넘스탯

DATA ANALYTICS & INSIGHTS

확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼

학습 메뉴

도움말

홈

베이즈 정리 실습

검사의 정확도와 ‘양성일 때 환자일 확률’은 다른 숫자입니다 — 차이를 만드는 것은 기저율입니다

이 실습의 질문 — 정확도 99% 검사에서 양성, 그런데 환자일 확률이 절반도 안 된다고?

원하는 개념·랩·가이드를 검색해보세요

Ctrl K

확률과 통계 실습실로 확률과 통계 이론

의사도 절반 이상이 틀리는 문제 — 격자 하나면 암산으로 풀립니다

희귀병 검사에서 양성을 받았습니다. 검사는 환자의 99%를 잡아냅니다. 그렇다면 내가 환자일 확률은 99%일까요? 이 문제를 의사들에게 냈을 때 절반 이상이 틀렸다는 연구가 있을 만큼, 우리의 직관은 기저율을 무시하도록 생겨먹었습니다. 이 실습에서는 확률 기호 대신 1,000명의 사람으로 같은 문제를 봅니다. 양성 판정자만 남기고 걸러내는 순간, “양성 중 진짜 환자”가 몇 명인지는 세어 보면 그만인 문제가 됩니다.

이 페이지에서 배우고 나면

민감도 P(양성|환자)와 사후확률 P(환자|양성)이 왜 전혀 다른 숫자인지 1,000명 격자로 설명할 수 있습니다.
“정확도 99%”라는 광고 문구에서 유병률(기저율)을 먼저 묻는 습관이 생깁니다 — 위양성이 진양성을 수로 압도하는 조건을 압니다.
검사를 반복하면 사후확률이 새 사전확률이 되어 갱신되는 구조 — 스팸 필터와 기계학습 분류의 뼈대 — 를 체험합니다.

이 실습은 실제 계산입니다 — 그리고 정직한 한계가 있습니다

격자의 모든 인원 수는 유병률·민감도·특이도로부터 계산한 기대 빈도의 반올림 정수입니다(자연빈도 표현). 난수 시행이 아니므로 결과에 우연 요동이 없습니다. 함께 기억할 것:

실제 1,000명을 검사하면 인원 수는 이 기댓값 주변에서 요동칩니다 — 이 실습은 “평균적인 마을” 하나를 보여줍니다. 인원이 몇 명 안 될 때(유병률 0.1%의 환자 1명 등)는 반올림의 영향이 상대적으로 큽니다.
“정확도 99%”라는 말은 사실 민감도(환자를 양성으로)와 특이도(건강한 사람을 음성으로)라는 두 숫자를 뭉뚱그린 표현입니다. 이 실습은 둘을 분리해 다룹니다.
[한 번 더 검사]의 갱신 계산은 두 검사의 오류가 서로 독립일 때만 성립합니다. 같은 원인으로 같은 오류를 반복하는 실제 의료 검사라면 갱신 폭은 이보다 작을 수 있습니다.

1,000명 자연빈도 필터 — 양성 판정자만 남기기

“검사 정확도”와 “양성일 때 환자일 확률”은 다른 숫자입니다 — 1,000명을 직접 걸러내며 그 차이를 봅니다. 인원 수는 기대 빈도의 반올림(자연빈도)로 결정됩니다.

환자 수

1 / 1,000명

양성 판정

—

그중 진짜 환자

—

P(환자|양성)

—

1,000명의 마을 — [검사 실행]을 누르면 3단계로 진행됩니다 (유병률 0.1%)

환자

건강한 사람

양성 판정 (노란 링)

시나리오 프리셋

희귀병 검사

스팸 필터

음주 단속

유병률(기저율) P(환자) = 0.1%

민감도 P(양성|환자) = 99.0%

특이도 P(음성|건강) = 99.0%

무엇을 발견했나요?

민감도·특이도를 그대로 두고 유병률만 0.1% ↔ 10%로 바꿔 보세요 — 같은 검사인데 P(환자|양성)이 왜 이렇게 달라질까요?
위양성(회색 + 노란 링)은 어느 무리에서 왔나요? 그 무리의 인원이 환자 무리보다 몇 배나 많은지 격자에서 세어 보세요.
[한 번 더 검사]를 누르면 사후확률이 어떻게 뛰나요 — 첫 검사 전의 나(사전확률 0.1%)와 두 번 양성을 받은 나는 무엇이 다른가요?

직접 해보기 — 실습 과제

예측 먼저: “희귀병 검사” 프리셋(유병률 0.1%, 민감도·특이도 99%)에서 검사를 실행하기 전에, P(환자|양성)을 먼저 종이에 적어 보세요. 그다음 [검사 실행]을 눌러 답과 비교하세요 — 대부분의 직관은 10배 이상 빗나갑니다.
기저율 실험: 민감도·특이도는 그대로 두고 유병률만 0.1% → 1% → 10%로 올리며 매번 검사를 실행하세요. 같은 검사인데 P(환자|양성)이 어떻게 변하나요? 이것이 “검진 대상을 고위험군으로 좁히는” 이유입니다.
민감도 vs 특이도: 유병률 0.1%에서 민감도를 99 → 90%로 낮춘 경우와, 특이도를 99 → 90%로 낮춘 경우의 사후확률을 비교하세요. 희귀병에서는 어느 쪽 숫자가 양성의 신뢰도를 좌우하나요?
베이즈 갱신 사슬: 희귀병 프리셋에서 검사 실행 후 [한 번 더 검사]를 눌러 보세요. 9%였던 확률이 두 번째 양성으로 얼마까지 뛰나요? 사전확률 → 사후확률 → 새 사전확률로 이어지는 사슬을 하단 칩에서 따라가 보세요.
스팸 필터의 사정: “스팸 필터” 프리셋으로 바꿔 보세요. 기저율이 10%로 오르자 같은 논리로도 사후확률이 절반을 넘습니다 — 그런데도 정상 메일이 스팸함에 들어가는 이유(위양성)를 격자에서 찾아 보세요.

개념 정리 — 베이즈 정리

베이즈 정리(Bayes’ theorem): P(환자|양성) = P(양성|환자) × P(환자) ÷ P(양성). 증거(양성)를 본 뒤 믿음(환자일 확률)을 갱신하는 규칙으로, 1763년 토머스 베이즈의 유고 논문에서 처음 제시되었습니다.
자연빈도로 읽기: 확률 기호 대신 “1,000명 중 환자 1명, 진양성 1명, 위양성 10명 → 양성 11명 중 환자 1명”처럼 인원수로 서술하면 같은 계산이 암산이 됩니다. 기거렌처의 연구에 따르면 이 표현만으로 의사들의 정답률이 크게 올랐습니다.
기저율 무시(base rate neglect): P(양성|환자)가 크면 P(환자|양성)도 클 것이라 착각하는 오류. 두 조건부확률은 분모가 다른 영역(환자 무리 vs 양성 무리)의 비율이므로, 유병률이 낮으면 얼마든지 어긋납니다.
사전확률과 사후확률: 검사 전의 P(환자)가 사전확률, 양성을 본 뒤의 P(환자|양성)이 사후확률입니다. 사후확률은 다음 증거를 볼 때의 새 사전확률이 됩니다 — 증거가 쌓일수록 믿음이 갱신되는 이 구조가 스팸 필터, 나이브 베이즈 분류기, 나아가 기계학습의 확률적 분류 전반의 뿌리입니다.

다음: ‘확률로 분류한다’는 아이디어를 기계에 맡깁니다

“증거를 보고 확률을 갱신해 분류한다” — 이 실습에서 손으로 한 일을 데이터로부터 자동으로 배우게 만든 것이 로지스틱 회귀입니다. 확률·통계 트랙을 벗어나 기계학습 실습실로 건너가는 연결 지점입니다. 무작위 시뮬레이션 자체가 더 궁금하다면 몬테카를로 실습으로 이어가세요.

더 깊이 학습하기

Gigerenzer & Hoffrage (1995): “How to Improve Bayesian Reasoning Without Instruction” (Psychological Review 102) — 자연빈도 표현이 베이즈 추론 정답률을 끌어올린다는 실증 연구, 이 실습의 설계 근거
Bayes, T. (1763): “An Essay towards solving a Problem in the Doctrine of Chances” — 베이즈 정리가 처음 제시된 유고 논문
McGrayne, S. B. (2011): “The Theory That Would Not Die” (Yale University Press) — 암호 해독에서 스팸 필터까지, 베이즈 정리 250년의 역사