​​小样本通常指样本容量小于或等于30的观测数据​​，这是统计学中广泛采用的划分标准。​​关键亮点在于​​：小样本适用于资源有限或精确分布已知的场景，但需采用特殊统计方法（如t检验）来保证推断的可靠性，而大样本（≥30）则依赖正态近似和中心极限定理。

1. ​​定义与边界​​：小样本的容量标准因领域而异，但普遍以30为分界点。例如，心理学或医学研究中，受试者数量较少时，即使样本量略高于30仍可能视为小样本，需使用精确分布分析。工业场景中，若数据波动大，可能需将阈值提高到50以确保稳定性。

2. ​​统计方法差异​​：小样本需依赖t分布、F分布等精确分布模型，避免因样本不足导致误差放大。例如，比较两组均值时，小样本要求严格的方差齐性检验，而大样本可直接用Z检验简化计算。

3. ​​应用场景优势​​：小样本在成本敏感或时效性强的研究中优势显著。临床试验中，受试者招募困难时，小样本可快速得出结论；质量控制中，破坏性检测（如材料强度测试）也依赖小样本减少损耗。

4. ​​局限性警示​​：小样本对异常值敏感，且统计功效较低，可能掩盖真实效应。若效应量较小（如转化率提升0.5%），需通过功效分析预先评估所需样本量，避免因容量不足得出假阴性结论。

​​总结​​：选择小样本需权衡资源、精度和风险，建议结合领域规范与统计工具（如G*Power）计算最小样本量，确保结果科学可信。