Wielkość próby potrzebna do oszacowania prawdopodobieństwa „sukcesu” w próbie Bernoulliego


13

Załóżmy, że gra oferuje wydarzenie, które po zakończeniu daje nagrodę lub nic. Dokładny mechanizm określania, czy nagroda jest przyznawana, jest nieznany, ale zakładam, że zastosowano generator liczb losowych, a jeśli wynik jest większy niż pewna zakodowana wartość, otrzymasz nagrodę.

Jeśli chcę w zasadzie dokonać inżynierii wstecznej, jaką wartość zastosowali programiści w celu ustalenia, jak często przyznawana jest nagroda (szacunkowo 15–30%), jak obliczyć liczbę potrzebnych próbek?

Zacząłem od sekcji „Estimator prawdziwego prawdopodobieństwa” tutaj: Checking_whether_a_coin_is_fair , ale nie jestem pewien, czy idę właściwą ścieżką. Otrzymywałem wyniki ~ 1000 próbek potrzebne dla maksymalnego błędu 3% przy 95% pewności.

Ostatecznie oto, co próbuję rozwiązać:

  • Event nr 1 daje nagrodę 1.0R, X% czasu
  • Event nr 2 daje nagrodę 1.4R, Y% czasu

Chciałbym oszacować X i Y wystarczająco dokładnie, aby ustalić, które zdarzenie jest bardziej wydajne. Duże rozmiary próbek stanowią problem, ponieważ mogę uzyskać tylko 1 próbkę co najwyżej 20 minut.


6
Otrzymywałem wyniki ~ 1000 próbek potrzebnych do maksymalnego błędu 3% przy 95% pewności. ” --- właściwie; dlatego w sondażach często bierze się udział około 1000 osób ... a następnie zgłasza margines błędu rzędu 3%. Stosuje się całkiem dobrze, gdy odsetek nie jest bliski 0 lub 1 (w takich przypadkach jest zbyt szeroki)
Glen_b

1
Co rozumiesz przez „który jest nawet bardziej wydajny”? Masz na myśli „które wydarzenie ma większą oczekiwaną nagrodę”?
Glen_b

1
Tak, staram się dowiedzieć, która z nich ma większą oczekiwaną nagrodę w miarę upływu czasu. Nie mogę zrobić obu wydarzeń - muszę wybrać jedno lub drugie. Chociaż zdarzenie nr 1 daje mniejszą nagrodę, możliwe jest, że częściej daje nagrodę.
Brad

2
Możesz użyć sekwencyjnego próbkowania , w którym wielkość próbki nie jest ustalona z góry. Zaletą tego podejścia jest to, że gwarantuje pewność bez względu na (nieznane) prawdopodobieństwo. Zobacz na przykład tutaj ; zwłaszcza ostatni cytowany artykuł
Luis Mendo,

Odpowiedzi:


5

XBin(n,p)
nppp^=X/np(1p)n14np=121/4n=12n0.03
22n0.03
n1112p

2

Wiem, że jest mniej elegancki, ale musiałem to zasymulować. Nie tylko zbudowałem dość prostą symulację, ale jest ona nieelegancka i wolno działa. Ale to wystarczy. Jedną z zalet jest to, że dopóki niektóre podstawy są prawidłowe, powie mi, kiedy upadnie eleganckie podejście.

Wielkość próbki będzie się zmieniać w zależności od wartości zakodowanej na stałe.

Oto kod:

#main code
#want 95% CI to be no more than 3% from prevalence
#expect prevalence around 15% to 30%
#think sample size is ~1000

my_prev <- seq(from=0.15, to=0.30, by = 0.002)

samp_sizes <- seq(from=400, to=800, by = 1)
samp_sizes

N_loops <- 2000

store <- matrix(0,
                nrow = length(my_prev)*length(samp_sizes),
                ncol = 3)
count <- 1

#for each prevalence
for (i in 1:length(my_prev)){

     #for each sample size
     for(j in 1:length(samp_sizes)){

          temp <- 0

          for(k in 1:N_loops){

               #draw samples
               y <- rbinom(n = samp_sizes[j],
                           size = 1,
                           prob = my_prev[i])

               #compute prevalence, store
               temp[k] <- mean(y)

          }

          #compute 5% and 95% of temp
          width <-  diff(quantile(x = temp,probs = c(0.05,0.95)))

          #store samp_size, prevalence, and CI half-width
          store[count,1] <- my_prev[i]
          store[count,2] <- samp_sizes[j]
          store[count,3] <- width[[1]]

          count <- count+1
     }

}


store2 <- numeric(length(my_prev))

#go through store
for(i in 1:length(my_prev)){
     #for each prevalence
     #find first CI half-width below 3%
     #store samp_size

     idx_p <- which(store[,1]==my_prev[i],arr.ind = T)
     idx_p

     temp <- store[idx_p,]
     temp

     idx_2 <- which(temp[,3] <= 0.03*2, arr.ind = T)
     idx_2

     temp2 <- temp[idx_2,]
     temp2

     if (length(temp2[,3])>1){
     idx_3 <- which(temp2[,3]==max(temp2[,3]),arr.ind = T)
     store2[i] <- temp2[idx_3[1],2]
     } else {
          store2[i] <- temp2[2]
     }


}


#plot it
plot(x=my_prev,y=store2,
     xlab = "prevalence", ylab = "sample size")
lines(smooth.spline(x=my_prev,y=store2),col="Red")
grid()

±

wielkość próby a rozpowszechnienie

Z dala od 50%, jak sugeruje kjetil, wydaje się, że wymagane są „nieco mniej obserwacji”.

Myślę, że można uzyskać przyzwoity szacunek rozpowszechnienia przed 400 próbkami i dostosować strategię pobierania próbek w miarę upływu czasu. Nie sądzę, że powinien być impuls na środku, więc możesz podbić N_loops do 10e3 i podnieść „przez” w „my_prev” do 0,001.


Jeśli jest to powolne, to dlatego, że kroki są o wiele za małe!
kjetil b halvorsen

@kjetilbhalvorsen - było wystarczająco dobre. „Powolny” był zrzeczeniem się odpowiedzialności i „poręczą”, która może pomóc pytającemu poczuć się bardziej komfortowo, stosując metodę. Jeśli nie znasz metody analitycznej, symulacja może pomóc Ci się uczyć lub pomóc ci zdecydować, czy musisz poprosić o pomoc.
EngrStudent,

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.