조건부 확률의 기초
확률은 어떤 사건이 발생할 가능성을 측정하는 형식적인 방법입니다. 하지만 실제 상황에서는 사건의 확률이 단독으로 존재하는 것이 아니라, 우리가 이미 알고 있는 다른 정보의 영향을 받습니다. 바로 이 지점에서 조건부 확률이라는 개념이 중요해집니다. 조건부 확률은 추가 정보를 얻은 후 특정 사건에 대한 우리의 믿음을 수정하는 데 도움을 줍니다. 이 글에서는 조건부 확률의 정의, 기본 공식, 예시, 그리고 곱의 법칙 및 베이즈 정리와의 관계에 대해 살펴봅니다.
1. 조건부 확률 이해하기
직관적으로 조건부 확률은 사건 B가 발생했을 때 사건 A가 발생할 확률입니다. 다음과 같이 표현됩니다.
\[
P(A \mid B)
\]
"B가 주어졌을 때 A의 확률"을 읽으세요.
예를 들어, 오늘 비가 오고 있다는 사실(B)을 알고 있을 때 누군가가 우산을 가지고 있을 확률(A)을 알고 싶다고 가정해 봅시다. 비가 온다는 사실을 알면 우산을 가지고 있을 확률이 더 높다는 것은 분명합니다. "비가 오고 있다"는 정보는 우리의 고려 범위를 바꾸어 놓습니다. 더 이상 모든 날씨 조건을 고려하는 것이 아니라, 비가 오는 조건만을 고려하게 되는 것입니다.
2. 조건부 확률 공식
조건부 확률의 수학적 정의는 다음과 같습니다.
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
\(P(B) > 0\)인 경우에 한합니다.
설명 :
– \(P(A \mid B)\): B가 발생했을 때 A가 발생할 확률.
– \(P(A \cap B)\): A와 B가 동시에 발생할 확률(A와 B의 교집합).
– \(P(B)\): B가 발생할 확률.
이 공식의 의미는 다음과 같습니다. 우리는 사건 B에만 집중한 다음, B의 일부에 사건 A가 얼마나 포함되는지 계산합니다.
3. 간단한 예: 트럼프 카드
일반적인 트럼프 카드 한 벌(52장)에서 카드 한 장을 뽑으세요. 예를 들면 다음과 같습니다.
– A: 뽑은 카드는 에이스입니다
– B: 뽑은 카드는 스페이드입니다
우리는 스페이드 카드를 뽑았을 때 에이스를 뽑을 확률인 \(P(A \mid B)\)를 계산하고자 합니다.
Langkah :
– 스페이드에는 13장의 카드가 있으므로 \(P(B) = 13/52\)입니다.
– A와 B 조각은 "스페이드 에이스"로 합이 1장이므로 \(P(A \cap B) = 1/52\)입니다.
그래서:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
즉, 카드가 스페이드라는 것을 이미 알고 있다면, 그 카드가 에이스일 확률은 13분의 1이라는 뜻입니다.
4. 교차점(A ∩ B)과 정보의 역할 이해
확률을 공부할 때 흔히 저지르는 실수는 \(P(A)\)와 \(P(A|B)\)를 혼동하는 것입니다. 카드 예시를 보면 다음과 같습니다.
– \(P(A) = 4/52 = 1/13\) (추가 정보 없이 에이스가 나올 확률)
– \(P(A|B) = 1/13\) (우연히도 이 경우에도 동일합니다)
하지만 많은 경우 두 값은 다릅니다. 추가 정보는 다음과 같습니다.
– 합격 가능성을 높인다 (예: 누군가가 공부하고 있다는 것을 알면 시험에 합격할 확률이 높아진다).
– 기회를 줄인다 (퇴근 시간을 미리 알면 길이 매끄러울 가능성이 줄어든다).
– 또는 사건들이 독립적일 경우 확률은 변하지 않습니다.
5. 상호 독립적인 사건 (독립성)
두 사건 A와 B는 사건 B가 사건 A의 확률에 영향을 미치지 않고, 그 반대의 경우도 마찬가지일 때 서로 독립적이라고 합니다. 공식적으로는 다음과 같습니다.
\[
P(A \mid B) = P(A)
\]
또는 이와 동등한 것:
\[
P(A \cap B) = P(A)P(B)
\]
예시: 동전 던지기와 주사위 굴리기. 동전의 결과(숫자/그림)는 주사위의 결과(1~6)에 영향을 받지 않으므로 둘은 독립적입니다. A를 "동전에 나온 숫자"이고 B를 "주사위에 나온 숫자가 6"이라고 하면 다음과 같습니다.
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
그리고 \(1/12 = (1/2)(1/6)\)이 참입니다.
6. 곱셈 규칙
조건부 확률의 정의로부터 곱셈 규칙을 유도할 수 있습니다.
\[
P(A \cap B) = P(A \mid B)P(B)
\]
또는 다음과 같이도 가능합니다:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
이 규칙은 두 사건이 동시에 발생할 확률을 계산할 때 매우 유용하지만, 한 사건의 확률을 알고 나면 다른 사건의 확률을 계산하기가 더 쉽습니다.
예시: 면접에 합격할 확률(B)이 0,4라고 가정해 봅시다. 면접에 합격했을 때 채용될 확률(A)은 0,6입니다. 그렇다면 "면접에 합격하고 채용될 확률"은 다음과 같습니다.
\[
P(A \cap B) = P(A \mid B)P(B) = 0,6 \times 0,4 = 0,24
\]
7. 베이즈 정리: 조건의 역전
우리는 종종 \(P(A|B)\)를 알고 있지만, 실제로 필요한 것은 \(P(B|A)\)입니다. 베이즈 정리는 조건부 확률을 "뒤집는" 방법을 제공합니다.
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
이 정리는 의료 진단, 기계 학습, 스팸 탐지 및 데이터 기반 의사 결정 분야에서 매우 잘 알려져 있습니다.
간단한 예시 (건강)
예를 들어:
– B: 누군가가 정말 아프다(유병률) \(P(B)=0{,}01\)
– A: 양성 검사 결과
– 테스트 민감도: \(P(A|B)=0{,}95\)
– 오탐: \(P(A|\text{아프지 않음})=0{,}05\)
질문: 검사 결과가 양성일 경우, 그 사람이 실제로 아플 확률, 즉 \(P(B|A)\)는 얼마입니까?
우리는 \(P(A)\)가 필요합니다:
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
그래서:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
그 결과는 약 16,1%였습니다. 이는 양성 판정이 반드시 그 사람이 반드시 아프다는 것을 의미하지는 않으며, 특히 질병 유병률이 매우 낮을 경우에는 더욱 그렇다는 것을 보여줍니다.
8. 전체 확률 (전체 확률의 법칙)
여러 조건으로 나뉜 상황에서 \(P(A)\)를 계산하기 위해 전체 확률 법칙을 사용할 수 있습니다. \(B_1, B_2, …, B_n\)이 표본 공간의 분할(서로 겹치지 않고 모든 가능성을 포함하는)을 형성한다면 다음과 같습니다.
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
이는 종종 베이즈 정리와 함께 사용되어 여러 범주 또는 출처의 정보를 처리하는 데 활용됩니다.
9. 조건부 확률에서 흔히 저지르는 실수
흔히 저지르는 실수 몇 가지:
1. \(P(A|B)\)가 \(P(B|A)\)와 같다고 가정합니다. 이는 일반적으로 사실이 아닙니다.
2. 기준 비율을 무시하는 경우, 예를 들어 베이즈 예시에서 질병 유병률을 무시하는 경우.
3. 조건이 주어진 후 표본 공간을 잘못 결정하는 경우, 조건 B는 "영역 B"에서만 계산한다는 의미임에도 불구하고.
10. 페누투프
조건부 확률은 통계 및 불확실성 모델링의 중요한 기초 개념입니다. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\)의 정의를 이해하면 추가 정보를 고려하여 확률을 평가할 수 있습니다. 이 개념은 곱의 법칙, 독립 사건, 전체 확률의 법칙, 베이즈 정리와 직접적으로 관련되어 있으며, 많은 실제 응용 분야에서 매우 유용합니다. 카드, 주사위, 설문 조사, 심지어 의료 사례와 같은 구체적인 예제를 통해 연습할수록 새로운 정보가 들어올 때 확률이 어떻게 변하는지에 대한 직관력이 강해질 것입니다.
