Bir çantada dört mavi ve yedi kırmızı tuğla var diyelim. Yerine koymadan iki tuğla çekiyorsun. İki mavi tuğla çekme şansı ne kadar? Bu tür soruları çözmek için olasılık ağaçları tam bir kurtarıcı olur. IB Math AI müfredatının Topic 4 bölümünde olasılık ağaçları, gerçek hayat senaryolarını görselleştirmenin anahtarı olarak yer alır. Sınavlarda karmaşık ardışık olayları hızlıca hesaplamana yardımcı olur ve Internal Assessment projelerinde veri analizini güçlendirir.
Bu yazıda olasılık ağaçlarının ne olduğunu, IB Math AI’de neden vazgeçilmez olduğunu göreceksin. Çizme adımlarını adım adım öğreneceksin, pratik örneklerle pekiştireceksin ve yaygın hatalardan kaçınmanın yollarını bulacaksın. Sonunda olasılık hesaplamalarını basitleştirecek ipuçlarıyla IB Mathematics Applications and Interpretation sınavlarında öne çıkacaksın. Hazır mısın? Bu araçla olasılık dünyasını fethetmeye başla.
Olasılık ağaçları, ardışık olayların olasılıklarını dallardan oluşan bir diyagramla gösterir. Her dal bir olayı temsil eder; dalların uçlarında son sonuçlar toplanır. Çarpma kuralı ile yol olasılıklarını hesaplar, aynı sonuca giden yolları toplama kuralıyla birleştirirsin. IB Math AI syllabusu bu yapıyı gerçek hayat uygulamaları için mükemmel kılar, mesela anket sonuçları veya tıbbi testlerde.
Ağaçlar karmaşık senaryoları parçalara ayırır. Bağımsız olaylar ile bağımlı olaylar arasında farkı netleştirir. Bağımsızlarda olasılıklar değişmez; bağımlılarda ise önceki olay sonraki dalları etkiler. Yerine koymadan çekimlerde toplam sayı azalır, bu da dalları günceller. Probability Tutoring Book gibi kaynaklar bu temelleri derinlemesine açıklar.
Bağımsız olaylarda her dalın olasılığı sabit kalır. Örneğin bir otobüsün geç kalma olasılığı, bir sonraki otobüs için değişmez. Çarpma kuralını uygularsın: her yolun olasılığı dalların çarpımıdır. Her seviyede dallar 1’e toplamalı; bu kuralı unutma. IB Math AI’de bu yapılar günlük risk analizlerini modellemek için idealdir.
Bağımlı olaylarda ilk çekim sonrası olasılıklar güncellenir. Torbadaki toplam azalır, kalan öğelere göre dallar değişir. Gerçek hayatta torbadan top çekmek gibi durumlar yaygındır. Bu ağaçlar koşullu olasılıkları görselleştirir ve IB examlarında hata payını düşürür. Probability and Statistics: The Science of Uncertainty bu farkı örneklerle pekiştirir.
Olasılık ağacını çizmek sistematik bir süreçtir. İlk olarak başlangıç noktasından ilk olayı dallara ayır. Olasılıklar 1’e toplasın; örneğin 4 mavi ve 7 kırmızı için ilk dal mavi ( \frac{4}{11} ), kırmızı ( \frac{7}{11} ).
Her daldan ikinci olayı dallandır. Sayıları güncelle: mavi sonrası 10 tuğla kalır, mavi ( \frac{3}{10} ), kırmızı ( \frac{7}{10} ); kırmızı sonrası mavi ( \frac{4}{10} ), kırmızı ( \frac{6}{10} ). Kesir veya ondalıkla etiketle dalları.
Tam yol olasılıklarını çarp: örneğin iki mavi yolu ( \frac{4}{11} \times \frac{3}{10} ). İstenen sonuç için yolları topla. Her seviyede dalların 1’e toplaması kontrol et. IB Math AI examlarında bu adımlar zaman kazandırır; kağıt üzerinde pratik yap.
Son adımda ağacı sadeleştir. Gereksiz dalları kırp, sadece hedef yolları hesapla. Bu yöntem Internal Assessment veri setlerini analiz etmede de faydalıdır.
Pratik yapmak en iyi öğretmendir. Gerçek IB tarzı örneklerle olasılık ağaçlarını uygula. Hesaplamaları adım adım gösterelim ve sadeleştirelim.
11 tuğlada 4 mavi, 7 kırmızı var. Yerine koymadan iki çekim yapılıyor. Ağaç şöyle başlar: ilk dal mavi ( \frac{4}{11} ), kırmızı ( \frac{7}{11} ).
Mavi sonrası: mavi ( \frac{3}{10} ), kırmızı ( \frac{7}{10} ). Kırmızı sonrası: mavi ( \frac{4}{10} ), kırmızı ( \frac{6}{10} ).
İki mavi olasılığı: ( \frac{4}{11} \times \frac{3}{10} = \frac{12}{110} = \frac{6}{55} ).
İki kırmızı olasılığı: ( \frac{7}{11} \times \frac{6}{10} = \frac{42}{110} = \frac{21}{55} ).
Toplam aynı renk: ( \frac{6}{55} + \frac{21}{55} = \frac{27}{55} ). Bu örnek bağımlı olayların gücünü gösterir.
Kutuda 1 çikolatalı, 4 sade bisküvi var. Yerine koymadan iki çekim. Ağaç: ilk çikolata ( \frac{1}{5} ), sade ( \frac{4}{5} ).
Çikolata sonrası kalan 4 sade: sade 1 (kesin). Sade sonrası: çikolata ( \frac{1}{4} ), sade ( \frac{3}{4} ).
İki sade olasılığı: sade-sonra-sade yolu ( \frac{4}{5} \times \frac{3}{4} = \frac{12}{20} = \frac{3}{5} ).
Çikolata-sonra-sade yolu sıfır çikolata kalmadığı için sade 1, ama iki sade için sadece ilk yol geçerli. Sonuç ( \frac{3}{5} ); pratikte ilk çekimin etkisini gör.
İlk otobüs geç kalma 0.1, erken 0.9. İkinci otobüs geç 0.3, erken 0.7. Bağımsız oldukları için dallar değişmez.
Her iki geç kalma: ( 0.1 \times 0.3 = 0.03 ).
Dallar her seviyede 1’e toplar. Bu örnek bağımsızlığı vurgular; IB Math AI’de hava durumu gibi senaryolarda kullan.
Koşullu olasılık formülü ( P(A|B) = \frac{P(A \cap B)}{P(B)} ) şeklindedir. Ağaçta joint olasılıkları bulup B olasılığına böl. Örneğin iki mavi sonrası koşullu olasılıkları jointlerden hesapla.
Yaygın hatalar şöyle: dallar 1’e toplamamak, bağımlı olaylarda sayıları güncellemeyi unutmak, yol çarpımlarını karıştırmak. Sırayı ters çevirme; ilk olay her zaman soldan başlar.
IB grade boundary’lerde fark yarat: her ağacı kontrol et, kağıt üzerinde çiz. Internal Assessment için veri setlerinde koşullu olasılıkları ağaçla modelle. Probability Theory I notları hataları önlemede yardımcı olur.
Olasılık ağaçları IB Math AI’de temel bir araçtır. Tanımını öğrendin, çizme adımlarını gördün, örneklerle pekiştirdin ve kuralları uyguladın. Şimdi pratik yap; kendi torba veya otobüs senaryolarını oluştur ve çöz. Sınavlarda bu beceri başarı getirir. Kendi örneklerini dene ve ustalaş!
Bir ormanın kesilmesine “evet” ya da “hayır” demek kolay görünebilir, ama IB Environmental Systems and Societies (ESS) içinde önemli olan kararın kendisi değil, neden o
Bir nehri kirleten fabrikanın bacası sadece duman mı çıkarır, yoksa görünmeyen bir fatura da mı üretir? IB ESS’de environmental economics, tam olarak bu görünmeyen faturayı
Bir nehre atılan atık, bir gecede balıkları öldürebilir, ama o atığın durması çoğu zaman aylar, hatta yıllar alır. Çünkü çevre sorunları sadece “bilim” sorusu değil,
Şehirde yürürken burnuna egzoz kokusu geliyor, ufuk çizgisi gri bir perdeyle kapanıyor, bazen de gözlerin yanıyor; bunların hepsi urban air pollution dediğimiz konunun günlük hayattaki
Şehir dediğimiz yer, sadece binalar ve yollardan ibaret değil, büyük bir canlı organizma gibi sürekli besleniyor, büyüyor, ısınıyor, kirleniyor, bazen de kendini onarmaya çalışıyor. IB
IB ESS Topic 8.1 Human populations, insan nüfusunun nasıl değiştiğini, bu değişimin nedenlerini ve çevre üzerindeki etkilerini net bir sistem mantığıyla açıklar. Nüfusu bir “depo”
Bir gün marketten eve dönüyorsun, mutfak tezgahına koyduğun paketli ürünlerin çoğu, aslında üründen çok ambalaj gibi görünüyor. Üstüne bir de dolabın arkasında unutulan yoğurt, birkaç
Evde ışığı açtığında, kışın kombiyi çalıştırdığında ya da otobüse bindiğinde aslında aynı soruyla karşılaşıyorsun, bu enerjiyi hangi kaynaktan üretiyoruz ve bunun bedelini kim ödüyor? IB
Bir musluğu açtığında akan su, markette aldığın ekmek, kışın ısınmak için yaktığın yakıt, hatta telefonunun içindeki metal parçalar; hepsi natural resources (doğal kaynaklar) denen büyük
Gökyüzüne baktığında tek bir “hava” var gibi görünür, ama aslında atmosfer kat kat bir yapı gibidir ve her katın görevi farklıdır. IB Environmental Systems and