Yeni Bilgi Her Şeyi Değiştirir
Evden çıkmak üzere olduğunuzu düşünün. Hava durumu uygulamasını kontrol ediyorsunuz: %30 yağmur olasılığı. Sonra pencereden bakıyorsunuz ve kara bulutların yaklaştığını görüyorsunuz. Bu, yağmurun ne kadar olası olduğu hakkındaki düşüncenizi değiştirir mi? Tabii ki değiştirir.
İşte koşullu olasılıkın temel fikri: yeni bilgi öğrendiğinizde bir şeyin olma olasılığı değişir. Kara bulutlar gördüğünüzde yağmurun olasılığı, herhangi rastgele bir günde yağmurun genel olasılığından farklıdır.
Anahtar İfade: "Verildiğinde" veya "Koşulunda"
Olasılıkta "verildiğinde" ifadesi koşullu olasılıkla uğraştığınızın sinyalidir. Bir şeyin olduğunu zaten bildiğinizi ve bunun başka bir şeyin olasılığını nasıl değiştirdiğini bulmak istediğinizi anlatır.
Matematikçiler bunu şöyle yazar:
P(A | B) - "B olduğu koşulunda A'nın olasılığı" diye okunur.
Dikey çubuk "|" sadece "verildiğinde" veya "koşulunda" için kısaltmadır. Sık notasyonu ezberlemeniz gerekmiyor - sadece koşullu olasılık şunun sorusunu cevapladığını hatırlayın: "Bu bir şeyi bildiğime göre, o diğer şeyin şansı nasıl değişiyor?"
Basit Bir Örnek: Renkli Bilyeler
Bir kavanozdaki 4 kırmızı ve 6 mavi bilye var (toplam 10). Bakmadan bir bilye çekiyorsunuz. Kırmızı çekme olasılığı 4/10 = 0,40.
Şimdi birisi bakıp size söylüyor: "Çektiğiniz bilye mavi DEĞİL." Bu bilgi verildiğinde, bilyenin kırmızı olması gerektiğini biliyorsunuz. "Mavi değil" koşulunda kırmızı olasılığı şimdi 1,00 - kesin.
İşte koşullu olasılık işte başında. Yeni bilgi ("mavi değil") olasılığı tamamen değiştirdi.
Gerçek dünya vakalarının çoğu bunun kadar aşırı değildir, ama ilke aynıdır. Yeni bilgi olasılıkları daraltır ve değiştirir.
Formül (Sade Dille)
Koşullu olasılık formülü şudur:
P(A | B) = P(A ve B) / P(B)
Sözle: B olduğu koşulunda A'nın olasılığını bulmak için, hem A hem B'nin birlikte olma olasılığını alın ve B'nin olma olasılığına bölün.
Bu neden çalışıyor? B'nin olduğunu bildiğinizde, artık tüm olası sonuçlara değil - sadece B'nin gerçekleştiği sonuçlara bakıyorsunuz. P(B)'ye bölmek o daha küçük dünyaya "zoom yapar".
Bir üniversitede öğrencilerin %60'ı spor yapıyor. Tüm öğrencilerin %24'ü hem spor yapıyor hem de onur listesinde. Bir öğrencinin spor yaptığı bilindiğinde, onur listesinde olma olasılığı nedir?
P(onur listesi | spor) = P(onur listesi ve spor) / P(spor)
= 0,24 / 0,60 = 0,40, yani %40.
Spor yapan öğrenciler arasında %40'ı aynı zamanda onur listesindedir.
Gerçek Dünya Örneği: Tıbbi Test
Tıbbi testler, koşullu olasılık en önemli - ve en çok yanlış anlaşılan - uygulamalarından biridir. İşte doktorları bile şaşırtan bir senaryo:
Bir hastalık nüfusun %1'ini etkiliyor. Bu hastalık için bir test %90 doğrulukta, yani:
- Hastalık VARSA, test %90 oranında doğru "pozitif" diyor.
- Hastalık YOKSA, test %90 oranında doğru "negatif" diyor (ama %10 oranında yanlış "pozitif" veriyor).
Testi oluyorsunuz ve pozitif çıkıyor. Gerçekten hastalığınız olma olasılığı nedir?
Çoğu insan yaklaşık %90 tahmin eder. Gerçek cevap çok daha düşük. 1.000 hayali kişiyle inceleyelim:
- 10 kişinin gerçekten hastalığı var (%1 x 1.000).
- Bu 10 kişiden 9'u testte doğru şekilde pozitif çıkar (%90 doğruluk).
- 990 kişinin hastalığı YOKTUR.
- Bu 990 kişinin 99'unda test yanlış olarak pozitif çıkar (%10 yanlış pozitif oranı).
Toplam pozitif sonuç: 9 + 99 = 108. Ama bu 108'den sadece 9'unda gerçekten hastalık var.
P(hastalık | pozitif test) = 9 / 108 = 0,083, yani yaklaşık %8,3.
"%90 doğrulukta" bir testle bile, pozitif sonuç sadece yaklaşık %8 hastalık şansı anlamına gelir. Bunun nedeni hastalığın nadir olması, dolayısıyla büyük sağlıklı gruptaki yanlış pozitifler, küçük hasta gruptaki gerçek pozitiflerden fazla olmasıdır.
Bu testin bir kusuru değildir - baz oranı (hastalığın ne kadar yaygın olduğu) düşük olduğunda koşullu olasılık böyle çalışır. Bunu anlamak, bir tarama testinden sonra gereksiz panikten kurtarabilir.
Gerçek Dünya Örneği: Hava Durumu
Ankara'da günlerin %20'sinde yağmur yağıyor. Yağmur yağan günlerde, sabah bulut olma oranı %85. Yağmur yağmayan günlerde sabah bulut olma oranı %30.
Sabah uyanıyor ve bulut görüyorsunuz. Yağmur yağacak olasılığı nedir?
Örneği 100 gün olarak alalım:
- 20 günde yağmur yağıyor. Bunların 17'sinde sabah bulutluydu (%85 x 20).
- 80 gün kuru. Bunların 24'ünde sabah bulutluydu (%30 x 80).
Sabah bulutlu toplam gün: 17 + 24 = 41.
Bu 41 bulutlu sabahın 17'sinde yağmur yağdı.
P(yağmur | bulut) = 17 / 41 = 0,415, yani yaklaşık %41,5.
Bulutlar yağmur olasılığını %20'den yaklaşık %42'ye yükseltti. Bilgi yardımcı oldu ama bulutlar tek başlarına yağmuru garanti etmez.
Bağımsız ve Bağımlı Olaylar - Tekrar Ziyaret
Önceki derste bazı olayların bağımsız (biri diğerini etkilemez) ve bazılarının bağımlı (biri diğerinin olasılığını değiştirir) olduğunu söyledik. Koşullu olasılık bunu test etmenin kesin bir yolunu verir:
P(A | B) = P(A) ise, A ve B bağımsızdır.
Başka bir deyişle, B'nin olduğunu bilmek A'nın olasılığını hiç değiştirmiyorsa, olaylar birbirini etkilemez. B bilgisi A'nın olasılığını değiştiriyorsa, bağımlılardır.
Bir kahvehanede müşterilerin %50'si Türk kahvesi siparişi veriyor. Sabah 9'dan önce gelen müşteriler arasında %75'i Türk kahvesi siparişi veriyor. P(Türk kahvesi | 9'dan önce) = 0,75, P(Türk kahvesi) = 0,50'den farklı olduğu için, varış zamanı ve Türk kahvesi sipariş etme bağımlı olaylardır. Erken gelen müşteriler kahve isteme olasılığı daha yüksektir.
Koşullu Olasılık Neden İnsanları Şaşırtıyor?
İnsan beyni doğal olarak koşullu olasılık için kablolu değildir. İki yaygın hata yapma eğilimindeyiz:
- Baz oranını görmezden gelmek. Tıbbi test örneğinde, insanlar %90 doğruluğa odaklanır ve hastalığın nadir olduğunu unutur. Hastalığın nadirliği kritik bilgidir.
- Yönü karıştırmak. P(pozitif test | hastalık) ile P(hastalık | pozitif test) aynı DEĞİLDİR. Hastaysanız pozitif çıkma olasılığı %90. Ama pozitif çıktıysa hasta olma olasılığı sadece %8. Yön muazzam derecede önemlidir.
Bu ikinci hata o kadar yaygındır ki bir adı vardır: savcı yanılgısı. Mahkeme salonlarında, doktor muayenehanelerinde ve haber başlıklarında ortaya çıkar. Bunun farkında olmak sizi daha keskin bir düşünür yapar.
Koşullu Olasılık Hakkında Düşünmek İçin Pratik İpuçları
- Somut sayılar kullanın. Soyut yüzdelerle çalışmak yerine 100 veya 1.000 kişi hayal edin. Matematiği netleştirir ve sonuçları daha sezgisel yapar.
- "Ne değişti?" diye sorun. Yeni bilgi öğrendiğinizde kendinize sorun: "Bu şansları değiştiriyor mu?" Evetse, koşullu olasılık bölgesindesiniz.
- Yönü izleyin. Hangi olayın "verildiği" konusunda her zaman net olun. P(A | B) ve P(B | A) genellikle çok farklı sayılardır.
Koşullu olasılık, yeni bilgi öğrendiğinizde bir olayın olasılığının nasıl değiştiğini ölçer. P(A | B) = P(A ve B) / P(B) formülü bunu yakalar, ama en önemli içgörü pratiktir: her zaman baz oranını (bir şeyin baştan ne kadar yaygın olduğunu) dikkate alın ve asla P(A | B) ile P(B | A)'yı karıştırmayın. Somut sayılar kullanmak - 1.000 kişi hayal etmek gibi - koşullu olasılığı anlamayı ve uygulamayı çok daha kolaylaştırır.