Koşullu Olasılık ve Bağımsızlık
Koşullu olasılık, bir olayın gerçekleştiği bilindiğinde başka bir olayın gerçekleşme olasılığının nasıl değiştiğini tanımlamaktadır; bağımsızlık ise, bir olayın bilinmesinin diğer bir olay hakkında hiçbir bilgi vermediği özel durumu ifade etmektedir. Bu kavramlar, Bayes teoremi ile birlikte, kanıtların inançları nasıl güncellediğini açıklamakta ve tıpta tanı testlerinin yorumlanmasının temelini oluşturmaktadır.
Tanım
A olayının B olayı verildiğindeki koşullu olasılığı, B'nin gerçekleştiği bilindiğinde A'nın gerçekleşme olasılığıdır; bu, hem A hem de B'nin olasılığının B'nin olasılığına bölünmesiyle tanımlanmaktadır. A ve B, A'nın B verildiğindeki koşullu olasılığı, A'nın koşulsuz olasılığına eşitse bağımsızdır.
Kapsam
Bu madde, koşullu olasılık tanımını, çarpım kuralını, istatistiksel bağımsızlığı, toplam olasılık yasasını ve Bayes teoremini kapsamaktadır. Bu kavramlar, bir sonucun öngörü değerinin hastalığın prevalansına bağlı olduğu tanı testlerinin değerlendirilmesiyle ilişkilendirilmektedir. Bu, belirli testlerin sipariş edilmesi veya bunlara göre hareket edilmesi konusunda klinik bir rehberlik değil, metodolojik bir referanstır.
Temel sorular
- Bir olayı bilmek, başka bir olayın olasılığını nasıl değiştirmektedir?
- İki olay ne zaman bağımsızdır ve bu ne anlama gelmektedir?
- Bayes teoremi koşullu bir olasılığı nasıl tersine çevirmektedir?
- Pozitif bir test sonucu, farklı prevalanslarda neden farklı anlamlara gelmektedir?
Anahtar kavramlar
- Koşullu olasılık
- Çarpım kuralı
- İstatistiksel bağımsızlık
- Toplam olasılık yasası
- Bayes teoremi
- Önsel ve ardıl olasılık
- Prevalans ve öngörü değeri
- Duyarlılık ve özgüllük
Mekanizmalar
Bir olaya koşullandırma, dikkati onunla tutarlı sonuçlarla sınırlamaktadır; bu nedenle, A'nın B verildiğindeki koşullu olasılığı, A ve B'nin birleşik olasılığını B'nin olasılığına göre yeniden ölçeklendirmektedir. İki olay, bu koşullandırma olasılığı değiştirmemesi durumunda bağımsızdır; bu durum, onların birleşik olasılığının marjinal olasılıkların çarpımına ayrışmasına eşdeğerdir. Toplam olasılık yasası, bir olayın olasılığını, örnek uzayın bir bölümlemesi (partition) üzerindeki koşullu olasılıklarından oluşturmaktadır. Bayes teoremi ise, bir koşullu olasılığı tersine çevirerek, gözlemlenen bir etki verildiğinde bir nedenin olasılığını ters koşullu olasılık ve önsel (prior) olasılık cinsinden ifade etmektedir. Tanı testlerinde, pozitif sonuçlu bir hastanın gerçekten hastalığa sahip olma olasılığının (öngörü değeri), sadece testin duyarlılığı (sensitivity) ve özgüllüğüne (specificity) değil, aynı zamanda önsel prevalansa da bağlı olmasının nedeni budur.
Klinik önem
Koşullu olasılık ve Bayes teoremi, bir test sonucunun hastalık olasılığını nasıl revize ettiğini tanımlamaktadır; bu nedenle, aynı testler yüksek ve düşük prevalanslı ortamlarda farklı öngörü değerleri vermektedir. Bu madde, söz konusu akıl yürütmeyi bir metodoloji olarak açıklamakta olup, bireysel bir hastanın yönetimi için bir rehberlik değildir.
Tarihçe
Kanıt ışığında olasılıkları güncelleme fikri, denemesi 1763'te Richard Price tarafından ölümünden sonra yayımlanan ve Laplace tarafından genelleştirilen Thomas Bayes ile ilişkilendirilmektedir. Ortaya çıkan Bayes teoremi, istatistiğin ve yirminci yüzyılda tanı testlerinin resmi değerlendirmesinin merkezi bir parçası haline gelmiştir; burada duyarlılık (sensitivity), özgüllük (specificity) ve prevalansı öngörü değeriyle ilişkilendirmektedir.
Öne çıkan isimler
- Thomas Bayes
- Richard Price
- Pierre-Simon Laplace
İlgili konular
Temel eserler
- bayes-1763
- altman-bland-1994-diagnostic
- ross-2014
Sıkça sorulan sorular
- Koşullu olasılık ile birleşik olasılık arasındaki fark nedir?
- Birleşik olasılık, iki olayın birlikte gerçekleşme şansıdır; koşullu olasılık ise, diğerinin zaten gerçekleştiği bilindiğinde birinin gerçekleşme şansıdır; koşullu olasılık, birleşik olasılığın koşullandırma olayının olasılığına bölünmesiyle elde edilmektedir.
- Pozitif bir tanı testi neden hala hastalığın olası olmadığını gösterebilmektedir?
- Bayes teoremi uyarınca, pozitif bir sonuçtan sonra hastalık olasılığı prevalansa bağlıdır; bir hastalık nadir olduğunda, doğru bir test bile gerçek pozitiflere kıyasla çok sayıda yanlış pozitif üretmektedir, bu nedenle pozitif bir sonucun öngörü değeri düşük olabilmektedir.