생활·재미
🚪 몬티홀 시뮬레이터
바꿔야 유리한 진짜 이유. 3·10·100·1000문 시뮬과 베이즈 추론으로 직관을 깨다.
① 자동차는 문 중 하나 뒤에 있습니다. 문을 고르세요.
몬티홀 문제란?
미국 TV 쇼 “Let’s Make a Deal”의 진행자 몬티 홀(Monty Hall)의 이름을 딴 확률 퍼즐입니다. 1990년 매릴린 보스 사반트(Marilyn vos Savant)가 “Ask Marilyn” 칼럼에서 “바꾸는 게 이득”이라고 답하자, 전국의 수학자 1,000여 명이 반박 편지를 보낸 것으로 유명합니다.
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 갯수를 3·5·10·100·1000개로 변경 가능합니다. 표준 몬티홀(진행자가 N-2개 염소 공개)에서 바꾸기 승률은 (N-1)/N로 수렴합니다.
| 문 갯수 | 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 |
💡 핵심 직관 — “내가 고른 문 = 무작위 1개 (1/N)” vs “진행자가 N-2개 염소를 치워준 마지막 1문 = (N-1)/N에 정보 농축”.
🎭 변형 규칙 4가지 — 진행자의 의도가 결과를 결정
같은 “두 문 중 하나” 상황이라도 그 상황이 어떻게 만들어졌는가에 따라 확률이 완전히 달라집니다. 본 도구의 [자동 시뮬레이션] 탭에서 4가지 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 진행자
규칙: 진행자가 아무 문이나 무작위로 염 (자동차 노출 시 게임 무효)
→ 바꾸기 50% / 유지 50%
진행자 정보 X → 베이지안 갱신 없음.
🟠 몬티 폴
규칙: 진행자가 무작위 1개 열었는데 우연히 염소였을 때만
→ 바꾸기 50% / 유지 50%
의도 X → 정보 가치 없음.
🔴 악마 몬티
규칙: 진행자가 참가자가 자동차 골랐을 때만 염소 공개 (함정)
→ 바꾸기 0% / 유지 100%
진행자 의도 = 참가자 패배 유도.
⚠️ 베이즈 추론의 본질 — “정보의 질”이 확률을 바꾼다. 같은 결과 화면이라도 그 정보가 어떻게 생성되었는지(생성 메커니즘)에 따라 사후확률이 달라집니다.
자주 묻는 질문 (FAQ)
Q1. 두 문이 남았는데 왜 50:50이 아닌가요?
두 문의 확률이 동등하려면 처음부터 동일한 조건이었어야 합니다. 내가 고른 문은 아무 정보 없이 무작위로 1/3 확률로 고른 것이고, 남은 문은 진행자가 염소 하나를 제거해준 “선별된” 문입니다. 두 문의 이력이 다르므로 확률도 다릅니다.
Q2. 진행자가 아무 문이나 무작위로 열면 어떻게 되나요?
그 경우 바꾸나 유지나 50:50이 됩니다. 몬티홀 문제의 핵심은 “진행자가 자동차 위치를 알고 의도적으로 염소 문을 연다”는 조건입니다. 진행자가 실수로 자동차를 열어버릴 수 있다면 확률 구조가 완전히 달라집니다. 본 도구의 [자동 시뮬레이션] 탭에서 [🟡 무작위 진행자] 변형으로 직접 확인 가능.
Q3. 처음 선택한 문이 열린 문 바로 옆에 있다면?
문의 물리적 위치는 확률과 무관합니다. 중요한 건 “고른 문 / 고르지 않은 문” 그룹 구분뿐입니다. 내가 고른 문은 1/3, 나머지 그룹(염소 제거 전 2/3)의 자동차 확률이 마지막 남은 문 하나에 몰립니다.
Q4. 실제로 해보면 정말 2/3이 나오나요?
네. 위 시뮬레이터에서 1,000번 이상 돌리면 바꾸기 전략의 승률이 66.7% 부근으로 수렴하는 것을 확인할 수 있습니다. 시행 횟수가 적으면 편차가 크니 최소 1,000회 이상 권장합니다(대수의 법칙).
Q5. 100문으로 확장하면 더 명확하다고 하던데?
맞습니다. 문이 100개고 내가 하나 고르면 자동차 확률은 1/100. 진행자가 나머지 99개 중 염소 문 98개를 열어주면, 남은 한 문의 확률은 99/100이 됩니다. 바꾸는 게 99배 유리하다는 게 직관적으로 보입니다. 본 도구의 [자동 시뮬레이션] 탭에서 문 갯수를 100개로 설정하면 1,000회 시뮬에서 약 99% 수렴 확인 가능.
Q6. 문이 100개면 진짜 바꾸는 게 99% 확률인가요?
네, 표준 몬티홀(진행자가 N-2개 염소 공개)에서:
• 100개 문 중 1개 선택 → 자동차 확률 1%
• 진행자가 98개 염소 공개 → 남은 1개에 99% 농축
• 1,000회 시뮬: 바꾸기 약 990회 승
문 갯수별 바꾸기 승률 — 3개 67% / 10개 90% / 100개 99% / 1,000개 99.9%. 많을수록 직관이 명확해집니다.
Q7. N문 확장 시뮬에서 진행자가 N-2개를 다 여나요?
본 도구의 표준 모드는 모든 N에서 진행자가 N-2개 염소를 공개하고 1개만 남기는 풀 몬티홀(Full Monty)을 가정합니다. 따라서 바꾸기 승률은 항상 (N-1)/N로 수렴합니다. 다른 변형(진행자가 1개만 여는 경우 등)은 본 [💡 왜 바꿔야 할까?] 탭의 N개 일반화 표 참고.
Q8. 시험 답 바꾸기와 몬티홀이 같은 원리인가요?
다릅니다. 자주 혼동되는 부분.
몬티홀 — 외부 정보(진행자가 염소 공개) 추가 → 확률 재배분 → 바꾸기 객관적 유리.
시험 답 바꾸기 — 단순 자신감 흔들림(외부 정보 X) → 통계적으로 처음 답이 약간 유리(1~2%).
핵심 차이: 새 정보가 객관적인가. 시험에서 다시 풀어 명백한 오류 발견 시만 변경 권장.
Q9. 실제 카지노 도박에 응용 가능한가요?
응용 불가. 카지노 게임은 몬티홀과 다릅니다. 진행자가 정보를 가지지 않은 단순 무작위(룰렛·블랙잭) + 항상 카지노 유리하게 설계(House Edge). 몬티홀 같은 베이즈 추론은 의학·과학 추론, 베이지안 머신러닝, 검찰 수사·법정 판단 등에 응용됩니다. 도박 의존이 우려되면 사행산업통합감독위원회 1336 또는 정신건강 위기상담 1577-0199로 도움 요청.
Q10. 일상에서 몬티홀 같은 상황이 있나요?
베이즈 추론이 필요한 상황 다수:
• 의학 검사 양성 — 사전 확률(질병 유병률 1%) × 검사 정확도 99% → 양성 시 실제 질병 확률은 약 50% (직관 99%와 다름)
• 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