比較完誰的天氣預報準，然後呢？

國小高年級科普文，素養閱讀就從今天就開始!!

• 作者／劉詠鯤

本文轉載自 CASE 報科學 《千變萬化的流體（三）：哥吉拉雲—流體的不穩定性》

海岸邊的雲層上緣，出現一隻隻如同哥吉拉形狀的雲；原子彈投下後，劇烈爆炸引起的蕈狀雲；土星大氣層內形狀獨特的雲帶……等。這些看似毫無相關的現象，背後其實成因都可以歸納為：流體中的不穩定性。

2020 年在青森縣的海邊，有網友分享了一張雲朵彷彿在進行「哥吉拉大遊行」的照片（圖一左上）；也有飛行員在雲層上分享過類似的照片（圖一右上）；除此之外，天文學家在土星的大氣層也觀察到相似形狀的雲層（圖一下）。這些「哥吉拉」的行動力竟然如此之高，不只在地球上出現，連土星上都有。這是否暗示它們背後其實具有相同的形成機制呢？

在＜千變萬化的流體（一）＞一文中，我們介紹了流體流動的狀態主要可以分成兩種：層流與紊流。層流狀態的流體十分穩定，它可以被視為一層一層獨立的流動來討論；相對的，紊流如同它的名字所表示，流體內部的流動較為混亂，不同層之間的流體會互相混合、影響。而決定是層流還是紊流的關鍵因素便是「不穩定性」^[1]。

在描述天氣系統為甚麼難以預測時，常常會提到「蝴蝶效應」這個小故事：位在大西洋的颶風，其成因可能只是在亞馬遜森林裡面一隻蝴蝶煽動了翅膀，這個初始的小擾動，隨著時間演變，最終形成尺度龐大的結構。不穩定性在流體中扮演的角色也十分相似。起初流體內部隨機的產生十分微小的擾動，若整個流體的不穩定性足夠大，微小的擾動便有機會繼續成長，直到對整個流體都造成影響。流體中具有各式各樣的不穩定性，在本篇文章中，我們將會介紹與哥吉拉雲還有蕈狀雲有關的兩種不穩定性：克耳文-亥姆霍茲不穩定性以及瑞利-泰勒不穩定性。

克耳文-亥姆霍茲不穩定性：哥吉拉雲

這個不穩定性得名於兩位對此現象進行研究的物理學家：發明絕對溫標的克耳文爵士，以及對聲學共振系統做出系統性研究的亥姆霍茲（在＜香檳聲音哪裡來？＞一文中，他曾經登場過）。這個不穩定性發生的條件是：兩層流體之間具有相對速度。

請搭配圖二，讓我們一起來理解這個不穩定性是如何產生哥吉拉雲的。假設有兩層流體，分別向左與向右運動。當它們彼此完美平行時，一切無事，如圖二（a）。但這個狀態其實並不穩定，任何的擾動，都可能會破壞這個完美狀態。例如，流體中形成了如圖二（b）的擾動，接下來流體的運動會如何變化呢？

對於淺藍流體來說，A 點的體積較原本略小，因此流動速度較大，如同澆花時，將水管捏住（管徑縮小），水可以噴得更遠。此外，流速較快也會使得 A 點的壓力減小；但對於紅色流體來說，A 點的壓力反而會增大。如此會導致流體內部的壓力分佈形成圖二（c）。兩種流體之間的壓力差，會進一步使擾動長大，如圖二（d）。最後，由於流體本身橫向的速度，使擾動在橫向上出現變形，如圖二（e）。如此一來，哥吉拉形狀是不是就出現了呢？

瑞利-泰勒不穩定性：核爆蘑菇雲

接下來，讓我們來看另一種在生活中沒那麼常見，但是看過就很難忘記的不穩定性現象：核爆產生的蘑菇雲。這種現象的成因，是來自於瑞利-泰勒不穩定性，它會發生於密度較大的流體壓在密度小的流體之上時。核彈爆發會在極短時間內釋放出極大熱量，將爆炸中心的空氣瞬間加溫。我們知道，氣體的溫度越高，密度越低，因此在爆炸中心，會瞬間形成大量的低密度空氣。

讓我們用簡單的模型來看看，這種不穩定性是如何造成蘑菇雲的。圖三（a）中有兩種流體，密度較高的在上，此時整個流體系統處於不穩定態，只要有一點擾動 ，如圖三（b） ，不穩定性就會使擾動擴大。由於密度差異，重力使得密度小的流體上升，密度大的下降，使不穩定度振幅逐漸增大。此外，由於壓力差與密度差的方向並不平行，會導致流體的邊界形成渦旋，如圖三（c）。以上這些效應疊加在一起後^[2]，流體邊界處便會逐漸形成如蘑菇狀的特徵，如圖三（d）。

以上兩種流體不穩定性，其實在我們生活中也存在，例如：點燃的線香。由於線香燃燒處的溫度上升，空氣密度下降，此時就滿足瑞利-泰勒不穩定性的條件；當熱空氣上升時，和兩側靜止的空氣有一相對速度，也滿足了克爾文-亥姆霍茲不穩定性條件。只是由於規模較小，發生速度較快，肉眼未必可以清楚的看到如前文中提到的明顯特徵。儘管如此，各位讀者在了解這些不穩定性之後，若是試著觀察看看生活中的各種流體，也許也能找到隱藏起來的「蕈狀雲」喔！

註解

[1] 更詳盡的說明可以參考 CASE＜上下顛倒漂浮船＞一文
[2] 實際上，形成蘑菇狀構造還與流體在三維條件下的非線性效應有關，數學模型較為複雜，此處只是簡單概述其成因。

參考資料

1. Kelvin–Helmholtz instability
2. Rayleigh–Taylor instability
3. “Single mode hydrodynamic instabilities” draft from Hideaki Takabe.

國小高年級科普文，素養閱讀就從今天就開始!!

• 作者／ 班‧歐林 (Ben Orlin)；譯者／王年愷

若說人類「不擅長」機率，太過簡化又太讓人難堪了。

機率是現代數學裡一門相當精妙的分支，當中處處有悖論陷阱。即使是基本的問題，也可能讓冷靜無情的專家暈頭轉向。嘲諷別人機率算錯，就像是在笑他們怎麼那麼不會飛，或是怎麼那麼不會喝下一整個海洋的水，或是怎麼那麼不防火。

如果真要說句公道話，應該說人類處理機率的能力實在爛透了。康納曼和特沃斯基在心理學研究中發現，人類對於不確定的事件有頑固的錯誤想法。他們會一而再、再而三地高估可能性微乎其微的事件，並低估幾乎鐵定會發生的事件。

這沒什麼大不了的，不是嗎？老實說，我們什麼時候看過機率在真實世界裡冒出頭來呢？又不是一輩子都在想辦法抓住知識性的工具，讓我們也許能在每一個清醒時刻的種種不確定性混沌中稍稍有些安穩⋯⋯

好吧，為了以防萬一——本章是一個操作指南，說明各種不同的人類怎麼去思考不確定性。這個東西就算再難，也不表示我們不能拿它來玩一玩。

如果你是政治記者

哈囉！你是一位政治記者。你會報導即將到來的選舉。你會報導失敗的選戰。在罕見的特別日子裡，你甚至還會報導像是「政策」和「治理」的事。

另外，稍微不可能的事情發生時，你好像會感到困惑。情況並非一直如此。在某個遙遠的過去，你會把選舉視為無限可能的神奇時刻。你輕描淡寫最可能發生的結果來增加刺激感，讓每一場選戰看起來都像是比賽結束鈴聲響起時從中場丟球正中籃框定勝負的。

2004 年美國總統大選當天晚上，小布希在俄亥俄州領先 100,000 票，未開出的選票不到 100,000 張時，你卻說俄亥俄州的選舉結果「太接近，無法確定」。到了 2012 年的總統大選，機率模型預測歐巴馬獲勝的可能性是 90%，你卻說選戰是「兩邊都有可能贏」。

然後，2016 年又把你的世界完全顛倒過來了。川普贏了希拉蕊．柯林頓。第二天醒來時，你覺得你經歷了一次量子奇異點，選舉結果就像是一隻突然憑空冒出來的兔子一樣完全無法預料。但對機率學家席佛（Nate Silver）及看法相近的人來說，這個結果只不過有一點意外而已，發生的機率為三分之一—就像丟骰子丟出 5 或 6 一樣。

如果你是氣象預報員

哈囉！你是一位氣象預報員，是電視上的雲層先知。你的一舉一動都自信滿滿，每一次交談的結尾都是「現在把現場交還棚內主播」。

另外，你會故意把機率說得模稜兩可，讓觀眾不會對你生氣。當然，你會盡可能誠實。如果你說明天的降雨機率是 80%，你所說的完全正確：在這樣的日子當中，降雨的日子總共有 80%。

但是，當降雨比較不可能發生時，你會誇大這些數據。你害怕有人把雨傘留在家裡，天空卻下起雨來，他們跑到網路上罵你。因此，當你說明天降雨機率是 20% 時，這種日子實際上只有 10% 會降雨。你會增加機率，來減少觀眾的咒罵。

假如觀眾更了解機率是什麼，也許你就能夠說出真話。當觀眾聽到「10%」的時候，好像會理解成「不會發生」。假如他們真的理解真正的意思（「每十次會發生一次」），你就能放鬆講出心裡真正想說的數據。在這一天到來以前，你仍然只能兜售半真半假的數據。

現在把現場交還棚內主播。

如果你是千年鷹號太空船船長

哈囉！你是「千年鷹號」（Millennium Falcon）¹ 太空船船長。你是一位星際暴徒、壞蛋，也是心腸寬大的俠盜。你一生的伙伴是一隻身上只穿一條子彈帶的 8 英尺長太空狗。

另外，你完完全全否認有「可能性」這件事。你不是一個會冷靜反思和考慮戰略的人。你會走私違禁品，也會顛覆整個帝國。你是快速拔槍殺人的冒險之士，只要稍有遲疑便會喪命，多猶豫幾下的話還會更慘。

在散兵坑裡沒有機率專家，而且你一生都躲在散兵坑裡。對你來說，繁複的機率算式只是累贅，和某個一直說「我的天啊」及「請容我建議」的神經質金色機器人一樣是拖油瓶。

我會覺得，我們每一個人的心裡都有一點你的特質。在需要冷靜、細心評估的時候，機率是相當有用的東西，但有時候我們需要一種自信，是頑強的量化數據給不了的。在需要直覺和行動的時刻，被機率拴住的人可能會畏縮，不敢跳出非跳不可的一大步。在這種時候，我們必須忘掉數據，儘管去飛。

註解：

1. 譯注：《星際大戰》中的宇宙飛船，用於走私業務，影史上最著名的太空船之一。

——本文摘自《塗鴉學數學：以三角形打造城市、用骰子來理解經濟危機、玩井字遊戲學策略思考，24堂建構邏輯思維、貫通幾何學、破解機率陷阱、弄懂統計奧妙的數學課》，2020 年 5 月，臉譜出版

許多人說，現在科學這麼發達，為什麼天氣預報總是不準呢？

這裡涉及一個數學問題，稱為「條件機率」。

什麼是條件機率呢？例如我們要確定 6 月 15 日是不是下雨，根據往年資料，下雨的機率有 40% ，不下雨的機率為 60% ，這就稱為「機率」。如果在前一天，天氣預報說 6月15 日下雨，這就稱為「條件」， 在這種條件下， 6 月 15 日真正下雨的機率就稱為「條件概率」。

你哭著對我說，天氣預報裡都是騙人的

天氣預報根據一定的氣象參數推測是否會下雨，由於天氣捉摸不定，即便預報下雨，也有可能是晴天。假設天氣預報的準確率為 90% ，即在預報下雨的情況下，有 90% 的機率下雨，有 10% 的機率不下雨；同樣，在預報不下雨的情況下，有 10% 的機率下雨，有 90% 的機率不下雨。

這樣一來， 6 月 15 日的預報和天氣就有四種可能：預報下雨且真的下雨，預報不下雨但是下雨，預報下雨但是不下雨，預報不下雨且真的不下雨。

我們把四種情況列在下面的表格中，並計算相應的機率。

計算方法就是兩個機率的乘積。例如下雨機率為 40% ，下雨時預報下雨的機率為 90% ，因此預報下雨且下雨這種情況出現的機率為 36% 。同理，我們可以計算出天氣預報下雨但是不下雨的機率為 6% ，二者之和為 42% ，這就是天氣預報下雨的機率。

在這 42% 的可能性中，真正下雨占 36% 的可能，比例為\( 36 \div 42=85.7 \)%，而不下雨的機率為 6% ，占 \( 6 \div 42=14.3 \) %。

也就是說，假設天氣預報的準確率為 90% ，預報下雨的條件下，真正下雨的機率只有 85.7% 。

我們會發現：

預報下雨時是否真的下雨，不光與預報的準確度有關，同時也與這個地區平時下雨的機率有關。

檢查報告說我中獎了，我就真的生病了嗎？

與這個問題類似的是在醫院進行重大疾病檢查時，如果醫生發現異常，一般不會直接斷定生病了，而會建議到大醫院再檢查一次，雖然這兩次檢查可能完全相同。為什麼會這樣呢？

假設有一種重大疾病，患病人群占總人群的比例為\(\frac{1}{7000} \) 。也就是說， 隨機選取一個人，有\(\frac{1}{7000} \) 的機率患有這種疾病，有\(\frac{6999}{7000} \) 的機率沒有患這種疾病。

有一種先進的檢測方法，誤診率只有萬分之一，也就是說，患病的人有\(\frac{1}{10000} \) 的可能性被誤診為健康人，健康人也有\(\frac{1}{10000} \) 的可能性被誤診為患病。

我們要問：在一次檢查得到患病結果的前提下，這個人真正患病的機率有多大？

我們仿照剛才的計算方法，檢測出患病的總機率為：\(\frac{9999}{70000000}+\frac{6999}{70000000} \) \(=\frac{16998}{70000000}\)
而患病且檢測出患病的機率為：\(\frac{9999}{70000000}\)

所以在檢測患病的條件下，真正患病的機率為：\( \frac{9999}{70000000} \div  \frac{16998}{70000000}\) \(=\frac{9999}{16998}\) \( \approx 58.8 \)%

顯而易見，即便是萬分之一誤診的情況，一次檢測也不能完全確定這個人是否患病。

那麼，兩次檢測都是患病的情況又如何呢？

大家要注意，在第一次檢測結果為患病的前提下，此人患病的機率已經不再是所有人群的 \(\frac{1}{7000}\) ，而變為自己的 58.8% ，健康的機率只有 41.2% 。

此處的機率就是條件機率，所以第二次檢測的表格變為：

在兩次檢測都是患病的條件下，此人真正患病的機率為：\(\frac{58.794}{58.794+0.004}\)\(=99.99 \) % 基本確診了。

日常生活超有感──貝式定理

對這個問題進行詳細討論的人是英國數學家貝葉斯。

貝葉斯指出：如果 A 和 B 是兩個相關的事件， A 有發生和不發生兩種可能， B 有 B₁ 、 B₂ 、……、 B_n 共 n 種可能。

那麼在 A 發生的前提下， Bi 發生的機率稱為：條件機率 \( P(B_i|A) \)

要計算這個機率，首先要計算在 Bi 發生的條件下 ，A 發生的機率，公式為：\( P(B_i)P(A|B_i) \)

然後，需要計算事件A發生的總機率：

方法是用每種Bi情況發生的機率與相應情況下A發生的機率相乘，再將乘積相加。
\( P(B_1)P(A_1|B_1)+P(B_2)P(A_2|B_2)+\cdots+P(B_n)P(A_n|B_n) \)

最後，用上述兩個機率相除，完整的貝式定理公式就是：

貝式定理在社會學、統計學、醫學等領域，都發揮著巨大作用。

下次遇到天氣誤報、醫院誤診，不要完全怪氣象臺和醫院啦！有時候這是個數學問題。

——本文摘自《跟著網紅老師玩科學》，2019 年 4 月，時報出版。