Słownik metodologiczny · Testy statystyczne

Przedział ufności (CI) – co to jest, jak go obliczyć i poprawnie interpretować?

Przedział ufności pokazuje, jak precyzyjnie oszacowano średnią, różnicę czy korelację. Na symulacji 50 prób wyjaśniamy, co naprawdę znaczy „95%”, liczymy przedział krok po kroku i pokazujemy, jak go zapisać w APA.

Strona główna / Słownik / Przedział ufności
W skrócie: Przedział ufności (CI) to zakres wartości obliczony z próby procedurą, która przy wielokrotnym powtarzaniu badania obejmowałaby prawdziwy parametr populacji w 95% prób (przy poziomie 95%). Konkretny przedział albo obejmuje parametr, albo nie – „95%” opisuje metodę, a nie prawdopodobieństwo dla jednego przedziału. Szerokość przedziału pokazuje precyzję oszacowania. W pracy zapisuj go jako 95% CI [dolna, górna] zaraz po oszacowaniu, którego dotyczy.

Co to jest przedział ufności?

Przedział ufności (ang. confidence interval, CI) to zakres wartości obliczony z próby za pomocą procedury, która – gdyby badanie powtarzać wiele razy na nowych próbach – obejmowałaby prawdziwą wartość parametru w populacji w określonym odsetku przypadków. Ten odsetek to poziom ufności, najczęściej 95%. Przedział ufności jest podstawowym narzędziem estymacji przedziałowej: uzupełnia oszacowanie punktowe (np. średnią czy różnicę średnich) o informację, jak precyzyjne jest to oszacowanie.

Dla średniej i różnicy średnich przedział buduje się z błędu standardowego:

95% CI = oszacowanie ± tkr × SE

gdzie tkr to wartość krytyczna rozkładu t (dla dużych prób bliska 1.96, czyli wartości z rozkładu normalnego), a SE – błąd standardowy oszacowania. Przedział jest tym węższy, im mniejsze zróżnicowanie wyników, im większa próba i im niższy poziom ufności.

Najważniejsze dla interpretacji: „95%” opisuje procedurę, a nie pojedynczy, już obliczony przedział. Parametr populacji jest stały – konkretny przedział albo go obejmuje, albo nie. Morey i in. (2016) pokazują, że poziom ufności nie wyraża prawdopodobieństwa, że parametr leży w konkretnym przedziale.

Co znaczy „95%”? Symulacja 50 prób

Wyobraź sobie populację, w której średni wynik w skali satysfakcji z życia SWLS (zakres 5–35) wynosi μ = 21, a odchylenie standardowe 6. Wylosowaliśmy z niej 50 prób po 25 osób i w każdej policzyliśmy 95% przedział ufności dla średniej (rysunek 1).

Pięćdziesiąt pionowych 95% przedziałów ufności z prób po 25 osób; 47 obejmuje prawdziwą średnią 21 (niebieskie), a 3 jej nie obejmują (czerwone, próby 21, 44 i 50); w 10 000 prób pokrycie wyniosło 95.2%
Rysunek 1. Pięćdziesiąt 95% przedziałów ufności dla średniej z prób po 25 osób z tej samej populacji (μ = 21, linia przerywana). Punkty to średnie z prób; przedziały, które nie obejmują μ, zaznaczono na czerwono. Obliczenia: R (dane symulowane).

Przedziały „tańczą” – każda próba daje inną średnią i inną szerokość przedziału (od 3.12 do 6.06 punktu, bo w każdej próbie inne jest odchylenie standardowe). 47 z 50 przedziałów objęło prawdziwą średnią, a 3 jej nie objęły. Gdy powtórzyliśmy losowanie 10 000 razy, μ znalazła się w 95.2% przedziałów – tyle, ile obiecuje poziom ufności. W prawdziwym badaniu masz jednak tylko jeden przedział i nie wiesz, czy jest jednym z niebieskich, czy z czerwonych.

Przykład: satysfakcja z życia a uprawianie sportu

W badaniu 80 osób (dane symulowane) porównano satysfakcję z życia (SWLS) osób regularnie uprawiających sport (n = 40; M = 24.60, SD = 6.10) i nieuprawiających sportu (n = 40; M = 21.38, SD = 6.33). Różnica średnich wynosi 3.23 punktu, a jej błąd standardowy 1.390. Wartość krytyczna t dla 78 stopni swobody to 1.991:

95% CI = 3.23 ± 1.991 × 1.390 = [0.46, 5.99]

Dane są więc zgodne z przewagą osób aktywnych wynoszącą od około pół punktu do sześciu punktów. Przedział nie obejmuje zera, co odpowiada istotnemu wynikowi testu t dla prób niezależnych: t(78) = 2.32, p = .023; wielkość efektu d = 0.52. To jednak schemat korelacyjny – przedział nie mówi nic o tym, czy sport podnosi satysfakcję z życia.

Ten sam zbiór danych daje różne przedziały przy różnych poziomach ufności:

Przedziały ufności różnicy średnich na trzech poziomach ufności
Poziom ufnościPrzedział dla różnicySzerokośćCzy obejmuje 0?
90%[0.91, 5.54]4.63nie
95%[0.46, 5.99]5.54nie
99%[−0.45, 6.90]7.34tak

Wyższy poziom ufności to szerszy przedział. Tabela pokazuje też związek z wartością p: 95% CI nie obejmuje zera i zarazem p < .05, a 99% CI obejmuje zero i zarazem p > .01. Tak samo jest przy każdym teście, któremu odpowiada dany przedział (np. teście t i przedziale dla różnicy średnich): jeśli 100(1 − α)% CI wyklucza wartość z hipotezy zerowej, test dwustronny odrzuca H0 na poziomie istotności α.

Jak interpretować przedział ufności?

Poprawnie możesz powiedzieć trzy rzeczy:

  • O procedurze: przedziały liczone tą metodą obejmują prawdziwy parametr w 95% prób.
  • O zgodności z danymi: wartości wewnątrz 95% CI to te, których dwustronny test na poziomie α = .05 by nie odrzucił – w przykładzie różnice od 0.46 do 5.99 punktu. Amrhein i in. (2019) proponują dlatego nazywać przedziały ufności „przedziałami zgodności” (ang. compatibility intervals) i omawiać praktyczne konsekwencje wszystkich wartości w ich obrębie.
  • O precyzji: szeroki przedział oznacza, że dane są zgodne z bardzo różnymi wielkościami efektu.

Błędne interpretacje są powszechne. Hoekstra i in. (2014) pokazali, że 120 badaczy i 442 studentów psychologii akceptowało średnio ponad trzy z sześciu fałszywych stwierdzeń o przedziale ufności, a deklarowane doświadczenie statystyczne badaczy nie wiązało się z lepszymi wynikami.

Błędne i poprawne interpretacje przedziału ufności
BłędniePoprawnie
„Z prawdopodobieństwem 95% prawdziwa różnica leży między 0.46 a 5.99”95% to odsetek trafień procedury w długiej serii prób. Prawdopodobieństwo dla parametru daje dopiero podejście bayesowskie (przedział wiarygodności).
„95% osób ma wynik w tym przedziale”Przedział dotyczy parametru (np. średniej), a nie wyników osób. Rozproszenie wyników opisuje odchylenie standardowe.
„W replikacji 95% średnich trafi do mojego przedziału”W naszej symulacji średnia z powtórzonego badania trafiała do pierwotnego 95% CI w 84.1% przypadków.
„Przedział obejmuje 0, więc efektu nie ma”Dane są zgodne z zerem, ale też z innymi wartościami w przedziale – czasem z dużymi efektami (Amrhein i in., 2019).
„Przedziały dwóch grup nachodzą na siebie, więc grupy się nie różnią”Nakładanie się przedziałów grup nie rozstrzyga o różnicy – zob. rysunek 2.

Czytanie przedziałów „na oko”: pułapka nakładania się

Cumming i Finch (2005) zaproponowali siedem „reguł oka” do odczytywania rycin z przedziałami ufności, m.in. dotyczących zachodzenia na siebie przedziałów dla średnich z grup niezależnych. Rysunek 2 pokazuje, dlaczego to ważne.

Po lewej wyniki dwóch grup po 40 osób ze średnimi 24.60 [22.65, 26.55] i 21.38 [19.35, 23.40] – przedziały nachodzą na siebie o 0.75 punktu; po prawej różnica 3.23 z 95% CI [0.46, 5.99], który nie obejmuje zera (p = .023)
Rysunek 2. Po lewej: wyniki osób (szare punkty), średnie grup (czerwone) i ich 95% przedziały ufności (niebieskie). Po prawej: różnica średnich i jej 95% CI. Przedziały grup nachodzą na siebie, a mimo to różnica jest istotna. Obliczenia: R (dane symulowane).

Przedziały obu grup nachodzą na siebie o 0.75 punktu, a mimo to 95% CI różnicy nie obejmuje zera. Gdy dwie niezależne grupy mają podobne błędy standardowe, przedziały nachodzące na siebie o połowę marginesu błędu odpowiadają p ≈ .038, a przedziały, które tylko się stykają – p ≈ .006 (nasze obliczenia dla dużych prób). Brak nakładania się to więc kryterium dużo surowsze niż p < .05, a nakładanie się nie dowodzi braku różnicy. Porównując grupy, patrz na przedział dla różnicy. W planach z powtarzanym pomiarem przedziały dla poszczególnych pomiarów nie pokazują precyzji oszacowania zmiany – potrzebny jest przedział dla różnic.

Przedział ufności czy wartość p?

Najlepiej oba. Du Prel i in. (2009) wyjaśniają, że wartość p służy do decyzji o odrzuceniu hipotezy zerowej sformułowanej przed badaniem, a przedział ufności informuje o zakresie wartości efektu, jego kierunku i sile, co pozwala ocenić znaczenie praktyczne wyniku. Dlatego zalecają raportowanie obu miar jako informacji uzupełniających się. Cumming (2014) idzie dalej i proponuje „nową statystykę”: zamiast skupiać się na testowaniu istotności – szacować wielkości efektów z przedziałami ufności i łączyć wyniki badań w metaanalizach. Więcej o ocenie wielkości efektu przeczytasz w poradniku Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p.

Jak zapisać przedział ufności w pracy (APA)

Zapisuj poziom ufności, skrót CI i granice w nawiasie kwadratowym, oddzielone przecinkiem: 95% CI [0.46, 5.99]. Przedział podawaj bezpośrednio po oszacowaniu, którego dotyczy, z tą samą liczbą miejsc dziesiętnych. W tabelach stosuj kolumny „95% CI” z podziałem na dolną (LL) i górną (UL) granicę.

Osoby regularnie uprawiające sport (n = 40) oceniały swoją satysfakcję z życia wyżej (M = 24.60, SD = 6.10) niż osoby nieuprawiające sportu (n = 40; M = 21.38, SD = 6.33). Różnica średnich wyniosła 3.23 punktu, 95% CI [0.46, 5.99], t(78) = 2.32, p = .023, d = 0.52.

Gotowe zdania dla innych analiz znajdziesz we wpisie Jak opisać wyniki w pracy – gotowe zdania w stylu APA.

Przykład reprodukowalny

Przykład w R

Kod liczy 95% przedział ufności dla różnicy średnich z funkcji t.test() i „ręcznie”, porównuje trzy poziomy ufności i sprawdza w symulacji, jaki odsetek przedziałów obejmuje prawdziwą średnią.

Przedział ufności dla różnicy średnich i jego pokrycie

Dane wejściowe: wyniki SWLS dwóch grup po 40 osób (dane symulowane, set.seed(2)).

Co odczytać: granice 95% CI w wydruku testu t, te same granice policzone ze wzoru, przedziały 90%, 95% i 99% oraz odsetek przedziałów obejmujących μ w 10 000 prób.

R
set.seed(2)
sport <- pmin(pmax(round(rnorm(40, 24, 5.5)), 5), 35)    # SWLS: osoby uprawiające sport
brak  <- pmin(pmax(round(rnorm(40, 21.5, 5.5)), 5), 35)  # SWLS: osoby nieuprawiające sportu
t.test(sport, brak, var.equal = TRUE)                     # różnica średnich i jej 95% CI

# to samo „ręcznie”: różnica ± t_kr × SE
roznica <- mean(sport) - mean(brak)
SE <- sqrt((var(sport) + var(brak)) / 2) * sqrt(2 / 40)
round(c(roznica = roznica, SE = SE, t_kr = qt(.975, df = 78)), 3)
round(roznica + c(-1, 1) * qt(.975, df = 78) * SE, 2)

# trzy poziomy ufności dla tych samych danych
ci <- sapply(c(.90, .95, .99), function(k) t.test(sport, brak, var.equal = TRUE, conf.level = k)$conf.int)
dimnames(ci) <- list(c("dolna", "górna"), c("90%", "95%", "99%"))
round(ci, 2)

# pokrycie: jaki odsetek 95% CI z 10 000 prób (n = 25) obejmuje μ = 21?
set.seed(2026)
mean(replicate(10000, {
  x <- rnorm(25, mean = 21, sd = 6)
  ci <- mean(x) + c(-1, 1) * qt(.975, df = 24) * sd(x) / sqrt(25)
  ci[1] <= 21 & 21 <= ci[2]
}))
Wynik w R
	Two Sample t-test

data:  sport and brak
t = 2.3198, df = 78, p-value = 0.02297
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 0.4573099 5.9926901
sample estimates:
mean of x mean of y 
   24.600    21.375 

roznica      SE    t_kr 
  3.225   1.390   1.991 
[1] 0.46 5.99
       90%  95%   99%
dolna 0.91 0.46 -0.45
górna 5.54 5.99  6.90
[1] 0.9517

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietu stats); rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Przedział bez poziomu ufności – zapis „CI [0.46, 5.99]” nie mówi, czy to 90%, 95% czy 99%.
  • Słupki błędów bez opisu – słupek ±1 SE jest mniej więcej dwa razy węższy niż 95% CI; w podpisie zawsze napisz, co pokazują słupki (zob. błąd standardowy).
  • Przedział dla każdej grupy zamiast dla różnicy – wniosek o różnicy opieraj na przedziale różnicy, a nie na nakładaniu się przedziałów grup.
  • Ignorowanie szerokości przedziału – wynik „istotny” z przedziałem [0.46, 5.99] jest mało precyzyjny. Planując badanie, oprócz mocy testu zaplanuj też oczekiwaną szerokość przedziału (zob. dobór liczebności próby).

Najczęstsze pytania

Co to jest przedział ufności?

Przedział ufności to zakres wartości obliczony z próby, który pokazuje, jak precyzyjnie oszacowano parametr populacji, np. średnią lub różnicę średnich. Procedura 95% CI w długiej serii powtórzeń obejmuje prawdziwy parametr w 95% prób. Przedział buduje się zwykle jako oszacowanie ± wartość krytyczna × błąd standardowy.

Jak interpretować 95% przedział ufności?

Najbezpieczniej: przedziały liczone tą metodą obejmują prawdziwy parametr w 95% prób, a wartości wewnątrz przedziału są zgodne z danymi (dwustronny test na poziomie α = .05 by ich nie odrzucił). Szeroki przedział oznacza małą precyzję – dane są zgodne z bardzo różnymi wielkościami efektu.

Czy 95% przedział ufności oznacza 95% prawdopodobieństwa, że parametr w nim leży?

W podejściu częstościowym nie. Parametr populacji jest stały, a konkretny przedział albo go obejmuje, albo nie – 95% to odsetek trafień procedury w długiej serii prób (Morey i in., 2016). Prawdopodobieństwo dla parametru wyraża przedział wiarygodności w podejściu bayesowskim.

Jak zapisać przedział ufności w APA?

Podaj poziom ufności, skrót CI i granice w nawiasie kwadratowym: 95% CI [0.46, 5.99]. Przedział umieść zaraz po oszacowaniu, którego dotyczy, np. „różnica wyniosła 3.23 punktu, 95% CI [0.46, 5.99]”, i zachowaj tę samą liczbę miejsc dziesiętnych.

Co oznacza, że przedział ufności obejmuje zero?

Że wartość zero – brak różnicy lub brak związku – jest zgodna z danymi, więc test dwustronny na odpowiadającym poziomie istotności nie odrzuci H0. Nie dowodzi to jednak braku efektu: przedział może obejmować również duże efekty. Oceń jego szerokość i oba krańce.

Od czego zależy szerokość przedziału ufności?

Od zróżnicowania wyników, liczebności próby i poziomu ufności. Większa próba i mniejsze odchylenie standardowe dają węższy przedział, a wyższy poziom ufności – szerszy. W przykładzie z tej strony ta sama różnica ma przedział o szerokości 4.63 przy 90%, 5.54 przy 95% i 7.34 przy 99%.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Amrhein, V., Greenland, S., & McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305–307. https://doi.org/10.1038/d41586-019-00857-9 ● Otwarty dostęp
  2. Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
  3. Cumming, G., & Finch, S. (2005). Inference by eye: Confidence intervals and how to read pictures of data. American Psychologist, 60(2), 170–180. https://doi.org/10.1037/0003-066X.60.2.170
  4. du Prel, J.-B., Hommel, G., Röhrig, B., & Blettner, M. (2009). Confidence interval or p-value? Part 4 of a series on evaluation of scientific publications. Deutsches Ärzteblatt International, 106(19), 335–339. https://doi.org/10.3238/arztebl.2009.0335 ● Otwarty dostęp: pełny tekst
  5. Hoekstra, R., Morey, R. D., Rouder, J. N., & Wagenmakers, E.-J. (2014). Robust misinterpretation of confidence intervals. Psychonomic Bulletin & Review, 21(5), 1157–1164. https://doi.org/10.3758/s13423-013-0572-3 ● Otwarty dostęp: pełny tekst
  6. Morey, R. D., Hoekstra, R., Rouder, J. N., Lee, M. D., & Wagenmakers, E.-J. (2016). The fallacy of placing confidence in confidence intervals. Psychonomic Bulletin & Review, 23(1), 103–123. https://doi.org/10.3758/s13423-015-0947-8 ● Otwarty dostęp

Cytowania BibTeX

@article{amrhein2019scientists, author={Amrhein, Valentin and Greenland, Sander and McShane, Blake}, title={{Scientists rise up against statistical significance}}, journal={Nature}, year={2019}, volume={567}, number={7748}, pages={305--307}, doi={10.1038/d41586-019-00857-9}}
@article{cumming2014new, author={Cumming, Geoff}, title={{The new statistics: Why and how}}, journal={Psychological Science}, year={2014}, volume={25}, number={1}, pages={7--29}, doi={10.1177/0956797613504966}}
@article{cumming2005inference, author={Cumming, Geoff and Finch, Sue}, title={{Inference by eye: Confidence intervals and how to read pictures of data}}, journal={American Psychologist}, year={2005}, volume={60}, number={2}, pages={170--180}, doi={10.1037/0003-066x.60.2.170}}
@article{duprel2009confidence, author={du Prel, Jean-Baptist and Hommel, Gerhard and Röhrig, Bernd and Blettner, Maria}, title={{Confidence interval or p-value? Part 4 of a series on evaluation of scientific publications}}, journal={Deutsches Ärzteblatt International}, year={2009}, volume={106}, number={19}, pages={335--339}, doi={10.3238/arztebl.2009.0335}}
@article{hoekstra2014robust, author={Hoekstra, Rink and Morey, Richard D. and Rouder, Jeffrey N. and Wagenmakers, Eric-Jan}, title={{Robust misinterpretation of confidence intervals}}, journal={Psychonomic Bulletin \& Review}, year={2014}, volume={21}, number={5}, pages={1157--1164}, doi={10.3758/s13423-013-0572-3}}
@article{morey2016fallacy, author={Morey, Richard D. and Hoekstra, Rink and Rouder, Jeffrey N. and Lee, Michael D. and Wagenmakers, Eric-Jan}, title={{The fallacy of placing confidence in confidence intervals}}, journal={Psychonomic Bulletin \& Review}, year={2016}, volume={23}, number={1}, pages={103--123}, doi={10.3758/s13423-015-0947-8}}
R