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
Investigación y desarrollo
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
apresto
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
Investigación y desarrollo
fase.
Ellos son
haciendo
a
muestra
recopilación
estudiar.
Eso
podría
ser
sangre,
nasal
hisopos,
saliva.
Hay
No
primario
punto final
porque
es
un
Investigación y desarrollo
estudiar.
Ellos son
aún
en
el
Investigación y desarrollo
fase,
pero
ellos
necesidad
a
muestra,
a
fuerza
análisis.
Ellos
eran
preguntó
para
fuerza
análisis
por
el
entidad
eso
es
en vista de
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
Nosotros tenemos
pensamiento
acerca de
el
estudiar
y
Nosotros tenemos
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
Sujetos
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
temas,
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
quería
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
Tú 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
apresto
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
INCÓGNITA.
Enfermo
hacer
a
pareja
de
cosas
aquí:
nuestro
rango,
Soy
yendo
a
estar nervioso
mi
agujas,
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
quería
concluir
eso
Hay
a
diferencia
entre
estos
dos
Poblaciones.
El
uno
en
el
bien
ser
íntimamente
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
quería
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,
Tú lo harás
ver
eso
Hay
bastante
a
pocos
cosas
a
mirar
en.
Primero,
nosotros
tener
el
prueba
tipo.
Es
yendo
a
ser
de dos caras.
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
Estimaciones
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
Sujetos
en
cada
grupo.
Eso
parece
razonable.
Ahora,
tú
poder
mirar
en
estos
gráficos
a
ver
eso
cómo
su
conjeturas,
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 en
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
inscribiéndose
gente,
y
si
I
tener
a
10
%
predominio
tasa
de
enfermedad
encima
el
estudiar
período,
I
quería
necesidad
acerca de
150
Sujetos.
Si
el
predominio
era
bajo
o
decir,
solo
5%,
entonces
I
quería
necesidad
300
Sujetos.
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
apresto
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
quería
usar
el
predominio
a
calcular
el
total
número
de
Sujetos
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
quería
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
quería
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
Tú lo harás
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
Estimaciones
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
quería
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
de dos caras,
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.
Bueno, bueno,
qué
margen
de
¿error?
Margen
de
error
es
el
medio
ancho
de
el
confianza
intervalo.
Si
él
era
a
simétrico
confianza
intervalo,
él
quería
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
volver a comprobar
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
65.
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
siempre que
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
de.
Es
él
¿de?
Sí
o
¿No?
Entonces
tú
poder
repetir
eso
alguno
grande
número
de
veces
y
calcular
el
parte
de
veces,
su
punto final
es
de.
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.
