확률 계산기

두 사건의 확률 계산기

두 개의 독립 사건이 발생할 확률을 알고 있다면, 두 사건의 확률 계산기를 사용하여 두 사건이 동시에 발생할 확률을 쉽게 구할 수 있습니다. 계산기에 두 독립 사건 $A$와 $B$의 확률을 입력하기만 하면 됩니다. 그러면 계산기가 두 사건의 합집합, 교집합, 관련 확률은 물론, 이를 시각적으로 명확하게 이해할 수 있도록 벤 다이어그램(Venn Diagram)을 함께 제공합니다.

두 사건에 대한 확률 해결기

**두 사건에 대한 확률 해결기(Solver)**를 활용하면 두 독립 사건과 관련된 다양한 확률을 심층적으로 계산할 수 있습니다. 이는 두 사건 중 하나 또는 두 가지 확률 값이 모두 주어지지 않은 상황에서 특히 유용합니다. 결과 화면에서는 최종 답안뿐만 아니라 상세한 계산 과정(풀이 단계)까지 함께 제공되어 원리를 이해하는 데 큰 도움이 됩니다.

독립적인 사건들의 연속 확률

어떤 실험에서 두 개의 독립 사건이 연달아 발생하는 경우, 연속 독립 사건 확률 계산기를 사용하여 전체 확률을 쉽고 정확하게 구할 수 있습니다. 이 계산기를 사용할 때는 해당 사건이 발생하는 총 횟수만 설정해 주면 됩니다.

정규 분포의 확률

정규 분포 확률 계산기는 정규 분포 곡선 아래의 특정 확률 값을 구하는 데 매우 유용한 도구입니다. 평균 μ, 표준 편차 σ, 그리고 구하고자 하는 구간의 경계값을 입력하기만 하면 됩니다. 이 계산기는 설정된 경계 내의 확률을 정확히 계산하며, 다양한 신뢰 수준(Confidence Level)에 따른 신뢰 구간까지 자동으로 생성해 줍니다.

확률 소개

확률(Probability)이란 어떤 사건이 일어날 가능성을 수치로 나타낸 것입니다. 어떤 사건이 반드시 일어난다면 그 확률은 1이며, 절대 일어나지 않는다면 확률은 0이 됩니다. 따라서 모든 사건의 확률은 항상 0과 1 사이의 값을 가집니다. 확률 계산기를 활용하면 이렇게 복잡할 수 있는 다양한 사건의 확률을 놀라울 정도로 간단하고 빠르게 계산할 수 있습니다.

사건 연산 규칙

통계적 실험에서 나타나는 결과들의 집합을 '사건(Event)'이라고 부릅니다. 사건은 전체 표본 공간(Sample Space)의 부분 집합으로 정의됩니다. 확률에서는 주로 여사건(Complement), 교집합(Intersection), 합집합(Union)과 같은 핵심 연산 규칙을 다룹니다. 아래의 예제를 통해 각 규칙을 자세히 알아보겠습니다.

예제

여러분이 다니는 대학교에는 경영학부를 포함하여 다양한 학부가 있으며, 많은 유학생들도 함께 재학 중입니다. 대학 프로젝트의 일환으로 교내 학생들과 인터뷰를 진행해야 하는 상황을 가정해 보겠습니다. 여러분은 인터뷰 장소의 문을 열고 들어오는 첫 번째 학생부터 인터뷰를 시작하기로 했습니다. 이때, 다음과 같은 확률 정보가 주어졌다고 가정해 봅시다.

A = 첫 번째 학생이 경영학부 소속일 사건

B = 첫 번째 학생이 유학생일 사건

P(A) = 0.6

P(B) = 0.3

여사건 (사건의 보완)

여사건(Complement)이란 전체 표본 공간 내에서 특정 사건에 포함되지 않는 모든 결과의 집합을 뜻합니다.

예를 들어, 사건 A의 여사건은 첫 번째로 만난 학생이 경영학부 소속이 아닌 다른 학부 출신임을 의미합니다. 수학적으로는 \$A\prime\$ 또는 Aᶜ로 표기합니다.

사건 A의 여사건을 벤 다이어그램으로 시각화해 보겠습니다.

위의 벤 다이어그램에서 색칠된 영역이 바로 사건 A의 여사건을 나타냅니다.

직사각형 전체의 넓이는 표본 공간의 전체 확률을 의미하며, 그 값은 정확히 1입니다. 원 A의 바깥쪽 영역은 사건 A의 여사건이 발생할 확률을 보여줍니다. 이 벤 다이어그램을 통해 다음과 같은 관계식을 성립시킬 수 있습니다.

$$P\left(A\right)+P\left(A^\prime\right)=1$$

따라서 여사건의 확률은 다음과 같습니다.

$$P\left(A^\prime\right)=1-P\left(A\right)$$

이제 주어진 예제의 확률을 계산해 봅시다.

인터뷰를 위해 선택한 첫 번째 학생이 경영학부 소속이 아닐 확률:

$$P\left(A^\prime\right)=1-P\left(A\right)=1-0.6=0.4$$

인터뷰를 위해 선택한 첫 번째 학생이 유학생이 아닐 확률:

$$P\left(B^\prime\right)=1-P\left(B\right)=1-0.3=0.7$$

사건의 교집합

두 사건 A와 B의 교집합은 사건 A와 B 모두에 속하는 공통된 결과들의 집합입니다. 통상적으로 두 집합의 교집합을 나타낼 때 "AND(그리고)"라는 단어를 사용합니다.

예제 1에서 사건 A와 사건 B의 교집합은 인터뷰할 학생이 유학생이며 동시에 경영학부 소속임을 의미합니다. 이는 다음과 같이 표기합니다.

$$A\cap B$$

사건 A와 B의 교집합을 벤 다이어그램으로 나타내 보겠습니다.

위의 벤 다이어그램에서 색칠된 겹치는 영역이 바로 사건 A와 B의 교집합입니다.

이제 인터뷰를 위해 '내국인 학생(현지 학생)'을 선택하는 사건을 C라고 가정해 봅시다. 사건 A와 사건 C의 관계를 벤 다이어그램으로 그려보겠습니다.

한 학생이 유학생이면서 동시에 내국인 학생일 수는 없습니다. 즉, 첫 번째로 선택한 학생이 유학생이라면, 그 학생이 내국인 학생일 가능성은 완전히 배제됩니다. 이처럼 동시에 발생할 수 없는 두 사건을 **배반 사건(Mutually Exclusive Events)**이라고 부릅니다.

배반 사건들 사이에는 공통 요소가 전혀 존재하지 않습니다. 따라서 두 배반 사건의 교집합은 공집합(Empty Set)이 됩니다.

$$A\cap C=φ$$

사건의 교집합 확률은 상황에 따라 여러 가지 방법으로 계산할 수 있습니다. 사건 A와 B의 교집합 확률 공식은 다음과 같습니다.

$$P\left(A\cap B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cup B\right)$$

$$P\left(A\cap B\right)=P(A)× P(B/A)$$

$$P\left(A\cap B\right)=P(B)× P(A/B)$$

독립 사건

독립 사건이란 한 사건의 발생이 다른 사건의 발생 확률에 아무런 영향을 주지 않는 사건들을 말합니다. 앞선 예제에서, 경영학부 학생을 선택하는 사건은 유학생을 선택하는 사건의 확률에 영향을 미치지 않습니다. 따라서 사건 A와 사건 B는 서로 독립 사건이라고 할 수 있습니다.

두 사건이 서로 독립적일 때, 어느 한 사건이 발생할 확률은 다른 사건의 발생 여부에 의존하지 않습니다. 따라서 다음과 같이 성립합니다.

$$P(B/A)=B\ 그리고\ P(A/B)=A$$

이 원리를 바탕으로 앞서 살펴본 교집합 확률 공식을 수정하면, 두 독립 사건의 교집합 확률을 쉽게 구할 수 있습니다.

$$P\left(A\cap B\right)=P\left(A\right)× P\left(\mathrm{B/A}\right)P\left(A\cap B\right)=P(A)× P(B)$$

$$P\left(A\cap B\right)=P\left(B\right)× P\left(\mathrm{A/B}\right)P\left(A\cap B\right)=P(B)× P(A)$$

결론적으로, 두 독립 사건이 동시에 발생할(교집합) 확률을 찾기 위해서는 단순히 두 사건의 확률을 곱해주면 됩니다.

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=P(B)× P(A)$$

사건 A와 B가 서로 독립적이라고 가정할 때, 인터뷰를 위해 선택한 첫 번째 학생이 경영학부 소속이면서 동시에 유학생일 확률을 계산해 봅시다.

$$P\left(A\cap B\right)=P\left(A\right)× P\left(B\right)=0.6× 0.3=0.18$$

사건의 합집합

두 사건의 합집합은 양쪽 사건 중 적어도 하나에 속하는 모든 결과를 포함하는 새로운 사건을 뜻합니다. 통계학에서 두 사건의 합집합을 설명할 때는 보통 "OR(또는)"이라는 단어를 사용합니다.

예제 1에서 사건 A와 B의 합집합은 선택한 학생이 유학생이거나 경영학부 소속일 사건(둘 다인 경우 포함)을 의미합니다. 이는 다음과 같이 표기합니다.

$$A\cup B$$

사건 A와 B의 합집합을 벤 다이어그램으로 나타내 보겠습니다.

위의 벤 다이어그램에서 색칠된 전체 영역이 바로 사건 A와 B의 합집합을 나타냅니다.

사건 A 또는 사건 B가 발생할 확률을 계산하려면, 두 사건의 개별 확률을 더한 뒤 겹치는 교집합의 확률을 빼주어야 합니다.

사건 A와 B의 합집합 확률 공식은 다음과 같습니다.

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cap B\right)$$

만약 두 사건의 교집합 확률을 모르는 상태에서 두 사건이 서로 독립 사건이라는 것을 알고 있다면, 위의 공식을 변형하여 합집합 확률을 구하는 새로운 공식을 만들 수 있습니다.

두 사건이 독립적이라면 다음이 성립합니다.

$$P\left(A\cap B\right)=P(A)× P(B)$$

따라서 합집합 확률은 다음과 같이 계산됩니다.

$$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P(A)× P(B)$$

이제 예제의 사건 A와 B를 결합한 확률을 계산해 봅시다. 즉, 첫 번째로 만난 학생이 경영학부 학생이거나 유학생일 확률(또는 둘 다 해당할 확률)은 얼마일까요?

$$P(A\cup B)=P(A)+P(B)-P(A\cap B)=0.6+0.3-0.18=0.72$$

두 사건의 확률 계산기 또는 두 사건에 대한 확률 해결기 덕분에 이처럼 복잡한 모든 계산을 단 몇 초 만에 신속하게 완료할 수 있습니다. 계산 과정 전체를 확인하고 싶다면, 상세한 풀이 단계를 화면에 표시해 주는 확률 해결기 계산기를 적극 추천합니다.

정규 분포

정규 분포(Normal Distribution)는 완벽한 좌우 대칭을 이루는 종 모양(Bell-curve)의 형태를 가집니다. 정규 분포에서는 평균(Mean), 중앙값(Median), 최빈값(Mode)이 모두 동일하며, 전체 데이터의 50%는 평균보다 크고, 나머지 50%는 평균보다 작게 분포합니다. 정규 분포 곡선은 양쪽 끝으로 갈수록 평균에서 멀어지지만, 결코 X축과 닿지는 않습니다. 또한, 곡선 아래의 전체 면적 합은 항상 1입니다.

확률 변수 X가 평균이 μ이고 분산이 σ²인 정규 분포를 따를 때, 수학적으로는 *X ~ N(μ, σ²)*라고 표기합니다.

정규 분포의 확률

정규 분포의 확률 밀도 함수(Probability Density Function)는 다음과 같습니다.

$$f\left(x\right)=\frac{1}{\sqrt{2π\sigma^2}}× e^\frac{-{(x-\mu)}^2}{2\sigma^2}$$

이 함수에서 각 기호의 의미는 다음과 같습니다.

• μ는 해당 분포의 평균을 의미합니다.
• σ²는 해당 분포의 분산을 의미합니다.
• π(파이)는 약 3.14인 원주율입니다.
• e는 약 2.7182인 자연상수입니다.

평균과 표준 편차의 조합은 무한히 많기 때문에, 모든 정규 분포 곡선에 대해 각각의 확률 표를 제공하는 것은 현실적으로 불가능합니다. 이러한 문제를 해결하기 위해 도입된 것이 바로 **표준 정규 분포(Standard Normal Distribution)**입니다. 평균이 0이고 표준 편차가 1인 정규 분포를 표준 정규 분포라고 부릅니다.

일반적인 정규 분포의 확률을 계산하기 위해서는 먼저 Z-점수(Z-score)를 사용하여 실제 데이터를 표준 정규 분포로 변환한 다음, Z-테이블을 참조하여 확률을 구해야 합니다. 정규 분포 확률 계산기는 다양한 신뢰 수준에 대한 확률을 즉각적으로 제공하므로, 번거로운 표준 정규 확률 계산 과정을 완벽하게 대신해 줍니다.

Z-점수 변환 공식은 다음과 같습니다.

$$Z=\frac{X-\mu}{\sigma}$$

표준 정규 분포 곡선은 다양한 실생활 문제를 해결하는 데 널리 쓰입니다. 특히, 연속 확률 변수(Continuous Variable)의 확률을 분석할 때 매우 유용합니다. 연속 확률 변수란 소수점을 포함하여 연속된 모든 실수 값을 가질 수 있는 변수를 뜻하며, 대표적인 예로는 키, 몸무게, 온도 등이 있습니다.

아래 예제를 통해 정규 분포에서 확률을 구하는 실질적인 방법을 배워보겠습니다.

예제

여러분이 수강하는 통계학 배치 고사 점수 결과가 평균 65점, 표준 편차 10점인 정규 분포를 따른다고 가정해 보겠습니다. 무작위로 한 학생을 선택했을 때, 다음 시나리오에 해당하는 확률을 각각 구하시오.

• 학생의 점수가 70점 이상일 확률
• 학생의 점수가 70점 미만일 확률
• 학생의 점수가 50점에서 70점 사이일 확률

풀이 및 해결

$$P\left(X≥70\right)=P\left(Z≥\frac{70-65}{10}\right)=P\left(Z≥0.5\right)=1-0.6915=0.3085$$

$$P\left(X<70\right)=P\left(Z<\frac{70-65}{10}\right)=P\left(Z<0.5\right)=0.6915$$

$$P\left(50>X>70\right)=P\left(\frac{50-65}{10}>Z>\frac{70-65}{10}\right)=P\left(1.5>Z>0.5\right)=0.4332+0.1915=0.6247$$

직접 손으로 정규 분포 곡선의 확률을 계산하려면 표준화 과정을 거쳐 Z-테이블을 일일이 확인해야 하는 등 복잡한 여러 단계를 거쳐야 합니다. 반면, 정규 분포 확률 계산기를 활용하면 평균, 표준 편차, 그리고 확인하고 싶은 구간의 좌우 경계값 등 단 네 개의 숫자만 입력하여 원하는 확률을 즉시 도출할 수 있어 매우 효율적입니다.