Построение доверительных интервалов

Этот онлайн калькулятор строит доверительные интервалы для четырех случаев: для оценки среднего при неизвестных значениях параметров, для оценки дисперсии при неизвестных значениях параметров, для оценки среднего при известной дисперсии и для оценки дисперсии при известном среднем.

Эта страница существует благодаря следующим персонам

Timur

Timur

Создан: 2026-11-16 17:25:30, Последнее изменение: 2026-11-16 17:25:30
Creative Commons Attribution/Share-Alike License 3.0 (Unported)

Этот материал распространяется на условиях лицензии Creative Commons Attribution/Share-Alike License 3.0 (Unported). Это означает, что вы можете размещать этот контент на своем сайте или создавать на его основе собственный (в том числе и в коммерческих целях), при условии сохранения оригинального лицензионного соглашения. Кроме того, Вы должны отметить автора этой работы, путем размещения HTML ссылки на оригинал работы https://planetcalc.ru/10988/. Пожалуйста оставьте без изменения все ссылки на других авторов данной работы или работы, на основе которой создана данная работа (если таковые имеются в спроводительном тексте).

Формулы и немного теории вы можете найти под калькулятором.

PLANETCALC, Доверительные интервалы

Доверительные интервалы

Числа через запятую, точку с запятой, пробел или с новой строки. Десятичный разделитель — точка.
Заданное априори значение среднего.
Именно дисперсия, а не стандартное отклонение.
Целое число не менее 2.
Дисперсия с делением на n − 1.
Точечная оценка
 
Нижняя граница
 
Верхняя граница
 
Длина интервала
 
Объем выборки
 
Степени свободы
 
Распределение
 
Нижний квантиль
 
Верхний квантиль
 
Знаков после запятой: 6

Способы построения доверительных интервалов при условии нормальности исходных данных

№ Что оцениваем Что известно Используемая статистика Распределение Доверительный интервал
1 Дисперсию \sigma^2 Среднее \mu известно \frac{\sum_{i=1}^n (x_i - \mu)^2}{\sigma^2} \chi^2(n) \left[ \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1+\alpha)/2}};\; \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1-\alpha)/2}} \right]
2 Среднее \mu Дисперсия \sigma^2 известна \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} N(0,1) \bar{x} \pm z_{(1-\alpha)/2} \cdot \frac{\sigma}{\sqrt{n}}
3 Среднее \mu Оба неизвестны (оцениваем \mu) \frac{\bar{x} - \mu}{s / \sqrt{n}} T(n-1) \bar{x} \pm t_{(1-\alpha)/2}(n-1) \cdot \frac{s}{\sqrt{n}}
4 Дисперсию \sigma^2 Оба неизвестны (оцениваем \sigma^2) \frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2} \chi^2(n-1) \left[ \frac{(n-1)s^2}{h^{(n-1)}_{(1+\alpha)/2}};\; \frac{(n-1)s^2}{h^{(n-1)}_{(1-\alpha)/2}} \right]

Ниже я разберу откуда что берется.

Метод построения доверительных интервалов

В общем случае (это не единственный способ, но других я не искал), построение доверительных интервалов можно делать следующим образом1:

  1. Выбираем доверительную вероятность \alpha, близкую к единице.
  2. Выбираем некую функцию, зависящую от нашей выборки и от неизвестного параметра G(x_1, ..., x_n, \Theta), но такую, что, в свою очередь, уже ЕЁ функция распределения не зависит от неизвестного параметра \Theta:

F_G(t) \stackrel{\text{def}}{=} \mathbf{P}_\theta \{ G(x_1, \dots, x_n, \theta) \le t \}

  1. Выбираем два числа \epsilon_1 > 0 и \epsilon_2 > 0, такие что 1-\alpha=\epsilon_1 + \epsilon_2. Далее нас интересуют такие значения k_1 и k_2, чтобы

F_G(\kappa_1) \le \varepsilon_1, \quad F_G(\kappa_2) \ge 1 - \varepsilon_2

Откуда

\mathbf{P}_\theta \{ \kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2 \} \ge 1 - \varepsilon_2 - \varepsilon_1 = \alpha,

Так как мы выбрали такую G, функция распределения которой не зависит от \Theta, то и k_1 и k_2 не зависят от \Theta.

  1. Переходим к двойному неравенству

\kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2

и решаем его относительно \Theta. Значения будет зависеть от выборки. Если обозначить решение через \beta, то можно записать

\mathbf{P}_\theta \{ \theta \in ( \beta_1(x_1, \dots, x_n), \beta_2(x_1, \dots, x_n)) \} \ge \alpha

Вычисленные значения и будут являться доверительным интервалом. Т.е. интервалом, куда с заданной вероятностью попадает истинное значение неизвестной величины.

Собственно, дальше все уже посчитано до нас - для вышеперечисленных случаев уже подобраны функции с известным распределением, которые позволяют вычислять доверительные интервалы. По ходу дела пришлось открывать новые распределения, доказывать теоремы, но это довольно сложно. Студентам и инженерам достаточно знать, что оно вот так вот, и условия применения. Ниже рассмотрим каждый случай в отдельности.

Построение доверительного интервала для среднего при известной дисперсии

Начнем с самого простого для объяснения случая - построения доверительного интервала для среднего при известной дисперсии. Откуда для случайной величины может быть известна дисперсия, спросите вы. Однако это довольно часто встречающийся на практике случай, так как дисперсия, или разброс, чаще всего характеризует физические свойства инструмента или технологического процесса. Классический пример: погрешность прибора, указанная в его паспорте в виде среднеквадратического отклонения. Мы не знаем истинное значение измеряемой величины, зато мы знаем "шум" прибора. Мы делаем серию замеров, и строим доверительный интервал для среднего значения, используя среднеквадратическое отклонение.

Хитрую функцию G для этого случая выбрали следующим образом

G(x_1, \dots, x_n; \mu) = \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}}

Здесь используется теорема о том, что сумма произвольного числа независимых нормальных случайных величин имеет нормальное распределение. В данном случае функция G имеет стандартное нормальное распределение N(0,1). Мы можем записать двойное неравенство, используя квантили

z_{(1-\alpha)/2} < \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}} < z_{(1+\alpha)/2}

Откуда

\bar{x} - \frac{\sigma z_{(1+\alpha)/2}}{\sqrt{n}} < \mu < \bar{x} - \frac{\sigma z_{(1-\alpha)/2}}{\sqrt{n}}.

Или, в силу симметричности нормального распределения

\bar{x} - \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2} < \mu < \bar{x} + \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2}

Построение доверительного интервала для среднего при неизвестной дисперсии

Теперь рассмотрим построение доверительного интервала для среднего значения некоторой случайной величины, когда мы не знаем ни ее истинного среднего значения, ни ее истинной дисперсии. Это самый частый случай, когда вы получаете ряд измерений чего-нибудь - вы чаще всего не знаете ровно ничего.

Например, вы хотите проверить, как новое удобрение влияет на урожай помидоров.
Посадили 30 грядок, внесли удобрение, измерили полученную урожайность в килограммах. Истинное среднее - это потенциальная урожайность сорта при внесении удобрений, если его сажать везде в идеальных средних условиях. Она неизвестна. Истинная дисперсия в данном случае — это отзывчивость на микроклимат и погрешности при поливе / внесении удобрений. Одна грядка расположена в низине (больше влаги), другая — на возвышенности (суше), и так далее. Насколько сильно урожайность меняется от грядки к грядке? Тоже неизвестно.

Здесь выбор хитрой функции G определен теоремой Фишера. Вот ее формулировка из Википедии2:

Пусть X_1,\ldots,X_n \sim \mathrm{N}(\mu,\sigma^2) — независимая выборка из нормального распределения. Пусть \overline{X} — выборочное среднее, а S^2 — выборочная дисперсия. Тогда

  • Случайные величины \overline{X} и S^2 независимы;
  • Случайная величина  \sqrt{n} \cdot \frac{\overline{X} - \mu}{\sigma} \sim \mathrm{N}(0,1) \sim Z имеет стандартное нормальное распределение
  • Случайная величина \frac{(n-1)\cdot S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i=1}^{n} (X_i - \bar{X})^2 \sim \chi^2_{n-1} имеет распределение хи-квадрат с n-1 степенями свободы.

А из стандартного нормального распределение и распределения хи-квадрат можно собрать распределение Стьюдента по следующей формуле

T = \frac{Z}{\sqrt{\chi^2_k/k}}, где k - число степеней свободы.

Вот и сконструируем нашу функцию G поделив одно на корень из другого, деленного на n-1:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{(\sqrt{n}(\bar{x} - \mu))/\sigma}{\sqrt{\frac{1}{n-1} \frac{1}{\sigma^2} \sum_{i=1}^{n} (x_i - \bar{x})^2}}

Мы знаем, что у этой функции распределение Стьюдента со степенью свободы n-1, плюс, в ней, какая удача, можно сократить неизвестный нам параметр \sigma

Таким образом

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sqrt{n}(\bar{x} - \mu)}{s} \sim T(n-1)

А дальше, обозначив через t квантили распределения Стьюдента и выразив \mu, мы и получаем формулу доверительного интервала.

\bar{x} - \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2} < \mu < \bar{x} + \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2}

Так как распределение Стьюдента симметрично, здесь также достаточно подставить в формулу только одно значение квантиля, как и в предыдущем случае.

Построение доверительного интервала для дисперсии при известном среднем

С оценкой средних разобрались, но как будто надо же оценить еще и дисперсию. И первый случай - построение доверительного интервала для дисперсии при известном истинном среднем. Опять же, а где в реальной жизни подобные задачи, чтобы истинное среднее было известно и нужна была дисперсия? Первый вариант - это задачи, обратные задаче оценки среднего при известной дисперсии, а именно, калибровка прибора. Ну то есть, начинаем класть на весы эталонную гирю весом один килограмм и смотрим, что они показывают, оцениваем разброс значений показываемых весами (кладем гирю не один раз, понятно). Кроме того, среднее могут фиксировать при оценке гипотез (смотрят, какой будет разброс, если среднее будет вот такое).

Конструируем функцию G следующим образом:

G(x_1, \dots, x_n; \sigma^2) = \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{\sigma^2} = \sum_{i=1}^n \left( \frac{x_i - \mu_0}{\sigma} \right)^2.

Тут все просто - это буквально распределение хи-квадрат с n степенями свободы, причем не зависящее от \sigma.

Обозначив через h квантили распределения хи-квадрат и выразив \sigma, мы получаем формулу доверительного интервала.

\frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1+\alpha)/2}^{(n)}} < \sigma^2 < \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1-\alpha)/2}^{(n)}}

Pаспределение хи-квадрат несимметрично, придется брать оба квантиля.

Построение доверительного интервала для дисперсии при неизвестном среднем

Зачем это нужно? Да затем же, зачем и в предыдущем случае. Мы хотим оценить вариабельность, «кучность» или «стабильность» процесса, просто истинное среднее нам неизвестно.

Для этого случая сконструировали такую функцию G:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2}

"Прикол" здесь в том, что в фунции вообще не участвует неизвестное значение \mu. И по теореме Фишера мы знаем, что у этой функции распределение хи-квадрат c n-1 степенями свободы. Дальше делаем то же самое, что и в предыдущем случае, и получаем формулу доверительного интервала:

\frac{(n - 1)s^2}{h_{(1+\alpha)/2}^{(n-1)}} < \sigma^2 < \frac{(n - 1)s^2}{h_{(1-\alpha)/2}^{(n-1)}}

Критерии применимости

Повторим еще раз - все формулы, перечисленные выше в таблице (использующие квантили нормального распределение, распределения Стьюдента, и распределения Хи-квадрат) являются точными только в одном единственном случае: исходная случайная величина должна быть распределена строго по нормальному закону (Гауссу).

Если же распределение не нормальное, то при оценке среднего при большом объеме выборки нам повезло - благодаря Центральной предельной теореме (ЦПТ), при росте объема выборки выборочное среднее всегда стремится к нормальному распределению, независимо от того, какое распределение было у исходных данных (экспоненциальное, равномерное, биномиальное и т.д.). Традиционная граница между малой и большой выборкой в статистике это 30. Иногда говорят о выборке объемом 50 - 100, но тут многое зависит от асимметричности распределения или тяжести его "хвостов".

Вывод - при оценке среднего для больших выборок на распределение можно "забить" (спасибо ЦПТ). Для маленьких выборок из НЕнормального распределения (например, биномиального или логнормального) критерии Стьюдента дают ошибку — нужно применять непараметрические методы (например, критерий Уилкоксона).

Для дисперсии же всё плохо. Распределение хи-квадрат крайне чувствительно к отклонениям от нормальности, и для не нормальных распределений надо использовать другие подходы.


  1. Манита А. Д. Теория вероятностей и математическая статистика: Учебное пособие. -- М.: Издат. отдел УНЦ ДО, 2001. -- 120 с. ТеорВер-Онлайн ↩

  2. Теорема Фишера для нормальных выборок ↩

Ссылка скопирована в буфер обмена
PLANETCALC, Построение доверительных интервалов

Комментарии