🔄 Bayes Teoremi Hesaplama

Bayes teoremi sonucunuzu anlamak

Duyarlılığı %95 ve yanlış pozitif oranını %5'te sabit tutarak, aşağıdaki tablo sonsal olasılığın önsel ile ne kadar çarpıcı biçimde değiştiğini gösterir — bu, Bayes teoreminin merkezindeki taban oran etkisidir.

• Sonsal olasılık, önsel olasılığa karşı son derece hassastır, özellikle önsel küçük olduğunda — bu nedenle pozitif bir test sonucunu veya başka yeni bir kanıtı yorumlarken taban oranlar göz ardı edilemez.
• Bu hesaplayıcının formülü ikili bir bölümlemeye uygulanır: bir olay A ve onun tümleyeni ¬A. İkiden fazla birbirini dışlayan olasılığın bulunduğu durumlar (örneğin, birden fazla aday tanı) tüm olasılıklar üzerinden toplam olasılık kuralının daha kapsamlı biçimini gerektirir.
• Yanlış pozitif oranı P(B | ¬A), özgüllükle aynı şey değildir — özgüllüğün 1 eksi değerine eşittir, dolayısıyla '%95 özgül' olarak tanımlanan bir testin yanlış pozitif oranı %5'tir.
• Ara olasılıkları birleştirmeden önce yuvarlamak, özellikle önsel küçük olduğunda nihai sonsalı belirgin biçimde bozabilir; mümkün olduğunda hesaplama boyunca tam duyarlılığı koruyun.

Bayes teoremi nedir?

Bayes teoremi, yeni bir kanıt (B) gözlemlendikten sonra bir olayın (A) olasılığını güncellemek için bir formüldür; önsel olasılığı, bu kanıtın farklı senaryolar altında ne kadar olası olduğuyla birleştirir. P(A | B) = P(B | A) × P(A) / P(B) olarak yazılır ve bir hastalık verildiğinde pozitif bir test sonucunun ne kadar olası olduğu gibi bir 'ileri' olasılığı, genellikle gerçek ilgi konusu olan 'ters' olasılığa dönüştürür: pozitif bir sonuç verildiğinde hastalığın ne kadar olası olduğu.

Bu hesaplayıcı, yaygın tanısal test çerçevesini kullanır: P(A), herhangi bir test yapılmadan önce ilgili popülasyondaki durumun önsel olasılığıdır (taban oranı), P(B | A), duyarlılıktır — durum mevcutken pozitif bir sonucun olasılığı — ve P(B | ¬A), yanlış pozitif oranıdır — durum mevcut değilken pozitif bir sonucun olasılığı (özgüllüğün 1 eksi değerine eşittir).

Taban oran yanılgısı, önsel olasılığı göz ardı ederken bir testin duyarlılığına odaklanmanın yaygın hatasıdır. Bir test, yüksek duyarlılığa ve düşük bir yanlış pozitif oranına sahip olabilir ve yine de test edilen durum popülasyonda nadir olduğunda sezginin önerdiğinden çok daha düşük bir sonsal olasılık üretebilir.

Bu Bayes teoremi hesaplama aracı nasıl kullanılır

1. Önsel olasılık P(A)'yı girin — ilgili popülasyondaki olay veya durumun taban oranı, yüzde olarak.
2. P(B | A)'yı, yani duyarlılığı girin — olay doğruyken kanıtı gözlemleme olasılığı.
3. P(B | ¬A)'yı, yani yanlış pozitif oranını girin — olay doğru değilken kanıtı gözlemleme olasılığı.
4. Sonsal olasılık P(A | B)'yi, kanıtın toplam olasılığı P(B)'yi ve kanıtın A altında ¬A altına göre ne kadar daha olası olduğunu karşılaştıran olabilirlik oranını (Bayes faktörü) okuyun.

Bayes teoreminin arkasındaki formül

Bayes teoremi, paydayı P(B), A ve ¬A olasılıkları üzerinden toplam olasılık kuralını kullanarak açar: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))].

Çözülmüş örnek: önsel P(A) = %1, duyarlılık P(B | A) = %95, yanlış pozitif oranı P(B | ¬A) = %5. Pay: 0,95 × 0,01 = 0,0095. Pozitif bir sonucun toplam olasılığı: P(B) = 0,95 × 0,01 + 0,05 × 0,99 = 0,0095 + 0,0495 = 0,059. Sonsal: P(A | B) = 0,0095 / 0,059 ≈ 0,1610, dolayısıyla sonsal olasılık yaklaşık %16,10'dur — test gerçek vakaların %95'ini doğru biçimde tanımlasa bile, bu senaryodaki pozitif sonuçların çoğu, durumu olmayan çok daha büyük kişi havuzundan gelir.

Olabilirlik oranı (Bayes faktörü) P(B | A) / P(B | ¬A)'dır. Çözülmüş örnekte, 0,95 / 0,05 = 19'dur, yani A doğruysa pozitif bir sonucun ortaya çıkması, A yanlışsa olduğundan 19 kat daha olasıdır.

Sık yapılan hatalar

• P(B | A), yani duyarlılığı, P(A | B), yani sonsal olasılıkla karıştırmak — yüksek duyarlılıklı bir test sonucunun durumu gerçekten taşıma olasılığının yüksek olduğu anlamına geldiğini varsayıp taban oranı göz ardı etmek, klasik taban oran yanılgısıdır.
• Önsel olasılığı tamamen göz ardı etmek — %95 duyarlılığa ve %5 yanlış pozitif oranına sahip bir test, önsel %1 olduğunda yine de yalnızca yaklaşık %16'lık bir sonsal verir, çünkü pozitif sonuçların çoğu çok daha büyük gerçek negatif havuzundan gelir.
• Özgüllüğü ve yanlış pozitif oranını dönüştürmeden birbirinin yerine kullanmak — bu hesaplayıcı, özgüllüğün 1 eksi değerine eşit olan yanlış pozitif oranı P(B | ¬A)'yı ister.
• İkiden fazla birbirini dışlayan olasılık olduğunda iki terimli formülü uygulamak — basit A karşı ¬A biçimi yalnızca ikili bir sonuç bölümlemesi için geçerlidir.
• Ara olasılıkları birleştirmeden önce yuvarlamak; bu, düşük taban oranlarda önseldeki küçük değişikliklere özellikle duyarlı bir hesaplamada hatayı katlar.

Sıkça Sorulan Sorular

Kaynaklar

1. Bayes T, Price R. An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1763; 53: 370-418.
2. Kahneman D, Tversky A. On the psychology of prediction. Psychological Review 1973; 80(4): 237-251 (base-rate neglect in probability judgment).
3. National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — probability rules and Bayes' theorem. nist.gov.
4. Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (conditional probability and Bayes' rule).
5. Casella G, Berger RL. Statistical Inference (2nd ed). Duxbury, 2002 (Bayes' theorem and conditional probability).