조건부확률 (Conditional Probability)
쉽게 풀면
주머니 안에 빨간 구슬 3개와 파란 구슬 2개가 들어 있다고 해봅시다. 아무 정보 없이 하나를 뽑으면 빨간 구슬일 확률은 5분의 3입니다. 그런데 누군가 "방금 뽑은 구슬이 파란 구슬은 아니다"라고 알려줬다면 어떨까요? 이제 후보는 빨간 구슬 3개뿐이므로, 빨간 구슬일 확률은 1(즉 100%)로 바뀝니다. 이렇게 "어떤 조건(정보)이 주어졌을 때" 확률이 달라지는 것을 조건부확률이라고 하며, 기호로는 P(A|B)로 쓰고 "B가 일어났을 때 A가 일어날 확률"이라고 읽습니다.
왜 중요한가
조건부확률은 새로운 정보가 주어졌을 때 판단을 어떻게 갱신할지를 수학적으로 표현하는 도구여서, 통계적 추론과 머신러닝, 의사결정 이론 전반의 기초가 됩니다. 베이즈 정리, 분류 모델의 확률 출력, 인과추론에서의 조건부 독립성 등 많은 상위 개념이 조건부확률 위에서 정의되기 때문에, 논문에서 이 개념을 정확히 정의하지 않으면 뒤이은 추론이나 모델 해석 전체가 흔들릴 수 있습니다. 그래서 실험 설계나 모델 평가 방법론을 서술하는 절에서 조건부확률 표기가 자주 등장합니다.
핵심 정리
사건 B가 일어났음을 알 때 A가 일어날 확률은 P(A | B) = P(A ∩ B) / P(B) (단, P(B) > 0)입니다. 표본공간이 B로 줄어들었다고 보고, 그 안에서 A가 차지하는 비율을 구하는 셈입니다.
- 곱셈 규칙. 정의를 바꿔 쓰면
P(A ∩ B) = P(B) · P(A | B)입니다. 순서를 바꾼P(A ∩ B) = P(A) · P(B | A)도 같은 값입니다. - 독립. P(A | B) = P(A)이면 A와 B는 독립입니다(독립사건과 종속사건).
- 베이즈 정리. 두 곱셈 규칙을 같게 놓으면
P(A | B) = P(B | A) · P(A) / P(B)가 되어, 조건의 방향을 뒤집는 도구가 됩니다(베이즈 정리). - 전확률. B가 여러 경우로 나뉘면
P(A) = Σ P(A | Bi) P(Bi)로 전체 확률을 구합니다(전확률의 법칙).
예시로 보기
모두 직접 계산한 가상의 예입니다.
- 비복원 추출. 52장 카드에서 에이스를 한 장 뽑은 뒤 돌려놓지 않고 두 번째로 뽑을 때, 두 번째도 에이스일 확률은 P(두 번째 에이스 | 첫 번째 에이스) = 3/51 ≈ 0.059입니다. 처음 뽑은 카드가 표본공간을 51장으로 줄이고 에이스를 3장으로 줄였기 때문입니다.
- 검사 결과 뒤집기. 질병 유병률 1%, 민감도 90%(병이 있을 때 양성일 확률 P(+ | 병) = 0.9), 특이도 90%(건강할 때 음성일 확률)인 검사가 있다고 합시다. 1,000명이면 환자 10명 중 9명이 양성이고, 건강한 990명 중 10%인 99명도 양성이므로 양성자 108명 중 실제 환자는 9명입니다. 따라서 P(병 | +) = 9/108 ≈ 8.3%입니다. P(+ | 병) = 90%와 P(병 | +) ≈ 8.3%는 전혀 다른 값입니다.
둘째 예처럼 사람 수(빈도)로 바꿔 세면 이해하기 쉽다는 점은 Gigerenzer와 Hoffrage(1995)가 연구했습니다. 그들은 정보를 빈도 형식으로 줄 때 통계에 익숙하지 않은 참가자의 추론 중 최대 50%가 베이즈 알고리즘을 따랐다고 보고했습니다.
자주 하는 오해
- P(A|B)와 P(B|A)의 혼동. 위 검사 예처럼 두 값은 크게 다를 수 있습니다. 법정의 증거 해석에서는 이 혼동이 검사측 오류(prosecutor's fallacy, ‘검사의 오류’라고도 옮김)라는 이름으로 논의됩니다. Thompson과 Schumann(1987)은 일치하는 특성의 발생률이라는 통계 증거를 조건부확률로 제시했을 때와 백분율로 제시했을 때 학부생의 추론 오류의 방향이 달랐다고 보고했습니다.
- “기저율은 중요하지 않다.” 베이즈 정리의 P(A)가 바로 기저율입니다. 유병률이 낮으면 양성이어도 실제 환자 비율이 낮을 수 있습니다.
- “조건이 정보를 늘리면 확률은 항상 커진다.” 조건에 따라 확률은 커질 수도, 작아질 수도, 그대로일 수도 있습니다. 같으면 독립입니다.
- P(B) = 0인 조건. 정의의 분모가 0이므로, 확률 0인 사건에 대한 조건부확률은 이 정의로는 다룰 수 없습니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 "증상이 나타났다는 조건 아래에서 질병일 확률이 얼마인지"를 계산했다는 뜻으로, 의학·통계 논문에서 진단 성능을 논할 때 자주 쓰이는 표현입니다.
기계학습 논문에서는 분류기의 출력을 확정된 답이 아니라 "입력이 주어졌을 때 각 클래스일 조건부확률"로 해석하는 경우가 많으며, 이는 모델의 불확실성을 함께 표현할 수 있다는 장점이 있습니다.
사회과학이나 역학 연구에서는 다른 변수를 고정한 상태의 조건부확률을 비교함으로써, 두 변수 사이에 실제로 의미 있는 관계가 있는지 아니면 제3의 요인 때문에 그렇게 보이는 것인지를 구분하는 데 사용합니다.
조금 더 깊게 보면
조건부확률의 정의는 P(A|B) = P(A∩B) / P(B)로 주어지며, 이를 변형하면 베이즈 정리(사전확률과 관측 정보를 결합해 사후확률을 구하는 공식)로 이어집니다. 논문에서는 제3의 사건(조건)이 주어졌을 때 두 사건이 서로 독립인 경우를 조건부 독립이라 부르며, 이는 그래프 모델이나 인과추론에서 변수 간 구조를 단순화할 때 중요한 가정으로 쓰입니다. 또한 여러 조건을 순차적으로 반영해 확률을 갱신하는 과정을 확률의 연쇄법칙이라 부르는데, 언어모델이나 순차 데이터 분석에서 다음 값의 확률을 이전 값들에 대한 조건부확률의 곱으로 표현할 때 이 개념이 자주 등장합니다.
주의할 점
P(A|B)와 P(B|A)는 서로 다른 값인데도 종종 혼동됩니다. "질병이 있을 때 증상이 나타날 확률"과 "증상이 있을 때 질병일 확률"은 전혀 다른 질문이며, 이런 혼동을 역조건 혼동(confusion of the inverse)이라 하며, 법정의 증거 해석에서 나타나는 경우를 검사측 오류(prosecutor's fallacy)라고 부릅니다. 두 값을 연결하려면 베이즈 정리를 이용해 사건의 기저율(사전확률)을 함께 고려해야 합니다.
헷갈리기 쉬운 용어
‘조건’이라는 단어가 들어가지만 가리키는 대상이 다릅니다.
| 용어 | 무엇인가 | 조건부확률과의 관계 |
|---|---|---|
| 조건부확률 | B가 일어났을 때 A의 확률 P(A|B) | — |
| 조건부기댓값 | 조건 아래에서 확률변수의 평균 | 확률 대신 평균을 구함 |
| 베이즈 정리 | P(A|B)와 P(B|A)를 연결하는 공식 | 조건부확률의 정의에서 유도됨 |
| 전확률의 법칙 | 조건별 확률을 합쳐 전체 확률을 구함 | 조건부확률을 재료로 사용 |
| 독립사건 | 조건을 걸어도 확률이 변하지 않는 관계 | P(A|B) = P(A)인 경우 |
참고 문헌
- Blitzstein, J. K., & Hwang, J. (2019). Introduction to Probability (2nd ed.). Taylor & Francis Group.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704.
- Thompson, W. C., & Schumann, E. L. (1987). Interpretation of statistical evidence in criminal trials: The prosecutor's fallacy and the defense attorney's fallacy. Law and Human Behavior, 11(3), 167–187.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.