Günlük hayatta karşılaştığımız birçok olayda, bir olayın gerçekleşme olasılığı, başka bir olayın gerçekleşip gerçekleşmemesine bağlı olarak değişebilir. İşte bu tür durumları anlamamızı sağlayan temel kavramlar koşullu olasılık ve Bayes teoremidir. Bu makalede, bu iki önemli istatistiksel aracı derinlemesine inceleyeceğiz.

Koşullu Olasılık Nedir?

Koşullu olasılık, bir olayın (A) başka bir olayın (B) gerçekleştiği bilindiği durumda meydana gelme olasılığıdır. Bu olasılık, P(A|B) şeklinde gösterilir ve "B gerçekleştiğinde A'nın olasılığı" olarak okunur. Matematiksel olarak, koşullu olasılık aşağıdaki şekilde ifade edilir:

P(A|B) = P(A ∩ B) / P(B)

Burada:

• P(A|B): B olayının gerçekleştiği bilindiğinde A olayının gerçekleşme olasılığı.
• P(A ∩ B): A ve B olaylarının her ikisinin de gerçekleşme olasılığı (A ve B'nin kesişimi).
• P(B): B olayının gerçekleşme olasılığı.

Önemli Not: Koşullu olasılığın tanımlı olabilmesi için P(B) > 0 olması gerekir; yani, koşullandırdığımız olayın gerçekleşme olasılığı sıfırdan farklı olmalıdır.

Koşullu Olasılığa Örnekler

Örnek 1: Bir zar atıldığında 4'ten büyük bir sayı geldiği bilindiğine göre, tek sayı gelme olasılığı nedir?

A: Tek sayı gelmesi (1, 3, 5)

B: 4'ten büyük sayı gelmesi (5, 6)

P(A ∩ B): Hem tek sayı hem de 4'ten büyük sayı gelmesi (5) = 1/6

P(B): 4'ten büyük sayı gelmesi (5, 6) = 2/6 = 1/3

P(A|B) = (1/6) / (1/3) = 1/2

Yani, zar atıldığında 4'ten büyük bir sayı geldiği bilindiğine göre, tek sayı gelme olasılığı %50'dir.

Örnek 2: Bir torbada 3 kırmızı ve 2 beyaz bilye bulunmaktadır. Torbadan rastgele iki bilye çekiliyor. İlk çekilen bilyenin kırmızı olduğu bilindiğine göre, ikinci çekilen bilyenin de kırmızı olma olasılığı nedir?

A: İkinci çekilen bilyenin kırmızı olması.

B: İlk çekilen bilyenin kırmızı olması.

P(B): İlk çekilen bilyenin kırmızı olma olasılığı = 3/5

P(A ∩ B): İlk ve ikinci çekilen bilyelerin her ikisinin de kırmızı olma olasılığı = (3/5) * (2/4) = 3/10

P(A|B) = (3/10) / (3/5) = 1/2

Yani, ilk çekilen bilyenin kırmızı olduğu bilindiğine göre, ikinci çekilen bilyenin de kırmızı olma olasılığı %50'dir.

Bayes Teoremi Nedir?

Bayes teoremi, koşullu olasılık ile yakından ilişkili olup, bir olayın olasılığını, ilgili koşulların kanıtı temelinde güncellememizi sağlayan bir formüldür. Teorem, adını İngiliz istatistikçi Thomas Bayes'den almıştır. Bayes teoremi, özellikle olasılık tahminleri ve çıkarımları yapmak için güçlü bir araçtır.

Bayes teoreminin matematiksel ifadesi şöyledir:

P(A|B) = [P(B|A) * P(A)] / P(B)

Burada:

• P(A|B): B olayının gerçekleştiği bilindiğinde A olayının gerçekleşme olasılığı (Posterior olasılık).
• P(B|A): A olayının gerçekleştiği bilindiğinde B olayının gerçekleşme olasılığı (Olasılık).
• P(A): A olayının gerçekleşme olasılığı (Önsel olasılık).
• P(B): B olayının gerçekleşme olasılığı (Kanıt olasılığı veya Normalizasyon sabiti).

Bayes teoreminde kullanılan terimlerin anlamları:

• Önsel Olasılık (Prior Probability) - P(A): Bir olayın herhangi bir yeni kanıt veya bilgi olmadan önceki başlangıç olasılığıdır. Bu, olaya ilişkin ilk inancımızı veya varsayımımızı temsil eder.
• Olasılık (Likelihood) - P(B|A): A olayının gerçekleştiği bilindiğinde B olayının gerçekleşme olasılığıdır. Bu, verilerin veya kanıtın, hipotezi ne kadar desteklediğini gösterir.
• Posterior Olasılık (Posterior Probability) - P(A|B): B olayının (kanıt) gözlemlenmesinden sonra A olayının gerçekleşme olasılığıdır. Bu, yeni kanıt ışığında güncellenmiş inancımızı temsil eder.
• Kanıt Olasılığı (Evidence Probability) - P(B): B olayının gerçekleşme olasılığıdır. Bu, genellikle P(B|A) * P(A) toplamı üzerinden hesaplanır ve posterior olasılığı normalleştirmek için kullanılır.

Bayes Teoremi Nasıl Çalışır?

Bayes teoremi, önsel bir inançla başlar (P(A)), ardından yeni kanıtlar (B) elde edildiğinde bu inancı günceller. Olasılık (P(B|A)), kanıtın hipotezi ne kadar desteklediğini ölçer ve posterior olasılık (P(A|B)), güncellenmiş inancı yansıtır. Teorem, önsel bilgiyi ve yeni verileri bir araya getirerek daha doğru ve güvenilir sonuçlar elde etmemizi sağlar.

Bayes Teoremine Örnekler

Örnek 1: Bir hastalık testi örneği:

Bir hastalığın toplumda görülme sıklığı (önsel olasılık) %1'dir. Bir testin hastalığı doğru tespit etme olasılığı (duyarlılık) %95'tir ve sağlıklı kişileri doğru tespit etme olasılığı (özgüllük) %90'dır. Bir kişiye test yapıldığında sonuç pozitif çıkarsa, bu kişinin gerçekten hasta olma olasılığı nedir?

A: Kişinin hasta olması

B: Test sonucunun pozitif çıkması

P(A) = 0.01 (Hastalığın toplumda görülme sıklığı)

P(B|A) = 0.95 (Hastalığı doğru tespit etme olasılığı)

P(B|¬A) = 0.10 (Sağlıklı kişide yanlış pozitif çıkma olasılığı = 1 - Özgüllük)

P(B) = P(B|A) * P(A) + P(B|¬A) * P(¬A) = (0.95 * 0.01) + (0.10 * 0.99) = 0.1085

P(A|B) = (0.95 * 0.01) / 0.1085 ≈ 0.0876

Yani, test sonucu pozitif çıkan bir kişinin gerçekten hasta olma olasılığı yaklaşık %8.76'dır. Bu, testin pozitif sonucunun, önsel olasılık ve testin özgüllüğü dikkate alındığında, yanıltıcı olabileceğini gösterir.

Örnek 2: E-posta spam filtreleme:

Bir e-postanın spam olma olasılığı (önsel olasılık) %70'tir. Bir e-postada "bedava" kelimesinin geçme olasılığı, spam e-postalarda %80, normal e-postalarda ise %5'tir. Bir e-postada "bedava" kelimesi geçiyorsa, bu e-postanın spam olma olasılığı nedir?

A: E-postanın spam olması

B: E-postada "bedava" kelimesinin geçmesi

P(A) = 0.70 (E-postanın spam olma olasılığı)

P(B|A) = 0.80 (Spam e-postada "bedava" kelimesinin geçme olasılığı)

P(B|¬A) = 0.05 (Normal e-postada "bedava" kelimesinin geçme olasılığı)

P(B) = P(B|A) * P(A) + P(B|¬A) * P(¬A) = (0.80 * 0.70) + (0.05 * 0.30) = 0.575

P(A|B) = (0.80 * 0.70) / 0.575 ≈ 0.974

Yani, bir e-postada "bedava" kelimesi geçiyorsa, bu e-postanın spam olma olasılığı yaklaşık %97.4'tür. Bu, "bedava" kelimesinin spam filtreleme için güçlü bir gösterge olduğunu gösterir.

Koşullu Olasılık ve Bayes Teoreminin Uygulama Alanları

Koşullu olasılık ve Bayes teoremi, istatistik, makine öğrenimi, tıp, finans, mühendislik ve daha birçok alanda yaygın olarak kullanılmaktadır:

• Tıp: Hastalık teşhisi, risk değerlendirmesi ve tedavi planlaması.
• Finans: Kredi riski değerlendirmesi, portföy optimizasyonu ve dolandırıcılık tespiti.
• Mühendislik: Güvenilirlik analizi, hata tespiti ve sistem optimizasyonu.
• Makine Öğrenimi: Sınıflandırma, tahminleme ve olasılıksal modelleme. Özellikle spam filtreleme, duygu analizi ve öneri sistemlerinde.
• Doğal Dil İşleme: Metin sınıflandırması, dil modelleme ve makine çevirisi.
• Arama Motorları: Arama sonuçlarının sıralaması ve kullanıcı davranışının analizi.

Sonuç

Koşullu olasılık ve Bayes teoremi, belirsizlik altında karar vermemize ve bilgiyi güncellememize yardımcı olan temel istatistiksel araçlardır. Bu kavramları anlamak, veriye dayalı karar alma süreçlerini iyileştirmek ve çeşitli alanlardaki problemleri çözmek için önemlidir. Özellikle, Bayes teoremi, önsel bilgiyi yeni kanıtlarla birleştirerek daha doğru ve güvenilir sonuçlar elde etmemizi sağlar.

Umarım bu makale, koşullu olasılık ve Bayes teoremi hakkında kapsamlı bir anlayış kazanmanıza yardımcı olmuştur.