1 不確かさの伝播の概要
不確かさの伝播とは、測定やモデル化で生じる入力側のばらつき・誤差要因が、演算や換算を経由して出力側の不確かさとしてどのように現れるかを整理し、定量的に評価する考え方である。典型的には、入力となる物理量の不確かさをもとに、計算結果に付随する不確かさを評価する枠組みとして利用される。
出力側の不確かさは、要因の影響の大きさや、要因同士の同時性（依存関係）によって増減する。したがって、単に「誤差を足し合わせる」だけでは不十分であり、計算手順（関数形、線形化の可否、相関の扱い、数値計算の安定性）に応じた方法選択が必要となる。不確かさを正しく扱うことにより、結果の信頼性が高まり、異なる施設・手法間の比較も容易になる。
1.1 目的と基本概念
目的は、入力の不確かさを原因別に把握し、処理後の出力に対する影響を数値として表すことである。具体的には、(1) 入力量の不確かさを定義し、(2) 出力の計算式に反映させ、(3) 出力に付随する不確かさの要約指標（標準不確かさ、拡張不確かさなど）を決定する。
基本概念として、出力は入力の関数として記述されるとみなし、その関数に入力のばらつきがどの程度伝わるかを評価する。線形に近い場合は感度係数が有効であり、非線形性が強い場合や分布が複雑な場合は別の手法が適する。
1.2 不確かさの種類と表し方
不確かさは、表現方法の違いによって運用のされ方が変わる。代表的には確率的な扱いに基づく表現と、区間や限界値としての表現に大別される。いずれも同じ「不確かさ」を異なる観点から要約するものであり、目的に応じた選択が求められる。
不確かさの表し方は、測定の性質（反復性、系統要因の扱い、モデル誤差の位置づけ）や、利用側が必要とする意思決定の形式（検定、規格適合、予測）に影響される。
1.2.1 確率的な不確かさ
確率的な不確かさでは、入力に対して確率分布（あるいは近似分布）を仮定し、その分布が出力の分布にどう影響するかを考える。標準不確かさは分布の広がりを示す指標として用いられ、しばしば平均からの分散や標準偏差に対応する。
この枠組みでは「どれくらいの確からしさである範囲に入るか」を解釈しやすい。一方で分布仮定や依存関係の設定が結果に影響するため、仮定の妥当性を確認する運用が重要になる。
1.2.2 限界値・区間としての不確かさ
限界値や区間としての不確かさでは、確率分布に強く依存せず、許容される範囲（例えば上限・下限、包含区間）として出力の幅を表す。場合によっては、最悪ケースを想定した保守的な評価が行われることがある。
この表し方は、規格適合や安全側評価など「確率の解釈より範囲の保証」が重要な場面で有用となる。ただし、区間の幅が大きくなりやすく、確率的表現と比べて情報量が異なる点に留意が必要である。
1.3 測定モデルとの関係
不確かさの伝播は測定モデルと密接に結びつく。入力側の不確かさは、測定手順、校正、補正、モデル化誤差の要因として現れるため、まず「何がどう計算に入っているか」を明確化する必要がある。
出力の計算式は、理論式、経験式、回帰モデル、校正曲線などで構成されることが多い。モデルが持つ線形性・非線形性、パラメータ推定の不確かさ、さらに数値計算の誤差が、伝播結果に反映される。したがって、伝播の評価は単独の計算手順ではなく、モデル構築と不確かさ評価を一体として扱う作業になる。
2 数学的枠組み
不確かさの伝播を数学的に扱う場合、出力を入力の関数として定式化し、入力のばらつきが出力の統計量（分散など）へ与える影響を導出する。多くの実務では、厳密な分布変換よりも扱いやすい近似に基づく評価が採用される。
代表的には線形近似による感度係数を用いる方法がある。入力のばらつきが小さく、出力関数が滑らかであれば精度良く機能するが、非線形や外れ値の存在が強い場合には別のアプローチが必要になる。
2.1 伝播の基本式
出力を \(y=f(x_1,x_2,\dots,x_n)\) とし、入力 \(x_i\) に不確かさがあるとする。伝播の基本課題は、入力の不確かさから出力の不確かさを得ることである。最もよく用いられる指標は分散または標準不確かさであり、出力の分散を入力の分散と共に組み立てる。
厳密には、入力の多変量分布に基づいて出力分布を求める必要があるが、実務では計算容易な近似が主流である。線形化はその中心にある。
2.1.1 線形近似による感度係数
線形近似では、出力関数を基準点まわりでテイラー展開し、一次の項までを採用する。入力の微小変化 \(\Delta x_i\) が出力に与える影響は、偏微分で表される感度係数として整理できる。
具体的には、出力変化 \(\Delta y\) を \(\sum_i \frac{\partial f}{\partial x_i}\Delta x_i\) の形で近似し、そこから不確かさの合成に進む。この手法は、入力の変動幅が小さく、関数が局所的に直線的であるときに有効である。
2.1.2 合成分散の考え方
感度係数に基づく線形近似のもとでは、出力の分散は入力の分散（および共分散）を用いた合成として表される。独立な場合は分散の和になることが多く、相互に無視できない依存がある場合は追加の項が現れる。
この合成は「足し算」ではなく、一般には分散という二乗スケールの上で構造的に結合される。したがって、単位系の扱い、スケール変換の影響、そして二乗量の解釈に注意が必要になる。
2.2 一次の近似と高次の影響
一次（線形）近似では、非線形性によるゆがみが無視される。高次の項が無視できないと、出力の分散だけでなく平均（バイアス）や形状（非対称性）が影響を受ける可能性がある。
高次影響の評価は、出力関数の曲率、入力不確かさの大きさ、基準点からの距離に依存する。典型的には、入力変動が小さいほど高次項の寄与は抑えられるが、近似の妥当性を確認するための検証計算（差分評価、簡易モンテカルロ、感度の再評価など）が行われる。
2.3 非線形計算への対応
非線形性が強い場合、線形化のみで不確かさを表すと誤差が増える。こうした局面では、計算上の近似を強化するか、確率計算の手法を切り替える。
代表的な選択肢として、(1) 高次近似の採用、(2) 入力の分布を用いた数値的サンプリング、(3) 目的量に対して数値的に不確かさを推定する設計がある。特に分布が非対称になる可能性がある場合は、区間や分位点の形で報告する方が適切なこともある。
3 相関と依存関係の扱い
不確かさの伝播では、入力間の独立性が仮定されることが多いが、実際には校正、共有データ、同一装置の換算係数などにより依存が生じうる。相関は出力の分散に加算的にも減算的にも働きうるため、誤った仮定は大きな偏りにつながる。
依存関係を無視すると、出力の幅が過大または過小になる可能性がある。したがって、入力の出どころと処理系を追跡し、どの要因が共通原因を持つかを整理することが実務上の重要点となる。
3.1 相関の有無が与える影響
相関がゼロなら、合成は分散の単純な加算（線形近似の範囲）になりやすい。一方、正の相関がある場合は、変動が同方向に寄与しやすく、出力の広がりが増える傾向がある。負の相関では、相殺によって出力のばらつきが小さく見えることがある。
相関による影響の符号は、感度係数の符号と組み合わされて決まる。したがって、相関の存在を前提とした上で、どの計算経路が同時に変動するかを理解する必要がある。
3.2 共分散による結合
共分散は、入力の同時変動の程度を表す量であり、出力分散の合成に直接現れる。線形近似では、出力分散は入力の分散項に加え、共分散に基づく交差項を含む形で表される。
共分散を用いる場合、入力の単位系やスケールに注意が必要である。実務では、共分散が直接得られないことも多いため、モデル化した相関構造、校正データの共有による依存、あるいは統計推定で推定した共分散を用いる。
3.3 相関係数の推定と不確かさ
相関係数は共分散を標準偏差で規格化した指標であり、0に近いほど独立に近いと解釈される。ただし相関係数の推定には標本数や測定設計の影響が大きく、推定された相関自体にも不確かさが存在する。
相関推定の不確かさを伝播へ取り込むかどうかは、目的と精度要件に依存する。簡便には一度推定値を固定して伝播評価を行うが、高精度が要求される場合は、相関のばらつきも含めた階層的な評価や数値的サンプリングが用いられる。
4 実務での評価手順
不確かさの伝播の実務評価は、入力の情報整備から始まり、適切な手法で出力の不確かさを算出し、最後に報告形式を整えるという段取りで進む。手順の流れが明確であるほど、再現性と監査性が高まる。
重要なのは「何を入力として扱うか」「それらの不確かさがどのモデルに属するか」を揃える点である。評価の精度は、数学的手法よりも入力の整理で大きく左右されることがある。
4.1 入力不確かさの整理
入力不確かさを整理する段階では、要因を分解し、どの成分がランダム性由来か、系統的な偏り由来かを可能な範囲で区別する。さらに換算係数、校正パラメータ、補正項、計算モデルの仮定など、出力へ影響する経路を洗い出す。
この作業は、後続の計算を単純化するだけでなく、相関の有無を見極める基盤になる。
4.1.1 分類（測定・換算・モデル等）
入力は測定、換算、モデルの各カテゴリに整理されることが多い。測定由来は同一装置・同一手順のばらつきや反復性に関係し、換算由来は係数や単位変換、補正の適用に起因する。モデル由来は理論式や回帰の不確かさ、近似仮定の影響として現れる。
分類の実務上の利点は、伝播の手法選択や相関推定のための情報が得られることにある。例えば換算係数が複数の項で共有される場合、依存関係が生じやすい。
4.2 手計算と計算機支援
線形近似が成り立つ場合は、手計算で感度係数を求め、分散合成により算出できる。これは透明性が高く、どの要因が支配的かを把握しやすい。
一方で入力が多い場合や関数が複雑な場合は、計算機支援が有効になる。自動微分や数値微分を用いた感度計算、分散合成の一括処理、単位チェックなどにより、人的ミスを減らせる。ただし、ソフトウェアの仮定（独立性、分布形、丸め誤差の扱い）を確認する必要がある。
4.3 モンテカルロ法による伝播
モンテカルロ法は、入力の確率分布に従って多数のサンプルを生成し、それぞれのサンプルで出力を計算して出力の分布を推定する手法である。非線形性や相関、分布形の複雑さに比較的柔軟に対応できる。
実務では、サンプル数、乱数の品質、入力分布の仮定、計算の安定性が結果に影響する。収束の確認や、分位点に基づく報告（上側・下側の幅、包含率の指定）など、目的に応じた要約統計を選ぶことが求められる。
4.4 計算結果の報告方法
報告では、出力の中心値と不確かさの形（標準不確かさ、拡張不確かさ、区間幅など）を明確にし、算出根拠（手法、仮定、包含係数や信頼水準の扱い）を併記する。さらに、支配的要因の提示があると、利用者が解釈しやすい。
モンテカルロを用いた場合は、分布の非対称性を反映した要約（例えば上下端の分位点）を選ぶと情報量が増える。報告の粒度は目的や規制・品質要求に従う。
5 妥当性確認と品質管理
不確かさの伝播の評価は、計算結果そのものに加えて、前提条件が妥当かどうかの確認が不可欠である。特に線形近似に依存する場合は、近似がどの範囲で成り立つかを確認する必要がある。
品質管理では、計算の再現性、入力データの整合性、検証用の比較指標、そして判断基準の明確化が重要になる。これにより、場当たり的な設定を避けられる。
5.1 感度の妥当性チェック
感度係数に基づく評価では、基準点近傍での局所的な挙動を信頼することになる。そこで、基準点の前後で小さな摂動を与え、出力変化が線形予測と整合するかを確かめる方法がある。
このチェックにより、ある入力要因が実際には非線形領域にあるために一次近似が不十分である、といった問題を早期に検出できる。結果として、必要なら高次近似や数値的手法への切替が可能になる。
5.2 反復計算・検証データ
同一条件での反復計算は、計算手順や実装の安定性を確認するために有効である。手計算の場合でも、独立な計算経路で再計算し一致を確かめることができる。
検証データとして、既知の入力に対する出力（あるいは参照試験）を用いることで、計算式と不確かさの整合を確認できる。さらに、入力の一部を変えて影響の方向性が妥当かを確認する感度分析も品質管理に含まれる。
5.3 判断基準（過度な簡略化の回避）
簡略化はしばしば実務上の要請だが、伝播評価では過度な簡略化が誤りの原因になる。判断基準として、どの近似を採用したか、どの成分が無視されたか、そしてその無視が許容範囲に収まるかを定めることが重要である。
基準には、許容誤差の大きさ、想定される不確かさの比率、非線形性や相関がもたらす影響の見込みなどが含まれる。明文化された基準は、担当者交代があっても同水準の評価を維持するのに役立つ。
6 よくある誤解と注意点
不確かさの伝播では、概念の誤読が実装上のミスにつながりやすい。代表的な誤解として、分散と標準偏差の混同、平均値と不確かさの置き換え、単位換算の抜け落ちが挙げられる。
これらは計算のどこかで必ず現れるタイプの誤りであり、レビューや単位チェックの徹底により減らせる。
6.1 分散と標準偏差の取り扱い
分散は二乗単位で表される量であり、標準偏差は分散の平方根である。合成式でどちらを用いているかを取り違えると、出力の不確かさが係数分だけ大きくも小さくもなる。
特に「誤差を足して平方を取る」などの操作は、式の形と整合しているかを確認しないと破綻しやすい。レビューでは次元解析とともに、計算段階ごとの量の定義を追跡することが有効である。
6.2 平均値と不確かさの混同
中心値（平均）と不確かさは異なる役割を持つ。不確かさは入力のばらつきや不確実性の広がりを表す指標であり、平均値を「より信頼できる値」へ置換するものではない。
混同が起きると、出力の報告が「値の妥当性」ではなく「ばらつきの増減」に偏る。利用者の意思決定に直結するため、表の列名、符号、意味づけを注意して記載する必要がある。
6.3 単位・換算の見落とし
単位換算やスケール変換は、不確かさの伝播に直接影響する。例えば長さを別単位へ変換する場合、不確かさも同じ換算則に従って変換されるべきである。
注意点として、換算係数の不確かさを別途含めるかどうかがある。定数とみなしてよいのか、測定由来として扱うべきかを判断しないと、伝播の結果がずれる。
7 関連する概念
不確かさの伝播は単独の概念ではなく、計測・推定・統計の周辺概念と相互に関連する。関連する枠組みを理解すると、目的に合った不確かさ表現を選びやすくなる。
また、数値誤差（計算の丸めや打ち切り）と、不確かさ（入力の不確実性）を区別することも実務上重要である。
7.1 エラーバジェットとの関係
エラーバジェットは、目標精度や規定に対して、誤差要因の寄与を配分し管理する考え方である。不確かさの伝播が「入力の不確かさから出力の不確かさを計算する」枠組みであるのに対し、エラーバジェットは「設計目標を満たすために各要因の許容範囲を設定する」枠組みとして位置づけられる。
両者は往復的に利用される。伝播評価で寄与が見積もれれば要因配分の見直しができ、逆に割り当てたバジェットが妥当かを伝播で検証できる。
7.2 予測区間と信頼区間
予測区間と信頼区間は、いずれも区間を用いるが、対象が異なる。信頼区間は推定した母数や平均値の不確実性を要約することが多いのに対し、予測区間は将来の観測値がどの程度の範囲に入るかを表す。
不確かさの伝播は、モデルの出力に対する不確実性の形を区間へ落とし込む際に密接に関与する。どの区間を求めるのか（母数、平均、観測値）を明確にすると、同じ計算でも解釈がずれにくい。
7.3 近似法と数値誤差の区別
不確かさの伝播で用いる近似法（線形化、補正、サンプリング）は、入力の不確実性を扱うためのものである。一方、数値誤差は計算機による丸め、打ち切り、条件の悪さなどに由来する誤差であり、意味するところが異なる。
両者を混同すると、原因の切り分けができなくなる。近似誤差が不確かさの一部として扱われるべき状況と、計算の安定化で除去すべき数値誤差の状況を区別することが、品質向上につながる。