量測與不確定度：所有物理數據的起點

為什麼物理從「誤差」開始

翻開高中課本，長度是「12.4 公分」、時間是「2.0 秒」——一個乾淨俐落的數字。但走進大學普通物理實驗室，第一件被要求改掉的習慣就是這個：任何測量都不可能得到一個「精確無誤」的單一數值。真實的結果永遠長這樣：

$$ L = 12.4 \pm 0.1 \text{ cm} $$

後面那個「± 0.1」不是可有可無的裝飾，而是這筆數據的靈魂。它誠實地說出：「我相信真值落在 12.3 到 12.5 公分之間。」少了它，「12.4」這個數字幾乎沒有科學意義——因為別人無從判斷它可信到什麼程度。

這裡先澄清一個常見誤會：物理的誤差（error）不等於「犯錯」。就算你操作完全正確、儀器也沒壞，測量依然會有誤差，因為它來自儀器的解析極限、環境的微小擾動，以及待測量本身的漲落。誤差是測量與生俱來的性質，不是粗心的結果。 因此更精確的用語是「不確定度（uncertainty）」——我們要量化的，是「我們對這個數字有多不確定」。

核心觀念：測量的目標不是得到「那個正確答案」，而是給出「最佳估計值」以及「它可信的範圍」。

兩種誤差：系統誤差與隨機誤差

誤差依來源分成兩大類，處理方式完全不同，務必分清。

系統誤差（systematic error）：讓結果固定往同一個方向偏的誤差。例如天平沒歸零、尺的刻度印製不準、碼表反應延遲、測量時忽略了熱脹冷縮。它的特徵是——再怎麼重複測量、取多少次平均都消不掉，因為每一次都偏一樣多。要對付它，只能靠校準儀器、改良方法，或找出並修正偏移量。系統誤差影響的是準確度（accuracy）。

隨機誤差（random error）：每次測量忽大忽小、方向不定的漲落。例如讀尺時視角的微小差異、氣流擾動、電子雜訊。它的特徵是——可以靠多次重複測量與統計平均來縮小，因為正負漲落會互相抵消。隨機誤差影響的是精密度（precision）。

準確度 vs 精密度：兩個常被混用的詞

日常語言裡「準」和「精」幾乎同義，但在測量中它們是兩件事：

• 準確度（accuracy）：測量的平均值有多接近真值。差得遠代表有系統誤差。
• 精密度（precision）：多次測量彼此有多一致（集中）。散得開代表隨機誤差大。

用打靶來比喻最清楚：彈著點集中代表精密，彈著點的中心落在靶心代表準確。一把準星歪掉的槍，可以打得很集中（精密）卻整組偏離靶心（不準）；反過來，一把好槍在強風中亂射，可能平均落在靶心（準）卻四處散開（不精）。實驗追求的是又準又精。

如何量化不確定度：重複測量的統計

面對隨機誤差，標準做法是「多測幾次，用統計說話」。假設對同一個量測了 $N$ 次，得到 $x_1, x_2, \dots, x_N$：

最佳估計值＝算術平均數

$$ \bar{x} = \frac{1}{N}\sum_{i=1}^{N} x_i $$

分散程度＝標準差（standard deviation），衡量單次測量典型偏離平均多少：

$$ s = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(x_i - \bar{x})^2} $$

（分母用 $N-1$ 而非 $N$，是因為平均值本身也由這組數據估出，這稱為貝索校正。）

平均值的不確定度＝標準誤差（standard error of the mean）：

$$ u(\bar{x}) = \frac{s}{\sqrt{N}} $$

這條式子藏著一個重要訊息：測量次數 $N$ 越多，平均值越可靠；但因為是除以 $\sqrt{N}$ 而非 $N$，要把不確定度縮小一半，得把測量次數變成四倍——精度的提升是有代價的。

最終，測量結果寫成：

$$ x = \bar{x} \pm u(\bar{x}) \quad (\text{單位}) $$

有效數字：不要寫出你不知道的位數

不確定度也決定了一個數字該寫幾位。若你的不確定度落在小數第一位，卻把平均值抄成 12.4837 公分，後面那些位數全是虛假的精確——它們早已超出儀器能分辨的範圍。

實用規則：

• 不確定度通常只保留 1～2 位有效數字，再據此決定測量值寫到哪一位。例如 $u = 0.1$，就寫 $12.4 \pm 0.1$，不寫 $12.4837 \pm 0.1$。
• 乘除運算：結果的有效數字位數，取決於輸入中最少的那一個。
• 加減運算：結果的小數位數，取決於輸入中小數位最少的那一個。

換句話說，一連串計算的最終精度，會被最不精確的那個測量拖住——這是「木桶效應」在數據上的體現。

不確定度的傳遞：誤差會跟著算式跑

物理量常是「算」出來的，而非直接量到的：密度 $\rho = m/V$、速度 $v = d/t$。當輸入帶有不確定度，結果的不確定度要靠誤差傳遞（propagation of uncertainty）求得。兩條最常用的規則（假設各誤差獨立）：

加減法 → 絕對不確定度以平方和相加：若 $Q = a \pm b$，

$$ u_Q = \sqrt{u_a^{2} + u_b^{2}} $$

乘除法 → 相對不確定度以平方和相加：若 $Q = a \times b$ 或 $a / b$，

$$ \frac{u_Q}{|Q|} = \sqrt{\left(\frac{u_a}{a}\right)^{2} + \left(\frac{u_b}{b}\right)^{2}} $$

由此還可推出：若 $Q = a^{n}$，相對不確定度會被指數放大 $n$ 倍，即 $\dfrac{u_Q}{|Q|} = |n|\dfrac{u_a}{a}$。這解釋了為什麼「量體積」（牽涉長度的三次方）對長度測量的精度特別敏感。

一個完整的帶數字範例

任務：量一顆鋼珠的直徑，並推算它的體積與不確定度。

用游標卡尺重複量直徑 5 次（單位 mm）：12.02、12.05、12.00、12.08、12.05。

第一步：平均值

$$ \bar{d} = \frac{12.02+12.05+12.00+12.08+12.05}{5} = \frac{60.20}{5} = 12.04 \text{ mm} $$

第二步：標準差（各偏差為 $-0.02,\ 0.01,\ -0.04,\ 0.04,\ 0.01$）

$$ s = \sqrt{\frac{(-0.02)^2+(0.01)^2+(-0.04)^2+(0.04)^2+(0.01)^2}{5-1}} = \sqrt{\frac{0.0038}{4}} \approx 0.031 \text{ mm} $$

第三步：平均值的標準誤差

$$ u(\bar{d}) = \frac{s}{\sqrt{N}} = \frac{0.031}{\sqrt{5}} \approx 0.014 \text{ mm} $$

所以直徑報告為 $d = 12.04 \pm 0.01 \text{ mm}$（不確定度取 1 位，測量值對齊到同一位）。

第四步：傳到體積。 球體積 $V = \dfrac{\pi d^{3}}{6}$。因為 $V \propto d^{3}$，相對不確定度放大 3 倍：

$$ \frac{u_V}{V} = 3\,\frac{u_d}{d} = 3 \times \frac{0.014}{12.04} \approx 0.0035 = 0.35\% $$

代入 $d = 12.04$ mm 得 $V \approx 914 \text{ mm}^3$，故 $u_V \approx 0.0035 \times 914 \approx 3 \text{ mm}^3$。最終：

$$ V = 914 \pm 3 \text{ mm}^{3} $$

注意整個流程沒有「標準答案」，只有「最佳估計值 ± 不確定度」——這正是實驗物理的思維方式。

高中 → 普物的銜接

高中把測量當「讀出一個數字」；普物則把測量當「一個帶不確定度的估計」，並要求你為每個數字的可信度負責。這個轉變之所以要一開始就建立，是因為後面所有實驗、所有數據分析都建立在它之上——先學會誠實地報告一個數字，才談得上驗證任何物理定律。

深入探討（研究所視角）

現代計量學的共同語言是 GUM（Guide to the Expression of Uncertainty in Measurement），它把不確定度的評估分成兩型：Type A 以統計方法從重複觀測求得（即上文的 $s/\sqrt{N}$）；Type B 則以非統計方式從既有資訊評估（廠商規格、校準證書、儀器解析度的假設分布，例如把「最小刻度內均勻分布」轉成標準不確定度 $a/\sqrt{3}$）。各分量以合成標準不確定度（combined standard uncertainty） $u_c$ 統合，對一般函數 $y=f(x_1,\dots,x_n)$ 由一階泰勒展開給出誤差傳遞的通式：

$$ u_c^{2}(y) = \sum_i \left(\frac{\partial f}{\partial x_i}\right)^{2} u^{2}(x_i) + 2\sum_{i<j}\frac{\partial f}{\partial x_i}\frac{\partial f}{\partial x_j}\,u(x_i,x_j) $$

第二項含協方差 $u(x_i,x_j)$，處理輸入量彼此相關（非獨立）時的情形——前面「平方和相加」只是各量獨立時的特例。最後乘上涵蓋因子（coverage factor） $k$（常態近似下 $k=2$ 對應約 95% 信賴水準）得到擴充不確定度 $U = k\,u_c$，報告為 $y \pm U$。

隨機誤差為何常趨近常態分布？根源是中央極限定理：當總誤差是大量獨立微小擾動之和時，其分布不論各分量原本形狀如何，都會收斂到高斯分布——這也正當化了以標準差描述分散、以 $\pm\sigma$、$\pm 2\sigma$ 談信賴區間的做法。在參數估計上，直線或曲線擬合以最小二乘法進行，並以加權最小二乘讓不確定度小的數據點權重更大（權重 $\propto 1/\sigma_i^{2}$）；擬合優度由卡方（chi-square） $\chi^{2} = \sum_i (y_i - f(x_i))^{2}/\sigma_i^{2}$ 檢定，約化卡方接近 1 表示模型與誤差估計自洽。更一般的框架下，最大概似估計與貝氏推論（把先驗知識與數據似然結合成後驗分布）提供了統一的不確定度量化語言，也是當代物理數據分析（從粒子物理的信號顯著度到重力波參數估計）的標準工具。從一把游標卡尺出發的「±」，最終通向的是整個實驗科學的推論基礎。