这是有限总体抽样理论中处理的问题，如http://www.amazon.com/Finite-Population-Sampling-Inference-Prediction/dp/0471293415/ref=sr_1_1?s=books&ie=一书中所述UTF8&qid=1401276486&sr=1-1&keywords=finite+population+sampling+theory （以及许多其他）。

首先，您需要一种实用的采样方法！所以我们需要知道你的物理文件是如何存储的！您还应该考虑它们是按完全随机的顺序存储的，还是按其他确定的顺序存储的（按字母顺序排列？按时间顺序排列？什么？？？）。一个简单的随机抽样通常是不切实际的——如果你有一些你收藏中所有文件的列表，无论该列表是在计算机上还是在纸上（并且如果可以无序访问文件是可行的） ）。如果该问题的答案是否定的，那么简单的随机抽样是不切实际的，您可以使用某种整群抽样或分层抽样。您可以在此处找到此术语和相关术语的解释： https ://en.wikipedia.org/wiki/Statistical_sampling

在不了解更多实际情况的情况下，仅提供一些简短提示：采样可能在 --- 架子 --- 抽屉或其他一些物理存储所在的单元的级别上。您应该考虑以下问题：如果按时间顺序存储，文档大小是否会随着时间的推移而出现某种趋势？还是一些周期性变化，即在一年中的某些部分，会产生特定类型的文档，其长度通常不同？

如果您告诉我们更多有关情况，我们可以提供更多帮助！

（然后，根据选择的抽样计划，将有一些特定的公式/方法用于构建估计值和置信区间）

平均值的区间将

(i) 是概率的——也就是说，通过随机抽样，你可以计算出一个平均值，即 99% 的时间（或其他百分比）不超过 20%——但不是 100%，除非你的样本是你的总体。

(ii) 取决于页数的标准偏差；由于这将是未知的，因此在计算所需样本量的估计值之前，您将需要一些相关信息（可能是上限，也可能是来自试点样本的估计值）。

我将通过从您的存储库中构造一些随机文档样本来以图形方式探索总体，然后绘制样本中每个文档的页数直方图。

如果分布不像正态分布，则仅平均值本身就没有那么丰富的信息（如评论中所述），也许您应该需要估计更高阶的矩，例如方差、峰度和偏度。

另一个了解分布的好工具是箱线图。

如果数据不符合任何理论分布，您仍然可以通过bootstrap在某个置信区间内估计这些时刻。