Bayesçi Düşünce Tarzı (Bayesian Thinking): Yeni Veri Geldiğinde Fikrini Değiştirme Sançı

Bayesçi düşünce, bir konudaki başlangıç inancınızı (önsel olasılık) yeni bir kanıt geldiğinde, o kanıtın ne kadar güçlü olduğuna göre orantılı biçimde güncellemektir. Ne kanıtı görmezden gelmek ne de ona aşırı tepki vermek doğrudur. Bu yazı Bayes teoremini günlük hayattaki örneklerle, formülden korkmadan anlatır.

Bu yazıda neler var?

Bayes teoremi nedir ve neden bu kadar kullanışlıdır?
Önsel olasılık (prior) neden ihmal edilmemelidir?
Yeni bir kanıt geldiğinde ne kadar güncelleme yapmalıyız?
İdeolojik inatçılık ile entelektüel esneklik arasındaki fark nedir?
Tahmin ortamında gelişmelere göre pozisyon değiştirmek nasıl yapılır?

Bayes Teoremi Nedir?

Bayes teoremi, adını 18. yüzyılda yaşamış İngiliz matematikçi ve din adamı Thomas Bayes'ten alır. Bayes'in çalışması ölümünden sonra, 1763'te arkadaşı Richard Price tarafından yayımlandı. Teoremin tek cümleyle ifadesi şudur: Bir hipotezin yeni kanıt karşısındaki olasılığı, başlangıçtaki olasılığına ve kanıtın bu hipotezle ne kadar uyumlu olduğuna bağlıdır.

Sade hali: Yeni olasılığınız, eski olasılığınızın kanıt tarafından güçlendirilmesi ya da zayıflatılmasıyla bulunur. Kanıt, hipotez doğruyken yanlışken olduğundan daha olasıysa tahmininiz yükselir; tersi durumda düşer.

Buradaki parçalar şunlardır: hipotez (örneğin “hasta”, “bu takım kazanır”), kanıt (test sonucu, sakatlık haberi), önsel olasılık (kanıttan önceki tahmininiz) ve sonsal olasılık (kanıttan sonraki güncel tahmininiz).

Önsel Olasılık (Prior Probability) Nedir ve Neden Önemlidir?

Önsel olasılık, yeni bir kanıt görmeden önce bir olaya verdiğiniz başlangıç olasılıktır. İnsanlar bu başlangıç noktasını sıkça unutur; buna temel oran ihmali (base rate neglect) denir.

Klasik örnek (varsayımsal rakamlarla): Bir hastalık nüfusun %1'inde görülüyor. Test, hastaların %90'ını doğru yakalıyor, sağlıklıların ise %9'una yanlışlıkla “pozitif” diyor. Testiniz pozitif çıktı; hasta olma ihtimaliniz nedir?

Hasta ve pozitif: 0,01 × 0,90 = 0,009
Sağlıklı ama pozitif: 0,99 × 0,09 = 0,0891
Pozitif olanlar içinde hasta olanın payı: 0,009 ÷ (0,009 + 0,0891) ≈ %9,2

Test “%90 doğru” görünse bile, pozitif sonuca rağmen hasta olma ihtimali yalnızca yaklaşık %9'dur. Çünkü hastalık nadirdir; önsel olasılık düşüktür. Bu örnek gerçek bir klinik karar değil, düşünce egzersizidir; tıbbi sonuçların yorumu için her zaman hekime danışın.

Önsel olasılığı nasıl belirlersiniz?

Referans sınıfı bulun. “Benzer durumlarda bu olay ne sıklıkla oluyor?” sorusu başlangıç noktanız olsun.
Özel durumunuza göre hafifçe ayarlayın, ama referans sınıfından çok uzağa gitmeyin.
%0 ve %100'den kaçının. Bir olaya kesin imkansız ya da kesin diyen inanç, hiçbir kanıtla güncellenemez; bu fikre bazen “Cromwell kuralı” denir.

Yeni Kanıtın Gücü: Ne Zaman Radikal U Dönüşü Yapmalıyız?

Her kanıt aynı ağırlıkta değildir. Bir kanıtın gücü, olabilirlik oranı (likelihood ratio) ile ölçülür: Bu kanıt, hipotez doğruysa, hipotez yanlışsa olduğundan kaç kat daha olasıdır?

Oran 1'e yakınsa kanıt zayıftır; fikrinizi çok az değiştirmelidir.
Oran 1'den çok büyükse (örneğin 10) ya da çok küçükse (örneğin 0,1) kanıt güçlüdür.

Pratik bir kısayol (şans oranı dili): Olasılığı şans oranına (odds) çevirirseniz hesap kolaylaşır: Sonsal şans = Önsel şans × Olabilirlik oranı.

Örnek 1 (varsayımsal): Bir olaya %30 olasılık veriyorsunuz; yani şans oranı 3:7 ≈ 0,43. Yeni gelen kanıtın olabilirlik oranı 4 ise yeni şans oranı 0,43 × 4 ≈ 1,71 olur ve olasılık yaklaşık %63'e çıkar. Yani güçlü bir kanıt, %30'u %63'e taşıyabilir; bu “radikal” bir güncellemedir ve hak edilmiştir.

Örnek 2 (varsayımsal): Bir takıma %20 şans veriyordunuz (şans oranı 0,25). Kilit oyuncunun sakatlandığı haberi geldi ve bu haberin olabilirlik oranı 0,5 olsun. Yeni şans oranı 0,25 × 0,5 = 0,125; olasılık yaklaşık %11,1'e düşer. Yani orta güçte bir kanıt, olasılığı %20'den %11'e çekti; “tamamen çöktü” demek abartı olurdu.

U dönüşü yapmanızı gerektiren durumlar:

Kanıt güvenilir bir kaynaktan geliyorsa (resmi açıklama, doğrulanmış veri).
Kanıt, mevcut inancınızla doğrudan çelişiyorsa ve alternatif açıklamaları azaltmışsa.
Birden çok bağımsız kanıt aynı yönde birikmişse.

Aşırı tepkiden kaçınmanız gereken durumlar:

Kanıt tek bir haber, söylenti ya da duygusal bir hikayeyse.
Kanıt, yalnızca “son olay” olduğu için aklınızda büyüyorsa (yakınlık yanılgısı).
Kanıt, zaten bildiğiniz bir bilginin yeniden söylenmiş haliyse (aynı kanıtı iki kez saymak).

Tetlock'un süper tahminçiler üzerine çalışmaları, iyi tahminçilerin çok sayıda küçük, düzenli güncelleme yapma eğiliminde olduğunu gösteriyor. Başka bir deyişle küçük adımlar, tek bir dev adımdan çoğu zaman daha güvenilirdir; ama güçlü bir kanıt geldiğinde büyük bir adım da gerekli olabilir.

İdeolojik İnatçılık vs. Entelektüel Esneklik

Bayesçi düşünce, bir tutum meselesidir: “Fikrimi ne kanıt değiştirebilir?” sorusuna cevap veremiyorsanız, o fikir bir tahmin değil, bir kimlik haline gelmiş olabilir.

İnatlaşmanın sinyalleri:

Kanıtı sürekli “istisna” ya da “manipülasyon” diye geçiyorsunuz.
Sadece fikrinizi destekleyen kaynakları okuyorsunuz (doğrulama yanılgısı).
Yanlış çıkmak, kişisel bir yenilgi gibi hissettiriyor.

Esnekliğin sinyalleri:

Tahmininizi sayıyla (“%60”) belirtiyorsunuz; bu sayıyı değiştirmek kolaylaşır.
“Beni hangi kanıt ikna eder?” sorusunu önceden yazabiliyorsunuz.
Fikir değiştirmek, öğrenme olarak görülüyor.

Önemli bir uyarı: Esneklik, başkalarının her söylediğine boyun eğmek demek değildir. Aşırı esneklik (her habere yön değiştirme) de bir tahmin hatasıdır. Hedef, kanıtın gücüyle orantılı hareket etmektir.

Tahmin Pazarında Gelişmelere Göre Pozisyon Değiştirme

Bu bölüm yalnızca düşünce biçimini anlatır; bahis, yatırım ya da alım-satım tavsiyesi içermez. Tahmin Kafası bir bahis platformu değildir.

Tahmin ortamlarında (tahmin oyunları, kamuya açık tahmin platformları, iç tahmin turnuvaları) Bayesçi yaklaşım şu adımlarla uygulanır:

Başlangıç tahmininizi yazın. Referans sınıfı ve gerekçe ile birlikte tarih atarak kaydedin.
“Güncelleme tetikleyicilerini” önceden belirleyin. Örneğin: “Kilit oyuncu oynamazsa %5 düşürürüm; resmi açıklama gelirse %15 artırırım.”
Yeni bilgi geldiğinde kaynağını ve gücünü değerlendirin. Kanıtın olabilirlik oranını yaklaşık bile olsa tahmin edin.
Tahmininizi yeni bir sayıyla güncelleyin ve nedenini bir cümleyle not edin.
Duygusal bağlardan kopun. Daha önce verdiğiniz tahmine bağlı kalmak (batmış maliyet yanılgısı) en yaygın tuzaktır.
Sonuçları geriye dönük değerlendirin. Tahmin geçmişinizi kayıt altında tutmak, “zaten biliyordum” yanılgısını önler.

Pratik kontrol listesi:

Bu kanıt, güvendiğim bir kaynaktan mı geliyor?
Kanıt, gerçekten yeni mi, yoksa bildiğimin tekrarı mı?
Hipotez doğruysa bu kanıtı görmem ne kadar olası? Yanlışsa ne kadar?
Tahminimi ne kadar değiştirmeliyim: küçük, orta ya da büyük?

Sık Sorulan Sorular

Bayes teoremi nedir?

Bir hipotezin yeni kanıt karşısındaki olasılığını; başlangıç olasılığı ve kanıtın hipotezle uyumu üzerinden hesaplayan olasılık kuralıdır.

Önsel olasılık (prior) nedir?

Yeni kanıt görmeden önce bir olaya verdiğiniz başlangıç olasılıktır. Çoğu zaman benzer durumlarda olayın ne sıklıkla gerçekleştiğine bakılarak belirlenir.

Bayes teoremi günlük hayatta nasıl kullanılır?

Tıbbi test sonuçlarını yorumlamak, haberlerin güvenilirliğini değerlendirmek, tahminleri güncellemek ve karar vermek gibi pek çok durumda kullanılır.

Bayesçi düşünce ile “fikir değiştirmek” aynı şey midir?

Hayır. Bayesçi düşünce, fikri kanıtın gücü oranında güncellemektir; her yeni habere ya da baskıya tepki vermek anlamına gelmez.

%0 ya da %100 olasılık vermek neden sorunlu?

Çünkü bu değerler hiçbir yeni kanıtla değiştirilemez; Bayesçi güncelleme bu noktalarda çalışmaz hale gelir.

Sonuç: Fikir Sahibi Olmak, Fikre Sahip Olmamaktır

Bayesçi düşünce, “doğru muyum, yanlış mıyım?” sorusunu “ne kadar eminim ve bu kanıt beni ne kadar kaydırmalı?” sorusuyla değiştirir. Bu geçiş, hem tahmin doğruluğunu hem de zihinsel rahatlığı artırır; çünkü yanlış çıkmak bir utanç değil, güncelleme fırsatıdır.

Kendi tahminlerinizi tarihleriyle kaydedip yeni gelişmelerle güncellemek isterseniz Tahmin Kafası'na göz atın.

Kaynaklar: Bayes, T. & Price, R. (1763), An Essay towards solving a Problem in the Doctrine of Chances; Tetlock, P. & Gardner, D. (2015), Superforecasting.