Koşullu olasılık nedir (P(A|B)) Test 2

🎓 Koşullu olasılık nedir (P(A|B)) Test 2 - Ders Notu

Bu ders notu, "Koşullu olasılık nedir (P(A|B)) Test 2" testinde karşılaşabileceğiniz temel kavramları ve formülleri sade bir dille özetlemektedir. Test, özellikle koşullu olasılık, bağımlı/bağımsız olaylar, çarpma kuralı, toplam olasılık ve Bayes Teoremi gibi konuları kapsar.

📌 Olasılığın Temel Kavramları

Olasılık, bir olayın gerçekleşme şansını sayısal olarak ifade etme biçimidir. Koşullu olasılığı anlamadan önce, bazı temel kavramları hatırlamak önemlidir.

• Örnek Uzay ($S$): Bir deneyde ortaya çıkabilecek tüm olası sonuçların kümesidir. Örneğin, bir zar atıldığında örnek uzay $S = \{1, 2, 3, 4, 5, 6\}$'dır.
• Olay ($A$): Örnek uzayın herhangi bir alt kümesidir. Örneğin, zar atıldığında "çift sayı gelmesi" olayı $A = \{2, 4, 6\}$'dır.
• Bir Olayın Olasılığı ($P(A)$): Bir olayın gerçekleşme şansıdır. Genellikle $P(A) = \frac{\text{A olayının gerçekleştiği durum sayısı}}{\text{Örnek uzaydaki tüm durum sayısı}}$ formülüyle bulunur.

💡 İpucu: Bir olayın olasılığı her zaman $0 \le P(A) \le 1$ arasında bir değer alır. $P(A)=0$ imkansız olayı, $P(A)=1$ kesin olayı ifade eder.

📌 Koşullu Olasılık Nedir? (P(A|B))

Koşullu olasılık, bir olayın (A) gerçekleşme olasılığının, başka bir olayın (B) zaten gerçekleştiği bilindiğinde nasıl değiştiğini inceler. Yani, elimizdeki bilgi setini güncelleyerek olasılığı yeniden hesaplamaktır.

• Tanım: $P(A|B)$ ifadesi, "B olayı gerçekleştiğinde A olayının gerçekleşme olasılığı" olarak okunur.
• Formül: Koşullu olasılık aşağıdaki formülle hesaplanır: $P(A|B) = \frac{P(A \cap B)}{P(B)}$ Burada:
  • $P(A \cap B)$ (A kesişim B), hem A hem de B olayının birlikte gerçekleşme olasılığıdır.
  • $P(B)$ ise B olayının gerçekleşme olasılığıdır.
• Örnek: Bir torbada 3 kırmızı ve 2 mavi top var. Rastgele bir top çekildi ve renginin kırmızı olduğu biliniyor. İkinci çekilen topun da kırmızı olma olasılığı (ilk top torbaya geri konulmuyorsa) koşullu olasılığa bir örnektir.

⚠️ Dikkat: Bu formülde $P(B)$'nin sıfırdan büyük olması gerekir ($P(B) > 0$). Aksi takdirde, B olayının gerçekleşmesi imkansız olduğundan, B gerçekleştiğinde A'nın gerçekleşme olasılığı anlamsız olur.

📌 Çarpma Kuralı ve Olayların Bağımlılığı/Bağımsızlığı

Çarpma kuralı, iki veya daha fazla olayın birlikte gerçekleşme olasılığını bulmak için koşullu olasılık formülünden türetilmiştir.

• Genel Çarpma Kuralı: Herhangi iki olay A ve B için, birlikte gerçekleşme olasılıkları şöyledir: $P(A \cap B) = P(A|B) \cdot P(B)$ veya $P(A \cap B) = P(B|A) \cdot P(A)$
• Bağımsız Olaylar: İki olayın (A ve B) gerçekleşmesi birbirini etkilemiyorsa, bu olaylara bağımsız olaylar denir. Yani, B'nin gerçekleşmesi A'nın olasılığını değiştirmez ($P(A|B) = P(A)$).
• Bağımsız Olaylar için Çarpma Kuralı: Eğer A ve B bağımsız olaylarsa, birlikte gerçekleşme olasılıkları sadece kendi olasılıklarının çarpımıdır: $P(A \cap B) = P(A) \cdot P(B)$
• Bağımlı Olaylar: Eğer bir olayın gerçekleşmesi diğerinin olasılığını etkiliyorsa, bu olaylar bağımlıdır. Örneğin, bir desteden kart çekip geri koymamak, sonra ikinci bir kart çekmek bağımlı olaylardır.

💡 İpucu: Bir olayın bağımsız olup olmadığını anlamak için $P(A|B) = P(A)$ eşitliğinin sağlanıp sağlanmadığına bakabilirsiniz. Eğer eşitlik sağlanıyorsa bağımsızdır, sağlanmıyorsa bağımlıdır.

📌 Toplam Olasılık Teoremi

Toplam Olasılık Teoremi, bir olayın (A) olasılığını, bu olayın farklı ve ayrık durumlar (B1, B2, ..., Bn) altında gerçekleşme olasılıklarını kullanarak hesaplamamızı sağlar. Bu durumlar, örnek uzayı tamamen kapsamalı ve birbirleriyle kesişmemelidir.

• Formül: Eğer $B_1, B_2, \dots, B_n$ olayları örnek uzayı parçalayan (ayrık ve birleşimi tüm örnek uzayı veren) olaylarsa, herhangi bir A olayının olasılığı şu şekilde bulunur: $P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + \dots + P(A|B_n)P(B_n)$
• Basit Durum ($B$ ve $B^c$): Eğer sadece iki ayrık durum varsa (bir olayın gerçekleşmesi $B$ ve gerçekleşmemesi $B^c$), formül şöyle basitleşir: $P(A) = P(A|B)P(B) + P(A|B^c)P(B^c)$
• Örnek: Bir ürünün A veya B fabrikasında üretilme olasılığı ve her fabrikanın kusurlu ürün üretme olasılığı verildiğinde, rastgele seçilen bir ürünün kusurlu olma olasılığını bulmak için bu teorem kullanılır.

📝 Not: Bu teorem, Bayes Teoremi'nin paydasını hesaplamak için sıklıkla kullanılır.

📌 Bayes Teoremi

Bayes Teoremi, koşullu olasılığın en güçlü uygulamalarından biridir. Bir olayın (B) gerçekleştiği bilindiğinde, bu olayın belirli bir nedeni (A) olma olasılığını (yani "ters olasılığı") bulmak için kullanılır. Olaylar arasındaki nedensel ilişkileri analiz etmekte çok etkilidir.

• Formül: Bayes Teoremi aşağıdaki gibidir: $P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$ Burada:
  • $P(A|B)$: "Sonsal Olasılık" - B olayı gerçekleştiğinde A olayının gerçekleşme olasılığı. Bu, genellikle bulmak istediğimiz olasılıktır.
  • $P(B|A)$: "Olabilirlik" - A olayı gerçekleştiğinde B olayının gerçekleşme olasılığı.
  • $P(A)$: "Önsel Olasılık" - B olayı gerçekleşmeden önceki A olayının olasılığı.
  • $P(B)$: "Marjinal Olasılık" - B olayının genel olasılığı. Bu değer genellikle Toplam Olasılık Teoremi kullanılarak hesaplanır: $P(B) = P(B|A)P(A) + P(B|A^c)P(A^c)$. ($A^c$, A olayının gerçekleşmeme durumudur.)
• Örnek: Bir hastalığın testinin pozitif çıkması durumunda, kişinin gerçekten o hastalığa sahip olma olasılığını hesaplamak için Bayes Teoremi kullanılır.

⚠️ Dikkat: Bayes Teoremi, yeni bilgiler ışığında önceki inançlarımızı (olasılıklarımızı) güncellememizi sağlar. Bu, tıp, mühendislik ve yapay zeka gibi birçok alanda çok önemlidir.