Hola a todos,
Estoy buscando ayuda sobre cómo determinar la muestra estadísticamente correcta que se utilizará para mi experimento.
A continuación se muestra el escenario y los datos proporcionados:
Hipótesis: El nuevo producto químico Z utilizado en el proceso A no tiene diferencia significativa en el Proceso Sigma A.
Matriz: Tengo 3 celdas para evaluar
Célula 1: POR, Sustancia química X
Celda 2: Sustancia química Z1 (concentración determinada)
Celda 3: Sustancia química Z2 (concentración determinada)
Proceso Sigma: 9.5
¿Cómo utilizaré estos datos para calcular el tamaño de muestra apropiado?
Hay varios métodos bien conocidos para probar las varianzas iguales de Barlett, Levene, Cochran y un clásico, la prueba de F máxima de Hartley.
La prueba de F máxima de Hartley, para controlar alfa, realiza una prueba de F en la varianza más grande de los 3 grupos (k) en comparación con la variedad más pequeña de los grupos. Si esta prueba F no es significativa, se considera que los grupos tienen varianza equivalente (desarrollo estándar).
Tenga en cuenta que se recomienda utilizar el mismo tamaño de muestra para que estas pruebas sean más robustas.
Es mucho más fácil calcular la potencia y el tamaño de la muestra para el máximo F. de Hartley. Utilizando una tabla de copia impresa y un curso estadístico antiguo, para alfa = beta = 0.05, detectar un aumento del 50% en el desarrollo estándar, lambda = sigma ( max) / sigma (min) = 1.5, cada grupo debe tener 81 muestras. Para detectar lambda = 2.0 (el desarrollo estándar de un grupo es el doble que el de otro grupo), cada grupo debe tener n = 30.
Solía tener una secuencia de comandos JSL para calcular esto para Maximum F de Hartley, tendré que revisar mis archivos.
Tal vez uno de los colaboradores del blog tenga un enlace que puedan compartir. JMP Oneway informa que las pruebas de Bartlett, Levene, O'Brien y Brown-Forsythe para la misma varianza, sin embargo, el DOE> Tamaño de muestra y Calculadora de potencia no incluye una prueba de dos muestras, a dos caras, para el cálculo de la misma varianza.
Otro enfoque es utilizar la simulación repetida de su diseño, 3 grupos, n = con un grupo de desarrolladores estándar lambda veces otro. Para cada simulación obtener los resultados de las pruebas de varianza. Luego, calcule el número de veces que cada prueba marca para esas variaciones desiguales. Entonces power = farction of flags, y Beta = 1 - fracción de flags.
Por supuesto, tan importante como n es la forma en que se recopilan los datos para que los resultados del experimento representen la verdadera variabilidad (sigma) para ese grupo.
