개념
"증거를 보고 가설을 갱신한다"는 추론의 수학. 18세기 영국 목사가 발견했고 라플라스가 발전시킨 정리가 오늘날 의료 진단·스팸 필터·AI 모델의 기본 언어.
한 호흡으로 이해하기
새 증거를 관찰했을 때 가설의 확률을 어떻게 갱신할까. 베이즈의 사후 출판 논문과 라플라스의 일반화로 발전한 정리는 조건부확률의 방향을 바꾸어 계산한다. 의료검사·스팸 분류·과학적 추론 등에 유용하지만, 사전확률과 모형이 부적절하면 계산도 현실을 잘 설명하지 못한다.
한눈에 보기
단계 | 계산 | 값 |
|---|---|---|
전제 | 유병률 1%, 민감도 99%, 특이도 99% | |
환자 중 양성 | P(+|병) × P(병) = 0.99 × 0.01 | 0.0099 |
비환자 중 양성 (오진) | P(+|¬병) × P(¬병) = 0.01 × 0.99 | 0.0099 |
양성 합계 | 0.0099 + 0.0099 | 0.0198 |
양성 시 진짜 환자일 확률 | 0.0099 / 0.0198 | 50% — 직관과 다르다! |
이 가정에서는 양성 뒤 실제 질환 확률이 50%다. 민감도와 특이도가 같더라도 유병률이 낮으면 거짓 양성 수가 참 양성과 비슷해질 수 있다. 실제 해석에는 검사별 성능과 환자 맥락이 필요하다.
핵심 식
사후확률 = 우도 × 사전확률 / 정규화
풀이 예제
- 1
Q.유병률 1%, 민감도 99%, 특이도 99%인 검사에서 양성이 나왔다. 이 단순 모형에서 실제 질환 확률은?
핵심 순간
베이즈 사후 출간
토머스 베이즈 사후 친구 리처드 프라이스가 역확률 문제 논문 발표. 당대에는 거의 무시.
라플라스 — 일반화
라플라스가 베이즈 정리를 모든 과학적 추론의 기본 도구로 정립. La probabilité des causes.
의료 진단 혁명
HIV 양성 결과의 진짜 의미는? — 베이즈 정리가 의료 결정의 기본이 됨.
베이즈 머신러닝
딥러닝과 함께 베이즈 신경망, 변분 추론이 부상. 불확실성을 정량화하는 AI.
오늘날의 응용
의료 진단(질병 양성/음성 해석), 스팸 필터, A/B 테스트, 베이즈 신경망, 지진 예측, 법정 증거 평가.
MathVoyage 너머로
불러오는 중…