Business Statistics, 6th ed.

by Ken Black

Chapter 9

Statistical Inference: 
Hypothesis Testing
for Single Populations

Copyright2010
2010John
JohnWiley
Wiley&&Sons,
Sons,Inc.
Inc. 1
Copyright
 Learning Objectives

Understand the logic of hypothesis testing, and know how to 
establish null and alternate hypotheses.
Understand Type I and Type II errors, and know how to solve 
for Type II errors.
Know how to implement the Hypothesis, Test, Action, Business 
(HTAB) system to test hypotheses.
Test hypotheses about a single population mean when  is 
known.
Test hypotheses about a single population mean when  is 
unknown.
Test hypotheses about a single population proportion.
Test hypotheses about a single population variance.

Copyright 2010 John Wiley & Sons, Inc. 2

 Introduction to Hypothesis Testing

Hypothesis Testing – researchers are able to structure 
problems in such a way that the researcher can use 
statistical evidence to test various theories about 
phenomena

Copyright 2010 John Wiley & Sons, Inc. 3

 Types of Hypotheses

1. Research Hypothesis
a statement of what the researcher believes will be the 
outcome of an experiment or a study.
2. Statistical Hypotheses
a more formal structure derived from the research 
hypothesis.
Composed of two parts
Null hypothesis (Ho) – null hypothesis exists;
old statement is correct
Alternative (Ha) – the new theory is true

Copyright 2010 John Wiley & Sons, Inc. 4

 Types of Hypotheses

3. Substantive Hypotheses ‐ a statistically significant 
difference does not imply or mean a material,
substantive difference. 
If the null hypothesis is rejected and the alternative 
hypothesis is accepted, then one can say that a statistically 
significant result has been obtained
With “significant” results, you reject the null hypothesis

Copyright 2010 John Wiley & Sons, Inc. 5

 Statistical Hypotheses

Two Parts
a null hypothesis ‐ nothing new is happening; the null 
condition exists
an alternative hypothesis ‐ something new is happening
Notation
null: H0
alternative: Ha

Copyright 2010 John Wiley & Sons, Inc. 6

 Null and Alternative Hypotheses

The Null and Alternative Hypotheses are mutually 
exclusive.
Only one of them can be true.
The Null and Alternative Hypotheses are collectively 
exhaustive.
The Null Hypothesis is assumed to be true.
The burden of proof falls on the Alternative 
Hypothesis.

Copyright 2010 John Wiley & Sons, Inc. 7

 Null and Alternative Hypotheses: Example

A manufacturer is filling 40 oz. packages with flour.
The company wants the package contents to average 
40 ounces.

H 0 :   40 oz
H a :   40 oz

Copyright 2010 John Wiley & Sons, Inc. 8

 One‐tailed and Two‐tailed Tests

One‐tailed Tests

H 0 :   40 H 0 : p  0.18
H a :   40 H a : p  0.18
Two‐tailed Test
H 0 :   12
H a :   12

Copyright 2010 John Wiley & Sons, Inc. 9

 8 Steps in Testing Hypotheses

1.  Establish hypotheses: state the null and alternative 
hypotheses.
2.  Determine the appropriate statistical test and 
sampling distribution.
3.  Specify the Type I error rate (
4.  State the decision rule.
5.  Gather sample data.
6.  Calculate the value of the test statistic.
7.  State the statistical conclusion.
8.  Make a managerial decision.

Copyright 2010 John Wiley & Sons, Inc. 10

 Rejection and Nonrejection Regions

Conceptually and graphically, statistical outcomes 
that result in the rejection of the null hypothesis lie 
in what is termed the rejection region.
Statistical outcomes that fail to result in the rejection 
of the null hypothesis lie in what is termed the 
nonrejection region.

Copyright 2010 John Wiley & Sons, Inc. 11

 Rejection and Non Rejection Regions

Possible statistical outcomes
1. Reject null hypothesis – results lie in this area
2. Do not reject hypothesis – stat results fail to reject 
the null hypothesis
3. ***If values fall in “rejection region” you reject the 
null hypothesis
4. DRAW THE REJECTION AND NON‐REJECTION GRAPH

Copyright 2010 John Wiley & Sons, Inc. 12

 Rejection and Non Rejection Regions

Rejection Region
Rejection Region

Non Rejection Region
=40 oz

Critical Value Critical Value

Copyright 2010 John Wiley & Sons, Inc. 13

 Type I and Type II Errors

Type I Error
Committed by rejecting a true null hypothesis 
If the null hypothesis is true, any mean that falls in a 
rejection region will be a type I error
The probability of committing a Type I error is called ,
the level of significance.

Copyright 2010 John Wiley & Sons, Inc. 14

 Type I and Type II Errors

Type II Error
Committed when a researcher fails to reject a false null 
hypothesis
The probability of committing a Type II error is called .

Copyright 2010 John Wiley & Sons, Inc. 15

 Decision Table 
for Hypothesis Testing

Null True Null False

Fail to Correct Type II error

reject null Decision ( )

Reject null Type I error Correct Decision

()

Copyright 2010 John Wiley & Sons, Inc. 16

 One‐tailed Tests

H 0 :   40 H0 :   40
H a :   40 Ha :   40

Rejection Region Rejection Region

Non Rejection Region Non Rejection Region
=40 oz =40 oz

Critical Value Critical Value

Copyright 2010 John Wiley & Sons, Inc. 17

 Two‐tailed Tests

Ho :   40 Rejection Rejection
Region Region

Ha :   40 Non Rejection Region
=12 oz

Critical Values

Copyright 2010 John Wiley & Sons, Inc. 18

 Testing Hypothesis about a Population 
Mean Using z Statistic (σ)
The z formula can be used to test hypothesis about
a single population mean if the sample size (n) is > 30 
for any population, and < 30 if x is normally 
distributed

Copyright 2010 John Wiley & Sons, Inc. 19

 Testing Hypotheses about a Population 
Mean Using the z Statistic ( Known)
Example: A survey, done 10 years ago, of CPAs in the 
U.S. found that their average salary was $74,914.  An 
accounting researcher would like to test whether this 
average has changed over the years. A sample of 112 
CPAs produced a mean salary of $78,695.  Assume 
that the population standard deviation of salaries
 = $14,530.

Copyright 2010 John Wiley & Sons, Inc. 20

Testing Hypotheses about a Population
Mean Using the z Statistic ( Known)
Step 1: Hypothesize
H 0 :   $74,914
H a :   $74,914

Step 2: Test
z X  
/ n
Testing Hypotheses about a Population
Mean Using the z Statistic ( Known)
Step 3: Specify the Type I error rate‐
 = 0.05   z/2 = 1.96
Step 4: Establish the decision rule‐
Reject H0 if the test statistic < ‐1.96 or it the
test statistic > 1.96.
Testing Hypotheses about a Population
Mean Using the z Statistic ( Known)
Step 5: Gather sample data‐
x‐bar = $78,695, n = 112,  = $14,530,
hypothesized  = $74,914.
Step 6: Compute the test statistic.

z  78,69574,914  2.75
14,530/ 112
Testing Hypotheses about a Population
Mean Using the z Statistic ( Known)
Step 7: Reach a statistical conclusion‐
Since z = 2.75 > 1.96, reject H0.
Step 8: Business decision‐
Statistically, the researcher has enough evidence
to reject the figure of $74,914 as the true average 
salary for CPAs.  In addition, based on the evidence 
gathered, it may suggest that the average has 
ncreased over the 10‐year period.
 CPA Net Income Example: 
Two‐tailed Test (Part 2)

If z  zc  1.96, reject H 0 .
If z  zc  1.96, do not reject H 0 .

x 78,695  74,914

z   2.75
 14,530
n 112
z = 2.75  z c = 1.96, reject H 0 .
 CPA Net Income Example:
Critical Value Method (Part 1)

0
:   $74,914 Lower

xc    z c

a
:   $74,914 n
14 ,530
 74 ,914  1 . 96
 112
 .025  .025  72 , 223
2
Rejection
ection Region
Upper
gion 
Non Rejection Region xc    zc
n
72,223 77,605 14 ,530
zc  1.96 z0 zc  1.96  74 ,914  1 . 96
112
Z c  1.96 =0 Zc  1.96  77 ,605
 Using p value to Test Hypothesis

P value – another way to reach statistical conclusion 
n hypothesis testing
No preset value of α is given in the p value method
p value defines the smallest value of α for which the null 
hypothesis can be ejected
p‐value <   reject H0
p‐value    do not reject H0
 Using p value to Test Hypothesis

For  two tailed test, alpha is split to determine the 
critical value of the test statistic
With the p value, the probability of getting a test statistic 
at least as extreme as the observed value is computed
The p value is then compared z or α/2 for two tailed tests 
to determine statistical significance 
 Using the p‐Value to Test Hypotheses

One should be careful when using p‐values from 
statistical software outputs.
Both MINITAB and EXCEL report the actual p‐values 
for hypothesis tests.
MINITAB doubles the p‐value for a two‐tailed test so 
you can compare with .
EXCEL does not double the p‐value for a two‐tailed 
test.  So when using the p‐value from EXCEL, you may 
multiply the value by 2 and then compare with . 
Demonstration Problem: MINITAB
Using the p‐Value to Test Hypotheses
ritical Value Method to Test Hypotheses

The critical value method determines the critical 
mean value required for z to be in the rejection 
region and uses it to test the hypotheses.

x
zc  
c  
n
ritical Value Method to Test Hypotheses

For the previous example,

1.96  xc  74,914
14,530
112

or xc  74,914 1.9614,530  74,914  2,691

112
lower xc  72,223 and upper xc  77,605
ritical Value Method to Test Hypotheses

Thus, a sample mean greater than $77,605 or less 
than $72,223 will result in the rejection of the null 
hypothesis.
The test statistic for this test is

 
2 (n1) s 2

 2
 Testing Hypotheses About a Variance: 
Demonstration Problem 9.4
A small business has 37 employees. Because of the uncertain 
demand for its product, the company usually pays overtime
on any given week. The company assumed that about 50 total 
hours of overtime per week is required and that the variance
on this figure is about 25. Company officials want to know 
whether the variance of overtime hours has changed. Given
here is a sample of 16 weeks of overtime data (in hours per 
week). Assume hours of overtime are normally distributed.
Use these data to test the null hypothesis that the variance
of overtime data is 25. Let
57  56  52  44
46  53  44  44
48  51  55  48
 Testing Hypotheses About a Variance: 
Demonstration Problem 9.4
Step 1:  
H0: 2 = 25
Ha: 2  25

Step 2: Test statistic

2  (n1) s 2

2
 Testing Hypotheses About a Variance: 
Demonstration Problem 9.4
Step 3: Because this is a two‐tailed test,
 = 0.10 and /2 = 0.05.
Step 4: The degrees of freedom are 16 – 1 = 15.
The two critical chi‐square values are 2(1 – 0.05), 15 
= 2 0.95, 15  = 7.26093 and  2 0.05, 15 = 24.9958.  
Step 5: The data are listed in the text.
Step 6: The sample variance is s2 = 28.1.
The observed chi‐square value is calculated as
2 = 16.86.
 Testing Hypotheses About a Variance: 
Demonstration Problem 9.4
Step 7: The observed chi‐square value is in the 
nonrejection region because 2 0.95, 15  = 7.26093
< 2observed = 16.86 <  2 0.05), 15 = 24.9958.
Step 8: This result indicates to the company 
managers that the variance of weekly overtime
hours is about what they expected.
 Solving for Type II Errors

When the null hypothesis is not rejected, then either 
a correct decision is made or an incorrect decision is 
made.
f an incorrect decision is made, that is, if the null 
hypothesis is not rejected when it is false, then a 
Type II, , error has occurred.
 Solving for Type II Errors (Soft Drink)

Suppose a test is conducted on the following 
hypotheses: H0: = 12 ounces vs. Ha: < 12 ounces 
when the sample size is 60 with mean of 11.985.
The first step in determining the probability of a Type 
I error is to calculate a critical value for the sample 
mean (in this case).
For an  =0.05, then the critical value for the sample 
mean is (given on next slide).
Solving for Type II Errors (Soft Drink)

In testing the null hypothesis
xc   by the critical value method,
zc  this value is used as the 
/ n cutoff for the nonrejection
region. For any sample mean 
xc 12 obtained that is less than 
1.645  11.979, the null hypothesis is 
0.10 / 60
rejected.  Any sample mean 
greater than 11.979, the null 
xc 11.979 hypothesis is not rejected.
 Solving for Type II Errors (Soft Drink)

Since a Type II error, , varies with possible values of 
the alternative parameter, then for an alternative 
mean of 11.99 (< 12) the corresponding z‐value is

xc  
z1  1
/ n

11.979 11.99
z1 
0.10 / 60

z1  0.85
 Solving for Type II Errors (Soft Drink)

The value of z yields an area of 0.3023.
The probability of committing a Type II error is
equal to the area to the right of the critical value
of the sample mean of 11.979.
This area is = 0.3023 + 0.5000 = 0.8023.
Thus, there is an 80.23% chance of committing a
Type II error if the alternative mean is 11.99.
Note: equivalent problems can be solved for sample 
proportions (See Demonstration Problem 9.6).
perating Characteristic and Power Curve

Because the probability of committing a Type II error 
changes for each different value of the alternative 
parameter, it is best to examine a series of possible 
alternative values.
The power of a test is the probability of rejecting the 
null hypothesis when it is false.
Power = 1 ‐ .