베이즈 정리

왜 배우는가: 베이즈 정리는 새로 관측한 데이터로 기존 믿음을 갱신하는 원리라서 스팸 필터, 의료 진단, 추천 시스템, 머신러닝 등 실무 전반에 쓰인다. 정보관리기술사 시험에서는 조건부 확률 계산 문제와 함께 용어형·논술형 문항으로 반복해 출제되었다.

출제 이력: 제138회 1교시 4번, 제93회 2교시 4번

1. 한 줄 정의와 핵심 키워드

답안 첫 줄 정의: 베이즈 정리는 사전 확률을 새로운 증거로 갱신해 사후 확률을 구하는 조건부 확률 공식이다.

핵심 키워드

• 사전 확률(Prior Probability): 데이터를 얻기 전에 가진 믿음 또는 확률이다.
• 가능도(Likelihood): 가설이 참일 때 관측 증거가 나타날 조건부 확률이다.
• 사후 확률(Posterior Probability): 증거를 반영해 갱신된 조건부 확률이다.
• 조건부 확률(Conditional Probability): 사건 B가 일어났을 때 사건 A가 일어날 확률이다.
• 베이즈 추론(Bayesian Inference): 사후 확률을 반복 갱신하며 불확실성을 줄이는 추론 방식이다.

2. 개념 풀이

쉬운 말로 풀면 베이즈 정리는 결과를 보고 원인을 거꾸로 따져 보는 방법이다. 예를 들어 어떤 질병의 발병률을 먼저 짐작한 뒤 검사 양성 결과가 나오면 그 짐작을 고쳐 쓰는 방식이다.

정식으로는 서로 종속인 두 사건 A, B에 대해 B가 관측되었을 때 A가 원인일 확률을 다음과 같이 나타낸다. 식의 각 항은 가능도, 사전 확률, 증거로 나뉜다.

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

여기서 P(A|B)는 사후 확률, P(B|A)는 가능도, P(A)는 사전 확률, P(B)는 증거(주변 확률)다. 분모 P(B)는 전확률 법칙으로 P(B)=\sum_i P(B|A_i)P(A_i)처럼 구한다. 따라서 베이즈 정리는 사전 믿음과 관측 증거의 곱을 전체 증거로 나눈 값이 사후 확률이라는 뜻이다.

핵심 용어 풀이를 덧붙인다. 사전 확률은 관측 전의 주관적 또는 과거 지식에 근거한 확률이다. 가능도는 가설이 주어졌을 때 데이터가 나올 확률이며, 데이터가 가설을 얼마나 지지하는지를 나타낸다. 사후 확률은 사전 확률과 가능도를 결합해 얻은 갱신된 확률이고, 다음 라운드의 사전 확률로 다시 쓸 수 있다.

베이즈 확률론은 확률을 빈도가 아닌 믿음의 정도로 해석하는 주관주의 해석에 바탕을 둔다. 그래서 가능도 설정이 해석에 영향을 준다는 점을 답안에 함께 적어 두면 좋다.

3. 등장 배경과 필요성

기존 고전 확률은 모든 경우의 수를 알고 있어야 빈도를 셀 수 있다. 실무 데이터는 이런 전제를 만족하지 않는 경우가 많다. 베이즈 정리는 불완전한 사전 지식과 적은 데이터로도 확률을 추정할 수 있게 해 주므로 이 한계를 보완한다.

이름은 18세기 영국의 목사이자 수학자였던 토머스 베이즈에서 왔다. 베이즈는 과거의 사건 횟수만으로 미래 사건의 확률을 알고자 했고, 이후 라플라스가 같은 원리를 독자적으로 재발견해 체계를 넓혔다. 이 역사는 답안의 배경 설명에 짧게 쓰는 정도면 충분하다.

현대에는 데이터가 쌓일수록 사후 확률을 다시 사전 확률로 넣어 계속 갱신하는 구조가 필요해졌다. 스팸 메일 판별처럼 새 데이터가 계속 들어오는 환경에서 이 갱신 구조가 실무적 가치를 가진다. 또 의료 검사처럼 검사 정확도와 질병 유병률을 함께 고려해야 하는 문제에서도 베이즈 정리가 필수로 쓰인다.

결과적으로 베이즈 정리는 데이터 분석에서 불확실성을 정량화하고 의사결정을 개선하는 기반이다. 이 점이 시험에서 원리, 식, 응용을 함께 묻는 이유다.

4. 구성요소·원리·절차

사전 확률, 가능도, 증거, 사후 확률이 베이즈 정리의 구성요소다. 사후 확률은 관측 후에 갱신된 확률이고, 나머지 값들이 그 결과를 결정한다.

$Pr(M \mid S)=\frac{Pr(S \mid M)\,Pr(M)}{Pr(S)}$

베이즈 정리는 조건부 확률의 정의에서 나온다. 조건부 확률은 Pr(M∣S)=Pr(M∩S)/Pr(S)이고, 곱셈 법칙에 따라 Pr(M∩S)=Pr(S∣M)Pr(M)이다. 두 식을 합치면 베이즈 정리가 된다. 분모 Pr(S)는 전확률 법칙으로 구한다. 원인이 M과 M의 여사건뿐이면 Pr(S)=Pr(S∣M)Pr(M)+Pr(S∣M^c)Pr(M^c)이다. 분모는 사후 확률의 합이 1 이 되도록 정규화하는 역할을 한다.

사후 확률은 사전 확률에 가능도를 곱하고 증거로 나눈 값이다

계산 절차는 다음과 같다.

• 사전 확률 Pr(M)을 정한다.
• 원인별 가능도 Pr(S∣M)을 구한다.
• 증거 Pr(S)를 주어진 값 또는 전확률 법칙으로 구한다.
• 사전 확률과 가능도를 곱하고 증거로 나누어 사후 확률을 얻는다.
• 얻은 사후 확률을 다음 갱신의 사전 확률로 넣어 반복한다.

본 문항의 대입 결과는 다음과 같다. Pr(M∣S)=0.5×0.3/0.6=0.15/0.6=0.25 이고 백분율로 25%다. 결과는 0 이상 1 이하이므로 상식 범위다. 또한 사전 확률 0.3보다 낮아졌는데, Pr(S∣M)=0.5가 Pr(S)=0.6보다 작아서 수포는 감염 여부와 무관하게도 자주 나타나는 증거이기 때문이다.

5. 관련 법령·기준·표준

베이즈 정리는 법령·고시로 정해진 수학적 정리이므로 조항 번호나 기준값이 없다. 아래 표는 확률 계산에서 지켜야 할 수학적 기준이다.

표의 마지막 두 행은 베이즈 확률론이 주관주의 해석에 속한다는 점을 보여준다. 가능도는 데이터와 모형으로 정하지만, 그 설정 자체에는 주관이 개입한다. 반복 갱신을 거치면 설정의 영향이 줄어든다.

법령·고시 개정 연혁은 근거가 없어 쓰지 않는다. 식과 기호는 교재와 기준서의 표기를 따른다. 실무에서는 사전 확률의 출처를 문서로 남기고, 가능도 설정의 근거를 함께 기록하는 것이 필요하다.

6. 유형과 비교

베이즈 정리를 적용하는 방식은 확률의 해석과 추론 목적에 따라 나뉜다. 가장 흔히 헷갈리는 짝은 사전 확률, 가능도, 사후 확률이다. 세 값의 역할을 구분해 두면 문제에서 주어진 값이 무엇인지 빠르게 판별할 수 있다.