📊 statistics

Confidence as Forecast: A Decision-Theoretic Interpretation of Confidence Intervals

यह शोध पत्र कवरेज के लिए इष्टतम संभाव्य पूर्वानुमानों के रूप में विश्वास अंतरालों (कॉन्फिडेंस इंटरवल्स) की एक निर्णय-सैद्धांतिक व्याख्या प्रस्तावित करता है, जो यह प्रदर्शित करता है कि नाममात्र का विश्वास स्तर एकमात्र इष्टतम स्थिर भविष्यवाणी है और डिज़ाइन-आधारित सुधार बेयसियन पूर्व धारणाओं (बायेसियन प्रायर्स) पर निर्भर किए बिना भविष्य कहनेवाला प्रदर्शन में सुधार कर सकते हैं।

मूल लेखक: Scott Lee

प्रकाशित 2026-03-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Scott Lee

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Confidence as Forecast" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

बड़ी समस्या: "या तो हाँ या ना" का भ्रम

कल्पना कीजिए कि आप एक सांख्यिकीविद् (statistician) हैं। आप एक प्रयोग करते हैं और एक कॉन्फिडेंस इंटरवल (CI) की गणना करते हैं। यह संख्याओं की एक सीमा है (जैसे "10 और 20 के बीच") जिसे आप मानते हैं कि इसमें आपके प्रश्न का सही उत्तर मौजूद है।

दशकों से, मानक नियम (प्रसिद्ध सांख्यिकीविद् जेरज़ी नेमन द्वारा दिया गया) यह रहा है: "एक बार जब आप संख्याएँ देख लें, तो संभावना (probability) के बारे में बात करना बंद कर दें।"

तर्क इस प्रकार है: सही उत्तर एक निश्चित संख्या है। एक बार जब आप अपना अंतराल (interval) बना लेते हैं, तो या तो वह उस संख्या को शामिल करता है या नहीं करता है। यह एक बाइनरी तथ्य है। इसलिए, संभावना या तो 100% है (यह इसके अंदर है) या 0% है (यह इसके बाहर है)। चूँकि आप नहीं जानते कि कौन सा सच है, इसलिए आपको यह कहने की अनुमति नहीं है कि "मैं 95% आश्वस्त हूँ।" आपको बस यह कहना चाहिए, "मैंने यह अंतराल बनाया है, और यह तरीका लंबे समय में 95% बार काम करता है।"

समस्या: यह असंतोषजनक लगता है। यदि आपको उस विशिष्ट अंतराल के आधार पर अभी कोई निर्णय लेना है, तो यह कहना कि "यह या तो 0% है या 100%" आपकी मदद नहीं करता है। यह एक मौसम विज्ञानी की तरह है जो यह बताए बिना कहता है, "या तो बारिश हो रही है या नहीं हो रही है," कि क्या आपको छाता ले जाने की ज़रूरत है।

लेखक का समाधान: एक "मौसम पूर्वानुमान" के रूप में कॉन्फिडेंस

स्कॉट ली, जो लेखक हैं, सुझाव देते हैं कि हमें अपना दृष्टिकोण बदलना चाहिए। कॉन्फिडेंस इंटरवल को एक अंतिम फैसले के रूप में देखने के बजाय, हमें इसे एक संभावना पूर्वानुमान (probability forecast) के रूप में देखना चाहिए।

इसे इस तरह सोचें:

पुराना दृष्टिकोण: एक CI एक बंद बक्सा है। इसके अंदर या तो "जीत" है या "हार"। एक बार जब आप बक्सा खोल लेते हैं, तो खेल खत्म हो जाता है।
नया दृष्टिकोण: एक CI एक मौसम पूर्वानुमान की तरह है। आप यह नहीं जानते कि ठीक 2:00 बजे बारिश होगी या नहीं, लेकिन आप उपलब्ध डेटा के आधार पर बारिश की संभावना का अनुमान लगा सकते हैं।

ली का तर्क है कि भले ही आप अंतराल देख लें, फिर भी आप प्रॉपर स्कोरिंग रूल्स (Proper Scoring Rules) नामक उपकरण का उपयोग करके यह अनुमान लगा सकते हैं कि क्या यह सत्य को कवर करता है।

उपमा: "ब्रियर स्कोर" (द दंड खेल)

कल्पना कीजिए कि आप एक खेल खेल रहे हैं जहाँ आपको अनुमान लगाना है कि क्या एक विशिष्ट अंतराल सत्य को कवर करता है।

यदि आप अनुमान लगाते हैं कि "100% पक्का है कि यह कवर करता है" और ऐसा नहीं होता है, तो आपको भारी दंड मिलता है।
यदि आप अनुमान लगाते हैं कि "0% पक्का है" और वह कवर करता है, तो भी आपको भारी दंड मिलता है।
यदि आप अनुमान लगाते हैं कि "50% पक्का है" और यह एक सिक्के के उछाल जैसा निकलता है, तो आपको छोटा दंड मिलता है।

ली गणितीय रूप से सिद्ध करते हैं कि यदि आपके पास कोई विशेष अतिरिक्त जानकारी नहीं है, तो दंड को कम करने के लिए सबसे अच्छा संभव अनुमान नाममात्र कॉन्फिडेंस लेवल (nominal confidence level) (जैसे 95% या 50%) है।

इसलिए, भले ही आप अंतराल देख लें, यदि आपके पास कोई अन्य सुराग नहीं है, तो यह कहना कि "95% संभावना है कि यह सत्य को कवर करता है" सबसे ईमानदार, गणितीय रूप से अनुकूल बात है। यह कोई "विश्वास" नहीं है; यह एक पूर्वानुमान है कि मशीन कैसे काम करती है।

ट्विस्ट: जब आप अपने पूर्वानुमान को अपडेट कर सकते हैं

यहाँ मामला वास्तव में दिलचस्प हो जाता है। कभी-कभी अंतराल स्वयं आपको ऐसे अतिरिक्त सुराग देता है जो संभावनाओं को बदल देते हैं।

"खोई हुई पनडुब्बी" की उपमा
कल्पना कीजिए कि एक पनडुब्बी 10 मीटर लंबे गलियारे में खो गई है। उसे खोजने के लिए आप दो बुलबुले छोड़ते हैं।

परिदृश्य A: बुलबुले एक-दूसरे से दूर हैं (गलियारे के 9 मीटर को कवर कर रहे हैं)। आपका अंतराल बहुत बड़ा है।
परिदृश्य B: बुलबुले बिल्कुल एक-दूसरे के बगल में हैं (केवल 1 मीटर को कवर कर रहे हैं)। आपका अंतराल बहुत छोटा है।

दोनों मामलों में, "कॉन्फिडेंस इंटरवल" विधि कहती है, "हम 50% आश्वस्त हैं।"

पुराना दृष्टिकोण: "यह 50-50 है। आकार पर ध्यान न दें।"
नया दृष्टिकोण: "एक मिनट रुकिए! यदि बुलबुले दूर हैं, तो अंतराल बड़ा है, इसलिए इसकी पनडुब्बी को पकड़ने की बहुत अधिक संभावना है। यदि बुलबुले पास में हैं, तो अंतराल बहुत छोटा है, इसलिए इसकी पनडुब्बी को पकड़ने की बहुत कम संभावना है, भले ही गणित कहता हो '50%'।"

ली दिखाते हैं कि इन विशिष्ट मामलों में, आपको अपना पूर्वानुमान अपडेट करना चाहिए।

यदि अंतराल बड़ा है, तो आप कह सकते हैं, "मुझे 90% यकीन है कि यह इसे कवर करता है।"
यदि अंतराल बहुत छोटा है, तो आप कह सकते हैं, "मुझे केवल 10% यकीन है।"

यह केवल अनुमान लगाना नहीं है; यह अपने पूर्वानुमान को बेहतर बनाने के लिए डेटा के आकार (shape of the data) का उपयोग करना है, ठीक वैसे ही जैसे एक मौसम विज्ञानी बारिश के पूर्वानुमान को बेहतर बनाने के लिए रडार मैप देखता है।

"मोंटी हॉल" कनेक्शन

पेपर इस बात को सिद्ध करने के लिए एक गेम शो (मोंटी हॉल) की उपमा का उपयोग करता है।

खेल में, आप एक दरवाजा चुनते हैं। होस्ट एक हारने वाला दरवाजा खोल देता है।
"नेमन" का दृष्टिकोण: "आपके द्वारा चुने गए दरवाजे के पीछे या तो कार है या नहीं है। संभावना 0 या 1 है।" (यह आपको रुकने और हारने की ओर ले जाता है)।
"पूर्वानुमान" का दृष्टिकोण: "खेल के नियमों के आधार पर, दरवाजा बदलने से मुझे जीतने की 2/3 संभावना मिलती है।" (यह आपको स्विच करने और जीतने की ओर ले जाता है)।

लेखक का तर्क है कि कॉन्फिडेंस को एक पूर्वानुमान के रूप में मानने से हम "0 या 1" के जाल में फंसने के बजाय "स्मार्ट मूव" (दरवाजा बदलना) कर सकते हैं।

सारांश: आपको क्या करना चाहिए?

यह पेपर व्यावहारिक कार्य के लिए एक सरल मार्गदर्शिका देता है:

डिफ़ॉल्ट नंबर का पालन करें: यदि आप 95% कॉन्फिडेंस इंटरवल देखते हैं और आपको स्थिति के बारे में कुछ विशेष पता नहीं है, तो इसे 95% पूर्वानुमान की तरह मानें। यह सबसे अच्छा अनुमान है जो आप लगा सकते हैं।
सुराग खोजें: यदि अंतराल अजीब दिखता है (जैसे कि यह बहुत चौड़ा या बहुत संकीरा है जिस तरह से गणित कहता है कि महत्वपूर्ण है), तो अपने पूर्वानुमान को अपडेट करें। अपने प्रतिशत को ऊपर या नीचे समायोजित करने के लिए अंतराल के आकार का उपयोग करें।
"विश्वास" के जाल को भूल जाएं: ऐसा करने के लिए आपको "व्यक्तिगत भावनाओं" या "बायेसियन प्रायर्स (Bayesian priors)" में विश्वास करने की आवश्यकता नहीं है। आप बस एक स्मार्ट फोरकास्टर की तरह काम कर रहे हैं जो जानता है कि मशीन कैसे काम करती है।

निष्कर्ष:
कॉन्फिडेंस इंटरवल केवल कठोर बक्से नहीं हैं जो या तो सही हैं या गलत। वे पूर्वानुमान हैं। कभी-कभी पूर्वानुमान एक सपाट "95%" होता है, और कभी-कभी डेटा आपको उस नंबर को बदलने के लिए कहता है। उन्हें पूर्वानुमानों के रूप में मानकर, हम फ्रिक्वेंटिस्ट सांख्यिकी (frequentist statistics) के नियमों को तोड़े बिना बेहतर निर्णय ले सकते हैं।

यहाँ स्कॉट ली के शोध पत्र "Confidence as Forecast: A Decision-Theoretic Interpretation of Confidence Intervals" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र फ्रिक्वेंटिस्ट सांख्यिकी (frequentist statistics) में कॉन्फिडेंस इंटरवल्स (CIs) से जुड़ी व्याख्यात्मक भ्रम की दीर्घकालिक समस्या को संबोधित करता है, विशेष रूप से डेटा देखे जाने के बाद एक वास्तविक (realized) अंतराल की स्थिति के संबंध में।

मुख्य संघर्ष: जेरज़ी नेयमैन, जिन्होंने CIs का आविष्कार किया था, का तर्क था कि एक बार अंतराल निर्मित हो जाने के बाद, कवरेज की घटना नियतात्मक (deterministic) होती है (या तो पैरामीटर $\theta$ अंतराल के भीतर है या नहीं है)। इसलिए, उन्होंने किसी विशिष्ट अंतराल के कवरेज के लिए गैर-डीजनरेट (non-degenerate) प्रायिकता प्रदान करने से इनकार कर दिया, और सुझाव दिया कि केवल यह "कथन करना चाहिए कि अंतराल कवर करता है।"
परिणाम: इससे "फंडामेंटल कॉन्फिडेंस फैलेसी" (FCF) का विवाद उत्पन्न होता है। आलोचक तर्क देते हैं कि यदि कोई किसी विशिष्ट अंतराल के कवरेज के लिए प्रायिकता निर्धारित नहीं कर सकता, तो पोस्ट-हॉक (post-hoc) "कॉन्फिडेंस" की अवधारणा अर्थहीन है। इसके विपरीत, व्यावहारिक अभ्यासकर्ता अक्सर गलती से नाममात्र (nominal) कॉन्फिडेंस स्तर (जैसे 95%) को उस प्रायिकता के रूप में मानते हैं कि एक विशिष्ट वास्तविक अंतराल में पैरामीटर शामिल है।
अंतराल (Gap): बेयसियन प्रायर (Bayesian priors) या व्यक्तिपरक विश्वासों (subjective degrees of belief) का सहारा लिए बिना, एक एकल अंतराल के कवरेज के लिए प्रायिकतावान पूर्वानुमान (probabilistic forecast) प्रदान करने हेतु एक सिद्धांत-आधारित फ्रिक्वेंटिस्ट ढांचे की कमी है।

2. कार्यप्रणाली (Methodology)

ली एक निर्णय-सैद्धांतिक ढांचे (decision-theoretic framework) का प्रस्ताव करते हैं जो "कॉन्फिडेंस" को एक बर्नौली परिणाम (कवरेज बनाम गैर-कवरेज) के लिए प्रायिकतावान पूर्वानुमान (probabilistic forecast) के रूप में पुनर्व्याख्या करता है।

औपचारिक सेटअप:
- मान लीजिए $Z(X) = \mathbb{1}\{\theta \in I(X)\}$ कवरेज इंडिकेटर है, जो एक बर्नौली रैंडम वेरिएबल है।
- डिज़ाइन यह गारंटी देता है कि $E_\theta[Z(X)] = 1-\alpha$ (नाममात्र स्तर)।
- लेखक प्रायिकता के तीन स्तरों के बीच अंतर करते हैं:
  1. डीजनरेट कंडीशनल (Degenerate Conditional): पूर्ण डेटा $X$ के दिए जाने पर, $Z(X) \in \{0, 1\}$ ।
  2. डिज़ाइन-स्तरीय अनकंडीशनल (Design-Level Unconditional): $P_\theta(Z(X)=1) = 1-\alpha$ ।
  3. प्रेडिक्टिव (सूचना-सापेक्ष) (Predictive/Information-Relative): उपलब्ध जानकारी (जैसे अंतराल की चौड़ाई) पर आधारित एक पूर्वानुमान $q(X)$ , लेकिन $\theta$ की पूर्ण सत्यता पर नहीं।
मूल्यांकन मीट्रिक (Evaluation Metric):
- शोध पत्र पूर्वानुमान की गुणवत्ता का मूल्यांकन करने के लिए स्ट्रिक्टली प्रॉपर स्कोरिंग रूल्स (strictly proper scoring rules) (जैसे ब्रियर स्कोर, लॉग स्कोर) का उपयोग करता है। एक स्ट्रिक्टली प्रॉपर स्कोरिंग नियम $S(q, z)$ यह सुनिश्चित करता है कि अपेक्षित स्कोर तभी न्यूनतम होता है जब पूर्वानुमान $q$ , घटना की वास्तविक प्रायिकता के बराबर हो।
- लक्ष्य वह $q^*$ खोजना है जो अपेक्षित हानि (जोखिम) $E[S(q, Z)]$ को कम करता है।
विश्लेषणात्मक दृष्टिकोण:
- लेखक निरंतर पूर्वानुमानों (जैसे हमेशा "कवर करता है" कहना या हमेशा "1- $\alpha$ " कहना) बनाम डेटा-निर्भर पूर्वानुमानों के जोखिम का विश्लेषण करते हैं।
- शोध पत्र $\theta$ -फ्री स्टैटिस्टिक्स ( $\theta$ -free statistics) की अवधारणा पेश करता है: डेटा से प्राप्त सांख्यिकी (जैसे सापेक्ष अंतराल चौड़ाई) जिनका कवरेज का कंडीशनल वितरण अज्ञात पैरामीटर $\theta$ पर निर्भर नहीं करता है।
- सिद्धांत को समझाने के लिए दो विचार प्रयोगों का उपयोग किया गया है: एक "मोंटी हॉल" शैली का शेल गेम और "लॉस्ट सबमरीन" (Lost Submarine) उदाहरण (मोरि एट अल., 2016)।

3. मुख्य योगदान (Key Contributions)

A. पूर्वानुमान के रूप में कॉन्फिडेंस को पुनर्गठित करना

शोध पत्र तर्क देता है कि नाममात्र स्तर $1-\alpha$ न केवल एक दीर्घकालिक आवृत्ति गारंटी है, बल्कि किसी भी स्ट्रिक्टली प्रॉपर स्कोरिंग नियम के तहत कवरेज के लिए अद्वितीय इष्टतम निरंतर पूर्वानुमान (unique optimal constant forecast) है।

प्री-ट्रायल (Pre-trial): डेटा देखने से पहले, $q = 1-\alpha$ अपेक्षित हानि को न्यूनतम करता है।
पोस्ट-ट्रायल (सामान्य) (Post-trial/General): डेटा देखने के बाद भी, यदि कोई अतिरिक्त $\theta$ -फ्री जानकारी उपलब्ध नहीं है, तो $q = 1-\alpha$ इष्टतम निरंतर पूर्वानुमान बना रहता है। यह अपेक्षित हानि के संदर्भ में "या तो/या" (पूर्वानुमान $q=1$ या $q=0$ ) वाले रुख पर स्पष्ट रूप से हावी (dominate) रहता है।

B. $\theta$ -फ्री रिफाइनमेंट पर प्रमेय

शोध पत्र थ्योरम 3.1 प्रस्तुत करता है, जो यह स्थापित करता है कि यदि एक सांख्यिकी $T(X)$ मौजूद है जिससे $P_\theta(\theta \in I(X) \mid T(X))$ एक फलन $g(T)$ है जो $\theta$ से स्वतंत्र है, तो इष्टतम पूर्वानुमान $q^*(X) = g(T(X))$ है।

यह बेयसियन प्रायर का उपयोग किए बिना कॉन्फिडेंस स्तर के डेटा-निर्भर अपडेट की अनुमति देता है।
यदि ऐसा सांख्यिकी मौजूद है, तो यह निरंतर $1-\alpha$ की तुलना में प्रेडिक्टिव प्रदर्शन (अपेक्षित हानि को कम करके) में सुधार करता है।

C. व्याख्यात्मक विरोधाभासों का समाधान

यह ढांचा प्रसिद्ध काउंटर-उदाहरणों (जैसे लॉस्ट सबमरीन) को अलग-अलग श्रेणियों में विभाजित करके उन्हें हल करता है:

डिज़ाइन गारंटी: प्रक्रिया दीर्घकाल में 50% समय कवर करती है।
कंडीशनल फोरकास्ट: विशिष्ट वास्तविक घटनाएँ (जैसे एक बहुत संकीर्ण अंतराल, यूनिफॉर्म मॉडल में) $1-\alpha$ से काफी भिन्न कवरेज प्रायिकता रख सकती हैं।

शोध पत्र प्रदर्शित करता है कि "लॉस्ट सबमरीन" उदाहरण में, एक बहुत संकीर्ण 50% CI का वास्तव में ~33% कवरेज होता है, जबकि एक चौड़ा अंतराल अधिक हो सकता है। इष्टतम पूर्वानुमान अंतराल की चौड़ाई (एक $\theta$ -फ्री सांख्यिकी) के आधार पर अपडेट होता है, जो इस "विरोधाभास" को हल करता है कि एक 50% CI का कवरेज 33% कैसे हो सकता है।

4. परिणाम (Results)

$1-\alpha$ की इष्टतमता: मानक अनबाउंडेड, ट्रांसलेशन-इनवेरिएंट मॉडल (जैसे नॉर्मल मीन) में, वास्तविक अंतराल एंडपॉइंट्स कवरेज के बारे में कोई $\theta$ -फ्री जानकारी नहीं रखते हैं। अतः, पोस्ट-ट्रायल इष्टतम पूर्वानुमान नाममात्र स्तर $1-\alpha$ ही रहता है।
सीमित-विंडो मॉडल में सुधार: सीमित सपोर्ट वाले मॉडलों (जैसे यूनिफॉर्म "सबमरीन" मॉडल) में, अंतराल की सापेक्ष चौड़ाई एक $\theta$ $θ$ -फ्री सांख्यिकी है।
- सिमुलेशन परिणाम: ब्रियर स्कोर का उपयोग करते हुए, शोध पत्र दिखाता है कि अंतराल की चौड़ाई पर आधारित कंडीशनल कवरेज का उपयोग करने से निरंतर $1-\alpha$ पूर्वानुमान की तुलना में पूर्वानुमान त्रुटि काफी कम हो जाती है।
- उदाहरण: सबमरीन मॉडल में NP अंतराल के लिए, ब्रियर स्कोर निरंतर 0.5 पूर्वानुमान से घटकर 0.117 (चौड़ाई पर आधारित कंडीशनल फोरकास्ट) हो गया।
नेस्टेड इंटरवल्स (Nested Intervals): शोध पत्र ने नेस्टेड इंटरवल्स (जैसे UMP बनाम SD प्रक्रियाएं) का विश्लेषण किया है। यह दिखाता है कि संयुक्त कवरेज प्रायिकता नेस्टिंग कॉन्फ़िगरेशन के आधार पर बदलती है, और नेस्टिंग संबंध पर कंडीशन करना मार्जिनल डिज़ाइन-लेवल प्रायिकता की तुलना में बेहतर पूर्वानुमान प्रदान करता है।
मोंटी हॉल एनालॉजी: विचार प्रयोग यह दर्शाता है कि डिज़ाइन-लेवल सफलता दरों के आधार पर संभावनाओं को अपडेट करने से इनकार करना (नेयमैन का सख्त "0 या 1" वाला दृष्टिकोण) उप-इष्टतम निर्णय लेने (शेल गेम में पैसा हारना) की ओर ले जाता है, जबकि डिज़ाइन प्रायिकता को एक पूर्वानुमान के रूप में मानना इष्टतम रणनीति की ओर ले जाता है।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक समाधान: शोध पत्र एक एकल CI के कवरेज के लिए प्रायिकता प्रदान करने के लिए एक कठोर फ्रिक्वेंटिस्ट औचित्य प्रदान करता है, जो नेयमैन के व्यवहारवादी दृष्टिकोण और पोस्ट-हॉक मूल्यांकन की सहज आवश्यकता के बीच के अंतर को पाटता है। यह बेयसियन व्यक्तिपरकता को आमंत्रित किए बिना $1-\alpha$ का उपयोग एक "प्रेडिक्टिव प्रायिकता" के रूप में करने को वैध बनाता है।
शैक्षणिक बदलाव: लेखक CIs को सिखाने का एक नया तरीका सुझाते हैं:
1. लेयर 1: पूर्ण डेटा दिए जाने पर नियतात्मक सत्य (0 या 1)।
2. लेयर 2: डिज़ाइन-लेवल गारंटी ( $1-\alpha$ )।
3. लेयर 3: प्रेडिक्टिव फोरकास्ट, जिसे अपडेट किया जा सकता है यदि $\theta$ -फ्री सांख्यिकी (जैसे सापेक्ष चौड़ाई) उपलब्ध हों।
  यह स्पष्ट करता है कि छात्र अक्सर क्यों भ्रमित होते हैं और यह कब कॉन्फिडेंस स्तर को अपडेट करने के लिए एक सुसंगत तर्क प्रदान करता है।
व्यावहारिक अनुप्रयोग: व्यावहारिक सांख्यिकीविदों के लिए, शोध पत्र एक "नियम" प्रदान करता है:
- यदि मॉडल मानक (unbounded) है, तो पोस्ट-हॉक नाममात्र स्तर $1-\alpha$ का पालन करें।
- यदि मॉडल में बाउंडेड सपोर्ट या विशिष्ट डिज़ाइन विशेषताएं हैं जहाँ अंतराल की ज्यामिति कवरेज के साथ सह-संबंधित है (जैसे यूनिफॉर्म डिस्ट्रीब्यूशन), तो अधिक सटीक पूर्वानुमान के लिए कंडीशनल कवरेज प्रायिकता की गणना करें और उसका उपयोग करें।
दार्शनिक प्रभाव: यह "फ्रिक्वेंटिस्ट" (दीर्घकालिक आवृत्ति) और "बेयसियन" (व्यक्तिपरक) व्याख्याओं के बीच के सख्त विभाजन को चुनौती देता है। यह तर्क देता है कि "कॉन्फिडेंस" एक सूचना-सापेक्ष फ्रिक्वेंटिस्ट अवधारणा है: डिज़ाइन के सापेक्ष उपलब्ध जानकारी पर आधारित एक पूर्वानुमान, जो एजेंट के लिए त्रुटि दर को न्यूनतम करता है।

निष्कर्षतः, ली का कार्य कॉन्फिडेंस इंटरवल को एक स्थिर, अक्सर गलत समझे जाने वाले उपकरण से बदलकर एक गतिशील प्रायिकतावान पूर्वानुमान में बदल देता है जो निर्णय सिद्धांत के तहत गणितीय रूप से इष्टतम है, और ऐतिहासिक विरोधाभासों को हल करते हुए पूरी तरह से फ्रिक्वेंटिस्ट प्रतिमान के भीतर रहता है।