置信区间计算器

Q: 90%、95%、99% 置信区间有什么区别？

置信水平越高，区间越宽（更保守）。90% 区间最窄但有 10% 的概率遗漏真值；99% 区间最宽但遗漏率仅 1%。95% 是学术界最常用的平衡点。选择依据是对错误的容忍度和领域惯例。

Q: 样本量对置信区间有什么影响？

样本量越大，标准误 SE = σ/√n 越小，置信区间越窄——估计越精确。区间宽度与 √n 成反比：n 增加 4 倍，区间宽度减半。这就是为什么民意调查通常用 n ≈ 1000 来达到 ±3% 的误差范围。

Q: σ 已知和 σ 未知怎么选？

实际场景中 σ 几乎总是未知的。只有以下情况用 σ 已知模式：①教科书明确给出 σ；②历史数据充分，标准差已被精确估计；③样本量很大（n ≥ 100），s 可以近似代替 σ。其余情况请选 σ 未知（t 分布）模式。

Q: 置信区间和置信水平是一回事吗？

不是。置信水平（如 95%）是你设定的概率；置信区间是根据这个概率计算出的具体区间 [下限, 上限]。同一个数据在 90% 和 99% 置信水平下会给出不同宽度的区间。

Q: 误差范围（Margin of Error）是什么？

误差范围 = 临界值 × 标准误，即置信区间半宽。它告诉你点估计最多偏离真值多远（在选定的置信水平下）。新闻中的「±3% 误差」就是指 95% 置信区间的误差范围为 3 个百分点。

Q: 95% 置信区间到底怎么理解才对？

标准答案：如果用同样方法重复抽样 100 次、各算一个区间，大约 95 个区间会套住真值。单个算好的区间（如 [48, 56]）要么套住要么没套住，不能说「有 95% 概率包含真值」——真值固定不动，随机的是区间。贝叶斯学派的「可信区间」（credible interval）才支持概率解读，但它需要先验分布。日常沟通中把 95% CI 说成「真值大概率落在这个范围」虽不严格，通常不造成实质误导；学术写作请用频率派表述。

Q: 置信区间和假设检验是什么关系？

一一对应：95% CI 不包含 μ₀ ⟺ 在 α=0.05 双侧检验中拒绝 H₀: μ=μ₀。例：CI=[50.04, 53.96] 不含 50，则检验「均值=50」的 p<0.05。CI 提供的信息更多：它不仅告诉你显著与否，还展示效应大小的可能范围——CI [0.01, 0.05] 与 [0.01, 30] 都不含 0、p 都<0.05，但前者效应微不足道、后者不确定性巨大。因此医学期刊普遍要求同时报告 p 值与 CI，或直接用 CI 替代 p 值。

Q: t 分布和 z 分布什么时候用哪个？

黄金规则：σ 已知用 z（几乎只在教科书出现）；σ 未知用样本 s 代替，就要用 t 分布，自由度 n−1。t 分布比正态「矮胖」，尾部更厚——小样本时用 s 估计 σ 引入额外不确定性，区间要更宽才公平。n=10 时 t₀.₀₂₅₍₉₎=2.262 比 z=1.96 宽 15%；n>30 后 t≈z（2.042 vs 1.96 只差 4%）；n>100 差别可忽略。比例问题（二项）无论样本大小都用 z 近似。

什么是置信区间计算器？

置信区间（Confidence Interval）是参数估计的区间形式：给定一个置信水平（如 95%），构造一个区间 [下限, 上限]，使得在重复抽样中，约有 95% 的此类区间能包含总体参数的真值。它比点估计提供了更多不确定性信息。

均值置信区间的构造依赖标准差是否已知：σ 已知时用 z 分布（标准正态），区间 = x̄ ± z(α/2) × σ/√n；σ 未知时用 t 分布（自由度 n−1），区间 = x̄ ± t(α/2, n−1) × s/√n。t 分布比正态分布尾部更厚，对小样本给出更保守（更宽）的区间。

比例置信区间的经典公式是 Wald 区间：p̂ ± z(α/2) × √(p̂(1−p̂)/n)。它简单直观，但在 p̂ 接近 0 或 1 时覆盖率偏低。更精确的方法包括 Wilson 得分区间和 Clopper-Pearson 精确区间。

置信水平的选择反映对确定性的需求：90% 区间最窄但遗漏率 10%，99% 区间最宽但遗漏率仅 1%。95% 是最常用的平衡点。置信区间的宽度由三个因素决定：置信水平（越高级别越宽）、样本量（越大越窄）、总体变异（σ 越大越宽）。

置信区间的正确解读是频率主义的：「用这种方法构造的区间，长期重复下有 95% 会包含真值」——而不是「这个具体区间有 95% 概率包含真值」。一旦数据落定，区间要么包含真值要么不包含，概率是 0 或 1；95% 描述的是方法的长期可靠性。这个微妙区别是统计课的必考点，也是科学传播中最常见的误读之一。

区间宽度由三个因素决定：置信水平（越置信越宽）、样本标准差（数据越散越宽）、样本量（宽度与 √n 成反比——精度翻倍样本翻四倍）。实践中用「半宽」（margin of error）沟通更直观：民调「±3 个百分点」就是 95% CI 的半宽。区间估计比点估计信息量更大，比 p 值更不容易被误读，是 CONSORT 等医学报告规范的强制要求。

均值（σ已知）：x̄ ± z(α/2) × σ/√n；均值（σ未知）：x̄ ± t(α/2, n−1) × s/√n；比例：p̂ ± z(α/2) × √(p̂(1−p̂)/n)

均值的置信区间：x̄±z(α/2)·σ/√n（σ 已知）或 x̄±t(α/2,n−1)·s/√n（σ 未知）。例：n=64、x̄=52、s=8，95% CI：z=1.96，SE=8/8=1，CI=52±1.96=[50.04, 53.96]。比例的 CI：p̂±z√(p̂(1−p̂)/n)，例：400 人中 52% 支持，SE=√(0.52×0.48/400)=2.5%，CI=52%±4.9%。

置信水平与临界值速查（z 分布）
置信水平	z 临界值	含义（长期频率）	适用场景
90%	1.645	10 次区间约 1 次漏真值	探索性调研
95%	1.96	20 次区间约 1 次漏真值	默认标准
99%	2.576	100 次区间约 1 次漏真值	高风险决策
99.9%	3.291	1000 次约 1 次漏真值	医药安全终点

如何使用置信区间计算器

1
选择计算模式：均值（σ已知）/ 均值（σ未知）/ 比例。
2
均值模式：输入样本均值、标准差（σ 或 s）、样本量。
3
比例模式：输入成功次数和样本量，或直接输入样本比例和样本量。
4
选择置信水平：90% / 95% / 99%。
5
点击「计算置信区间」：结果区显示区间上下限、中心点估计、临界值（z 或 t）、标准误与误差范围，附正态密度曲线图——阴影部分即置信区间覆盖范围。
6
可以点击快捷 chips 一键填入示例数据。

计算示例

例 1均值，σ已知：x̄=100, σ=15, n=36, 95%

z(0.025) = 1.960，SE = 15/√36 = 2.5，误差 = 1.96 × 2.5 = 4.9，区间 = [95.10, 104.90]。

例 2均值，σ未知：x̄=74.5, s=8.2, n=25, 95%

t(0.025, 24) = 2.064，SE = 8.2/√25 = 1.64，误差 = 2.064 × 1.64 ≈ 3.385，区间 ≈ [71.12, 77.89]。t 临界值 2.064 > z 的 1.96，区间比 σ 已知时更宽。

例 3比例：x=120, n=200, 95%

p̂ = 0.60，z(0.025) = 1.960，SE = √(0.6×0.4/200) ≈ 0.0346，误差 ≈ 6.79%，区间 ≈ [53.21%, 66.79%]。

注意事项

「95% 置信区间」的正确解读是：如果用同样方法重复抽样 100 次，约 95 次构造的区间会包含真值——而不是「真值有 95% 的概率落在这个区间里」（真值是固定的，不是随机变量）。
σ 未知时（大多数实际场景），务必选 t 分布模式。当 n ≥ 30 时，t 分布与正态分布差异很小，两种模式结果接近。
比例区间在 p̂ 接近 0 或 1 时可能超出 [0, 1] 边界，工具会自动截断到有效范围内。
区间宽度与 √n 成反比：想把区间宽度减半，样本量需要增加到 4 倍。
本工具使用 Wald 正态近似计算比例区间。对于小样本（n < 30）或极端比例，建议使用 Wilson 得分区间（可前往样本量计算器查看 Wilson 口径）。

常见问题