そもそも誤差はなぜ必要なのか?

測定値だけを並べても「どれだけ信頼できる結果か」「別の測定や理論と比べて意味があるか」が分かりません。以下の理由により、誤差(不確かさ)の評価は、得られた数値の信頼度を定量化し、科学的に判断・比較・決定を行うために不可欠です。

つまり、測定値の信頼性を担保するために不可欠であり、以下のような判断を行うのに必要となります。

<aside> 💡

誤差と有効数字

誤差の有効数字は原則として1 桁で示しますが、誤差の先頭有効桁が 1の場合は2 桁で示すことが「多い」です。(ここで断言していないのは分野ごとの慣習があるためで、例えば素粒子物理ではPDGスタイルという別の方針があります。ただ、いずれもその閾値の取り方は経験的な運用に基づく物で、数学的な根拠はないようです。)そして、主値の有効数字は誤差の有効数字に合わせます。つまり、主値に対して誤差が小さくなるほど高精度となり、有効数字の桁数が増えます。以下の例では主値が推定値であることを強調するために$\hat{x}$と表していますが、論文中で結果を示す際には単に$x$と表すことが多いです。

なお、以下で示す通り誤差には色々と種類があります。通常は標準誤差を用いますが、特にそれ以外の指標を誤差として示す場合は、誤解を招かないようそれを明示して下さい。また、測定量には単位がありますので、それも忘れずに示して下さい(当たり前ですが、誤差だけ単位を変えるのは厳禁です)。

</aside>

誤差の定義と分類

誤差の定義

誤差は大きく分けて以下の2つに分類することが出来ます。

簡単に言うと、統計誤差は一つのデータ点を測定する際に発生するランダム性に起因した誤差で、繰り返し測定することにより、原理的には限り無くゼロに近づけることが出来ます。一方、系統誤差は測定装置や方法自体が原理的に有する誤差で、設置精度などに起因してるため、統計誤差をゼロにしても系統誤差により真値から外れた値を取り得る、ということになります。

わかりやすいように実験データで示したのが下のグラフです。実験値は測定における計測値のばらつきに由来して分布を持っており、赤の棒グラフは実際の分布、青の棒グラフが実験により得られた分布です。これを、正規分布をモデルとして解析すると青い実線のように分布を推定することができ、このモデルから得られる測定値$\hat{x}$と誤差$\hat\sigma$を示したのがプロットとエラーバーになります。この値は赤の破線で示した**真の分布より得られる測定値$x_\text{meas}$との間に統計誤差による差があり、その統計誤差が無い$x_\text{meas}$も真値$x_\text{true}$**との間に系統誤差に由来した差があります。

image.png