TalentMe
How To
🗺️
AI Industry Map
NEW
Knowledge ▾
Intro & Usage
Machine Learning Repo
Data Science Repo
Resources ▾
Intro & Usage
AI Tech Vault (Tech Wiki)
Industry News
Tech Blogs
Research Papers
Open Source Projects
Tools Hub ▾
🛠️ Tools & Skills Overview
🌐 Interactive Web Tools
🗺️ AI Industry & Career Map
🧭 AI Career Transition Navigator & Roadmap
📚 AI Multi-Module Practice Hub
🎯 AI Skill Assessment
🧠 AI Skills Library
AI Skills & Prompts Overview
Local Agent Guide
Cloud Skills Templates
⚡ MCP Tools Suite
TalentMe MCP Guide
CLI Tools & Commands
Services ▾
🚀 Services & Plans Suite
🧭 1v1 Coaching & Services
💎 Plans & Pricing
💬 Contact & Consultation
Contact Us
💬 Discord
🌐
中
☀️
🔑
Login / Register
☰
技术知识库
›
复习路线图
›
数理基础 思维导图
›
置信区间
← 返回 数理基础 思维导图
中文
·
English
📐 数理基础
ID:
confidence-interval
置信区间
Confidence Intervals
🎯
核心定义
置信区间 (Confidence Interval) 是由样本构造的随机区间, 经典正态均值形式为
📌
核心概述
C
I
=
x
ˉ
±
z
α
/
2
σ
n
CI = \bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}
C
I
=
x
ˉ
±
z
α
/2
n
σ
,
📌
核心概述
其中
z
α
/
2
z_{\alpha/2}
z
α
/2
是标准正态分位数、
σ
/
n
\sigma/\sqrt{n}
σ
/
n
是标准误, 宽度由精度与置信水平共同决定。频率学派解释 (coverage): 重复抽样
100
(
1
−
α
)
%
100(1-\alpha)\%
100
(
1
−
α
)
%
的区间会覆盖真值, 单次区间的“真值落入概率”概念不成立——参数是固定的, 随机的是区间。
💡
使用场景
估计结果的不确定性量化、AB 实验与模型评估汇报误差棒;面试常考覆盖率 (coverage) 的严格解释、未知
σ
\sigma
σ
时换用
t
t
t
分布、与双侧检验的对偶关系。
⚡
解决的核心痛点
点估计只给一个数, 不含任何精度信息; CI 同时给出估计值与其不确定性:置信水平从 95% 提到 99% (
z
α
/
2
z_{\alpha/2}
z
α
/2
从 1.96 变 2.576) 或样本量减半, 区间都会显著变宽;与双侧检验对偶: 95% CI 不包含
μ
0
\mu_0
μ
0
等价于在
α
=
0.05
\alpha = 0.05
α
=
0.05
下拒绝
H
0
:
μ
=
μ
0
H_0: \mu = \mu_0
H
0
:
μ
=
μ
0
;当解析解不存在时 (如复杂统计量), Bootstrap 重采样可给出近似 CI。
🎯
5 个高频面试考点 (Exam Points)
1
正态总体均值、方差已知时 95% CI 公式
x
ˉ
±
z
α
/
2
σ
/
n
\bar{x} \pm z_{\alpha/2}\sigma/\sqrt{n}
x
ˉ
±
z
α
/2
σ
/
n
各部分的含义?
2
覆盖率 (coverage) 的严格解释: 为什么不能说“真值有 95% 概率在区间内”?
3
置信水平从 95% 提到 99%, 或样本量翻倍, 区间宽度分别如何变化?
4
未知
σ
\sigma
σ
时为什么用
t
t
t
分布?与正态近似的区别?
5
置信区间与双侧假设检验的对偶关系是什么?
📖 关联深度指南:
📄 statistics-and-hypothesis-testing →
更新于 2026-08-12
🎯
检验攻克程度:针对「置信区间」专属刷题排雷
做单选排雷题、推导选项机制,答错自动收录进专属错题本。
🚀 开始本考点专项刷题 ➔
← 上一个知识点
假设检验
下一个知识点 →
因果推断与 Rubin 框架
🔗 更多 数理基础 知识点卡片
Adam/AdamW 偏差修正推导
贝叶斯推断
偏差方差分解
Bootstrap