查看如何检查：
- 一个样本平均值的误差幅度
- 一个样本比例的误差幅度
- 一个样本方差的误差幅度
- 两个独立样本均值的误差幅度
- 两个独立的样本比例
- 两个独立样本方差的误差幅度
一个样本均值的功效
- N 次试验对设计实验的影响并比较结果
笔记：问答贯穿整个视频。
为什么使用DOE 的样本量探索器， JMP 16 中引入了？ 平衡我们的资源（不想运行太多测试）和期望的结果。这些结果取决于所需的信心和力量，以及一些测试的具体估计。回答问题，包括
- 我应该测试多少个单元？
- 我能发现我的治疗方法有什么不同吗？
- 需要多少个样本才能构造一个指定宽度的区间？
- 我必须测试多少个单元才能估计故障时间？
关于统计置信度
如果我们收集零件样本并对每个零件进行测量，我们就可以计算该特定样本的平均值和标准差。样本是从零件“总体”中抽取的，它有自己的真实平均值和真实标准差。我们无法知道真实的总体平均值和标准差（除非我们测量总体中的所有部分，这通常成本高昂。）样本平均值和标准差可能与总体平均值和标准差不同。标准差。我们希望对我们认为总人口平均值可能真实存在的一系列值进行限制。
为了确定这个范围，我们需要对我们的结果有一定的信心。该百分比可以是 0 到 100% 之间的任意百分比。通常选择 95%，但这取决于您的应用。因此，经过一些计算后，我们最终得到这样的陈述：“我们的 15 个零件样本的平均值为 13.1。我们有 95% 的置信度认为，这 15 个部分的真实总体平均值在 10.4 到 15.8 之间。这意味着 95% 的时间（或 20 次中有 19 次）我是对的。真实人口平均值确实在 10.4 到 15.8 之间。
剩下的 5% 的情况下（20 次中有 1 次）我们会错。真实总体平均值要么小于 10.4，要么大于 15.8。
请注意，如果我们再抽取 15 个零件的样本，我们将得到另一个答案。也许我们得到的样本平均值为 13.3，但样本标准差不同。现在我们的 95% 置信区间可能是 10.9 到 15.7。 如果我们再抽取一个样本，这次包含 30 个零件，我们可能会产生更严格的 95% 置信区间，例如 12.1 到 14.5。它更严格，因为凭借更大的样本量，我们可以更好地估计真实总体平均值和标准差。
关于统计功效
这通常涉及能够检测差异。 例如，我们想知道真实总体平均值是否为 15，是否在 +/- 1 个单位之内。 我们打算从总体中抽取 25 个部分作为样本。我们预计零件的标准偏差将为 1.0 个单位。 当我们估计总体的实际平均值时，我们希望估计值有 95% 的置信度。
我们假设真实总体平均值为 15 +/- 1 的情况有多少是正确的？这就是统计功效。在这种情况下，我们的正确率是 40%。因此，如果我们抽取多个样本，每个样本包含 5 个部分，并且每次都得出关于总体均值是否真正为 15 +/- 1 的结论，那么我们只有 40% 的时间是正确的。我们可以通过增加样本数量，或者通过扩大检测差异，或者通过降低我们对总体平均值估计的置信度。功效 = 正确拒绝原假设的概率。当零实际上为假时，我们通常只对功率感兴趣。
资源
- 关于统计的问题？考虑使用免费的在线 JMP统计知识门户。
- 样本量浏览器文档、统计解释和练习。
感谢您的澄清@calking ！
另外，当我审阅日记时，我发现视频中显示的“1 类和 2 类错误”图表中存在一些错误。我已经更正了所附日志和下图中的错误：
#JMP16、#Type_1_Type_2_Errors
会议期间有一个关于预期系数性质的问题；它们是按比例因子还是实际水平。 我可以从一位开发人员那里确认，他们参考了其模型中使用的缩放拟合模型（例如，保存预测公式并注意此处使用的因子居中和缩放）。
