Bayes Teoremi Hesaplama

Bir hastalık testinin "%99 doğru" olduğunu duyduğunuzda, pozitif bir sonucun da %99 ihtimalle doğru olduğunu düşünmek doğal bir sezgidir — ama bu sezgi, hastalık nadirse, ciddi şekilde yanlış çıkabilir. Bayes teoremi hesaplama, bir testin doğruluğunu, hastalığın **önsel (prior) olasılığıyla** birleştirerek, gerçek koşullu olasılığı hesaplamanızı sağlar.

Bayes teoremi şu şekilde ifade edilir:

**P(A|B) = [P(B|A) × P(A)] ÷ P(B)**

Burada P(A), hastalığın popülasyondaki genel (önsel) olasılığını; P(B|A), hasta birinde testin pozitif çıkma olasılığını; P(B) ise testin genel pozitif çıkma olasılığını ifade eder. Örnek verelim: bir hastalık popülasyonda %1 oranında görülüyor, test %99 doğrulukla çalışıyorsa (hem hastayı doğru teşhis etme hem sağlıklıyı doğru teşhis etme oranı %99). 10.000 kişilik bir popülasyonda: 100 kişi gerçekten hasta (99'u doğru pozitif çıkar), 9.900 kişi sağlıklı (99'u yanlışlıkla pozitif çıkar — %1 hata oranı). Toplam pozitif çıkan: 99+99=198 kişi, ama bunların sadece 99'u gerçekten hasta — yani pozitif çıkan birinin gerçekten hasta olma olasılığı sadece **%50** civarıdır, sezgisel %99 değil.

Yukarıdaki araca hastalığın popülasyondaki önsel olasılığını ve testin doğruluk oranlarını (hassasiyet ve özgüllük) girdiğinizde, pozitif bir sonucun gerçekten doğru olma olasılığını hesaplar. Bu, "test doğruluğu" ile "sonuç güvenilirliği" arasındaki farkı somutlaştırmanızı sağlar.

Bu aracı; istatistik ve olasılık öğrenen öğrenciler, tıbbi test sonuçlarını yorumlamaya çalışanlar ve Bayesyen düşünmeyi öğrenmek isteyen herkes için tasarladık. Bu içerik genel bilgilendirme amaçlıdır, tıbbi tanı niteliği taşımaz; gerçek bir test sonucunu yorumlamak için bir hekime danışmanız önerilir.

Bu paradoksun kökü, hastalığın **nadirliğinde** yatar — popülasyonda sağlıklı insan sayısı, hasta insan sayısından çok daha fazla olduğunda, testin küçük bir yanlış pozitif oranı bile (sağlıklı insanların büyük havuzuna uygulandığında), gerçek hasta sayısına yakın (bazen daha fazla) bir "yanlış pozitif" grup üretir. Bu nedenle test **kendisi** aynı doğrulukta kalsa da, taranan hastalık ne kadar nadirse, pozitif bir sonucun **gerçekten doğru olma olasılığı** o kadar düşer.

Bu ilke, sadece tıbbi testler için değil, güvenlik taramaları, dolandırıcılık tespiti gibi "nadir olay tespiti" gerektiren pek çok alanda geçerlidir — bir sistem ne kadar "doğru" olsa da, aradığı şey popülasyonda çok nadirse, alarm verdiğinde bu alarmın gerçek bir olayı yakaladığına dair güven, sezgisel olarak beklenenden çok daha düşük olabilir. Bu nedenle Bayes teoremi, sadece bir formül değil, "ne kadar nadir, o kadar şüpheci ol" ilkesinin matematiksel bir ifadesidir.