Bölüm 1: Karar Kuramı

Algoritmik Oyun Kuramı
Beklenen faydaFayda ölçeğiRisk tutumlarıBelirsizlik ölçütleriBayesçi kararKarar ağaçlarıBilginin değeri
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Beklenen Fayda

Oyunla Başlangıç: Bayesçi Karar Laboratuvarı

Oyunun kuralı

Gizli durumun ön olasılığını bilir, gürültülü bir sinyal görür ve iki eylemden birini seçersiniz; sonra durum açılır ve tablodaki kazancı alırsınız.

Merak sorusu
  • %90 doğru bir tahmin “yağmur” dediyse, sizce yağmur olasılığı kaç?
  • Kararınızdan sonra kötü bir sonuç çıktıysa karar da kötü müydü?

Bayesçi Karar Laboratuvarı →

YağmurKuruAçık hava−68Kapalı43Ön olasılık: P(yağmur) = 0,35Sinyal: hava tahmini, doğruluk %90 (Seviye 1)Tahmin: “yağmur”

Beklenen Fayda

Öğrenme Çıktıları

Beklenen fayda ve riskBir piyangonun beklenen değerini ve faydasını hesaplamak; kesinlik eşdeğeri ve risk primiyle risk tutumunu yorumlamak; olasılıklar bilinmezken maksimin, Laplace ve Savage ölçütlerini uygulamak.
Fayda ölçeğivNM aksiyomlarını, Allais ve Ellsberg seçimlerini açıklamak; fayda sayılarının hangi dönüşümlerde kararı koruduğunu göstermek.
Bayesçi kararÖn olasılığı test sonucuyla güncellemek; taban oranı ihmalini sayısal örnekte göstermek; beklenen kaybı en küçük eylemi seçmek.
Karar ağaçlarıGeriye doğru çıkarımla en iyi stratejiyi bulmak; mükemmel ve örnek bilginin değerini hesaplamak.

Beklenen Fayda

Karar Alma: Üç Tür

Karar alma, seçenekler arasından sonuçlarını değerlendirerek seçim yapma sürecidir. Kararı etkileyen şeye göre üç tür:

TürSonucu belirleyenAraçÖrnek
Bireysel, risk altındaDoğa / şans (olasılıklar bilinir ya da tahmin edilir)Beklenen fayda, Bayes, karar ağacıYatırım, sigorta, tıbbi test
StratejikDiğer rasyonel aktörlerin seçimleriEn iyi tepki, Nash dengesiFiyat rekabeti, pazarlık, spor
KolektifGrubun toplu seçimi ve etkileşimiOylama, ortak mallarPolitika, şirket stratejisi
Bireysel kararda karar verici yalnızca doğaya (şansa) karşı seçim yapar. Beklenen fayda, Bayes kuralı ve karar ağacı, stratejik ve kolektif kararların da yapı taşlarıdır.

Beklenen Fayda

Rasyonel Karar: Beklenen Değer mi, Beklenen Fayda mı?

  • Piyango (lottery): olasılıklı sonuçlar kümesi. A = %50 olasılıkla 900 TL, %50 olasılıkla 0 TL.
  • Beklenen değer: E[X] = Σ pᵢ xᵢ. E[A] = ½·900 + ½·0 = 450 TL > kesin B = 400 TL.
  • Beklenen fayda (expected utility; von Neumann–Morgenstern): E[u] = Σ pᵢ u(xᵢ). Rasyonel karar verici beklenen faydayı maksimize eder.
  • u(x) = √x ile: E[u(A)] = ½·30 + ½·0 = 15; u(B) = √400 = 20 ⇒ B seçilir.
A½900 TL½0 TLB400 TLkesinE[X] = 450E[√x] = 15E[X] = 400E[√x] = 20

Kırmızı: her ölçütün seçtiği. Beklenen değer A'yı, beklenen fayda (√x) B'yi seçer.

Beklenen parasal değer ile beklenen fayda aynı kararı vermeyebilir; aradaki farkı fayda fonksiyonunun eğriliği, yani risk tutumu belirler.

St. Petersburg paradoksu: beklenen değeri sonsuz bir oyuna kimse büyük para ödemez; Daniel Bernoulli (1738) bu yüzden faydayı önerdi (benzer fikir: Cramer, 1728).

Beklenen Fayda

Beklenen Faydanın Temeli ve Allais Paradoksu

  • von Neumann–Morgenstern: tercihler dört aksiyomu sağlıyorsa bir u vardır ve karar verici beklenen faydayı maksimize eder. A ≻ B: A, B'ye tercih edilir.
  • Tamlık: her iki seçenek karşılaştırılabilir. Geçişlilik: A ≻ B ve B ≻ C ise A ≻ C. Süreklilik: arada kalan bir seçenek, iki ucun bir karışımına denk getirilebilir.
  • Bağımsızlık: iki piyangoya aynı ortak parçayı (aynı olasılıkla) eklemek sıralamayı değiştirmez.
  • Allais (1953): çoğu kişi 1. seçimde A'yı, 2. seçimde D'yi seçer.
Seçenek1 milyon5 milyon0
1. seçimA%100——
B%89%10%1
2. seçimC%11—%89
D—%10%90

A ve B'deki ortak %89 “1 milyon” parçası %89 “0” ile değiştirilince C ve D elde edilir.

Her u için E[u(A)] − E[u(B)] = 0,11·u(1) − 0,10·u(5) − 0,01·u(0) = E[u(C)] − E[u(D)]. Yani A ≻ B ise C ≻ D olmalı; “A ve D” seçimi hiçbir fayda fonksiyonuyla açıklanamaz. Kesinliğe verilen fazla ağırlık (kesinlik etkisi), insanların gerçek seçimlerini açıklamaya çalışan beklenti kuramının (prospect theory) çıkış noktalarından biridir.

Beklenen Fayda

Fayda Sayıları Neyi Ölçer? Ölçeğin Tekliği

  • Fayda bir termometre gibidir; sıfır noktası ve birimi keyfîdir. Celsius ile Fahrenheit aynı sıcaklık sırasını verir.
  • Teklik (vNM): v = a·u + b (a > 0) biçimindeki dönüşüme afin dönüşüm denir: ölçeği büyütür ve kaydırır, ama hiçbir piyango kararını değiştirmez. Başka biçimdeki (afin olmayan) dönüşümler kararı değiştirebilir.
  • Oyun kuramı bağı: bir oyuncunun bütün kazançlarını 2 ile çarpıp 5 eklemek onun hiçbir kararını değiştirmez.
Faydapiyango Akesin Bseçim
u = √x1520B
v = 10√x + 5155205B
w = (√x)² = x450400A

A: ½ olasılıkla 900 TL, ½ olasılıkla 0 TL; B: kesin 400 TL. Afin v kararı korur; artan ama afin olmayan w kararı değiştirir.

Sık hata: “u(B) − u(A) = 5 birim mutluluk” ya da “Ayşe'nin faydası 20, Bora'nınki 15; Ayşe daha mutlu” demek. Farkın büyüklüğü ve kişiler arası karşılaştırma ölçek seçimine bağlıdır; anlamlı olan, aynı kişinin seçenekleri arasındaki sıralamadır.

Risk Tutumları

Kesinlik Eşdeğeri ve Risk Primi Adım Adım

0450900030x (TL)uu(x) = √x

İçbükey fayda u(x) = √x: her ek lira bir öncekinden daha az fayda katar (azalan marjinal fayda). Uçlar: u(0) = 0, u(900) = 30.

045090001530x (TL)uu(x) = √xE[u] = 15

Kiriş: eğrinin iki ucunu birleştiren doğru. Piyango A'nın beklenen faydası bu kirişin ortasıdır: E[u] = ½·0 + ½·30 = 15 (x = 450 hizasında).

045090001530x (TL)uu(x) = √xE[u] = 15u(450) ≈ 21,2

Aynı 450 TL kesin verilse fayda u(450) ≈ 21,2 > 15. İçbükey eğride kiriş eğrinin altında kalır, bu yüzden E[u(X)] < u(E[X]) (Jensen eşitsizliği).

022545090001530x (TL)uu(x) = √xE[u] = 15u(450) ≈ 21,2KE = 225

Kesinlik eşdeğeri (KE): faydası 15 olan kesin tutar. √x = 15 ⇒ KE = 225 TL. Bu kişi piyangoyu 225 TL'ye satmaya razıdır.

02254004509000152030x (TL)uu(x) = √xE[u] = 15u(450) ≈ 21,2KE = 225risk primi 225kesin 400: u = 20

Risk primi = E[X] − KE = 450 − 225 = 225 TL. Kesin 400 TL'nin faydası 20 > 15 ⇒ riskten kaçınan kişi B'yi seçer.

Risk Tutumları

Üç Risk Tutumu: Aynı Piyango, Farklı Kararlar

TutumFaydaE[u(A)]u(400)SeçimKE (TL)Risk primi
Riskten kaçınanu(x) = √x (içbükey)1520B225225
Risk nötru(x) = x (doğrusal)450400A4500
Risk sevenu(x) = x²/900 (dışbükey)450177,8A636,4−186,4
İçbükey → kaçınanKE < E[X], prim > 0: riski üstlenmek için ödül ister. İnsanların çoğu, büyük tutarlarda.
Doğrusal → nötrKE = E[X]: yalnızca beklenen değere bakar. Büyük şirketler, küçük tutarlar.
Dışbükey → sevenKE > E[X], prim < 0: risk için para öder. Piyango bileti alan kişi.

Piyango A: %50 olasılıkla 900 TL, %50 olasılıkla 0 TL (E[X] = 450). B: kesin 400 TL. KE = u⁻¹(E[u(A)]): u⁻¹, u'yu geri çözmektir; √x için u⁻¹(15) = 15² = 225. Risk primi = E[X] − KE.

Risk Tutumları

Uygulama: Sigorta Neden Var?

  • Servet 900 (bin TL); %10 olasılıkla 800'lük kayıp (yangın). Fayda u(x) = √x.
  • Sigortasız: E[u] = 0,9·√900 + 0,1·√100 = 27 + 1 = 28.
  • Kesinlik eşdeğeri: 28² = 784. Kişi riskli 900 yerine kesin 784'e razı.
  • En fazla ödenecek prim = 900 − 784 = 116; beklenen kayıp yalnızca 0,1·800 = 80.
740760780800820840860880900anlaşma bölgesiKE = 784prim 116: sigortalı kayıtsızE[X] = 820prim 80: sigortacı başa baş900 (yangın yok)sigortalı servet = 900 − prim

Sigortalı: prim ≤ 116 ödeyip riskten kurtulmak faydasını artırır. Sigortacı: çok sayıda bağımsız poliçeyle risk nötre yakındır; 80'den fazla her prim kârdır.

80 ile 116 arasındaki her prim iki taraf için de kazançlıdır: risk, ona en kolay katlanabilen tarafa aktarılır.

Risk Tutumları

Bilinen Risk mi, Bilinmeyen Olasılık mı? Ellsberg Torbası

  • Risk altında olasılıklar bilinir (zar, rulet); belirsizlik altında bilinmez. İnsanlar ikisine aynı davranmaz.
  • Torba: 90 top; 30'u kırmızı, kalan 60'ı siyah ya da sarı, ama kaçının siyah olduğu bilinmiyor. Kazandıran renk çekilirse 100 TL.
  • Tipik tercihler: 1. bahiste “kırmızı”, 2. bahiste “siyah ya da sarı”; ikisinde de kazanma olasılığı bilinen seçenek.
BahisSeçenekkazandıran top
1kırmızı30 (bilinen)
siyahs (0–60, bilinmiyor)
2kırmızı ya da sarı30 + (60 − s)
siyah ya da sarı60 (bilinen)

s: torbadaki siyah top sayısı. Turuncu: çoğunluğun seçimi.

1. tercih 30 > s, 2. tercih 60 > 90 − s, yani s > 30 demektir: iki tercihi birlikte açıklayan hiçbir olasılık yoktur (Ellsberg, 1961). Olasılığı bilinmeyen seçenekten uzak durmaya belirsizlikten kaçınma (ambiguity aversion) denir; olasılıklar hiç bilinmediğinde en kötü durumu en iyi yapan seçimi aramak (maksimin) bu tutumun uç biçimidir.

Risk Tutumları

Olasılıklar Bilinmezse: Belirsizlik Altında Karar

eylem \ durumİyiOrtaKötüBüyük yatırım20050−120Küçük yatırım9040−20Yatırım yok000

Olasılıklar bilinmiyor (belirsizlik). Satırlar eylemler, sütunlar durumlar; her ölçüt farklı bir “karamsarlık” derecesi taşır.

eylem \ durumİyiOrtaKötüminBüyük yatırım20050−120−120Küçük yatırım9040−20−20Yatırım yok0000

Maksimin (maximin; Wald, en kötüyü düşün): satır minimumları −120, −20, 0 → en büyüğü 0: Yatırım yok.

eylem \ durumİyiOrtaKötüminmaxBüyük yatırım20050−120−120200Küçük yatırım9040−20−2090Yatırım yok00000

Maksimaks (maximax; iyimser): satır maksimumları 200, 90, 0 → Büyük yatırım.

eylem \ durumİyiOrtaKötüminmaxort.Büyük yatırım20050−120−12020043,3Küçük yatırım9040−20−209036,7Yatırım yok000000

Laplace (durumlar eşit olası say): ortalamalar 43,3, 36,7, 0,0 → Büyük yatırım.

eylem \ durumİyiOrtaKötüminmaxort.Büyük yatırım20050−120−12020043,3Küçük yatırım9040−20−209036,7Yatırım yok000000sütun en iyisi:200500

Her durumda ulaşılabilecek en iyi sonuç: enb = [200, 50, 0]. Pişmanlık = enb − elde edilen.

eylem \ durumİyiOrtaKötüminmaxort.maks. pişm.Büyük yatırım20050−120−12020043,3120Küçük yatırım9040−20−209036,7110Yatırım yok000000200sütun en iyisi:200500

Satır başına en büyük pişmanlık: Büyük (kötü durumda 0 − (−120)) = 120, Küçük (iyide 200 − 90) = 110, Yok (iyide 200) = 200.

eylem \ durumİyiOrtaKötüminmaxort.maks. pişm.Büyük yatırım20050−120−12020043,3120Küçük yatırım9040−20−209036,7110Yatırım yok000000200sütun en iyisi:200500

Savage (minimaks pişmanlık): en küçük maksimum pişmanlık 110 → Küçük yatırım.

eylem \ durumİyiOrtaKötüminmaxort.maks. pişm.Büyük yatırım20050−120−12020043,3120Küçük yatırım9040−20−209036,7110Yatırım yok000000200sütun en iyisi:200500

return (2, 0, 0, 1). Dönen indisler (0: Büyük, 1: Küçük, 2: Yok): maksimin → Yok, maksimaks ve Laplace → Büyük, Savage → Küçük. Aynı tabloda üç farklı karar.

eylem \ durumİyiOrtaKötüminmaxort.maks. pişm.Büyük yatırım20050−120−12020043,3120Küçük yatırım9040−20−209036,7110Yatırım yok000000200sütun en iyisi:200500

Kodda olmayan bir ölçüt daha: Hurwicz iki uç arasında durur: α·(satır maks.) + (1 − α)·(satır min.); iyimserlik katsayısı α = 0,5 ile 40, 35, 0 → Büyük. Olasılıklar tahmin edilebiliyorsa beklenen faydaya dönülür; edilemiyorsa ölçüt seçimi karar vericinin tutumunu yansıtır.

def olcutler(U):
    A, m = range(len(U)), len(U[0])
    mm = max(A, key=lambda i: min(U[i]))      # maximin
    mx = max(A, key=lambda i: max(U[i]))      # maximax
    lp = max(A, key=lambda i: sum(U[i]) / m)  # Laplace
    enb = [max(r[j] for r in U) for j in range(m)]
    pis = [max(enb[j] - r[j] for j in range(m))
           for r in U]            # en büyük pişmanlık
    sv = pis.index(min(pis))                  # Savage
    return mm, mx, lp, sv

Bayesçi Karar

Tıbbi Test: Pozitif Sonuç Ne Anlama Gelir?

10.000kişi

10.000 kişilik bir topluluk düşünelim. Olasılıklar yerine doğal sıklıklar (kişi sayıları) kullanmak Bayes hesabını sezgisel kılar.

10.000kişi%1 hasta%99 sağlıklı100hasta9.900sağlıklı

Ön olasılık (prior): yaygınlık %1 ⇒ 100 hasta, 9.900 sağlıklı.

10.000kişi%1 hasta%99 sağlıklı100hasta9.900sağlıklı%90 +%10 −90hasta, test +10hasta, test −

Duyarlılık (sensitivity) %90: 100 hastanın 90'ı pozitif, 10'u negatif çıkar.

10.000kişi%1 hasta%99 sağlıklı100hasta9.900sağlıklı%90 +%10 −90hasta, test +10hasta, test −%9 +%91 −891sağlıklı, test +9.009sağlıklı, test −

Yanlış pozitif oranı %9: 9.900 sağlıklının 891'i de pozitif çıkar! Sağlıklılar çok kalabalık olduğu için bu sayı büyüktür.

10.000kişi%1 hasta%99 sağlıklı100hasta9.900sağlıklı%90 +%10 −90hasta, test +10hasta, test −%9 +%91 −891sağlıklı, test +9.009sağlıklı, test −test +981

Test pozitif çıkan herkes: 90 + 891 = 981 kişi. Bunlardan yalnızca 90'ı gerçekten hasta.

10.000kişi%1 hasta%99 sağlıklı100hasta9.900sağlıklı%90 +%10 −90hasta, test +10hasta, test −%9 +%91 −891sağlıklı, test +9.009sağlıklı, test −test +981%9,2

Son olasılık: P(hasta | +) = 90 / 981 = %9,2. Test %90 duyarlı olsa da pozitif sonuç çoğunlukla yanlış alarmdır (taban oranı ihmali).

Bayesçi Karar

Kod İzleme: bayes(p, duyarlilik, yp, testler)

ön olasılık0,01001. test2. test3. test

Çağrı: bayes(0.01, 0.9, 0.09, ["+", "+", "-"]). p ön olasılıkla (%1) başlar; üç test sonucu sırayla işlenecek.

ön olasılık0,01001. test2. test3. test

1. test sonucu: +. Şu anki inanç p = 0.0100 bu testin ön olasılığı olur.

ön olasılık0,01001. test2. test3. test

sonuc == "+" ? → Doğru: pozitif sonucun olabilirlikleri kullanılır. Olabilirlik: hastalık durumu bilindiğinde bu test sonucunun olasılığı, ör. P(+ | hasta) = 0,9.

ön olasılık0,01001. test2. test3. test

pay = P(+|hasta)·p = 0.9 × 0.0100 = 0.0090; payda = pay + P(+|sağlıklı)·(1 − p) = 0.0981 (toplam pozitif olasılığı).

ön olasılık0,01001. test0,09172. test3. test

p = pay / payda = 0.0917; print ile yazdırılır. Pozitif teste rağmen hastalık olasılığı hâlâ %10'un altında.

ön olasılık0,01001. test0,09172. test3. test

2. test sonucu: +. Şu anki inanç p = 0.0917 bu testin ön olasılığı olur.

ön olasılık0,01001. test0,09172. test3. test

sonuc == "+" ? → Doğru: pozitif sonucun olabilirlikleri kullanılır.

ön olasılık0,01001. test0,09172. test3. test

pay = P(+|hasta)·p = 0.9 × 0.0917 = 0.0826; payda = pay + P(+|sağlıklı)·(1 − p) = 0.1643 (toplam pozitif olasılığı).

ön olasılık0,01001. test0,09172. test0,50253. test

p = pay / payda = 0.5025; print ile yazdırılır. Hastalık durumu verildiğinde bağımsız iki pozitif, olasılığı ~%50'ye taşıdı.

ön olasılık0,01001. test0,09172. test0,50253. test

3. test sonucu: -. Şu anki inanç p = 0.5025 bu testin ön olasılığı olur.

ön olasılık0,01001. test0,09172. test0,50253. test

sonuc == "+" ? → Yanlış: negatif sonucun olabilirlikleri kullanılır.

ön olasılık0,01001. test0,09172. test0,50253. test

pay = P(−|hasta)·p = 0.1 × 0.5025 = 0.0503; payda = pay + P(−|sağlıklı)·(1 − p) = 0.91 × 0.4975 + pay = 0.5030.

ön olasılık0,01001. test0,09172. test0,50253. test0,0999

p = pay / payda = 0.0999; print ile yazdırılır. Negatif sonuç inancı yeniden %10'a indirdi.

ön olasılık0,01001. test0,09172. test0,50253. test0,0999

Döngü bitti; fonksiyon p = 0.0999 döndürür. Her test, bir öncekinin son olasılığını ön olasılık olarak kullanır (ardışık güncelleme).

def bayes(p, duyarlilik, yp, testler):
  for sonuc in testler:
    if sonuc == "+":
      pay = duyarlilik * p
      payda = pay + yp * (1 - p)
    elif sonuc == "-":
      pay = (1 - duyarlilik) * p
      payda = pay + (1 - yp) * (1 - p)
    else: raise ValueError("sonuç + ya da - olmalı")
    if payda == 0: raise ValueError("imkânsız sonuç")
    p = pay / payda
    print(sonuc, round(p, 4))
  return p

Bayesçi Karar

Bayesçi Karar Kuralı: Tedavi mi, Bekle mi?

  • Ön olasılık kanıtla güncellenir; sonra her eylemin beklenen kaybı son olasılıkla hesaplanır. En düşük beklenen kayıplı eylem seçilir.
  • Kayıplar: sağlıklıya gereksiz tedavi 30, hastayı tedavi etmemek 200.
  • E[kayıp | tedavi] = (1 − p)·30; E[kayıp | bekle] = p·200. Tedavi daha az kayıplıysa seçilir: (1 − p)·30 < p·200 ⇒ 30 < 230p ⇒ p > 30/230 = 3/23 ≈ %13,0.
Durumptedavibeklekarar
1 pozitif0,091727,218,3bekle, yeniden test
2 pozitif0,502514,9100,5tedavi

Beklenen kayıplar (turuncu = en küçük)

Karar yalnızca olasılığa değil kayıpların oranına da bağlıdır: hastalığı kaçırmak ne kadar pahalıysa eşik o kadar düşer.

Bayesçi Karar

Oyuna Dönüş: Bayesçi Karar Laboratuvarı

Kuramın cevabı: %82,9

P(yağmur | “yağmur”) = 0,9·0,35 / (0,9·0,35 + 0,1·0,65) = 0,315 / 0,38 ≈ 0,829.

BilgiP(yağmur)BF(açık)BF(kapalı)Karar
yalnız ön olasılık0,353,103,35kapalı
“yağmur”0,829−3,613,83kapalı
“kuru”0,0567,213,06açık

BF: beklenen fayda. Açık hava ancak P(yağmur) < 1/3 iken seçilir. Seviye 3'te (doğruluk %78) sinyalin bilgi değeri 1,765'tir; bu değer sinyalin fiyatından (1) büyük olduğu için sinyali satın almaya değer.

Gerçekte: taban oranı ihmali

Klasik bir çalışmada hekim ve tıp öğrencilerine yaygınlığı 1/1000, yanlış pozitif oranı %5 olan bir test soruldu: 60 kişiden yalnızca 11'i doğru cevaba (yaklaşık %2) ulaştı, en sık verilen cevap %95'ti (Casscells, Schoenberger ve Graboys, 1978).

Oyundaki “EU-optimal” sayacı şanslı sonucu değil, eldeki bilgiyle beklenen faydayı maksimize eden kararı sayar: iyi karar kötü sonuç verebilir.

Bayesçi Karar

Bayesçi Oyunlara Köprü: Rakibin Tipini Güncellemek

  • Eksik bilgili oyunda bilinmeyen “durum” rakibin tipidir. Tipe dair inanç ön olasılık, rakibin hamlesi kanıttır.
  • Örnek (poker): rakip %20 olasılıkla blöfçü, %80 dürüst. Blöfçü elinden bağımsız %90 olasılıkla yükseltir. Dürüst oyuncu yalnızca güçlü eli varken yükseltir; güçlü el %30 olasılıkla geldiği için dürüst oyuncu %30 olasılıkla yükseltir.
  • Rakip yükseltti: P(blöfçü | yükseltme) = 0,2·0,9 / (0,2·0,9 + 0,8·0,3) = 0,18 / 0,42 ≈ 0,429.
  • Görmek (call) blöfçüye karşı +30, dürüste karşı −30 getirsin: E[gör] = 0,429·30 − 0,571·30 ≈ −4,3 < 0 ⇒ çekil. İkinci yükseltmede 0,429 ön olasılık olur ve son olasılık 0,692'ye çıkar.
GözlemP(blöfçü)E[gör]karar
yalnız ön olasılık0,200−18,0çekil
1 yükseltme0,429−4,3çekil
2 yükseltme0,692+11,5gör

Görmek ancak P(blöfçü) > 0,5 iken kârlıdır (kazanç ve kayıp eşit büyüklükte).

Sık hata: P(yükseltme | blöfçü) = 0,9'u P(blöfçü | yükseltme) sanmak. Dürüst oyuncular daha kalabalık olduğu için yükseltmelerin çoğu (0,24 / 0,42 ≈ %57) onlardan gelir. Poker ve Hokm'da bahis ve koz seçimleri bu güncellemenin kanıtlarıdır; blöf, rakibin güncellemesini yönlendirme çabasıdır.

Karar Ağaçları ve Bilginin Değeri

Karar Ağacı: Ürün Lansmanı ve Pazar Araştırması

  • Bir firma yeni ürünü piyasaya sürüp sürmemeye karar verecek. Pazar iyi (olasılık 2/5) ise +500, kötü (3/5) ise −200 bin TL; sürmezse 0.
  • Önce 20 bin TL'ye pazar araştırması yaptırabilir. Rapor kusurludur: P(olumlu | iyi) = 0,8, P(olumlu | kötü) = 0,1.
  • Bayes ile: P(olumlu) = 0,4·0,8 + 0,6·0,1 = 0,38; P(iyi | olumlu) = 0,32/0,38 = 16/19; P(iyi | olumsuz) = 0,08/0,62 = 4/31.
□ Karar düğümüKarar verici seçer → dallardan en büyük değer.
○ Şans düğümüDoğa seçer → olasılıklarla ağırlıklı ortalama.
YaprakBir yolun net sonucu.
Karar ağacı, doğanın da hamle yaptığı (şans düğümlü) bir oyun ağacıdır; geriye doğru çıkarımla yapraktan köke çözülür.

Karar Ağaçları ve Bilginin Değeri

Karar Ağacında Geriye Doğru Çıkarım

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0net kazanç (bin TL)

Kare = karar düğümü, daire = şans düğümü. Yapraklarda net kazanç (araştırma yapılırsa 20 düşülmüş). Kökteki iki dal: Araştır ve Doğrudan (araştırmadan karar ver). Geriye doğru çıkarım: şans düğümünde beklenen değer, karar düğümünde en büyük değer.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme080net kazanç (bin TL)

Araştırmasız sürme: 2/5·500 + 3/5·(−200) = 200 − 120 = 80.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme08080net kazanç (bin TL)

Karar: max(Sür 80, Sürme 0) = 80 ⇒ Sür. Sürme dalı elenir.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0369,58080net kazanç (bin TL)

Olumlu raporda P(İyi | olumlu) = 0,32/0,38 = 16/19 (Bayes). Beklenen: 16/19·480 + 3/19·(−220) ≈ 369,5.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0369,5369,58080net kazanç (bin TL)

Karar: max(369,5, −20) ⇒ olumlu raporda Sür.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0369,5369,5−129,78080net kazanç (bin TL)

Olumsuz raporda P(İyi | olumsuz) = 0,08/0,62 = 4/31. Beklenen: 4/31·480 + 27/31·(−220) ≈ −129,7.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0369,5369,5−20−129,78080net kazanç (bin TL)

Karar: max(−129,7, −20) = −20 ⇒ olumsuz raporda Sürme (yalnızca araştırma maliyeti kaybedilir).

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0128369,5369,5−20−129,78080net kazanç (bin TL)

Rapor şans düğümü: 0,38·369,5 + 0,62·(−20) = 128.

AraştırDoğrudanolumlu 19/50olumsuz 31/50SürSürSürİyi 16/19480Kötü 3/19−220Sürme−20İyi 4/31480Kötü 27/31−220Sürme−20İyi 2/5500Kötü 3/5−200Sürme0128128369,5369,5−20−129,78080net kazanç (bin TL)

Kök: max(Araştır 128, Doğrudan 80) ⇒ Araştır. Strateji: araştır; olumluysa sür, olumsuzsa sürme.

Karar Ağaçları ve Bilginin Değeri

Kod İzleme: Özyinelemeli Geriye Doğru Çıkarım

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200□ karar: en büyük ○ şans: beklenen değer

deger(kök) çağrıldı. Ağaç iç içe demettir: kök = ("K", [("Araştır", ("S", [(0.38, …), (0.62, …)])), ("Doğrudan", ("K", […]))]); "K" karar, "S" şans düğümü, yaprak bir sayı.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200□ karar: en büyük ○ şans: beklenen değer

deger(Araştır) çağrıldı: şans düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200□ karar: en büyük ○ şans: beklenen değer

deger(olumlu) çağrıldı: karar düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200□ karar: en büyük ○ şans: beklenen değer

deger(olumlu·Sür) çağrıldı: şans düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5□ karar: en büyük ○ şans: beklenen değer

olumlu·Sür (şans): 0,842·480 + 0,158·−220 = 369,5.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5369,5□ karar: en büyük ○ şans: beklenen değer

olumlu (karar): max(Sür 369,5, Sürme −20,0) = 369,5 → Sür.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5369,5□ karar: en büyük ○ şans: beklenen değer

deger(olumsuz) çağrıldı: karar düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5369,5□ karar: en büyük ○ şans: beklenen değer

deger(olumsuz·Sür) çağrıldı: şans düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5369,5−129,7□ karar: en büyük ○ şans: beklenen değer

olumsuz·Sür (şans): 0,129·480 + 0,871·−220 = −129,7.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200369,5−20,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

olumsuz (karar): max(Sür −129,7, Sürme −20,0) = −20,0 → Sürme.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,0369,5−20,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

Araştır (şans): 0,38·369,5 + 0,62·−20 = 128,0.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,0369,5−20,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

deger(Doğrudan) çağrıldı: karar düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,0369,5−20,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

deger(Doğrudan·Sür) çağrıldı: şans düğümü; çocukları sırayla değerlendirilir.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,0369,5−20,080,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

Doğrudan·Sür (şans): 0,4·500 + 0,6·−200 = 80,0.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,080,0369,5−20,080,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

Doğrudan (karar): max(Sür 80,0, Sürme 0,0) = 80,0 → Sür.

AraştırDoğrudanolumlu 0,38olumsuz 0,62Sürme −20Sürme −20iyi 480kötü −220iyi 480kötü −220Sürme 0iyi 500kötü −200128,0128,080,0369,5−20,080,0369,5−129,7□ karar: en büyük ○ şans: beklenen değer

kök (karar): max(Araştır 128,0, Doğrudan 80,0) = 128,0 → Araştır. Strateji: araştır; olumluysa sür, olumsuzsa sürme.

def deger(n):
    if not isinstance(n, tuple):    # yaprak
        return n
    tur, dallar = n
    if tur == "S":                  # şans düğümü
        return sum(p * deger(c) for p, c in dallar)
    return max(deger(c) for ad, c in dallar)  # karar

Karar Ağaçları ve Bilginin Değeri

Bilginin Beklenen Değeri: EVPI ve EVSI

DurumHesapDeğer
Bilgi yok (hemen karar)Sür: 0,4·500 + 0,6·(−200)80
···
···
···
···

Bilgi olmadan en iyi eylem sürmek: beklenen değer 80.

DurumHesapDeğer
Bilgi yok (hemen karar)Sür: 0,4·500 + 0,6·(−200)80
Mükemmel bilgi (kâhin)iyi → sür 500, kötü → sürme 0: 0,4·500 + 0,6·0200
···
···
···

Bir kâhin pazarın durumunu önceden söyleseydi: iyi pazarda sürer (500), kötüde sürmezdi (0). Beklenen 200.

DurumHesapDeğer
Bilgi yok (hemen karar)Sür: 0,4·500 + 0,6·(−200)80
Mükemmel bilgi (kâhin)iyi → sür 500, kötü → sürme 0: 0,4·500 + 0,6·0200
EVPI = mükemmel bilginin beklenen değeri200 − 80120
···
···

EVPI = 200 − 80 = 120: hiçbir bilgi kaynağına bundan fazlası ödenmez (üst sınır).

DurumHesapDeğer
Bilgi yok (hemen karar)Sür: 0,4·500 + 0,6·(−200)80
Mükemmel bilgi (kâhin)iyi → sür 500, kötü → sürme 0: 0,4·500 + 0,6·0200
EVPI = mükemmel bilginin beklenen değeri200 − 80120
Örnek bilgi (araştırma, maliyetsiz)ağaçtaki 128 + araştırma maliyeti 20148
···

Kusurlu araştırmanın brüt değeri: ağaçtaki 128'e maliyeti geri ekle ⇒ 148.

DurumHesapDeğer
Bilgi yok (hemen karar)Sür: 0,4·500 + 0,6·(−200)80
Mükemmel bilgi (kâhin)iyi → sür 500, kötü → sürme 0: 0,4·500 + 0,6·0200
EVPI = mükemmel bilginin beklenen değeri200 − 80120
Örnek bilgi (araştırma, maliyetsiz)ağaçtaki 128 + araştırma maliyeti 20148
EVSI = örnek bilginin beklenen değeri148 − 8068

EVSI = 148 − 80 = 68 > maliyet 20 ⇒ araştırma yapılmalı (net kazanç 48). Verimlilik EVSI/EVPI = %57.

Bilgi ancak kararı değiştirebiliyorsa değerlidir: olumsuz rapor "sürme" kararına yol açtığı için araştırmanın değeri pozitiftir.

Özet

Özet

Beklenen faydaE[u] = Σ pᵢ u(xᵢ). Piyango A: E[X] = 450 ama √x ile E[u] = 15 < u(400) = 20.
Fayda ölçeğia·u + b (a > 0) dönüşümü kararı korur; Allais ve Ellsberg seçimleri beklenen faydadan sistematik olarak sapar.
Risk tutumuİçbükey → kaçınan (KE 225, prim 225); doğrusal → nötr; dışbükey → seven.
Belirsizlik ölçütleriAynı tabloda maksimin Yatırım yok, maksimaks ve Laplace Büyük, Savage Küçük yatırımı seçer.
Bayesçi kararYaygınlık %1, duyarlılık %90, yanlış pozitif %9 ⇒ P(hasta | +) ≈ %9,2; tedavi ancak p > 3/23 iken.
Karar ağacıŞansta ortalama, kararda maksimum. Araştır (128) > araştırmasız (80); EVPI = 120, EVSI = 68.

Özet

Risk ve Belirsizlik Altında Daha İyi Karar

Bilginin değeri hesaplanırGüncel veri kararı iyileştirir; bilgi toplamak ancak EVSI maliyetinden büyükse kârlıdır.
Senaryo analizi ve karar ağacıOlası durumlar ve olasılıkları açıkça yazılınca ağaç geriye doğru çözülebilir.
Ön olasılık hesaba katılırTaban oranları Bayes kuralıyla son olasılığa girer; doğal sıklıklarla düşünmek hatayı azaltır.
Rakipler ve çeşitlendirmeOyun kuramı ve simülasyon rakip davranışını modeller; portföy çeşitlendirmesi riski azaltır.

Özet

Etkileşimli Oyunlar

Bayesçi Karar LaboratuvarıÖn olasılık, olabilirlik ve kayıplara göre son olasılık ve karar.
BlackjackKart çek / dur kararında batma olasılığı ve temel strateji ipucu.
Mayın TarlasıAçılan sayılara göre hücrelerin mayın olasılığını güncelleme.
PiştiOynanan kartları hatırlayarak rakibin elindeki kartlar hakkında çıkarım.
HokmEksik bilgili, takım hâlinde oynanan kart oyunu: koz seçimi ve sinyalleşme.
PokerEksik bilgi, olasılık ve blöf: rakibin elini olasılıkla tahmin etme.
TavlaZarlı oyun: hamleleri sezgisel bir değerlendirme fonksiyonuyla puanlama; üç farklı ağırlık profili.

Özet

Örnek Problemler

  1. Piyango: %20 olasılıkla 2.500 TL, aksi hâlde 100 TL. Beklenen değer? u(x) = √x için kesinlik eşdeğeri ve risk primi?
  2. Sigorta örneğinde kayıp olasılığı %20 olsaydı en fazla ödenecek prim ne olurdu?
  3. Tıbbi testte yaygınlık %10 olsaydı (duyarlılık %90, yanlış pozitif %9) P(hasta | +) kaç olurdu?
  4. Karar ağacında araştırma 70 bin TL olsaydı en iyi strateji ne olurdu?
Cevapları göster
  1. E[X] = 580; E[u] = 0,2·50 + 0,8·10 = 18; KE = 324; risk primi = 256.
  2. E[u] = 0,8·30 + 0,2·10 = 26; KE = 676; prim ≤ 224 (beklenen kayıp 160).
  3. P = 0,09 / (0,09 + 0,081) = 10/19 ≈ %52,6: taban oranı yükselince pozitif sonuç çok daha anlamlı.
  4. EVSI = 68 < 70 ⇒ araştırma yapılmaz; doğrudan sür (beklenen 80).

Özet

Kaynaklar

  • J. von Neumann, O. Morgenstern, Theory of Games and Economic Behavior, Princeton University Press, 1944.
  • S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 4. baskı, Pearson, 2020 (Bölüm 12–16: belirsizlik, Bayes, karar kuramı).
  • H. Raiffa, Decision Analysis, 1968; D. Bernoulli, “Specimen theoriae novae de mensura sortis”, 1738.
  • M. Allais, “Le comportement de l'homme rationnel devant le risque”, Econometrica 21, 1953; L. J. Savage, “The theory of statistical decision”, JASA 46, 1951; D. Ellsberg, Quarterly J. Economics 75, 1961.
  • G. Gigerenzer, U. Hoffrage, "How to improve Bayesian reasoning without instruction: Frequency formats", Psychological Review 102(4), 1995.
  • W. Casscells, A. Schoenberger, T. B. Graboys, “Interpretation by physicians of clinical laboratory results”, NEJM 299, 1978.
  • D. Easley, J. Kleinberg, Networks, Crowds, and Markets, Cambridge University Press, 2010 (Bölüm 16: bilgi çağlayanları ve Bayes kuralı). Araç: Gambit (şans düğümlü ağaçları çizip geriye doğru çözer).

Son

Bölüm 1: Karar Kuramı
Sonraki bölüm: Bölüm 2: Oyunlar ve Temsiller
Çalışma soruları · Terim sözlüğü
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.