误差传递的一些个人分析

设$x_{pred}>0$，$x_{pred}$相对于$x_{true}$的相对误差为$\delta$，求$\ln x_{pred}$的误差.

本文基于上述问题，来展开讨论，其他情况也许可同理。

我们知道对于连续可导的函数，它的某一点的瞬时变化趋势是一个线性变化，例如函数$f(x)=\ln x$，它在某点$x_0$的瞬时变化趋势是斜率为$\frac{\mathrm{d}(\ln x_0)}{\mathrm{d}{x}_0}$（%%即$f^{\prime }(x_0)$%%）的线性变化.

所以对于连续可导的函数，如果相对于$x_0$，$\Delta x$很小，即变化量极小，我们可以近似地将它产生的变化近似为一个线性变化和一个量级高于它很多的无穷小变化，我们可以忽略这个无穷小变化，近似地把变化看作为线性变化，如此一来则有：$\Delta y\approx f^{\prime }(x_0)\Delta x$.这就是一种“微分线性近似”的思想.

%%

这里的$\Delta x$表示的即为变化量，在讨论误差时，也可以理解为$x_{pred}$相对于$x_{true}$的绝对误差，
$\Delta y$同理；
这里使用$\delta$表示相对误差；
$x_{true}$表示$x$的真实值，
$x_{pred}$表示$x$的预测值，
$y$同理；

%%
则：

$$\begin{array}{rl}& 由题意:\\ & \delta =\frac{\Delta x}{x_{true}}=\frac{x_{pred}-x_{true}}{x_{true}}\\ & 有:\Delta x=\delta \cdot x_{true}{x}_{true}=\frac{x_{pred}}{\delta +1}\\ & 由微分线性近似:\\ & \Delta (\ln x_{pred})\approx \frac{\mathrm{d}(\ln x_{true})}{\mathrm{d}{x}_{true}}\Delta x\\ & 又:\frac{\mathrm{d}(\ln x_{true})}{\mathrm{d}{x}_{true}}\Delta x=\frac{1}{x_{true}}\cdot x_{true}\cdot \delta =\delta \\ & 故:\Delta (\ln x_{pred})\approx \delta \\ & {\delta }_{\ln x_{pred}}=\frac{\Delta (\ln x_{pred})}{\ln x_{true}}\approx \frac{\delta }{\ln x_{true}}又:x_{true}=\frac{x_{pred}}{\delta +1}\\ & 故有:{\delta }_{\ln x_{pred}}\approx \frac{\delta }{\ln x_{pred}-\ln (\delta +1)}\end{array}$$

这里使用一种近似的思想，是为了尝试寻找在预测值与真实值极其接近的情况下，${\delta }_x与{\delta }_{\ln x}$以及$\Delta x$与$\Delta (\ln x)$的关系，如果已知$x_{pred}$和${\delta }_x$而要求$\Delta (\ln x)$或者${\delta }_{\ln x}$，我们完全可以根据$\delta =\frac{x_{pred}-x_{true}}{x_{true}}$求出真实值，然后根据公式表达出$\ln x$误差的准确值。

$$绝对误差=预测值-真实值相对误差=\frac{绝对误差}{真实值}$$

设$x$的相对误差为$2\%$，求$x^n$的相对误差

示例：
$$\begin{array}{rl}& \Delta x=\delta \cdot x_{true}\\ & \Delta (x^n)\approx \frac{\mathrm{d}(x_{true}^n)}{\mathrm{d}{x}_{true}}\cdot \Delta x\\ & \Delta (x^n)\approx n{x}_{true}^{n-1}\cdot \Delta x\\ & {\delta }_{ask}=\frac{\Delta (x^n)}{x_{true}^n}\\ 代入\Delta (x^n)\approx n{x}_{true}^{n-1}\Delta x:& {\delta }_{ask}\approx \frac{n{x}_{true}^{n-1}\Delta x}{x_{true}^n}\\ & \\ 代入\Delta x=\delta x_{true}:& {\delta }_{ask}\approx n\delta 其中\delta =2\%\end{array}$$