8.1 확률의 정의와 공리적 체계

1. 확률 공간의 구성 요소

확률론의 엄밀한 수학적 기초는 콜모고로프(Kolmogorov, 1933)에 의해 확립된 공리적 체계에 기반한다. 확률 공간(probability space)은 세 쌍 $(\Omega, \mathcal{F}, P)$ 로 정의된다.

1.1 표본 공간(Sample Space)

표본 공간 $\Omega$ 는 가능한 모든 결과(outcome)의 집합이다. 각 원소 $\omega \in \Omega$ 를 표본점(sample point)이라 한다.

예: 로봇 센서의 거리 측정 결과는 $\Omega = [0, \infty)$ , 이진 접촉 센서의 결과는 $\Omega = \{0, 1\}$ 이다.

1.2 사건 공간(Event Space)

사건 공간 $\mathcal{F}$ 는 $\Omega$ 의 부분 집합들의 모임으로, $\sigma$ -대수( $\sigma$ -algebra)의 구조를 갖는다. $\sigma$ -대수는 다음의 성질을 만족한다.

$\Omega \in \mathcal{F}$
$A \in \mathcal{F}$ 이면 $A^c \in \mathcal{F}$ (여집합에 대해 닫힘)
$A_1, A_2, \ldots \in \mathcal{F}$ 이면 $\bigcup_{i=1}^{\infty} A_i \in \mathcal{F}$ (가산 합집합에 대해 닫힘)

각 원소 $A \in \mathcal{F}$ 를 사건(event)이라 한다. $\sigma$ -대수의 구조는 확률을 할당할 수 있는 사건의 집합을 수학적으로 엄밀하게 정의한다.

1.3 확률 측도(Probability Measure)

확률 측도 $P: \mathcal{F} \to [0, 1]$ 는 사건에 확률을 할당하는 함수로, 콜모고로프의 세 공리를 만족한다.

2. 콜모고로프의 확률 공리

공리 1 (비음성): 임의의 사건 $A \in \mathcal{F}$ 에 대해

$P(A) \geq 0$

공리 2 (정규성): 전체 사건의 확률은 1이다.

$P(\Omega) = 1$

공리 3 (가산 가법성): 서로 배반인(mutually exclusive) 사건의 열 $A_1, A_2, \ldots$ ( $A_i \cap A_j = \emptyset$ , $i \neq j$ )에 대해

$P\left(\bigcup_{i=1}^{\infty} A_i\right) = \sum_{i=1}^{\infty} P(A_i)$

3. 공리로부터의 기본 성질

공리로부터 다음의 성질이 유도된다.

여사건의 확률: $P(A^c) = 1 - P(A)$

공사건의 확률: $P(\emptyset) = 0$

단조성: $A \subseteq B$ 이면 $P(A) \leq P(B)$

포함-배제 원리: $P(A \cup B) = P(A) + P(B) - P(A \cap B)$

연속성: $A_1 \subseteq A_2 \subseteq \cdots$ 이면 $P(\bigcup A_i) = \lim P(A_i)$

4. 조건부 확률

사건 $B$ ( $P(B) > 0$ )가 주어졌을 때, 사건 $A$ 의 조건부 확률은 다음과 같다.

$P(A \vert B) = \frac{P(A \cap B)}{P(B)}$

조건부 확률은 $B$ 로 축소된 표본 공간에서의 확률 측도로 해석되며, 콜모고로프의 세 공리를 동일하게 만족한다. 로봇 공학에서 조건부 확률은 센서 관측이 주어졌을 때의 상태 분포를 기술하는 데 핵심적이다.

5. 전체 확률 법칙과 베이즈 정리

5.1 전체 확률 법칙

$\Omega$ 의 분할 $B_1, B_2, \ldots$ ( $B_i \cap B_j = \emptyset$ , $\bigcup B_i = \Omega$ )에 대해

$P(A) = \sum_i P(A \vert B_i) P(B_i)$

5.2 베이즈 정리

$P(B_j \vert A) = \frac{P(A \vert B_j) P(B_j)}{\sum_i P(A \vert B_i) P(B_i)}$

베이즈 정리는 사전 확률 $P(B_j)$ 를 관측 $A$ 에 의해 사후 확률 $P(B_j \vert A)$ 로 갱신하는 역할을 하며, 확률론적 로봇 공학의 이론적 핵심이다.

6. 독립성

두 사건 $A$ , $B$ 가 독립(independent)이란 $P(A \cap B) = P(A)P(B)$ 를 의미한다. 독립성이 성립하면 $P(A \vert B) = P(A)$ 이다. 조건부 독립은 $P(A \cap B \vert C) = P(A \vert C)P(B \vert C)$ 이다.

로봇 센서 융합에서 센서 관측 사이의 조건부 독립 가정이 상태 추정의 핵심적 단순화를 제공한다. 베이즈 필터에서 관측의 조건부 독립 가정은 필터의 재귀적 구조를 가능하게 한다.

7. 확률의 해석

7.1 빈도론적 해석(Frequentist Interpretation)

확률은 반복 시행에서 사건이 발생하는 상대 빈도의 극한이다.

$P(A) = \lim_{n \to \infty} \frac{n_A}{n}$

7.2 베이즈적 해석(Bayesian Interpretation)

확률은 사건에 대한 믿음의 정도(degree of belief)를 나타낸다. 사전 지식이 사전 확률로 표현되고, 관측에 의해 갱신된다. 로봇 공학에서 베이즈적 해석이 더 널리 채택되며, 모델 파라미터의 불확실성이나 가설의 신뢰도를 확률로 직접 표현할 수 있다.

8. 참고 문헌

Kolmogorov, A. N. (1933). Grundbegriffe der Wahrscheinlichkeitsrechnung. Springer. (영역: Foundations of the Theory of Probability, 1950.)
Papoulis, A., & Pillai, S. U. (2002). Probability, Random Variables, and Stochastic Processes (4th ed.). McGraw-Hill.
Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
Grimmett, G. R., & Stirzaker, D. R. (2001). Probability and Random Processes (3rd ed.). Oxford University Press.

version: 1.0