在本文开始前，大家应该清楚一点，样本均值与总体均值是不同的。一般情况下，我们都希望得到总体均值，但是往往只能计算出样本均值，进而使用样本均值去估计总体均值，这就引入了置信区间的概念，置信区间是用来衡量使用样本均值估计总体均值的精确程度。
置信区间
如果想要评估美国女性的平均身高，你会怎么做？你可以能随机测量10名女性的身高，以此来估计整体的平均身高，下面我们使用代码来模拟下这个过程：
计算样本平均身高
很轻松我们就可以计算出样本的平均身高，但是它对于我们却没有太大用处，因为我们无法确定它与总体平均间的关系。
可以通过计算方差来尝试得到样本的离散度，方差越高，则不稳定性与不确定性越高。
计算标准差
但这依旧是不够的，这就需要我们计算标准误，标准误是用来衡量样本均值的方差。
注：在计算标准误之前，你首先需要确保你的样本具有无偏性，并且数据是服从正态分布且独立的。如果没有满足这些条件，那么所计算出得标准误就没法使用，但对于这种情况，也有许多检验与矫正的方式，下文中会提到。
标准误计算公式
由此公式，写出对应的Python代码：
标准误计算示例代码
继续我们的旅程，假设我们的数据是服从正态分布的，那么我们可以使用标准误来计算置信区间。首先，设定期望的置信区间，比如95%，然后就可以确定在多大的偏差范围内可以包含95%的数据，对于标准正态分布来说，是介于-1.96与1.96之间。当样本足够大时（通常>30即可认为足够大），根据中心极限法则，可以认定分布服从正态分布；如果样本不够大时，使用指定自由度的t分布则更为安全。
注意：在使用中心极限法则时要十分小心，因为许多金融数据都是非正态的
下面使用matplotlib绘制一下标准正态分布的95%的置信区间：
绘制置信区间示例代码
绘制图形如下：
95%置信区间
到这里，我们除了孤零零的样本均值之外，还计算出了置信区间，总体均值更有可能落在此区间内。假设我们的样本均值为μ，那么置信区间则为：
置信区间
必读
在任何给定数据的情况下，估计的真值与置信区间都是固定的。但需要注意的是，“美国女性平均身高在63英尺与65英尺之间的概率为95%”这种常见的理解是不对的，正确的解读应该为，“在多次试验中，有95%的试验中，真值会落在计算出得置信区间内”。所以当仅存在一个样本，并计算出了置信区间的情况下，我们是没法评估区间包含总体均值的概率的，下面会通过绘图方式演示给大家。
例子中有100个样本，对于每个样本分别计算其样本均值与置信区间
结果图
进一小步
回到本文最初的身高案例，因为样本很小，所以我们使用t检验。使用之前提到的标准误公式，可算出该样本的置信区间
身高案例置信区间
用scipy.stats的内建函数，可以更为便捷地完成计算，但这里需要注意参数中需要传入自由度。
scipy内置函数计算
注：可以看到，伴随着置信水平的提高，置信区间范围也更广
如果假设总体服从正态分布，也可以使用更为简化的方法进行计算，这里就不再需要传入自由度
正态假设下计算
现在再来回顾一下，我们设定了一个期望的置信水平，并由此得到了可能包含真值的一个区间，要求的置信水平越高，则区间范围越大。通常情况下都不会使用一个点进行估计，因为其为真值的概率实在太小。值得注意的是，伴随着样本数量的增加，我们得到的置信区间范围会更加精确（小）。
样本数量增加时置信区间缩小
示例
接下来，我们使用一个包含100个数据的样本（正态分布），同时绘制频度柱状图及其均值的置信区间。
100个样本图例
示例图
标准差、标准误与置信区间的计算均依赖于特定的假设，如果这些假设不满足，那么就很有可能导致在你期望的95%的置信水平下，最终得到置信区间达不到你的期望，这就被称作估计错误。
下面就举一个例子，也是非常常见的一种情况——自相关。自相关会导致更多极值，这是因为新值会依赖于之前的值，则已经偏离均值的数据序列则更有可能继续偏离，下面以如下形式的自相关数据来解释一下：
自相关
下面我们产生一个自相关的数据序列，并将其绘制出来
产生自相关数据代码
示例图形
