Bayes Teoremi

Bayes teoremi, 18. yüzyıl İngiliz matematikçisi Thomas Bayes'in adını verdiği, koşullu olasılığı belirlemek için kullanılan matematiksel bir bağıntıdır. Teoremin temel mantığı, bir olayın olasılığını o olayla ilişkili başka bir olayın gerçekleşmesi durumunda güncellemektir. Bu teorem, belirsizlik altında doğru kararlar vermek için kullanılır; tıbbi tanı testlerinde, meteorolojide hava tahminlerinde, fabrikalarda üretilen ürünün hatalı olma durumunun tespitinde yaygın olarak uygulanır.

Temel Fikir: Mevcut Bilginin Yeni Veriyle Güncellenmesi

Belirsizlik içeren gerçek yaşam durumlarında mevcut bilgiye dayalı tahminler, elde edilen yeni veriyle güncellenmelidir. Örneğin bir kan testinin demir eksikliği anemisi hastalarının %90'ında, sağlıklı bireylerin ise %15'inde pozitif sonuç verdiği bilindiğinde, pozitif test sonucu tek başına "kesin hastalık" anlamına gelmez — testin yanlış pozitif verme oranı da hesaba katılmalıdır. Bayes teoremi, bu tür durumlarda P(hastalık|pozitif test sonucu) gibi güncellenmiş (koşullu) olasılığı hesaplamayı sağlar.

Uygulama Örneği: Fabrika Ambalaj Hatası

Bir fabrikada üretilen ürünler beyaz, kırmızı, mavi, siyah ambalajlarla paketlenir; beyaz ve kırmızının %5'i, siyah ve mavinin %10'u hatalıdır. Bir günde 200 beyaz, 300 kırmızı, 240 siyah, 260 mavi ambalaj kullanılmıştır.

Hatalı ürün sayıları: Beyaz: 200×0,05=10 hatalı (190 hatasız). Kırmızı: 300×0,05=15 hatalı (285 hatasız). Siyah: 240×0,10=24 hatalı (216 hatasız). Mavi: 260×0,10=26 hatalı (234 hatasız). Toplam hatalı ürün: 10+15+24+26=75.

Soru: Hatalı bir ürünün kırmızı ambalajlı olma olasılığı? B: ambalajı hatalı olma, A: kırmızı ambalajlı olma olsun. P(A|B) = 15/75 = 1/5.

Uygulama Örneği: Alerji Testi (Çilek Alerjisi)

Bir alerji testi, alerjisi olan bireylerde %90, olmayanlarda %20 oranında pozitif sonuç verir; toplumda çilek alerjisi görülme oranı %10'dur. Toplum büyüklüğü 100x olsun: alerjisi olan 10x kişiden 10x×0,90=9x'i pozitif; alerjisi olmayan 90x kişiden 90x×0,20=18x'i pozitif çıkar. Toplam pozitif: 9x+18x=27x.

Soru: Testi pozitif çıkan birinin gerçekten alerjisi olma olasılığı? A: alerji olma, B: test pozitif çıkma olsun. P(A|B) = 9x/27x = 1/3.

Bu sonuç önemli bir noktayı gösterir: test %90 doğrulukla pozitif sonuç verse bile, toplumda alerjinin nadir olması (%10) nedeniyle pozitif çıkan birinin gerçekten alerjisi olma olasılığı yalnızca %33'tür — çünkü sağlıklı büyük grubun küçük bir yüzdesi (%20) bile, hasta küçük gruptan daha fazla mutlak sayıda yanlış pozitif üretebilir.

Bayes Teoreminin Çözüm Yöntemleri

Bu tür problemler üç farklı görselleştirme yöntemiyle çözülebilir:

1. İki yönlü sıklık tablosu: Kategoriler (renk, hastalık durumu gibi) ile sonuç (hatalı/hatasız, pozitif/negatif gibi) satır-sütun olarak düzenlenir.
2. Ağaç şeması: Her dal bir kategoriye, alt dallar sonuçlara (hatalı/hatasız gibi) karşılık gelir.
3. Alan modeli: Geometrik alanlar kullanılarak oranlar görselleştirilir.

Her üç yöntem de aynı sonucu verir; hangisinin tercih edileceği problemin yapısına ve kişisel tercihe bağlıdır.

Özet

• Bayes teoremi, bir olayın olasılığının, onunla ilişkili başka bir olayın (örneğin bir test sonucunun) gerçekleşmesi bilgisiyle nasıl güncellendiğini hesaplayan bir koşullu olasılık yöntemidir; P(A|B) hesaplaması iki yönlü sıklık tablosu, ağaç şeması veya alan modeliyle yapılabilir.
• Bir testin yüksek doğruluk oranına (örneğin %90 pozitiflik) sahip olması, pozitif çıkan bir bireyin gerçekten o duruma sahip olacağı anlamına gelmez; asıl durumun toplumdaki taban oranı (prevalans) düşükse, yanlış pozitiflerin mutlak sayısı gerçek pozitiflerden fazla olabilir ve P(A|B) beklenenden düşük çıkabilir.
• Bayes teoremi tıbbi tanı testlerinden fabrika kalite kontrolüne, meteorolojik tahminlerden risk analizine kadar, belirsizlik altında mevcut bilgiyi yeni verilerle güncelleyerek karar vermeyi gerektiren geniş bir uygulama alanına sahiptir.