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。
$$\text{CI} = \text{Mean }\mu \pm z \cdot \text{SD }\sigma \\[1.5em] \text{where}\quad z = \Phi^{-1}\!\left(\frac{1 + \frac{\text{Confidence }\%}{100}}{2}\right)$$
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"。
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。
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 \([\text{均值}, \text{均值}]\)。