도박 분쟁에서 시작된 확률론 - 수학이 카드 테이블에서 태어난 이야기

오늘은 조금 색다른 이야기 해볼게요. 개발자라면 한 번쯤은 확률, 통계, 베이지안, 머신러닝 같은 단어를 접해봤을 거예요. 그런데 이 모든 개념의 출발점이 르네상스 시대 이탈리아의 도박판이었다는 사실 알고 계셨나요? 오늘 소개할 건 바로 그 이야기예요.

문제의 시작: "판이 중간에 깨지면 판돈은 어떻게 나눌까?"

16세기 이탈리아의 수학자이자 의사, 점성가, 그리고 지독한 도박꾼이었던 지롤라모 카르다노(Girolamo Cardano)가 있었어요. 이 사람이 자기 경험을 바탕으로 쓴 Liber de Ludo Aleae(주사위 놀이에 관한 책)가 사실상 인류 최초의 확률론 저작이에요. 그는 주사위 두 개를 던질 때 어떤 합이 얼마나 자주 나오는지를 체계적으로 세본 거예요. "운이 좋다/나쁘다"는 감각의 영역이었던 걸, 세어볼 수 있는 수의 영역으로 끌고 들어온 거죠.

그리고 얼마 뒤, 프랑스 궁정의 유명한 도박꾼 슈발리에 드 메레(Chevalier de Méré)가 비슷한 질문을 파스칼에게 들고 갔어요. "판이 중간에 끊어지면 판돈을 어떻게 나눠야 공정할까?" 이게 그 유명한 '점수 문제(problem of points)'예요. 파스칼은 페르마에게 편지를 보냈고, 두 사람이 1654년 주고받은 편지에서 현대 확률론의 기반이 잡히기 시작했어요.

뭐가 그렇게 대단한 걸까요

중요한 건 그들이 '일어날 수 있는 모든 경우의 수'를 세는 접근법을 정착시켰다는 점이에요. 이게 뭐냐면, 과거엔 '주사위를 던지면 신의 뜻'이라는 식이었거든요. 결과가 예측 불가능하다고 믿었어요. 그런데 카르다노-파스칼-페르마 라인은 "아니, 미래는 모르지만 가능한 미래들을 모두 나열하고, 그중에 우리가 원하는 미래의 비율을 계산할 수 있다"는 사고방식을 제안한 거죠.

이 사고의 전환은 엄청나요. 왜냐면 이 생각이 바로 오늘날 여러분이 쓰는 거의 모든 데이터 기반 기술의 뿌리거든요. 몬테카를로 시뮬레이션, A/B 테스트, 스팸 필터의 나이브 베이즈, 추천 시스템의 확률 모델, 강화학습의 가치 추정, LLM의 샘플링까지. 전부 '가능한 경우를 수치로 다루자'라는 르네상스 도박꾼들의 아이디어의 후손들이에요.

확률과 통계가 갈라져 나간 여정

파스칼과 페르마 이후엔 야곱 베르누이가 Ars Conjectandi에서 '큰 수의 법칙'을 증명했고, 라플라스가 확률론을 과학 전반에 응용하는 프레임워크를 만들었어요. 19세기엔 가우스가 오차 분포(정규분포)를 정리했고, 20세기 초 콜모고로프가 측도론 기반의 공리적 확률론을 세우면서 엄밀한 수학의 한 분야로 자리 잡았죠. 그리고 이 흐름에서 갈라져 나온 게 통계학, 또 그 위에 올라탄 게 기계학습이에요.

재밌는 건, 지금 딥러닝 시대에도 '어떤 모델이 얼마나 확신하는가(calibration)', '불확실성을 어떻게 표현할까(Bayesian deep learning)' 같은 주제가 여전히 핫한 연구 영역이라는 거예요. 400년 전 도박꾼이 던진 질문이 아직도 살아 있는 거죠.

한국 개발자에게 주는 시사점

이 이야기를 왜 굳이 소개하냐면, 우리가 쓰는 도구의 역사를 아는 게 실무에도 의외로 도움이 되거든요. 예를 들어 A/B 테스트를 할 때 'p-value가 0.04니까 통계적으로 유의미하다'라고 말하는데, 이 p-value가 왜 만들어졌고 어떤 한계가 있는지 모르면 엉뚱한 결론을 내기 쉬워요. 확률론의 뿌리를 이해하면 '이 수치는 실제로 뭘 의미하는가'를 비판적으로 볼 수 있어요.

또 하나, 머신러닝을 공부하는 분들께 드리고 싶은 말은 '수학은 공식부터 외우는 게 아니라 그 공식이 태어난 문제부터 이해하는 게 훨씬 빠르다'는 거예요. 베이즈 정리도 공식으로 보면 어렵지만, '어제 구름이 꼈다는 걸 알았을 때 오늘 비 올 확률을 어떻게 수정할까'라는 질문으로 접근하면 훨씬 쉬워요. 도박꾼들은 바로 그 감각으로 확률을 만들어낸 사람들이에요.

마무리

한 줄 요약: 오늘 우리가 쓰는 확률/통계/ML의 뿌리는, 판돈을 공정하게 나누고 싶었던 16~17세기 도박꾼들의 현실 문제에서 시작됐어요. 여러분은 확률 개념을 처음 제대로 이해하게 된 계기가 뭐였나요? 학교 수업? 통계 책? 아니면 실무에서 '이거 왜 이렇지?' 하다가 깨달은 순간? 댓글에서 공유해주세요.