CHAPTER 8

353-370

NAMA ANGGOTA (S1 GIZI 17) :

1. YUSNIA NUR AZIIZAH (17051334002)
2. ALFI LAILATUL K. (17051334009)
3. THOBAGUS MUHAMMAD N. (17051334015)
4. ADEK SETIA W. T. (17051334023)
5. ROSYIDATUL MUFIDAH (17051334031)
6. ANGGITA KURNIA R. (17051334033)
7. MARDIANA ZARDHARI (17051334035)
8. TYAS NOVIA D. (17051334036)
 PENDUGAAN/PENTAFSIRAN
Suatu proses yang menggunakan sampel
statistik untuk menduga rata-rata populasi
yang tidak dapat dihitung/diketahui

Penaksiran titik Penaksiran interval

Metode ini dilakukan untuk memperoleh informasi dengan mengambil sampel dari populasi.
Digunakan untuk populasi skala besar yang tidak bisa atau tidak memungkinkan untuk
pengambilan sensus
 1. PENAKSIRAN TITIK
Salah satu cara untuk memperoleh informasi tentang rata2 populasi μ tanpa
pengambilan sensus namun dengan memperkirakannya dengan sampel rata-
rata.
Contoh:

Harga New Mobile Homes

dilaporkan oleh The U.S. Census
Bureau, Data yang diperoleh dari
Sampling acak sederhana dari 36
New Mobile Homes Solusi: memperkirakan harga rata2 populasi (µ)
dengan harga rata2 sampel

Gunakan data untuk

memperkirakan harga rata-rata
populasi, μ, dari semua New
Mobile Homes
Berdasarkan data sampel, diperkirakan harga
rata-rata, μ, dari New Mobile Homes menjadi
sekitar $ 63.28 ribu, yaitu, $ 63.280. Perkiraan
semacam ini disebut perkiraan titik untuk μ
karena terdiri dari satu angka, atau titik.
• Perkiraan titik parameter dari soal tersebut adalah harga rata-rata,
x, dari 36 rumah mobil sampel, yaitu $ 63.280.
• mean sampel sama dengan mean populasi (μ¯ x = μ). Dengan
kata lain, rata-rata, mean sampel sama dengan mean populasi.
• mean sampel disebut penduga yang tidak bias dari mean
populasi.

Tidak bias= apabila nilai

penduga sama dengan nilai
yang diduga
 2. PERKIRAAN INTERVAL
Perkiraan yang mempunyai dua nilai sebagai daerah
batas

SOAL
Harga New Mobile Homes ditinjau kembali harga (populasi) rata-rata, μ,
dengan menggunakan data sampel pada tabel sebelumnya. Jika
standar deviasi populasi dari semua harga tersebut adalah $ 7,2 ribu,
yaitu $ 7200.

a. Identifikasi distribusi dari variabel ¯ x, yaitu distribusi sampling dari

sampel rata-rata untuk sampel berukuran 36.

b. Gunakan bagian (a) untuk menunjukkan bahwa harga New Mobile

Homes sekitar 95% dari semua sampel dari 36 memiliki properti yang
interval dari ¯ x −2.4 hingga x +2.4 mengandung μ

c. Gunakan bagian (b) dan data sampel pada untuk menemukan

interval kepercayaan 95% untuk μ, yaitu interval angka yang dapat kita
yakinkan 95% mengandung μ.
answer

A Plot bahwa harga NEW

MOBILE HOMES
terdistribusi secara
normal.

Karena n = 36, σ = 7.2,

terdistribusi secara
normal

untuk sampel berukuran 36, variabel

¯ x terdistribusi normal dengan
mean μ dan standar deviasi 1,2.
B. untuk variabel terdistribusi normal,
sekitar 95% dari semua pengamatan yang
mungkin berada dalam dua standar
deviasi
Dapat dilihat bahwa sekitar 95% dari
semua sampel dari 36 New Mobile Homes
memiliki harga rata-rata dalam 2,4 (yaitu,
1,2)) dari μ.
Secara setara, sekitar 95% dari semua
sampel dari 36 rumah mobil baru memiliki
properti bahwa interval dari ¯ x −2.4
hingga x +2.4 mengandung μ.
C. Dari bagian (b), (sekitar) 95% dari
semua sampel tersebut memiliki properti
yang interval dari ¯ x −2.4 hingga x +
2.4berisi μ. kita dapat 95% yakin bahwa
sampel dari 36 rumah New Mobile
Homes harganya memiliki properti
bahwa interval dari ¯ x −2.4 hingga x
+2.4 mengandung μ. Untuk sampel itu,
¯ x = 63,28, jadi ¯ x −2,4 = 63,28 −2,4 =
60,88 dan x x + 2,4 = 63,28 + 2,4 = 65,68.
 DENGAN DEMIKIAN INTERVAL KEPERCAYAAN 95%
ADALAH DARI 60,88 HINGGA 65,68.

INTERPRETASI KITA DAPAT YAKIN 95% BAHWA HARGA

RATA-RATA, Μ, DARI SEMUA NEW MOBILE HOMES
ADALAH ANTARA $ 60.880 DAN $ 65.680
titik akhir dari interval keyakinan dapat
dinyatakan sebagai 63.28 ± 2.4.
Angka 2,4 disebut margin of error
titik akhir dari interval keyakinan dapat
dinyatakan sebagai 63.28 ± 2.4.
Angka 2,4 disebut margin of error
 tingkat keyakinan sering ditulis dalam bentuk 1 − α,
di mana α adalah angka antara 0 dan 1; yaitu, jika tingkat keyakinan
dinyatakan sebagai desimal, α adalah angka yang harus dikurangkan dari 1
untuk mendapatkan tingkat keyakinan. Untuk menemukan α, kita cukup
mengurangi tingkat kepercayaan dari 1.
Jika tingkat kepercayaan 95%, maka α = 1−0,95 = 0,05; jika tingkat
kepercayaan 90%, maka α = 1−0.90 = 0,10; dan seterusnya.
 simbol zα menandakan nilai z yang memiliki area α di
sebelah kanannya di bawah kurva normal standar.

• Jadi, misalnya, z0.05 menunjukkan skor-z yang

memiliki area 0,05 di sebelah kanannya
• zα / 2 menunjukkan skor-z yang memiliki luas α / 2 di
sebelah kanannya.
Perhatikan bahwa, untuk setiap variabel terdistribusi normal, 100
(1 − α)% dari semua pengamatan yang mungkin berada dalam
standar deviasi zα / 2 ke kedua sisi rerata
Prosedur z-Interval satu-Mean Tujuan Untuk
menemukan interval kepercayaan untuk mean
populasi, μ Asumsi
1. Sampel acak sederhana
2. Populasi normal atau sampel besar
3. σ diketahui
Contoh :
Angkatan Kerja Sipil Biro Statistik Tenaga
Kerja mengumpulkan informasi tentang usia
orang-orang dalam angkatan kerja sipil dan
menerbitkan hasil dalam Survei Populasi Saat
Ini. Lima puluh orang dalam angkatan kerja
sipil dipilih secara acak; usia mereka
ditampilkan pada
Temukan interval kepercayaan 95%
untuk usia rata-rata, μ, dari semua orang
dalam angkatan kerja sipil. Asumsikan
bahwa standar deviasi populasi usia adalah
12,1 tahun
 JAWA
B

Langkah 1
Untuk tingkat kepercayaan 1 − α,
menginginkan interval keyakinan 95%, jadi α = 1−0.95 = 0,05. Dari Tabel II atau zα / 2 = z0.05 / 2 =
z0.025 = 1.96.
 JAWA
B

Langkah 2

Kita dapat yakin 95% bahwa usia

rata-rata, μ, dari semua orang
dalam angkatan kerja sipil
adalah antara 38,0 tahun dan
44,8 tahun.
 MARGIN OF
ERROR
Margin of error untuk perkiraan μ adalah zα / 2
· σ / √n, yang dilambangkan dengan huruf E.
Jadi
E = zα/2 ·σ/√n. garis biru mewakili
Margin of error untuk estimasi rata-rata interval kepercayaan.
populasi menunjukkan akurasi dengan mana Kita dapat melihat
mean sampel mengestimasi mean populasi dari Gambar bahwa
yang tidak diketahui margin kesalahan
sama dengan
setengah panjang
interval keyakinan
atau, dengan kata
lain, panjang interval
kepercayaan sama
dengan dua kali
margin kesalahan
CHAPTER 8
371-388
8.3 interval kepercayaan untuk satu populasi berarti ketika σ tidak diketahui

 Jika x adalah variabel terdistribusi normal dengan rata-rata μ dan standar deviasi σ, maka, untuk
sampel ukuran n, variabel ẋ (rata-rata) juga terdistribusi normal dan memiliki rata-rata μ dan
standar deviasi σ / √n. Ekuivalen, versi standar dari ẋ (rata-rata) :
8.3 interval kepercayaan untuk satu populasi berarti ketika σ tidak diketahui

 Bila tidak diketahui penyimpangan standar populasi (σ), maka kita tidak dapat
menggunakan prosedur interval kepercayaan pada versi standar ẋ. Yang
dapat lakukan adalah mengganti penyimpangan standar populasi (σ)
dengan standar deviasi sampel (s) dalam Persamaan (8.2) dan mendasarkan
prosedur interval keyakinan pada variabel yang dihasilkan
8.3

 versi mahasiswa ẋ (rata-rata) tidak memiliki distribusi normal. Untuk mendapatkan

gambaran tentang bagaimana distribusi mereka berbeda, kami menggunakan
perangkat lunak statistik untuk mensimulasikan setiap variabel untuk sampel ukuran
4, dengan asumsi bahwa μ = 15 dan σ = 0,8. (Ukuran sampel apa pun, rata-rata
populasi, dan deviasi standar populasi akan dilakukan).
1. Kami mensimulasikan 5000 sampel dengan ukuran 4 masing-masing.
2. Untuk masing-masing dari 5000 sampel, kami memperoleh rata-rata sampel
dan standar deviasi sampel.
3. Untuk masing-masing dari 5000 sampel, kami menentukan nilai-nilai yang
diamati dari versi standar dan mahasiswa ẋ.
4. Kami memperoleh histogram dari 5000 nilai yang diamati dari
versi standar ẋ dan 5000 nilai yang diamati dari versi mahasiswa ẋ,
seperti yang ditunjukkan pada output 8.2

Click to view ::: Output 8.2 :::

8.3
8.3

Kedua histogram menunjukkan bahwa distribusi dari kedua versi standar dari ẋ yang
variabel z dalam Persamaan (8.2) dan the studentized version dari ẋ yang variabel t
pada persamaan (8.3). variable z berbentuk lonceng dan variable t berbentuk simetris
sekitar 0. Terdapat perbedaan dalam distribusi : the studentized version lebih luas
daripada versi standar, hal ini dikarenakan variasi dalam nilai-nilai yang mungkin dari
versi standar adalah karena semata-mata untuk variasi sarana sampel, sedangkan dari
the studentized version adalah karena variasi dari kedua sarana sampel dan standar
deviasi sampel.

 Pada tahun 1908, William Gosset menentukan distribusi the studentized version of ẋ.
Dimana sekarang distribusi tersebut dinamakan dengan Student’s t-distribution atau
distribusi-t.
8.3 Distribusi-t dan Kurva-t

• Pada distribusi t memiliki perbedaan untuk setiap ukuran sampel. Dalam mengidentifikasi
distribusi-t tertentu menggunakan jumlah derajat kebebasan (df). Untuk the studentized version
of ẋ, jumlah derajat kebebasan (df) adalah 1 kurang dari ukuran sampel, yang secara simbolis
df = n − 1
8.3 Distribusi-t dan Kurva-t

• Suatu variabel dengan distribusi-t memiliki kurva terkait, yang disebut kurva-t
8.3

• Meskipun terdapat perbedaan dalam kurva-t untuk setiap jumlah derajat kebebasan. Semua
kurva-t adalah serupa dan menyerupai kurva normal standar, seperti yang diilustrasikan pada
Gambar 8.8. Angka itu juga menggambarkan sifat-sifat dasar dari kurva-t, yang tercantum
dalam Key Fact 8.6.
8.3

• Ilustrasi pada Gambar 8.8, kurva-t memiliki lebih banyak penyebaran daripada kurva normal
standar. Properti ini mengikuti dari fakta bahwa, untuk kurva-t dengan ν (diucapkan "baru")
derajat kebebasan, di mana ν> 2, standar deviasi adalah √ν / (ν − 2). Kuantitas ini selalu
melebihi 1, yang merupakan standar deviasi kurva normal standar.
8.3 Menggunakan Tabel-t
8.3

Persentase (dan probabilitas) untuk variabel yang memiliki distribusi t area yang sama di bawah
kurva t terkait variabel. Untuk tujuan salah satunya adalah mendapatkan interval kepercayaan untuk
rata-rata populasi, tidak memerlukan tabel-t lengkap untuk setiap kurva-t : hanya area tertentu yang
penting. Tabel IV, yang muncul dalam Lampiran A dan dalam bentuk singkat di dalam sampul
belakang, cukup untuk tujuan kita.
Dua kolom luar dari Tabel IV, berlabel df, menampilkan jumlah derajat kebebasan. Seperti yang
diharapkan, simbol tα menunjukkan nilai t yang memiliki area α di sebelah kanannya di bawah kurva-t.
Jadi kolom menuju t0.10, misalnya, berisi t-nilai yang memiliki area 0,10 di sebelah kanannya.
8.3

Perhatikan bahwa Tabel IV dalam Lampiran A mengandung derajat kebebasan dari 1 hingga 75, tetapi
kemudian hanya memiliki derajat kebebasan tertentu. Jika jumlah derajat kebebasan yang Anda cari
tidak dalam Tabel IV, Anda dapat menemukan tabel-t yang lebih detail, menggunakan teknologi, atau
menggunakan interpolasi linier dan Tabel IV. Pilihan yang kurang tepat adalah menggunakan derajat
kebebasan pada Tabel IV paling dekat dengan yang diperlukan.
8.3

Seperti yang kita catat sebelumnya, kurva-t terlihat semakin seperti kurva normal standar karena
jumlah derajat kebebasannya semakin besar. Untuk derajat kebebasan lebih dari 2000, kurva-t dan kurva
normal standar hampir tidak dapat dibedakan. Akibatnya, kami menghentikan tabel-t pada df = 2000 dan
memberikan nilai-nilai yang sesuai dari zα di bawah. Nilai-nilai ini dapat digunakan tidak hanya untuk
distribusi normal standar, tetapi juga untuk distribusi-t yang memiliki derajat kebebasan lebih besar dari
2000.
 Mendapatkan Interval Keyakinan untuk Populasi, ketika σ
8.3
tidak diketahui

• prosedur dalam mendapatkan interval kepercayaan untuk populasi berarti ketika standar deviasi
populasi tidak diketahui.

• Maka menggunakan tα / 2 bukannya zα / 2 dalam rumus untuk interval keyakinan.

Sebagai hasilnya, kita memiliki Prosedur 8.2, yang disebut the one-mean t-interval
procedure atau, ketika tidak ada kebingungan dapat muncul, cukup dengan
prosedur interval-t • Secara khusus, prosedur
interval-t adalah kuat untuk
Properti dan pelanggaran moderat dari
panduan untuk
asumsi normalitas tetapi,
penggunaan
dalam penggunaaan sampel
prosedur
interval-t besar kadang-kadang dapat
adalah sama terlalu dipengaruhi oleh
dengan outliers karena rata-rata
prosedur z- sampel dan standar deviasi
interval, sampel tidak tahan terhadap
outlier
8.3

Dengan membatasi populasi

kami hanya kepada orang-orang yang
makan ayam, kami dibenarkan
menghapus pengganggu 0 lb.
Umumnya, pencabutan tidak boleh
dihapus tanpa pertimbangan yang
cermat. Hanya menghapus outlier
karena outlier adalah praktek statistik
yang tidak dapat diterima.
Dalam contoh 8.11, jika tidak
hati-hati dalam menganalisis data
maka dapat menemukan interval
keyakinan tanpa memeriksa terlebih
dahulu, yang dapat menghasilkan
data yang tidak valid.
8.3 Bila asumsi tidak merasa puas?

• Misalkan dalam mendapatkan interval keyakinan untuk rata-rata populasi berdasarkan sampel
kecil, tetapi analisis data awal menunjukkan baik adanya outlier atau bahwa variabel yang
dipertimbangkan jauh dari distribusi normal. Maka prosedur interval-z atau prosedur interval-t
tidak tepat untuk digunakan. dapat diganti dengan menggunakan metode nonparametrik yang
disebut juga prosedur interval keyakinan Wilcoxon untuk menemukan interval kepercayaan
untuk rata-rata populasi
• Sebagian besar metode nonparametrik tidak memerlukan kenormalan yang mendekati normal,
resisten terhadap outlier dan nilai ekstrim lainnya, dan dapat diterapkan terlepas dari ukuran
sampel.

• Namun, metode parametrik, seperti prosedur interval-z dan interval-t, cenderung memberikan
hasil yang lebih akurat daripada metode nonparametrik yang hanya menggunakan asumsi
normalitas dan persyaratan lain untuk penggunaannya dapat terpenuhi
8.3

Note : Plot probabilitas normal

pada Gambar 8.12
Lebih lanjut menunjukkan
bahwa pendapatan kotor yang
disesuaikan tidak memiliki
distribusi simetris;

jadi, dengan menggunakan

prosedur interval keyakinan
Wilcoxon juga tampaknya
tidak pantas. Dalam kasus
seperti ini, di mana tidak ada
prosedur umum yang sesuai
8.3 Batas Kesalahan interval-t

 Pada bagian 8.2, khususnya, Formula 8.1 di halaman 364, batas kesalahan untuk
perkiraan rata-rata populasi adalah zα/2 · σ/√n. batas kesalahan ini untuk kasus ketika
standar deviasi populasi, σ diketahui.
 Ketika σ tidak diketahui, batas kesalahan untuk perkiraan rata-rata populasi adalah
tα/2·s/√n, seperti dari Langkah ke 2 dari Prosedur 8.2 pada halaman 377. Batas
kesalahan dalam kasus ini memiliki dasar yang sama properti mengenai tingkat
keyakinan dan ukuran sampel (Key Facts 8.3 dan 8.4 pada halaman 365 dan 366).
8.3 Pusat Teknologi

• Sebagian besar teknologi statistik memiliki program yang secara otomatis melakukan satu
prosedur interval-t rata-rata. Dalam bagian ini, menyajikan output dan petunjuk langkah demi
langkah untuk program-program tersebut

Click to view ::: Example 8.13 :::

8.3
8.3 Langkah-langkah untuk menghasilkan Output 8.3

MINITAB TI-83/84 PLUS

1. Simpan data dari Tabel 8.6 dalam
kolom bernama LOSS
2. Pilih Stat ➤ Statistik Dasar ➤ 1-
Sampel t ...
3. Tekan tombol F3 untuk mengatur
ulang kotak dialog
4. Klik di kotak teks tepat di bawah Satu
atau lebih sampel, masing-masing di
kotak daftar drop-down kolom dan
sebutkan RUGI
5. Klik tombol Options ...
6. Ketik 95 dalam kotak teks Tingkat
keyakinan
7. Klik OK dua kali
1. Simpan data dari Tabel 8.6 dalam
daftar bernama LOSS
2. Tekan STAT, panah ke TES, dan
tekan 8
3. Sorot Data dan tekan ENTER
4. Tekan tombol panah ke bawah
5. Tekan 2nd ➤LIST
6. Panah LOSS dan tekan ENTER
dua kali
7. Ketik 1 untuk Freq dan
kemudian tekan ENTER
8. Ketik .95 untuk C-Level dan
tekan ENTER dua kali
8.3
EXCEL
1. Simpan data dari Tabel 8.6 dalam
kolom bernama LOSS
2. Pilih XLSTAT ➤ Uji parametrik ➤
Uji t dan uji z satu sampel
3. Klik tombol reset di sudut kiri bawah
kotak dialog
4. Klik pada kotak Data selection dan
kemudian pilih kolom worksheet yang
berisi data LOSS
5. Klik tab Opsi
6. Ketik 5 di kotak teks Tingkat
signifikansi (%)
7. Klik OK
8. Klik tombol Continue di XLSTAT –
Selections kotak dialog
 Untuk pengguna Excel : Langkah 6 dari
instruksi Excel menyatakan untuk
mengetikkan 5 dalam kotak teks Tingkat
signifikansi (%). Memang, untuk
prosedur ini, XLSTAT menggunakan α
(yaitu, 1 dikurangi tingkat keyakinan),
dinyatakan sebagai persentase, bukan
tingkat kepercayaan. Jadi, misalnya,
ketik 5 untuk interval kepercayaan 95%
dan ketik 10 untuk interval kepercayaan
90%.
THANKYOU
CHAPTER 9
HYPOTHESIS TESTS FOR ONE
POPULATION MEAN
CHAPTER OUTLINE
 A. THE NATURE OF HYPOTHESIS TESTING

 Hipotesis adalah pernyataan bahwa sesuatu benar.

 Dalam uji hipotesis, didefinisikan sebagai berikut :
• H0 , null hypothesis yaitu suatu hipotesis yang akan diuji.
• Ha , alternative hypothesis yaitu Suatu hipotesis untuk dipertimbangkan
sebagai alternatif H0.
• Uji hipotesis yaitu masalah dalam uji hipotesis untuk memutuskan
apakah H0 harus ditolak demi Ha.
Secara umum, uji hipotesis tentang nilai mean populasi µ harus mengambil salah satu dari
tiga bentuk berikut (di mana μ0 adalah nilai hipotesis dari mean populasi).

• Null hypothesis
H 0 :   0
• Alternative hypothesis

H a :   0
Two-tailed

H a :   0 Left-tailed

H a :   0 Right-tailed
The Logic of Hypothesis Testing
• Setelah kami memilih H0 dan Ha, kita harus memutuskan apakah akan
menolak H0 yang mendukung Ha.
Type I and Type II Errors

Type I errors : Menolak H0 ketika benar

Type II errors : Menerima H0 ketika salah
Significance Level
Peluang membuat kesalahan Tipe I, yaitu, menolak H0 , disebut tingkat
signifikansi, α, dari uji hipotesis. Kesalahan Tipe II terjadi jika H0 salah tidak
ditolak. Probabilitas itu terjadi, probabilitas kesalahan Tipe II, dilambangkan β.
Possible Conclusions for a Hypothesis Test
Misalkan uji hipotesis dilakukan pada tingkat signifikansi kecil.
• Jika H0 ditolak, kami menyimpulkan bahwa data menyediakan cukup bukti
untuk mendukung hipotesis alternatif.
• Jika H0 tidak ditolak, kami menyimpulkan bahwa data tidak memberikan
bukti yang cukup untuk mendukung hipotesis alternatif.
 B. CRITICAL-VALUE APPROACH TO
HYPOTHESIS TESTING

Dengan pendekatan nilai kritis untuk pengujian hipotesis, kami memilih

"titik cutoff” (atau titik cutoff) berdasarkan tingkat signifikansi dari uji hipotesis.
Kriteria untuk memutuskan apakah menolak H0 melibatkan perbandingan nilai
statistik uji untuk titik cutoff (s).
Rejection Region, Nonrejection Region,
and Critical Values
• Rejection region: Kumpulan nilai untuk
statistik uji yang mengarah pada
penolakan dari H0.
• Nonrejection region: Kumpulan nilai
untuk statistik uji yang mengarah ke
nonrejection dari H0.
• Critical value(s): Nilai atau nilai statistik
uji yang memisahkan daerah
penolakan dan nonrejection. Nilai kritis
dianggap sebagai bagian dari
daerah penolakan.
a) Two-tailed : H0 ditolak ketika statistik uji terlalu kecil atau terlalu besar.
Jadi wilayah penolakan berada di dua bagian: satu di sebelah kiri
dan satu di sebelah kanan.
b) Left-tailed : H0 ditolak ketika statistik uji terlalu kecil. Jadi wilayah
penolakan berada di satu bagian, yaitu di sebelah kiri.
c) Right-tailed : H0 ditolak ketika statistik uji terlalu besar. Jadi wilayah
penolakan berada di satu bagian, yaitu di sebelah kanan.
Obtaining Critical Values
Anggaplah bahwa uji hipotesis harus dilakukan pada tingkat signifikansi α.
Maka nilai kritis (s) harus dipilih sehingga, jika H0 benar, probabilitasnya adalah
α bahwa statistik uji akan jatuh di wilayah penolakan.
Obtaining Critical Values for a One-Mean z-Test
Prosedur pengujian hipotesis pertama yang kita diskusikan disebut dengan uji z
rata-rata. Prosedur ini digunakan untuk melakukan uji hipotesis untuk satu
populasi berarti ketika standar deviasi populasi diketahui dan variabel yang
dipertimbangkan secara normal terdistribusi.
STATISTIK UJI UNTUK UJI Z RATA-RATA
 NILAI KRITIS (S) UNTUK UJI Z RATA-RATA

• kita perlu untuk memilih nilai kritis (s) sehingga area di bawah kurva normal standar
yang terletak di atas wilayah penolakan sama dengan α.
• nilai kritis (s) untuk tingkat signifikansi yang ditentukan α. Untuk uji dua-ekor, nilai
kritisnya = ± zα / 2; untuk uji berekor kiri = −zα; dan untuk tes berekor kanan, nilai
kritisnya adalah zα.
• Pada tingkat signifikansi α, untuk pengujiannya.
CRITICAL-VALUE APPROACH TO HYPOTHESIS
TESTING
1. Tentukan H0 dan Ha .
2. Tentukan tingkat signifikansi, α.
3. Hitung nilai statistik uji.
4. Tentukan nilai kritis (s).
5. Jika nilai statistik uji jatuh di wilayah
penolakan, tolak H0 ; jika tidak, jangan
menolak H0.
6. Menafsirkan hasil uji hipotesis.
C. P-VALUE APPROACH TO
HYPOTHESIS TESTING
 TERMINOLOGI PENDEKATAN NILAI-P

• Nilai P dari uji hipotesis adalah probabilitas mendapatkan data sampel

setidaknya tidak konsisten dengan hipotesis nol (dan mendukung hipotesis
alternatif) karena data sampel benar-benar diperoleh. Kami menggunakan
huruf P untuk menunjukkan nilai-P .
Kriteria Keputusan untuk Uji Hipotesis Menggunakan Nilai-
P Jika P-value kurang dari atau sama dengan tingkat
signifikansi yang ditentukan, tolak hipotesis nol; jika tidak,
jangan menolak hipotesis nol. Dengan kata lain, jika P ≤
α, tolak H0; jika tidak, jangan menolak H0
• Nilai P dari uji hipotesis juga disebut sebagai signifikansi
yang diamati.
Untuk memahami mengapa, misalkan nilai P dari uji
hipotesis adalah P = 0,07. Kemudian, misalnya, kita lihat
dari Fakta Utama 9.4 bahwa kita dapat menolak
hipotesis nol pada tingkat signifikansi 10% (karena P ≤
0.10), tetapi kita tidak dapat menolak hipotesis nolpada
tingkat signifikansi 5% (karena P> 0,05). Bahkan, di sini,
hipotesis noldapat ditolak pada tingkat signifikansi
minimal 0,07 dan tidak dapat ditolak sama sekali tingkat
signifikansi kurang dari 0,07. Secara umum, kami memiliki
fakta berikut:
• Nilai-P dari uji hipotesis sama dengan tingkat signifikansi
terkecil di mana hipotesis nol dapat ditolak, yaitu, tingkat
signifikansi terkecil yang mana data sampel yang diamati
menghasilkan penolakan H0.
 MENENTUKAN NILAI-P

• Untuk menentukan nilai P dari uji hipotesis, kami mengasumsikan bahwa

hipotesis nol adalah benar dan menghitung probabilitas mengamati nilai
statistik uji ekstrem atau lebih ekstrim daripada yang diamati. Secara ekstrem
kami maksudkan “jauh dari apa yang kami harapkan untuk diamati jika
hipotesis nol itu benar”
 MENENTUKAN NILAI-P UNTUK UJI-Z SATU-
SATUNYA
• Prosedur pengujian hipotesis pertama yang kita
diskusikan disebut uji z rata-rata. Prosedur ini digunakan
untuk melakukan uji hipotesis untuk satu populasi berarti
ketika standar deviasi populasi diketahui dan variabel
yang dipertimbangkan juga tidak didistribusikan secara
maya. Perlu diingat, bagaimanapun, bahwa karena
teorema limit pusat, z-test rata-rata akan bekerja dengan
cukup baik ketika ukuran sampel besar, terlepas dari
distribusi variabel. Seperti yang Anda lihat, hipotesis nol
untuk uji hipotesis mengenai satu mean populasi, μ,
memiliki bentuk H0: μ = μ0, di mana μ adalah bilangan.,
kita melihat bahwa statistik uji untuk uji z rata-rata adalah
z = x − μ0
σ/√n
 Jika kita membiarkan z0 menunjukkan nilai yang teramati
dari statistik uji z, kita menentukan nilai-P sebagai berikut:
• Uji two tailed: Nilai P sama dengan probabilitas
mengamati nilai statistik uji z yang setidaknya sama besar
dalam besarnya sebagai nilai yang sebenarnya diamati,
yang merupakan area di bawah kurva normal standar
yang terletak di luar interval dari - | z0 |untuk | z0 |
• Uji Left-tailed: Nilai P sama dengan probabilitas
mengamati nilai statistik uji z yang kecil atau lebih kecil
dari nilai yang sebenarnya diamati, yang merupakan
area di bawah kurva normal standar yang terletak di
sebelah kiri z0 ,
• Uji right tailed: Nilai P sama dengan probabilitas
mengamati nilai statistik uji z yang sebesar atau lebih
besar dari nilai yang sebenarnya diamati, yang
merupakan area di bawah kurva normal standar yang
terletak di sebelah kanan z0 ,
 CONTOH 9.8
• Nilai statistik uji untuk z-uji satu arah rata-rata kiri adalah z
= −1.19. Sebuah. Tentukan nilai P. b. Pada tingkat
signifikansi 5%, apakah data memberikan bukti yang
cukup untuk menolak hipotesis nol yang mendukung
hipotesis alternatif?
A.Karena pengujian lift tailed, nilai-P
adalah probabilitas mengamati nilai z
−1.19 atau kurang jika hipotesis nol
benar. Probabilitas itu sama dengan
area di bawah kurva normal standar di
sebelah kiri −1.19, area yang diarsir yang
ditunjukkan pada Gambar 9.9, yang,
oleh Tabel II, adalah 0,1170. Karena itu,
P = 0,1170
b. Tingkat signifikansi yang ditentukan
adalah 5%, yaitu, α = 0,05. Oleh karena
itu, dari bagian (a), kita melihat bahwa
P> α. Dengan demikian, dengan Fakta
Utama 9.4, kami tidak menolak hipotesis
nol. Pada tingkat signifikansi 5%, data
tidak memberikan bukti yang cukup
untuk menolak hipotesis nol yang
mendukung hipotesis alternatif.
 LANGKAH PENDEKATAN NILAI-P
UNTUK PENGUJIAN HIPOTESIS
• langkah 1 Sebutkan hipotesis nol dan alternatif.
• langkah 2 Tentukan tingkat signifikansi, α.
• langkah 3 Hitung nilai statistik uji.
• langkah 4 Tentukan nilai P, P.
• langkah 5 Jika P ≤ α, tolak H; jika tidak, jangan menolak
H.
• Langkah 6 Menafsirkan hasil uji hipotesis.
MENGGUNAKAN NILAI-P UNTUK
MENILAI BUKTI

NILAI P Bukti terhadap H0

p>0,10 LEMAH ATAU TIDAK ADA

0.05 < P ≤ 0,10 SEDANG

0,01 < p ≤ 0,05 KUAT

P ≤ 0,01 SANGAT KUAT

• Tes Hipotesis untuk Satu Populasi Ketika σ DiketahuiSeperti
yang telah disebutkan sebelumnya, prosedur pengujian
hipotesis pertama yang kita diskusikan digunakan untuk
melakukan uji hipotesis untuk satu populasi berarti ketika
standar populasideviasi diketahui. Kami menyebut
prosedur pengujian hipotesis ini sebagai uji z rata-rata
atau, ketika tidak ada kebingungan dapat muncul,
cukup dengan uji-z. Uji z-satu-rata-rata juga dikenal
sebagai uji z sampel satu dan satu-variabel z-test. Kami
lebih memilih "satu-mean"karena itu memperjelas
parameter yang sedang diuji.
• Tujuannya untuk melakukan uji hipotesis rata-rata
populasi, μ
• Asumsi:
1. Sampel acak sederhana
2. Populasi normal atau sampel besar
3. σ dikenal
 LANGKAH-LANGKAH
• Langkah 1 Hipotesis nol adalah H0: μ = μ0, dan hipotesis
alternatifnya adalah Ha: μ≠ μ0(two tailed) atau Ha: μ<μ0
(left tailed) atau Ha: μ> μ0 (right tailed)
• Langkah 2 Tentukan tingkat signifikansi, α.
• Langkah 3 Hitung nilaiUJI statistik uji
• z = x − μ0
σ/√n
CRITICAL VALUE APPROACH (PENDEKATAN
NILAI KRITIS)
- LANGKAH 4 NILAI-NILAI KRITIS ITU
≠ᶼ Α/2 (TWO TAILED) ATAU -ᶼ Α (LEFT TAILED)
ATAU ᶼ Α (RIGHT TAILED)
- LANGKAH 5
JIKA NILAI STATISTIK UJI JATUH
DALAM DAERAH PENOLAKAN, TOLAK H0;
JIKA TIDAK, JANGAN MENOLAK H0
P-VALUE APPROACH
-LANGKAH 4 GUNAKAN TABEL II UNTUK
MENDAPATKAN NILAI-P.
-LANGKAH 5 JIKA P ≤ Α , TOLAK H0;
JIKA TIDAK, JANGAN MENOLAK H0
-LANGKAH 6
MENAFSIRKAN HASIL DARI UJI
HIPOTESIS
 KAPAN MENGGUNAKAN UJI-Z
SATU-SATUNYA
• Untuk sampel kecil — katakanlah, berukuran kurang dari 15 — uji-z harus
digunakan hanya ketika variabel yang sedang dipertimbangkan terdistribusi
normal atau sangat dekat dengan itu.
• Untuk sampel berukuran sedang — katakanlah, antara 15 dan 30 — uji-z
bisa digunakan kecuali data mengandung pencilan atau variabel yang
sedang dipertimbangkan jauh dari distribusi normal.
• Untuk sampel besar — katakanlah, berukuran 30 atau
lebih — uji-z dapat digunakan tanpa pembatasan.
Namun, jika outlier hadir dan penghapusannya tidak
dibenarkan, Anda harus melakukan uji hipotesis satu kali
dengan outlier dan sekali tanpa mereka untuk melihat
apa efek yang dimiliki oleh outlier. Jika
kesimpulannya terpengaruh, gunakan prosedur yang
berbeda atau ambil contoh lain, jika
memungkinkan. Jika outlier hadir tetapi penghapusan
mereka dibenarkan dan menghasilkan set data untuk
mana z-test sesuai (seperti yang dinyatakan
sebelumnya), prosedur dapat digunakan.
 SIGNIFIKANSI STATISTIK VERSUS
PRAKTIS SIGNIFIKAN

• Ingat bahwa hasil uji hipotesis secara statistik signifikan jika hipotesis nol
ditolak pada tingkat α yang dipilih. Signifikansi statistik berarti bahwa
datamemberikan bukti yang mencukupi untuk menyimpulkan bahwa
kebenaran itu berbeda dari yang dinyatakan hipotesa nol. Namun, itu tidak
berarti bahwa perbedaan itu penting dalam arti praktis apa pun.
 HUBUNGAN ANTARA UJI
HIPOTESIS DAN INTERVAL CONIDENCE

• Tes hipotesis dan interval conidence sangat erat kaitannya. Pertimbangkan,

misalnya, uji hipotesis two taileduntuk suatu populasi berarti pada tingkat
signifikansi α. Dalam hal ini, hipotesis nol akan ditolak jika dan hanya jika nilai
μ0 diberikan untuk mean dalam hipotesis nol terletak di luar (1 - α) -tingkat
keyakinan interval untuk μ.
• perbedaannya adalah menggunakan distribusi- t bukan
distribusi normal standar. Secara khusus, untuk tes
dengan hipotesis nol H0: μ = μ0, kami menggunakan
variabel
• t = x − μ0
s/√n
 NILAI-P UNTUK UJI-T
• Sebelum mempresentasikan prosedur langkah demi langkah untuk
melakukan uji t (rata-rata), kita membutuhkanuntuk mendiskusikan nilai-P
untuk tes semacam itu. Nilai-P untuk t-test diperoleh dengan cara yang
serupauntuk itu untuk uji-z.Seperti yang kita tahu, jika hipotesis nol benar,
statistik uji untuk t-test memilikit-distribusi dengan n-1 derajat kebebasan, jadi
probabilitasnya sama dengan daerah di bawah t-kurva dengan df = n - 1.
• Oleh karena itu, jika kita membiarkan t0 menunjukkan
nilai yang diamati dari uji statistik t, kami menentukan
nilai-P sebagai berikut.

• Uji two tailed: Nilai P sama dengan probabilitas

mengamati nilai tes statistik t yang setidaknya sama
besarnya sebagai nilai yang sebenarnya diamati,
yang adalah area di bawah kurva t yang terletak di luar
interval dari - | t0 | hingga | t0
• Uji left tailed: Nilai P sama dengan probabilitas
mengamati nilai tes statistik t yang kecil atau lebih kecil
dari nilai yang benar-benar diamati, yang
merupakan daerah di bawah kurva-t yang terletak di
sebelah kiri t0
• Uji right tailed: Nilai P sama dengan probabilitas
mengamati nilai tes statistik t yang lebih besar atau lebih
besar dari nilai yang sebenarnya diamati
• Memperkirakan Nilai-P dari Uji-t Untuk mendapatkan nilai
P tepat dari t-test, kita memerlukan perangkat lunak
statistik atau statistik Kalkulator. Namun, kita dapat
menggunakan t-tabel, seperti Tabel IV, untuk
memperkirakan nilai-P dari t-test, dan perkiraan P-value
biasanya cukup untuk memutuskan apakah
akan menolak hipotesis nol.
• Misalnya, pertimbangkan uji t kanan-kanan dengan n =
15, α = 0,05, dan nilai statistik uji t = 3,458. Untuk df = 15 - 1
= 14, t-nilai 3,458 lebih besar dari setiap t-nilai dalam
Tabel IV, yang terbesar adalah t0,005 = 2,977 (yang
berarti area tersebutdi bawah kurva-t yang terletak di
sebelah kanan 2,977 sama dengan 0,005). Kenyataan ini,
pada gilirannya, menyiratkan bahwa area di sebelah
kanan 3.458 kurang dari 0,005; dengan kata lain, P
<0,005. KarenaP-value kurang dari tingkat signifikansi
yang ditentukan 0,05, kami menolak H0
 THE ONE-MEAN T-TEST

• Seperti yang Anda lihat, Prosedur 9.2 mencakup nilai kritis pendekatan untuk
t-test satu mean dan pendekatan P-value untuk t-test satu mean. Properti
dan panduan untuk menggunakan uji-t adalah sama dengan uji-z,
 F. THE WILCOXON SIGNED-RANK TEST

• Merupakan uji statistik yang dilakukan untuk melihat apakah ada

perbedaan median dari suatu observasi berpasangan dengan
memperhitungkan besarnya selisih-selisih dari dua observasi yang
bersesuaian .
• Merupakan suatu uji nonparametrik yang biasanya digunakan pada data-
data kualitatif (skala nominal dan ordinal) atau untuk data kuantitatif yang
tidak berdistribusi normal.
 USING THE WILCOXON SIGNED-RANK TABLE
Tabel V dalam Lampiran A memberikan nilai Wα untuk uji peringkat masuk Wilcoxon.
Keduanya kolom luar dari Tabel V memberikan ukuran sampel, n. Seperti yang
diharapkan, simbol Wα dengan catatan nilai W dengan luas (persentase, probabilitas)
α di sebelah kanannya.
Nilai kritis untuk uji peringkat yang ditandatangani Wilcoxon ditingkat cance α sebagai
berikut:
• Untuk uji dua-ekor, nilai-nilai kritis adalah nilai-W dengan luas α / 2 ke kiri (atau,
dengan kata lain, area 1 - α / 2 di sebelah kanannya) dan area α / 2 di sebelah
kanannya, yaitu W1 − α / 2 dan Wα / 2, masing-masing.
• Untuk uji berekor kiri, nilai kritisnya adalah nilai W dengan luas α ke kiri atau,
equivalently, area 1 - α di sebelah kanannya, yaitu W1 − α.
• Untuk uji berekor kanan, nilai kritisnya adalah nilai W dengan area α di sebelah
kanannya, yang adalah Wα.
Perhatikan hal-hal berikut:
• Nilai kritis dari Tabel V harus dimasukkan sebagai bagian dari wilayah
penolakan.
• Meskipun variabel W terpisah, kami menggambar "histogram" pada bentuk
kurva normal. Pendekatan ini tidak hanya nyaman, tetapi juga dapat
diterima karena W hampir terdistribusi normal kecuali untuk ukuran sampel
yang sangat kecil. Kita gunakan konvensi grafis ini di seluruh bagian ini.
• Distribusi dari variabel W adalah simetris tentang n (n + 1) / 4. Karakteristik
menyiratkan bahwa W-nilai dengan area A ke kiri (atau, setara, area 1 - A ke
nya kanan) sama dengan n (n + 1) / 2 dikurangi nilai W dengan area A di
sebelah kanannya.
• Dalam simbol, W1 − A = n (n + 1) / 2 - WA.
• Mengacu pada gambar diatas, kita melihat bahwa dengan menggunakan
Persamaan dan Tabel V, kita dapat menentukan nilai kritis untuk uji peringkat-
kiri Wilcoxon berekor kiri dan yang kritis nilai-nilai untuk uji pemeringkatan
Wilcoxon two-tailed. Contoh berikutnya menggambarkan penggunaannya
dari Tabel V untuk menentukan nilai-nilai kritis untuk uji peringkat masuk
Wilcoxon.
 CATATAN: POIN-POIN BERIKUT MUNGKIN
RELEVAN KETIKA MELAKUKAN WILCOXON
SIGNED-RANK TEST:

• Jika observasi sama dengan μ0 (nilai untuk mean dalam hipotesis nol), itu
observasi harus dihapus dan ukuran sampel dikurangi dengan 1.
• Jika dua atau lebih perbedaan mutlak terikat, masing-masing harus diberi
nilai tengah dari jajaran yang akan mereka miliki jika tidak ada ikatan.
 WILCOXON SIGNED-RANK TEST
VERSUS THE T-TEST

Misalkan Anda ingin melakukan uji hipotesis untuk mean populasi. Ketika
memutuskan antara uji-t dan theWilcoxon signed-rank test, ikuti panduan ini:
• Jika Anda cukup yakin bahwa variabel yang dipertimbangkan secara
normal didistribusikan, gunakan t-test.
• Jika Anda tidak cukup yakin bahwa variabel yang dipertimbangkan juga
tidak didistribusikan secara maya tetapi cukup yakin bahwa ia memiliki
distribusi simetris , gunakan Wilcoxon signed-rank test.
 TESTING A POPULATION MEDIAN
WITH THE WILCOXON
SIGNED-RANK PROCEDURE

Karena mean dan median dari distribusi simetris identik, the wilcoxon signed-
rank test dapat digunakan untuk melakukan uji hipotesis untuk median
populasi, η,serta untuk mean populasi, μ. Untuk menggunakan prosedur
melakukan uji hipotesis untuk median populasi, cukup ganti μ dengan η dan μ0
oleh η0.
 THE TECHNOLOGY CENTER
Note to
• Excel users:
Program Excel yang kami
gunakan untuk melakukan (satu
sampel) Wilcoxon signed-rank test
sebenarnya dirancang untuk uji
dua sampel. Meskipun demikian,
seperti kami menunjukkan, adalah
mungkin untuk menggunakan
program itu untuk melakukan
(satu sampel) Wilcoxon signed-
rank test.
• TI-83/84 Plus users:
Pada saat penulisan ini, TI-83/84
Plus tidak memiliki program built-in untuk
melakukan uji peringkat masuk Wilcoxon.
Namun, kami menulis sebuah program TI
yang disebut WILCOX untuk melakukan
tes itu. Itu terletak di program TI di situs
WeissStats. Instruktur Anda dapat
menunjukkan cara mengunduh program
ke kalkulator Anda. Peringatan: Data apa
pun yang mungkin Anda simpan
sebelumnya di Daftar 1–6 akan dihapus
selama eksekusi program, jadi salin data
tersebut ke daftar lain sebelum eksekusi
program jika Anda ingin
mempertahankannya.
 G. TYPE II ERROR PROBABILITIES;
POWER
Type II error probabilities for a one mean z test

Tujuan untuk menemukan kemungkinan kesalahan tipe II untuk uji z ketika

rata-rata populasi sama dengan Ha.
Asumsi 1. Sampel acak sederhana
2. Populasi normal atau sampel besar
3. mengenali σ
Tahap 1
Nilai kritis didapat dari:
Dimana μ0 adalah nilai hipotesis nol
dari mean. a adalah tingkat signifikan.
σ adalah standar populasi deviasi. dan
n adalah ukuran sampel
Tahap 2
Probabilitas kesalahan tipe 2 , β, sama
dengan area dibawah kurva normal
dengan parameter μa dan σ/√n yang
ada di antara x nilai kritis (two tailed),
atau di sebelah kanan x nilai kritis (left
tailed), atau di sebelah kiri x nilai kritis
(right tailed).
CONTOH
H0 : μ = 26 mpg (manufacturer’s claim)
Ha : μ = < 26 mpg (cunsomer group’s
conjeture)

Dimana μ adalah jarak tempuh rata-rata

daru semua orion. Uji hipptesis harus
dilakukan pada tingkat signifikansi 5%
dengan ukuran sampel 30. tentukan
probabilitas terjadinya kesalahan tipe II jika
jarak tempuh rata-rata dari semua orion
adalah 25.3 mpg. asumsikan jarak tempuh
orion didistribusikan dengan standar deviasi
1.4 mpg.
SOLUSI
• Uji hipotesis ini menggunakan uji sisi kiri dan μ0 =26, a = 0.05, n = 30, σ = 1.4, dan μa = 25,3.

Langkah 1 Langkah 2

Nilai kritis x untuk uji sisi kiri adalah μ0− zα· σ / √n. Probabilitas kesalahan tipe II, β, sama
Diketahui za = z0.05 = 1.645. oleh karena itu, dengan area dibawah kurva normal
nillai kritis x adalah . dengan parameter μ0− zα· σ / √n
yang terletak di sebelah kanan nilai
kritis X.

Kita mempunyai μa= 25.3, σ/ √n=1.4 /

√30 = 0.26 dan dari langkah kesatu, nilai
kritis X adalah 25.6. oleh karena itu, kita
perlu menemukan area dibawah kurva
normal dengan paramevision 25.3 dan
0.6 yang terletak disebelah kanan 25.6.
Interpretasi

Ada sekitar 12.5% kemungkinan bahwa konsumen gagal menolak klaim pabrik bahwa
jarak tempuh rata-rata dari semua orion adalah 26 mpg. Padahal rata-rata sebenarnya
adalah 25,3 mpg.
Interpretasi

Ada sekitar 12.5% kemungkinan bahwa konsumen gagal menolak klaim

pabrik bahwa jarak tempuh rata-rata dari semua oron adalah 26 mpg.
Padahal rata-rata sebenarnya adalah 25,3 mpg.
Gambar 9.36 menunjukkan bahwa semakin jauh mean yang sebenarnya
dari H0 rata-rata 26 mpg, yang terkecil akan menjadi probabilitas
kesalahan tipe II.
POWER AND POWER CURVES
Kekuatan uji hipotesis adalah probabilitas
untuk tidak membuat kesalahan tipe II,
yaitu probabilitas penolakan hipotesis nol.
Kita punya:
Power = 1 − P (Type II error) = 1 − β
Power Curve for a One-Mean z-Test
Tujuan untuk membangun kekuatan
kurva untuk one mean z-test
Asumsi 1. Sampel acak sederhana
2. Populasi normal atau sampel
besar
3. mengenali σ

Langkah 1
tentukan nilai μa yang sama untuk
digunakan dalam merencanakan
kekuatan melengkung. Pilih nilai μa pada
kedua sisi μ0, disebelah kiri μ0, atau
disebelah kanan μ0.
Langkah 4
Langkah 2
buat tabel kerja
Langkah 3
untuk setiap nilai μ yang dipilih pada
langkah 1, gunakan prosedur sebelumnya
untuk mendapatkan pribabilitas kesalahan
tipe II. Isi kolom kedua tabel kerja.
Gunakan hasil langkah 3 dan relasi power
= 1 – β untuk mengisi kolom ketiga dari
tabel kerja.

Langkah 5
plot nilai-nilai di kolom pertama dan ketiga
dari tabel kerja sebagai titik pada grafik
dengan μ pada sumbu horizonta dan
Isi kolom pertama dari tabel kerja dengan daya pada sumbu vertikal. Termasuk
nilai μ yang dipilih pada langkah 1. berongga rongga unuk hipotesis nol (μ0)
dan tingkat signifikansi (a).
Langkah 6 SAMPLE SIZE AND POWER
Hubungkan titik titik dalam grafik dari
langkah 5 dengan lengkungan yang “Untuk tingkat signifikansi tetap,
halus. meningkatkan ukuran sampel akan
meningkatkan daya”.

Seperti yang telah ditunjukkan diatas, mendapatkan probabilitas keslaahan tipe II

adalah komputasi intensif. Selain itu, menentukan kualitas dengan tangan can result
in substantial roundoff error. Oleh karena itu, dalam praktiknya, probabilitas
kesalahan tipe 2 dan daya hampir selalu ditentukan menggunakan komputer.
THANKYOU