假设一个事件的理论概率是40%，观察十次是否就应该恰好发生四次？不是。40%描述给定模型中的权重，而十次结果是一段有限随机样本。短样本可能偏高、偏低，也可能出现连续段。射龙门概率学习中，最容易被忽略的正是这个差别：计算一个比值很容易，判断这个比值能支持多强的结论则需要更多信息。
一个十次的教学例子
设每次都恢复同一个4与10边界条件，再独立抽取第三张。把内部记为1，其余记为0。十次样本可能得到六个1，对应60%的样本频率。这个60%是这十次的描述，不能因此把理论概率改成60%。如果样本来自人为编写，应明确标为教学例子；若来自模拟，应说明模拟设置，而不应包装成真实表现。
波动尺度依赖样本量
在独立同分布的二分类模型里，样本比例的标准差为sqrt(p(1−p)/n)。当p=0.4、n=100时，该尺度约为0.049，也就是4.9个百分点；n=10000时约为0.0049，即0.49个百分点。这个关系说明样本量增加通常让比例更稳定，但它不是“每次误差都不超过这些数”的保证，也不能套用到条件不断变化的数据上。
四倍样本并非四倍稳定
因为波动尺度与样本量平方根有关，要把标准差大约减半，需要约四倍样本量，而不是两倍。这解释了为什么只多收集几条记录，往往无法消除明显不确定性。更重要的是，增加数量不能修复系统偏差：若只选择某些结果记录，或者规则版本混杂，再大的样本也可能稳定地描述一个被选择过的集合。
不应边看边挑结束时点
如果看到频率接近期待值就停止，看到不喜欢的结果就继续，最终样本并不是一个事先固定的简单实验。选择停止时点本身可能影响结论。教学练习可以预先决定观察100次，并完整保留每次记录；需要更复杂的序贯分析时，则应采用相应方法，而不是仍把结果当作没有选择过程的普通样本。
对小样本的合理表达
可以写“在这十条教学记录中，内部出现六次，频率60%，样本很小，不能据此确认长期比例”。这样的表达保留了真实观察，也没有越过证据。相反，“模型已稳定达到60%”会混淆描述与验证。读者应同时查看分母、条件一致性和来源，尤其不要被单独放大的百分比吸引而忽略它只来自很少的记录。