直观地说，我们可以将统计想象为试图仅使用有限多个像素/样本来查看图像。如果您有更多像素/样本并且它们分布良好，那么图像会更清晰。

在统计学中，有两个概念，人口和样本。例如，我们说可以使用分布来描述随机现象。例如，学生在学校取得的成绩呈正态分布。这对于其他随机性质是满足的。有一点，每当你研究一种现象时，你的数据量都是有限的。这些数据，样本，取自更大的群体，人口。如果您独立选择每个数据并且您选择的所有数据都处于常规状态，这些称为 iid 条件，代表独立且相同的分布，您将被称为样本的数据将类似于你的人口。这意味着人口的统计数据，期望值和其他描述性的东西，可以使用一堆公式粗略地找到。这意味着通过研究人口的一些样本，您可以了解整个人口的工作方式。很明显，如果您有更多更具代表性的数据，您可以获得更好的近似值。在我的回答中，我避免参考从样本统计中查找人口统计的公式，但如果你研究它们，你会发现但增加了样本的大小，通常由$n$，你可以有更好的近似来描述整个人口，只需要一个非常小的子集。

我指的是我关于分发的第一句话。根据您尝试处理的现象，它具有一个分布，该分布指定了从样本到总体的适当公式。

更多样本背后的直觉对统计数据更好？

这是因为样本越大，就越有可能忠实地代表整个人口。形式上这是大数定律的结果：

在概率论中，大数定律 (LLN) 是描述大量执行相同实验的结果的定理。根据规律，大量试验得到的结果的平均值应该接近预期值，并且随着试验次数的增加而趋于接近。

举例说明：假设您有一枚硬币，由您自己制作，因此您知道它是公平的，并且以相同的 1/2 概率（频率）返回正面和反面。

您希望通过翻转硬币 n 次来检查这一点。如果您将其翻转一次，n=1，您将得到一个正面或反面观察（样本），并且无法将其与有偏差的硬币区分开来。对于大量的翻转（大 n = 大样本量），您很可能会看到相似数量的正面和反面。这使您可以令人信服地向人们表明硬币是公平的。

这个想法是，随着样本量的增加，从样本中读取公平性变得越来越可靠（假设翻转/观察没有偏差）。