Como calcular um tamanho de amostra para validar a correção / incorreta de registros em uma tabela de dados?

Eu li as respostas existentes no CrossValidated (além de outros locais on-line) e não consigo encontrar o que estou procurando, mas, por favor, aponte-me para as fontes existentes, caso as tenha perdido.

Digamos que eu tenho um conjunto de dados de N = 1000 registros, cada um dos quais pode ser amostrado manualmente e rotulado como 'Válido' ou 'Inválido' (ou Verdadeiro / Falso, Certo / Errado, etc.).

Desejo atingir um determinado nível de confiança de que todos os registros no conjunto de dados são válidos. Como exemplo de registros, se eu encontrar um único inválido, voltarei a alterar a forma como o conjunto de dados é criado para corrigir isso e problemas semelhantes.

Portanto, depois de algumas iterações para localizar Invalids, corrigir e recriar o conjunto de dados, faço algumas amostragens que incluem apenas registros válidos. Se eu quero ter (digamos) 99% ou 95% de certeza de que todos os registros são válidos, qual o tamanho da minha amostra? (Idealmente em função de N.)

Tentei brincar com os testes hipergeométricos ( http://en.wikipedia.org/wiki/Hypergeometric_distribution#Hypergeometric_test ) - nesse contexto, quero saber o que k deve ser, mas não tenho um valor fixo de K Em vez disso, quero escolher k de modo que K seja provavelmente igual a N - mas definir K = N obviamente resulta em uma probabilidade de 1! Também estou me perguntando se preciso usar uma abordagem bayesiana, mas não entendo as estatísticas bayesianas o suficiente.

bayesian sampling sample-size hypergeometric Stuart J Cuthbertson
fonte

possível duplicata de Calculando intervalos de confiança para uma proporção em que não há 'sucessos' na amostra

Scortchi - Restabelecer Monica

Também aqui e aqui .

Scortchi - Restabelecer Monica

Obrigado. Eu acho que todos os três são úteis e o terceiro (em particular) é basicamente o mesmo cenário que eu tenho. Vou ver o que posso fazer com essas respostas - a Regra dos Três parece muito útil!

Stuart J Cuthbertson

De nada. Edite sua pergunta aqui se algo não estiver claro.

Scortchi - Restabelece Monica

Você provavelmente já resolveu o problema agora: mas como a pergunta não foi encerrada como duplicada, & não é uma duplicata exata; Eu pensei que valeria a pena soletrar uma resposta.

Scortchi - Restabelece Monica

Respostas:

$K>0$ $K=0$ $k=0$ $K=1$ $n$ $N$ $k$

f (k) = \frac{(\binom{K}{k}) (\binom{N - K}{n - k})}{(\binom{N}{n})}

$f(k) = \frac{\binom{K}{k}\binom{N-K}{n-k}}{\binom{N}{n}}$

= \frac{(\binom{1}{0}) (\binom{N - 1}{n - 0})}{(\binom{N}{n})}

$= \frac{\binom{1}{0}\binom{N-1}{n-0}}{\binom{N}{n}}$

= \frac{N - n}{N} = p

$=\frac{N-n}{N}=p$

Portanto, o tamanho mínimo da amostra necessário para poder rejeitar a hipótese nula em um nível de significância (ou equivalente para obter um intervalo de confiança unilateral de ) é simplesmente $n^*$ $p$ $\alpha=1-p$ $K=0$

n^{*} = ⌈ (1 - p) N ⌉

$n^*=\lceil (1-p) N \rceil$

n^{*} = ⌈ α N ⌉

$n^*=\lceil \alpha N \rceil$

Com e , . Se isso parecer muito, considere que todos os mil registros válidos são um critério estrito; se você considerar relaxar, a mesma abordagem pode ser usada para testar, digamos . $N=1000$ $\alpha=0.95$ $n^*=950$ $K>9$

Scortchi - Restabelecer Monica
fonte

Essa é uma abordagem diferente do que eu concluí lendo os artigos vinculados (ou seja, aplicando a Regra dos Três). No entanto, faz muito sentido e é menos conservador do que a Regra 3 (que, se eu fiz minhas somas corretamente, recomenda amostrar 3000 registros para N = 1000). A conclusão geral de "estatísticas diz que você também pode verificar basicamente tudo se precisar ter essa certeza" se aplica a qualquer abordagem.

Stuart J Cuthbertson

Bem, observe que a Regra dos Três se aplica apenas aproximadamente à amostragem sem substituição de uma população finita; quando .

n ≪ N

$n \ll N$

Scortchi - Restabelece Monica