该论文关注差分隐私查询中商数的准确性评估问题。差分隐私通过在统计查询中添加校准噪声来保护隐私，然而现有工具大多关注隐私保护本身，很少提供关于查询结果准确性的信息，尤其是对于数据依赖的计算（如平均值或差分隐私和的商）。本文提出了一种基于不确定性传播（uncertainty propagation）原理的新方法，用于计算此类计算的置信区间（即α-β精度）。该方法识别了分析误差可预测的条件，揭示了两个关键不变性：分析误差随着数据集规模的增大而改善；数值变异性更高的数据集需要更大的规模才能实现准确估计。为了便于采用，作者还提出了精度调节器（accuracy tuners），用于快速确定最小数据集规模，并探索隐私预算与精度估计可能性之间的权衡。通过跨多种场景的实证评估，验证了分数不确定性（fractional uncertainties）在计算具体α-β误差方面的适用性。该研究为差分隐私系统的用户提供了实用的准确性指导，有助于在隐私保护与数据效用之间取得平衡。