Bayes Teoremi

İnandıklarınızı Güncellemek

Önceki derste yeni bilginin olasılığı nasıl değiştirdiğini gördük. Koşullu olasılık "bir şey olduğu koşulunda, yeni şanslar nedir?" sorusunu cevapladar. Bayes Teoremi bunu bir adım ileri götürür ve yeni kanıt geldiğinde inançlarınızı güncellemenin sistematik bir yolunu sunar.

18. yüzyıl din adamı ve matematikçi Rahip Thomas Bayes'in adını taşıyan bu teorem, tüm istatistiklerdeki en güçlü fikirlerden biridir. Ve ününe rağmen, temel fikri şaşırtıcı derecede açıktır.

Büyük Fikir Sade Dille

İşte Bayes Teoremi günlük terimlerle:

Güncellenmiş inancınız = Orijinal inancınız x Kanıtın ne kadar uygun düştüğü / Kanıtın genel olarak ne kadar yaygın olduğu

Veya daha kesin olarak:

• Önceki inancınızla başlayın ("öncül" olasılık).
• Yeni kanıta bakın ve sorun: "İnancım doğru olsaydı, bu kanıt ne kadar muhtemel olurdu?"
• Ayrıca düşünün: "Bu kanıt genel olarak ne kadar muhtemel - inancım doğru olsa da olmasa da?"
• Bunları birleştirerek güncellenmiş inancınızı (son olasılığı) elde edin.

Formül

Formülleri sevenler için, işte:

P(A | B) = P(B | A) x P(A) / P(B)

Burada:

• P(A | B) = B kanıtını gördükten sonra A'nın olasılığı (bulmak istediğiniz)
• P(B | A) = A doğruysa B kanıtını görme olasılığı
• P(A) = Yeni kanıttan önceki A olasılığı (öncül inancınız)
• P(B) = B kanıtını görme genel olasılığı

Formül şu an soyut geliyorsa endişelenmeyin. Aşağıdaki örnekler somutlaştıracak.

Örnek: Hastalık Testi Tekrar

Bu klasik Bayes Teoremi örneğidir ve tam olarak koşullu olasılık dersimizin kaldığı yerden devam eder.

Bu yüzden doktorlar genellikle pozitif sonuçtan sonra ikinci bir test ister. İkinci test de pozitifse, olasılık dramatik olarak yükselir - çünkü artık "öncülünüz" %0,5 yerine %13,7'dir.

Kişiler Açısından Düşünmek (Doğal Frekans Yaklaşımı)

Birçoğu Bayes Teoremini olasılıklar yerine gerçek kişi sayıları kullanarak daha kolay anlar. Yukarıdaki örneği 10.000 kişiyle tekrar yapalım:

Örnek: O E-posta Spam mi?

E-posta spam filtreleri, Bayes Teoreminin en yaygın gerçek dünya uygulamalarından biridir.

Örnek: Yemek Pişirirken Duman Alarmı

Baz Oranı Neden Bu Kadar Önemli?

Tüm bu örneklerde sürekli bir tema beliriyor: baz oranı - herhangi bir kanıttan önce bir şeyin ne kadar yaygın olduğu - nihai cevap üzerinde muazzam bir etkiye sahiptir.

Test ettiğiniz şey nadir olduğunda (nüfusun %0,5'ini etkileyen bir hastalık veya on yılda bir olan yangın), çok doğruluklu testler bile çoğunlukla yanlış pozitifler üretir. Bu testin başarısızlığı değildir; temel matematiktir.

Tersine, bir şey yaygın olduğunda (e-postaların %40'ını oluşturan spam), orta düzey kanıt bile olasılığı çok yükseğe taşıyabilir.

Pratik ders: herhangi bir test sonucunu, uyarıyı veya göstergeyi yorumlamadan önce her zaman "bu ilk başta ne kadar yaygın?" diye sorun.

Düşünme Biçimi Olarak Bayes Teoremi

Matematiğin ötesinde, Bayes Teoremi dünya hakkında düşünmenin değerli bir yolunu sunar:

• Bildiklerinizle başlayın. Yeni kanıt almadan önce en iyi tahmininiz nedir? Bu öncülünüzdür.
• Yeni kanıtı dikkatlice tartın. Bu kanıt bir yönü ne kadar güçlü işaret ediyor?
• Orantısal olarak güncelleyin. Güçlü kanıt inançlarınızı çok kaydırmalıdır. Zayıf kanıt az kaydırmalıdır.
• Tekrar güncellemeye istekli olun. Her yeni kanıt parçası, inançlarınızı daha da rafine etme fırsatıdır.

Bu yaklaşım - bir inançla başlayıp kanıt toplayıp güncelleme - bilimsel düşüncenin, tıbbi tanılamanın, cezai soruşturmanın ve genel olarak iyi karar vermenin omurgasıdır.

Yaygın Tuzaklar

• Öncülü görmezden gelmek. "%99 doğrulukta" bir test etkileyici geliyor ama durum milyonda birse, çoğu pozitif yine yanlıştır.
• P(B | A) ile P(A | B)'yi karıştırmak. Hastaysanız testin pozitif çıkma olasılığı, pozitif çıktıysa hasta olma olasılığıyla AYNI DEĞİLDİR.
• Yeterince güncellemek - veya çok fazla güncellemek. Tek bir zayıf kanıt parçası güçlü bir öncülü tamamen devirmemelidir. Ama çok güçlü kanıt, başlangıç inancınızla çelişse bile büyük bir güncellemeye neden olmalıdır.