Zabezpieczenie stu tabletek, tysiąca woreczków albo wielu podobnych opakowań stawia inne pytanie niż analiza jednej porcji proszku. Laboratorium obserwuje tylko wybrane jednostki, lecz organ procesowy może oczekiwać wniosku o całej, skończonej populacji. Takie przejście jest dopuszczalne wyłącznie wtedy, gdy populację zdefiniowano przed badaniem, każda jednostka miała znaną szansę wyboru, a model i ryzyko odpowiadają treści wniosku.

Plan probabilistyczny nie jest sposobem na „uznanie reszty za narkotyk”. Jest procedurą kontrolowania ryzyka błędnego uogólnienia przy ściśle opisanym pytaniu. Wyniki odnoszą się do cechy jednostek należących do określonej populacji, nie do sprawstwa, wspólnego źródła, jednorodnego stężenia ani statusu prawnego obiektów, których do tej populacji nie włączono.

Jednostka, populacja i cecha

Jednostką próbkowania może być tabletka, kapsułka, saszetka, pakiet, worek albo inny obiekt, który można jednoznacznie policzyć i wybrać. Populacja to zamknięty zbiór takich jednostek, do którego ma odnosić się wniosek. Cecha jest wynikiem możliwym do przypisania każdej jednostce, na przykład potwierdzona obecność oznaczonej substancji.

Tych trzech poziomów nie wolno mieszać. Pięć porcji pobranych z jednego worka nie jest próbą pięciu worków. Dziesięć wstrzyknięć ekstraktu jednej tabletki nie daje dziesięciu niezależnych obserwacji. Jednostka statystyczna powinna odpowiadać jednostce, o której laboratorium zamierza wnioskować.

Pytanie dowodowe przed losowaniem

Plan zaczyna się od zdania, które ma znaleźć się w opinii. Innej próby potrzeba, aby wykazać, że co najmniej jedna jednostka zawiera analit, innej, aby z kontrolowanym ryzykiem stwierdzić, że co najmniej określona część populacji jest dodatnia, a jeszcze innej, aby oszacować średnią zawartość lub masę netto.

Pytanie jakościowe ma zwykle postać binarną: czy jednostka spełnia z góry ustalone kryterium identyfikacji. Pytanie ilościowe dotyczy rozkładu stężeń lub mas i wymaga uwzględnienia ich wariancji. Hipergeometryczny plan liczby jednostek dodatnich nie staje się przez to planem wyznaczania średniego stężenia.

Zamknięcie populacji

Przed wyborem sporządza się spis jednostek: ich liczbę, identyfikatory, położenie i cechy opakowania. Populacja musi mieć granicę fizyczną i czasową. Przedmioty dostarczone później, znalezione w innym miejscu albo objęte inną plombą nie wchodzą automatycznie do wcześniejszego rachunku.

Wspólna sprawa lub wspólny transport nie wystarczają do utworzenia jednej populacji. Różne logo, barwa, masa, typ opakowania, numer partii, oznaczenie, stan skupienia lub miejsce zabezpieczenia mogą uzasadniać osobne warstwy albo populacje. Łączenie powinno opierać się na cechach dostępnych przed poznaniem wyników chemicznych, chyba że plan jawnie przewiduje etapową klasyfikację.

Jednorodność wizualna i chemiczna

Podobny wygląd wspiera hipotezę wspólnej populacji, ale jej nie dowodzi. Podrabiane tabletki z jednym logo mogą zawierać różne substancje lub dawki, a identyczne saszetki mogą pochodzić z kilku napełnień. Odwrotnie, różnica odcienia nie musi oznaczać różnego składu chemicznego.

Oględziny służą więc do zaprojektowania próby, nie do zastąpienia analizy. Fotografia, masa jednostkowa, wymiary, nadruk i opakowanie powinny pozostać powiązane z identyfikatorem. Nietypowej jednostki nie wolno usuwać jako odstającej tylko dlatego, że utrudnia uogólnienie.

Plan nieprobabilistyczny

Badanie wszystkich jednostek, wybór celowany albo stała liczba obiektów mogą być odpowiednie, jeżeli wniosek zostaje ograniczony do faktycznie zbadanych elementów. Plan celowany wybiera obiekty najbardziej informacyjne, podejrzane lub bezpiecznie dostępne. Jest użyteczny w triage, lecz nie zapewnia znanego prawdopodobieństwa reprezentacji całej populacji.

Reguła pierwiastka z liczby jednostek, wybór „dziesięciu procent” albo pięciu obiektów z każdego kartonu nie mają automatycznie określonego poziomu ufności. Mogą być przyjętą polityką laboratorium, ale nie wolno dopisywać im probabilistycznej treści bez odpowiadającego modelu.

Co znaczy losowanie probabilistyczne

W planie probabilistycznym każda jednostka ma znane, niezerowe prawdopodobieństwo znalezienia się w próbie. Nie zawsze musi ono być identyczne, lecz różnice muszą wynikać z projektu i zostać uwzględnione w estymacji. Fizyczna możliwość wybrania każdej jednostki jest równie ważna jak poprawny generator liczb.

Jeżeli dolne warstwy kartonu były niedostępne, lista obejmowała tylko pierwszą paletę albo zniszczone opakowania pominięto bez reguły, rzeczywista rama losowania jest węższa niż deklarowana populacja. Rachunek wykonany dla pełnego N nie naprawia takiego błędu pokrycia.

Losowanie proste bez zwracania

Najprostszy projekt nadaje każdej z N jednostek unikalny numer i losuje n różnych numerów. Po wybraniu jednostka nie wraca do populacji. Dla skończonej populacji naturalnym modelem liczby jednostek dodatnich w próbie jest rozkład hipergeometryczny.

Losowanie z kartki lub ręczne sięganie do pojemnika jest wiarygodne tylko wtedy, gdy jednostki rzeczywiście wymieszano i żadna nie jest łatwiejsza do wybrania. Zwykle lepszy jest zwalidowany generator liczb oraz wydrukowana lista podstawowa i zapasowa. Ziarno, algorytm lub plik wynikowy pozwalają odtworzyć wybór.

Rozkład hipergeometryczny

Jeżeli populacja liczy N jednostek, K z nich ma badaną cechę, a próba bez zwracania obejmuje n jednostek, prawdopodobieństwo uzyskania dokładnie x dodatnich wyników wynosi:

P(X=x) = C(K,x) · C(N−K,n−x) / C(N,n).

Symbol C(a,b) oznacza liczbę kombinacji b elementów z a. Model uwzględnia to, że po każdym pobraniu skład pozostałej populacji się zmienia. Dlatego model dwumianowy, zakładający niezależne losowania ze stałym prawdopodobieństwem, jest tylko przybliżeniem, gdy próba stanowi małą część bardzo dużej populacji.

Hipoteza o minimalnym udziale

Częstym celem jest kontrola ryzyka przy twierdzeniu, że co najmniej określony udział populacji jest dodatni. Najpierw przelicza się ten udział na minimalną liczbę K, z jawną regułą zaokrąglenia. Następnie dobiera n tak, aby prawdopodobieństwo uzyskania obserwowanego wyniku przy niekorzystnej granicy nie przekraczało przyjętego ryzyka.

Parametru minimalnego udziału nie wybiera się po zobaczeniu próby. Stwierdzenie „co najmniej 90%” i „co najmniej połowa” prowadzą do innych liczebności i innej treści. Im silniejsze uogólnienie i mniejsze dopuszczalne ryzyko, tym zwykle większa próba.

Wszystkie zbadane jednostki dodatnie

Najprostszy schemat zakłada, że wszystkie n losowo wybrane jednostki dają wynik dodatni. Dla każdej możliwej liczby dodatnich K w populacji można obliczyć prawdopodobieństwo takiego zdarzenia. Dolna granica jest najmniejszym K, które pozostaje zgodne z wynikiem przy przyjętym poziomie ufności zgodnie z wybraną konwencją.

Granica nie oznacza, że dokładnie tyle jednostek jest dodatnich, ani że prawdopodobieństwo prawdziwości konkretnego K wynosi 95%. W interpretacji częstotliwościowej poziom ufności opisuje własność procedury w serii hipotetycznych powtórzeń. Raport powinien unikać języka posteriori, jeżeli nie wykonano analizy bayesowskiej.

Gdy pojawia się wynik ujemny

Jeden ujemny wynik nie jest „przeszkodą techniczną”, lecz informacją o populacji, definicji cechy albo błędzie procesu. Plan może dopuszczać x dodatnich spośród n i wyznaczać odpowiednią granicę, ale regułę obsługi wyników mieszanych trzeba ustalić wcześniej.

Najpierw wyklucza się pomyłkę identyfikatora, niewłaściwą porcję, awarię kontroli, niedostateczną czułość i interferencję. Jeżeli wynik pozostaje ważny, nie usuwa się jednostki z rachunku. Może być konieczne zwiększenie próby, utworzenie uzasadnionych warstw albo ograniczenie opinii do zbadanych jednostek. Badanie wszystkich obiektów jest czasem jedynym rozwiązaniem.

Dolna granica a estymacja udziału

Przy samych wynikach dodatnich udział obserwowany wynosi 100%, lecz nie jest wiarygodną prognozą stuprocentowej populacji. Dolna granica odpowiada ostrożniejszemu pytaniu: jak niski udział nadal byłby dostatecznie zgodny z takim wynikiem losowania.

Punktowa estymacja, przedział ufności i test hipotezy są różnymi produktami. Narzędzie obliczające dolną granicę nie musi równocześnie podawać nieobciążonej estymacji udziału. W opinii należy nazwać dokładnie obliczoną wielkość, zamiast używać ogólnego słowa „pewność”.

Wpływ wielkości populacji

Dla małego N pobranie dużej części populacji szybko zwiększa informację, ponieważ działa poprawka na skończoną populację. Gdy n zbliża się do N, niepewność maleje, a pełne badanie usuwa niepewność selekcji dla tej zamkniętej populacji. Nie usuwa jednak błędów identyfikacji analitycznej.

W bardzo dużej populacji potrzebna liczebność może zmieniać się już niewiele po dalszym zwiększeniu N, jeżeli interesuje nas udział. Nie oznacza to, że rozmiar populacji jest nieistotny dla dokumentacji, masy, logistyki lub heterogeniczności. Kalkulator powinien używać dokładnego N, gdy jest znane.

Zaokrąglenia i dyskretność

Liczby jednostek są całkowite. Udział 90% w populacji 17 elementów nie odpowiada ułamkowej liczbie 15,3. Trzeba z góry określić, czy hipoteza oznacza co najmniej 16, czy inną całkowitą granicę, i opisać zastosowaną konwencję.

Również liczebność próby zaokrągla się w kierunku zapewniającym wymagane ryzyko. Zaokrąglenie wyniku wzoru w dół bez ponownego obliczenia prawdopodobieństwa może unieważnić poziom ochrony. Najbezpieczniej sprawdzić finalne całkowite n bezpośrednio w rozkładzie.

Losowanie warstwowe

Gdy przed badaniem widać odrębne grupy — na przykład kolory tabletek, typy zamknięcia albo kartony z różnych miejsc — można utworzyć warstwy i losować w każdej. Zapewnia to reprezentację małych, lecz ważnych podgrup i często jest efektywniejsze niż jeden wspólny koszyk.

Alokacja proporcjonalna przydziela próbę zgodnie z liczebnością warstw. Alokacja nieproporcjonalna może nadreprezentować małą warstwę wysokiego ryzyka, lecz końcowy wniosek wymaga właściwych wag. Nie wolno zsumować wszystkich wyników tak, jakby jednostki miały tę samą szansę wyboru.

Losowanie systematyczne

Po losowym punkcie startowym można wybierać co k-tą jednostkę z kompletnej listy. Projekt jest prosty operacyjnie i dobrze rozkłada próbę, ale staje się podatny na okresowość. Jeżeli kolejność pakowania powtarza się w rytmie zgodnym z krokiem, próba może systematycznie omijać część produkcji.

Lista musi obejmować całą populację, a punkt startowy być losowy. „Pierwsza z każdego rzędu” bez losowego startu jest wyborem wygodnym, nie systematycznym planem probabilistycznym.

Losowanie klastrowe i wielostopniowe

W dużym zabezpieczeniu jednostki mogą być zagnieżdżone w paczkach, kartonach i paletach. Plan wielostopniowy najpierw losuje klastry, następnie jednostki wewnątrz nich. Zmniejsza koszty, ale obserwacje z jednego klastra mogą być silnie podobne, więc nominalna liczba tabletek przecenia efektywną informację.

Pobranie wielu jednostek z jednego wybranego kartonu nie uzasadnia wniosku o niewylosowanych kartonach, jeżeli pierwszy etap nie miał podstawy probabilistycznej. Raport musi podać oba mianowniki i prawdopodobieństwa na każdym etapie.

Plan adaptacyjny

Plan może przewidywać rozszerzenie próby po wykryciu rozbieżności, ale warunki przejścia powinny być zapisane przed badaniem. Przykładowo pierwszy etap służy wykryciu heterogeniczności, a drugi uruchamia losowanie w nowo rozpoznanych warstwach. Adaptacja nie oznacza dowolnego dobierania obiektów do chwili uzyskania wygodnego wyniku.

Każdy etap zachowuje wyniki, listy i powód decyzji. Jeżeli późniejsza klasyfikacja używa informacji z pierwszego etapu, model końcowy musi uwzględniać sposób selekcji. Proste potraktowanie wszystkich zbadanych jednostek jako jednej losowej próby bywa niepoprawne.

Screening jako podstawa warstw

Raman, FTIR, obrazowanie lub cechy opakowania mogą pomóc pogrupować wszystkie jednostki przed analizą potwierdzającą. Warunkiem jest objęcie klasyfikacją całej ramy losowania, zachowanie wyników i walidacja reguły przypisania. Klasa „nieznana” lub „odstająca” musi pozostać widoczna.

Błąd screeningu przenosi się na plan. Jeżeli fałszywie podobne obiekty trafiają do jednej warstwy albo obiekty trudne do pomiaru zostają pominięte, dalsze losowanie nie odzyskuje utraconej informacji. Potwierdzenie chemiczne powinno obejmować próbę z każdej warstwy, a nie tylko największy klaster.

Wybór jednostki i wybór porcji

Losowanie tabletki rozstrzyga, która jednostka zostanie zbadana. Nadal trzeba pobrać z niej porcję reprezentującą tę tabletkę. Jeżeli substancja jest nierównomiernie rozłożona, odprysk z powierzchni może dać inny wynik niż homogenat całej jednostki.

Są to dwa kolejne poziomy próbkowania. Hipergeometria opisuje wybór jednostek, nie niepewność porcji wewnątrz każdej z nich. Procedura przygotowania powinna zapewniać, że binarna klasyfikacja jednostki ma określoną czułość względem przyjętej cechy.

Kryterium wyniku dodatniego

Przed badaniem definiuje się, co oznacza dodatnia jednostka. Może to być identyfikacja substancji zgodna ze schematem selektywności SWGDRUG, a nie sam wynik testu barwnego lub pojedynczego podobieństwa bibliotecznego. Kryterium musi działać jednakowo dla wszystkich obiektów.

Wartość bliska granicy wykrywalności, wynik niespójny między metodami i brak zdolności rozróżnienia izomerów wymagają kategorii nierozstrzygającej. Wymuszenie klasyfikacji binarnej zwiększa pozorną prostotę kosztem prawdziwości modelu. Plan powinien określać, jak przypadek nierozstrzygający wpływa na uogólnienie.

Czułość i swoistość klasyfikacji

Klasyczny rachunek hipergeometryczny traktuje wynik laboratoryjny jak bezbłędną obserwację cechy. W rzeczywistości metoda ma czułość, swoistość, granice matrycowe i ryzyko kontaminacji. Przy bardzo silnym uogólnieniu nawet mały współczynnik błędu może mieć znaczenie.

Nie należy arbitralnie „korygować” liczby dodatnich bez zwalidowanego modelu błędu. Lepszą praktyką jest użycie potwierdzającej kombinacji metod, kontroli i kryteriów zapewniających wystarczająco niski błąd klasyfikacji, a ograniczenie pozostałe opisać oddzielnie. Rozszerzony model musi jawnie łączyć niepewność losowania i klasyfikacji.

Próbki zbiorcze

Połączenie fragmentów kilku jednostek może zmniejszyć liczbę analiz, lecz niszczy przypisanie wyniku. Dodatni kompozyt dowodzi, że analit wniósł co najmniej jeden składnik, nie że każda jednostka była dodatnia. Ujemny kompozyt zależy od rozcieńczenia małej dodatniej porcji poniżej granicy detekcji.

Kompozyt nie może zastąpić indywidualnych obserwacji w standardowym rachunku hipergeometrycznym. Jeżeli stosuje się testowanie grupowe, wymaga ono osobnego, zwalidowanego modelu wielkości puli, czułości, dekonsolidacji i obsługi wyniku dodatniego. Trzeba także zachować materiał pozwalający wrócić do jednostek.

Wynik ilościowy nie wynika z liczby dodatnich

Sto dodatnich tabletek może różnić się zawartością substancji o rząd wielkości. Plan jakościowy pozwala wnioskować o częstości cechy, ale nie o średnim stężeniu, sumie czystej substancji ani rozkładzie dawki. Do tego potrzebny jest projekt ilościowy i zwalidowane oznaczenie.

Jeżeli wybrane jednostki analizuje się ilościowo, estymacja średniej musi uwzględniać prawdopodobieństwa wyboru, warstwy i zmienność. W silnie skośnym rozkładzie sama średnia może być niewystarczająca; istotne są kwantyle, zakres i częstość jednostek przekraczających jawny próg.

Masa netto jako osobny measurand

Masę całej populacji najpewniej uzyskuje się przez ważenie wszystkich jednostek po odjęciu opakowań. Szacowanie jej ze średniej masy próby jest odrębnym zadaniem statystycznym. Niepewność obejmuje rozrzut mas jednostkowych, wybór próby, tarę, wilgotność i ubytek w toku badania.

Identyfikacja substancji w próbie oraz ekstrapolacja masy mogą korzystać z tych samych wybranych obiektów, lecz mają inne modele. Kalkulator SWGDRUG dotyczący masy nie powinien być utożsamiany z dolną granicą udziału dodatnich. Raport podaje wyniki i założenia osobno.

Podejście bayesowskie

Model bayesowski łączy dane z jawnym rozkładem wcześniejszym dla udziału lub liczby dodatnich jednostek. Wynik może mieć postać prawdopodobieństwa posteriori, że udział przekracza określoną wartość. Jest to inna interpretacja niż częstotliwościowa dolna granica ufności.

Rozkład wcześniejszy musi wynikać z danych odpowiednich dla populacji albo zostać przedstawiony jako założenie. Wniosek bada się dla alternatywnych priors, zwłaszcza gdy próba jest mała. Dane historyczne z innych rynków, lat lub typów opakowań mogą nie być wymienne z bieżącym zabezpieczeniem.

Wybór podejścia może zależeć od wymagań jurysdykcji i procedury laboratorium. Nie wolno używać języka bayesowskiego do wyniku częstotliwościowego ani na odwrót. Obie metody mogą być poprawne, jeżeli pytanie, model i komunikacja są spójne.

Wielokrotne populacje i wielokrotne wnioski

Jeżeli w sprawie występuje dziesięć odrębnych partii, 95-procentowa procedura zastosowana osobno dziesięć razy nie daje automatycznie 95-procentowej ochrony wspólnego zdania o wszystkich partiach. Wielokrotność może zwiększać ryzyko co najmniej jednego błędnego uogólnienia.

Laboratorium powinno ustalić, czy każdy lot ma osobny wniosek, czy potrzebny jest wynik łączny. Korekta poziomu, model hierarchiczny albo badanie każdej populacji mogą być rozwiązaniem, lecz nie ma uniwersalnej reguły. Najważniejsze jest, aby nie ukryć liczby wykonanych uogólnień.

Zmiana liczebności N

W trakcie inwentaryzacji mogą ujawnić się sklejone tabletki, puste opakowania albo błędne liczenie. Jeżeli N zmienia się po wygenerowaniu listy, trzeba sprawdzić, czy każdy obiekt zachował właściwą szansę wyboru. Proste dopisanie nowych numerów na końcu zwykle tego nie zapewnia.

Poprawne rozwiązanie może wymagać anulowania losowania i wykonania go ponownie na zamkniętej ramie. Jeżeli część jednostek została już zużyta, należy udokumentować sytuację i zastosować model warunkowy lub ograniczyć wniosek. Niedopuszczalne jest ciche pozostawienie kalkulatorowi dawnego N.

Jednostka niedostępna lub utracona

Wylosowana jednostka może być uszkodzona, biologicznie niebezpieczna albo potrzebna do innej ekspertyzy. Nie zastępuje się jej obiektem wybranym z wygody. Procedura może zawierać uprzednio wylosowaną kolejność rezerwową, dzięki czemu mechanizm zastąpienia pozostaje probabilistyczny.

Brak powinien znaleźć się w dokumentacji wraz z przyczyną i oceną wpływu. Jeżeli niedostępność jest związana z cechą — na przykład płynne kapsułki częściej przeciekają — pominięcie może być informacyjne i wprowadzać bias, którego rezerwa nie usuwa.

Zatrzymanie badania

Sekwencyjne kończenie analiz po uzyskaniu wymaganej liczby dodatnich zmienia rozkład wyniku. Jest dopuszczalne tylko w planie sekwencyjnym z ustalonymi granicami zatrzymania. Standardowej liczebności obliczonej dla stałego n nie wolno dowolnie skracać.

Analogicznie, kontynuowanie losowania aż zniknie niekorzystny udział wyników jest selekcją danych. Wszystkie wyniki wykonane w ramach planu pozostają częścią oceny, także powtórzenia i wyniki nierozstrzygające.

Rozszerzenie populacji po opinii

Wniosek dotyczy wyłącznie zamkniętej populacji z daty próbkowania. Nie można go przenieść na później odnalezione opakowania, inne zabezpieczenie o podobnym logo ani cały rynek. Podobieństwo może uzasadniać nową hipotezę i nowy plan, ale nie retroaktywnie zwiększać N.

Jeżeli część populacji wydano, zniszczono lub zużyto, badanie powtórne dotyczy pozostałej ramy i może mieć inną interpretację. Druga strona powinna otrzymać dokumentację pierwotnego wyboru oraz możliwie materiał z badanych jednostek.

Walidacja kalkulatora

Kalkulator jest elementem procesu pomiarowego. Walidacja obejmuje porównanie z niezależną implementacją lub opublikowanymi tabelami, przypadki małego i dużego N, n równe 0 i N, skrajne udziały, wyniki mieszane oraz dane niemożliwe. Sprawdza się też zaokrąglenia i przepełnienie obliczeń kombinatorycznych.

Bezpośrednie liczenie ogromnych silni może prowadzić do błędów numerycznych. Stabilna implementacja korzysta z funkcji logarytmicznych, iloczynów ilorazowych albo gotowych rozkładów statystycznych. Zgodność kilku liczb z tabelą nie zastępuje testów całego zakresu.

NIST udostępnia aplikację dolnych granic dla jakościowego próbkowania wielojednostkowych materiałów, a SWGDRUG publikuje ją wśród narzędzi obok kalkulatora ekstrapolacji masy. Lokalna kopia wzoru lub arkusz jest nowym artefaktem: wymaga własnej kontroli wersji, testów i zatwierdzenia.

Rejestr danych wejściowych

Dla każdego obliczenia zachowuje się identyfikator sprawy, wersję programu, N, n, liczbę wyników dodatnich, ujemnych i nierozstrzygających, wymagany poziom, definicję minimalnego udziału oraz reguły zaokrąglenia. Sam zrzut ekranu nie zawsze pozwala odtworzyć wynik.

Plik powinien być chroniony przed przypadkową zmianą, a wynik objęty niezależnym przeglądem. Jeżeli narzędzie internetowe aktualizuje się bez trwałego numeru wersji, laboratorium utrwala dokumentację algorytmu lub zestaw testów regresyjnych wykonanych w dacie analizy.

Scenariusz: 100 podobnych tabletek

Technik zamyka populację na 100 obiektach, nadaje im identyfikatory i dokumentuje wygląd oraz masę. Pytanie brzmi, czy z określonym poziomem ufności można poprzeć zdanie o minimalnym udziale tabletek zawierających substancję X. Parametry i liczebność zostają zatwierdzone przed analizą.

Generator wybiera numery bez zwracania. Każda tabletka jest przygotowana osobno i badana według pełnego kryterium identyfikacji. Jeżeli wszystkie wyniki są dodatnie, raport podaje dolną granicę oraz założenia. Nie stwierdza, że wszystkie sto zawiera X, chyba że wszystkie zbadano.

Jeżeli jedna jednostka zawiera inny związek, laboratorium bada ważność wyniku, zachowuje go w próbie i uruchamia przewidzianą regułę. Może ograniczyć wniosek, rozszerzyć losowanie albo wydzielić warstwę tylko wtedy, gdy jej definicja jest dowodowo uzasadniona i nie maskuje rozbieżności.

Scenariusz: dziesięć kartonów saszetek

Każdy karton zawiera podobną liczbę saszetek, lecz pochodzi z innego miejsca pomieszczenia. Wybór trzydziestu saszetek z pierwszego kartonu nie reprezentuje dostawy. Plan wielostopniowy losuje kartony, a następnie saszetki, albo tworzy kartony jako warstwy i pobiera próbę z każdego.

W raporcie wskazuje się liczbę kartonów objętych ramą, liczbę wybranych kartonów oraz liczbę saszetek w każdym. Wynik może wspierać wniosek o jednostkach tylko na poziomie przewidzianym przez projekt; duża liczba analiz wewnątrz jednego klastra nie zastępuje szerokości pierwszego etapu.

Tabletki z dwóch mieszkań mają ten sam stempel, ale różnią się masą i odcieniem. Połączenie daje większe N i pozornie oszczędza analizy, lecz zakłada wspólną populację bez dowodu. Bezpieczniej tworzy się dwie ramy, wykonuje osobne losowania i porównuje profile dopiero jako odrębne pytanie źródłowe.

Jeżeli późniejsze badania wskazują zgodność składu, nie zmienia to historycznego prawdopodobieństwa wyboru. Można sformułować wniosek o podobieństwie zbadanych obiektów, ale wspólny rachunek populacyjny wymagałby planu zaprojektowanego dla połączonej ramy.

Język opinii

Raport rozdziela obserwację i inferencję. Najpierw podaje, które jednostki zbadano i jakie wyniki uzyskano. Następnie opisuje model: populację N, losowanie bez zwracania, parametry, poziom ufności i obliczoną granicę.

Bezpieczna forma brzmi przykładowo: „Przy założeniu, że spis 100 jednostek stanowi zamkniętą populację, a wybór wykonano losowo bez zwracania, uzyskany wynik wspiera na poziomie procedury X wniosek, że co najmniej K jednostek ma cechę zdefiniowaną jako…”. Konkretne wartości muszą pochodzić z zatwierdzonego rachunku.

Niepoprawne są skróty „cała partia zawiera”, „wynik ma 95% pewności” albo „pozostałe próbki uznano za dodatnie”. Próbkowanie nie analizuje niewybranych obiektów; kontroluje zakres i ryzyko uogólnienia.

Przegląd techniczny

Drugi analityk sprawdza nie tylko chromatogramy, lecz również ramę populacji, numerację, listę losową, zgodność wybranych identyfikatorów, wersję kalkulatora, parametry i tekst wniosku. Odtwarza co najmniej jedno obliczenie niezależnym sposobem.

Audyt śledzi jednostkę od fotografii i miejsca w spisie przez losowanie, pobranie porcji, plik surowy i decyzję identyfikacyjną do tabeli statystycznej. Zerwanie relacji oznacza, że nie wiadomo, czy obserwacja pochodzi z wylosowanego obiektu.

Funkcja operacyjna planu

Jedna liczba „95%” nie opisuje zachowania procedury. Dla każdego rzeczywistego K można obliczyć prawdopodobieństwo wszystkich możliwych decyzji. Wykres tej zależności jest funkcją operacyjną: pokazuje, jak często plan zaakceptuje wniosek przy populacji całkowicie dodatniej, przy udziale granicznym i poniżej niego.

Taki wykres ujawnia dwa rodzaje kosztu. Zbyt mała próba może często poprzeć zbyt silne uogólnienie albo przeciwnie — nie dawać użytecznego wniosku nawet dla niemal jednorodnej populacji. Projekt powinien uwzględniać oba ryzyka oraz konsekwencję wyniku nierozstrzygającego, nie tylko minimalizować liczbę analiz.

Wykrywanie rzadkiej jednostki odmiennej

Pytanie „czy co najmniej 90% jest dodatnie” nie jest tym samym co „czy potrafimy z dużą szansą znaleźć choć jedną odmienną jednostkę”. Dla M odmiennych obiektów prawdopodobieństwo przeoczenia ich wszystkich przy losowaniu n bez zwracania wynosi C(N−M,n) / C(N,n). Dopełnienie daje prawdopodobieństwo wykrycia co najmniej jednego.

Plan zdolny potwierdzić wysoki minimalny udział może nadal mieć małą moc wykrywania pojedynczego niebezpiecznego wyjątku w ogromnej populacji. Jeżeli celem jest bezpieczeństwo produktu albo ujawnienie dowolnej tabletki z silnym analogiem, potrzebne może być badanie wszystkich jednostek, szybki screening całej ramy lub inny projekt. Statystyczna efektywność zależy od pytania.

Próg akceptacji i dwa rodzaje błędu

Reguła decyzji może wspierać wniosek tylko przy co najmniej r dodatnich wynikach w próbie n. Dla każdego K rozkład hipergeometryczny pozwala obliczyć ryzyko zaakceptowania populacji niespełniającej progu oraz ryzyko odrzucenia populacji, która go spełnia. Zmiana r przesuwa kompromis.

Nie istnieje jeden „najbardziej naukowy” kompromis bez kontekstu. Inaczej waży się ryzyko w badaniu dowodu obciążającego, inaczej w triage zagrożenia zdrowotnego. Laboratorium powinno otrzymać wymaganie procesowe lub samo jawnie określić konserwatywną regułę zgodną z akredytowaną procedurą, zamiast ukrywać wartościowanie w domyślnym kalkulatorze.

Dokładny test i dyskretny poziom

W rozkładzie dyskretnym nie każdy nominalny poziom, na przykład dokładnie 95%, jest osiągalny. Rzeczywiste pokrycie procedury może być wyższe, ponieważ kolejny możliwy wynik zmienia prawdopodobieństwo skokowo. To konserwatyzm matematyczny, nie błąd obliczeń.

Raport może podać poziom minimalny wymagany przez procedurę i rzeczywisty poziom wynikający z przyjętej granicy. Niedopuszczalne jest interpolowanie między dwiema całkowitymi liczbami jednostek, jak gdyby można było zbadać ułamek tabletki jako ułamek obserwacji populacyjnej.

Nierówne prawdopodobieństwa wyboru

W niektórych projektach duże klastry albo warstwy wysokiego ryzyka są wybierane częściej. Surowy odsetek dodatnich w próbie nie jest wtedy estymatorem udziału populacyjnego. Każda obserwacja wymaga wagi odwrotnej do jej prawdopodobieństwa włączenia, a wariancja musi odpowiadać projektowi.

Ważenie nie naprawia jednostek o zerowej szansie wyboru. Jeżeli część zabezpieczenia była poza ramą, wniosek nie może jej obejmować. Ekstremalne wagi zwiększają wariancję i sprawiają, że wynik zależy od kilku rzadko wybieranych obiektów; jest to sygnał do przeprojektowania, a nie do wygładzenia danych.

Efekt klastra

Jednostki pakowane razem mogą mieć wspólny skład, bo pochodzą z jednego mieszania lub napełniania. Korelacja wewnątrz kartonu zmniejsza efektywną liczebność próby. Pięćdziesiąt tabletek z jednego pudełka może przekazywać mniej informacji o dostawie niż po jednej tabletce z pięćdziesięciu niezależnych paczek.

Ocena efektu klastra wymaga danych o wariancji między i wewnątrz grup. Jeżeli ich brak, projekt powinien rozproszyć próbę na możliwie wiele klastrów i zachować ostrożność w uogólnieniu. Standardowy prosty model hipergeometryczny zakłada jednopoziomową populację; użycie go po klastrowym wyborze wymaga uzasadnienia.

Niepewność definicji populacji

Matematyka warunkuje wynik względem zadanej ramy, ale nie oblicza prawdopodobieństwa, że sama rama została poprawnie utworzona. Jeżeli granica między dwiema partiami jest sporna, można wykonać analizę wrażliwości dla kilku racjonalnych definicji zamiast udawać, że jedna jest faktem chemicznym.

Przykładowo oblicza się wynik osobno dla każdego kartonu, dla dwóch grup cechowych i — jeżeli dowody wspierają — dla połączonego zbioru. Jeżeli konkluzja zmienia się zależnie od grupowania, ta zależność jest ważną częścią opinii. Niepewność strukturalna nie mieści się w przedziale hipergeometrycznym wyliczonym dla jednego N.

Analiza wrażliwości

Przed wydaniem opinii warto zmienić minimalny udział, poziom ufności, traktowanie wyników nierozstrzygających i granice warstw w rozsądnym zakresie. Celem nie jest wybranie wariantu dającego najsilniejszą tezę, lecz ustalenie, czy wniosek jest odporny na decyzje modelowe.

Jeżeli jedna jednostka nierozstrzygająca traktowana jako dodatnia lub ujemna odwraca konkluzję, raport powinien to pokazać. Podobnie postępuje się, gdy brakująca jednostka, alternatywne N albo inna reguła zaokrąglenia zmienia dolną granicę. Wrażliwość jest informacją o sile dowodu, nie powodem do ukrycia wyniku.

Rozdzielenie etapu odkrywczego i potwierdzającego

Jeżeli pierwsze wyniki służą dopiero rozpoznaniu struktury partii, nie powinny bezrefleksyjnie wchodzić do późniejszego testu zaprojektowanego na ich podstawie. Powstaje wtedy podwójne użycie danych: jednostki wpływają na model i równocześnie mają go potwierdzić.

Jednym rozwiązaniem jest zachowanie odrębnej próby potwierdzającej. Innym — jawny model adaptacyjny wykorzystujący całe prawdopodobieństwo ścieżki. W praktyce kryminalistycznej prostsza, uprzednio ustalona procedura jest zwykle łatwiejsza do audytu niż złożony model optymalizowany po oględzinach wyników.

Odporność na błąd operatora

Dobry plan przewiduje błędy wykonawcze: podwójne nadanie numeru, zamianę etykiet, skanowanie niewłaściwego kodu, otwarcie jednostki rezerwowej lub pominięcie wylosowanego obiektu. Kontrole w LIMS blokują duplikat, porównują listę pobrań z listą losową i wymagają powodu każdej zmiany.

Weryfikacja przez drugą osobę przed otwarciem próbek jest skuteczniejsza niż rekonstrukcja po zużyciu materiału. System powinien zachować historię korekt, a nie nadpisywać błędny identyfikator. Poprawny rachunek na błędnie przypisanych danych pozostaje błędnym dowodem.

Walidacja całego workflow

Test programu nie wystarcza. Walidacja procesu obejmuje utworzenie sztucznej populacji o znanym składzie, numerowanie, losowanie, fizyczne odnalezienie jednostek, analizę, import wyników i wygenerowanie opinii. Próby z kilkoma warstwami, brakującą jednostką i wynikiem mieszanym sprawdzają ścieżki odstępstw.

Mierzy się częstość błędów przypisania, zgodność obliczeń i to, czy raport nigdy nie wychodzi poza model. Po zmianie LIMS, generatora, formularza lub kryterium identyfikacji wykonuje się test regresyjny odpowiedniego fragmentu. Biegłość analityczna bez biegłości próbkowania nie waliduje uogólnienia.

Szkolenie i badania biegłości

Analityk powinien umieć odróżnić jednostkę od porcji, ufność od prawdopodobieństwa posteriori, wynik próby od cechy populacji oraz losowanie proste od wygodnego. Szkolenie zawiera ćwiczenia fizyczne, nie tylko rozwiązanie wzoru.

Badanie biegłości może dostarczyć populację z kilkoma klasami, wymagać sporządzenia ramy, wygenerowania listy i sformułowania wniosku. Ocenie podlega także wykrycie, że danych nie można legalnie lub naukowo ekstrapolować. Umiejętność ograniczenia opinii jest wynikiem prawidłowym, nie brakiem kompetencji.

Checklista kwalifikacji planu

  • Czy pytanie dotyczy skończonej populacji policzalnych jednostek?
  • Czy jednostka i cecha są jednoznaczne oraz zgodne z treścią przyszłego wniosku?
  • Czy populację zamknięto przed losowaniem i każda jednostka ma identyfikator?
  • Czy warstwy utworzono na podstawie informacji dostępnej zgodnie z planem?
  • Czy każda jednostka ma znaną, niezerową szansę wyboru?
  • Czy model odpowiada losowaniu bez zwracania, wielostopniowości i wynikom mieszanym?
  • Czy minimalny udział, poziom i reguły zatrzymania określono przed badaniem?
  • Czy kryterium dodatniego wyniku jest zwalidowane i stosowane jednakowo?
  • Czy nie pomylono częstości dodatnich z masą lub średnim stężeniem?
  • Czy kalkulator, dane wejściowe i język opinii przeszły niezależny przegląd?

Źródła