확률론 on kenji.blog

잠자는 숲속의 미녀 문제: 동전의 확률은 1/2인가 1/3인가? 확률론을 분열시킨 난제

Thu, 10 Sep 2026 09:00:00 +0900

1. 기묘한 실험의 규칙

당신(잠자는 숲속의 미녀)은 어떤 과학 실험의 피험자로 선정되었습니다. 실험은 일요일부터 수요일까지 진행됩니다. 일요일 밤, 당신은 수면제를 먹고 잠에 듭니다.

당신이 잠든 후, 실험자는 1개의 공정한 동전(앞면과 뒷면이 나올 확률이 완벽히 1/2인 동전)을 던집니다. 그리고 그 결과에 따라 당신을 다음과 같은 일정으로 깨웁니다.

【동전 던지기 결과가 ‘앞면’이었을 경우】

월요일에 한 번만 깨워져 질문을 받습니다. 그 후, 다시 잠들게 되며 실험 종료(수요일)까지 깨어나지 않습니다.

【동전 던지기 결과가 ‘뒷면’이었을 경우】

월요일에 깨워져 질문을 받습니다. 그 후, 특수한 약(기억을 지우는 약)을 먹게 되어 다시 잠에 듭니다.
화요일에 한 번 더 깨워져 같은 질문을 받습니다. 그 후, 다시 잠들게 되며 실험은 종료(수요일)됩니다.

※기억을 지우는 약의 효과로 인해, 당신은 깨어났을 때 “오늘이 무슨 요일인지”, “과거에 깨어난 적이 있는지"를 전혀 기억해 낼 수 없습니다.

graph TD Sunday["일요일: 미녀가 잠든다"] --> Toss{"동전 던지기"} Toss -->|앞면 (1/2)| Mon_Heads["월요일: 깨어남＋질문
（그 후 실험 종료）"] Toss -->|뒷면 (1/2)| Mon_Tails["월요일: 깨어남＋질문
（그 후 기억 소거）"] Mon_Tails --> Tue_Tails["화요일: 깨어남＋질문
（그 후 실험 종료）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

자, 월요일(또는 화요일), 당신은 깨어났습니다. 방에는 시계도 달력도 없으며, 오늘이 무슨 요일인지 알 수 없습니다.

그곳에 실험자가 찾아와 당신에게 이렇게 질문합니다. “당신이 지금 깨어있는 상태에서, 던져진 동전이 ‘앞면’이었을 확률은 얼마라고 생각하십니까?”

당신은 수학에 정통한 미녀입니다. 자, 어떻게 대답하시겠습니까?

2. 격돌하는 두 파벌: 1/2인가, 1/3인가

이 문제는 1990년대에 고안되어, 2000년에 철학자 아담 엘가(Adam Elga)에 의해 학술지에 발표되었습니다. 동전의 확률은 자명한 것처럼 보이지만, 사실 이 문제를 둘러싸고 전 세계의 수학자·통계학자·철학자가 **“1/2파(Halfer)”**와 “1/3파(Thirder)” 두 진영으로 정확히 반으로 갈려 현재에 이르기까지 격렬한 논쟁을 펼치고 있습니다.

각 진영의 “완벽한 논리"를 들어보겠습니다.

“1/2파(Halfer)“의 주장

“동전은 속임수가 없는 공정한 동전이니까, 앞면이 나올 확률은 당연히 1/2이다. 실험자가 내가 잠든 후에 몇 번 나를 깨우든, 기억을 지우든, 그것은 동전의 물리적인 결과에는 어떠한 영향도 주지 않는다. 동전을 던진 시점에서의 확률은 1/2이며, 내가 깨어난 것으로 인해 새로운 정보(앞면인지 뒷면인지를 추측할 힌트)는 아무것도 얻지 못했다. 따라서 확률은 1/2 그대로이다.”

이것은 객관적인 물리 현상과 정보의 비갱신성을 중시하는 매우 타당한 의견입니다.

“1/3파(Thirder)“의 주장

“당신이 ‘깨어있다’는 사실 자체가 확률을 바꾸는 정보이다. 만약 이 실험을 100번(100주) 반복했다고 해보자. 동전은 50번 ‘앞면’이 되고, 50번 ‘뒷면’이 될 것이다.

앞면이 나온 50주는 월요일에 1번만 깨어난다 $\rightarrow$ ‘앞면’에서 깨어나는 횟수는 50번

뒷면이 나온 50주는 월요일과 화요일에 2번 깨어난다 $\rightarrow$ ‘뒷면’에서 깨어나는 횟수는 100번

즉, 당신이 깨어난 순간의 상황은 전체 150번 중 ‘앞면으로 깨어난 패턴’이 50번, ‘뒷면으로 깨어난 패턴’이 100번인 것이다. 그러니까 지금 자신이 겪고 있는 깨어남이 ‘앞면’일 확률은 50 / 150 = 1/3이다!”

이것은 “자신이 지금 존재(관측)하고 있다"는 상황 자체를 확률 공간의 요소로서 계산에 포함시키는 “빈도주의"나 “인류원리"에 기반한 강력한 의견입니다.

3. 베이즈 정리로 계산해 보기

수학적으로 확률을 갱신하기 위한 도구인 ‘베이즈 정리’를 사용하여 이 문제를 풀어보려는 시도도 있습니다. “1/3파"의 논리를 조건부 확률의 관점에서 정리해 보겠습니다.

깨어났을 때의 상태는 다음 세 가지 중 하나입니다.

$E_1$: 동전이 “앞면"이고, 지금은 “월요일”
$E_2$: 동전이 “뒷면"이고, 지금은 “월요일”
$E_3$: 동전이 “뒷면"이고, 지금은 “화요일”

“앞면"이 나올 확률은 $1/2$, “뒷면"이 나올 확률은 $1/2$입니다. 그러나 뒷면인 경우는 “월요일"과 “화요일"이 완전히 대칭(기억이 없으므로 구별할 수 없음)이므로, $E_2$와 $E_3$의 발생 가능성은 같다고 생각할 수 있습니다.

전체 확률의 합은 $1$이 되어야 하므로, 각각의 깨어남을 독립된 “사건(관측 포인트)“으로 동등한 확률로 할당하면, $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ 이 됩니다. 따라서, “앞면이었을 확률($P(E_1)$)“은 $1/3$이 된다는 결론입니다.

반면 “1/2파"는, 애초에 “동전이 뒷면일 때의 월요일과 화요일($E_2$와 $E_3$)은, 같은 하나의 동전 결과에서 파생되었을 뿐인 종속 사건이며, 독립된 확률로 세는 것은 잘못되었다"라고 반론합니다.

4. 왜 이 문제는 해결되지 않는가?

“잠자는 숲속의 미녀 문제"가 이토록 학자들을 괴롭히고 있는 이유는 단순한 계산 실수나 착각에 의한 것이 아닙니다. 이 문제는 확률론의 가장 깊고 근본적인 의문, 즉 **“확률이란 대체 무엇인가?”**라는 철학적인 질문에 맞닿아 있기 때문입니다.

1/2파에게 확률은 “동전의 물리적인 성질"이나 “객관적인 사실"입니다.
1/3파에게 확률은 “관측자(미녀)의 믿음의 정도"나 “관측되는 빈도"입니다.

양자역학에서의 ‘관측 문제’나 우주론에서의 ‘인류원리(우리가 존재한다는 사실로부터 우주의 확률을 역산하는 사고방식)‘와도 통하는 심연의 주제가 이 단순한 동전 던지기 실험에 응축되어 있는 것입니다.

5. 요약

만약 당신이 이 실험의 피험자가 된다면, 깨어났을 때 “1/2"이라고 대답하시겠습니까? 아니면 “1/3"이라고 대답하시겠습니까?

어느 쪽을 대답하든, 세계 최고 수준의 수학자가 당신의 뒤에서 옹호해 줄 것입니다. 얼핏 단순해 보이는 수학의 정의가, 인간의 ‘주관’이나 ‘존재’라는 성가신 개념과 결부되는 순간 어떻게 무너져 내리는가. 역설은 오늘도 우리의 상식을 계속해서 뒤흔들고 있습니다.

상트페테르부르크의 역설: 기댓값이 "무한대"인 도박에 당신은 얼마를 지불하시겠습니까?

Thu, 10 Sep 2026 05:00:00 +0900

1. 기댓값이 “무한대"인 꿈의 도박

카지노를 걷고 있던 당신은 딜러로부터 다음과 같은 새로운 동전 던지기 게임을 제안받았습니다.

【게임 규칙】

참가비를 지불하고 게임을 시작합니다.
동전을 던집니다. 앞면이 나오면 상금이 2배가 되고, 한 번 더 던질 수 있습니다.
뒷면이 나오는 시점에서 게임이 종료됩니다. 그 시점까지 쌓인 상금을 받습니다.

첫 상금은 2달러부터 시작합니다.

1번째에 뒷면이 나오면, 2달러를 받고 종료.
1번째에 앞면, 2번째에 뒷면이 나오면, 4달러를 받고 종료.
1번째 앞면, 2번째 앞면, 3번째에 뒷면이 나오면, 8달러를 받고 종료.
…이후 앞면이 계속 나오는 한 상금은 16달러, 32달러, 64달러…로 배로 늘어납니다.

graph TD Start["게임 시작"] --> Toss1{"1번째 동전 던지기"} Toss1 -->|뒷면 (1/2)| End1["종료: 2달러 획득"] Toss1 -->|앞면 (1/2)| Toss2{"2번째 동전 던지기"} Toss2 -->|뒷면 (1/2)| End2["종료: 4달러 획득"] Toss2 -->|앞면 (1/2)| Toss3{"3번째 동전 던지기"} Toss3 -->|뒷면 (1/2)| End3["종료: 8달러 획득"] Toss3 -->|앞면 (1/2)| Toss4{"..."} Toss4 -.->|연속될수록| Infinite["상금은 무한대로 배증!"]

자, 여기서 당신에게 질문입니다. 이 게임의 참가비가 “1만 달러(약 150만 엔)“라고 한다면, 당신은 참가하시겠습니까?

아마도 대부분의 사람은 “참가하지 않겠다"고 답할 것입니다. 왜냐하면 절반의 확률로 첫 던지기에서 뒷면이 나와 겨우 2달러만 받고 큰 손해를 보기 때문입니다.

하지만 수학의 확률론(기댓값)에 충실하게 계산해 보면 놀라운 사실이 밝혀집니다. 수학적으로는 참가비가 1만 달러든 1억 엔이든, 전 재산을 빚내서라도 이 게임에 참가해야 합니다.

도대체 왜 그럴까요?

2. 기댓값을 계산해 보자

도박이 “이득인지 손해인지"를 판단하기 위한 수학적 지표로 **“기댓값”**이 있습니다. 기댓값이란, “그 게임을 여러 번 반복했을 때 1회당 평균적으로 어느 정도 이익을 얻는지"를 나타내는 수치입니다. 계산식은 "(받을 수 있는 상금) × (그 확률)“을 모두 더한 것이 됩니다.

이번 게임의 기댓값을 계산해 보겠습니다.

1번째에 뒷면이 나올 확률: $\frac{1}{2}$ 상금은 $2$ 달러. 기댓값에 대한 기여 ＝ $2 \times \frac{1}{2} = 1$ 달러
2번째에 뒷면이 나올 확률: 앞면·뒷면 순으로 나오므로 $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ 상금은 $4$ 달러. 기댓값에 대한 기여 ＝ $4 \times \frac{1}{4} = 1$ 달러
3번째에 뒷면이 나올 확률: 앞면·앞면·뒷면 순으로 나오므로 $(\frac{1}{2})^3 = \frac{1}{8}$ 상금은 $8$ 달러. 기댓값에 대한 기여 ＝ $8 \times \frac{1}{8} = 1$ 달러
$n$번째에 뒷면이 나올 확률: $(\frac{1}{2})^n$ 상금은 $2^n$ 달러. 기댓값에 대한 기여 ＝ $2^n \times (\frac{1}{2})^n = 1$ 달러

즉, 몇 번째에 끝나든 그 패턴의 기댓값은 **항상 “1달러”**가 됩니다. 게임은 무한히 계속될 가능성이 있기 때문에, 이 기댓값을 모두 더하면 다음과 같이 됩니다.

$$ \text{총 기댓값} = 1 + 1 + 1 + 1 + \dots = \infty \text{（무한대）} $$

수학이 도출해낸 답은 **“이 게임의 기댓값은 무한대이다”**였습니다. 기댓값이 무한대인 이상, 참가비가 아무리 비싸도 이론상으로는 절대적으로 “이득인 도박"이라는 뜻이 됩니다.

이것이 1713년 니콜라우스 베르누이에 의해 제기된 **“상트페테르부르크의 역설”**입니다. 수학의 올바른 계산 결과(무한대의 가치가 있다)와 인간의 현실적인 감각(몇 달러만 지불하고 싶다)이 심하게 모순되는 것입니다.

3. 수학과 인간의 괴리를 해결하는 “효용"의 발견

이 역설을 해결한 사람은 니콜라우스의 사촌인 천재 수학자 다니엘 베르누이였습니다. (그가 상트페테르부르크의 과학 아카데미에서 이 논문을 발표했기 때문에 이런 이름이 붙었습니다.)

다니엘은 인간의 심리를 파고들었습니다. 그는 **“인간은 돈의 ‘절대적인 금액’이 아니라, 돈이 가져다주는 ‘만족도(효용)‘로 사물을 판단한다”**고 생각했습니다.

이것을 **“한계효용체감의 법칙”**이라고 부릅니다.

돈의 가치는 가진 양에 따라 떨어진다

예를 들어, 당신이 사막에서 목이 마를 때 첫 번째 물 한 잔은 “1만 엔을 내고서라도 마시고 싶을” 정도의 가치(만족도)가 있습니다. 하지만 2잔, 3잔을 마실수록 물 한 잔의 가치는 점점 떨어집니다. 10잔째가 되면 “이제 공짜라도 필요 없다"고 하게 될 것입니다.

돈도 이와 같습니다.

저축이 0인 사람이 받는 “100만 엔"은 인생을 구할 만큼 막대한 가치가 있습니다.
하지만 자산 100억 엔인 일론 머스크가 받는 “100만 엔"은 길가에 떨어져 있는 1엔짜리 동전 정도의 가치(만족도)밖에 없습니다.

즉, 상금이 2달러 $\rightarrow$ 4달러 $\rightarrow$ 8달러 $\rightarrow$ 16달러… 로 무한히 늘어나더라도, 인간이 느끼는 “기쁨(효용)“은 금액에 비례하여 무한히 늘어나지는 않는 것입니다.

4. “효용"을 사용하여 기댓값을 다시 계산하기

다니엘 베르누이는 “인간이 느끼는 돈의 가치(효용)는 금액의 로그($\log$)에 비례한다"고 가정했습니다.

금액을 $x$라고 했을 때, 인간이 느끼는 가치(효용) $u(x)$를 로그 함수로 나타내 봅니다(여기서는 밑을 2로 하는 단순한 모델을 생각합니다).

상금 $2$ 달러의 효용: $\log_2(2) = 1$
상금 $4$ 달러의 효용: $\log_2(4) = 2$
상금 $8$ 달러의 효용: $\log_2(8) = 3$
상금 $2^n$ 달러의 효용: $\log_2(2^n) = n$

금액은 배로 늘어나지만, 인간의 “기쁨"은 1, 2, 3…으로 조금씩만 늘어납니다. 이 “효용"을 사용하여 다시 기댓값(기대효용)을 계산해 보겠습니다.

$$ \text{기대효용} = \sum_{n=1}^{\infty} \left( n \times \left(\frac{1}{2}\right)^n \right) $$ $$ = 1 \cdot \frac{1}{2} + 2 \cdot \frac{1}{4} + 3 \cdot \frac{1}{8} + 4 \cdot \frac{1}{16} + \dots $$

이 무한급수의 합을 계산하면, 결과는 “무한대"가 되지 않고 “2"에 수렴합니다. 효용이 “2"인 금액을 역산하면, $2^2 = 4$ 달러가 됩니다.

즉, 인간의 심리(효용)를 포함시켜 다시 계산하면, **“이 게임의 가치는 인간의 감각으로는 대략 ‘4달러’ 정도이다”**라는 지극히 상식적이고 현실적인 답이 도출되는 것입니다. 그렇기 때문에 우리는 이 게임에 1만 달러를 지불할 마음이 생기지 않는 것입니다.

5. 요약: 경제학의 문을 연 역설

상트페테르부르크의 역설은 “금액"이라는 객관적인 숫자와 “인간의 만족도"라는 주관적인 가치가 일치하지 않음을 수학적으로 증명한 획기적인 역설이었습니다.

다니엘 베르누이가 제창한 “효용(Utility)“이라는 개념은 그 후 200년의 세월을 거쳐 현대 미시경제학과 금융공학(포트폴리오 이론 등)의 가장 중요한 기초가 되었습니다. 우리가 보험에 가입하거나 분산 투자를 하는 행동도 모두 이 “한계효용체감(큰 손해를 보는 고통은 큰 이익을 얻는 기쁨보다 훨씬 크다)“이라는 인간의 심리 메커니즘으로 설명할 수 있습니다.

단순한 도박의 계산 문제가 인간의 마음을 읽어내고, 경제학이라는 거대한 학문을 탄생시키는 계기가 된 것입니다.

두 개의 봉투 역설: 무한한 기댓값이 일으키는 논리의 붕괴와 의사결정의 함정

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

1. 궁극의 선택: 교환해야 할까, 말아야 할까?

당신은 게임 쇼의 최종 무대에 서 있습니다. 눈앞의 테이블에는 겉보기에 완전히 똑같은 두 개의 봉투(A와 B) 가 놓여 있습니다. 진행자는 이렇게 말했습니다.

“한쪽 봉투에는 다른 쪽 봉투의 2배의 돈이 들어 있습니다. 둘 중 하나를 선택해 주세요.”

당신은 고민 끝에 봉투 A를 선택했습니다. 내용물을 확인하려는 바로 그 순간, 진행자가 악마의 속삭임을 건넵니다.

“지금이라면 그 봉투 A를 남아있는 봉투 B와 교환해도 좋습니다. 교환하시겠습니까?”

자, 당신은 봉투를 교환해야 할까요?

2. 기댓값 계산이 이끌어내는 ‘무한 루프’

여기서 조금 수학적인 사고를 발휘해 봅시다. 당신이 가지고 있는 봉투 A에 들어있는 금액을 $X$ 엔이라고 가정합니다. 봉투 B에 들어있는 금액은 규칙상 ‘$X$ 엔의 절반($\frac{X}{2}$)‘이거나 ‘$X$ 엔의 2배($2X$)’ 둘 중 하나입니다. 각각의 확률은 $\frac{1}{2}$(50%)씩입니다.

그럼, 봉투를 교환했을 경우의 기댓값(예상되는 평균적인 금액) 을 계산해 봅시다.

$$ E = \frac{1}{2} \times \left(\frac{X}{2}\right) + \frac{1}{2} \times (2X) $$ $$ E = \frac{X}{4} + X = \frac{5}{4}X = 1.25X $$

놀라운 결과가 나왔습니다. 봉투를 교환하는 것만으로 기댓값이 원래의 $X$ 엔에서 $1.25$ 배(25% 상승)로 껑충 뛰는 것입니다. “수학적으로 생각하면 무조건 교환하는 것이 이득이다!“라는 결론에 이르게 됩니다.

하지만 여기서 논리의 붕괴가 일어납니다. 만약 당신이 봉투 B로 교환했다고 합시다. 그 직후, 진행자가 다시 “역시 A로 다시 바꾸시겠습니까?“라고 묻는다면 어떻게 될까요? 완전히 똑같은 계산식이 성립되어 이번에는 “B에서 A로 교환하면 기댓값이 1.25배가 된다"는 결론이 나옵니다.

즉, ‘A에서 B로’, ‘B에서 A로’ 계속 교환하는 것만으로 이론상의 기댓값이 무한히 계속 늘어나게 되는 것입니다. 이는 명백히 현실과 모순됩니다(봉투의 내용물은 처음부터 확정되어 있으며, 교환한다고 해서 늘어나는 것이 아닙니다).

graph TD Start["당신이 봉투 A를 선택함 (내용물은 X엔)"] --> Think["교환하는 것이 이득일지 계산함"] Think --> Case1["봉투 B가 절반액 (X/2엔) : 확률 50%"] Think --> Case2["봉투 B가 2배액 (2X엔) : 확률 50%"] Case1 --> Calc["기댓값 = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["봉투 B로 교환함! (내용물은 Y엔)"] SwitchToB --> ThinkAgain["다시 계산함"] ThinkAgain --> Case3["봉투 A가 절반액 (Y/2엔) : 확률 50%"] ThinkAgain --> Case4["봉투 A가 2배액 (2Y엔) : 확률 50%"] Case3 --> Calc2["기댓값 = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["다시 봉투 A로 교환함!"] SwitchToA --> Start style Calc fill:#ff9999,stroke:#333,stroke-width:2px style Calc2 fill:#ff9999,stroke:#333,stroke-width:2px style SwitchToA fill:#ff4444,color:#fff,stroke:#333,stroke-width:4px

왜 언뜻 보기에 완벽해 보이는 기댓값 계산이 이런 이상한 역설을 만들어낸 것일까요?

3. 수학적 트릭의 규명: 변수의 바꿔치기

이 역설의 함정은 **‘확률변수 $X$ 의 사용법’**에 있습니다.

앞서 본 계산식에서는 봉투 A의 금액 $X$ 를 고정된 상수처럼 취급하고, 봉투 B가 ‘$\frac{X}{2}$ 또는 $2X$‘일 것이라고 가정했습니다. 하지만 본래 고정되어 있는 것은 ‘두 봉투에 들어있는 금액의 합계’ 또는 **‘적은 쪽의 금액’**입니다.

적은 쪽 봉투에 들어있는 금액을 $S$ 라고 해봅시다. 그러면 많은 쪽 봉투에는 $2S$ 의 금액이 들어있습니다. 게임의 전체 시나리오는 다음의 2가지 패턴밖에 없습니다(확률은 각각 $\frac{1}{2}$).

패턴 1: 당신이 선택한 봉투 A가 적은 쪽($S$)이고, 봉투 B가 많은 쪽($2S$)
패턴 2: 당신이 선택한 봉투 A가 많은 쪽($2S$)이고, 봉투 B가 적은 쪽($S$)

여기서 봉투를 **‘교환하지 않을 경우’**와 **‘교환할 경우’**의 기댓값을 올바르게 계산해 보겠습니다.

교환하지 않을 경우의 기댓값 $E_{stay}$:

$$ E_{stay} = \frac{1}{2} \times S + \frac{1}{2} \times 2S = \frac{3}{2}S = 1.5S $$

교환할 경우의 기댓값 $E_{switch}$: 패턴 1일 때는 $2S$ 를 얻고, 패턴 2일 때는 $S$ 를 얻습니다.

$$ E_{switch} = \frac{1}{2} \times 2S + \frac{1}{2} \times S = \frac{3}{2}S = 1.5S $$ $$ E_{stay} = E_{switch} $$

놀랍게도 기댓값은 일치했습니다! 처음의 잘못된 계산에서는 패턴 1일 때의 $X$ (사실은 $S$)와 패턴 2일 때의 $X$ (사실은 $2S$)라는 서로 다른 값을 같은 변수 $X$ 로 취급해 버렸기 때문에 ‘교환하면 기댓값이 올라간다’는 환영이 생겨난 것입니다.

pie title "기댓값의 진실 (적은 쪽의 금액을 S라고 했을 경우)" "교환하지 않는 기댓값 (1.5S)" : 50 "교환하는 기댓값 (1.5S)" : 50

4. 봉투를 열어버린다면 어떻게 될까?

이로써 역설은 해결된 것처럼 보입니다. 하지만 더 깊은 문제가 기다리고 있습니다.

만약 당신이 봉투를 교환하기 전에 자신의 봉투 A의 내용물을 봐 버렸다고 한다면 어떨까요? 당신이 봉투 A를 열었더니 그 안에는 **‘1만 엔’**이 들어 있었습니다.

이 순간, $X = 10000$ 이라는 확정된 값이 됩니다. 봉투 B에는 ‘5,000엔’이나 ‘20,000엔’ 둘 중 하나가 들어있습니다. 여기서 처음의 계산식을 대입하면 어떻게 될까요?

$$ E_{switch} = \frac{1}{2} \times 5000 + \frac{1}{2} \times 20000 = 2500 + 10000 = 12500 $$

기댓값은 12,500엔. 현재의 10,000엔보다 확실히 높습니다. 게다가 이번에는 $X$ 가 10,000엔이라는 ‘구체적인 상수’가 되었기 때문에 앞서 말한 ‘변수의 바꿔치기’라는 반론이 통하지 않습니다. 그렇다면 무조건 교환하는 것이 이득인 것일까요?

베이즈 추정에 의한 반증: ‘사전 분포’의 누락

수학자들은 이에 대해 **‘금액의 사전 분포(사전 확률)’**라는 개념을 꺼내 들었습니다. 5,000엔과 20,000엔이 정말로 각각 $\frac{1}{2}$ 의 확률로 들어있다고 말할 수 있을까? 라는 의문입니다.

예를 들어, 프로그램의 예산이 최대 1억 엔이라고 가정해 봅시다. 만약 당신이 봉투 A를 열어서 ‘6,000만 엔’이 들어있었다면, 봉투 B에 ‘1억 2,000만 엔’이 들어있을 확률은 0입니다(예산 초과이기 때문입니다). 즉, 봉투 A의 금액이 커지면 커질수록 봉투 B가 ‘2배’일 확률은 낮아지고 ‘절반’일 확률이 올라가야 하는 것입니다.

임의의 사전 분포 $P(x)$ 를 가정한 경우, 베이즈 정리를 이용해 기댓값을 계산하면 그 어떤 현실적인(총합이 1이 되는) 확률 분포라 할지라도 모든 금액 $X$ 에 대해 ‘교환하는 것이 이득’이 되는 마법과 같은 분포는 존재하지 않는다는 것이 수학적으로 증명되어 있습니다.

5. 무한의 함정: 상트페테르부르크의 역설과의 연결고리

유일하게 ‘모든 $X$ 에 대해 교환하는 것이 이득’이 되는 경우가 존재합니다. 그것은 프로그램의 예산이 무한대이며 모든 금액(1엔, 2엔, 4엔, 8엔……무한)이 균등하게 출현하는 ‘비정칙 확률 분포(총합이 무한대가 되는 분포)‘를 가정했을 경우뿐입니다.

하지만 현실 세계에 무한한 자산을 가진 방송국은 존재하지 않습니다. 이 ‘무한대의 기댓값’이 일으키는 버그는 상트페테르부르크의 역설(무한한 기댓값을 가진 도박에 사람은 얼마까지 지불할 수 있는가 하는 문제)과 깊은 뿌리를 같이 하고 있습니다.

6. 요약: 확률과 기댓값의 무서움

‘두 개의 봉투 역설’은 단순한 곱셈과 덧셈만으로 구성되어 있음에도 불구하고, 우리에게 다음과 같은 교훈을 줍니다.

정의의 모호함이 낳는 오류: 변수가 무엇을 가리키는지($X$ 가 항상 같은 금액을 가리키는지) 명확히 하지 않으면 논리는 쉽게 붕괴됩니다.
‘정보가 없다 = 확률 50%‘라는 착각: ‘모르니까 반반이겠지’라는 전제(이유 불충분의 원칙)는 때로 치명적인 계산 실수를 일으킵니다.
무한을 다루는 것의 어려움: 현실 세계에 적용할 수 없는 ‘무한’의 개념을 계산식에 도입하면 상식에 반하는 결과가 생겨납니다.

다음에 인생에서 ‘남의 떡이 더 커 보이고 교환하는 것이 이득이다’라고 생각될 때는 이 역설을 떠올려 보세요. 당신의 계산식 속에서 변수가 슬그머니 바뀌어 있을지도 모릅니다.

몬티 홀 문제: 직관을 배신하는 확률론의 함정과 베이즈 추정에 의한 완전 해명

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

1. 무대는 TV 퀴즈 프로그램: 당신이라면 어떻게 하겠습니까?

1990년, 미국의 뉴스 잡지 『Parade』의 칼럼 “Ask Marilyn(마릴린에게 물어보세요)“에 한 독자로부터 다음과 같은 질문이 도착했습니다.

당신은 TV 게임 프로그램의 참가자입니다. 눈앞에 **3개의 문(A, B, C)**이 있습니다. 1개의 문 뒤에는 **새 차(당첨)**가, 나머지 2개의 문 뒤에는 **염소(꽝)**가 있습니다.

당신은 먼저 문 A를 선택했습니다.

그러자 어떤 문에 새 차가 있는지 알고 있는 진행자 몬티 홀이 남은 문 중에서 염소가 있는 문 B를 열었습니다.

몬티는 당신에게 이렇게 말합니다. “지금이라면 문 C로 바꿔도 됩니다. 어떻게 하시겠습니까?”

과연, 당신은 문을 바꿔야 할까요?

직관적으로는 “남은 문은 A와 C 2개. 새 차가 어느 쪽에 있는지는 완전히 무작위이므로 당첨 확률은 어느 쪽이든 $\frac{1}{2}$(50%). 그러니까 바꾸든 바꾸지 않든 똑같다"라고 생각하기 쉽습니다.

하지만, 칼럼니스트 마릴린 보스 사반트(기네스북에서 가장 IQ가 높은 인물로 인정받은 사람)는 **“바꿔야 합니다. 바꾸면 당첨 확률이 2배가 됩니다”**라고 답변했습니다.

이 답변은 전미에 센세이션을 불러일으켰고, 약 1만 통의 항의 편지(그중 약 1000통은 수학 박사 학위를 가진 학자들로부터)가 쇄도했습니다. “당신은 확률의 기본을 이해하지 못하고 있다”, “여성의 논리다"와 같은 신랄한 비판의 폭풍이었습니다. 하지만 결론부터 말하자면, 마릴린의 답변은 수학적으로 완전히 옳았습니다.

2. 직관과 수학의 괴리: Mermaid로 보는 확률의 분기

왜 우리의 직관은 “$\frac{1}{2}$“이라고 착각해버리는 걸까요? 먼저 게임의 모든 패턴을 시각화해 보겠습니다.

graph TD Start["게임 시작"] --> CarA["새 차는 문 A (확률 1/3)"] Start --> CarB["새 차는 문 B (확률 1/3)"] Start --> CarC["새 차는 문 C (확률 1/3)"] CarA --> PickA1["당신이 문 A를 선택"] CarB --> PickA2["당신이 문 A를 선택"] CarC --> PickA3["당신이 문 A를 선택"] PickA1 --> HostB_or_C["진행자는 B나 C를 연다"] PickA2 --> HostC["진행자는 반드시 C를 연다"] PickA3 --> HostB["진행자는 반드시 B를 연다"] HostB_or_C --> Stay1["바꾸지 않는다: 당첨!"] HostB_or_C --> Switch1["바꾼다: 꽝..."] HostC --> Stay2["바꾸지 않는다: 꽝..."] HostC --> Switch2["바꾼다: 당첨!"] HostB --> Stay3["바꾸지 않는다: 꽝..."] HostB --> Switch3["바꾼다: 당첨!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

당신이 “문 A"를 선택했다고 가정할 경우, 다음의 3가지 시나리오가 동일한 확률($\frac{1}{3}$)로 발생합니다.

시나리오 1(새 차가 A): 진행자는 염소가 있는 B나 C를 엽니다. 문을 바꾸면 꽝.
시나리오 2(새 차가 B): 진행자는 염소가 있는 C밖에 열 수 없습니다. 문을 바꾸면 당첨.
시나리오 3(새 차가 C): 진행자는 염소가 있는 B밖에 열 수 없습니다. 문을 바꾸면 당첨.

즉, 3번 중 2번(시나리오 2와 3)은 “문을 바꾸면 반드시 당첨되는” 상태가 되는 것입니다. 따라서 문을 바꿨을 때의 승률은 $\frac{2}{3}$가 되며, 바꾸지 않았을 때의 승률 $\frac{1}{3}$의 2배가 됩니다.

3. 베이즈 정리에 의한 엄밀한 증명

수학적으로 이 문제를 엄밀하게 풀기 위해서는 조건부 확률을 계산하는 ‘베이즈 정리’를 사용합니다.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

여기서 사건을 다음과 같이 정의합니다.

$C_A, C_B, C_C$ : 각각 문 A, B, C에 새 차가 있는 사건. 사전 확률은 $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
당신은 처음에 문 A를 선택했다고 합시다.
$M_B$ : 진행자가 염소가 있는 문 B를 여는 사건.

우리가 구하고 싶은 것은 “진행자가 문 B를 열었다는 조건 하에, 문 C에 새 차가 있을 확률”, 즉 사후 확률 $P(C_C|M_B)$입니다.

먼저, 새 차가 어디에 있는지에 따라 진행자가 문 B를 열 확률 $P(M_B|C_X)$를 생각해보겠습니다.

새 차가 문 A에 있는 경우 ($C_A$) 진행자는 B나 C를 무작위로 열 수 있습니다.
$$ P(M_B|C_A) = \frac{1}{2} $$
새 차가 문 B에 있는 경우 ($C_B$) 진행자는 새 차가 있는 문을 열 수 없으므로 B를 열 확률은 0입니다.
$$ P(M_B|C_B) = 0 $$
새 차가 문 C에 있는 경우 ($C_C$) 진행자는 A(당신이 선택한)와 C(새 차가 있는)를 열 수 없으므로 필연적으로 B를 열 수밖에 없습니다.
$$ P(M_B|C_C) = 1 $$

다음으로, 진행자가 문 B를 열 전체 확률 $P(M_B)$를 ‘전체 확률의 법칙’으로부터 구합니다.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

드디어 베이즈 정리를 적용하여 문 A와 문 C의 사후 확률을 계산합니다.

문 A(바꾸지 않을 경우)에 새 차가 있을 확률:

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

문 C(바꿀 경우)에 새 차가 있을 확률:

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

수식을 통한 증명에서도 **“문을 바꾸는 편이 당첨 확률이 2배(2/3)가 된다”**는 것이 명확하게 나타났습니다.

4. 인지 편향: ‘조건화’라는 정보의 가치

왜 수많은 천재 수학자들조차 이 문제를 직관적으로 틀려버렸을까요? 거기에는 인간의 뇌에 내재된 ‘등확률 편향’과 ‘정보 업데이트의 실패’가 있습니다.

4.1. 등확률 편향 (Equiprobability Bias)

인간은 미지의 선택지가 주어졌을 때, ‘남은 선택지의 확률은 항상 균등하다’라고 무의식적으로 할당해버리는 성질이 있습니다. 문이 2개 남은 것을 본 순간, 뇌는 자동으로 “$50\%$ : $50\%$“라고 라벨링 해버리는 것입니다.

4.2. 진행자의 ‘의도’라는 정보

직관이 틀리는 가장 큰 이유는 진행자의 행동이 무작위가 아니라는 것을 간과하는 데 있습니다. 만약 진행자가 “새 차가 어디 있는지 모르고 무작위로 문을 열었는데, 우연히 염소였다"는 규칙(몬티 폴 문제라고 불립니다)이라면, 문 A와 문 C의 확률은 모두 $\frac{1}{2}$이 됩니다.

하지만 실제 몬티 홀 문제에서는 진행자가 다음과 같은 엄격한 제약을 받으며 행동합니다.

참가자가 선택한 문은 열 수 없다.
새 차가 있는 문은 열 수 없다.

이 제약으로 인해 진행자가 “문 B를 열었다"는 행위 자체가, 문 C에 관한 거대한 정보를 우리에게 제공하고 있는 것입니다. “나는 문 C를 열 수 없었다(왜냐하면 거기에 새 차가 있으니까)“라는 무언의 메시지가 담겨 있는 셈입니다.

5. 극단적인 예로 직관 교정하기

아직도 납득이 가지 않는다면 문의 수를 100만 개로 늘려봅시다.

당신은 100만 개의 문 중에서 문 1을 선택했습니다. (당첨될 확률은 $\frac{1}{1,000,000}$)
모든 것을 알고 있는 진행자가 남은 99만 9999개의 문 중에서 염소가 있는 99만 9998개의 문을 전부 열어 버렸습니다.
닫혀 있는 것은 당신이 선택한 “문 1"과 진행자가 일부러 남긴 “문 777,777"뿐입니다.

자, 바꾸시겠습니까? 이 경우 당신이 처음에 “100만 분의 1"의 기적을 뽑았다고 믿는다면 바꾸지 말아야 합니다. 하지만 현실적으로 **“진행자가 절대 열 수 없었던 단 1개의 문”**에 새 차가 있을 확률이 $\frac{999,999}{1,000,000}$이라는 것은 직관적으로 이해할 수 있을 것입니다.

몬티 홀 문제(3개의 문)는 단지 이 “100만 개의 문"의 스케일을 작게 만든 현상일 뿐입니다.

pie title "문 변경의 효과 (100회 시뮬레이션)" "변경해서 당첨 (약 66.7%)" : 67 "변경하지 않고 당첨 (약 33.3%)" : 33

6. 요약: 확률론이 가르쳐주는 비즈니스와 인생의 교훈

몬티 홀 문제는 단순한 퀴즈의 틀을 넘어 우리에게 중요한 교훈을 알려줍니다.

직관은 종종 틀린다: 인간의 뇌는 복잡한 조건부 확률을 직관적으로 처리하도록 진화하지 않았습니다. 중요한 의사 결정에서 직관만으로 판단하는 단독 행동은 위험합니다.
새로운 정보로 확률을 업데이트한다(베이즈 업데이트): 상황이 변하고 새로운 정보(진행자가 어떤 문을 열었는지 등)가 주어졌을 때, 기존의 생각에 고집하지 않고 확률이나 전략을 유연하게 업데이트할 수 있는지가 성공의 열쇠가 됩니다.

“문을 바꾼다"는 작은 결단이 당신 인생의 “새 차"를 손에 넣을 확률을 2배로 만들어줄지도 모릅니다.

생일 역설: 23명만 있으면 50% 이상? 직관을 속이는 "조합"의 마법

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

1. 직관 테스트: 몇 명이 모여야 확률이 50%를 넘을까?

어떤 파티장에 사람들이 모여 있습니다. 여기서 “파티장 안에 생일(월과 일)이 완전히 같은 두 사람이 최소 한 쌍 존재할 확률이 50%를 넘기” 위해서는 최소 몇 명의 사람이 필요하다고 생각하십니까? (※ 윤년은 제외하고 1년은 365일로 하며, 각 생일은 동일한 확률이라고 가정합니다).

인간의 직관은 다음과 같이 계산하기 쉽습니다. “1년은 365일이나 된다. 365개의 틀 안에 사람들을 하나씩 넣다 보면 겹치게 마련이니, 적어도 180명 정도는 필요할 것이다. 적게 잡아도 50~60명은 있어야 확률이 절반이 되지 않을까?”

하지만 수학이 도출해낸 정답은 겨우 **“23명”**입니다. 학교의 한 학급(약 30명~40명)이라면 생일이 같은 쌍이 있을 확률은 약 70%~89%로 훌쩍 뜁니다. 50명이 있으면 그 확률은 97%에 달해, “생일이 같은 사람이 없는 쪽이 더 드문” 상태가 됩니다.

왜 우리의 직관은 이토록 현실의 확률과 크게 어긋나는 것일까요?

2. 직관이 틀리는 이유: “나와 누군가"와 “누군가와 누군가"의 차이

이 문제에서 직관이 틀리는 가장 큰 이유는 우리가 무의식중에 **“특정 한 사람(예를 들어 자신)과 생일이 같은 사람이 있을 확률”**을 생각하기 때문입니다.

당신이 파티장에 들어가 “나와 생일이 같은 사람이 있을까?“라고 찾을 경우, 23명 중에 당신과 생일이 같은 사람이 있을 확률은 겨우 **약 6.1%**밖에 되지 않습니다. (이 확률이 50%를 넘으려면 무려 253명이나 되는 사람이 필요합니다).

하지만 생일 역설이 묻고 있는 것은 “나와 누군가"의 짝이 아닙니다. “파티장에 있는 모든 사람들끼리의 모든 조합(A씨와 B씨, B씨와 C씨, C씨와 A씨…)” 중에서 한 쌍이라도 일치하면 되는 것입니다.

graph TD subgraph "직관의 착각: '나' 중심의 비교" You["자신"] --- P1["A씨"] You --- P2["B씨"] You --- P3["C씨"] You --- P4["D씨"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "현실: '전원과 전원'의 모든 조합 비교" A["A씨"] --- B["B씨"] A --- C["C씨"] A --- D["D씨"] B --- C B --- D C --- D end

단 4명인 그룹에서도 “자신"을 중심으로 한 비교는 3가지지만, 모두끼리의 비교라면 6가지(${}_4 C_2 = 6$)가 존재합니다. 인원이 23명으로 늘어나면 짝의 조합은 무려 253가지(${}_{23} C_2$)로 폭발적으로 증가합니다. 253쌍이나 되는 짝이 있다면, 그 중 한 쌍 정도는 “365분의 1"의 확률을 뽑아도 이상하지 않을 것 같다는 생각이 들지 않으십니까?

3. 수학에 의한 증명: 여사건을 사용한 명쾌한 해법

“적어도 한 쌍이 생일이 같을 확률"을 정면으로 계산하는 것은 매우 어렵습니다(한 쌍만 같은 경우, 두 쌍이 같은 경우, 세 명이 생일이 같아지는 경우… 등 패턴이 너무 많기 때문입니다). 그래서 확률론의 기본 테크닉인 **“여사건(余事象)”**을 사용합니다.

여사건이란 “일어나지 않을 확률"을 말합니다. 즉, **“모두의 생일이 제각각일(한 쌍도 겹치지 않을) 확률”**을 계산하여, 그것을 100%(1)에서 빼면 구하고자 하는 확률이 나옵니다.

$$ P(\text{적어도 2명이 같음}) = 1 - P(\text{모두가 다른 생일}) $$

그럼 순서대로 파티장에 들어오는 사람을 상상하며 계산해 봅시다.

첫 번째 사람: 누구와도 겹칠 걱정이 없습니다. 확률은 $\frac{365}{365}$입니다.
두 번째 사람: 첫 번째 사람과 다른 생일이어야 합니다. 남은 364일이라면 안전합니다. 확률은 $\frac{364}{365}$입니다.
세 번째 사람: 앞의 두 사람과 다른 생일이어야 합니다. 남은 363일이라면 안전합니다. 확률은 $\frac{363}{365}$입니다.

이것을 $n$번째 사람까지 곱하면, 모두의 생일이 제각각일 확률 $P(n)'$의 일반항을 얻을 수 있습니다.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

따라서, 구하고자 하는 “적어도 2명이 생일이 같을 확률 $P(n)$“은 다음과 같아집니다.

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

이 식에 인원수 $n$을 대입해 보면, 놀라운 속도로 확률이 상승하는 것을 알 수 있습니다.

$n = 10$일 때, 확률은 약 11.7%
$n = 23$일 때, 확률은 약 50.7% (여기서 50%를 넘습니다!)
$n = 40$일 때, 확률은 약 89.1%
$n = 70$일 때, 확률은 약 99.9%

pie title "23명이 모였을 때의 확률" "생일이 같은 짝이 있다 (50.7%)" : 50.7 "모두 다르다 (49.3%)" : 49.3

4. 테일러 전개에 의한 근사 계산

곱셈을 23번이나 직접 계산하는 것은 힘드니, 수학적인 근사식을 사용하여 조금 더 직관적으로 이해해 봅시다.

지수 함수 $e^{-x}$의 테일러 전개를 생각해 봅니다. $x$가 충분히 작을 때, 다음과 같은 근사가 성립합니다.

$$ e^{-x} \approx 1 - x $$

앞서 구한 각 항 $\left(1 - \frac{k}{365}\right)$에 이를 적용하면,

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

이것을 모두 곱하면 (지수 법칙에 의해 덧셈이 되므로),

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

1부터 $n-1$까지의 합은 $\frac{n(n-1)}{2}$ (즉, 조합의 수 ${}_n C_2$)이므로,

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

이 식에서 확률이 50% ($0.5$)가 될 때의 $n$을 구합니다.

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

양변의 자연로그를 취합니다 ($\ln 0.5 \approx -0.693$).

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

$n^2 \approx 506$으로 근사하면, $n = \sqrt{506} \approx 22.49$ 멋지게 **$n \approx 23$**이라는 답이 도출되었습니다!

5. 일상생활로의 응용과 “해시 충돌”

이 역설은 단순한 파티의 이야깃거리가 아닙니다. 현대의 IT 사회를 지탱하는 암호 이론과 정보 보안에서 매우 중요한 역할을 하고 있습니다.

컴퓨터 시스템에서는 비밀번호나 파일의 동일성을 빠르게 확인하기 위해 “해시 함수"라는 구조를 사용합니다. 해시 함수는 어떤 데이터를 넣어도 일정한 길이의 무작위 문자열(해시값)을 반환합니다. 하지만 이 해시값이 우연히 같아지는 현상을 **“해시 충돌(Hash Collision)”**이라고 부릅니다.

해시 충돌은 바로 생일 역설과 같은 원리로 발생합니다. “해시값의 종류가 천문학적인 수이기 때문에 충돌 따위는 좀처럼 일어나지 않을 것이다"라는 인간의 직관에 반하여, 공격자가 대량의 데이터를 무작위로 생성해 “어떤 것과 어떤 것이 일치하는(생일이 겹치는) 짝"을 찾아내는 것은 상상 이상으로 간단합니다.

이것을 **“생일 공격(Birthday Attack)”**이라고 부릅니다. 보안 시스템을 설계하는 엔지니어는 이 “직관보다 훨씬 빠르게 충돌이 일어난다"는 수학적 사실을 전제로 하여, 해시값의 길이를 매우 길게 설정함으로써 안전성을 담보하고 있습니다.

6. 요약: 인간 직관의 한계

생일 역설은 “지수 함수적인 증가"나 “조합의 폭발"에 대해 인간의 직관이 얼마나 취약한지를 보여주는 완벽한 예입니다.

우리는 직선적인 (덧셈적인) 증가에는 강하지만, 짝의 수가 $n^2$의 속도로 폭발적으로 늘어나는 현상을 뇌 속에서 시뮬레이션할 수 없습니다. “365라는 큰 숫자에 비해 23이라는 숫자는 너무 작다"는 직관의 이면에는, 23명이 만들어내는 **“253가닥의 보이지 않는 실(짝)”**이 사방으로 뻗어 있는 것입니다.

다음에 사람들이 모이는 장소에 갔을 때는, 눈에 보이는 “인원수"뿐만 아니라 그 사이에 무수히 존재하는 “조합의 실"을 상상해 보세요. 세상이 보이는 방식이 조금은 수학적으로 바뀔 것입니다.