기저율 무시란?

한눈에 보기

기저율(base rate)은 어떤 사건이나 특성이 전체 집단에서 원래 얼마나 흔한지를 뜻합니다. 기저율 무시는 개별 사례에 대한 구체적인 정보가 눈앞에 있을 때 이 기본 빈도를 판단에 충분히 반영하지 못하는 경향입니다. 이 글은 개념의 출처, 계산이 어떻게 달라지는지, 실제 연구와 사건, 그리고 이 편향을 둘러싼 학계의 이견까지 순서대로 다룹니다. 심리학 이론에 대한 일반 정보이며 의학적 판단이나 법적 판단을 대신하지 않습니다.

• 핵심은 '검사의 정확도'와 '양성일 때 실제로 해당될 확률'이 서로 다른 질문이라는 점입니다.
• 같은 양성 결과라도 대상 집단에서 그 상태가 얼마나 흔한지에 따라 의미가 크게 달라집니다.
• 확률을 빈도(몇 명 중 몇 명)로 바꿔 세면 계산이 훨씬 쉬워진다는 연구가 있습니다.
• 사람들이 기저율을 언제 얼마나 무시하는지에 대해서는 학계에도 여전히 논쟁이 있습니다.

개념은 어디서 왔나: 휴리스틱 연구의 한 갈래

기저율 무시는 대니얼 카너먼과 아모스 트버스키가 이끈 '판단 휴리스틱' 연구에서 널리 알려졌습니다. 두 사람은 1973년 논문 「예측의 심리학(On the psychology of prediction)」에서 사람들이 어떤 대상이 특정 범주의 전형과 얼마나 닮았는지(대표성)를 근거로 예측하고, 그 범주가 원래 얼마나 흔한지는 상대적으로 덜 고려한다고 논했습니다. 위키백과의 기저율 오류 항목은 학생의 성적 평점을 예측하는 실험도 이 흐름의 사례로 소개합니다. 성적 분포 같은 통계가 주어져도, 학생에 대한 서술 정보가 있으면 참가자들이 그 서술에 끌려 예측했다는 내용입니다. 이후 1974년 《사이언스》에 실린 「불확실성 하의 판단: 휴리스틱과 편향」이 이 연구 흐름을 폭넓게 알렸습니다.

법정 맥락에서는 같은 현상이 '검사의 오류(prosecutor's fallacy)', '변호인의 오류'라는 이름으로 불립니다. 이 용어는 톰프슨과 슈만이 1987년에 제안한 것으로 위키백과에 소개되어 있습니다. 심리학 쪽에서는 기저율 무시를 '외연 무시(extension neglect)'의 한 형태로 분류하기도 합니다.

택시 문제: 왜 80퍼센트가 아니라 41퍼센트인가

가장 널리 인용되는 사례는 택시 문제입니다. 어떤 도시의 택시 중 85퍼센트는 초록색, 15퍼센트는 파란색입니다. 뺑소니 사고가 났고 목격자는 '파란 택시'라고 증언했는데, 같은 조건에서 목격자가 색을 맞히는 정확도는 80퍼센트라고 검증되었습니다. 이때 사고 택시가 정말 파란색일 확률은 얼마일까요? 많은 사람이 80퍼센트 안팎으로 답하지만 베이즈 정리로 계산한 값은 약 41퍼센트입니다.

계산을 빈도로 풀어 보면 이유가 보입니다. 택시가 100대라면 파란 택시는 15대, 초록 택시는 85대입니다. 파란 택시 15대 중 목격자가 올바르게 '파랑'이라고 하는 경우는 15 × 0.8 = 12대입니다. 초록 택시 85대 중 잘못 '파랑'이라고 하는 경우는 85 × 0.2 = 17대입니다. 결국 목격자가 '파랑'이라고 말하는 29대 가운데 실제 파란 택시는 12대이므로 12 ÷ 29, 약 41퍼센트입니다. 초록 택시가 워낙 많기 때문에 오인된 초록 택시의 수가 정확하게 식별된 파란 택시의 수보다 더 많은 것입니다.

이 문제의 출처 연도는 자료마다 다르게 소개됩니다. 한 정리 글은 트버스키와 카너먼이 1972년에 이 문제를 냈고 1981년 스탠퍼드 기술 보고서(「기저율의 증거 영향력」)로 이어졌다고 쓰고, 다른 문헌은 바힐렐(Bar-Hillel, 1980)과 트버스키·카너먼(1981)을 함께 인용합니다. 이 글에서는 최초 발표 연도를 단정하지 않습니다.

같은 구조, 다른 장면: 비교표

기저율 무시가 문제 되는 장면은 대개 같은 뼈대를 가집니다. 아래 표는 위키백과 기저율 오류 항목과 앞의 택시 문제에서 확인되는 수치를 같은 틀로 정리한 것입니다. 표의 마지막 두 줄은 교과서식 설명용 가정이며 실제 통계가 아닙니다.

같은 검사(거짓 양성 5퍼센트)라도 집단 A에서는 양성의 약 93퍼센트가 진짜인 반면 집단 B에서는 약 29퍼센트에 그칩니다. 검사 성능이 같은데도 결과의 의미가 달라지는 이유가 바로 기저율입니다.

실제 사례 세 가지

사례 1. 하버드 의대 관련 병원에서 물었던 문제 (1978)

1978년 《뉴잉글랜드 의학 저널》에 카셀스, 쇤버거, 그레이보이스가 발표한 글에서는 의료진과 의대생에게 다음 질문을 했습니다. 유병률이 1,000명 중 1명인 질병에 대해 거짓 양성률이 5퍼센트인 검사가 있을 때, 양성이 나온 사람이 실제로 병이 있을 확률은? 정답은 약 2퍼센트인데(거짓 음성이 없다고 가정하면 1 ÷ 50.95 ≈ 1.96퍼센트), 보도에 따르면 60명 중 11명, 약 18퍼센트만 정답을 말했고 가장 흔한 답은 95퍼센트였습니다. 응답자 구성은 자료마다 약간 다르게 소개되고 이후 재현 시도에서는 정답률이 더 높게 나온 사례도 있지만, 한 정리 글에 따르면 객관식 변형에서도 정답자가 다수는 아니었습니다. 이 사례에서 배울 점은 전문 훈련을 받은 사람도 '검사 정확도'와 '양성일 때 병일 확률'을 쉽게 혼동한다는 것입니다.

사례 2. 샐리 클라크 사건 (영국, 2003년 판결 파기)

위키백과는 샐리 클라크 사건을 기저율 문제의 실제 사례로 소개합니다. 아기 두 명이 잇따라 숨진 사건에서 전문가 증인 메도가 우연히 두 건의 영아 돌연사가 한 가정에서 일어날 확률을 7,300만분의 1이라고 제시했고, 이는 재판에서 강한 인상을 남겼습니다. 이후 통계학자 레이 힐 등은 '살인'이라는 설명 자체의 사전 확률이 매우 낮다는 점을 고려해야 하며, 비교 가능한 대안 설명(사고·자연사)이 살인보다 4.5배에서 9배 더 가능성이 크다고 추정했습니다. 샐리 클라크의 유죄 판결은 2003년에 파기되었습니다. 배울 점은 '희귀한 일이 일어났다'는 사실만으로는 부족하고, 경쟁하는 설명들의 사전 가능성을 함께 비교해야 한다는 것입니다. 이 사건에는 다른 통계적 쟁점도 있어, 여기서는 위키백과가 소개한 기저율 관점만 다룹니다.

사례 3. 음주 측정과 대규모 선별 검사 (설명용 시나리오)

위키백과에는 두 가지 설명용 계산이 실려 있습니다. 운전자 1,000명 중 1명이 음주 상태이고 측정기의 거짓 양성률이 5퍼센트일 때, 측정기에 걸린 운전자가 실제 음주 상태일 확률은 약 2퍼센트이지만 많은 사람은 95퍼센트에 가깝게 추정한다는 것입니다. 또 인구 100만 명의 도시에 테러리스트 100명이 있고 선별 시스템의 오류가 1퍼센트라면 경보가 약 1만 98건 울려 그중 진짜는 약 99건, 1퍼센트 미만이라는 계산입니다. 이는 실제 사건이 아니라 개념 설명용 가정이므로 '가상 예시'로 읽어야 합니다. 배울 점은 희귀한 대상을 넓은 집단에서 찾는 선별은 정확도가 높아도 경보 대부분이 거짓일 수 있다는 구조입니다.

직접 해보기: 확률 대신 사람 수로 세기

게르트 기거렌처와 울리히 호프라게(1995)는 확률을 '1,000명 중 몇 명' 같은 자연 빈도로 바꾸면 사람들이 베이즈 추론을 훨씬 잘 한다고 보고했습니다. 위키백과도 숫자를 베이즈 공식에 대입하게 가르치는 것보다 문제를 자연 빈도로 번역하게 가르치는 편이 효과적이라는 연구를 소개합니다. 다음 순서를 연습해 보세요.

1. 전체 인원을 계산하기 쉬운 수(예: 10만 명)로 정합니다.
2. 기저율로 해당자와 비해당자를 나눕니다. (가상 예시: 유병률 1,000명당 1명이면 100명 대 99,900명)
3. 해당자 중 양성이 나오는 인원을 구합니다. (민감도 99퍼센트면 99명)
4. 비해당자 중 양성이 나오는 인원을 구합니다. (거짓 양성 1퍼센트면 999명)
5. 양성 중 진짜 비율은 99 ÷ (99 + 999) ≈ 9퍼센트입니다.

뉴스에서 '정확도 ○○퍼센트'를 보면 이 다섯 단계를 거치기 전에는 결과를 해석하지 않는 습관이 도움이 됩니다. 건강 검진 결과 해석은 반드시 의료진과 상의해야 하며, 이 글의 계산은 개념 이해용입니다.

흔한 오해와 정정

• 오해: 검사 정확도가 99퍼센트면 양성의 99퍼센트가 진짜다. 실제: 검사 정확도는 병이 있거나 없는 사람을 각각 얼마나 맞히는지를 말하는 값이고, 양성이 진짜일 확률은 기저율에 따라 달라집니다.
• 오해: 기저율을 무시하는 것은 통계를 몰라서다. 실제: 앞의 1978년 사례처럼 의료 훈련을 받은 사람도 흔히 같은 실수를 한다고 보고되었습니다. 지식보다 문제를 제시하는 형식이 영향을 줄 수 있습니다.
• 오해: 기저율 무시는 언제나 일어난다. 실제: 사람들이 기저율을 쓰는 조건에 대한 연구가 있고 학계에 상당한 논쟁이 있다고 위키백과는 전합니다(아래 참조).
• 오해: 기저율만 믿으면 개별 정보는 필요 없다. 실제: 베이즈 추론은 기저율과 개별 증거를 결합하는 방법입니다. 한쪽만 쓰는 것이 문제입니다.

한계와 논쟁

휴리스틱-편향 연구자들은 사람의 확률 사고가 근본적으로 결함이 있다는 결론으로 기울었지만, 코스미데스와 투비(1996), 기거렌처 등은 그런 결론을 일반화할 수 없다고 반박했습니다. 이들은 정보를 확률이 아닌 빈도 형식으로 줄 때 추론 성능이 좋아진다는 점을 근거로 듭니다. 한편 사람들이 기저율을 언제 사용하고 언제 무시하는지에 대해서는 쾰러, 바비와 슬로먼(2007) 등의 연구가 있으며, 위키백과는 이를 상당한 논쟁이 있는 주제로 기술합니다. 따라서 '사람은 기저율을 늘 무시한다'는 단순한 결론은 정확하지 않으며, 문제의 형식과 맥락에 따라 달라지는 경향으로 이해하는 것이 안전합니다. 또한 실험의 정답 41퍼센트 등은 '목격자의 정확도가 기저율과 독립'이라는 가정 위에서 나온 값입니다.

이 글은 심리학·확률에 대한 일반 정보이며 의학·법률 판단을 대신하지 않습니다. 개인의 검사 결과나 법적 사안은 해당 전문가와 상의하세요.

자주 묻는 질문

이어서 읽어 볼 가이드

• 베이즈 정리 기초 가이드
• 가용성 휴리스틱 가이드
• 도박사의 오류 가이드
• 확증 편향 가이드