本指南概述 IB 物理中实验设计⁠、数据收集⁠、不确定度传播⁠、图表分析与实验评估所需的核心能力⁠。具体作答要求仍应以当届课程指南⁠、试题说明和评分标准为准⁠。

1. 实验误差分类与基本测量不确定度

一切物理测量都伴随不确定度⁠。IB 物理通常把实验误差分为随机误差与系统误差⁠，并分别讨论它们对精密度和准确度的影响⁠。

• 随机误差 (Random Errors)⁠： 使重复读数围绕平均值产生离散⁠，影响测量的精密度 (Precision)⁠。通过重复测量并计算平均值⁠，可以减小随机误差对结果的影响⁠。

• 系统误差 (Systematic Errors)⁠： 使读数持续偏离真实值⁠，影响测量的准确度 (Accuracy)⁠。常见来源包括仪器校准不良⁠、零点误差或实验设计缺陷⁠。增加重复次数不能减小系统误差⁠，应通过校准仪器或改进实验方法来减小或修正⁠。

单次测量不确定度的确定

• 模拟仪器 (Analog Instruments)⁠： 绝对不确定度由实验人员根据具体实验环境与仪器的可读性进行评估⁠，通常取最小分度值的 $\pm 0.5$ 或 $\pm 1$⁠。

• 数字式仪器 (Digital Instruments)⁠： 绝对不确定度通常取数字显示屏的最小可读单位⁠，即仪器的分辨率⁠。

• 距离与区间测量 (Distance and Interval Measurements)⁠： 对于由初末位置读数之差得到的量（⁠例如 $L=x_2-x_1$⁠）⁠，两次读数的绝对不确定度直接相加⁠。

  • 标准示例⁠： 使用标准毫米尺测量长度时⁠，若两端的读数不确定度（⁠Reading Uncertainty⁠）均为 $\pm 0.5\text{ mm}$⁠，则测量区间的总绝对不确定度为两个读数不确定度之和⁠，即 $\pm 1\text{ mm}$⁠。

多次重复测量不确定度的确定

当对同一变量进行多次独立重复测量以减小随机变化的影响时⁠，平均值 ($\bar{x}$) 的绝对不确定度通过重复读数极差的一半 (Half the Range) 来估算⁠：

$\Delta x = \frac{x_{\text{max}} - x_{\text{min}}}{2}$

分辨率约束 (Resolution Constraint)⁠： 若极差的一半小于仪器分辨率⁠，则采用仪器分辨率作为绝对不确定度⁠。

理论模型的定量校验

为了评价实验结果与参考值是否相容⁠，可比较实验结果 $E\pm\Delta E$ 与文献值 $A$⁠。若文献值本身也有不可忽略的不确定度⁠，应把它一并纳入比较⁠：

• 在不确定度内相容⁠：若 $|E-A|\leq\Delta E$⁠，且 $A$ 的不确定度可忽略⁠，则参考值落在区间 $[E-\Delta E,E+\Delta E]$ 内⁠。结果与模型相容⁠，但这并不能单独证明模型正确⁠，也不能断定差异完全来自随机误差⁠。
• 超出所报不确定度⁠：若 $|E-A|>\Delta E$⁠，则结果与参考值在当前不确定度估计下不相容⁠。可能原因包括系统偏差⁠、不确定度低估⁠、数据处理问题⁠、实验条件不满足模型假设⁠，或模型在该范围内不适用⁠；需要进一步证据才能区分⁠。

2. 不确定度的传播

处理实验数据并计算衍生物理量时⁠，IB 物理使用代数规则传播不确定度⁠。

不确定度传递规则

• 加法与减法 ($y = a \pm b$⁠）⁠： 绝对不确定度直接相加⁠。

  $\Delta y = \Delta a + \Delta b$

• 乘法与除法 ($y = \frac{ab}{c}$⁠）⁠： 分数不确定度 (Fractional Uncertainty) 直接相加⁠。

  $\frac{\Delta y}{y} = \frac{\Delta a}{a} + \frac{\Delta b}{b} + \frac{\Delta c}{c}$

• 乘方运算 ($y = a^n$⁠）⁠： 分数不确定度 (Fractional Uncertainty) 乘以幂指数的绝对值⁠。

  $\frac{\Delta y}{y} = |n| \frac{\Delta a}{a}$

对数变换 (Logarithmic Transformations)

对于非线性关系⁠，可以通过取自然对数将其转化为线性关系⁠。对数轴上的不确定度通过标准线性传播近似公式进行确定⁠。

• 对数不确定度方程⁠： 对数值的绝对不确定度取其自变量的分数不确定度⁠：

  $\Delta(\ln x) = \frac{\Delta x}{x}$

3. 数据表标准与规范 (Data Table Standards and Conventions)

数据表必须严格反映所用仪器的分辨率⁠，并在数据处理过程中保持数学上的一致性⁠。

• 对数表头规范⁠： 由于对数函数的自变量必须是无量纲的比值⁠，因此对数轴或数据表头中的变量必须除以其各自的单位⁠。必须严格书写为⁠：$\ln(V / \text{V})$ 或 $\ln(t / \text{s})$⁠。带有孤立单位的记法（⁠如 $\ln V\ (\text{V})$⁠）在数学上是不严谨的⁠。

• 有效数字与小数位数规范 (Significant Figures and Decimal Conventions)⁠：

  • 对于原始数据 (Raw Data)⁠，同一列中的所有数据点必须记录到相同的小数位数⁠，且该小数位数必须与测量仪器的分辨率完全对齐⁠。

  • 对于处理后的数据 (Processed Data)⁠，结果通常保留与相关原始数据中最少有效数字相同或多一位的有效数字⁠，并与不确定度的精度保持一致⁠。

异常数据（⁠离群值⁠）的处理 (Treatment of Anomalous Data)

异常数据是指显著偏离其余数据集所确定的整体趋势的数据点⁠。

• 处理标准⁠： 若异常点能够归因于明确的人为失误或仪器故障⁠，可在计算平均值或绘制拟合线前将其排除⁠，并说明理由⁠。不能仅因数据点不符合理论模型就将其删除⁠。

4. 非线性方程的线性化 (Linearization of Non-Linear Equations)

线性化原理 (Linearization Principle)

对于需要线性化的非线性关系⁠，将方程整理为 $Y=mX+C$⁠，再绘制复合变量（⁠Compound Variables⁠）图像⁠，从斜率 $m$ 或截距 $C$ 求出物理常数⁠。

常见物理模型的线性化实例

物理方程 (Equation)	因变量 (Y-Axis)	自变量 (X-Axis)	斜率 (Gradient, m)
$T = 2\pi\sqrt{\frac{L}{g}}$	$T^2$	$L$	$\frac{4\pi^2}{g}$
$P = \frac{k}{V}$	$P$	$\frac{1}{V}$	$k$
$v^2 = u^2 + 2as$	$v^2$	$s$	$2a$

*注⁠：对于运动学模型 $v^2 = u^2 + 2as$⁠，纵轴截距代表 $u^2$⁠。对于另外两个正比例模型⁠，理论上的纵轴截距严格为零⁠。

衍生物理量的误差棒 (Error Bars for Derived Quantities)

在图表中绘制计算出的复合变量时⁠，其误差棒的长度必须在作图前通过分数不确定度传播方程进行推导⁠：

$$\begin{aligned} \frac{\Delta(T^2)}{T^2} &= 2\frac{\Delta T}{T}\\ \frac{\Delta(1/V)}{1/V} &= \frac{\Delta V}{V} \end{aligned}$$

5. 图表分析⁠：最佳拟合线与极限拟合线

误差棒与误差箱 (Error Bars and Error Boxes)

图表应为数据点绘制水平（⁠$\pm\Delta x$⁠）和垂直（⁠$\pm\Delta y$⁠）误差棒⁠，以表示坐标的不确定度范围⁠。两者共同形成二维的误差箱 (Error Box)⁠。

最佳与最差拟合线

• 最佳拟合线 (Line of Best Fit, LOBF)⁠： 根据数据的整体趋势得到的直线或曲线⁠。它应使点在拟合线两侧的分布大致平衡⁠，或由明确的拟合准则确定⁠；不要求穿过每个数据点或每个误差箱⁠。

• 极限拟合线 (Limiting Lines)⁠： 画出仍能通过大多数或全部误差箱的最大斜率 $m_{\text{max}}$ 与最小斜率 $m_{\text{min}}$⁠，用来估计斜率和截距的不确定度⁠。不能机械连接首末数据点误差箱的极端角⁠，以免局部异常点扭曲极限范围⁠。

参数不确定度的计算

$\Delta m = \frac{m_{\text{max}} - m_{\text{min}}}{2} \quad \text{且} \quad \Delta c = \frac{c_{\text{max}} - c_{\text{min}}}{2}$

核心约束⁠： 截距不确定度 $\Delta c$ 必须通过坐标代数运算（⁠利用 $c = y - mx$⁠）进行推导⁠，绝不允许在截断或不完整的坐标轴上通过视觉目测估算⁠。

6. 数据修约规范 (Data Rounding Conventions)

有效数字与精度对齐

• 不确定度修约规范⁠： 计算出的绝对不确定度（⁠$\Delta m, \Delta c$⁠）最终采用标准的四舍五入法截断保留至一位有效数字⁠。若不确定度的首位有效数字是 1⁠，则可以保留两位有效数字⁠。

• 精度对齐原则 (Precision Alignment)⁠： 最终物理参数（⁠$m, c$⁠）的测量值必须进行修约⁠，使其最后一位有效数字与对应绝对不确定度的小数位数严格对齐⁠。

截距校验系统偏差 (Intercept Evaluation for Systematic Shifts)

若理论模型预测正比例关系⁠，而实验截距范围 $c\pm\Delta c$ 不包含零⁠，说明数据与“⁠零截距⁠”假设在当前不确定度估计下不相容⁠。这可能来自系统偏差⁠，也可能来自不确定度低估⁠、拟合范围不当或模型条件未满足⁠，应结合残差和实验装置进一步判断⁠。

非线性图表分析

• 瞬时变化率 (Instantaneous Rate)⁠： 通过计算在特定连续点上构造的几何切线的斜率来提取⁠。

• 变化率的不确定度⁠： 通过绘制在保持与该数据点接触的前提下⁠，不穿过曲线的最陡峭和最平缓的限制性切线来确定⁠。

7. 实验方法学⁠：变量管理 (Experimental Methodology: Variable Management)

规范的科学探究应清楚说明变量如何改变⁠、测量与控制⁠：

• 自变量 (Independent Variable)⁠： 明确说明如何系统改变自变量⁠，并定义合理的物理范围⁠。通常应选取至少 5 个不同数值⁠，以形成足以判断趋势的数据集⁠。

• 定性变量的定量化 (Quantification of Qualitative Variables)⁠： 必须将定性属性转化为可测量的量化指标（⁠例如⁠，将“⁠粗糙/光滑⁠”等描述性标签替换为“⁠砂纸的目数等级⁠”⁠）⁠。

• 因变量 (Dependent Variable)⁠： 明确说明测量仪器⁠、分辨率与测量方法⁠。通常每个自变量值至少进行 3 次独立重复测量⁠，以计算平均值并估计随机不确定度⁠。

• 控制变量 (Controlled Variables)⁠： 诸如“⁠保持温度恒定⁠”之类的泛泛而谈是无效的⁠。必须指明具体的物理控制方法（⁠例如⁠，“⁠将容器完全浸入恒温水浴槽中⁠，并使用数字温度计实时监测⁠”⁠）⁠。

• 控制变量的局限性⁠： 识别最重要的未控变量⁠，说明它如何影响因变量⁠，并提出可行的监测或控制方法⁠。

8. 安全与方案改进 (Safety and Protocol Improvements)

风险评估结构 (Risk Assessment Structure)

实验设计中的安全与环境声明必须遵循明确的因果链条⁠：

$\text{危险源 (Hazard)} \rightarrow \text{相关风险 (Associated Risk)} \rightarrow \text{具体控制措施 (Specific Control Measure)}$

• 示例⁠： 激光束（⁠危险源⁠） $\rightarrow$ 直视光束可能损伤眼睛（⁠相关风险⁠） $\rightarrow$ 不直视光束⁠，并使光束路径低于眼睛高度（⁠具体控制措施⁠）⁠。

实验改进的具体性 (Specificity of Experimental Improvements)

提出的改进建议必须直接针对导致系统误差的特定物理机制⁠，而不是简单地建议“⁠使用更精密的仪器⁠”⁠：

• 热学实验⁠： 增设隔热套并应用冷却曲线修正⁠，以精确测定并补偿损失的热能量⁠。

• 力学实验⁠： 采用光电门（⁠Photogates⁠）和数字数据记录器代替手动秒表⁠，以消除人为反应时间误差⁠。

• 电学实验⁠： 采用脉冲电流开关限制测量间隔内的电流流动⁠，防止因焦耳热效应导致电阻率发生温漂⁠。

附录 A⁠：不确定度传播的数学基础（⁠拓展阅读⁠）

本附录用于解释 IB 物理中线性不确定度传播规则的数学来源⁠，不属于书面考试要求⁠。课程作业和考试仍应使用正文所列的 IB 代数传播规则⁠。

若衍生量 $y$ 依赖多个测量量⁠，写作

$y=f(x_1,x_2,\dots,x_n),$

则其全微分为

$\mathrm{d}y=\sum_{i=1}^{n}\frac{\partial f}{\partial x_i}\mathrm{d}x_i.$

对于较小的不确定度⁠，可用一阶近似估计各输入量变化对 $y$ 的影响⁠。若取各项绝对值并线性相加⁠，可写成

$\Delta y=\sum_{i=1}^{n}\left|\frac{\partial f}{\partial x_i}\right|\Delta x_i.$

例如⁠，对于加法 $y=a+b$⁠：

$\Delta y=\Delta a+\Delta b.$

对于除法 $y=a/b$⁠，可得到正文使用的分数不确定度规则⁠：

$\frac{\Delta y}{y}=\frac{\Delta a}{a}+\frac{\Delta b}{b}.$

在更高阶的实验数据处理中⁠，若各输入不确定度可视为相互独立的随机量⁠，还可能使用均方根（⁠Root Sum Square, RSS⁠）传播⁠：

$\Delta y_{\mathrm{RSS}}=\sqrt{\sum_{i=1}^{n}\left(\frac{\partial f}{\partial x_i}\Delta x_i\right)^2}.$

RSS 与 IB 正文采用的线性叠加建立在不同约定和假设上⁠。它在这里仅作为拓展比较⁠，不替代 IB 课程中的标准作答方法⁠。

提交内容反馈