표본공간과 사건 (Sample Space and Event)
쉽게 풀면
주사위를 한 번 던진다고 해봅시다. 나올 수 있는 결과는 1, 2, 3, 4, 5, 6 여섯 가지뿐입니다. 이 여섯 가지 결과를 모두 모은 집합 {1,2,3,4,5,6}이 바로 표본공간입니다. 그런데 우리가 "짝수가 나올 확률"을 알고 싶다면, 표본공간 중에서 짝수에 해당하는 {2,4,6}만 따로 떼어서 봐야 합니다. 이렇게 표본공간의 부분집합으로 정의된 관심 대상을 사건이라고 부릅니다. 모든 확률 계산은 결국 "사건에 속하는 경우의 수 ÷ 표본공간 전체의 경우의 수"로 시작하기 때문에, 표본공간과 사건을 정확히 정의하는 것이 확률 모형을 세우는 첫걸음입니다.
왜 중요한가
표본공간과 사건의 정의는 확률론과 통계적 추론 전체의 출발점이기 때문에, 확률 모형을 사용하는 거의 모든 논문에서 암묵적으로 전제되는 개념입니다. 표본공간을 어떻게 설정하느냐에 따라 이후 계산되는 확률과 검정 결과가 달라질 수 있어, 특히 새로운 확률모형을 제안하거나 시뮬레이션 연구를 설계하는 논문에서는 표본공간을 명시적으로 정의하는 것이 이론적 엄밀성을 보여주는 중요한 절차로 다뤄집니다.
논문에서는 이렇게 쓰입니다
이처럼 논문에서는 분석 대상이 되는 확률적 상황을 명확히 하기 위해 먼저 표본공간을 정의하고, 그 안에서 관심 있는 결과들을 사건으로 지정한 뒤 확률을 계산하는 절차를 밟습니다.
공학이나 산업공학 분야에서는 이진적 결과를 다루는 표본공간을 정의한 뒤 이를 확률분포 모형에 연결하는 방식으로 활용됩니다.
조금 더 깊게 보면
표본공간이 유한하거나 셀 수 있는 경우와 실수 구간처럼 셀 수 없이 많은 값을 가지는 경우는 확률을 다루는 방식이 달라집니다. 전자는 각 결과에 확률을 직접 배분할 수 있지만, 후자는 확률밀도함수를 이용해 특정 구간에 속할 확률을 적분으로 계산해야 합니다. 또한 여러 사건을 동시에 다룰 때는 사건들의 집합인 시그마대수(σ-algebra) 개념이 등장하는데, 이는 어떤 사건들에 대해 확률을 일관되게 정의할 수 있는지를 보장하는 수학적 장치입니다.
주의할 점
표본공간은 실험 설계에 따라 달라질 수 있습니다. 예를 들어 동전을 두 번 던질 때 "앞면이 나온 횟수"에 관심이 있다면 표본공간을 {0,1,2}로 단순화할 수도 있지만, 이렇게 하면 각 결과가 나올 확률이 균등하지 않다는 점에 주의해야 합니다. 사건들 사이의 관계를 다룰 때는 여사건과 배반사건 개념이, 두 사건이 서로 영향을 주지 않는지를 볼 때는 독립사건과 종속사건 개념이 함께 쓰입니다.