Qué eran yendo a hablar acerca de hoy es
a simple introducción a muestra tamaño pensamiento.
Entonces Bueno mirar en dos ejemplos; uno, comparando el significar de dos poblaciones,
y el segundo, mirando en a estudiar con a proporción punto final,
y Bueno envoltura arriba con alguno adicional pensamientos.
A pregunta Soy a menudo preguntó es, qué muestra tamaño hacer I ¿necesidad?
Uno podría pensar, "Oh, eso es fácil. Justo usar a muestra tamaño calculadora."
Pero esperar a segundo.
Por qué hace JMP llamar muestra tamaño calculadoras exploradores?
Por qué son ellos en el GAMA ¿menú? Cual uno hacer I ¿usar?
Bien, vamos hablar acerca de alguno muestra tamaño lo esencial.
A muestra tamaño es calculado previo a correr a estudiar.
A estudiar es un experimento diseñado adelante de tiempo.
Eso es por qué ellos son en el GAMA menú.
Muestra tamaño depende en el meta de a estudiar.
I a menudo llamar este, son tú haciendo a $5 decisión o a $50 millón ¿decisión?
Son tú mirando en a regulador autorización,
a publicación, un I+D pregunta, o a simple ¿exploración?
Qué el primario punto final de su ¿estudiar? Qué son tú intentando a ¿espectáculo?
Cómo es su estudiar ¿diseño? Qué son su resultado ¿suposiciones?
Estos podría ser basado en previo conocimiento,
a piloto datos, o a menudo, o justo simplemente adivinación.
Muestra tamaño es a riesgo-beneficio exploración.
Eso es por qué ellos son llamado muestra tamaño exploradores.
Tú desear a explorar
cómo diferente suposiciones son yendo a impacto su muestra tamaño.
Ahora, más es generalmente mejor,
pero como nosotros todo saber, más costos más, y más podría no ser posible.
vamos comenzar con a simple ejemplo
de dimensionamiento el estudiar para comparando dos medio.
Bien en el Adaptar Y por X plataforma,
y Bueno mirar en el Fuerza Explorador para dos independiente muestra medio.
Este muestra tamaño ejemplo es basado en
a real situación dónde a compañía es en el I+D fase.
Ellos son haciendo a muestra recopilación estudiar. Eso podría ser sangre, nasal hisopos, saliva.
hay No primario punto final porque es un I+D estudiar.
Ellos son aún en el I+D fase, pero ellos necesidad a muestra, a fuerza análisis.
Ellos eran preguntó para fuerza análisis por el entidad eso es considerando
fondos el proyecto.
Cómo poder nosotros proporcionar a fuerza análisis sin a primario ¿aporte?
Bien, mejor pensamiento aquí es uno,
nosotros podría decir, "Ey, nosotros no poder hacer a fuerza análisis,"
o, conocimiento eso el fondos entidad quiere a fuerza análisis
a espectáculo eso hemos pensamiento acerca de el estudiar y hemos pensamiento acerca de cómo muchos gente
eran preguntando a ellos a inscribirse, nosotros podría generar a investigación punto final.
En eso caso, eran yendo a preguntar, "Poder I distinguir el diferencia en medio
entre mi enfermo y saludable asignaturas para alguno primario biológico ¿marcadores?"
Bien usar el muestra tamaño de el fuerza análisis
y el esperado predominio de enfermedad a justificar el número
de asignaturas, eran solicitando a inscribirse en el estudiar.
I necesidad a entender prueba para comparando a independiente medio,
y I necesidad a calculadora para el fuerza de a prueba a comparar a independiente medio.
Qué I como a preguntar mí mismo es si I tenía datos, qué haría I ¿hacer?
Si I entender qué análisis Soy yendo a hacer,
eso es yendo a ayuda a mí determinar qué muestra tamaño I necesidad.
A veces tu lo harás tener piloto datos,
y a veces tú poder justo hacer arriba datos a ayuda tú cifra afuera
qué análisis son tú yendo a hacer y qué muestra dimensionamiento debería tú hacer.
vamos llevar a mirar en este.
Soy yendo a abierto a datos mesa, y este es justo generado datos.
He consiguió a enfermo… I tener 15 enfermo pacientes y 15 saludable pacientes.
Soy yendo a hacer a Adaptar Y por X.
Enfermo hacer a pareja de cosas aquí: nuestro rango, Soy yendo a estar nervioso mi puntos,
Soy yendo a correr a prueba T, y I como a mirar en el densidades.
Aquí está dos ejemplos de qué alguno datos podría mirar como.
En el izquierda es a equitativamente apartado poblaciones
de resultados, el biomarcador número uno.
El diferencia es acerca de 2, 2.5.
Estos eran generado de a normal distribución
como eran el unos en el mano derecha lado.
Aquí, el diferencia es a pequeño menos.
Tú poder ver en ambos lugares,
nosotros haría concluir eso hay a diferencia entre estos dos poblaciones.
El uno en el bien ser cerca juntos
es más difícil a diferenciar que el uno en el izquierda.
Nosotros usado a prueba T para eso.
Ahora el pregunta se convierte,
cómo muchos muestras haría I necesidad
si Soy yendo a correr este ¿experimento?
De nuevo, vamos mirar en eso.
Dejar a mí justo paso a través de mi Flujo de trabajo Constructor
entonces él cierra abajo nuestro datos mesas.
GAMA Muestra Tamaño Explorador p poder.
I desear fuerza para dos independiente muestra medio.
I jalar eso arriba, tu lo harás ver eso hay bastante a pocos cosas a mirar en.
Primero, nosotros tener el prueba tipo. Es yendo a ser bilateral.
Nuestro Alfa es 0,05,
y el grupo población estándar desviaciones son no ficticio a ser conocido.
Eran adivinación en aquellos.
A calcular mi muestra tamaño, I necesidad a llenar en este información.
Este es mi calculadora parte. I tener dos grupos.
Soy yendo a comenzar encima aquí en el mano derecha lado.
I tener dos grupo estándar desviaciones a poner en estimados para.
Soy yendo a asumir eso uno grupo es menos variable que el otro grupo.
Próximo, I necesidad a llenar en el diferencia a detectar.
Aquí, Soy usando estándar desviación unidades,
y Soy yendo a decir I desear a detectar a uno estándar desviación unidad diferencia.
Próximo, He consiguió bien ahora muestra tamaño de 30 en cada grupo
eso da a mí a muy alto fuerza.
Soy yendo a más bajo este fuerza a 90,
y I ver eso para a fuerza de 90 a detectar a diferencia de uno
entre estos dos grupos, I necesidad a muestra tamaño
de 15 asignaturas en cada grupo.
Eso parece razonable.
Ahora, tú poder mirar en estos gráficos a ver eso
cómo su suposiciones, su suposiciones podría impacto el fuerza de su estudiar.
Nosotros poder ver eso el estándar desviaciones tener bastante a poco de impacto.
Como mi estándar desviación aumenta,
entonces mi datos se convierte más desparramar afuera, mi fuerza disminuye.
Es yendo a ser más difícil a detectar este diferencia.
Tú poder ver eran en a dulce lugar en el muestra tamaño.
Como I aumentar el muestra tamaño,
mi fuerza es yendo a aumentar, pero no terriblemente muy.
Como I disminuir, si I fue abajo a acerca de 10,
mi fuerza es yendo a ir abajo a acerca de ocho.
Pero vamos ir atrás a el punto ahora.
I desear acerca de 15 muestras por grupo.
En este instancia, a conseguir 15 positivo muestras
de a estudiar dónde Soy inscribirse gente,
y si I tener a 10 % predominio tasa
de enfermedad encima el estudiar período, I haría necesidad acerca de 150 asignaturas.
Si el predominio era bajo o decir, solo 5%, entonces I haría necesidad 300 asignaturas.
De nuevo, muestra tamaño es a riesgo beneficio cálculo,
entonces nosotros desear a considerar varios muestra tamaños.
Todo bien, ahora a nuestro segundo ejemplo.
Este es dimensionamiento a estudiar con a proporción punto final.
Bien usar el distribución plataforma
y Bueno usar el Intervalo Explorador para uno muestra proporción.
Este es basado en el pregunta de cómo muchos muestras hacer I necesidad
a demostrar sensibilidad y especificidad para regulador ¿presentación?
I hacer a lote de trabajar en diagnóstico.
En diagnóstico, sensibilidad es simplemente el proporción de positivo casos
eso su prueba llamadas positivo, y el especificidad es el proporción
de negativo casos eso su prueba llamadas negativo.
Nosotros generalmente calcular muestra tamaño para cada de estos métrica individualmente,
y entonces nosotros agregar para el total muestra tamaño para a retrospectivo estudiar
dónde He ya consiguió muestras, tal vez en a congelador o de a pareja,
y Soy justo yendo a jalar afuera el unos eso I necesidad.
Para a futuro estudiar, de nuevo, nosotros haría usar el predominio
a calcular el total número de asignaturas a inscribirse,
similarmente como nosotros hizo en el último ejemplo.
De nuevo, nosotros necesidad alguno preliminar información.
El meta de este estudiar es a regulador presentación,
entonces a alto nivel de evidencia es necesario.
Entonces este particular industria sector, I necesidad a demostrar
eso el más bajo confianza límite para sensibilidad y especificidad
es mayor que que 80 %.
El estudiar diseño es a retrospectivo estudiar.
Es a revisar de Connecticut escanear .
El suposiciones son eso el sensibilidad de identificando
el resultado es 0,9 y especificidad es 0,85.
I necesidad a entender el confianza intervalo como un resultado,
y I necesidad a calculadora para confianza intervalo para proporción.
De nuevo, el pregunta, si I tenía datos, qué haría I ¿hacer?
vamos mirar en eso.
De nuevo, I generado alguno datos.
I tener a referencia estándar dónde I tenía acerca de 145 negativo muestras
y 144 positivo casos o muestras.
Entonces I tener el prueba resultados, positivo y negativo.
Tú poder ver ellos son no perfecto.
Alguno de el casos eso el prueba llamadas negativo son de hecho positivo,
y alguno de el casos eso el prueba llamadas positivo son de hecho negativo.
Cómo haría I mirar en ¿este?
Bien, I podría tabular él
y venir arriba con el % de positivo casos eso el prueba llamadas positivo
y el % de negativo casos eso el prueba llamadas negativo.
Pero I desear confianza intervalos.
Soy yendo a usar el distribución plataforma,
y Soy yendo a mirar en el proporción en el prueba casos por el referencia caso.
De nuevo, vamos agregar…
Nosotros desear a agregar, Lo siento, equivocado rojo triángulo menú.
Nosotros desear a agregar confianza intervalos,
y I sostuvo abajo mi Control llave a transmisión aquellos.
Ahora I poder mirar y ver qué yendo en aquí.
Para el casos eso por el referencia son positivo,
el nuevo método llamadas 135 de aquellos positivo, entonces 93,75,
y I tener mi confianza intervalo eso va de 88-96,6
usted ver este nota aquí eso dice, calculado usando puntaje confianza intervalos.
Entonces el cosa a nota aquí
es eso a puntaje confianza intervalo es no simétrico.
Nosotros poder mirar en eso.
Aquí I generado a gráfico,
y tú poder ver eso cuando eran en el bajo fin,
entonces a probabilidad de 0,1,
tú poder ver eso el superior confianza límite es más alto
como comparado a el punto estimar que el más bajo confianza intervalo.
El punto estimados son no centrado en el medio de estos confianza intervalos.
Eso es justo el naturaleza de este centro confianza intervalo.
El pregunta ahora es,
cómo muchos muestras hacer I necesidad a espectáculo eso
mi más bajo confianza límite es en el menos 0,8, dado el suposiciones de aquí
nosotros tenía para sensibilidad, cual es el positivo lado,
eso nosotros eran yendo a ser mayor que que 0,9, y en el negativo lado
eso nosotros eran yendo a ser mayor que que 0,85.
Aquí nosotros poder ver eso en 0,85, mi más bajo confianza límite es solo 0,78.
I haría necesidad a pocos más muestras en orden a
espectáculo eso mi más bajo confianza límite es mayor que que 0.8.
De nuevo, el pregunta es ahora eso I entender qué Soy mirando para
es cómo mucho datos debería I ¿recolectar?
vamos ir a GAMA Muestra Tamaño Explorador,
confianza intervalos para uno muestra proporción.
vamos poner en este ejemplo aquí.
vamos poner en nuestro proporción de 0,9375,
y el muestra tamaño eso nosotros tenía usado aquí, cual era 144.
I tenía izquierda el intervalo tipo como bilateral,
confianza intervalos, confianza nivel es 95 %.
Con el muestra tamaño de 144, si mi proporción llega afuera a ser 93,75,
mi margen de error es 0,04.
Esta bien, qué margen de ¿error?
Margen de error es el medio ancho de el confianza intervalo.
Si él era a simétrico confianza intervalo,
él haría ser su más o menos valor encima su punto estimar.
Pero en el caso de a puntaje confianza intervalo,
y eso es qué este calculadora es basado en,
este es el medio ancho de su confianza intervalo.
Pero nosotros poder ver eso…
Con el 93,75, el margen de error de 0,04,
es no simplemente a menos 0,04 de este 93,75
porque nosotros observó eso cuando nosotros hizo este cálculo
eso nuestro más bajo confianza límite era 0,88.
Este muestra tamaño es más que suficiente para qué nosotros necesario.
Nosotros solo necesario a confianza límite de 0.8. vamos hacer eso cálculo.
vamos poner en nuestro ficticio valor de 0,9,
y vamos poner en a margen de error de, decir, 0,08.
Nosotros saber eso 0.1 es yendo a subestimar nuestro muestra tamaño.
Si nosotros hacer este y nosotros decir, todo bien, para a proporción de 0,9,
margen de error es 0,08, nuestro muestra tamaño, él dice, es 56.
Bueno, Bueno, vamos Doble verificación eso.
A hacer eso,
I construido a calculadora
dónde I poder poner en mi ficticio proporción y I poder poner en este valor de 56.
Si I correr este distribución,
y qué I hizo aquí es I tener un resultado de uno y cero, y I tener a frecuencia.
Si I relanzar este,
I usar el resultado y I usar el frecuencia columna
a dar a mí el distribución como si I tenía 51 y seis ceros en mi datos archivo.
Bien, qué hace eso mirar ¿como?
Con a muestra tamaño de 56,
a proporción de acerca de 0,9, mi más bajo confianza límite,
usando a puntaje confianza intervalo es 0,78.
Este muestra tamaño de 56 da a mí el precisión eso I preguntó para,
el margen de error de 0,08, pero él no bastante dar a mí
el más bajo límite en este confianza intervalo eso I necesidad para este situación.
vamos poner en a levemente más grande muestra tamaño.
vamos hacer este sesenta y cinco.
Eso da a mí a margen de error de 0,074, cual es levemente más apretado que el 0,08,
y vamos ver qué eso aspecto como en mi puntaje confianza intervalo.
Si I hacer eso, ahora I ver eso mi más bajo confianza límite es arriba el 0.8.
El punto de este era no a…
El punto de este era en realidad a espectáculo tú eso es importante a entender
qué él es estás intentando a espectáculo, y es importante a entender
qué es él eso su muestra tamaño calculadora es Proporcionar a tú.
Allá son muestra tamaño calculadoras todo encima el Internet.
Entonces en JMP, nosotros tener a entero montón de muestra tamaño calculadoras,
exploradores a mirar en.
Es importante a entender qué es su punto final,
qué son tú intentando a resolver, y qué es él eso su calculadora
es calculador para tú.
Una vez tú hacer eso, entonces estás mejor informado
para haciendo decisiones como a cómo muchos muestras hacer tú en realidad necesidad.
vamos finalizar arriba con justo a pocos breve comentarios en adicional temas.
Otro maneras eso tú poder conseguir en muestra tamaño.
Uno es simulación.
Tú poder usar piloto datos a definir distribuciones,
usar aleatorio número generadores a generar a estudiar basado en aquellos distribuciones.
Entonces tú poder analizar eso datos a ver si su punto final es reunió.
Es él ¿reunió? Sí o ¿No?
Entonces tú poder repetir eso alguno grande número de veces
y calcular el parte de veces, su punto final es reunió.
En a sentido, su fuerza.
Cómo probable son tú a encontrarse su punto final dado su ¿suposiciones?
I como a hacer eso. Simulación es útil.
De nuevo, sin embargo, es todo basado en su suposiciones.
Si su suposiciones son equivocado, su muestra tamaño puede no ser grande suficiente.
Otro cosa eso a menudo sucede es eso nosotros tener a hacer
el mejor asignaciones de qué nosotros tener.
Nosotros puede tener 1.000 muestras en el congelador
y nosotros saber qué su resultados son y nosotros desear a prueba a ellos en a nuevo prueba
o nosotros desear a desarrollar a nuevo prueba.
Cómo muchos poder nosotros usar a tren un ¿algoritmo?
Cómo muchos hacer nosotros necesidad a usar a validar eso ¿algoritmo?
A veces nosotros tener a llevar el muestra números eso nosotros tener.
Usar el muestra tamaño exploradores a evaluar qué tú podría ser capaz a concluir,
y entonces usar aquellos recomendaciones a decidir si qué tú tener es suficiente a proceder
con el experimentos
y el desarrollo de su prueba o producto.
Eso es qué I tener en muestra tamaño. Es más que a número.
Es basado en qué él es estás intentando a decidir
y cómo estás yendo a analizar el datos una vez tú conseguir eso datos.
Es un exploración, tú desear a llevar en cuenta
cómo hacer aquellos suposiciones eso tú hacer impacto aquellos muestra tamaños
y cobertura su apuestas para a excelente resultado.
Agradecer tú, y eso es él.
