置信区间的临界值_怎样全面理解95%置信区间

前文我们解释了正态分布和抽样分布，今天终于要开始讲解置信区间了。有不少小伙伴在后台留言希望多讲讲假设检验和置信区间的内容，在此对同学们的关注表示感谢，同时，我们也会尽力加快推文速度。

首先，简单回顾一下，抽样分布是针对样本统计量而言的，比如样本均数。在同一个总体中，重复多次抽取样本量为n的多组样本，每一组样本均可计算出一个样本均数，将这些样本均数汇集在一起就获得了所谓的样本均数的抽样分布。我们把样本均数看做一个新“随机变量”，可以对它再求平均数和标准差。

一个简单但非常实用的规律是，无论X的分布如何，如果X的总体均数是  ，标准差是  ，则其样本均数服从正态分布N(  ，)。需要注意的是，这里的样本要满足比较大的样本量。

所谓“参数估计”，就是通过样本统计量估计总体参数。稍微了解过统计学的同学对“95%置信区间”这个说法肯定不会陌生，不过在此之前，我们先来看看点估计。

1. 点估计

何为点估计？上一篇我们提出抽样调查，指出样本虽然是我们的研究对象，但我们的目标却是总体，如何通过样本推测总体？最简单的就是用样本均数直接代替总体均数，这里的样本均数实际是称作总体均数的一个“点估计”。

除了均数，我们还学习过中位数，经常听说当总体呈偏态分布时要用中位数描述，因此，中位数其实也是总体均数“点估计”的一种。那么问题来了，为什么从来没人说用中位数来估计总体呢？这里因为，即使是点估计，也是有要求的，为了保证估计更加精确，我们总是希望找到那个最好的“点”，而样本均数在某些方面就要强于中位数。

简单而言，要成为一个好的点估计，至少需要满足三个条件：无偏性、有效性和一致性。所谓“无偏”就是要保证你的估计值是在真实的总体均值上下波动的。如果通过A样本计算的样本均数大于总体均数，通过B样本计算的小