216698_es-ES

liliconcom

Significancia estadística

Hola,

Solo tengo la siguiente información:

Tengo tasas de falla (FR) de dos conjuntos de datos. El conjunto de experimentos tiene 4 fallas de 2500 (FR: 0,16%) muestras y el conjunto de control tiene 34 fallas de 35000 muestras (FR: 0,097%). Debido a la gran diferencia en el tamaño de la muestra, ¿hay alguna forma en que JMP pueda ayudar a determinar si estos dos FR son estadísticamente similares o diferentes?

Gracias.

Ravi

Re: Importancia estadísticaAbsolutamente, esas calculadoras son útiles cuando se trabaja a partir de estadísticas resumidas. Dicho esto, los pensamos principalmente para uso en el aula y, por lo general, obtendrá mucho más valor al usar las plataformas JMP nativas.Re: Importancia estadística

gracias

Ravi

Re: Importancia estadística

Gracias Julián. Fue útil de hecho.

¿Puedo usar también "Prueba de hipótesis para dos proporciones"?

Ravi

Re: Importancia estadísticaBien hechoRe: Importancia estadística

No sé si ayuda a comprender, pero aquí hay algunos JSL que obtienen el pValue directamente a través de la simulación:

NamesDefaultToHere(1);

n1 = 2500;  // Size of sample one
nf1 = 4;  // Number of failures in sample one
n2 = 35000; // Size of sample two
nf2 = 34;  // Number of failures in sample two

n = n1 + n2;
nf = nf1 + nf2;

nSim = 10000;     // Number of simulations
np1 = J(nSim, 1, .);   // Vector to hold the number of passes counted in sample one

// Randomly allocate nf failures to n units
for(s=1, s<=nSim, s++,
 result$ = J(n, 1, 1);     // All n units pass initially
 result$[randomIndex(n, nf)] = 0;  // Simulate nf failures at random
 np1$ = VSum(result$[1::n1]);   // Count the nummber of passes in sample one
 np1[s] = np1$;       // Store this result
);

// Now evaluate how extreme the observed number of passes, (n1 - nf1), is in relation to the
// reference distribution constructed under the null hypothesis of random allocation of
// failures to samples
np1Observed = n1 - nf1;
pValue = NRow(Loc(np1 <= np1Observed)) / nSim;
Print("Estimated pValue is "||Char(Round(pValue, 3)));

Re: Importancia estadística

Hola @RaviK ,

Hay algunas formas de abordar esto, pero quizás la más sencilla es una prueba de independencia de chi-cuadrado, un tipo de análisis de contingencia. Esta prueba es adecuada porque lo que tiene son dos variables categóricas, una variable de agrupación y un resultado categórico (éxito o fracaso), y le interesa saber si las proporciones observadas del resultado categórico para sus dos grupos proporcionan evidencia de que el proceso que genera los resultados difieren entre los grupos.Puede obtener esta prueba utilizando Analizar > Ajustar Y por X. Pero primero, primero necesitarás que tus datos sean ingresados de una manera particular (también adjunto):

Lo que hice fue tomar los números que me proporcionó e hice columnas para Grupo , Resultado , y norte , el número de observaciones en cada uno. Para el número de éxitos, simplemente tomé el total que diste menos los fracasos. A continuación, ejecutamos Analizar > Ajustar Y por X:

Aquí he echado Resultado en el papel Y, Grupo a la X, y norte como Freq, o frecuencia de ocurrencia. Cuando presionamos Aceptar, obtenemos el siguiente resultado (he ocultado el gráfico de mosaico ya que sus frecuencias de falla observadas son tan bajas que el gráfico no es útil).

Nuestro valor p de interés es el índice de probabilidad, o Pearson (prueba clásica de independencia de Chi-Cuadrado), los cuales están alrededor de p = ~ 0.30, lo que indica que si no hay ninguna diferencia real en los procesos del grupo experimental y de control , una diferencia en la proporción de fallas que observó en estos datos de muestra (o una diferencia más extrema) ocurriría aproximadamente el 30% del tiempo al tomar muestras de los tamaños que tenía. En otras palabras, no hay evidencia muy convincente de que haya una verdadera diferencia en estos conjuntos.Dado lo que parece ser una gran diferencia en la proporción de fracasos, esto puede resultar sorprendente; pero, dada la baja cantidad de fallas en general, es relativamente fácil observar diferencias en las proporciones de esta magnitud o mayores simplemente por casualidad (que es lo que esta prueba de significación estadística nos dice directamente).

 

¡Espero que esto ayude!

 

@Julian