Koşullu Olasılığın Temelleri
Olasılık, bir olayın gerçekleşme olasılığını ölçmenin resmi bir yoludur. Birçok gerçek dünya durumunda, bir olayın olasılığı tek başına durmaz, aksine zaten bildiğimiz diğer bilgilerden etkilenir. İşte burada koşullu olasılık kavramı önem kazanır. Koşullu olasılık, ek bilgi edindikten sonra belirli bir olay hakkındaki inançlarımızı güncellememize yardımcı olur. Bu makale, koşullu olasılığın tanımını, temel formülünü, örneklerini ve çarpım kuralı ile Bayes teoremiyle olan ilişkisini ele almaktadır.
1. Koşullu Olasılığı Anlamak
Sezgisel olarak, koşullu olasılık, B olayının gerçekleşmesi koşuluyla A olayının gerçekleşme olasılığıdır. Şu şekilde yazılır:
\[
P(A ∈ B)
\]
“B verildiğinde A’nın olasılığı” ifadesini okuyun.
Örneğin, bugün yağmur yağdığı (B) bilindiğine göre birinin şemsiye taşıma olasılığını (A) bilmek istiyoruz. Açıkça, yağmur yağdığını biliyorsak şemsiye taşıma olasılığı daha yüksektir. "Yağmur yağıyor" bilgisi, değerlendirme alanımızı değiştirir; artık tüm hava koşullarını değil, yalnızca yağmur yağdığı koşulları dikkate alırız.
2. Koşullu Olasılık Formülü
Koşullu olasılığın matematiksel tanımı şöyledir:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
\(P(B) > 0\) koşuluyla.
Açıklamalar:
– \(P(A \mid B)\): B'nin gerçekleşmesi koşuluyla A'nın gerçekleşme olasılığı.
– \(P(A \cap B)\): A ve B'nin aynı anda gerçekleşme olasılığı (A ve B'nin kesişimi).
– \(P(B)\): B olayının gerçekleşme olasılığı.
Bu formülün anlamı şudur: Dikkatimizi B olayına odaklıyoruz, ardından B'nin ne kadar büyük bir kısmının A'yı da içerdiğini hesaplıyoruz.
3. Basit Örnek: Oyun Kartları
Standart bir iskambil destesinden (52 kart) bir kart alın. Örneğin:
– A: Çekilen kart As'tır.
– B: Çekilen kart Maça'dır.
Kartın maça olduğu bilindiğinde, As çekme olasılığını (P(A ⊂ B)) hesaplamak istiyoruz.
Langkah:
– Maça destesinde 13 kart vardır, dolayısıyla \(P(B) = 13/52\).
– A ve B dilimleri "Maça Ası"dır ve toplamları 1 karttır, dolayısıyla \(P(A \cap B) = 1/52\).
Bu yüzden:
\[
P(A ∈ B) = 1/52 / 13/52 = 1/13
\]
Bu, eğer kartın maça olduğunu zaten biliyorsak, kartın As olma olasılığının 13'te 1 olduğu anlamına gelir.
4. Kesişimin (A ∩ B) ve Bilginin Rolünün Anlaşılması
Olasılık çalışırken yapılan yaygın bir hata, \(P(A)\) ile \(P(A|B)\)'yi karıştırmaktır. Kart örneğinde:
– \(P(A) = 4/52 = 1/13\) (ek bilgi olmadan As gelme olasılığı)
– \(P(A|B) = 1/13\) (bu durumda tesadüfen aynı)
Ancak birçok durumda bu iki değer farklıdır. Ek bilgi şu şekilde olabilir:
– şansı artırmak (örneğin, birinin çalıştığını bilmek sınavı geçme şansını artırır),
– fırsatları azaltır (işten eve dönüş vaktinin geldiğini biliyorsanız, yolların sorunsuz olma olasılığı azalır),
– veya olaylar bağımsız ise olasılığı değiştirmez.
5. Birbirinden Bağımsız Olaylar (Bağımsızlık)
A ve B olmak üzere iki olay, B olayının A olayının olasılığını etkilememesi ve bunun tersinin de geçerli olması durumunda bağımsız olarak adlandırılır. Resmi olarak:
\[
P(A ⊂ B) = P(A)
\]
veya eşdeğeri:
\[
P(A ⊆ B) = P(A)P(B)
\]
Örnek: Madeni para atmak ve zar atmak. Madeni paranın sonucu (sayı/resim), zarın sonucundan (1-6) etkilenmez, dolayısıyla ikisi de bağımsızdır. Eğer A "madeni para bir sayı gösteriyor" ve B "zar 6 gösteriyor" ise, o zaman:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
ve \(1/12 = (1/2)(1/6)\) olduğu doğrudur.
6. Çarpma Kuralı
Koşullu olasılığın tanımından, çarpma kuralını çıkarabiliriz:
\[
P(A ⊂ B) = P(A ⊂ B)P(B)
\]
veya ayrıca:
\[
P(A ⊂ B) = P(B ⊂ A)P(A)
\]
Bu kural, iki olayın aynı anda gerçekleşme olasılığını hesaplamak istediğimizde çok kullanışlıdır, ancak olaylardan birinin olasılığını diğerini bildikten sonra değerlendirmek daha kolaydır.
Örnek: Birinin mülakatı geçme olasılığının (B) 0,4 olduğunu varsayalım. Mülakatı geçmesi durumunda işe kabul edilme olasılığı (A) 0,6'dır. O halde "mülakatı geçme ve işe kabul edilme" olasılığı şudur:
\[
P(A ⊆ B) = P(A ⊆ B)P(B) = 0,6 × 0,4 = 0,24
\]
7. Bayes Teoremi: Koşulların Tersine Çevrilmesi
Genellikle \(P(A|B)\)'yi biliyoruz, ancak asıl ihtiyacımız olan \(P(B|A)\)'dır. Bayes teoremi, koşullu olasılığı "tersine çevirmenin" bir yolunu sunar:
\[
P(B ⊂ A) = \frac{P(A ⊂ B)P(B)}{P(A)}
\]
Bu teorem, tıbbi teşhis, makine öğrenimi, spam tespiti ve veri odaklı karar verme alanlarında çok iyi bilinmektedir.
Kısa Örnek (Sağlık)
Örneğin:
– B: Birisi gerçekten hasta (yaygınlık) \(P(B)=0{,}01\)
– A: pozitif test sonucu
– Test duyarlılığı: \(P(A|B)=0{,}95\)
– Yanlış pozitif: \(P(A|\text{hasta değil})=0{,}05\)
Soru: Test sonucu pozitif ise, kişinin gerçekten hasta olma olasılığı nedir, yani \(P(B|A)\)?
\(P(A)\)'ya ihtiyacımız var:
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Bu yüzden:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
Sonuç yaklaşık %16,1 oldu. Bu, özellikle hastalığın yaygınlığı çok düşükse, pozitif bir testin mutlaka bir kişinin hasta olduğu anlamına gelmediğini gösteriyor.
8. Toplam Olasılık (Toplam Olasılık Yasası)
Bir durumun birden fazla koşula bölünmesi durumunda \(P(A)\)'yı hesaplamak için toplam olasılık yasasını kullanabiliriz. Eğer \(B_1, B_2, …, B_n\), örnek uzayının (birbirinden ayrı ve tüm olasılıkları kapsayan) bir bölümünü oluşturuyorsa, o zaman:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Genellikle Bayes teoremi ile birlikte kullanılarak birden fazla kategori veya kaynaktan gelen bilgilerin işlenmesinde kullanılır.
9. Koşullu Olasılıkta Sık Yapılan Hatalar
Bazı yaygın hatalar:
1. \(P(A|B)\)'nin \(P(B|A)\)'ya eşit olduğunu varsayalım. Bu genel olarak doğru değildir.
2. Örneğin Bayes örneğindeki hastalık yaygınlığı gibi temel oranları göz ardı etmek.
3. Koşul B verildikten sonra örneklem uzayının yanlış belirlenmesi, oysa koşul B yalnızca "B bölgesi"nde sayım yapacağımız anlamına gelir.
10. Penuup
Koşullu olasılık, istatistik ve belirsizlik modellemesinde önemli bir temeldir. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) tanımını anlayarak, ek bilgileri dikkate alarak olasılıkları değerlendirebiliriz. Bu kavram, çarpım kuralı, bağımsız olaylar, toplam olasılık yasası ve birçok gerçek dünya uygulamasında çok faydalı olan Bayes Teoremi ile doğrudan ilişkilidir. Somut örneklerle (kartlar, zarlar, anketler ve hatta tıbbi vakalar) ne kadar çok pratik yaparsanız, yeni bilgiler geldikçe olasılıkların nasıl değiştiğine dair sezginiz o kadar güçlenecektir.
