在实际工作中，经常以多次分析结果的算术平均值做为“真实值”，与各个测定数据进行比较，这样计算出来的差值称为偏差。偏差大就是精密度低，偏差小就是精密度高。
　　2.误差分类
　　按照人们对误差掌握程度的不同，误差可分为三类，即准确掌握其数值变化规律的为系统误差；仅掌握其统计规律的为随机误差；实际上未掌握规律的为粗大误差。
　　1)系统误差
　　系统误差是数值变化规律已被确切掌握的误差，是由于某种经常性的原因所造成的比较恒定的误差，主要有方法误差、仪器和试剂误差、操作误差，它使测定结果经常偏高或经常偏低。在重复测量时，它会重复地表现出来。这种误差的大小、正负，往往可以测定出来，因而是可以校正的。
　　2)随机误差
　　这是当数值变化规律未被确切掌握，但作为随机变量，其统计规律是人们所掌握的误差。这时我们已无法给出误差的确切数值。但能用均方根值或极限值等统计特征值来估计其数值的变化范围。
　　随机误差既具有期望，又具有方差。由于期望是观察次数无限增多时函数观察平均值的极限，在理论上具有确切的数值(包括正负号)，可以把它看作一项系统误差。因此对随机误差作中心化处理后，得到期望为零的随机误差。这样的误差按约定俗成的原则称之为“偶然误差”。我们说误差的处理，主要指对偶然误差的处理。
　　偶然误差具有下列规律：
　　(1)正、负误差出现的概率相等。
　　(2)小误差出现的次数多，大误差出现的次数少，个别特大误差出现的次数极少。偶然误差的这种规律性，可用误差的正态分布曲线表示。
　　在消除引起系统误差的一切因素以后，多次测量的算术平均值最接近真实值。也就是说多次测定取平均值的方法可以使偶然误差在均值中部分抵偿而降低。
　　3)粗大误差(疏忽误差)
　　这是明显超出统计规律预期值的误差。这类误差具有异常值。它的出现通常是由于测量仪器设备的故障，测量条件的失常及测量工作人员的失误而引起。带有粗大误差的数据是不可靠的。有这种误差的数据往往对数据处理结果带来明显的歪曲。因此，希望减少它们的作用。对粗大误差较妥当的处理方法是重复相应试验。
　　3.样本及统计特征数
　　从总体中随机抽取的一部分个体称为随机样本，简称样本。数理统计的目的是通过样本推断总体。数据处理就是通过计算样本的统计特征数，把数据的主要特点表现出来。
　　常用的统计特征数可分为两类：一类表征观测值的集中位置，如均值、众数、中位数等；另一类表征观测值的离散程度，如极差、平均偏差、方差、标准差等。把这两类特征数综合在一起更能说明数据的特点，如相对标准差。
　　4.测量的随机不确定度
　　测量的目的在于求出被测量的真值。然而，由于误差的存在，使测量结果不等于真值，因此，只给出测量结果还不够，还必须给出测量结果与真值的接近程度。
    设某被测量的测量结果为X，误差限为△，则
 

 

X-△≤X0≤X+△

　　上式表明，真值虽不能确切知道，但它将落在以X为中值的[X-△，X+△]区间(称为真值置信区间)内。△值越小，真值所处的量值范围就越小，即真值不能确定的程度越小。反之，△值越大，真值所处的量值范围也越大。可见，△值可用以评定真值所处量值范围的大小，即真值不能确定的程度。上述△就是测量不确定度。
　　不确定度按误差性质分为系统不确定度(系统误差限)和随机不确定度(随机误差限或置信限)两种。
　　随机误差落在[-△，△]区间的概率(又称置信概率)用ρ表示。其中，△就是随机不确定度或称置信限，而区间[-△，△]称为误差置信区间。
　　随机不确定度常表示成标准偏差的倍数形式，即
 

式中，s是单次测量的标准偏差K称为置信因子。
　　当随机不确定度△=3s时，误差绝对值不超出3s的概率为99.73％。在测量次数不多的情况下，误差超出3s是不可能的，通常把置信概率为9.73％时的随机不确定度3s，作为单次测量的极限误差。
　　也有取随机不确定度为2.58s或1.96s作为测量的极限误差，此时对应的置信概率分别为99％和95％。因此，给出随机误差的极限误差时，务必指明对应的置信概率。
　　5. 一般测量过程的数据处理步骤
　　一般的测量过程，都是使用适当的计量器具对某量进行等精度的独立测量。等精度独立测量即每次测量的准确性相同，相互独立的测量。这类测量的数据处理步骤如下：
　　(1)计算测量列的算术平均值。
　　(2)计算测得值的残余误差。
　　(3)检查算术平均值和残余误差计算的正确性。
　　(4)计算单次测量的标准偏差。
　　(5)判断粗大误差，剔除异常值。
　　(6)计算算术平均值的标准偏差。
　　(7)计算随机不确定度(用极限误差表示)。
　　(8)测量结果的表达。
　　通常除给出被测量的量值外，还应同时标出测量的不确定度。