Kolmogorov Axioms (확률의 공리)
쉽게 풀면
우리는 평소 "비가 올 확률이 70%다"처럼 확률을 직관적으로 씁니다. 하지만 수학에서는 이런 직관을 엄밀한 규칙으로 못 박아야 다른 정리들을 안전하게 증명할 수 있습니다. 러시아 수학자 콜모고로프는 이를 세 가지 공리로 정리했습니다.
첫째, 어떤 사건이 일어날 확률은 항상 0 이상이다(음수 확률은 없다). 둘째, 일어날 수 있는 모든 경우를 다 합친 표본공간 전체의 확률은 반드시 1이다(100%).
셋째, 동시에 일어날 수 없는 사건들(배반사건)의 확률은 각각을 더한 것과 같다(예: 주사위에서 1이 나올 확률 + 2가 나올 확률 = 1 또는 2가 나올 확률). 이 세 가지 규칙만으로 조건부확률, 기댓값, 큰 수의 법칙 같은 확률론의 모든 결과가 논리적으로 도출됩니다.
왜 중요한가
콜모고로프 공리는 확률론 전체를 떠받치는 논리적 토대이기 때문에, 통계학, 머신러닝, 금융공학처럼 불확실성을 다루는 거의 모든 정량적 분야에서 암묵적으로 전제되는 기초입니다. 새로운 확률모델이나 점수 체계를 제안하는 논문에서는 이 공리를 명시적으로 만족함을 보여 해당 값이 진짜 확률로서 다뤄질 자격이 있음을 정당화하는 경우가 많습니다.
핵심 정리
- 콜모고로프(1933)는 확률을 “사건의 집합에 수를 대응시키는 함수”로 보고, 그 함수가 지켜야 할 규칙 세 가지를 공리로 세웠습니다. 확률이 무엇을 뜻하는지(빈도인지 믿음의 정도인지)는 정하지 않고 어떤 성질을 가져야 확률로 다룰 수 있는지만 정합니다.
- 무대는 확률공간 (Ω, 𝓕, P)입니다. Ω는 표본공간, 𝓕는 확률을 줄 수 있는 사건들의 모임인 시그마 대수, P는 𝓕의 각 사건에 수를 대응시키는 함수입니다.
- 공리 1 모든 사건 A에 대해 P(A) ≥ 0. 공리 2 P(Ω) = 1. 공리 3(가산가법성) 서로 겹치지 않는 사건 A₁, A₂, …에 대해 P(A₁ ∪ A₂ ∪ …) = P(A₁) + P(A₂) + ….
- 여기서 바로 따라 나오는 성질이 많습니다. P(∅) = 0, 여사건 P(Aᶜ) = 1 − P(A), 단조성(A ⊂ B이면 P(A) ≤ P(B)), 0 ≤ P(A) ≤ 1, 덧셈정리 P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
- 조건부확률은 공리가 아니라 정의입니다. P(B) > 0일 때 P(A|B) = P(A ∩ B) / P(B)로 정의하고, 이 값이 다시 공리를 만족하는 확률이 됨을 보입니다.
예시로 보기
공정한 주사위 하나를 던지는 경우로 공리에서 덧셈정리를 직접 이끌어 봅니다. Ω = {1, 2, 3, 4, 5, 6}이고 각 눈의 확률은 1/6입니다(공리 2와 3에서 “여섯 눈이 같은 확률이면 각각 1/6”이 나옵니다). A = “짝수” = {2, 4, 6}, B = “4 이상” = {4, 5, 6}이라 합시다.
- P(A) = 3/6 = 1/2, P(B) = 3/6 = 1/2입니다.
- A ∩ B = {4, 6}이므로 P(A ∩ B) = 2/6 = 1/3입니다.
- A ∪ B는 서로 겹치지 않는 두 사건 A와 B∖A = {5}의 합입니다. 공리 3에 의해 P(A ∪ B) = P(A) + P({5}) = 1/2 + 1/6 = 2/3입니다.
- 덧셈정리로 확인하면 1/2 + 1/2 − 1/3 = 2/3로 같습니다. 눈을 직접 세어 {2, 4, 5, 6}도 4/6 = 2/3입니다(코드로 모든 눈을 나열해 세 방법이 일치함을 확인했습니다).
같은 방식으로 여사건 P(A의 여사건) = 1 − 1/2 = 1/2도 공리 2와 3에서 나옵니다. A와 그 여사건은 겹치지 않고 합치면 Ω이므로 P(A) + P(Aᶜ) = P(Ω) = 1이기 때문입니다.
자주 하는 오해
| 오해 | 바로잡기 |
|---|---|
| 공리를 알면 사건의 확률값을 알 수 있다. | 공리는 확률이 만족해야 할 조건일 뿐 값을 주지 않습니다. 값은 모형(예: 동등 가능성, 분포의 선택)에서 옵니다. |
| 공리는 확률을 “장기 상대빈도”로 정의한다. | 공리는 해석에 중립적입니다. 빈도 해석이든 주관적 믿음 해석이든 같은 세 규칙을 만족해야 합니다. |
| 합이 1이고 0 이상이면 믿을 만한 확률이다. | 공리를 만족하는 것과 보정(calibration)이 되어 있는 것은 다릅니다. 예를 들어 소프트맥스 출력은 0 이상이고 합이 1이라 확률분포의 형식을 갖추지만, 실제 맞을 확률과 일치하는지는 따로 검증해야 합니다. |
| 모든 부분집합에 확률을 줄 수 있다. | 연속 표본공간에서는 선택공리를 받아들이면 길이(균등분포)를 줄 수 없는 부분집합(비탈리 집합)이 존재합니다. 그래서 시그마 대수로 “확률을 줄 수 있는 사건”을 제한합니다. |
| 유한 개의 사건에 대한 덧셈만 있으면 충분하다. | 유한가법성만으로는 극한을 다루는 정리(예: 큰 수의 법칙의 엄밀한 증명)를 세우기 어렵습니다. 가산가법성은 이를 위한 요구입니다. |
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 "논문에서 새로 정의한 어떤 수치(예: 유사도 점수, 신뢰도 점수 등)가 단순한 임의의 수치가 아니라, 확률이 지녀야 할 수학적 성질(0 이상, 전체 합 1, 가법성)을 실제로 만족한다"는 것을 형식적으로 검증했다는 뜻입니다.
머신러닝 논문에서 모델 출력을 확률로 해석할 수 있는 근거를 공리적으로 확인하는 예시이다.
베이지안 통계 논문에서 확률의 공리적 정의를 사전에 전제로 깔고 이론을 전개하는 예시이다.
조금 더 깊게 보면
콜모고로프 공리는 표본공간 전체가 아니라 그 부분집합 중 측정 가능한 것들의 모임(시그마 대수)에 대해 확률을 정의하는 측도론적 틀 위에서 엄밀하게 서술됩니다. 이 때문에 대학원 수준의 확률론에서는 확률을 "확률측도가 부여된 측정공간"으로 정의하며, 이는 연속 확률변수나 무한 표본공간을 다룰 때 특히 중요해집니다.
실제 논문에서는 이 공리 자체를 매번 증명하기보다, 자신이 정의한 값이 이 공리를 만족한다는 점만 짧게 언급하고 넘어가는 경우가 대부분입니다.
주의할 점
콜모고로프 공리는 확률이 "어떤 성질을 만족해야 하는지"를 정의할 뿐, 특정 사건의 확률값이 구체적으로 얼마인지는 알려주지 않습니다. 실제 확률값을 계산하려면 표본공간과 사건을 정의하고 조건부확률 등 별도의 계산 규칙을 적용해야 합니다. 또한 이 공리는 유한한 경우뿐 아니라 무한히 많은 사건을 다룰 때도 성립하도록(가산가법성) 확장되어 있다는 점에서, 고등학교 수준의 "경우의 수 나누기 전체 경우의 수" 정의보다 훨씬 일반적입니다.
헷갈리기 쉬운 용어
확률의 공리 주변에서 자주 섞이는 용어입니다.
| 용어 | 무엇인가 | 공리와의 관계 |
|---|---|---|
| 콜모고로프의 공리 | 확률 함수가 만족해야 할 세 조건 | 출발점 |
| 덧셈정리·곱셈정리 | 합사건·곱사건의 확률 계산 공식 | 공리에서 이끌어 내는 정리 |
| 조건부확률 | B가 일어났을 때 A의 확률 | 공리가 아니라 정의 |
| 시그마 대수 | 확률을 줄 수 있는 사건들의 모임 | 공리가 적용되는 무대의 일부 |
| 표본공간과 사건 | 가능한 결과 전체와 그 부분집합 | 공리 2의 Ω |
참고 문헌
- Kolmogorov, A. N. (1933). Grundbegriffe der Wahrscheinlichkeitsrechnung. Springer.
- Billingsley, P. (1995). Probability and Measure (3rd ed.). Wiley.
- Feller, W. (1968). An Introduction to Probability Theory and Its Applications, Volume I (3rd ed.). Wiley.
- Shafer, G., & Vovk, V. (2006). The sources of Kolmogorov’s Grundbegriffe. Statistical Science, 21(1), 70–98.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.