1 誤差伝播の概要
誤差伝播は、測定や計算の入力に含まれる不確かさが、数式の演算を経て出力側の不確かさとしてどう変換されるかを体系的に評価する枠組みである。実務では、入力の誤差は単に大小だけでなく、統計的なばらつきの形や変数間の関係（相関）を持つことが多い。そのため、誤差伝播は「入力の不確かさの性質」を明示し、それが出力に与える影響を定量化する点に重点がある。
この考え方は、実験計測に限らず、推定・回帰、物理量の算出、工学設計における検証指標など広範な場面で用いられる。目的は「見かけの一致」ではなく、「不確かさを含めた上での妥当性」を検証することであり、結果の信頼性を利用者が判断できる形に変換することにある。
1.1 用語と基本概念
1.1.1 誤差と不確かさの違い
誤差は、真値との差を指す概念として語られることが多い。一方、不確かさは、真値の位置がどれほど分からないかを表す情報であり、測定やモデル化に由来するばらつき・限界をまとめた概念である。実際の計測では真値が未知であるため、「誤差そのもの」を観測することは難しい。そのため、統計的解析では不確かさを中心に扱う。
1.1.2 入力誤差と出力誤差
入力誤差は、式に代入される変数が持つ不確かさを指す。たとえば、長さ計測の結果、センサ出力の校正係数、推定モデルの係数などが入力に相当する。出力誤差（出力の不確かさ）は、その入力が合成された最終量にどの程度の幅として現れるかを表す。一般に、出力は入力に対して線形・非線形の関係を持つため、入力の不確かさがそのまま同じ割合で伝わるとは限らない。
1.2 目的と利用場面
1.2.1 測定値からの計算誤差評価
複数の測定値から物理量や評価指標を計算する場合、単一の測定値の精度だけでは最終結果の品質を判断できない。誤差伝播により、各入力の不確かさが合算・変換されて出力に現れる大きさが見積もられる。これにより、どの測定が結果の不確かさを支配しているかも比較しやすくなる。
1.2.2 推定量の信頼性の定量化
統計的推定では、推定量はデータに基づいて算出されるため、データのばらつきが推定値の揺らぎとして出力に現れる。誤差伝播の枠組みは、回帰係数のような推定量から派生する量（予測値、差分、比など）の不確かさを整理するのに役立つ。結果として、「どの程度の範囲ならモデルの予測として自然か」を定量的に示せるようになる。
2 数学的枠組み
誤差伝播の数学的記述では、出力を入力の関数として扱い、入力の確率的性質（平均、分散、相関など）から出力の不確かさを導く。中心となるのは、入力の不確かさが十分小さい範囲では、出力の変化を局所的に近似できるという発想である。その近似は多くの場合、テイラー展開の一次項に基づく。
2.1 一次近似による伝播（テイラー展開）
2.1.1 偏微分と感度係数
入力ベクトルを \(x=(x_1,\dots,x_n)\)、出力を \(y=f(x)\) とする。入力の基準値まわりで小さな変化 \(\Delta x\) があるとき、出力の変化は一次近似として \[ \Delta y \approx \sum_{i=1}^{n}\frac{\partial f}{\partial x_i}\Delta x_i \] で表される。ここで偏微分 \(\partial f/\partial x_i\) は感度係数として解釈でき、入力 \(x_i\) の変動が出力へどれほど強く影響するかを示す重みになる。
2.1.1.1 分散（標準偏差）の伝播式
一次近似のもとで出力の分散は、入力の共分散行列を用いて表される。入力の平均からのずれ \(\Delta x\) が持つ共分散を \(\Sigma_{ij}=\mathrm{Cov}(\Delta x_i,\Delta x_j)\) とすると、 \[ \mathrm{Var}(y)\approx \nabla f^\top \Sigma \nabla f \] が得られる。さらに共分散が対角（相関がない）で、各入力の標準偏差が \(\sigma_i\) の場合は \[ \mathrm{Var}(y)\approx \sum_{i=1}^{n}\left(\frac{\partial f}{\partial x_i}\right)^2\sigma_i^2 \] と簡約される。標準偏差は分散の平方根として求める。
2.1.2 相関を含む場合の一般形
入力同士が独立でない場合、出力の分散には交差項が現れる。二変数の例では \[ \mathrm{Var}(y)\approx \left(\frac{\partial f}{\partial x_1}\right)^2\sigma_1^2+\left(\frac{\partial f}{\partial x_2}\right)^2\sigma_2^2 +2\frac{\partial f}{\partial x_1}\frac{\partial f}{\partial x_2}\mathrm{Cov}(x_1,x_2) \] のように、相関が正なら増幅、負なら相殺の方向に働き得る。したがって「誤差を単純に二乗和で足す」ことは相関が無いという仮定に依存する。
2.2 非線形性と近似の限界
一次近似は、出力関数が入力の不確かさの範囲で比較的滑らかに振る舞い、変化がほぼ線形に見える場合に有効である。しかし、非線形が強い領域では高次の寄与が無視できなくなる。
2.2.1 近似成立条件
近似が良い条件としては、(1) 入力のばらつきが基準点から十分小さい、(2) 導関数（感度）が入力の範囲で大きく変わらない、(3) 出力が極端な曲がり方をしない、などが挙げられる。特に、出力がゼロ割付近や急峻な曲率を持つ場合は注意が必要である。
2.2.2 高次項が無視できないとき
高次項の寄与が大きいと、分散だけでは不確かさを特徴づけきれない場合がある。たとえば出力分布が非対称になったり、平均のシフト（非線形変換によるバイアス）が生じたりする。一次近似はしばしば「平均からの局所変化」を基準に組み立てるため、非対称性や裾の扱いが不十分になることがある。この場合は、より精密な近似か、分布を直接シミュレートする手法が選ばれる。
2.3 伝播の代表的指標
不確かさは一つの数値で表すのが便利だが、出力が非対称・大きい誤差を持つ場合、指標の選び方が結果の解釈に影響する。
2.3.1 分散と標準偏差
分散と標準偏差は、出力のばらつきの大きさを表す基本的指標であり、一次近似の文脈では自然に導かれる。入力が正規分布で、変数変換が線形に近い場合、これらは出力分布の形をかなり良く要約する。ただし一般には、同じ標準偏差でも分布の尖りや裾の厚さが異なることがある。
2.3.2 信頼区間・包含区間との関係
信頼区間や包含区間は、所定の確率（あるいは信頼水準）で真の量が含まれる範囲を表す概念である。分散・標準偏差から区間を作るには、出力分布がどの程度対称か、仮定としてどの分布を採用するかが関わる。一次近似に基づく標準偏差から正規近似で区間を導くことは可能だが、非線形性や分布の歪みが大きいと、実際の包含確率からずれることがある。そのため区間の作り方は、推定や評価の目的に合わせて検討する。
3 代表的な手法
誤差伝播の実装では、どの程度の厳密さが必要か、計算資源はどれほど許容されるか、出力の分布形はどこまで扱う必要があるか、という要件で手法を選ぶことになる。代表的には解析的な（モデルベース）手法と、数値計算による（分布ベース）手法がある。
3.1 モデルベース（解析的手法）
3.1.1 線形モデルでの簡約
出力が入力の線形結合で書ける場合、伝播は単純になる。たとえば \(y=a^\top x\) のような形なら、感度係数は定数であり、出力の分散は \(a^\top \Sigma a\) に直接対応する。相関があれば共分散行列を通して自動的に反映されるため、条件が満たされる範囲では解析的計算が効率的である。
3.1.2 非線形モデルでの補正式
非線形でも、一次近似や変数変換を組み合わせれば解析的に整理できる場合がある。出力関数を局所的に線形化して分散を導いたり、比や対数などの変換を行った上でテイラー展開を適用したりする。さらに、場合によっては二次項を含む近似によって平均の補正や非対称性をある程度表せることがある。ただし近似の品質は、入力の変動幅と関数の曲率に依存する。
3.2 解析手法以外（数値的手法）
3.2.1 モンテカルロ法による評価
モンテカルロ法では、入力の不確かさを表す確率モデルから多数のサンプルを生成し、それぞれを関数に代入して出力分布を作る。手計算では扱いにくい複雑な非線形や相関、さらには入力分布が非ガウスである場合でも、シミュレーションにより出力側のばらつきや区間を推定できる。計算量はサンプル数に依存し、精度を上げるにはサンプルを増やす必要がある。
3.2.2 ブートストラップ法との関連
ブートストラップ法は、主にデータから直接経験的に再サンプリングし、推定量のばらつきを評価する枠組みである。誤差伝播として見ると、推定プロセスを含むモデル全体の不確かさを、入力（データ）側の再抽出を通して伝える役割を果たす。特に回帰や推定で、解析的な分散導出が難しい場合に有効である。
3.3 実務での手順選定
3.3.1 データの性質（分布・相関）による判断
入力が正規近似できるか、相関構造を信頼できる形で与えられるか、歪度や外れ値の影響が大きいかといった要因で選択が変わる。一次近似は入力のばらつきが小さい場合に強い。非線形性や分布の非対称が大きいときには、分布を直接見積もれるモンテカルロやブートストラップが適しやすい。相関が不明な場合は感度分析（仮定を変えて影響を見る）を併用することもある。
3.3.2 計算コストと精度のバランス
解析的手法は計算が軽く、結果を式として理解しやすい利点がある。一方、数値法は柔軟だが、目的の精度に必要なサンプル数や計算時間が求められる。実務では、まず一次近似で目安を得て支配因子を特定し、その後に重要な部分だけ数値法で精密化する、という段階的戦略が採られることが多い。
4 実装・報告の実践
誤差伝播は「計算して終わり」ではなく、入力の不確かさ情報を適切に集め、出力を解釈可能な形で報告することが重要である。特に、丸めや桁の扱い、相関の扱いの明示は再現性に直結する。
4.1 入力データ（誤差情報）の集め方
4.1.1 測定器仕様からの不確かさ
測定器のカタログ値には、分解能、校正誤差、温度依存、再現性など複数の要素が含まれることがある。誤差伝播では、これらをどのような確率モデルとして表すかが鍵になる。単純に「最大誤差」をそのまま標準偏差に置くと整合しない場合があるため、仕様の意味（たとえば幅、ばらつき、信頼水準）を読み替え、入力変数の不確かさとして定義する必要がある。
4.1.2 統計的ばらつきの推定
複数回測定が可能な場合、試行データからばらつきを推定できる。推定では標本分散、標本平均の誤差、さらにはデータの分布形の確認が重要になる。相関を含む変数群では、同一条件下で得たデータに基づく共分散の推定が必要になる。少数データや非定常な測定環境では推定の不確かさ自体も増えるため、モデル化の妥当性を検討する。
4.2 出力結果の提示方法
4.2.1 不確かさ付きの報告（桁・丸め）
不確かさ付きの報告では、値と不確かさの桁を対応させるのが基本である。不確かさは通常、一定の有効数字に丸め、基準値も同じ丸め規則で整合させる。これにより、提示された精度が「実際の推定の質」を反映するようになる。また単位の明記は必須であり、数値だけを独立に見せると誤解を招く。
4.2.2 相関込みの報告の考え方
相関がある場合は、単一の標準偏差だけでなく共分散の情報をどう提示するかが課題になる。実務では、(1) 共分散行列を別途示す、(2) 重要な組合せ（差分や比など）に対して相関込みの結果を直接提示する、(3) 相関係数の値や仮定を簡潔に記載する、といった形が用いられる。目的が「結果の差が有意か」を判断することなら、どの仮定のもとで相関を扱ったかを明確にするほど再検証が容易になる。
4.3 よくある誤りとチェック観点
4.3.1 単位・次元の取り違え
不確かさの計算で単位が揃っていないと、偏微分の結果や二乗和の解釈が崩れる。特に、比（無次元化）や対数、商の導出で単位系が見えにくくなることがある。チェックとして、各中間量が期待する次元を持つか、関数の微分が正しい形で単位を整合させているかを確認する。
4.3.2 相関を無視した仮定の妥当性
相関は出力の分散に交差項として効くため、無視すると過小または過大評価になり得る。チェックとして、測定系が共通要因（温度、校正、同一データ処理）を持っているか、入力の推定で共有データが含まれていないかを確認する。相関が不明なら、独立・完全相関など極端なケースも含めた感度分析を行い、結論が頑健かどうかを見る。
4.4 応用例（身近な計算）
4.4.1 合成量(和・差・積・商)の誤差
和と差では、一次近似の範囲で出力の分散は入力分散の組合せになる。独立なら二乗和で与えられるが、相関があれば符号付きの交差項が加わる。積や商では、非線形変換のため相対不確かさの扱いが便利になることがある。一般に、微小な変動に限るなら、積は「相対誤差の二乗和に近い形」で表現され、商も同様に相対誤差ベースで整理できる。ただしゼロ近傍や分母の不確かさが大きい場合は一次近似の妥当性を確認する必要がある。
4.4.2 勾配推定や回帰の不確かさ
回帰モデルでは、推定した係数のばらつきが予測値に伝播する。出力を予測式 \(y=f(x,\beta)\) とみれば、係数ベクトル \(\beta\) を入力にした伝播として整理できる。一次近似では係数の共分散行列と、予測に対する感度（勾配）から分散が計算されることが多い。さらに予測点 \(x\) 自体に誤差がある場合は、その不確かさも入力として同時に扱い、全体の伝播を構成するのが望ましい。ブートストラップでは、推定過程を丸ごと再現し、予測分布を直接得られるため、非線形性やデータの歪みが強い状況で有用になる。