什么是去到讲话关于今天是
A简单的介绍到样本尺寸思维。
然后出色地看在二例子;一，比较这意思是的二人口，
和这第二，看着在A学习和A部分终点，
和出色地裹向上和一些额外的想法。
A问题我是经常问是，什么样本尺寸做我需要？
一可能思考， “哦，那是简单的。 只是使用A样本尺寸计算器。”
但等待A第二。
为什么做联合管理计划称呼样本尺寸计算器探险家？
为什么是他们在这美国能源部菜单？ 哪个一做我使用？
出色地，让我们讲话关于一些样本尺寸基本。
A样本尺寸是计算出的事先的到跑步A学习。
A学习是一个实验设计的先的时间。
那是为什么他们是在这美国能源部菜单。
样本尺寸依靠在这目标的A学习。
我经常称呼这，是你制作A 5 美元决定或者A 50 美元百万决定？
是你看着在A监管清除，
A出版物，一个研发问题，或者A简单的勘探？
什么是这基本的终点的你的学习？ 什么是你试到展示？
如何是你的学习设计？ 什么是你的结果假设？
这些可能是基于在事先的知识，
A飞行员数据，或者经常，或者只是简单地猜测。
样本尺寸是A风险收益勘探。
那是为什么他们是被称为样本尺寸探险家。
你想到探索
如何不同的假设是去到影响你的样本尺寸。
现在，更多的是一般来说更好的，
但作为我们全部知道，更多的成本更多的，和更多的可能不是是可能的。
让我们开始和A简单的例子
的浆纱这学习为了比较二方法。
出色地在这合身是经过X平台，
和出色地看在这力量探险家为了二独立的样本方法。
这样本尺寸例子是基于在
A真实的情况在哪里A公司是在这研发阶段。
他们是正在做A样本收藏学习。 那可以是血，鼻的拭子，唾液。
有不基本的终点因为它是一个研发学习。
他们是仍然在这研发阶段，但他们需要A样本， A力量分析。
他们是问为了力量分析经过这实体那是考虑到
资金这项目。
如何能我们提供A力量分析没有A基本的输入？
出色地，最好的想法这里是一，
我们可以说， “嘿，我们不能做A力量分析，”
或者，会心那这资金实体想要A力量分析
到展示那我们已经想法关于这学习和我们已经想法关于如何许多人们
是询问他们到注册，我们可以产生A研究端点。
在那案件，是去到问， “能我区分这不同之处在方法
之间我的生病的和健康科目为了一些基本的生物标记？”
出色地使用这样本尺寸从这力量分析
和这预期的患病率的疾病到证明合法这数字
的科目,是请求到注册在这学习。
我需要到理解测试为了比较到独立的方法，
和我需要A计算器为了这力量的A测试到比较到独立的方法。
什么我喜欢到问我是如果我有数据，什么会我做？
如果我理解什么分析我是去到做，
那是去到帮助我决定什么样本尺寸我需要。
有时你会有飞行员数据，
和有时你能只是制作向上数据到帮助你数字出去
什么分析是你去到做和什么样本浆纱应该你做。
让我们拿A看在这。
我是去到打开A数据桌子，和这是只是生成的数据。
我有得到A生病的… 我有15生病的患者和15健康患者。
我是去到做A合身是经过X。
患病的做A夫妻的事物这里：我们的范围，我是去到抖动我的点,
我是去到跑步A T 检验，和我喜欢到看在这密度。
这是二例子的什么一些数据可能看喜欢。
在这左边是A相当分开人口
的结果，这生物标志物数字一。
这不同之处是关于2、2.5。
这些是生成的从A普通的分配
作为是这那些在这右手边。
这里，这不同之处是A小的较少的。
你能看在两个都地方,
我们会得出结论那有A不同之处之间这些二人口。
这一在这正确的存在更近一起
是更难到区分比这一在这左边。
我们用过的A T检验为了那。
现在这问题变成，
如何许多样品会我需要
如果我是去到跑步这实验？
再次，让我们看在那。
让我只是步通过我的工作流程建设者
所以它关闭向下我们的数据表。
美国能源部样本尺寸探索者 p华。
我想力量为了二独立的样本方法。
我拉那向上，你会看那有相当A很少事物到看在。
第一的，我们有这测试类型。 它是去到是双面的。
我们的Α是0.05,
和这团体人口标准偏差是不是假定到是已知。
是猜测在那些。
到计算我的样本尺寸，我需要到充满在这信息。
这是我的计算器部分。 我有二组。
我是去到开始超过这里在这右手边。
我有二团体标准偏差到放在估计为了。
我是去到认为那一团体是较少的多变的比这其他团体。
下一个，我需要到充满在这不同之处到探测。
这里，我是使用标准偏差单位，
和我是去到说我想到探测A一标准偏差单元不同之处。
下一个，我有得到正确的现在样本尺寸的30在每个团体
那给出我A非常高的力量。
我是去到降低这力量到90、
和我看那为了A力量的90到探测A不同之处的一
之间这些二团体，我需要A样本尺寸
的15科目在每个团体。
那似乎合理的。
现在，你能看在这些图形到看那
如何你的猜测，你的假设可能影响这力量的你的学习。
我们能看那这标准偏差有相当A少量的影响。
作为我的标准偏差增加，
所以我的数据变成更多的传播出去，我的力量减少。
它是去到是更难到探测这不同之处。
你能看是在A甜的点在这样本尺寸。
作为我增加这样本尺寸，
我的力量是去到增加，但不是可怕大大。
作为我减少，如果我去向下到关于10、
我的力量是去到去向下到关于八。
但让我们去后退到这观点现在。
我想关于15样品每团体。
在这实例，到得到15积极的样品
从A学习在哪里我是招生人们，
和如果我有A 10 %患病率速度
的疾病超过这学习时期，我会需要关于150科目。
如果这患病率曾是低的或者说，仅有的5%,然后我会需要300科目。
再次，样本尺寸是A风险益处计算，
所以我们想到考虑各种各样的样本尺寸。
全部正确的，现在到我们的第二例子。
这是浆纱A学习和A部分端点。
出色地使用这分配平台
和出色地使用这间隔探险家为了一样本部分。
这是基于在这问题的如何许多样品做我需要
到证明灵敏度和特异性为了监管归档？
我做A很多的工作在诊断。
在诊断，灵敏度是简单地这部分的积极的案例
那你的测试来电积极的，和这特异性是这部分
的消极的案例那你的测试来电消极的。
我们一般来说计算样本尺寸为了每个的这些指标单独地，
和然后我们添加为了这全部的样本尺寸为了A回顾性的学习
在哪里我有已经得到样品，也许在A冰箱或者从A伙伴，
和我是只是去到拉出去这那些那我需要。
为了A预期学习，再次，我们会使用这患病率
到计算这全部的数字的科目到注册，
相似地作为我们做过在这最后的例子。
再次，我们需要一些初步的信息。
这目标的这学习是A监管归档，
所以A高的等级的证据是需要。
然后这特别的行业部门，我需要到证明
那这降低信心限制为了灵敏度和特异性
是更大比80 %。
这学习设计是A回顾性的学习。
它是A审查的CT扫描。
这假设是那这灵敏度的识别
这结果是0.9和特异性是0.85。
我需要到理解这信心间隔作为一个结果，
和我需要A计算器为了信心间隔为了部分。
再次，这问题，如果我有数据，什么会我做？
让我们看在那。
再次，我生成的一些数据。
我有A参考标准在哪里我有关于145消极的样品
和144积极的案例或者样品。
然后我有这测试结果，积极的和消极的。
你能看他们是不是完美的。
一些的这案例那这测试来电消极的是实际上积极的，
和一些的这案例那这测试来电积极的是实际上消极的。
如何会我看在这？
出色地，我可以制表它
和来向上和这%的积极的案例那这测试来电积极的
和这%的消极的案例那这测试来电消极的。
但我想信心间隔。
我是去到使用这分配平台，
和我是去到看在这部分在这测试案例经过这参考案件。
再次，让我们添加…
我们想到添加，对不起，错误的红色的三角形菜单。
我们想到添加信心间隔，
和我握住向下我的控制钥匙到播送那些。
现在我能看和看什么是去在这里。
为了这案例那经过这参考是积极的，
这新的方法来电135的那些积极的，所以93.75,
和我有我的信心间隔那去从88-96.6
你会看这笔记这里那说，计算的使用分数信心间隔。
然后这事物到笔记这里
是那A分数信心间隔是不是对称。
我们能看在那。
这里我生成的A形象的，
和你能看那什么时候是在这低的结尾，
所以A可能性的0.1,
你能看那这上信心限制是更高
作为比较的到这观点估计比这降低信心间隔。
这观点估计是不是居中在这中间的这些信心间隔。
那是只是这自然的这核信心间隔。
这问题现在是，
如何许多样品做我需要到展示那
我的降低信心限制是在至少0.8,给定这假设的这里
我们有为了灵敏度，哪个是这积极的边，
那我们是去到是更大比0.9,和在这消极的边
那我们是去到是更大比0.85。
这里我们能看那在0.85,我的降低信心限制是仅有的0.78。
我会需要A很少更多的样品在命令到
展示那我的降低信心限制是更大比0.8。
再次，这问题是现在那我理解什么我是看着为了
是如何很多数据应该我收集？
让我们去到美国能源部样本尺寸探险家，
信心间隔为了一样本部分。
让我们放在这例子这里。
让我们放在我们的部分的0.9375,
和这样本尺寸那我们有用过的这里，哪个曾是144.
我有左边这间隔类型作为双面,
信心间隔，信心等级是95 %。
和这样本尺寸的144、如果我的部分来了出去到是93.75,
我的利润的错误是0.04。
好吧，好吧，什么是利润的错误？
利润的错误是这一半宽度的这信心间隔。
如果它曾是A对称的信心间隔，
它会是你的加或者减价值超过你的观点估计。
但在这案件的A分数信心间隔，
和那是什么这计算器是基于在，
这是这一半宽度的你的信心间隔。
但我们能看那…
和这93.75,这利润的错误的0.04,
它是不是简单地A减0.04从这93.75
因为我们注意到那什么时候我们做过这计算
那我们的降低信心限制曾是0.88。
这样本尺寸是更多的比充足的为了什么我们需要。
我们仅有的需要的A信心限制的0.8。让我们做那计算。
让我们放在我们的假定价值的0.9,
和让我们放在A利润的错误的，说， 0.08。
我们知道那0.1是去到低估我们的样本尺寸。
如果我们做这和我们说，全部正确的，为了A部分的0.9,
利润的错误是0.08,我们的样本尺寸，它说，是56.
好的，出色地，让我们再检查一遍那。
到做那，
我建A计算器
在哪里我能放在我的假定部分和我能放在这价值的56.
如果我跑步这分配，
和什么我做过这里是我有一个结果的一和零，和我有A频率。
如果我重新启动这，
我使用这结果和我使用这频率柱子
到给我这分配作为如果我有51 年代和六零点在我的数据文件。
出色地，什么做那看喜欢？
和A样本尺寸的56、
A部分的关于0.9,我的降低信心限制，
使用A分数信心间隔是0.78。
这样本尺寸的56给出我这精确那我问为了，
这利润的错误的0.08,但它不相当给我
这降低限制在这信心间隔那我需要为了这情况。
让我们放在A轻微地更大样本尺寸。
让我们制作这65.
那给出我A利润的错误的0.074,哪个是轻微地更紧比这0.08,
和让我们看什么那看起来喜欢在我的分数信心间隔。
如果我做那，现在我看那我的降低信心限制是多于这0.8。
这观点的这曾是不是到…
这观点的这曾是真的到展示你那它是重要的到理解
什么它是你是试到展示，和它是重要的到理解
什么是它那你的样本尺寸计算器是提供到你。
那里是样本尺寸计算器全部超过这互联网。
然后在杰普,我们有A所有的屠杀的样本尺寸计算器，
探险家到看在。
它是重要的到理解什么是你的终点，
什么是你试到解决，和什么是它那你的计算器
是计算为了你。
一次你做那，然后你是更好的知情的
为了制作决定作为到如何许多样品做你真的需要。
让我们结束向上和只是A很少简短的评论在额外的主题。
其他方法那你能得到在样本尺寸。
一是模拟。
你能使用飞行员数据到定义分布，
使用随机的数字发电机到产生A学习基于在那些分布。
然后你能分析那数据到看如果你的终点是遇见了。
是它遇见了？ 是的或者不？
然后你能重复那一些大的数字的次
和计算这部分的次，你的终点是遇见了。
在A感觉，你的力量。
如何可能是你到见面你的终点给定你的假设？
我喜欢到做那。 模拟是有用。
再次，然而，它是全部基于在你的假设。
如果你的假设是错误的，你的样本尺寸可能不是是大的足够的。
其他事物那经常发生是那我们有到制作
这最好的分配的什么我们有。
我们可能有1,000样品在这冰箱
和我们知道什么他们的结果是和我们想到测试他们在A新的测试
或者我们想到发展A新的测试。
如何许多能我们使用到火车一个算法？
如何许多做我们需要到使用到证实那算法？
有时我们有到拿这样本数字那我们有。
使用这样本尺寸探险家到评价什么你可能是有能力的到得出结论，
和然后使用那些发现到决定如果什么你有是充足的到继续
和这实验
和这发展的你的测试或者产品。
那是什么我有在样本尺寸。 它是更多的比A数字。
它是基于在什么它是你是试到决定
和如何你是去到分析这数据一次你得到那数据。
它是一个勘探，你想到拿进入帐户
如何做那些假设那你制作影响那些样本尺寸
和树篱你的赌注为了A伟大的结果。
感谢你，和那是它。
