1801 高斯最小平方法#

環節標註：實驗⇒數學⇒實驗（與技術）——觀測數據催生新數學，新數學又讓此後一切數據成為證據。

案發現場#

1801 年 1 月 1 日，義大利天文學家皮亞齊（Piazzi）在西西里的巴勒莫天文台發現了一顆新的小行星——穀神星（Ceres）。這是太陽系第一顆被確認的小行星，天文學界為之振奮，因為它正好填補了火星與木星之間那個著名的「缺失行星」縫隙（呼應提丟斯-波得定則的預言）。

但案件很快變成了懸案：皮亞齊只追蹤了 41 天、累積了 24 次觀測，穀神星就運行到太陽背後，從望遠鏡中消失了。

要重新找到它，必須從短短 41 天的觀測弧段外推出它的完整橢圓軌道——並預測它幾個月後再次出現的位置。這在當時被認為幾乎不可能：觀測數據太少、每筆數據都有誤差，而任何一筆誤差都會被軌道計算放大成天文數字的偏差。

偵查過程#

24 歲的哥廷根大學數學家高斯（Carl Friedrich Gauss, 1777–1855）接下了這個案子。他的偵查策略有兩層：

第一層：更好的軌道理論。 皮亞齊與其他天文學家用的是傳統的圓軌道逼近法；高斯改用完整的開普勒橢圓軌道方程，配合自己發明的迭代收斂算法，從觀測弧段直接解出六個軌道要素（參見 1609-開普勒行星定律.md）。

第二層：處理誤差的數學——這才是革命性的部分。 24 筆觀測彼此不一致，無論如何都無法讓同一條軌道精確通過所有數據點。高斯的洞見是：不一致不是麻煩，而是資訊。與其挑選幾筆「看起來最準」的觀測，不如讓所有數據共同發言——找出那條使誤差平方總和最小的軌道。這就是最小平方法（method of least squares）：

\[ \min \sum_i (y_i - f(x_i))^2 \]

平方有個深刻的理由：它讓正負誤差都變成懲罰、放大離群的誤差、並且在數學上可微好解。高斯後來進一步證明：若觀測誤差服從常態分佈（即「高斯分佈」、鐘形曲線），那麼最小平方正是最可能的估計——誤差理論與最小平方法在此合而為一。

1801 年 12 月 7 日，天文學家馮·扎赫（von Zach）依照高斯預測的位置搜索，穀神星就在預測點附近被重新找到。一位數學家憑鉛筆與紙，把一顆「失蹤」的天體從資料裡抓了回來。

結案報告#

穀神星被找回，只是這樁案件的判決書第一行。更深遠的遺產是：

數據從此成為證據——在高斯之前，觀測誤差是實驗者的恥辱，被隱瞞或丟棄；在高斯之後，誤差是可以被建模、被量化、被最小化的對象。一切定量科學因此換了地基。
常態分佈成為自然語言——鐘形曲線從天文觀測擴散到一切測量，再到統計學、社會科學（凱特勒的「平均人」）、生物統計。
最小平方法成為萬用工具——從大地測量、經濟學迴歸分析，到今日 GPS 的衛星定位解算（見 1995-GPS.md）、機器學習的損失函數（見 2012-深度學習革命.md），全是 1801 年那 24 筆數據的後裔。
科學的角色分工確立——實驗者負責產生數據，數學家負責讓數據說話。這個分工正是「理論—實驗—技術」迴路能高速運轉的潤滑劑。

促進鏈分析#

實驗⇒數學：穀神星 41 天、24 筆帶誤差的觀測數據，逼出最小平方法、誤差理論與常態分佈——沒有這批真實數據，高斯不會去思考「不一致的觀測如何融合」這個問題。
數學⇒實驗：最小平方法反過來成為此後一切定量實驗的分析工具——軌道測定、大地測量、化學定量分析（見 1789-拉瓦錫定量革命.md 的後繼）、統計檢驗，數據從此變成可審判的證據。
數學⇒技術：最小平方與迭代求解算法最終進入 GPS 定位解算、機器學習的梯度下降與線性迴歸——每次手機定位、每次模型訓練，都是 1801 年數學的技術物化。

證據與工具#

# 重演高斯案件：帶誤差的觀測 => 最小平方法擬合 => 預測與誤差理論

import math
import random

# --- 第一部分：製造「穀神星式」觀測數據 ---
# 真實規律：y = 0.6x + 1.5（模擬軌道），觀測帶誤差
random.seed(1801)  # 以案發年份為種子
true_a, true_b = 0.6, 1.5
data = []
for x in [i * 0.5 for i in range(12)]:  # 12 筆觀測（呼應皮亞齊的 24 筆）
    noise = random.gauss(0, 0.3)  # 高斯誤差：常態分佈 N(0, 0.3^2)
    data.append((x, true_a * x + true_b + noise))

print("--- 觀測數據（帶誤差）---")
for x, y in data:
    print(f"x = {x:4.1f}   y = {y:6.3f}")

# --- 第二部分：最小平方法（高斯 1801 的核心）---
# 解 a, b 使得 Σ(y - ax - b)^2 最小
# 正規方程：a = Sxy/Sxx, b = ybar - a*xbar
n = len(data)
xbar = sum(x for x, _ in data) / n
ybar = sum(y for _, y in data) / n
sxx = sum((x - xbar) ** 2 for x, _ in data)
sxy = sum((x - xbar) * (y - ybar) for x, y in data)
a = sxy / sxx
b = ybar - a * xbar
print(f"\n最小平方擬合：y = {a:.4f}x + {b:.4f}")
print(f"真實規律    ：y = {true_a:.4f}x + {true_b:.4f}")
print("=> 從帶誤差的數據中，數學把真實規律『撈』了回來")

# --- 第三部分：殘差與常態分佈 ---
residuals = [y - (a * x + b) for x, y in data]
mean_r = sum(residuals) / n
std_r = math.sqrt(sum((r - mean_r) ** 2 for r in residuals) / n)
print(f"\n殘差均值 = {mean_r:.4f}（應接近 0）")
print(f"殘差標準差 = {std_r:.4f}（觀測誤差的估計，即『誤差理論』的對象）")
# 常態分佈：f(r) = 1/(σ√(2π)) · exp(-r²/2σ²)
r0 = 0.2
f0 = math.exp(-r0 ** 2 / (2 * std_r ** 2)) / (std_r * math.sqrt(2 * math.pi))
print(f"殘差 = ±{r0} 的常態機率密度 = {f0:.4f}")
print("=> 高斯的洞見：誤差服從鐘形曲線，最小平方即最可能估計")
print("\n這套數學之後進入 GPS 解算與機器學習的損失函數——")
print("每一次定位與訓練，都是 1801 年那 24 筆觀測的後裔。")