1. 课程导入与不确定度认知

先看一份典型的食品微生物检验报告。报告上写着：某批次即食熟肉制品，菌落总数检测结果为 1.2×10⁴ CFU/g，检验依据 GB 4789.2。多数人读到这里就结束了——数字有了，结论似乎也就有了。但如果这份报告要用于产品放行判定、监管抽检结论或者客户争议处理，仅有一个数字是不够的。因为任何检测结果都不是"真值"本身，而是真值的一个估计，围绕这个估计还存在一个合理的波动范围。把这个范围说清楚，就是不确定度要解决的问题。

不确定度的正式定义是：根据所用信息，表征赋予被测量量值分散性的非负参数。这句话可以拆成三层来理解。第一，"被测量量值"指的是我们报告的那个结果，比如 1.2×10⁴ CFU/g；第二，"分散性"意味着结果不是孤立的点，而是一个分布，真值以一定概率落在某个区间内；第三，"根据所用信息"强调不确定度不是凭空估计，而是基于对检测过程中各项误差来源的识别与量化。对微生物检验而言，这个区间通常用扩展不确定度 U 表示，报告形式为"结果 ± U"或"结果（U）"，并注明包含因子 k 与置信水平。

为什么微生物检验尤其需要不确定度？这与微生物检测的特殊性直接相关。理化检测的不确定度主要来自仪器、试剂、体积、温度等可精确控制的量；而微生物检测面对的是活体对象，其分布本身就不均匀，取样、均质、稀释、培养、计数每一个环节都引入变异。举个具体例子：同一批样品取 25 g 均质后做 10 倍系列稀释，取 1 mL 倾注平板，培养后计数为 120 个菌落。这个 120 本身就有泊松分布的统计波动，理论上标准差约为 √120 ≈ 11，相对标准偏差接近 9%。再加上稀释体积的偏差、培养基选择性的差异、不同批次人员判读的差异，最终报告值的不确定度往往远大于理化项目。忽略这一点，就可能把两个本来没有实质差异的结果当成"有差异"。

上图把这条链条摆清楚了：左侧是分散性的来源，中间是报告值与扩展不确定度构成的区间，右侧是区间与限量值比较后可能出现的三种判定情形。可以看到，不确定度的作用不是让结果"变得不确定"，恰恰相反，它是让判定变得可解释、可复现、可辩护。当区间整体低于限量时，符合结论是稳健的；当区间跨越限量时，单凭一次结果下结论就有风险，需要复检、增加取样量或采用更精确的方法；当区间整体高于限量时，不符合结论同样稳健。这种"看区间与限量的相对位置"的思维，正是本课程要建立的整体判定观。

法规层面也有明确要求。ISO/IEC 17025 要求获得认可的检测实验室在报告结果时，若客户要求、方法规定或结果用于判定符合性，应评定并报告测量不确定度；CNAS 相关认可准则对微生物定量项目的不确定度评定给出了具体指导。在食品安全监管实践中，GB 4789 系列方法标准虽未逐一列出不确定度数值，但监督抽检与复检程序、临界结果的处置规则，本质上都依赖对结果分散性的认识。换句话说，不确定度不是学术上的锦上添花，而是报告合规性与结论可靠性的组成部分。

还需要澄清一个常见误解：不确定度不等于误差。误差是测量结果与真值之差，真值未知时误差无法确切知道；不确定度是对这种未知程度的量化，是可以评定和报告的。另一个误解是把不确定度当成"方法不准"的证据——实际上，一个不确定度较大的结果，只要如实报告，仍然是诚实且有用的结果；隐瞒不确定度、把区间压缩成一个精确数字，反而会误导使用者。