몬티 홀 문제 1,000회 자동 시뮬레이터
문 3개 중 하나를 고른 뒤 진행자가 염소 문을 열었을 때, 선택을 바꿀 때(66.7%)와 유지할 때(33.3%)의 승률 차이를 1초 만에 1,000번 돌려 직관적으로 검증합니다.
몬티 홀의 역설 (Monty Hall Dilemma) 원리와 핵심 공식
참가자가 선택을 바꿀 때 당첨 확률이 2배(66.7%)로 늘어나는 조건부 확률의 대표적 역설입니다.
선택 변경 시 승률 = P(초기에 염소 선택) = 2/3 ≈ 66.67%
선택 유지 시 승률 = P(초기에 자동차 선택) = 1/3 ≈ 33.33%
선택 유지 시 승률 = P(초기에 자동차 선택) = 1/3 ≈ 33.33%
진행자(몬티 홀)는 "반드시 염소가 든 문을 연다"는 결정적 규칙을 따르므로, 참가자가 처음에 염소를 뽑았다면 선택 변경 시 100% 자동차를 얻게 됩니다.
1회 직접 플레이 체험관
원하는 문을 하나 클릭해 보세요. 진행자가 염소가 든 문을 하나 공개합니다!
🎙️
진행자 몬티 홀
3개의 문 중 하나를 골라주세요!
스포츠카(🚗)는 단 1개의 문 뒤에 숨겨져 있습니다.
⚡ 대량 몬테카를로 시뮬레이터
🚀 빠르고 직관적인 검증 시나리오
시뮬레이션 반복 횟수 (회)
🟢 대수의 법칙 작동 완료
⚡ 총 1,000회 동시 시행 결과
선택 변경 시 실측 승률
66.7
%
선택을 바꾼 참가자가 유지한 참가자보다 약 2.0배 더 자주 차를 얻었습니다!
🔄 선택 변경 (Switch)
66.7%
667승 / 1,000회 (이론치 66.7%)
🔒 선택 유지 (Stay)
33.3%
333승 / 1,000회 (이론치 33.3%)
📊 이론적 확률(66.7%) 대수의 법칙 수렴도
오차 0.0%p (완벽 일치)
0%
유지 평균 (33.3%)
변경 평균 (66.7%)
100%
변경 당첨 횟수
667회
유지 당첨 횟수
333회
승률 배수 차이
2.00 배
이론 오차 범위
±0.0%p
왜 우리 직관은 50:50으로 착각할까요?
- 조건부 확률 무시: 남은 선택지가 2개일 때 초기 조건(1/3 vs 2/3)을 잊고 독립적인 1/2 확률로 착각하기 쉽습니다.
- 새로운 정보의 가치: 사회자는 스포츠카 위치를 알고 '염소 문'만 열어주므로, 남은 문에 확률(66.7%)이 2배 집중됩니다.
- 100개의 문 직관 비유: 100개 문 중 1개를 골랐을 때 사회자가 98개 염소 문을 열어준다면, 남은 1개 문 확률이 99%인 것과 같습니다.
실생활 조건부 확률 & 베이즈 정리 활용
- 베이즈 추론의 기초: 새로운 정보나 데이터가 관측되었을 때 기존 사전 확률을 사후 확률로 업데이트하는 핵심 알고리즘입니다.
- 스팸 메일 필터링: 특정 단어의 출현 조건부 확률을 실시간 결합하여 스팸 메일을 99% 이상 정밀 차단합니다.
- 의료 및 AI 진단: 검사 양성 판정 시 유병률과 위양성률을 결합해 실제 질병 감염 확률을 정밀 산출합니다.
📋 몬티 홀 전략별 상세 승률 비교표
| 전략 구분 | 총 시행 횟수 | 당첨 횟수 (자동차) | 실측 승률 | 이론적 승률 | 이론 대비 오차 |
|---|---|---|---|---|---|
| 🔄 선택 변경 (Switch) | 1,000회 | 667회 | 66.7% | 66.67% (2/3) | +0.03%p |
| 🔒 선택 유지 (Stay) | 1,000회 | 333회 | 33.3% | 33.33% (1/3) | -0.03%p |
클립보드에 결과가 복사되었습니다!
💡 자주 묻는 질문 (FAQ)
Q 몬티 홀 문제(Monty Hall Problem)란 무엇인가요?
미국의 유명 퀴즈쇼 "Let's Make a Deal"의 진행자 몬티 홀의 이름에서 유래한 조건부 확률 문제입니다. 3개의 문 뒤에 자동차 1대와 염소 2마리가 숨겨져 있을 때, 참가자가 문 하나를 선택하면 진행자가 남은 2개의 문 중 염소가 든 문 하나를 공개합니다. 이때 참가자에게 선택을 바꿀 기회가 주어지는데, 선택을 바꾸는 것이 유리한지 여부를 다룹니다.
Q 왜 선택을 바꾸는 게 승률이 2배(66.7%)나 높은가요?
처음 문을 골랐을 때 스포츠카(당첨)를 고를 확률은 1/3(33.3%)이고, 염소(꽝)를 고를 확률은 2/3(66.7%)입니다. 참가자가 처음에 염소를 고른 상태라면(66.7% 확률), 진행자는 남은 염소가 든 문을 열어줄 수밖에 없으므로 선택을 바꾸면 반드시 스포츠카를 얻게 됩니다! 즉, 처음에 염소를 뽑을 확률(2/3)이 곧 선택 변경 시 당첨 확률이 됩니다.
Q 문이 2개 남았으니 승률은 50:50 아닌가요?
직관적으로는 남은 2개의 문 중 하나이므로 50%처럼 보이지만, 진행자(몬티 홀)는 스포츠카가 어디 있는지 이미 알고 있으며 "반드시 염소가 든 문만 연다"는 결정적인 정보 규칙을 가지고 있습니다. 진행자의 개입이 단순 무작위가 아닌 새로운 정보를 제공하기 때문에 조건부 확률에 의해 선택을 바꿀 때의 승률이 2/3로 상승합니다.
Q 1,000회 자동 시뮬레이터는 어떻게 작동하나요?
본 시뮬레이터는 몬테카를로(Monte Carlo) 무작위 난수 알고리즘을 사용하여 자동차와 염소의 위치를 매회 무작위 배치하고, 진행자의 염소 문 공개 및 참가자의 선택 변경/유지 전략을 1,000회(또는 최대 10,000회) 연속 컴퓨터로 시행합니다. 이론적 확률치인 66.7%와 33.3%에 수렴하는 과정을 1초 만에 눈으로 확인할 수 있습니다.
Q 문의 개수를 100개로 늘리면 어떻게 이해할 수 있나요?
문의 개수를 100개로 생각하면 쉽습니다. 참가자가 1개의 문을 고르면 당첨 확률은 1/100입니다. 진행자가 남은 99개의 문 중 염소가 든 98개의 문을 모두 열어 보여주고 문 1개만 남겨둔다면, 그 남은 1개의 문 뒤에 자동차가 있을 확률은 99/100가 됩니다! 따라서 선택을 바꾸는 것이 훨씬 유리함을 직관적으로 알 수 있습니다.