💡 10. Sınıf Matematik: Bayes teoremi Çözümlü Örnekler

Bu soru, klasik olasılık kavramını anlamak için bir başlangıçtır. Bayes teoremini anlamadan önce temel olasılık bilgisi gereklidir.

• Toplam Top Sayısı: 3 kırmızı + 5 mavi = 8 top
• Kırmızı Top Sayısı: 3
• Kırmızı Top Çekme Olasılığı: \[ P(\text{Kırmızı}) = \frac{\text{Kırmızı Top Sayısı}}{\text{Toplam Top Sayısı}} \] \[ P(\text{Kırmızı}) = \frac{3}{8} \]

Sonuç olarak, torbadan rastgele çekilen bir topun kırmızı olma olasılığı \( \frac{3}{8} \) 'dir. 💡

Bu soru, Bayes teoreminin temel uygulamalarından birini gösterir. Bilgi verildiğinde olasılığı güncelleme prensibini kullanacağız.
Öncelikle bilinen olasılıkları tanımlayalım:

• \( P(M1) = 0.60 \) (M1'den gelme olasılığı)
• \( P(M2) = 0.40 \) (M2'den gelme olasılığı)
• \( P(Hata | M1) = 0.02 \) (M1'den gelip hatalı olma olasılığı)
• \( P(Hata | M2) = 0.05 \) (M2'den gelip hatalı olma olasılığı)

Bayes Teoremi formülü şöyledir: \[ P(M1 | Hata) = \frac{P(Hata | M1) \cdot P(M1)}{P(Hata)} \] Önce \( P(Hata) \) değerini hesaplamamız gerekiyor. Bu, toplam hata olasılığıdır ve şu şekilde bulunur: \[ P(Hata) = P(Hata | M1) \cdot P(M1) + P(Hata | M2) \cdot P(M2) \] \[ P(Hata) = (0.02 \cdot 0.60) + (0.05 \cdot 0.40) \] \[ P(Hata) = 0.012 + 0.020 \] \[ P(Hata) = 0.032 \] Şimdi Bayes Teoremi'ni kullanarak \( P(M1 | Hata) \) değerini hesaplayalım: \[ P(M1 | Hata) = \frac{0.02 \cdot 0.60}{0.032} \] \[ P(M1 | Hata) = \frac{0.012}{0.032} \] \[ P(M1 | Hata) = \frac{12}{32} = \frac{3}{8} \] Yani, rastgele seçilen hatalı bir ürünün M1 makinesinden gelmiş olma olasılığı \( \frac{3}{8} \) 'dir. ✅

Bu, tıbbi teşhislerde Bayes teoreminin ne kadar önemli olduğunu gösteren klasik bir örnektir. Bilgiyi güncelleyerek doğru sonuca ulaşacağız.
Verilenler:

• \( P(H) = 0.001 \) (Hastanın hasta olma önsel olasılığı)
• \( P(\text{Sağlıklı}) = 1 - P(H) = 1 - 0.001 = 0.999 \) (Hastanın sağlıklı olma önsel olasılığı)
• \( P(Pozitif | H) = 0.99 \) (Gerçekten hastayken testin pozitif çıkma olasılığı - Duyarlılık)
• \( P(Pozitif | \text{Sağlıklı}) = 0.05 \) (Sağlıklıyken testin yanlışlıkla pozitif çıkma olasılığı - Yanlış Pozitif Oranı)

Aradığımız olasılık \( P(H | Pozitif) \) (Test pozitifken hastanın gerçekten hasta olma olasılığı).
Bayes Teoremi formülü: \[ P(H | Pozitif) = \frac{P(Pozitif | H) \cdot P(H)}{P(Pozitif)} \] Önce \( P(Pozitif) \) değerini hesaplayalım: \[ P(Pozitif) = P(Pozitif | H) \cdot P(H) + P(Pozitif | \text{Sağlıklı}) \cdot P(\text{Sağlıklı}) \] \[ P(Pozitif) = (0.99 \cdot 0.001) + (0.05 \cdot 0.999) \] \[ P(Pozitif) = 0.00099 + 0.04995 \] \[ P(Pozitif) = 0.05094 \] Şimdi Bayes Teoremi'ni uygulayalım: \[ P(H | Pozitif) = \frac{0.99 \cdot 0.001}{0.05094} \] \[ P(H | Pozitif) = \frac{0.00099}{0.05094} \] \[ P(H | Pozitif) \approx 0.0194 \] Test sonucu pozitif çıksa bile, hastanın gerçekten hasta olma olasılığı sadece yaklaşık \( 0.0194 \) yani \( 1.94 \) civarındadır. Bu, düşük önsel olasılığın ve yanlış pozitif oranının etkisini gösterir. 😮

Bu soru, hangi olayın gerçekleştiğini bilmediğimiz durumlarda olasılıkları nasıl güncelleyeceğimizi gösteriyor.
Olayları tanımlayalım:

• A: Zar A'nın seçilmesi
• B: Zar B'nin seçilmesi
• 6: Zardan 6 gelmesi

Verilen olasılıklar:

• \( P(A) = \frac{1}{2} \)
• \( P(B) = \frac{1}{2} \)
• \( P(6 | A) = \frac{1}{2} \) (Zar A'dan 6 gelme olasılığı)
• \( P(6 | B) = \frac{1}{6} \) (Zar B'den 6 gelme olasılığı)

Aradığımız olasılık \( P(A | 6) \) (Zardan 6 geldiğinde Zar A'nın seçilmiş olma olasılığı).
Bayes Teoremi formülü: \[ P(A | 6) = \frac{P(6 | A) \cdot P(A)}{P(6)} \] \( P(6) \) değerini hesaplayalım (toplam 6 gelme olasılığı): \[ P(6) = P(6 | A) \cdot P(A) + P(6 | B) \cdot P(B) \] \[ P(6) = \left(\frac{1}{2} \cdot \frac{1}{2}\right) + \left(\frac{1}{6} \cdot \frac{1}{2}\right) \] \[ P(6) = \frac{1}{4} + \frac{1}{12} \] Paydaları eşitleyelim: \[ P(6) = \frac{3}{12} + \frac{1}{12} = \frac{4}{12} = \frac{1}{3} \] Şimdi Bayes Teoremi'ni uygulayalım: \[ P(A | 6) = \frac{\frac{1}{2} \cdot \frac{1}{2}}{\frac{1}{3}} \] \[ P(A | 6) = \frac{\frac{1}{4}}{\frac{1}{3}} \] \[ P(A | 6) = \frac{1}{4} \cdot 3 = \frac{3}{4} \] Zardan 6 geldiğinde, bu zarın Zar A olma olasılığı \( \frac{3}{4} \) 'tür. 👉

Bu soru, bağımsız olaylar kavramını pekiştirir ve Bayes teoreminin basit bir uygulamasını gösterir.

• Toplam Bilye Sayısı: 4 mavi + 6 sarı = 10 bilye
• Mavi Bilye Sayısı: 4
• Sarı Bilye Sayısı: 6

İlk çekilen bilyenin mavi olduğu biliniyor. Bilye kutuya geri konulduğu için, ikinci çekiliş ilk çekilişten bağımsızdır. Yani, ilk olayın sonucu ikinci olayın olasılığını etkilemez.

• İlk Çekilişte Mavi Gelme Olasılığı: \( P(\text{Mavi}_1) = \frac{4}{10} \)
• İkinci Çekilişte Mavi Gelme Olasılığı: \( P(\text{Mavi}_2) = \frac{4}{10} \) (Çünkü bilye geri konuldu)

İlk çekilenin mavi olduğu bilgisi, ikinci çekilişin olasılığını değiştirmez. Bu nedenle, ikinci çekilen bilyenin mavi olma olasılığı hala \( \frac{4}{10} \) 'dur.
\[ P(\text{Mavi}_2 | \text{Mavi}_1) = P(\text{Mavi}_2) = \frac{4}{10} = \frac{2}{5} \] İkinci çekilen bilyenin mavi olma olasılığı \( \frac{2}{5} \) 'tir. 👍

Bu senaryo, spam filtrelerinin çalışma mantığına benzer ve Bayes teoreminin pratik bir kullanımını sunar.
Olayları tanımlayalım:

• S: E-postanın spam olması
• N: E-postanın normal posta olması
• F: E-postada "fırsat" kelimesinin geçmesi

Verilen olasılıklar:

• \( P(S) = 0.80 \)
• \( P(N) = 0.20 \)
• \( P(F | S) = 0.95 \) (Spam e-postada "fırsat" geçme olasılığı)
• \( P(F | N) = 0.10 \) (Normal postada "fırsat" geçme olasılığı)

Aradığımız olasılık \( P(S | F) \) (E-postada "fırsat" geçiyorsa spam olma olasılığı).
Bayes Teoremi formülü: \[ P(S | F) = \frac{P(F | S) \cdot P(S)}{P(F)} \] \( P(F) \) değerini hesaplayalım (toplam "fırsat" kelimesi geçme olasılığı): \[ P(F) = P(F | S) \cdot P(S) + P(F | N) \cdot P(N) \] \[ P(F) = (0.95 \cdot 0.80) + (0.10 \cdot 0.20) \] \[ P(F) = 0.76 + 0.02 \] \[ P(F) = 0.78 \] Şimdi Bayes Teoremi'ni uygulayalım: \[ P(S | F) = \frac{0.95 \cdot 0.80}{0.78} \] \[ P(S | F) = \frac{0.76}{0.78} \] \[ P(S | F) = \frac{76}{78} = \frac{38}{39} \] Gelen e-postada "fırsat" kelimesi geçiyorsa, bu e-postanın spam olma olasılığı \( \frac{38}{39} \) 'dur. Bu, oldukça yüksek bir olasılıktır. 📧

Bu soru, koşullu olasılık ve Bayes teoreminin birleşimiyle çözülebilir. Verilen bilgiyi kullanarak olasılıkları güncelleyeceğiz.
Olayları tanımlayalım:

• M: Öğrencinin Matematik dersini alması
• F: Öğrencinin Fizik dersini alması

Verilen olasılıklar:

• \( P(M) = 0.70 \)
• \( P(F) = 0.60 \)
• \( P(F \cap M) = 0.40 \) (Matematik ve Fizik derslerinin ikisini de alanların olasılığı)

Aradığımız olasılık \( P(F | M) \) (Matematik dersini aldığı bilinen öğrencinin Fizik dersini de alma olasılığı).
Koşullu olasılık formülü şöyledir: \[ P(F | M) = \frac{P(F \cap M)}{P(M)} \] Bu formül, aslında Bayes teoreminin özel bir halidir ve doğrudan uygulanabilir.
\[ P(F | M) = \frac{0.40}{0.70} \] \[ P(F | M) = \frac{4}{7} \] Matematik dersini alan bir öğrencinin Fizik dersini de alma olasılığı \( \frac{4}{7} \) 'dir. 🤓

Bu soru, verilen yeni bilginin (kitabın roman olması) olasılığı nasıl etkilediğini gösteriyor. Bayes teoremi burada dolaylı olarak kullanılıyor, ancak doğrudan koşullu olasılıkla da çözülebilir.
Olayları tanımlayalım:

• R: Kitabın roman olması
• H: Kitabın tarih kitabı olması
• B: Kitabın bilim kurgu kitabı olması
• G: Kitapta gemi resmi olması

Verilen olasılıklar:

• \( P(R) = 0.60 \)
• \( P(H) = 0.30 \)
• \( P(B) = 0.10 \)
• \( P(G | R) = 0.20 \) (Romanın gemi resimli olma olasılığı)
• \( P(G | H) = 0.05 \) (Tarih kitabının gemi resimli olma olasılığı)
• \( P(G | B) = 0.50 \) (Bilim kurgu kitabının gemi resimli olma olasılığı)

Aradığımız olasılık \( P(G | R) \) (Kitabın roman olduğu biliniyorsa gemi resimli olma olasılığı).
Soruda doğrudan bu olasılık verilmiştir: Romanların \( %20 \) 'sinde gemi resmi bulunmaktadır. Yani,
\[ P(G | R) = 0.20 \] Bu soruda, "seçilen kitabın roman olduğu biliniyorsa" ifadesi, olasılığı bu bilgiye göre koşullandırmamızı ister. Verilen \( P(G | R) \) değeri zaten bu koşulu içeriyor.
Bu nedenle, seçilen kitabın roman olduğu biliniyorsa, bu kitabın gemi resimli olma olasılığı \( 0.20 \) veya \( \frac{1}{5} \) 'tir. 📖

Bu problem, verilen bilgiyi kullanarak olasılıkları güncellemeyi gerektirir. Bayes teoremi burada devreye giriyor.
Olayları tanımlayalım:

• B: Oyuncunun basketbol oynaması
• V: Oyuncunun voleybol oynaması

Verilen olasılıklar:

• \( P(B) = 0.7 \)
• \( P(V | B) = 1 - 0.05 = 0.95 \) (Basketbol oynayanların voleybol oynama olasılığı, çünkü %5'i oynamıyor)
• \( P(V \text{ ve } B) = P(V | B) \cdot P(B) = 0.95 \cdot 0.7 = 0.665 \) (Hem basketbol hem voleybol oynama olasılığı)
• Ayrıca soruda "Oyuncuların %90'ının aynı zamanda voleybol da oynayabildiği" bilgisi verilmiş. Bu, \( P(V) = 0.9 \) olarak yorumlanabilir. Ancak bu bilgi, bir önceki bilgiyle çelişebilir veya farklı bir bağlamda olabilir. Sorunun netliği açısından, basketbol oynayanların voleybol oynama olasılığı \( P(V|B) \) bilgisi daha belirleyicidir.

Aradığımız olasılık \( P(B | V) \) (Voleybol oynadığı bilinen oyuncunun basketbol da oynama olasılığı).
Bayes Teoremi formülü: \[ P(B | V) = \frac{P(V | B) \cdot P(B)}{P(V)} \] Yukarıdaki \( P(V) \) bilgisini kullanmak yerine, soruda verilen "Oyuncuların %90'ının aynı zamanda voleybol da oynayabildiği" ifadesini \( P(V) = 0.9 \) olarak alırsak:
\[ P(B | V) = \frac{0.95 \cdot 0.7}{0.9} \] \[ P(B | V) = \frac{0.665}{0.9} \] \[ P(B | V) = \frac{665}{900} = \frac{133}{180} \] Eğer sorudaki "%90'ının aynı zamanda voleybol da oynayabildiği" bilgisini, "basketbol oynayanların %90'ının voleybol da oynayabildiği" olarak yorumlarsak (ki bu daha tutarlı görünüyor), o zaman \( P(V|B)=0.9 \) olur ve \( P(V \cap B) = 0.9 \times 0.7 = 0.63 \) olur. Bu durumda \( P(V) \) 'yi hesaplamak için ek bilgi gerekir. Ancak verilen \( P(V|B) = 0.95 \) bilgisi daha spesifik olduğundan onu kullanmak daha doğru olacaktır. Eğer \( P(V) = 0.9 \) alınırsa, sonuç \( \frac{133}{180} \) çıkar.
Alternatif yorum: Eğer "Oyuncuların %90'ının aynı zamanda voleybol da oynayabildiği" ifadesi, toplam oyuncu kitlesi içinde voleybol oynayanların oranı olarak alınırsa \( P(V) = 0.9 \) olur. Bu durumda çözüm yukarıdaki gibidir. ⚽