| 양쪽 이전 판이전 판 | |
| 오차론 [2026/04/14 18:21] – 오차론 sync flyingtext | 오차론 [2026/04/14 18:22] (현재) – 오차론 sync flyingtext |
|---|
| ==== 관측 방정식과 조건 방정식 ==== | ==== 관측 방정식과 조건 방정식 ==== |
| |
| [[최소제곱법]]을 활용하여 미지수를 추정하고 관측값의 모순을 해결하는 [[조정 계산]](Adjustment computation) 과정은 수학적 모델링 방식에 따라 크게 관측 방정식 방법과 조건 방정식 방법으로 구분된다. 모든 물리적 측정에는 [[우연 오차]]가 수반되므로, 미지수를 결정하기 위해 필요한 최소한의 관측 횟수보다 더 많은 [[중복 관측]](Redundant observation)이 수행될 경우 수치적 불일치가 발생한다. 이러한 불일치를 논리적으로 해결하고 최적의 해를 도출하기 위해서는 관측값과 미지수, 혹은 관측값들 사이의 기하학적 제약 조건을 수학적 방정식으로 정립해야 한다. | [[최소제곱법]](Least Squares Method)을 활용하여 미지수를 추정하고 관측값의 모순을 해결하는 [[조정 계산]](Adjustment Computation) 과정은 수학적 모델링 방식에 따라 크게 관측 방정식 방법과 조건 방정식 방법으로 구분된다. 모든 물리적 측정에는 [[우연 오차]](Accidental Error)가 수반되므로, 미지수를 결정하기 위해 필요한 최소한의 관측 횟수보다 더 많은 [[중복 관측]](Redundant Observation)이 수행될 경우 수치적 불일치가 발생한다. 이러한 불일치를 논리적으로 해결하고 최적의 해를 도출하기 위해서는 관측값과 미지수, 혹은 관측값들 사이의 기하학적 제약 조건을 수학적 방정식으로 정립해야 한다. 이 과정은 관측 데이터의 통계적 성질을 고려하여 가장 신뢰할 수 있는 수치를 결정하는 수치해석적 기초가 된다. |
| |
| 관측 방정식(Observation equation)은 각 관측값을 미지수들의 함수로 직접 표현하는 방식이다. $n$개의 관측값 $L$과 $u$개의 미지수 $X$가 존재할 때, 개별 관측값 $L_i$에 대한 [[잔차]](Residual) $v_i$를 포함한 일반적인 함수 관계는 $L_i + v_i = f_i(X_1, X_2, \dots, X_u)$와 같이 정의된다. 만약 함수 $f$가 비선형인 경우에는 미지수의 근사값을 기준으로 [[테일러 급수]](Taylor series) 전개를 통해 선형화하는 과정을 거친다. 이를 [[행렬]](Matrix) 형태로 나타내면 $v = AX - L$이 되며, 여기서 $A$는 미지수에 대한 편미분 계수로 구성된 [[설계 행렬]](Design matrix) 혹은 [[야코비 행렬]](Jacobian matrix)이다. 관측 방정식 방법은 미지수를 직접 산출할 수 있고 컴퓨터를 이용한 자동화 계산에 유리하여, 현대 [[측지학]] 및 [[사진측량학]]의 대규모 망 조정에서 표준적으로 사용된다((이은수, 관측방정식을 활용한 다각망도선법 조정에 관한 연구, https://www.kci.go.kr/kciportal/landing/article.kci?arti_id=ART001900559 | 관측 방정식(Observation Equation)은 각 관측값을 미지수들의 함수로 직접 표현하는 방식이다. $n$개의 관측값 $L$과 $u$개의 미지수 $X$가 존재할 때, 개별 관측값 $L_i$에 대한 [[잔차]](Residual) $v_i$를 포함한 일반적인 함수 관계는 $L_i + v_i = f_i(X_1, X_2, \dots, X_u)$와 같이 정의된다. 만약 함수 $f$가 비선형인 경우에는 미지수의 [[근삿값]]을 기준으로 [[테일러 급수]](Taylor Series) 전개를 통해 선형화하는 과정을 거친다. 이를 [[행렬]](Matrix) 형태로 나타내면 $v = AX - L$이 되며, 여기서 $A$는 미지수에 대한 편미분 계수로 구성된 [[설계 행렬]](Design Matrix) 혹은 [[야코비 행렬]](Jacobian Matrix)이다. 관측 방정식 방법은 미지수를 직접 산출할 수 있고 컴퓨터를 이용한 자동화 계산에 유리하여, 현대 [[측지학]](Geodesy) 및 [[사진측량학]](Photogrammetry)의 대규모 망 조정에서 표준적으로 사용된다((이은수, 관측방정식을 활용한 다각망도선법 조정에 관한 연구, https://www.kci.go.kr/kciportal/landing/article.kci?arti_id=ART001900559 |
| )). | )). |
| |
| 조건 방정식(Condition equation)은 미지수를 명시적으로 설정하지 않고, 관측값들이 기하학적으로 만족해야 하는 물리적 제약 조건을 수식화하는 방식이다. 예를 들어 평면 삼각형의 세 내각을 측정했을 때, 각 관측값의 수정치 합은 반드시 180도가 되어야 한다는 기하학적 조건을 수립할 수 있다. 조건 방정식의 총 개수 $r$은 중복 관측의 횟수, 즉 자유도와 일치하며 이는 $r = n - u$로 결정된다. 조건 방정식의 일반식은 $g(L + v) = 0$의 형태로 표현되며, 이를 선형화하면 $Bv + W = 0$ 꼴의 행렬식을 얻는다. 여기서 $W$는 관측값들이 조건을 만족하지 못해 발생하는 모순량(Misclosure)을 의미한다. 조건 방정식 방법은 [[라그랑주 승수법]](Lagrange multiplier method)을 통해 잔차의 제곱합을 최소화하는 해를 구하며, 미지수의 개수가 적고 기하학적 구조가 명확한 경우에 계산의 효율성을 제공한다. | 조건 방정식(Condition Equation)은 미지수를 명시적으로 설정하지 않고, 관측값들이 기하학적으로 만족해야 하는 물리적 제약 조건을 수식화하는 방식이다. 예를 들어 평면 삼각형의 세 내각을 측정했을 때, 각 관측값의 수정치 합은 반드시 180도가 되어야 한다는 기하학적 조건을 수립할 수 있다. 조건 방정식의 총 개수 $r$은 중복 관측의 횟수, 즉 [[자유도]](Degree of Freedom)와 일치하며 이는 $r = n - u$로 결정된다. 조건 방정식의 일반식은 $g(L + v) = 0$의 형태로 표현되며, 이를 선형화하면 $Bv + W = 0$ 꼴의 행렬식을 얻는다. 여기서 $W$는 관측값들이 조건을 만족하지 못해 발생하는 모순량(Misclosure)을 의미한다. 조건 방정식 방법은 [[라그랑주 승수법]](Lagrange Multiplier Method)을 통해 잔차의 제곱합을 최소화하는 해를 구하며, 미지수의 개수가 적고 기하학적 구조가 명확한 경우에 계산의 효율성을 제공한다. |
| |
| 두 방식은 본질적으로 동일한 [[최확값]]을 산출하지만, 문제의 성격에 따라 선택적으로 적용된다. 관측 방정식은 미지수의 개수가 많더라도 각 관측 데이터를 독립적으로 처리할 수 있어 유연성이 높으며, 조건 방정식은 관측값 사이의 상관관계나 기하학적 엄밀성을 강조할 때 유용하다. 최근의 수치 해석 분야에서는 이 두 모델을 결합한 가우스-헬머트 모델(Gauss-Helmert model) 등 혼합 모델을 통해 더욱 복잡한 제약 조건을 처리하기도 한다. 이러한 방정식 수립 과정은 데이터의 [[불확실성]]을 정량화하고, 통계적으로 가장 신뢰할 수 있는 물리적 상태를 복원하는 조정 계산의 토대가 된다. | 두 방식은 본질적으로 동일한 [[최확값]](Most Probable Value)을 산출하지만, 문제의 성격에 따라 선택적으로 적용된다. 관측 방정식은 미지수의 개수가 많더라도 각 관측 데이터를 독립적으로 처리할 수 있어 모델 수립의 유연성이 높으며, 조건 방정식은 관측값 사이의 상관관계나 기하학적 엄밀성을 강조할 때 유용하다. 최근의 수치 해석 분야에서는 이 두 모델을 결합한 [[가우스-헬머트 모델]](Gauss-Helmert Model) 등 혼합 모델을 통해 더욱 복잡한 제약 조건을 처리하기도 한다. 이러한 방정식 수립 과정은 데이터의 [[불확실성]](Uncertainty)을 정량화하고, 통계적으로 가장 신뢰할 수 있는 물리적 상태를 복원하는 조정 계산의 토대가 된다. |
| |
| ===== 오차론의 실무적 응용 ===== | ===== 오차론의 실무적 응용 ===== |
