75. 조건부 확률(Conditional Probability)과 베이즈 정리(Bayes)

핵심 인사이트 (3줄 요약)

1. 본질: 조건부 확률은 "B를 알았을 때 A의 확률"이고, 베이즈 정리 (Bayes' theorem)는 그 조건을 뒤집어 관측 후의 믿음, 즉 posterior를 계산한다.
2. 가치: prior와 likelihood를 분리하면 적은 데이터에서도 기존 지식을 반영한 추론이 가능해져 진단·추천·이상탐지에 강해진다.
3. 판단 포인트: P(test|disease)와 P(disease|test)를 혼동하면 base rate fallacy에 빠지므로, posterior 해석 전에 evidence를 확인해야 한다.

Ⅰ. 개요 및 필요성

데이터 과학과 AI에서 핵심은 불확실성을 업데이트하는 일이다. 어떤 사건의 확률은 새 증거가 들어오면 달라지며, 조건부 확률은 바로 그 갱신을 수학으로 적은 것이다.

Bayes' theorem은 prior와 likelihood를 결합해 posterior를 만든다. 즉 과거의 믿음과 현재의 증거를 합쳐, 다음 판단을 더 나은 방향으로 옮긴다.

P(A|B) = P(B|A) P(A) / P(B)
Posterior ∝ Likelihood × Prior

이 식은 복잡해 보여도 메시지는 단순하다. 새로운 정보를 보면 믿음을 갱신하라는 뜻이다.

• 📢 섹션 요약 비유: 새 소식을 들으면 생각도 다시 계산해야 한다.

Ⅱ. 아키텍처 및 핵심 원리

Bayes 사고의 구성 요소는 prior, likelihood, evidence, posterior다. prior는 시작 믿음이고, likelihood는 증거가 주어졌을 때의 설명력이며, evidence는 전체 정규화 항이다.

이 구조 덕분에 적은 샘플에도 과거 지식을 넣을 수 있다. 그래서 의료 진단, 스팸 필터, 이상탐지처럼 데이터가 불완전한 문제에서 강하다.

• 📢 섹션 요약 비유: 퍼즐의 조각과 상자의 덮개를 함께 봐야 그림이 맞는다.

Ⅲ. 비교 및 연결

조건부 확률은 사건 공간을 좁히는 개념이고, joint probability는 둘이 함께 일어날 확률이다. 또한 독립이면 조건이 붙어도 확률이 바뀌지 않는다.

Bayes는 likelihood와 posterior의 방향을 바꿔 생각하게 한다. 그래서 진단 문제에서 P(질병|검사양성)을 구할 때 특히 유용하다.

• 📢 섹션 요약 비유: 같은 퍼즐도 단서를 하나 더 알면 다른 그림이 된다.

Ⅳ. 실무 적용 및 기술사 판단

실무에서는 base rate를 먼저 본다. 드문 사건일수록 검사가 꽤 정확해도 양성 후 실제 확률은 낮을 수 있다.

체크 포인트는 다음과 같다.

• prior를 어디서 가져오는가.
• likelihood가 독립 가정을 잘 만족하는가.
• posterior를 임계값으로 바꿀 때 비용이 균형적인가.

안티패턴은 P(test|disease)를 P(disease|test)처럼 읽는 것이다. 또 하나는 prior를 아무 근거 없이 강하게 두는 것이다. 둘 다 결과를 왜곡한다.

• 📢 섹션 요약 비유: 스티커가 진짜인지 보려면 전체 확률을 같이 봐야 한다.

Ⅴ. 기대효과 및 결론

Bayes는 "확률은 고정값이 아니라 갱신되는 믿음"이라는 점을 보여 준다. 그래서 데이터가 늘수록 추론이 더 정교해진다.

결론적으로 posterior는 답이 아니라 업데이트된 판단이다. 이 관점을 잡아야 통계, 머신러닝, 운영 의사결정이 한 방향으로 이어진다.

• 📢 섹션 요약 비유: 구름을 보면 우산 생각을 다시 해야 한다.

관련 개념 맵

관련 키워드 및 발전 흐름도

prior
  │
  ▼
evidence
  │
  ▼
likelihood
  │
  ▼
normalization
  │
  ▼
posterior

어린이를 위한 3줄 비유 설명

1. 하늘이 어두우면 우산 생각이 더 커져요.
2. 새로운 단서를 보면 생각도 바뀌어요.
3. 그래서 컴퓨터도 힌트를 보며 다시 계산해요.