Koşullu olasılık nasıl çalışır: teoriden pratiğe
Koşullu olasılık, B olayının zaten gerçekleştiği varsayımı altında A olayının gerçekleşme şansını ifade eder. $P(A|B) = \frac{P(A \cap B)}{P(B)}$ formülüyle hesaplanır; burada pay her iki olayın birlikte gerçekleşme olasılığı, payda ise koşulun olasılığıdır. Bu araç, veri analizi, tıbbi tanı ve sınavlarda zorluk derecesi yüksek soruları çözmek için kritik öneme sahiptir.
Klasik olasılıktan farklı olarak, tüm sonuç uzayını ele almak yerine, yalnızca koşulun sağlandığı durumlara odaklanarak örneklemi yapay biçimde daraltırız. Bu durum nihai sayıları değiştirir ve çoğu zaman beklenmedik sonuçlara yol açar.
Kavramın özü ve hesaplama mantığı
Bir desteden kart çektiğinizi hayal edin. As gelme olasılığı $4/52$'dir. Ancak size «Kart masada ve siyah takımdan» denirse, olanaklar uzayı yarıya iner (sadece 26 siyah kart kalır). Bunların arasında sadece iki As vardır. Yeni olasılık $2/26$ yani $1/13$ olur.
Matematiksel olarak bu şöyle yazılır: $$P(A|B) = \frac{P(A \cap B)}{P(B)}$$
Burada:
- $P(A|B)$ — aranan koşullu olasılık.
- $P(A \cap B)$ — A ve B olaylarının kesişimi (birlikte gerçekleşme) olasılığı.
- $P(B)$ — koşulun gerçekleşme olasılığı (kesinlikle sıfırdan büyük olmalıdır).
Temel kural: Koşullu olasılık her zaman 0 ile 1 arasındadır. Eğer $P(A|B) > P(A)$ ise, B olayı A'nın şansını artırır. Daha küçükse azaltır.
Klasik tanım üzerinden kanıt
Eşit olasılıklı sonuçlara sahip ayrık uzay için formül, olasılığın lehine olan sonuçların toplam sonuç sayısına oranı olarak tanımından doğrudan türetilir.
Toplam sonuç sayısı $|\Omega| = n$ olsun. $B$ olayını destekleyen sonuç sayısı $k$'dır ($|B|=k$). Hem $A$ hem de $B$'yi aynı anda destekleyen sonuç sayısı $m$'dir ($|A \cap B|=m$).
O zaman:
- $P(B) = \frac{k}{n}$
- $P(A \cap B) = \frac{m}{n}$
$B$'nin zaten gerçekleştiği varsayıldığında, yeni sonuç uzayımızın boyutu $k$ olur. Bu yeni uzay içinde $A$ için lehine olan sonuç sayısı $m$ olarak kalır. Dolayısıyla: $$P(A|B) = \frac{m}{k} = \frac{m/n}{k/n} = \frac{P(A \cap B)}{P(B)}$$
Gerçek örneklerin analizi
Formülün çözüm sürecini değiştirdiği üç tipik durumu inceleyelim.
Örnek 1: İadesiz seçim (Urna)
Bir urnada 5 kırmızı ve 7 mavi top bulunmaktadır (toplam 12). Arka arkaya iki top çekiyoruz. İlk topun mavi olduğu biliniyorsa, ikinci topun kırmızı olma olasılığı nedir?
- B Olayı: İlk top mavidir.
- A Olayı: İkinci top kırmızıdır.
Sezgisel çözüm: Bir mavi topu çıkardıktan sonra urnada 11 top kalır (5 kırmızı ve 6 mavi). Kırmızı çekme şansı anında $5/11 \approx 0.45$ olur.
Formülle çözüm:
- $P(B) = 7/12$ (ilk topun mavi olma şansı).
- $P(A \cap B)$ — «önce mavi, sonra kırmızı» zincirinin olasılığı: $\frac{7}{12} \times \frac{5}{11} = \frac{35}{132}$.
- Formüle yerleştiriyoruz: $$P(A|B) = \frac{35/132}{7/12} = \frac{35}{132} \times \frac{12}{7} = \frac{5}{11}$$
Örnek 2: Tıbbi tanı (Doğruluk paradoksu)
Pratik faydayı anlamak için en önemli örnektir. Diyelim ki hastalık insanların %1'inde var ($P(D) = 0.01$). Test doğru: Hastaların %99'unda pozitif sonuç veriyor ($P(+|D) = 0.99$) ve sağlıklıların %5'inde yanlışlıkla pozitif sonuç veriyor ($P(+|\neg D) = 0.05$). Bir kişi pozitif test sonucu aldı. Gerçekten hasta olma olasılığı ($P(D|+)$) nedir?
Burada pozitif testin tam olasılığı $P(+)$ gerekir: $$P(+) = P(+|D)P(D) + P(+|\neg D)P(\neg D)$$ $$P(+) = 0.99 \times 0.01 + 0.05 \times 0.99 = 0.0099 + 0.0495 = 0.0594$$
Şimdi koşullu olasılığı hesaplıyoruz: $$P(D|+) = \frac{P(+|D)P(D)}{P(+)} = \frac{0.0099}{0.0594} \approx 0.167$$
Şaşırtıcı gerçek: Testin doğruluğu %99 olmasına rağmen, pozitif sonuç alındığında hastalık olasılığı sadece ~%17'dir. Bunun nedeni genel popülasyonda hasta sayısının az olmasıdır (düşük prior olasılık). Bu faktörü görmezden gelmek, istatistikteki en büyük hatadır.
Örnek 3: Kart problemi
52 kartlık bir desteden rastgele bir kart çekildi. Kartın maça takımdan olduğu biliniyor. Bunun As olma olasılığı nedir?
- Koşul $B$: Kart maça. Destede 13 maça var, yani $P(B) = 13/52 = 1/4$.
- Kesişim $A \cap B$: Maça Ası. Böyle bir kart sadece bir tane, $P(A \cap B) = 1/52$.
Hesaplama: $$P(\text{As}|\text{Maça}) = \frac{1/52}{13/52} = \frac{1}{13}$$
Yaklaşımların karşılaştırmalı tablosu
| Problem tipi | Verilenler | Hangi yöntem daha kolay | Sonuç |
|---|---|---|---|
| Urna | Hamle sonrası kompozisyon değişimi | Kalanların doğrudan yeniden hesaplanması | $5/11$ |
| Tanı | Test doğruluğu ve şehirdeki hasta yüzdesi | Tam olasılık formülü + Bayes | $16.7\%$ |
| Kartlar | Takım/rütbe kısıtlaması | Sonuç uzayının daraltılması | $1/13$ |
Bayes teoremi ile ilişkisi
Koşullu olasılık formülü, koşulu «tersine çevirmeye» yani sonuçtan nedenin olasılığını bulmaya olanak tanıyan Bayes teoreminin temelini oluşturur. $$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$ Bu ilişki makine öğrenimi (spam filtreleri), risk tahmini ve bilimsel analizde yaygın olarak kullanılır.
Soruları çözmek için ipucu: Soru karmaşık görünüyorsa, olasılık ağacı çizin. Ağacın dalları olayların kesişimlerini açıkça gösterir ve gerekli kesirler formülleri ezberlemeden bile belirgin hale gelir.
Çözüm sırasında sık yapılan hatalar
- $P(A|B)$ ve $P(B|A)$ karışıklığı. Hastada pozitif test çıkma olasılığı, pozitif test çıktığında hasta olma olasılığına eşit değildir. Koşulların sırası kritiktir.
- Paydanın ihmal edilmesi. Sadece $P(A \cap B)$ payını kullanıp, koşul olasılığı $P(B)$'ye bölmeyi unutmak.
- Tam olasılığın yanlış hesaplanması. Tıbbi örneklerdeki gibi karmaşık problemlerde, sağlıklı popülasyon arasındaki yanlış pozitif sonuçlar unutulmamalıdır.
SSS
Bağımsız olaylar ile koşullu olasılık arasındaki fark nedir? Olaylar bağımsızsa, birinin gerçekleşmesi diğerini etkilemez. Bu durumda $P(A|B) = P(A)$ olur. $P(A \cap B) = P(A)P(B)$ olduğundan, koşullu olasılık formülü bir özdeşliğe dönüşür.
Koşullu olasılık 1'den büyük olabilir mi? Hayır. Herhangi bir olasılık gibi, her zaman 0 ile 1 arasında (dahil) değer alır.
Neden $P(B) > 0$ şartı gereklidir? Sıfıra bölme imkansızdır. Eğer koşul olayı asla gerçekleşmiyorsa, «B koşulu altında A'nın olasılığı nedir?» sorusu matematiksel anlamını yitirir.