如果柱状图显示 DNL 性能较好，分布也正常，那么我们就可假定噪声为白噪声。由于我们观察的是Δ-ΣA/D 转换器，因此从定义而言差动非线性应足够。ADS1252 Δ-Σ A/D 转换器的数据采样柱状图为 32，768，这表明 DNL 性能近于理想情况，而输出代码分布与正常分布很类似。因此，我们可以假定该 A/D 转换器的噪声为白噪声。这意味着我们可使用统计学方法来评估噪声。
如前所述，如果A/D转换器数据有一般的特性模式，那么我们可将数据集放入一般模式中。一般模式通常是指概率分布。由于数据表现出白噪声特性，因此我们可用高斯机率密度函数来评估噪声。函数显示了信号超出特定值的可能性，如以下方程所示：
这里：
u =真实平均数
x =信号值
s =标准偏差
从该方程式可看到，随着 x 从平均值移开，可能性降低，而输入信号会超过给定值。使用该方程式，我们可实际计算信号在给定时间内处于特定范围的可能性。
因此，我们可采用高斯几率密度函数作为数据模型。下一个问题就是我们的模型到底有多好？我们用两种标准统计原理来解决这一问题。首先，平均法则指出，如果总体存在一个真实的平均数 （u）且x为总体中n个个体随机采样的采样平均数，那么随着n不断加大，采样平均数 （x） 也会越来越接近真实平均数 （u）。由于我们讨论的是白噪声的情况，因此采样平均数会与真实平均数很接近，前提是采样规模足够大。因此，我们知道我们可以信任计算得出的真实平均数 （u），因为它与真实平均数 （u） 有关。
我们如何了解标准偏差计算得到底好不好？我们可用中心极限定理来回答这一问题。该定理指出，如果总体具有真实平均数 （u） 和真实标准偏差 （s），那么总体中n个个体所有可能的采样平均数集合的概率分布就会随n的增大越来越接近平均数 （u） 和标准偏差 （s/sqrt n） 的正常分布。从根本上说，如果我们采样更多的话，那么我们就能减小标准偏差。
如果我们完全依赖中心极限定理，那么我们可采用越来越多的采样，从而使标准偏差越来越小。不过改善的速度不会太快。采样数量增加实现标准偏差改善也有一个限制。一旦采样数超过了这个限制，那么您就不会再得到任何好处，甚至还会增加标准偏差。采样数量有限制的理论建立在方差的基础之上。方差理论广泛用于评估信号源的频率稳定性，不过它适用于任何采样系统。换言之，系统稳定时采样只会降低标准偏差。稳定性受许多因素影响，包括随即事件，甚至系统中的漂移。