Konfidensintervallkalkylator
Beräkna den nedre och övre gränsen för ett konfidensintervall för ett populationsmedelvärde med hjälp av ett stickprovsmedelvärde, standardfelet för det medelvärdet och ett kritiskt z-värde (1.645 / 1.96 / 2.576 för 90% / 95% / 99% konfidens). Detta är standardmetoden för att rapportera osäkerhet kring enkätresultat, laboratoriemätningar eller andra stickprovsbaserade skattningar.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Ett konfidensintervall (KI) ger ett rimligt spann för ett okänt populationsmedelvärde, härlett från stickprovsdata. Konstruktionen är: KI = x̄ ± (z · SE), där x̄ är stickprovsmedelvärdet, SE är standardfelet för medelvärdet (SE = s / √n för ett enskilt stickprov) och z är det kritiska värdet från standardnormalfördelningen vid valt konfidensnivå. Vanliga z-värden: 1.645 (90% KI), 1.960 (95% KI), 2.576 (99% KI). Den nedre gränsen är x̄ − z·SE och den övre gränsen är x̄ + z·SE. Intervallets korrekta tolkning är procedurell: om du upprepade samplings- och intervallkonstruktionsprocessen många gånger, skulle den angivna procentandelen av de resulterande intervallen innehålla det sanna populationsmedelvärdet. Det betyder inte att det finns en 95% sannolikhet att det sanna medelvärdet ligger i något enskilt specifikt intervall (det är ett Bayesianskt trovärdighetsintervall, beräknat på annat sätt). Bredden styrs av SE och z: mindre stickprov eller större σ ger ett bredare intervall, och högre konfidens kräver ett bredare intervall (avvägningen mellan precision och konfidens är fundamental). Specialfall: den z-baserade formeln förutsätter att stickprovsmedelvärdet är approximativt normalfördelat, vilket gäller antingen när underliggande data är normalfördelad eller – via centrala gränsvärdessatsen – när n är ungefär ≥ 30. För små stickprov med okänd σ bör du istället använda ett kritiskt t-fördelningsvärde (som beror på frihetsgrader). För proportioner, binomiala utfall eller icke-normala skattare finns specialiserade KI-formler (Wilson, Clopper-Pearson, bootstrap). Intervallet förutsätter också implicit att stickprovet är ett slumpmässigt, representativt urval av målpopulationen – skevhet i sampling kan inte åtgärdas med ett konfidensintervall.
Hur du använder den
Exempel 1 – Undersökning av genomsnittligt testresultat. Ett slumpmässigt stickprov på 50 elever har ett medelresultat på 78 med standardfelet 3.2. För ett 95% konfidensintervall, ange stickprovsmedelvärde = 78, standardfel = 3.2, z-värde = 1.96. Nedre gräns = 78 − 1.96 × 3.2 = 78 − 6.272 = 71.73. Övre gräns = 78 + 1.96 × 3.2 = 84.27. Intervall: [71.73, 84.27]. ✓ Du rapporterar: "Vi uppskattar att det sanna medelresultatet är 78 (95% KI: 71.7–84.3)." Exempel 2 – Laboratoriemätning vid högre konfidens. En kemist mäter en provs medelkoncentration till 25.5 mg/L med SE = 0.8. För ett 99% KI (mer konservativt), ange stickprovsmedelvärde = 25.5, standardfel = 0.8, z-värde = 2.576. Nedre gräns = 25.5 − 2.576 × 0.8 = 25.5 − 2.061 = 23.44. Övre gräns = 25.5 + 2.061 = 27.56. Intervall: [23.44, 27.56]. ✓ Vid 95% konfidens skulle samma data ge 25.5 ± 1.568 = [23.93, 27.07] – smalare eftersom ett mindre strängt konfidensnivå används.
Vanliga frågor
Vad betyder ett 95% konfidensintervall egentligen?
Den strikt korrekta tolkningen är procedurell: om du drog många oberoende slumpmässiga stickprov och beräknade ett 95% KI från vart och ett, skulle ungefär 95% av dessa intervall innehålla den sanna populationsparametern. Det betyder inte att det för något enskilt specifikt intervall finns en 95% sannolikhet att parametern befinner sig däri – det är ett Bayesianskt trovärdighetsintervall, beräknat på annat sätt. I praktiken behandlar forskare och statistiker KI:t som ett spann av rimliga värden för parametern givet data och modellantagandena. Den exakta tolkningen spelar sällan roll i praktiken, men den spelar roll i vetenskapliga texter: att säga "det är 95% chans att det sanna medelvärdet ligger mellan 71.7 och 84.3" är tekniskt fel inom klassisk (frekventistisk) statistik, även om det är det naturliga sättet de flesta läser det på.
När bör jag använda ett kritiskt t-fördelningsvärde istället för z?
Använd t-värden när populationsstandardavvikelsen σ är okänd och du skattar den från samma stickprov (vilket är nästan alltid fallet i praktiken), och särskilt när stickprovsstorleken är liten (n < 30). T-fördelningen har tyngre svansar än normalfördelningen och ger därför ett bredare och mer ärligt KI som tar hänsyn till den extra osäkerheten i skattningen av σ. Det kritiska värdet beror på frihetsgrader (df = n − 1): vid df = 10 och 95% KI är t = 2.228 (jämfört med z = 1.96); vid df = 30 är t = 2.042; vid df = 100 är t = 1.984, och konvergerar mot z i takt med att n ökar. För n ≥ 30 är skillnaden mellan t och z tillräckligt liten för att z-baserade intervall ofta används som approximation, men för alla noggranna analyser – särskilt med små stickprov eller strikt rapportering – bör du byta till t-värden från en t-tabell eller statistisk programvara.
Hur påverkar urvalsstorleken bredden på konfidensintervallet?
Bredden styrs av standardfelet, som är s / √n för ett enskilt stickprovsmedelvärde. Eftersom SE minskar med kvadratroten av n måste du fyrdubbla urvalsstorleken för att halvera intervallets bredd – en hård begränsning som förklarar varför högprecisionsforskning är så kostsam. En fördubbling av urvalsstorleken minskar KI:t med bara ca 29%. Det är därför en undersökning av 400 personer ger ett endast marginellt smalare intervall än en med 1 000 personer, trots att den kostar ungefär hälften så mycket att genomföra. Arbeta bakifrån från den precision du faktiskt behöver (använd en urvalsstorlekskalkylator) istället för att välja ett rundat tal; mycket stora stickprov är onödigt för grova skattningar och mycket små ger intervall som är så breda att de inte kan särskilja meningsfulla utfall.
Vilka är de vanligaste misstagen med konfidensintervall?
Det första är att tolka "95% KI" som "95% sannolikhet att parametern finns i detta intervall" – ett lockande men tekniskt felaktigt frekventistiskt påstående (se ovan). Det andra är att glömma att intervallet bara är lika bra som samplingen: ett skevt stickprov ger ett skevt KI oavsett hur snävt det är. Det tredje är att förväxla KI för medelvärdet med prediktionsintervall för enskilda observationer (de sistnämnda är mycket bredare, eftersom de inkluderar variation mellan individer). Det fjärde är att använda z-baserade formeln på små stickprov när t bör användas – det resulterande intervallet är konstgjort smalt och överskattar precisionen. Slutligen presenterar folk ofta ett KI utan att ange de bakomliggande antagandena: slumpmässigt sampling, oberoende, approximativ normalitet hos skattaren (eller tillräckligt stort n för centrala gränsvärdessatsen). Om något av dessa fallerar gäller inte den nominella täckningssannolikheten.
När bör jag inte använda den här kalkylatorn?
Hoppa över den om du ännu inte har standardfelet – beräkna SE först från dina rådata (s / √n), eller använd en KI-kalkylator för medelvärde som tar rådata som indata. Använd den inte för konfidensintervall på proportioner eller binomiala utfall; dessa kräver Wilson-, Agresti-Coull- eller Clopper-Pearson-formler, inte en z·SE-konstruktion. Det är fel verktyg för små stickprov där σ är okänd – byt till en t-baserad KI-kalkylator med frihetsgradsanpassning. Använd den inte för medianer, percentiler, kvoter eller andra icke-medelvärdessstatistikor; var och en av dessa har sin egen KI-formel eller kräver bootstrapping. Använd slutligen inte ett KI som en genväg för hypotestestning utan att tänka på effektstorlek och styrka; ett brett intervall som inkluderar nollvärdet "bevisar" inte frånvaro av effekt, det betyder bara att stickprovet var för litet för att urskilja en.