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.
논문에서는 이렇게 쓰입니다
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.