擴充不確定度的涵蓋因子 k，為什麼不能永遠直接代入 2？

在輔導實驗室做量測不確定度時，我常看到最後一個步驟寫得很乾脆：U = k × uc，然後 k（涵蓋因子）直接代入 2。

於是有人會問我：「老師，k 不就是代 2 嗎？為什麼有時候又說要看自由度、查 t 分配表？問題其實不在於「2 可不可以用」，而是我們要先搞清楚：這個 2 到底代表什麼？

前面不論是 A 類、B 類不確定度，最後都會先換算成標準不確定度，再透過靈敏係數與不確定度傳播，得到組合標準不確定度 (uc)。 但 (uc) 本質上仍相當於以「一個標準差」描述量測結果的分散程度。 實務上我們通常希望表達一個更容易理解的區間，例如：量測結果 = 100.0 ± 1.2 mm

這裡的 ±1.2 mm，就是擴充不確定度 U。所以U = k × uc，這裡 k 的作用，就是把原來的組合標準不確定度「擴大」到我們希望表達的涵蓋範圍。 因此，k 並不是公式最後隨便補上的一個數字，而是與我們想表達多大的涵蓋機率有關，所以在一般實務條件成立時，也允許採用 k = 2，將 U = 2uc 視為約 95% 的涵蓋區間。

我們平常在量測不確定度中常看到：U = k × uc，並採用 k = 2，通常會說它代表「約 95% 的涵蓋機率」。但這個 95% 到底是什麼意思？ 可以先想像量測結果不是永遠停在一個完全固定的點，而是受到設備、環境、人員、樣品及其他因素影響，在某個中心值附近形成一個分布。 如果我們希望用一個範圍，把這些可能出現的量測值大部分涵蓋進來，就可以從中心值向左、向右各畫出一段範圍。

另外所謂雙側約 95% 涵蓋機率，簡單來說，就是希望這個區間能涵蓋分布中央約 95% 的範圍，而剩下約 5% 分散在兩端。 如果是「對稱分布」來理解，大約就是：左側約 2.5% ＋ 中間約 95% ＋ 右側約 2.5%。 所以「雙側」的意思，就是我們不是只考慮量測結果可能偏高，也不是只考慮可能偏低，而是同時考量中心值的正、負兩個方向。 這也是為什麼擴充不確定度最後通常會寫成：量測結果 ± U，因為我們關心的是量測結果可能向上偏，也可能向下偏。

要講k值的選用，首先要回到：我們算出來的 uc，本身有多可靠？ 我們可以先想一個大家比較熟悉的例子：選舉民調。 如果今天只問 10 個人支持誰，即使其中 7 個人回答支持 A 候選人，我們大概也不敢直接說：「A 的支持率就是 70%。」 因為樣本太少，一、兩個人的答案就可能大幅改變結果。 但如果調查人數增加到 100 人、1,000 人，甚至更多，而且取樣能涵蓋不同地區、年齡、性別與族群，調查結果通常會逐漸穩定，也更有機會接近母體真正的狀況。

量測不確定度的概念其實很類似。 例如同一個樣品只重複測量 3 次，算出來的標準差，可能很容易受到其中一次結果影響；如果增加到 10 次、20 次、30 次，我們對這個量測系統實際變異程度的掌握通常會愈來愈穩定。 這就是自由度背後很重要的一個概念：

資料愈有限，我們對估計出來的變異愈沒有把握；資料愈充分，我們對這個變異的判斷才會愈穩定。

因此，在希望維持相近涵蓋機率的前提下，自由度小時，Student's t 分配會給我們一個比較大的涵蓋因子；隨著自由度增加，t 值會逐漸下降並接近常態分布的數值。 以雙側約 95% 涵蓋機率為例： 

• 自由度只有 2 時，t 值約為 4.30
• 自由度 5 時，約為 2.57
• 自由度 10 時，約為 2.23
• 自由度 30 時，已經降到約 2.04

當自由度愈來愈大時，則逐漸接近 1.96。 

所以我們平常經常使用的 k = 2，並不是一個毫無條件的固定常數，而是當數據與資訊已經相對充分時，對約 95% 涵蓋機率所採取的一個實務近似。

但這裡還有另一件事情要特別注意：數據多，不代表資料一定有代表性。

如果今天做了 100 次測量，但全部都是同一位人員、同一台設備、同一天、同一個環境條件下完成，我們得到的可能只是「這個條件下的重複性很好」。 實驗室真正需要理解的，還包括設備、操作人員、環境、樣品、時間與方法等不同條件可能帶來的影響。

因此，不確定度評估真正追求的，不只是「多做幾次」，而是透過足夠的數據，以及對各種可能影響量測結果之因素的合理識別，讓我們估計出來的變異，愈來愈接近實驗室實際量測時可能發生的狀況。

這也是實務上很容易混在一起的地方。 如果只是單獨看一個由 n 次獨立重複量測所得的 A 類標準不確定度，自由度通常可以由 n - 1 來理解。 但最終的組合標準不確定度，通常不只一個來源，可能同時包含：重複性、校正證書、解析度、設備準確度、環境條件或其他影響因子。 因此到了「組合標準不確定度」這個層級，要判斷的就不是某一個 A 類項目的自由度，而是整體的有效自由度 (veff)。 因此我們需要依據各不確定度分量的大小及其自由度，透過 Welch–Satterthwaite 方式估算有效自由度，再據此取得適當的涵蓋因子。 所以，把「n - 1」直接當成整份不確定度評估的有效自由度，在簡單案例可能碰巧可用，但不能變成所有評估案件的固定公式。

我通常會建議先分成兩個層次理解。 如果量測模型穩定、各不確定度來源已有充分資料支持，而且有效自由度夠大，在一般約 95% 涵蓋機率的報告需求下，採用 k = 2 通常是合理且實用的作法。GUM本身也承認這種簡化在許多實際量測中具有適用性。

但如果： 

• 重複試驗次數很少
• A 類不確定度占整體比例很高
• 某個低自由度來源主導整體不確定度
• 客戶、標準或法規明確要求特定涵蓋機率
• 或這個結果本身涉及重要的符合性判定

 就不建議看到 U = k × uc 後直接填入 2，而應進一步計算有效自由度，再依 t 分配選擇適當的 k。

k = 2 可以用，但要知道為什麼可以用

量測不確定度最容易出現的問題，往往不是公式算錯，而是公式「算對了，卻不知道為什麼」。 k = 2 確實是實驗室最常使用的涵蓋因子之一，但它真正代表的是： 在適當條件下，我們用一個簡化而合理的方式，將組合標準不確定度轉換成約 95% 涵蓋程度的擴充不確定度。

如果有效自由度不足，就應該回到 t 分配；如果組合了多個不同來源，就要進一步理解有效自由度，而不是只看重複量測的 n - 1。 對實驗室而言，真正重要的不是背下：「自由度小就查表，大就乘 2。」 而是能夠說清楚： 

為什麼這一次可以用 2？ 如果不能用 2，我又應該用多少？ 

當這兩個問題回答得出來，涵蓋因子就不再只是計算表最後一格填入的數字，而是真正與量測結果可信程度連結起來。