Bayes Teoremi

Konu Anlatımı

Bu derste ne öğreneceğiz?

Bu derste Bayes Teoremi konusunu önce kuralıyla, sonra sayı üstünde uygulamasıyla göreceğiz. Her adımda "neden böyle yapıyoruz" sorusunu cevaplamak asıl hedeftir; kuralı ezberleyip bırakmak işe yaramaz.

Dersten sonra şunları yapabiliyor olmanız gerekiyor:

• Kazanım 1: Bayes bağıntısını koşullu olasılık üzerinden açıklar.
• Kazanım 2: Ters olasılık problemlerini Bayes bağıntısıyla çözer.
• Kazanım 3: Toplam olasılık kuralını kullanarak paydaki olasılığı hesaplar.
• Kazanım 4: Sonucu sağlık ve güvenlik alanlarından bir örnekle yorumlar.

Ön bilgi: bundan önce gördüğümüz

Bu konunun dayandığı temel İki Kategorik Değişkenli Veriler başlığıdır. İki Kategorik Değişkenli Veriler konusunda kazanılan bilgiyi burada yeniden kullanacağız, bu yüzden o konudaki tanım ve çıkarımları hatırlamak işimizi kolaylaştırır.

• İki Kategorik Değişkenli Veriler — bu derste kullandığımız temel kavram buradan geliyor.
• Bileşik Olaylar — bu derste kullandığımız temel kavram buradan geliyor.

Ters Olasılık Neden Gerekir?

Elimizde bir testin ya da bir durumun doğru sonuç verme olasılığı varken, sonucun elde edilmesinden sonra geriye doğru soru sormak gerekir: Test pozitif çıktıysa kişinin gerçekten hasta olma olasılığı kaçtır? Bu tür sorulara ters olasılık denir ve doğrudan koşullu olasılıkla çözülemez; çünkü istenen, sonucun bilindiği durumda nedenin olasılığıdır.

Benzer durumlar günlük hayatta yaygındır. Bir cihazın arıza veren on parçasından birinde arıza olasılığı bilinirken, cihaz arıza verdiyse sorunun o parçadan kaynaklanma olasılığı sorulur. Bu sorularda öncül olasılık (arızalı olma ihtimali) ile sonul olasılık (belirtiyi görme ihtimali) birlikte kullanılır.

Bayes Bağıntısı

Bayes bağıntısı, koşullu olasılığın iki farklı yönden yazılabilmesine dayanır. B olayı verildiğinde A olayının olasılığı, kesişimin B olasılığına bölünmesiyle bulunur; kesişim ise simetri sayesinde P(B | A) × P(A) biçiminde de yazılabilir. Bu iki ifade birleştirildiğinde Bayes formülü ortaya çıkar.

P(A | B) = [P(B | A) × P(A)] ÷ P(B)

Burada P(A), olay öncesinden bilinen yani öncül olasılıktır; P(B | A) ise A doğruysa belirtinin görülme ihtimalidir. Payda yer alan P(B), belirtinin toplam olasılığıdır ve çoğu zaman göz ardı edilir; oysa sonucun doğruluğunu büyük ölçüde bu değer belirler.

Toplam Olasılık ile Pay

Belirtinin toplam olasılığı, tüm olası nedenler için ayrı ayrı hesaplanıp toplanarak bulunur. İki durum varsa P(B) = P(B | A) × P(A) + P(B | A′) × P(A′) yazılır; burada A ile A′ tamamlayıcı olaylardır.

Payda bu toplam yazıldığı için sonuç, öncül olasılığın küçüklüğüne son derece duyarlıdır. Hastalığın yaygın olmadığı bir toplumda test çok iyi olsa bile hasta olma olasılığı beklenenden düşük çıkabilir; bu durum temel oran ihmalinin klasik sonucudur.

Adım Adım Yöntem

1. Olayları tanımla: A, A′ ve gözlenen belirti B olsun.
2. Verilen öncül olasılıkları ve belirti olasılıklarını yaz.
3. P(B) için toplam olasılık kuralını uygula.
4. Bayes bağıntısına değerleri koyup sonucu 0 ile 1 arasında kontrol et.

Sınav Odaklı Uygulama

Sınavlarda bu tür sorularda tablo ya da ağaç diyagramı çizmek, pay ile paydayı karıştırmayı önler. Sonuç daima bir orandır ve P(A | B) + P(A′ | B) = 1 kontrolüyle doğrulanabilir. Gerçek hayatta ise elde edilen olasılık, kesin tanı değil yalnızca olasılıksal bir değerlendirme olarak yorumlanmalıdır.

Günlük hayattan bir uygulama

Konuyu pekiştirmek için günlük hayattan bir uygulamaya bakmak gerekir. Aşağıdaki görev, Bayes Teoremi bilgisini gerçek bir işin içinde kullandırmak için hazırlandı; çözerken hangi adımı nerede kullandığımızı not etmek faydalıdır.

Uygulama sorusu: Bir hastalığın toplumdaki görülme oranı %1'dir ve test hasta olanın %99'unu, sağlıklı olanın %1'ini pozitif vermektedir. Testi pozitif çıkan birinin hasta olma olasılığını Bayes bağıntısıyla adım adım hesaplayıp yorumlayınız.

Bu görev için 15 puan dağıtılmıştır; puanlama anahtarı, cevabın hangi adımlarla gösterilmesi gerektiğini ayrıntılı biçimde söyler. Puanlamada işlem sırasının ve sonuç cümlenin ayrı ayrı sayıldığına dikkat et.

Yararlı ipuçları

• Soruyu okurken kimin kimden sonra geldiği netleştir; sonra gelen belirti, koşuldur.
• Paydanın tek terim olmadığını unutma; toplam olasılığı hesaplamadan sonuca geçme.
• Ağaç diyagramı çizerek pay ile paydayı görselleştir, karışıklık azalır.
• Bulduğun olasılık ile tamamlayıcısını topla; 1 çıkmıyorsa hata var demektir.

Adım adım çözülmüş örnekler

İki örnek üzerinde çalışacağız. İlk örnek kuralın temel kullanımını, ikinci örnek ise kuralın zorlayıcı bir durumunu gösterir. Adımları kendin yazmayı dene; ikinci adımda nerede durduğunu görmek, sınavda zaman kazanır.

Örnek 1: Toplam Olasılık

Soru: P(A) = 0,2, P(B | A) = 0,5 ve P(B | A′) = 0,1 ise P(B) değerini bulunuz.

1. Adım 1: Tamamlayıcı olasılığı yazınız: P(A′) = 1 − 0,2 = 0,8.
2. Adım 2: Her iki durumu ayrı ayrı hesaplayınız: 0,5 × 0,2 = 0,1 ve 0,1 × 0,8 = 0,08.
3. Adım 3: Toplayınız: 0,1 + 0,08.

Cevap: P(B) = 0,18 olarak bulunur.

Bu örnekte adım sayısını not edin: kural her zaman aynı sayıda işlemle değil, kazanılması gereken bilgiye göre çözülür.

Örnek 2: Bayes ile Sonul Olasılık

Soru: Örnek 1'deki değerlere göre P(A | B) kaçtır?

1. Adım 1: P(B) = 0,18 sonucunu kullanınız.
2. Adım 2: Payı hesaplayınız: P(B | A) × P(A) = 0,5 × 0,2 = 0,1.
3. Adım 3: Bölme işlemini yapınız: 0,1 ÷ 0,18.

Cevap: P(A | B) ≈ 0,56 olarak bulunur.

Kavram karşılaştırma tablosu

Bu derste geçen terimler birbirine yakın durur ve sınavda karıştırılır. Aşağıdaki tabloda her terimin anlamı ve sık karıştırılan karşılığı yan yana verilmiştir.

Kural, formül ve ölçü tablosu

Aşağıdaki tablo bu konudaki kuralları tek bakışta toplar. Karar verirken önce bu tabloya bakmak, kuralı hatırlamakta işe yarar.

Sık Yapılan Hatalar

Aşağıdaki hatalar bu konuda en sık görülenlerdir. Her biri için önce hatanın kendisi, sonra neden yanlış olduğu ve doğrusu anlatılmıştır.

• Paydayı öncül olasılık sanmak: P(B), belirtinin toplam olasılığıdır; P(A) ile karıştırılırsa sonuç büsbütün yanlışlaşır.
• Toplam olasılığı atlamak: P(B) hesaplanmadan Bayes uygulanırsa pay eksik kalır ve oran şişer.
• Sonul olasılığı nedensellik sanmak: P(A | B) yalnızca belirti verildiğinde olasılığı verir, kesin tanı anlamına gelmez.
• Tamamlayıcı olayı unutmak: P(B | A′) terimi yazılmazsa sağlıklı grubun katkısı hesaba girmez.

Özet

Kısaca: Bayes teoremi, bir belirti ya da sonuç gözlendikten sonra onu doğuran nedenin olasılığını hesaplamaya yarar ve ters olasılık sorularının çözümüdür. Bağıntı, kesişimin koşul olasılığına oranlanarak yazılır ve kesişim P(B | A) × P(A) biçiminde ifade edilir. Payda yer alan P(B), toplam olasılık kuralıyla tüm olası nedenler için ayrı ayrı hesaplanarak bulunur. Öncül olasılığın düşük olduğu durumlarda sonul olasılık beklenenden küçük çıkar; bu yüzden sonuç her zaman belirtinin tüm toplam olasılığı içinde değerlendirilm…

Derste gördüğümüz ana fikirler şunlar:

• Bayes bağıntısı, sonucu bilinirken nedenin olasılığını sorgular; bu yüzden ters olasılık denir.
• Payda, belirtinin tüm olası nedenler üzerinden toplam olasılığıdır.
• Öncül olasılığın küçük olması, sonul olasılığı büyük ölçüde düşürür.
• Sonul ve öncül olasılıklar toplam 1 ile kontrol edilebilir.
• A ve A′ olayları tamamlayıcı olduğundan ikisinin öncül olasılıkları toplamı 1'dir.
• Sonuç daima 0 ile 1 arasındadır; dışına çıkan hesapta hata vardır.

Kendini dene

Aşağıdaki sorular konunun farklı yönlerini yoklar. Önce kendin çöz, sonra cevap anahtarına bak; eğer bir soruyu yanlış yaptıysan yukarıdaki ilgili bölüme geri dön.

1. P(A | B) = 0,4 olduğuna göre P(A′ | B) kaçtır? (Şıklar: 0,6 · 0,4 · 0,16 · 1,0)
2. P(A) = 0,2, P(B | A) = 0,8 ve P(B | A′) = 0,1 olduğuna göre P(B) kaçtır? (Şıklar: 0,16 · 0,42 · 0,30 · 0,24)
3. Bayes bağıntısında payda hangi büyüklük bulunur? (Şıklar: P(A) · P(B) yani belirtinin toplam olasılığı · P(A′) · P(A ∩ B))

Cevap anahtarı: 1) 0,6 — A ile A′ olayları tamamlayıcı olduğundan P(A | B) + P(A′ | B) = 1 sağlanır; buradan P(A′ | B) = 1 − 0,4 = 0,6 bulunur.

2) 0,24 — P(A′) = 1 − 0,2 = 0,8 olur. P(B) = P(B | A) × P(A) + P(B | A′) × P(A′) = 0,8 × 0,2 + 0,1 × 0,8 = 0,16 + 0,08 = 0,24 olarak bulunur.

3) P(B) yani belirtinin toplam olasılığı — Bayes bağıntısının paydası P(B), yani belirtilen durumun tüm olası nedenler üzerinden toplam olasılığıdır.

İlgili konular

Bu konuyu öğrenmek şu başlıkları da kolaylaştırır. Aynı üniteden ve sonraki üniteden ikişer konu seçtik:

• Cebirsel ve Fonksiyonel İşlemlerin Algoritmik Yapısı — aynı ünitede, bir sonraki adım.
• Fonksiyon Kavramı ve Gösterimi — sonraki ünitenin başlangıcı; konuyu genişletir.
• Fonksiyon Türleri — sonraki ünitenin başlangıcı; konuyu genişletir.
• Fonksiyonların Grafikleri — sonraki ünitenin başlangıcı; konuyu genişletir.

Kaynak notu

Bu derste Bayes Teoremi konusu için kullanılan sayısal değerlerin tamamı adım adım gösterilerek hesaplandı; yaklaşık değer gereken yerde yaklaşık ifadesi açıkça yazıldı. Bu anlatım başka bir kitaptan cümle aktarmadan, konunun tanım ve kural düzeni yeniden yazılarak hazırlandı.

Ayrıca derste şu açık uçlu görevler yer alıyor; her biri puanlıdır ve kendi cevabını yazmanı ister:

• Bir hastalığın toplumdaki görülme oranı %1'dir ve test hasta olanın %99'unu, sağlıklı olanın %1'ini pozitif vermektedir. Testi pozitif çıkan birinin hasta olma olasılığını Bayes bağıntısıyla adım adı… (15 puan)
• Bayes teoreminin günlük hayattaki bir kullanımını (alarm sistemi, kalite kontrol ya da tıbbi test) seçip öncül, sonul ve toplam olasılığı örnek üzerinden yazınız. (10 puan)
• Bayes teoremi ile ilgili olarak, P(B) değerinin göz ardı edilmesinin nedeni nedir? (10 puan)