Olasılık

Belirsizliğin matematiği ve şansın bilimiyle tanışın

P(A) = n(A) / n(S)

Olasılık Nedir?

Olasılık, bir olayın gerçekleşme şansını sayısal olarak ifade eden matematik dalıdır. 0 ile 1 arasında bir değer alır ve belirsizliği ölçmenin matematiksel yoludur.

P(A) = Olumlu Sonuç Sayısı / Toplam Mümkün Sonuç Sayısı
Bir zarın 6 gelme olasılığı: P(6) = 1/6 ≈ 0.167
Çünkü: 1 olumlu sonuç (6 gelmesi) / 6 toplam sonuç
Olasılık Değerleri:
  • • P = 0: Olay kesinlikle gerçekleşmez
  • • P = 0.5: Olay %50 şansla gerçekleşir
  • • P = 1: Olay kesinlikle gerçekleşir
  • • P = 0.25: Olay %25 şansla gerçekleşir
Tarihçe
Olasılık teorisi 17. yüzyılda Blaise Pascal ve Pierre de Fermat'ın kumar problemleri üzerine yaptıkları çalışmalarla başlamıştır. Günümüzde finans, mühendislik, tıp ve teknolojide yaygın kullanılır.

Temel Kavramlar

Olasılık teorisini anlamak için bazı temel kavramları bilmemiz gerekir:

Temel Tanımlar:
  • Deney: Sonucu belirsiz olan işlem
  • Örnek Uzay (S): Tüm mümkün sonuçların kümesi
  • Olay (A, B, C...): Örnek uzayın alt kümesi
  • Basit Olay: Tek sonuçlu olay
  • Bileşik Olay: Birden fazla sonuçlu olay
Zar Atma Deneyi:
• Deney: Bir zar atmak
• Örnek Uzay: S = {1, 2, 3, 4, 5, 6}
• Basit Olay: A = {3} (3 gelmesi)
• Bileşik Olay: B = {2, 4, 6} (çift sayı gelmesi)
Yazı-Tura Örneği
Deney: Madeni para atma
Örnek Uzay: S = {Yazı, Tura}
P(Yazı) = P(Tura) = 1/2 = 0.5
Hatırlatma: Tüm olasılıkların toplamı her zaman 1'e eşittir.
P(A₁) + P(A₂) + ... + P(Aₙ) = 1

Olasılık Kuralları

Olasılık hesaplamalarında kullanılan temel kurallar:

1. Toplama Kuralı

P(A ∪ B) = P(A) + P(B) - P(A ∩ B)
Bir öğrencinin matematik (M) veya fizik (F) sınavından geçme olasılığı:
P(M) = 0.7, P(F) = 0.6, P(M ∩ F) = 0.4
P(M ∪ F) = 0.7 + 0.6 - 0.4 = 0.9

2. Çarpma Kuralı

P(A ∩ B) = P(A) × P(B|A) = P(B) × P(A|B)
Bağımsız Olaylar
Eğer A ve B bağımsızsa: P(A ∩ B) = P(A) × P(B)
Örnek: İki zar atımında sonuçlar birbirinden bağımsızdır.

3. Tamamlayıcı Olay Kuralı

P(A') = 1 - P(A)
Yağmur yağma olasılığı 0.3 ise, yağmur yağmama olasılığı:
P(Yağmur Yok) = 1 - 0.3 = 0.7
Dikkat: Ayrık (Mutually Exclusive) olaylarda P(A ∩ B) = 0 olduğu için P(A ∪ B) = P(A) + P(B) şeklinde basitleşir.

Kombinatorik

Kombinatorik, sayma işlemlerini sistematik hale getiren matematik dalıdır ve olasılık hesaplamalarında kritik rol oynar.

Permütasyon (Sıralı Seçim)

P(n,r) = n! / (n-r)!
5 kişiden 3'ünün sıralaması kaç şekilde yapılabilir?
P(5,3) = 5! / (5-3)! = 5! / 2! = 120 / 2 = 60

Kombinasyon (Sırasız Seçim)

C(n,r) = n! / (r!(n-r)!)
10 kişiden 4'ünün seçilmesi kaç şekilde yapılabilir?
C(10,4) = 10! / (4! × 6!) = 3628800 / (24 × 720) = 210
Ne Zaman Hangi Formül?
Permütasyon: Sıra önemli (1. 2. 3. farklı)
Kombinasyon: Sıra önemsiz (ABC = BAC = CAB)
Faktöriyel (n!):
  • 0! = 1 (tanım gereği)
  • 1! = 1
  • 2! = 2 × 1 = 2
  • 3! = 3 × 2 × 1 = 6
  • 4! = 4 × 3 × 2 × 1 = 24
  • 5! = 5 × 4 × 3 × 2 × 1 = 120

Koşullu Olasılık

Koşullu olasılık, bir olayın gerçekleşme olasılığının başka bir olayın gerçekleştiği bilgisi ışığında hesaplanmasıdır.

P(A|B) = P(A ∩ B) / P(B)

Bu formül "B olayı gerçekleştiği bilindiğinde A olayının gerçekleşme olasılığı" anlamına gelir.

Bir sınıfta 30 öğrenci var. 18'i kız, 12'si erkek.
Kızların 12'si, erkeklerin 8'i matematik seviyorsa:
• Rastgele seçilen bir öğrencinin kız olduğu bilindiğinde matematik sevme olasılığı:
P(Mat Seviyor | Kız) = 12/18 = 2/3 ≈ 0.67
Olasılık Ağacı Diyagramı
Koşullu olasılıkları görselleştirmek için ağaç diyagramları kullanılır. Her dal bir olayı, dalların sonundaki değerler olasılıkları gösterir.
Hastalık Testi Örneği:
├─ Hasta (0.01)
│ ├─ Test Pozitif (0.95) → P = 0.01 × 0.95 = 0.0095
│ └─ Test Negatif (0.05) → P = 0.01 × 0.05 = 0.0005
└─ Sağlam (0.99)
├─ Test Pozitif (0.02) → P = 0.99 × 0.02 = 0.0198
└─ Test Negatif (0.98) → P = 0.99 × 0.98 = 0.9702
Yaygın Hata: P(A|B) ≠ P(B|A) olduğunu unutmayın!
Örnek: P(Hasta|Test Pozitif) ≠ P(Test Pozitif|Hasta)

Bayes Teoremi

Bayes Teoremi, koşullu olasılıkları "tersine çevirmeye" yarayan güçlü bir araçtır. Makine öğrenmesi, tıbbi teşhis ve istatistiksel çıkarımda yaygın kullanılır.

P(A|B) = P(B|A) × P(A) / P(B)
Bayes Teoremi Bileşenleri:
  • P(A|B): Sonsal olasılık (posterior)
  • P(B|A): Olabilirlik (likelihood)
  • P(A): Önsel olasılık (prior)
  • P(B): Kanıt olasılığı (evidence)
Spam E-posta Filtresi Örneği:
• P(Spam) = 0.3 (e-postaların %30'u spam)
• P("Bedava"|Spam) = 0.8 (spam'ların %80'inde "bedava" kelimesi var)
• P("Bedava"|Normal) = 0.05 (normal e-postaların %5'inde var)

P("Bedava") = 0.8 × 0.3 + 0.05 × 0.7 = 0.24 + 0.035 = 0.275

P(Spam|"Bedava") = (0.8 × 0.3) / 0.275 ≈ 0.87 (87%)
Gerçek Hayat Uygulamaları:
• Tıbbi tanılar (test sonuçlarına göre hastalık olasılığı)
• Spam filtreleme (kelime bazlı sınıflandırma)
• Finansal risk analizi
• Yapay zeka ve makine öğrenmesi
Tıbbi Test Örneği
Nadir bir hastalık (prevalans %1) için %95 doğru test sonucu alan bir hasta için gerçek hastalık olasılığı sadece yaklaşık %32'dir. Bu, yanlış pozitif oranının etkisini gösterir.

Olasılık Dağılımları

Olasılık dağılımları, rastgele değişkenlerin alabileceği değerler ve bu değerlerin olasılıklarını tanımlar.

1. Bernoulli Dağılımı

P(X = 1) = p, P(X = 0) = 1-p
Yazı-tura atışı: p = 0.5
• Yazı gelirse X = 1, Tura gelirse X = 0
• P(Yazı) = 0.5, P(Tura) = 0.5

2. Binom Dağılımı

P(X = k) = C(n,k) × p^k × (1-p)^(n-k)
10 para atışında 7 yazı gelme olasılığı:
P(X = 7) = C(10,7) × (0.5)^7 × (0.5)^3
= 120 × 0.0078125 × 0.125 ≈ 0.117

3. Normal Dağılım

f(x) = (1/σ√(2π)) × e^(-(x-μ)²/(2σ²))
Normal Dağılım Özellikleri:
  • • Çan şeklinde simetrik dağılım
  • • μ (mu): ortalama, σ (sigma): standart sapma
  • • %68'i μ±σ aralığında
  • • %95'i μ±2σ aralığında
  • • %99.7'si μ±3σ aralığında
Standart Normal Dağılım
μ = 0, σ = 1 olan normal dağılıma standart normal dağılım denir.
Z = (X - μ) / σ dönüşümü ile standartlaştırılır.

Pratik Örnekler

Günlük hayattan olasılık örnekleri ile konuyu pekiştirelim:

Örnek 1: Kart Çekme
52 kartlık desteden:
• Kız çekme olasılığı: P(Kız) = 4/52 = 1/13
• Kırmızı kart çekme: P(Kırmızı) = 26/52 = 1/2
• As veya Kral çekme: P(As ∪ Kral) = 8/52 = 2/13
Örnek 2: Zar Atma
İki zar atıldığında:
• Toplamın 7 olma olasılığı: 6/36 = 1/6
• En az birinde 6 gelme: 1 - P(hiçbirinde 6 yok) = 1 - (5/6)² = 11/36
• Çift toplam gelme: 18/36 = 1/2
Örnek 3: Doğum Günü Paradoksu
23 kişilik grupta en az 2 kişinin aynı günde doğmuş olma olasılığı:
P ≈ 0.507 (yaklaşık %50.7)
Bu sonuç çoğu kişi için şaşırtıcıdır!
Sık Yapılan Hatalar:
• "Sıcak el" yanılgısı: Geçmiş sonuçlar gelecek sonuçları etkilemez
• Kumar yanılgısı: Bağımsız olaylarda geçmiş etkili değildir
• Temel oran ihmal: Nadir olayların yanlış değerlendirilmesi
Problem Çözme İpuçları:
• Önce örnek uzayı belirleyin
• Olayları net tanımlayın
• Bağımsızlık durumunu kontrol edin
• Uygun formülü seçin ve dikkatli hesaplayın

Olasılık Hesaplayıcı

Temel olasılık hesaplamalarını yapabileceğiniz basit hesaplayıcılar:

Basit Olasılık Hesaplayıcı

Kombinasyon Hesaplayıcı

Binom Olasılık Hesaplayıcı

Hesaplayıcı Kullanım İpuçları
• Olasılık değerleri 0 ile 1 arasında olmalıdır
• Kombinasyonda r ≤ n olmalıdır
• Binom dağılımında k ≤ n olmalıdır
• Sonuçları yüzde olarak da düşünebilirsiniz (×100)

Öğrenmeye Devam Et!

İleri Seviye Konular
Stokastik Süreçler: Zaman içinde değişen rastgele olaylar
Markov Zincirleri: Gelecek sadece şu ana bağlı süreçler
Monte Carlo Simülasyonu: Bilgisayar destekli olasılık
İstatistiksel Çıkarım: Örneklemden evrene genelleme

P(Başarı | Çalışma) = 1.0