조건부 확률 예제 | 넘스탯(NumStats) — 일상 사례로 정복하는 P(B|A)

아침 7시 30분. 알람이 울려요. 졸린 눈으로 휴대폰을 켜고 일기예보 앱을 봅니다. "오늘 강수확률 60%". 한 손으로는 머리를 빗고, 다른 손으로는 우산을 챙길지 망설입니다. 가방엔 이미 책이 가득한데 말이죠.

그런데 잠깐만요. "강수확률 60%"란 정확히 뭘 말하는 걸까요? 그리고 만약 어제도 하루 종일 비가 왔다면, 오늘 비가 올 확률은 진짜 60% 그대로일까요?

이 작은 의문 안에 들어 있는 게 바로 조건부 확률입니다. 우리가 하루에도 수십 번 머릿속에서 자동으로 굴리고 있지만 한 번도 의식한 적 없는 사고법이에요. 오늘은 그 정체를 우산, 시험 문제, 게임 뽑기, 병원 검사 — 네 가지 일상 장면을 따라가며 풀어봅니다.

사례 1 / 4비 오는 날 우산을 챙길까 — 조건부 확률의 첫 발견

기상청이 "오늘 강수확률 60%"라고 발표했어요. 이게 정확히 무슨 뜻인지 풀어볼까요?

강수확률 60%는 이런 의미예요. 오늘과 비슷한 기상 패턴(저기압 위치, 습도, 풍향 등)이 과거에 100번 있었다면, 그 중 60번은 비가 왔다는 거예요. 즉 "오늘 같은 기상 패턴이 주어졌을 때, 비가 올 확률"이죠. 이걸 기호로 적으면 P(비 | 오늘 같은 기상)이에요. P는 영어 Probability(확률)의 첫 글자로 "어떤 일이 일어날 확률"을 뜻하고, 막대 기호 |는 "~가 주어졌을 때"라고 읽어요. 그러니까 전체를 풀어 읽으면 "오늘 같은 기상이 주어졌을 때, 비가 올 확률"이 되는 거죠.

📌 학술 정확성 주석 — 기상청의 공식 강수확률 정의는 "예보 기간 중 해당 지역에 0.1mm 이상의 강수가 있을 확률"이에요. 본문의 "100번 중 60번 비" 식 설명은 그 의미를 직관적으로 풀어 쓴 학습용 비유로, 베이지안 추론·빈도주의의 미묘한 차이는 더 깊이 들어가면 학자마다 해석이 나뉩니다.

자, 이제 정보가 더 들어와요. 어제도 하루 종일 비가 왔어요. 비가 오는 기상 패턴은 며칠 이어지는 경우가 흔하잖아요? 그러면 어제 비가 왔다는 정보까지 고려한 P(비 | 오늘 기상 + 어제도 비)는 일반적으로 60%보다 높아져요.

같은 "오늘 비 옴"이라는 사건에 대한 확률인데, 우리가 알고 있는 정보의 양에 따라 답이 달라지는 거예요. 새 정보가 들어오면 표본 공간이 줄어들고, 줄어든 공간 안에서 확률을 다시 계산 — 이게 조건부 확률의 정체입니다.

이 비율 정의는 18~19세기 라플라스부터 사용되어 왔고, 오늘날 모든 대학 확률론 교재(셸던 로스, DeGroot & Schervish, 김우철 등)의 가장 기본적인 정의예요. "A라는 정보가 들어오는 순간, 우리가 보던 표본 공간이 A 안쪽으로 축소된다"는 이 단순한 발상이 — 베이즈 정리부터 머신러닝까지 — 현대 통계학과 인공지능을 떠받치는 가장 기초적인 기둥이에요.

사례 2 / 4선생님이 강조한 시험 문제 — 사전 정보의 가치

수업 시간. 선생님이 칠판의 한 부분에 동그라미를 치며 말씀하셨어요.

시험 범위는 50페이지. 그중 한 페이지가 시험에 나올 확률은 얼마일까요?

아무런 정보가 없으면, 50페이지에서 무작위로 한 페이지가 출제된다고 보고 1/50 = 2%로 추정해야겠죠. 그런데 "선생님이 강조하셨다"는 정보가 추가되면? P(시험 출제 | 선생님이 강조함)은 일반적으로 훨씬 높아져요. 경험상 선생님이 직접 강조한 부분이 시험에 나오는 경우는 흔하니까요. 만약 그 확률이 80%라고 가정하면, 같은 페이지의 출제 확률이 정보 하나로 40배 차이가 나는 셈이에요.

같은 페이지에 대한 확률인데, 사전 정보의 유무가 답을 완전히 바꿔놓아요. 친구가 시험 직전 "야, 선생님이 그 부분 진짜 중요하다고 했대"라고 한 마디 던지는 순간, 우리 머릿속에서 자동으로 조건부 확률이 다시 계산되고 있는 거예요. 그게 정보의 가치예요.

사례 3 / 4게임 뽑기 — 독립과 비독립의 결정적 차이

휴대폰 게임에서 "전설 캐릭터 뽑기 확률 0.5%"라고 적혀 있어요. 한 번 뽑았는데 안 나왔어요. 그러면 두 번째 뽑기 확률은요?

여전히 0.5%예요. 세 번째도, 열 번째도, 100번째도 0.5%. 매번 똑같이 일어나니까요. 이런 두 사건을 독립(independent)이라고 부릅니다. 한쪽 결과가 다른 쪽의 확률에 아무 영향도 안 주는 경우예요. 동전 두 번 던지기도 같아요. 첫 번째에 앞면이 나왔든 뒷면이 나왔든, 두 번째 던지기의 앞면 확률은 여전히 1/2 그대로.

독립 사건에서는 이전 실패가 다음 확률을 절대 높이지 않아요. "9번 연속 실패했으니 10번째는 곧 나올 거야!"라는 생각을 도박사의 오류(gambler's fallacy)라고 부르는데, 3편(동전 던지기 확률 실험)에서 자세히 다뤘으니 더 깊이 들어가고 싶다면 그쪽을 참고해주세요.

그런데 어떤 게임은 "10연속 뽑기에서 한 번은 희귀 등급 보장"이라는 천장 시스템을 둡니다. 그러면 이야기가 완전히 달라져요. 9번까지 희귀 등급 이하만 나왔다는 조건 아래에서 10번째의 희귀 등급 확률은 100%로 점프해요. 이전 결과가 다음 확률을 바꾸는 거죠. 이걸 비독립(종속)이라고 부릅니다.

같은 뽑기 시스템이지만, 천장 유무에 따라 독립이 되기도 비독립이 되기도 해요. 게임의 약관에 적힌 "이미 9번 실패했을 때 10번째에 희귀 등급이 나올 확률"이 바로 P(희귀 | 9번 실패)라는 조건부 확률이에요.

사례 4 / 4병원 검사 양성 — 두 방향의 함정

몸이 안 좋아 병원에서 어떤 질병 검사를 받았어요. 결과가 "양성"으로 나옵니다. 의사가 "이 검사는 진짜 환자 100명 중 99명을 양성으로 잡아내고, 환자가 아닌 사람 100명 중 99명을 정확히 음성으로 판정한다"고 알려줘요. 그러면 진짜 그 병에 걸렸을 확률은 99%일까요?

놀랍게도 답은 "전혀 그렇지 않다" 인 경우가 많아요. 핵심은 그 병이 얼마나 흔한 병인지(사전 확률)에 달려 있어요.

예를 들어 10,000명 중 1명만 걸리는 희귀 질병이라고 해봅시다. 위에서 가정한 검사의 두 가지 정확도를 분리하면, 민감도(sensitivity)는 "환자를 양성으로 잡을 확률" = 99%, 특이도(specificity)는 "환자가 아닌 사람을 음성으로 판정할 확률" = 99%예요. 그러면 환자가 아닌 사람이 잘못 양성으로 나올 거짓 양성률은 100% − 99% = 1%가 되겠죠.

• 실제 환자: 1명 → 99% 확률로 양성 → 약 1명이 양성
• 환자 아님: 9,999명 → 1% 거짓 양성률 → 약 100명이 양성
• 총 양성: 약 101명, 그중 진짜 환자: 1명

즉 양성 판정을 받은 사람이 실제 환자일 확률은 약 1/101 ≈ 1%에 불과해요!

실제로 코로나 검사 키트, 암 선별검사, 임신 진단 키트 — 모두 똑같은 함정을 가지고 있어요. "검사 정확도가 99%"라는 말만 믿고 양성 결과 한 번에 놀라기 전에, "이 병이 얼마나 흔한가?"를 함께 따져보는 습관 — 이게 조건부 확률을 익혀둔 사람의 무기예요.

일상에서 가장 자주 빠지는 함정 — 조건의 방향

네 가지 사례에서 모두 등장한 핵심은 단 하나입니다. "조건의 방향을 헷갈리지 말 것."

법정에서도 같은 함정이 자주 일어나요. "DNA 일치 확률 1만 분의 1"이라는 검찰 측 진술은 사실 "무고한 사람이 우연히 DNA가 일치할 확률"일 뿐이지, "DNA가 일치하면 진짜 범인일 확률"이 아니에요. 두 확률은 용의자 풀의 크기(사전 확률)에 따라 엄청나게 달라질 수 있고, 이걸 혼동하는 게 바로 검사의 오류(prosecutor's fallacy)예요(Thompson & Schumann, 1987). 여기서 '검사'는 앞서 본 의료 검사(test)가 아니라 법정의 검찰관(prosecutor)을 가리켜요. 한 사람의 인생이 조건부 확률의 방향 하나로 갈리기도 합니다.

한 번 이 함정을 인식하고 나면, 뉴스 기사·의사의 진단·정치 토론 어디서든 비슷한 패턴이 보이기 시작해요. "이 사람이 말하는 확률은 어느 방향인가?"라는 질문 하나가 우리의 판단력을 비약적으로 끌어올려줍니다.

보너스 — 카페에서 친구가 던진 두 자녀 문제

여기까지 따라온 분께 보너스 문제 하나. 통계학자들도 처음엔 헷갈리는 직관의 함정이에요. 지난 주말 카페에서 친구가 이렇게 물었어요.

거의 모든 사람이 "1/2이지!"라고 답해요. 그런데 정답은 1/3입니다. 이걸 어떻게 설명할까요?

먼저 네 가지 가능한 가족 상황을 모두 적어볼게요. 첫째와 둘째 자녀의 성별 조합은 모두 네 가지예요.

• (첫째 남, 둘째 남) — 둘 다 아들
• (첫째 남, 둘째 여) — 형과 여동생
• (첫째 여, 둘째 남) — 누나와 남동생
• (첫째 여, 둘째 여) — 둘 다 딸

각각 1/4 확률이에요. 그런데 우리에게 들어온 정보는 "둘 중 한 명은 아들"이에요. 그러면 네 번째 케이스(둘 다 딸)는 표본 공간에서 빠지죠. 남는 건 세 가지 — (남,남), (남,여), (여,남). 모두 같은 1/4 확률이었으니, 새로운 표본 공간의 총 확률은 3/4. 그중 "둘 다 아들"은 (남,남) 단 하나뿐이에요.

도식으로 보면 이렇게 생겼어요. "적어도 한 명 아들"이라는 조건이 들어오는 순간, 표본 공간이 작아지고 그 안에서 다시 비율을 보는 거예요.

그러면 누군가 곧 반박해요. "둘째가 아들일 확률은 첫째와 무관하니까 50%여야 하는 거 아냐?" 좋은 질문이에요. 답은 "우리가 받은 정보가 정확히 어떤 정보인지에 달려 있다"예요.

읽는 것만으로는 머리에 남지 않아요 — 직접 그려봐야 평생 갑니다

오늘 본 우산, 시험 문제, 게임 뽑기, 병원 검사, 두 자녀 문제 — 글로만 따라가면 며칠 후엔 거의 잊혀져요. 가장 빠른 방법은 직접 표본 공간을 손으로 그려보고, 조건을 바꿔가며 확률이 어떻게 움직이는지 눈으로 보는 것이에요.

한 발 더 들어가고 싶다면

조건부 확률을 이해하고 나면 자연스럽게 이어지는 주제들이 있어요:

• 베이즈 정리(Bayes' Theorem): 조건부 확률의 방향을 뒤집는 가장 유명한 공식 — 우리가 4편에서 다룬 내용
• 전확률 법칙(Law of Total Probability): 표본 공간을 여러 조각으로 나눠 P(B)를 계산하는 도구. P(B) = Σ P(B|A_i) P(A_i)
• 독립과 조건부 독립: "C가 주어진 상태에서 A와 B가 독립" 같은 한 단계 더 깊은 개념 — 베이지안 네트워크의 핵심
• 마르코프 체인: "다음 상태는 현재 상태에만 의존한다"는 시간 차원의 조건부 확률 — 우리가 5편에서 다룬 내용

이 모든 주제를 넘스탯(NumStats)에서 단계별로 실습해볼 수 있어요. 조건부 확률은 한 번 익혀두면 통계학·머신러닝·의학·법학·금융 어디서든 평생 쓰는 사고 도구입니다.

참고 자료

본문 작성 시 참고한 주요 학술 자료와 출처입니다. 더 깊이 들어가고 싶은 분들께 추천드려요.

• Martin Gardner (1959) — "Mathematical Games" 칼럼 (Scientific American). 두 자녀 문제를 대중에 처음 소개한 칼럼. 같은 해에 본인이 질문의 모호성을 인정하며 정정
• A. N. Kolmogorov (1933) — Grundbegriffe der Wahrscheinlichkeitsrechnung. 조건부 확률을 포함한 확률론의 공리화
• William C. Thompson & Edward L. Schumann (1987) — "Interpretation of statistical evidence in criminal trials: The prosecutor's fallacy and the defense attorney's fallacy" (Law and Human Behavior). 검사의 오류 개념의 학술적 정리
• Sheldon Ross — A First Course in Probability. 조건부 확률·곱셈 법칙·독립 사건 챕터 (학부 표준 교재)
• DeGroot & Schervish — Probability and Statistics (Pearson). 조건부 확률의 표준 정의와 응용
• 김우철 — 통계학 개론. 한국 통계학 표준 입문서
• NumStats 조건부 확률 학습 페이지 — numlm.com/concept-detailed/conditional-probability. 표본 공간 축소 인터랙티브 시각화

마무리

오늘 우리는 우산 챙기는 아침부터 시작해, 선생님의 한 마디, 게임 뽑기, 병원 검사, 그리고 카페에서의 두 자녀 문제까지 — 다섯 장면을 따라가며 조건부 확률을 풀어봤어요.

핵심은 단 한 문장이에요. "확률은 한 번 정해지는 게 아니라, 새 정보가 들어올 때마다 다시 계산되는 것이다."

이게 조건부 확률이 우리에게 주는 가장 큰 선물이에요. 누가 던진 모호한 한 마디 안에 숨어 있는 진짜 정보의 양을 정확히 읽어내고, 그것에 맞춰 우리의 믿음을 합리적으로 조정하는 능력. 그 능력 위에서 베이즈 정리도, 추천 시스템도, AI도, 법정의 무죄 판결도 작동합니다.

다음에 누군가 "확률 95%니까 거의 확실해"라고 단정 짓는다면, 살짝 웃으면서 물어봐 주세요. "그건 어떤 조건 아래에서의 확률인가요?" 그 한 마디로 당신은 이미 조건부 확률을 정확히 쓰는 사람이 된 거예요.

넘스탯(NumStats)에서 다음 글로 만나요.