희귀 질병 검사 결과 해석
유병률 0.5%인 질병에 대해 민감도 95%, 특이도 98%인 검사를 받아 양성이 나왔습니다. 베이즈 정리를 적용하면 실제 감염 확률은 약 19.3%입니다.
양성이어도 실제 감염일 확률은 20% 미만입니다. 확진을 위해 추가 검사가 필요한 이유를 수학적으로 이해할 수 있습니다.
베이즈 정리 계산기
베이즈 정리로 사후 확률을 계산합니다. 사전 확률, 우도, 위양성율을 입력하세요.
입력
%
%
%
예시: 유병률 1%인 질병을 민감도 95%, 위양성율 5%인 검사로 양성 판정을 받았을 때, 실제 감염 확률은?
사후 확률 P(A|B)
사후 확률 P(A|B) 16.10%
B가 관측된 후 A일 확률 | 1 in 6
P(A|B) 사후 확률16.1%
P(¬A|B)83.9%
사전 확률1%
사후 확률16.10%
B가 관측된 후 A일 확률 | 1 in 6: 16.10%
사후 확률 구성
차트 그리는 중…
풀이 보기
결과 공유하기
베이즈 정리 계산기는 사전 확률과 새로운 증거를 결합하여 사후 확률을 계산하는 도구입니다. "검사 결과가 양성일 때 실제로 질병이 있을 확률은?"과 같은 조건부 확률 문제를 풀 수 있습니다. 베이즈 정리는 P(A|B) = P(B|A) × P(A) / P(B)로 표현되며, 새로운 정보가 주어졌을 때 기존 믿음(사전 확률)을 어떻게 업데이트해야 하는지를 수학적으로 보여줍니다. 의료 진단, 스팸 필터링, 머신러닝 등 다양한 분야에서 핵심적으로 사용됩니다. 이 계산기에서는 사전 확률, 우도 P(B|A)(민감도, 참양성률), 위양성율 P(B|¬A)(1−특이도)를 입력하면 사후 확률 P(A|B)(양성예측도, PPV)를 자동으로 계산하고, 원형 차트로 결과를 보여줍니다.
실생활 예시
이럴 때 이렇게 계산해요.
스팸 메일 필터링
수신 메일 중 스팸 비율이 30%이고, 스팸 필터가 스팸을 정확히 탐지할 확률 95%, 정상 메일을 스팸으로 잘못 분류할 확률 3%입니다. 스팸으로 분류된 메일이 실제 스팸일 확률은?
베이즈 정리를 적용하면 약 93.1%로, 필터가 스팸이라 판단한 메일의 약 7%는 정상 메일입니다.
음주운전 검문 양성 해석
음주운전 비율 2%, 음주 측정기 정확도(민감도 97%, 특이도 95%)일 때 양성 반응이 나온 운전자가 실제 음주일 확률은? 베이즈 정리로 계산하면 약 28.4%입니다.
측정기가 양성이어도 실제 음주 확률은 약 28%에 불과합니다. 이것이 2차 확인 검사(혈중 알코올 측정)가 필요한 이유입니다.
제조 공정 불량 원인 추정
불량률 4%인 A라인과 1%인 B라인이 각각 60%, 40%를 생산합니다. 불량품이 발견됐을 때 A라인에서 온 확률은? P(A|불량) = (0.04×0.6)/(0.04×0.6+0.01×0.4) ≈ 85.7%입니다.
생산 비율과 불량률을 종합하면 불량품의 85.7%가 A라인 출신입니다. 품질 개선 우선순위를 정할 때 베이즈 정리가 유용합니다.
관련 계산기
같이 쓰면 좋아요. 옆으로 넘겨 보세요.
자주 묻는 질문
궁금한 거 모아 봤어요. 눌러서 펼쳐 보세요.
베이즈 정리가 일상에서 왜 중요한가요?
의료 검사의 정확도 해석, 범죄 수사에서의 증거 평가, 스팸 메일 필터링 등에서 활용됩니다. 직관적으로 판단하면 틀리기 쉬운 조건부 확률을 정확하게 계산할 수 있습니다.
거짓 양성(False Positive)이 왜 중요한가요?
희귀 질병(유병률 0.1%) 검사의 정확도가 99%라도, 양성 결과가 나왔을 때 실제 질병일 확률은 약 9%에 불과합니다. 이는 거짓 양성의 수가 실제 양성보다 많기 때문입니다.
민감도와 특이도의 차이는 무엇인가요?
민감도는 "실제 양성을 양성으로 판별할 확률", 특이도는 "실제 음성을 음성으로 판별할 확률"입니다. 두 값 모두 높을수록 좋은 검사이며, 베이즈 정리로 이 값들을 종합하여 실제 의미를 파악합니다.
사전 확률과 사후 확률의 차이는 무엇인가요?
사전 확률은 새로운 증거 없이 기존에 알고 있는 확률(예: 유병률)이고, 사후 확률은 새로운 증거(예: 검사 양성)를 반영한 후 업데이트된 확률입니다. 베이즈 정리가 이 업데이트 과정을 수학적으로 계산합니다.
베이즈 정리는 머신러닝에서 어떻게 쓰이나요?
나이브 베이즈 분류기가 대표적입니다. 스팸 필터, 감정 분석, 문서 분류 등에서 각 특성의 조건부 확률을 곱하여 가장 가능성 높은 분류를 선택합니다. 단순하지만 텍스트 분류에서 높은 정확도를 보입니다.
베이즈 정리에서 유병률이 왜 중요한가요?
유병률(사전 확률)이 낮을수록 양성예측도가 급격히 떨어집니다. 정확도 99% 검사도 유병률 0.1%이면 양성예측도가 약 9%에 불과합니다. 검사 결과 해석 시 유병률을 반드시 함께 고려해야 합니다.
계산 원리
베이즈 정리(Bayes' Theorem)는 새로운 증거가 주어졌을 때 기존 믿음(사전 확률)을 업데이트하는 수학적 공식입니다. 18세기 영국의 수학자 토마스 베이즈가 제안했으며, 현대 통계학과 인공지능의 핵심 원리입니다.
공식은 P(A|B) = P(B|A) × P(A) / P(B)입니다. P(A)는 사전 확률(증거 없이 알고 있는 확률), P(B|A)는 A가 참일 때 B가 관찰될 확률(우도), P(B)는 B의 전체 확률, P(A|B)는 사후 확률(증거 B를 보고 업데이트된 확률)입니다.
예를 들어 유병률 1%인 질병에 대해 정확도 95% 검사가 양성이면, 직관적으로 95%가 감염이라 생각하기 쉽지만 실제로는 약 16%에 불과합니다. 이처럼 베이즈 정리는 직관이 틀리기 쉬운 조건부 확률을 정확히 계산해줍니다.
사용 방법
사전 확률 입력
사건의 기본 발생률(사전 확률)을 입력합니다.
민감도 입력
실제 양성을 양성으로 판별할 확률(민감도, 우도 P(B|A))을 입력합니다.
위양성율 입력
실제 음성인데 양성으로 판별할 확률(위양성율 P(B|¬A), 1−특이도)을 입력합니다.
결과 확인
사후 확률(양성예측도)과 사전 확률 대비 변화, 원형 차트를 확인합니다.
용어 사전
- 사전 확률(Prior)
- 새로운 증거 없이 기존에 알고 있는 확률. 예: 질병의 유병률.
- 사후 확률(Posterior)
- 새로운 증거를 반영하여 업데이트된 확률. 베이즈 정리의 최종 결과.
- 우도(Likelihood)
- 가설이 참일 때 관찰된 증거가 나타날 확률. P(B|A)에 해당합니다.
- 민감도(Sensitivity)
- 실제 양성인 사람을 양성으로 정확히 판별하는 비율. 참양성률이라고도 합니다.
- 특이도(Specificity)
- 실제 음성인 사람을 음성으로 정확히 판별하는 비율. 참음성률이라고도 합니다.
- 양성예측도(PPV)
- 검사 양성인 사람 중 실제로 양성인 비율. 사후 확률과 같은 의미입니다.
- 거짓 양성(False Positive)
- 실제로는 음성인데 양성으로 잘못 판정된 경우. 1-특이도로 계산합니다.
- 빈도 트리(Frequency Tree)
- 전체 인원을 가지치기하여 각 경우의 인원수를 시각적으로 표현하는 도구.