什麼是去到演講關於今天是
A簡單的介紹到樣本尺寸思維。
然後出色地看在二例子;一，比較這意思是的二人口，
和這第二，看著在A學習和A部分終點，
和出色地裹向上和一些額外的想法。
A問題我是常問是，什麼樣本尺寸做我需要？
一可能思考， 「哦，那是簡單的。 只是使用A樣本尺寸計算機."
但等待A第二。
為什麼做聯合管理計劃稱呼樣本尺寸計算機探險家？
為什麼是他們在這美國能源部菜單？ 哪個一做我使用？
出色地，讓我們演講關於一些樣本尺寸基本。
A樣本尺寸是計算出的事先的到跑步A學習。
A學習是一個實驗設計的先的時間。
那是為什麼他們是在這美國能源部菜單。
樣本尺寸依靠在這目標的A學習。
我常稱呼這，是你製作A 5 美元決定或者A 50 美元百萬決定？
是你看著在A監管清除，
A出版品,一個研發問題，或者A簡單的勘探？
什麼是這基本的終點的你的學習？ 什麼是你試到展示？
如何是你的學習設計？ 什麼是你的結果假設？
這些可能是基於在事先的知識，
A飛行員數據，或者經常，或者只是簡單地猜測。
樣本尺寸是A風險收益勘探。
那是為什麼他們是被稱為樣本尺寸探險家。
你想到探索
如何不同的假設是去到影響你的樣本尺寸。
現在，更多的是一般來說更好的，
但作為我們全部知道，更多的成本更多的，和更多的可能不是是可能的。
讓我們開始和A簡單的例子
的漿紗這學習為了比較二方法。
出色地在這合身是經過X平台，
和出色地看在這力量探險家為了二獨立的樣本方法。
這樣本尺寸例子是基於在
A真實的情況在哪裡A公司是在這研發階段。
他們是正在做A樣本收藏學習。 那可以是血，鼻的拭子，唾液。
有不基本的終點因為它是一個研發學習。
他們是仍然在這研發階段，但他們需要A樣本， A力量分析。
他們是問為了力量分析經過這實體那是考慮到
資金這專案.
如何能我們提供A力量分析沒有A基本的輸入？
出色地，最好的想法這裡是一，
我們可以說， 「嘿，我們不能做A力量分析，”
或者，會心那這資金實體想要A力量分析
到展示那我們已經想法關於這學習和我們已經想法關於如何許多人們
是詢問他們到註冊，我們可以產生A研究端點。
在那案件，是去到問， 「能我區分這不同之處在方法
之間我的生病的和健康科目為了一些基本的生物標記？”
出色地使用這樣本尺寸從這力量分析
和這預期的盛行率的身體不適到證明合法這數位
的科目,是請求到註冊在這學習。
我需要到理解測試為了比較到獨立的方法，
和我需要A計算機為了這力量的A測試到比較到獨立的方法。
什麼我喜歡到問我是如果我有數據，什麼會我做？
如果我理解什麼分析我是去到做，
那是去到幫助我決定什麼樣本尺寸我需要。
有時你會有飛行員數據，
和有時你能只是製作向上數據到幫助你數位出去
什麼分析是你去到做和什麼樣本漿紗應該你做。
讓我們拿A看在這。
我是去到打開A數據桌子，和這是只是產生的數據。
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合身是經過X。
患病的做A夫妻的事物這裡：我們的範圍，我是去到抖動我的點,
我是去到跑步A T 檢驗，和我喜歡到看在這密度。
這是二例子的什麼一些數據可能看喜歡。
在這左邊是A相當分開人口
的結果，這生物標誌物數位一。
這不同之處是關於2、2.5。
這些是產生的從A普通的分配
作為是這那些在這右手邊。
這裡，這不同之處是A小的較少的。
你能看在兩個都地方,
我們會得出結論那有A不同之處之間這些二人口。
這一在這正確的存在更近一起
是更難到區分比這一在這左邊。
我們用過的A T檢驗為了那。
現在這問題變成，
如何許多樣品會我需要
如果我是去到跑步這實驗？
再次，讓我們看在那。
讓我只是步透過我的工作流程建設者
所以它關閉向下我們的數據表。
美國能源部樣本尺寸探索者 p華。
我想力量為了二獨立的樣本方法。
我拉那向上，你會看那有相當A很少事物到看在。
第一的，我們有這測試類型。 它是去到是雙面的。
我們的Α是0.05,
和這團體人口標準偏差是不是假定到是已知。
是猜測在那些。
到計算我的樣本尺寸，我需要到充滿在這資訊.
這是我的計算機部分。 我有二組。
我是去到開始超過這裡在這右手邊。
我有二團體標準偏差到放在估計為了。
我是去到認為那一團體是較少的多變的比這其他團體。
下一個，我需要到充滿在這不同之處到探測。
這裡，我是使用標準偏差單位，
和我是去到說我想到探測A一標準偏差單元不同之處。
下一個，我有得到正確的現在樣本尺寸的30在每個團體
那給出我A非常高的力量。
我是去到降低這力量到90、
和我看那為了A力量的90到探測A不同之處的一
之間這些二團體，我需要A樣本尺寸
的15科目在每個團體。
那似乎合理的。
現在，你能看在這些圖形到看那
如何你的猜測，你的假設可能影響這力量的你的學習。
我們能看那這標準偏差有相當A位元的影響。
作為我的標準偏差增加，
所以我的數據變成更多的傳播出去，我的力量減少。
它是去到是更難到探測這不同之處。
你能看是在A甜的點在這樣本尺寸。
作為我增加這樣本尺寸，
我的力量是去到增加，但不是可怕大大。
作為我減少，如果我去向下到關於10、
我的力量是去到去向下到關於八。
但讓我們去後退到這觀點現在。
我想關於15樣品每團體。
在這實例，到得到15積極的樣品
從A學習在哪裡我是招生人們，
和如果我有A 10 %盛行率速度
的疾病超過這學習時期，我會需要關於150科目。
如果這盛行率曾是低的或者說，僅有的5%,然後我會需要300科目。
再次，樣本尺寸是A風險益處計算，
所以我們想到考慮各種各樣的樣本尺寸。
全部正確的，現在到我們的第二例子。
這是漿紗A學習和A部分端點。
出色地使用這分配平台
和出色地使用這間隔探險家為了一樣本部分。
這是基於在這問題的如何許多樣品做我需要
到證明靈敏度和特異性為了監管歸檔？
我做A很多的工作在診斷。
在診斷，靈敏度是簡單地這部分的積極的案例
那你的測試來電積極的，和這特異性是這部分
的消極的案例那你的測試來電消極的。
我們一般來說計算樣本尺寸為了每個的這些指標單獨地，
和然後我們添加為了這全部的樣本尺寸為了A回顧性的學習
在哪裡我有已經得到樣品，也許在A冰箱或者從A夥伴，
和我是只是去到拉出去這那些那我需要。
為了A預期學習，再次，我們會使用這盛行率
到計算這全部的數位的科目到註冊，
相似地作為我們做過在這最後的例子。
再次，我們需要一些初步的資訊.
這目標的這學習是A監管歸檔，
所以A高的等級的證據是需要。
然後這特別的產業部門，我需要到證明
那這降低信心限制為了靈敏度和特異性
是更大比80 %。
這學習設計是A回顧性的學習。
它是A審查的CT掃描。
這假設是那這靈敏度的識別
這結果是0.9和特異性是0.85。
我需要到理解這信心間隔作為一個結果，
和我需要A計算機為了信心間隔為了部分。
再次，這問題，如果我有數據，什麼會我做？
讓我們看在那。
再次，我產生的一些數據。
我有A參考標準在哪裡我有關於145消極的樣品
和144積極的案例或者樣品。
然後我有這測試結果，積極的和消極的。
你能看他們是不是完美的。
一些的這案例那這測試來電消極的是實際上積極的，
和一些的這案例那這測試來電積極的是實際上消極的。
如何會我看在這？
出色地，我可以製表它
和來向上和這%的積極的案例那這測試來電積極的
和這%的消極的案例那這測試來電消極的。
但我想信心間隔。
我是去到使用這分配平台，
和我是去到看在這部分在這測試案例經過這參考案件。
再次，讓我們添加…
我們想到添加，對不起，錯誤的紅色的三角形菜單。
我們想到添加信心間隔，
和我握住向下我的控制鑰匙到pod送那些。
現在我能看和看什麼是去在這裡。
為了這案例那經過這參考是積極的，
這新的方法來電135的那些積極的，所以93.75,
和我有我的信心間隔那去從88-96.6
你會看這筆記這裡那說，計算的使用分數信心間隔。
然後這事物到筆記這裡
是那A分數信心間隔是不是對稱。
我們能看在那。
這裡我產生的A形象的，
和你能看那什麼時候是在這低的結尾，
所以A可能性的0.1,
你能看那這上信心限制是更高
作為比較的到這觀點估計比這降低信心間隔。
這觀點估計是不是居中在這中間的這些信心間隔。
那是只是這自然的這核信心間隔。
這問題現在是，
如何許多樣品做我需要到展示那
我的降低信心限制是在至少0.8,給定這假設的這裡
我們有為了靈敏度，哪個是這積極的邊，
那我們是去到是更大比0.9,和在這消極的邊
那我們是去到是更大比0.85。
這裡我們能看那在0.85,我的降低信心限制是僅有的0.78。
我會需要A很少更多的樣品在命令到
展示那我的降低信心限制是更大比0.8。
再次，這問題是現在那我理解什麼我是看著為了
是如何很多數據應該我收集？
讓我們去到美國能源部樣本尺寸探險家，
信心間隔為了一樣本部分。
讓我們放在這例子這裡。
讓我們放在我們的部分的0.9375,
和這樣本尺寸那我們有用過的這裡，哪個曾是144.
我有左邊這間隔類型作為雙面,
信心間隔，信心等級是95 %。
和這樣本尺寸的144、如果我的部分來了出去到是93.75,
我的利潤的錯誤是0.04。
好吧，好吧，什麼是利潤的錯誤？
利潤的錯誤是這一半寬度的這信心間隔。
如果它曾是A對稱的信心間隔，
它會是你的加或者減價值超過你的觀點估計。
但在這案件的A分數信心間隔，
和那是什麼這計算機是基於在，
這是這一半寬度的你的信心間隔。
但我們能看那…
和這93.75,這利潤的錯誤的0.04,
它是不是簡單地A減0.04從這93.75
因為我們注意到那什麼時候我們做過這計算
那我們的降低信心限制曾是0.88。
這樣本尺寸是更多的比充足的為了什麼我們需要。
我們僅有的需要的A信心限制的0.8。讓我們做那計算。
讓我們放在我們的假定價值的0.9,
和讓我們放在A利潤的錯誤的，說， 0.08。
我們知道那0.1是去到低估我們的樣本尺寸。
如果我們做這和我們說，全部正確的，為了A部分的0.9,
利潤的錯誤是0.08,我們的樣本尺寸，它說，是56.
好的，出色地，讓我們再檢查一遍那。
到做那，
我建A計算機
在哪裡我能放在我的假定部分和我能放在這價值的56.
如果我跑步這分配，
和什麼我做過這裡是我有一個結果的一和零，和我有A頻率。
如果我重新啟動這，
我使用這結果和我使用這頻率柱子
到給我這分配作為如果我有51 年代和六零點在我的數據文件。
出色地，什麼做那看喜歡？
和A樣本尺寸的56、
A部分的關於0.9,我的降低信心限制，
使用A分數信心間隔是0.78。
這樣本尺寸的56給出我這精確那我問為了，
這利潤的錯誤的0.08,但它不相當給我
這降低限制在這信心間隔那我需要為了這情況。
讓我們放在A輕微地更大樣本尺寸。
讓我們製作這65.
那給出我A利潤的錯誤的0.074,哪個是輕微地更緊比這0.08,
和讓我們看什麼那看起來喜歡在我的分數信心間隔。
如果我做那，現在我看那我的降低信心限制是多於這0.8。
這觀點的這曾是不是到…
這觀點的這曾是真的到展示你那它是重要的到理解
什麼它是你是試到展示，和它是重要的到理解
什麼是它那你的樣本尺寸計算機是提供到你。
那裡是樣本尺寸計算機全部超過這網際網路.
然後在傑普,我們有A所有的屠殺的樣本尺寸計算機,
探險家到看在。
它是重要的到理解什麼是你的終點，
什麼是你試到解決，和什麼是它那你的計算機
是計算為了你。
一次你做那，然後你是更好的知情的
為了製作決定作為到如何許多樣品做你真的需要。
讓我們結束向上和只是A很少簡短的評論在額外的主題。
其他方法那你能得到在樣本尺寸。
一是模擬。
你能使用飛行員數據到定義分佈，
使用隨機的數位發電機到產生A學習基於在那些分佈。
然後你能分析那數據到看如果你的終點是遇見了。
是它遇見了？ 是的或者不？
然後你能重複那一些大的數位的次
和計算這部分的次，你的終點是遇見了。
在A感覺，你的力量。
如何可能是你到見面你的終點給定你的假設？
我喜歡到做那。 模擬是有用。
再次，然而，它是全部基於在你的假設。
如果你的假設是錯誤的，你的樣本尺寸可能不是是大的足夠的。
其他事物那常發生是那我們有到製作
這最好的分配的什麼我們有。
我們可能有1,000樣品在這冰箱
和我們知道什麼他們的結果是和我們想到測試他們在A新的測試
或者我們想到發展A新的測試。
如何許多能我們使用到火車一個演算法?
如何許多做我們需要到使用到證實那演算法?
有時我們有到拿這樣本數位那我們有。
使用這樣本尺寸探險家到評價什麼你可能是有能力的到得出結論，
和然後使用那些發現到決定如果什麼你有是充足的到繼續
和這實驗
和這發展的你的測試或者產品。
那是什麼我有在樣本尺寸。 它是更多的比A數字。
它是基於在什麼它是你是試到決定
和如何你是去到分析這數據一次你得到那數據。
它是一個勘探，你想到拿進入帳戶
如何做那些假設那你製作影響那些樣本尺寸
和樹籬你的賭注為了A偉大的結果。
感謝你，和那是它。
