Bayes Teoremi Nedir?
Bayes teoremi, elimize yeni bir kanıt B geçtiğinde bir A hipotezinin olasılığını nasıl güncelleyeceğimizi anlatır. Bir önsel (prior) inancı, kanıtın hipotez doğruyken görülme olasılığını kanıtın genel görülme olasılığına karşı tartarak bir sonsal (posterior) inanca dönüştürür. İstatistiğin, makine öğrenmesinin, tıbbi tanı testlerinin, spam filtrelerinin ve belirsizlik altında akılcı karar vermenin temelinde yatar.
Bu Aracı Nasıl Kullanırsınız?
Her biri 0 ile 1 arasında olan üç olasılık değeri girin:
- P(A) — hipotezin doğru olma önsel olasılığı (örneğin bir hastalığın toplumdaki yaygınlık oranı).
- P(B|A) — olabilirlik: A doğruyken kanıtı görme olasılığı (örneğin testin duyarlılığı).
- P(B|¬A) — yanlış pozitif oranı: A yanlışken kanıtın yine de ortaya çıkma olasılığı.
Hesaplayıcı, toplam olasılık yasasını kullanarak kanıtın toplam olasılığı P(B)'yi otomatik olarak türetir ve ardından sonsal olasılık P(A|B)'yi verir.
Formülün Açıklaması
Temel denklem şudur: \(P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B)}\). P(B) doğrudan nadiren bilindiğinden, onu şu şekilde açarız:
$$P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B \mid A) \cdot P(A) + P(B \mid \neg A) \cdot \left(1 - P(A)\right)}$$Bu ifade, doğru pozitif ve yanlış pozitif katkıları birleştirerek kanıtın genel olarak ne sıklıkta ortaya çıktığını bulur.
Çözümlü Örnek
Diyelim ki bir hastalık nüfusun %1'ini etkiliyor, yani \(P(A) = 0{,}01\). Test, hasta kişileri %90 oranında doğru yakalıyor, \(P(B \mid A) = 0{,}9\), ancak %8'lik bir yanlış pozitif oranı da var, \(P(B \mid \neg A) = 0{,}08\). O hâlde
$$P(B) = 0{,}9 \times 0{,}01 + 0{,}08 \times 0{,}99 = 0{,}009 + 0{,}0792 = 0{,}0882$$olur. Sonsal olasılık ise
$$P(A \mid B) = \frac{0{,}009}{0{,}0882} \approx 0{,}102,$$yani yaklaşık %10,2'dir. "Pozitif" bir test sonucuna rağmen hastanın büyük olasılıkla sağlıklı olması, taban oran ihmalinin (base-rate neglect) klasik bir örneğidir.
Arka Plan (Posterior) Farklı Senaryolarda Nasıl Değişir
Bayes' teoremi, önceki olasılık \(P(A)\), gerçek pozitif oranı (olabilirlik) \(P(B \mid A)\) ve yanlış pozitif oranı \(P(B \mid \neg A)\) değerlerini güncellenmiş arka plan (posterior) \(P(A \mid B)\) olasılığına dönüştürür. Sonucun en şaşırtıcı özelliği, taban oranı \(P(A)\) değerine olan duyarlılığıdır: bir hastalık nadir olduğunda, çok doğru bir test bile düşük posterior değeri üretir. Aşağıdaki tablo, test karakteristiklerini bazı yerlerde sabit tutar ve bu bağımlılığı görünür hale getirmek için girdileri değiştirir.
| Senaryo | Önceki Olasılık P(A) | Olabilirlik P(B|A) | Yanlış Pozitif P(B|¬A) | Arka Plan P(A|B) |
|---|---|---|---|---|
| Nadir hastalık, doğru test | 0.01 | 0.99 | 0.05 | 0.1667 |
| Nadir hastalık, daha düşük yanlış pozitif oranı | 0.01 | 0.99 | 0.01 | 0.5 |
| Orta düzey taban oranı, doğru test | 0.10 | 0.99 | 0.05 | 0.6875 |
| Yaygın hastalık, doğru test | 0.50 | 0.99 | 0.05 | 0.9519 |
| Nadir hastalık, yüksek yanlış pozitif oranı | 0.01 | 0.90 | 0.20 | 0.0435 |
İlk iki satırı aşağıya doğru okumak, yanlış pozitif oranını 0.05'ten 0.01'e düşürmenin, taban oranı ve duyarlılık değişmesine rağmen posterior değerini yaklaşık %17'den %50'ye yükselttğini gösterir. Birinci, üçüncü ve dördüncü satırları okumak, önceki olasılık %1'den %50'ye yükseldikçe, aynı testin posterior değerini yaklaşık %17'den %95'e kadar çıkardığını gösterir. Son satır ise ters uçu gösterir: nadir bir hastalık, yüksek yanlış pozitif oranıyla birleştiğinde, %90 gerçek pozitif oranına rağmen posterior değerini %5'in altında tutar.
Arka Plan Olasılığınızı Yorumlama
Arka plan \(P(A \mid B)\), kanıt \(B\) gözlemledikten sonra hipotez \(A\) tarafından doğru olma olasılığıdır. Pratik bir soruyu yanıtlar: "bu pozitif sonuç verildiğinde, hastalık gerçekten ne kadar muhtemeldedir?" — ki bu genellikle karar vericinin bilmek istediği şeydir.
Arka planı olabilirlik \(P(B \mid A)\) ile karıştırmamak önemlidir. Olabilirlik (test bağlamında sıklıkla duyarlılık veya gerçek pozitif oran olarak adlandırılır), \(A\) doğru olduğu varsayılarak kanıt görme olasılığıdır. Bu iki koşullu olasılık zıt yönleri gösterir ve sadece özel durumlarda eşittirler. Bir test %99 gerçek pozitif oranına sahip olabilirken %99'un çok altında bir posterior değeri üretebilir — fark, taban oranı ve yanlış pozitif oranı tarafından belirlenir.
Taban oranı \(P(A)\) bu uçurumun arkasındaki güçtür. \(A\) nadir olduğunda, gerçek olguların havuzu küçüktür, bu nedenle büyük \(\neg A\) popülasyonuna uygulanan mütevazı bir yanlış pozitif oranı bile, gerçek pozitiflerden daha fazla yanlış pozitif üretebilir. Taban oranını göz ardı etmek ve bir pozitif sonucu neredeyse kesin olarak okumak, iyi bilinen taban oranı yanılgısıdır.
Son olarak, Bayes güncellemesi yinelemedir. Bir posterior hesapladıktan sonra, sonraki bağımsız kanıt için önceki olasılık olarak kullanılabilir. Örneğin, ikinci bir pozitif test gözlemlemek, ilk posterior değerini geri beslemek ve tekrar güncellemek anlamına gelir. Tekrarlanan bağımsız kanıt tahmini adım adım refine eder; bu da Bayes akıl yürütmesinin sıralı test, istenmeyen posta filtreleme ve birçok makine öğrenme modelinin temelini oluşturmasının nedenidir.
Anahtar Terimler ve Değişkenler
- Önceki Olasılık — \(P(A)\)
- Kanıt gözlemlemeden önce hipotez \(A\) tarafından atanan olasılık. Test bağlamında bu, hastalığın yaygınlığı veya taban oranıdır.
- Olabilirlik — \(P(B \mid A)\)
- \(A\) doğru olduğunda kanıt \(B\) gözlemlenme olasılığı. Tanı testi için bu duyarlılık veya gerçek pozitif orandır.
- Yanlış Pozitif Oranı — \(P(B \mid \neg A)\)
- \(A\) yanlış olduğunda kanıt \(B\) gözlemlenme olasılığı. Tanı testi için \(1 - \text{özgüllük}\) eşittir.
- Kanıt / Marjinal Olabilirlik — \(P(B)\)
- Tüm hipotezler altında kanıt gözlemlenmenin toplam olasılığı, toplam olasılık yasası ile \(P(B) = P(B \mid A)\,P(A) + P(B \mid \neg A)\,\bigl(1 - P(A)\bigr)\) şeklinde hesaplanır. Posterior değerini normalleştiren paydadır.
- Arka Plan — \(P(A \mid B)\)
- Kanıt \(B\) dikkate alındıktan sonra \(A\) tarafından güncellenen olasılık. Bayes' teoreminin çıktısıdır.
- Taban Oranı
- Önceki olasılık \(P(A)\) tarafından başka bir ad — herhangi bir spesifik test sonucundan bağımsız olarak, popülasyon içinde hipotezin altında yatan frekansı.
- Bayes' Teoremi
- Bu miktarları ilişkilendiren kural: \(P(A \mid B) = \dfrac{P(B \mid A)\,P(A)}{P(B)}\). Notasyon \(P(X \mid Y)\) "verilen \(Y\) için \(X\) tarafından olasılık" olarak okunur ve \(\neg A\) hipotezin tamamlayıcısı olan "değil \(A\)" anlamına gelir.
Sıkça Sorulan Sorular
Örnekte sonsal olasılık neden bu kadar düşük çıkıyor? Çünkü hastalık nadir olduğundan, sağlıklı kişilerin ürettiği yanlış pozitif sayısı, hasta kişilerin ürettiği doğru pozitif sayısından çok daha fazladır.
P(B) değerini zaten biliyorsam ne olur? P(B|¬A) değerini, hesaplanan toplam değerle eşleşecek şekilde ayarlayabilirsiniz; ancak bu araç tutarlılık için P(B)'yi her zaman toplam olasılık yasasından türetir.
Girdilerin toplamı 1 olmak zorunda mı? Hayır. Her biri 0 ile 1 arasında bağımsız bir olasılıktır; yalnızca P(A) ile (1−P(A)) birbirini tamamlayan değerlerdir.
