확률 수형도와 베이즈 정리
확률 수형도를 구성하고 몬테카를로 구슬을 굴려 보세요. 조건부 확률을 확인하며 베이즈 정리가 적용되는 원리를 살펴볼 수 있습니다.
P(Sick | Positive) = P(Positive | Sick) × P(Sick) ÷ P(Positive) = 90% × 1% ÷ 9.8% = 9.2%
Out of 1,000 cases, about 98 match Positive, and 9 of them are Sick: 9 in 98.
Balls fall down the tree, taking each branch with its chance, and pile up at the leaves. In the Tree and Flipped tree views, tap a leaf or a node to condition on that evidence: balls that don't match fade, and the share that remain shows Bayes' rule at work. Tap Start to drop 100 at once, an event in time that Restart and share links leave out. Taps do nothing in the 1,000 cases view.
확률 수형도와 베이즈 정리 도구는 만족스러우신가요?
확률 수형도와 베이즈 정리 소개
- 베이즈 정리
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- 최초 발표
- 1763년, Thomas Bayes의 유고를 Richard Price가 발표
- 질병 진단 프리셋
- 검사 양성 시 실제 감염 확률은 약 9%
- 몬티 홀 프리셋
- 선택을 바꿀 경우 승리 확률 2/3
확률 수형도는 다단계 확률 과정을 나뭇가지 형태로 펼쳐 보여줍니다. 첫 번째 단계는 질병 감염 여부와 같은 원인을 나타내며, 그 뒤의 각 단계는 이전 단계의 조건에 따라 확률이 달라지는 검사 결과와 같은 증거를 나타냅니다. 한 경로를 따라 확률을 곱하면 해당 경로 전체가 발생할 확률이 계산됩니다. 이 도구에서는 최대 3단계의 트리를 만들고 모든 가지를 편집할 수 있으며, 구슬이 떨어지는 모습을 직접 볼 수 있습니다. 각 구슬은 가지의 확률에 따라 굴러떨어지며, 말단에 쌓이는 양은 이론적 확률에 수렴합니다. 이는 1949년 Nicholas Metropolis와 Stanislaw Ulam이 제시한 몬테카를로 시뮬레이션 원리 그대로입니다.
증거를 조건으로 지정하면 해당 조건에 부합하는 구슬만 남깁니다. 말단 노드를 탭하거나 Evidence에서 결과를 선택하면 일치하지 않는 구슬은 반투명하게 흐려집니다. 남아 있는 구슬 중 원인을 가진 비율이 바로 사후확률이며, 우측 패널에서는 1763년 Richard Price가 발표한 Thomas Bayes의 논문에 등장한 베이즈 정리 P(A | E) = P(E | A) × P(A) ÷ P(E)에 맞춰 계산 과정을 표시합니다. Medical test(질병 진단 검사)는 이 정리가 왜 중요한지 명확히 보여줍니다. 유병률이 1%이고 정확도가 90%이며 위양성률이 9%일 때, 양성 판정을 받아도 실제 감염되었을 확률은 약 9%에 불과합니다. 건강한 대다수에서 나온 위양성이 전체 양성의 대부분을 차지하기 때문입니다. 트리를 뒤집으면 증거가 먼저 나와 사후확률이 가지 위에 곧바로 표시됩니다.
1995년 Gerd Gigerenzer와 Ulrich Hoffrage가 밝혔듯 사람은 백분율보다 실제 개수로 생각할 때 확률을 훨씬 쉽게 이해합니다. 이에 맞춰 1,000 cases 뷰는 사람(혹은 택시, 게임, 이메일)의 기댓값을 아이콘으로 시각화하여 양성 판정 약 98명 중 실제 환자는 9명뿐임을 직관적으로 보여줍니다. Amos Tversky와 Daniel Kahneman의 Taxi cab 문제, Steve Selvin이 1975년에 제시한 Monty Hall 문제, 2회 연속 검진, 스팸 필터 등을 직접 시험해 보세요. 말단 노드 집계 결과는 CSV로 저장하거나 시뮬레이션을 녹화할 수 있습니다.
확률 수형도와 베이즈 정리 사용법
- 문제 프리셋 선택하기. Medical test, Second test, Taxi cab, Monty Hall, Spam filter 중 하나를 선택하거나, Tree와 Chances 탭에서 원하는 수형도를 직접 구성하세요.
- 구슬 떨어뜨리기 관찰하기. 구슬이 Start에서 출발하여 확률에 따라 각 가지로 갈라집니다. 하단 수합함에서는 이론적 확률 대비 실제 도달한 구슬 수가 집계됩니다. Start를 탭하거나 Drop 1,000을 눌러 더 떨어뜨려 보세요.
- 증거 조건 설정하기. 말단 노드나 중간 노드를 탭하거나 Evidence 항목에서 결과를 선택하세요. 조건과 일치하지 않는 구슬은 흐려지며 상태 창에 숫자가 대입된 베이즈 정리 식이 풀이됩니다.
- 원인 지정하기. Chance of를 사용하거나 1단계 노드를 탭하여 Monty Hall의 2번 문처럼 사후확률의 기준이 될 원인을 변경할 수 있습니다.
- 확률 조정하기. Chances 아래의 슬라이더를 조절하세요. 각 값은 이전 단계가 주어졌을 때의 조건부 확률이며, 한 노드에서 뻗어나간 가지의 합이 100%가 되도록 형제 가지가 자동으로 조절됩니다.
- 화면 보기 전환하기. Flipped tree는 증거를 앞쪽에 배치하여 사후확률을 가지 위에 직접 표시하며, 1,000 cases는 동일한 확률을 사람 수 아이콘으로 보여줍니다.
- Export(내보내기). 화면을 PNG, 비디오, GIF로 저장하거나, 말단 노드의 개수와 이론적 확률 데이터를 CSV 파일로 내려받을 수 있습니다.
자주 묻는 질문
확률 수형도란 무엇인가요?
확률 과정을 여러 단계로 나누어 표현한 다이어그램입니다. 각 가지에는 이전 단계가 발생했다는 조건하의 확률이 적혀 있으며, 한 노드에서 나가는 가지들의 확률 합은 항상 1이 됩니다. 경로 전체의 확률은 그 경로를 이루는 가지 확률들의 곱이며, 특정 사건에 해당하는 경로들의 확률을 모두 더하면 그 사건이 일어날 전체 확률이 됩니다.
베이즈 정리란 무엇인가요?
조건부 확률의 방향을 뒤집는 정리로, 공식은 P(A | E) = P(E | A) × P(A) ÷ P(E)입니다. 여기서 P(A)는 원인의 사전확률이고, P(E | A)는 원인이 참일 때 증거가 관찰될 가능도(우도)이며, P(E)는 해당 증거가 나타날 전체 확률입니다. 수형도에서 P(E)는 E로 끝나는 모든 경로 확률의 합이며, 사후확률 P(A | E)는 그중 A에서 시작된 경로의 비율을 의미합니다.
검사에서 양성이 나와도 감염되지 않았을 확률이 왜 높은가요?
질환 자체가 매우 희귀하기 때문입니다. Medical test 프리셋에서 유병률은 1%입니다. 즉 1,000명 중 환자는 약 10명이고 이 중 9명이 양성으로 판정됩니다. 하지만 건강한 사람 990명 중 9%인 약 89명도 위양성 판정을 받습니다. 따라서 전체 양성자 약 98명 중 실제 환자는 9명으로 약 9%에 불과합니다. 이처럼 낮은 사전확률을 간과하는 현상을 기저율 무시 오류라고 부르며, 2차 검사에서도 양성이 나와야 확률이 약 50% 수준으로 올라갑니다.
몬티 홀 문제는 어떻게 작동하나요?
참가자가 1번 문을 고르면 차의 위치를 알고 있는 진행자는 염소가 있는 다른 문(예: 3번 문)을 엽니다. 자동차가 1번 문 뒤에 있다면 진행자는 2번이나 3번 중 아무 문이나 열 수 있지만, 차가 2번 문에 있다면 반드시 3번 문을 열어야 합니다. 따라서 진행자가 3번 문을 열었다는 사실은 차가 2번 문 뒤에 있을 때 발생할 확률이 두 배 더 높습니다. Monty Hall 프리셋에서 확인하듯 선택을 바꿨을 때 이길 확률은 3분의 2가 됩니다.
택시 문제란 무엇인가요?
Tversky와 Kahneman의 연구에 등장하는 문제로, 도시 택시의 85%는 초록색이고 15%는 파란색입니다. 사고를 목격한 증인이 파란색 택시였다고 증언했고, 동일한 조건의 식별 테스트에서 증인의 정확도는 80%였습니다. 대다수 사람은 택시가 파란색일 확률이 높다고 직관적으로 답하지만 실제 확률은 약 41%에 불과합니다. 초록색 택시의 대수가 훨씬 많아 증인이 초록색을 파란색으로 착각한 횟수가 파란색을 제대로 알아맞힌 횟수보다 더 많기 때문입니다.
몬테카를로 시뮬레이션은 어떤 역할을 하나요?
수식이 도출되는 과정을 직관적으로 보여줍니다. 떨어지는 구슬 하나하나는 무작위 표본이며, 증거 조건에 부합하는 구슬 중 해당 원인을 가진 구슬의 비율을 세어 사후확률을 추정합니다. 큰 수의 법칙에 따라 구슬이 많이 떨어질수록 추정치는 이론적 수치를 나타내는 점선에 정확히 수렴하게 됩니다.
참고 문헌
- Bayes, T., & Price, R. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London 53, 370–418.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review 102(4), 684–704.
- Tversky, A., & Kahneman, D. (1982). Evidential impact of base rates. In D. Kahneman, P. Slovic & A. Tversky (Eds.), Judgment under Uncertainty: Heuristics and Biases, 153–160. Cambridge University Press.
- Selvin, S. (1975). A problem in probability (letter to the editor). The American Statistician 29(1), 67.
- Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association 44(247), 335–341.





