Learning Objectives Learning Objectives

Test hypotheses and construct confidence intervals  Test hypotheses and construct confidence intervals 
about the difference in two population means using  about the difference in two related populations.
the Z statistic. Test hypotheses and construct confidence intervals 
Test hypotheses and construct confidence intervals  about the differences in two population proportions.
about the difference in two population means using  yp
Test hypotheses and construct confidence intervals 
the t statistic. about two population variances using the F statistic.

Hypothesis Testing; Confidence Intervals ‐ Hypothesis Testing for Differences
Difference in Means using z Statistic  Between Means: The Growth Example
(Population Variances Known) As a specific example, suppose we want to conduct a 
hypothesis test to determine whether the average annual 
Calculating two sample means and using the 
growth for an animal species is different from the average 
difference in the two sample means is used to
annual growth μ1 of another species μ2. Because we are testing 
test the difference in the population to determine whether the means are different, it might seem 
The central limit theorem states that the difference
The central limit theorem states that the difference logical that the null and alternative hypotheses would be
logical that the null and alternative hypotheses would be
in two sample means is normally distributed for large 
sample sizes ((both n1 and n2) > 30) regardless of the  Ho: μ1 = μ2
shape of the population Ha:   μ1 ≠ μ2

Page 1
 Hypothesis Testing for Differences Hypothesis Testing for Differences
Between Means: Between Means
H0 : 1  2 If z < - 1.96 or z > 1.96, reject Ho.

H a : 1  2
Rejection
Rejection Region If - 1.96  z  1.96, do not reject Ho.
Region

 =0.05, /2 = 0.025, z0.025 = 1.96

 
 . 025  .025
The hypotheses can also be expressed as: 2 2

H0 : 1  2  0 Non Rejection Region

H a : 1  2  0
Z c  1.96 0 Z c
 1.96

Critical Values

Analysis  is testing whether there is a difference in the 
annual growth. This is a two tailed test.

Hypothesis Testing for Differences Between  Hypothesis Testing for Differences
Means: Between Means:
n  32
z  (70.700  62.187)  (0)  2.35
Species 1 1 Species 2
74.256 57.791 71.115
x 1
 70.700 69.962 77.136 43.649
264.160  166.411

96.234 65.145 67.574 55.052 66.035 63.369
1
 16.253
89.807 96.767 59.621 57.828 54.335 59.676

93.261 77.242 62.483  1

2
 264 .164 63.362 42.494 54.449 32 34
103 030
103.030 67 056
67.056 69 319
69.319 37.194 83.849 46.394

74.195 64.276 35.394 n 2

 34 99.198 67.160 71.804 Since the observed value of 2.35 is greater than 1.96, 
61.254 37.386 72.401 reject the null hypothesis. That is, there is a significant 
75.932 74.194 86.741
x 2
 62 .187
73.065 59.505 56.470
difference between the average annual growth of species 1 

80.742 65.360 57.351
2
 12 .900 48.036 72.790 67.814
39.672 73.904 and the average annual growth of species 2.
  166 .411
2 60.053 71.351 71.492
45.652 54.270 2
66.359 58.653
93.083 59.045
61.261 63.508
63.384 68.508

Page 2
 Hypothesis Testing for Differences Hypothesis Testing for Differences
Between Means Between Means

 0
Ho :
1 2
Rejection Rejection
If z  1.96 or z  1.96, reject H 0 .
If  1.96  z  1.96, do not reject H 0 .
Region
H :    0
Rejection Region
Rejection Region
a
1 2 Region
( x1  x2 )  (1  2)
z
  12  22
    .025 
2
 .025
2
 .025
2
 . 025 2 n1 n2
Non Rejection Region
Non Rejection Region (70.700- 62.187)- (0)
  2.35
Z  233
. Z  233
. 264.164 166.411
X  X2 X X
1 2
c 0 c

1

Critical Values
Critical Values 32 34
Since z  2.35  1.96, reject H 0 .

Demonstration Problem Demonstration Problem

A sample of 87 men showed that the average calcium 
depletion per year is 3352 µg. The population standard 
deviation is 1100 µg. A sample of 76 women showed that the 
average calcium depletion per year is 5727 µg, with a 
Rejection
population standard deviation of 1700 µg. A researcher wants 
Ho :  1   2  0
Region
to “prove”
to  prove  that women lose more calcium. If they use α
that women lose more calcium If they use α = .001 
= 001
and these sample data, will they be able to reject a null 
hypothesis that women annually lose as much (or less) calcium 
Ha :  1   2  0  .001
Non Rejection Region
as men do? 
Z c
 3.08 0
Critical Value

Page 3
 Demonstration Problem Demonstration Problem
men Women
x1  $3,352 x2  $5,727
The evidence is substantial that women, on 
 1  $1,100  2  $1,700
Rejection average, lose more calcium than men. 
Region n1  87 n2  76

 .001
001 x  x     
z
1 2 1 2

 
2 2
Non Rejection Region
1 2

Z  308
c
.
0 n n 1 2

Critical Value

3352  5727  0  10.42
2 2
1100  1700
If z < - 3.08, reject Ho. 87 76

If z   3.08, do not reject Ho. Since z = - 10.42 < - 3.08, reject H o .

Confidence Interval Demonstration Problem
men Women
Sometimes the solution(s) is/are to take a random 
sample from each of the two populations and study  x1  $3,352 x2  $5,727
the difference in the two samples.  1  $1,100  2  $1,700 95 % Confidence  z = 1.96
Formula for confidence interval to estimate (µ1 ‐ µ2). n1  87 n2  76
Designating a group as group one, and another as 
g g g p g p ,
group two is an arbitrary decision.

x  x   z     
2 2 2 2
1 2
 1   2   x1  x 2   z 1 2

n n n n
1 2
1 2 1 2

Calculate it!

Page 4
 Hypothesis Testing Hypothesis Testing

Hypothesis test ‐ compares the means of two  If σ is unknown, it can be estimated by pooling the 

samples to see if there is a difference in the two  two sample variances and computing a pooled sample 
population means from which the sample comes. standard deviation
This is used when σ2 is unknown and samples are 
independent.
Assumes that the measurement is normally distributed.
A h h i ll di ib d

t Test for Differences in Population Means t Formula to Test the Difference in
Means Assuming 12 = 22
Each of the two populations is normally distributed.
The two samples are independent.
The values of the population variances are unknown.
( x1  x 2 )  (  1   2 )
The variances of the two populations are equal. t
12 = 
=  22 s ( n1  1)  s 22 ( n 2  1)
2
1 1
1

n1  n 2  2 n1 n 2

Page 5
 Shrimp weights

Hatching method A  Hatching method B Ho: 1  2  0

56   50   52   44  52   59   54   55   65
47   47   53   45  48   52   57   64   53 Ha: 1  2  0 Rejection
Region
Rejection
Region
42   51   42   43  44   53   56   53   57

 .05 .025
  .025 2
2 2 
df  n1  n2  2  15  12  2  25 .025
2
t 0.25 , 25  2.060 Non Rejection Region

t.025,25
 2060
.
t  2060
.
0 .025,25
If t < - 2.060 or t > 2.060, reject Ho.
Critical Values
If - 2.060  t  2.060, do not reject Ho.

Shrimp hatching methods Shrimp hatching methods
( x1  x 2 )  (  1   2 ) ( x1  x 2 )  (  1   2 )
t  
s 12 s2 s 12 ( n 1  1)  s 22 ( n 2  1) 1 1
 2 
Hatching Method A Hatching Method B n1 n2 n1  n 2  2 n1 n2
56 51 45
59 57 53 
 4 7 .7 3  5 6 .5 0   0
47 52 43
52 56 65
1 9 .4 9 5 1 4   1 8 .2 7 3 1 1  1

1
42 53 52 15  12  2 15 12
53 55 53
50 42 48   5 .2 0
54 64 57 2
47 44 44  s 12 s 22 
 n 
 n 2 
d f  1
 2 5
n1  15 n2  12
2 2
 s1 
2
 s 22 
   
 n1   
n 2 

x2  56.5
n1  1 n 2  1
x1  47.73
If t < - 2.060 or t > 2.060, reject H o.
s  19.495
2 s22  18.273 Since t = -5.20 < -2.060, reject H o .
1 If - 2.060  t  2.060, do not reject H o.

Page 6
 Shrimp hatching methods Confidence Interval to Estimate 1 ‐ 2
when 12 and 22 are unknown and 12 = 22
The conclusion is that there is a significant 
difference in the effectiveness of the hatching 
methods.
s12 ( n1  1)  s22 (n2  1) 1 1
( x1  x2 )  t 
n1  n2  2 n1 n2
where df  n1  n2  2

Demonstration Problem Demonstration Problem

A coffee manufacturer is interested in estimating the difference in 
the average daily coffee consumption of regular‐coffee drinkers and 
decaffeinated‐coffee drinkers. Its researcher randomly selects 13  n1  13, n2  15
regular‐coffee drinkers and asks how many cups of coffee per day 
they drink. He randomly locates 15 decaffeinated‐coffee drinkers and  x1  4.35, x2  6.84
asks how many cups of coffee per day they drink. The average for the 
y p p y y g
regular‐coffee drinkers is 4.35 cups, with a standard deviation of 1.20 
cups. The average for the decaffeinated‐coffee drinkers is 6.84 cups,  s1  1.20, s2  1.42
  0.05, t0.025, 26  2.056
with a standard deviation of 1.42 cups. The researcher assumes, for 
each population, that the daily consumption is normally distributed, 
and he constructs a 95% confidence interval to estimate the 
difference in the averages of the two populations.

Page 7
 Demonstration Problem Statistical Inferences for Two 
Related Populations
(1.20) 2 (12)  (1.42) 2 (14) 1 1
(4.35  6.84)  2.056  Dependent samples
13  15  2 13 15
Used in before and after studies
After measurement is not independent of the before 
 2.49  1.03 measurement

 3.52  1 -  2  1.46

The researcher is 95% confident that the difference in population
average daily consumption of cups of coffee between regular‐ and 
decaffeinated‐coffee drinkers is between 1.46 cups and 3.52 cups.

Hypothesis Testing Dependent Samples

Researcher must determine if the two samples are  Before and after measurements on the same 
related to each other individual
The technique for related samples is different from the  Individual Before After
Studies of twins
technique used to analyze independent samples
Studies of spouses 1 32 39
Matched pairs test requires the two samples be the  2 11 15
same size
3 21 35

4 17 13

5 30 41

6 38 39

7 14 22

Page 8
 Hypothesis Testing Formulas for Dependent Samples

The following t test for dependent measures uses the 
t
d D
d 
 d
sample difference, d, between individual matched  sd n
samples as the basic measurement of analysis n  (d  d )2
sd 
n 1
An analysis of d converts the problem from a two sample  df  n  1
problem to a single sample of differences ( d )2
n  number of pairs  d 
2

 n
d = sample difference in pairs n 1

D = mean population difference

st = standard deviation of sample difference
d = mean sample difference

Hypothesis Testing W/H Ratios for Nine Randomly
Selected Ethnic Groups
Analysis of data by this method involves calculating a  Suppose a stock market investor is interested in 
t value with a critical value obtained from the table determining whether there is a significant difference 
n in the degrees of freedom (n – 1) is the number of  in the W/H (weight to height) ratio for 2 year old 
matched pairs of scores children of different ethnic groups in Vietnam. In an 
effort to study this question, the investor  randomly 
y q , y
samples nine ethnic groups from Vietnam and 
records the W/H ratios for each of these groups at 
the end of year 1 and at the end of year 2.

Page 9
 W/H Ratios for Nine Randomly  Hypothesis Testing with Dependent 
Selected Groups Samples: W/H Ratios for Nine groups

Year 1 Year 2 Ho : D  0
Groups W/H Ratio W/HRatio
1 8.9 12.7 Ha : D  0 Rejection
Region
Rejection
Region
2 38.1 45.4
3 43 0
43.0 10 0
10.0   .01
 
4 34.0 27.2 df  n 1  9 1  8 .005 2
.005
2
5 34.5 22.8
t.005,8  3.355 Non Rejection Region
6 15.2 24.1
7 20.3 32.3 If t < - 3.355or t > 3.355, reject Ho. t.01,11
 3.355 0 t
.01,11
 3.355

If - 3.355  t  3.355,do not reject Ho.

8 19.9 40.1 Critical Value
9 61.9 106.5

Hypothesis Testing with Dependent  Hypothesis Testing with Dependent 
Samples: W/H Ratios for Nine groups Samples: W/H Ratios for Nine groups
t-Test: Paired Two Sample for Means
H0 : D = 0 d   5 . 033
H1 : D  0 s d  21 . 599 Year 1 Year 2
W/H Ratio W/H Ratio
 5 . 033  0
t   0 . 70 Mean 30.64 35.68
21 . 599 Variance 268.1 837.5
Ob
Observations
ti 9 9
9
Pearson Correlation 0.674

Since - 3.355  t = - 0 .70  3.355 , do not reject H o Hypothesized Mean Difference 0

df 8
t Stat -0.7
P(T<=t) one-tail 0.252
t Critical one-tail 1.86
P(T<=t) two-tail 0.504
t Critical two-tail 2.306

Page 10
 Confidence Intervals Confidence Intervals for Mean
Difference for Related Samples
Researcher can be interested in estimating the mean 
difference in two populations for related samples
This requires a confidence interval of D (the mean 
population difference of two related samples) to be  d t s d
 D  d t s d
constructed
n n
df  n  1

Difference in Number Bacteria Colonies Confidence Interval for Mean Difference
strain Without treatment With treatment d
in Number of bacteria colonies
d  3.39
1 8 11 ‐3
2 19 30 ‐11
3 5 6 ‐1
df  n  1  18  1  17
4 9 13 ‐4 t . 005 , 17  2 . 898

sd  3.27 5
6
7
3
0
13
5
4
15
‐2
‐4
‐2
d  t s d

n
 D  d  t s d

n
3 . 27 3 . 27
8 11 17 ‐6  3 . 39  2 . 898  D   3 . 39  2 . 898
9 9 12 ‐3 18 18
10 5 12 ‐7  3 . 39  2 . 23  D   3 . 39  2 . 23
11 8 6 2  5 . 62  D   1 . 16
12 2 5 ‐3
13 11 10 1
14 14 22 ‐8 The analyst estimates with a 99% level of confidence that the 
15 7 8 ‐1 average difference in the number of bacteria colonies with 
16 12 15 ‐3 and without treatment is between ‐5.62 and ‐1.16  houses.
17 6 12 ‐6
18 10 10 0

Page 11
 Statistical Inference about two Hypothesis Testing
p̂ p̂ )
Population Proportions (    – 1 2

pˆ  pˆ
Sample proportion used is (          ) 1 2 Because population proportions are unknown,
an estimate of the Std Dev of the difference in two 
( pˆ1  pˆ 2 )  ( p1  p2 ) pˆ  proportion from sample 1
1 sample proportions is made by using sample 
z pˆ  proportion from sample 2 proportions as point of estimates of the population 
p1  q1 p2  q2 2

 n  size of sample 1
1
proportion
n1 n2 n  size of sample 2
2

p  proportion from population 1

1

p  proportion from population 2

2

q  1- p
1 1

q  1- p
2 2

Z Formula to Test the Difference  Testing the Difference in Population 
in Population Proportions Proportions
 pˆ  pˆ   p  p 
Z  1


2 1


2
pp
Ho :
1 2
0
Rejection
 p  q  1  1 
 H :pp 0
Region

 n 1 n
Rejection
a
2  1 2 Region


P  x 1
 x 2
 .01 2
.005
  .005 
n  n
1 2 2 2 2
.005

z.005  2.575 Non Rejection Region


n pˆ  n pˆ
1 1 2 2
Z  2575
.
Z  2575
.
n  n
c 0
If z < - 2.575 or z > 2.575, reject H o. c
1 2 Critical Values
If - 2.575  z  2.575, do not reject H o.
q  1  p

Page 12
 Testing the Difference in Population  Sampling Distribution of Differences 
Proportions in Sample Proportions

n  100 n  95  pˆ  pˆ   p  p  For large samples

1 2
z 1 2 1 2 1. n  pˆ  5,
x  24 x  39
1
 
1
1 2
 p  q  1  1  2. n  qˆ  5,
 n1 n 2 
1
24 39 1

pˆ  100  .24 pˆ   .41 3. n  pˆ  5, and

1 2 95

.24  .41   0  2 2

4. n  qˆ  5 where qˆ = 1 - pˆ
P  x1  x 2
.323 .677  1

1 

2 2

n1  n 2  100 95  the difference in sample proportion s is normally distribute d with


24  39

 . 17  pˆ 1
 pˆ 2
 p 1
 p 2
and
100  95 . 067
 . 323   2 . 54 p q p q
σ pˆ pˆ 2
 1 1
 2 2

Since - 2.575  z = - 2.54  2.575, do not reject Ho.

1

n 1 n 2

Confidence Interval to Estimate p1 ‐ p2 Example Problem:

n  400
1 n  480 2

x  48
1 x  187 2
48
pˆ qˆ  pˆ qˆ       z pˆ qˆ  pˆ qˆ pˆ  400  .12 pˆ  187
 pˆ  pˆ  z
 .39
p p pˆ pˆ
1
1 1 2 2 1 1 2 2 480 2

ˆq  1  pˆ  .88 qˆ  1  pˆ  .61
1 2
n n 1 2 n n 1 2 1 2
1 2
1 1 2 2 For a 98% level of confidence
confidence, z = 2.33.
2 33

 pˆ  pˆ  Z pˆ qˆ  pˆ qˆ  pˆ  pˆ  Z pˆ qˆ  pˆ qˆ
1 1 2 2
 pp  1 1 2 2
1 2
n n 1 2
1 2 1 2
n 1 n 2

.12  .39  2.33 .12.88  .39.61  p1  p2  .12  .39  2.33 .12.88  .39.61
400 480 400 480
 .27  .064  pp
1 2
 .27  .064

 .334  pp
1 2
 .206

Page 13
 F Test for Two Population Variances Sheet Metal Example
s12
F  Suppose a machine produces metal sheets that are specified to be 22 
s 22 millimeters thick. Because of the machine, the operator, the raw 
material, the manufacturing environment, and other factors, there is 
df num erator  v1  n1  1 variability in the thickness. Two machines produce these sheets. 
Operators are concerned about the consistency of the two machines. To 
d
e
n
o
m
i
n
a
t
o
r

df  v2  n2  1 test consistency, they randomly sample 10 sheets produced by machine 
1 and 12 sheets produced by machine 2. The thickness measurements of 
sheets from each machine are given in the table on the following page. 
F distribution Assume sheet thickness is normally distributed in the population.

How can we test to determine whether the variance from each sample 
comes from the same population variance (population variances are 
equal) or from different population variances (population variances are 
not equal)?

Sheet Metal Example: Hypothesis Test for  Sheet Metal Example 
Equality of Two Population Variances
  0.05 F.025,9,11  3.59
Ho :  12   22 Machine 1 Machine 2
n1  10 1 22.3 21.8 22.2 22.0 22.2 22.0
Ha :   2
1
2
2 n2  12
F . 05 , 9 , 11 = 21.8 21.9 21.6 22.1 22.0 22.1
F . 05 , 9 , 11 22.3 22.4 21.8 21.7 21.9
s12 
1 21.6 22.5 21.9 21.9 22.1
F 
s 22 3 . 59
 0 . 28
n1  10 s
2
0.1138 n 2  12
df numerator   1  n1  1
If F < 0.28 or F > 3.59, reject Ho. F 1
  5.63
s  0 . 1138 s s 22  0 . 0202
2 2
0.0202
If 0.28  F  3.59, do reject Ho.
1 2
df deno min ator   2  n2  1

Since F = 5.63 > Fc = 3.59, reject H o.

Page 14