정암 목포흥신소

• 목록
• 글쓰기
• 게시판 리스트 옵션
  • 수정
  • 삭제

우리는 매일 '확률'을 수정하며 살아간다

아침에 학교에 도착했는데 평소 지각을 거의 하지 않는 동료가 보이지 않습니다.
'오늘은 몸이 아픈 걸까?' 여러분은 자연스럽게 이렇게 생각할 것입니다.
그런데 잠시 후 다른 친구가 말합니다.
"아까 버스가 고장 났대." 그러면 조금 전까지 가장 가능성이 높다고 생각했던 '몸이 아프다'는 가설은 조금 약해지고, '교통 문제'라는 새로운 가능성이 커집니다.
그런데 쉬는 시간이 되자 담임 선생님이 말씀하십니다.
"오늘 병원 진료 때문에 결석한다고 연락이 왔다." 이 순간 우리는 다시 생각을 바꿉니다.
버스 고장이라는 정보보다 병원 진료라는 정보가 훨씬 신뢰할 만하기 때문입니다.
이처럼 우리는 새로운 정보를 얻을 때마다 처음의 판단을 조금씩 수정합니다.
사실 이런 일은 학교에서만 일어나는 것이 아닙니다.
의사는 검사 결과를 보며 질병의 가능성을 수정하고, 형사는 새로운 증거를 발견할 때마다 용의자를 다시 추려 나갑니다. 기상청은 새로운 관측 자료가 들어올 때마다 일기예보를 수정하며, 인공지능(AI) 역시 새로운 데이터를 받아들일 때마다 자신의 판단을 업데이트합니다.

흥미로운 점은 이 모든 진행 방식이 서로 다른 분야의 이야기가 아니라는 것입니다.
겉으로는 전혀 달라 보이는 이 문제들은 모두 하나의 공통된 질문을 던집니다.

새로운 증거가 생겼을 때, 우리는 기존의 생각을 얼마나 바꾸어야 할까?

그리고 이 질문에 수학적으로 답한 것이 바로 베이즈 정리(Bayes' Theorem) ​ 입니다.
많은 학생들은 베이즈 정리를 '조건부확률 공식 하나' 정도로 기억합니다.
하지만 조금만 시선을 넓혀 보면 베이즈 정리는 단순한 확률 공식이 아니라, ​ 불완전한 정보 속에서 더 합당한 판단을 내리는 방법 을 알려 주는 사고법 에 가깝습니다.
오늘은 공식을 외우기 전에, 왜 이런 정리가 필요했는지부터 함께 살펴보겠습니다.

왜 베이즈 정리가 필요했을까?

수학에서 확률을 처음 배우면 대부분 동전, 주사위, 카드 같은 예제를 만납니다.
동전을 던졌을 때 앞면이 나올 확률은 얼마일까? 주사위를 던졌을 때 6이 나올 확률은 얼마일까? 이런 문제에서는 아직 결과가 정해지지 않았습니다. 우리는 앞으로 일어날 일을 미리 예측하려고 합니다.
하지만 현실에서는 조금 다른 문제가 훨씬 많이 등장합니다.
결과는 이미 눈앞에 나타났는데, 그 원인이 무엇인지 알고 싶은 경우가 더 많기 때문 입니다.
예를 들어 병원에서 혈액검사를 받았다고 생각해 봅시다. 검사 결과는 이미 나왔습니다.
이제 우리가 궁금한 것은 앞으로 검사 결과가 어떻게 나올지가 아니라, 이 결과를 보았을 때 실제로 질병이 있을 가능성이 얼마나 되는가 입니다.
또 다른 예를 들어 보겠습니다.
휴대전화로 이메일이 하나 도착했습니다.
제목에는 '축하합니다!', '무료', '당첨' 같은 단어가 가득 적혀 있습니다.
여러분은 무심코 '스팸 메일이겠네.'라고 생각할지도 모릅니다.
하지만 정말 그럴까요? 학교에서 온 행사 안내 메일일 수도 있고, 실제로 신청했던 이벤트의 결과일 수도 있습니다.
여기서 중요한 것은 '무료'라는 단어 하나만으로 결론을 내리지 않는 것입니다.
새로운 정보를 하나씩 확인하면서 판단을 계속 수정해야 합니다.
이처럼 현실의 대부분의 문제는 미래를 예측하는 문제보다 이미 나타난 결과를 통해 원인을 추론하는 문제 입니다.
18세기 영국의 목사이자 수학자 였던 토머스 베이즈 는 바로 이런 상황에 관심을 가졌습니다.

어떤 사실을 알고 있었는데, 새로운 증거가 생기게 되었다면 기존의 믿음은 어떻게 바뀌어야 할까?

이 질문에 답하기 위해 만들어진 것이 바로 베이즈 정리입니다.
즉, 베이즈 정리는 단순히 확률을 계산하는 공식이 아니라 새로운 정보를 받아들일 때 생각을 수정하는 규칙 이라고 볼 수 있습니다.
그래서 오늘날에는 수학뿐 아니라 의학, 인공지능, 데이터 분석, 경제학, 심리학 등 수많은 분야에서 베이즈 정리가 중요한 도구로 활용되고 있습니다.
다음 장에서는 많은 사람들이 직관적으로 틀리기 쉬운 한 가지 질문을 함께 풀어보겠습니다.
"정확도가 99%인 암 검사에서 양성이 나왔다면, 정말 암일 확률도 99%일까요?" 놀랍게도 대부분의 사람들은 이 질문에서 같은 실수를 합니다. 그리고 그 실수를 이해하는 순간, 베이즈 정리의 진짜 가치가 보이기 시작합니다.

정확도가 99%인 검사에서 양성이 나왔다면 정말 암일 확률도 99%일까?

이제 한 가지 상황을 생각해 보겠습니다.
어떤 질병을 검사하는 진단 키트가 있습니다.
이 검사는 정확도가 99%라고 알려져 있습니다.
어느 날 여러분이 검사를 받았는데 결과가 양성 으로 나왔습니다.
그렇다면 실제로 그 질병에 걸렸을 확률은 얼마나 될까요? 아마 많은 사람들이 이렇게 대답할 것입니다.
"정확도가 99%니까 질병에 걸렸을 확률도 99% 아닌가요?" 하지만 놀랍게도 대부분의 경우 이 답은 틀립니다.
왜 그럴까요? 우리는 '검사가 얼마나 정확한가'만 생각하고, 그 질병이 원래 얼마나 드문 질병인가 를 함께 고려하지 않기 때문입니다.
예를 들어 어떤 질병이 인구 10,000명 중 10명만 걸리는 매우 드문 병이라고 가정해 보겠습니다.
즉, 실제 환자는 0.1%뿐입니다.
이제 정확도가 99%인 검사를 실시하면 어떤 일이 생길까요? 실제 환자 10명 가운데 약 9~10명은 양성 판정을 받습니다.
여기까지는 예상과 크게 다르지 않습니다.
그런데 나머지 건강한 9,990명 가운데도 약 1%는 실수로 양성 판정을 받을 수 있습니다.
1%는 매우 작은 숫자처럼 보이지만, 건강한 사람이 워낙 많기 때문에 약 100명 정도가 거짓 양성 판정을 받게 됩니다.
결국 양성 판정을 받은 사람은 모두 약 110명 정도가 되는데, 그중 실제 환자는 10명 남짓입니다.
즉, 양성이라고 해서 실제 환자일 확률은 약 9% 정도에 불과합니다.
검사의 정확도는 99%인데도 말입니다.
이 결과는 처음 보면 이상하게 느껴질 수 있습니다.
하지만 곰곰이 생각해 보면 충분히 이해할 수 있습니다.
드문 질병에서는 실제 환자보다 건강한 사람이 훨씬 많습니다.
따라서 아주 작은 비율의 거짓 양성이라도 전체 숫자로는 실제 환자보다 많아질 수 있는 것입니다.
우리의 직관은 종종 '눈에 띄는 정보'에만 집중합니다.
하지만 수학은 그 뒤에 숨어 있는 전체 상황까지 함께 고려하라고 말합니다.
그리고 바로 이 순간 등장하는 것이 베이즈 정리 입니다.
베이즈 정리는 검사 결과라는 새로운 증거를 이용해 처음 가지고 있던 가능성을 얼마나 수정해야 하는지 를 계산하는 방법입니다.

베이즈 정리는 '생각을 업데이트하는 공식'이다

이제 베이즈 정리를 만나 볼 차례입니다.
처음 이 식을 보면 영어와 기호가 많아 복잡하게 느껴질 수 있습니다.
하지만 하나씩 살펴보면 생각보다 단순합니다.
먼저 P(A) 는 새로운 정보를 알기 전에 우리가 가지고 있던 최초의 판단입니다.
이를 사전확률(Prior Probability) 이라고 합니다.
예를 들어 앞에서 살펴본 희귀 질병의 경우라면 '이 사람이 질병에 걸려 있을 가능성은 원래 매우 낮다'는 것이 바로 사전확률입니다.
다음으로 P(B|A) 는 정말 질병이 있는 사람이 검사에서 양성 판정을 받을 확률입니다.
검사의 성능을 나타내는 값이라고 생각하면 이해하기 쉽습니다.
그리고 P(B) 는 실제로 양성 판정이 나올 전체 확률입니다.
여기에는 진짜 환자의 양성뿐 아니라 건강한 사람의 거짓 양성도 모두 포함됩니다.
마지막으로 우리가 가장 알고 싶은 값이 P(A|B) 입니다.
이것은 양성이라는 결과를 이미 확인한 뒤, 실제로 질병이 있을 확률 을 의미합니다.
즉, 베이즈 정리는 단순히 확률을 계산하는 공식이 아닙니다.
새로운 증거를 반영하여 기존의 판단을 얼마나 수정해야 하는지를 계산하는 공식 입니다.
이 과정을 조금 다르게 표현하면 다음과 같습니다.
처음에는 어떤 가능성을 가지고 출발합니다.
새로운 증거가 등장합니다.
그 증거의 신뢰도를 확인합니다.
처음의 판단을 수정합니다.
새로운 판단에 도달합니다.
이러한 과정은 우리 일상에서도 끊임없이 반복됩니다.
친구가 지각했다는 사실만으로는 '늦잠을 잤겠지.'라고 생각할 수 있습니다.
하지만 병원 진료를 받았다는 사실을 알게 되면 판단은 달라집니다.
경찰도 새로운 증거를 발견할 때마다 용의자의 가능성을 다시 계산합니다.
기상청도 새로운 위성 자료가 들어오면 강수 확률을 수정합니다.
인공지능도 새로운 데이터를 학습할수록 예측 결과를 조금씩 바꾸어 갑니다.
이처럼 세상은 처음부터 정답을 알고 있는 사람이 아니라, 새로운 증거가 생길 때마다 자신의 판단을 더 정확하게 수정하는 사람이 더 좋은 결정을 내릴 수 있도록 움직입니다.
그리고 바로 그 과정을 가장 아름답게 수학으로 표현한 것이 베이즈 정리입니다.
다음 장에서는 이러한 사고단계적 절차이 오늘날 AI와 머신러닝에서 어떻게 활용되는지 살펴보겠습니다. 놀랍게도 여러분이 매일 사용하는 이메일, 검색 엔진, 추천 알고리즘에도 베이즈 정리의 아이디어가 숨어 있습니다.

AI는 어떻게 새로운 정보를 이용해 더 똑똑해질까?

베이즈 정리는 병원에서만 사용하는 특별한 수학이 아닙니다.
우리가 매일 사용하는 인공지능과 데이터 분석 기술에도 이와 비슷한 사고방식이 깊이 스며들어 있습니다.
가장 대표적인 예가 스팸 메일 분류 입니다.
여러분의 이메일에는 하루에도 수많은 메일이 도착합니다.
그중에는 정상적인 메일도 있지만 광고나 피싱 메일처럼 스팸으로 분류해야 하는 메일도 있습니다.
그렇다면 컴퓨터는 어떻게 이 둘을 구별할까요? 예를 들어 어떤 메일에 '무료' , '당첨' , '긴급' , '클릭' 같은 단어가 여러 번 등장했다고 가정해 보겠습니다.
이런 단어들은 스팸 메일에서 자주 나타나는 특징입니다.
하지만 그렇다고 해서 이 단어 하나만으로 "이 메일은 반드시 스팸이다."라고 단정할 수는 없습니다.
학교 행사 안내 메일에도 '무료'라는 단어가 들어갈 수 있고, 실제로 신청했던 이벤트 당첨 안내일 수도 있기 때문입니다.
컴퓨터는 사람처럼 단순히 하나의 단서만 보고 결론을 내리지 않습니다.
메일에 포함된 여러 단어와 발신자 정보, 과거의 학습 데이터 등을 함께 고려하여 이 메일이 스팸일 가능성을 계속 수정 합니다.
이러한 아이디어를 이용한 대표적인 알고리즘이 나이브 베이즈(Naive Bayes) 분류기 입니다.
오늘날에는 딥러닝과 같은 훨씬 복잡한 인공지능 모델이 널리 사용되고 있지만, 나이브 베이즈는 계산이 빠르고 원리를 이해하기 쉬워 지금도 텍스트 분류나 기초 머신러닝 교육에서 중요한 알고리즘으로 활용되고 있습니다.
또한 베이즈적 사고는 의료 진단, 음성 인식, 자율주행, 금융 데이터 분석 등 불안심할 만한 정보를 다루는 다양한 분야에서 중요한 아이디어로 사용되고 있습니다.
즉, 베이즈 정리는 오래된 수학 공식이 아니라 오늘날에도 살아 있는 사고방식 인 것입니다.

베이즈 정리는 '확률 공식'이 아니라 '생각하는 방법'이다

학교에서는 베이즈 정리를 조건부확률을 계산하는 공식으로 배우는 경우가 많습니다.
물론 공식을 이해하는 것도 중요합니다.
하지만 그것보다 더 중요한 것은 이 정리가 우리에게 알려 주는 생각하는 방법 입니다.
세상은 처음부터 모든 정보를 알려 주지 않습니다.
우리는 언제나 부족한 정보 속에서 판단을 내리고, 새로운 사실이 밝혀질 때마다 생각을 조금씩 수정하며 살아갑니다.
좋은 의사는 검사 결과가 추가되면 진단을 다시 검토합니다.
좋은 과학자는 새로운 실험 결과가 나오면 기존의 이론을 점검합니다.
좋은 형사는 새로운 증거를 발견하면 용의자를 다시 추려 나갑니다.
그리고 좋은 인공지능 역시 새로운 데이터를 바탕으로 더 나은 예측을 만들어 갑니다.
이들의 공통점은 하나입니다.
처음의 판단을 끝까지 고집하지 않는다는 것. 새로운 증거가 나타나면 그에 맞게 자신의 생각을 업데이트합니다.
베이즈 정리는 바로 그 과정을 수학으로 표현한 정리입니다.
그래서 이 정리는 단순한 확률 공식을 넘어, 불확실한 세상을 이해하는 하나의 사고법으로 여겨집니다.
앞으로 여러분이 의학을 공부하든, 인공지능을 연구하든, 경제학이나 심리학을 배우든, 혹은 데이터를 분석하는 일을 하게 되든 베이즈 정리는 다양한 모습으로 다시 만나게 될 것입니다.
그 이유는 간단합니다.
세상에서 가장 좋은 판단은 처음부터 완벽한 판단이 아니라, 새로운 증거를 받아들이며 끊임없이 더 나은 판단으로 발전하는 과정에서 만들어지기 때문입니다.
어쩌면 베이즈 정리가 우리에게 알려 주는 가장 중요한 교훈은 확률 계산이 아니라, 생각을 바꿀 수 있는 용기와 태도 인지도 모릅니다.