比例信賴區間計算機：公式、步驟與範例
比例信賴區間計算機會根據單一樣本，估計未知母體比例的合理範圍，例如支持某位候選人的選民百分比，或某條生產線的不良率。學生和研究人員在報告問卷調查結果、檢查民調的誤差範圍，或規劃需要多大的樣本才能達到理想精確度時，都會用到比例信賴區間計算機。本指南從零開始講解單一比例信賴區間公式，以實際數字完整演算 500 人中 120 人的範例，並說明如何選擇 z*、檢查成功－失敗條件，以及計算達到目標誤差範圍所需的樣本數。
目錄
什麼是比例的信賴區間？
比例的信賴區間會根據單一樣本，估計未知母體比例的合理數值範圍，例如支持某位候選人的真實選民百分比、生產線的真實不良率，或對某種治療有反應的患者真實比例。比例信賴區間計算機只需要三項輸入（成功次數、樣本數與信賴水準），就能算出以樣本比例為中心的範圍，並一併提供構成該範圍的誤差範圍。平均數的信賴區間依賴身高或時間這類連續型測量值，而比例信賴區間處理的是計數資料：在全部抽樣觀察值中，有多少落在「成功」類別。這項差異很重要，因為兩者背後的標準誤公式、抽樣分配的形狀，甚至區間成立所需的條件都不相同，儘管最後都會以「點估計值 ± 誤差範圍」的相同格式呈現區間。
單一比例信賴區間公式：p̂ ± z* × √[p̂(1 − p̂) ÷ n]，其中 p̂ 為樣本比例，z* 為所選信賴水準對應的臨界值，n 為樣本數。
比例信賴區間計算機如何運作？
無論選擇哪種信賴水準，每個比例信賴區間計算機都會要求同樣幾項輸入，並回傳一致的輸出結果。了解輸入什麼、輸出什麼，不論是手算區間，還是用計算機驗算，都能更輕鬆地正確列出題目。
1. 比例信賴區間計算機需要的輸入
樣本中觀察到的成功次數（x）、總樣本數（n），以及所選的信賴水準（常見為 90%、95% 或 99%）。有些計算機會直接要求輸入樣本比例 p̂，而不是分別輸入 x 和 n，這種情況下 p̂ = x ÷ n 已經先算好了。
2. 信賴區間計算機可回傳的輸出
p̂：樣本比例本身，以小數或百分比表示。SE：比例的標準誤。誤差範圍：SE 乘以所選信賴水準的臨界值 z*。信賴區間上下限：樣本比例加減誤差範圍，可直接以 (20.3%, 27.7%) 這樣的範圍呈現。
3. 為什麼仍然要學手算方法
作業、實驗報告和考試幾乎都要求寫出完整過程，包括計算 p̂、檢查成功－失敗條件、選擇 z*、建立誤差範圍，而不只是信賴區間計算機給出的最終小數。親手推演公式也能培養直覺，為之後學習比例的假設檢定，以及在 A/B 測試中比較兩個比例打好基礎。
如何一步步計算比例的 95% 信賴區間？
學習單一比例信賴區間公式最清楚的方式，就是用實際數字完整演算一個範例。以下情境與統計課程和實際問卷調查報告中經常出現的題型十分相似。
1. 列出題目
一項全國性調查隨機抽選 500 位成年人，詢問是否支持一項新的大眾運輸提案，其中 120 人表示支持。求支持該提案之真實母體比例的 95% 信賴區間。
2. 計算樣本比例
p̂ = x ÷ n = 120 ÷ 500 = 0.24，即 24%。
3. 計算標準誤
SE = √[p̂(1 − p̂) ÷ n] = √[0.24 × 0.76 ÷ 500] = √[0.1824 ÷ 500] = √0.0003648 ≈ 0.0191。
4. 選擇 z* 並計算誤差範圍
95% 信賴區間的 z* = 1.96。誤差範圍 = 1.96 × 0.0191 ≈ 0.0374，約為 3.74 個百分點。
5. 建立並解讀區間
95% 信賴區間 = 0.24 ± 0.0374 = (0.2026, 0.2774)，約為 (20.3%, 27.7%)。你可以有 95% 的信心，所有成年人中支持該運輸提案的真實比例大約介於 20.3% 到 27.7% 之間。比例信賴區間計算機會立即回傳相同的 (20.3%, 27.7%) 範圍，但現在你可以自行驗證每一個中間數值。
比例的 95% 信賴區間：0.24 ± 1.96 × 0.0191 = (0.2026, 0.2774)，約為 20.3% 到 27.7%。
採信區間之前，如何檢查成功－失敗條件？
單一比例信賴區間公式之所以成立，是因為樣本夠大時，p̂ 的抽樣分配會近似常態分配。當樣本太小，或比例接近 0 或 1 時，這個近似就會失準，因此每次計算比例信賴區間後，都要先快速檢查條件，才能採信結果。
1. 規則：兩個期望次數都必須至少為 10
檢查 n × p̂ ≥ 10（期望成功次數）以及 n × (1 − p̂) ≥ 10（期望失敗次數）。有些教科書採用較寬鬆的門檻 5 而非 10，但在 AP 統計和大多數入門課程中，10 是更常見也更保守的標準。
2. 檢查大眾運輸調查範例的條件
n × p̂ = 500 × 0.24 = 120 ≥ 10。n × (1 − p̂) = 500 × 0.76 = 380 ≥ 10。兩個條件都輕鬆滿足，因此常態近似以及據此建立的 z* 信賴區間在此都有效。
3. 條件不成立時該怎麼辦
若任一期望次數低於 10，標準 z 區間可能不準確，尤其是 p̂ 接近 0 或接近 1 時。這種情況下應改用 Wilson 分數區間或 Clopper-Pearson 區間等方法取代標準公式，因為這兩種方法處理小樣本和極端比例時可靠得多。
成功－失敗條件：n p̂ ≥ 10 且 n(1 − p̂) ≥ 10。若跳過這項檢查，信賴區間計算機給出的範圍可能嚴重扭曲真實的不確定性。
如何選擇信賴區間的 z* 臨界值？
臨界值 z* 決定區間的寬度，而它直接取決於你選擇的信賴水準。信賴水準越高，z* 就越大，產生的區間越寬，但也越可靠。
1. 90% 信賴水準
z* = 1.645。適用於較窄的區間比極高確定性更重要的情況，例如早期的探索性研究。
2. 95% 信賴水準
z* = 1.96。這是大多數統計課程、研究論文和民調新聞報導的預設選擇，因為它在精確度與確定性之間取得了相當好的平衡。
3. 99% 信賴水準
z* = 2.576。適用於判斷錯誤代價很高的情況，例如臨床試驗、安全測試或品質管制決策，此時較寬的區間是換取更高確定性可接受的代價。
4. 同時比較三種信賴水準
以大眾運輸調查為例（p̂ = 0.24，SE ≈ 0.0191）：90% 信賴水準下，誤差範圍 = 1.645 × 0.0191 ≈ 0.0314，得到 (0.2086, 0.2714)。95% 時，誤差範圍 ≈ 0.0374，得到 (0.2026, 0.2774)。99% 時，誤差範圍 = 2.576 × 0.0191 ≈ 0.0492，得到 (0.1908, 0.2892)。信賴水準每提高一級，區間就會變寬，因為它必須涵蓋更多可能的抽樣結果。
90% 信賴水準 z* = 1.645，95% 信賴水準 z* = 1.96，99% 信賴水準 z* = 2.576，這是每個比例信賴區間計算機最常用的三個臨界值。
要達到理想的誤差範圍，需要多大的樣本？
規劃問卷調查或實驗時，常常會把信賴區間公式反過來用：不是用固定的樣本數計算誤差範圍，而是先決定目標誤差範圍，再求出達到該目標所需的樣本數。將誤差範圍公式對 n 移項整理，就得到所有比例樣本數計算機使用的樣本數公式。
1. 樣本數公式
n = (z* ÷ E)² × p̂(1 − p̂)，其中 E 是理想的誤差範圍（以小數表示），p̂ 是比例的規劃估計值。結果要無條件進位到下一個整數，因為不可能調查「零點幾個人」。
2. 使用前導研究估計值的範例
假設前導研究就是上述的大眾運輸調查，由 x = 120、n = 500 得到 p̂ = 0.24。後續的大規模研究希望得到更精確的 95% 信賴區間，誤差範圍不超過 3 個百分點（E = 0.03）。n = (1.96 ÷ 0.03)² × 0.24 × 0.76 = (65.33)² × 0.1824 ≈ 4268.4 × 0.1824 ≈ 778.6，無條件進位為 779 位受訪者。
3. 沒有事先估計值的範例
若沒有前導資料可估計 p̂，就使用保守值 p̂ = 0.5，因為當 p̂ = 0.5 時，p̂(1 − p̂) 最大，所需樣本數也因此最大。在相同的 E = 0.03、95% 信賴水準下：n = (1.96 ÷ 0.03)² × 0.5 × 0.5 ≈ 4268.4 × 0.25 ≈ 1067.1，無條件進位為 1068 位受訪者，明顯多於有合理規劃估計值時所需的 779 人。
4. 為什麼誤差範圍縮小的速度比樣本數增加的速度慢
和標準誤一樣，誤差範圍與 √n 成反比，而不是與 n 本身成反比。將 n = 500 增加四倍到 n = 2000（p̂ 維持約 0.24），誤差範圍會從約 0.0374 降到約 0.0187，剛好減半而不是變成四分之一，因為 SE = √(0.1824 ÷ 2000) ≈ 0.00955，且 1.96 × 0.00955 ≈ 0.0187。這就是為什麼追求極小誤差範圍的調查，每多提升一個百分點的精確度，都需要大幅增加樣本數。
達到目標誤差範圍的樣本數：n = (z* ÷ E)² × p̂(1 − p̂)。沒有規劃估計值時請使用 p̂ = 0.5，這會得到最大、也最安全的樣本數。
學生在比例信賴區間上常犯哪些錯誤？
比例信賴區間的錯誤大多來自公式混淆或跳過條件檢查，而不是算術太難。請留意以下五個錯誤。
1. 用了平均數公式而非比例公式
比例公式使用的是 √[p̂(1 − p̂) ÷ n]，而不是平均數情況下的 s ÷ √n。把比例代入平均數的標準誤公式（或反過來）會得到毫無意義的區間。
2. 忘記檢查成功－失敗條件
沒有檢查 n p̂ ≥ 10 和 n(1 − p̂) ≥ 10 就建立信賴區間，可能得到看似合理但在統計上無效的範圍，尤其是小樣本或比例接近極端值時。
3. 信賴水準用錯 z*
搞混 1.645（90%）、1.96（95%）和 2.576（99%），是即使其他步驟都正確，誤差範圍仍然算錯的常見原因。查 z* 之前，請再次確認題目實際要求的信賴水準。
4. 太早對 p̂ 或 SE 四捨五入
在計算誤差範圍之前，就把 p̂ 或標準誤四捨五入到小數點後一、兩位，可能讓最終區間明顯偏移。請至少保留小數點後四位，直到最後一步再四捨五入。
5. 有更好的估計值時仍假設 p̂ = 0.5
在樣本數計算中使用 p̂ = 0.5，只有在完全沒有事先資訊時才是安全、保守的預設做法。如果前導研究或過去資料已經提供合理的 p̂，就應該使用它，這樣算出的所需樣本數通常較小，而且同樣有效。
練習題：測試你的比例信賴區間能力
先親手演算以下題目，再用比例信賴區間計算機檢查你的過程。每題都附有完整解答，方便你驗證每個步驟。
1. 第 1 題：95% 信賴區間，n = 150
抽樣 150 位購物者，發現其中 45 人偏好線上結帳勝過實體店面結帳。求真實比例的 95% 信賴區間。解答：p̂ = 45 ÷ 150 = 0.3。SE = √[0.3 × 0.7 ÷ 150] = √0.0014 ≈ 0.0374。誤差範圍 = 1.96 × 0.0374 ≈ 0.0733。信賴區間 = 0.3 ± 0.0733 = (0.2267, 0.3733)，約為 (22.7%, 37.3%)。
2. 第 2 題：90% 信賴區間，n = 200
抽樣 200 位 App 使用者，發現其中 80 人開啟了推播通知。求 90% 信賴區間。解答：p̂ = 80 ÷ 200 = 0.4。SE = √[0.4 × 0.6 ÷ 200] = √0.0012 ≈ 0.0346。誤差範圍 = 1.645 × 0.0346 ≈ 0.0570。信賴區間 = 0.4 ± 0.0570 = (0.343, 0.457)，約為 (34.3%, 45.7%)。
3. 第 3 題：樣本數，沒有事先估計值
一位研究人員希望得到 99% 信賴區間，誤差範圍不超過 5 個百分點（E = 0.05），且沒有前導資料可用。解答：使用保守值 p̂ = 0.5。n = (2.576 ÷ 0.05)² × 0.5 × 0.5 = (51.52)² × 0.25 ≈ 2654.3 × 0.25 ≈ 663.6，無條件進位為 664 位受訪者。
4. 第 4 題：檢查成功－失敗條件
一項 40 人的小型前導調查得到 8 次成功。這裡可以採信標準 z 區間嗎？解答：p̂ = 8 ÷ 40 = 0.2。n p̂ = 40 × 0.2 = 8，低於 10，因此即使 n(1 − p̂) = 32 ≥ 10 符合，成功－失敗條件仍不成立。此時不應採信標準信賴區間計算機的常態近似結果，應改用 Wilson 分數區間等方法。
5. 第 5 題：比較樣本數增加時的精確度
調查 A：n = 500，p̂ = 0.24，得到 SE ≈ 0.0191，95% 誤差範圍 ≈ 0.0374。調查 B：n = 2000（大 4 倍），p̂ 同樣約為 0.24，得到 SE = √(0.1824 ÷ 2000) ≈ 0.00955，95% 誤差範圍 ≈ 0.0187。調查 B 的區間寬度約為調查 A 的一半，證實樣本數增加為四倍時，誤差範圍會減半。
取得更多比例信賴區間的學習協助
當你能熟練地計算 p̂、檢查成功－失敗條件、選擇 z* 並建立誤差範圍後，比例信賴區間就只是細心列式的問題，而不再是神秘的公式。如果某道題目的數字和你預期的對不上，Solvify 的逐步解題工具可以依照本指南示範的方式完整演算信賴區間，包括樣本比例、標準誤、臨界值和最終區間，讓你清楚看出自己的列式從哪裡開始與正確做法不同。
在採信比例信賴區間計算機的結果之前，請先檢查成功－失敗條件，公式是否有效取決於它，就和取決於算術是否正確一樣。
相關文章
相關數學解題工具
逐步解題
清楚呈現比例信賴區間的每個步驟，包括樣本比例、標準誤與誤差範圍。
智慧掃描解題
拍下信賴區間或誤差範圍的題目，立即取得完整的解題過程。
AI 數學家教
針對信賴區間、z* 值，或何時使用成功－失敗條件等問題繼續追問。