의사 80%가 동일한 확률 문제를 틀린다 희귀 질병 하나가 인구 1만 명 중 한 명꼴로 발생한다고 가정하자. 이 질병을 잡아내는 검사 키트가 있고 정확도는 99%다. 양성인 사람을 양성으로 판정하는 민감도가 99%, 음성인 사람을 음성으로 판정하는 특이도도 99%다. 이 검사에서 양성이 나온 사람이 실제로 그 질병에 걸렸을 확률은 얼마인가. 대부분 99% 부근의 수치를 떠올리지만 정답은 약 … 더 읽기
6 folders, 10 files
namemodified ▼size
rng-engineering/5 items—bayes-inference/1 items—softlab-archive/3 items—safe-muktu/1 items—algorithm-decoding/10 items—stat-bias/1 items—
신인왕이 다음 해에 꼭 부진한다는 속설 야구에서 신인왕을 받은 선수가 2년 차에 부진한다는 현상을 두고 흔히 소포모어 징크스라고 부른다. 영화에서도 데뷔작이 흥행한 감독의 차기작이 평작에 머무는 패턴이 반복된다. 사람들은 이런 현상에 압박감, 자만, 운의 고갈 같은 심리적 해석을 붙이지만 통계학에서는 훨씬 단순한 이름을 가진다. 평균회귀(Regression toward the mean)다. 이 개념은 19세기 영국 통계학자 프랜시스 골턴(Francis … 더 읽기
살아남은 것만 보면 생존 비결을 잘못 배운다 제2차 세계대전 중 미군은 귀환한 폭격기의 총탄 흔적을 분석해서 장갑을 보강할 위치를 결정하려 했다. 엔진부에는 탄흔이 거의 없고, 동체와 날개에 집중되어 있었다. 당연히 탄흔이 많은 곳에 장갑을 두르자는 결론이 나왔다. 이때 통계학자 에이브러햄 월드(Abraham Wald)가 정반대의 제안을 했다. 엔진부에 장갑을 보강해야 한다고. 이유는 간단했다. 엔진에 피격된 비행기는 귀환하지 … 더 읽기
데이터 5건으로 결론을 내리는 위험 신제품을 출시하고 첫 주에 리뷰 5개가 달렸다. 4개가 별점 5점, 1개가 별점 1점이다. 평균은 4.2점이고, 이 숫자를 보고 “좋은 반응”이라고 판단하기 쉽다. 하지만 이 평균에는 거의 아무런 통계적 의미가 없다. 표본이 5개뿐이니까 다음 리뷰 하나가 별점 1점이면 평균은 3.7점으로 떨어지고, 별점 5점이면 4.3점으로 오른다. 한 건의 데이터가 결론을 완전히 뒤집을 … 더 읽기
똑같은 만 원인데 잃을 때가 더 아프다 만 원을 주울 때의 기쁨과 만 원을 잃어버릴 때의 괴로움 중 어느 쪽이 더 강한가. 대부분의 사람에게는 잃는 쪽이 훨씬 세다. 카너먼과 트버스키의 연구에 따르면, 동일한 크기의 손실이 이득보다 약 2배에서 2.5배 더 강한 심리적 무게를 가진다. 만 원을 잃는 고통을 상쇄하려면 약 2만 원에서 2만5천 원을 얻어야 … 더 읽기
데이터를 너무 잘 맞추면 오히려 틀리는 문제 모델을 만들 때 가장 흔한 실수 중 하나가, 훈련 데이터에 대한 성능을 최대한 높이는 데만 집중하는 것이다. 훈련셋에서 정확도가 98%가 나오면 기분이 좋다. 그런데 새로운 데이터를 넣는 순간 정확도가 62%로 추락하면, 그 모델은 쓸모가 없다. 이걸 오버피팅이라고 부른다. 시험 범위를 달달 외워서 시험은 만점 받았는데 실전에서는 아무것도 풀 … 더 읽기
Chikrii Algorithm Strategic Lab // Toto Integrity Decoding 토토 사이트 신뢰도의 알고리즘 분해공학적 관점에서 본 4단계 검증 프로세스 v.2026.05.16 // Chikrii Lab Internal Research “운은 계산되지 않은 변수에 불과하다” 토토 사이트의 신뢰도는 마케팅 문구가 아닌 알고리즘의 출력값으로 측정 가능한 정량 지표입니다. Chikrii Algorithm Strategic Lab은 과거 Chikrii Softlab의 LaTeX 변환 시절부터 축적한 수학적 정밀도를 토토 … 더 읽기
1. 마틴게일 시스템의 기원과 가정
마틴게일(Martingale) 시스템은 18세기 프랑스에서 동전 던지기 베팅 전략으로 처음 정형화되었습니다. 작동 원리는 단순합니다. 한 번 잃을 때마다 베팅 금액을 두 배로 늘려, 결국 한 번의 승리로 그동안의 모든 손실과 초기 베팅 금액을 회수한다는 구조입니다. 수학적으로는 기하급수적 증가 수열 a, 2a, 4a, 8a, …, 2^(n-1)·a 의 합이 다음 베팅 금액(2^n·a)을 통한 회복의 충분 조건이 됩니다.
표면적으로 이 시스템은 ‘한 번이라도 이기면 무조건 흑자‘라는 매력적인 논리를 제공합니다. 그러나 이 논리는 두 가지 강력한 가정 위에 서 있으며, 두 가정 모두 현실에서 성립하지 않습니다. 첫째, 플레이어의 자본이 무한하다는 가정입니다. 둘째, 한 회차의 최대 베팅 금액에 상한이 없다는 가정입니다. 이 두 가정이 무너지는 지점이 곧 마틴게일 시스템의 임계점이며, 그 임계점을 정량화하는 것이 이 글의 목적입니다.
2. 무한 자본 가정의 수학적 붕괴
플레이어의 자본을 C, 초기 베팅 금액을 a라고 했을 때, 자본이 견딜 수 있는 최대 연속 패배 횟수 n은 a + 2a + 4a + … + 2^(n-1)·a ≤ C, 즉 a(2^n – 1) ≤ C 라는 부등식에서 도출됩니다. 이를 정리하면 n ≤ log₂(C/a + 1) 이며, 자본 대비 초기 베팅 금액의 비율이 작을수록 견딜 수 있는 연속 패배 횟수가 커집니다. 그러나 그 증가율은 로그함수이므로, 자본을 10배 늘려도 견딜 수 있는 연속 패배 횟수는 약 3.3회만 증가합니다.
실제 게임 환경에서는 또 하나의 제약이 작동합니다. 아벤카지노처럼 라이브 게임 환경의 베팅 한도와 자본 노출 정책을 명시적으로 공시하는 플랫폼에서는, 마틴게일 시스템의 이론적 한계가 실측 가능한 형태로 검증됩니다. 테이블별 최대 베팅 한도가 L이라고 할 때, 베팅 금액이 L에 도달하는 시점의 연속 패배 횟수는 2^(n-1)·a ≤ L, 즉 n ≤ log₂(L/a) + 1 입니다. 자본 한계와 베팅 한도 중 더 작은 값이 시스템의 실질적 임계점을 결정하며, 대부분의 라이브 환경에서는 베팅 한도가 자본 한계보다 먼저 도달하는 제약 요인이 됩니다.
Gambler’s Ruin Problem
마틴게일 시스템의 수학적 분석은 고전적 Gambler’s Ruin Problem의 변형으로 정식화될 수 있습니다. 공정한 게임(p = 0.5)에서도 자본 한도가 유한할 경우 파산 확률은 시간이 무한히 커질 때 1에 수렴합니다. 카지노 게임의 경우 하우스 엣지로 인해 p < 0.5이므로, 파산은 단순히 가능한 결과가 아니라 시간 함수상 거의 확실한 결과가 됩니다.
1. ‘무작위’는 균등 분포를 의미하지 않는다 많은 플레이어들이 오해하는 지점이 있습니다. “무작위(Random)”라는 단어를 “균등(Uniform)”이라는 단어와 동일시하는 것입니다. 그러나 이 둘은 전혀 다른 개념입니다. 공정한 동전을 100번 던졌을 때 정확히 앞면 50회, 뒷면 50회가 나올 확률은 오히려 극히 낮습니다(약 8%). 대부분의 경우 앞면이 45회 나오거나 53회 나오는 식의 편차가 관측됩니다. 무작위성은 본질적으로 국소적 편차(Local Deviation)를 포함하며, … 더 읽기
23명이면 생일이 겹칠 확률이 반을 넘는다 방 안에 사람이 몇 명 모여야 생일이 같은 쌍이 하나라도 있을 확률이 50%를 넘을까. 직감적으로는 183명 정도를 떠올리기 쉽다. 365일의 절반이니까 그쯤이면 되지 않겠느냐는 생각이다. 실제 답은 23명이다. 50명만 모여도 이 확률은 97%까지 치솟는다. 처음 듣는 사람은 대부분 믿지 않는데, 계산을 직접 해보면 반박할 여지가 없다. 이걸 생일 문제(Birthday … 더 읽기