测量出错的三种方式
没有测量是完美的，但误差并非同一种动物。化学家按它们的*行为方式*把它们归入三个家族。第一种是系统误差：一种每次都把结果推向同一方向的毛病——总是偏高一点，或总是偏低一点。第二种是随机误差：一些微小而不可预测的抖动，把结果向上向下四散开来，没有固定方向。第三种是过失误差：一次性的大失手，大到毁掉某一个单独的结果——洒了样品、读错了标签、小数点点错了地方。弄清楚你打交道的是哪个家族，就告诉了你该拿它*怎么办*。
系统误差：始终如一的说谎者
系统误差正是你在飞镖靶上遇到的那个偏倚的来源。因为它把每个结果都朝同一方向推，所以当你只是重复测量时它从不现身——那些数字彼此吻合得很漂亮，却一起偏离真值。一台从未归零的天平、一支读高 1°C 的温度计、一根磨损了、每次都送出略少一点液体的移液管：它们各自悄悄地在每一个读数上盖下同样的偏移。系统误差攻击你的*准确度*，却让你的*精密度*看起来完美无瑕。
好消息是，正因为系统误差是始终如一的，所以它也是可修正的——一旦你找到它。你通过拿仪器对照可信标准来校准、通过用第二种独立方法测同一份样品、或通过分析一份真实含量已被认证的物质，来把它揪出来。一个你已经定位并测量出来的系统误差，往往可以干脆减掉。危险从来不是你已经发现的那个系统误差；而是你压根没想到要去找的那一个。
随机误差：无法避免的抖动
随机误差是那种永远不会完全消失的、温和而不安分的噪声。微弱的气流轻推天平、显示屏最后一位的跳动、你的眼睛每次对液面的判读略有不同——无数细小的成因，没有哪一个偏爱「向上」胜过「向下」。因为随机误差对称地四散，它正是限制你重复性的东西，并表现为你那些数字的离散。与系统误差不同，你无法把它减掉；它没有一个固定的值可供你去减。
但随机误差有一个美妙的弱点：当你取平均时，它往往会自我抵消。只测一次，一个碰巧偏高的读数可能误导你；测十次再取平均，幸运地偏高与不幸地偏低的读数会部分相抵，让你更接近真相。这正是化学家重复测量的深层原因——不是为了追逐一个「更好」的单一数字，而是为了让随机性向中心平均靠拢。减小随机误差主要靠重复与取平均；后面的统计学一级会把这件事讲得精确。
过失误差：当某件事就是出了岔子
过失误差在种类上不同于另外两种。它不是一种微妙的倾向，而是一个离散的错误：你在记录结果时把两位数字写颠倒了、你忘了加一种试剂、一只苍蝇落进了样品、读数读到一半时电源闪了一下。过失误差产生一个离群值——一个离其余结果如此之远、以至于显然不属于同一个故事的结果。与随机误差不同，你不会把它平均掉；与系统误差不同，你也不会把它校准掉。你逮住它，然后丢弃那一次被毁掉的运行。
但诚实在这里要求小心。你只能因为找到了一个失败的*真实、可指认的原因*才丢弃一个结果——而绝不能仅仅因为它碍事、或你不喜欢它落在哪里。仅因为好数据与其余的不一致就把它丢掉，本身就是一种不诚实，而且是严重的一种。日后你会遇到一些正式的检验，帮你判断一个怪异的值究竟是真正的过失误差，还是不过是寻常随机离散的尾巴。
空白：减去那个一直都在的东西
这里有一件对付一种常见系统误差的、美妙而简单的武器。假设你的试剂、你的玻璃器皿、或你的仪器，即便在*完全没有分析物*存在时也给出一个小信号——一抹微弱的颜色、一个小读数、一丝污染。那个幽灵般的信号会把自己加到每一次真实测量上，使它们全都偏高。解药是空白测定：你把整个流程照做一遍，带上*除分析物之外*的一切，测出仅来自背景的那个信号，再把它从你的真实结果中减去。
把它想成在市场上称水果：你把空碗放到秤上，按下「去皮」把碗的重量减掉，然后才放上水果——这样你称的就只是水果，而不是碗。空白就是你的化学「去皮」。它谦逊、几乎乏味，却悄悄地从无数次分析中移除了一整类背景偏倚。跑一次空白，是初学者所能养成的、最可靠地值得的习惯之一。