상징적 확률을 위한 의사결정 이론

초록

이 논문은 수치적 확률 대신 기호적 지지(support)를 이용하는 상징적 확률(SP) 체계 위에, 행위에 대한 선호 관계를 지원하는 효용 함수를 구축한다. 부분 순서로 정의된 지지쌍을 효용값으로 삼아, 직관적 공리들을 만족하는 선호가 존재한다면 이를 해당 효용 함수로 표현할 수 있음을 증명한다. 또한 주관적 해석을 통해 불확실성의 추정과 의사결정 과정을 정당화한다.

상세 요약

본 연구는 기존 확률론이 요구하는 실수값 확률 대신, ‘지원(support)’이라는 기호적 객체를 사용해 불확실성을 표현하는 상징적 확률(SP) 체계를 전제로 한다. 지원 집합 S는 최소 원소 ⊥와 최대 원소 ⊤를 포함하고, 부분 순서 ≤에 의해 비교된다. 두 지원 α, β에 대해 합연산 ⊕와 곱연산 ⊗가 정의되며, 이는 전통적 확률의 덧셈·곱셈과 유사한 대수적 성질을 만족한다(결합법칙, 분배법칙, 항등원 존재 등). 이러한 구조는 사건들의 지원을 할당하는 ‘지원 함수’ σ: 𝔽→S(𝔽는 σ-대수)로 구현되며, σ(A∪B)=σ(A)⊕σ(B), σ(A∩B)=σ(A)⊗σ(B)와 같은 베이즈식 규칙을 기호적으로 유지한다.

의사결정 문제는 전통적 ‘행위(act)’ 개념을 차용하되, 각 행위는 상태 s∈Ω와 결과 x∈X 사이의 함수 f(s)=x로 정의된다. 저자는 행위 집합 𝔄에 대해 ‘선호 관계’ ≽를 가정하고, 이를 몇 가지 직관적 공리(P1–P6)로 제한한다. 주요 공리는 (1) 완전성·이행성, (2) 확정성(확정 행위에 대한 선호는 결과의 순위와 일치), (3) 독립성(동일한 보조 행위가 추가될 때 선호가 변하지 않음), (4) 연속성(지원의 부분 순서가 연속적으로 변할 때 선호도 연속), (5) 단조성(지원이 더 큰 사건을 포함하면 선호가 강화), (6) 합성 가능성(복합 행위의 효용은 개별 행위 효용의 조합으로 표현) 등이다.

이 공리들을 바탕으로 저자는 ‘지원 쌍’ (α, β)∈S×S를 효용값으로 하는 함수 u: 𝔄→U를 구성한다. 여기서 α는 행위가 달성할 ‘이득’ 사건의 지원, β는 ‘손실’ 사건의 지원을 나타낸다. 효용의 순서는 (α₁,β₁)≽(α₂,β₂) ⇔ α₁≥α₂ ∧ β₁≤β₂ 로 정의되며, 이는 부분 순서 기반의 비교를 그대로 반영한다. 핵심 정리(Representation Theorem)는 “선호 관계 ≽가 P1–P6를 만족하면, 위와 같은 효용 함수 u가 존재한다”는 것을 증명한다. 증명은 먼저 지원 함수 σ의 대수적 성질을 이용해 행위의 기대 지원을 정의하고, 이를 쌍 형태로 분해한 뒤, 파레토적 순서를 적용해 효용 순서를 구축하는 방식으로 전개된다.

주관적 해석 측면에서 저자는 전통적 베이즈주의와 유사하게, 의사결정자가 자신의 ‘지원’에 대한 내재적 믿음을 직접 진술하도록 허용한다. 이는 수치적 확률을 추정하기 위한 설문이나 베이즈 네트워크와 달리, 지원을 ‘보다/덜’ 정도로 비교하는 질적 질문을 통해 elicitation이 가능함을 의미한다. 따라서 SP는 불확실성을 정량화하기 어려운 상황(예: 전문가 의견이 모호하거나 데이터가 부족한 경우)에서도 일관된 의사결정 프레임워크를 제공한다.

마지막으로, 저자는 SP 기반 의사결정이 기존 기대 효용 이론과의 관계를 논의한다. 기대 효용은 실수값 확률에 의존하지만, SP는 지원의 부분 순서만을 필요로 하므로 ‘불완전한 정보’ 하에서도 합리적 선택을 정당화한다. 또한, 효용이 지원 쌍으로 표현되므로 다중 기준 의사결정(MCDM)과도 자연스럽게 연결될 수 있다. 그러나 지원의 부분 순서가 완전하지 않을 경우, 일부 행위는 비교 불가능하게 남을 수 있다는 한계도 지적한다.