1. 课程导入与误差传播计算全景

在实验科学中，我们几乎从不直接测量最终想要的那个量。我们测的是长度、时间、电压、质量、浓度这些可以直接读取的物理量，然后通过一个公式把它们组合成结果——比如用长度和时间算速度，用电压和电流算功率，用滴定体积和浓度算含量。问题在于：每一个直接测量量都带有不确定度，这些不确定度会沿着公式"传播"到最终结果里。误差传播计算要回答的核心问题就是：已知各输入量的不确定度，如何合理估计输出量的不确定度？

这门课的目标不是让你背公式，而是让你具备三种能力：第一，能判断一个测量结果的不确定度由哪些分量构成；第二，能根据函数形式选择合适的传播公式并正确计算；第三，能反过来用传播结果指导实验设计——知道该重点改进哪个测量环节。第三点往往最容易被忽视，却最有工程价值。

误差传播在实验科学中的定位

可以把一次完整的实验测量看成一条链：传感器或仪器 → 读数与校准 → 原始数据 → 计算模型 → 最终结果与结论。误差传播计算位于"计算模型"这一环，它把上游各测量点的不确定度，按模型结构映射到下游结果。它既依赖上游给出的单量不确定度评定（A 类、B 类），又为下游的合格判定、结果比对和实验改进提供依据。换句话说，它是连接"测得多准"和"结果可不可信"的桥梁。

需要先明确一个贯穿全课程的基本约定：本课程中不确定度统一用标准不确定度 u 表示（覆盖因子 k=1），扩展不确定度 U 由 U=k·u_c 给出，k 的取值在具体场景中说明。所有传播公式都基于"各输入量相互独立"这一前提，若存在相关性，必须额外引入协方差项，这一点在后续章节单独展开。

整体框架：从单量评定到结果判定

本课程的知识结构可以分成四个层次，逐层递进。第一层是单量不确定度评定：对每个直接测量量，区分 A 类分量（由重复测量的统计分散性得到，用标准差或标准误表示）和 B 类分量（由仪器允差、分辨率、校准证书等非统计信息估计），再合成为该量的标准不确定度 u_i。第二层是传播模型：根据函数 y=f(x₁,…,xₙ) 求偏导得到灵敏度系数 c_i=∂f/∂x_i，按 u_c²=Σ(c_iu_i)² 合成。第三层是结果表达：给出 y±U 的形式，说明 k 值和置信水平。第四层是应用与决策：用传播结果做合格判定、方法比对，或反推实验设计。

这四层不是孤立的。一个常见的误区是只做第二层的公式计算，却忽略了第一层输入量的评定质量——如果 u_i 本身估错了，后面算得再精确也没有意义。另一个误区是算完 u_c 就结束，不去看各分量的贡献占比，结果错失了改进实验的机会。

一个贯穿全课的教学示例

为了让抽象公式有落脚点，本课程用一个贯穿案例：用圆柱体测量金属密度。模型为 ρ = 4m/(πd²h)，其中 m 为质量、d 为直径、h 为高度。假设某次示例测量得到 m=50.00 g（u_m=0.02 g）、d=10.00 mm（u_d=0.02 mm）、h=20.00 mm（u_h=0.03 mm），这些数值仅用于教学演示，不代表真实实验数据。

先看灵敏度系数的量级：对 d 求偏导得 ∂ρ/∂d = −8m/(πd³h)，直径出现在三次方位置，相对不确定度会被放大 2 倍（因为 u_d/d 的系数是 2）。这意味着直径测量哪怕只差 0.2%，密度结果的相对不确定度就会贡献约 0.4%。而质量是一次方，高度也是一次方，影响相对温和。这个判断不需要完整算完就能得出，正是"先看结构、再算数值"的思路。

学习本课程的建议路径

建议按"先定性、再定量、后应用"的顺序推进。定性阶段重点理解不确定度来源分类和传播的物理含义；定量阶段熟练掌握偏导、合成公式和常用简化规则（和差形式用绝对不确定度合成，积商形式用相对不确定度合成）；应用阶段练习从贡献占比反推改进方向，以及处理相关性、非线性较强等特殊情况。每学一个公式，都回到圆柱体密度这个案例上验算一遍，形成"公式—案例—判断"的闭环。

最后强调一点：误差传播计算的结论应当能被实验者读懂并用起来。一个只写"u_c=0.013 g/cm³"的结果是不够的，还要说清这个不确定度主要来自哪里、在现有条件下是否可接受、下一步该改什么。这正是本课程希望培养的工程化思维。