4. 概率与统计基础

测量不确定度评定的本质，是用概率语言描述“被测量真值可能落在哪里”。无论是A类评定的重复性标准差，还是B类评定的区间半宽换算，背后都依赖同一套统计工具：随机变量、概率分布、期望、方差、标准差、协方差与相关系数。理解这些概念，才能正确选择分布模型、合成标准不确定度并给出合理的包含区间。

一、核心原理：从随机变量到分布

随机变量是把随机试验结果映射为数值的函数。测量中，重复观测值 X、误差 δ、修正值 C 都可视为随机变量。随机变量分为离散型与连续型：计数型数据（如缺陷个数）是离散型；长度、温度、电压等测量结果是连续型。

概率分布描述随机变量取值的概率规律。连续型随机变量用概率密度函数 f(x) 描述，区间 [a,b] 内的概率为密度曲线下面积。测量不确定度评定中最常用的分布包括：

• 正态分布：重复观测的平均值、大量独立小误差叠加后的结果，常用 N(μ, σ²) 表示。
• 均匀分布（矩形分布）：仅知区间半宽 a、无更多信息时，标准不确定度为 a/√3。
• 三角分布：两个均匀分布量之和，或中心值更可能出现的区间信息，标准不确定度为 a/√6。
• 反正弦分布：如正弦量相位、失配等周期因素，标准不确定度为 a/√2。

二、期望、方差与标准差：位置与离散程度

期望 E(X) 是随机变量的概率加权平均，反映分布的中心位置。测量中，期望对应“无限多次重复测量的平均值”，即系统误差修正后的理想中心。方差 Var(X)=E[(X-E(X))²] 度量取值偏离期望的平均平方程度；标准差 σ=√Var(X) 与测量值同量纲，是描述分散性的核心参数。

样本标准差 s 是总体标准差 σ 的估计。对 n 次独立重复观测，常用贝塞尔公式：

s = sqrt( Σ(xi - x̄)² / (n - 1) )
u_A = s / sqrt(n)      // 平均值的A类标准不确定度

这里 u_A 是平均值分布的标准差，也称标准误。它随 n 增大而减小，但按 1/√n 规律下降，说明靠增加次数降低不确定度存在边际递减。

三、协方差与相关系数：量间关联的度量

协方差 Cov(X,Y)=E[(X-E(X))(Y-E(Y))] 描述两个随机变量共同变化的程度。若 X 增大时 Y 也倾向增大，协方差为正；反向变化为负；相互独立时协方差为零。相关系数 ρ=Cov(X,Y)/(σ_X σ_Y) 是归一化后的协方差，取值在 [-1,1]，消除了量纲影响，更适合比较关联强弱。

在不确定度合成中，若各输入量相关，必须引入协方差项：

u_c²(y) = Σ(∂f/∂xi)² u²(xi)
        + 2 ΣΣ(∂f/∂xi)(∂f/∂xj) Cov(xi,xj)

常见相关来源包括：同一台仪器校准、同一标准器、同一环境温度、同一人读数等。忽略相关性会错误估计合成不确定度，尤其在多参数共享标准器时影响显著。

四、案例与场景：合成标准不确定度中的统计应用

某长度测量中，重复测量10次得平均值 x̄=50.012 mm，样本标准差 s=0.006 mm，则A类标准不确定度 u_A=s/√10≈0.0019 mm。所用千分尺校准证书给出最大允许误差 ±0.004 mm，按均匀分布处理，B类标准不确定度 u_B=0.004/√3≈0.0023 mm。若两者独立，合成标准不确定度为：

u_c = sqrt(u_A² + u_B²)
    = sqrt(0.0019² + 0.0023²)
    ≈ 0.0030 mm

若千分尺校准与另一尺寸测量共用同一标准器，则两输入量间存在正相关，相关系数 ρ 可能达到0.5以上，此时必须加入协方差项，否则合成结果偏小，包含区间过窄，导致误判合格。

五、误区与复盘

掌握这些统计基础后，后续的A类评定、B类评定、合成标准不确定度、扩展不确定度与包含因子选择，都将建立在同一套概率框架之上。测量不确定度不是简单的误差加减，而是对随机变量分布特征的定量表达。