측정 오차와 보정

"측정값은 숫자 하나가 아니라 측정 절차와 불확실성이 붙은 결과야. ±가 무엇을 뜻하는지 확인하지 않으면 정밀도를 읽을 수 없어."

반복 측정과 불확실성

같은 대상을 같은 조건에서 여러 번 측정하면 값이 조금씩 달라질 수 있어. 반복값의 표준편차는 그 조건에서 나타난 무작위 변동을 요약해. 하지만 측정불확실성 전체가 이 표준편차와 같은 것은 아니야. 기기 분해능, 교정 기준, 환경, 방법의 편향처럼 반복 측정만으로 드러나지 않는 성분도 포함해야 해.

평균이 줄여 주는 것

각 측정오차가 독립이고 같은 분산을 가지며 편향이 없다면, N번 측정한 평균의 표준오차는 σ/√N으로 줄어. σ=0.5cm인 독립 측정 10개의 평균이라면 약 0.16cm야.

측정값들이 시간에 따라 함께 흔들리거나 기기가 일정하게 높게 읽는다면 단순한 제곱근 법칙을 그대로 쓸 수 없어. 반복 횟수를 늘려도 체계적 편향은 사라지지 않지. 교정은 알려진 기준과 비교해 편향을 추정하고 보정하는 과정이지만, 교정 뒤에도 남는 불확실성을 보고해야 해.

±를 읽는 법

100.0 ± 0.5 cm: ±0.5가 표준편차인지 표준오차인지 신뢰구간 반폭인지, 또는 포함인자 k를 쓴 확장불확실성인지 문서에서 확인해.
불확실성이 없는 값: 곧바로 무한 정밀도를 뜻하지는 않아. 반올림 자리와 측정법에서 어느 정도를 추정할 수 있지만, 중요한 결정이라면 불확실성을 요청해야 해.
95% 신뢰구간: 반복 절차의 커버리지를 말해. 정규 측정오차의 ±2σ와 숫자가 비슷할 수 있어도 같은 개념으로 자동 치환하면 안 돼.

렌즈 통찰

측정값의 정밀도는 소수점 자리보다 불확실성 예산과 측정 절차가 결정해. 반복성, 편향, 교정, 환경, 표본설계를 함께 보고 우리가 신경 쓰는 차이보다 불확실성이 충분히 작은지 판단해.

Code

노이즈 AND 체계적 편향이 있는 반복 측정·python

import numpy as np
rng = np.random.default_rng(90)

# 고정 양 (참 길이 = 100.0 cm) 의 반복 측정 시뮬.
# 기기 노이즈 sigma = 0.5 cm, 체계적 편향 +0.3 cm.
true_length = 100.0
bias = 0.3
noise_sigma = 0.5

# N 번 측정.
N = 10
measurements = rng.normal(loc=true_length + bias, scale=noise_sigma, size=N)

print("개별 측정:")
for m in measurements:
    print(f"  {m:.3f}")

estimated = measurements.mean()
se_of_mean = noise_sigma / np.sqrt(N)
print(f"\n측정 평균: {estimated:.3f}")
print(f"평균의 표준 오차: {se_of_mean:.3f}")
print(f"참 길이: {true_length:.3f}  (편향: {bias})")

# 평균이 (참 + 편향) 에 가까움. 평균이 노이즈를 줄였어
# (SE/sqrt(N)), 근데 체계적 편향은 전체 +0.3 으로 지속.
# 편향을 제거하는 보정 없이, 더 많은 측정이 더 정밀한 잘못된 양의 추정을 줘.
# 보정이 평균이 실제로 도움이 되는 전제조건.

Exercise

정기적으로 재는 값 하나를 골라 측정 절차를 적어봐. 반복 측정의 변동, 기기 분해능, 시간대·환경, 가능한 체계적 편향을 나누고, 보고할 때 ±가 무엇을 뜻하는지 명시해.

Hint

체중의 하루 변동을 모두 저울 오차로 부르지 마. 실제 몸 상태의 변화와 측정기기의 반복오차를 분리해야 해.

반복 측정과 불확실성

평균이 줄여 주는 것

±를 읽는 법

렌즈 통찰

Code

External links

Exercise

Progress

댓글 0