택시 문제가 보여주는 확률 판단의 함정
기저율 무시는 사람들이 확률을 추정할 때 전체 모집단에서의 기본 발생 빈도보다 눈앞의 구체적이고 생생한 정보에 훨씬 더 큰 비중을 두는 경향에서 비롯됩니다. 카너먼과 트버스키가 제시한 택시 문제에서 정답은 베이즈 정리에 따라 약 41퍼센트였지만, 대부분의 실험 참가자는 목격자의 정확도인 80퍼센트에 가까운 답을 내놓았습니다. 이는 초록 택시와 파랑 택시의 실제 비율이라는 기저율 정보가 목격자 증언이라는 생생한 개별 정보에 밀려 거의 반영되지 못했음을 보여줍니다. 이러한 경향은 이후 대표성 휴리스틱이라는 더 넓은 개념의 한 사례로 정리되었습니다.
의료 통계와 뉴스 해석에서의 함정
기저율 무시는 학술적인 실험실 문제를 넘어 의료 검사 결과 해석이나 뉴스 보도 이해처럼 실생활에 직접적인 영향을 미치는 영역에서도 자주 나타납니다. 정확도가 매우 높은 검사라도 대상 질환의 유병률이 낮으면 양성 판정을 받았다고 해서 실제로 그 질환일 확률이 그만큼 높지 않을 수 있습니다. 이러한 계산을 하지 않고 검사의 정확도만 보고 판단하면 불필요한 불안이나 잘못된 의사결정으로 이어질 수 있습니다.
자주 묻는 질문
택시 문제의 정답이 41퍼센트인 이유는 무엇인가요?
전체 택시 중 파랑 택시는 15퍼센트에 불과해 애초에 파랑 택시를 만날 확률 자체가 낮습니다. 목격자가 파랑이라고 진술했더라도 오인 가능성까지 함께 계산하면, 실제로 파랑 택시일 확률은 목격자의 정확도인 80퍼센트보다 훨씬 낮은 약 41퍼센트로 계산됩니다.
기저율 무시는 전문가에게도 나타나나요?
네, 의료진이나 통계 전문가처럼 관련 지식을 갖춘 사람들도 기저율을 충분히 반영하지 못하는 경우가 여러 연구에서 보고되었습니다. 이는 전문성이 있다고 해서 이 편향에서 완전히 자유롭지 않다는 것을 보여줍니다.
기저율 무시를 줄이는 실용적인 방법이 있나요?
확률을 추정할 때는 먼저 전체 모집단에서의 기본 발생률을 확인한 뒤 그 위에 새로운 정보를 반영하는 순서로 접근하는 것이 도움이 됩니다. 의료 검사 결과나 통계 자료를 해석할 때는 베이즈 정리와 같은 명시적인 계산 틀을 활용하는 것이 실용적인 방법으로 소개됩니다.