Bayes Teoremi İnteraktif Simülatörü

Girdi Parametreleri

Önsel Olasılık $P(A)$ 0.05

Açıklama: Yeni kanıt gelmeden önce, $A$ olayının gerçekleşme olasılığına dair başlangıç inancınız. Bu, önceki bilgi veya deneyimlerinize dayanan önsel (prior) olasılıktır.

$P(A)$ = Önsel Olasılık

Hassasiyet $P(B|A)$ 0.90

Açıklama: $A$ olayı gerçekleştiğinde, $B$ kanıtının gözlemlenme olasılığı. Bu, testin doğru pozitif oranı (true positive rate) veya hassasiyet (sensitivity) olarak da bilinir.

$P(B|A)$ = Koşullu Olasılık (Likelihood)

Yanıltıcı Pozitif $P(B|\neg A)$ 0.10

Açıklama: $A$ olayı gerçekleşmediğinde ($\neg A$), $B$ kanıtının yine de gözlemlenme olasılığı. Bu, yanlış pozitif oranı (false positive rate) olarak bilinir.

$P(B|\neg A)$ = Yanlış Pozitif Oranı

Hesaplama Sonuçları

Sonsal Olasılık

32.1%

1. Pay (Numerator) Hesaplama

Bayes teoreminin payını hesaplıyoruz. Bu, $A$ olayının gerçekleştiği ve $B$ kanıtının gözlemlendiği ortak olasılıktır.

$$P(B|A) \times P(A)$$

0.90 × 0.05 = 0.045

2. Payda (Denominator) Hesaplama

Payda, $B$ kanıtının gözlemlenme olasılığının toplamıdır. Bu, hem $A$ olayının gerçekleştiği hem de gerçekleşmediği durumları içerir.

$$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$$

0.045 + 0.095 = 0.140

3. Marjinal Olasılık $P(B)$

$B$ kanıtının gözlemlenme olasılığı, tüm olası senaryoları kapsayan toplam olasılıktır. Bu, normalizasyon sabiti olarak da bilinir.

$P(B) = 0.140$ (14.0%)

4. Sonsal Olasılık Hesaplama

Son adımda, payı paydaya bölerek $A$ olayının $B$ kanıtı gözlemlendiğinde gerçekleşme olasılığını (sonsal olasılık) buluyoruz.

$$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$$

0.045 / 0.140 = 0.321 (32.1%)

Likelihood Ratio

9.00

$P(\neg A|B)$

67.9%

Güncelleme Faktörü

6.42x

Bayes Teoremi

$$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$$

$$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$$

Bayes Teoremi Nedir?

Bayes Teoremi, yeni kanıtlar geldiğinde olasılık tahminlerini nasıl güncellediğimizi gösteren temel bir istatistiksel prensiptir. Thomas Bayes tarafından 18. yüzyılda geliştirilmiştir ve günümüzde makine öğrenmesi, istatistik, tıp ve birçok alanda yaygın olarak kullanılmaktadır.

$$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$$

Formülün Bileşenleri

$P(A)$ - Önsel Olasılık (Prior Probability):

Yeni kanıt gelmeden önce $A$ olayının gerçekleşme olasılığı. Bu, önceki bilgi, deneyim veya verilere dayanan başlangıç inancınızdır.

$P(B|A)$ - Likelihood (Olasılık Fonksiyonu):

$A$ olayı gerçekleştiğinde $B$ kanıtının gözlemlenme olasılığı. Bu, testin hassasiyeti (sensitivity) veya doğru pozitif oranı olarak da bilinir.

$P(B|\neg A)$ - Yanlış Pozitif Oranı:

$A$ olayı gerçekleşmediğinde $B$ kanıtının yine de gözlemlenme olasılığı. Bu, testin yanlış pozitif oranını gösterir.

$P(B)$ - Marjinal Olasılık (Normalizasyon Sabiti):

$B$ kanıtının toplam gözlemlenme olasılığı. Bu, hem $A$ olayının gerçekleştiği hem de gerçekleşmediği durumları kapsar:

$$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$$

$P(A|B)$ - Sonsal Olasılık (Posterior Probability):

$B$ kanıtı gözlemlendiğinde $A$ olayının gerçekleşme olasılığı. Bu, yeni bilgiyle güncellenmiş olasılıktır.

Hesaplama Adımları

Bayes teoremi uygulanırken şu adımlar izlenir:

Adım 1: Payı hesapla: $P(B|A) \times P(A)$
Adım 2: Paydayı hesapla: $P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$
Adım 3: Sonsal olasılığı hesapla: $P(A|B) = \frac{\text{Pay}}{\text{Payda}}$

Gerçek Hayat Uygulamaları

Tıbbi Testler:

Bir hastalık testinin pozitif çıkması durumunda, gerçekten hasta olma olasılığınızı hesaplamak. Örneğin, nadir bir hastalık için (%1) yüksek hassasiyetli (%95) bir test, yanlış pozitif oranı yüksekse (%5) sonuç şaşırtıcı olabilir.

Spam Filtreleri:

E-posta filtreleme sistemlerinde, belirli kelimelerin varlığına göre e-postanın spam olma olasılığını güncellemek.

Güvenlik Sistemleri:

Alarm sistemlerinde, alarm çaldığında gerçek bir tehdit olma olasılığını değerlendirmek.

Makine Öğrenmesi:

Naive Bayes sınıflandırıcıları, metin sınıflandırma, öneri sistemleri ve daha birçok alanda kullanılır.

İstatistiksel Kavramlar

Likelihood Ratio:

Kanıtın gücünü ölçen bir oran: $\frac{P(B|A)}{P(B|\neg A)}$. Bu değer 1'den büyükse, kanıt $A$ olayını destekler.

Güncelleme Faktörü:

Sonsal olasılığın önsel olasılığa oranı: $\frac{P(A|B)}{P(A)}$. Bu, yeni kanıtın inancınızı ne kadar değiştirdiğini gösterir.