사전 확률(prior)은 증거를 보기 전의 초기 믿음이고, 사후 확률(posterior)은 증거를 관찰한 뒤 베이즈 정리로 갱신한 믿음이다.
사후 ∝ 우도 × 사전 — 사후 확률 P(가설|증거) = P(증거|가설)·P(가설) / P(증거)로 계산한다.
한 번의 사후 확률이 다음 관찰의 사전 확률이 되어, 증거가 쌓일수록 믿음이 순차적으로 갱신된다(베이즈 갱신).
사전 확률(기저율)을 무시하면 판정이 크게 틀어진다 — 희귀 질병에서 양성이 나와도 실제 환자일 확률이 낮은 이유다.
학습 로드맵
각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다
기초 이해
개념 정의와 기본 원리
약 25분
클릭
심화 학습
공식 유도와 다양한 예시
약 45분
클릭
실무 적용
실제 케이스와 고급 응용
약 80분
학습 진도 (완료한 단계)
0%
먼저 알아두면 좋은 개념들
조건부 확률
베이즈 정리는 조건부 확률의 관계식이므로 조건부 확률을 먼저 이해해야 합니다
베이즈 정리의 기본 개념
사전/사후 확률의 개념은 베이즈 정리의 직접적인 응용입니다
기초: 믿음의 업데이트
난이도 undefined/5
약 25분
사전 확률은 증거를 보기 전의 초기 믿음이고, 사후 확률은 증거를 본 후 업데이트된 믿음입니다. 베이즈 정리는 이 두 확률을 연결하는 수학적 공식입니다.
다이어그램이 말하는 것
●
사전 확률: 데이터를 보기 전 알고 있는 초기 추정
●
사후 확률: 새 정보(검사 양성)를 반영해 업데이트된 추정
●
0.1% → 8% (약 80배 증가) — 한 번의 증거가 만들어내는 극적 변화
범죄 수사를 생각해보세요. 처음에는 용의자가 범인일 확률이 애매합니다(사전 확률). 하지만 새로운 증거가 발견될 때마다 범인일 확률이 업데이트됩니다(사후 확률). 지문, CCTV, 증인 진술 등 증거가 쌓일수록 확신이 높아지거나 낮아집니다.
핵심 포인트
•
사전 확률(Prior): 증거를 보기 전의 초기 믿음
•
사후 확률(Posterior): 증거를 본 후 업데이트된 믿음
•
베이즈 업데이트: 새로운 데이터로 확률을 점진적으로 조정하는 과정
•
오늘의 사후 확률이 내일의 사전 확률이 됨
간단한 예시
동전 던지기 예시:
상황: 동전이 공정한지(앞면 50%) 모릅니다.
사전 확률:
• 공정하다: 50%
• 앞면 편향(60%): 25%
• 뒷면 편향(40%): 25%
실험: 동전을 10번 던졌더니 앞면이 8번 나왔습니다.
사후 확률 계산:
• 공정하다: 15% (↓ 감소)
• 앞면 편향(60%): 70% (↑↑ 대폭 증가)
• 뒷면 편향(40%): 15% (↓ 감소)
해석: 앞면이 많이 나온 데이터를 보고, 앞면 편향일 가능성이 크게 높아졌습니다.
이해도 확인하기
정답:
사전 확률은 새로운 증거를 보기 전의 확률이고, 사후 확률은 증거를 본 후 업데이트된 확률입니다. 사전 확률에 새로운 정보를 반영하여 사후 확률을 얻습니다.
정답:
시간 순서를 나타냅니다. 사전(Prior)은 "데이터를 보기 전(Before)", 사후(Posterior)는 "데이터를 본 후(After)"를 의미합니다.
베이즈 정리를 통한 확률 업데이트 과정을 이해하는 것은 데이터 기반 의사결정의 핵심입니다.
베이즈 정리의 역할:
Loading...
• Loading...: 사전 확률 - 데이터를 보기 전 가설이 참일 확률
• Loading...: 우도(likelihood) - 가설이 참일 때 이 데이터가 나올 확률
• Loading...: 사후 확률 - 데이터를 본 후 가설이 참일 확률
• Loading...: 정규화 상수 - 모든 가능한 가설에서 이 데이터가 나올 확률
순차적 업데이트:
1단계: 사전 확률 → 데이터1 → 사후 확률1
2단계: 사후 확률1(새로운 사전) → 데이터2 → 사후 확률2
3단계: 사후 확률2(새로운 사전) → 데이터3 → 사후 확률3
이렇게 계속 반복하면 점점 더 정확한 확률을 얻게 됩니다.
수학적 공식
Loading...는 가설(Hypothesis), Loading...는 데이터(Data)를 의미합니다. 사후 확률은 우도와 사전 확률의 곱을 데이터의 확률로 나눈 값입니다.
다양한 예시로 이해하기
예시 1: 의료 진단: 희귀병 검사
0.1% 발병률의 희귀병이 있습니다. 검사는 99% 정확도(민감도와 특이도 모두 99%)를 가집니다.
주어진 정보:
• Loading... (사전 확률)
• Loading... (민감도)
• Loading... (특이도)
• Loading... (위양성률)
검사 결과가 양성일 때, 실제로 병이 있을 확률은?
해답:
전확률 공식으로 Loading... 계산:
Loading...
Loading...
베이즈 정리 적용:
Loading...
검사 정확도가 99%임에도 불구하고 양성일 때 실제 질병 확률이 9%밖에 안 되는 이유는 질병이 매우 희귀하기 때문입니다(사전 확률 0.1%). 이를 "기저율 무시 오류"라고 하며, 의료진도 자주 실수하는 부분입니다.
예시 2: 스팸 필터: 순차적 업데이트
이메일에 "무료", "당첨", "클릭" 단어가 순서대로 발견될 때마다 스팸 확률을 업데이트합니다.
초기 상태:
Loading... (전체 메일의 30%가 스팸)
1단계: "무료" 발견
Loading...
Loading...
Loading... (72%)
2단계: "당첨"도 발견 (사전 = 0.72)
Loading... (96%)
3단계: "클릭"도 발견
Loading... (98.8%)
해답:
단어를 하나씩 확인할 때마다 스팸 확률이 Loading...로 증가합니다.
각 단어가 독립적이라고 가정하면(나이브 베이즈), 순차적으로 업데이트하는 것이 한 번에 계산하는 것과 동일한 결과를 줍니다.
흔한 실수들
잘못된 방법:
사전 확률을 무시하고 우도만 보기
왜 틀렸을까?
우도가 높아도 사전 확률이 극히 낮으면 사후 확률도 낮습니다.
올바른 방법:
희귀병 예시처럼, 검사 정확도(우도)가 높아도 질병이 드물면(낮은 사전 확률) 양성일 때 실제 질병 확률은 낮습니다. 반드시 사전 확률과 우도를 함께 고려해야 합니다.
잘못된 방법:
사전 확률을 임의로 정하기
왜 틀렸을까?
사전 확률이 주관적이면 결과도 신뢰하기 어렵습니다.
올바른 방법:
가능하면 과거 데이터, 문헌 조사, 도메인 전문가 의견 등을 바탕으로 합리적인 사전 확률을 설정해야 합니다. 또는 무정보 사전분포(uniform prior)를 사용할 수 있습니다.
연습 문제
힌트:
사전 확률 Loading.... 전확률 공식으로 Loading...을 먼저 구하세요.
정답:
약 9%
해설:
Loading.... Loading...
사전분포의 선택은 실무에서 가장 어려운 문제 중 하나입니다.
정보적 사전분포 (Informative Prior):
과거 데이터나 전문가 지식에 기반합니다. 적은 데이터로도 좋은 추정이 가능하지만 주관적이라는 비판을 받을 수 있습니다.
무정보 사전분포 (Uninformative Prior):
모든 값에 동일한 확률을 부여합니다(균등 분포). 객관적이고 데이터가 결과를 주도하지만 충분한 데이터가 필요합니다.
약정보 사전분포 (Weakly Informative Prior):
극단적인 값은 배제하되 넓은 범위를 허용합니다. 정보적/무정보의 균형으로 실무에서 가장 권장됩니다.
켤레 사전분포 (Conjugate Prior):
사전분포와 사후분포의 형태가 같도록 하는 것입니다.
• 이항분포(우도) + 베타분포(사전) = 베타분포(사후)
• 정규분포(우도) + 정규분포(사전) = 정규분포(사후)
• 포아송분포(우도) + 감마분포(사전) = 감마분포(사후)
사후 예측 분포 (Posterior Predictive):
Loading...
점추정(MAP)보다 불확실성을 더 잘 반영합니다.
실무에서의 활용
의료/헬스케어
진단 의사결정 지원 시스템
예시:
환자의 증상, 검사 결과, 가족력 등을 순차적으로 입력하면 질병별 확률이 실시간으로 업데이트됩니다. IBM Watson for Oncology가 이 방식을 사용합니다.
왜 중요한가?
의료 데이터는 점진적으로 수집되고, 각 증거의 가중치가 다르며, 희귀병 등 사전 확률이 중요한 경우가 많아 베이지안 방법이 적합합니다.
금융
신용 위험 평가
예시:
대출 신청자의 초기 신용점수(사전 확률)를 시작으로, 소득 증빙, 재직 확인, 부채 내역 등이 확인될 때마다 연체 확률을 업데이트합니다.
왜 중요한가?
금융 기관은 리스크 관리가 핵심이므로, 단순한 예/아니오가 아닌 확률적 평가가 필요합니다.
실제 사례 분석: 구글의 A/B 테스트: 베이지안 방법으로 조기 종료 판단하기
배경
구글은 하루에도 수십 개의 A/B 테스트를 실행합니다. 전통적인 빈도주의 방법으로는 충분한 샘플 크기에 도달할 때까지 기다려야 하지만, 베이지안 방법을 사용하면 중간에도 확률적 판단이 가능합니다.
문제 상황
새로운 검색 결과 UI의 클릭률이 기존보다 높은지 테스트하려고 합니다. 100만 명 테스트를 계획했지만, 중간에 명확한 결과가 나오면 조기 종료하여 리소스를 절약하고 싶습니다.
데이터 설명
기존 UI 클릭률: 10% (과거 데이터), 신규 UI 목표: 10.5% 이상, 테스트 기간: 1주일 (예상 100만 명)
분석 방법
베타분포를 사전분포로 사용하고, 매 1000명마다 사후분포를 업데이트합니다. Loading...이면 신규 UI 채택합니다.
해결책 및 결과
100,000명 시점에서 Loading...이므로 조기 종료하고 신규 UI 채택. 계획된 100만 명 대신 10만 명만 테스트하여 90% 시간 절약.
빠른 의사결정으로 1주일 대신 1일만에 결론 도출. 나쁜 UI를 오래 노출하지 않아 사용자 경험 보호.
결론:
베이지안 방법의 가장 큰 장점은 실시간 의사결정이 가능하다는 것입니다. 데이터가 누적되면서 사전 확률이 사후 확률로 업데이트되고, 확률이 일정 기준을 넘으면 바로 행동할 수 있습니다.
참고 문헌
Bayes, T. & Price, R. (1763), "An Essay towards Solving a Problem in the Doctrine of Chances", Philosophical Transactions of the Royal Society of London 53, 370–418 — 사전 확률을 사후 확률로 갱신하는 베이즈 정리의 원 논문
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013), Bayesian Data Analysis, 3rd ed. (Chapman & Hall/CRC) — 사전·사후 분포와 베이지안 추론의 표준 문헌
