什么
是
去
到
讲话
关于
今天
是
a 简单的 介绍 到 样本 尺寸 思维。
然后 出色地 看 在 二 例子； 一， 比较 这 意思是 的 二 人口，
和 这 第二， 寻找 在 a 学习 和 a 部分 端点，
和 出色地 裹 向上 和 一些 额外的 想法。
A 问题 我是 经常 问 是， 什么 样本 尺寸 做 I 需要？
一 可能 思考， “哦， 那是 简单的。 只是 使用 a 样本 尺寸 计算器。”
但 等待 a 第二。
为什么 做 跳转 称呼 样本 尺寸 计算器 探险家？
为什么 是 他们 在 这 美国能源部 菜单？ 哪个 一 做 I 使用？
出色地， 让我们 讲话 关于 一些 样本 尺寸 基础知识。
A 样本 尺寸 是 计算 事先的 到 跑步 a 学习。
A 学习 是 一个 实验 设计 前方 的 时间。
那是 为什么 他们是 在 这 美国能源部 菜单。
样本 尺寸 取决于 在 这 目标 的 a 学习。
I 经常 称呼 这， 是 你 制作 a 5美元 决定 或者 a 50美元 百万 决定？
是 你 寻找 在 a 监管 清除，
a 发布， 一个 研发 问题， 或者 a 简单的 勘探？
什么是 这 基本的 端点 的 你的 学习？ 什么 是 你 尝试 到 展示？
如何 是 你的 学习 设计？ 什么 是 你的 结果 假设？
这些 可能 是 基于 在 事先的 知识，
a 飞行员 数据， 或者 经常， 或者 只是 简单地 猜测。
样本 尺寸 是 a 风险-收益 勘探。
那是 为什么 他们是 称为 样本 尺寸 探险家。
你 想 到 探索
如何 不同的 假设 是 去 到 影响 你的 样本 尺寸。
现在， 更多的 是 一般来说 更好的，
但 作为 我们 全部 知道， 更多的 成本 更多的， 和 更多的 可能 不是 是 可能的。
让我们 开始 和 a 简单的 例子
的 浆纱 这 学习 为了 比较 二 方法。
出色地 在 这 合身 Y 经过 X 平台，
和 出色地 看 在 这 力量 探险家 为了 二 独立的 样本 方法。
这 样本 尺寸 例子 是 基于 在
a 真实的 情况 在哪里 a 公司 是 在 这 研发 阶段。
他们是 正在做 a 样本 收藏 学习。 那 可以 是 血， 鼻腔 拭子， 唾液。
有 不 基本的 端点 因为 它是 一个 研发 学习。
他们是 仍然 在 这 研发 阶段， 但 他们 需要 a 样本， a 力量 分析。
他们 是 问 为了 力量 分析 经过 这 实体 那 是 考虑
资金 这 项目。
如何 能 我们 提供 a 力量 分析 没有 a 基本的 输入？
出色地， 最好的 想法 这里 是 一，
我们 可以 说， “嘿， 我们 不能 做 a 力量 分析，”
或者， 会心 那 这 资金 实体 想要 a 力量 分析
到 展示 那 我们已经 想法 关于 这 学习 和 我们已经 想法 关于 如何 许多 人们
是 询问 他们 到 注册， 我们 可以 产生 a 研究 端点。
在 那 案件， 是 去 到 问， “能 I 区分 这 不同之处 在 方法
之间 我的 生病的 和 健康 主题 为了 一些 基本的 生物 标记？"
出色地 使用 这 样本 尺寸 从 这 力量 分析
和 这 预期的 患病率 的 疾病 到 证明合法 这 数字
的 主题， 是 请求 到 注册 在 这 学习。
I 需要 到 理解 测试 为了 比较 到 独立的 方法，
和 I 需要 a 计算器 为了 这 力量 的 a 测试 到 比较 到 独立的 方法。
什么 I 喜欢 到 问 我 是 如果 I 有 数据， 什么 会 I 做？
如果 I 理解 什么 分析 我是 去 到 做，
那是 去 到 帮助 我 决定 什么 样本 尺寸 I 需要。
有时 你会 有 飞行员 数据，
和 有时 你 能 只是 制作 向上 数据 到 帮助 你 数字 出去
什么 分析 是 你 去 到 做 和 什么 样本 浆纱 应该 你 做。
让我们 拿 a 看 在 这。
我是 去 到 打开 a 数据 桌子， 和 这 是 只是 生成 数据。
我已经 得到 a 生病的… I 有 15 生病的 患者 和 15 健康 患者。
我是 去 到 做 a 合身 Y 经过 十。
患病的 做 a 夫妻 的 事物 这里： 我们的 范围， 我是 去 到 浇水 我的 点，
我是 去 到 跑步 a T检验， 和 I 喜欢 到 看 在 这 密度。
这是 二 示例 的 什么 一些 数据 可能 看 喜欢。
在 这 左边 是 a 相当 分离 人口
的 结果， 这 生物标志物 数字 一。
这 不同之处 是 关于 2、2.5。
这些 是 生成 从 a 普通的 分配
作为 是 这 的 在 这 右手 边。
这里， 这 不同之处 是 a 小的 较少的。
你 能 看 在 两个都 地方，
我们 会 结论 那 有 a 不同之处 之间 这些 二 人口。
这 一 在 这 正确的 存在 更近 一起
是 更难 到 区分 比 这 一 在 这 左边。
我们 用过的 a T检验 为了 那。
现在 这 问题 变成，
如何 许多 样品 会 I 需要
如果 我是 去 到 跑步 这 实验？
再次， 让我们 看 在 那。
让 我 只是 步 通过 我的 工作流程 建造者
所以 它 关闭 向下 我们的 数据 表。
美国能源部 样本 尺寸 探险家 功率。
I 想 力量 为了 二 独立的 样本 方法。
I 拉 那 向上， 你会 看 那 有 相当 a 很少 事物 到 看 在。
第一的， 我们 有 这 测试 类型。 它是 去 到 是 双面的。
我们的 阿尔法 是 0.05，
和 这 团体 人口 标准 偏差 是 不是 假定 到 是 已知。
是 猜测 在 那些。
到 计算 我的 样本 尺寸， I 需要 到 充满 在 这 信息。
这 是 我的 计算器 部分。 I 有 二 组。
我是 去 到 开始 超过 这里 在 这 右手 边。
I 有 二 团体 标准 偏差 到 放 在 估计 为了。
我是 去 到 认为 那 一 团体 是 较少的 多变的 比 这 其他 团体。
下一个， I 需要 到 充满 在 这 不同之处 到 探测。
这里， 我是 使用 标准 偏差 单位，
和 我是 去 到 说 I 想 到 探测 a 一 标准 偏差 单元 不同之处。
下一个， 我已经 得到 正确的 现在 样本 尺寸 的 三十 在 每个 团体
那 给出 我 a 非常 高的 力量。
我是 去 到 降低 这 力量 到 90，
和 I 看 那 为了 a 力量 的 90 到 探测 a 不同之处 的 一
之间 这些 二 团体， I 需要 a 样本 尺寸
的 15 主题 在 每个 团体。
那 似乎 合理的。
现在， 你 能 看 在 这些 图形 到 看 那
如何 你的 猜测， 你的 假设 可能 影响 这 力量 的 你的 学习。
我们 能 看 那 这 标准 偏差 有 相当 a 少量 的 影响。
作为 我的 标准 偏差 增加，
所以 我的 数据 变成 更多的 传播 出去， 我的 力量 减少。
它是 去 到 是 更难 到 探测 这 不同之处。
你 能 看 是 在 a 甜的 点 在 这 样本 尺寸。
作为 I 增加 这 样本 尺寸，
我的 力量 是 去 到 增加， 但 不是 可怕 非常。
作为 I 减少， 如果 I 去了 向下 到 关于 10，
我的 力量 是 去 到 去 向下 到 关于 八。
但 让我们 去 后退 到 这 观点 现在。
I 想 关于 15 样品 每 团体。
在 这 实例， 到 得到 15 积极的 样品
从 a 学习 在哪里 我是 招生 人们，
和 如果 I 有 a 10 % 患病率 速度
的 疾病 超过 这 学习 时期， I 会 需要 关于 150 科目。
如果 这 患病率 曾是 低的 或者 说， 仅有的 5% 然后 I 会 需要 300 科目。
再次， 样本 尺寸 是 a 风险 益处 计算，
所以 我们 想 到 考虑 各种各样的 样本 尺寸。
全部 正确的， 现在 到 我们的 第二 例子。
这 是 浆纱 a 学习 和 a 部分 端点。
出色地 使用 这 分配 平台
和 出色地 使用 这 间隔 探险家 为了 一 样本 部分。
这 是 基于 在 这 问题 的 如何 许多 样品 做 I 需要
到 证明 敏感度 和 特异性 为了 监管 归档？
I 做 a 很多 的 工作 在 诊断。
在 诊断， 敏感度 是 简单地 这 部分 的 积极的 案例
那 你的 测试 调用 积极的， 和 这 特异性 是 这 部分
的 消极的 案例 那 你的 测试 调用 消极的。
我们 一般来说 计算 样本 尺寸 为了 每个 的 这些 指标 个别地，
和 然后 我们 添加 为了 这 全部的 样本 尺寸 为了 a 回顾 学习
在哪里 我已经 已经 得到 样品， 也许 在 a 冰箱 或者 从 a 伙伴，
和 我是 只是 去 到 拉 出去 这 的 那 I 需要。
为了 a 预期 学习， 再次， 我们 会 使用 这 患病率
到 计算 这 全部的 数字 的 主题 到 注册，
相似地 作为 我们 做过 在 这 最后的 例子。
再次， 我们 需要 一些 初步的 信息。
这 目标 的 这 学习 是 a 监管 归档，
所以 a 高的 等级 的 证据 是 需要。
然后 这 特别的 行业 部门， I 需要 到 证明
那 这 降低 信心 限制 为了 敏感度 和 特异性
是 更大 比 80 %。
这 学习 设计 是 a 回顾 学习。
它是 a 审查 的 CT 扫描 .
这 假设 是 那 这 敏感度 的 识别
这 结果 是 0.9 和 特异性 是 0.85。
I 需要 到 理解 这 信心 间隔 作为 一个 结果，
和 I 需要 a 计算器 为了 信心 间隔 为了 部分。
再次， 这 问题， 如果 I 有 数据， 什么 会 I 做？
让我们 看 在 那。
再次， I 生成 一些 数据。
I 有 a 参考 标准 在哪里 I 有 关于 145 消极的 样品
和 144 积极的 案例 或者 样品。
然后 I 有 这 测试 结果， 积极的 和 消极的。
你 能 看 他们是 不是 完美的。
一些 的 这 案例 那 这 测试 调用 消极的 是 实际上 积极的，
和 一些 的 这 案例 那 这 测试 调用 积极的 是 实际上 消极的。
如何 会 I 看 在 这？
出色地， I 可以 制表 它
和 来 向上 和 这 % 的 积极的 案例 那 这 测试 调用 积极的
和 这 % 的 消极的 案例 那 这 测试 调用 消极的。
但 I 想 信心 间隔。
我是 去 到 使用 这 分配 平台，
和 我是 去 到 看 在 这 部分 在 这 测试 案例 经过 这 参考 案件。
再次， 让我们 添加…
我们 想 到 添加， 对不起， 错误的 红色的 三角形 菜单。
我们 想 到 添加 信心 间隔，
和 I 握住 向下 我的 控制 钥匙 到 播送 那些。
现在 I 能 看 和 看 什么是 去 在 这里。
为了 这 案例 那 经过 这 参考 是 积极的，
这 新的 方法 调用 135 的 那些 积极的， 所以 93.75，
和 I 有 我的 信心 间隔 那 去 从 88-96.6
你会 看 这 笔记 这里 那 说， 计算 使用 分数 信心 间隔。
然后 这 事物 到 笔记 这里
是 那 a 分数 信心 间隔 是 不是 对称。
我们 能 看 在 那。
这里 I 生成 a 形象的，
和 你 能 看 那 什么时候 是 在 这 低的 结尾，
所以 a 可能性 的 0.1，
你 能 看 那 这 上 信心 限制 是 更高
作为 比较的 到 这 观点 估计 比 这 降低 信心 间隔。
这 观点 估计 是 不是 居中 在 这 中间 的 这些 信心 间隔。
那是 只是 这 自然 的 这 核 信心 间隔。
这 问题 现在 是，
如何 许多 样品 做 I 需要 到 展示 那
我的 降低 信心 限制 是 在 至少 0.8， 给定 这 假设 的 这里
我们 有 为了 敏感度， 哪个 是 这 积极的 边，
那 我们 是 去 到 是 更大 比 0.9， 和 在 这 消极的 边
那 我们 是 去 到 是 更大 比 0.85。
这里 我们 能 看 那 在 0.85， 我的 降低 信心 限制 是 仅有的 0.78。
I 会 需要 a 很少 更多的 样品 在 命令 到
展示 那 我的 降低 信心 限制 是 更大 比 0.8。
再次， 这 问题 是 现在 那 I 理解 什么 我是 寻找 为了
是 如何 很多 数据 应该 I 收集？
让我们 去 到 美国能源部 样本 尺寸 探险家，
信心 间隔 为了 一 样本 部分。
让我们 放 在 这 例子 这里。
让我们 放 在 我们的 部分 的 0.9375，
和 这 样本 尺寸 那 我们 有 用过的 这里， 哪个 曾是 144.
I 有 左边 这 间隔 类型 作为 双面的，
信心 间隔， 信心 等级 是 95 %。
和 这 样本 尺寸 的 144， 如果 我的 部分 来 出去 到 是 93.75，
我的 利润 的 错误 是 0.04。
好吧， 什么是 利润 的 错误？
利润 的 错误 是 这 一半 宽度 的 这 信心 间隔。
如果 它 曾是 a 对称 信心 间隔，
它 会 是 你的 加 或者 减 价值 超过 你的 观点 估计。
但 在 这 案件 的 a 分数 信心 间隔，
和 那是 什么 这 计算器 是 基于 在，
这 是 这 一半 宽度 的 你的 信心 间隔。
但 我们 能 看 那…
和 这 93.75， 这 利润 的 错误 的 0.04，
它是 不是 简单地 a 减 0.04 从 这 93.75
因为 我们 注意到 那 什么时候 我们 做过 这 计算
那 我们的 降低 信心 限制 曾是 0.88。
这 样本 尺寸 是 更多的 比 充足的 为了 什么 我们 需要。
我们 仅有的 需要 a 信心 限制 的 0.8。 让我们 做 那 计算。
让我们 放 在 我们的 假定 价值 的 0.9，
和 让我们 放 在 a 利润 的 错误 的， 说， 0.08。
我们 知道 那 0.1 是 去 到 低估 我们的 样本 尺寸。
如果 我们 做 这 和 我们 说， 全部 正确的， 为了 a 部分 的 0.9，
利润 的 错误 是 0.08， 我们的 样本 尺寸， 它 说， 是 56.
好的， 出色地， 让我们 再检查一下 那。
到 做 那，
I 建造 a 计算器
在哪里 I 能 放 在 我的 假定 部分 和 I 能 放 在 这 价值 的 56.
如果 I 跑步 这 分配，
和 什么 I 做过 这里 是 I 有 一个 结果 的 一 和 零， 和 I 有 a 频率。
如果 I 重新启动 这，
I 使用 这 结果 和 I 使用 这 频率 柱子
到 给 我 这 分配 作为 如果 I 有 51年代 和 六 零 在 我的 数据 文件。
出色地， 什么 做 那 看 喜欢？
和 a 样本 尺寸 的 56岁，
a 部分 的 关于 0.9， 我的 降低 信心 限制，
使用 a 分数 信心 间隔 是 0.78。
这 样本 尺寸 的 56 给出 我 这 精确 那 I 问 为了，
这 利润 的 错误 的 0.08， 但 它 没有 相当 给 我
这 降低 限制 在 这 信心 间隔 那 I 需要 为了 这 情况。
让我们 放 在 a 轻微地 更大 样本 尺寸。
让我们 制作 这 65.
那 给出 我 a 利润 的 错误 的 0.074， 哪个 是 轻微地 更紧 比 这 0.08，
和 让我们 看 什么 那 看起来 喜欢 在 我的 分数 信心 间隔。
如果 I 做 那， 现在 I 看 那 我的 降低 信心 限制 是 多于 这 0.8。
这 观点 的 这 曾是 不是 到…
这 观点 的 这 曾是 真的 到 展示 你 那 它是 重要的 到 理解
什么 它 是 你是 尝试 到 展示， 和 它是 重要的 到 理解
什么 是 它 那 你的 样本 尺寸 计算器 是 提供 到 你。
那里 是 样本 尺寸 计算器 全部 超过 这 互联网。
然后 在 跳转， 我们 有 a 所有的 旋转 的 样本 尺寸 计算器，
探险家 到 看 在。
它是 重要的 到 理解 什么 是 你的 端点，
什么 是 你 尝试 到 解决， 和 什么 是 它 那 你的 计算器
是 计算 为了 你。
一次 你 做 那， 然后 你是 更好的 知情
为了 制作 决策 作为 到 如何 许多 样品 做 你 真的 需要。
让我们 结束 向上 和 只是 a 很少 简短的 评论 在 额外的 主题。
其他 方法 那 你 能 得到 在 样本 尺寸。
一 是 模拟。
你 能 使用 飞行员 数据 到 定义 分布，
使用 随机的 数字 发电机 到 产生 a 学习 基于 在 那些 分布。
然后 你 能 分析 那 数据 到 看 如果 你的 端点 是 的。
是 它 的？ 是的 或者 不？
然后 你 能 重复 那 一些 大的 数字 的 次
和 计算 这 部分 的 次， 你的 端点 是 的。
在 a 感觉， 你的 力量。
如何 可能 是 你 到 见面 你的 端点 给定 你的 假设？
I 喜欢 到 做 那。 模拟 是 有用。
再次， 然而， 它是 全部 基于 在 你的 假设。
如果 你的 假设 是 错误的， 你的 样本 尺寸 可能 不是 是 大的 足够的。
其他 事物 那 经常 发生 是 那 我们 有 到 制作
这 最好的 分配 的 什么 我们 有。
我们 可能 有 1,000 样品 在 这 冰箱
和 我们 知道 什么 他们的 结果 是 和 我们 想 到 测试 他们 在 a 新的 测试
或者 我们 想 到 发展 a 新的 测试。
如何 许多 能 我们 使用 到 火车 一个 算法？
如何 许多 做 我们 需要 到 使用 到 证实 那 算法？
有时 我们 有 到 拿 这 样本 数字 那 我们 有。
使用 这 样本 尺寸 探险家 到 评价 什么 你 可能 是 有能力的 到 总结一下，
和 然后 使用 那些 发现 到 决定 如果 什么 你 有 是 充足的 到 继续
和 这 实验
和 这 发展 的 你的 测试 或者 产品。
那是 什么 I 有 在 样本 尺寸。 它是 更多的 比 a 数字。
它是 基于 在 什么 它 是 你是 尝试 到 决定
和 如何 你是 去 到 分析 这 数据 一次 你 得到 那 数据。
它是 一个 勘探， 你 想 到 拿 进入 帐户
如何 做 那些 假设 那 你 制作 影响 那些 样本 尺寸
和 对冲 你的 赌注 为了 a 伟大的 结果。
感谢 你， 和 那是 它。
