共计 644 个字符，预计需要花费 2 分钟才能阅读完成。
对于召回的一些数据如何给这些数据来排名，然后根据这个排名来显示数据，这就需要使用“威尔逊区间”了。 首先我们讨论的情况是每个项目只有两种选择，且项目之间是相互独立的，就是项目符合“二项分布”的。 如[1]中所举的例子中可以看出，无论得分情况为
得分 = 赞成票 – 反对票
还是
得分 = 赞成票 ／ 全部票
都会出现错误的情况。 有一种计算得分的策略是，通过某事件发生的概率的最低置信区间来对项目进行排序。 所谓”置信区间”，就是说，以某个概率而言，p会落在的那个区间。比如，某个产品的好评率是80%，但是这个值不一定可信。根据统计学，我们只能说，有95%的把握可以断定，好评率在75%到85%之间，即置信区间是[75%, 85%]。 而“威尔逊区间”就是为了计算这个“置信区间”的。
二项分布的置信区间有多种计算公式，最常见的是”正态区间”（Normal approximation interval），但是这种算法对于小样本的情况下准确度是很低的。 威尔逊区间的计算公式如下：
\frac{\overline p +\frac{z^2}{2n}}{1+\frac{z^2}{2n}} \pm \frac{z}{1+\frac{z^2}{2n}} \sqrt{ \frac{\overline p(1- \overline p)}{n} + \frac{z^2}{4n^2}}
其中，\(\overline p\)表示的是一件事发生的概率，n表示发生的总次数，z表示置信水平，一般取0.95。 这样通过计算每个项目的“威尔逊区间”就能得到最终的排名。
