🩺 프롤로그: 병원 복도에서 벌어지는 작은 비극

건강검진 결과지에 "양성(Positive)" 세 글자가 찍혀 있다.
심장이 쿵 내려앉는다. 손이 떨린다. 검색창에 병명을 치기 시작한다.

그런데 만약, 그 상황에서 의사가 이렇게 말한다면 어떨까?

말이 안 되는 소리처럼 들리는가? 검사 정확도가 무려 99%인데 겨우 8%라고?
하지만 이건 의사의 과도한 낙관도, 통계 장난도 아니다.
18세기 영국의 목사이자 수학자였던 토머스 베이즈(Thomas Bayes)가 남긴 하나의 정리가 정확히 이 결과를 예측한다.

오늘 우리는 확률론에서 가장 실용적이면서 가장 자주 오해받는 공식인 베이즈 정리(Bayes' Theorem)를 완전히 해부한다.
수식은 딱 한 줄이다. 그런데 그 한 줄이 의료, 법정, 스팸필터, 자율주행, 심지어 우리의 일상 판단까지 전부 뒤흔든다.

📐 1. 공식 한 줄: 베이즈 정리의 정체

조건부확률에서 출발하자

먼저 조건부확률의 정의부터. 사건 A가 일어났다는 조건 아래 사건 B가 일어날 확률은

P(B | A) = P(A ∩ B) / P(A)     (단, P(A) > 0)

이 정의를 양변에 곱해서 정리하면 곱셈정리가 나온다.

P(A ∩ B) = P(A) · P(B | A) = P(B) · P(A | B)

가운데 항과 오른쪽 항이 같은 교집합 확률을 서로 다른 순서로 쪼갠 것이라는 점이 핵심이다.
여기서 양변을 P(A)로 나누면… 끝이다. 베이즈 정리가 완성된다.

            P(A | B) · P(B)
P(B | A) = ───────────────────
                  P(A)

분모를 전확률 정리로 펼치면:

                     P(A | B) · P(B)
P(B | A) = ─────────────────────────────────────
            P(A | B)·P(B) + P(A | Bᶜ)·P(Bᶜ)

유도 과정이 고등학교 확률 3줄이다. 어렵지 않다.
그런데 이 단순한 식이 인간의 직관을 이토록 철저하게 배신한다는 게 진짜 재미있는 부분이다.

각 항의 이름표 붙이기

베이즈 정리는 결국 "새로운 증거를 얻었을 때, 기존 믿음을 얼마나 수정해야 하는가"를 계산하는 기계다.

🎨 2. 그림으로 먼저 보는 "양성의 함정"

그림이 이미 결론을 말하고 있다.
병이 없는 사람의 수가 압도적으로 많기 때문에, 1%의 오류율만 적용해도 위양성의 절대 숫자가 진양성을 10배 이상 압도한다.

이것이 "기저율 무시(Base Rate Neglect)"라 불리는 인지 편향의 핵심 메커니즘이다.

🔢 3. 계산으로 확인하기: 숫자는 거짓말하지 않는다

용어 정리부터

여기서 결정적인 오해가 발생한다.
사람들은 민감도 99%를 듣고 "양성이면 99% 병이다"라고 받아들인다.
그러나 P(+|D)와 P(D|+)는 완전히 다른 숫자다.
이 둘을 혼동하는 것을 조건부확률의 역전 오류(Confusion of the Inverse)라고 부른다.

케이스 A — 희귀질환 (유병률 0.1%)

P(D) = 0.001,  P(Dᶜ) = 0.999
민감도 P(+|D) = 0.99
특이도 = 0.99  →  위양성률 P(+|Dᶜ) = 0.01

P(+) = 0.99×0.001 + 0.01×0.999
     = 0.00099 + 0.00999
     = 0.01098

             0.00099
P(D|+) = ───────────── ≈ 0.0902  →  약 9.0%

정확도 99%짜리 검사인데도, 양성 판정자 11명 중 진짜 환자는 1명뿐이다.

케이스 B — 증상이 있어 병원에 온 사람 (유병률 10%)

P(D) = 0.10
P(+) = 0.99×0.10 + 0.01×0.90 = 0.099 + 0.009 = 0.108
P(D|+) = 0.099 / 0.108 ≈ 0.9167  →  약 91.7%

같은 검사, 같은 성능. 그런데 사후확률이 9%에서 92%로 폭등했다.
바뀐 건 오직 하나, 사전확률(유병률)이다.

유병률에 따른 PPV 변화표

표를 보면 유병률 1%에서 PPV가 정확히 50%가 되는 지점이 눈에 띈다.
민감도와 특이도가 모두 99%일 때, 유병률이 위양성률(1%)과 같아지는 순간 동전 던지기가 되는 것이다. 우아한 대칭이다.

📊 4. 유병률-PPV 곡선: 왜 그래프가 저렇게 휘어지나

초록 점선은 특이도를 99% → 99.9%로 올린 경우다.
유병률 0.1%에서 PPV가 9% → 약 50%로 뛴다. 겨우 0.9%p 개선인데 말이다.

왜? 저유병률 영역에서 분모를 지배하는 건 위양성 항 P(+|Dᶜ)·P(Dᶜ)이기 때문이다.
이 항을 10분의 1로 줄이면 분모가 통째로 작아진다.

🔁 5. 2차 검사가 마법을 부리는 이유: 오즈 형태의 베이즈

베이즈 정리를 오즈(odds) 형태로 쓰면 계산이 놀랍도록 간결해진다.

사후오즈 = 사전오즈 × 우도비(LR)

              민감도            0.99
LR(+) = ─────────────── = ──────── = 99
          1 − 특이도          0.01

           1 − 민감도         0.01
LR(−) = ─────────────── = ──────── ≈ 0.0101
             특이도           0.99

1차 양성 → 2차 양성, 체인 계산

[1차]
사전오즈 = 0.001 / 0.999 ≈ 0.001001
사후오즈 = 0.001001 × 99 ≈ 0.0991
확률 = 0.0991 / 1.0991 ≈ 9.0%   ← 앞의 결과와 일치 ✔

[2차 — 독립적인 다른 원리의 검사라 가정]
사전오즈 = 0.0991 (1차 결과가 새 사전확률!)
사후오즈 = 0.0991 × 99 ≈ 9.81
확률 = 9.81 / 10.81 ≈ 90.8%

9% → 91%. 같은 검사를 한 번 더 했을 뿐인데 확신이 뒤집힌다.
이것이 베이즈 업데이트(Bayesian Updating)의 본질이다. 어제의 사후확률이 오늘의 사전확률이 된다.

🧠 6. 인간의 뇌는 왜 이걸 틀리는가

전설의 실험: 하버드 의대생도 틀렸다

1978년 카스켈라(Casscells) 연구팀은 하버드 의대 교직원과 학생들에게 물었다.

정답은 약 2%다.
(1000명 중 환자 1명 + 건강한 999명 중 약 50명이 위양성 → 1/51 ≈ 2%)

그런데 응답자의 절반 가까이가 "95%"라고 답했다.
의학 최고 엘리트 집단이 정답에서 40배 이상 벗어난 답을 내놓은 것이다.

오류의 3가지 뿌리

① 기저율 무시
카너먼과 트버스키가 밝힌 대표적 편향. 사람들은 생생한 개별 정보(검사 결과)에 압도되어,
밋밋한 배경 통계(유병률)를 무의식적으로 버린다.

② 역확률 혼동
P(양성|병)과 P(병|양성)을 같은 것으로 착각한다.
"한국인이면 김치를 먹을 확률"과 "김치를 먹으면 한국인일 확률"이 전혀 다른 것과 똑같다.

③ 확률 표현 방식의 문제
게르트 기거렌처(Gerd Gigerenzer)의 연구에 따르면,
같은 문제를 퍼센트가 아니라 "자연빈도(natural frequency)"로 제시하면 정답률이 극적으로 올라간다.

즉, 인간의 뇌는 확률에 약한 게 아니라 "비율 표기"에 약한 것이다.
숫자를 사람 머릿수로 바꾸는 순간, 베이즈 정리는 초등학교 나눗셈이 된다.

⚖️ 7. 병원 밖의 베이즈: 법정, 메일함, 그리고 알고리즘

① 검사 오류 (Prosecutor's Fallacy)

법정에서 DNA 일치 확률이 "1천만 분의 1"이라고 하자.
검사는 말한다. "피고가 무죄일 확률은 1천만 분의 1입니다."

이건 명백한 논리 오류다. 저 수치는 P(DNA 일치 | 무죄)이지 P(무죄 | DNA 일치)가 아니다.
데이터베이스에 5천만 명이 등록되어 있다면, 우연히 일치하는 무고한 사람이 평균 5명 존재한다.
다른 증거 없이 DNA만으로 사후확률은 1/6 ≈ 17%에 불과할 수 있다.

실제로 영국의 샐리 클라크 사건(영아돌연사 두 건의 확률을 단순 제곱해 유죄 판결)은
확률 오용으로 무고한 어머니를 감옥에 보낸 비극으로 기록되었고, 이후 항소심에서 뒤집혔다.

② 스팸 필터 (Naive Bayes Classifier)

P(스팸 | 단어들) ∝ P(스팸) × Π P(단어ᵢ | 스팸)

"무료", "당첨", "지금 클릭" 같은 단어가 등장할 때마다 사후확률을 곱셈으로 갱신한다.
단어 간 독립을 가정해서 "나이브(순진한)"라 불리지만,
계산이 가볍고 성능이 준수해 기계학습 입문의 고전으로 남아 있다.

③ 보안 경보와 얼굴인식

범죄자 데이터베이스와 CCTV를 대조하는 얼굴인식 시스템.
정확도 99.9%라도 지나가는 사람 100만 명 중 수배자가 10명이라면,
위양성 경보가 약 1,000건 발생한다. 진짜 수배자 10명보다 100배 많다.

이것이 대규모 감시 시스템의 근본적 한계다. 기술의 문제가 아니라 산술의 문제다.

④ 일상 속 베이즈

사실 우리는 매일 베이즈 추론을 하고 있다.
"평소 안 늦던 친구가 30분 늦는다 → 사고가 났나?"
사전확률(친구의 평소 성실도)과 새 증거(지각)를 결합해 결론을 수정한다.

온라인 플랫폼에서 새로운 지식을 배울 때도 마찬가지다.
예를 들어 재능넷의 '지식인의 숲'에서 여러 전문가의 설명을 차례로 읽으며
자신의 이해를 조금씩 갱신해 나가는 과정, 그 자체가 살아 있는 베이즈 업데이트다.
하나의 증거로 결론 내지 않고, 증거를 쌓아 확률을 조정하는 태도 — 이게 베이즈적 사고방식이다.

🧮 8. 손으로 풀어보는 연습문제 3선

1000명 기준
음주자 10명 → 전원 경보 (10명)
비음주 990명 → 5%인 49.5명 경보

P(음주|경보) = 10 / 59.5 ≈ 16.8%

LR(−) = (1−0.90)/0.95 = 0.1053
사전오즈 = 0.05/0.95 = 0.05263
사후오즈 = 0.05263 × 0.1053 ≈ 0.005540
P(D|−) ≈ 0.00551  →  약 0.55%

P(차=1) = P(차=2) = P(차=3) = 1/3
P(사회자가 3번 개방 | 차=1) = 1/2
P(사회자가 3번 개방 | 차=2) = 1   ← 선택의 여지가 없음
P(사회자가 3번 개방 | 차=3) = 0

P(3번 개방) = 1/3·1/2 + 1/3·1 + 0 = 1/2

P(차=2 | 3번 개방) = (1/3 × 1) / (1/2) = 2/3

🌌 9. 베이즈주의 vs 빈도주의: 확률이란 무엇인가

여기까지 오면 철학적 질문이 남는다. "확률"이란 도대체 무엇인가?

"내일 비가 올 확률 70%"라는 문장을 빈도주의로 해석하기는 어렵다. 내일은 한 번뿐이니까.
베이즈주의는 이런 일회성 사건의 불확실성을 자연스럽게 다룬다.

오늘날 두 진영은 대립보다 도구적 공존에 가깝다.
A/B 테스트, 임상시험의 적응적 설계, 베이지안 최적화, 칼만 필터,
그리고 자율주행차의 SLAM(동시적 위치추정 및 지도작성)까지 —
현대 공학의 불확실성 처리 엔진은 대부분 베이즈의 후손이다.

🧾 10. 실전 체크리스트: 양성 통보를 받았다면

🎯 에필로그: 한 줄의 수식이 주는 겸손

베이즈 정리가 우리에게 가르치는 건 계산법이 아니다.
"하나의 증거만으로 결론 내지 말라"는 태도다.

양성이라는 강렬한 단어 앞에서도, 수학은 조용히 묻는다.
"그래서, 원래 그 병이 얼마나 흔했는데?"

이 질문을 던질 줄 아는 사람은 불필요한 공포에서 자유로워지고,
동시에 근거 없는 안심에도 빠지지 않는다.

18세기 목사의 노트에 적힌 세 줄짜리 식이,
오늘도 병원 검사실과 스팸함과 자율주행차의 센서 속에서 묵묵히 돌아가고 있다.

수학은 세상을 예측하는 언어이기 전에, 우리가 틀릴 수 있음을 알려주는 겸손의 언어다.

다음에 결과지에서 '양성' 두 글자를 마주친다면,
숨을 한 번 고르고 이렇게 물어보자.
"그래서 양성예측도는 얼마인가요?"