实验数据处理与不确定度

同一瓶待测溶液，三位同学各做三次滴定，为什么会得到九个并不完全相同的体积？更让人犯嘀咕的是：既然数字不一样，实验报告里为什么还要郑重地写出一个结果，甚至还要在后面跟上一个“±”？

你可能会这样想：“把九个数平均一下不就行了吗？”平均值当然很重要，但它不是数据处理的万能橡皮。它无法自动消除滴定管零点偏差，无法把抄错的小数点变成正常波动，也无法替你决定该保留几位小数。可靠的结果不是“算出来的一个数”，而是一条能回到原始记录、能说清可信程度的证据链。

本章只处理这条链上最基础也最容易混淆的部分：原始数据怎样留下证据，有效数字怎样服从仪器，重复测量怎样描述随机波动，准确度和精密度为什么不是一回事，以及怎样用不确定度把结果说完整。它是滴定、分光光度、pH 和电化学测定等所有后续实验的共同底座。

数字为什么不能只挑“顺眼的”：原始记录是证据，不是草稿

想象你刚完成三次酸碱滴定，消耗体积依次是 20.16 mL、20.18 mL、20.17 mL。这时同组同学说：“中间那个比较大，写两个更整齐。”先别急着点头。那一位 20.18 mL 到底是正常的读数波动，还是滴定终点过量、视线没平视、气泡突然排出，甚至只是抄错？只看数字本身，我们不知道。

所以实验记录的第一条原则很朴素：在观察当时如实、完整、可追溯地记录。读数、单位、仪器编号或量程、温度、样品批次、异常现象和操作条件，都是后来判断数据能不能比较的线索。重复读数即使恰好相同，也要逐个写下；“反正一样”而漏写一个，会让测量次数和统计量都失去依据。

原始本里算错或写错怎么办？不是把旧数擦得无影无踪，而是按实验室规则保留可辨认的原记录，标明更正后的值和原因。这样做不是形式主义。假如报告里的浓度突然偏高，教师和你自己都需要能沿着“结果 → 计算 → 体积/质量读数 → 当时现象”往回找；一张被擦得干干净净的表格，恰好把最需要的信息擦掉了。

先分清三类“看起来不对”的情况

“数据有误差”这句话常常把三件不同的事混在一起。把它们拆开，你才知道下一步该做什么。

• 随机波动来自许多微小且方向不固定的影响，例如终点颜色判断、估读、环境微小变化。重复测量会围绕某个中心散开，不能指望每次完全一样。
• 系统性偏差会让结果持续偏向一侧，例如容量仪器校准有偏差、试剂浓度发生变化、方法终点与化学计量点存在稳定差别。多做几次可能让数据更集中，却不保证更接近参考值。
• 明显失误或异常操作例如抄错小数点、漏洗移液管、液面读错位置、样品被洒出。这不是“随机误差大一点”，而是需要追查记录、检查操作并按实验规程决定是否重测或作出说明的事件。

注意，这是个陷阱——“离平均值远”不是删数的理由。你可以先核对原始记录、仪器状态和当时现象；若课程或实验规程规定使用可疑值检验，才在满足条件时按指定方法处理并保留过程。既不能为了让相对标准偏差好看而挑数，也不能把一次已经确认的误读悄悄混进统计量里。

小问题：一组数据全都很接近，就一定可靠吗？

不一定。假设滴定管每次都因校准问题多读了 0.05 mL，那么三次体积可以非常接近，平均值也很稳定，却仍整体偏大。接近只告诉你“彼此像不像”，不自动告诉你“离参考值近不近”。这个停顿很关键：接下来我们会用精密度描述前者，用准确度讨论后者。

试着切换交互里的几种情景，再用一句完整的话说出判断：不是“这组好”或“那组坏”，而是“这组重复性较好/较差”“这组相对参考值可能有偏差”。这种把结论限定在证据范围内的习惯，正是数据处理的第一项本领。

有效数字不是装饰：仪器允许你说到哪一位

为什么滴定管读数写成 20.16 mL，而不是 20.16000 mL？因为多出来的零看似更精确，实际上是在假装仪器给过你并没有给过的信息。反过来，如果一台可读到 0.01 mL 的滴定管只写 20.2 mL，又把已经观察到的那一位丢掉了。

有效数字记录的是数值中真正有测量意义的位数。对直接读数来说，最后一位通常是按仪器分度作出的估读位；应按本实验所用仪器、讲义和教师要求记录，不凭“多写几位显得专业”决定。以常用滴定管为例，最小刻度常为 0.1 mL，读数通常估读到 0.01 mL；但具体仪器的说明、校准状态和课程要求优先。

你可以先用下面几条把“零”看清楚：

• 非零数字都算有效数字；夹在非零数字中间的零也算，例如 1.005 有四位有效数字。
• 小数点左侧的前导零只是占位，例如 0.00420 有三位有效数字，而末尾的 0 表示已经测到那一位。
• 没有小数点的末尾零可能含糊。需要明确精度时，写成科学记数法更清楚，例如 1.20 × 10^3 明确有三位有效数字。
• 计数得到的“12 个锥形瓶”以及定义准确的换算因子是准确数，不应像仪器读数那样凭空限制有效数字；但它们参与计算后，最终结果仍受测量量限制。

运算时，别过早把信息剪掉

加减法主要受小数位数最少的测量量限制，乘除法主要受有效数字最少的测量量限制。可是在中间每一步都立刻舍入，会把舍入误差一层层带进最后结果。更稳妥的做法是：计算过程中保留必要的保护位，最后一步再按规则修约；若结果还要报告不确定度，则先确定不确定度的位数，再让结果值修约到同一小数位。

例如，滴定计算得到 c = 0.10246 mol·L⁻¹，而扩展不确定度为 0.0008 mol·L⁻¹。不确定度可保留一位有效数字写作 0.0008 mol·L⁻¹，结果值就应对齐到万分位，写作 c = (0.1025 ± 0.0008) mol·L⁻¹。如果不确定度第一位是 1 或 2，为避免过度粗糙，常保留两位有效数字；具体报告格式仍以课程或方法规定为准。

你可能会问：“既然最后总要舍入，为什么还要在中间保留保护位？”因为中间位虽然不一定能单独报告，却会影响最后一位如何进位。先保留、后统一修约，是防止自己在计算中人为放大损失的办法。

靶心上的四种落点：准确度与精密度到底在问什么

把测量想成向靶心投点，很容易建立直觉：点群中心离靶心近，表示结果与参考值接近；点彼此挤得紧，表示重复结果彼此接近。类比到这里就收住，严谨地说：

• 准确度描述测量结果与参考值或约定真值的一致程度。真实值在许多实验中不可直接得到，因此常借助有溯源性的标准物质、校准值或方法规定的参考值来评价。
• 精密度描述在规定条件下重复测量结果彼此接近的程度，常由偏差、标准偏差或相对标准偏差来表示。

因此会有四种组合：又准又精、精而不准、准而不精、既不准也不精。“准确但不精密”并不矛盾：一小组测量的平均值可能碰巧接近参考值，但单次结果散得很开；“精密但不准确”也不矛盾：稳定的系统性偏差会让点群紧紧地落在靶心旁边。

重复测量到底算什么

设同一条件下有 n 个独立重复结果 x₁, x₂, …, xₙ，其算术平均值是：

x̄ = (x₁ + x₂ + … + xₙ) / n

每个结果相对平均值的偏差为 dᵢ = xᵢ − x̄。如果偏差有正有负，把它们直接相加会相互抵消，所以用样本标准偏差来描述离散程度：

s = √[Σ(xᵢ − x̄)² / (n − 1)]

这里分母为什么是 n − 1，而不是 n？因为平均值 x̄ 已由这 n 个数据算出，偏差的和被限制为零，独立变化的自由度少了一个。你不必在基础实验里把统计推导背成口令，但要记住：对有限次重复测量，报告样本标准偏差时应使用这个形式。

当不同实验的量级差很多时，常用相对标准偏差比较重复性：

RSD = s / x̄ × 100%

注意，s、RSD 都在说这组数据散不散，而不是替你证明它们没有系统性偏差。增加重复次数通常能使平均值对随机波动更稳定；若重复结果近似独立，平均值的 A 类标准不确定度为 u_A(x̄) = s / √n。可是同一支未校准的滴定管带来的共同偏差，并不会因为多做几次就被 √n 除掉。

例题：四次滴定，怎样把“差不多”说成数据

某学生用同一支滴定管完成四次平行滴定，消耗体积为 20.16 mL、20.18 mL、20.17 mL、20.19 mL。先不急着宣称“数据很好”，请计算平均值和样本标准偏差。

这里最容易错在哪？有人会把 20.175 mL 立刻写成 20.18 mL，再用被舍入的均值计算后续量；也有人会说“最大差只有 0.03 mL，所以误差就是 ±0.03 mL”。前者过早丢失计算信息，后者把极差和不确定度混成一件事。极差能帮助你快速看波动，但它不是标准不确定度，也不是自动适用的报告区间。

误差和不确定度：一个问偏了多少，一个问可信范围有多宽

这里最容易卡壳。实验课常说“误差分析”，为什么现在又说“不确定度”，难道只是换一个更复杂的名字？不是。

如果参考值 x_ref 已知，测量误差可写作 E = x − x_ref。它有方向：结果偏高是正，偏低是负。但在多数真实测量中，待测对象的真值并不知道；既然真值未知，误差也就不能被你精确算出来。我们能做的是识别影响来源、用已有数据和仪器信息评估结果可能的离散程度，这就是测量不确定度要表达的内容。

所以，不确定度不是“我做错了多少”的罚单，也不是把真实值必定关在某个盒子里的魔法边界。它是与测量结果关联的、表征可合理赋予被测量值分散性的参数。报告不确定度，意味着你把结果的证据强度一并交代出来，而不是假装实验给出了无限精确的答案。

A 类和 B 类，按评定路线分，不按“谁更高级”分

你可能会误以为：“A 类来自随机误差，B 类来自系统误差。”注意，这是一个陷阱。A、B 的区别首先在于评定方法：

• A 类评定基于重复观测结果的统计分析。上面四次滴定得到的 s / √n，就是用重复性估计平均值不确定度的典型例子。
• B 类评定不靠当前这组重复数据的统计分布，而利用校准证书、仪器规格、分度值、标准物质证书、既有验证数据、方法资料或有根据的经验来估计。它不是“随便猜”，每个来源都要说明依据和假定的分布。

例如，某个量的误差限为 ±a，且在这个区间内没有理由认为哪个值更可能出现，可按均匀分布估计标准不确定度 u_B = a / √3。但这个公式不是见到任何“分度”就机械套用：要先弄清 a 究竟是校准给出的限值、单次读数的分辨力、还是两个读数相减后的范围；不同测量模型得到的分量并不相同。仪器说明书、校准信息和实验规程永远优先。

把不确定度装进测量模型：不是背公式，而是问来源有没有被算进去

假如要由质量 m 和体积 V 计算浓度或密度，最终结果不是孤立冒出来的，而是由一个测量模型连接起来：y = f(x₁, x₂, …)。数据处理真正的难处在于追问：哪些输入量会影响 y？它们各自的不确定度是多少？这种影响会被放大还是缩小？

对于彼此不相关的输入量，常用方和根形式合成标准不确定度：

u_c(y) = √[Σ(cᵢu(xᵢ))²]

其中 cᵢ 是输入量变化传到结果的灵敏度系数。对乘除形式，写相对标准不确定度通常更直观。以 y = m / V 为例，在 m、V 不相关时：

u_rel(y) = √[u_rel(m)² + u_rel(V)²]

这条式子有一个隐藏前提：分量近似不相关。若同一支仪器的共同校准因素同时影响多个输入量，或同一温度修正重复出现，它们可能相关，不能假装互不相干而直接套方和根。基础实验报告遇到这类情况，应如实写明简化假定并按课程要求处理，而不是用更漂亮的公式掩盖未知关系。

合成标准不确定度 u_c 有时还会乘覆盖因子 k 得到扩展不确定度：U = k u_c。例如在满足相应模型和近似条件时，常用 k ≈ 2 给出约 95% 覆盖水平的扩展不确定度。注意“约”字：覆盖概率取决于分布、自由度和评定方法；报告中应说明 k，需要时还应说明覆盖概率或置信水平，不能把所有 k = 2 都说成精确的 95%。

例题：把四次滴定的波动和仪器信息合在一起

仍用前面的四次体积数据。已知平均值的 A 类标准不确定度为 u_A = s / √n = 0.0129 / 2 = 0.00645 mL。为演示计算，假设已确认：本次“交付体积”对应的校准限为 ±0.020 mL，可近似按均匀分布，且与重复性分量不相关。请给平均滴定体积写出一个简化的不确定度结果。

从表格到结论：让结果能被别人看懂、复算和质疑

完成公式并不代表报告完成。读者至少应能分辨哪些是原始读数、哪些是计算量、哪些条件会影响比较。一个清楚的基础实验结果区通常包含：

1. 原始数据表。 表头写清量的名称、单位和必要条件；重复值逐项列出，而不是只留一个平均值。
2. 处理过程。 给出所用公式、代入的代表性数据和中间结果；统一单位，避免把 mL 和 L、mg 和 g 在同一式子里悄悄混用。
3. 结果表达。 结果、单位、有效数字和不确定度相互对齐；若比较了参考值，也交代参考值来源和比较条件。
4. 讨论。 区分已观察到的现象、可能影响方向的原因和已经有证据支持的判断。不要把“我觉得手抖了”写成确定结论，也不要把“数据接近”写成“没有系统误差”。

案例来得很实际：环境水样的吸光度测定得到一条很漂亮的标准曲线，但空白样吸光度始终偏高。你可能会只盯着相关系数，觉得“曲线线性很好，结果一定可靠”。注意，线性好只说明某一范围内点与拟合线关系良好；空白偏高提示试剂、比色皿、基线或污染等来源仍需核查。数据处理的成熟，不是能把软件输出的每个小数搬进报告，而是知道哪个异常会改变结论、下一步该查什么。

这一章到这里，你已经能把一次测量从“得到数字”推进到“交代数字的来路与可信程度”。下一章进入综合实验设计与报告时，这条链还会继续往前延伸：在动手前就决定需要哪些对照、重复和记录字段，让最后的不确定度不是事后补救，而是被实验方案提前照顾到。

练习：先判断证据够不够，再动手计算

练习 1：一样的读数，要不要都写

某同学三次读取滴定管末读数，恰好都是 24.36 mL。他说“反正一样，只写一次即可”。这句话哪里不对？

练习 2：精密不等于准确

四次测定分别为 9.98、9.99、9.98、9.99 mg·L⁻¹，参考值为 10.50 mg·L⁻¹。这组数据最值得优先警惕什么？

练习 3：不要用肉眼“洗数据”

某五次滴定体积为 20.11、20.10、20.12、20.11、20.68 mL。写出你在删除最后一个数前应完成的两类工作。

练习 4：报告值如何对齐

某计算结果为 1.23467 g·L⁻¹，扩展不确定度为 0.012 g·L⁻¹ (k = 2)。请按本章的基本原则写出结果。

本章收束

一份可靠的实验结果，从来不是把一串数字算到最后那么简单。先把原始数据和条件留下来，再用有效数字避免虚假的精确；用平均值、标准偏差和 RSD 描述重复性，却不把它们误当成准确度；最后把 A 类、B 类来源放进适当的模型，带着单位、覆盖因子和假定报告不确定度。这样，当别人问“这个数凭什么可信”时，你交出的不只是一个答案，而是一条可以被检查、被复算、也能经受质疑的理由链。

相对标准偏差为 0.0129 / 20.175 × 100% = 0.064%。它可用来评价这四次的重复性；是否“合格”还必须与本实验规定的限值、操作条件和系统偏差检查一起判断，不能只看这一项。

结果值与不确定度对齐到百分位，得到：V = (20.18 ± 0.03) mL (k = 2)。这句话只在本题列出的来源、模型和独立性假定下成立；它不代表已经包含终点判断、温度或所有可能的系统影响。