Nuestro estimador es [math] \ hat {p} [/ math], la proporción empírica. Muestramos bombillas [matemáticas] n [/ matemáticas]. La varianza de nuestro estimador es [matemática] \ frac {p (1-p)} {n} [/ matemática]. Podemos conectar el estimado [matemático] p = 0.01 [/ matemático] para estimar la varianza correspondientemente.
Por lo tanto, el intervalo de confianza (95%) para nuestra estimación del valor verdadero de [matemáticas] p [/ matemáticas] es [matemáticas] \ hat {p} \ pm 1.96 \ sqrt {\ frac {0.01 (0.99)} {n }}[/mates].
Entonces, si queremos estimar el valor de [math] \ hat {p} [/ math] dentro de [math] \ pm x [/ math], entonces simplemente establecemos [math] x = 1.96 \ sqrt {\ frac {0.01 (0.99)} {n}} [/ matemáticas]
- ¿Quién es el Alan Turing de nuestro tiempo?
- Cómo resolver la Competencia de Computación Canadiense de 1996, Etapa 1, Problema C (vea el enlace del problema a continuación)
- ¿Por qué es más fácil la adición de peano para una computadora?
- ¿Cuál es la relación del valor ap y la medida estadística de prueba?
- ¿Cuáles son los mejores momentos 'aha' que tiene cuando resuelve problemas de matemáticas / programación?
Por ejemplo, si queremos estimar [matemática] \ hat {p} [/ matemática] con una precisión de [matemática] \ pm 0.05% [/ matemática] con una confianza del 95%, entonces establecemos [matemática] n [ / math] para resolver [math] 0.0005 = 1.96 \ sqrt {\ frac {0.01 (0.99)} {n}} [/ math].
Obtenemos [matemáticas] n \ aproximadamente 152,000 [/ matemáticas].
¡Son muchas bombillas!