你是一位大厨，刚熬好一大锅汤，却忘了放了多少盐。你拿小勺尝了一口——“嗯，大概 15 克盐。”可老板追问：“你有把握吗？”你只能回答：“我有九成五的把握，这锅汤的盐量在 12 克到 18 克之间。” 这就是置信区间的直觉：与其给一个“精准但容易打脸”的单点数字，不如给一个“模糊但靠谱”的范围。统计学家不会断言“一定是 15 克”，他们会说：“按照这个抽样流程，我构造的区间有 95% 的概率会罩住真实的盐量。”这个“有概率罩住真实值”的范围，就是置信区间。 从尝汤到民意调查，从食品质检到 A/B 测试，这套“给不确定性画安全圈”的逻辑遍布现代数据科学。本文用汤勺和灶台的故事，帮你彻底搞懂置信区间是怎么构造出来的。

岗位关联

掌握置信区间构造方法，是 AI 从业者从“会跑模型”迈向“能负责任地解读模型结论”的分水岭——在数据驱动决策中，知道自己有多确定，才真正懂了数据。

目录
  1. 可视化演示
  2. 置信区间定义
  3. 枢轴量法
  4. 正态近似法
  5. t分布构造
  6. 比例区间估计
  7. 方差区间构造
  8. 实战应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示正态均值Z区间、t分布小样本区间及比例Wald区间的构造过程，交互切换理解置信区间核心原理与边际误差。

本节配有交互动效（进入视口后自动加载，约 3KB）。

正态均值Z置信区间 方差已知时使用Z枢轴量 边际误差=z·σ/√n Z=1.96 95%置信水平Z临界值为1.96

置信区间定义

你尝了一口汤，说“大概 15 克盐”。可这锅汤是给 200 人喝的，一句“大概”让老板心里打鼓。于是你换了个说法：“我敢打包票，真实盐量在 12 到 18 克之间。”老板这才松了口气——他要的不是精确数字，而是一个“靠谱的范围”。这就是区间估计的核心思想：用不确定性换确定性。

统计学家把“真实盐量”记作 θ（总体参数），把“12 到 18 克”记作 [L, U]，其中 L 和 U 是根据样本算出来的随机变量。所谓 95% 置信区间，不是“真实盐量有 95% 概率落进来”，而是“重复抽样 100 次，大约有 95 次算出的区间能罩住真实盐量”。参数是固定的，随机的是区间。

回到厨房：你说“95% 置信区间 [12, 18]”，意思是这套“尝三勺、算范围”的流程，长期重复下来有 95% 的准确率。单次实验可能失手，但流程本身值得信赖——这就是频率学派看待置信区间的方式。

P(L≤θ≤U)=1−α\displaystyle P(L \le \theta \le U) = 1 - \alpha
这个公式是一份“流程承诺书”：L 到 U 是随机区间，θ 是固定的未知参数，1−α 是承诺的覆盖率。
  1. θ（总体参数）你真正想知道但无法直接测量的东西——整锅汤的盐量。它是固定的数字，不会因为你多尝几口就改变。
    θ\theta
  2. L 和 U（区间端点）由样本算出的下界和上界。每次抽样都会得到不同的 L、U，所以它们是随机变量。
    L, UL, \ U
  3. 概率 P(·)描述“随机区间罩住固定参数”这一事件发生的可能性。
    P(⋅)P(\cdot)
  4. 1−α（置信水平）承诺的覆盖率。95% 时 α=0.05，即平均每 20 次构造区间，约有 1 次会失手。
    1−α=0.95,α=0.051-\alpha = 0.95, \quad \alpha = 0.05

枢轴量法

尝汤时你会想：“我这勺子的读数跟真实盐量到底差多少？”只要知道这个“差距”的脾气秉性，就能反推出真实盐量可能在哪。枢轴量法就是这么干的：不问“参数在哪”，只问“样本与参数的差距服从什么分布”。

具体来说，如果总体服从正态分布 N(μ, σ²)，且 σ 已知，那么样本均值 X̄ 经过标准化后：

这个 Z 就是枢轴量——它既是样本和参数的函数，又服从一个不依赖未知参数的已知分布（标准正态）。既然我们知道 Z 的脾气，就能反解出 μ 的范围。

枢轴量法的步骤就像做菜的流程：先找到合适的枢轴量（比如 Z），再利用已知分布找出上下分位数（如 z_{0.025} 和 z_{0.975}），最后解不等式把 μ 反解出来。这个“翻译→查表→反解”的三步流程，是所有置信区间构造的共同骨架。

Z=Xˉ−μσ/n∼N(0, 1)\displaystyle Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}} \sim N(0,\,1)
  1. X̄（样本均值）你尝了 n 勺汤，取平均作为盐量的“点估计”。
    Xˉ\bar{X}
  2. μ（总体均值）整锅汤的真实盐量，未知待估。
    μ\mu
  3. σ/√n（标准误）衡量样本均值“有多飘”的刻度。勺数 n 越多，刻度越小，X̄ 越稳。
    σn\frac{\sigma}{\sqrt{n}}
  4. Z（枢轴量）标准化后的“差距”，服从标准正态分布。它的分布不含任何未知参数——这是枢轴量的灵魂。
    Z∼N(0,1)Z \sim N(0,1)

正态近似法

你尝了 10 勺、30 勺、50 勺汤，越来越有底气。为什么？因为均值这个“平均口味的读数”有个奇妙性质：只要样本量足够大，不管汤的味道分布多奇怪，样本均值的分布都会变成钟形（正态分布）。这就是中心极限定理——统计学的“大数厨房魔法”。

当总体方差 σ² 已知或大样本下可近似时，均值的置信区间长得非常对称：

注意“大样本”带来的便利：只要 n 够大（通常 n≥30），即使原始数据不服从正态分布，X̄ 的分布也近似正态，区间构造照常进行。但如果总体方差 σ² 未知且样本较小，直接用公式里的 σ 就会出错——这为 t 分布登场埋下伏笔。

Xˉ±zα/2⋅σn\displaystyle \bar{X} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}
  1. X̄（点估计）样本均值，作为 μ 的估计值，位于区间正中央。
    Xˉ\bar{X}
  2. z_{α/2}（正态分位点）标准正态分布右侧 α/2 处的临界值。95% 置信水平时 z_{0.025}=1.96。
    zα/2=1.96 (α=0.05)z_{\alpha/2} = 1.96 \ (\alpha=0.05)
  3. σ/√n（标准误）样本均值围绕真实值的波动尺度。n 越大，尺度越小，区间越窄。
    σn\frac{\sigma}{\sqrt{n}}
  4. ±（加减扩张）从点估计向左右各扩张 z_{α/2} 倍标准误，形成一个对称区间。
    Xˉ−zα/2σn,Xˉ+zα/2σn\bar{X} - z_{\alpha/2}\frac{\sigma}{\sqrt{n}}, \quad \bar{X} + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}

t分布构造

小样本是你最头疼的情况。比如你只尝了 6 勺汤，不仅不知道真实盐量 μ，连样本标准差 S 也不可靠。用不准的 S 去估计 σ，再套正态分布的 1.96，就像用一把刻度模糊的尺子量布——剪出来的尺寸必然不准。

统计学家戈塞特（Gosset）在酿酒厂工作时也遇到了这个问题。他发现当 σ 未知且用 S 替代时，标准化后的统计量不再服从正态分布，而是服从t 分布——一种尾部更厚、形状由自由度 n−1 决定的分布。厚尾意味着“更大的不确定性”，正好吸收了 S 估计不准带来的额外风险。

当自由度趋于无穷大，t 分布逐渐靠拢标准正态分布，所以大样本下用哪个都差不多。t 分布就像一套加厚的隔热手套——小样本时你需要更宽的“安全区间”才不会烫伤判断力。

Xˉ±tα/2, n−1⋅Sn\displaystyle \bar{X} \pm t_{\alpha/2,\,n-1} \cdot \frac{S}{\sqrt{n}}
  1. S（样本标准差）由样本计算的偏差尺度，用来替代未知的 σ。小样本时 S 本身就有较大波动。
    S=1n−1∑i=1n(Xi−Xˉ)2S = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(X_i - \bar{X})^2}
  2. t_{α/2, n−1}（t 分布临界值）自由度 n−1 的 t 分布的 α/2 上分位点。自由度越小，临界值越大，区间越宽。
    tα/2, n−1>zα/2 (当 n 较小时)t_{\alpha/2,\,n-1} > z_{\alpha/2} \ (\text{当}\ n \ \text{较小时})
  3. S/√n（估计标准误）用样本标准差除以 √n，表示均值的估计精度。
    Sn\frac{S}{\sqrt{n}}

比例区间估计

别总想着“汤有多咸”，换个问题：“这批汤里有多少比例太咸了？”在民意调查中，我们关心支持率 p；在质检中，我们关心不合格率 p。这类比例估计的难点在于：比例的标准误差本身就包含 p——你越不确定 p，误差就越难估。

好在 Wald 方法给出了一个实用近似：当样本量足够大（np̂≥10 且 n(1−p̂)≥10）时，样本比例 p̂ 的分布近似正态，置信区间为：

大选前的民调显示“候选人 A 支持率 52%，误差范围 ±3%”，意思就是 95% 置信区间约为 [49%, 55%]。当这个区间与 50% 分界线相交时，胜负难料——新闻媒体管这叫“统计平手”。

p^±zα/2p^(1−p^)n\displaystyle \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
  1. p̂（样本比例）在 n 个样本中“太咸”所占的比例，是 p 的点估计。
    p^=Xn\hat{p} = \frac{X}{n}
  2. p̂(1−p̂)（方差估计）比例数据的方差随 p̂ 本身变化——p̂ 越接近 0 或 1，方差越小。
    p^(1−p^)\hat{p}(1-\hat{p})
  3. √(p̂(1−p̂)/n)（比例标准误）比例估计的标准误差，规模约为 1/√n。
    p^(1−p^)n\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
  4. ± z_{α/2}·SE（误差范围）民意调查常说的“置信区间 ±3%”就是指这一项。
    ±1.96×0.5×0.5n≈±1n\pm 1.96 \times \sqrt{\frac{0.5 \times 0.5}{n}} \approx \pm \frac{1}{\sqrt{n}}

方差区间构造

盐味是否均匀，比咸淡更重要。如果有客人尝到一口齁咸、一口寡淡，说明这锅汤“方差太大”。方差 σ² 衡量随机变量的离散程度，在质量控制中就是一致性指标。构造方差的置信区间，需要一个新的枢轴量。

正态总体的样本方差 S² 满足：

这个枢轴量服从卡方（χ²）分布。卡方分布是右偏的，所以方差的置信区间并不对称——左边短、右边长，这反映了小方差一侧更容易被观察到。

在食品厂，每批汤的盐量方差区间若超出规格上限，说明搅拌工艺不稳定；在模型评估中，预测误差的方差区间可以帮助判断模型是否“时好时坏”。方差的区间往往让人意外地宽——因为它对数据波动比均值敏感得多。

(n−1)S2σ2∼χn−12\displaystyle \frac{(n-1)S^2}{\sigma^2} \sim \chi^2_{n-1}
(n−1)S2χα/2, n−12≤σ2≤(n−1)S2χ1−α/2, n−12\displaystyle \frac{(n-1)S^2}{\chi^2_{\alpha/2,\,n-1}} \le \sigma^2 \le \frac{(n-1)S^2}{\chi^2_{1-\alpha/2,\,n-1}}
  1. (n−1)S²（偏差平方和）样本中每个观测偏离均值的平方累计，携带了总体方差的信息。
    (n−1)S2=∑i=1n(Xi−Xˉ)2(n-1)S^2 = \sum_{i=1}^{n}(X_i - \bar{X})^2
  2. χ²_{α/2, n−1}（卡方上分位）卡方分布右侧 α/2 处的临界值，决定区间下限的比例尺。
    χ0.025, n−12\chi^2_{0.025,\,n-1}
  3. χ²_{1−α/2, n−1}（卡方下分位）卡方分布左侧 α/2 处的临界值，决定区间上限的比例尺。
    χ0.975, n−12\chi^2_{0.975,\,n-1}
  4. σ²（总体方差）质量的“一致性指标”，被夹在两个比例之间。
    σ2\sigma^2

实战应用

回到餐厅。老板要你每周检查汤锅的盐量，写一份质量标准。你发现每次只靠“尝一口”报告一个数字，根本扛不住质疑。于是你定下规矩：每周随机舀 5 勺汤，算出均值和置信区间，报告给老板“本周盐量区间 [13.2, 16.8]，置信水平 95%”。

这就是工程容差分析的思维方式：不追求每个样本都达标，而是追求“造区间的流程有可靠覆盖率”。在质量管理中，若置信区间超出了一条规格线（比如 18 克上限），就触发工艺调整；在 A/B 测试中，转化率提升的置信区间若完全位于零线上方，才宣称实验有效。

另一个常见需求是事先确定样本量——“要尝多少勺才有把握？”给定期望的误差范围 E 和置信水平，反解出：

分子是“你想要多确定”（z²），分母是“你有多能接受误差”（E²）。想要两倍精度，样本量要四倍——这就是统计学的“性价比定律”。

---

n=zα/22⋅p^(1−p^)E2\displaystyle n = \frac{z_{\alpha/2}^2 \cdot \hat{p}(1-\hat{p})}{E^2}
  1. E（误差范围）你愿意接受的区间半宽。±3% 民调误差对应的 E=0.03。
    E=zα/2p^(1−p^)nE = z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
  2. z_{α/2}（置信水平决定）置信水平越高，z 越大，需要的样本越大。
    z0.025=1.96z_{0.025}=1.96
  3. p̂(1−p̂)（最坏方差）未知 p 时取最大值 0.25，得到保守样本量。
    p^(1−p^)≤0.25\hat{p}(1-\hat{p}) \le 0.25

AI 应用场景

民意调查的误差范围解读

阶段：数据采集与结果汇报

解决的问题：媒体每天发布民调“支持率 52%”，但公众不知道单点估计不可靠。用置信区间为每个估计值配上误差范围（如 ±3%），让受众理解“统计平手”的真实含义，避免过度解读微小的比例差异。

具体案例：某新闻机构报道大选民调时，对每个候选人的支持率构造 95% 置信区间。候选人 A 为 [49.2%, 54.8%]，候选人 B 为 [45.1%, 50.9%]。由于 A 的区间下限低于 50%，报道明确标注“优势在误差范围内不显著”，防止了误判。

A/B 测试中的转化率置信区间

阶段：实验设计与效果评估

解决的问题：产品团队做 A/B 测试，看到 B 组转化率 12.3% 高于 A 组 11.8%，就想立即上线。但 0.5% 的差异可能只是抽样波动。使用比例置信区间检查“提升量的区间是否完全大于零”，才能做稳健决策。

具体案例：某电商平台对新版结算页做 A/B 测试，每组 5000 人。B 组转化率的 95% 置信区间为 [11.5%, 13.1%]，与 A 组区间 [11.0%, 12.6%] 有重叠，判定差异不显著，继续优化而非盲目上线。

机器学习模型误差的容差分析

阶段：模型评估与部署监控

解决的问题：模型的 RMSE 单点指标不能反映性能波动。对方差构造置信区间，可以判断模型误差的稳定性——若区间过宽，说明模型在不同数据子集上表现波动大，需要采集更多数据或改进特征。

具体案例：某预测性维护系统的故障检测模型，在 30 天的验证集上 RMSE 方差置信区间为 [4.2, 9.8]（95%），远超业务容忍上限 5.0。团队据此定位到传感器数据漂移问题，而非单看平均 RMSE 5.1 而误判为“合格”。

Python 演示

python49 行
"""对比 t 分布区间与正态近似区间在小样本下的覆盖率差异。"""import mathimport randomfrom statistics import mean, stdev  def t_crit(df, alpha=0.05):    # 常用分位数查表（省略 scipy 依赖的精简实现）    table = {30: 2.042, 19: 2.093, 7: 2.365, 59: 2.001}    return table.get(df, 1.960 if df >= 60 else 2.042)  def ci_z(xs):    # 错误示范：用样本标准差替代总体标准差，仍套用 z=1.96    n = len(xs)    se = stdev(xs) / math.sqrt(n)    m = mean(xs)    return m - 1.96 * se, m + 1.96 * se  def ci_t(xs):    # 正确做法：用 t 分布临界值吸收小样本下标准差的不确定性    n = len(xs)    se = stdev(xs) / math.sqrt(n)    m = mean(xs)    half = t_crit(n - 1) * se    return m - half, m + half  def main():    random.seed(42)    mu, sigma = 50.0, 8.0    print("样本量 | z区间覆盖率 | t区间覆盖率")    for n in (8, 20, 60):        hit_z = hit_t = 0        trials = 2000        for _ in range(trials):            xs = [random.gauss(mu, sigma) for _ in range(n)]            lo, hi = ci_z(xs)            if lo <= mu <= hi:                hit_z += 1            lo, hi = ci_t(xs)            if lo <= mu <= hi:                hit_t += 1        print(f"  {n:3d}  |   {hit_z / trials:.3f}   |   {hit_t / trials:.3f}")  if __name__ == "__main__":    main()
目的：模拟 2000 次抽样，展示小样本下“用 z 值代替 t 值”会严重低估不确定性（覆盖率远低于 95%），而 t 分布区间则稳定逼近 95%。
  1. def ci_z(xs):模拟初学者常犯的错误：不知道 σ 时仍用 1.96 构造区间。
  2. se = stdev(xs) / math.sqrt(n)用样本标准差估计标准误，n 越小波动越大。
  3. m - 1.96 * se, m + 1.96 * se返回一个对称区间，但临界值取错了分布。
  4. half = t_crit(n - 1) * se改用 t 分布查表，临界值随自由度自适应变大。
  5. trials = 2000大样本模拟次数，让覆盖率估计稳定到千分位。

常见误区

误区“这个 95% 置信区间 [12, 18] 意味着真实盐量有 95% 的概率落在 12 到 18 之间。”

正解在频率学派框架下，真实盐量是固定常数，它要么在区间内、要么不在，不存在“概率”一说。95% 指的是构造区间的流程的长期覆盖率——重复抽样 100 次，约 95 次产出的区间能罩住真实值。就像抛硬币前约定“押正面的流程有 50% 胜率”，单次结果没有概率。

为何常见：日常语言中“95% 确信”容易被直觉理解为对参数的信心程度，而忽视了频率学派对“重复抽样”的承诺。

误区“95% 置信区间比 90% 的更好，因为它更精确。”

正解95% 区间的覆盖率更高但更宽——你付出了区间长度的代价换取了更多安全感。90% 区间更窄更“锋利”，但失手率翻倍。选择置信水平是精度与可靠性的权衡，而不是“越大越好”。

为何常见：人们习惯把“更高”等同于“更好”，忽略了区间估计中宽度与置信水平的跷跷板关系。

误区“反正样本量 n=10 也算大样本了，直接用 z=1.96 构造区间没问题。”

正解n≥30 是一个经验法则。当 n 很小时，样本标准差 S 本身就不稳定，用 z 值会显著低估不确定性，区间偏窄、覆盖率不足。t 分布正是为此而生的——自由度小时尾部更厚，自动把区间“加宽”。

为何常见：教材里强调中心极限定理，让初学者误以为“正态近似”对小样本也免费有效，忽略了“方差未知”这一额外的不确定性来源。

误区“95% 置信区间 [12, 18] 意味着 95% 的汤勺样本读数都会落在这个范围内。”

正解置信区间描述的是均值（参数）的不确定性；预测区间描述的是下一个观测值（数据点）会落在哪。预测区间必须额外叠加个体自身的波动，因此远比置信区间宽。就像知道“全校平均身高 170±2cm”和预测“下一个学生的身高 170±30cm”是完全两回事。

为何常见：两者都以“区间 + 概率”形式出现，但一个关于参数、一个关于新数据，数学来源完全不同。

面试题

Q1. 关于 95% 置信区间的频率学解释，最准确的说法是？

单选题 · easy

  • A.参数有 95% 概率落在该区间
  • B.重复抽样时约 95% 的区间覆盖参数← 正确答案
  • C.样本均值有 95% 概率落在该区间内
  • D.区间越宽则覆盖率一定越高

答案：B。频率学派把置信区间视为“流程的质量承诺”——重复抽样构造的大量区间中约 95% 能罩住固定参数 θ。A 把参数当成随机变量，是贝叶斯语境的误解；C 混淆了区间与样本均值的关系；D 忽略覆盖率由流程决定而非宽度决定。

Q2. 当样本量 n 增大时，置信区间的宽度通常会怎样变化？

单选题 · easy

  • A.区间宽度逐渐变宽
  • B.区间宽度逐渐变窄← 正确答案
  • C.区间宽度保持不变
  • D.区间宽度先宽后窄

答案：B。标准误 σ/√n 随 n 增大而缩小，故区间宽度 2×z×σ/√n 随之变窄。这正体现了“多尝几勺汤，估计更精确”的直觉。

Q3. 枢轴量方法中，“枢轴量”的核心特征是什么？

单选题 · mid

  • A.分布不依赖未知参数← 正确答案
  • B.分布必须服从正态分布
  • C.必须是样本均值本身
  • D.必须经过中心化处理

答案：A。枢轴量是样本和参数的函数，其分布完全已知（不含未知参数），因此可以查表找分位数并反解出参数的区间。B 是过度约束——卡方、t、F 分布都可以做枢轴量分布。

Q4. 小样本且总体方差未知时，构造均值置信区间应使用什么分布？

单选题 · mid

  • A.标准正态分布 z 值
  • B.卡方分布临界值
  • C.F 分布临界值
  • D.t 分布临界值← 正确答案

答案：D。用样本标准差 S 估计未知 σ 后，标准化统计量服从自由度 n−1 的 t 分布。t 分布尾部更厚，能吸收 S 的估计误差。使用 z 值会导致区间偏窄、覆盖率不足。

Q5. 关于比例置信区间，下列说法正确的是？

单选题 · mid

  • A.需要样本量满足大样本条件← 正确答案
  • B.要求总体严格服从正态分布
  • C.要求总体方差 σ² 已知
  • D.要求样本比例恰好为 0.5

答案：A。比例区间依赖中心极限定理，通常需 np̂≥10 且 n(1−p̂)≥10。B 不是条件——比例数据是二值的；C 无意义，比例的方差由 p 自身决定；D 只在为保守估计样本量时取 0.5。

Q6. 方差置信区间使用卡方分布的根本原因是什么？

单选题 · hard

  • A.方差本身服从卡方分布
  • B.标准化偏差平方和服从卡方分布← 正确答案
  • C.卡方分布对称且易于查表
  • D.卡方分布可近似任何分布

答案：B。对于正态总体，枢轴量 (n−1)S²/σ² 服从 χ²_{n−1} 分布，这是卡方分布进入方差区间构造的数学依据。A 是错误类比——方差是常数而非随机变量；C 说反了，卡方是右偏的；D 夸大了卡方的通用性。

Q7. 下列哪些方法能够缩短置信区间宽度？

多选题 · mid

  • A.增大样本量 n← 正确答案
  • B.降低置信水平← 正确答案
  • C.提高置信水平
  • D.增大显著性水平 α← 正确答案

答案：ABD。增大 n 缩小标准误；降低置信水平（增加 α）减小 z 临界值。D 与 B 等价——显著性水平变大等价于置信水平变小。C 提高置信水平会增大临界值，反而加宽区间。

Q8. 关于 t 分布与标准正态分布的关系，下列说法正确的是？

多选题 · hard

  • A.自由度越小尾部越厚← 正确答案
  • B.自由度趋于无穷时趋近正态← 正确答案
  • C.t 分布关于 0 对称← 正确答案
  • D.t 分布均值恒等于 1

答案：ABC。t 分布以 0 为对称中心且均值等于 0（自由度>1 时）；自由度越小，样本标准差估计越差，尾部越厚以容纳更多不确定性；自由度趋于无穷时，S 收敛于 σ，t 分布退化为标准正态。D 的均值应为 0。

Q9. 频率学派置信区间的关键性质包括哪些？

多选题 · hard

  • A.区间端点由样本数据决定← 正确答案
  • B.参数是固定的未知常数← 正确答案
  • C.重复抽样下覆盖率趋近置信水平← 正确答案
  • D.区间一旦算出参数就在区间中心

答案：ABC。频率学派中 θ 固定，区间 [L,U] 随机，重复抽样下覆盖率收敛于 1−α。D 错——参数不一定在区间正中，区间只是“罩住”参数，位置关系任意。

Q10. 若用样本标准差 S 替换总体标准差 σ 来计算 t 统计量，其自由度为？

单选题 · extreme

  • A.自由度为 n
  • B.自由度为 n−1← 正确答案
  • C.自由度为 n−2
  • D.自由度为 n+1

答案：B。样本方差计算时先用 X̄ 估计 μ，损失一个自由度，故剩 n−1 个独立信息量。这个 "−1" 也是为什么 n=1 时无法估计方差——没有多余信息去度量离散度。