樣本量問題如果我知道我的零件有 30% 的故障率，那麼我需要檢查多少零件才能有 95% 的把握至少發現一個故障？假設我進行了流程改進，並想看看我的故障率是否從 30% 降低到 10%（置信度為 95%），那麼我需要檢查多少零件？我認為 JMP 可以透過 DOE>Sample Size Explorer>Power Wizard 為我提供這些答案，但我不太確定如何使用此腳本來獲得這些非常基本的樣本大小問題的答案。
基礎資料分析與建模回覆：樣本量問題您看過兩個獨立樣本比例的冪的文檔嗎？
回覆：樣本量問題嗨，馬克，感謝您的快速回复，因為這確實向我展示瞭如何使用漂亮的樣本比例嚮導來處理此類事情。從我上面的問題稍微退一步，假設需要 4 小時來檢查我的部件以查看它是否會失敗。我需要找到一個故障，以便我可以做一些故障分析工作，但管理層希望我給他們一個估計的時間，即在我真正發現故障之前檢查零件需要多長時間。讓我們假設歷史故障率為 30%，我希望有 95% 的信心為管理層提供了良好的時間估計。在發現故障之前，我應該預計檢查多少個零件？
回覆：樣本量問題同意@dlehman1 ！並且，為了完整性和大家進一步理解：對於幾何分佈，JMP 中參數化「隨機幾何 (p)」的方式（對於機率為 p 的故障，返回發生故障之前未發生故障的數量）、平均值是( 1-p)/p。因此，對於 p=0.3，平均值為 (1-0.3)/0.3 = 2.3。對於 p=0.1，平均值為(1-0.1)/0.1 = 9。
https://en.wikipedia.org/wiki/Geometric_distribution
回覆：樣本量問題我喜歡@dlehman1的方法。這個可靠性探索器也可能會有所幫助。
回覆：樣本量問題好吧，這些文件給出了第一個缺陷出現之前零件平均數量的 95% 置信區間。如果檢查每個零件需要 4 小時，則將零件的平均數量（和/或置信區間）乘以 4 小時。我想我可能在你的問題中遺漏了一些東西，但這就是我想說的。
回覆：樣本量問題你好@chrsmth ，
如何將 OC 曲線用於超幾何/二項式？
您沒有提到地塊面積，N。
如果 N 很大，二項分佈就可以，但如果 N 很小（例如 <1000），也許您需要使用超幾何分佈。
在這種情況下，95% 的置信度表示它將檢測到至少 1 個缺陷 = 接受機率，Pa=0.05（在 OC 曲線的 Y 軸上），因為當 c=0 @ 30% 的缺陷率（即 X = 0.3）時，您將接受抽樣。
在對 n 個樣本量進行抽樣時，您可以檢測到 1 個缺陷品、2 個缺陷品等等。
通常，我只是使用 Excel 來繪製 OC 曲線，因為這樣我更容易理解選擇樣本量背後的原因。但是，JMP 應該能夠更快地模擬這一點。示例如下；
也許這項研究可以提供幫助： https://www.researchsquare.com/article/rs-3099107/v1
回覆：樣本量問題標記，
我發現了這個問題並且一直在審查我所面臨的類似問題。
我們最近出現了在正常抽樣中未發現的故障。
確定根本原因之後，我們必須驗證涉及樣本量的項目。
第一件事是我們要透過對我們定義的事件時間範圍之前和之後生產的產品進行取樣來驗證我們的遏制措施。我們希望根據批次大小（250 件）和事件期間出現的故障頻率（8% 到 30%）來確定應使用的樣本量。您是否推薦一種分析器來幫助我們模擬這種情況？我不是統計學家。
第二項是調整我們未來的樣本量。目前，我們正在對 1 件/批進行抽樣（破壞性試驗），但只有一小部分產品採用此類材料。我們已經決定增加樣本量以涵蓋所有產品，但想了解檢測到缺陷的信心嗎？我們是否可以將所採集的樣本考慮在內，將產品從約 20% 增加到 100%？我們希望不必從每個批次中抽取太多樣本，但我不知道如何進行或模擬這種計算。
提前感謝您的支持與建議。
回覆：樣本量問題明白了。那麼對 90%、95% 或 99% 的水平有信心嗎？能否使用功效探索來估計在此置信水準下檢測故障所需的樣本量？我們可以根據內部測量來估計平均值和標準差，並且透過模擬發現分佈中的重疊最小。
回覆：樣本量問題感謝 dlehman1 和 MRB3855，因為他們最終給了我我想要的東西，因為我現在有幾個工具可以添加到我的 JMP 工具箱中。我很欣賞 MRB3855 提供的公式（要測試的樣本有 95% 的信心會發現拒絕率 = ln(0.05)/ln(1-p)，其中 p 是拒絕率，為 0.3（30%）或 0.1（10%），然後將 n 四捨五入到最接近的整數）以獲得我的基本問題（99 和 299 和 299）的答案分別為 299 和 299 和 299 和 299 和 299）的答案分別為 299 和 299 和 299）分別是 299 和 299 和 299 到最接近的 299）。
幾何分佈對我來說是一個新事物（再次感謝 MRB3855 對該分佈的補充解釋），並且像 dlehman1 提供的示例文件中所做的那樣模擬該分佈是一種優雅的統計方法，有助於將這個問題的統計數據與概率部分結合起來。進一步採用這種方法，我突出顯示了 95％ 置信水平附近的數據點，然後對該數據進行子集化，該數據具有自己的分佈，其平均值大約等於上述公式提供的數字。請注意，對於任何關注此處的人來說，這個平均數與這兩個隨機生成的幾何分佈的平均值有很大不同，因為它們的平均值基於整個分佈，即平均需要檢查多少個部件才能發現一個故障，以及需要檢查多少個部件才能有 95% 的信心發現一個不合格品。
對於這個出色的 JMP 社群來說，或許一個小挑戰是，是否有人可以利用這些資訊製作一個很酷的插件腳本，讓那些對統計和機率理解有限的人可以回答我最初的問題，從而在老闆面前顯得很聰明。例如，如果使用者提供要檢測的缺陷級別和檢測缺陷的置信級別，而腳本僅輸出要檢查的零件數量，那麼將是一個很好的樣本量計算器。添加 dlehman1 幾何分佈想法會更酷！
回覆：樣本量問題我認為第一個問題我在本次討論開始時就已經回答過了。
我不知道該如何回答第二個問題。您是否對樣本量探索者進行了調查，看看是否有一個適合您的目的？
回覆：樣本量問題你好@chris_dennis 。我承認並且道歉，您的兩個問題我都不清楚。您到底在假設什麼？您到底想知道什麼？
回覆：樣本量問題我附上了一個流程圖來幫助解釋。
1 採取糾正措施後，需要多大的樣本量來驗證我們是否正確控制了事件。
2 為了將來的生產，我們需要內部檢測的樣本量應該是多少。
我們需要為每個樣本大小（1 和 2）定義置信水準。
回覆：樣本量問題你好@克里斯丹尼斯 。我看到你的圖表裡說「需要多少樣本才能確認沒有污染
糾正措施後（驗證樣品）”
答案是100%抽樣（每個批次全部抽樣250個）。如果要「確認」沒有污染，那麼唯一的選擇就是100%抽樣；換句話說，沒有任何抽樣方案能夠（在任何置信水準下）保證0%的污染。任何抽樣方案（抽樣率低於100%）都必然存在一定「可接受」的缺陷率。我不想混淆「可接受」和「理想」這兩個詞。我所說的「可接受」指的是最壞的情況下你能容忍的缺陷率。
