조건부 확률로 맥락을 반영하는 추정과 독립성 판별
조건부 확률의 정의와 곱셈 정리, 전확률법칙, 베이즈 정리를 바탕으로 세그먼트 분석과 독립 사건 판별 방법을 정리한다.
2026-08-14 · 최초 발행 2024-04-29
조건이 주어졌을 때 확률은 어떻게 달라지는가
조건부 확률은 배경 사건 B가 발생한 상황에서 사건 A가 일어날 상대 빈도를 추정한다. 정의는 다음과 같으며, 분모가 되는 P(B)는 0보다 커야 한다.
P(A|B) = P(A∩B) / P(B), 단 P(B) > 0
연속형 확률변수에서는 결합밀도를 주변밀도로 나누어 조건부 밀도를 얻는다.
f*{X|Y=y}(x) = f*{X,Y}(x,y) / f_Y(y), 단 f_Y(y) > 0
측도 이론에서는 확률공간 (Ω, F, P)에서 B에 대해 정규화한 제한 측도로 조건부 확률을 볼 수 있다. 데이터 분석에서는 조건을 Feature, Segment, Prior Knowledge로 두고 분포를 재정규화하는 방식으로 나타난다.
조건별 데이터가 희소하면 분모가 불안정해진다. 이 경우 스무딩을 적용하거나 파티션을 다시 설계해야 한다.
결합확률에서 이어지는 법칙
두 사건의 결합확률은 조건부 확률을 통해 다음처럼 쓸 수 있다.
P(A∩B) = P(A|B)P(B) = P(B|A)P(A)
이 관계를 확장하면 다변수 결합확률도 분해할 수 있다.
P(A,B,C) = P(A|B,C)P(B|C)P(C)
이 다변수 체인 룰은 베이지안 네트워크의 기본 구조가 된다.
서로 겹치지 않으면서 전체를 덮는 파티션 {B_i}가 있을 때는 전확률법칙을 사용한다.
P(A) = Σ_i P(A|B_i)P(B_i)
세그먼트별 성과를 전체 지표로 집계할 때 이 식은 누락이나 중복 없이 가중치를 반영하는 기준이 된다. 베이즈 정리는 관측된 B를 바탕으로 A의 확률을 갱신한다.
P(A|B) = P(B|A)P(A) / [Σ_i P(B|A_i)P(A_i)]
사전확률과 가능도를 결합하는 이 관계는 모델 보정, 진단, 업데이트에 쓰인다.
표본으로 계산한 사기 플래그의 조건부 확률
사기 탐지 표본이 총 1,000건이고 사기가 50건, 룰 플래그가 80건이며 그중 사기가 40건이라고 하자. 빈도 기반 조건부 확률 추정은 다음과 같다.
- P̂(Fraud) = 50/1000 = 0.05
- P̂(Flag) = 80/1000 = 0.08
- P̂(Fraud|Flag) = 40/80 = 0.5
- P̂(Flag|Fraud) = 40/50 = 0.8
베이즈 관계로도 같은 값을 확인할 수 있다.
P(Fraud|Flag) = 0.8×0.05 / 0.08 = 0.5
일반적인 빈도 추정은 P̂(A|B) = n(A∩B)/n(B)다. n(B)=0이면 계산할 수 없으므로 스무딩을 적용하거나 파티션을 병합해야 한다. 라플라스 스무딩, 디리클레 스무딩, 계층적 베이즈(Hierarchical Bayes)는 분모 희소성을 완화하는 데 사용한다.
독립성은 조건을 줘도 확률이 유지되는가로 확인한다
A와 B가 독립이라는 것은 다음 조건들이 동치라는 뜻이다.
P(A∩B) = P(A)P(B)
P(A|B) = P(A) = P(A|B^c)
다만 쌍별(pairwise) 독립성과 상호(mutual) 독립성은 다르다. 상호 독립성은 모든 부분집합에 대해 곱적 관계가 성립해야 한다.
조건부 독립성은 C가 주어진 상태에서 다음과 같이 표현한다.
P(A,B|C) = P(A|C)P(B|C)
이는 베이지안 네트워크에서 구조적 가정으로 활용된다. 실제 데이터에서는 분할표, 적합도/독립성 카이제곱 검정, 정보이득(상호정보량)으로 관계를 탐색할 수 있다. 심슨의 역설이나 누락변수·교란변수로 인한 가독립성은 별도로 경계해야 한다.
세그먼트 분석과 운영 판단에 연결하기
A/B 테스트에서는 디바이스, 유입채널, 지역으로 세그먼트 파티션을 구성한 뒤 P(Conv|Variant, Segment)를 추정한다. 이후 P(Segment)를 가중치로 사용해 전확률법칙으로 P(Conv|Variant)를 집계한다. 분모가 희소한 세그먼트에는 스무딩과 베이즈 크리핑 보정을 적용한다.
분류기 보정에서는 예측 점수 s에 대해 P̂(Y=1|s∈bin)을 구하고, 온도 스케일링이나 아이소토닉 회귀를 적용한다. 사전확률이 변하면 베이즈 정리로 사후확률을 재보정해 데이터 드리프트에 대응할 수 있다.
이상징후·사기 탐지에서는 룰이나 모델 신호 S에 대해 P(Fraud|S)를 계산해 임계값을 정한다. 자원 배분에는 다음 형태의 우선순위 큐를 사용할 수 있다.
Expected Risk = P(Fraud|S) × Loss
운영 환경에서는 P(Fail|Alert, Env)로 경보의 신뢰도를 측정하고, 전확률법칙으로 다중 경보를 결합한다. 관측 증거가 쌓이면 베이지안 업데이트로 사후 위험을 추정한다.
조건부 확률을 계산하고 판단으로 연결하는 흐름
경보의 P(양성|경보)가 상승하면 불필요 조사량은 20~40% 감소를 기대할 수 있다. 세그먼트 보정을 적용한 전환율 추정에서는 MAPE가 10%p 이상 감소한 사례가 있다. 조건을 명시한 추정은 판단의 일관성과 설명 가능성을 높이고, 데이터 드리프트 대응과 모델 유지보수에도 도움이 된다.