
خطأ ناتج عن حجم العينة المحدود، والذي يتناقص كالجذر التربيعي لعدد الأحداث.الارتياب الإحصائي هو الخطأ المتأصل في أي قياس أو تقدير ينشأ لأن لديك عددًا محدودًا فقط من المشاهدات. إذا ألقيت عملة معدنية 10 مرات، فقد تحصل على 7 صور، لكن هذا لا يعني أن العملة منحازة — فالفرق يعود إلى الارتياب الإحصائي. الخاصية الأساسية هي أن هذا الارتياب يقل كلما جمعت المزيد من البيانات، وتحديدًا كالجذر التربيعي لعدد الأحداث. لذا، لتقليل الارتياب إلى النصف، تحتاج إلى أربعة أضعاف عدد المشاهدات.
قانون الجذر التربيعي وضعه الفيزيائي والرياضي الألماني كارل فريدريش غاوس في أوائل القرن التاسع عشر، بناءً على أعمال سابقة لأبراهام دي موافر حول التوزيعات الاحتمالية.
تخيل عدّ الأحداث العشوائية، مثل الاضمحلال الإشعاعي أو وصول العملاء. يتأرجح العدد الذي ترصده حول متوسط حقيقي. حجم هذا التأرجح يساوي تقريبًا الجذر التربيعي للعدد. إذا رصدت 100 حدث، فإن الارتياب حوالي 10؛ وإذا رصدت 10,000، فهو حوالي 100. هذا القياس هو نتيجة لتوزيع بواسون، الذي يحكم الأحداث العشوائية المستقلة. وبالتالي، فإن الارتياب النسبي (الارتياب مقسومًا على العدد) يتقلص بمقدار 1/√N، مما يجعل العينات الكبيرة أكثر دقة.
يُستخدم في كل مكان من فيزياء الجسيمات (تقدير أهمية إشارة جسيم جديد) إلى استطلاعات الرأي (حساب هامش الخطأ من عينة من الناخبين).
إذا أردت مضاعفة دقة القياس، يجب عليك مضاعفة كمية البيانات أربع مرات — وهي حقيقة تُحبط التجريبيين في كل مجال.



