조건부확률 (Conditional Probability)

한 줄 정의: 어떤 사건이 이미 일어났다는 조건 아래에서, 다른 사건이 일어날 확률을 뜻합니다.

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.

논문에서는 이렇게 쓰입니다

"본 연구는 특정 증상이 관찰되었을 때 실제로 질병이 있을 조건부확률 P(질병|증상)을 계산하여 진단 도구의 정확도를 평가하였다."

이 문장은 "증상이 나타났다는 조건 아래에서 질병일 확률이 얼마인지"를 계산했다는 뜻으로, 의학·통계 논문에서 진단 성능을 논할 때 자주 쓰이는 표현입니다.

"제안한 분류 모델은 입력 특징이 주어졌을 때 각 클래스에 속할 조건부확률 P(클래스|입력)을 출력하며, 이 값을 임계값과 비교하여 최종 예측을 결정한다."

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.

"두 변수 간의 관계를 분석하기 위해 통제변수가 특정 값으로 고정되었을 때의 조건부확률을 계산함으로써, 교란요인의 영향을 배제한 순수한 연관성을 확인하였다."

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 두 사건이 서로 영향을 주지 않는 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, 이를 혼동하는 것을 흔히 "검사관의 오류"라고 부릅니다. 두 값을 연결하려면 이항분포처럼 사건의 기본 확률 구조를 함께 고려해야 합니다.