반복 측정·교정·식별 가능한 물리량

반복 판독과 실제 측정 대상 구분하기

기기가 매우 일정한 숫자를 출력하더라도 그 숫자들이 실제 물리량에서 같은 방향으로 벗어나 있을 수 있습니다. 같은 측정을 반복하면 기기 판독의 평균을 더 정밀하게 추정할 수 있습니다. 그러나 미지의 고정 오프셋이 자동으로 식별되는 것은 아닙니다. 이 단원에서는 먼저 무엇을 관측하고 무엇을 알고 싶은지 구분한 뒤 교정과 불확실성을 계산합니다.

모든 값의 단위는 cm입니다. 관심 물리량 x와 기기 편향 b는 고정된 미지의 매개변수이고 대상 판독은 다음 모형을 따릅니다.

$$R_i=x+b+\varepsilon_i,\qquad \varepsilon_i\stackrel{\mathrm{iid}}\sim N(0,\sigma_R^2).$$

잡음의 표준편차는 외부 정보로 알고 있다고 가정합니다. 조작기는 표본을 무작위 생성하지 않고 표본 평균을 조회합니다. 참값 세계 선택기는 설명을 위해 가정한 실제 매개변수이며 관측자가 데이터로 얻은 추정값이 아닙니다.

교정 전 식별 불가를 증명하기

첫 세계에서는 x=9, b=1이고 둘째 세계에서는 x=7, b=3이라고 하겠습니다. 두 세계 모두 판독 평균이 10이고 잡음 분산도 같습니다. 따라서 반복 횟수가 얼마든 전체 판독 벡터의 결합 분포가 동일합니다.

일반적으로 x를 x+h로 바꾸면서 b를 b−h로 바꾸면 교정 전 관측 법칙은 유지됩니다. 이것이 식별 가능성의 문제입니다. 입력 데이터의 법칙이 같으므로 그 데이터만 사용하는 추정기는 두 세계를 구별할 수 없습니다. 화면의 참값 표시가 움직인다고 데이터 기반 추정기가 참값의 변화를 알아냈다는 뜻은 아닙니다.

무한히 많은 판독으로 평균을 정확히 알게 되어도 그것은 x+b입니다. x와 b를 따로 알려면 기기나 독립 기준에 관한 추가 정보가 필요합니다. 이 구분 없이 반복 측정의 정밀도를 실제 물리량의 정확도로 부르면 서로 다른 질문을 섞게 됩니다.

평균화가 실제로 줄이는 것

독립 잡음 가정 아래 양의 개수 n_R로 평균을 만들면 다음 식을 얻습니다.

$$E[\overline R]=x+b,\qquad \operatorname{Var}(\overline R)=\frac{\sigma_R^2}{n_R}.$$

표준오차 σ_R/√n_R는 판독 평균이 x+b 주변에서 얼마나 흔들리는지 나타냅니다. 편향 b의 크기를 나타내지는 않습니다. 첫 안내 예제에서는 100회 반복과 잡음 표준편차 1cm로 평균 표준오차 0.1cm를 얻지만 교정 없이는 x가 식별되지 않습니다.

제곱근 감소는 표본 설계에 의존합니다. 같은 기록을 복사하거나 강한 시간 의존성이 있거나 측정 중 기기 상태가 달라지면 같은 독립 표본 모형이 아닙니다. 숫자로 적힌 반복 횟수만으로 측정 모형의 타당성을 대신할 수 없습니다.

정확한 기준이라는 제한된 가정 도입하기

이 예제에서는 기준 물리량 c가 정확히 5cm라고 가정합니다. 같은 고정 편향을 가진 기기로 기준을 측정하되 대상 잡음과 독립인 판독을 얻습니다.

$$C_j=c+b+\eta_j,\qquad \eta_j\stackrel{\mathrm{iid}}\sim N(0,\sigma_C^2).$$

두 표본 수가 모두 양수이면 교정 추정값은 다음과 같습니다.

$$\widehat x=\overline R-\overline C+c.$$

같은 고정 편향이 대수적으로 상쇄됩니다. 두 잡음 흐름이 독립이면 교정 추정값의 분산에는 σ_R²/n_R와 σ_C²/n_C가 모두 들어갑니다. 측정한 보정값을 뺀다고 그 보정값의 불확실성이 없어지는 것은 아닙니다. 공통 확률 잡음이 있다면 공분산 항을 포함하여 다시 계산해야 합니다.

현실의 기준은 정확하지 않을 수 있습니다. 기준 자체의 불확실성, 공통 영향, 소급성 정보는 확장된 측정 모형의 입력입니다. 여기의 정확 기준 가정은 교정 원리를 분리한 제한된 모형이지 실제 교정 성적서의 숫자를 전부 정확한 상수로 취급하라는 뜻이 아닙니다.

교정 안내 예제를 손으로 계산하기

두 반복 수를 모두 100으로 두고 알려진 두 잡음 표준편차를 1cm로 설정하세요. 대상 평균 10, 기준 평균 6을 조회하면 교정 추정값은 10−6+5=9cm입니다. 결합 분산은 0.01+0.01=0.02cm²이고 표준오차는 약 0.141421cm입니다.

고정된 표본 설계와 알려진 독립 가우스 잡음을 가정하면 명목 양측 95% 구간의 반폭은 표준오차에 약 1.959964를 곱한 0.277181cm입니다. 화면의 정규 분위수와 끝점은 수치 근사이며 마지막 기계 비트까지 인증하는 포함률 증명이 아닙니다. 또한 계산이 맞아도 현실 표본이 독립 가우스라는 가정이 입증되는 것은 아닙니다.

한 조회 결과의 구간이 설명용 참값을 놓칠 수 있습니다. 빈도주의 포함률은 가정한 법칙 아래 반복하여 만든 절차의 성질입니다. 평균을 조회한 뒤 특정 구간 안에 참값이 있을 사후확률이라는 해석과 다릅니다.

결정론적 편향 변동 상계를 더하기

대상과 기준을 측정하는 사이 기기 편향이 달라질 수 있습니다. 두 편향의 차이를 d라고 두면 교정값은 다음 형태입니다.

$$\widehat x=x+d+e,\qquad e\sim N(0,s^2),\qquad s^2=\frac{\sigma_R^2}{n_R}+\frac{\sigma_C^2}{n_C}.$$

외부 정보가 |d|≤D를 보장한다고 가정합시다. 가우스 잡음이 |e|≤zs를 만족하는 사건 위에서는 삼각부등식으로 전체 오차를 D+zs 이하로 묶을 수 있습니다. 따라서 확장 구간의 반폭은 다음과 같습니다.

$$\text{radius}=z_{0.975}s+D.$$

d에 확률 분포를 부여하지 않았습니다. 잡음 분산에 D²를 자동으로 더하면 다른 모형을 몰래 도입하는 셈입니다. D=1cm이면 안내 예제의 잡음 분산은 0.02cm² 그대로이고 구간 반폭만 약 1.277181cm가 됩니다. 조작기에 D를 입력한 사실이 실제 편향 변동이 그 범위에 들어감을 관측으로 증명하지는 않습니다.

기준 교정이 만드는 바닥 읽기

그래프의 가로축은 제안한 대상 반복 수 1부터 100까지이며 기준 반복 수는 현재 값으로 고정합니다. 파랑은 대상 평균 잡음 분산, 주황은 교정 후 분산, 초록은 기준 교정의 분산 성분입니다. 세로 단위는 모두 cm²이므로 같은 종류의 양을 비교합니다.

대상 반복 수만 늘려서는 기준 항이 없어지지 않습니다. 교정 후 분산은 σ_C²/n_C에 가까워집니다. 편향 변동은 구간 반폭에 별도의 한계를 남깁니다. 이를 줄이려면 기준 정보를 개선하거나 더 작은 변동 상계를 정당화해야 합니다. 대상 판독만 더 모으는 방법으로는 해결되지 않습니다.

기준 표본이 없으면 교정 곡선과 기준 분산 바닥을 생략합니다. 없는 정보를 분산 0으로 그려 완벽한 기준처럼 보이게 하지 않습니다.

빈 표본과 지지집합 양립을 정직하게 표시하기

대상 반복 수가 0이면 대상 평균이 없고 기준 반복 수가 0이면 기준 평균이 없습니다. 해당 평균, 표준오차, 교정 구간을 상황에 맞게 미정으로 표시합니다. 0으로 나누는 식을 가상의 불확실성 0으로 바꾸지 않습니다.

양의 잡음을 가진 가우스 표본 평균의 지지집합은 실수 전체입니다. 그렇더라도 정확한 실수 한 점의 확률은 0입니다. 화면의 지지집합 양립은 그 한 점에 양의 확률을 부여하는 표시가 아닙니다. 잡음이 0이면 법칙이 점질량이 되므로 다른 평균을 조회할 때 현재 참값 세계와 양립하지 않는다고 표시합니다. 조회를 실제 생성 관측과 구분해야 하는 이유입니다.

풀이가 있는 연습 문제

1. 문제: 표준오차 0.1cm가 고정 편향도 0.1cm 이하임을 뜻하나요? 해설: 아닙니다. 표준오차는 x+b 주변의 반복 변동을 설명하며 고정 오프셋을 식별하지 않습니다.
2. 문제: 참값 세계를 바꿔도 교정 전 법칙이 같은 이유는? 해설: x+b와 잡음 법칙이 같기 때문에 모든 판독 벡터가 같은 분포를 갖습니다.
3. 문제: 대상 수 100, 기준 수 4, 대상 σ=1, 기준 σ=2이면 교정 분산은? 해설: 0.01+4/4=1.01cm²입니다. 기준 항이 지배합니다.
4. 문제: 그 예제에서 대상 수만 무한히 늘리면? 해설: 분산은 1cm²에 가까워집니다. 기준 수가 고정이면 불확실성이 0이 되지 않습니다.
5. 문제: D를 분산에 자동으로 더하지 않는 이유는? 해설: D는 결정론적 오차 집합을 지정합니다. 확률 잡음 구간과 집합을 합칠 때 삼각부등식을 사용하며 편향 변동의 분포를 가정하지 않습니다.
6. 문제: 작은 데이터에서 σ를 추정해도 알려진 σ의 가우스 구간을 그대로 쓰나요? 해설: 표준편차 추정은 절차의 분포를 바꾸므로 별도의 정당화가 필요합니다. 알려진 척도 가정을 자동으로 유지할 수 없습니다.

출처와 AI 연결

JCGM 측정 불확실성 지침은 측정 모형과 보정, 불확실성 성분의 배경입니다. 두 세계 반례와 정확 기준 실험, 편향 변동 상계 구간은 이 단원에서 직접 유도한 것이며 지침 전체를 구현한 것은 아닙니다. 센서 기반 AI에서 편향된 판독이나 라벨을 더 모으면 잘못 정한 목표의 평균만 정밀해질 수 있습니다. 교정 변수와 관측 정보의 범위를 명시하는 일은 학습한 예측이 무엇을 식별하는지 정하는 과정입니다.