
Error debido al tamaño finito de la muestra, que disminuye con la raíz cuadrada del número de eventos.La incertidumbre estadística es el error inherente a cualquier medición o estimación que surge porque solo se dispone de un número finito de observaciones. Si lanzas una moneda 10 veces, podrías obtener 7 caras, pero eso no significa que la moneda esté sesgada; la discrepancia se debe a la incertidumbre estadística. La propiedad clave es que esta incertidumbre disminuye a medida que se recopilan más datos, específicamente como la raíz cuadrada del número de eventos. Así, para reducir la incertidumbre a la mitad, se necesitan cuatro veces más observaciones.
La ley de la raíz cuadrada fue establecida por el físico y matemático alemán Carl Friedrich Gauss a principios del siglo XIX, basándose en trabajos anteriores de Abraham de Moivre sobre distribuciones de probabilidad.
Imagina contar eventos aleatorios, como desintegraciones radiactivas o llegadas de clientes. El recuento que observas fluctúa alrededor de un promedio verdadero. La magnitud de esa fluctuación es aproximadamente la raíz cuadrada del recuento. Si observas 100 eventos, la incertidumbre es de unos 10; si observas 10,000, es de unos 100. Esta escala es una consecuencia de la distribución de Poisson, que rige los eventos aleatorios independientes. La incertidumbre relativa (incertidumbre dividida por el recuento) se reduce así como 1/√N, lo que hace que las muestras grandes sean más precisas.
Se utiliza en todas partes, desde la física de partículas (para estimar la significancia de una nueva señal de partícula) hasta las encuestas de opinión (para calcular el margen de error a partir de una muestra de votantes).
Si quieres duplicar la precisión de una medición, debes cuadruplicar la cantidad de datos, un hecho que frustra a los experimentalistas en todos los campos.



