Vous recherchez un calculateur de taille d'échantillon pour les proportions de défauts qui peut m'aider à optimiser la taille de l'échantillon avec une proportion minimale à détecter et les IC pour les proportions calculées.Cas d'utilisation:
35 000 défauts détectés par une machine sur une plaquette. Un opérateur échantillonne 1500 images et les trie en 10 catégories. Les pourcentages des catégories de défauts sont censés refléter les défauts de la population de 35 000 habitants. Dans ce cas, 1500 images ont été utilisées mais que se passe-t-il lorsque les 5000 images sont utilisées?
Qu'est-ce que cela fait aux intervalles de confiance sur les proportions? Lorsque l'échantillonnage devient faible, certaines des faibles proportions ne seront pas détectables. Comment déterminer la proportion détectable la plus faible pour une taille d'échantillons donnée?
Des idées, s'il y a des calculatrices ou des outils qui peuvent vous aider?
AnalytiqueAutreRe: Recherche d'un calculateur de taille d'échantillon pour les proportions de défauts qui peut m'aider à optimiser la taille de l'échantillon avec une proportion minimale à détecter et les IC pour les proportions calculées.Vous pourrez peut-être répliquer cette expérience dans JMP.Si tel est le cas, et si vous disposez de JMP Pro, vous pouvez effectuer une simulation Monte Carlo pour évaluer différentes tailles d'échantillons et le taux de détection pour chacun.Ce serait une alternative aux méthodes statistiques plus pures qui, j'en suis sûr, existent.
Prenons un tableau de 35 000 lignes (une ligne par défaut) avec:
- Une colonne de données aléatoires représentant la catégorie réelle de chaque défaut, pondérée avec certaines catégories plus importantes que d'autres pour représenter vos données réelles.Cette partie nécessite beaucoup d'attention et de réflexion, vous en avez besoin pour représenter la (les) distribution (s) que vos catégories pourraient prendre. Il peut avoir besoin de choisir au hasard parmi une variété de distributions.
- Une colonne de taille d'échantillon, où la première ligne indique le nombre de lignes à échantillonner
- Une colonne qui `` sélectionne '' le nombre de lignes prescrit
- Une colonne avec les catégories «détectées» pour chacune des lignes échantillonnées
- Une colonne pour vérifier si la catégorie réelle la plus courante correspond à la catégorie détectée la plus courante (utilisez uniquement la première ligne de la colonne)
Utilisez la plate-forme de distribution et incluez à la fois la première colonne (catégorie de défaut réelle) et la dernière colonne (si la catégorie de défaut correcte a été identifiée).Sous les fréquences de la colonne de catégorie correcte, vous devriez voir une valeur unique.Passons maintenant à la magie JMP: faites un clic droit sur une valeur du tableau et sélectionnez simuler. Remplacez la colonne Catégorie réelle d'anomalie par elle-même. Lorsqu'il s'exécute, une nouvelle table apparaîtra où chaque ligne représente une heure à laquelle votre table d'origine a été recalculée, vous donnant chaque fois un nouvel ensemble de défauts à analyser.Enregistrez la fraction des valeurs «oui», puis répétez l'opération avec différentes tailles d'échantillon.Ensuite, vous pouvez tracer la fraction des diagnostics corrects par rapport à la taille de l'échantillon.
N'oubliez pas que tout cela dépend de cette première puce, représentant vos résultats réels à l'aide d'une simulation.
Voici un exemple de ce à quoi votre table de simulation pourrait ressembler avec une taille d'échantillon de 20, en supposant qu'une catégorie de défaut est deux fois la taille de toutes les autres:
Voici le tableau des résultats de la simulation, ici en utilisant uniquement 100 lignes (je recommande d'utiliser des milliers):
Vous pouvez enregistrer cela dans un tableau, puis répéter avec d'autres valeurs pour trouver votre niveau de risque acceptable:
Voici un script pour créer le tableau du haut ci-dessus:
Voir plus...
New Table( "Monte Carlo Sample Size Example",
Add Rows( 35000 ),
New Script(
"Distribution to Simulate",
Distribution(
Nominal Distribution( Column( :Defect Actual Category ) ),
Nominal Distribution( Column( :Correct Category Identified ) )
)
),
New Column( "Defect Actual Category",
Numeric,
"Ordinal",
Format( "Best", 12 ),
Formula( Max( Floor( Random Uniform( 0, 10 ) ), 1 ) )
),
New Column( "Sample Size",
Numeric,
"Continuous",
Format( "Best", 12 ),
Formula( 20 )
),
New Column( "Sampled Rows Sorted",
Numeric,
"Nominal",
Format( "Best", 12 ),
Formula( If( Row() <= :Sample Size[1], 1, 0 ) )
),
New Column( "Sampled Rows Shuffled",
Numeric,
"Nominal",
Format( "Best", 12 ),
Formula( :Sampled Rows Sorted[Col Shuffle()] )
),
New Column( "Sampled Defect Category",
Numeric,
"Ordinal",
Format( "Best", 12 ),
Formula( If( :Sampled Rows Shuffled == 1, :Defect Actual Category ) ),
Set Display Width( 135 )
),
New Column( "Actual Defect Category",
Numeric,
"Nominal",
Format( "Best", 12 ),
Formula( If( Row() == 1, Mode( :Defect Actual Category << Get VAlues ) ) ),
Set Display Width( 130 )
),
New Column( "Predicted Default Category",
Numeric,
"Nominal",
Format( "Best", 12 ),
Formula( If( Row() == 1, Mode( :Sampled Defect Category << Get Values ) ) )
),
New Column( "Correct Category Identified",
Numeric,
"Nominal",
Format( "Best", 12 ),
Formula(
If( Row() == 1,
:Actual Defect Category == :Predicted Default Category
)
),
Value Labels( {0 = "No", 1 = "Yes"} ),
Use Value Labels( 1 )
)
);
Si vous avez la puissance de l'ordinateur, vous pouvez sauter une étape et faire en sorte que les 35 000 premières lignes de votre tableau utilisent une fréquence d'échantillonnage, les 35 000 lignes suivantes utilisent une autre fréquence, et ainsi de suite.Ensuite, vous pouvez simuler toutes les valeurs à la fois pour remplir le tableau de la dernière capture d'écran à la fois.
Re: Recherche d'un calculateur de taille d'échantillon pour les proportions de défauts qui peut m'aider à optimiser la taille de l'échantillon avec une proportion minimale à détecter et les IC pour les proportions calculées.Pour faire bouillir un peu, vous pouvez penser à la catégorie de défaut avec la plus petite proportion, pour tous les autres, c'est mieux. Si tous les dix sont égaux, ce serait 0,1 (1 dixième). Si nous supposons que la proportion de la plus petite catégorie est par exemple de 0,01, vous pouvez utiliser le calculateur de taille et de puissance de l'échantillon (sous DOE -> Design Diagnostics).
Lorsque vous avez 1500 échantillons et avez besoin d'une puissance de 0,9 (c'est une valeur raisonnable), vous pouvez détecter une proportion supérieure à 2% par rapport à 1%. Si vous calculez avec 5000 échantillons, cela réduira à 1,5%. Avoir des proportions plus petites nécessite des échantillons de plus grande taille.
Veuillez consulter le manuel:
Un exemple de calculateur de proportion (jmp.com)
Re: Recherche d'un calculateur de taille d'échantillon pour les proportions de défauts qui peut m'aider à optimiser la taille de l'échantillon avec une proportion minimale à détecter et les IC pour les proportions calculées.Salut, étudiants_t!
Grand nom, au fait!
Comme vous le savez peut-être, il existe plusieurs façons de calculer les intervalles de confiance pour les proportions.
Je crois que les calculatrices JMP Sample Size and Power utilisent une approximation normale du binôme.Il existe des méthodes exactes et plusieurs autres méthodes approximatives.Je pense que JMP utilise les méthodes de score Wilson dans leurs autres plates-formes.
Veuillez trouver ci-joint une référence d'Agresti et Coull intitulée "Approximate is Better than" Exact "for Interval Estimation of Binomial Proportions" de The American Statistician en 1998.Cela montre essentiellement que la couverture garantie des intervalles de la méthode Exact est trop prudente, surtout lorsque vous approchez de 0 ou 1, et que certaines méthodes approchées sont meilleures que la méthode Exact et même d'autres méthodes approximatives.
Personnellement, j'utilise la méthode du score de Wilson.Mais le calculateur de taille et de puissance de l'échantillon utilise une méthode différente, il sera donc proche mais pas de cigare.
Donc, pour répondre à votre question, il vous faut définir quelle forme d'intervalle de confiance vous désirez.L'idée de simulation de @ih est un excellent.
