Przedział ufności

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Przedział ufności?

95% przedział ufności pochodzi z procedury, która w długiej serii powtórzeń obejmuje prawdziwy parametr w 95% przypadków.

Zastosowanie, warunki i dobre praktyki

Przedział ufności jest wynikiem procedury, która przy powtarzaniu badania obejmowałaby parametr w określonym odsetku prób. Konkretny przedział nie nadaje stałemu parametrowi 95% prawdopodobieństwa w interpretacji częstościowej. Jego szerokość informuje o precyzji, a położenie pozwala ocenić zarówno zgodność z zerem, jak i z wartościami ważnymi praktycznie.

Najważniejsze zastosowanie: Stosuj do pokazania zakresu efektów zgodnych z danymi i precyzji.

Jak to się oblicza i co oznaczają symbole?

CI₉₅% ≈ oszacowanie ± 1,96 · SE

W przybliżeniu normalnym granice powstają przez dodanie i odjęcie 1,96 błędu standardowego od oszacowania. Poziom 95% odnosi się do długookresowej częstości pokrycia parametru przez przedziały tworzone tą procedurą, a nie do 95-procentowego prawdopodobieństwa parametru w już obliczonym przedziale.

Jak poprawnie stosować i interpretować hasło „Przedział ufności”?

W odniesieniu do pojęcia „Przedział ufności” najpierw definiuje się parametr, populację i procedurę, względem której oceniana jest niepewność. Dla interpretacji hasła „Przedział ufności” wynik testu albo przedział nie ma samodzielnego znaczenia bez oszacowania efektu w jednostkach badania. W odniesieniu do hasła „Przedział ufności” warto rozdzielić pytanie o zgodność danych z modelem zerowym od pytania o wielkość, precyzję i praktyczne znaczenie obserwowanego efektu.

Ocena pojęcia „Przedział ufności” wymaga sprawdzenia założeń modelu, planu doboru próby i wszystkich decyzji podjętych po obejrzeniu danych. Przy ocenie hasła „Przedział ufności” wielokrotne testy, opcjonalne zatrzymywanie zbierania danych lub wybór korzystnego wariantu zmieniają częstość błędów. W analizie dotyczącej hasła „Przedział ufności” analiza wrażliwości i jawne odróżnienie analiz potwierdzających od eksploracyjnych pomagają ocenić wiarygodność wniosku.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Przedział ufności” należy podać estymatę, jednostkę, przedział ufności oraz — jeśli wykonywano test — statystykę, stopnie swobody i dokładną wartość p. Dla interpretacji hasła „Przedział ufności” ostatnie zdanie powinno odpowiadać na pytanie merytoryczne, ale nie zamieniać nieodrzucenia hipotezy zerowej w dowód braku efektu.

Zakres raportowania dla hasła „Przedział ufności”: Estymata = …, 95% CI [dolna, górna].

Przykład praktyczny i gotowa interpretacja

Sytuacja: Różnica 4,0 z CI [1,0; 7,0] wyklucza zero, ale obejmuje efekty od małych do dużych.

Jak ją zinterpretować: Przedział obejmuje wartości parametru zgodne z danymi i procedurą na przyjętym poziomie ufności. Nie oznacza, że po obliczeniu istnieje określone prawdopodobieństwo, iż stały parametr znajduje się między dwiema granicami.

Najczęstsza pułapka i granica interpretacji

Szeroki CI nie dowodzi braku efektu; wskazuje niedostatek precyzji.

Wniosek oparty na „Przedział ufności” jest warunkowy względem modelu, sposobu zebrania danych i przyjętej procedury. Przy ocenie hasła „Przedział ufności” istotność statystyczna nie mierzy ważności efektu, a brak istotności nie ustanawia równoważności.

Przykład reprodukowalny dla tego hasła

Estymacja punktowa, 95% CI, wartość krytyczna i p

Blok pokazuje estymację i 95% przedział ufności, a nie binarną procedurę „istotne–nieistotne”.

Dane wejściowe: Kolumna wynik jest liczbowa. Przykład dotyczy średniej; dla innych parametrów użyj procedury zgodnej z ich rozkładem.

Co sprawdzić w wyniku: Raportuj estymatę, 95% CI i dokładne p. Nie interpretuj konkretnego klasycznego CI jako 95% prawdopodobieństwa parametru.

dane <- read.csv("dane.csv")
x <- na.omit(dane$wynik)
n <- length(x)
M <- mean(x)
SE <- sd(x) / sqrt(n)
t_kryt <- qt(.975, df = n - 1)
CI <- M + c(-1, 1) * t_kryt * SE
c(N = n, M = M, SE = SE, CI_dol = CI[1], CI_gora = CI[2])

# Test H0: średnia = 50.
t.test(x, mu = 50, conf.level = .95)

Python

import pandas as pd
import numpy as np
from scipy import stats

x = pd.read_csv("dane.csv")["wynik"].dropna().to_numpy()
n = len(x)
M = x.mean()
SE = x.std(ddof=1) / np.sqrt(n)
t_crit = stats.t.ppf(.975, df=n-1)
ci = (M - t_crit*SE, M + t_crit*SE)
print({"N": n, "M": M, "SE": SE, "95% CI": ci})
print(stats.ttest_1samp(x, popmean=50))

IBM SPSS Statistics — Syntax

EXAMINE VARIABLES=wynik
 /STATISTICS=DESCRIPTIVES
 /CINTERVAL=95
 /MISSING=LISTWISE.

T-TEST TESTVAL=50
 /VARIABLES=wynik
 /CRITERIA=CI(.95).

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, NumPy, SciPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
SciPy: Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

@article{virtanen2020scipy,
  author = {Virtanen, Pauli and Gommers, Ralf and Oliphant, Travis E. and Haberland, Matt and Reddy, Tyler and others},
  title = {SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python},
  journal = {Nature Methods},
  year = {2020},
  volume = {17},
  pages = {261--272},
  doi = {10.1038/s41592-019-0686-2}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Chi-kwadrat (test niezależności)Estymacja przedziałowa Estymacja punktowa Hipoteza (zerowa i alternatywna)Hipoteza badawcza Post-hoc

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}

@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}

@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}