12.

2 UJI HIPOTESIS UNTUK MEAN U PENDUDUK: KASUS SAMPEL BESAR (N

> 30)

Seperti diketahui, fakta bahwa sampelnya besar memungkinkan, dengan menggunakan

teorema limit pusat, untuk menganggap distribusi sampel tersebut normal. Oleh karena itu,
statistik uji adalah:

X
-H 0
0/V n

Seperti dalam interval kepercayaan, dalam klasifikasi sampel besar, dua kasus dapat
dipertimbangkan: 1) di mana parameter populasi a diketahui, dan 2) di mana a tidak
diketahui dan diperkirakan menggunakan standar deviasi sampel s. Karena perbedaan
dalam kedua kasus hanya terletak pada penggunaan os dalam statistik uji, tidak perlu
memperlakukannya secara terpisah. Seperti biasa, sebuah contoh akan digunakan untuk
mengilustrasikan penggunaannya.

Contoh 12.2
Dalam pengisian otomatis kantong sabun bubuk (lihat Contoh 10.3), rata-rata populasi
yang diharapkan untuk satu kilogram kantong adalah 1000 gram (g) Untuk memastikan
bahwa ini benar, sampel acak sebanyak 30 kantong sering diambil dan mereka ditimbang
Sampel terakhir memberikan berat rata-rata 1010 g. Dengan informasi ini dan nilai historis
yang dikelola perusahaan untuk a 15 g (saat proses terkendali), diinginkan untuk
mengetahui apakah proses pengemasan dilakukan dengan benar.

Larutan
Dalam situasi ini, pertanyaan penelitian mengacu pada pertanyaan tentang kontrol proses
pengemasan, sehingga dapat diajukan sebagai:

Apakah proses pengemasan terkendali?

Pendekatan model statistik melalui uji hipotesis, maka:

Ho : proses terkendali (tidak ada perubahan)

H1 : proses tidak terkendali (ada perubahan)

Rata-rata populasi tidak diketahui, dan diwakili oleh u. Sebaliknya, ada spesifikasi isian
yang terdiri dari rata-rata 1000 g, sehingga u 0 = 1000 g adalah nilai kontrasnya!

Untuk alasan yang jelas, perusahaan menginginkan fluktuasi yang "dapat diterima" dari
rata-rata sekitar 1000 g; ketidakcocokan di kedua arah dapat dianggap sebagai proses
pelarian. Ini mendefinisikan uji dua sisi, sehingga model statistiknya adalah:

1
H0: u = 1000 g
1

H1: u * 1000g
1

Mengambil a = 0,05, distribusi normal standar terlihat seperti ini:

Statistik sampel adalah X = 1 010 g, dan dalam hal ini kita memiliki standar deviasi
populasi a = 15 g.

Mengganti nilai dalam ekspresi 12.1 dari statistik uji, diperoleh nilai yang diamati:

X
1010 - 1000
-u 0 =
3,65g
pada 7n 15 dan 30

Kesimpulan
Karena nilai yang diamati, 3,65 g, terletak di salah satu daerah penolakan, pengujian
diakhiri dengan menolak H0 dan karena itu mendukung H1.

Kesimpulan dari Contoh 12.2 berarti bahwa proses harus berhenti, mencari penyebab
pelarian, dan memperbaikinya. Ini, bagaimanapun, adalah keputusan serius yang mewakili
penundaan produksi. Untuk mengumpulkan lebih banyak informasi pendukung, estimasi
interval dari parameter u dapat dibuat dengan tingkat kepercayaan y sebesar 95%.
Hasilnya adalah: 1004,6 g < u < 1015,4 g.

Interval tersebut bahkan tidak mengandung nilai 1000 g yang dihadapkan, sehingga
keputusan untuk menghentikan proses diperkuat. Dimungkinkan untuk mengikuti analisis

2
hasil dengan menggunakan apa yang disebut nilai-p, yang memerlukan definisi dan
metode perhitungannya, yang difasilitasi dengan menggunakan program komputer, seperti
program 12.1. Ini akan dimulai dengan mengilustrasikan yang terakhir.

Contoh 12.3
Anda ingin menyelesaikan Contoh 12.2 menggunakan Program 12.1.

Larutan
Mulai program 12.1. Di menu utama pilih Satu Sampel, lalu Mean dan Known Variance.
Tuliskan data yang diminta oleh program (jelas, tanpa satuan bobot) dan pilih Hipotesis Nol
yang sesuai, yang dengannya hipotesis alternatif ditentukan secara otomatis. Pilih
Significance Level (dalam hal ini 0,05) dan klik tombol Run. Antarmuka berikut
menunjukkan hasil yang diberikan oleh program.

Pada antarmuka Contoh 12.3, di bawah kesimpulan muncul jendela dengan nilai 0,00026
dan diberi label nilai-p. Arti, penggunaan, dan perhitungan nilai-p dalam pengujian
hipotesis dibahas di bawah ini.

nilai-p
Cara tradisional menyimpulkan uji hipotesis adalah dengan mengatakan bahwa hipotesis
nol ditolak, atau tidak, dengan tingkat signifikansi yang telah ditetapkan a. Ini,
bagaimanapun, memiliki kelemahan tertentu untuk analis yang tidak melakukan tes:
pertama, nilai yang dipilih diputuskan oleh orang lain dan dalam beberapa cara dipaksakan
padanya- kedua, dia tidak tahu apakah nilainya dihitung dari statistik pengujian hampir
tidak mencapai wilayah penolakan atau melangkah jauh ke dalamnya (terutama ketika
Anda tidak memiliki program seperti 12.1.

3
Untuk mengatasi kesulitan-kesulitan ini dalam praktiknya, pendekatan nilai-p telah diadopsi
secara luas. Nilai-p adalah probabilitas bahwa statistik uji akan mengasumsikan nilai yang
setidaknya sama ekstrimnya dengan nilai statistik yang diamati ketika hipotesis nol benar.
Sebenarnya p-value adalah tingkat signifikansi, tetapi dihitung berdasarkan nilai yang
diamati dan tidak ditentukan sebelumnya seperti nilai tipikal a.
Kembali ke situasi mengisi kantong sabun, kita memiliki nilai pengamatan z0 = 3,65148
sesuai dengan nilai p = 0,00026. Dalam hal distribusi normal standar ini dapat
direpresentasikan seperti yang ditunjukkan pada Gambar 12.6:

Jelas area penolakan yang sesuai dengan nilai-p jauh lebih kecil daripada yang sesuai
dengan level yang dipilih 0,05. Cara praktis menggunakan nilai-p adalah dengan
membandingkannya dengan nilai a (bagaimanapun, keduanya adalah tingkat signifikansi),
dan jika nilai-p kurang dari a, akan ada lebih banyak bukti untuk menolak H; jika tidak, bukti
akan bekerja untuk menerima H0. Kesimpulan:

Jika p-value < a , tolak H0

Jika p-value > a , terima H0

Dalam kasus kantong sabun, penolakan hipotesis nol dikonfirmasi, dan prosesnya dapat
dihentikan dengan keyakinan yang lebih besar (namun tidak pasti).

Salah satu penggunaan, mungkin lebih sering saat ini (dalam teks modern, jurnal ilmiah,
dan artikel penelitian), hanya untuk melaporkan nilai p sehingga analis atau pembaca
dapat menyimpulkan dengan tingkat signifikansi tertentu.

4
Definisi yang tepat dari nilai-p adalah:

definisi nilai-p Nilai-p adalah tingkat signifikansi terendah yang akan menyebabkan
penolakan terhadap hipotesis nol H0.

Relatif mudah untuk menghitung nilai p untuk pengujian yang melibatkan distribusi normal,
seperti dalam kasus ilustrasi yang telah Anda lihat. Jika z adalah nilai statistik uji, maka
nilai p adalah:

F(Zo) untuk uji arah kiri H0 : u > u0; H1: kamu<u0

2[1— F(Zo)] untuk uji dua sisi H0 : u = u0; H1: u ± u0
1 — F(Zo) untuk uji arah kanan H0 : u < u0; H1:u>u0

Dalam Ekspresi 12.3, F(Zo) adalah distribusi normal standar kumulatif, dievaluasi pada Zo

Contoh 12.4

Dengan menggunakan persamaan (12.3), hitung nilai p untuk pengisian kantong sabun
dan diskusikan hasilnya.

Larutan

Ada tes dua sisi, dan nilai yang diamati adalah 3,65. Menurut ekspresi (12.3), kami
memiliki:

nilai-p = 2[1 -F( 3,65)] =2[1- 0,99987] =0,00026

Estimasi F(3.65) dibuat dengan program 9.2, tetapi juga dapat digunakan

Unggul: NORM STANDAR.DIST(3.65).

Hasil sebelumnya ditafsirkan sebagai perlu memiliki tingkat signifikansi kurang dari
0,00026 untuk menerima hipotesis nol. Ini berarti bahwa untuk menerima hipotesis nol
diperlukan nilai a yang sangat kecil (bahkan lebih kecil dari nilai terkecil yang
direkomendasikan: 0,01). Segala sesuatu tampaknya menunjukkan bahwa proses
pengemasan di luar kendali dan harus dihentikan untuk melakukan perbaikan yang
diperlukan.