什麼
是
去
到
演講
關於
今天
是
a 簡單的 介紹 到 樣本 尺寸 思維。
然後 出色地 看 在 二 例子； 一， 比較 這 意思是 的 二 人口，
和 這 第二， 尋找 在 a 學習 和 a 部分 端點，
和 出色地 裹 向上 和 一些 額外的 想法。
A 問題 我是 常 問 是， 什麼 樣本 尺寸 做 I 需要？
一 可能 思考， 「哦， 那是 簡單的。 只是 使用 a 樣本 尺寸 計算機."
但 等待 a 第二。
為什麼 做 跳轉 稱呼 樣本 尺寸 計算機 探險家？
為什麼 是 他們 在 這 美國能源部 菜單？ 哪個 一 做 I 使用？
出色地， 讓我們 演講 關於 一些 樣本 尺寸 基礎知識。
A 樣本 尺寸 是 計算 事先的 到 跑步 a 學習。
A 學習 是 一個 實驗 設計 前方 的 時間。
那是 為什麼 他們是 在 這 美國能源部 菜單。
樣本 尺寸 取決於 在 這 目標 的 a 學習。
I 常 稱呼 這， 是 你 製作 a 5美元 決定 或者 a 50美元 百萬 決定？
是 你 尋找 在 a 監管 清除，
a 出版品, 一個 研發 問題， 或者 a 簡單的 勘探？
什麼是 這 基本的 端點 的 你的 學習？ 什麼 是 你 嘗試 到 展示？
如何 是 你的 學習 設計？ 什麼 是 你的 結果 假設？
這些 可能 是 基於 在 事先的 知識，
a 飛行員 數據， 或者 經常， 或者 只是 簡單地 猜測。
樣本 尺寸 是 a 風險-效益 勘探。
那是 為什麼 他們是 稱為 樣本 尺寸 探險家。
你 想 到 探索
如何 不同的 假設 是 去 到 影響 你的 樣本 尺寸。
現在， 更多的 是 一般來說 更好的，
但 作為 我們 全部 知道， 更多的 成本 更多的， 和 更多的 可能 不是 是 可能的。
讓我們 開始 和 a 簡單的 例子
的 漿紗 這 學習 為了 比較 二 方法。
出色地 在 這 合身 Y 經過 X 平台，
和 出色地 看 在 這 力量 探險家 為了 二 獨立的 樣本 方法。
這 樣本 尺寸 例子 是 基於 在
a 真實的 情況 在哪裡 a 公司 是 在 這 研發 階段。
他們是 正在做 a 樣本 收藏 學習。 那 可以 是 血， 鼻腔 拭子， 唾液。
有 不 基本的 端點 因為 它是 一個 研發 學習。
他們是 仍然 在 這 研發 階段， 但 他們 需要 a 樣本， a 力量 分析。
他們 是 問 為了 力量 分析 經過 這 實體 那 是 考慮
資金 這 專案.
如何 能 我們 提供 a 力量 分析 沒有 a 基本的 輸入？
出色地， 最好的 想法 這裡 是 一，
我們 可以 說， 「嘿， 我們 不能 做 a 力量 分析，”
或者， 會心 那 這 資金 實體 想要 a 力量 分析
到 展示 那 我們已經 想法 關於 這 學習 和 我們已經 想法 關於 如何 許多 人們
是 詢問 他們 到 註冊， 我們 可以 產生 a 研究 端點。
在 那 案件， 是 去 到 問， 「能 I 區分 這 不同之處 在 方法
之間 我的 生病的 和 健康 主題 為了 一些 基本的 生物 標記？
出色地 使用 這 樣本 尺寸 從 這 力量 分析
和 這 預期的 盛行率 的 身體不適 到 證明合法 這 數位
的 主題， 是 請求 到 註冊 在 這 學習。
I 需要 到 理解 測試 為了 比較 到 獨立的 方法，
和 I 需要 a 計算機 為了 這 力量 的 a 測試 到 比較 到 獨立的 方法。
什麼 I 喜歡 到 問 我 是 如果 I 有 數據， 什麼 會 I 做？
如果 I 理解 什麼 分析 我是 去 到 做，
那是 去 到 幫助 我 決定 什麼 樣本 尺寸 I 需要。
有時 你會 有 飛行員 數據，
和 有時 你 能 只是 製作 向上 數據 到 幫助 你 數位 出去
什麼 分析 是 你 去 到 做 和 什麼 樣本 漿紗 應該 你 做。
讓我們 拿 a 看 在 這。
我是 去 到 打開 a 數據 桌子， 和 這 是 只是 產生 數據。
我已經 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 經過 十。
患病的 做 a 夫妻 的 事物 這裡： 我們的 範圍， 我是 去 到 澆水 我的 點，
我是 去 到 跑步 a T檢驗， 和 I 喜歡 到 看 在 這 密度。
這是 二 範例 的 什麼 一些 數據 可能 看 喜歡。
在 這 左邊 是 a 相當 分離 人口
的 結果， 這 生物標誌物 數位 一。
這 不同之處 是 關於 2、2.5。
這些 是 產生 從 a 普通的 分配
作為 是 這 的 在 這 右手 邊。
這裡， 這 不同之處 是 a 小的 較少的。
你 能 看 在 兩個都 地方，
我們 會 結論 那 有 a 不同之處 之間 這些 二 人口。
這 一 在 這 正確的 存在 更近 一起
是 更難 到 區分 比 這 一 在 這 左邊。
我們 用過的 a T檢驗 為了 那。
現在 這 問題 變成，
如何 許多 樣品 會 I 需要
如果 我是 去 到 跑步 這 實驗？
再次， 讓我們 看 在 那。
讓 我 只是 步 透過 我的 工作流程 建造者
所以 它 關閉 向下 我們的 數據 表。
美國能源部 樣本 尺寸 探險家 功率。
I 想 力量 為了 二 獨立的 樣本 方法。
I 拉 那 向上， 你會 看 那 有 相當 a 很少 事物 到 看 在。
第一的， 我們 有 這 測試 類型。 它是 去 到 是 雙面的。
我們的 阿爾法 是 0.05，
和 這 團體 人口 標準 偏差 是 不是 假定 到 是 已知。
是 猜測 在 那些。
到 計算 我的 樣本 尺寸， I 需要 到 充滿 在 這 資訊.
這 是 我的 計算機 部分。 I 有 二 組。
我是 去 到 開始 超過 這裡 在 這 右手 邊。
I 有 二 團體 標準 偏差 到 放 在 估計 為了。
我是 去 到 認為 那 一 團體 是 較少的 多變的 比 這 其他 團體。
下一個， I 需要 到 充滿 在 這 不同之處 到 探測。
這裡， 我是 使用 標準 偏差 單位，
和 我是 去 到 說 I 想 到 探測 a 一 標準 偏差 單元 不同之處。
下一個， 我已經 得到 正確的 現在 樣本 尺寸 的 三十 在 每個 團體
那 給出 我 a 非常 高的 力量。
我是 去 到 降低 這 力量 到 90，
和 I 看 那 為了 a 力量 的 90 到 探測 a 不同之處 的 一
之間 這些 二 團體， I 需要 a 樣本 尺寸
的 15 主題 在 每個 團體。
那 似乎 合理的。
現在， 你 能 看 在 這些 圖形 到 看 那
如何 你的 猜測， 你的 假設 可能 影響 這 力量 的 你的 學習。
我們 能 看 那 這 標準 偏差 有 相當 a 位元 的 影響。
作為 我的 標準 偏差 增加，
所以 我的 數據 變成 更多的 傳播 出去， 我的 力量 減少。
它是 去 到 是 更難 到 探測 這 不同之處。
你 能 看 是 在 a 甜的 點 在 這 樣本 尺寸。
作為 I 增加 這 樣本 尺寸，
我的 力量 是 去 到 增加， 但 不是 可怕 非常。
作為 I 減少， 如果 I 去了 向下 到 關於 10，
我的 力量 是 去 到 去 向下 到 關於 八。
但 讓我們 去 後退 到 這 觀點 現在。
I 想 關於 15 樣品 每 團體。
在 這 實例， 到 得到 15 積極的 樣品
從 a 學習 在哪裡 我是 招生 人們，
和 如果 I 有 a 10 % 盛行率 速度
的 疾病 超過 這 學習 時期， I 會 需要 關於 150 科目。
如果 這 盛行率 曾是 低的 或者 說， 僅有的 5% 然後 I 會 需要 300 科目。
再次， 樣本 尺寸 是 a 風險 益處 計算，
所以 我們 想 到 考慮 各種各樣的 樣本 尺寸。
全部 正確的， 現在 到 我們的 第二 例子。
這 是 漿紗 a 學習 和 a 部分 端點。
出色地 使用 這 分配 平台
和 出色地 使用 這 間隔 探險家 為了 一 樣本 部分。
這 是 基於 在 這 問題 的 如何 許多 樣品 做 I 需要
到 證明 敏感度 和 特異性 為了 監管 歸檔？
I 做 a 很多 的 工作 在 診斷。
在 診斷， 敏感度 是 簡單地 這 部分 的 積極的 案例
那 你的 測試 呼叫 積極的， 和 這 特異性 是 這 部分
的 消極的 案例 那 你的 測試 呼叫 消極的。
我們 一般來說 計算 樣本 尺寸 為了 每個 的 這些 指標 個別地，
和 然後 我們 添加 為了 這 全部的 樣本 尺寸 為了 a 回顧 學習
在哪裡 我已經 已經 得到 樣品， 也許 在 a 冰箱 或者 從 a 夥伴，
和 我是 只是 去 到 拉 出去 這 的 那 I 需要。
為了 a 預期 學習， 再次， 我們 會 使用 這 盛行率
到 計算 這 全部的 數位 的 主題 到 註冊，
相似地 作為 我們 做過 在 這 最後的 例子。
再次， 我們 需要 一些 初步的 資訊.
這 目標 的 這 學習 是 a 監管 歸檔，
所以 a 高的 等級 的 證據 是 需要。
然後 這 特別的 產業 部門， I 需要 到 證明
那 這 降低 信心 限制 為了 敏感度 和 特異性
是 更大 比 80 %。
這 學習 設計 是 a 回顧 學習。
它是 a 審查 的 CT 掃描 .
這 假設 是 那 這 敏感度 的 識別
這 結果 是 0.9 和 特異性 是 0.85。
I 需要 到 理解 這 信心 間隔 作為 一個 結果，
和 I 需要 a 計算機 為了 信心 間隔 為了 部分。
再次， 這 問題， 如果 I 有 數據， 什麼 會 I 做？
讓我們 看 在 那。
再次， I 產生 一些 數據。
I 有 a 參考 標準 在哪裡 I 有 關於 145 消極的 樣品
和 144 積極的 案例 或者 樣品。
然後 I 有 這 測試 結果， 積極的 和 消極的。
你 能 看 他們是 不是 完美的。
一些 的 這 案例 那 這 測試 呼叫 消極的 是 實際上 積極的，
和 一些 的 這 案例 那 這 測試 呼叫 積極的 是 實際上 消極的。
如何 會 I 看 在 這？
出色地， I 可以 製表 它
和 來 向上 和 這 % 的 積極的 案例 那 這 測試 呼叫 積極的
和 這 % 的 消極的 案例 那 這 測試 呼叫 消極的。
但 I 想 信心 間隔。
我是 去 到 使用 這 分配 平台，
和 我是 去 到 看 在 這 部分 在 這 測試 案例 經過 這 參考 案件。
再次， 讓我們 添加…
我們 想 到 添加， 對不起， 錯誤的 紅色的 三角形 菜單。
我們 想 到 添加 信心 間隔，
和 I 握住 向下 我的 控制 鑰匙 到 pod送 那些。
現在 I 能 看 和 看 什麼是 去 在 這裡。
為了 這 案例 那 經過 這 參考 是 積極的，
這 新的 方法 呼叫 135 的 那些 積極的， 所以 93.75，
和 I 有 我的 信心 間隔 那 去 從 88-96.6
你會 看 這 筆記 這裡 那 說， 計算 使用 分數 信心 間隔。
然後 這 事物 到 筆記 這裡
是 那 a 分數 信心 間隔 是 不是 對稱。
我們 能 看 在 那。
這裡 I 產生 a 形象的，
和 你 能 看 那 什麼時候 是 在 這 低的 結尾，
所以 a 可能性 的 0.1，
你 能 看 那 這 上 信心 限制 是 更高
作為 比較的 到 這 觀點 估計 比 這 降低 信心 間隔。
這 觀點 估計 是 不是 居中 在 這 中間 的 這些 信心 間隔。
那是 只是 這 自然 的 這 核 信心 間隔。
這 問題 現在 是，
如何 許多 樣品 做 I 需要 到 展示 那
我的 降低 信心 限制 是 在 至少 0.8， 給定 這 假設 的 這裡
我們 有 為了 敏感度， 哪個 是 這 積極的 邊，
那 我們 是 去 到 是 更大 比 0.9， 和 在 這 消極的 邊
那 我們 是 去 到 是 更大 比 0.85。
這裡 我們 能 看 那 在 0.85， 我的 降低 信心 限制 是 僅有的 0.78。
I 會 需要 a 很少 更多的 樣品 在 命令 到
展示 那 我的 降低 信心 限制 是 更大 比 0.8。
再次， 這 問題 是 現在 那 I 理解 什麼 我是 尋找 為了
是 如何 很多 數據 應該 I 收集？
讓我們 去 到 美國能源部 樣本 尺寸 探險家，
信心 間隔 為了 一 樣本 部分。
讓我們 放 在 這 例子 這裡。
讓我們 放 在 我們的 部分 的 0.9375，
和 這 樣本 尺寸 那 我們 有 用過的 這裡， 哪個 曾是 144.
I 有 左邊 這 間隔 類型 作為 雙面的，
信心 間隔， 信心 等級 是 95 %。
和 這 樣本 尺寸 的 144， 如果 我的 部分 來 出去 到 是 93.75，
我的 利潤 的 錯誤 是 0.04。
好吧， 什麼是 利潤 的 錯誤？
利潤 的 錯誤 是 這 一半 寬度 的 這 信心 間隔。
如果 它 曾是 a 對稱 信心 間隔，
它 會 是 你的 加 或者 減 價值 超過 你的 觀點 估計。
但 在 這 案件 的 a 分數 信心 間隔，
和 那是 什麼 這 計算機 是 基於 在，
這 是 這 一半 寬度 的 你的 信心 間隔。
但 我們 能 看 那…
和 這 93.75， 這 利潤 的 錯誤 的 0.04，
它是 不是 簡單地 a 減 0.04 從 這 93.75
因為 我們 注意到 那 什麼時候 我們 做過 這 計算
那 我們的 降低 信心 限制 曾是 0.88。
這 樣本 尺寸 是 更多的 比 充足的 為了 什麼 我們 需要。
我們 僅有的 需要 a 信心 限制 的 0.8。 讓我們 做 那 計算。
讓我們 放 在 我們的 假定 價值 的 0.9，
和 讓我們 放 在 a 利潤 的 錯誤 的， 說， 0.08。
我們 知道 那 0.1 是 去 到 低估 我們的 樣本 尺寸。
如果 我們 做 這 和 我們 說， 全部 正確的， 為了 a 部分 的 0.9，
利潤 的 錯誤 是 0.08， 我們的 樣本 尺寸， 它 說， 是 56.
好的， 出色地， 讓我們 再檢查一下 那。
到 做 那，
I 建造 a 計算機
在哪裡 I 能 放 在 我的 假定 部分 和 I 能 放 在 這 價值 的 56.
如果 I 跑步 這 分配，
和 什麼 I 做過 這裡 是 I 有 一個 結果 的 一 和 零， 和 I 有 a 頻率。
如果 I 重新啟動 這，
I 使用 這 結果 和 I 使用 這 頻率 柱子
到 給 我 這 分配 作為 如果 I 有 51年代 和 六 零 在 我的 數據 文件。
出色地， 什麼 做 那 看 喜歡？
和 a 樣本 尺寸 的 56歲，
a 部分 的 關於 0.9， 我的 降低 信心 限制，
使用 a 分數 信心 間隔 是 0.78。
這 樣本 尺寸 的 56 給出 我 這 精確 那 I 問 為了，
這 利潤 的 錯誤 的 0.08， 但 它 沒有 相當 給 我
這 降低 限制 在 這 信心 間隔 那 I 需要 為了 這 情況。
讓我們 放 在 a 輕微地 更大 樣本 尺寸。
讓我們 製作 這 65.
那 給出 我 a 利潤 的 錯誤 的 0.074， 哪個 是 輕微地 更緊 比 這 0.08，
和 讓我們 看 什麼 那 看起來 喜歡 在 我的 分數 信心 間隔。
如果 I 做 那， 現在 I 看 那 我的 降低 信心 限制 是 多於 這 0.8。
這 觀點 的 這 曾是 不是 到…
這 觀點 的 這 曾是 真的 到 展示 你 那 它是 重要的 到 理解
什麼 它 是 你是 嘗試 到 展示， 和 它是 重要的 到 理解
什麼 是 它 那 你的 樣本 尺寸 計算機 是 提供 到 你。
那裡 是 樣本 尺寸 計算機 全部 超過 這 網際網路.
然後 在 跳轉， 我們 有 a 所有的 旋轉 的 樣本 尺寸 計算機,
探險家 到 看 在。
它是 重要的 到 理解 什麼 是 你的 端點，
什麼 是 你 嘗試 到 解決， 和 什麼 是 它 那 你的 計算機
是 計算 為了 你。
一次 你 做 那， 然後 你是 更好的 知情
為了 製作 決策 作為 到 如何 許多 樣品 做 你 真的 需要。
讓我們 結束 向上 和 只是 a 很少 簡短的 評論 在 額外的 主題。
其他 方法 那 你 能 得到 在 樣本 尺寸。
一 是 模擬。
你 能 使用 飛行員 數據 到 定義 分佈，
使用 隨機的 數位 發電機 到 產生 a 學習 基於 在 那些 分佈。
然後 你 能 分析 那 數據 到 看 如果 你的 端點 是 的。
是 它 的？ 是的 或者 不？
然後 你 能 重複 那 一些 大的 數位 的 次
和 計算 這 部分 的 次， 你的 端點 是 的。
在 a 感覺， 你的 力量。
如何 可能 是 你 到 見面 你的 端點 給定 你的 假設？
I 喜歡 到 做 那。 模擬 是 有用。
再次， 然而， 它是 全部 基於 在 你的 假設。
如果 你的 假設 是 錯誤的， 你的 樣本 尺寸 可能 不是 是 大的 足夠的。
其他 事物 那 常 發生 是 那 我們 有 到 製作
這 最好的 分配 的 什麼 我們 有。
我們 可能 有 1,000 樣品 在 這 冰箱
和 我們 知道 什麼 他們的 結果 是 和 我們 想 到 測試 他們 在 a 新的 測試
或者 我們 想 到 發展 a 新的 測試。
如何 許多 能 我們 使用 到 火車 一個 演算法?
如何 許多 做 我們 需要 到 使用 到 證實 那 演算法?
有時 我們 有 到 拿 這 樣本 數位 那 我們 有。
使用 這 樣本 尺寸 探險家 到 評價 什麼 你 可能 是 有能力的 到 總結一下，
和 然後 使用 那些 發現 到 決定 如果 什麼 你 有 是 充足的 到 繼續
和 這 實驗
和 這 發展 的 你的 測試 或者 產品。
那是 什麼 I 有 在 樣本 尺寸。 它是 更多的 比 a 數字。
它是 基於 在 什麼 它 是 你是 嘗試 到 決定
和 如何 你是 去 到 分析 這 數據 一次 你 得到 那 數據。
它是 一個 勘探， 你 想 到 拿 進入 帳戶
如何 做 那些 假設 那 你 製作 影響 那些 樣本 尺寸
和 對沖 你的 賭注 為了 a 偉大的 結果。
感謝 你， 和 那是 它。
