10. Sınıf Matematik Bayes Teoremi Konu Anlatımı

Bayes Teoremi

Bir kan testi hastalığı olanların %90'ında, hastalığı olmayanların %15'inde pozitif sonuç veriyor. Testi pozitif çıkan biri kesinlikle hasta mıdır? Bir hava durumu kurumu yağmur olasılığını %80 olarak açıklıyor, fakat tahminlerinde belli oranda hata olabileceğini de söylüyor. Bu yeni bilgi olasılığı değiştirir mi? Belirsizlik içeren gerçek yaşam durumlarında mevcut bilgiye dayalı tahminler, yeni veriler geldikçe **güncellenmelidir**. Bayes teoremi bu güncellemeyi yapmanın matematiksel yoludur.

Bayes teoremi, 18. yüzyıl İngiliz matematikçisi Thomas Bayes'in adını taşır. Teoremin temel mantığı, bir olayın olasılığını o olayla ilişkili başka bir olayın gerçekleşmesi durumunda güncellemektir. Tıbbi tanı testlerinde, meteorolojide hava tahminlerinde ve fabrikalarda hatalı ürün tespitinde kullanılır.

Bu konunun sonunda şunları yapabiliyor olmalısın:

• bir olayın olasılığını yeni verilerle güncellemenin anlamını açıklamak,
• problem verilerini ağaç şeması, iki yönlü sıklık tablosu ve alan modeli ile görselleştirmek,
• yüzde ve kesirle verilen oranları kişi ya da ürün sayılarına çevirmek,
• "test pozitif çıktığına göre gerçekten hasta olma" gibi Bayes temelli koşullu olasılıkları hesaplamak,
• birden fazla kaynaktan (makine, tezgâh, banka) gelen verilerde koşullu olasılık bulmak,
• sonucun bağlam içinde ne anlama geldiğini yorumlamak.

1. Olasılığın Yeni Verilerle Güncellenmesi

Bir toplulukta bir hastalığın görülme oranı, test yapılmadan önceki bilgimizdir. Test sonucu geldiğinde artık topluluğun tamamına değil, yalnızca testi pozitif (ya da negatif) çıkanlara bakarız. Pozitif çıkanların bir kısmı gerçekten hasta, bir kısmı ise sağlıklı olduğu hâlde testi pozitif çıkan kişilerdir. Bu yüzden "test pozitif" bilgisi hasta olma olasılığını artırır ama genellikle kesinlik sağlamaz.

Bayes teoremi, koşullu olasılığın özel bir uygulamasıdır. Koşullu olasılıkta olduğu gibi örnek uzay, gerçekleştiği bilinen olaya (testin pozitif çıkması, ürünün hatalı olması, tahminin yağmur demesi) daralır. Farkı, bu olayın birden fazla kaynaktan gelebilmesidir: pozitif sonuç hem hastalardan hem sağlıklılardan, hatalı ürün ise farklı makinelerden gelir. Bu nedenle önce her kaynaktan gelen payı hesaplamak, sonra bunları toplamak gerekir.

2. Görselleştirme Yolları

İki Yönlü Sıklık Tablosu

Satırlara test sonucu (pozitif/negatif), sütunlara gerçek durum (hasta/sağlıklı) yazılır. Koşul "test pozitif" ise pozitif satırı seçilir; payda o satırın toplamı, pay ise istenen hücredir.

Ağaç Şeması

İlk dallar gerçek durumu (hasta %10, sağlıklı %90), ikinci dallar test sonucunu gösterir. Dalların uçlarında sayılar ya da olasılıklar yazılır. Koşulu sağlayan uçlar toplanarak payda bulunur.

Alan Modeli

Toplam bir dikdörtgenle gösterilir. Önce gerçek duruma göre dikey bölünür (hasta/sağlıklı), sonra her bölüm test sonucuna göre yatay bölünür. Koşula uyan alanlar taranır; istenen taralı alanın tüm taralı alana oranı sonucu verir.

3. Tıbbi Test Problemleri

Testin bir kişiyi yanlış biçimde etkileyen iki durum vardır: hasta olduğu hâlde testin negatif çıkması ve sağlıklı olduğu hâlde testin pozitif çıkması. Sorularda "hastalığı olduğu bilindiğine göre testte tespit edilmeme" ya da "pozitif çıkmasına rağmen sağlıklı olma" gibi ifadelerle bu durumlar sorulur.

4. Birden Fazla Kaynak İçeren Problemler

Ürünler birden fazla makineden, tezgâhtan ya da gruptan geliyorsa her kaynak için ayrı hesap yapılır ve sonra toplanır.

5. Tablodaki Verilerin Güncellenmesi

Bazen yeni bilgi bir testten değil, kişilerin görüş değiştirmesi gibi bir değişimden gelir. Bu durumda önce tablo yeni bilgiye göre güncellenir, sonra koşullu olasılık hesaplanır.

6. Hava Tahmini Örneği

Meteoroloji tahminleri de Bayes mantığıyla değerlendirilir. Bir bölgede günlerin %30'u yağmurludur. Yağmurlu günlerin %90'ında, yağmursuz günlerin %20'sinde "yağmur yağacak" tahmini yapılıyor. 100 gün alalım: yağmurlu 30 günün 27'sinde, yağmursuz 70 günün 14'ünde yağmur tahmini yapılır. Yağmur tahmin edildiği bilinen bir günün gerçekten yağmurlu olma olasılığı 27/(27 + 14) = 27/41'dir. Tahmin olasılığı artırır; ancak yanlış tahminler nedeniyle kesinlik vermez.

7. Sonucun Yorumlanması

Bayes hesabı, bir test ya da gözlem sonucunun ne kadar güvenilir olduğunu gösterir. Örneğin bir yangın sensörünün gönderdiği her 10 mesajdan 4'ü doğruysa sensörün yangını doğru tespit etme olasılığı 2/5'tir. Sisteme ikinci bir sensör eklenip bu olasılık artırılabilir; farklı sistemler aynı maliyetteyse tespit olasılığı daha yüksek olan tercih edilir. Tıbbi testlerde pozitif sonucun kesin teşhis olmadığı, ek testlerle doğrulanması gerektiği bu hesaplarla anlaşılır.

Sınavlarda Sık Görülen Soru Kalıpları

Kalıp 1: Test Pozitif ⇒ Gerçekten Hasta

Kalıp 2: Hatalı Ürünün Kaynağı

Kalıp 3: Yanlış Alarm

Kalıp 4: İki Yönlü Tablodan Bayes

Sık Karıştırılan Noktalar

• "Testin hastalarda pozitif çıkma olasılığı" ile "pozitif çıkanın hasta olma olasılığı" aynı şey değildir.
• Payda yalnızca hastalardan gelen pozitifler değil, sağlıklılardan gelen pozitifler de eklenerek bulunur.
• Yüzdeler doğru gruba uygulanmalıdır: %20 sağlıklıların %20'siyse toplumun %20'si değildir.
• Nadir görülen durumlarda pozitif sonucun gerçek olma olasılığı beklenenden düşük çıkabilir.
• Birden fazla kaynak varsa her kaynağın üretim payı ile hata oranı ayrı ayrı çarpılır.
• Sonuçları sadeleştirirken payda ve payın aynı birimde (kişi, ürün) olduğundan emin ol.

Soru Çözerken Kullanılabilecek Yaklaşım

1. Gerçek durumu (hasta/sağlıklı, kaynak A/B/C) ve gözlenen sonucu (test pozitif/negatif, hatalı/hatasız) belirle.
2. Toplam için uygun bir sayı seç (100, 1000, 10 000 ya da 100x).
3. Önce gerçek duruma göre grupları, sonra her grupta gözlenen sonucu hesapla.
4. Verileri tablo, ağaç şeması ya da alan modeli ile düzenle.
5. "Bilinen" sonucu sağlayanların toplamını paydaya, bunlar içinde istenenleri paya yaz.
6. Sonucu sadeleştir ve bağlam içinde yorumla.

Konu Özeti

Bayes teoremi, bir olayın olasılığını o olayla ilişkili yeni bir bilgi geldiğinde güncellemeye yarar. Problemde önce gerçek durumların payları, sonra her durumda gözlenen sonucun oranı kullanılarak kişi ya da ürün sayıları bulunur. Gözlenen sonucun (ör. testin pozitif çıkması) tüm kaynaklardan gelen sayıları toplanarak payda, bunların içinde istenen durumun sayısı pay olarak alınır. Ağaç şeması, iki yönlü sıklık tablosu ve alan modeli bu hesabı görselleştirir. Tıbbi testler, hava tahminleri, hatalı ürün analizi ve tüketici tercihleri Bayes teoreminin kullanıldığı başlıca alanlardır.