우연오차
차이
문서의 선택한 두 판 사이의 차이를 보여줍니다.
| 양쪽 이전 판이전 판다음 판 | 이전 판 | ||
| 우연오차 [2026/04/15 15:13] – 우연오차 sync flyingtext | 우연오차 [2026/04/15 15:19] (현재) – 우연오차 sync flyingtext | ||
|---|---|---|---|
| 줄 130: | 줄 130: | ||
| === 오차 곡선의 대칭성 === | === 오차 곡선의 대칭성 === | ||
| - | 양의 오차와 음의 오차가 발생할 확률이 동일하다는 통계적 성질을 | + | [[우연오차]](Random error)는 개별 측정에서는 무작위적이고 예측 불가능한 |
| + | |||
| + | 역사적으로 이러한 대칭성의 개념은 [[카를 프리드리히 가우스]](Carl Friedrich Gauss)에 의해 정립된 [[오차 법칙]](Law of error)의 근간이 되었다. 가우스는 측정 오차를 수학적으로 모델링하면서 몇 가지 근본적인 가정을 제시하였는데, | ||
| + | |||
| + | $$ f(\epsilon) = f(-\epsilon) $$ | ||
| + | |||
| + | 이 식은 오차의 분포 곡선이 오차의 기댓값인 영($0$)을 중심으로 좌우가 거울을 보듯 완벽하게 대칭을 이룸을 시사한다. 이러한 수학적 대칭성은 [[가우스 분포]](Gaussian distribution)의 지수 함수 형태인 $ (-) $에서 명확히 드러난다. 변수인 오차 $\epsilon$이 제곱의 형태로 포함되어 있기 때문에, $\epsilon$의 부호가 바뀌더라도 확률 밀도의 값은 변하지 않는 것이다. | ||
| + | |||
| + | 오차 곡선의 대칭성은 물리적 측정 결과의 처리 과정에서 결정적인 함의를 갖는다. 만약 오차 분포가 대칭적이라면, | ||
| + | )). | ||
| + | |||
| + | 만약 실제 측정 데이터에서 얻은 오차 분포가 현저한 비대칭성(Asymmetry)을 보인다면, | ||
| === 평균값으로의 수렴 === | === 평균값으로의 수렴 === | ||
| - | 우연오차의 가장 중요한 통계적 특성은 무작위성(randomness)에 기인하여 그 [[기댓값]](Expected | + | 우연오차의 가장 중요한 통계적 특성은 무작위성(randomness)에 기인하여 그 [[기댓값]](expected |
| - | 개별 측정치 $x_i$를 참값 $\mu$와 우연오차 $\epsilon_i$의 합으로 정의할 때, 즉 $x_i = \mu + \epsilon_i$라 할 때, $n$번의 반복 측정에 대한 산술 평균 $\bar{x}$는 다음과 같이 표현된다. | + | 개별 측정치 $x_i$를 참값 $\mu$와 우연오차 $\epsilon_i$의 합으로 정의할 때, 즉 $x_i = \mu + \epsilon_i$라 할 때, $n$번의 반복 측정에 대한 |
| $$ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i = \frac{1}{n} \sum_{i=1}^{n} (\mu + \epsilon_i) = \mu + \frac{1}{n} \sum_{i=1}^{n} \epsilon_i $$ | $$ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i = \frac{1}{n} \sum_{i=1}^{n} (\mu + \epsilon_i) = \mu + \frac{1}{n} \sum_{i=1}^{n} \epsilon_i $$ | ||
| - | 여기서 우연오차 $\epsilon_i$가 서로 독립적이고 동일한 [[확률 분포]]를 따른다고 가정하면(i.i.d. 가정), [[대수의 법칙]](Law of Large Numbers)에 의해 측정 횟수 $n$이 증가함에 따라 오차의 평균인 $\frac{1}{n} \sum \epsilon_i$는 확률적으로 0에 수렴하게 된다. 결과적으로 표본 평균 $\bar{x}$는 측정 횟수가 무한해짐에 따라 참값 $\mu$에 점근적으로 | + | 여기서 우연오차 $\epsilon_i$가 서로 독립적이고 동일한 [[확률 분포]]를 따른다고 가정하면([[독립 항등 분포]], independent and identically distributed), [[대수의 법칙]](law of large numbers)에 의해 측정 횟수 $n$이 증가함에 따라 오차의 평균인 $\frac{1}{n} \sum \epsilon_i$는 확률적으로 0에 수렴하게 된다. 결과적으로 표본 평균 $\bar{x}$는 측정 횟수가 무한해짐에 따라 참값 $\mu$에 점근적으로 |
| - | 이 과정에서 주목할 점은 수렴의 속도와 그에 따른 정밀도의 향상이다. [[중심 극한 정리]](Central Limit Theorem)에 따르면, 우연오차의 [[분산]](Variance)을 $\sigma^2$이라 할 때, 표본 평균의 분산은 $\text{Var}(\bar{x}) = \frac{\sigma^2}{n}$이 된다. 따라서 표본 평균의 [[표준 편차]]이자 측정의 불확실성을 나타내는 [[표준 오차]](Standard Error)는 다음과 같이 산출된다. | + | 이 과정에서 주목할 점은 수렴의 속도와 그에 따른 정밀도의 향상이다. [[중심 극한 정리]](central limit theorem)에 따르면, 우연오차의 [[분산]](variance)을 $\sigma^2$이라 할 때, 표본 평균의 분산은 $\text{Var}(\bar{x}) = \frac{\sigma^2}{n}$이 된다. 따라서 표본 평균의 [[표준 편차]]이자 측정의 불확실성을 나타내는 [[표준 오차]](standard error)는 다음과 같이 산출된다. |
| $$ \sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}} $$ | $$ \sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}} $$ | ||
| - | 위 식은 측정 횟수 $n$을 4배 늘릴 때 오차의 범위가 절반으로 줄어든다는 것을 의미하며, | + | 위 식은 측정 횟수 $n$을 4배 늘릴 때 오차의 범위가 절반으로 줄어든다는 것을 의미하며, |
| 현대 [[계측학]]의 지침서인 [[측정 불확실성 표현 지침]](Guide to the Expression of Uncertainty in Measurement, | 현대 [[계측학]]의 지침서인 [[측정 불확실성 표현 지침]](Guide to the Expression of Uncertainty in Measurement, | ||
우연오차.1776233603.txt.gz · 마지막으로 수정됨: 저자 flyingtext
