10명 면접 최적 전략
10명의 면접자가 있을 때, 최적 정지 전략은 처음 3~4명을 관찰만 하고 이후 이전 최고보다 나은 첫 번째 후보를 채용합니다. 이 전략의 성공 확률은 약 39.9%입니다.
단 10명이라도 최적 전략을 쓰면 무작위(10%)보다 4배 높은 확률로 최고의 후보를 선택할 수 있습니다.
비서 문제 (최적 정지)
37% 법칙: 최적의 선택을 위해 얼마나 관찰해야 할까? 비서 문제의 최적 정지 전략.
입력
명
면접할 총 후보자 수
회
최적 관찰 인원
시뮬레이션 계산 중…
관찰 인원(k)에 따른 성공 확률
차트 그리는 중…
k = 37일 때 최대 (약 37.1%)
37% 법칙의 실생활 응용
집 구하기: 예산 내 100채를 볼 수 있다면, 처음 37채는 시세 파악용으로만 보고, 이후 가장 좋은 매물이 나타나면 계약
채용 면접: 100명의 지원자 중 처음 37명은 기준 설정용, 이후 역대 최고 점수 지원자를 채용
소개팅: 약 37%의 만남은 기준 설정 기간으로 두고, 이후 최고의 상대를 만나면 결정
풀이 보기
결과 공유하기
비서 문제(최적 정지 문제)는 n명의 후보를 순서대로 면접할 때 최고의 후보를 선택하는 최적 전략을 분석합니다. 핵심은 37% 법칙으로, 처음 약 n/e명(전체의 약 37%)은 관찰만 하고 이후 이전 최고보다 나은 첫 후보를 선택하면 최적입니다. 100명 중 최고를 뽑으려면 처음 37명은 관찰만 하고 38번째부터 기준 이상인 후보를 선택합니다. 이 전략으로 최고를 뽑을 확률은 약 37.1%(후보가 많아지면 1/e ≈ 36.8%에 수렴)이며, 이것이 가능한 최대 확률입니다. 채용, 주택 구매, 결혼 등 되돌릴 수 없는 순차 선택 상황에서 최적 의사결정 전략을 이해하세요. 다양한 관찰 비율에 따른 성공 확률 변화도 차트로 비교할 수 있습니다.
실생활 예시
이럴 때 이렇게 계산해요.
주택 구매 전략
20채의 매물을 순서대로 보고 즉시 결정해야 한다면, 처음 7채는 시세 파악만 하고 8번째부터 이전 최고보다 나은 첫 매물을 구매합니다. 최적 매물을 선택할 확률은 약 38.4%입니다.
실전에서는 매물이 무한하지 않고 돌아갈 수도 있지만, 37% 법칙은 "얼마나 탐색한 후 결정할지"에 대한 좋은 기준을 제공합니다.
연애와 결혼 시기 결정
20세부터 35세까지 15년간 만남의 기회가 있다면, 37% 법칙에 따라 처음 5.5년(약 25.5세까지)은 만남의 경험을 쌓고, 이후 그때까지의 최고보다 나은 상대를 만나면 결정합니다.
물론 사람 관계를 수학 공식에 맞추는 것은 현실적이지 않지만, "충분히 경험한 후 결정하라"는 원칙은 유용한 지혜입니다. 너무 일찍 결정하거나 너무 늦게까지 망설이는 것 모두 비효율적입니다.
중고차 구매 전략
온라인에서 15대의 중고차 매물을 순서대로 확인합니다. 37% 법칙에 따라 처음 5~6대는 가격과 상태를 비교만 하고, 7번째부터 이전에 본 것보다 좋은 첫 매물을 구매합니다.
이 전략으로 가장 좋은 매물을 선택할 확률은 약 37.5%로, 매물을 하나씩 순서대로 판단해야 하는 상황에서 최적의 접근입니다.
이직 시 최적 입사 시기
6개 회사에서 순차적으로 최종 면접 결과를 받습니다. 37% 법칙에 따라 처음 2곳의 제안은 기준 수립용으로 보고, 3번째부터 이전 제안보다 나은 첫 회사에 입사합니다. 최적 선택 확률은 약 42.7%입니다.
후보 수가 적을수록 성공 확률이 높아집니다. 6개면 무작위(16.7%)보다 2.5배 높은 확률로 최고의 제안을 선택할 수 있습니다.
관련 계산기
같이 쓰면 좋아요. 옆으로 넘겨 보세요.
자주 묻는 질문
궁금한 거 모아 봤어요. 눌러서 펼쳐 보세요.
왜 37%를 관찰해야 하나요?
수학적으로 k/n 비율을 최적화하면 k/n → 1/e ≈ 0.3679일 때 성공 확률이 최대(약 36.8%)가 됩니다. 너무 적게 관찰하면 기준이 부족하고, 너무 많이 관찰하면 좋은 후보를 이미 놓칠 확률이 높습니다.
36.8%면 실패 확률이 더 높은데 이게 최적인가요?
네, 100명 중 무작위로 1명을 뽑으면 최고일 확률이 1%에 불과합니다. 37% 법칙을 쓰면 36.8%로, 무작위 대비 37배나 높습니다. 순차 선택이라는 제약 하에서는 이것이 수학적으로 증명된 최선입니다.
후보 수가 적으면 어떻게 달라지나요?
3명이면 첫 1명을 관찰 후 다음 중 나은 것을 선택하여 성공 확률이 50%입니다. 10명이면 3~4명을 관찰하고 선택하면 약 39.9%입니다. 후보 수가 적을수록 성공 확률이 약간 높아지며, n→∞이면 1/e ≈ 36.8%에 수렴합니다.
37% 법칙은 "최고"가 아닌 "상위권"을 뽑는 데도 적용되나요?
네, 최고가 아닌 상위 k% 안에 드는 후보를 뽑고 싶다면 관찰 비율을 낮출 수 있고, 성공 확률은 더 높아집니다. 예를 들어 100명 중 상위 10%를 목표로 하면 약 80% 이상의 성공률을 달성할 수 있습니다.
관찰 기간에 놓친 최고의 후보는 어떻게 되나요?
최고의 후보가 관찰 기간에 나타나면(확률 약 37%) 놓치게 됩니다. 이 경우 이후 아무도 기준을 넘지 못해 마지막 후보를 선택하게 되는데, 이는 최적 전략의 불가피한 비용입니다. 그래도 이 전략이 다른 어떤 전략보다 최고를 뽑을 확률이 높습니다.
실제 상황에서는 되돌아갈 수 있으면 어떻게 되나요?
이전 후보에게 돌아갈 수 있다면 관찰 비율을 줄이고 더 적극적으로 선택할 수 있습니다. 단, 현실에서는 이전 후보가 이미 다른 선택을 했을 수 있으므로, "돌아갈 수 있는 확률"까지 고려한 변형 모델이 필요합니다.
후보의 총 수를 모르면 어떻게 하나요?
총 후보 수를 모르는 경우에도 비슷한 전략을 적용할 수 있습니다. 시간 기반으로 전체 탐색 기간의 37%를 관찰에 사용하면 됩니다. 예를 들어 3개월간 집을 찾을 계획이면, 첫 1개월은 시세 파악에 사용하고 이후 기준 이상의 매물을 선택합니다.
계산 원리
비서 문제에서 n명의 후보 중 처음 k명을 관찰하고, k+1번째부터 이전 최고보다 나은 첫 후보를 선택하는 전략의 성공 확률은: P(k) = (k/n) × Σ(i=k→n-1) 1/i. 이 확률을 k에 대해 최대화하면, n이 클 때 최적 k/n → 1/e ≈ 0.3679이고, 최대 성공 확률도 1/e ≈ 36.8%에 수렴합니다.
증명의 핵심은 최적 후보가 j번째(j > k)에 있을 때, 이 후보가 선택될 조건이 "k+1번째부터 j-1번째까지 이전 최고를 갱신하는 후보가 없는 것"이라는 점입니다. 이 확률은 k/(j-1)이므로, 전체 성공 확률은 (1/n) × Σ(j=k+1→n) k/(j-1) = (k/n) × Σ(i=k→n-1) 1/i.
e = 2.71828...은 자연상수로, 이 문제에서는 "관찰과 선택의 균형점"을 나타냅니다. 관찰을 많이 하면 기준은 좋아지지만 이미 최고를 놓칠 확률이 올라가고, 적게 하면 기준이 낮아 나쁜 후보를 선택할 위험이 있습니다. 1/e가 이 두 효과의 최적 균형점입니다.
사용 방법
후보 수 입력
전체 후보(또는 선택지) 수를 입력합니다.
시뮬레이션 설정
시뮬레이션 횟수를 설정합니다.
결과 확인
최적 관찰 수, 성공 확률, 관찰 수별 성공률 차트를 확인합니다.
용어 사전
- 최적 정지 문제
- 순차적으로 정보가 주어질 때, 최적의 시점에 탐색을 멈추고 결정을 내리는 문제. 비서 문제가 가장 유명한 예시입니다.
- 37% 법칙(1/e 법칙)
- 전체 선택지의 약 37%(1/e)를 관찰한 후, 그때까지의 최고보다 나은 첫 번째를 선택하는 전략. 수학적으로 증명된 최적 전략입니다.
- 자연상수(e)
- e ≈ 2.71828로, 자연로그의 밑. 비서 문제에서 최적 관찰 비율 1/e ≈ 0.3679를 결정합니다.
- 순차 선택
- 선택지를 한 번에 하나씩 순서대로 평가하고, 각각에 대해 즉시 수락/거절을 결정해야 하는 상황. 거절한 선택지로 돌아갈 수 없습니다.
- 관찰 기간
- 선택하지 않고 정보만 수집하는 초기 구간. 37% 법칙에서 처음 n/e명을 면접하되 채용하지 않는 기간입니다.
- 기준 갱신
- 관찰 기간 동안 만난 후보 중 최고를 기준으로 설정하고, 이후 이 기준을 초과하는 첫 후보를 선택하는 방식.
- 정보의 가치
- 추가 탐색으로 얻는 정보가 더 나은 결정을 가능하게 하는 정도. 비서 문제에서 관찰 기간은 정보 수집의 비용과 가치 사이의 균형입니다.