1 不确定性传导的基本概念
1.1 输入量与输出量的不确定性
不确定性传导研究的是：当一个计算或测量流程把输入量映射到输出量时，输入量中存在的误差、波动或统计不确定性会以某种方式传递并体现在输出结果的不确定性上。这里的“输入”既可以是实验观测值，也可以是模型参数或边界条件；“输出”可以是单个标量结论，也可能是一段随变量变化的函数或中间量的集合。
在实践中，不确定性传导的目标通常不只是给出一个“误差条”，而是回答输出结果在多大程度上可信、哪部分输入误差最关键、以及在给定资源下如何改进测量或模型。
1.2 误差、噪声与不确定性的区分
- 误差常被用来指相对真值或参考值的偏差，可能包含系统误差与随机偏差。
- 噪声通常指随机波动来源，例如测量仪器的随机读数抖动、环境扰动等。
- 不确定性是对“结果可能落在何处”的定量描述，它既可以由噪声形成，也可能来自模型简化、参数估计、仪器标定等因素。
因此，不确定性传导可以把误差或噪声作为不确定性的组成来源，但更关注的是输出端“可能范围”的描述方式与量化结果。
1.3 确定性模型与不确定性模型
不确定性传导依赖的模型类型主要包括两类：
- 确定性模型：假设输入的真实值到输出之间的关系是明确的函数或算法。此时不确定性只来自输入本身的不确定性。
- 不确定性模型：认为输入到输出的映射存在结构性不确定性，例如参数未完全已知、模型形式有替代选项、或模型输出还受到未知扰动影响。此时传导不仅仅是误差从输入到输出的“搬运”，还包括模型假设带来的额外不确定性贡献。
在科学实践中，区分两者有助于避免把所有偏差都错误归因于测量噪声，或相反地忽略模型结构的影响。
1.4 相关性在传导中的角色
当多个输入量并非相互独立时，不确定性传导需要考虑它们之间的相关性。相关性会导致输出不确定性出现“加成”或“抵消”两种典型效应：若正相关，输入波动可能在输出端同向放大；若负相关，某些波动可能相互抵消，从而降低输出的不确定性。
忽略相关性往往会带来系统性的偏差：常见风险包括把协方差项全部当作零，导致输出不确定性被高估或低估。因而在实验设计、数据预处理或参数估计后，明确相关结构是可靠传导的关键环节。
2 数学框架：从函数到误差
2.1 标量函数的误差传播
考虑输出为单个标量，由输入变量组成的函数形式： \[ y = f(x_1,x_2,\dots,x_n) \] 如果输入量存在小扰动，并且这些扰动的统计性质已知或可近似，误差传播通常通过把输出对输入的变化率与输入的不确定性关联起来。在线性近似下，输出的不确定性往往与各输入的不确定性按“敏感度权重”组合；在包含相关项的情况下，还会出现协方差交叉项。
该框架常用于快速估计误差量级，便于在计算成本较低时进行初步评估与方案筛选。
2.2 多变量情形的雅可比矩阵方法
当输出可以写成向量形式 \(\mathbf{y}=\mathbf{f}(\mathbf{x})\)，线性化传播更适合借助雅可比矩阵。雅可比矩阵刻画输出分量对输入分量的局部变化率，其形式为 \[ J_{ij} = \frac{\partial f_i}{\partial x_j} \] 在输入不确定性以协方差矩阵 \(\Sigma_x\) 表示时，线性化传播常写成输出协方差的估计形式。该方法的优势在于：它能同时处理多输出、多输入，并以统一矩阵语言组织计算。
2.3 协方差形式与误差椭圆
在二维或低维情形中，输出的不确定性常用协方差矩阵进一步表达其几何形状。以二维输出为例，协方差对应的等置信区域可呈椭圆形，其主轴方向反映不确定性主要沿哪个组合方向展开，主轴长度则表示方差大小。与只给出单个标准差相比，误差椭圆提供了更完整的信息，例如不确定性的方向性与相关性导致的非对角结构。
在工程评估中，这种表示也有助于判断不同测量或模型输出之间的可区分性。
2.4 非线性系统的线性化近似
许多实际系统具有非线性。若输入不确定性相对较小，常用做法是围绕输入名义值进行泰勒展开，仅保留一阶项，从而获得近似的线性传播结果。然而当系统强非线性或误差较大时，线性近似可能出现失真：输出分布可能偏斜、尾部风险被低估，或传播方向与线性预测不一致。
因此，在线性化框架下得到的结果通常需要结合适用性检查，例如通过二阶项估计、蒙特卡洛对照或敏感度随范围变化的验证。
3 基于概率的表述
3.1 随机变量模型与分布假设
概率表述将输入的不确定性建模为随机变量。每个输入变量可对应一个分布（例如正态、均匀、对数正态等），输入之间还可能存在联合结构以表征相关性。输出则由随机输入通过模型函数得到，从而形成输出的随机分布。
在实际应用中，分布假设往往是可操作性的折中：过于理想化可能低估风险，过于复杂又会导致估计与计算困难。因此通常会结合数据、先验知识或经验校验来选择分布形式。
3.2 置信区间与覆盖概率
在概率模型下，输出的不确定性可以用区间表达，例如置信区间。置信区间的意义与“覆盖概率”相关：若重复实验或重复抽样，区间在设定置信水平下覆盖真实值的频率应接近期望值。
在不确定性传导中，关键问题是区间构造与统计假设是否匹配，以及区间是否能反映输出的不对称性或尾部特征。对非线性与非高斯情形而言，基于正态近似的区间可能不够稳健，需采用更合适的构造策略。
3.3 误差的贝叶斯视角（概览）
贝叶斯视角强调“用数据更新信念”。在此框架中：
- 输入参数可能带有先验分布；
- 通过观测数据构建似然函数；
- 得到后验分布，进而对输出不确定性进行推断。
从不确定性传导角度看，贝叶斯方法把“参数未知”显式纳入传播：输出的分布不仅反映测量噪声，也反映参数估计的不确定性。其实现常借助采样或近似推断。
3.4 条件不确定性与层级建模（概览）
当不确定性来源具有多层结构，例如不同实验批次、不同仪器条件或不同样本群体，使用条件不确定性可以更精细地描述：给定某些隐含变量或分组条件后，不确定性在组内与组间可能呈现不同尺度。
层级模型通过把多种随机效应放入统一框架，使得不确定性传导能够同时考虑组间差异与组内波动。这类方法在复杂数据与多来源误差存在时更具表达力，但对建模与计算提出更高要求。
4 灵敏度分析与误差预算
4.1 灵敏度系数与贡献度
灵敏度分析量化输出对输入变化的响应程度。灵敏度系数可由偏导或等效指标给出：当某输入的微小扰动发生时，输出的相对或绝对变化如何随之改变。
在误差预算中，往往不仅关注敏感度本身，还希望估计各输入分量对输出方差的贡献度。这样可以把“误差来自哪里”转化为“哪项改进最值得做”，避免盲目追求所有环节都提升精度。
4.2 误差预算的构建流程
误差预算通常遵循以下思路：
- 列出输出所依赖的主要输入源与不确定性项（包括测量噪声、标定误差、模型参数误差等）。
- 为每一项不确定性确定分布或方差指标，并说明其相关性结构。
- 选择合适的传播方法（线性化、数值近似或采样）计算输出的合成不确定性。
- 分解输出不确定性到各来源，形成贡献度列表。
- 对结果进行合理性检查与敏感性验证，必要时调整模型或统计假设。
完成的误差预算不仅能报告总不确定性，也能给出“关键项清单”。
4.3 最关键参数识别
识别最关键参数的目的，是在资源有限时优先处理能产生最大不确定性改善的因素。关键参数可能不是测量最困难的那一项，而是对输出最敏感、且其当前不确定性水平又较大的因素。
常见策略包括比较各输入的贡献度、观察灵敏度随范围变化是否稳定，以及评估相关性是否会导致某些输入项的“协同抵消”。
4.4 目标驱动的实验优化（概览）
当存在明确的性能指标（例如输出达到某精度要求），可以进行目标驱动的优化：反推允许的输入不确定性上限，或决定增加样本量与改进哪类测量手段更划算。
此类优化通常与经济性、可行性约束结合，例如考虑仪器升级成本、采样时间成本或模型改进成本，从而形成更实用的迭代路线。
5 蒙特卡洛方法
5.1 基本思想：抽样与统计估计
蒙特卡洛方法通过随机抽样获得输出分布的数值近似：对输入按其不确定性模型生成大量样本，代入模型计算得到对应的输出样本集。随后用统计量（均值、方差、分位数等）估计输出的不确定性。
当解析传播困难，尤其在高非线性、复杂模型或非显式分布时，蒙特卡洛通常是通用且直观的选择。
5.2 确定输入分布与抽样策略
蒙特卡洛的准确性很大程度取决于输入分布与相关结构的设定。步骤一般包括：
- 为每个输入选择合理分布或经验分布；
- 处理相关性：例如通过协方差矩阵生成联合样本，或使用变换方法；
- 选择抽样规模与覆盖策略，确保对关注的输出区域（如尾部）有足够采样密度。
在实际工程中，分布参数的来源可能来自校准记录、历史数据或专家经验；若参数本身也不确定，往往需要进一步的层级抽样策略。
5.3 方差缩减与重要性抽样（概览）
直接抽样可能在估计置信区间尾部或罕见事件时效率较低。方差缩减技术通过更聪明的采样策略降低估计方差，例如重要性抽样会把样本更多集中到对结果贡献大的区域，再通过权重校正偏差。
这类方法的细节依赖于目标量（均值、方差、分位数或概率阈值超越等），但总体目的都是在相同计算预算下提高精度。
5.4 置信区间估计与收敛性检查
蒙特卡洛输出通常需要评估收敛性与不确定性：样本量不足会导致估计波动。常用做法包括：
- 观察估计量随样本量增加的稳定性；
- 计算估计误差的上界或标准误；
- 对分位数等统计量进行特定的误差评估。
此外，还可用对照方法（如线性化估计）或对输入分布假设进行敏感性检验，判断输出结论是否对建模选择过度敏感。
6 数值实现与工程实践
6.1 自动微分与符号/数值导数
误差传播中常需要导数信息。实现途径包括：
- 符号推导：对简单模型易获得准确表达，但对复杂程序不易维护；
- 数值导数：通过有限差分近似偏导，易受步长影响并引入截断误差与舍入误差；
- 自动微分：在保持高精度的同时获得导数或雅可比信息，适用于大规模程序或复杂链式计算。
自动微分常用于工程计算与科学软件开发，可显著降低人工求导的成本。
6.2 计算精度与截断误差的耦合
数值计算会带来额外误差来源，例如迭代求解误差、浮点舍入误差以及截断误差。若这些误差与不确定性传导同时被忽略或混淆，输出不确定性可能被误估。
实践中可将数值误差视作额外的误差预算项，或通过提高求解精度、改变步长、对关键量做数值一致性测试来验证结果稳健性。
6.3 相关输入的协方差生成
当输入存在相关性，关键在于生成满足指定协方差结构的联合样本。常见做法包括使用协方差分解（如对称正定情形的分解）将独立随机源变换为相关随机向量，从而保证生成样本的二阶统计一致。
若相关结构来自估计过程，其协方差矩阵可能带有估计误差，进一步的稳健性评估就变得重要。
6.4 高维问题的处理思路
高维输入会增加计算成本，并使分布建模与采样效率下降。常见处理思路包括：
- 降维：例如仅保留对输出影响最大的方向或参数子集；
- 使用更高效的采样方法或重要性策略；
- 利用结构化模型（稀疏性、低秩近似）降低自由度；
- 在必要时将不确定性传导拆分为分块计算或逐层更新。
对于高维非线性系统，还需要特别关注线性近似与分布假设的有效性边界。
7 特殊情形与适用边界
7.1 近似失效：强非线性与大误差
当输入不确定性较大或模型高度非线性，基于一阶线性化的误差传播可能不再可靠。输出分布可能出现明显的偏度与多峰结构，导致方差或置信区间对真实不确定性刻画不足。
此时通常需要转向更稳健的数值方法（例如更充分的采样）或使用包含二阶项的改进近似，并与解析结果进行交叉验证。
7.2 非高斯误差与厚尾分布（概览）
若误差分布不是近似正态，尤其存在厚尾或偏态，简单的“方差合成”可能低估极端情况发生的概率。厚尾分布意味着大偏差并非罕见，从而对分位数、覆盖概率等指标影响更大。
处理此类问题时，通常需要更贴合的数据驱动分布选择，或采用对尾部更敏感的评估指标而非只看方差。
7.3 约束条件与截断变量
某些物理或工程量天然受限，例如非负性、上下界、或由工艺导致的截断。若输入被截断，传播后的输出分布也会体现边界效应；同时线性化误差传播可能忽略截断导致的分布形状改变。
在建模上，截断可以通过截断分布、约束采样或在数值阶段重参数化来处理，从而更准确地反映可行域限制。
7.4 参数先验未知时的鲁棒估计（概览）
当先验分布或分布参数来源不明确，不确定性传导可能对假设过度依赖。鲁棒估计强调在一类可能模型或参数范围内给出稳定的结论，例如通过敏感性分析、区间先验或模型集成来减少单一假设的支配效应。
该概览类做法常用于数据不足、或分布选择存在明显争议的情形，以增强结论的可信度。
8 常见误区与校验方法
8.1 只算方差不考虑相关性
常见错误是把所有输入都当作独立变量，仅使用各自方差进行合成。若实际存在相关性，输出方差会偏离真实水平，且可能导致关键参数误判。校验方法包括：检查数据生成过程的关联来源、在统计估计中同时估计协方差，或用采样方法验证相关性对输出的影响幅度。
8.2 线性化对范围外结果的风险
线性化误差传播通常适用于小扰动与近似局部稳定的情形。若输入不确定性足以覆盖较大范围，或模型在该区域附近发生明显形状变化，线性化结果可能失真。校验通常通过比较线性化与蒙特卡洛（或更高阶近似）的输出统计量差异来实现。
8.3 使用不匹配的单位与标度
单位不一致或标度选择不当会导致计算错误或解释偏差，例如把相对误差与绝对误差混用、把对数尺度上的误差当作线性尺度误差等。校验方法包括：在每一步明确变量定义、检查量纲、必要时将变量统一到适当的尺度（如对数变换）后再进行传播。
8.4 交叉验证：解析法 vs 蒙特卡洛
解析或近似方法快，但受假设限制；蒙特卡洛更通用，但成本更高。交叉验证通过在相同输入模型下比较不同方法输出的不确定性估计是否一致，可以发现线性化失效、分布假设不合理或数值实现错误等问题。
当差异明显时，通常应回到模型层面核查导数计算、相关结构设置与分布参数选择。
9 应用领域概览
9.1 计量学与实验物理
计量学中常需要把测量链路上的多种误差传导到最终测量结果的不确定性。实验物理也普遍采用灵敏度分析与误差预算来分解总误差，并通过重复测量与模型校验控制可靠性。
9.2 工程与质量控制
工程场景常见输出包括尺寸、强度指标、性能参数或可靠性相关量。不确定性传导用于确定工艺波动如何影响合格率或安全裕度，并支持质量控制中的目标设定与关键环节定位。
9.3 化学与材料表征（概览）
在化学分析与材料表征中，测量过程往往受到仪器校准、样品制备误差与模型反演不确定性的共同影响。不确定性传导可用于量化最终物性参数（如浓度、含量、结构参数）的可信区间，并辅助方法选择与实验优化。
9.4 计算科学与模型评估（概览）
计算科学中，不确定性传导用于评估数值模拟结果对参数、边界条件与离散化误差的敏感程度。通过将不确定性与模型评估结合，可以更合理地比较不同模型或数值方案，并对预测可靠性给出量化说明。