五样本法则

五样本法则是统计学中一个出人意料的捷径：从任何一个大群体中随机抽取五个样本，就有93.75%的概率，这个群体真正处于中间位置的数值（中位数）落在样本的最小值和最大值之间。比如，你从一家烘焙店随机挑选五块饼干，发现价格都在2到4美元之间，那么即使店里烤了几千块饼干，你也可以很有把握地认为，典型价格就在这个范围内。这靠的是概率计算，并不是什么魔法。

试试这样：当你对某个数值没把握时，比如员工满意度评分、项目完成时间或客户评分，先收集五个随机数据点，再判断自己是否需要几百个。

它是怎么起作用的

五样本法则利用了中位数和随机抽样的一个数学规律。当你从任何总体中随机抽取五个样本时，其实是在问：“五个样本全都落在中位数同一侧的概率有多大？”这就要求每个样本都高于平均水平，或者每个样本都低于平均水平，而这种情况并不常见。事实上，计算表明，这种情况只会在大约6%的抽样中发生，因此你可以有93.75%的把握，认为样本范围包含了真正的中间值。

概率怎么算： 单个样本落在中位数上方或下方的概率各为50%。要算五个样本连续落在同一侧的概率，就把二分之一连乘五次，再乘以二，结果是0.0625，也就是6.25%。用100%减去这个概率，就得到93.75%的置信度。这不是粗略估计，而是根据二项概率得出的精确计算结果。

实际例子

商业决策： 一位经理想知道是否该实行弹性工作时间，于是随机询问五名员工的通勤时间。结果在25到55分钟之间，足以排除一些极端假设，比如通勤只需5分钟或长达2小时，并帮助经理判断这项投入是否值得。

产品测试： 一家初创公司想了解新设备的典型续航时间。测试五台设备后，得到的范围是6到9小时，足以判断宣传中的“8小时续航”是否站得住脚，或者是否需要在大规模生产前调整说法。

客户满意度： 一支客服团队没有等待几百份问卷回复，而是每周随机跟踪五张服务工单。如果满意度评分在3到5星之间，他们就可以有把握地认为，真实中位数既不是意味着危机的1星，也不是表现完美的5星。

什么时候适合用

当你对某件重要的事很没把握时，五样本法则尤其有用。它很适合用来做早期决策、快速核实想法是否符合实际，以及应对收集更多数据成本高或耗时长的情况。如果你需要精确估计，它的用处就小一些，因为得到的范围可能很宽；如果抽样并非真正随机，它也不太适用，因为有偏差的样本会让计算失效。

关键在于：测量的目的不是找到精确答案，而是把不确定性降到足够低，让你比单凭直觉做出更好的决策。

五样本法则源于道格拉斯·哈伯德关于应用信息经济学的研究，以及非参数统计中的次序统计量理论。它的基本原理依赖于二项概率：n个样本全部落在总体中位数同一侧的概率为2(0.5)^n。当n=5时，这个概率等于0.0625，因此可以有93.75%的置信度认为，中位数落在样本范围内。

• Hubbard（2014）：说明五样本法则只需五个随机样本，就能为总体中位数提供一个置信度为93.75%的置信区间，挑战了“只有大样本才能做出有用测量”的误解 [1]。
• 宾夕法尼亚州立大学（无日期）：针对样本量为5的次序统计量，推导出概率P(Y₁ < m < Y₅) = 0.9376，用二项分布验证了五样本法则的理论基础 [2]。
• 次序统计量理论：任意样本量n所对应的一般置信水平，都可以通过二项概率求和得到，因此五样本法则是中位数非参数置信区间的一个特例。

五样本法则假设你的样本真正随机，有偏差的抽样会让这项保证失效。如果总体中的数值差异很大，置信区间可能很宽，你可能只知道中位数落在一个很大的范围内。它专门估计的是中位数，也就是中间值，而不是均值，也就是平均数；当数据分布偏斜时，这个区别很重要。这个法则也无法告诉你数据分布的形状：五个数值无法揭示异常值或聚集模式。最后，93.75%的置信度意味着，大约每16次抽样中仍有1次，得到的范围不包含真实中位数，所以它并非万无一失。