每题 d = B − A；n 为四格之和。均值 Δ = (修复 − 退步) / n；样本方差 s² = [(修复 + 退步) − nΔ²] / (n − 1)；标准误 SE = √(s²/n)；近似 95% 区间为 Δ ± 1.96 SE。要求题目独立、有合适抽样解释且样本足够。聚类、小样本或零分歧时不应靠该近似放行；本页面会对小样本、少分歧或近似退化给出简易告警；没有触发告警不代表近似条件已经被验证。原稿来源：§5.2、§10.13、附录 B。

TP = 200 × 基准率 × 敏感度；FN = 200 × 基准率 × (1 − 敏感度)；FP = 200 × (1 − 基准率) × (1 − 特异度)；TN 为剩余期望人数。告警精确率 = TP/(TP+FP)，准确率 = (TP+TN)/200。假设敏感度与特异度在改变基准率时保持不变；现实人群变化可能同时改变它们。人工参考也未必无误。来源：§6.3、§9.1。

固定任务、固定成功概率、独立同分布尝试下：至少一次成功 = 1 − (1 − p)^k；k 次全部成功 = p^k。前者并不免费提供成功选择器，也不免除失败尝试的副作用。若重试改变数据库、策略或成功概率，应重新评测完整流程。有限样本 pass@k 的组合估计是另一种计算，见 §11.7；本实验展示 §11.6 的理论概率，而非有限样本估计。