Olasılık ve İstatistik Temelleri

Kuantum Hesaplama · Bölüm 9Kuantum Hesaplama2026-09-29Ders

Kuantum bilgisayar sana asla “kesin cevap bu” demez; her ölçüm, kuralları belli olan bir çekiliştir ve bu dersin konusu o çekilişi doğru okumaktır. Burada olasılığın temel yasalarını, beklenen değer ile standart sapmayı ve bir deneyin sonucunu kaç atışla, ne kadar güvenle tahmin edeceğimizi sıfırdan işleyeceğiz. Serinin tamamı için Kuantum Hesaplama dersleri sayfasına göz atabilirsin.

Ölçüm Neden Olasılıksal? Born Kuralı

Kuantum Hesaplama 101 dersinde kübitin ψ = α|0⟩ + β|1⟩ biçiminde yazıldığını ve ölçümde |α|² olasılıkla 0, |β|² olasılıkla 1 okunduğunu görmüştün. “Olasılık genliğin karesidir” kuralına Born kuralı denir; genel hâli P(i) = |⟨i|ψ⟩|²'dir. Kuralın hemen sonucu normalizasyondur: toplam olasılık 1 olmalıdır, yani Σ|αᵢ|² = 1; kübit için |α|² + |β|² = 1.

Genlik ile olasılığı karıştırmamak bu dersin en kritik becerisidir. Genlik karmaşık bir sayıdır: α = a + bi ise karesi değil modülünün karesi alınır, yani |α|² = a² + b² (Karmaşık Sayılar dersindeki mutlak değeri hatırla). Bu ayrım boş değildir, çünkü genlikler işaret ve faz taşır: iki yolun genlikleri ½ ve −½ iken klasik zihniyet olasılıkları toplar, ¼ + ¼ = ½ bulur; kuantumda genlikler önce toplanır (½ − ½ = 0), kare alınır ve olasılık sıfır çıkar. Bu yok oluşa girişim denir; kuantum algoritmalarının gücü, olasılıklarla taklit edilemeyen tam bu etkidir.

Olasılığın Temel Yasaları

Her olasılık hesabı örnek uzayıyla başlar: denemenin tüm olası sonuçlarının listesi. Tek kübit için bu {0, 1}; üç kübit için 2³ = 8 sonuçlu 000, 001, …, 111 listesidir. Sonuç i'ye atanan pᵢ olasılıkları iki yasa sağlar: her pᵢ ≥ 0 ve Σpᵢ = 1. Tüm sonuçlar eşit şanslıysa her birine 1/N verilir; adil zarda p = 1/6 ≈ 0,17.

İki pratik kural işini hızlandırır. Tümleyen kuralı: bir olayın gelmemesi 1 − P(olay) ile bulunur; ilk kübitin 0 çıkmaması 1 − P(0). Ayrık olayların toplanması: aynı anda gerçekleşemeyen olayların olasılıkları toplanır; zarda “çift gelme” = 1/6 + 1/6 + 1/6 = 1/2. Born kuralından sonra bu yasalar kuantumda otomatik sağlanır. Klasik dağılımda elinde yalnızca pᵢ'ler vardır; kuantumda onların altında, toplanıp kare alınmayı bekleyen fazlı genlikler αᵢ yatar — hesabın gücü bu fazlardadır.

Beklenen Değer, Varyans ve Standart Sapma

Bir dağılımı tek sayıyla özetlemenin standart yolu beklenen değerdir: her sonucun değeriyle olasılığının çarpımlarının toplamı, ⟨X⟩ = Σ xᵢ·pᵢ. Adil zarda ⟨X⟩ = (1+2+3+4+5+6)/6 = 3,5'tir; 3,5 tek atışta hiç görünmez ama uzun vadedeki ortalamadır. Bu, Fonksiyonlar ve Temel Matematik dersindeki ağırlıklı ortalamanın olasılıklı hâlidir.

Ortalama tek başına yanıltır; dağınıklığı varyans ölçer: σ² = ⟨X²⟩ − ⟨X⟩², karekökü standart sapma σ'dır. Zar için ⟨X²⟩ = (1+4+9+16+25+36)/6 = 91/6 ≈ 15,17, dolayısıyla σ² = 15,17 − 12,25 = 2,92 ve σ ≈ 1,71. Kuantumda karşılığı doğrudandır: ±1 ölçen Z ekseni için ⟨Z⟩ = p₀ − p₁; p₀ = 0,8, p₁ = 0,2 iken ⟨Z⟩ = 0,6.

Atışlar, Frekans ve √N Kuralı

Devre bir kez değil N kez çalıştırılır; buna N atış (shot) denir. 100 atışta 1 sonucu 48 kez geldiyse tahminin frekanstır: f = 0,48. N atışlık bir koşuda 1 çıkma sayısı k binom dağılımı izler: ortalaması n·p, standart sapması √(n·p·(1−p)). n = 100, p = 0,5 için ortalama 50, σ = √25 = 5; 45–55 arası görmek tamamen normaldir, 52 “devre bozuk” kanıtı değildir. Tahminin güvenilirliğini adım adım hesaplayalım:

1000 atış yap; 1 sonucu 517 kez gelsin.
Frekansı hesapla: f = 517/1000 = 0,517.
Standart hatayı bul: SE = √(f × (1−f) / 1000) ≈ 0,016.
%95 güven aralığı yaklaşık ±2 × SE = ±0,032; sonucu şöyle yaz: p₁ = 0,517 ± 0,032.
Karar ver: fark 0,017, belirsizlik ±0,032; “p₁ = 0,5'ten farklı” diyemezsin, daha çok atış gerekir.

Genel kural 1/√N'dir: hata karekökü hızında küçülür, yani doğruluğu ikiye katlamak atışı dört katına çıkarır; %0,1 hassasiyet milyonlarca atış demektir. Deneyi kodda taklit etmek için Kuantum Hesaplama için Python Temelleri dersindeki rastgelelik araçları, sonuçları görmek için Matplotlib ile Grafik Çizimi dersindeki histogram yeter; tek defterde yürütmek içinse Jupyter ile Çalışma Ortamı dersine bak.

Sık Yapılan Hatalar ve Yanılgılar

Aşağıdaki tuzaklar hem sınavlarda hem gerçek deneylerde en sık görülen hatalardır; tek bakışta tanımak yeter:

Genliği olasılık sanmak. α ile |α|² aynı şey değildir; genlik negatif ve karmaşık olabilir, olasılık olamaz. Fazları yok sayarsan girişimi kaçırırsın.
Az atışla kesin hüküm vermek. 10 atışta 7 bir görmek p₁ = 0,7 demek değildir; p₁ = 0,5 olan bir devreden de gayet normal çıkar (σ ≈ 1,6).
Kumarbaz yanılgısı. Üst üste beş 0 görmek, altıncısında 1'in şansını artırmaz; atışlar bağımsızdır ve devre her seferinde sıfırdan hazırlanır.
σ ile standart hatayı karıştırmak. Tekil atışların dağınıklığı (σ) ile ortalamanın hatası (SE = σ/√N) farklıdır: 1000 atışta sayılar ±16 sallanırken tahmin ±0,016 oynar.
Güven aralığını kesinlik sanmak. %95 aralık, benzer deneylerin çoğunda gerçek değeri kapsama beklentisidir; sonucun mutlaka aralıkta kalacağının garantisi değildir.

Bu araçlarla ölçüm çıktılarını olgun biçimde okuyabilirsin. Sonraki ünitede durumu tek bir sayı listesi olarak yazmayı Vektörler dersinde, listeleri dönüştüren kapıları Matrisler ve Matris Çarpımı derslerinde göreceksin. Becerileri genişletmek için Yazılım dersleri ile olasılığın her gün kullanıldığı Yapay Zekâ dersleri, tüm dersler için içindekiler sayfası iyi duraklardır.

Sık Sorulan Sorular

Kuantum ölçümünde olasılık neden genliğin karesidir?

Genlik α gibi karmaşık bir sayıdır ve eksi değer alabilir; olasılık ise hiçbir zaman negatif olamaz. |α|² = a² + b² işlemi her genliği 0 ile 1 arasına oturan bir ağırlığa çevirir ve Σ|αᵢ|² = 1 koşulu bunları gerçek bir olasılık dağılımı yapar. Kare alma aynı zamanda girişimin motorudur: genlikler önce toplanıp sonra kare alındığı için ½ − ½ = 0 gibi sönümlü sonuçlar çıkar; olasılıklar doğrudan toplansaydı bu asla mümkün olmazdı.

Bir kuantum devresini kaç kez (kaç shot) çalıştırmalıyım?

Hedeflediğin hassasiyete bağlı. Tahminin standart hatası √(f(1−f)/N) formülüyle küçülür; doğruluğu ikiye katlamak için atış sayısını dört katına çıkarman gerekir. Tipik bir devre okumasında binlerce atış iyi bir başlangıçtır; frekans 0,5'ten uzaklaştıkça aynı atış sayısı daha küçük hata verir.

Olasılık ile istatistik arasındaki fark nedir?

Olasılık, dağılımı bildiğin durumda sonuç hesaplar: genliklerden yola çıkıp “bu sonucun şansı kaç?” dersin. İstatistik ters yönde çalışır: atış frekansları gibi veriden alttaki dağılımı tahmin eder. Born kuralı birinci taraf, 1000 atıştan p₁ = 0,517 ± 0,032 okumak ikinci taraftır.

Beklenen değer ile ortalama aynı şey mi?

Hayır. Beklenen değer dağılımın kuramsal ağırlıklı ortalamasıdır (adil zarda 3,5); ortalama ise senin denemenin verisinden hesapladığı sayıdır (altı atışta 2,8 de çıkabilir, 5,2 de). Atış sayısı büyüdükçe ortalama beklenen değere yaklaşır; kuantumda atış ortalamasıyla ⟨Z⟩ gibi büyüklükleri tahmin etmenin dayanağı budur.

Kaynaklar ve İleri Okuma

Olasılık — Vikipedi — Aksiyomlar, temel tanımlar ve klasik örneklerin Türkçe özeti.

Binomial distribution — Wikipedia — Atış sayımlarının izlediği binom dağılımının ortalama ve varyans formülleri.

Standard deviation — Wikipedia — Standart sapma, standart hata ve √N ilişkisinin tanımları.

Born rule — Wikipedia — Ölçüm olasılığının genliğin modül karesi olarak tanımlanmasının kuramsal çerçevesi.

IBM Quantum Learning — Atış (shot) mantığıyla ölçüm olasılıklarını gerçek devrelerde okumayı gösteren resmî materyal.