Tamam — “birinin durumuna göre oluşabilecekler” konusunu adım adım, hem kolay anlaşılır hem de gerekli yerlerde sayısal örneklerle anlatayım.
1) Ne demek bu?
Bir kişinin içinde bulunduğu durum(lar)ına göre hangi olayların veya sonuçların ortaya çıkabileceğini tahmin etmek veya modellemek demektir. Bunu yaparken genelde “eğer — ise” (if–then) mantığı, olasılık ve neden–sonuç zincirleri kullanılır.
2) Nasıl yaklaşılır? (Basit adımlar)
- Durumu netleştir: Hangi kişi? Hangi koşul(lar)? (örn. öğrenci sınava çalıştı mı, hasta mı değil mi, hava yağmurlu mu)
- Olası durumları yaz: Her ana durumun alt durumlarını ve bu durumlarda hangi sonuçlar çıkabileceğini listele.
- Sonuçları ilişkilendir: Her sonucun hangi durumlarda ortaya çıktığını belirt. Bu ilişki “kesin” (mutlaka olur) veya “olasılıksal” (ihtimalle olur) olabilir.
- Sayısal modelleme (gerekiyorsa): Olasılıklar verilmişse hesap yap; değilse “yüksek/orta/düşük” gibi sınıflandır.
- Görselleştir: Karar ağacı (decision tree) veya tablo çiz. Her dalın ne anlama geldiğini yazmak kafa karışıklığını azaltır.
Örnek:
Örnek (basit): Öğrenci sınavdan önce çalıştı mı?
- Çalıştı → geçme olasılığı %80, kalma %20.
- Çalışmadı → geçme olasılığı %30, kalma %70.
Eğer öğrencinin çalışma olasılığı %60 ise genel geçme olasılığı: 0.6·0.8 + 0.4·0.3 = 0.48 + 0.12 = 0.60 (yani %60).
3) Koşullu olasılık (biraz daha ileri, lise düzeyi)
- P(A|B) “B bilindiğine göre A olma olasılığı” demektir. Formül: P(A|B) = P(A ve B) / P(B).
- Toplam olasılık kuralı: Farklı durumların söz konusu sonucu üretme olasılıklarını, o durumların olasılıkları ile çarpıp toplayarak genel olasılığı bulursun (örnekte yaptığımız gibi).
- Bayes teoremi: Yeni bilgi geldikçe (örneğin öğrencinin geçtiğini öğrendin) önceki olasılıkları güncellemek için kullanılır. Aynı örnekle: Öğrencinin geçtiğini bildiğinde, gerçekten çalışmış olma olasılığı P(Çalıştı|Geçti) = P(Geçti|Çalıştı)·P(Çalıştı) / P(Geçti).
Örnek:
Bayes örneği (sayılarla): Yukarıdaki sayılara göre P(Çalıştı)=0.6, P(Geçti|Çalıştı)=0.8, genel P(Geçti)=0.6.
O zaman P(Çalıştı|Geçti) = 0.8·0.6 / 0.6 = 0.8 (yani geçen biri için çalışmış olma olasılığı %80).
4) Görselleştirme: karar ağacı nasıl kurulur?
- Başlangıç düğümüne durumu yaz.
- Her olası durum için bir dal çiz ve altına sonuçları veya alt durumları yaz.
- Her dala olasılık veya “yüksek/orta/düşük” gibi notlar ekle.
Bu, özellikle birbirine bağlı birçok durum olduğunda çok yardımcı olur.
İpucu:
Karmaşık hesaplara geçmeden önce: önce tüm durumları ve doğrudan sonuçlarını yaz. Sonra hangi bilgilerin sayısal olduğunu ekle. Bu düzen hataları azaltır.
5) Hangi durumlarda kesin, hangi durumlarda olasılıksal model kullanılır?
- Eğer bir durum sonucu doğrudan ve kesin etkiliyorsa (ör. yağmur varsa dışarıda piknik kesin iptal) kesin ilişkiyle yaz.
- İnsan davranışları, sağlık, sınav sonuçları gibi konularda genelde olasılıksal modeller kullanılır; çünkü başka değişkenler de etkiler.
Yaygın Hata:
Sık yapılan hata: Bağımlı olayları bağımsız kabul etmek. Örneğin “sınavdan yüksek not almak” ile “çalışmak” birbirine bağlıdır; bu yüzden bağımsızmış gibi doğrudan çarpma yapmak yanlış sonuç verir.
6) Gerçek yaşam örnekleri (nerede kullanılır?)
- Sınav hazırlığı, sağlık taramaları (test pozitif/negatif olasılıkları), hava durumuna bağlı planlama, iş kararları (önce stok yapma/almama), oyun stratejileri vb.
İstersen bunu daha basit bir örnekle (ilkokul seviyesine uygun) ya da daha ayrıntılı koşullu olasılık ve Bayes hesaplarıyla (lise-IB/AP seviyesi) genişletebilirim.
🤔 İlgili Sorular:- Bu bilgi gerçek hayatta ne işime yarayacak?
- Koşullu olasılık nasıl hesaplanır ve örnek problemi çözebilir misin?
- Bir karar ağacı nasıl çizilir ve dalların olasılıklarını nasıl hesaplarım?