这里不清楚您是否真的对计算中浮点舍入误差的影响或计算中不确定/噪声输入的影响感兴趣。在大多数实际情况下，假设您在选择适当的数值方法时相当谨慎，并且假设您尝试解决的问题不是天生病态/不适定的，则不确定或噪声输入的影响对模型的影响远大于浮点舍入的影响。有一个新兴的“不确定性量化”领域试图解决这个问题。

一些简单的案例很容易。例如，如果具有多元正态分布，矩阵是精确已知的，并且，那么也具有多元正态分布，其中和。如果，其中是非线性的，则不会有多元正态分布，但只要不是强非线性且的不确定性很小，就有可能使用线性逼近的近似多元正态分布$x$$A$$y=Ax$$y$$E[y]=AE[x]$$\mbox{cov}(y)=A\mbox{cov}(x)A^{T}$$y=f(X)$$f$$y$$f$$x$$f$$y$.

一种非常通用的技术是蒙特卡罗模拟。如果是具有已知分布的不确定输入，则生成向量的大量随机值，为这些随机向量中的每一个计算，然后查看的经验分布。关于诸如“重要性抽样”之类的方法的完整文献可以使该过程更有效。 $x$$x$$y=f(x)$$y$

最近，人们对“多项式混沌展开”产生了浓厚的兴趣，这是一种分析动力系统微分方程模型中不确定性的非蒙特卡罗方法。