Bir hastalık testinizin pozitif çıktığını düşünün. Testin doğruluk oranı yüzde 99. Büyük olasılıkla hasta olduğunuzu varsayarsınız, değil mi? Tam burada zihnimiz küçük ama önemli bir tuzağa düşer. Çünkü testin ne kadar güvenilir olduğunu bilmek yetmez; hastalığın toplumda ne kadar yaygın olduğunu da hesaba katmak gerekir. Bayes teoremi, yeni bir kanıtla karşılaştığımızda mevcut inançlarımızı nasıl güncellememiz gerektiğini gösteren matematiksel bir pusuladır.
Formülün söylediği basit şey
Bayes teoremi genellikle şöyle yazılır: P(A|B) = P(B|A) × P(A) / P(B). Semboller ürkütücü görünse de fikir oldukça sadedir. A, merak ettiğimiz durumu; B ise gözlemlediğimiz kanıtı temsil eder. P(A), kanıtı görmeden önce A hakkındaki tahminimizdir ve “önsel olasılık” diye adlandırılır. P(A|B) ise B kanıtını gördükten sonra ulaştığımız “sonsal olasılık”tır. Kısacası Bayes, eski tahmin ile yeni bilgiyi mantıklı biçimde birleştirir.
Şimdi nadir görülen, her bin kişiden yalnızca birinde bulunan bir hastalık düşünelim. Test, hastaları yüzde 99 oranında doğru yakalasın; sağlıklı kişilerin de yüzde 1’ine yanlışlıkla pozitif sonuç versin. Bin kişiyi test edersek ortalama bir gerçek hasta buluruz ve test onu büyük ihtimalle pozitif gösterir. Fakat 999 sağlıklı kişiden yaklaşık 10’u da pozitif sonuç alır. Böylece yaklaşık 11 pozitif sonucun yalnızca biri gerçek hastaya aittir. Pozitif olduğunuzda hasta olma olasılığınız yüzde 99 değil, kabaca yüzde 9’dur.
Zihin neden yanılıyor?
İnsan zihni çarpıcı kanıtlara odaklanmayı sever. “Test yüzde 99 doğru” cümlesi güçlüdür; buna karşılık “hastalık binde bir görülüyor” bilgisi arka planda kaybolur. Bu hataya taban oranını ihmal etme denir. Bayesçi düşünme, kanıtın tek başına konuşmadığını hatırlatır. Aynı pozitif test, hastalığın çok yaygın olduğu bir hastanede güçlü; son derece nadir olduğu genel nüfusta ise daha zayıf bir işaret olabilir. Kanıtın anlamı, içinde bulunduğu bağlama bağlıdır.
Bu yaklaşım yalnızca tıpta kullanılmaz. E-posta filtreleri bir mesajdaki kelimelere bakarak spam olasılığını günceller. Bankalar işlemlerin dolandırıcılık ihtimalini hesaplar. Robotlar sensörlerinden gelen gürültülü verilerle çevrelerini tahmin eder. Bilim insanları deney sonuçlarını önceki bilgilerle karşılaştırır. Hatta günlük hayatta kapının önünde ıslak bir şemsiye gördüğümüzde yağmur yağdığı sonucuna varırken bile farkında olmadan Bayesçi bir çıkarım yaparız.
Bayes bir inanç makinesi değildir
Bayes teoremi bize neye inanmamız gerektiğini gökten indirmez. Sonuç, başlangıçta seçtiğimiz önsel olasılığa ve kullandığımız verinin kalitesine bağlıdır. Kötü veri, matematiksel zarafet sayesinde iyi veriye dönüşmez. Ancak yöntem önemli bir disiplin sağlar: Varsayımını açıkla, kanıtın bu varsayım altında ne kadar beklenebilir olduğunu ölç ve fikrini buna göre güncelle. Yeni kanıt geldikçe sonuç da değişebilir. Burada fikir değiştirmek zayıflık değil, hesap verebilir aklın işaretidir.
Örneğin gökyüzünde alışılmadık bir ışık gördüğünüzü düşünün. Bunun uzaylı aracı, uçak, uydu ya da optik bir yanılsama olabileceğini varsayabilirsiniz. Uzaylı aracı heyecan verici olsa da önsel olasılığı düşüktür. Daha net görüntüler, radar kayıtları veya bağımsız gözlemler geldikçe seçeneklerin olasılıkları yeniden hesaplanır. Bayesçi yaklaşım olağanüstü açıklamaları yasaklamaz; yalnızca olağanüstü iddiaların, düşük başlangıç olasılıklarını aşacak kadar güçlü kanıtlar gerektirdiğini söyler.
Bayes teoreminin asıl büyüsü formülde değil, düşünme alışkanlığındadır. Kesinlik aramak yerine olasılıklarla çalışmayı, ilk fikrimize âşık olmak yerine onu güncellemeyi öğretir. Dünya çoğu zaman siyah veya beyaz değildir; eksik, gürültülü ve değişken bilgilerle doludur. Bayes bize bu sisin içinde kusursuz bir görüş sunmaz. Daha değerli bir şey verir: Yanılabileceğimizi kabul ederek daha az yanılmanın sistemli bir yolunu.