问题H 系列把抽样（MUS/经典/属性/分层）和评价（点估计/上限）与可视化（热力图/回归）拆成零件。收官篇把它们装进一个工作台函数，对外只暴露“喂数据、出结论...

问题抽完样、算完评价、画完图，三步各管各的。把它们串成一个流水线：输入总体→出样本→出评价→出图→出报告片段，一键复现。

问题分析程序要证明“实际数 ≈ 期望值”。用回归建期望模型，把实际值减期望值画成偏离带，超阈值的点就是该查的。

问题几百个科目、十几期数据，肉眼看不出异常。用 matplotlib/seaborn 把“科目×期间”的异常率画成热力图，偏离趋势画成折线，汇报时一图胜千言。

问题抽完不算完。样本里发现错报，要反推总体：点估计是多少？错报上限超没超可容忍？这一篇把 MUS 的错报上限用泊松法算出来。

问题总体里应收账款大头和小额混在一起，均匀抽浪费力气。分层抽样本质是“把钱多的层多抽、钱少的层少抽”，把审计资源压到高风险账户。

问题控制测试关心“偏差率”，不是金额。手工算样本量和偏差上限常用查表，换风险水平就抓瞎。本篇用 Python 把属性抽样做成可换参的函数。

问题当错报方向可能高估也可能低估（如费用跨期、估价错报），MUS 不再适用，需要经典变量抽样。均值、差额、比率三种估计怎么选、怎么算点估计？

问题货币单位抽样（MUS，又称 PPS 抽样）对金额大的项目自动多抽，适合查找高估错报。手工算样本量和选样容易出错。本篇用 Python 实现样本量计算与累计金...

问题审计抽样规模常年被拍脑袋：风险高就多抽几张、时间紧就少抽几张，样本量没有统计依据，复核时也说不清“为什么是这个数”。监管和质控都要求抽样规模可归因于风险水平...