Konfidensintervallkalkylator
Beräkna felmarginalen runt ett stickprovsmedelvärde för ett 90%-, 95%- eller 99%-konfidensintervall med z-fördelningen. Intervallets halvbredd visar hur precist ditt stickprov skattar populationsmedelvärdet – oumbärlig vid enkätredovisning, vetenskaplig publicering och all statistisk inferens.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Felmarginalen (MoE) för ett konfidensintervall för medelvärdet är MoE = z* × (s / √n), där z* är det kritiska värdet från standardnormalfördelningen för vald konfidensnivå (1,645 för 90%, 1,96 för 95%, 2,576 för 99%), s är stickprovets standardavvikelse och n är stickprovsstorleken. Det fullständiga konfidensintervallet är x̄ ± MoE, där x̄ är stickprovsmedelvärdet. MoE beror på tre saker: konfidensnivån (högre nivåer ger bredare intervall eftersom fler "ovanliga" värden från stickprovsfördelningen måste inkluderas), stickprovets standardavvikelse (mer variabel data → större MoE) och stickprovsstorleken (större n → mindre MoE via standardfelet s/√n). Att fördubbla n minskar MoE med faktorn √2 ≈ 1,41; att fyrdubbla n halverar det. Tolkning av ett 95%-KI: om du upprepade stickprovsförfarandet många gånger under identiska förhållanden skulle 95% av de resulterande konfidensintervallen innehålla det sanna populationsmedelvärdet. Det är INTE en 95%-sannolikhet att det specifikt beräknade intervallet innehåller det sanna medelvärdet (det vore ett Bayesianskt kredibilitetsintervall, som kräver en prior). Variabler: x̄ = stickprovsmedelvärde; n = stickprovsstorlek; s = stickprovets standardavvikelse; confidenceLevel väljer z*. Kantfall: denna kalkylator använder z-fördelningen, vilket är rätt referens för stora stickprov (n ≥ 30) eller känd σ. För små stickprov med okänd σ, använd t-fördelningen med df = n − 1; t-värdet är större än z* och MoE blir bredare. Mycket litet n (< 10) gör både SD-skattningen och KI:t självt mycket osäkra – bredare intervall återspeglar detta ärligt. För andelar, använd ett binomialbaserat eller Wilson-score-KI i stället, inte denna formel.
Hur du använder den
Exempel 1 – 95%-KI för en enkät med 100 respondenter. Du mäter kundnöjdhet hos n = 100 personer: x̄ = 7,2 (av 10), s = 1,5. För 95%-KI: z* = 1,96. MoE = 1,96 × (1,5 / √100) = 1,96 × 0,15 = 0,294. ✓ 95%-KI är x̄ ± MoE = 7,2 ± 0,294, eller [6,91; 7,49]. Tolkning: om du upprepade enkäten många gånger skulle 95% av de resulterande intervallen innehålla den sanna populationsnöjdheten. Exempel 2 – 99%-KI med mindre stickprov. Nu har du n = 25 mätningar med x̄ = 50,4 och s = 8,0. För 99%-KI: z* = 2,576. MoE = 2,576 × (8,0 / √25) = 2,576 × 1,6 = 4,12. ✓ 99%-KI är 50,4 ± 4,12, eller [46,28; 54,52]. Jämfört med 95%-KI: MoE_95 = 1,96 × 1,6 = 3,14, vilket ger [47,26; 53,54] – ett smalare intervall till priset av lägre konfidens. 99%-intervallet är ungefär 31% bredare än 95%-intervallet, vilket återspeglar avvägningen mellan täckningssannolikhet och precision.
Vanliga frågor
Vad betyder ett 95%-konfidensintervall egentligen?
Det är ett påstående om förfarandet, inte om det specifika intervallet: om du upprepade hela stickprovs- och KI-beräkningsprocessen många gånger under identiska förhållanden skulle 95% av de resulterande intervallen innehålla det sanna populationsparametervärdet. Det specifika KI du har innehåller antingen det sanna medelvärdet eller inte – det finns inget sannolikhetspåstående om just det intervallet inom frekventistisk statistik. Detta är ett av de mest missförstådda begreppen inom statistik; den naturliga tolkningen "det sanna medelvärdet har 95% chans att ligga i detta intervall" är ett Bayesianskt kredibilitetsintervall, vilket kräver en prior som denna beräkning aldrig använder. Praktiskt sett fungerar KI:n som ärliga osäkerhetsskattningar kring punktestimat: ett brett KI säger "vi känner inte till populationsmedelvärdet särskilt precist"; ett smalt KI säger "vi känner det ganska väl". Ange alltid punktestimat tillsammans med KI i rapporter – KI:t är vad granskare och läsare behöver för att bedöma tillförlitligheten hos varje slutsats.
När ska jag använda t-fördelningen i stället för z?
Använd t-fördelningen när populationens standardavvikelse σ är okänd och stickprovsstorleken är liten (n < 30 som tumregel). T-fördelningen har tyngre svansar än normalfördelningen och ger bredare KI för att ta hänsyn till den extra osäkerheten vid skattning av σ från ett litet stickprov. Vid n = 10 (df = 9) är det kritiska 95%-t-värdet 2,262 jämfört med z = 1,96 för normalfördelningen – ungefär 15% bredare KI. I takt med att n växer konvergerar t-fördelningen mot normalfördelningen: vid n = 30 (df = 29) är t_0,025 = 2,045, bara 4% högre än z = 1,96. Vid n = 100 är skillnaden försumbar. Den här kalkylatorn använder z-värden för enkelhetens skull; för rigoröst arbete med små stickprov, byt till en t-fördelningsbaserad KI-kalkylator. För mycket små stickprov (n < 10) är KI:t så brett att alla rapporterade punktestimat är svagt underbyggda oavsett metod.
Varför blir konfidensintervallet bredare när konfidensnivån ökar?
En högre konfidensnivå kräver att en större del av stickprovsfördelningens massa inkluderas i intervallet. Ett 95%-KI utesluter de mest extrema 2,5% i varje svans; ett 99%-KI utesluter bara 0,5% i varje svans, vilket kräver att intervallet sträcker sig längre för att täcka ytterligare 4% av värdena. Det är en grundläggande avvägning: du kan ha ett precist KI (smalt) eller ett högkonfident KI (brett), men inte båda vid samma n. För att få båda behöver du ett större stickprov. Kvantitativt är 99%-KI:t ungefär 31% bredare än 95%-KI:t vid samma n. För att ett 99%-KI ska vara lika smalt som ett 95%-KI krävs ungefär 1,31² ≈ 1,72× så stort stickprov. Det är därför 95% blivit standardkonventionen: en rimlig balans mellan precision och konfidens för de flesta vetenskapliga tillämpningar.
Vilka är de vanligaste misstagen med konfidensintervall?
Det första är att tolka KI:n sannolikhetsmässigt: "95% chans att det sanna medelvärdet ligger i [a, b]" är fel – frekventistiska KI:n är påståenden om förfarandet, inte om det specifika intervallet. Det andra är att använda ett z-KI på ett litet stickprov där ett t-KI krävs; z-KI:t underskattar osäkerheten och ger falskt smala intervall. Det tredje är att visuellt jämföra två KI:n för att testa signifikans: överlappande 95%-KI:n innebär INTE att grupper inte skiljer sig signifikant – det rätta testet kräver ett KI för skillnaden. Det fjärde är att använda medelvärdesformler på andelar, som behöver binomial- eller Wilson-score-KI i stället. Det femte är att bara rapportera punktestimatet utan KI – det döljer osäkerheten och avråds alltmer i vetenskaplig publicering. Det sjätte är att beräkna KI:n på icke-slumpmässiga eller snedvridna stickprov, där den antagna stickprovsfördelningsstrukturen inte gäller. Det sjunde är att förväxla "detta KI överlappar noll" med "effekten är exakt noll" – ett KI är ett osäkerhetsintervall, inte ett binärt utlåtande.
När bör jag inte använda den här kalkylatorn?
Hoppa över den för konfidensintervall på andelar – sådana kräver binomialbaserade formler (Wald, Wilson score eller exakt Clopper-Pearson), inte medelvärdets KI-formel. Undvik den för mycket små stickprov (n < 30) med okänd σ; använd en t-fördelningsbaserad KI-kalkylator i stället för de z-baserade kritiska värden som används här. Det är fel verktyg för KI:n för regressionskoefficienter, korrelationer, oddsratios, hazardratios eller andra icke-medelvärdesstatistiker – var och en har sin egen formel för standardfelet. Använd den inte för icke-slumpmässiga eller klustrade stickprov utan att applicera en designeffekt; det enkla n i nämnaren förutsätter obundet slumpmässigt urval. Hoppa över den för kraftigt sneda data med små stickprov, där bootstrap-KI:n är mer noggranna än parametriska formler. Och använd inte ett enstaka KI som ett fristående kriterium utan att ta hänsyn till effektstorlek, stickprovsstorlek och den substantiella vikten av den skattade kvantiteten – osäkerheten är en del av bilden, inte hela.