10. Sınıf: Bayes Teoremi ve Olasılık Tahmini Kazanım Değerlendirme Testleri

🚀 10. Sınıf Matematik dersinde olasılık tahminlerinin zirvesine çıkmaya hazır mısın? Bayes Teoremi, bilginizi güncelleyerek daha doğru tahminler yapmamızı sağlayan güçlü bir araçtır. Bu konu anlatımı ve çözümlü sorularla, koşullu olasılıkların gizemini çözüp, gerçek dünya problemlerine nasıl uygulandığını keşfedeceksiniz! 📌

Bayes Teoremi ve Olasılık Tahmini

📌 Bayes Teoremi Nedir?

Bayes Teoremi, yeni elde edilen bilgilere dayanarak bir olayın meydana gelme olasılığını güncellememizi sağlayan matematiksel bir formüldür. Özellikle koşullu olasılıkları analiz etmek ve olayların nedenlerini tahmin etmek için kullanılır. Bir nevi "kanıtlar ışığında inançlarımızı güncelleme" mekanizmasıdır.💡

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

💡 Terimlerin Açıklaması

• $P(A|B)$ (Ardsıl Olasılık): B olayı gerçekleştiğinde A olayının meydana gelme olasılığıdır. Bizim güncellemek istediğimiz olasılık budur.
• $P(B|A)$ (Olasılık Fonksiyonu veya Olabilirlik): A olayı gerçekleştiğinde B olayının meydana gelme olasılığıdır. Yeni verinin (B) mevcut hipotezi (A) ne kadar desteklediğini gösterir.
• $P(A)$ (Önsel Olasılık): B olayı hakkında herhangi bir bilgiye sahip olmadan önce A olayının meydana gelme olasılığıdır. Başlangıçtaki inancımız veya bilgimizdir.
• $P(B)$ (Kanıt Olasılığı veya Marjinal Olasılık): B olayının meydana gelme olasılığıdır. Normalleştirme faktörü olarak görev yapar ve genellikle tüm olası durumlar üzerinden hesaplanır.

✅ Önsel ve Ardsıl Olasılık Karşılaştırması

Bayes Teoremi'nin temel mantığı, başlangıçtaki inancımızı (önsel olasılık) yeni kanıtlar ışığında (olasılık fonksiyonu) güncelleyerek daha kesin bir sonuca (ardsıl olasılık) ulaşmaktır.

✍️ Çözümlü Örnek Sorular

🚀 Soru 1: Hastalık Teşhisi

Bir hastalığın toplumda görülme sıklığı $0.001$ (yani $P(H) = 0.001$) olsun. Bu hastalığı tespit eden bir testin duyarlılığı (hastalık varken pozitif çıkma olasılığı) $0.99$ ($P(T|H) = 0.99$) ve özgüllüğü (sağlıklı kişide negatif çıkma olasılığı) $0.95$ ($P(T'|H') = 0.95$) olsun. Bir kişinin testi pozitif çıktığında, bu kişinin gerçekten hasta olma olasılığı kaçtır?

Çözüm 1:

1. Verilenleri Not Edelim:
   • $P(H) = 0.001$ (Hastalık olasılığı)
   • $P(H') = 1 - P(H) = 1 - 0.001 = 0.999$ (Sağlıklı olma olasılığı)
   • $P(T|H) = 0.99$ (Hasta iken testin pozitif çıkma olasılığı)
   • $P(T'|H') = 0.95$ (Sağlıklı iken testin negatif çıkma olasılığı)
2. Yanlış Pozitif Olasılığını Bulalım ($P(T|H')$):
   • Sağlıklı iken testin pozitif çıkma olasılığıdır.
   • $P(T|H') = 1 - P(T'|H') = 1 - 0.95 = 0.05$
3. Testin Pozitif Çıkma Olasılığını ($P(T)$) Hesaplayalım:
   • $P(T) = P(T|H)P(H) + P(T|H')P(H')$
   • $P(T) = (0.99 \cdot 0.001) + (0.05 \cdot 0.999)$
   • $P(T) = 0.00099 + 0.04995$
   • $P(T) = 0.05094$
4. Bayes Teoremi'ni Uygulayalım ($P(H|T)$):
   • İstenen: Test pozitif çıktığında kişinin hasta olma olasılığı ($P(H|T)$).
   • $P(H|T) = \frac{P(T|H) \cdot P(H)}{P(T)}$
   • $P(H|T) = \frac{0.99 \cdot 0.001}{0.05094}$
   • $P(H|T) = \frac{0.00099}{0.05094} \approx 0.01943$

✅ Yani, testi pozitif çıkan bir kişinin gerçekten hasta olma olasılığı yaklaşık olarak $0.01943$ veya %1.94'tür. Bu, testin duyarlı olmasına rağmen hastalığın nadir görülmesi nedeniyle beklentiden daha düşük bir değerdir.

🚀 Soru 2: Yağmurlu Hava Tahmini

Bir kasabada yağmur yağma olasılığı ($P(Y)$) $0.20$'dir. Hava durumu spikerinin yağmur yağacağını doğru tahmin etme olasılığı ($P(S|Y)$) $0.90$ iken, yağmur yağmayacakken yanlışlıkla yağmur yağacağını söyleme olasılığı ($P(S|Y')$) $0.15$'tir. Spikerin yağmur yağacağını söylediği bir günde, gerçekten yağmur yağma olasılığı nedir?

Çözüm 2:

1. Verilenleri Belirleyelim:
   • $P(Y) = 0.20$ (Yağmur yağma olasılığı)
   • $P(Y') = 1 - P(Y) = 1 - 0.20 = 0.80$ (Yağmur yağmama olasılığı)
   • $P(S|Y) = 0.90$ (Yağmur yağarken spikerin doğru tahmin olasılığı)
   • $P(S|Y') = 0.15$ (Yağmur yağmazken spikerin yanlış tahmin olasılığı)
2. Spikerin Yağmur Yağacağını Söyleme Olasılığını ($P(S)$) Hesaplayalım:
   • $P(S) = P(S|Y)P(Y) + P(S|Y')P(Y')$
   • $P(S) = (0.90 \cdot 0.20) + (0.15 \cdot 0.80)$
   • $P(S) = 0.18 + 0.12$
   • $P(S) = 0.30$
3. Bayes Teoremi'ni Uygulayalım ($P(Y|S)$):
   • İstenen: Spiker yağmur yağacağını söylediğinde gerçekten yağmur yağma olasılığı ($P(Y|S)$).
   • $P(Y|S) = \frac{P(S|Y) \cdot P(Y)}{P(S)}$
   • $P(Y|S) = \frac{0.90 \cdot 0.20}{0.30}$
   • $P(Y|S) = \frac{0.18}{0.30}$
   • $P(Y|S) = 0.60$

✅ Spiker yağmur yağacağını söylediğinde, gerçekten yağmur yağma olasılığı $0.60$ veya %60'tır.