到这一章，我们手里已经有了一堆过滤器：重要性水平划走小额，基线划走节奏性波动，数字指纹和贴线捞出形状异常。过滤器过完，桌面上还剩几百上千条「没有明显异常、但也没被排除」的记录——比如那些金额中等、形状正常、没有贴线的采购单。
对这批「不红不白」的记录怎么办？答案是抽样。很多人以为抽样是「看不完所以随便看几笔」——恰恰相反，抽样是审计里数学上最讲究的一环，它是唯一能让你对「没看的那些」也说出点什么的工具。
先分清两种抽样：随机管「总体」，判断管「重点」
审计里的抽样分两派，它们的用途完全不同，混用是新手最常见的错误。
统计抽样（随机抽样）：用随机数从总体里挑样本，每笔被选中的概率已知。它回答的问题是「这个总体干不干净」——比如「全年三万张采购订单里，审批缺失的比例有没有超过 2%」。
判断抽样：凭专业判断专门挑「看起来最可疑的」——金额最大的、新来的供应商的、凌晨过账的。它回答的问题是「这些重点对象有没有问题」。
区别在哪？判断抽样查完发现问题，你只能对查过的那几笔下结论；随机抽样查完，你可以把结论推广到整个总体——「我随机查了 60 笔，1 笔审批缺失，所以有 95% 的把握说总体差错率不超过 5%」。注意这句话里没有一个字提到没查的那 29940 笔，但它说的恰恰是它们。这就是随机性的魔法：随机不是「随便」，是「对总体公平」——公平到数学允许你代表总体发言。
判断抽样是放大镜，对准你怀疑的地方；随机抽样是温度计，量整个房间的温度。怀疑谁就用放大镜去看谁，但想知道整个屋子热不热，不能用放大镜对着火炉量完说「全屋 80 度」。新手常犯的错：拿着判断抽样的发现去下总体的结论（「查了 5 笔大的 2 笔有问题，所以全公司 40% 有问题」）——这在数学上完全不成立。
随机抽样为什么是去噪器
回到本书的主线：抽样和「去噪找信号」有什么关系？关系深着呢。
对那批「不红不白」的记录，你真正想知道的是：这里面藏着信号吗，还是一整批都是噪声？随机抽样恰好是回答这个问题的最便宜的方式。抽 60 笔全干净，你就有统计依据把这批整体划走——一次性去掉了几千条噪声，只花了看 60 笔的工夫。抽出来有问题，就升级：扩大样本、改用判断抽样专攻，把它从「背景」提升为「线索」。
换句话说，随机抽样是一台「批量排除机」。它的存在让审计师敢对绝大部分正常记录说「我不看你们，但我知道你们没事」——这句话在没抽样的时候是信仰，抽了样之后是统计结论。
样本量：一个反直觉的数字
接下来是每个人第一次接触统计抽样都会问的问题：三万笔里抽 60 笔，够吗？不该抽个 10%、三千笔吗？
这是统计里最美的反直觉之一：需要的样本量主要取决于你想要的精度和置信度，几乎不取决于总体有多大。汤咸不咸，尝一勺就知道——不用喝掉锅的十分之一，只要汤搅匀了。「搅匀」就是随机性要做的事：保证这一勺能代表这锅汤。
实务里，控制测试（检查控制是否有效执行）常用的样本量就是几十笔：预计差错率接近零、可容忍差错率 5%、置信度 95% 时，样本量大约 60。总体是三万还是三十万，这个数字基本不变。当然它有两个前提：总体得是同质的（三万张订单走同一个流程），抽样得是真随机（用随机数发生器，不是「随手翻凭证翻到哪算哪」——人手翻出来的样本永远偏向容易拿到的、订在上面的，那叫方便抽样，数学上一文不值）。
抽样的天敌：总体不完整
统计抽样有个致命前提，教科书一笔带过、实务里天天咬人：你的「总体」得是真的总体。
你从系统里导出「全年采购订单三万张」，随机抽样，结论「差错率低于 2%」——但如果真正的问题是「有五十笔采购根本没录入系统」呢？假账最狠的手法从来不是做一笔错的记录，而是让记录消失：不入账的销售返利、体外的资金往来、手工台账里另起炉灶的小金库。你对着不完整的花名册随机点名，点到天亮也发现不了没在花名册上的人。
所以老审计师抽样的第一步不是抽，是验总体的完整性：系统导出的订单数和仓库收货记录对不对得上？银行流水的总额和账面发生额对不对得上？发票号码连不连号，中间有没有断档？这些「对总数」的活看着笨拙，恰恰是在防「噪声藏在抽样框外面」。这也呼应第四章的主题：单笔能伪造，整体形状伪造不了——总数对不上，就是整体形状裂了缝。
一句话总结
随机抽样用看 60 笔的成本，给几万笔「不红不白」的记录开出「总体干净」的统计证明，是批量去噪的终极工具；判断抽样是放大镜，专攻可疑点。前提是汤要搅匀（真随机）、锅要完整（总体无遗漏）。到这儿，数据侧的过滤器讲完了。但审计不只对着数据——还要对着人。下一章，访谈。