《5分钟说完一个概念》：什么是置信区间

在商业环境中，数据人员通常会收集一些数据，比如用户在网站上花费的时间，然后计算关于这些数据的一些统计数据，比如在网站上花费的平均或中值时间，最后呈现这些总结向业务提供统计数据。然而假设检查了 500 个会话，并计算出用户在网站上平均花费 10 分钟。你确定如果收集更多的数据，这个 10 分钟的平均值不会改变吗？是否偶然目睹了一个不可代表的样本？如果等到周末也收集数据，这会不会可能有所不同。我们怎么知道我们是否有足够的数据呢？如何量化我们对其计算的平均值、中位数等的信心？

数据方差和标准差

低标准偏差表明数据点往往接近平均值。很明显，如果我们收集的数据点更接近真实的平均值，我们往往对这个平均值更有信心。直观地演示一下，将生成两组 500 个正态分布的数据点，均值为 10，但一组的标准差为 1，另一组的标准差为 3。然后使用直方图绘制它们。

不同标准差的正态分布图

我们不需要广泛的统计知识就可以得出结论，我们可以对标准差较低的数据集（蓝色直方图）与标准差较高的数据集（橙色直方图）的平均值更有信心。

数据量大小（N）

当我们有数百万用户访问我们的网站时，我们计算他们花费的平均时间，结果是 10 分钟；如果我们随机抽取几个会话，比如说 5 个会话，它们的平均值不会正好是 10 分钟。如果我们抽取了 10,000 个会话的样本&#x