1、样本区间 sample spacing 就是抽取样本的范围，做调查的时候需要取一个调查区间，这个区间就是样本区间。
区间估计(interval estimation)时，依据抽取的样本，根据一定的正确度与精确度的要求，构造出适当的区间，作为总体分布的未知参数或参数的函数的真值所在范围的估计。这个区间就是样本区间。
Xn)为服从I=[0,1]上均匀分布的容量为n的简单随机样本，它们将I=[0，1]分隔成(n+1)个样本区间(sample spacing)．记Y0,Y1，…
2、区间估计(interval estimation)是依据抽取的样本，根据一定的正确度与精确度的要求，构造出适当的区间，作为总体分布的未知参数或参数的函数的真值所在范围的估计。例如人们常说的有百分之多少的把握保证某值在某个范围内，即是区间估计的最简单的应用。1934年统计学家 J.奈曼创立了一种严格的区间估计理论。求置信区间常用的三种方法：
①利用已知的抽样分布。例如，设x1,x2，…，xn为正态总体N（μ，σ2）中抽出的样本，要作μ的区间估计，则服从自由度为n-1的t分布。指定α>0，找这个分布的上α/2分位数tα/2(n-1），则有即由此得到 μ 的一个置信系数为 1-α 的置信区间。
②利用区间估计与假设检验的联系。设要作θ的置信系数为1－α 的区间估计，对于任意的θ0，考虑原假设为 H：θ=θ0，备择假设为 K：θ≠θ0。设有一水平为α 的检验，它当样本X属于集合A( θ0）时接受H。若集合{θ0∶X∈A（θ0)}是一个区间，则它就是θ的一个置信区间，其置信系数为1-α。就上例而言，对假设H：μ=μ0的检验常用t检验：当时接受μ=μ0，集合即为区间。这正是前面定出的μ的置信区间。若要求θ的置信下限（或上限），则取原假设为θ≤θ0（或θ≥θ0），备择假设为θ>；θ0（或θ<；θ0），按照同样的方法可得到所要求的置信下（上）限。
③利用大样本理论。例如，设x1,x2，…，xn为抽自参数为p的二点分布的样本，当n→∞时，依分布收敛（见概率论中的收敛）于标准正态分布N(0,1），以 uα/2记N (0，1）的上 α/2分位数。所以，可作为p的一个区间估计，上面的极限值1－α就定义为它的渐近置信系数。
评价置信区间的好坏有两个因素：一是其精度，可以用区间的长度来刻画，长度越长，精度越低。另一个因素是置信度，在样本容量固定时，当置信度增大，此时置信区间的长度变大，即置信区间的置信度越高，则精度越低，反之，精度越高则置信度越低。
区间数据的特征，就是特征区间。
追问特征区间我看不到，你能不能再发一下