1 基本概念
1.1 定义与适用范围
类型B评定是测量不确定度评定中的一种方法，主要依据非重复试验得到的信息来估计不确定度。它不以样本统计为核心，而是综合仪器技术指标、校准信息、文献资料、历史经验以及专业判断等来源，对测量结果可能偏离真实值的程度进行量化。
这一方法适用于无法进行充分重复观测，或者重复性并非主要不确定度来源的场景。常见于计量校准、实验室分析、工业检测以及工程参数估算等领域。凡是已有明确先验信息、但缺少足够观测数据的测量活动，通常都需要借助类型B评定来补充完整的不确定度预算。
1.2 与类型A评定的区别
类型A评定建立在重复观测的统计分析基础上，通常通过样本均值、标准差和置信区间等量来描述随机波动。类型B评定则不依赖观测次数，而是将外部信息转化为概率意义上的不确定度。
二者最明显的差异在于信息来源不同：类型A来自测量数据本身，类型B来自数据之外的知识体系。前者更适合处理随机重复性误差，后者则更擅长处理仪器限制、校准残差、分辨力不足以及经验修正等因素。实际工作中，两者往往共同存在，并不互相替代。
1.3 在测量不确定度中的地位
在完整的不确定度分析中，类型B评定通常占有基础性地位。它不仅补足了样本信息不足的问题，也为结果报告提供了系统框架，使测量结果的可信度能够被更清晰地说明。
许多测量项目中，类型B分量可能并不显著，但其存在往往决定了最终不确定度预算是否完整。尤其在高精度测量中，一些看似微小的系统来源，如仪器分辨力、零点偏移或标准器限制，往往只能通过类型B方式进行合理估计。
2 理论基础
2.1 不确定度的概率解释
类型B评定的理论基础之一，是将非统计信息转化为概率意义上的描述。换言之，虽然某些来源没有足够的重复样本，但仍可根据现有知识为其赋予一个合理的分布模型，用以表征可能取值范围及其相对可能性。
这种处理并不意味着信息被“统计化”，而是意味着测量学中允许对知识不完备性进行概率表达。只要估计过程有明确依据，并能说明所采用模型的合理性，类型B结果就可以与类型A结果一并进入不确定度合成。
2.2 非统计信息的来源
类型B评定所依据的信息来源较为广泛，常见渠道包括技术文件、检定证书、规范说明、既有研究以及专业经验。其核心目标不是获得新的实验样本，而是将已有知识转换为可用于计算的不确定度分量。
2.2.1 仪器说明书与技术指标
仪器说明书通常给出测量范围、分辨力、重复性、稳定性以及最大允许误差等指标。这些参数并非直接等同于不确定度，但可以作为估计依据。
在实际换算时，需要考虑指标的含义、适用条件以及制造商给出的测试环境。若说明书明确给出某项性能限值，则可据此建立适当的分布假设，并计算对应的标准不确定度。
2.2.2 校准证书与溯源信息
校准证书提供了被测仪器或标准器与上一级标准之间的关系，是类型B评定中非常重要的来源。证书中常包含修正值、不确定度、覆盖因子及溯源链条等信息。
这类信息的价值在于，它不仅说明某一器具当前的状态，还揭示了该状态的可信程度。通过对证书数据的读取与换算，可以把校准结果纳入整体测量不确定度之中。
2.2.3 经验知识与历史数据
在许多现场测量或复杂工程环境中，历史积累的经验往往比单次试验更能说明问题。类似设备在相近条件下的表现、同类样品的处理偏差，以及长期运行中观察到的漂移趋势，都可作为类型B评定的重要参考。
这类信息常带有一定的主观成分，但并不意味着不可用。只要经验来源清晰、记录完整，并能与当前测量条件对应，就可以作为合理估计的不确定度依据。
2.3 先验分布与主观判断
类型B评定中常会涉及先验分布的设定。由于缺少足够样本，分析者需要根据现有信息判断某个量更可能落在哪一范围内，并将这种判断转换为分布模型。
主观判断在这里并非随意猜测，而是一种受证据约束的专业推断。其合理性取决于信息质量、判断过程透明度以及与已知事实的一致性。常见做法是采用简单而稳健的分布形式，以避免对信息作出过度精细但缺乏支撑的描述。
3 评定方法
3.1 区间估计法
区间估计法是类型B评定中最常见的思路之一。它先给出变量可能出现的上下界，再依据合理假设将区间映射为标准不确定度。
这种方法特别适用于只知道极限值而不了解内部分布的情况，如仪器误差限、量程偏差或人工读数偏差。只要边界条件明确，便可形成较稳定的估计结果。
3.1.1 等概率假设
等概率假设认为，在给定区间内，各取值出现的可能性近似相同。此时通常将变量视为均匀分布，并据此求得标准不确定度。
该假设适用于缺乏进一步信息、但又能确认误差不太偏向区间某一端的情形。由于其模型简洁，计算方便，因此在工程测量和仪器限差处理中应用广泛。
3.1.2 矩形分布
矩形分布是等概率假设的典型形式，表示某个量在上下限之间均匀分布。若误差界为正负a，则其标准不确定度通常取a除以根号3。
这种分布最常用于最大误差已知但无更多结构信息的场合。它体现的是“只知边界，不知偏好”的保守表达方式。
3.1.3 三角分布
当分析者认为某个值更可能接近中心、而靠近边界的可能性较小时，可采用三角分布。它比矩形分布更能反映“中间更可能”的经验判断。
三角分布常用于人工测量、装配偏差估计以及对称误差分析。相比均匀假设，它通常给出略小的标准不确定度，但前提是确有理由相信中心值更具代表性。
3.2 证书与规格参数换算
许多类型B分量并不是直接给出标准不确定度，而是以规格参数、限差或性能指标的形式出现。因此需要进行换算，才能进入统一的计算框架。
3.2.1 最大允许误差的处理
最大允许误差通常表示仪器或标准器在规定条件下允许偏离真值的极限。它本身是一个技术容许范围，而非标准不确定度。
在换算时，常根据该误差是否可视为上下界，选择均匀分布、三角分布或其他适当模型。若制造商或校准机构给出特定解释，则应优先采用其规定方式，而不是机械套用统一公式。
3.2.2 分辨力引入的不确定度
分辨力反映仪器能够区分的最小变化量。读数被限制在有限刻度上时，即使真实量存在细微变化，也可能无法直接观测。
因此，分辨力本身会形成一种量化误差。一般可将其视为在相邻刻度之间的分布问题，再根据读数机制推算对应的不确定度分量。对于数字仪表和模拟仪表，处理方式可能略有不同，但目标一致，都是估计离散化带来的影响。
3.3 文献与经验法
当技术文件不足、仪器说明不完整或测量对象较复杂时，文献资料和经验知识便成为重要补充。此类方法强调对相似情境的归纳与迁移。
3.3.1 类比估计
类比估计是根据与当前对象相近的已有案例进行推断。若历史研究中相似设备、相同材料或类似环境下的误差水平已知，则可将其作为参考。
这种方法适用于新项目启动阶段、缺乏实测样本的早期评估，以及大系统参数的粗略预算。其关键在于相似性是否足够成立，若条件差异较大，则类比结果容易失真。
3.3.2 专家判断整合
在复杂测量中，常需要多位专家共同给出经验范围或修正建议。此时可通过讨论、加权、投票或一致性评估等方式，将多个判断综合为单一估计。
整合专家意见时，通常应尽量记录依据、分歧点和最终结论，以便后续复核。若缺少统一标准，结论容易受到个人偏好影响，因此透明化尤为重要。
4 数学表达
4.1 标准不确定度的计算
标准不确定度是将各种来源统一到可比较尺度上的核心量。对于类型B分量，通常先确定其概率模型，再通过分布参数计算标准差意义上的量值。
不同来源对应不同换算方式。例如，区间型信息可转化为矩形或三角分布的标准差，证书中的扩展不确定度则需要结合覆盖因子反推标准不确定度。最终结果应以与类型A分量一致的形式进入合成计算。
4.2 合成标准不确定度
当多个不确定度来源共同作用时，需要将它们合成为总体标准不确定度。这个过程既可能包含类型A分量，也可能包含类型B分量。
4.2.1 传播律
传播律用于估计输入量的不确定度如何传递到输出量。若被测量值由若干输入量函数关系确定，则输出的不确定度可由各输入分量按照函数敏感程度进行合成。
这一规律使得复杂测量不必逐一穷尽所有可能误差，而能通过结构化表达进行总体评估。对于线性关系，计算通常较直接；对于非线性关系，则需适当线性化或采用更精细的方法。
4.2.2 灵敏度系数
灵敏度系数表示某一输入量发生微小变化时，输出量响应的大小。它决定了某个类型B分量在最终不确定度中的权重。
同样大小的输入不确定度，因灵敏度不同，最终影响可能相差很大。因此，在不确定度预算中，不能只看分量本身，还要看其在模型中的位置和作用强度。
4.3 扩展不确定度
扩展不确定度是在标准不确定度基础上乘以覆盖因子后得到的结果，用于更直观地表达结果区间。它常用于报告和比较，便于用户理解测量值可能分布的范围。
4.3.1 覆盖因子
覆盖因子用于把标准不确定度转换为更宽的区间表示。其取值与所需置信程度、分布特征以及自由度等因素有关。
在常见应用中，覆盖因子取值往往基于经验约定或特定标准要求。但若不确定度来源较复杂，仍应结合实际情况慎重选取，而不能简单套用固定数值。
4.3.2 覆盖概率
覆盖概率表示真实值落入给定区间的可能性。它是扩展不确定度的重要解释背景，也是测量结果可信度的重要说明方式。
需要注意的是，覆盖概率并不等同于绝对保证。它只是对区间包含真实值可能性的量化表达，仍然带有概率性质。
5 实际应用
5.1 实验室测量
在实验室环境中，类型B评定常用于处理试剂纯度、标准物质证书、器皿刻度误差、仪器漂移和环境修正等因素。许多这些来源难以通过重复试验单独分离，因此需要借助证书、说明书和经验模型进行估算。
对于分析化学、物理测量和生物检测等实验，类型B通常与重复性、再现性一起构成完整的误差结构。这样不仅能提升结果解释的严谨性，也便于不同实验室间进行比较。
5.2 工业检测与校准
工业现场中，测量条件常受温度、振动、安装状态和使用频率影响，重复数据未必充分反映真实误差来源。类型B评定可将设备规格、现场工况和历史维护记录纳入计算，从而更贴近实际使用状态。
在校准工作中，类型B尤其重要，因为校准链条本身就包含标准器不确定度、传递误差和环境限制。若忽略这些因素，结果可能看似精确，实则缺乏可信基础。
5.3 环境与材料测试
环境监测和材料性能测试中，样品常具有非均匀性、时变性或空间差异，导致单纯依赖重复数据并不充分。类型B评定可引入采样方法、仪器限差和文献经验，对结果进行更全面说明。
例如，污染物浓度、材料强度或老化性能等参数，往往受采样与制样过程影响明显。此时，把前处理偏差和方法学限制纳入不确定度预算，是提高结果解释力的重要步骤。
5.4 复杂系统中的参数估计
在复杂系统中，某些参数难以直接测量，只能通过模型反演、拟合或间接计算获得。类型B评定可用来描述模型假设、先验范围和外部约束带来的不确定性。
这类应用常见于工程仿真、设备状态估计和多源数据融合。由于系统耦合较强，单个分量往往不是唯一影响因素，因此类型B常被用于整理知识结构，而不只是做简单限差换算。
6 质量控制与报告
6.1 不确定度预算表
不确定度预算表是记录各项来源、模型、参数和结果的常用工具。它把类型A与类型B分量统一列示，便于检查完整性和逻辑一致性。
表中通常包括输入量名称、来源说明、分布假设、标准不确定度、灵敏度系数以及合成后的贡献值。通过这种方式，复杂测量的误差结构可以被清晰呈现。
6.2 评定依据的记录
类型B评定特别依赖依据记录。若缺少说明，后续人员往往无法判断某一不确定度数值是如何得到的，也难以复现原始思路。
因此，记录中应尽量注明引用的证书编号、标准条款、技术文档版本、专家意见来源以及使用的假设条件。良好的文档管理能显著提高结果的可信度。
6.3 结果报告中的表达方式
在正式报告中，不确定度应与测量值一并给出，并说明其评定类型、覆盖因子和主要来源。若类型B分量占比较大，更应简要说明采用了何种依据和分布假设。
清晰的表达不仅有助于使用者理解结果，也便于后续比对和审查。对外报告通常强调结果与范围，对内部分析则可保留更详细的预算信息。
6.4 可追溯性与复核
可追溯性意味着测量结果可以回溯到相应标准和依据链条。类型B评定中的每一项输入，最好都能追溯到具体来源，而不是仅凭口头经验。
复核则是对评定过程的再检查，确认假设、计算和引用是否一致。对于重要测量项目，复核常能发现被忽略的限差、重复计入或模型选择不当等问题。
7 常见问题与局限
7.1 主观性与一致性问题
类型B评定不可避免地包含一定主观成分，尤其在缺乏硬性数据时更为明显。不同分析者对同一信息的解释可能略有差异，导致结果不完全一致。
为降低这种差异，通常需要统一规则、明确分布假设并尽量采用书面依据。这样可以提升跨人员、跨项目的一致性。
7.2 信息不足时的处理
当可用信息非常有限时，分析者往往只能采用保守估计。此时宁可给出较宽的不确定度区间，也不宜做出缺乏依据的精细划分。
如果连基本边界都难以确定，可先通过预评估、补充试验或专家讨论建立粗略范围，再逐步细化。信息不足并不等于无法评定，而是意味着需要更谨慎的模型选择。
7.3 与统计方法的融合
类型B与类型A并不是对立关系，许多实际项目都需要二者融合。统计数据提供经验基础，非统计信息提供结构补充，两者合并后往往更接近真实测量情形。
在融合时，应统一尺度并避免重复计量。例如，若某项偏差已在重复观测中体现，就不应再以类型B形式单独计入一次。合理区分来源，是联合评定的重要前提。
7.4 常见误区与修正方法
常见误区包括把规格限直接当作标准不确定度、把覆盖不确定度误认为标准差、以及忽略灵敏度系数对结果的影响。另一个常见问题是对主观判断缺少记录，导致结果无法复核。
修正方法通常包括：明确原始依据、核对单位与定义、选择合适分布模型、检查是否重复计入，并在预算表中保留完整计算链条。只要过程透明，类型B评定就能较好地服务于测量结果的严谨表达。