1 基本概念
误差传播是研究输入量的不确定性如何影响输出结果的一类方法。它关注的不仅是单个测量值是否准确，也包括多个测量量经过运算后，最终结果的不确定程度如何变化。由于实际观测和计算通常都不可能做到完全无误差，因此这类分析在定量科学中具有基础性地位。
1.1 误差与不确定度
误差通常指测量值与真实值之间的偏离，但真实值在很多情况下并不可直接获得，因此现代测量学更常使用“不确定度”来描述结果可信范围。不确定度强调的是结果可能偏离真值的程度及其来源，而不只是单次偏差的大小。
1.2 误差传播的定义
误差传播是指当若干输入量存在误差或不确定度时，这些误差经过加减乘除、函数变换或更复杂的计算关系后，如何转化为输出量的不确定度。其核心任务是估计结果的误差范围，并判断不同来源对最终结果的贡献。
1.3 误差传播的研究对象
误差传播研究的对象通常包括测量值、计算中间量以及最终输出量。它既适用于单个公式的计算，也适用于多步骤实验数据处理流程。
1.3.1 输入量
输入量是指进入计算或模型的原始数据，可能来自直接测量、采样、标定或其他外部给定值。它们的不确定性通常是误差传播的起点。
1.3.2 输出量
输出量是指经过运算后得到的最终结果，例如物理常数估计值、化学浓度、工程参数或统计指标。输出量的不确定度通常由输入量共同决定。
1.3.3 中间量
中间量是多步计算中介于输入和输出之间的量。它们可能在后续步骤中继续参与运算，因此其误差会层层累积并影响最终结果。
1.4 误差传播的科学意义
误差传播能够帮助研究者判断结果是否可靠，识别主要误差来源，并优化实验设计或计算流程。它还能为数据报告提供统一的不确定度表达方式，使不同实验和不同研究之间的结果更便于比较。
2 误差类型
误差传播的分析通常要先区分误差类型，因为不同误差在传播规律上并不相同。对误差性质的判断，直接影响后续公式选择和结果解释。
2.1 随机误差
随机误差是由不可控或难以重复的微小波动引起的误差，表现为测量结果在平均值附近散布。它通常可通过重复测量和统计处理来估计。
2.2 系统误差
系统误差是按某种固定方向或规律偏移的误差，例如仪器零点偏差或标定不准确。此类误差往往会使结果整体偏大或偏小，不能简单依靠重复测量消除。
2.3 粗大误差
粗大误差通常由操作失误、记录错误或明显异常事件造成，数值上往往远离正常范围。它一般不应被当作正常误差参与传播，而需要先识别并处理。
2.4 相关误差
相关误差是指多个输入量之间存在统计相关性时产生的误差关系。此时一个量的变化会伴随另一个量的变化，误差不能按完全独立的方式叠加。
2.5 独立误差
独立误差是指各误差来源之间没有显著相关性的情形。若满足独立假设，误差传播公式通常可以简化，尤其在方差合成时更为方便。
3 数学基础
误差传播的数学处理主要依赖线性化、微分和统计量分析。通过这些工具，可以把复杂函数的误差影响转化为可计算的近似表达式。
3.1 线性近似
线性近似是指在误差较小时，将非线性函数在某一点附近近似为线性关系。这样可以把输出误差表示为各输入误差的线性组合，便于分析和计算。
3.2 泰勒展开法
泰勒展开法通过把函数写成幂级数形式，提取一阶项或更高阶项来估计误差传播。若只保留一阶项，常可得到经典的误差传播公式；若需要更高精度，则可引入二阶及以上修正。
3.3 偏导数与灵敏度分析
偏导数反映输出量对某一输入量变化的敏感程度。灵敏度分析借助偏导数判断哪些变量对结果影响更大，从而确定误差控制的优先顺序。
3.4 方差与协方差
方差用于描述单个量的离散程度，协方差则描述两个量误差之间的联动关系。这两类统计量是构建误差传播公式的重要基础。
3.4.1 方差的定义
方差是随机变量偏离其均值的平方平均，用于衡量波动大小。方差越大，说明不确定性通常越高。
3.4.2 协方差矩阵
协方差矩阵把多个变量之间的方差与协方差统一表示出来，常用于多变量误差传播。它不仅包含各变量自身的波动信息，也反映变量之间的相关结构。
3.4.3 相关系数
相关系数是协方差经过标准化后的量，取值通常在 -1 到 1 之间。它便于比较不同变量之间关系的强弱与方向。
4 常见传播公式
常见传播公式是误差分析中最常用的工具，适用于多种基础运算。它们通常建立在误差较小、函数可微且近似线性的前提下。
4.1 加法与减法的误差传播
在加法或减法运算中，输出量的误差通常由各项误差按方差方式合成。若输入量彼此独立，则总不确定度往往表现为各分量不确定度的平方和开方。
4.2 乘法与除法的误差传播
在乘法与除法中，常采用相对误差进行分析。多个因子的相对不确定度通常会以近似平方和的形式合成，因此任何一项较大的误差都可能明显影响最终结果。
4.3 幂函数与指数函数的误差传播
对于幂函数，输出误差通常与指数以及变量的相对误差有关。对于指数函数，输入量的微小变化可能在输出端被放大，因此传播结果常比线性情形更敏感。
4.4 复合函数的误差传播
复合函数的误差传播需要沿着函数链逐层计算。每一层的输出既可能成为下一层的输入，也可能进一步改变误差结构，因此中间环节的控制很重要。
4.5 非线性函数的近似传播
非线性函数的误差传播往往没有简单的封闭表达式，通常依赖局部近似或数值方法。若误差范围较大，线性近似可能不足以描述真实传播过程。
5 计算方法
误差传播不仅有公式法，也有多种可操作的计算手段。实际应用中，往往需要根据模型复杂度、误差大小和计算资源进行选择。
5.1 解析法
解析法通过符号推导得到误差传播关系，适合结构清晰、函数形式明确的模型。其优点是表达简洁，缺点是对复杂系统不够灵活。
5.2 数值法
数值法通过计算机对函数进行近似求解，适用于难以手工推导的情形。它在复杂模型、非线性模型和多变量问题中较常见。
5.2.1 有限差分法
有限差分法通过对输入量作微小扰动，比较输出变化来估计误差传播。它实现简单，但步长选择不当时可能影响精度。
5.2.2 数值微分法
数值微分法利用离散数据近似导数，再由导数关系推算误差影响。该方法常用于无法直接求解析导数的模型。
5.3 蒙特卡罗模拟
蒙特卡罗模拟通过随机抽样大量输入样本，反复计算输出分布，从而估计结果的不确定度。它适合复杂、非线性或含相关性的系统，表达能力较强。
5.4 误差矩阵法
误差矩阵法把各变量的不确定度及其相关关系整理为矩阵形式，再通过矩阵运算得到输出误差。该方法在多变量模型和自动化数据处理中较为方便。
5.5 灵敏度系数法
灵敏度系数法利用各输入量对输出量的影响系数来分配误差贡献。它能直观显示哪个变量最值得优先控制，因此常用于实验优化。
6 实验与测量中的应用
误差传播几乎贯穿所有定量实验与测量活动。它不仅用于最终结果报告，也用于实验方案设计、仪器选择和数据处理流程优化。
6.1 物理实验中的误差分析
在物理实验中，误差传播常用于处理长度、时间、质量、电压等基本量的组合计算。通过误差分析，可以判断实验值与理论值的差异是否在合理范围内。
6.2 化学定量分析中的不确定度评估
化学分析常涉及滴定、浓度计算、标准曲线和样品稀释等步骤。误差传播有助于评估最终浓度、含量或纯度结果的可信程度。
6.3 工程测量与仪器校准
工程场景中，误差传播用于尺寸测量、压力检测、温度监控以及仪器校准结果评定。它能帮助工程人员识别误差主要来自仪器本身还是环境波动。
6.4 天文观测数据处理
天文观测往往依赖长链条的数据校正与参数拟合，误差会在各环节中持续传递。误差传播可用于估计天体位置、亮度或距离等结果的不确定性。
6.5 生物统计与医学检测
在生物统计和医学检测中，误差传播用于分析检验指标、模型参数和风险估计的稳定性。由于样本波动和测量误差并存，这类应用通常特别重视不确定度表达。
7 误差传播的实践问题
理论公式在实际应用中常会遇到边界条件、数据相关性和计算层级等问题。若处理不当，传播结果可能偏离真实情况。
7.1 误差来源识别
实践中首先要区分误差来自仪器、环境、操作还是模型假设。只有明确来源，才能选择合适的传播方式与控制策略。
7.2 误差相关性的处理
当变量之间存在相关关系时，简单相加往往会低估或高估总误差。此时需要引入协方差或相关系数，才能更准确地描述传播过程。
7.3 多级计算链中的误差累积
在多级计算中，前一步的输出常成为下一步的输入，误差会沿链条逐渐积累。若某一环节放大作用明显，最终结果可能被少数关键步骤主导。
7.4 近似条件与适用范围
误差传播公式往往依赖“小误差”“可微”“局部线性”等条件。若误差过大或函数存在强非线性，就需要谨慎判断公式是否仍然适用。
7.5 结果表达与有效数字
误差传播的结果通常要与有效数字规则配合表达。输出值应保留与不确定度相匹配的位数，以免给人过度精确的印象。
8 局限性与改进方法
误差传播虽然实用，但并不是万能工具。面对复杂系统时，常需要更高阶或更稳健的方法进行补充。
8.1 线性近似的局限
线性近似在误差较小的时候通常有效，但当函数曲率明显时，误差可能被低估。此时仅靠一阶公式可能不足以反映真实传播。
8.2 非正态分布误差的处理
许多实际误差并不服从正态分布，可能呈偏态、多峰或截断特征。对这类情形，单纯使用均值和标准差有时难以完整描述不确定性。
8.3 非线性系统中的偏差
在强非线性系统中，输入误差不仅会扩散，还可能引入系统性偏差。输出的平均值与按线性公式预测的结果之间可能出现明显差异。
8.4 高阶传播修正
高阶传播修正通过保留泰勒展开中的二阶或更高阶项，改善线性近似不足的问题。它适合精度要求较高、函数非线性较强的场景。
8.5 不确定度评估标准化
随着不同领域对结果可比性的要求提高，不确定度评估逐渐趋向标准化。统一的术语、计算框架和报告格式，有助于提高数据交流的清晰度。
9 相关理论与延伸
误差传播与多个定量分析领域紧密相连，既是独立工具，也可看作更大分析框架的一部分。理解其相关理论，有助于把误差分析放入更完整的方法体系中。
9.1 误差分析
误差分析是对误差来源、大小、方向及其影响进行系统研究的总称。误差传播可以看作其中专门关注“误差如何沿模型传递”的部分。
9.2 不确定度理论
不确定度理论强调以统计和规范化方式描述测量结果的可信范围。它为现代测量报告提供了比传统“误差”更全面的表达框架。
9.3 灵敏度分析
灵敏度分析研究系统输出对输入变化的响应程度。它与误差传播关系密切，常用于找出最重要的控制变量。
9.4 统计推断
统计推断利用样本信息对总体特征作出估计或判断。误差传播在参数估计、置信区间和模型拟合中经常与统计推断结合使用。
9.5 鲁棒性分析
鲁棒性分析关注系统在输入扰动下保持稳定的能力。它与误差传播共同用于评估模型或实验结果是否对小变化过于敏感。