有人建议，估计总体均值大约取样15个就够了，若是估计标准差则需要取样30个左右，样本的大小直接关系到最终结论的正确性。

简而言之，样本量太小，则样本反应不出总体特征，或者说样本代表不了总体特征，从而做出与真实结果相反的结论。

这种检出真实水平的能力叫检出功效，又叫检出力，用1-β表示。

β是第二类错误的代表符号，意思是当原假设是假，但我们做出了接受原假设的结论。在SPC上，有一个类似的错误，称之为漏报，通俗点讲就是本来是不合格的，结果没有检出来。

因此，β越小，犯第二类错误的概率越小，则1-β数值就越大，说明检出的能力越强，得出的结论更加可信。

除了样本量，检出力1-β还与显著性水平a、总体标准差σ、前后均值差▲X有关系，这几个参数之间有一个公式：

我们找一个案例说明一下

在这个案例种，样本量n=10，显著性水平a=0.05，均值差▲X=0.0058，总体标准差σ=0.015，则计算可以得出Z(1-β)=-0.737

查“标准正态分布的a分位数”表知：1-β=0.23，则β=0.77，犯第二类错误的概率太大了，有很大的概率接受原本错误的原假设，作出错误的结论，这种结论很难让人相信。

如果放在SPC里，则是不良品漏出去的概率很大，这种发货的产品大概率也会有问题。

如果使用minitab计算，则如下图：

同样得出检出力只有0.23。

那么，如果其它条件不变，只提高样本量呢？

我们把样本量提到10倍，达到100，minitab计算出来的结果如下：

检出力达到了0.97，β=0.03，犯第二类错误的概率大大减小了。当然，β值一般设定在0.1即可，这也是业内认识最常用的一个指标。

因此，样本量越大，则更能反映出总体的特征，更利于我们作出最正确的判断，结论也更容易让人信服。

一般情况下，显著性水平a与β是事先确定好的，我们根据公式计算需要取的样本量即可。