조건부 확률

AI
gemma-4-31b
작성자
익명
작성일
2026.07.12
조회수
2
버전
v1
수학 → 확률론 → 기본 법칙
조건부 확률 베이즈 정리 확률론 전확률 법칙 독립 사건 사후 확률 수학 초급

조건부 확률 (Conditional Probability)

조건부 확률이란 어떤 사건 $B$가 일어났다는 전제 하에 다른 사건 $A$가 일어날 확률을 의미한다. 이는 표본 공간이 $B$로 제한되었을 때, 그 안에서 사건 $A$가 발생할 상대적인 가능성을 측정하는 것이다.

1. 정의 및 개념

조건부 확률은 표본 공간(Sample Space)의 일부가 특정 사건의 발생으로 인해 제한되었을 때, 그 제한된 범위 내에서 대상 사건이 발생할 상대적인 가능성을 측정하는 개념이다. 일반적인 확률이 전체 표본 공간 $S$를 기준으로 한다면, 조건부 확률은 사건 $B$가 일어난 시점에서 표본 공간이 $S$에서 $B$로 축소된 것으로 간주한다.

1.1 수학적 정의

사건 $B$의 확률이 $P(B) > 0$일 때, 사건 $B$가 일어났을 때 사건 $A$가 일어날 조건부 확률 $P(A|B)$는 다음과 같이 정의된다.

$$P(A|B) = \frac{P(A \cap B)}{P(B)}$$

  • $P(A|B)$: 사건 $B$가 주어졌을 때 사건 $A$의 조건부 확률
  • $P(A \cap B)$: 사건 $A$와 $B$가 동시에 일어날 확률 (결합 확률)
  • $P(B)$: 사건 $B$가 일어날 확률 (주변 확률)

1.2 벤 다이어그램 시각화

조건부 확률의 개념을 시각화하면 다음과 같다.

조건부 확률 벤 다이어그램

[ 시각적 이해 ]
- 일반 확률 P(A): 전체 표본 공간 S 대비 A의 면적 비율
- 조건부 확률 P(A|B): 사건 B의 면적을 전체(1)로 보았을 때, 
                     그 내부의 교집합 영역(A ∩ B)이 차지하는 비율

2. 계산 방법과 공식

조건부 확률의 정의식을 변형하면 두 사건이 동시에 일어날 확률을 구하는 확률의 곱셈 정리를 얻을 수 있다.

2.1 확률의 곱셈 정리

$$P(A \cap B) = P(B) \cdot P(A|B) = P(A) \cdot P(B|A)$$

이 식은 복합적인 사건의 발생 확률을 단계별 조건부 확률의 곱으로 분해하여 계산할 수 있게 한다.

2.2 확률 유형 비교

구분 표기 의미 계산식
결합 확률 (Joint) $P(A \cap B)$ $A$와 $B$가 동시에 발생할 확률 $P(B)P(A|B)$
주변 확률 (Marginal) $P(B)$ 다른 사건과 무관하게 $B$가 발생할 확률 $\sum_{i} P(B \cap A_i)$
조건부 확률 (Conditional) $P(A|B)$ $B$가 발생했다는 조건 하에 $A$가 발생할 확률 $P(A \cap B) / P(B)$

주: 주변 확률 식의 $A_i$는 표본 공간을 분할하는 서로 배반인 사건들의 집합을 의미한다.

3. 독립 사건과 조건부 확률

두 사건 $A$와 $B$가 서로 독립(Independent)이라는 것은 한 사건의 발생 여부가 다른 사건의 발생 확률에 아무런 영향을 주지 않음을 의미한다.

3.1 독립성의 판별 기준

두 사건이 독립일 경우, 다음의 조건들이 성립한다. 1. $P(A|B) = P(A)$ 2. $P(B|A) = P(B)$ 3. $P(A \cap B) = P(A) \cdot P(B)$

만약 위 조건 중 하나라도 만족하지 않는다면, 두 사건은 종속(Dependent) 관계에 있다고 하며, 이때는 조건부 확률을 통해 사건 간의 상관관계를 분석해야 한다.

3.2 독립 사건 vs 배반 사건 비교

학습자들이 자주 혼동하는 독립 사건과 배반 사건의 차이는 다음과 같다.

구분 독립 사건 (Independent Events) 배반 사건 (Mutually Exclusive Events)
정의 한 사건의 발생이 다른 사건에 영향을 주지 않음 두 사건이 동시에 일어날 수 없음
수학적 조건 $P(A \cap B) = P(A)P(B)$ $P(A \cap B) = 0$
관계 $P(A|B) = P(A)$ $P(A|B) = 0$ (단, $P(B)>0$)
직관적 의미 "서로 상관이 없다" "함께 일어날 수 없다"

4. 전확률 법칙 (Law of Total Probability)

전확률 법칙은 표본 공간을 서로 겹치지 않는(배반 사건) 여러 개의 부분 집합 $B_1, B_2, \dots, B_n$으로 나누었을 때, 임의의 사건 $A$의 확률을 각 부분 집합에서의 조건부 확률의 합으로 표현하는 법칙이다.

4.1 공식

사건 $B_1, B_2, \dots, B_n$이 표본 공간의 분할(Partition)일 때, $$P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)$$

이 법칙은 직접적으로 $P(A)$를 구하기 어려울 때, $A$를 유발하는 여러 가지 경로($B_i$)별 확률을 합산하여 전체 확률을 도출하는 데 사용된다.

5. 베이즈 정리 (Bayes' Theorem)

베이즈 정리는 새로운 정보(데이터)가 주어졌을 때, 어떤 가설의 확률을 업데이트하는 방법론이다. 즉, 결과(사건 $B$)를 보고 원인(사건 $A$)의 확률을 추론하는 역확률(Inverse Probability) 계산법이다.

5.1 공식 및 유도

조건부 확률의 정의에서 $P(A \cap B) = P(A|B)P(B) = P(B|A)P(A)$임을 이용한다.

$$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$

[[#4-전확률-법칙|전확률 법칙]]을 분모에 적용하면 다음과 같이 확장된다. $$P(A_k|B) = \frac{P(B|A_k)P(A_k)}{\sum_{i=1}^{n} P(B|A_i)P(A_i)}$$

5.2 확률의 의미와 업데이트 과정

베이즈 정리는 정보를 통해 확률을 갱신하는 과정을 수학적으로 나타낸 것이다.

  • 사전 확률 (Prior Probability, $P(A)$): 새로운 증거 $B$를 관찰하기 전, 가설 $A$가 참일 것이라고 믿는 초기 확률이다. 이는 기존의 경험이나 통계적 데이터에 기반한다.
  • 우도 (Likelihood, $P(B|A)$): 가설 $A$가 참이라는 전제 하에, 증거 $B$가 나타날 확률이다. 즉, 가설이 실제 데이터를 얼마나 잘 설명하는지를 나타낸다.
  • 사후 확률 (Posterior Probability, $P(A|B)$): 증거 $B$가 관찰된 후, 이를 반영하여 업데이트된 가설 $A$의 확률이다. 베이즈 정리의 최종 목적지는 이 사후 확률을 구하는 것이다.

6. 실생활 활용 사례 및 오개념

6.1 활용 사례

  1. 스팸 메일 필터링: 특정 단어(예: "광고", "무료")가 포함되었을 때($B$), 해당 메일이 스팸일 확률($A$)을 계산하는 나이브 베이즈 분류기(Naive Bayes Classifier)에 활용된다.
  2. 질병 진단 검사: 검사 결과가 양성일 때($B$), 실제로 질병이 있을 확률($A$)을 계산한다.

[예제] 진단 키트의 양성 예측도 계산

  • 전체 인구 중 질병 유병률 $P(Disease) = 0.01$ (1%)
  • 질병이 없을 확률 $P(Healthy) = 1 - 0.01 = 0.99$ (99%)
  • 질병이 있을 때 양성이 나올 확률(민감도) $P(Positive|Disease) = 0.99$ (99%)
  • 질병이 없을 때 양성이 나올 확률(위양성률) $P(Positive|Healthy) = 0.05$ (5%)

이때, 양성 판정을 받은 사람이 실제로 환자일 확률 $P(Disease|Positive)$는? $$P(D|Pos) = \frac{P(Pos|D)P(D)}{P(Pos|D)P(D) + P(Pos|H)P(H)}$$ $$P(D|Pos) = \frac{0.99 \times 0.01}{(0.99 \times 0.01) + (0.05 \times 0.99)} \approx \frac{0.0099}{0.0099 + 0.0495} \approx 0.166$$ 결과적으로 양성 판정을 받았더라도 실제 환자일 확률은 약 16.6%에 불과하다. 이는 유병률(사전 확률)이 매우 낮기 때문에 발생하는 현상이다.

6.2 조건부 확률의 오개념 사례

가장 대표적인 오개념은 '조건부 확률의 혼동(Confusion of the Inverse)'이다.

  • 오류: $P(A|B)$와 $P(B|A)$를 동일하게 생각하는 것.
  • 사례: "강아지라면 포유류이다"($P(\text{포유류}|\text{강아지}) = 1$)라는 명제가 참이라고 해서, "포유류라면 강아지이다"($P(\text{강아지}|\text{포유류})$)가 참이라고 믿는 오류이다.
  • 분석: 전자는 '강아지'라는 좁은 범위 내에서 포유류인지를 묻는 것이고, 후자는 '포유류'라는 매우 넓은 범위 내에서 강아지인지를 묻는 것이므로 두 확률 값은 완전히 다르다.
AI 생성 콘텐츠 안내

이 문서는 AI 모델(gemma-4-31b)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

이 AI 생성 콘텐츠가 도움이 되었나요?