误差、有效数字与数据处理

一张“很漂亮”的结果单，为什么仍可能不可靠？

实验室里有两组同学测同一份水样中的氯离子。甲组连续五次都得到 18.42 mg/L 左右，数字整整齐齐；乙组的五个结果在 18.31 到 18.55 mg/L 之间摇摆。你会把哪一张结果单交给工程师？

先别急着选甲组。假如甲组每次都把直接滴定的终点判得偏深，使记录的滴定体积持续多出 0.20 mL，那五次再整齐，也会整齐地偏离真实情况。反过来，乙组虽然分散，平均值却可能很接近标准值。分析化学最危险的不是数字难算，而是把“彼此很接近”误当成“非常正确”。

本章训练的是一套可追溯的判断：误差来自哪里、它影响准确度还是精密度、平行数据怎样汇总、哪些数字值得保留、可疑数据怎样处理。后续每一次滴定、称量、分光测定和色谱定量，都会依赖这套底盘。

3.1 先把“偏离”说清楚：误差、偏差与粗差

测量值不是被测量的“真相本身”，而是在特定仪器、试剂、操作和环境下得到的近似值。若可获得约定真值、标准值或经认可的参考值 xₜ，单次测量值 x 的绝对误差可写为：

E = x − xₜ

它保留正负号：E > 0 表示测高了，E < 0 表示测低了。不同量级的项目不能只比绝对误差，所以常再用相对误差：

Eᵣ = (E / xₜ) × 100%

相对误差式要求参考值非零；参考值为零时不使用这个比值。

例如标准样品的认可值是 10.00 mg/L，测得 10.12 mg/L，则绝对误差为 +0.12 mg/L，相对误差为 +1.2%。这里的加号不是装饰，它提醒你偏高的方向。

可是在日常样品中，真值往往并不知道。此时不要硬造一个“真值”去算误差；对一组平行测量，更常考察每次测量值相对平均值 x̄ 的偏差：

dᵢ = xᵢ − x̄

偏差回答的是“这次和本组其他次差多远”，它主要服务于精密度判断；误差回答的是“结果离参考值多远”，它主要服务于准确度判断。两个词只差一个字，问的问题却不同。

系统误差：每次都朝同一个方向，不能靠“多做几次”蒙混过去

如果误差有相对固定的原因，常使结果持续偏高或偏低，或者按比例偏移，这类误差叫作系统误差。天平未校准、容量器皿实际容积与标称值不符、试剂空白没有扣除、反应不完全、终点颜色总是判断得偏深，都是常见来源。

你可能会这样想：那我做十次、二十次平行实验，平均值总会把它抵消吧？注意，这是个陷阱。若每次直接滴定的终点都判得偏深，使记录的滴定体积持续多出 0.10 mL，平均十次只会更稳定地保留这 0.10 mL 的偏差。平行测定擅长揭示和减小随机波动对平均值的影响，不能自动修复共同的偏移。

系统误差的处理方式要对着原因下手：用标准物质或有证参考物质检验结果，用空白试验估计试剂和器皿带来的本底，用仪器校准和校正曲线处理示值偏移，用加标回收或对照方法检查方法过程。它们不是“流程装饰”，而是在问：这条分析链是否整体向某一边歪了？

随机误差：方向不固定，但并不等于可以忽略

读数估计最后一位、环境微小波动、滴定终点刚好变色的时刻、取样的细微差别，都会带来方向和大小不完全可预知的波动，称为随机误差。在相同条件下重复测量时，结果往往围绕某个中心分散；次数增加后，平均值通常比单次结果稳定。

这也不等于“反复做就一定正确”。重复的前提是操作、样品和条件可比；若样品本身不均匀、仪器在漂移，或操作过程已经改变，盲目把数据堆在一起反而会掩盖问题。

还有一类情况不该被轻描淡写成“随机误差”：移液管拿错、单位抄错、滴定时漏加关键试剂、读数小数点错位等明显失误，常称为粗差。粗差首先要回查原始记录和实验过程；不能用“再平均一次”把错误洗白。

3.2 准确度与精密度：靶心不是拿来背四个格子的

准确度描述结果与真值或认可值的接近程度；精密度描述平行测定结果彼此接近的程度。把标准值当成靶心，当然能画出四种组合，但真正有用的是看清每种图景背后的原因。

上表描述均值位置与数据分散程度。均值偶然接近参考值并不证明每个测量结果都准确；评价方法的偏倚还要有足够的参考数据。

请注意“准确”的参照物。没有标准值或参考值时，仅凭一组数据互相接近，只能说明它可能精密，不能证明它准确。有证参考物质可用于评价偏倚；加标回收用于检查基体和处理过程的回收表现，空白用于识别污染或背景，实验室间比对用于检查结果一致性。它们提供的证据不同，单独通过空白检查或加标回收不能证明方法准确。

3.3 平行数据不只求平均：还要问“散得有多开”

假设用同一方法测定某溶液浓度，四次平行结果为：

0.2025、0.2027、0.2024、0.2028 mol/L

如果只挑一个看起来顺眼的数上报，等于丢掉了关于重复性的全部信息。平均值是这组数据的中心：

x̄ = (x₁ + x₂ + … + xₙ) / n

本例中 x̄ = 0.2026 mol/L。每个数据相对平均值的偏差依次为 −0.0001、+0.0001、−0.0002、+0.0002 mol/L。正负偏差直接相加会抵消，所以不能把“偏差和等于零”误解为“完全没有波动”。

标准差：让离散程度有一个可比较的尺度

对有限次平行测定，常用样本标准差 s 表示离散程度：

s = √[Σ(xᵢ − x̄)² / (n − 1)]

这里先不要求你推导为什么分母是 n − 1；把它理解为：我们用有限数据估计总体的波动，不能把已经用来求平均值的信息重复算作完全自由。重要的是会按步骤计算并解释它：s 越小，平行数据通常越集中，精密度越好。

本例的平方偏差和为 1.0 × 10⁻⁷ (mol/L)²，所以 s ≈ 0.00018 mol/L。为了在不同量级之间比较，常报告相对标准偏差：

RSD = (s / x̄) × 100%

本例 RSD ≈ 0.090%。RSD 说的是相对离散程度，不是结果相对真值的误差；把 RSD 写成“准确度为 0.090%”是常见的概念错位。

例题：把计算链条和报告链条接起来

仍以这四个结果为例，怎样把它们处理成一条可核查的精密度结论？

置信区间：别把一个平均值伪装成没有边界的真值

平均值仍来自有限次测量。若各次测量相互独立、条件可比，测量值总体近似服从正态分布且总体标准差未知，可用下式构造该测量过程总体均值的双侧置信区间：

x̄ ± t × s / √n

其中 t 是给定双侧置信水平及自由度 n − 1 的临界值。该区间描述随机测量波动下对总体均值的估计，并不自动包括未校正的系统偏差。95%置信水平指按同一程序反复取样所构造的区间约有95%覆盖总体均值，不是已算出的固定区间内真值有95%概率。它不是一个固定魔法数；同样的 s，测量次数不同，区间也不同。小样本的区间常比直觉想象得宽，这正是在提醒我们：四、五次数据并不能把随机波动“平均没”。

在本科基础阶段，你需要做到两点：一是按给定的置信度、t 值和公式计算；二是分清“平均值 ± 标准差”和“平均值的置信区间”表达的对象不同。前者描述单次数据的离散，后者描述在给定条件下对平均值估计的范围；写报告时不能省略标签。

“这个点看着离群”，能不能直接删？

不能。一个数据离平均值远，可能是粗差，也可能是样品确有差异、随机波动恰好较大，或前几次已经存在共同偏差。正确顺序是：先查原始记录、样品状态、仪器读数和操作日志；若没有明确可追溯的错误，再按课程或实验室规定的统计方法判断是否可疑。删掉数据必须留痕并说明依据，绝不能为了让 RSD 更好看而“修剪”结果。

这条原则和食品、药品、环境监测的原始记录管理是同一件事：数据不仅要算得出来，还要经得起别人从头复核。

3.4 有效数字：不是给答案“凑整齐”，而是诚实地报告分辨能力

天平显示 0.2568 g，你把它写成 0.256800000 g，并没有让称量更精确；体积原始记录只有 25.0 mL，你却在计算中当成 25.0000 mL，也没有凭空增加信息。有效数字记录的是测量结果中有意义的数字位数，最后一位通常包含估读带来的不确定性。

先用几个容易踩坑的例子建立边界：

• 0.004560 有 4 位有效数字：前导零只定位，不表示测量精度；中间的零和末尾的零都有效。
• 12.30 有 4 位有效数字：小数末尾的零表示该位被报告到了。
• 100. 书写了小数点，通常表示末尾两个零被视为有效；若只写 100 而没有语境，末尾零的有效性可能不明确，科学计数法能避免歧义。
• 计数得到的“3 个烧杯”、定义换算中的某些确切系数，不是仪器测量值，不应以它们的数字位数限制结果；先判断它是不是精确数。

加减看小数位，乘除看有效位：为什么规则不同？

你可能会把所有题都套成“最少有效数字”。注意，这是第三个陷阱。

对加减，真正对齐的是位值。例如：

12.11 + 0.3 + 1.256 = 13.666

其中 0.3 只到小数点后一位，所以最终应报告为 13.7，按小数位最少的项保留，而不是数一数各自总共有几位。

对乘除，误差随相对量级传递，通常按有效数字最少的测量数限制。例如质量 0.2568 g 除以体积 25.00 mL，计算器给出 0.010272 g/mL；二者都有 4 位有效数字，结果报告为 0.01027 g/mL。过程里可以暂留一两位保护数字，最后一步再修约，避免连续修约把小偏差放大。

当舍去部分的首位小于 5 时舍去，大于 5 时进一；若恰为 5 且后面没有非零数字，可采用“四舍六入五成双”的规则，使保留位为偶数。例如保留 3 位有效数字时，2.3450 修约为 2.34，2.3550 修约为 2.36；若 5 后还有非零数字，则按进一处理。具体课程或行业文件若规定了另一套修约规范，应以适用规范为准。

3.5 从原始记录到报告：一条不让数据“失踪”的路线

数据处理不是在实验结束后给计算器按几个键。一个可靠的分析结果应能倒着追溯：报告值来自哪个平均值，平均值来自哪些原始读数，读数来自哪台仪器、哪批试剂、哪次校准和哪个样品处理过程。

可以把每次数据处理当成一次小型质量审查：

1. 锁住原始信息。 保留原始读数、单位、日期、仪器编号、试剂批号和异常现象，不用“修改后的漂亮数字”覆盖原记录。
2. 先做量纲检查。 体积是 mL 还是 L，质量是 mg 还是 g，浓度是 mol/L 还是 mg/L？单位错一千倍，后面算得再精密也没有意义。
3. 识别误差类型。 数据整体偏高先查空白、校准和方法回收；数据很分散先查操作重复性、仪器稳定性和样品均匀性；明显异常先回查，不凭印象删除。
4. 选择适当统计量。 平行测定至少说明次数、平均值和精密度指标；有标准值时再评价误差或回收；要报告区间时说明置信度和计算依据。
5. 最后才修约并写结论。 数字位数、单位、统计量含义和适用范围要成套出现。0.20260 mol/L（n = 4，s = 0.00018 mol/L） 比一个孤零零的 0.2026 更能让读者判断结果质量。

把这条路线练熟，后续学习滴定分析时你会发现：终点读准只是开始。标准溶液浓度、样品取样体积、空白校正、平行结果和报告位数，共同决定最后那一行数字是否可信。

本章练习：先判断，再核对理由

练习 7：一组“很整齐”的坏数据

测定标准溶液浓度，认可值为 5.000 mg/L；某同学五次结果为 5.151、5.150、5.152、5.151、5.150 mg/L。请分别评价准确度与精密度，并给出下一步最有针对性的检查。

练习 8：报告值该留到哪一位？

计算 12.11 + 0.3 + 1.256，以及 0.2568 g ÷ 25.00 mL。分别按有效数字规则报告结果，并说明两题为何用不同规则。

练习 9：面对可疑值，先做什么？

五次平行滴定中有一次体积比其余四次大很多。请写出处理顺序；不要直接写“删掉它”。

报告时把量、单位和统计量说完整，例如“4 次平行测定的平均值为 0.20260 mol/L，标准差为 0.00018 mol/L，RSD 为 0.090%”。若还要说明与标准值的接近程度，必须另有标准值或参考值作比较。