알아두면 좋은 내용
몬티홀 문제란?
미국 TV 쇼 “Let’s Make a Deal”의 진행자 몬티 홀(Monty Hall)의 이름을 딴 확률 퍼즐입니다. 처음 문제로 정리한 사람은 통계학자 스티브 셀빈(Steve Selvin)으로, 1975년 학술지 The American Statistician에 투고한 글에서 바꾸는 쪽이 유리하다는 풀이를 실었습니다. 널리 알려진 계기는 1990년 매릴린 보스 사반트(Marilyn vos Savant)의 잡지 칼럼 “Ask Marilyn”입니다. “바꾸는 게 이득”이라는 답에 약 1만 통의 편지가 쏟아졌고, 그중 박사 학위 소지자가 보낸 것만 1,000통 가까이였으며 대부분 사반트가 틀렸다는 내용이었다고 뉴욕타임스(1991)가 전했습니다.
결과적으로 사반트가 옳았습니다. 문을 바꾸면 당첨 확률이 2/3(약 66.7%)로, 유지했을 때의 1/3(약 33.3%)보다 두 배 높습니다. 이 문제는 직관과 확률이 충돌하는 대표 사례로 통계학·의사결정 교재에 자주 등장합니다.
핵심:진행자가 “염소 문을 알고” 일부러 연다는 점이 비밀입니다. 이 정보가 문의 확률 배분을 바꿉니다.
정확한 규칙
세 개의 문 뒤에 자동차 1대와 염소 2마리가 무작위로 배치됩니다.
참가자가 문 하나를 고릅니다.
진행자는 자동차 위치를 알고 있으며, 참가자가 고르지 않은 문 중 반드시 염소가 있는 문을 엽니다.
진행자가 열 수 있는 문이 두 개라면 무작위로 하나를 엽니다.
참가자는 처음 선택을 유지하거나 남은 다른 문으로 바꿀 수 있습니다.
* 이 규칙이 지켜지지 않으면(예: 진행자가 무작위로 연다면) 결과가 달라집니다. “진행자가 의도적으로 염소를 연다”는 조건이 2/3 확률의 핵심입니다.
3가지 증명 방법
증명 1 · 경우의 수로 풀기
처음 선택이 자동차일 확률은 1/3, 염소일 확률은 2/3입니다. 진행자는 이 확률을 바꾸지 못합니다(이미 선택된 문을 열지 않으므로).
- 처음에 자동차를 골랐다면 (1/3) → 바꾸면 진다.
- 처음에 염소를 골랐다면 (2/3) → 진행자가 다른 염소를 열어주므로 바꾸면 반드시 자동차.
증명 2 · 모든 경우 표로 확인
참가자가 항상 1번 문을 고른다고 가정(대칭이므로 일반성 유지).
| 자동차 위치 | 진행자가 여는 문 | 유지하면 | 바꾸면 |
|---|---|---|---|
| 1번 | 2 또는 3 | 🚗 자동차 | 🐐 염소 |
| 2번 | 3번 | 🐐 염소 | 🚗 자동차 |
| 3번 | 2번 | 🐐 염소 | 🚗 자동차 |
→ 유지: 1/3 승, 바꾸기: 2/3 승
증명 3 · 베이즈 정리
참가자가 1번 선택 · 진행자가 3번 염소 공개 상황에서 자동차가 2번 문에 있을 조건부 확률:
[P(open=3|car=2) × P(car=2)] / P(open=3)
= (1 × 1/3) / (1/2) = 2/3
분자에서 자동차가 2번일 때 진행자는 3번을 열 수밖에 없으므로 확률 1. 반면 자동차가 1번이면 진행자는 2·3 중 아무거나 열 수 있어 1/2. 이 비대칭이 2/3를 만듭니다.
사람들이 틀리는 이유
🧩 대칭성 오류
문이 두 개 남았으니 50:50이라 생각하지만, 두 문의 “역사”가 다릅니다. 내가 고른 문은 무작위로 골라진 것이고, 남은 문은 진행자가 염소를 치워준 뒤의 “선별된” 문입니다.
🎲 정보 무시
진행자의 선택은 무작위가 아닌 “자동차를 아는 사람의 의도적 선택”입니다. 이 정보가 남은 문으로 확률을 몰아넣습니다.
🔄 고착 편향
사람은 자기가 이미 내린 선택을 바꾸기 싫어합니다(현상유지 편향). 바꿔서 지면 더 후회할 것 같다는 심리가 합리적 선택을 막습니다.
🔢 작은 표본
3개 문은 직관적으로 확률 차이가 잘 보이지 않습니다. 100문으로 확장하면(아래 참조) “99문 중 남은 하나”로 자동차 확률이 몰리는 게 명백해집니다.
현실에서의 응용
🏥
의학 진단
양성 결과가 나왔을 때 추가 정보(유병률·재검 결과)로 확률이 어떻게 갱신되는지 이해하는 데 활용됩니다.
💼
의사결정
새 정보가 등장했을 때 기존 선택을 유지할지 바꿀지 판단하는 기준을 제시합니다. 매몰비용 오류 교정에도 유용.
🤖
AI·ML
베이지안 추론의 기초. 사전확률(Prior)에 증거(Evidence)를 곱해 사후확률(Posterior)을 갱신하는 직관을 제공합니다.
🔍
수사·감사
용의자를 좁히는 과정, 회계 표본 추출 후 재조사 시 남은 표본의 위험도 재평가에 같은 논리가 쓰입니다.
N문 확장 — 문이 많을수록 직관 명확
본 도구의 [자동 시뮬레이션] 탭에서 문 개수를 3·5·10·100·1000개로 변경 가능합니다. 표준 몬티홀(진행자가 N-2개 염소 공개)에서 바꾸기 승률은 (N-1)/N로 수렴합니다.
| 문 개수 | 유지 승률 | 바꾸기 승률 | 차이 |
|---|---|---|---|
| 3개 | 33.3% | 66.7% | 2배 |
| 5개 | 20% | 80% | 4배 |
| 10개 | 10% | 90% | 9배 |
| 100개 | 1% | 99% | 99배 |
| 1,000개 | 0.1% | 99.9% | 999배 |
변형 규칙 3가지 — 진행자의 의도가 결과를 결정
같은 “두 문 중 하나” 상황이라도 그 상황이 어떻게 만들어졌는가에 따라 확률이 완전히 달라집니다. 본 도구의 [자동 시뮬레이션] 탭에서 3가지 모두 직접 비교 가능.
🟢 표준 몬티홀
규칙: 진행자가 자동차 위치를 알고 의도적으로 염소 문 공개
→ 바꾸기 67% / 유지 33%
진행자 정보 → 남은 문에 확률 농축.
🟡 무작위 공개 (= 몬티 폴)
규칙: 진행자가 위치를 모르고 아무 문이나 엶 — 또는 우연히 염소가 열림(몬티 폴). 자동차 노출 시 무효
→ 바꾸기 50% / 유지 50%
진행자 정보 X → 베이지안 갱신 없음. “무작위 진행자”와 “몬티 폴”은 다른 이야기지만 수학적으로 동일한 시나리오입니다.
🔴 악마 몬티
규칙: 진행자가 참가자가 자동차 골랐을 때만 염소 공개 (함정)
→ 바꾸기 0% / 유지 100%
진행자 의도 = 참가자 패배 유도.
시뮬레이션 결과 읽는 법 — 몇 번 돌려야 믿을 수 있나
자동 시뮬레이션은 매 판 자동차 위치와 첫 선택을 새로 뽑는 무작위 실험이라, 같은 설정이라도 돌릴 때마다 승률이 조금씩 다르게 나옵니다. 그 흔들림의 크기는 시행 횟수로 정해집니다. 아래 표는 이론 승률을 중심으로 결과가 95% 확률로 들어올 범위(정규근사 ±1.96×√(p(1−p)/n))를 시뮬레이터의 시행 횟수 버튼별로 계산한 값입니다.
| 시행 횟수 | 표준 · 바꾸기 95% 범위 | 무작위 공개 · 유효 판 수 | 무작위 공개 · 50% ± 오차 | 악마 몬티 · 유효 판 수 |
|---|---|---|---|---|
| 10회 | 37.4~95.9% | 약 7판 | ±37.0%p | 약 3판 |
| 100회 | 57.4~75.9% | 약 67판 | ±12.0%p | 약 33판 |
| 1,000회 | 63.7~69.6% | 약 667판 | ±3.8%p | 약 333판 |
| 10,000회 | 65.7~67.6% | 약 6,667판 | ±1.2%p | 약 3,333판 |
오차는 시행 횟수의 제곱근에 반비례해서, 범위를 절반으로 좁히려면 4배를 더 돌려야 합니다. 10회는 범위가 너무 넓어(정규근사도 거칠어) 약 21% 확률로 바꾸기 승수가 유지와 같거나 적게 나옵니다. 100회만 돼도 바꾸기 범위(57~76%)와 유지 범위(24~43%)가 겹치지 않고, 1,000회면 오차가 ±2.9%p로 좁아져 66.7%가 또렷하게 보입니다. 변형 규칙에서는 진행자가 자동차를 열어 버린 판(무작위 공개)이나 진행자가 제안하지 않은 판(악마 몬티)을 빼고 ‘유효’ 판만 세기 때문에, 같은 1,000회라도 실제로 승률을 재는 판 수가 줄어 오차가 커집니다. 악마 몬티는 유효한 판에서 바꾸면 항상 지므로 판 수와 관계없이 바꾸기 0%로 나옵니다.
자주 묻는 질문
두 문이 남았는데 왜 50:50이 아닌가요?
진행자가 아무 문이나 무작위로 열면 어떻게 되나요?
처음 선택한 문이 열린 문 바로 옆에 있다면?
실제로 해보면 정말 2/3이 나오나요?
100문으로 확장하면 더 명확하다고 하던데?
문이 100개면 진짜 바꾸는 게 99% 확률인가요?
• 100개 문 중 1개 선택 → 자동차 확률 1%
• 진행자가 98개 염소 공개 → 남은 1개에 99% 농축
• 1,000회 시뮬: 바꾸기 약 990회 승
문 개수별 바꾸기 승률 — 3개 67% / 10개 90% / 100개 99% / 1,000개 99.9%. 많을수록 직관이 명확해집니다.
N문 확장 시뮬에서 진행자가 N-2개를 다 여나요?
시험 답 바꾸기와 몬티홀이 같은 원리인가요?
몬티홀 — 진행자가 염소를 공개하는 객관적 새 정보가 더해져 확률이 재배분 → 바꾸기가 수학적으로 유리(2/3).
시험 답 바꾸기 — 흔히 “첫 직감이 옳다”고 믿지만(first instinct fallacy), 여러 연구에서는 실제로 답을 고친 경우 오답→정답 전환이 정답→오답보다 많아 평균 점수가 오르는 경향이 보고됩니다. 다만 이는 몬티홀처럼 객관적 새 정보가 더해진 것이 아니라 재검토 효과이며, 근거 없는 불안만으로 바꾸는 것은 권장되지 않습니다.
핵심 차이: 몬티홀은 외부 정보, 시험은 본인의 재검토.
실제 카지노 도박에 응용 가능한가요?
일상에서 몬티홀 같은 상황이 있나요?
• 의학 검사 양성 — 유병률 1% 질병을 민감도·특이도가 각각 99%인 검사로 진단하면, 양성이 나와도 실제 질병일 확률은 약 50%입니다(나머지 절반은 위양성). “정확도 99%”라는 표현의 직관과 크게 다릅니다
• 의사결정 — 새 정보 등장 시 기존 선택 재평가, 매몰비용 오류 교정
• AI·머신러닝 — 베이지안 추론 핵심 (사전확률 × 증거 = 사후확률)
• 수사·감사 — 용의자 좁히기, 회계 표본 재조사
참고 자료
- Selvin (1975) — The American Statistician(새 창)doi.org
- New York Times (1991) — 몬티홀 논쟁 보도(새 창)nytimes.com
- Rosenthal — Monty Hall, Monty Fall, Monty Crawl(새 창)probability.ca
- 계산 기준
- 표준 규칙(진행자가 자동차 위치를 알고 항상 고르지 않은 염소 문을 엶) 아래 조건부확률 · 변형 규칙 3종 · 시뮬레이션 표본오차 표는 빌드 시 계산
- 오류 제보
- 결과가 다르면 contact@youtil.kr로 입력 조건을 알려 주세요. 평일 기준 1~3일 안에 답변합니다.