4. 间接测量与误差传播的基本原理

在实验测量中，很多物理量并不能被仪器直接读出，而是由若干个可直接测量的量通过确定的函数关系计算得到。例如用单摆测重力加速度 g = 4π²L/T²，用伏安法测电阻 R = U/I，用圆柱体测密度 ρ = 4m/(πd²h)。这类测量称为间接测量。直接测量量各自带有不确定度，这些不确定度会沿着函数关系传递到最终结果上，这就是误差传播问题。本节的核心任务，是把"各直接量的误差如何影响间接量"这一直觉，转化为可计算的微分法与合成公式。

一、从函数关系出发：间接量的完整表达

设间接量 y 与 n 个直接测量量 x₁, x₂, …, x_n 之间存在确定的函数关系

y = f(x₁, x₂, …, x_n)

每个直接量都经过多次重复测量，得到最佳估计值（通常取算术平均）x̄_i 和标准不确定度 u(x_i)。间接量的最佳估计值就是把各 x̄_i 代入函数得到的 ȳ = f(x̄₁, …, x̄_n)。但仅有 ȳ 还不够，必须同时给出 y 的不确定度 u(y)，否则结果不完整。误差传播要回答的正是：已知各 u(x_i)，如何求 u(y)。

二、微分法：把微小误差线性化

误差传播的数学基础是全微分。当各直接量在其估计值附近发生微小偏差 Δx_i 时，函数 y 的偏差可用一阶全微分近似：

dy = (∂f/∂x₁)dx₁ + (∂f/∂x₂)dx₂ + … + (∂f/∂x_n)dx_n

其中偏导数 ∂f/∂x_i 称为传播系数，它表示第 i 个直接量变化一个单位时，间接量变化多少。传播系数的绝对值越大，该直接量的误差对结果影响越显著。微分法的意义在于：它把非线性的函数关系在估计值附近线性化，从而把"误差如何叠加"变成"各项误差乘以各自权重后如何合成"的问题。需要强调的是，微分法成立的前提是误差相对于测量范围足够小，使高阶项可以忽略；若误差很大或函数在估计点附近剧烈弯曲，线性近似会失真。

三、合成公式：标准不确定度的方和根

各直接量的误差来源相互独立时，它们对 y 的影响不会简单地代数相加（那样会高估误差），而是按方差合成。标准不确定度的传播公式为：

u(y) = √[ Σ_i (∂f/∂x_i)² · u²(x_i) ]

这就是"方和根"合成。它的物理含义是：每个直接量的不确定度先乘以自己的传播系数，得到它对 y 的不确定度贡献，再把这些贡献平方求和后开方。若某些直接量之间存在相关性，还需加入协方差项，但在基础实验中通常按相互独立处理。下面这张图把"函数关系—传播系数—各项贡献—方和根合成"的完整链条画在一起，便于对照理解。

四、典型函数形式的传播公式

实际计算中，多数函数可归为和差型与积商型两类，掌握它们的传播规律能显著提高计算效率。

和差型：若 y = x₁ ± x₂，则传播系数均为 ±1，合成后 u(y) = √[u²(x₁) + u²(x₂)]。注意即使函数中是相减，不确定度仍然相加，因为误差方向不可预知。

积商型：若 y = x₁^a·x₂^b（乘除与幂次），先取对数再微分可得相对不确定度公式：

u(y)/|y| = √[ (a·u(x₁)/x₁)² + (b·u(x₂)/x₂)² ]

这一形式非常实用：积商型的相对不确定度等于各因子相对不确定度按指数加权后的方和根。例如圆柱体密度 ρ = 4m/(πd²h)，其相对不确定度为 √[(u_m/m)² + (2u_d/d)² + (u_h/h)²]，直径因平方而权重加倍，这正是实验中应优先提高直径测量精度的依据。

五、示例计算：单摆测重力加速度

设某次实验（以下数据为教学示例，非实测）测得摆长 L = 1.000 m，u(L) = 0.002 m；周期 T = 2.006 s，u(T) = 0.004 s。函数 g = 4π²L/T²。

先算估计值：g = 4 × 9.8696 × 1.000 / 2.006² ≈ 39.478 / 4.024 ≈ 9.81 m/s²。

再用积商型相对不确定度公式。对 L 的指数为 1，对 T 的指数为 −2：

u(L)/L = 0.002 / 1.000 = 0.0020
u(T)/T = 0.004 / 2.006 ≈ 0.00199
u(g)/g = √[(0.0020)² + (2 × 0.00199)²]
       = √[4.0e-6 + 1.585e-5]
       = √(1.985e-5) ≈ 0.00446

于是 u(g) = 0.00446 × 9.81 ≈ 0.044 m/s²，结果写作 g = (9.81 ± 0.04) m/s²。可以看到，周期项因平方放大后贡献了约 80% 的方差，说明在此装置中提高周期测量精度比改进摆长测量更有效。这正是误差传播分析对实验设计的指导价值。

六、从公式到实验决策

误差传播公式不只是事后算一个数字，它更重要的用途是事前指导。通过比较各项 (∂f/∂x_i)·u(x_i) 的大小，可以识别"主导误差项"，从而决定把有限的实验资源投向哪里：是换更精密的仪器，还是增加重复测量次数，或是改进实验方法消除某项系统误差。当某项贡献远小于其他项时，继续提高它的精度对总不确定度几乎没有改善，这就是"误差分配"的基本思想。掌握微分法与合成公式，就掌握了从函数关系反推实验方案是否合理的分析工具。