1 基本概念
误差传递公式描述的是：当一个结果由若干输入量共同决定时，输入量中的误差、不确定度或随机波动，会如何影响最终结果。它并不只是一条单独的公式，而是一类建立在函数关系、微分近似和统计量分析基础上的方法体系。由于实际测量和工程计算中，输入值往往并非完全精确，因此研究误差如何“传下去”是定量分析的重要环节。
1.1 误差与不确定度
在实际应用中，“误差”通常指测量值与真值之间的偏离，而“不确定度”强调对测量结果可信程度的量化描述。前者更偏向差值概念，后者更强调范围和概率意义。现代测量学中，不确定度常被作为更规范的表达方式。
1.1.1 绝对误差
绝对误差是测量值与参考值之差的绝对值，通常用于表示偏离的实际大小。它具有与被测量相同的量纲，便于直接理解误差量级。例如长度误差若为 0.2 cm，就能直观看出测量偏差的数量级。
1.1.2 相对误差
相对误差是绝对误差与参考值之比，常用百分数表示。它反映的是误差相对于被测量本身的比例，因此更适合比较不同量纲或不同数量级的测量结果。相同的绝对误差，在较小数值的测量中往往意味着更大的相对偏差。
1.1.3 标准不确定度
标准不确定度是用标准差形式表达的测量不确定性，是误差传递中最常见的输入量之一。它便于与统计理论衔接，也便于在多变量情形下进行方差合成。许多工程和实验分析会以标准不确定度作为统一度量。
1.2 误差传递的基本思想
误差传递的核心思路是：当输入量发生小幅变化时，输出量也会随之变化，而这种变化可以通过函数的局部性质近似估计。若函数在工作点附近足够平滑，就可以用线性近似把复杂关系转化为可计算的形式。
1.2.1 线性近似
线性近似将非线性函数在某一点附近用切线或切平面替代。这样，输入量的微小扰动可以被看作按固定比例传到输出端。该方法简洁有效，是误差传播公式成立的基础之一。
1.2.2 微分法
微分法通过全微分或偏导数来描述各变量变化对结果的影响。对单变量函数，结果变化可近似写成函数导数乘以自变量变化；对多变量函数，则由各偏导数分别贡献。此法直观、通用，适用于大量常见模型。
1.2.3 方差传播
在随机误差情形下，误差不只表现为单次偏离，更常通过方差或标准差描述其离散程度。方差传播公式把输出方差近似表示为输入方差及其相关项的组合，因此能处理带有统计意义的不确定度分析。它是现代实验数据处理中的常用工具。
1.3 适用条件与局限
误差传递公式虽然应用广泛，但并非在所有情况下都能直接使用。它通常依赖于误差较小、函数平滑、变量关系在局部近似线性等条件。若偏差过大或函数急剧变化，则近似精度会下降。
1.3.1 小误差假设
误差传递通常默认输入扰动足够小，使得高阶影响可以忽略。只有在这一条件下，线性项才足以刻画主要传播效果。若误差本身较大，输出分布可能明显偏离线性估计。
1.3.2 可微性要求
被分析的函数一般需要在工作点附近可微，最好具有连续偏导数。这样才能稳定地使用微分和泰勒展开。若函数存在尖点、断点或不可导结构，传统误差传播方法往往难以直接套用。
1.3.3 高阶项忽略
误差传播中的近似通常只保留一阶项，而将二阶及更高阶项舍去。对于轻微非线性，这样处理通常足够；但在强非线性问题中，高阶项可能不容忽视。此时应使用更精细的数值方法或蒙特卡洛模拟补充分析。
2 经典误差传递公式
经典误差传递公式多由线性化思想导出，适合快速估计输出量的不确定度。它们在课堂实验、工程估算和基础科研中都非常常见，尤其常用于代数表达式和简单函数关系。
2.1 线性组合的误差传递
当结果由若干变量的加减或线性组合构成时，误差传播最为直接。此类公式通常只需考虑各输入不确定度的平方和，若变量独立则计算尤为简便。
2.1.1 加法与减法
若结果是多个量的和或差，输出的不确定度通常由各输入不确定度按平方和方式合成。对于独立误差，求和与求差在方差层面表现相同。直观上，多个来源的波动会共同作用于最终结果。
2.1.2 常数倍缩放
当某一量乘以常数后形成输出，误差也会按同样比例缩放。若常数增大，绝对误差随之放大；若常数为负，只会改变符号，不改变不确定度大小。这个规律在单位换算和标定计算中很常见。
2.1.3 多变量线性函数
对于一般线性函数，输出方差可由各输入方差加权求和得到。权重大小由各变量前的系数决定，因此系数越大，该变量对结果的影响也越明显。若存在相关性，还需加入协方差项。
2.2 乘除法的误差传递
乘除运算的误差分析往往比加减更依赖相对量，因为结果本身会随各因子的比例变化而变化。很多实际公式都可先转化为对数形式，再用相对误差进行处理。
2.2.1 乘积误差
两个或多个量相乘时，结果的相对不确定度通常近似等于各输入相对不确定度的合成。对独立量而言，常用平方和再开方的方式计算。乘积中的任一因子误差增大，都会抬高最终结果的不确定性。
2.2.2 商的误差
商的误差传播与乘积类似，只是分母变量以负指数出现。若分子和分母都存在不确定度，则两者都会影响结果的相对误差。实际计算中，分母较小的情形往往使误差更敏感。
2.2.3 相对误差形式
乘除问题常可统一写成相对误差的传播公式，便于比较不同变量的影响程度。相对误差形式不仅计算简明，也更符合比例关系的直觉。它尤其适用于物理量的比值、效率、浓度和密度等指标。
2.3 幂函数与指数函数
当结果包含幂次、对数或指数关系时，误差传播可借助求导和变换后简化。此类函数对输入变化的放大或压缩效应明显，因此不确定度的传递规律较有代表性。
2.3.1 幂次误差公式
若输出为输入的幂函数，则相对误差通常按幂指数倍数放大。幂次越大，结果对输入变化越敏感；若指数为负，则表现为反比型关系。该规律常用于面积、体积、平方根等问题。
2.3.2 对数变换法
对数变换可以把乘积转化为加法，把幂次转化为系数，从而简化误差分析。通过先取对数再求微分，很多复杂表达式都能得到更整齐的传播公式。该方法在处理跨数量级数据时尤其方便。
2.3.3 指数型结果的传播
指数函数对输入的变化非常敏感，因此微小输入波动可能引起明显输出变化。误差传播时，常需关注指数内部的变量不确定度，而不是仅看最终数值大小。对于增长或衰减模型，这一点尤为重要。
2.4 一般函数形式
对更一般的函数关系，误差传递公式不再局限于四则运算，而是借助导数进行统一处理。只要函数在局部可微，就可以按线性近似估算输出不确定度。
2.4.1 单变量函数
若输出仅依赖一个输入量，则输出的不确定度可由函数导数乘以输入不确定度近似得到。导数越大，说明结果对该输入越敏感。这个公式是最基础也最容易理解的一类传播关系。
2.4.2 多变量函数
多变量函数的误差传播需要同时考虑各输入变量的偏导数。每个变量的局部变化都会通过对应偏导贡献到结果中，最后按一定规则合成。若输入之间相互独立，公式形式会更加简洁。
2.4.3 泰勒展开近似
泰勒展开为误差传播提供了严格的数学基础。通常只取展开式的一阶项，即可得到经典传播公式；其余高阶项则被视为小量。该近似既解释了公式来源，也说明了其误差范围。
3 偏导数与协方差
偏导数和协方差是多变量误差传播中的两个核心概念。前者描述单个变量的敏感程度，后者反映变量之间是否存在共同波动。二者结合后，可以较完整地刻画输出不确定度的来源。
3.1 偏导数法
偏导数法把输出量对每个输入变量的局部响应分开考察，再把各部分影响汇总。它既能用于手算，也能用于程序化计算，因此在工程和科研中很实用。
3.1.1 灵敏度系数
灵敏度系数是偏导数在误差传播中的别称，用来衡量输入变量变化时输出变化的快慢。系数越大，该变量对结果的影响越强。通过比较灵敏度系数，可以快速识别关键误差来源。
3.1.2 局部线性化
局部线性化是指在某个工作点附近，把非线性函数近似为线性函数。这样，复杂关系就可转化为误差按比例传播的形式。该方法对小范围扰动通常效果良好。
3.1.3 误差贡献分解
误差贡献分解强调将总不确定度拆分为各输入项的贡献。这样不仅能得到结果的总体误差，还能看出哪一项影响最大。对于优化测量方案或改进实验条件，这种分析很有帮助。
3.2 变量相关性
在现实问题中，输入变量并不总是彼此独立。若变量之间存在关联，共同变化会改变输出的不确定度，甚至使简单的平方和公式失效。此时必须考虑相关性带来的修正。
3.2.1 独立变量情形
独立变量之间不存在统计上的共同波动，因此它们的误差传播可直接按平方和合成。该情形最简单，也是基础教材中最常见的默认设置。很多初步估算都建立在这一假设上。
3.2.2 相关变量情形
相关变量具有一定联动关系，某个量的变化可能伴随另一个量同步变化。此时，输出误差不再只是各项单独贡献的叠加，还会受到它们相互作用的影响。忽略这种关系可能导致结果偏差。
3.2.3 协方差项
协方差项用于定量描述两个变量共同波动对输出误差的影响。若协方差为正，相关变量可能使总不确定度增大；若为负，则可能部分抵消波动。它是误差传递中处理相关性的关键修正项。
3.3 矩阵形式表示
当变量数量较多时，使用矩阵形式可以更紧凑地表达误差传播关系。该表示法适合计算机实现，也便于与线性代数工具结合。
3.3.1 雅可比矩阵
雅可比矩阵由输出对各输入变量的偏导数组成，集中反映系统的局部敏感性。它相当于多变量微分的矩阵化表达，是矩阵传播公式中的核心对象。对于复杂模型，雅可比矩阵有助于统一处理多个输出量。
3.3.2 协方差矩阵
协方差矩阵记录了各输入变量之间的方差与协方差信息。对角线元素对应各变量自身的不确定度，非对角元素则体现变量间的相关程度。它是多元统计和误差传播中的基础数据结构。
3.3.3 矩阵传播公式
矩阵传播公式通常写成输出协方差由雅可比矩阵、输入协方差矩阵及其转置共同构成。该式简洁而通用，适用于多个输入和多个输出的情况。它在数值分析、滤波和参数估计中应用广泛。
4 常见应用场景
误差传递公式并不局限于理论推导，而是直接服务于实验、工程和建模。凡是需要将若干测量值或参数合成为最终结果的地方，几乎都离不开这类分析。
4.1 实验物理
实验物理中，很多结论来自对测量值的计算与整理，因此误差估计是数据处理的重要步骤。通过误差传递，可以判断实验结果是否可靠，并比较不同测量方案的优劣。
4.1.1 长度与时间测量
长度和时间是基础物理量，常作为其他计算的输入。由于后续结果往往由它们组合而成，哪怕单项测量误差不大，也可能在推导结果中被放大。因此，对这两类量的精确测定尤为重要。
4.1.2 密度与体积计算
密度常由质量和体积计算得到，而体积本身又可能由多个尺寸推算。此时，几何测量误差会层层传递，影响最终密度值。通过误差公式可以判断体积测定是否是主要误差来源。
4.1.3 物理常数估计
在某些实验中，物理常数并非直接测得，而是由实验数据间接推算。由于这类结果往往涉及多个变量和中间量，误差传播对于评估常数的可信范围非常关键。它还能帮助比较不同实验方案的精度。
4.2 工程计算
工程问题常常需要从输入参数推断结构性能、系统状态或运行指标。误差传递不仅影响设计安全裕度，也影响参数选取和容差分配。
4.2.1 结构参数计算
在结构分析中，面积、惯性矩、应力等指标往往由若干几何和材料参数计算而来。输入参数的微小偏差可能改变最终设计判断，因此误差分析常用于校核计算结果的稳健性。它也有助于识别最敏感的设计变量。
4.2.2 传感器误差分析
传感器输出通常需要经过标定、滤波和换算才能成为最终物理量。若传感器存在偏置、噪声或比例误差，误差传递公式可以估计这些问题在输出端的表现。该分析对仪表设计和系统集成都很重要。
4.2.3 控制系统中的不确定度
控制系统往往依赖多个测量值和模型参数，任何一个环节的不确定性都可能影响闭环性能。误差传播可用于评估控制量、反馈信号和预测输出的可信度。它有助于在设计阶段提前识别风险。
4.3 数值模拟
数值模拟的结果往往依赖输入参数、初始条件和离散化设置，因此误差传播在模拟领域同样重要。它可以帮助判断数值结果究竟有多“稳”，以及误差主要来自哪里。
4.3.1 输入扰动传播
若模型输入存在扰动，输出结果通常会随之变化。通过传播分析，可以估计扰动对最终计算值的影响范围。这样能更清楚地区分模型本身的特性与输入不确定性。
4.3.2 迭代误差分析
迭代算法在计算过程中会积累舍入误差和截断误差。误差传播方法可用于估计这些误差在多步运算中的增长趋势。对于数值稳定性判断，这类分析非常常见。
4.3.3 结果置信评估
数值模拟不仅要给出一个结果，还要说明该结果的可信程度。误差传播可以提供结果不确定度的近似范围，辅助置信评估。这样，模拟输出就不只是单点值，而是带有可靠性描述的结论。
5 统计视角下的误差传播
从统计角度看，误差不再仅是“偏离多少”，而是随机变量分布的性质。此时，传播问题可转化为随机变量经过函数变换后的分布、均值和方差变化。
5.1 随机误差模型
随机误差模型把测量偏差视为随机变量，强调其波动性和统计规律。通过这种方式，误差传递可以与概率论和数理统计自然衔接。
5.1.1 正态分布近似
在许多实际测量中，误差常被近似看作服从正态分布。这个假设便于计算，也符合大量独立小扰动叠加的经验规律。它使方差传播成为最常见的分析工具之一。
5.1.2 均值与方差
均值描述结果的中心位置，方差描述离散程度。误差传播不仅关注输出的平均变化，也关注波动如何被放大或抑制。均值与方差的联合分析，能更全面地刻画结果特征。
5.1.3 置信区间
置信区间为结果提供一个统计意义上的范围，用于表达估计值的不确定程度。通过传播后的标准差，可以构造输出量的置信区间。它比单个误差数值更能体现结果的可信边界。
5.2 蒙特卡洛方法
蒙特卡洛方法通过大量随机采样，直接模拟输入不确定性经过模型后的输出分布。它不依赖严格线性近似，因此在非线性问题中尤其有用。
5.2.1 随机采样
随机采样是蒙特卡洛方法的基础，即按输入变量的分布规律生成大量样本。每组样本都可代入模型得到一个输出值。样本足够多时，输出统计特征会逐渐稳定。
5.2.2 数值传播
数值传播不是用解析公式推导，而是通过计算机逐次模拟不确定度如何传到结果。它适合多变量、高非线性或难以手工求导的情形。其结果通常较直观，也便于检验解析近似。
5.2.3 结果分布估计
在大量模拟结果基础上，可以估计输出的概率分布、均值、方差和分位数。这样不仅能获得单点不确定度，还能了解结果是否偏斜、是否存在长尾。对复杂模型而言，这种信息非常有价值。
5.3 贝叶斯不确定度分析
贝叶斯方法将参数视为具有概率分布的未知量，通过观测数据更新其后验分布。误差传播在这里体现为“参数不确定性向预测结果的转移”。
5.3.1 后验传播
后验传播是指把参数的后验分布输入模型，再求输出分布。相比只看点估计，这种做法更能反映数据更新后的真实不确定性。它在模型校准和预测任务中很常见。
5.3.2 参数不确定性
参数不确定性源于观测不足、测量噪声或模型简化。贝叶斯框架能够把这种不确定性显式保留下来，并通过传播反映到最终结论中。这样可以避免把参数当作完全已知量处理。
5.3.3 预测区间
预测区间给出未来观测或模型输出可能落入的范围，体现的是综合不确定性。与单纯置信区间相比，它更关注实际预测的波动。误差传播在构造预测区间时起到重要作用。
6 计算技巧与推导方法
误差传递公式的推导和应用都离不开一定的计算技巧。掌握这些方法，可以更快判断公式形式，也更容易处理复杂表达式。
6.1 微分推导
微分推导是最经典的误差传播证明方式，通常从全微分或泰勒展开出发。它既能说明公式来源，也能帮助理解近似成立的条件。
6.1.1 全微分
全微分把函数变化写成各变量变化的线性组合，是误差传播最直接的数学工具。通过全微分，可以迅速得到输出对各输入的敏感程度。很多经典公式都由此推得。
6.1.2 局部增量法
局部增量法用小变化量代替微分，强调在某一点附近的有限小扰动。它形式上更接近实际测量误差，因此便于直观理解。对于课堂演示和初学者入门，这种方法很实用。
6.1.3 高阶近似
高阶近似保留二阶或更高阶项，可用于误差较大或非线性较强的情形。虽然计算更复杂，但能提高传播估计的精度。它常作为线性误差公式的补充。
6.2 归一化处理
归一化处理可以让不同量纲的误差放到同一尺度上比较。这样不仅便于计算，也有利于发现哪些变量最值得关注。
6.2.1 无量纲化
无量纲化通过选取基准量，把变量转化为没有单位的形式。这样，误差分析就更容易比较不同物理量之间的相对影响。它也常用于数值稳定性和模型简化。
6.2.2 相对灵敏度
相对灵敏度衡量的是输入相对变化引起输出相对变化的程度。与绝对灵敏度相比，它更适合跨尺度比较。该指标在设计优化和误差控制中十分常用。
6.2.3 误差标准化
误差标准化是把误差按标准差、参考值或其他尺度统一表示。这样可以更方便地比较多个来源的贡献。它也有助于在报告中清晰呈现不确定度结构。
6.3 数值实现
随着计算机应用的普及，误差传播越来越多地通过程序实现。数值方法能够处理复杂模型，并减少手工推导的负担。
6.3.1 符号推导
符号推导借助代数软件自动生成偏导数和传播公式，适合表达式复杂但结构清晰的问题。它可以减少人工推导错误，也方便公式检查。对于标准模型，这是一种高效方法。
6.3.2 数值求导
数值求导通过差分近似导数，适合无法直接求解析导数的情况。虽然精度受步长影响，但实现简单、通用性强。它常用于快速估算灵敏度系数。
6.3.3 自动微分
自动微分介于符号推导和数值差分之间，能够精确到机器精度地计算导数。它特别适合大型程序和复杂算法中的误差传播分析。近年来在优化、机器学习和科学计算中应用很广。
7 典型例题与案例
典型例题能帮助理解误差传递公式的使用方式，而具体案例则展示其在现实场景中的落地过程。通过这些例子，可以更清楚地看出不同函数关系下的传播特点。
7.1 基础例题
基础例题通常围绕单变量或简单复合表达式展开，目的是训练对公式结构的识别能力。虽然形式简单，但它们是理解复杂问题的起点。
7.1.1 单变量函数计算
单变量例题一般考察已知输入不确定度时，如何求输出不确定度。只要写出导数并代入传播公式，就能得到结果。此类题目最适合熟悉基本步骤。
7.1.2 乘积结果估计
乘积型例题常用来说明相对误差的合成规律。通过比较各因子的相对不确定度，可以判断哪个变量对最终结果影响更大。它是实验计算中最常见的练习之一。
7.1.3 复杂函数近似
复杂函数例题往往包含多个运算层次，如幂、乘积和函数嵌套。解题时一般先求偏导，再按误差传播公式合成。这样的练习有助于建立整体分析思路。
7.2 实验数据案例
实验案例通常来自测量结果的后处理，重点不在纯公式演算，而在如何把数据转化为带不确定度的结论。它们体现了误差传播的实际价值。
7.2.1 长度测量合成
长度测量合成常见于多段尺寸相加、差值计算或几何参数估计。由于各测量值都带有不确定度，最终合成值也必须给出误差范围。该案例能很好展示加减传播规律。
7.2.2 密度测定实例
密度测定往往涉及质量和体积两类量，而体积又可能由多次尺寸测量推得。因而其误差分析通常较有层次，适合说明误差如何在多个步骤中累积。它是实验课程中的经典例题。
7.2.3 功率计算误差
功率常由电压、电流或其他物理量间接计算得到。若输入量存在波动，最终功率值的不确定度就需要通过传播公式估计。此类案例在基础电学实验中十分常见。
7.3 常见错误与修正
在实际应用中，误差传递最容易出错的地方往往不是计算本身，而是概念理解和适用条件判断。识别常见错误，有助于避免得出不可靠结论。
7.3.1 误把绝对误差当相对误差
把绝对误差直接当作相对误差，会导致比例关系判断错误，尤其在乘除问题中影响明显。修正方法是先确认量纲，再区分绝对量和相对量。单位一致性检查通常能及时发现这类问题。
7.3.2 忽略相关性
若输入变量并不独立，却按独立变量公式处理，结果往往会偏离真实不确定度。修正时应检查数据来源、测量流程和变量间联系，必要时引入协方差项。相关性分析是高质量误差评估的重要部分。
7.3.3 超出线性近似范围
在强非线性或误差较大的情况下，直接套用一阶误差传递公式可能不再可靠。修正方法包括使用高阶近似、数值模拟或蒙特卡洛方法。判断近似是否适用，是公式使用前必须考虑的问题。