확률의 심화 — 조건부확률과 베이즈 정리

💡 왜 필요할까요?

Gmail 스팸 필터, 의료 진단, 자율주행 센서 융합, 금융 리스크 모델 — 모두 베이즈 정리로 '새 증거가 왔을 때 확률을 업데이트'합니다. ChatGPT도 토큰 예측에 조건부확률 $P(\text{단어}|\text{문맥})$을 사용합니다.

📜 역사 이야기

토마스 베이즈(Thomas Bayes, 1701~1761)는 영국의 목사이자 아마추어 수학자였습니다. 그는 생전에 단 두 편의 수학 논문만 발표했지만, 그 중 하나가 통계학 역사를 바꾸었습니다. 베이즈가 죽고 2년 후인 1763년, 친구 리처드 프라이스(Richard Price)가 베이즈의 원고를 왕립학회에 제출했고, 이것이 **베이즈 정리(Bayes' Theorem)**로 알려지게 되었습니다. 베이즈의 원래 문제는 매우 단순했습니다: "어떤 사건이 $n$번 중 $m$번 일어났다면, 미래에 그 사건이 일어날 확률은 얼마인가?" 이 질문은 현재 우리가 아는 조건부확률 $P(A|B)$의 개념적 뿌리입니다. 확률은 고정된 것이 아니라 새로운 증거에 따라 업데이트되어야 한다는 혁명적 아이디어였습니다. 베이즈 정리는 200년간 논쟁의 중심이었습니다. '빈도주의(Frequentist)' 통계학자들은 "확률은 반복 실험의 장기 빈도"라 주장했고, '베이즈주의자'들은 "확률은 믿음의 정도"라 반박했습니다. 20세기 말 컴퓨터의 발전으로 복잡한 베이즈 계산이 가능해지면서, 스팸 필터·의료 진단·자율주행·ChatGPT의 언어 모델까지 베이즈 추론이 AI의 핵심 철학이 되었습니다.

"과거의 경험에서 미래에 대한 추론은, 확률 계산에 기반해야 한다." — 토마스 베이즈 (리처드 프라이스의 정리에서)

🔬 직접 발견하기

📐 공식 이해하기

**조건부확률** $P(A|B)$: 사건 $B$가 발생했다는 조건 아래 $A$가 발생할 확률. **베이즈 정리**: 사전 확률 $P(A)$와 우도 $P(B|A)$로 사후 확률 $P(A|B)$를 계산. $P(B) = P(B|A)P(A) + P(B|A^c)P(A^c)$ (전확률 공식).

P(A|B)

사건 $B$ 조건하에서 $A$의 조건부확률 (사후 확률)

P(B|A)

우도(Likelihood) — $A$가 사실일 때 $B$가 관찰될 확률

P(A)

사전 확률(Prior) — $B$ 정보 없이 $A$의 확률

P(B)

증거(Evidence) — $B$가 발생할 전체 확률

1. 1
   조건부확률 정의: $P(A|B) = \dfrac{P(A \cap B)}{P(B)}$ (단, $P(B) > 0$)
2. 2
   곱셈법칙: $P(A \cap B) = P(A|B) \cdot P(B) = P(B|A) \cdot P(A)$
3. 3
   베이즈 정리: 두 표현을 같다고 놓으면 $P(A|B) = \dfrac{P(B|A) \cdot P(A)}{P(B)}$
4. 4
   전확률 공식: $P(B) = \sum_i P(B|A_i)P(A_i)$ (분모 전개)
5. 5
   독립사건: $P(A \cap B) = P(A) \cdot P(B)$이면 $P(A|B) = P(A)$ (조건이 무의미)

📝 퀴즈로 확인하기

📋 수능 기출 문제