Tamaño de muestra y potencia para diferentes tipos de distribución.Recibí esta pregunta de un cliente:
"... ¿Hay alguna manera de calcular el tamaño de la muestra para una distribución binomial o hipergeométrica? Por ejemplo, tenemos algunos trabajando en programas de la FDA y necesitan determinar la cantidad de muestras que necesitan analizar para determinar si pueden obtener una tasa de error de 1 de cada 10000. ... "
¿Te has encontrado con esta pregunta antes? alguna solucion? Parece que también hay una pregunta abierta similar en la comunidad sobre el tema:
https://community.jmp.com/t5/Discussions/Sample-Size-and-Power-Analysis-for-Negative-Binomial-or-Poisson/td-p/271509
Gracias por adelantado,
Re: Tamaño de muestra y potencia para diferentes tipos de distribución.Hola @kemal_oflus , mientras trabajaba en Beckman-Coulter en ensayos de diagnóstico del virus de la sangre, tuve que resolver esta pregunta para los envíos de la FDA. Utilicé el método de puntuación de Wilson, que es el método recomendado por la FDA (no el método exacto, es decir, Clopper-Pearson). Para ser honesto, lo hice desde la fórmula usando una hoja de cálculo EXCEL, pero ciertamente podemos hacer un script JMP para automatizar eso.
Re: Tamaño de muestra y potencia para diferentes tipos de distribución.Hola @kemal_oflus ,
No es lo mismo, pero me he encontrado con un cliente de marketing en la industria de seguros. Estaban haciendo DOE simples para optimizar la tasa de respuesta para el correo promocional que estaban enviando.
Utilizaron la simulación en JMP Pro para determinar el tamaño de la muestra para el experimento.
Aquí hay un hilo respondiendo una pregunta que tenían: Prueba: tamaños de muestra para un factorial completo
Re: Tamaño de muestra y potencia para diferentes tipos de distribución.Oye @kemal_oflus !
Un enfoque simple para una prueba Binomial utiliza la siguiente fórmula: 1-a = (1-p) ^ N que puede reorganizar para obtener N = Log (1-a) / Log (1-p), donde a = nivel de confianza y p = probabilidad de interés. La idea es que determine N para afirmar que la probabilidad de que ocurra algún evento de interés no es más que p, siempre y cuando todas las muestras de N no experimenten dicho evento de interés. Puede pensar que define un límite de confianza unilateral donde p se establece como límite superior. La fórmula se deriva directamente de la probabilidad de no observar eventos en N muestras con una distribución binomial.
Fácilmente podría hacer algo similar con una distribución hipergeométrica si eso es más apropiado. La misma idea: solo encuentre la probabilidad de no ver eventos en una muestra de un lote específico. No es una buena forma cerrada como el caso Binomial, pero debería hacer el trabajo. También puede ampliar el concepto para permitir que ocurran algunos eventos, aunque el cálculo se vuelve más complicado. Por la pequeña probabilidad que están viendo, creo que el enfoque de la fórmula Binomial debería funcionar bien.
¡Espero que ayude!
