전제가 참이면 결론이 반드시 따라오는가?
반례가 하나라도 있으면 타당하지 않습니다.
평가: 타당 / 부당논리학 배우기 · 불확실한 추론
귀납·확률·인과
‘반드시’가 아니라 ‘얼마나 잘 뒷받침되는가’를 판단하는 법
현실의 많은 판단은 전제가 참이면 결론이 반드시 참이 되는 연역과 다릅니다. 일부 사례에서 전체를 추정하고, 새로운 증거에 따라 믿음의 정도를 조절하며, 함께 변하는 두 현상 사이에 실제 원인이 있는지 따져야 합니다.
1연역·귀납2일반화3확률4기저율5가설·증거6상관·인과7교란·개입8결론의 강도
이 페이지를 마치면
불확실한 근거를 결론의 강도에 맞게 읽을 수 있습니다
- 연역과 귀납의 평가 기준 구별하기
- 표본에서 전체로 일반화할 때 확인할 조건 알기
- 확률과 기저율을 함께 고려하기
- 증거가 가설을 얼마나 지지하는지 비교하기
- 상관관계와 인과관계를 구별하고 교란을 점검하기
01연역·귀납
두 종류의 추론은 성공 기준이 다릅니다
연역은 결론의 보장을, 귀납은 결론의 지지 정도를 묻습니다
현재 근거가 결론을 얼마나 잘 뒷받침하는가?
새로운 자료가 들어오면 결론의 신뢰도가 달라질 수 있습니다.
평가: 더 강함 / 더 약함약한 지지
중간
강한 지지
귀납 추론의 결론은 흔히 “반드시”보다 “가능성이 높다”, “현재 자료에서는”, “대체로” 같은 표현과 잘 맞습니다.
눌러서 확인하기 · 강한 귀납 추론도 결론이 거짓일 수 있을까요?
그럴 수 있습니다. 귀납은 결론을 보장하는 것이 아니라 근거에 비추어 결론을 지지합니다. 강한 귀납이라도 예외 가능성은 남습니다.
02일반화
일부를 보고 전체를 말하려면
표본의 크기보다 먼저 표본이 어떻게 뽑혔는지 살펴봅니다
표본 일반화는 조사한 일부 사례에서 더 큰 집단의 성질을 추정하는 방법입니다. 표본이 많아도 한쪽에 치우쳐 뽑혔다면 전체를 대표하기 어렵습니다.
전체 집단
표본누가, 어떻게 뽑혔나?
대표성전체 집단의 중요한 차이가 표본에 반영됐는가?
선택 편향특정 유형의 대상만 들어오기 쉬운 방식인가?
표본 크기우연한 흔들림을 줄이기에 충분한가?
측정 방식모든 대상에게 같은 기준을 적용했는가?
눌러서 확인하기 · 표본이 아주 크면 편향 문제는 사라질까요?
그렇지 않습니다. 편향된 방식으로 뽑은 표본은 커져도 같은 방향의 편향이 유지될 수 있습니다. 크기와 대표성은 서로 다른 문제입니다.
03확률
불확실성을 숫자로 표현하기
확률은 가능한 결과를 얼마나 기대해야 하는지 표현하는 한 방법입니다
확률은 상황에 따라 장기적인 빈도, 모형이 부여한 가능성, 현재 정보에 비춘 믿음의 정도 등으로 해석될 수 있습니다. 어떤 해석을 쓰는지 분명히 하면 숫자를 과장해서 읽는 일을 줄일 수 있습니다.
0
0.3
1
예 “비가 올 확률이 30%다.”
→ 이것만으로 “오늘의 30% 동안 비가 온다”거나 “지역의 30%에 반드시 비가 온다”는 뜻은 아닙니다.
P(A | B)B라는 정보가 주어졌을 때 A의 조건부 확률
새로운 정보 B가 들어오면 A의 확률을 다시 계산해야 할 수 있습니다. 그래서 조건부 확률은 증거를 읽는 데 중요합니다.
04기저율
새 증거만 보지 말고 처음 빈도도 보기
드문 사건은 좋은 신호가 있어도 전체 빈도를 함께 봐야 합니다
기저율은 어떤 증거를 보기 전에 해당 사건이 전체에서 얼마나 흔한지를 나타냅니다. 신호의 정확도가 높아 보여도 사건 자체가 매우 드물다면 양성 신호 가운데 실제 사건의 비율은 직관보다 낮을 수 있습니다.
10,000개 중 실제 이상100기저율 1%
이상 100개 중 신호 발생90민감도 90%
정상 9,900개 중 잘못된 신호495오탐률 5%
신호가 난 전체90 + 495 = 585그중 실제 이상90 / 585 ≈ 15.4%
위 숫자는 기저율의 효과를 설명하기 위한 가상 예시입니다. 실제 검사나 장비의 성능을 뜻하지 않습니다.
눌러서 확인하기 · ‘정확도 95%’라는 말만으로 신호 뒤의 실제 확률을 알 수 있을까요?
부족합니다. 민감도·특이도 또는 오탐률 같은 성능뿐 아니라 사건의 기저율도 알아야 합니다.
05가설·증거
증거는 어떤 가설에서 더 자연스러운가?
좋은 증거는 경쟁 가설 사이에서 차이를 만들어 냅니다
어떤 관찰 E가 가설 H를 지지하려면, H가 참일 때 E가 예상되는 정도와 다른 가설에서도 E가 쉽게 나오는지를 함께 봐야 합니다. 어느 가설에서나 똑같이 예상되는 증거는 가설을 구별하는 힘이 약합니다.
표시등 깜빡임이 자주 예상됨
관찰된 정보
같은 표시가 가끔 나타날 수 있음
새 판단 ∝ 기존 가능성 × 증거의 구별력
베이즈식의 세부 계산보다 먼저, 기존 정보와 새 증거를 함께 본다는 생각을 익히면 됩니다.
눌러서 확인하기 · H₁에서도 H₂에서도 똑같이 자주 나타나는 증거라면?
그 증거만으로는 두 가설을 잘 구별하지 못합니다. 가설 사이의 예상 차이를 만드는 증거가 더 진단적입니다.
06상관·인과
함께 변한다고 해서 원인인 것은 아닙니다
상관관계는 출발점이 될 수 있지만 인과관계의 결론은 아닙니다
C공통 원인
↙↘A관찰된 현상
B관찰된 현상
A와 B가 함께 변할 때는 A가 B를 만들었을 수도 있고, B가 A를 만들었을 수도 있으며, C가 둘 모두에 영향을 주었을 수도 있습니다. 선택 과정이나 측정 방식 때문에 상관이 생기는 경우도 있습니다.
시간 순서는 맞는가?공통 원인이 있는가?선택 방식이 두 집단을 다르게 만들었는가?개입해도 결과가 달라지는가?
눌러서 확인하기 · 상관관계가 있으면 인과 가능성을 아예 무시해야 할까요?
그럴 필요는 없습니다. 상관은 인과 가설의 단서가 될 수 있습니다. 다만 상관만으로 원인 방향과 다른 설명을 확정할 수는 없습니다.
07교란·개입
관찰한 차이와 개입의 효과를 구별하기
두 집단의 원래 구성이 다르면 단순 비교가 인과 효과와 달라질 수 있습니다
이미 선택된 기록을 비교
장치를 켠 집단과 끈 집단이 처음부터 다른 조건을 가질 수 있습니다.
같은 기준에서 조건을 바꿈
다른 조건을 가능한 한 같게 두고 원인 후보만 바꾸어 결과를 비교합니다.
부하장치 가동에 영향
→장치 가동
↘
과열
위와 같은 구조에서는 부하가 장치 가동에도 영향을 주고 과열에도 영향을 주므로 교란 변수가 될 수 있습니다. 무작위 배정, 층화, 적절한 통제, 자연실험 등은 상황에 따라 이런 대안 설명을 줄이는 데 사용됩니다.
통제 변수는 상관이 큰 것부터 기계적으로 고르는 것이 아닙니다
원인 질문과 인과 구조를 먼저 생각하고, 무엇을 통제할지 결정해야 합니다. 잘못 통제하면 오히려 새로운 편향을 만들 수 있습니다.
08결론의 강도
근거보다 강한 말을 하지 않기
귀납의 핵심은 결론을 현재 근거의 범위에 맞추는 것입니다
근거더 적절한 표현피해야 할 과장
작고 편향 가능성이 있는 표본“이 표본에서는…”“모두 그렇다”
관찰 연구의 연관성“관련이 관찰됐다”“원인임이 증명됐다”
여러 독립 자료가 같은 방향“근거가 더 강해졌다”“의심할 여지가 전혀 없다”
조건과 범위를 명확히 한 실험“이 조건에서 효과를 지지한다”“모든 상황에 동일하게 적용된다”
좋은 귀납 추론의 습관
자료가 바뀌면 판단도 바뀔 수 있도록 열어 두고, 어떤 조건에서 결론이 약해지는지 함께 적습니다.
눌러서 확인하기 · ‘현재 자료로는 가능성이 높다’는 표현이 약한 말일까요?
오히려 귀납에서는 정확한 표현일 수 있습니다. 근거가 허용하는 만큼만 결론의 강도를 정하는 것이 좋은 추론입니다.
3문제로 마무리
귀납·확률·인과 핵심 확인
1. 표본이 매우 크면 대표성 문제는 자동으로 사라질까요?
아닙니다. 표본 크기와 선택 편향은 서로 다른 문제입니다.
2. 신호 뒤의 실제 가능성을 볼 때 함께 봐야 하는 것은?
신호의 성능과 함께 사건의 기저율을 봐야 합니다.
3. A와 B가 함께 변하면 A가 B의 원인이라고 결론 내릴 수 있을까요?
바로 결론 내릴 수 없습니다. 역방향, 공통 원인, 선택 편향, 개입 결과 등을 추가로 검토해야 합니다.
관련 자료에서 더 깊이
확률·증거·인과를 실제 그림과 연구로 이어 보기
귀납·확률·인과 완료
이제 불확실한 근거를 ‘얼마나 잘 지지하는가’의 문제로 읽을 수 있습니다
표본과 일반화, 확률과 기저율, 가설과 증거, 상관과 인과, 관찰과 개입을 구별하고 결론의 강도를 근거에 맞추는 흐름을 한 번 완주했습니다.