콘텐츠로 이동

표본공간과 사건

개요

동전 두 개를 던져 둘 다 앞면일 확률을 묻는다. 두 동전을 구별하면 결과가 앞앞·앞뒤·뒤앞·뒤뒤 넷이어서 답이 \(\tfrac14\) 이고, 구별하지 않으면 결과가 「앞 둘」·「하나씩」·「뒤 둘」 셋이어서 답이 \(\tfrac13\) 이 된다. 셈 자체에는 양쪽 다 틀린 데가 없는데 답이 둘이다. 갈린 자리는 세는 방법이 아니라 무엇을 하나로 볼지이고, 그것을 세기 전에 적어 두는 일이 이 절의 주제다.

확률 문제를 푸는 첫 걸음은 언제나 같다. 무슨 일이 일어날 수 있는지 빠짐없이 적는 것이다. 그 목록이 표본공간(sample space)이고, 우리가 관심을 갖는 결과들의 그룹이 사건이다. 이 두 가지를 정해 놓고 나면 확률은 "결과마다 무게를 달고 필요한 만큼 더하는 일"이 된다.

이 절은 두 정의와 한 정리로 이루어진다. 결과를 집합으로 적는 방법(정의 1), 거기에 무게를 달아 확률을 만드는 방법(정의 2), 그리고 무게가 모두 같을 때 확률 계산이 세기로 바뀐다는 것(정리 1)이다. 끝에서 표본공간의 크기가 달라지면 무엇이 달라지는지를 본다.


1. 일어날 수 있는 일을 모두 적는다

주사위를 굴린다고 하자. 나올 수 있는 것은 1부터 6까지 여섯 가지다. "짝수가 나온다"는 그중 세 가지를 묶은 것이다. 확률론은 이 두 층위 — 개별 결과와 결과들의 그룹 — 를 구별하는 데서 시작한다.

정의 1. 표본공간과 사건

어떤 실험에서 가능한 결과 하나 \(\omega\)를 표본(표본점, sample point)이라 한다. 가능한 모든 결과의 집합

\[ \Omega = \{\omega_1, \omega_2, \omega_3, \ldots\} \]

를 표본공간(sample space)이라 하고, 표본공간의 임의의 부분집합

\[ A \subseteq \Omega \]

를 사건(event)이라 한다.

세 이름이 서로 어떤 층위에 있는지를 한 장에 그리면 다음과 같다.

표본공간, 사건, 표본

바깥 상자가 표본공간 \(\Omega\)다. 일어날 수 있는 결과를 하나도 빠뜨리지 않고 담은 것이므로 이 상자 밖에는 아무것도 없다. 안쪽 타원이 사건 \(A\)다. 상자의 일부를 오려 낸 것, 즉 부분집합이다. 점 하나하나가 표본 \(\omega\)다. 실험을 한 번 하면 점 하나가 실제로 일어나며, 그 점이 타원 안(\(\omega_1, \ldots, \omega_4\))이면 "사건 \(A\)가 일어났다"고 하고 타원 밖(\(\omega_5, \ldots, \omega_8\))이면 "\(A\)가 일어나지 않았다", 즉 \(A^c\)가 일어났다고 한다.

층위를 섞지 않는 것이 중요하다. \(\omega\)는 \(\Omega\)의 원소이고 \(A\)는 \(\Omega\)의 부분집합이다. 그래서 \(\omega \in \Omega\), \(A \subseteq \Omega\)라 쓰고 \(\omega \subseteq \Omega\)나 \(A \in \Omega\)라 쓰지 않는다. 한 점만 묶은 사건 \(\{\omega\}\)와 점 \(\omega\) 자체가 다른 것도 같은 이유다.

사건이 부분집합이라는 점이 중요하다. 집합의 언어를 그대로 쓸 수 있기 때문이다. "\(A\) 또는 \(B\)"는 \(A \cup B\), "\(A\) 그리고 \(B\)"는 \(A \cap B\), "\(A\)가 아님"은 \(A^c\)다. 확률 문제의 말을 집합 연산으로 옮기는 것이 계산의 절반이다.

그림으로 보는 통계학 1. 「그때에야 비로소 셀 수 있다」

영문 학술지 두 쪽에서 오려낸 세 토막. 위는 쪽 번호 181 과 논문 제목·저자·접수 및 낭독 날짜이고, 아래는 쪽 번호 182 의 머리글과 「무작위」라는 말을 따지는 제 2 절의 두 문단이다

크로프턴 「평면에 무작위로 그은 직선에 적용한 국소확률론, 그리고 그 방법을 넓혀 얻은 적분학의 새 정리들」 — 『Philosophical Transactions』 제\(158\) 권(\(1868\))의 \(181\)·\(182\) 쪽. 제목 쪽과, 「무작위」라는 말을 따지는 제 \(2\) 절을 잘라 위아래로 붙였다. (Internet Archive 스캔, PD-old)

정의 1 이 이 책의 맨 앞에 오는 까닭 — 셈을 시작하기 전에 무엇을 셀지부터 적어야 한다는 것 — 이 처음 또렷하게 활자가 된 자리가 사진이다. \(1868\) 년 \(2\) 월 \(5\) 일에 접수되어 \(2\) 월 \(27\) 일에 낭독되었다.

크로프턴은 계산을 시작하기 전에 말부터 손본다. 제 \(2\) 절이다 — 「수학적 확률에서 어떤 것을 무작위로 집는다고 말할 때에는, 언제나 그것이 속해 있고 그로부터 집어내는 집합체를 함께 가리키고 있다. … 우리가 어디에서 집는지, 그 집합체가 무엇인지를 또렷이 알았을 때, 그때에야 비로소 유리한 경우를 세어 나갈 수 있다.」

그 「집합체」가 정의 1 의 \(\Omega\) 다. 그리고 「그때에야 비로소 세어 나갈 수 있다」가 정리 1 의 \(P(A)=|A|/|\Omega|\) 다 — 분모를 적을 수 있게 되는 순간이 바로 그 「그때」다.

이 말이 필요했던 까닭은 바로 앞 문단에 적혀 있다. 그 무렵 같은 물음에 서로 다른 답이 나오고 있었다는 것이다(울하우스의 세 점 문제, 실베스터의 네 점 문제). 그는 그 불일치가 「주제 자체에 모호함이 있어서가 아니라 쓰는 연장이 아직 약해서」라고 적는다. 베르트랑이 한 원에 세 개의 답을 나란히 적어 보이기(연습문제 10 과 그 뒤의 상자 4) 스물한 해 전이다.

그러니 이 쪽의 보기들이 하나같이 주사위 눈이나 던진 동전부터 적고 시작하는 것은 버릇이 아니라 방법이다. 틀리는 자리는 세기를 잘못하는 데가 아니라 무엇을 하나로 보았는가이고, 그것은 문제를 아무리 들여다보아도 문제가 말해 주지 않는다. 먼저 적어 두어야 한다 — 크로프턴의 「그때에야 비로소」가 그 뜻이다.

확인한 곳 — 쪽 번호 \(181\)·\(182\), 논문 제목과 저자 소개(「Morgan W. Crofton, B.A., of the Royal Military Academy, Woolwich … Communicated by J. J. Sylvester, F.R.S.」), 「Received February 5,—Read February 27, 1868」, 제 \(2\) 절의 인용문(「when we speak of a thing of any kind taken at random, there is always a direct reference to the assemblage of things to which it belongs and from which it is taken … When we have a clear conception of what the assemblage is, from which we take, and not till then, we can proceed to sum up the favourable cases」), 그리고 바로 앞 문단의 울하우스·실베스터 대목(「the now celebrated three-point problem, by Mr. Woolhouse, and the four-point problem of Professor Sylvester … not from any inherent ambiguity in the subject matter, but from the weakness of the instrument employed」)은 Internet Archive: philosophicaltra1581roya (『Philosophical Transactions』 v.\(158\), \(1868\))의 낱장 n\(205\)(인쇄 \(181\) 쪽)·n\(206\)(인쇄 \(182\) 쪽)에서 사진으로 직접 읽었다 · 베르트랑의 \(1889\) 년은 아래 상자 4 에 적어 둔 것과 같다

보기 1. 육면체 주사위. 공정한 주사위를 굴릴 때

풀이
  • 표본공간: \(\Omega = \{1, 2, 3, 4, 5, 6\}\)
  • 사건 \(A\)("짝수가 나옴"): \(A = \{2, 4, 6\}\)
  • 사건 \(B\)("홀수가 나옴"): \(B = \{1, 3, 5\}\)

여기서 \(A\)와 \(B\)는 서로소이고(\(A \cap B = \emptyset\) — 사건으로 말할 때는 배반(mutually exclusive)이라 한다) \(A \cup B = \Omega\)이므로 \(\Omega\)의 분할을 이룬다.

보기 2. 동전 세 개. 동전 세 개를 던지면

풀이
  • 표본공간: \(\Omega = \{HHH, HHT, HTH, HTT, THH, THT, TTH, TTT\}\)
  • 사건("앞면이 정확히 2개"): \(A = \{HHT, HTH, THH\}\)

결과가 \(2^3 = 8\)개이고 그중 3개가 \(A\)에 속한다.


2. 결과마다 무게를 달면 확률이 된다

표본공간을 적었다고 확률이 정해지는 것은 아니다. 각 결과가 얼마나 그럴듯한지를 따로 정해 주어야 한다. 공정한 주사위와 찌그러진 주사위는 표본공간이 같지만 확률은 다르다.

정의 2. 확률의 벽돌 그림

각 결과 \(\omega \in \Omega\)에 무게를 가진 "벽돌"을 하나씩 붙인다고 하자. 무게는 결과마다 다를 수 있지만 전체 무게의 합은 1이다. 사건의 확률은 그 사건에 속한 벽돌들의 무게를 더한 값이다.

\[ \begin{aligned} P(\omega) &= \omega \text{에 붙은 벽돌의 무게} \\ P(A) &= \sum_{\omega \in A} P(\omega) = A \text{에 속한 벽돌들의 총 무게} \end{aligned} \]

이 그림이 주는 것은 두 가지다. 첫째, 확률은 더하는 것이다. 서로 겹치지 않는 사건의 확률은 각각의 확률을 더하면 된다. 둘째, 전체 무게가 1이라는 제약이 모든 계산의 기준선이 된다.

모든 결과의 무게가 같은 경우 — 공정한 주사위, 잘 섞은 카드 — 에는 계산이 세기로 환원된다.

정리 1. 등가중 표본공간에서 확률은 세기다

\(\Omega\) 가 유한하고 모든 결과의 무게가 같으면, 모든 사건 \(A \subseteq \Omega\) 에 대해

\[ P(A) = \frac{|A|}{|\Omega|} \]

이다.

증명

공통의 무게를 \(c\) 라 하고 \(n = |\Omega|\) 라 하자. 전체 무게가 1 이라는 조건을 정의 2 에 넣으면

\[ 1 = P(\Omega) = \sum_{\omega \in \Omega} P(\omega) = \sum_{\omega \in \Omega} c = nc \]

이므로 \(c = 1/n\) 이다. "같다"와 "합이 1"이라는 두 조건만으로 무게가 하나로 정해진다. 그러면 임의의 사건에 대해

\[ P(A) = \sum_{\omega \in A} P(\omega) = \sum_{\omega \in A}\frac1n = \frac{|A|}{n} = \frac{|A|}{|\Omega|} \]

다. \(\square\)

확률 계산이 조합 계산으로 바뀌는 자리다. 동전 세 개에서 \(P(\text{앞면 2개}) = 3/8\) 이 이 식이고, 이 한 줄 때문에 순열·조합 같은 세는 법이 확률론의 도구가 된다. 등가중이 아니면 이 식은 틀린다 — 그때는 정의 2 로 돌아가 무게를 하나하나 더해야 한다.

그림으로 보는 통계학 2. 네 면으로만 서는 주사위

왼쪽은 양의 복사뼈 열한 개, 오른쪽은 그리스 글자가 새겨진 돌 이십면체

왼쪽 — 양·염소의 복사뼈. 길쭉해서 네 면으로만 서고 둥근 두 끝으로는 서지 않는다. (Wikimedia Commons, 촬영 Xocolatl, PD-self) · 오른쪽 — 이집트에서 나온 사문석 이십면체. 스무 면에 그리스 글자가 하나씩 새겨져 있다. 기원전 \(2\) 세기에서 기원후 \(4\) 세기 사이의 것이다. (메트로폴리탄 미술관 10.130.1158, CC0)

정리 1 에는 단서가 하나 달려 있다 — 등가중이 아니면 개수만으로 확률을 구할 수 없다. 그 단서가 왜 필요한지를 가장 오래된 주사위가 보여 준다.

왼쪽 것이 주사위의 조상인 복사뼈다. 정육면체가 아니라 길쭉한 뼈라서 설 수 있는 면이 넷뿐이고, 그리스와 로마 사람들은 그 네 면에 \(1\), \(3\), \(4\), \(6\) 을 주었다. 마주 보는 면의 합이 \(7\) 인 것은 지금 주사위와 같다. 그런데 네 면이 똑같이 나오지 않는다. 넓은 두 면은 한 번에 \(0.38\) 가량, 좁은 두 면은 \(0.12\) 가량으로 나온다. 그래서 드물게 서는 쪽에 \(1\) 과 \(6\) 이라는 양 끝 수가 붙었다. 네 개를 한꺼번에 던져 나오는 값의 모둠은 \(\binom{4+4-1}{4}=35\) 가지이고, 던지기마다 베누스·왕·독수리 같은 이름이 따로 있었다.

오른쪽 것은 같은 물음에 반대로 답한 물건이다. 스무 면을 모두 같은 정삼각형으로 깎아 놓으면, 어느 면이 바닥에 오든 사정이 똑같아진다. 반듯하게 만드는 일이 곧 정리 1 의 조건을 손으로 만들어 내는 일이다. 그런데 이렇게 깎을 수 있는 입체는 아무 면 수로나 되는 것이 아니다. 모든 면이 합동인 정다각형이고 어느 꼭짓점이나 사정이 같은 입체는 정확히 다섯 가지뿐이어서, 면이 \(4\) · \(6\) · \(8\) · \(12\) · \(20\) 일 때만 가능하다. 사진의 것이 그 가운데 면이 가장 많은 것이다.

면을 세는 것과 확률을 아는 것은 같은 일이 아니다. 둘이 같아지려면 누군가 주사위를 반듯하게 깎아 주어야 하고, 복사뼈에는 그렇게 해 줄 사람이 없었다. 정의 2 가 무게를 먼저 놓고 정리 1 이 그 무게가 고를 때만 세기로 넘어가는 까닭이 이것이다.

확인한 곳 — Wikipedia 「Knucklebones」 — 복사뼈가 거의 대칭이라 설 수 있는 면이 넷뿐이라는 것, 넓은 면이 \(0.38\) 가량이고 나머지가 \(0.12\) 가량이라는 것, 네 면에 \(1\)·\(3\)·\(4\)·\(6\) 을 주고 마주 보는 면의 합이 \(7\) 이라는 것, 넷을 던지면 \(35\) 가지 값이 나오고 베누스·왕·독수리 따위의 이름이 있었다는 것이 모두 여기 있다 · \(\binom{7}{4}=35\) 는 이 쪽에서 직접 셈해 맞추었다 · 이십면체는 메트로폴리탄 미술관 소장품 기록 551072 — 사문석, 프톨레마이오스–로마 시대(기원전 \(2\) 세기–기원후 \(4\) 세기), \(1910\) 년 Helen Miller Gould 기증

그림으로 보는 통계학 3. 틀린 셈이 맞는 답을 냈다

둥근 안경을 쓴 1925년 무렵의 사티엔드라 나트 보스 초상 사진

사티엔드라 나트 보스 \((1894\text{–}1974)\), \(1925\) 년 무렵. (Wikimedia Commons, PD-India)

정리 1 은 등가중일 때만 확률이 세기가 된다고 했다. 그렇다면 무엇을 하나로 셀지, 곧 표본공간을 어떻게 잡을지가 답을 바꾼다. 아래 보기 3 의 동전으로 줄여 보자. 동전을 구별하면 결과는 앞앞·앞뒤·뒤앞·뒤뒤의 네 가지이고 앞앞이 \(\tfrac14\) 이다. 구별하지 않으면 「앞 둘」「하나씩」「뒤 둘」의 세 가지뿐이고, 이것들을 똑같이 여기면 앞앞이 \(\tfrac13\) 이 된다.

동전이라면 뒤엣것은 틀린 답이다. 달랑베르가 『백과전서』의 「앞면이냐 뒷면이냐」 항목에서 바로 이 실수를 했고, 연습문제 7 이 그 오류를 따로 다룬다.

그런데 \(1924\) 년, 다카 대학에서 강의하던 사티엔드라 나트 보스가 복사 이론을 설명하다 같은 실수를 저질렀다. 셈을 틀렸는데 나온 값이 실험과 맞았다. 그는 그 자리에서 멈추고 생각을 바꾸었다 — 틀린 것은 셈이 아니라, 빛알을 구별할 수 있다고 여긴 쪽일지 모른다고.

논문은 『필로소피컬 매거진』에서 거절당했다. 보스는 원고를 아인슈타인에게 보냈고, 아인슈타인은 그것을 독일어로 직접 번역해 『물리학지』에 싣게 했다. 보스가 전에 아인슈타인의 상대성이론 논문을 영어로 옮긴 적이 있었으니 번역을 주고받은 셈이다. 그렇게 나온 것이 보스–아인슈타인 통계다.

그러니 「무엇을 하나로 셀 것인가」는 수학이 정해 주는 것이 아니다. 빛알과 원자는 구별하지 않는 쪽을 고른다. 구별하지 않고 세는 수 \(\dbinom{n+k-1}{k}\) 가 자연이 쓰는 셈이라는 뜻이고, 동전에서 틀린 표본공간이 빛알에서는 맞는 표본공간이다. 정리 1 을 쓰기 전에 정의 1 의 \(\Omega\) 를 무엇으로 잡았는지 먼저 말해야 하는 까닭이 여기 있다.

확인한 곳 — Wikipedia 「Bose–Einstein statistics」 — 다카 대학 강의 중의 실수가 「공정한 동전 두 개를 던져 앞앞이 \(\tfrac13\) 이라고 말하는 것과 비슷한」 것이었고 「달랑베르가 Croix ou Pile 에서 한 유명한 실수와 닮았다」는 것, 그런데 예측이 실험과 맞아 보스가 실수가 아닐지 모른다고 여긴 것, 『필로소피컬 매거진』에 거절당한 뒤 아인슈타인에게 보냈고 아인슈타인이 영어에서 독일어로 직접 옮겨 『Zeitschrift für Physik』에 싣게 한 것, 보스가 전에 아인슈타인의 상대성이론 논문을 독일어에서 영어로 옮긴 적이 있다는 것이 모두 여기 있다 · 동전 두 개의 \(4\) 가지와 \(3\) 가지는 이 쪽에서 직접 셈했다(\(\binom{2+2-1}{2}=3\)) · 초상은 Commons 파일 쪽

보기 3. 표본공간을 나열해 사건의 확률 세기. 공정한 동전 세 개를 던진다.

(1) \(|\Omega|\)와 사건 \(A\) = "앞면이 정확히 두 번"의 확률을 세어서 구하고, 동전 \(n\)개에서 앞면이 \(k\)번일 확률을 일반식으로 적으시오.

(2) 표본공간을 실제로 나열해 (1)을 확인하시오. 이 나열이 \(n\)이 커져도 쓸 수 있는 방법인지 말하시오.

풀이

(1) 해석적으로. 동전마다 결과가 두 가지이고 세 동전이 서로 무관하므로 결과의 수는 자리마다 두 가지를 곱한 것이다.

\[ |\Omega| = 2 \times 2 \times 2 = 2^3 = 8 \]

공정한 동전이면 여덟 결과의 무게가 모두 같으므로 \(P(\omega) = 1/8\)이고, 정리 1 의 등가중 꼴 \(P(A) = |A|/|\Omega|\)를 쓸 수 있다. 남은 일은 \(|A|\)를 세는 것이다. 앞면이 들어갈 자리 두 개를 세 자리에서 고르는 가짓수이므로

\[ |A| = \binom{3}{2} = 3, \qquad P(A) = \frac{3}{8} = 0.375 \]

이다. 같은 셈을 동전 \(n\)개로 밀면

\[ P(\text{앞면이 } k \text{번}) = \frac{\binom{n}{k}}{2^n} \]

이 된다. 분자가 "앞면 자리를 고르는 방법의 수", 분모가 "전체 결과의 수"다.

(2) 나열해서. 코드가 하는 일이 정확히 정의 2 다. 표본공간을 만들고, 사건에 해당하는 결과를 고르고, 개수를 센다.

from itertools import product
from math import comb

# 동전 세 번 던지기의 표본공간
sample_space = list(product(['H', 'T'], repeat=3))
print(f"Sample space size: {len(sample_space)}")
print(f"Sample space: {sample_space}")

# 사건: 앞면이 정확히 두 번
event_2_heads = [s for s in sample_space if s.count('H') == 2]
print(f"\nEvent (2 heads): {event_2_heads}")
print(f"P(2 heads) = {len(event_2_heads)}/{len(sample_space)} = {len(event_2_heads)/len(sample_space):.4f}")

# (1)의 일반식과 맞는지 본다. 세지 않고 조합으로 바로 구한 값이다.
print(f"C(3,2)/2^3  = {comb(3, 2)}/{2**3} = {comb(3, 2)/2**3:.4f}")

출력:

Sample space size: 8
Sample space: [('H', 'H', 'H'), ('H', 'H', 'T'), ('H', 'T', 'H'), ('H', 'T', 'T'), ('T', 'H', 'H'), ('T', 'H', 'T'), ('T', 'T', 'H'), ('T', 'T', 'T')]

Event (2 heads): [('H', 'H', 'T'), ('H', 'T', 'H'), ('T', 'H', 'H')]
P(2 heads) = 3/8 = 0.3750
C(3,2)/2^3  = 3/8 = 0.3750

나열이 \(8\)개를 내놓고 그중 \(3\)개를 골라 \(0.3750\)을 주었다. 조합으로 바로 센 \(\binom{3}{2}/2^3\)도 같은 \(0.3750\)이다. 두 길이 맞는다.

다만 나열은 \(n\)이 조금만 커져도 쓸 수 없다. 결과의 수가 \(2^n\)이므로 \(n = 20\)이면 \(1{,}048{,}576\)개, \(n = 50\)이면 \(10^{15}\)개를 넘는다. 목록을 메모리에 담는 일 자체가 불가능해진다. 그런데 (1)의 일반식은 \(n\)이 얼마든 분자와 분모를 한 번 계산하면 끝난다. 표본공간을 다 적는 것은 확률을 정의하는 방법이지 계산하는 방법이 아니다. 이 일반식에 이름을 붙인 것이 4장의 이항분포다.


3. 표본공간의 크기가 확률의 성격을 바꾼다

무게를 더한다는 그림은 결과가 유한할 때 가장 편하다. 그런데 표본공간은 무한할 수도 있고, 그때는 사정이 달라진다.

표본공간의 세 가지 크기 — 무엇에 확률을 줄 수 있는가

표본공간은 크기에 따라 셋으로 나뉘며, 각각 확률을 부여하는 방식이 다르다.

크기 예 확률의 부여
유한 주사위 한 번, \(\Omega = \{1,\ldots,6\}\) 모든 부분집합에 부여 가능
가산무한 첫 앞면까지 던지기, \(\Omega = \{H, TH, TTH, \ldots\}\) 모든 부분집합에 부여 가능
비가산 회전판의 각도, \(\Omega = [0, 360)\) 모든 부분집합에는 불가능

유한하거나 가산무한이면 결과 하나하나에 무게를 달고 더하면 된다. 사건 공간은 모든 부분집합의 모임, 즉 멱집합 \(2^\Omega\)다.

비가산인 경우에는 이 방식이 무너진다. \([0, 1]\)에서 균등하게 수를 뽑으면 개별 실수 하나가 뽑힐 확률은 0이므로, 무게를 더해서는 어떤 구간의 확률도 만들어 낼 수 없다. 확률은 점이 아니라 구간에 부여된다. 그리고 멱집합은 너무 커서 모든 부분집합에 모순 없이 확률을 줄 수가 없으므로(비탈리 집합이 그 반례다), 열린구간에서 출발해 여집합과 가산 합집합을 되풀이해 얻는 집합들의 모임인 보렐 \(\sigma\)-대수를 사건 공간으로 삼는다. 구간과 그 합집합·교집합처럼 실제로 쓰는 집합은 모두 여기에 들어 있으므로 이 책에서는 걱정할 일이 없다. 까닭은 다음 절 확률의 공리 연습문제 11 에 있다.

확률이 0이라고 불가능한 것은 아니다

\(\Omega = [0, 1]\)에서 균등하게 수를 뽑으면 \(P(\{0.5\}) = 0\)이다. 그렇다고 \(0.5\)가 나올 수 없는 것은 아니다. 실제로 어떤 수든 하나는 나오고, 그 수가 나올 확률은 0이었다.

"불가능"은 \(A = \emptyset\)이라는 뜻이고 "확률 0"은 \(P(A) = 0\)이라는 뜻이다. 유한한 표본공간에서는 둘이 같지만 연속인 표본공간에서는 갈린다. 수학에서 "거의 확실하게"(\(P = 1\)이지만 예외가 있을 수 있음)와 "확실하게"(\(A = \Omega\))를 구별하는 이유가 이것이다.


연습문제

연습문제 1. 주머니에 빨간 공 3개와 파란 공 2개가 있다. 공 두 개를 비복원으로 뽑는다. 순서쌍(예: \((R_1, B_1)\))을 써서 표본공간 \(\Omega\)를 모두 나열하고 빨간 공 두 개를 뽑을 확률을 계산하라.

풀이

공에 \(R_1, R_2, R_3, B_1, B_2\)라는 이름을 붙이자. 순서를 고려한 뽑기의 표본공간은 다음과 같다.

\[ \Omega = \{(R_1,R_2),(R_1,R_3),(R_1,B_1),(R_1,B_2),(R_2,R_1),(R_2,R_3),(R_2,B_1),(R_2,B_2), \]
\[ (R_3,R_1),(R_3,R_2),(R_3,B_1),(R_3,B_2),(B_1,R_1),(B_1,R_2),(B_1,R_3),(B_1,B_2), \]
\[ (B_2,R_1),(B_2,R_2),(B_2,R_3),(B_2,B_1)\} \]

똑같이 일어날 법한 순서 있는 결과가 \(5 \times 4 = 20\)개다. 사건 "빨간 공 두 개"는 \(A = \{(R_1,R_2),(R_1,R_3),(R_2,R_1),(R_2,R_3),(R_3,R_1),(R_3,R_2)\}\)로 결과가 6개다. 따라서

\[ P(A) = \frac{6}{20} = \frac{3}{10} \]

이다.


연습문제 2. 공정한 주사위를 굴리고 공정한 동전을 던지는 실험이 있다. 표본공간을 모두 나열하라. 사건 \(A\) = "주사위가 짝수이고 동전이 앞면"을 정의하고 \(P(A)\)를 계산하라.

풀이

표본공간은 주사위 결과와 동전 결과의 곱집합이다.

\[ \Omega = \{(1,H),(1,T),(2,H),(2,T),(3,H),(3,T),(4,H),(4,T),(5,H),(5,T),(6,H),(6,T)\} \]

똑같이 일어날 법한 결과가 \(6 \times 2 = 12\)개다.

사건 \(A\) = {주사위 짝수 그리고 앞면} = \(\{(2,H),(4,H),(6,H)\}\)로 결과가 3개다.

\[ P(A) = \frac{3}{12} = \frac{1}{4} \]

연습문제 3. \(\Omega = \{a, b, c\}\)이고 \(P(a) = 0.5\), \(P(b) = 0.3\), \(P(c) = 0.2\)라 하자. 가능한 모든 사건(\(\Omega\)의 부분집합)을 나열하고 각각의 확률을 계산하라.

풀이

원소가 3개인 집합은 \(2^3 = 8\)개의 부분집합을 갖는다.

사건 확률
\(\emptyset\) \(0\)
\(\{a\}\) \(0.5\)
\(\{b\}\) \(0.3\)
\(\{c\}\) \(0.2\)
\(\{a, b\}\) \(0.5 + 0.3 = 0.8\)
\(\{a, c\}\) \(0.5 + 0.2 = 0.7\)
\(\{b, c\}\) \(0.3 + 0.2 = 0.5\)
\(\{a, b, c\} = \Omega\) \(0.5 + 0.3 + 0.2 = 1.0\)

연습문제 4. 유한 표본공간, 가산무한 표본공간, 비가산 표본공간의 차이를 설명하라. 각 유형에 해당하는 실험의 예를 하나씩 들어라.

풀이

유한 표본공간: 결과의 집합이 유한하다. 예: 주사위를 굴리면 \(\Omega = \{1,2,3,4,5,6\}\)이고 \(|\Omega| = 6\)이다.

가산무한 표본공간: 결과의 집합을 자연수와 일대일 대응시킬 수 있다. 예: 첫 앞면이 나올 때까지 동전을 던지면 \(\Omega = \{H, TH, TTH, TTTH, \ldots\}\)이다. 결과가 무한히 많지만(첫 앞면 전에 나오는 뒷면의 개수마다 하나씩) 차례로 열거할 수 있다.

비가산 표본공간: 결과의 집합이 실수의 농도를 가지며 열거할 수 없다. 예: 완벽하게 균형 잡힌 회전판을 돌려 각도를 기록하면 \(\Omega = [0, 360)\)이며 이는 비가산집합이다. 개별 각도의 확률은 0이고 확률은 구간에 부여된다.


연습문제 5. 원소가 \(n\)개인 표본공간 \(\Omega\)에 대해 멱집합 \(2^\Omega\)의 원소는 \(2^n\)개다. 이를 귀납법으로 증명하라. 멱집합이 이산 확률에서 자연스러운 "사건 공간"인 이유는 무엇인가?

풀이

기저 단계: \(n = 0\)이면 \(\Omega = \emptyset\)의 부분집합은 공집합뿐이므로 \(|2^\Omega| = 1 = 2^0\)이다. ✓

귀납 단계: 원소가 \(k\)개인 임의의 집합 \(A\)에 대해 \(|2^A| = 2^k\)라고 가정하자. \(\Omega\)의 원소가 \(k + 1\)개라 하고 원소 하나 \(x\)를 고른다. \(\Omega\)의 모든 부분집합은 \(x\)를 포함하거나(\(\Omega \setminus \{x\}\)의 부분집합 개수만큼 있으므로 \(2^k\)개) 포함하지 않는다(역시 \(2^k\)개). 합치면 \(2 \cdot 2^k = 2^{k+1}\)이다. \(\square\)

멱집합인 이유: 이산 \(\Omega\)에서는 모든 부분집합이 가측(measurable) 사건, 곧 확률을 부여할 수 있는 사건이기를 원한다. 결과들의 어떤 조합에도 확률을 부여할 수 있어야 하기 때문이다. 멱집합은 이산 상황에서 모든 한 점 집합을 포함하는 유일한 \(\sigma\)-대수다.

연속(비가산) \(\Omega\)에서는 멱집합이 너무 커서 \(\sigma\)-가법 측도(가산가법성을 만족하는 확률 배정)를 허용하지 못한다. 대신 열린구간이 생성하는 보렐 \(\sigma\)-대수를 쓰는데, 이는 병적인 비가측 집합(비탈리 집합, 바나흐–타르스키)을 배제하면서 합리적인 모든 사건을 포함한다.


연습문제 6. 연속 표본공간과 "확률 0" 사건. 균등확률을 갖는 \(\Omega = [0, 1]\)에 대해 확률이 0인 사건의 예를 두 개 들어라. 이들은 불가능한 사건인가?

풀이

두 가지 예를 보자.

  1. 한 점 집합: \(\{0.5\}\)의 확률은 0이다. 균등분포는 어떤 한 점에도 질량을 부여하지 않는다.
  2. 유리수: \(\mathbb{Q} \cap [0, 1]\)의 확률은 0이다. 유리수는 가산이며, 한 점 집합들의 가산 합집합의 확률은 \(\sum 0 = 0\)이다.

불가능한 사건인가? 아니다. "불가능"은 \(A = \emptyset\), 즉 그 사건이 일어날 수 없다는 뜻이다. "확률 0"은 \(P(A) = 0\)이라는 뜻이며 \(A\)가 공집합이 아닐 수도 있다.

이 구분은 연속 확률에서 중요하다. "\([0, 1]\)에서 균등하게 무작위한 수를 뽑는다"고 하면 그 결과는 어떤 구체적인 실수다. 그 수가 어떤 특정 값(자기 자신을 포함해!)이 될 확률은 0인데도 실제로 일어났다. 가산가법성 공리는 확률 0인 사건들의 가산 합집합의 확률이 여전히 0임을 보장할 뿐이며, 비가산 합집합은 양의 확률을 가질 수 있다(예: \([0, 1]\) 안 모든 한 점 집합의 비가산 합집합은 확률이 1인 \([0, 1]\)이다).

수학자들이 "거의 확실하게"(\(P = 1\)이고 여집합의 \(P = 0\)이지만 여집합이 공집합일 필요는 없음)와 "확실하게"(\(A = \Omega\)이고 여집합이 공집합)를 구분하는 이유가 이것이다. 유한한 \(\Omega\)에서는 둘이 일치하지만 연속인 \(\Omega\)에서는 갈린다.


연습문제 7. 같은 문제를 서로 다른 표본공간으로 모형화할 수 있다. 답이 같은가? 항아리 문제로 확인하라.

풀이
import numpy as np
from math import comb, factorial

n, k = 5, 3
print(f"원소 {n}개에서 {k}개를 뽑는 네 가지 방식")
print(f"  순서 O, 복원 O:  n^k           = {n ** k}")
print(f"  순서 O, 복원 X:  n!/(n-k)!     = {factorial(n) // factorial(n - k)}")
print(f"  순서 X, 복원 X:  C(n, k)       = {comb(n, k)}")
print(f"  순서 X, 복원 O:  C(n+k-1, k)   = {comb(n + k - 1, k)}")

rng = np.random.default_rng(0)
N = 400_000
balls = np.array([0, 0, 0, 1, 1])           # 빨강 3, 파랑 2
hits = sum((balls[rng.choice(5, 2, replace=False)] == 0).all() for _ in range(N))

print(f"\n빨강 2개를 뽑을 확률")
print(f"  모의               {hits / N:.5f}")
print(f"  순서 없는 표본공간  C(3,2)/C(5,2) = {comb(3,2)}/{comb(5,2)} = {comb(3,2)/comb(5,2):.5f}")
print(f"  순서 있는 표본공간  (3x2)/(5x4)   = {3*2}/{5*4} = {3*2/(5*4):.5f}")

출력:

원소 5개에서 3개를 뽑는 네 가지 방식
  순서 O, 복원 O:  n^k           = 125
  순서 O, 복원 X:  n!/(n-k)!     = 60
  순서 X, 복원 X:  C(n, k)       = 10
  순서 X, 복원 O:  C(n+k-1, k)   = 35

빨강 2개를 뽑을 확률
  모의               0.29869
  순서 없는 표본공간  C(3,2)/C(5,2) = 3/10 = 0.30000
  순서 있는 표본공간  (3x2)/(5x4)   = 6/20 = 0.30000

두 표본공간이 같은 답을 준다. 크기가 \(10\)과 \(20\)으로 다른데도 그렇다.

왜 그런가. 두 표본공간 모두 각 결과가 동등확률이 되도록 구성되었기 때문이다. 순서를 붙이면 결과가 두 배로 늘지만 관심 사건의 결과도 두 배가 되므로 비가 유지된다.

그러나 언제나 그런 것은 아니다. 순서를 무시한 표본공간이 동등확률이 아닌 경우가 많다.

실험 순서 없는 표본공간 동등확률인가
동전 두 개 \(\{앞앞, 앞뒤, 뒤뒤\}\) 아니다 (\(1/4, 1/2, 1/4\))
주사위 두 개의 합 \(\{2,\ldots,12\}\) 아니다
비복원 구슬 \(\{RR, RB, BB\}\) 아니다

달랑베르의 오류가 이것이다. 동전 두 개에서 \(\{앞앞, 앞뒤, 뒤뒤\}\)를 각각 \(1/3\)로 두는 것인데, "앞뒤"가 두 가지 순서를 포함하므로 틀렸다.

실무 규칙. 동등확률로 다루려면 결과를 충분히 세분해야 한다. 순서를 붙이거나 개체를 구별하면 대개 동등확률이 되고, 그러면 정리 \(1\) 의 「무게를 세는」 계산이 단순한 세기 문제로 바뀐다. 세분하는 것이 손해가 아니라 안전장치다. \(\square\)


연습문제 8. 표본공간이 가산무한이면 유한과 무엇이 달라지는가? 확률보행의 원점 복귀로 확인하라.

풀이
import numpy as np

rng = np.random.default_rng(0)
steps = 4000

print(f"{steps}걸음 안에 원점으로 돌아올 확률")
for d in (1, 2, 3):
    M = 10_000 if d == 1 else 1000
    if d == 1:
        pos = np.cumsum(rng.choice([-1, 1], (M, steps)), axis=1)
        back = (pos == 0).any(axis=1)
    else:
        step = np.zeros((M, steps, d))
        axis = rng.integers(0, d, (M, steps))
        sign = rng.choice([-1, 1], (M, steps))
        step[np.arange(M)[:, None], np.arange(steps)[None, :], axis] = sign
        pos = np.cumsum(step, axis=1)
        back = (np.abs(pos).sum(axis=2) == 0).any(axis=1)
    print(f"  {d}차원: {back.mean():.4f}")

출력:

4000걸음 안에 원점으로 돌아올 확률
  1차원: 0.9883
  2차원: 0.7170
  3차원: 0.3160

차원이 오를수록 복귀가 어려워진다(\(0.99 \to 0.72 \to 0.32\)).

여기서 확률보행(random walk)은 매 걸음 좌표축 방향 가운데 하나를 같은 확률로 골라 한 칸씩 움직이는 것이다. 폴리아의 정리가 걸음 수를 무한히 늘린 극한을 말해 준다. \(1\)차원과 \(2\)차원 대칭 확률보행은 확률 \(1\)로 원점에 무한히 자주 돌아오고(\(\text{재귀적}\)), \(3\)차원 이상에서는 양의 확률로 영영 돌아오지 않는다(\(\text{일시적}\)). \(3\)차원의 복귀 확률은 약 \(0.3405\)다.

"술 취한 사람은 집에 돌아오지만 술 취한 새는 영영 길을 잃는다."

가산무한 표본공간에서 무엇이 달라지는가.

  • 각 결과의 확률이 \(0\)이 아니어도 된다. 3.1절 확률의 공리 연습문제 10 에서 보듯 균등한 배정은 불가능하지만, 균등하지만 않으면 가산집합에 확률질량을 줄 수 있다. 복귀 시점의 분포가 그런 예다.
  • 기댓값이 무한할 수 있다. \(1\)차원 확률보행은 확률 \(1\)로 돌아오지만 평균 복귀 시간은 무한대다. "반드시 일어나지만 평균적으로 무한히 오래 걸린다"는 유한 표본공간에서는 불가능한 현상이다.
  • 극한 사건에 확률을 부여하려면 가산가법성이 필요하다. "무한히 자주 돌아온다"는 사건은 가산 무한 번의 합집합·교집합으로 만들어진다(3.1절 확률의 공리 연습문제 9 의 보렐–칸텔리).

실무적 함의. 대기행렬, 분기과정, 마르코프 연쇄가 모두 가산무한 상태공간을 갖는다. "결국 흡수될 것인가", "평균 도달 시간은 유한한가" 가 핵심 질문이며, 둘의 답이 다를 수 있다는 것이 이 절의 요점이다. \(\square\)


연습문제 9. 표본공간을 정하는 것은 모형을 정하는 것이다. 무엇을 \(\Omega\)에 넣을지가 답을 바꾸는 예를 들고, 실무 지침을 정리하라.

풀이
import numpy as np

rng = np.random.default_rng(3)
N = 500_000

# 몬티 홀: 진행자의 행동까지 표본공간에 넣어야 한다
car = rng.integers(0, 3, N)
pick = np.zeros(N, dtype=int)                    # 참가자는 항상 0번 문

# 규칙 A: 진행자가 염소 문 중 하나를 무작위로 연다 (표준)
host_a = np.empty(N, dtype=int)
for i in range(N):
    choices = [d for d in (0, 1, 2) if d != pick[i] and d != car[i]]
    host_a[i] = choices[rng.integers(len(choices))]
switch_a = np.array([[d for d in (0, 1, 2) if d != pick[i] and d != host_a[i]][0]
                     for i in range(min(N, 200_000))])
print(f"규칙 A (표준): 바꾸면 승률 {np.mean(switch_a == car[:len(switch_a)]):.5f}   이론 2/3")

# 규칙 B: 진행자가 무작위로 문을 열고, 자동차가 나오면 그 판은 무효
host_b = rng.integers(0, 3, N)
valid = (host_b != pick) & (host_b != car)
sw_b = np.array([[d for d in (0, 1, 2) if d != pick[i] and d != host_b[i]][0]
                 for i in np.flatnonzero(valid)[:200_000]])
car_b = car[np.flatnonzero(valid)[:200_000]]
print(f"규칙 B (무지한 진행자): 바꾸면 승률 {np.mean(sw_b == car_b):.5f}   이론 1/2")

출력:

규칙 A (표준): 바꾸면 승률 0.66619   이론 2/3
규칙 B (무지한 진행자): 바꾸면 승률 0.49906   이론 1/2

같은 관측("진행자가 염소 문을 열었다")인데 답이 \(2/3\)과 \(1/2\)로 갈린다. 차이는 오직 진행자의 행동 규칙이며, 그것은 관측되는 결과가 아니라 자료 생성 과정이다.

표본공간을 정할 때의 지침.

지침 이유
관측된 결과뿐 아니라 그것이 생성된 방식도 넣어라 몬티 홀, 두 아이 문제
동등확률이 되도록 충분히 세분하라 연습문제 7의 달랑베르 오류
연속이면 어떤 매개변수로 균등인지 밝혀라 연습문제 10의 베르트랑 역설
모르는 양은 \(\Omega\)에 넣어 확률변수로 다루어라 베이즈 추론의 모수
선택 기제를 명시하라 1장의 표집·생존자 편향

마지막 두 줄이 이 책 전체를 관통한다.

  • 베이즈 방법이 하는 일이 "모수를 \(\Omega\)에 넣는 것"이다. 빈도주의는 모수를 고정된 미지수로 두어 \(\Omega\) 밖에 놓고, 베이즈는 \(\Omega\) 안에 넣어 확률변수로 만든다. 두 접근의 차이가 표본공간을 어디까지 잡느냐의 차이로 환원된다.
  • 1장의 편향 논의가 모두 "\(\Omega\)를 잘못 잡았다"로 요약된다. 생존자 편향은 관측된 것만 \(\Omega\)에 넣은 것이고, 무응답 편향은 응답 여부를 \(\Omega\)에 넣지 않은 것이다.

가장 중요한 조언. 확률 문제를 만나면 계산을 시작하기 전에 \(\Omega\)를 명시적으로 적어라. 대부분의 확률 역설은 계산 실수가 아니라 표본공간을 서로 다르게 잡은 데서 나온다. \(\square\)


연습문제 10. 연습문제 4가 세 가지 크기를 구분했다. 표본공간이 비가산일 때 확률을 어떻게 정하는지, 그리고 그 선택이 유일하지 않음을 보여라.

풀이

베르트랑의 역설. 반지름 \(1\)인 원에 무작위로 현을 하나 긋는다. 그 현이 내접 정삼각형의 한 변(\(\sqrt{3}\))보다 길 확률은?

import numpy as np

rng = np.random.default_rng(0)
N = 500_000
side = np.sqrt(3)

# 방법 1: 한 끝점을 고정하고 다른 끝점을 원둘레에 균등하게
theta = rng.uniform(0, 2 * np.pi, N)
chord1 = 2 * np.sin(theta / 2)

# 방법 2: 반지름을 하나 고르고 그 위에 중점을 균등하게
d = rng.uniform(0, 1, N)
chord2 = 2 * np.sqrt(1 - d ** 2)

# 방법 3: 중점을 원 안에 균등하게
dd = np.sqrt(rng.uniform(0, 1, N))
chord3 = 2 * np.sqrt(1 - dd ** 2)

print(f"{'무작위의 정의':>14}{'P(현 > 변)':>13}{'이론':>10}")
for label, c, th in [("끝점 균등", chord1, 1 / 3),
                     ("반지름 위 균등", chord2, 1 / 2),
                     ("중점 균등", chord3, 1 / 4)]:
    print(f"{label:>14}{np.mean(c > side):>13.5f}{th:>10.5f}")

출력:

       무작위의 정의     P(현 > 변)        이론
         끝점 균등      0.33278   0.33333
      반지름 위 균등      0.50010   0.50000
         중점 균등      0.24973   0.25000

같은 질문에 세 가지 답이 나온다. \(1/3\), \(1/2\), \(1/4\)이며 모두 계산이 옳다.

원인은 "무작위로 현을 긋는다"가 표본공간을 지정하지 않았다는 것이다.

방법 표본공간 무엇이 균등한가
\(1\) 원둘레의 각 끝점의 위치
\(2\) 반지름 위의 거리 중심으로부터의 거리
\(3\) 원판 중점의 위치

세 표본공간이 서로 다르고, 어느 것도 "옳지" 않다. 물리적 실험 절차를 지정해야만 답이 정해진다. 막대를 원 위에 무작위로 던지면 방법 \(2\)에 가깝고, 원판에 다트를 던져 중점을 정하면 방법 \(3\)이다.

유한 표본공간과의 결정적 차이. 유한이면 "각 결과가 동등확률"이 자연스러운 기본값이지만, 비가산이면 그런 기본값이 없다. "균등"이라는 말 자체가 어떤 매개변수로 잰 균등인지에 의존한다.

본문 3절의 쪽지 「표본공간의 세 가지 크기」가 가른 셋째 경우가 어려운 이유가 이것이다. 비가산 표본공간에서는 확률을 부여해야 하며, 그 부여가 모형 선택이다. 3.1절 확률의 공리 연습문제 10–\(11\)에서 보듯, 공리는 어떤 부여가 허용되는지만 말하고 어느 것을 고를지는 말하지 않는다.

실무적 교훈. 연속 확률 문제에서 "무작위로"라는 말을 보면 어떤 절차로 무작위인지를 물어야 한다. 뒤에 나올 조건부확률(conditional probability) 문서의 두 아이 문제·몬티 홀과 같은 종류의 모호함이며, 여기서는 그것이 연속 세계에서 나타난 것이다. \(\square\)

그림으로 보는 통계학 4. 세 답을 나란히 적고 물음이 틀렸다고 한 쪽

프랑스어 본문 한 쪽. 세 문단이 차례로 3분의 1, 2분의 1, 4분의 1 이라는 분수로 끝나고 마지막 세 줄이 짧게 덧붙어 있다

베르트랑 『확률의 계산』 제1장 「경우를 세는 법」의 \(5\) 쪽. 초판은 \(1889\) 년이고 이 그림은 뒤에 다시 찍은 판이다. (Wikimedia Commons, PD-US-expired)

위 풀이가 세 모형에서 \(\dfrac13\), \(\dfrac12\), \(\dfrac14\) 을 얻었다. 그 셋이 한 쪽에 나란히 인쇄된 자리가 위의 쪽이다.

조제프 베르트랑은 「원에 그은 현이 내접 정삼각형의 한 변보다 길 확률」을 묻고 세 번 답한다. 세 문단이 모두 「\(\dots\) par définition, égale à \(\dots\)」— 「정의에 의하여 \(\dots\) 와 같다」로 끝나고, 그 끝의 값이 차례로 \(\dfrac13\), \(\dfrac12\), \(\dfrac14\) 다. 「정의에 의하여」라는 말이 세 번 똑같이 나오는 것이 요점이다 — 세 번 다 무엇을 균등하게 볼지 먼저 정의해 놓고 세었다는 뜻이다.

첫 문단은 한 끝점을 붙들고 다른 끝점이 세 등분된 호 가운데 어디에 떨어지는지를 보는 끝점 모형, 둘째는 현의 방향을 정해 놓고 그에 수직인 지름 위에서 자리를 보는 평행현 모형, 셋째는 현의 중점이 넓이가 \(4\) 분의 \(1\) 인 안쪽 원에 드는지를 보는 중점 모형이다. 위 풀이의 세 가지가 그대로 이 세 문단이다.

이 쪽의 값어치는 마지막 세 줄에 있다 — 「이 세 답 가운데 어느 것이 참인가? 셋 다 틀리지 않았고, 셋 다 옳지도 않다. 물음이 잘못 놓인 것이다.」 베르트랑이 한 일은 셋 중 하나를 고른 것이 아니라 그 물음이 아직 확률 문제가 아니었음을 보인 것이다. 정의 1 이 \(\Omega\) 를 먼저 적으라고 요구하고, 상자 1 의 크로프턴이 「집합체를 먼저 밝혀라」라고 적어 둔 까닭이 여기에 있다.

확인한 곳 — 베르트랑 『확률론』(\(1889\)) — Wikipedia 「Bertrand paradox (probability)」 · 프랑스어 문구와 세 값 \(\tfrac13\), \(\tfrac12\), \(\tfrac14\) 은 사진의 쪽에서 직접 읽었다


정리하며

확률 문제는 언제나 같은 세 단계로 시작한다.

  1. 무엇이 일어날 수 있는가를 집합 \(\Omega\)로 적는다(정의 1).
  2. 각 결과가 얼마나 그럴듯한가를 무게로 정하고, 사건의 확률을 무게의 합으로 얻는다(정의 2). 무게가 모두 같으면 세기로 끝난다(정리 1).
  3. \(\Omega\)가 연속이면 무게를 점이 아니라 구간에 준다.

이 그림에서 아직 정하지 않은 것이 하나 있다. 무게를 아무렇게나 달아도 되는가? 예컨대 어떤 사건의 확률이 음수이거나, \(P(A \cup B) > P(A) + P(B)\)가 되어도 괜찮은가?

그럴 리 없다. 무게가 지켜야 할 최소한의 규칙이 있고, 그것을 세 줄로 적어 놓은 것이 다음 절의 콜모고로프 공리다. 지금까지 자연스럽게 써 온 성질들 — 확률은 0과 1 사이다, 빈 것은 0이고 전체는 1이다, 겹치지 않으면 더한다 — 이 바로 그 세 줄이다.