[제9편: 긍정 오류와 부정 오류 - 암 검사 결과가 양성인데 정상일 확률]

 안녕하세요! 브로올리 연구소장입니다. 오늘은 살면서 절대 마주하고 싶지 않지만, 막상 닥치면 우리를 엄청난 공포나 혼란에 빠뜨리는 주제를 가져왔습니다.

바로 검사 결과의 배신, **'긍정 오류'와 '부정 오류'**입니다. 통계학에서는 제1종 오류, 제2종 오류라고 부르기도 하죠. "암이 아닌데 암이라고 한다면?", "범인인데 무죄라고 한다면?" 이 두 가지 실수 중 무엇이 더 위험할까요?


검사라는 것은 언제나 100% 완벽할 수 없습니다. 인간이 만든 모든 테스트에는 반드시 '실수'의 가능성이 존재하죠. 통계학에서는 이 실수를 두 가지 방향으로 정의합니다.

1. 긍정 오류 (제1종 오류, False Positive)

실제로는 '아니요(Negative)'인데, 결과가 '네(Positive)'라고 나오는 경우입니다.

  • 예시: 병이 없는데 병이 있다고 진단함, 스팸 메일이 아닌데 스팸함으로 보냄, 무죄인 사람을 유죄라고 판결함.

  • 특징: "멀쩡한 사람을 죄인으로 만드는 실수"입니다. 이 오류가 많아지면 사람들은 검사 결과에 대해 '양치기 소년'처럼 느끼게 됩니다.

2. 부정 오류 (제2종 오류, False Negative)

실제로는 '네(Positive)'인데, 결과가 '아니요(Negative)'라고 나오는 경우입니다.

  • 예시: 병이 있는데 정상이라고 진단함, 도둑인데 경찰이 놓침, 유죄인 사람에게 무죄 판결을 내림.

  • 특징: "진짜 위험을 놓치는 실수"입니다. 의료계에서는 긍정 오류보다 이 부정 오류를 훨씬 치명적으로 봅니다. 병을 놓치면 치료 시기를 놓치기 때문이죠.

3. 왜 둘 다 줄일 수는 없을까? (Trade-off)

가장 좋은 건 둘 다 0%인 것이겠지만, 현실에서는 불가능합니다. 하나를 줄이려고 기준을 엄격하게 잡으면 다른 하나가 늘어나는 시소 관계에 있기 때문입니다.

예를 들어, 암 검사 기준을 아주 예민하게 잡으면(부정 오류를 줄이면), 조금만 이상해도 "암이다!"라고 판정하게 되어 건강한 사람까지 환자로 만드는 긍정 오류가 늘어납니다. 반대로 기준을 아주 느슨하게 잡으면(긍정 오류를 줄이면), 진짜 환자인데도 "건강하시네요" 하고 보내버리는 부정 오류가 발생하죠.

4. 상황에 따라 '착한 실수'는 다릅니다

세상은 어떤 실수가 더 치명적인가에 따라 기준점을 옮깁니다.

  • 재판장: "열 명의 범죄자를 놓치더라도(부정 오류), 한 명의 억울한 피해자를 만들지 마라(긍정 오류 엄격 관리)."

  • 공항 보안 검색대: "죄 없는 승객의 가방을 열어보는 불편이 있더라도(긍정 오류), 단 하나의 폭발물도 놓쳐서는 안 된다(부정 오류 철저 차단)."

5. 브로올리 연구소의 데이터 팁

만약 여러분이 검사에서 '양성' 판정을 받았다면, 당황하기 전에 해당 검사의 **'정밀도(Precision)'**와 **'재현율(Recall)'**을 물어봐야 합니다. 5편에서 배웠던 기저율의 원리처럼, 검사 자체가 예민하게 세팅되어 있어 발생하는 '해프닝'일 가능성도 충분하기 때문입니다.

결과는 수치일 뿐, 그 숫자가 어떤 '오류의 가능성'을 품고 있는지 아는 것이 진짜 지혜입니다.

✅ 9편 핵심 요약

  • **긍정 오류(1종 오류)**는 사실이 아닌데 그렇다고 판정하는 '가짜 알람'이다.

  • **부정 오류(2종 오류)**는 사실인데 아니라고 판정하는 '위험한 간과'다.

  • 모든 시스템은 두 오류 사이의 균형을 맞추며, 상황에 따라 더 피해야 할 오류를 선택한다.

다음 편 예고: "데이터가 많으면 많을수록 무조건 정답에 가까워질까?" 빅데이터 시대의 화려한 겉모습 뒤에 숨겨진 데이터 과적합과 노이즈의 무서움을 파헤쳐 봅니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

[제6편: %와 %p의 한 끗 차이 - 뉴스가 숫자를 부풀리는 방식]

 안녕하세요! 브로올리 연구소장입니다. 오늘은 뉴스 기사나 경제 뉴스를 볼 때 가장 많이 헷갈리지만, 모르면 무조건 손해를 보는 숫자 이야기를 가져왔습니다. 바로 **퍼센트(%)**와 **퍼센트포인트(%p)**의 차이입니다. "그게 그거 아니야?"라고 생각하실 수 있지만, 이 글자를 어떻게 쓰느냐에 따라 체감 수치가 수십 배나 차이 날 수 있거든요. 숫자의 마법을 부리는 교묘한 편집의 기술, 함께 알아볼까요? 우리는 매일 "취업률 3% 상승", "금리 0.5%p 인상" 같은 말을 듣습니다. 그런데 왜 어떤 때는 %를 쓰고, 어떤 때는 %p라고 할까요? 이 둘을 혼동하면 누군가 의도적으로 정보를 왜곡할 때 아주 쉽게 속아 넘어가게 됩니다. 1. 퍼센트(%)는 '변화의 비율'입니다 퍼센트는 원래 있던 값에서 얼마나 변했는지를 나타내는 비율 입니다. 예를 들어, 작년 실업률이 10%였는데 올해 11%가 되었다고 가정해 봅시다. 여기서 "실업률이 1% 올랐다"고 말하면 통계적으로는 틀린 표현입니다. 원래 10이었던 값에서 1만큼 증가한 것이니, 실제로는 **10%가 증가(10의 10%는 1)**한 것입니다. 즉, "실업률이 작년 대비 10% 상승했다"라고 말하는 것이 퍼센트의 올바른 사용법입니다. 2. 퍼센트포인트(%p)는 '단순한 차이'입니다 반면 퍼센트포인트는 퍼센트로 표시된 수치끼리 단순히 뺄셈을 한 차이 를 말합니다. 앞선 예시에서 11%와 10%의 차이는 단순하게 1이죠? 이때 단위를 %p라고 씁니다. 즉, "실업률이 작년보다 1%p 상승 했다"라고 말해야 정확합니다. 3. 왜 뉴스는 이 둘을 교묘하게 섞어 쓸까? 이제부터가 중요합니다. 정보를 전달하는 쪽에서 상황을 부풀리거나 축소하고 싶을 때 이 단위를 이용합니다. 상황 A (성과를 자랑하고 싶을 때) : 우리 회사 점유율이 1%에서 2%로 올랐습니다. "점유율이...
자세한 내용 보기

[제1편: 평균의 함정 - 왜 나의 월급은 평균보다 낮을까?]

이미지
 안녕하세요, 브로올리 연구소입니다. 우리는 일상에서 '평균'이라는 단어를 정말 많이 사용합니다. "평균 수입", "평균 수명", "평균 성적" 등 평균은 복잡한 데이터를 단 하나의 숫자로 요약해주는 아주 편리한 도구처럼 보이죠. 하지만 통계학에서 평균은 때때로 진실을 가장 교묘하게 가리는 '가면'이 되기도 합니다. 1. 빌 게이츠가 동네 술집에 들어오면 생기는 일 상상해 봅시다. 어느 동네 술집에 평범한 직장인 10명이 모여 있습니다. 이들의 연봉 평균이 5,000만 원이라고 가정하죠. 그런데 갑자기 연봉이 수천억 원인 빌 게이츠가 이 술집으로 걸어 들어옵니다. 그 순간, 이 술집 안에 있는 사람들의 '1인당 평균 연봉'은 수십억 원으로 껑충 뛰어오릅니다. 하지만 술집에 있던 기존 직장인들의 지갑 사정은 변한 게 없습니다. 이것이 바로 평균의 함정 입니다. 극단적인 값(아웃라이어) 하나가 전체의 모습을 심각하게 왜곡하는 것이죠. 2. 우리가 진짜 봐야 할 숫자는 '중앙값'입니다 통계 데이터를 볼 때 평균(Mean)보다 더 믿음직한 경우가 많은 숫자가 바로 **중앙값(Median)**입니다. 중앙값은 데이터를 크기순으로 쭉 나열했을 때 딱 중간에 위치하는 값을 말합니다. 앞서 말한 술집 사례에서 평균은 빌 게이츠 때문에 왜곡되었지만, 중앙값은 여전히 5,000만 원 근처에 머뭅니다. 뉴스에서 "우리나라 근로자 평균 소득이 000만 원이다"라는 기사를 보고 "나는 왜 저거밖에 안 되지?"라고 자괴감이 든다면, 대개 그 통계는 소수의 고소득자가 평균을 끌어올렸기 때문일 확률이 높습니다. 이럴 때는 평균 대신 '중앙값'이나 가장 많은 사람이 해당하는 값인 '최빈값'을 찾아보는 지혜가 필요합니다. Shutterstock 탐색 3. 평균적인 사람은 존재하지 않는다 1940년대 미국 공군에서는 조종...
자세한 내용 보기

[제5편: 기저율의 오류 - 양성 판정을 받아도 무서워할 필요 없는 이유]

 만약 여러분이 아주 드문 희귀병 검사를 받았는데, 의사 선생님이 "양성(병이 있음)입니다"라고 말했다면 어떨까요? 하늘이 무너지는 기분이겠죠. 하지만 통계적으로 따져보면, 여러분이 실제로 그 병에 걸렸을 확률은 의외로 10%도 안 될 수 있습니다. 어떻게 이런 일이 가능할까요? 1. '기저율'이 도대체 뭐길래? 기저율(Base Rate)은 쉽게 말해 **'원래 그 일이 일어날 확률'**을 뜻합니다. 예를 들어 그 희귀병이 인구 1,000명당 1명만 걸리는 병이라고 칩시다. 여기서 기저율은 0.1%입니다. 아주 낮죠. 2. 정확도 99% 검사기의 함정 자, 이제 정확도가 99%인 아주 훌륭한 검사기가 있다고 해봅시다. 1,000명을 검사하면 어떤 일이 벌어질까요? 진짜 환자(1명) : 정확도가 99%이니 당연히 '양성'이라고 나옵니다. 건강한 사람(999명) : 정확도가 99%니까, 반대로 1%의 실수 를 합니다. 즉, 건강한 999명 중 약 10명(1%)에게는 "당신 병에 걸렸어요!"라고 오답(위양성)을 내놓습니다. 결과적으로 검사기가 '양성'이라고 외친 사람은 총 11명(진짜 1명 + 가짜 10명)입니다. 그런데 이 중에서 진짜 환자는 단 1명 뿐이죠. 즉, 양성 판정을 받아도 내가 진짜 환자일 확률은 1/11, 약 9% 밖에 안 되는 겁니다. 3. 왜 우리는 숫자에 속을까? 사람의 뇌는 구체적인 정보(99%의 정확도)에는 예민하게 반응하지만, 전체적인 배경 정보(0.1%라는 낮은 발병률)는 무시하는 경향이 있습니다. 이를 '기저율 무시'라고 부릅니다. 이건 일상에서도 자주 일어납니다. 예를 들어 "내 친구는 아주 조용하고 책 읽기를 좋아해. 이 친구는 도서관 사서일까, 아니면 회사원일까?"라고 물으면 많은 사람이 '사서'라고 답합니다. 하지만 현실적으로 회사원의 수가 사서보다 수천 배 많기 때문에(높은 기저율), ...
자세한 내용 보기