不确定度评定中的 A 类与 B 类分量合成

在分析化学实验与检测中，测量结果的不确定度是评价数据可靠性的关键指标。根据《测量不确定度表示指南》（GUM），合成标准不确定度并非单一来源的叠加，而是由 A 类评定分量与 B 类评定分量经过特定数学规则组合而成。理解并正确执行这两类分量的合成，是确保分析结果科学、严谨的基础。

A 类与 B 类分量的定义与特性

在进行合成之前，必须明确两类分量的来源与统计特性。A 类分量源于对观测列进行统计分析，具有明确的统计分布特征，通常服从正态分布。其数值通过计算标准偏差获得，反映了重复性引入的不确定度。例如，在多次平行测定同一样品浓度时，利用标准偏差公式计算出的平均值标准偏差即为 A 类分量。

相比之下，B 类分量则基于经验、仪器说明书、校准证书或科学判断进行评定，不依赖于重复观测数据。这类分量通常假设为均匀分布或正态分布，但其标准不确定度是通过将区间宽度除以包含因子来估算的。常见来源包括天平的称量误差、移液管的容量误差以及温度波动引起的体积变化等。

合成前的必要预处理：灵敏度系数

直接对 A 类与 B 类分量进行算术相加是错误的，因为测量模型中各输入量的单位可能不同，且对最终结果的影响程度（即灵敏度）各异。在合成前，必须将所有输入量的不确定度转换为“标准不确定度”，并计算其对应的灵敏度系数。

对于线性测量模型 $y = f(x_1, x_2, \dots, x_n)$，第 $i$ 个输入量的灵敏度系数 $c_i$ 定义为输出量 $y$ 对输入量 $x_i$ 的偏导数：
$$ c_i = \frac{\partial y}{\partial x_i} $$
这一步骤至关重要，它量化了某个输入量的微小变化对最终结果的影响权重。若忽略此步骤，直接合成会导致量纲不匹配，从而得出完全错误的结论。

合成公式的构建与应用

一旦获取了所有输入量的标准不确定度 $u(x_i)$ 及其对应的灵敏度系数 $c_i$，即可利用方差合成公式计算合成标准不确定度 $u_c(y)$。该公式基于各输入量相互独立的假设，采用方和根（Root Sum of Squares）的方法：

$$ u_c(y) = \sqrt{\sum_{i=1}^{n} \left( c_i \cdot u(x_i) \right)^2} $$

在实际操作中，A 类分量 $u_A$ 和 B 类分量 $u_B$ 分别代入上述公式的不同项中。例如，在测定溶液浓度 $C = m/V$ 的过程中，若质量 $m$ 的不确定度由天平的 B 类评定给出，而体积 $V$ 的不确定度由多次滴定体积的 A 类评定给出，则需分别计算 $c_m = 1$ 和 $c_v = -1/V$，再代入公式进行加权合成。

合成后的扩展不确定度与置信区间

合成标准不确定度 $u_c(y)$ 仅描述了不确定度的分布宽度，尚不足以直接用于报告最终结果。在实际应用中，通常需要将合成标准不确定度乘以包含因子 $k$，得到扩展不确定度 $U$，以提供更高置信水平下的区间范围。

对于服从正态分布且自由度足够大的情况，通常取 $k=2$，对应约 95% 的置信概率。扩展不确定度的计算公式为：
$$ U = k \cdot u_c(y) $$
最终报告结果应表示为 $y \pm U$ 的形式，并明确标注置信水平。这一过程将抽象的统计数值转化为具有实际意义的误差范围，使分析结果更具说服力。

总结

A 类与 B 类分量的合成是连接原始观测数据与最终分析结论的桥梁。它要求分析人员不仅掌握统计学工具，还需深入理解测量仪器的特性及实验环境的干扰因素。通过严谨的灵敏度系数计算和方和根合成，我们能够构建出客观、可靠的不确定度评估体系，从而提升分析化学数据的科学价值。