用样本均值和标准差估算真值范围

用样本均值和标准差估算真值范围

新兴 AI Skill PRO

输入计算

约束条件:50 < 置信水平 < 100。均值和标准差为同一单位下的普通数值,计算所得的区间也使用该单位。

数学公式

CI=均值 μ±z·SD σ其中{p=置信度 %100z=Φ−1(1+p2)\begin{gathered} \text{CI} = {{\text{均值 }\mu}} \pm z \cdot {{\text{SD }\sigma}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} p &= \dfrac{{{\text{置信度 }\%}}}{100} \\ z &= \Phi^{-1}\!\left(\dfrac{1 + p}{2}\right) \end{aligned} \right. \end{gathered}
使用统计

广告

结果

真实值的估计范围 (置信度: 95%)
估算真值介于 -1.959963 与 1.959963.
下限 -1.959963
上限 1.959963
临界值 z(双侧) 1.95996
分布 正态分布(z),μ ± z·σ

报告本页错误

这个计算器的用途

给定一个样本均值(\(\mu\))和一个标准差(\(\sigma\)),本工具可以估算"真值"很可能落在的区间。它假设该变量服从正态分布,并给出对称的双侧区间 \(\mu \pm z\cdot\sigma\),其中 \(z\) 是你所选置信水平对应的标准正态临界值。均值和标准差都是普通数值,计算得到的区间会沿用你输入数据的单位。

如何使用

依次填入均值、标准差(须大于或等于 0),以及以百分比表示的置信水平,取值范围为 50 < 置信水平 < 100(常用 95)。计算器会先把百分比转换为概率 \(p\),再求出临界值 \(z = \Phi^{-1}\!\left(\frac{1+p}{2}\right)\),最后给出区间的下限和上限。当置信水平为 100% 时区间会变成无穷大,因此置信水平必须小于 100。

公式详解

令概率 \(p = \text{置信水平}/100\),则双侧 \(z\) 值就是标准正态分布在 \(\frac{1+p}{2}\) 处的分位数。以 95% 为例,\(\Phi^{-1}(0.975) \approx 1.95996\),因此区间为 \(\mu \pm 1.96\sigma\)。几个常见的参考点:68.26% 覆盖率对应 \(\mu \pm 1\sigma\),95.45% 对应 \(\mu \pm 2\sigma\),99.73% 对应 \(\mu \pm 3\sigma\)。正态分布的逆累积分布函数采用有理式(Acklam)近似,并加上一步 Halley 迭代修正,因此无需查表即可计算。

$$\text{CI} = \text{Mean }\mu \pm z \cdot \text{SD }\sigma \\[1.5em] \text{where}\quad z = \Phi^{-1}\!\left(\frac{1 + \frac{\text{Confidence }\%}{100}}{2}\right)$$
广告
钟形曲线,中央区域在均值减z-sigma与均值加z-sigma之间被阴影标出
置信区间覆盖正态曲线中央的阴影区域,以均值为中心。

实例演算

设均值 = 100,标准差 = 5,置信水平 = 99%:此时 \(p = 0.99\),\(z = \Phi^{-1}(0.995) \approx 2.57583\)。

$$\text{下限} = 100 - 2.57583\cdot 5 = 87.121$$$$\text{上限} = 100 + 12.879 = 112.879$$

结果显示为"介于 87.12 与 112.88 之间"。

水平数轴,带有一个中心点和向下限、上限对称延伸的误差棒
该区间为样本均值,并向下限和上限对称延伸出误差范围。

常见置信水平与 Z 值

双侧临界值为 \(z = \Phi^{-1}\left(\frac{1+p}{2}\right)\),其中 \(p\) 是以比例表示的置信水平。表格列出了每个水平所用的累积概率 \((1+p)/2\),以及标准正态分布下对应的 z 值。

置信水平 尾部概率 (1+p)/2 双侧 z 值
50% 0.75 0.6745
68.27% 0.84135 1.0000
80% 0.90 1.2816
90% 0.95 1.6449
95% 0.975 1.9600
95.45% 0.97725 2.0000
98% 0.99 2.3263
99% 0.995 2.5758
99.73% 0.99865 3.0000
99.9% 0.9995 3.2905

68.27%、95.45% 和 99.73% 这三行分别对应人们熟知的 1、2、3 个标准差法则。

区间的解读

本计算器返回 \(\text{均值} \pm z \cdot \text{标准差}\)。在正态分布下,这是预计会包含指定比例个体取值的范围。例如,均值为 100、标准差为 15、置信水平为 95% 时,区间为 \(100 \pm 1.96 \times 15 = 100 \pm 29.4\),即 70.6 至 129.4。预计约 95% 的取值会落在该范围内。

与均值的置信区间不同。总体均值的置信区间使用标准误 \(\text{SD}/\sqrt{n}\) 代替标准差。该区间要窄得多,并且随样本量 \(n\) 增大而缩小。这里的区间描述的是个体取值的分散范围,或单次测量可能的范围,并不描述均值被估计得有多精确。

  • 置信水平越高,区间越宽。半宽等于 \(z \cdot \text{SD}\),因此它与 z 成正比增长。从 95%(z = 1.9600)提高到 99%(z = 2.5758),区间约宽 31%。
  • 对称性。区间以均值为中心,上下两侧距离相等。
  • 假设条件。只有当数据近似服从正态分布,且均值和标准差可靠(视为已知)时,结果才成立。若数据有偏态、厚尾、存在异常值或样本量较小,实际覆盖率可能与所声明的置信水平存在明显差异。
广告

关键术语

均值 (μ)
平均值,是分布和区间的中心。
标准差 (σ)
衡量取值围绕均值分散程度的指标,与数据单位相同。
置信水平
区间拟覆盖的取值比例(或概率),例如 95%。
临界值 z
要覆盖所选置信水平,所需偏离均值的标准差倍数;对于 95%,其值为 1.9600。
正态分布
对称的钟形分布,由其均值和标准差完全确定。
反累积分布函数 / 分位数 (Φ⁻¹)
输入累积概率、返回使该概率位于其左侧的 z 值的函数。例如,Φ⁻¹(0.975) = 1.9600。
双侧区间与单侧区间
双侧区间在两端留出相等的尾部,因此尾部概率为 (1+p)/2。单侧界限把全部被排除的概率放在一个尾部,改用 Φ⁻¹(p)。
误差范围 (z·σ)
区间的半宽,即从均值到任一端点的距离。

常见问题

为什么 95% 用的是 1.96,而不是 1.645?对称的双侧区间会把剩下的 5% 平均分到两端,每端 2.5%,于是对应 \(\Phi^{-1}(0.975) \approx 1.96\)。而 1.645 是单侧 95% 的分位数,用在双侧区间上并不正确。

我是不是应该改用 t 分布?如果 \(\sigma\) 是从小样本中估计出来的,那么用自由度与样本量 \(n\) 相关的 t 分布(区间为 \(\text{均值} \pm t\cdot s/\sqrt{n}\))会更合适。本工具有意把 \(\sigma\) 视为已知的总体值,使用正态分布的 \(z\),因此不需要输入 \(n\)。

如果标准差为 0 怎么办?这时区间会退化为一个点 \([\text{均值}, \text{均值}]\)。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器