베이즈 사고 (Bayesian Thinking)

한 줄 정의

새 증거를 만났을 때 기존 믿음을 사전 확률(prior)로 두고 조건부 갱신하는 추론 방식. 절대적 단정 대신 확률 분포로 사고한다.

일상 한 줄

0/100 단정 대신 "이 정도 가능성"으로 사고하고, 새 정보를 만나면 조금씩 조정한다.

흔한 장면

첫인상으로 "저 사람 별로다" 단정 → 새 단서가 와도 평가가 안 바뀜.
뉴스 한 건으로 "역시 X는 다 그래" 결론.
친구 사과 한 마디로 모든 의심을 풀어버림 (역방향).
면접 첫 5분으로 채용 결정 (45분의 새 정보 무시).

왜 빠지나

확률 사고는 인지 부하 — 0/100이 편하다. "70% 가능성"은 어색.
확신은 안정감을 준다 — 흔들리는 믿음은 불안.
기저율 무시 — 사전 빈도(평균적으로 얼마나 흔한가)를 잊고 한 사례에 휘둘림.

빠져나오는 법

1. "지금 얼마나 확신하지?" — 결정 전 70%? 90%? 숫자로 표현 시도. 2. 새 증거 강도 평가 — "이게 얼마나 결정적인가? 다른 설명도 가능?" 3. 한 단계씩 조정 — 한 번에 0→100 가지 말고, 새 증거 정도만큼만 이동.

함께 쓰기 좋은 도구

확증 편향 — 베이즈 갱신을 막는 주요 적
사전부검 — 결정 전 실패 시나리오를 미리 적기
평균 회귀 — 극단값에서 사전으로의 자연 수축

통념이 무너지는 순간

"한 가지 증거만 보면 진실을 알 수 있다"

⚠ 흔한 말: "양성 검사 나왔으면 병이다" — 한 검사 결과로 단정. ✓ 학술: Tversky & Kahneman 1971, 1973의 기저율 무시(base rate neglect) 실험. 검사가 99% 정확해도, 질병 유병률(사전 확률)이 0.1%면 양성자의 다수가 실제 음성. 한 증거의 우도만 보고 사전 확률을 무시하면 단정이 크게 빗나감. 베이즈 정리 P(H|E) = P(E|H)·P(H)/P(E)에서 사전 P(H)를 빼면 결과가 무의미.

### "주관적 확률은 비과학적이다 — 객관 데이터만 봐야 한다" ⚠ 흔한 말: 통계 교과서의 빈도주의 정통. ✓ 학술: Cox 1946 (American Journal of Physics 14(1):1-13, Cox theorem): 합리적 믿음 체계의 기본 공리만 만족하면 베이즈 확률이 도출됨. Jaynes 2003 (Probability Theory, OA partial PDF): 사전 확률이 "주관"이 아니라 "이전 정보를 코딩한 것". 빈도주의·베이즈는 둘 다 정당하고, 데이터가 풍부할 때 수렴.

"베이즈 갱신은 머릿속에서 자연히 일어난다"

⚠ 흔한 말: "사람은 새 정보에 합리적으로 적응한다." ✓ 학술: Tversky & Kahneman의 기저율 무시 + 보수성 편향 연구가 정확히 반대. 사람은 사전 확률을 체계적으로 과소가중하거나, 새 증거에 과소·과대 반응. Tetlock & Gardner 2015 (Superforecasting): 명시적·반복적 베이즈 갱신을 훈련한 예측가들이 직관 예측보다 일관되게 우월. 자연 갱신이 안 됨이 입증.

### "사후 확률이 높으면 그게 진실이다" ⚠ 흔한 말: 90% 확신이면 단정해도 된다는 인식. ✓ 학술: 사후 확률은 분포지 점추정이 아님. 90% 확신이 옳아도 10번 중 1번은 틀림. 베이즈 사고의 핵심은 "확실 vs 불확실"이 아니라 확률을 명시하고 계속 갱신하는 절차. 단정으로 종결하면 베이즈가 아니라 도그마.

빠져나오는 절차

(상세는 위의 "빠져나오는 법" 섹션 참조.)

1차 출처

Thomas Bayes (1763, 사후 출판). "An essay towards solving a problem in the doctrine of chances." Philosophical Transactions of the Royal Society of London, 53, 370-418. Richard Price 편집·발표.
Pierre-Simon Laplace (1774; 1812). Théorie analytique des probabilités. 독립 발전 + 일반화.
현대 표준 교과서: E. T. Jaynes (2003, 사후 출판). Probability Theory: The Logic of Science. Cambridge University Press.
의사결정 응용: Savage (1954). The Foundations of Statistics. Wiley.

무료 접근:
Bayes 1763: 퍼블릭 도메인. Royal Society Publishing 무료 다운
Laplace 1812: 퍼블릭 도메인. archive.org
Jaynes 2003: 부분 초고 bayes.wustl.edu (Wash U 사후 공개)

원문 핵심 인용

"Given the number of times in which an unknown event has happened and failed: Required the chance that the probability of its happening in a single trial lies somewhere between any two degrees of probability that can be named." — Bayes (1763), 문제 정의 verbatim 검증: 2026-05-23, OA PDF(bayes.wustl.edu)에서 grep 확인

핵심 수식 (베이즈 정리):

P(H|E) = P(E|H) · P(H) / P(E)

P(H) = 사전 확률, P(E|H) = 우도, P(H|E) = 사후 확률.

핵심 정의·메커니즘

이전 vs 이후: 증거(E) 전의 믿음(P(H)) → 증거 후의 믿음(P(H|E))으로 명시적 갱신.
세 요소:
1. 사전 확률: 기존에 가진 H에 대한 믿음 정도
2. 우도: H가 참일 때 E를 볼 확률
3. 사후 확률: 갱신 결과
이항 대립이 아닌 분포: "맞다/틀리다"가 아니라 "이 정도 확률로 그럴 것 같다"
자기 수정성: 새 증거가 사전을 압도하면 자연스럽게 사후가 바뀐다 → 도그마 회피
빈도주의와 대비: 빈도주의는 데이터에서 모수를 추정. 베이즈는 모수에 분포(불확실성)를 둠.

주요 후속 연구·메타분석

Cox (1946). "Probability, frequency and reasonable expectation." American Journal of Physics, 14(1):1-13. 베이즈 확률을 합리적 믿음 체계로 정당화 (Cox theorem).
Tversky & Kahneman (1971, 1973). 기저율 무시(base rate neglect) 실험 — 사람이 사전 확률을 체계적으로 과소 가중.
Pearl (2009). Causality. Cambridge University Press. 베이즈 네트워크와 인과 추론.
McElreath (2020). Statistical Rethinking (2판). CRC Press. 현대 베이즈 통계 표준 교과서 (R/Stan).
Tetlock & Gardner (2015). Superforecasting. 베이즈 갱신을 운영화한 예측가들이 전문가를 능가.

비판·한계

사전 확률의 주관성: 사전을 어떻게 정할 것인가에 대한 논쟁 — Jeffreys prior, maximum entropy, expert prior 등 갈래 분산.
계산 복잡성: 다차원 사후 분포는 해석 불가, MCMC 등 수치 방법 필요.
빈도주의의 반박: 일부 통계학자는 베이즈 사전이 결과를 결정하는 비객관성을 비판.
인간 인지 한계: 사람은 사전 확률을 직관적으로 잘 다루지 못함 (기저율 무시).
잘못된 적용: "사전이 약하니까 데이터에 다 맡기자"는 어설픈 베이즈는 무정보 사전이 아니라 잘못된 사전인 경우 많음.

앱 활용 방법

0009 라이브러리: 정의 + 일상 예시(전혀 모르는 사람에 대한 첫인상이 한 가지 단서로 바뀌어야 하는 정도) + 안티패턴("증거가 약한데 사전 확률만 가지고 단정")
연결 인생 질문:
- Q08 후회 없는 선택 — 결정 전후 믿음 변화를 명시
- Q03 두려움 마주하기 — 위협 확률의 사전·사후 분리 (인지 재평가와 결합)
시나리오 적합성: 부분 적합. 수식 없이 "이전 믿음 vs 새 증거 후 믿음" 비교 게임으로 운영화 가능.
주의: 수학 없이도 "사전·사후" 직관만 전달. 베이즈 정리 수식 노출은 최소화.