MCMC ve Metropolis-Hastings: Bayesian Veri Analizinde Örneklem Alma Rehberi (2026)

Modern veri bilimi, yapay zeka ve tıbbi araştırmalarda gizli kuvvet, MCMC (Markov Chain Monte Carlo)’dır. Bu teknik, analitik olarak çözülemeyen karmaşık olasılık dağılımlarından örneklem çekmek için kullanılır. Özellikle Bayesian istatistikte, posterior dağılımları tahmin etmenin pratik tek yoludur. 2026 itibarıyla, büyük dil modelleri (LLM’ler), finansal risk modelleri ve iklim simülasyonlarında arka planda çalışan bu algoritma, veriden anlayışa geçişin temelidir.

MCMC Nedir ve Neden Klasik Yöntemler Yetersiz Kalır?

Standart Monte Carlo yöntemleri, bağımsız rastgele örnekler üretir. Ancak yüksek boyutlu modellerde (örneğin 100+ parametreli bir tıbbi model), bu yöntemler verimsiz hale gelir. MCMC ise, bir Markov zinciri oluşturarak her yeni örneklemi önceki örneklemle ilişkilendirir. Bu, dağılımın yoğun bölgelerine odaklanmayı sağlar.

Örneğin, bir ilacın etkisini 50 parametreyle modellediğinizde, klasik optimizasyon çöker. Ancak MCMC, bu parametrelerin birlikteki etkisini keşfederek, posterior dağılımını tahmin eder. StatLect’e göre, Bayesian çıkarımda MCMC, neredeyse evrensel bir standarttır.

Metropolis-Hastings Algoritması Nasıl Çalışır?

1953’te fizikçiler tarafından geliştirilen ve 1970’te Hastings tarafından genelleştirilen Metropolis-Hastings, MCMC’nin en esnek ve yaygın uygulamasıdır. Temel avantajı: dağılımın tam formülünü bilmek gerekmez. Yeter ki, iki nokta arasındaki olasılık oranını hesaplayabiliyorsunuz.

Adım Adım: Metropolis-Hastings’in İşleyişi

1. Başlangıç: Rastgele bir başlangıç noktası seçin (x₀).
2. Öneri: Mevcut noktadan küçük bir rastgele adım atın (örneğin, normal dağılımdan yeni öneri: x*).
3. Kabul Oranı: A = min(1, P(x*)/P(x)) hesapla. Burada P, hedef dağılımın (posterior) yoğunluk fonksiyonudur.
4. Karar: Rastgele bir sayı r, [0,1] aralığında çek. Eğer r ≤ A ise x*’ı kabul et; aksi halde x₀’ı koru.
5. Yinele: Adım 2’ye dön.

Adım Adım Örnek: Basit Bir Dağılımda Örneklem Alma

Diyelim ki, hedef dağılımımız: P(x) ∝ exp(-x²/2) + 0.5·exp(-(x-3)²/2) — yani iki tepeli bir dağılım. Metropolis-Hastings, bu dağılımın her iki tepe noktasını da keşfeder. Klasik yöntemler sadece bir tepeye takılı kalır, ancak bu algoritma tam dağılımı temsil eder.

Python Koduyla Gerçek Hayatta Uygulama (2026)

İşte basit bir Metropolis-Hastings uygulaması:

import numpy as np
import matplotlib.pyplot as plt

def target_density(x):
 return np.exp(-x**2 / 2) + 0.5 * np.exp(-(x - 3)**2 / 2)

def metropolis_hastings(n_samples=10000, step_size=0.5):
 samples = [0.0]
 for _ in range(n_samples):
 current = samples[-1]
 proposal = current + np.random.normal(0, step_size)
 acceptance_ratio = target_density(proposal) / target_density(current)
 if np.random.rand() < acceptance_ratio:
 samples.append(proposal)
 else:
 samples.append(current)
 return np.array(samples[1000:])  # Burn-in atlat

samples = metropolis_hastings()
plt.hist(samples, bins=50, density=True, alpha=0.7)
plt.title("Metropolis-Hastings ile Örneklenmiş Dağılım (2026)")
plt.show()

Neden MCMC Sadece Bir Algoritma Değil, Bir Felsefe?

Metropolis-Hastings, her adımda bir karar verir: "Yükselir mi, alçalır mı?" Bu, yalnızca matematiksel bir işlem değil, bir keşif stratejisidir. Zirveye hızlı gitmek yerine, tüm yamaçları keşfeder. Bu, veri bilimindeki en büyük dönüşümün özüdür: özetlemek yerine anlamak.

2026’da, bu algoritma:

• LLM’lerin belirsizlik tahminlerinde arka planda çalışır
• Finansal portföy optimizasyonlarında risk dağılımlarını modellemede kullanılır
• Nörolojik verilerde beyin bağlantılarının olasılıksal yapılarını çıkarır

Özetle: MCMC, veriyi anlamak için bir yolculuktur. Sadece bir sayı üretmez — bir hikâye anlatır.