樣本量和缺陷計數功效JMP 版本 17.2.0
我們製造小型單元並在每個組件上安裝 300 個單元。每個組件都經過測試，我們確定每個組件的缺陷單元數。我們有 20 個組件的記錄，我們知道這 20 個組件中每個組件中發現的缺陷單元的數量。考慮製程變更，我們希望確定該變更是否顯著減少了每個組裝的缺陷。確定樣本大小、功效和缺陷減少的最佳實踐是什麼：單面測試，目標是每個組裝 0 缺陷。
實驗設計回覆：缺陷計數的樣本量和功效嗨@MichaelR1 ：我有一些問題/意見......排名不分先後。
1. 每個單元是否由相同的工藝製成（具有相同的缺陷率），無論其採用何種組裝方式？
2. 組裝 1 是否獲得前 300 個單元下線，組裝 2 獲得接下來的 300 個單元，依此類推？
3. 是否有理由認為不同裝配的平均缺陷率不同（可能基於為每個裝配選擇單元的方式...請參閱上面的 2）。
我們可以從這 3 個開始...
回覆：缺陷計數的樣本量和功效感謝您的提問。這些單元是在同一過程中生產的。它們以 300 個為一組安裝在組件上：大約為 FIFO。裝配不應影響缺陷率，因為根本原因是在單元生產過程中找到的。
據我現在了解，這使我們能夠進行簡單的計算： Power Explorer for One Sample Proportion
假設比例=當前故障率
替代比例 = 流程變更後的預期故障率
這是正確的方法嗎？
回覆：缺陷計數的樣本量和功效嗨@MichaelR1 ：我想是的。您的原假設和備擇假設如下。
H0：p=p0
哈：p <>
其中p0是目前的故障率。 Ha 是您要證明的內容（新的故障率 p 小於目前的故障率 p0）。
為了「證明」Ha，p 必須確實位於 Ha 中的某個位置（
因此，如果您隨機抽取 199 個單位，則有 80% 的機會「證明」Ha（透過拒絕 H0 而支持 Ha）。
1 類錯誤率 (Alpha) = 5% 意味著當 H0 為真（p 不小於 p0）時，有 5% 的機會錯誤地拒絕 H0 而支持 Ha。 2 類誤差 = 1-冪 = 0.2 (20%)。類型 2 錯誤是指即使 Ha 為真，您也不拒絕 H0 的可能性。您可以根據需要選擇 Alpha 和 Power，但 5% 和 80% 是常見的。而且，我也不太喜歡常態近似；由於通過/失敗數據的性質，精確測試功率圖看起來很奇怪。但常態近似可能會出現問題，尤其是當 p 接近 0 或接近 1 時。
我的兩分錢...
