Alla ricerca di un calcolatore della dimensione del campione per le proporzioni dei difetti che possa aiutarmi a ottimizzare la dimensione del campione con una proporzione minima da rilevare e gli elementi della configurazione per le proporzioni calcolate.Caso d'uso:
35.000 difetti rilevati da una macchina su un wafer. Un operatore campiona 1500 immagini e le ordina in 10 categorie. Le percentuali delle categorie di difetti devono riflettere i difetti nella popolazione di 35.000. In questo caso sono state utilizzate 1500 immagini ma cosa succede quando vengono utilizzate le 5000 immagini?
Che effetto ha sugli intervalli di confidenza sulle proporzioni. Quando il campionamento si riduce, alcune delle proporzioni basse non saranno rilevabili. Come si determina la proporzione più bassa rilevabile per una data dimensione del campione.
Qualche idea se ci sono calcolatori o strumenti che possono aiutare con questo?
AnalyticsAltroOggetto: Alla ricerca di un calcolatore della dimensione del campione per le proporzioni dei difetti che possa aiutarmi a ottimizzare la dimensione del campione con una proporzione minima da rilevare e gli elementi della configurazione per le proporzioni calcolate.Potresti essere in grado di replicare questo esperimento all'interno di JMP.In tal caso, e se si dispone di JMP Pro, è possibile eseguire una simulazione Monte Carlo per valutare le diverse dimensioni del campione e la velocità di rilevamento per ciascuno.Questa sarebbe un'alternativa ai metodi statistici più puri che sono sicuro esistono.
Considera una tabella di 35.000 righe (una riga per difetto) con:
- Una colonna di dati casuali che rappresenta la categoria effettiva per ciascun difetto, ponderata con alcune categorie più importanti di altre per rappresentare i dati effettivi.Questa parte richiede molta attenzione e riflessione, è necessaria per rappresentare le distribuzioni che potrebbero richiedere le tue categorie. Potrebbe essere necessario scegliere a caso da una varietà di distribuzioni.
- Una colonna della dimensione del campione, dove la prima riga indica quante righe campionare
- Una colonna che "seleziona" il numero di righe prescritto
- Una colonna con le categorie "rilevate" per ciascuna delle righe campionate
- Una colonna per verificare se la categoria effettiva più comune corrisponde alla categoria rilevata più comune (utilizzare solo la prima riga della colonna)
Utilizzare la piattaforma di distribuzione e includere sia la prima colonna (categoria di difetto effettivo) sia l'ultima colonna (se è stata identificata la categoria di difetto corretta).Sotto le frequenze per la colonna della categoria corretta, dovresti vedere un singolo valore.Ora per la magia di JMP: fai clic con il pulsante destro del mouse su un valore nella tabella e seleziona simula. Scambia la colonna della categoria effettiva del difetto per se stessa. Quando viene eseguita, verrà visualizzata una nuova tabella in cui ogni riga rappresenta l'ora in cui la tabella originale è stata ricalcolata, fornendo ogni volta una nuova serie di difetti da analizzare.Registrare la frazione di valori "sì", quindi ripetere con campioni di dimensioni diverse.Quindi puoi rappresentare graficamente la frazione di diagnosi corrette rispetto alla dimensione del campione.
Ricorda, tutto ciò dipende da quel primo punto, che rappresenta i risultati effettivi utilizzando una simulazione.
Ecco un esempio di come potrebbe apparire la tua tabella di simulazione con una dimensione del campione di 20, supponendo che una categoria di difetti sia il doppio delle dimensioni di tutte le altre:
Ecco la tabella dei risultati della simulazione, qui usando solo 100 righe (consiglio di usare 1000):
Puoi registrarlo in una tabella e poi ripetere con altri valori per trovare il tuo livello di rischio accettabile:
Ecco uno script per creare la tabella in alto sopra:
Vedi di più ...
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 )
)
);
Se si dispone della potenza del computer, è possibile saltare un passaggio e fare in modo che le prime 35.000 righe della tabella utilizzino una frequenza di campionamento, le successive 35.000 righe utilizzino un'altra frequenza e così via.Quindi puoi simulare tutti i valori contemporaneamente per popolare la tabella nell'ultimo screenshot contemporaneamente.
Oggetto: Alla ricerca di un calcolatore della dimensione del campione per le proporzioni dei difetti che possa aiutarmi a ottimizzare la dimensione del campione con una proporzione minima da rilevare e gli elementi della configurazione per le proporzioni calcolate.Per farla bollire un po ', puoi pensare alla categoria di difetto con la proporzione più piccola, per tutte le altre è meglio. Se tutti e dieci sono uguali, questo sarebbe 0,1 (1 decimo). Se assumiamo che la proporzione della categoria più piccola sia ad es. 0,01, è possibile utilizzare il calcolatore di dimensioni e potenza del campione (in DOE -> Diagnostica di progetto).
Quando hai 1500 campioni e hai bisogno di una potenza di 0,9 (questo è un valore ragionevole), potresti rilevare una proporzione maggiore del 2% rispetto all'1%. Se calcoli con 5000 campioni, questo si ridurrà all'1,5%. Avendo proporzioni più piccole, necessita di campioni di dimensioni maggiori.
Si prega di consultare il manuale:
Un calcolatore proporzionale di esempio (jmp.com)
Oggetto: Alla ricerca di un calcolatore della dimensione del campione per le proporzioni dei difetti che possa aiutarmi a ottimizzare la dimensione del campione con una proporzione minima da rilevare e gli elementi della configurazione per le proporzioni calcolate.Ciao, students_t!
Gran nome, comunque!
Come forse saprai, esistono più di un modo per calcolare gli intervalli di confidenza per le proporzioni.
Credo che i calcolatori JMP Sample Size And Power utilizzino un'approssimazione normale al binomio.Esistono metodi esatti e anche molti altri metodi approssimativi.Penso che JMP utilizzi i metodi di punteggio Wilson nelle altre piattaforme.
In allegato, si trova un riferimento di Agresti e Coull intitolato "Approximate is Better than 'Exact' for Interval Estimation of Binomial Proportions" da The American Statistician nel 1998.Fondamentalmente fa il caso che la copertura garantita degli intervalli dal metodo Exact sia eccessivamente conservativa, specialmente quando ci si avvicina a 0 o 1, e che alcuni metodi approssimativi sono migliori del metodo Exact e persino di altri metodi approssimativi.
Personalmente, utilizzo il metodo del punteggio di Wilson.Ma il calcolatore delle dimensioni e della potenza del campione utilizza un metodo diverso, quindi sarà vicino ma nessun sigaro.
Quindi, per rispondere alla tua domanda, è necessario che tu definisca quale forma di intervalli di confidenza desideri.L'idea di simulazione di @ih è fantastico.
