
Erreur due à la taille finie de l'échantillon, qui décroît comme la racine carrée du nombre d'événements.L'incertitude statistique est l'erreur inhérente à toute mesure ou estimation, qui provient du fait que l'on ne dispose que d'un nombre fini d'observations. Si vous lancez une pièce 10 fois, vous pouvez obtenir 7 faces, mais cela ne signifie pas que la pièce est biaisée — l'écart est dû à l'incertitude statistique. La propriété clé est que cette incertitude diminue à mesure que l'on collecte plus de données, précisément comme la racine carrée du nombre d'événements. Ainsi, pour réduire l'incertitude de moitié, il faut quatre fois plus d'observations.
La loi de la racine carrée a été établie par le physicien et mathématicien allemand Carl Friedrich Gauss au début du XIXe siècle, en s'appuyant sur les travaux antérieurs d'Abraham de Moivre sur les distributions de probabilité.
Imaginez que vous comptiez des événements aléatoires, comme des désintégrations radioactives ou des arrivées de clients. Le nombre que vous observez fluctue autour d'une moyenne réelle. L'ampleur de cette fluctuation est approximativement la racine carrée du nombre. Si vous observez 100 événements, l'incertitude est d'environ 10 ; si vous en observez 10 000, elle est d'environ 100. Cette échelle est une conséquence de la distribution de Poisson, qui régit les événements aléatoires indépendants. L'incertitude relative (incertitude divisée par le nombre) diminue donc comme 1/√N, ce qui rend les grands échantillons plus précis.
On l'utilise partout, de la physique des particules (pour estimer la significativité d'un nouveau signal) aux sondages d'opinion (pour calculer la marge d'erreur à partir d'un échantillon d'électeurs).
Si vous voulez doubler la précision d'une mesure, vous devez quadrupler la quantité de données — un fait qui exaspère les expérimentateurs dans tous les domaines.



