Comment estimer la taille d’échantillon idéale pour valider le taux d’échec dans un processus ?Bonjour!
J'ai un processus d'usine avec un taux d'échec hypothétique de p = 0,02, sur la base d'essais précédents.
J'aimerais obtenir la taille d'échantillon idéale pour valider si mon processus a un taux d'échec ne dépassant pas 0,02. Comment aborderiez-vous cela ?
Merci d'avance 
Analyse et modélisation des données de baseÉtudes de consommation et de marchéConception d'expériencesIngénierie Qualité et ProcédésRe : Comment estimer la taille d'échantillon idéale pour valider le taux d'échec dans un processus ?Bonjour @PValueEnemy ,
Pour cette question spécifique, j'utiliserais l'une des calculatrices disponibles dans "Aide", "Exemple d'index".
Si vous allez dans Ressources pédagogiques, il y a un panneau pour les calculatrices, et il y a une calculatrice nommée « Taille de l'échantillon pour l'intervalle de confiance ».
Lorsque vous l'ouvrez, vous précisez que vous êtes intéressé par "Proportion" :
Et puis vous devrez renseigner quelques informations pour que le calcul puisse être fait. Pour votre problème spécifique, vous devez spécifier le niveau de confiance requis, la valeur prévue et la marge d'erreur souhaitée. Ici à titre d'exemple, dès que toutes les fenêtres ont été remplies, j'obtiens la taille d'échantillon calculée nécessaire :
Plus d'infos ici : Abonnement étudiant JMP
J'espère que cela t'aidera,
Re : Comment estimer la taille d'échantillon idéale pour valider le taux d'échec dans un processus ?Salut @PValueEnemy : En plus de l'option offerte par @Victor_G , vous pouvez essayer ce qui suit sous DOE/Sample Size Explorers :
Ensuite, vous verrez ceci.
Vous remarquerez que la taille de l'échantillon requise dépend du nombre d'échecs dans l'échantillon.Ces deux méthodes sont équivalentes (bien que l'entrée/sortie soit différente) ; sauf que la calculatrice @Victor_G suggéré est basé sur l'approximation normale, alors que celle-ci est basée sur l'intervalle exact (basé directement sur la distribution binomiale plutôt que sur toute approximation de la distribution binomiale.) Clopper-Pearson.
