통계학 on kenji.blog

'검사 양성' = '질병'일까?: 기준 비율의 오류

Thu, 10 Sep 2026 21:00:00 +0900

건강 검진이나 암 검진에서 “양성(이상 있음)“이라는 결과가 나오면 누구나 패닉에 빠질 것입니다. 하지만 통계학과 확률에 대한 지식이 있다면, 심호흡을 하고 침착해질 수 있을지도 모릅니다. 왜냐하면 “정확도 높은 검사에서 양성이 나왔다"고 해서 “실제로 병에 걸렸을 확률이 높다"는 것을 의미하지는 않기 때문입니다.

이것은 “기준 비율의 오류(Base Rate Fallacy)” 또는 “사전 확률의 무시"라고 불리는, 인간의 직관이 확률 계산을 크게 착각하는 전형적인 인지 편향입니다.

공포의 건강 검진 문제

다음과 같은 상황을 상상해 보세요.

어느 마을에 1만 명 중 1명(0.01%)이 감염되는 미지의 질병이 있습니다. 이 병을 발견하기 위해 **“정확도 99%”**의 뛰어난 검사 키트가 개발되었습니다. (※ 정확도 99%란, 병에 걸린 사람이 검사를 받았을 때 99%의 확률로 올바르게 ‘양성’이라고 판정하고, 건강한 사람이 받았을 때 99%의 확률로 올바르게 ‘음성’이라고 판정한다는 의미입니다.)

당신이 우연히 이 검사를 받았는데, 결과는 **“양성”**이었습니다. 자, 당신이 정말로 이 병에 감염되었을 확률은 얼마나 될까요?

대부분의 사람은 “검사 정확도가 99%이니까, 내가 병에 걸렸을 확률도 99%일 것이다"라고 직관적으로 대답합니다. 하지만 수학적인 정답은 **“약 0.98%(1% 미만)”**입니다.

도대체 왜 99%의 정확도가 있는데 실제 확률은 1% 미만이 되어버리는 것일까요?

베이즈 정리와 전체의 시각화

이 문제를 푸는 열쇠는 검사의 정확도뿐만 아니라, **“그 병이 원래 얼마나 희귀한가(기준 비율·사전 확률)”**를 고려하는 데 있습니다. 직관에 반하는 이 현상을, 100만 명이라는 큰 집단을 사용하여 시각화해 보겠습니다.

전체 인원: 1,000,000명
실제로 병에 걸린 사람(1만 명 중 1명): 100명
건강한 사람: 999,900명

이 100만 명 전원에게 “정확도 99%“의 검사를 실시합니다.

1. 실제로 병에 걸린 사람(100명)이 검사를 받은 경우

정확도가 99%이므로, 올바르게 “양성"으로 판정되는 사람은: 100명 × 99% = 99명(진양성)

2. 건강한 사람(999,900명)이 검사를 받은 경우

정확도가 99%이므로, 1%의 확률로 잘못 “양성"으로 판정되는 사람(위양성)이 발생합니다: 999,900명 × 1% = 9,999명(위양성)

graph TD A["전체 인구 (1,000,000명)"] --> B["병에 걸린 사람 (100명)"] A --> C["건강한 사람 (999,900명)"] B -->|99% 정답| B1["진양성 (99명)"] B -->|1% 실패| B2["위음성 (1명)"] C -->|99% 정답| C1["진음성 (989,901명)"] C -->|1% 실패| C2["위양성 (9,999명)"] B1 -.-> D{"『양성』 판정을 받은 사람의 총수: 10,098명"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

당신이 병에 걸렸을 진짜 확률

자, 당신은 의사로부터 “양성입니다"라는 통보를 받았습니다. 이것은 당신이 그림의 오른쪽 아래에 있는 “『양성』 판정을 받은 사람의 총수(10,098명)” 그룹에 들어갔음을 의미합니다.

이 그룹 안에서 **“정말로 병에 걸린 사람(진양성)”**의 비율은 얼마나 될까요?

$$ \text{정말로 병에 걸렸을 확률} = \frac{\text{진양성}}{\text{양성 판정을 받은 전원}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

계산 결과는 **약 0.98%**입니다. “양성” 판정을 받았음에도 불구하고, 당신이 건강할 확률(위양성)이 압도적으로 높습니다(약 99%).

왜 직관은 틀리는 것일까?

이 현상은 조건부 확률을 구하는 **“베이즈 정리”**에 의해 수학적으로 설명되지만, 인간의 뇌는 이 계산에 매우 서툽니다.

우리가 실수를 하는 이유는, 눈앞에 제공된 개별적이고 강렬한 정보(“당신의 검사 결과는 양성! 정확도는 99%!")에 정신이 팔려, 배경에 있는 방대하고 지루한 통계 데이터(“애초에 이 병에 걸린 사람은 1만 명 중 1명밖에 없다(기준 비율)")를 무시해 버리기 때문입니다.

“병의 희소성(0.01%)“이 “검사의 부정확성(1%)“보다 훨씬 극단적이기 때문에, 아주 작은 검사 오류가 원래의 환자 수를 순식간에 삼켜버리는 것입니다.

사회에 숨어 있는 “기준 비율의 오류”

이 착각은 의료뿐만 아니라 다양한 상황에서 패닉이나 잘못된 판단을 일으킵니다.

안면 인식 시스템과 테러리스트: 정확도 99.9%의 안면 인식 카메라가 공항에서 “테러리스트"를 발견했다 하더라도, 테러리스트의 기본 확률이 극히 낮기 때문에, 잡히는 사람은 대부분 얼굴이 비슷한 무고한 일반인(위양성)이 됩니다.
교통사고와 고령 운전자: “사고를 낸 자동차의 〇〇%가 고령자였다"는 뉴스를 보고 위험하다고 느껴도, “애초에 도로를 달리고 있는 전체 운전자 중 고령자가 차지하는 비율(기준 비율)“을 고려하지 않으면, 특정 연령층이 정말로 사고를 일으키기 쉬운지 알 수 없습니다.

“기준 비율의 오류"는 충격적인 수치나 개별 사례를 보았을 때일수록, **“애초에 전체 중에서 그것이 얼마나 일어나기 쉬운 일인가(기준 비율)”**로 되돌아가는 통계적 사고의 중요성을 우리에게 가르쳐 줍니다.

심슨의 역설: 부분에서는 이기는데 전체에서는 지는 수수께끼의 현상

Thu, 10 Sep 2026 07:00:00 +0900

1. 어느 병원에서 수술을 받아야 할까?

당신은 중병에 걸려 수술을 받아야만 하게 되었습니다. 눈 앞에는 A병원과 B병원이라는 2개의 선택지가 있습니다. 당신은 각 병원의 수술 ‘성공률’ 데이터를 가져왔습니다.

【전체 성공률】

A병원: 1000명 중 900명이 성공 (성공률 90%)
B병원: 1000명 중 800명이 성공 (성공률 80%)

이것을 보면 누구나 “A병원이 더 우수하다!“라고 생각할 것입니다. 하지만 당신은 신중한 성격이므로 병의 상태(경증인지, 중증인지)에 따라 데이터가 어떻게 변하는지 조금 더 자세히 알아보기로 했습니다.

【경증 환자의 성공률】

A병원: 100명 중 99명이 성공 (성공률 99%)
B병원: 900명 중 870명이 성공 (성공률 96%) $\rightarrow$ 경증의 경우에는 A병원의 승리 (99% > 96%)

【중증 환자의 성공률】

A병원: 900명 중 801명이 성공 (성공률 89%)
B병원: 100명 중 70명이 성공 (성공률 70%) $\rightarrow$ 중증의 경우에도 A병원의 승리 (89% > 70%)

어라? 이상하다고 생각하지 않습니까?

‘경증’ 환자에게도 A병원이 성공률이 높습니다. ‘중증’ 환자에게도 A병원이 성공률이 높습니다. 그런데도 환자 전원을 합친 ‘전체’의 성공률을 계산하면……?

A병원 전체: $(99 + 801) / 1000 =$ 90%
B병원 전체: $(870 + 70) / 1000 =$ 94%……가 아니라, 아까 계산대로라면 80%?

기다려주세요, 다시 한 번 처음 데이터를 살펴봅시다. 처음 데이터는 이랬습니다.

A병원 전체의 성공률: 90%
B병원 전체의 성공률: 80%

하지만 세세하게 나눈 데이터로 다시 계산해 보면, B병원의 전체 성공률은 $(870 + 70) / 1000 = 940 / 1000 = $ **94%**가 되어야 합니다.

…아니, 속았군요! 사실 이 숫자의 트릭이야말로 이번에 해설할 통계학의 무서운 함정입니다. 올바른 데이터를 다시 한 번 보여드리겠습니다.

2. 속은 당신에게: 진짜 데이터

【경증 환자의 성공률】

A병원: 900명 중 870명이 성공 (성공률 96%)
B병원: 100명 중 99명이 성공 (성공률 99%) $\rightarrow$ 경증의 경우에는 B병원의 승리 (99% > 96%)

【중증 환자의 성공률】

A병원: 100명 중 30명이 성공 (성공률 30%)
B병원: 900명 중 315명이 성공 (성공률 35%) $\rightarrow$ 중증의 경우에도 B병원의 승리 (35% > 30%)

즉, 경증이든 중증이든 B병원이 압도적으로 우수합니다.

그럼 이것을 ‘전체’로 합산해 봅시다.

A병원 전체: $(870 + 30) / (900 + 100) = 900 / 1000 =$ 성공률 90%
B병원 전체: $(99 + 315) / (100 + 900) = 414 / 1000 =$ 성공률 41%

놀랍게도 ‘부분’으로 보면 모두 B병원이 이기고 있는데, ‘전체’로 합치면 A병원의 압승이 되어버렸습니다! 이것이 **‘심슨의 역설’**이라고 불리는 현상입니다.

graph TD subgraph "부분적인 데이터 (B의 승리)" Light["경증: B병원의 승리 (99% > 96%)"] Heavy["중증: B병원의 승리 (35% > 30%)"] end subgraph "전체 데이터 (A의 승리)" Total["전체 합산: A병원의 압승 (90% > 41%)"] end Light -->|합산하면 어째서인지 역전| Total Heavy -->|합산하면 어째서인지 역전| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. 왜 이런 기묘한 역전이 일어나는가?

이 역설의 정체는 **‘모수(분모)의 편향’**과 **‘숨겨진 변수(교란 변수)’**에 있습니다.

데이터를 잘 살펴보세요.

A병원은 ‘치료하기 쉬운 경증 환자’를 대량으로 (900명) 받아들였습니다.
B병원은 ‘치료하기 어려운 중증 환자’를 대량으로 (900명) 받아들였습니다.

B병원은 실력이 좋아서 다른 곳에서 거절당하는 어려운 중증 환자를 많이 맡는 ‘최후의 보루’와 같은 병원이었던 것입니다. 당연히 중증 환자의 성공률은 낮아집니다 (35%). B병원의 ‘전체 성공률’은 이 대량의 중증 환자의 낮은 성공률에 발목이 잡혀 전체적으로 낮게 (41%) 보였던 것입니다.

반대로 A병원은 쉬운 경증 환자만 처리하고 있기 때문에 전체 성공률이 높게 (90%) 보였을 뿐, 같은 조건(중증끼리, 경증끼리)으로 비교하면 B병원보다 실력이 떨어졌던 것입니다.

수식으로 표현하면 분수 덧셈의 성질이 원인입니다. 일반적으로 $\frac{a}{b} < \frac{A}{B}$ 이고 $\frac{c}{d} < \frac{C}{D}$ 이더라도,

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

가 항상 성립하는 것은 아닙니다. 분모의 크기가 극단적으로 다를 경우 부등호의 방향이 역전될 수 있는 것입니다.

4. 현실 세계에서 일어난 ‘심슨의 역설’

이 역설은 단순한 산수 퍼즐이 아니라, 현실 사회에서도 빈번하게 발생하여 큰 논쟁을 불러일으켜 왔습니다.

1973년 캘리포니아 대학교 버클리 캠퍼스의 성차별 의혹

버클리 캠퍼스 대학원의 합격률을 조사한 결과, ‘남성의 합격률(44%)‘이 ‘여성의 합격률(35%)‘보다 유의미하게 높아, 여성에 대한 명백한 차별이 있다며 문제가 되었습니다. 하지만 데이터를 ‘학부별’로 나누어 세세하게 분석한 결과, 놀라운 사실이 밝혀졌습니다. 거의 모든 학부에서 여성의 합격률이 남성보다 높았던 것입니다.

왜 전체 숫자가 역전되었을까? 사실 여성은 ‘합격률이 낮은(좁은 문인) 학부’에 많이 지원했고, 남성은 ‘합격률이 높은(들어가기 쉬운) 학부’에 많이 지원했을 뿐이었습니다.

코로나 백신의 유효성 데이터

‘백신을 접종한 사람이 미접종자보다 사망률이 높다’는 데이터가 퍼져 소동이 일어난 적이 있습니다. 이것 또한 연령별 데이터(숨겨진 변수)를 무시한 결과입니다. 백신은 ‘고령자(애초에 사망률이 높음)‘부터 우선적으로 접종되었기 때문에, 전체 사망률을 단순히 합산하면 백신 접종 그룹 쪽에 고령자가 극단적으로 편중되어 겉보기에 사망률이 높아져 보였던 것입니다.

연령별로 나누어 비교하면, 모든 연령대에서 ‘접종한 사람의 사망률이 더 낮다’는 것이 확인되었습니다.

5. 결론: 데이터는 거짓말을 하지 않지만, 사람은 데이터로 거짓말을 할 수 있다

심슨의 역설은 **‘평균값이나 합계값 등 전체 데이터만 보고 판단하는 것의 위험성’**을 경고하고 있습니다.

세상에는 ‘전체적인 숫자’만 잘라내어 자신들에게 유리하게 어필하는 기업이나 정치인, 미디어가 넘쳐납니다. ‘자사의 제품 A는 타사 제품 B보다 전체 만족도가 높습니다!‘라고 하더라도, 어쩌면 ‘청년층’, ‘장년층’으로 나누어 보면 어느 계층에서든 타사 제품 B가 앞서고 있을지도 모릅니다.

데이터를 볼 때는 표면적인 ‘전체’ 숫자에 속지 말고, ‘배후에 숨겨진 변수(연령, 성별, 중증도 등)에 의해 그룹의 비율에 극단적인 편향이 없는지?‘를 의심하는 눈을 가지는 것이 현대 정보 사회를 살아남기 위한 가장 강력한 무기가 됩니다.