(위험과 불확실성을 이해하는 법) 위험은 확률과 피해 크기의 결합이다 — 위험 평가의 원칙

이번 주 다룬 비 올 확률, 홍수 재현빈도, 보험 기대손실, 꼬리 위험은 모두 같은 틀로 모인다. 위험 = 확률 × 피해 크기. 확률만 보거나 피해만 보면 위험을 절반만 본 것이다. 두 축을 함께 놓는 위험 지도가 이번 주의 결론이다.

네 편의 글, 하나의 틀

이번 주 우리는 네 가지 서로 다른 상황을 살펴봤다. 비 올 확률 60%가 무엇을 뜻하는지, 100년 빈도 홍수가 왜 자주 오는 것처럼 느껴지는지, 보험회사가 기대손실을 어떻게 계산하는지, 그리고 확률은 낮지만 피해가 막대한 사건을 어떻게 다뤄야 하는지였다. 이 네 가지는 모두 하나의 틀로 모인다.

\[\text{위험(Risk)} = \text{확률(Probability)} \times \text{피해 크기(Impact)}\]

확률이 아무리 높아도 피해가 작으면 위험은 작다. 반대로 피해가 아무리 커도 확률이 0에 가까우면 당장의 위험은 작다. 진짜 위험한 것은 확률과 피해가 둘 다 무시할 수 없는 영역이다.

확률과 피해를 한 장의 지도에 놓기

아래 위험 지도는 확률(가로축)과 피해 크기(세로축)를 함께 놓고, 이번 주 다룬 사례들을 배치한 것이다.

A risk map plotting probability (x-axis, log scale) against impact (y-axis, log scale) for this week’s examples. Risk grows toward the upper-right corner, where both probability and impact are high. The dashed curves are lines of equal risk (probability times impact constant).

점선은 “확률 × 피해”가 같은 값을 갖는 곡선이다. 같은 곡선 위에 있으면 겉보기에 전혀 다른 사건이라도 기대손실(위험의 평균적 크기)은 같다. 매일의 강수확률 예보와, 포스코가 힌남노로 겪은 재난은 서로 다른 세계처럼 보이지만, 이 지도 위에서는 같은 언어로 비교할 수 있다.

실무에서는 더 단순한 지도도 쓴다

정밀한 로그-로그 그래프 대신, 현업에서는 확률과 피해를 각각 “낮음/높음” 두 단계로만 나눈 위험 매트릭스를 더 자주 쓴다. 정확한 숫자를 모르거나 소통의 편의가 더 중요할 때 유용하다.

The same four examples placed on a simpler 2x2 risk matrix: probability (low/high) against impact (low/high). The bottom-left quadrant (low probability, low impact) needs little attention; the top-right (high probability, high impact) would demand urgent action - though none of this week’s real examples land there. This coarser tool trades precision for ease of communication.

이 표는 정확한 확률과 피해 숫자를 모른 채로도 “이 위험은 지금 당장 대비해야 하는가”를 빠르게 소통하는 데 유용하다. 다만 칸을 나누는 기준이 거칠기 때문에, 실제 자원 배분 결정에는 앞서 본 로그-로그 지도처럼 더 정밀한 숫자가 함께 필요하다.

네 편의 글이 보여준 함정들

이번 주의 네 사례는 이 틀을 적용할 때 흔히 빠지는 함정을 하나씩 보여주었다. 강수확률 60%는 확률을 하루의 결과로 오해하는 함정이었다. 100년 빈도 홍수는 평균 재현기간을 보장으로 오해하는 함정이었다. 보험의 기대손실은 위험을 빈도와 심도로 쪼개지 않고 뭉뚱그리는 함정을 피하는 방법이었다. 저확률·고피해 위험은 평균 하나만 보고 꼬리를 놓치는 함정이었다. 네 함정 모두, 확률과 피해 크기 중 한쪽만 보거나 잘못 해석한 데서 비롯됐다.

위험을 평가하는 네 가지 원칙

1. 확률과 피해 크기를 항상 같이 말하라. 둘 중 하나만 말하면 위험의 절반만 전달한 것이다.
2. 확률은 반복된 패턴으로, 피해는 분포로 이해하라. 하루의 결과나 평균 하나로 판단하지 마라.
3. 빈도와 심도를 나눠서 추적하라. 같은 위험 수준이라도 원인에 따라 대응이 다르다.
4. 꼬리(최악의 경우)를 반드시 따로 계산하라. 평균이 작다고 꼬리가 작은 것은 아니다.

더 깊이: 확률과 심도를 함께 모형화하는 분포

강의노트 〈수리통계학 5. 유명분포 — 감마분포〉는 양수 값을 가지며 오른쪽으로 긴 꼬리를 갖는 감마분포를 소개한다. 보험의 손해액이나 재난의 피해 규모처럼, “대부분은 작지만 가끔 아주 큰” 값을 가지는 데이터를 모형화할 때 실무에서 널리 쓰이는 분포다. 이번 주 살펴본 확률(발생 여부)과 피해 크기(심도) 중, 심도 쪽의 분포를 정교하게 다루려면 바로 이런 분포가 필요하다.

SDV 관점: 위험 지도를 그리는 것이 데이터 가치화의 완성형이다

확률과 피해 크기를 결합해 위험을 평가하는 일은 요약과 추론(1~2단계)을 넘어, 제가 제안하는 SDV(통계적 데이터 가치화)의 5단계(요약→추론→학습→융합→가치화) 전체가 응축된 예다. 확률만 계산하면 1~2단계에 머무르고, 피해 크기를 결합해 위험 지도를 그리는 순간 비로소 “이 데이터가 어떤 의사결정을 설계해야 하는가”라는 가치화의 질문에 답하게 된다. AI는 확률 계산과 통계 보고를 빠르게 대신해 줄 수 있지만, 확률과 피해 크기를 결합해 “어디에 자원을 먼저 투입해야 하는가”라는 위험 지도를 설계하는 일은 통계학자의 몫으로 남는다. 이것이 제가 말하는 Value Architect, 곧 숫자를 넘어 가치의 방향을 설계하는 통계학자의 역할이다. (SDV(데이터 가치화))

결론: 위험은 확률 곱하기 피해다

나는 학생들에게 “위험하다”는 말을 들으면 두 가지를 나눠 물으라고 말한다. 얼마나 자주 일어나는가, 그리고 한 번 일어나면 얼마나 큰 피해인가. 이번 주 다섯 편의 글은 결국 이 두 질문을 떼어놓지 말라는 하나의 메시지로 모인다. 확률과 피해, 둘을 곱해야 비로소 위험의 크기가 보인다.

참고 자료

• 위험 지도의 좌표(확률, 피해 크기)는 이번 주 글들의 수치를 바탕으로 한 설명용 예시이며, 피해 크기의 단위는 임의로 맞춘 상대값이다.
• 태풍 힌남노로 인한 포스코의 피해 규모(생산·판매 손실 2조 400억 원)는 10/22일 자 “저확률·고피해 리스크” 글의 참고 자료를 따른다.