가우스 소거법 심층 분석
수학 / 행렬 · 연립일차방정식 · 가우스 소거법 · 기본행연산 · 역문제 · 심층 수리논술
대기질 센서는 오염원을 어떻게 찾아내는가: 가우스 소거법으로 증명하는 선형 역문제
[출제 의도]
여러 센서의 측정값으로부터 직접 관측할 수 없는 원인의 크기를 추정하는 과정을 연립일차방정식으로 모델링하고, 가우스 소거법을 이용하여 해를 구할 수 있는지 평가한다. 특히 기본행연산이 단순한 계산 규칙이 아니라 원래 연립방정식의 해집합을 보존하는 가역적인 변환임을 증명하도록 한다. 또한 센서의 정보가 서로 독립적이지 않을 때 유일한 해를 구할 수 없는 이유와, 작은 측정오차가 특정 상황에서 크게 증폭될 수 있는 이유를 행렬과 피벗의 관점에서 논증하도록 한다.
여러 센서의 측정값으로부터 직접 관측할 수 없는 원인의 크기를 추정하는 과정을 연립일차방정식으로 모델링하고, 가우스 소거법을 이용하여 해를 구할 수 있는지 평가한다. 특히 기본행연산이 단순한 계산 규칙이 아니라 원래 연립방정식의 해집합을 보존하는 가역적인 변환임을 증명하도록 한다. 또한 센서의 정보가 서로 독립적이지 않을 때 유일한 해를 구할 수 없는 이유와, 작은 측정오차가 특정 상황에서 크게 증폭될 수 있는 이유를 행렬과 피벗의 관점에서 논증하도록 한다.
[문제 1] 센서의 혼합 정보에서 오염원 분리하기 (기초·응용 역량)
(1) 위 연립방정식을 확대행렬로 나타내시오.
(2) 다음 기본행연산을 차례로 적용하시오.
그 결과를 이용하여 x, y, z를 구하시오.
(3) 첫 번째 단계
의 결과가
이 되는 것을 확인하고,
이 연산을 단순한 기호 조작이 아니라
두 센서에 공통으로 포함된 오염원 정보를 제거하는 과정으로 해석하시오.
(4) 가우스 소거법에서 아래쪽 원소를 차례로 0으로 만드는 것이 왜 미지수를 하나씩 분리하는 효과를 갖는지 설명하시오.
(2) 다음 기본행연산을 차례로 적용하시오.
R2 ← R2 − 2R1
R3 ← R3 − R1
R3 ← R3 − R2
R3 ← R3 − R1
R3 ← R3 − R2
(3) 첫 번째 단계
R2 ← R2 − 2R1
y − z = −1
(4) 가우스 소거법에서 아래쪽 원소를 차례로 0으로 만드는 것이 왜 미지수를 하나씩 분리하는 효과를 갖는지 설명하시오.
해설 및 모범 채점 기준 확인하기
[문제 풀이]
처음 확대행렬은
이다.
먼저
을 적용하면 두 번째 행은
이 된다.
또
을 적용하면
을 얻는다.
마지막으로
를 적용하면
이다.
세 번째 행에서
이므로
이다.
두 번째 행에서
이므로 y = 3이다.
첫 번째 행에 대입하면
이므로 x = 2이다.
따라서
이다.
[센서 정보의 제거라는 해석]
두 번째 센서식에서 첫 번째 센서식의 두 배를 빼면
이므로
이 된다.
여기서 x가 사라졌다는 것은
두 측정식에 섞여 있던 X 오염원의 영향을 서로 비교하여 제거했다는 뜻이다.
다음 행연산에서는 다시 y까지 제거하여
만 남긴다.
즉 가우스 소거법은 여러 원인이 혼합된 정보를
공통 성분을 단계적으로 제거하여 하나의 원인만 남도록 만드는 과정으로 해석할 수 있다.
처음 확대행렬은
1 1 1 │ 9
2 3 1 │ 17
1 2 4 │ 24
2 3 1 │ 17
1 2 4 │ 24
R2 ← R2 − 2R1
(0, 1, −1 | −1)
R3 ← R3 − R1
1 1 1 │ 9
0 1 −1 │ −1
0 1 3 │ 15
0 1 −1 │ −1
0 1 3 │ 15
R3 ← R3 − R2
1 1 1 │ 9
0 1 −1 │ −1
0 0 4 │ 16
0 1 −1 │ −1
0 0 4 │ 16
4z = 16
z = 4
y − z = −1
x + 3 + 4 = 9
(x, y, z) = (2, 3, 4)
[센서 정보의 제거라는 해석]
두 번째 센서식에서 첫 번째 센서식의 두 배를 빼면
(2x + 3y + z)
−
2(x + y + z)
=
17 − 18
y − z = −1
4z = 16
도해 1. 혼합된 센서 정보에서 변수를 차례로 제거하기
정답: (x, y, z) = (2, 3, 4). 가우스 소거법은 혼합된 정보를 비교하여 공통 변수의 영향을 단계적으로 제거하는 과정으로 해석할 수 있다.
| 평가 요소 | 채점 기준 및 감점 요인 | 배점 |
|---|---|---|
| 가우스 소거 계산 | 확대행렬을 정확히 구성하고 행연산을 이용하여 (2,3,4)를 구함. | 15점 |
| 실생활 해석 | 행연산을 센서에 공통으로 포함된 변수의 영향을 제거하는 과정으로 설명함. | 15점 |
[문제 2] 왜 행을 바꾸어도 정답은 바뀌지 않는가: 가우스 소거법의 증명 (심층 논증)
연립방정식을 행렬식으로
라 하자.
행렬 A의 한 기본행연산을 수행하는 것은
어떤 행렬 E를 왼쪽에서 곱하여
로 바꾸는 것으로 생각할 수 있다.
이러한 E를 기본행렬이라 하자.
(1) 문제 1의 연산
에 해당하는 기본행렬이
(2) 위 행렬의 역행렬이
(3) E가 가역행렬일 때
임을 양방향으로 증명하시오.
(4) 이를 이용하여 유한 번의 기본행연산을 반복하여도 원래 연립방정식과 최종 연립방정식의 해집합은 동일하다 는 사실을 증명하시오.
(5) 한 행 전체에 0을 곱하는 연산은 왜 기본행연산으로 허용할 수 없는지, 정보의 손실과 역행렬의 관점에서 설명하시오.
Ax = b
EAx = Eb
(1) 문제 1의 연산
R2 ← R2 − 2R1
E
=
임을 확인하시오.
1 0 0
−2 1 0
0 0 1
−2 1 0
0 0 1
(2) 위 행렬의 역행렬이
E−1
=
임을 보이시오.
1 0 0
2 1 0
0 0 1
2 1 0
0 0 1
(3) E가 가역행렬일 때
Ax = b
⇔
EAx = Eb
(4) 이를 이용하여 유한 번의 기본행연산을 반복하여도 원래 연립방정식과 최종 연립방정식의 해집합은 동일하다 는 사실을 증명하시오.
(5) 한 행 전체에 0을 곱하는 연산은 왜 기본행연산으로 허용할 수 없는지, 정보의 손실과 역행렬의 관점에서 설명하시오.
해설 및 모범 채점 기준 확인하기
[문제 풀이]
행렬
로 바뀐다.
따라서 이 행렬은 정확히
을 나타낸다.
반대 연산은
이므로 그 기본행렬은
이제
를 만족하는 임의의 x를 생각하자.
양변의 왼쪽에 E를 곱하면
이므로 원래 식의 모든 해는 변환된 식의 해이다.
반대로
를 만족한다고 하자.
양변의 왼쪽에 E−1을 곱하면
이고
이므로 다시
를 얻는다.
따라서
여러 번의 기본행연산을
라 하면 최종 방정식은
이다.
각 Ei가 가역이므로 그 곱 역시 가역이다.
따라서 전체 과정을 한 번의 가역변환으로 볼 수 있으며,
처음과 마지막 연립방정식의 해집합은 동일하다.
한편 한 행에 0을 곱하면 그 행은
으로 사라진다.
원래 어떤 조건이 있었는지 복원할 수 없으므로 이 변환은 가역적이지 않다.
즉 정보가 사라졌으며,
해집합이 원래보다 커질 수도 있기 때문에 가우스 소거법의 기본행연산으로 허용할 수 없다.
행렬
E
=
를 어떤 3행 행렬의 왼쪽에 곱하면
첫째 행과 셋째 행은 그대로 유지되고,
둘째 행은
1 0 0
−2 1 0
0 0 1
−2 1 0
0 0 1
−2R1 + R2
R2 ← R2 − 2R1
반대 연산은
R2 ← R2 + 2R1
E−1
=
이다.
실제로 두 행렬을 곱하면 단위행렬 I가 된다.
1 0 0
2 1 0
0 0 1
2 1 0
0 0 1
이제
Ax = b
EAx = Eb
반대로
EAx = Eb
E−1EAx
=
E−1Eb
E−1E = I
Ax = b
Ax = b와 EAx = Eb는 정확히 같은 해집합을 갖는다.
이는 가우스 소거법의 핵심적인 수학적 근거이다.
여러 번의 기본행연산을
E1,
E2,
…,
Ek
Ek···E2E1Ax
=
Ek···E2E1b
한편 한 행에 0을 곱하면 그 행은
0 = 0
도해 2. 가우스 소거법이 해를 보존하는 이유
증명 결론: 모든 기본행연산은 가역적이므로 해집합을 보존하며, 이것이 가우스 소거법으로 원래 연립방정식을 풀 수 있는 근본적인 이유이다.
| 평가 요소 | 채점 기준 및 감점 요인 | 배점 |
|---|---|---|
| 기본행렬 | 행연산을 기본행렬의 왼쪽 곱으로 정확히 표현하고 역행렬을 확인함. | 10점 |
| 해 보존 증명 | Ax=b와 EAx=Eb 사이의 양방향 포함 관계를 E⁻¹을 이용하여 증명함. | 15점 |
| 가역성 논증 | 여러 행연산의 합성도 가역적임을 설명하고 0배 연산이 허용되지 않는 이유를 논증함. | 10점 |
[문제 3] 센서가 많다고 항상 정확한가: 독립성·오류·민감도 분석 (심층 사고력)
센서 S3의 Z 오염원에 대한 민감도가 상황에 따라 달라질 수 있다고 하자.
세 번째 센서식을 일반화하여
라 하자.
따라서 전체 연립방정식은
이다.
(1) 가우스 소거법을 적용하여 확대행렬이
의 형태로 변환됨을 보이시오.
(2) λ ≠ 0일 때 해가 유일함을 보이고,
를 이용하여 x, y도 구하시오.
(3) λ = 0일 때 다음 두 경우를 분석하시오.
① μ = 8
② μ ≠ 8
각 경우의 해의 개수를 판정하고, 그 결과를 실제 센서의 관점에서 해석하시오.
(4) λ ≠ 0인 상태에서 세 번째 센서의 측정값 μ에 작은 오차 ε가 생겨 μ가 μ + ε로 바뀌었다고 하자. x, y, z의 변화량을 각각 Δx, Δy, Δz라 할 때
임을 보이시오.
(5) (4)의 결과를 이용하여 λ가 0에 매우 가까우면 아주 작은 센서 측정오차도 오염원 추정값에 큰 오차를 일으킬 수 있음을 설명하시오. 이를 가우스 소거법에서 마지막 피벗의 크기와 연결하여 논술하시오.
(6) 다음 주장에 대하여 논술하시오.
x + 2y + λz = μ
x + y + z = 9
2x + 3y + z = 17
x + 2y + λz = μ
2x + 3y + z = 17
x + 2y + λz = μ
(1) 가우스 소거법을 적용하여 확대행렬이
1 1 1 │ 9
0 1 −1 │ −1
0 0 λ │ μ−8
0 1 −1 │ −1
0 0 λ │ μ−8
(2) λ ≠ 0일 때 해가 유일함을 보이고,
z = (μ−8)/λ
(3) λ = 0일 때 다음 두 경우를 분석하시오.
① μ = 8
② μ ≠ 8
각 경우의 해의 개수를 판정하고, 그 결과를 실제 센서의 관점에서 해석하시오.
(4) λ ≠ 0인 상태에서 세 번째 센서의 측정값 μ에 작은 오차 ε가 생겨 μ가 μ + ε로 바뀌었다고 하자. x, y, z의 변화량을 각각 Δx, Δy, Δz라 할 때
Δz = ε/λ,
Δy = ε/λ,
Δx = −2ε/λ
Δy = ε/λ,
Δx = −2ε/λ
(5) (4)의 결과를 이용하여 λ가 0에 매우 가까우면 아주 작은 센서 측정오차도 오염원 추정값에 큰 오차를 일으킬 수 있음을 설명하시오. 이를 가우스 소거법에서 마지막 피벗의 크기와 연결하여 논술하시오.
(6) 다음 주장에 대하여 논술하시오.
“센서의 개수만 늘리면 언제나 원인을 정확하게 추정할 수 있다.”
앞의 결과를 이용하여 이 주장이 성립하기 위해서는
센서의 개수뿐 아니라 센서가 제공하는 정보의 독립성과
측정 시스템의 수치적 안정성도 고려해야 함을 설명하시오.
해설 및 모범 채점 기준 확인하기
[문제 풀이]
처음 확대행렬은
이다.
문제 1과 같이
을 적용하면
이다.
이제
를 적용하면
을 얻는다.
[λ ≠ 0인 경우]
마지막 식은
이므로
이다.
두 번째 행에서
이므로
이다.
첫 번째 행에서는
을 얻는다.
따라서 λ ≠ 0이면 마지막 피벗이 0이 아니므로
세 미지수가 모두 하나씩 결정되고 해가 유일하다.
원래 문제에서는 λ = 4, μ = 24이므로
를 다시 얻는다.
[λ = 0인 경우]
마지막 행은
이 된다.
μ = 8이면 마지막 행은
이므로 새로운 정보를 주지 않는다.
z = t라 하면
이므로 해는
이며 무수히 많다.
이는 세 번째 센서가 앞의 두 센서가 이미 제공한 정보로부터 만들어지는
중복된 정보만 제공하는 상황에 해당한다.
반면 μ ≠ 8이면
이라는 모순이 발생하므로 해가 없다.
이는 세 센서의 데이터가 하나의 공통된 오염원 상태로는 설명될 수 없다는 뜻이다.
실제로는 센서 오류, 잘못된 보정, 혹은 선형 모형 자체의 부정확성을 의심할 수 있다.
[측정오차의 증폭]
μ가 μ + ε로 변하면
에서
이다.
y = z − 1이므로
이고,
이므로
이다.
따라서 |λ|가 매우 작으면
|ε|가 작더라도 추정량의 변화는 크게 나타날 수 있다.
예를 들어 측정오차가 같은 ε라 하더라도
λ = 1이면 Δz = ε이지만,
λ = 0.01이면
이다.
이는 단순히 해가 존재하는지만으로는 충분하지 않다는 것을 의미한다.
가우스 소거 과정에서 마지막 피벗은 λ이다. λ = 0이면 독립적인 정보가 완전히 사라지고, λ가 0에 매우 가까우면 독립적인 정보가 매우 약해서 작은 데이터 오차에 민감한 문제가 된다. 따라서 실제 데이터 분석에서는 “피벗이 0인가?” 뿐 아니라 “피벗이 지나치게 작지는 않은가?” 도 중요하게 고려해야 한다.
처음 확대행렬은
1 1 1 │ 9
2 3 1 │ 17
1 2 λ │ μ
2 3 1 │ 17
1 2 λ │ μ
R2 ← R2 − 2R1,
R3 ← R3 − R1
R3 ← R3 − R1
1 1 1 │ 9
0 1 −1 │ −1
0 1 λ−1 │ μ−9
0 1 −1 │ −1
0 1 λ−1 │ μ−9
R3 ← R3 − R2
1 1 1 │ 9
0 1 −1 │ −1
0 0 λ │ μ−8
0 1 −1 │ −1
0 0 λ │ μ−8
[λ ≠ 0인 경우]
마지막 식은
λz = μ − 8
z = (μ−8)/λ
y − z = −1
y = (μ−8)/λ − 1
x
=
10 − 2(μ−8)/λ
원래 문제에서는 λ = 4, μ = 24이므로
z = 4,
y = 3,
x = 2
[λ = 0인 경우]
마지막 행은
0 = μ − 8
0 = 0
y = t − 1,
x = 10 − 2t
x = 10 − 2t
(x, y, z)
=
(10−2t, t−1, t)
반면 μ ≠ 8이면
0 = μ − 8 ≠ 0
[측정오차의 증폭]
μ가 μ + ε로 변하면
z
=
(μ−8)/λ
Δz = ε/λ
Δy = ε/λ
x = 10 − 2z
Δx = −2ε/λ
Δz = 100ε
가우스 소거 과정에서 마지막 피벗은 λ이다. λ = 0이면 독립적인 정보가 완전히 사라지고, λ가 0에 매우 가까우면 독립적인 정보가 매우 약해서 작은 데이터 오차에 민감한 문제가 된다. 따라서 실제 데이터 분석에서는 “피벗이 0인가?” 뿐 아니라 “피벗이 지나치게 작지는 않은가?” 도 중요하게 고려해야 한다.
도해 3. 마지막 피벗 λ가 보여 주는 세 가지 상황
핵심 결론: 좋은 측정 시스템은 방정식의 개수만 충분한 것이 아니라, 서로 독립적인 정보를 제공하고 작은 측정오차에도 해가 지나치게 변하지 않아야 한다.
| 평가 요소 | 채점 기준 및 감점 요인 | 배점 |
|---|---|---|
| 매개변수 소거 | λz=μ−8을 정확히 유도하고 λ의 값에 따른 해 구조를 구분함. | 10점 |
| 센서 독립성 해석 | λ=0인 상황을 중복 정보 또는 모순된 측정 자료의 관점에서 설명함. | 10점 |
| 오차 민감도 | Δx, Δy, Δz를 유도하고 |λ|가 작을 때 오차가 증폭됨을 정량적으로 설명함. | 10점 |
| 심층 논술 | 센서 수와 독립성·피벗·수치적 안정성의 관계를 종합적으로 논증함. | 5점 |
수학적 결론
가우스 소거법은 단순히 연립방정식의 정답을 빠르게 계산하기 위한 요령이 아니다.
여러 방정식에 공통으로 포함된 미지수의 영향을 제거하면서
복잡한 혼합 정보를 단계적으로 분리하는 수학적 알고리즘이다.
그 과정에서 사용되는 기본행연산은 모두 되돌릴 수 있는 가역변환이다.
따라서 행연산을 여러 번 수행하더라도 원래 연립방정식과 최종 계단형 연립방정식의
해집합은 정확히 동일하다.
이 가역성이 가우스 소거법의 논리적 정당성을 보장한다.
또한 가우스 소거 과정에서 나타나는 피벗은
각 단계에서 새로운 독립적인 정보를 얼마나 확보하고 있는지를 보여 준다.
피벗이 0이면 어떤 방정식이 새로운 정보를 제공하지 못한다는 뜻이며,
그 결과 해가 무수히 많거나 데이터 사이에 모순이 생겨 해가 없을 수 있다.
더 나아가 피벗이 0은 아니더라도 매우 작으면
작은 측정오차가 해에서 크게 증폭될 수 있다.
따라서 실제 센서 자료, 경제 모형, 교통량 분석, 자원 배분,
영상 복원과 같은 현실의 선형 역문제에서는
방정식의 개수뿐 아니라 정보의 독립성과 계산의 안정성까지 함께 고려해야 한다.
결국 가우스 소거법의 본질은
혼합된 정보에서 불필요한 공통 성분을 제거하고,
독립적인 정보를 남겨 미지의 원인을 추론하는 과정이라고 할 수 있다.
© 2026 청랑학습코칭(JADEWOLVES). All Rights Reserved. 무단 전재 및 재배포 금지.
![[한국사 논술] 단군신화는 신화일 뿐일까?](https://jwsmento.com/wp-content/uploads/2026/09/청랑_한국사_논술_배너.png)
