Paradigma Neyman Pearson

Slides:



Advertisements
Presentasi serupa
PENGUJIAN HIPOTESIS (STATISTIK)
Advertisements

Pengujian Hipotesis (Satu Sampel)
Nilai p (p value) Stat Mat II 8/06/2011Rahma Fitriani, S.Si., M.Sc.
Pengujian Hipotesis Aria Gusti.
Uji Hipotesis yang Menggunakan Sebaran t Stat Mat II 25/05/2011Dr. Rahma Fitriani, S.Si., M.Sc.
Nilai p (p value) untuk uji Dua Arah STAT MAT II 15/06/2011Rahma Fitriani, S.Si., M.Sc.
Uji Hipotesis.
ANALISIS DATA Dr. Adi Setiawan.
DOSEN : LIES ROSARIA., ST., MSI
Optimal Test: The Neyman-Pearson Lemma
ANALISIS DATA Analisis/Uji Statistika dikatakan
Metode Statistika II Pertemuan 5 Pengajar: Timbang Sirait
HIPOTESIS Fery Mendrofa.
UJI HIPOTESIS Dalam kegiatan penelitian, setelah hipotesis di rumuskan, maka keterlibatan statistik adalah sebagai alat untuk menganalisis data guna.
PENGUJIAN HIPOTESA Probo Hardini stapro.
PENGUJIAN HIPOTESIS Mugi Wahidin, M.Epid Prodi Kesehatan masyarakat
PERTEMUAN 7 PENGUJIAN HIPOTESIS
Statistika Matematika I Semester Ganjil 2011 Rahma Fitriani, S.Si., M.Sc.
Statistika Matematika I Semester Ganjil 2011 Rahma Fitriani, S.Si., M.Sc.
BIO STATISTIKA JURUSAN BIOLOGI 2014
Metode Statistika Pertemuan X-XI
7. MERUMUSKAN HIPOTESIS DEFINISI HIPOTESIS: HIPOTESIS adalah:
Uji Hipotesis (1).
UJI HIPOTESIS.
MODUL V HIPOTESIS STATISTIK
Pengujian Hipotesis Aria Gusti.
Program Studi ekonomi pembangunan Semester Ganjil 2012
Statistika Matematika I
Statistika Matematika I
Statistika Matematika I
Dr. Adji Achmad RF, S.Si, M.Sc
Universitas Muhammadiyah Palangkaraya
STATISTIKA Pertemuan 7: Pengujian Hipotesis 1 Populasi
Metode Statistika Pertemuan X-XI
STATISTIKA 2 Pertemuan 11: Pengujian Hipotesis Sampel Besar (n≥30)
Oleh Ir Tito Adi Dewanto
Program Studi Statistika Semester Ganjil 2012
UJI HIPOTESIS.
Program Studi Statistika Semester Ganjil 2011
Week 11-Statistika dan Probabilitas
METODE PENELITIAN KUANTITATIF (7) FIKOM UNIVERSITAS BUDILUHUR.
Pendugaan Parameter Regresi Logistik
Principal Components Analysis
Nilai Harapan Peubah Acak
Peubah Acak (Random Variable) IV (kasus Peubah Kontinyu)
Pengantar Statistik Inferens
Analisis Multivariat Program S2 Matematika Semester Genap 2011/2012
Model Linier untuk data kontinyu (lanjut)
Pendugaan Parameter Statistika Matematika II
Network Model (lanjut) Program Evaluation and Review Technique (PERT)
Dr. Rahma Fitriani, S.Si., M.Sc
Principal Components Analysis (Pendekatan Sampel)
Multivariate Analysis
Model Linier untuk Klasifikasi Satu arah
Program Studi Statistika Semester Ganjil 2014
Dualitas Antara Uji Hipotesis dan Selang Kepercayaan
Pengantar Teori Peluang Semester Genap 2011/2012
Uji Hipotesis Pada Sampel berukuran besar
Pendugaan Parameter Statistika Matematika II
Peubah Acak (Random Variable) III
Uji Hipotesis Dua Ragam
Analisis Multivariat Program S2 Matematika Semester Genap 2011/2012
Pengantar Teori Peluang Semester Genap 2011/2012
Sifat-sifat Kebaikan Penduga (lanjut)
Sifat-sifat kebaikan penduga Latihan 1
Model untuk Respons Biner
Uji Hipotesis yang melibatkan Ragam
Model Sediaan Probabilistik (lanjutan)
Statistika Matematika 1
Statistika Matematika II Semester Genap 2011/2012
Transcript presentasi:

Paradigma Neyman Pearson Statistika Matematika II 2011/2012 6/05/2019 Dr. Rahma Fitriani, S.Si., M.Sc.

Dr. Rahma Fitriani, S.Si., M.Sc. Penentuan daerah penolakan (RR) Berdasarkan nilai statistik uji Dua tipe kesalahan pada penentuan daerah-daerah tersebut: Kesalahan tipe I: menolak H0 yang benar Kesalahan tipe II: menerima H0 yang salah Kedua tipe kesalahan tersebut dinyatakan dalam pernyataan peluang 6/05/2019 Dr. Rahma Fitriani, S.Si., M.Sc.

Dr. Rahma Fitriani, S.Si., M.Sc. Paradigma Neyman Pearson: Penentuan daerah penolakan dengan peluang dua tipe kesalahan sekecil mungkin Peluang kesalahan tipe I: Tingkat nyata atau tingkat keberartian uji 6/05/2019 Dr. Rahma Fitriani, S.Si., M.Sc.

Dr. Rahma Fitriani, S.Si., M.Sc. Peluang kesalahan tipe II: Peluang menolak H0 yang salah: kuasa uji (power of the test) Mengukur seberapa besar peluang uji menghasilkan keputusan yang tepat 6/05/2019 Dr. Rahma Fitriani, S.Si., M.Sc.

Penentuan Nilai α Contoh vaksin: Ho: p = 0.5 HA: p < 0.5 Dari 15 tikus percobaan, Statistik uji: Y jumlah tikus yang tidak terinfeksi Y 1 2 … k k+1 13 14 15 Daerah penolakan RR Rahma Fitriani, S.Si., M.Sc

Penentuan Nilai α Jika ditetapkan: Rahma Fitriani, S.Si., M.Sc

Penentuan Nilai α Resiko peneliti salah menyimpulkan bahwa vaksin tidak efektif walaupun sebenarnya efektif, sebesar ≈ 0.004 Perlindungan kesalahan jika p<0.5?? Jika sesungguhnya p = 0.3? Memerlukan perhitungan β dan power Rahma Fitriani, S.Si., M.Sc

Penentuan Nilai β Rahma Fitriani, S.Si., M.Sc

Penentuan Nilai β Pernyataan penemu obat hampir selalu dinyatakan benar (dengan peluang ≈ 0.9) walaupun keefektifan vaksin sebenarnya hanya 0.3. Kuasa uji yang kecil: Rahma Fitriani, S.Si., M.Sc

Nilai β dan Power sebagai fungsi dari nilai p sebenarnya Rahma Fitriani, S.Si., M.Sc

Untuk nilai p yang mendekati 0.5 (<0.5), kuasa uji semakin kecil: Kuasa uji besar jika nilai p yang sebenarnya jauh lebih kecil dari p = 0.5 Jika nilai p yang sebenarnya sangat kecil, akan lebih mudah membuktikan bhw pernyataan penemu vaksin salah Untuk nilai p yang mendekati 0.5 (<0.5), kuasa uji semakin kecil: lebih sering menyimpulkan bhw pernyataan penemu benar (padahal tidak) Rahma Fitriani, S.Si., M.Sc

α vs β Untuk contoh dengan Resiko kecil untuk kesalahan tipe I Tetapi tidak cukup perlindungan terhadap kesalahan tipe II Rahma Fitriani, S.Si., M.Sc

α vs β Untuk mengurangi resiko kesalahan tipe II, perbesar RR Rahma Fitriani, S.Si., M.Sc Rahma Fitriani, S.Si., M.Sc

Dengan p = 0.3 Rahma Fitriani, S.Si., M.Sc

α vs β Mengurangi kesalahan tipe II, peningkatan kesalahan tipe I Keseimbangan dua kesalahan, tercapai pada nilai α dan β yang sama besarnya Salah satu metode: perbesar ukuran sampel Rahma Fitriani, S.Si., M.Sc