesis jika nilai test statistic jatuh pada
critical region. Selain itu null-hypothesis jangan
ditolak
• Tarik kesimpulan
Pengujian Nilai Mean
• Sample Tunggal
• Sampel Ganda
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Model berdasarkan pada sebuah eksperimen dengan
X1, X2, …, Xn , masing2 merepresentasikan random
sample dari sebuah populasi dengan distribusi yang
memiliki mean 𝜇 dan variance 𝜎2.
• Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 ≠ 𝜇0
• Test Statistic: Sample Mean 𝑋_ yang distribusinya
adalah Gaussian/Normal jika ukuran sampel (n) cukup
besar (Central Limit Theorem: X1, X2, …, Xn i.i.d.)
dengan mean mean 𝜇 dan variance 𝜎2/𝑛.
• Critical Region: Two-Tailed!
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Standardisasikan 𝑋_:
𝑋_ − 𝜇
𝑍=
𝜎/ 𝑛
𝑋_ − 𝜇=
𝑃 −𝑧e/< < < 𝑧e/< = 1 − 𝛼
𝜎/ 𝑛
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Reject 𝐻0 dan terima 𝐻1: 𝜇 ≠ 𝜇0 jika:
𝑥̅ − 𝜇= 𝑥̅ − 𝜇=
𝑧= > 𝑧e/< atau 𝑧=
𝜎/ 𝑛
< −𝑧e/<
𝜎/ 𝑛
𝜎 𝜎
𝑎 = 𝜇= − 𝑧e /< , 𝑏 = 𝜇= + 𝑧e /<
𝑛 𝑛
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
Figure 10.9 of Walpole, et al (2012), Probabilty & Statistics For Engineers &
Scientists: Critical Region for the alternative hypothesis 𝜇 ≠ 𝜇0
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): One Sided Hypotheses
• Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 > 𝜇0
} Reject 𝐻0 dan terima 𝐻1: 𝜇 > 𝜇0 jika:
𝑥̅ − 𝜇= Critical Region ada di
𝑧= > 𝑧e /< Upper Tail
𝜎/ 𝑛
𝑥̅ − 𝜇= 𝑥̅ − 𝜇=
𝑡= > 𝑡e/<,zvb atau 𝑡 = < −𝑡e/<,zvb
𝑠/ 𝑛 𝑠/ 𝑛
Dengan demikian, tolak 𝐻=dan pilih 𝐻b : 𝜇b − 𝜇< ≠ 𝑑= jika 𝑧 > 𝑧e/< atau
𝑧 < −𝑧e/<.
𝑥̅b − 𝑥̅ < − 𝑑=
𝑡=
𝑠‡ 1/𝑛b + 1/𝑛<
dengan:
< <
<
𝑠b b𝑛 − 1 + 𝑠 < 𝑛< − 1
𝑠‡ =
𝑛b + 𝑛< − 2
melebihi 𝑡e/<ˆz‰v< atau kurang dari −𝑡e/<ˆz‰v< .
Pengujian Nilai Mean dari Sample Ganda
(Varians beda dan tidak diketahui)
Asumsi : 𝜎b ≠ 𝜎< maka statistiknya adalah:
𝑋_b − 𝑋_< − 𝑑=
𝑇′ =
𝑠b</𝑛b + 𝑠<</𝑛<
11 16 + 9 25
𝑠‡ = = 4.478
12 + 10 − 2
85 − 81 − 2
𝑡= = 1.04
4.478 1/12 + 1/10
Sehingga,
𝑎 − 𝜇= 𝛿 𝛿
𝛽=𝑃 𝑍< − = 𝑃 𝑍 < 𝑧e −
𝜎/ 𝑛 𝜎/ 𝑛 𝜎/ 𝑛
maka diambil kesimpulan bahwa:
< <
𝑧e + 𝑧– 𝜎
𝛿 𝑛 𝑛=
−𝑧– = 𝑧e − sehingga: 𝛿<
𝜎
<
𝑧e/< + 𝑧– 𝜎 <
𝑛≈
𝛿<
Contoh
• Akan diuji hipotesis: H0: 𝜇=68kg H1: 𝜇>68kg
untuk berat badan murid laki-laki di suatu sekolah dengan α =
0.05 dan diketahui σ=5.
• Tentukan ukuran sampel jika diinginkan power test 1-β=0.95
saat true mean sebesar 69 kg.
jika 𝜇b − 𝜇< = 𝑑= + 𝛿
Memilih ukuran Sampel untuk Uji Means
(Kasus Dua Sample) (lanjutan)
Dengan hipotesis alternatif: 𝜇b − 𝜇< = 𝜇= + 𝛿 maka statistiknya
𝑋_b − 𝑋_< − 𝜇= + 𝛿
(𝜎b< + 𝜎<<)/𝑛
adalah variabel normal standard 𝑍. Sehingga,
−𝑎 − 𝑑= 𝑎 − 𝑑=
−𝑧e/< = dan 𝑧e/< =
𝜎b< + 𝜎<< /𝑛 𝜎b< + 𝜎<< /𝑛
sehingga:
˜ ˜
𝛽 = 𝑃 −𝑧e/< − < 𝑍 < 𝑧e/< −
(™•‰ ˆ™‰‰ )/z (™•‰ ˆ™‰‰ )/z
Memilih ukuran Sampel untuk Uji Means
(Kasus Dua Sample) (lanjutan)
dari persamaan sebelumnya, maka dapat disimpulkan:
sehingga:
Kasus 1:
𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 < 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 𝑃(𝑋 ≤ 𝑥 jika 𝑝 = 𝑝= )
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .
Pengujian Nilai Proporsi dari Sample
Tunggal (lanjutan)
Kasus 2: 𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 > 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 𝑃(𝑋 ≥ 𝑥 jika 𝑝 = 𝑝= )
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .
Kasus 2: 𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 ≠ 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 2𝑃 𝑋 ≤ 𝑥 jika 𝑝 = 𝑝= jika 𝑥 < 𝑛𝑝=
𝑃 = 2𝑃 𝑋 ≥ 𝑥 jika 𝑝 = 𝑝= jika 𝑥 > 𝑛𝑝=
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .
Pengujian Nilai Proporsi dari Sample
Tunggal (lanjutan)
Apabila nilai 𝑝= sangat dekat dengan 0 atau 1 à
Distribusi Poisson dengan parameter 𝜇 = 𝑛 𝑝=.
𝑥 − 𝑛𝑝= 𝑝̂ − 𝑝=
𝑧= =
𝑛𝑝=𝑞= 𝑝=𝑞= /𝑛
Langkah-langkah uji proportion
1. 𝐻= : 𝑝 = 𝑝= .
2. Tentukan hipotesis alternatif 𝐻b : 𝑝 < 𝑝= , 𝑝 > p= ,
p ≠ 𝑝= .
3. Pilih level of significance sama dengan 𝛼.
4. Uji Statistik: Variabel binomial X dengan 𝑝 = 𝑝=
5. Temukan x
6. Tarik kesimpulan yang tepat.
Solusi
1. 𝐻= : 𝑝 = 𝑝=
2. 𝐻b : p ≠ 𝑝=
3. 𝛼 = 0.10
4. Test statistik: Variabel Binomial 𝑋 dengan 𝑝 = 0.7 dan
𝑛 = 15.
5. Perhitungan: 𝑥 = 8 dan 𝑛𝑝= = 15 0.7 = 10.5
Sehingga nilai-P adalah:
1. 𝐻= : 𝑝 = 0.6
2. 𝐻b : p > 0.6
3. 𝛼 = 0.05
4. Critical region: 𝑧 > 1.645.
5. Perhitungan: 𝑥 = 70 dan 𝑛 = 100, 𝑝̂ = 70/100 = 0.7
dan
Dengan hipotesis alternatif dapat sebagai berikut: 𝑝b < 𝑝< , 𝑝b > 𝑝< , 𝑝b ≠
𝑝< atau 𝑝b − 𝑝< < 0, 𝑝b − 𝑝< > 0, 𝑝b − 𝑝< ≠ 0.
𝑃›b − 𝑃›<
𝑍=
𝑝𝑞(1/𝑛b + 1/𝑛< )
𝑠b<
𝑓= < Critical region:
𝑠<
• 𝐻b : 𝜎b< < 𝜎<< à 𝑓 < 𝑓bve (𝑣b ,𝑣< )
Adalah nilai distribusi • 𝐻b : 𝜎b< > 𝜎<< à 𝑓 > 𝑓bve (𝑣b ,𝑣< )
F dengan degree of
• 𝐻b : 𝜎b< ≠ 𝜎<< à 𝑓 < 𝑓bve/< (𝑣b, 𝑣< )
freedom masing-
masing 𝑣b = 𝑛b − 1 atau 𝑓 > 𝑓bve/< (𝑣b ,𝑣< )
dan 𝑣< = 𝑛< − 1
Contoh
Sebuah eksperimen dilakukan untuk memban-dingkan keausan
dua material yang berbeda. Dua belas material 1 diuji dengan
dengan mesin pengukur keausan. Sepuluh material 2 diuji
dengan cara yang sama. Dalam setiap kasus kedalaman
keausannya. Sampel material 1 memberikan rata-rata keausan
85 unit dengan standar deviasi 4 dan sampel material 2
memberikan rata-rata 81 dengan standar deviasi 5. Tingkat
signifikansi 0.10.
Solusi
1. 𝐻= : 𝜎b< = 𝜎<<
2. 𝐻b : 𝜎b< ≠ 𝜎<<
3. 𝛼 = 0.10
4. Critical region: