지각적 통계 변동성 지표

이 논문은 확률분포와 사건 시스템의 변동성 및 불확실성을 인간이 직관적으로 이해할 수 있는 형태로 표현하고자 두 가지 ‘동등수(equivalent number)’ 개념을 제안한다. 첫 번째는 변동성을 나타내는 G 값으로, “하나의 확실한 사건과 나머지는 전부 불가능한 사건”으로 구성된 가상의 분포가 원본 확률분포와 동일한 변동성을 가질 때의 사건 수를 의미한다. 이를 위해 저자는 확률분포 P = {p_i} 의 평균 p̄ 과 분산 σ² 을 정의하고, 변동성의 기준값을 ‘한 사건이 전확률 P 을 차지하고 나머지는 0인 경우’의 분산으로 설정한다(식 5). 이 기준값은 최대 변동성을 제공하며, 계수변동(CV = σ/p̄) 이 이 최대값 1/(N − P) 에 도달할 때 G 값을 구한다(식 10). G 은 실수값을 가질 수 있으며, G → 1일수록 변동성이 극대화되고, G → N일수록 변동성이 최소화된다고 해석한다. 두 번째는 불변성을 나타내는 D 값이다. 이는 “모든 사건이 동일한 확률 1/D 을 갖는 균등 분포”가 원본 분포와 동일한 분산 0(즉, 완전한 불변성)을 가질 때의 사건 수를 의미한다(식 11). D 값이 클수록 원본 분포는 균등에 가까워 변동성이 낮고, 예측이 어려워진다. 또한, 엔트로피 H 를 이용해 평균 사건 수 F = 2^{H} (식 9)를 정의한다. F 는 정보이론적 불확실성을 정량화하며, G와 D와는 다른 관점을 제공한다. 세 지표는 로그 변환 관계(식 12‑13)를 통해 상호 연결되며, 변동성 CV, 불변성 D, 평균 사건 수 F가 각각 변동성↑ → G↓, 불변성↑ → D↑, 불확실성↑ → F↑의 관계를 보인다. 수학적 성질을 검증하기 위해 저자는 이항분포와 다양한 이산 확률변수 집합에 대해 CV와 H를 계산하고, G와 D가 기대한 대로 변동성·불변성의 직관적 해석과 일치함을 보였다. 특히, CV가 0에 가까울 때 G≈N, D≈1이며, CV가 1에 가까울 때 G≈1, D≈N이 된다. 실제 적용 사례로 전 세계 104개의 해양 구역(Marsden’s squares)에서 수집된 파동 방향 데이터(Global Wave Statistics, 1986)를 사용한다. 각 구역은 8개의 주요 파동 방향에 대한 확률분포 P₈(A) 를 갖는다. 저자는 각 구역에 대해 G₈, D₈, F₈, CV₈, h₈(엔트로피 기반 상대 불확실성) 등을 계산하고, 이를 지도와 그래프로 시각화한다. 예시로 동태평양 구역 A64는 파동 방향이 세 방향(동, 남동, 남)으로 90% 이상 집중되어 있다. 이 경우 CV₈≈60%로 변동성이 높고, G₈≈3.6(확실한 사건 1개와 2~3개의 불가능한 사건)이며, D₈≈2.3(균등 분포가 2~3개의 사건에 해당)이다. 반면 남태평양 구역 A86은 방향이 거의 균등하게 분포해 CV₈≈4.8%로 변동성이 낮고, G₈≈1.01(거의 완전한 변동성, 즉 한 사건이 확실히 발생), D₈≈8.3(불변성 거의 최대)이며, F₈≈8.2로 불확실성이 최고 수준임을 보여준다. 이러한 분석을 통해 저자는 기존의 분산·엔트로피만으로는 포착하기 어려운 ‘가능한 사건 vs. 불가능한 사건’의 인지적 차이를 정량화할 수 있음을 강조한다. G와 D가 정수가 아닌 실수값을 허용함으로써 복잡한 확률구조를 직관적으로 해석할 수 있는 일반화된 프레임워크를 제공한다. 또한, 변동성·불확실성을 인간의 ‘도박 감각’에 맞추어 설계했으며, 기후·해양 예측, 확률적 예보 검증(Brier score), 베이지안 예측 등 다양한 분야에 적용 가능성을 제시한다. 결론적으로, 논문은 변동성(variability)과 불확실성(uncertainty)을 각각 G와 D, F라는 세 가지 지표로 정량화함으로써, 확률분포의 특성을 인간이 직관적으로 이해할 수 있는 형태로 변환한다. 이는 통계학, 정보이론, 기후과학 등 여러 분야에서 확률적 현상의 예측 가능성을 평가하고, 의사결정 과정에서 보다 명확한 근거를 제공하는 데 기여한다.