I.

İSTATİSTİK VE OLASILIK
Doç. Dr. İrfan Yolcubal Kocaeli Üniversitesi Jeoloji Müh. Bölümü

Ders Kitabı
Statistical analysis of Geological data (Koch G. S., ve Link, R. F., 1980. Dover Publications) A data-based approach to statistics (Iman, R. L., 1994) Basic statistics for Business and Economics (Lind, D. A., and Mason, R. D., 1997) İstatistik Analiz Metotları (Prof. Dr. Bilge Aloba)

1

DEĞERLENDİRME
Devam zorunlu (% 70) 2 Sınav (Ara vize + Final) Ödev Grup çalışması OK Ödev kopyalamak yasak

DERS PROGRAMI
Data toplama ve sunum şekilleri
• Örnek vs. Popülasyon kavramları • Data toplama teknikleri • Data sunum şekilleri
• • • • • Pasta diyagramlar Histogramlar Bar grafikler Kümülatif rölatif sıklık grafikleri Dağılım grafikleri (X-Y)

Dataların Değerlendirilmesi
Tarifsel istatistik
• Analitik ve analitik olmayan ortalamalar • standart sapma, varyans, standart hata, güvenilirlik aralığı vb…

2

DERS PROGRAMI devam
Olasılık ve Olasılık dağılımları (Probability density functions)
• • • • Binom Logaritmik Normal Poisson

Tahmin ve Hipotez testi
• t-test • z-testi • Varyans analizi (ANOVA)

Korelasyon ve Regresyon Linear regresyon Jeolojide örnekleme ve jeolojik datalardaki değişkenlik

İSTATİSTİK NEDİR?
İstatistik kısaca, data analizini kapsayan matematik biliminin alt bir dalıdır.
• Dataların toplanması, derlenmesi, özetlenmesi,sunumu, analizi ve aynı zamanda verilerden geçerli bir sonuç çıkarılması istatistik dalının başlıca ilgi alanlarıdır.

3

Japon ürünlerini dünyada popüler yapan kalite-kontrol tekniklerinin uygulanmasında Ozon tabakasındaki incelmenin tahmininde Nüfus sayımında TOP 40 hit listesinin belirlenmesinde Hava tahminlerinde TV reytinglerin belirlenmesinde Kişisel bilgisayarınızdaki parçaların performanslarının geliştirilmesinde Seçim tahminlerinde Risk analizinde Ve daha bir çok alanda……… İSTATİSTİK TÜRLERİ Tarifsel (Descriptive) istatistik: nümerik verileri derlemek.İSTATİSTİĞİN UYGULAMA ALANI İstatistiksel metotlar. düzenlemek. Jeoloji’de olduğu gibi. ve özetlemek için kullanılan prosedürler Tümevarımsal (Inferential) istatistik: örneklemeye dayanarak bir popülasyon hakkında bilgi elde etmek için kullanılan metotlar 4 . modern yaşamın büyük bir alanında da. dataların değerlendirilmesinde ve analizinde yaygın bir şekilde kullanılmaktadır.

ırk. Kualitatif (Qualitative)Değişken : Nümerik olmayan değişkenlerdir. Miktar hakkında bilgi verir. Değişken Türleri Kantitatif (Quantitative) Değişken: Sayısal ölçekte ifade edilir. pilin ömrü. nesneler. vb… 5 . göz rengi.DATALARIN TOPLANMASI: Kavramlar Örnek (Sample) : İnceleme yapılan popülasyonun bir bölümü Popülasyon: Hakkında bilgi edinilmeye çalışılan birimlerin ( kişiler. deneysel sonuçlar. sınıftaki öğrencilerin sayısı vb. vb. gibi) toplamını oluşturmakta. Hesabınızdaki bakiye. Doğum yeri.

6 .Değişkenlerin Sınıflandırılması DATA TOPLANMASI Örneklemeye geçmeden önce inceleme yapılan popülasyonun iyi bir şekilde belirlenmesi gerekmektedir. Uygun örnekleme tekniği ve protokolü: Toplanan örneklerin incelenen popülasyonu tam anlamıyla yansıtması gerekmektedir.

DATA TOPLANMASI Tüm popülasyonu incelemek (Sayım) yerine neden örneklemeyi kullanıyoruz? Düşük maliyet Zaman Dikkatlice alınmış örnekler bazı durumlarda bir sayım’dan daha doğru bilgi verebilir. Ürünlerin yok edilerek test edilişinden örnekleme tek başına yeterli olabilir. ÖRNEKLEME PLANININ AMAÇI Yüksek kalite: Toplanan verilerin doğruluk derecesi Savunabilirlik: Planın geçerliliği ile ilgili dokümantasyonun mevcut olması Tekrarlanabilirlik: Örnekleme planını takip ederek verilerin tekrar üretilebilmesi Temsil edici olması: İncelenen popülasyonu tamamıyla temsil etmesi Faydalı olması: Toplanan veriler planın amacına ulaşmasında kullanılabilir olması 7 . Bazı durumlarda imkansız olabilir.

ve zamanı örnekleme bütçesini aşmadan istatistiksel olarak geçerli bir örnek almaya yeterli olmalıdır. Örneklerin sayısı. Bunu sağlamak için uygun bir örnekleme stratejisi belirlemek gerekmektedir.ÖRNEKLEME PLANI Örnekleme planının hazırlanışında örneklerin nerede ve ne zaman alınacağına karar vermek gerekmektedir. ÖRNEKLEME ŞEKİLLERİ Rasgele (Random): Her örneğin aynı sayıdaki gözlemde eşit olasılıkla olarak seçilebilmesi Sistematik: Karara dayalı (Judgemental): 8 . lokasyonu.

örneklemeye dayalı tahminler ile popülasyonun gerçek karakteristiği arasında daima farklılık olacaktır.ÖRNEKLEME ŞEKİLLERİNE BİR ÖRNEK Karara dayalı Rasgele Sistematik Örnekleme Hatası (Sampling Error) İstatistiksel anlamda hatadan ziyade örneklerin birbirlerinden olan doğal değişkenliklerini temsil etmektedir. 9 . Tüm toplanan örneklerde bir tane ortak özellik bulunmakta: örneklerin hiçbirisinin tamamıyla tüm popülasyonu temsil etmemesi Dolayısıyla.

VERİ GRAFİKLEME TÜRLERİ Pasta diyagramlar (Pie Charts) Bar grafikler Histogramlar Kartezyen (X-Y) grafikleri Frekans Dağılım grafikleri Pasta Diyagramlar Farklı yada kantitatif dataların oran yada yüzde şekilde sunulmasında kullanılır. 10 .

BAR GRAFİKLERİ Düşey bar grafikleri:Üniversite mezunu erkek ve bayanların yaş gruplarına göre gelir dağılımını gösteren bar grafiklerine bir örnek 11 .

VERİLERİN ORGANİZE EDİLMESİ VE SUNULMASI 12 .X-Y GRAFİKLERİ II.

Tasnif’e örnek: 100 kişilik bir sınıftaki öğrencileri yaş vasfına göre tasnif edersek 13 .Tasnif Bir kitlenin veya grubun özelliklerine göre yapısını ortaya çıkarabilmek amacıyla. Veri sayısının sınırlı olduğu durumlarda uygulanabilir. elde edilen bilgileri bir vasıf veya vasıflar bakımından çeşitli şıklara ayırarak aynı şıkkı ait birimleri kümeler halinde bir araya getirme işlemine denir.

Gruplamaya örnek: Dünyadaki 29 en büyük şehir nüfus itibariyle gruplanarak bir frekans dağılımı veya bölünmesi şeklinde ifade edilebilir. Böyle durumlarda bir vasfın birbirine yakın olan şıklarını gruplar halinde toplamaya. 14 . yani gruplamaya başvurulabilir.Gruplama Eğer tasnif edilecek veri sayısı çok fazla ise bunları tasnif yoluyla kümelere ayırmak mümkün olsa bile anlamlı ve işlemlere elverişli olmayabilir.

15 .Gruplamaya örnek:(Hatalı) Bir endüstri dalında faaliyet gösteren işletmelerde çalıştırılan işçi sayısına göre gruplamak istersek FREKANS DAĞILIMLARI YADA BÖLÜNMELERİ (Frequency Distributions) Verilerin her bir sınıf aralığına düşen gözlem sayısını(frekans) gösterecek şekilde gruplandırılması işlemi.

sınıf orta noktası kavramları Sınıf aralığı: Sınıfın alt ve üst sınırları arasındaki fark Sınıf sınırları:Sınıfa ait minimum ve maksimum sınır değerleri Sınıf orta noktası veya noktası: Sınıfın alt ve üst sınırların ortalaması Frekans Dağılımının oluşturulması Örnek: Bir taşıtın yıl içindeki satış fiyatlarının organize edilmemiş hali: Ham data 16 . Sınıf sınırları.Sınıf aralığı.

Sınıf Sayısının Belirlenmesi Sınıf Aralığının Belirlenmesi 17 .

FREKANS DAĞILIM TABLOSU: FREKANS DAĞILIM GRAFİGİ (HİSTOGRAM) 18 .

Uygun olarak seçilmemiş sınıf sayısına göre oluşturulmuş frekans dağılımları. Örnek: 19 . verinin frekans dağılımı hakkında faydalı bilgiler sunmayabilir. Fakat bazı durumlarda (çok sayıda boş sınıf oluşturmaktan kaçınmak için) eşit olmayan sınıf aralıklı frekans dağılımlarının oluşturulmasında kullanılabilir.FREKANS DAĞILIMLARININ OLUŞTURULMASINDA DİKKAT EDİLEÇEK HUSUSLAR Frekans dağılımlarının oluşturulmasında mümkün olduğu kadar eşit sınıf aralıkları seçilmeli Eşit olmayan sınıf aralıkları frekans dağılımları grafik edilirken sorun yaratabilirler.

Sınıfın nispi frekansı. 20 . o sınıfın frekansının toplam frekansa oranıdır.Nispi frekans dağılımları (relative frequency distributions) Bir çok durumda bir sınıfın mutlak frekansından çok toplam içindeki nispi frekansını bilmek gerekmektedir.

Nispi frekans dağılımı 21 .

Kümülatif frekans dağılımları sınıf aralıkları farklı serilerin kıyaslanmasını kolaylaştırır. Kümülatif frekans dağılımlarının oluşturulması: Örnek:Bir sınıftaki öğrencilerin boy uzunluklarının frekans dağılımları 22 . Kıyaslamanın sağlıklı olabilmesi için önceden mutlak frekansların nispi frekanslara çevrilmesi gerekir.KÜMÜLATİF FREKANS DAĞILIMLARI Kümülatif frekans dağılımlarının en önemli özellikleri belirli bir düzeyin altında veya üstünde bulunan birimlerin frekansını gösterebilmeleridir.

Kümülatif Frekans Dağılımları 23 .

Frekans poligonlarının histogramlara göre bir avantajı 2 veya daha fazla frekans dağılım grafiğinin kolaylıkla birbirleri ile karşılaştırılmasına imkan tanımasıdır ( Frekans dağılımlarının sınıf sayısı ve aralığı aynı olmak koşulu ile) 24 .FREKANS POLİGONLARI Bu grafiklerde sınıf aralığı yerine sınıf orta noktasının sınıf frekansına göre dağılımı çizgisel olarak grafiklenir.

Merkezi Eğilim Ölçüleri Doç. İrfan Yolcubal Kocaeli Üniv. Böl. Jeoloji Müh.II. Analitik Ortalamalar Bir örneklemede tüm veri değerlerini dikkate alan merkezi eğilim ölçüleridir. Dr. Aritmetik ortalama Ağırlıklı ortalama Geometrik ortalama Harmonik ortalama 1 .

tüm veri değerlerinin toplamının toplam veri sayısına oranıdır. 8. 8. 5.4 20 2 . 10. X = ∑X i =1 n İ N = X 1 + X 2 + X 3 + ... 6. 5.. 10. 6. 10. 7.Aritmetik Ortalama (Aritmetic mean) Gruplanmamış yani ham veriler için aritmetik ortalama. X n N X : Aritmetik ortalama N: Toplam veri sayısı X: veri değeri Tekrarlanan gözlemlerin veri değerlerinin hesabı Bir örnekte gözlem değerleri bir çok kez tekrarlanabilir. 6... 9. 9.. 5. 8. 10 Bu sınıfın istatistik dersinin aritmetik ortalaması nedir? X = n = 1 n ∑ fi k i =1 fi X i ∑ k i =1 fi: bir örnekteki Xi`nin frekansı k: örnekteki gözlem sayısı Xi: i. 20 kişilik bir sınıfta istatistik dersinden geçen öğrencilerin notu şu şekilde sıralanmaktadır: 5. 5.gözlem değeri n=toplam veri sayısı X = ( 5 * 5 ) + ( 3 * 6 ) + ( 2 * 7 ) + ( 3 * 8 ) + ( 3 * 9 ) + ( 4 * 10 ) = 7 . Örneğin. 7. 9.

• Örnek: 5 öğrencinin bir sınavda almış olduğu notlar 70. ve 100`dir. 70. 8. aritmetik ortalama. veri setindeki aşırı değerlerden kolay etkilenmesidir. Açık sınıf aralıklı frekans dağılım tablolarında aritmetik ortalama uygun değildir. ∑( X − X ) = (3 − 5) + (8 − 5) + (4 − 5) = −2 + 3 −1 = 0 •Aritmetik ortalamanın hesaplanışında veri setindeki tüm veri değerleri kullanılır. Bu aritmetik ortalama veri setinin iyi bir şekilde temsil etmemektedir. veri setinin merkezi eğilim ölçümünü temsil etmek için uygun olmayabilir.Aritmetik Ortalamanın Özellikleri Bir serideki her bir veri değerinin aritmetik ortalamadan olan sapmalarının toplamı daima sıfırdır. Bir veri setindeki verilerden bir kaçı çok yüksek yada düşük değerler içeriyor ise. ∑( X − X ) = 0 Örnek: 3. •Bir veri setinin yalnızca bir aritmetik ortalaması vardır. 70. Aritmetik ortalama 76 olacaktır. ve 4 değerlerin aritmetik ortalaması 5`dir. Aritmetik Ortalamanın Dezavantajı Aritmetik ortalamanın dezavantajı. 70. 3 .

Ağırlıklı Ortalama(Weighted Mean) Aritmetik ortalamada. X W : Ağırlıklı ortalama Ağırlıklı Ortalama`ya Örnek Bir öğrenci matematik dersinden 6.. edebiyat: 2. müzik dersinden 10 ve İngilizce dersinden 9 almıştır. her bir veri değerinin öneminin eşit olduğu varsayılmaktadır. müzik:1. Bu durumlarda ağırlıklı ortalama kullanılır... İngilizce: 1 XW = (6 * 3) + (7 * 2) + (9 *1) + (10 *1) 51 = = 7..3 3 + 2 +1+1 7 X= 6 + 7 + 9 + 10 =8 4 4 .. edebiyat dersinden 7.... + X n W n W 1 + W 2 + W 3 + . + W n X = ∑W i =1 n i =1 n i X İ i W ∑W W: Her bir veri değerinin ağırlığını yani önemini ifade etmektir. Fakat bazı değerlerin önemi diğerlerinden farklı olabilir... Ders kredileri: Matematik:3. Bu öğrencinin ders ortalamasını hesaplayalım.. X W = X 1W 1 + X 2W 2 + X 3W 3 + ......

Sararın bu satıştaki toplam kazancı ne kadardır? Örnek 2 X X W = W ( 95 * 400 ) + ( 126 * 200 ) + ( 79 * 100 ) 95 + 126 + 79 71100 = = $ 237 300 = $ 37 = $ 12100 Birim Kazanç : 237 − 200 Toplam Kazanç : 37 * 300 5 . en son indirimde de 100 dolara 79 adet takım elbise satmıştır.Ağırlıklı Ortalama: Örnek 2 Sarar normal perakende satış fiyatı üzerinden ($400) 95 adet Kığılı marka takım elbiseyi satmıştır. Bahar indiriminde aynı takım elbiseyi 200 dolara indirerek 126 adet. Sarar takım elbisesinin ağırlıklı ortalama fiyatı nedir? Sarar her bir takım elbiseye birim fiyatı olarak $200 ödemiştir.

46 X = 3+ 2+ 4+6 = % 3 .) ortalamasının hesaplanmasında 2) bir zaman aralığı içerisindeki bir üretimin yada satışın artış miktarının ortalamasının belirlenmesinde yaygın olarak kullanılmaktadır. = 1 n ∑ log X i Veri sayısı çok olduğu durumlarda hesapları kolaylaştırmak amacıyla logaritmalardan yararlanılmaktadır.. 2. Bu şirketin ortalama kârı nedir? G . Bu nedenle geometrik ortalama ya aritmetik ortalamaya eşit olacaktır yada küçük olacaktır. Geometrik Ortalama: Örnek 1 Bir inşaat şirketinin dört projedeki ortalama kâr yüzdeleri 3...( X n ) Not: Eğer veri değerlerinden bir 0 yada negatif değerlikli ise Geometrik ortalama hesaplanamaz.O . Ve 6`dır.. Çünkü aşırı değerlerden aritmetik ortalamaya göre o kadar fazla etkilenmemektedir.O .75 4 Geometrik ortalama daha tutucu bir kar değeri vermektedir..O . G . oran. 4. log G . = 4 3 * 2 * 4 * 6 = 4 144 = % 3 .Geometrik Ortalama (Geometric Mean) Geometrik ortalama iktisat ve işletme alanlarında yaygın olarak kullanılan bir ortalama türüdür.. vb. = n ( X 1 )( X 2 )( X 3 ). 6 . Geometrik ortalama özellikle 1) değişim oranlarının (yüzde.

= n −1 bir periyotun sonundaki deger −1 bir periyotun baslangicindeki deger n : periyot araligi G . 7 4 1 .. = 5 −1 56 .O. Bu 5 yıl içinde nüfusun ortalama artış hızı ne olmuştur? G. •Veri değerlerinde sıfır bulunması yada veri değerlerinin farklı işaret taşımaları durumunda harmonik ortalama kullanılmaz. 47 Harmonik Ortalama(Harmonic mean) Bazı özel durumlarda başvurulan bir ortalama olup hız. 7 . fiyat. 5 −1 = 50 .Geometrik Ortalama: Örnek 2 Türkiye'nin nüfusu 1990 yılında 50. 11 − 1 = % 2 . diğerinin ise değişken olduğu durumlarda başvurulan bir ortalamadır. + X1 X2 X3 Xn N ∑ 1 Xi •Değişkenlerden birinin sabit. H = N = 1 1 1 1 + + + .7 milyondan 1995 yılında 56.5 milyona yükselmiştir.O . verimlilik gibi oransal olarak belirtilebilen bazı değişken değerlerin ortalamalarının hesaplanışında kullanılır...

Harmonik Ortalama: Örnek •İki kasaba arasındaki mesafe gidişte saatte 75 km.5km 2 ANALİTİK OLMAYAN MERKEZİ EĞİLİM ÖLÇÜLERİ Bir örnekteki bütün veri değerlerini dikkate almayan merkezi eğilim ölçüleridir. dönüşte ise 50 km hızla kat edilmektedir. Bu durumda ortalama hız nedir? İki kasaba arasındaki mesafe 150 km varsayılır ise gidiş için gerekli süre 150/75: 2 saat. • Medyan (Median) • Mod (Mode) 8 . hızla. dönüş için ise 150/50: 3 saat Burada mesafe unsuru sabit fakat zaman unsuru ise sabit olmadığından harmonik ortalama kullanılmıştır. H = 2 1 1 + 75 50 = 60 km X= 75 + 50 = 62.

35 TL. tam ortadaki yani veri dizisini 2 eşit frekansa ayıran değerdir. Medyan fiyat nedir? 25 29 30 Medyan : (30+32)/2= 31 TL. 32. 30.Medyan (Ortanca) Bazı durumlarda örneğin bir yada iki tane çok yüksek yada düşük değerler içerebileceğinden bahsetmiştik. Düzenlenmemiş verilerde medyan`ın yerini kolaylıkla tespit etmek için aşağıdaki formülden yararlanılabilir. 29. Böyle problemlerde medyan değeri kullanılarak örneğin merkezi eğilimi ölçülebilir. 25. 32 35 65 9 . Bu gibi durumlarda aritmetik ortalama örneğin merkezi eğilimini yansıtmaz. medyan degerinin yeri = n = toplam veri sayisi n +1 2 Medyan: Örnek1 Bir klinikte pansuman için ödenen miktarlar aşağıdaki gibi sıralanmaktadır: 65. Veri değerleri büyükten küçüğe yada küçükten büyüğe sıralandıktan sonra.

110. Medyan: Örnek 2 70 100 105 110 115 120 125 Medyan 10 .100. 125. 105. 115.Medyan: Örnek 2 Yuvacık Kalıcı konutlarındaki kira fiyatları aşağıdaki gibi sıralanmaktadır: 120. Ortalama kira fiyatı nedir. 70 TL.

Medyanın Özellikleri Her bir veri setinin tek bir medyanı vardır. Aritmetik ortalamanın aksine açık sınıf aralıklı frekans dağılımlarının merkezi eğiliminin ölçümünde kullanılabilirler. Mod. bir data setinde en sık olarak gözlenen veri değeridir. Veri setindeki aşırı değerlerden etkilenmediği için verilerin merkezi eğiliminin belirlenmesinde aritmetik ortalamaya nazaran daha doğru bir bilgi sunar. 11 . Mod Bir veri setindeki bütün değerleri dikkate almayan (hassas olmayan) bir başka merkezi eğilim ölçümüdür.

7. 6. 6. 4. 4 Mod ? 4. 4.5. 5. 5. medyan ve mod frekans dağılım tablolarından hesaplanabilir. Medyan.5. Mod Bazı durumlarda veri değerleri gruplandırılıp. 10. 6. 6. 5. Bu gibi durumlarda aritmetik ortalama. 8. 8. 4. 5 Mod ? Gruplanmış Verilerde Aritmetik Ortalama. 6. 6.Mod: Örnekler 4. 5. 5. 11 Mod ? 4. 5. 6. 4. 7. 5. 5. 4. 9. 6. frekans dağılımları oluşturulmuş olabilir ve ham veriler mevcut bulunmayabilir. 12 . 7. 4. 6. Bu değerler gerçek ham verilerden hesaplanan değerlerden farklı olabilir.

Aritmetik Ortalamanın Frekans Dağılımından Hesaplanışı X= ∑ fX N X: her bir sınıfın orta noktası f: her bir sınıf frekansı N: Toplam veri sayısı yada frekansların toplam değeri Örnek Net geliri (milyon $) 2-5 5-8 8-11 11-14 14-17 İthalatçı sayısı 1 4 10 3 2 Net gelirin aritmetik ortalamasını hesaplayınız? 13 .

5 26 95 37.5 9.5 15.5 31 193 X= ∑ fX N = 193 = 9.5 12.Net geliri (milyon $) 2-5 5-8 8-11 11-14 14-17 Toplam İthalatçı sayısı (f) 1 4 10 3 2 20 Sınıf orta noktası (X) 3.5 fX 3.65 20 Frekans Dağılımından Medyanın Hesaplanışı N − CF Medyan = L + 2 (i ) f L: Medyan sınıfın alt sınırı N: Toplam frekans değeri CF: Medyan sınıfından önceki sınıfların frekanslarının toplamı f: medyan sınıfının frekansı i: medyan sınıfının aralığı 14 .5 6.

5 12.5 CF 1 5 15 18 20 20 −5 medyan = 8000000+ 2 (3000000) 10 medyan = 9500000 Frekans Dağılımından Modun Hesaplanışı Frekans dağılımı şeklinde gruplanmış veriler için mod. Eğer frekans dağılımında 2 sınıf maksimum frekansa sahip ise bu tür dağılımlara bimodal dağılımlar denilmektedir.5 6.5 9. 15 . frekans sayısı en fazla olan sınıfın orta noktası değeridir.5 15.Net geliri (milyon $) 2-5 5-8 8-11 11-14 14-17 Toplam İthalatçı sayısı (f) 1 4 10 3 2 20 Sınıf orta noktası (X) 3.

Bir Frekans Dağılımı Grafiğinde Aritmetik ortalama. mod arasındaki ilişki Aritmetik ortalama= mod=medyan Simetrik frekans dağılım eğrileri 16 . medyan. Net satış ($ dolar) 1-4 4-7 7-10 10-13 13 ve daha fazlası Toplam yüzdesi 13 14 40 23 10 Net satışın medyan ve modu hesaplayınız? Bu tür tablolara ne ad verilmektedir.Bir ürünün satış fiyatın gruplandırılmış şekli.

mod arasındaki ilişki Mod X Med Asimetrisi negatif olan Frekans dağılımları(sola çarpık) X Med Asimetrisi pozitif olan frekans Dağılımları(sağa çarpık) Mod Tek modlu ve asimetrileri çok fazla olmayan veriler için Aşağıdaki ilişki kullanılabilir. medyan.Bir Frekans Dağılımı Grafiğinde Aritmetik ortalama. Aritmetik ortalama-Mod= 3(Aritmetik Ort-Medyan) 17 .

III. Dağılma (değişkenlik) ölçülerinin analizinin nedeni Bir veri setinin merkezi eğilim ölçüsünün değerlendirilmesi 2 veya daha fazla veri setinin dağılımının karşılaştırılması 1 . Böl. Jeoloji Müh. Dr. İrfan Yolcubal Kocaeli Üniv. DAĞILMA YADA DEĞİŞKENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) Doç.

R= Maksimum değer.Dağılma yada değişkenlik ölçüleri Değişkenlik aralığı (Range) Ortalama sapma (mean deviation) Varyans (Variance) Standard sapma (Standard deviation) Gruplanmamış verilerde dağılımın ölçümü Değişkenlik aralığı (Range): Bir veri serisindeki en yüksek değer ile en düşük değer arasındaki farka eşittir.Minimum değer 2 .

Değişkenlik aralığı (Range) Seri 1 2 3 6 7 8 10 Seri 2 5 5 5 6 7 8 X=6 R=10-2=8 X=6 R=8-5=3 Gruplanmış verilerde değişkenlik aralığının(Range) belirlenmesi Saatlik Ücret(lira) Frekans 5-10 10-15 15-20 20-25 10 21 9 5 R= 25-5=20 TL 3 .

S .S .2 5 4 . = ΣX −X N X − X = mutlak sapma Ortalama Sapma (Gruplanmamış Verilerde) 15.Ortalama yada Mutlak Ortalama Sapma (Mean Deviation or Mean Absolute Deviation) Bir popülasyondaki tüm veri değerlerinin popülasyonun aritmetik ortalamasından olan mutlak sapmalarının aritmetik ortalamasıdır. Veriler 15 16 18 21 25 X− X X− X ⎢15-19 ⎢ ⎢16-19 ⎢ ⎢18-19 ⎢ ⎢21-19 ⎢ ⎢25-19 ⎢ TOPLAM 4 3 1 2 6 16 O. = 16 = 3. 18. 21. O. 16. 25 değerlerinden meydana gelmiş serinin ortalama sapmasını hesaplayalım.

σ 2 Σ X − X = N Popülasyona ait ( ) 2 σ2 = Σ X −X N −1 ( ) 2 Örneklemeye ait 5 .2 8.2 = = 9.8 106.2⎪ ⎢25-33. = ∑f X − X 486.2⎪ X− X f X− X 18.53 51 N Varyans (Variance) ve Standart sapma (Standard deviation) Varyans.4 114. bir veri setindeki tüm veri değerlerinin.2⎪ ⎢45-33.8 28.2 1.2 109 486.2 N 51 O.8 127. S .8 21. ortalamadan olan sapmaların karesinin aritmetik ortalamasıdır.8 11.2⎪ ⎢35-33.Ortalama sapma (Gruplanmış Verilerde) Sınıf frekans (f) 7 14 16 9 5 51 Sınıf orta noktası (X) 15 25 35 45 55 fx 105 350 560 405 275 1695 X− X ⎢15-33.2 10-20 20-30 30-40 40-50 50-60 Toplam X= ∑ fX = 1695 = 33.2⎪ ⎢55-33.

Standart Sapma Bir veri setinin varyansının kareköküne eşittir. σ= Σ X −X N ( ) 2 Σ X −X σ= N −1 ( ) 2 Popülasyona ait Örneklemeye ait Standart sapma ve varyansın özellikleri Bir serideki değerlere bir sabitin (a’nın) eklenmesi veya bu değerlerden bir sabitin çıkarılması ile serinin varyans ve standart sapması değişmez. orijinal serinin standart sapmasının sabitin kendisi ile çarpımına eşit olmaktadır. orijinal serinin varyansının sabitin karesi ile çarpımına eşittir. σ 2 (cX ) = c 2σ 2 ( X ) σ ( cX ) = cσ ( X ) 6 . σ 2 ( X − a) = σ 2 ( X ) σ 2 ( X + a) = σ 2 ( X ) Bir serideki değerlerin her birinin belirli bir sabit ( c ) ile çarpılması sonucu meydana çıkan serinin varyansı. Ancak standart sapması.

2 X ) 2 = 98 Standard Sapma ve Varyans Hesabı (Gruplanmış verilerde). 7 . ve 35 değerlerinden oluşan popülasyonun varyans ve standart sapmasını hesaplayalım. . 28. 5 σ = 196 = 443 .Popülasyon örneği sınıflar frekans (f) Sınıf orta noktası (X) fX 2 (X − X) (X − X) f ( X − X )2 0-200 200-400 400-600 600-800 Toplam 32 8 11 7 6 100 300 500 700 800 3300 3500 4200 11800 -270 -70 130 330 72900 4900 16900 108900 583200 53900 118300 653400 1408800 X= 11800 1408800 = 370 σ 2 = = 44025 32 32 σ = 44025 = 20982 . X 22 25 28 30 35 (X − X) ( X − X )2 X= -6 -3 0 2 7 X) = 0 36 9 0 4 49 140 = 28 5 ∑ X = 140 ∑ ( X − ∑(X − 98 σ = = 196 .Standart Sapma ve Varyans (Gruplanmamış verilerde) • 22. 30. 25.

Sh=c2/12 c=sınıf aralığı Sh=sheppard düzeltmesi Düzeltilmiş varyans = σ2-Sh Varyans Tek bir veri seti için varyans değerinin yorumlanması zordur. Değişkenlik aralığı ve ortalama sapmada olduğu gibi varyans. sınıf orta noktası her zaman bu kısmın ağırlıklı orta noktası olmayacağından.Gruplanmış verilerin varyansı ve standart sapması Sınıflandırılmış verilerde. 8 . 2 veya daha fazla data setindeki verilerin değişkinlik derecelerin karşılaştırılmasında kullanılır. Bunu önlemek için Sheppard düzeltmesi yapılır. ham verilere göre gruplandırılmış değerlerde daha yüksek varyans değeri bulunur.

Degisim Katsayisi(%) = σ X *100 Birimleri farklı olan farklı 2 data setinin kıyaslanmasında (cm.7% 12000 Degisim katsayisi = 9 .Simetrik frekans dağılım grafiklerinde standart sapma ve aritmetik ortalama arasındaki ilişki -3σ -2σ -1σ X 1σ 2σ 3σ %68 %95 %99. σ = 2000 50000 * 100 = 10% 500000 2000 Degisim katsayisi = * 100 = 16.7 X ± 1σ X ± 2σ X ± 3σ Nisbi Dağılma(Relative Dispersion) Değişim katsayısı (Coefficient of variation): % olarak ifade edilir. X = 500000. σ = 50000 X = 12000. Bir data setinin standart sapmasının aritmetik ortalamasına oranıdır. TL) Birimleri aynı fakat ortalamaları birbirinden çok farklı olan data setlerin kıyaslanmasında değişim katsayısı kullanılır.

Simetrik çarpıklık=0 Pozitif çarpıklık Negatif çarpıklık Gruplanmış verilerde Çarpıklık Çk = ∑ fi xi − x ∑ fσ i 3 ( ) 3 Carpiklik = 3(X − medyan) σ Şeklinde de hesaplanabilir. 10 .Gruplanmamış verilerde Çarpıklık Frekans dağılım grafiklerinin çarpıklık derecesini tarif etmektedir. ∑(x − x) Çk = i 3 nσ 3 Çarpılık genellikle –3 ile +3 değerleri arasında değişmektedir.

basık uç kısımlar daha iyi boylanmış yada basık Çan eğrisi 11 . sivri-orta kısımlar uç kısımlara göre daha İyi boylanmış yada sivrileşmiş can eğrisi Kur<3 (Platykurtik. ∑ (x − x) Kur = i 4 Ham verilerde Gruplanmış verilerde nσ i 4 ∑ f (x − x) Kur = ∑ fσ i 4 i 4 Kur=3 (mesokurtik. yada normal dağılım) Kur>3 (Leptokurtik.Gruplanmamış verilerde Kurtosis (Basıklık-Sivrilik) Frekans dağılım eğrisinin yüksekliğini belirten bir parametre.

1 . OLASILIK YADA İHTİMAL TEORİSİ Dr. 1/2) 0 olasılık olayın kesinlikle olmayacağını. 7/10. 20/100. Oran olarakta ifade edilebilir (Örneğin. 0 ≤ P(A) ≤ 1. Irfan Yolcubal Kocaeli Üniversitesi Olasılık Kavramı Olasılık (Probability): Belirli bir olayın olma ihtimalinin yada şansının ölçümü. 1 olasılık ise olayın kesinlikle meydana geleceğini ifade etmektedir.IV.

Subjektif Olasılık (Tekrar edilemeyen bir deneye bağlı). Örnek: Geçmis meteoroloji verilerine dayanarak yarın yağmur yağma ihtimalinin tahmini subjektif olasılık değerleri sunan bir deneydir. 5. vb. 2. Örnek: Rus ruletinin döndürülmesi. 6 Olay Çift bir sayının gelmesi 4`den büyük sayının gelmesi. zar atılması Klasik Olasılık Nisbi frekans olarak 2 kısma ayrılabilir. ve Olay (Event) Deney Zar atma Sonuç 1. 2 . 3.Terminaloji: Deney (Experiment). 4. Deney: Bir aktivitenin gözlemlenmesi yada ölçüm alma şekli Sonuç: Bir deneyin belli bir sonuçu Olay: Bir deneyin bir yada daha fazla sonuçlarının toplamı Olasılık Sınıflandırılması Olasılık 2 şekilde sınıflandırılabilir. Objektif Olasılık (Tekrarlanabilen rastgele bir deneye bağlı). Sonuç (Outcome).

P=1/6 = 0. mümkün olan ve ortaya çıkma şansı eşit olan bütün hallerden (n) sadece (a) kadar halde ortaya çıkıyor ise.Klasik Olasılık Tanımı Eğer bir olay E. çıkmayışınıda elverişsiz hal (b) olarak ifade edersek. o olayın ihtimali P( E ) = a elverisli hal sayisi = n toplam mumkun haller sayisi Örnek: Bir zar atıldığında 2 gelme olasılığı. yada P (E ) ] P( E ) = b n−a a = 1 − = 1 − P( E ) = n n n Örnek: Bir zar atıldığında 2 gelmeme olasılığı nedir? P(~E)=1-P(E)= 1-1/6 =0.167 Klasik Olasılık Kavramı Olayın çıkışını elverişli hal(a).833 3 . n= a+b Elverişsiz bir halin ortaya çıkma olasılığı [P(~E).

Bir kere zar atıldığında 2 yada 6 gelme olasılığı nedir? P(2 yada 6) = 1/6 +1/6 =0.33 4 . Yani bileşik olayların birbirlerini engelleyen türden olması gerekmektedir [P(AB)=0].Olasılığın nisbi frekans olarak belirlenmesi Bir olayın meydana gelme olasılığı= geçmişte benzer olayın tekrarlanma sayısının toplam gözlem sayısına oranıdır. Örnek. Örneğin A veya B olayının meydana gelme olasılığı P (A veya B) = P(A) + P(B) Bu kuralın uygulanabilmesi için bir olay meydana gelirken aynı anda diğerlerinin meydana gelmemesi gerekmemektedir. 250 kez para atıldığında yazı gelme olaylarının nisbi frekansını hesaplarsanız m/n P (Yazı)=m/n n ∞ m: yazı sayısı n: toplam atış 50 100 150 200 250 0.5 n OLASILIK HESAPLAMARINDA TEMEL KURALLAR Olasıkların toplanması: Bileşik bir olayın ortaya çıkma olasılığı. o olayı meydana getiren olayların olasılıkların toplamına eşittir.

maça çekme olayı: B P(A veya B)=P(A)+P(B)-P(AB) = 4/52 + 13/52 –1/52 = 4/13 5 . B.P(AB)P(AC)-P(BC)+P(ABC) Örnek 1 Bir deste iskambil kağıtı arasından 1 vale veya 1 maça çekme olasılığı nedir? Vale çekme olayı: A. P (A veya B veya C)= P(A) + P(B).Olasılıkların toplanması Eğer bir deneyde A. ve C olayları birbirlerini engellemeyen türden olaylar ise A ve B olaylarının ortaya çıkış olasılığı P(A veya B)= P(A) +P(B)-P(AB) P(AB): Birleşik olasılık (Joint probabilit):hem A hemde B olayının aynı anda meydana gelme olasılığı A veya B veya C’nin ortaya çıkış olasılığı.

Bir turistin Ayasofya veya efesi ziyaret etme olasılığı nedir? Ayasofyayı ziyaret etme olayı: A. 60’ ise her ikisinide ziyaret etmiştir.P(AB) =120/200 +100/200 –60/200= 0.8 Olasılıklarınının Toplanmasının Küme Teorisi ile açıklanması J. Bu diyagramlara Venn diyagramları denir. Efesi ziyaret eden turist sayısı ise 100’dür.Örnek 2 Ülkemizi ziyaret eden 200 turist üzerinde yapılan ankette sadece Ayasofyayı ziyaret eden turist sayısı 120. A B C A. C olayları birbirlerini engeleyen olaylar P(A)+P(B)+P(C) =1 A ~A P(A)+P(~A)=1 6 . Venn(1834-1888) bir deneyin sonuçlarını grafiksel olarak ifade edebilmek için diyagramlar geliştirdi. B. efesi ziyaret etme olayı:B P(A veya B)=P(A) + P(B).

P( A| B) 7 . A olayının olasılığına şartlı olasılık denir ve P(A|B) şeklinde ifade edilir. P( AB) P( A| B) = P( B) Ave B olayları birbine bağlı ise yani B olayının ortaya çıkışı A olayının olasılığını etkiliyorsa hem A hemde B olayının aynı anda meydana gelme olasılığı P( AB) = P( A).Olasılıklarınının Toplanmasının Küme Teorisi ile açıklanması A B P(A veya B)= P(A)+P(B) ~(A veya B) A A∩B B P(A veya B)=P(A)+P(B)-P(AB) Olasılıkların çarpımı kuralı Şartlı olasılık(Conditional Probabilility): Şayet A olayı B olayından sonra ortaya çıkıyorsa. P( B| A) P( AB) = P( B). P(A|B): Eğer B olayı meydana geldiyse A olayının olasılığını ifade etmekte.

seçilmiş filimlerin her ikisininde bozuk olma olasılığı nedir? P(A): birinci çekimde filmin bozuk çıkma olasılığı P(B): ikinci çekimde filmin bozuk çıkma olasılığı P(A ve B)= P(A). 2/9 =0. Bunlardan 3’ünün bozuk olduğu biliniyor.Örnek Bir kutuda 10 adet film var. Eğer sırasıyla birer adet toplam 2 film çekersek.P(B|A) =3/10 .0667 Olasılıkların çarpımı kuralı Eğer A ve B olayları birbirinden bağımsız ise yani birinin ortaya çıkışı diğerinin olasılığını etkilemiyor ise Hem A hemde B’nin aynı anda ortaya çıkma olasılığı P(AB)=P(A)P(B) 8 .

.. P ( A'i | B) = P( Ai ) P( B| Ai ) P ( A1 ) P( B| A1 ) + . Kuralın amaçı bir olayın ortaya çıkmasında birden fazla bağımsız nedenin etkili olması halinde bu nedenlerden herhangi birinin. o olayı yaratmış olması ihtimalini hesaplayabilmektir. ve C olayları birbirine bağlı ise A.+ P( An ) P( B| An ) 9 .Ödev Eğer A. B.ve C’nin aynı anda ortaya çıkma olasılığını nasıl hesaplarız? Bayes Kuralı Şartlı olasılıkların hesaplanmasında kullanılan bir tekniktir.B.

• Random değişkenin değeri sayarak elde edilir. Doç. yada 5) – Bir haftada yapılan satış sayısı – 5 dakika içerisinde Türk petrole gelen araç sayısı – 200 kişi içerisinden uçak rezervasyonu yaptırıp.SÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI Yrd. 1. | 2 | 3 | 4 | 5 | 6 | 7 | 8 X 1 . İrfan Yolcubal Kocaeli Üni. 3. sonra vazgeçen kişi sayısı Sürekli (Continuous) Random Değişken: Random değişken belirli bir aralıkta her değeri alabilir. • Random Değişken: Nümerik olarak ifade edilen bir deneyin sonuçları • Süreksiz(Discrete) Random Değişken: • Random değişken belirli bir aralıkta sadece kesin değerler alabilir. 4.Dr. • Örnek: – Bir parayı 5 kez atalım ve tura gelme sayısını hesaplayılım (0. 2. Jeoloji Müh.

p(xi)] çiftleri • x= random değişkeninin değeri • P(x)= random değişkenin meydana gelme olasılığı 0 ≤ p(xi) ≤ 1 • Σ P(xi) = 1 • Deneyin sonuçlarına ait olasılıkların toplamı 1’e eşittir. • Deneyin sonuçları birbirlerini engellemeli 2 . bir deneyin olası sonuçlarını ve her bir sonuça karşılık gelen olasılıkları sunan dağılımlardır. 2 parayı aynı anda atarsak 3/4 – 2/4 – 1/4 – – yazı gelme olasılığı Olasılık 0 1 2 x = Yazı gelme sayısı Süreksiz(Discrete) Olasılık Dağılımları • Tüm olası [xi .Süreksiz Random Değişkenlerin Olasılık Dağılımları • Olasılık dağılımı.

25 + 1 ×.1)2(.50 Süreksiz Olasılık Dağılım Modelleri Süreksiz Olasılık Dağılımları Binom Hipergeometrik Poisson 3 .25) + (1 .25 = 1 σ2 = (0 . Ortalama değeri ve varyansı hespalay µ = 0 × .50 + 2 × .Süreksiz Olasılık Dağılımlarının ortalaması ve varyansı µ = E(X) = ∑xi p(xi) σ2 = Σ (xi .1)2(.1)2(.25) = .50) + (2 .µ )2p(xi) Örnek: 2 parayı aynı anda atalım ve yazı gelme sayısını belirleyelim.

50 1/4 = .25 2/4 = . • Tekrarlanan deneylerde. bir nalburdan 10 adet lamba alınması vb.BİNOM OLASILIK DAĞILIMLARI • Binom olasılık dağılımları n adet deneyde kesin olarak x adet elverişli halin meydana gelme olasılığını tarif eden dağiılımlardır. • Deneyin her bir sonuçu sadece 2 olaydan biri olabilir: Bunlar genelde elverişli(success) ve elverişsiz (failure) olaylar olarak sınıflandırılır. • Binom dağılımlarında n adet tekrarlanan benzer deney vardır. • Deneyin her bir sonuçun olasılığı bir deneyden diğerine değişmez.25 Her x değeri için µ = E(x) = np σ2 = E[(x – µ)2] = np (1 –p) 4 .. • Örnek: Bir paranın 15 kez yazı/tura için atılması. q=1-p Bir para 2 kere atıldığında tura gelme olasılığı X 0 1 2 P(X) 1/4 = . bir deneyin sonuçu diğerlerinkini etkilemez yani bağımsızdır. BİNOM OLASILIK DAĞILIMLARI P( x ) = n! p x q n− x x !(n − x )! n: deney sayısı x: elverişli halin sayısı p: her bir deneydeki elverişli halin olasılığı q: elverişsiz halin olasılığı.

5.4 0. σ = 5(.1 0.2 0 n = 5 p = 0..5 Standard Sapma .6 .g.5) 0 (1 − 0.6 . 1 doğru çevap bulma olasılığı nedir? Not: Ögrenciler konu hakkında önceden bir bilgiye sahip değildirler.5) = 1.4 . n=4 0.5)1 (1 − 0.118 .g.3 0.35 Elverişli halin olasılığı 0.5 X 0 1 2 3 4 5 Örnek: Binom Dağılımları • 4 D/Y sorusundan 0.5) 4 − 1 = 0.0625 0!(4 − 0)! 4! (0. P (0) = 4! (0.5) 4 − 0 = 0.15 0.5)(1 . µ = 5 (.2 0 P(X) n = 5 p = 0.1 X 0 P(X) 1 2 3 4 5 σ = 1 np ( − p ) e.25 0.1) = .Binom Olasılık Dağılımları ortalama değer ve varyans Ortalama µ = E ( X ) = np e.25 1!(4 − 1)! Binom olasılık dağılımı P=0.05 0 P (1) = 0 1 2 Doğru cevap sayısı 3 4 5 .2 0.4 .

2 – Olasılık x .3 – .3 – (n = 10.3 – Olasılık . p = .2) d Hipergeometrik Olasılk Dağılımları Hipergeometrik dağılımlar binom dağılımlarına büyük bir benzerlik göstermekte Deney n adet denemeden oluşmakta Deneyin olası 2 sonuçu var Hipergeometrik ve binom olasılık dağılmları arasındaki temel fark. p = .1 – . p = .1 – 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 x (n = 10.Binom Dağılımlarının Şekli .2) c (n = 20.3 – . p = .5) a .2 – .1 – 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 20 x (n = 10.8) b Olasılık .2 – . hipergeometrik dağılımlarında denemeler birbirinden bağımsız değil 6 .2 – Olasılık x .1 – .

Bunun yerine hipergeometrik olasılık dağılımları uygulanılır. binom olasılık dağılımları kullanılmaz. P( x ) = ( s Cx )( N − S Cn − x ) N Cn N: popülasyonun büyüklüğü S: Popülasyondaki elverişli hallerin sayısı x: örnekteki ilgili elverişli hallerin sayısı n: örnek yada deney sayısı n! C = x !( n − x )! C: Kombinasyon sembolü n x x adet nesne n sayida bir gruptan seciliyorsa Hipergeometrik Olasılık Dağılımlarının Ortalması ve Varyansı nS N µ = ∑xP(x) = σ2 = ∑x2P(x) µ2 S(N . – Eğer örnek sınırlı bir popülasyondan yerine konmadan seçiliyorsa – Eğer örnek sayısı toplam popülasyonun % 5’inden fazla ise belli bir elverişli yada elverişsiz halin olasılık dağılımını belirlemek için hipergeometik olasılık dağılımları kullanılır.Hipergeometrik Olasılık Dağılımları • Elverişli halin olasılığı bir deneyden diğerine değişiyorsa.n) = N2(N .S)n(N .1) N-n N-1 = n S S 1N N 7 .

431 Hipergeometrik Olasılık Dağılımları • Seçilen örnek popülasyona geri konulmuyorsa. 10 tanesinde en az 1 bozuk ürün vardır. 8 .Örnek: Hipergeometrik olasılık dağılımları • Bir haftada 50 adet cep telefonu üretildiğini varsayalım. ( 40 C4 )( 50− 40 C5− 4 ) P ( 4) = = C5 50 ( 40! 10! ) )( 4!36! 1!9! 50! 5!45! = 0. bunlardan 4’ünün problemsiz çalışma olasılığı nedir. 5 örnek rastgele çekilirse. ve örnek sayısı popülasyonun %5’inden az ise binom olasılık dağılımları hipergeometrik olasılık dağılımları yerine kullanılabilir. Bunlardan 40 tanesi mükemmel şekilde çalışırken. Çekilen örnekler yerine tekrar konulmamaktadır.

1. 9 .µ2 =µ Poisson dağılımının ortalaması µ.2…) µ = ∑xi p(xi) σ2 = ∑x2P(x) . – Bir zaman aralığındaki elverişli bir halin olasılığı.7183 x= belli bir zaman aralığındaki elverişli hallerin sayısı (0.Herhangi bir µ değerinin dağılımı pozitif bir çarpıklığa sahiptir. • Örnek: • şirketin faks makinasına günlük gelen faks sayısı • İstanbulda aylık işlenen araba hırsızlığı vakası sayısı • Numune hastanesi acil servisine saatlik gelen hasta sayısı Poisson Olasılık Dağılımları P( x ) = µ xe− µ x! µ= ortalama elverişli hal sayısı e=sabit sayı=2.Poisson Olasılık Dağılımları • Poisson dağılımları belirli bir bölgede yada belirli bir zaman aralığında bir olayın kaç defa meydana geldiğini belirlemek açısından faydalıdır. zaman aralığının büyüklüğü ile orantılıdır. • Poisson dağılımlarının uygulanması için gerekli şartlar – Herhangi bir zaman aralığında meydana gelen elverişli hallerin sayısı diğer zaman aralıklarında meydana gelen elverişli hal sayısından bağımsızdır. µ artıkça dağılım normal dağılıma yaklaşır. standard sapaması ise µ’nün karaköküdür. – Olaylar ölçüm aralığında kesinlikle aynı noktada meydana gelemez.

1 0.224 2! Poisson dağılımları elverişli hal olasılığı küçük.05 0 2 3 4 5 10 11 12 13 01 1 2 3 4 56 67 78 89 9 10 11 12 14 14 15 13 15 16 Örnek: Poisson Dağılımları • Shell benzin istasyonuna her 15 dakikada bir ortalama 3 araç gelmektedir.1 0.25 0.7183) −3 P(2) = = 0.15 0. np<5. Geleçek 15 dakika içinde 2 araçın gelme olasılığı nedir. ve deney sayısı(n>100)büyük olduğu durumlarda binom olasılık dağılımı yerine kullanılabilir.2 0.3 0.1 0.15 0.05 0 1 0 2 1 32 43 54 6 7 7 8 10 11 5 6 8 9 9 10 0.15 0.Poisson Olasılık Dağılımları Poisson olasılık dağılımı µ =2 0. 32 (2.05 0 1 0 0.2 2 3 4 5 6 7 1 2 3 4 5 6 8 9 10 11 Poisson olasılık dağılımı µ =5 0.2 Poisson olasılık dağılımı µ =7 0. 10 .

3678 0! e −111 P( X = 1) = p(1) = = e −1 = .Poisson Olasılık Dağılımları 0.1 0 1 2 0 1 3 2 4 5 3 4 6 5 7 8 9 10 11 P ( X = 0) = p( 0) = e −110 = e −1 = .0613 3! 6 11 .2 0.3 0.3678 1! P ( X = 2) = p( 2) = e −112 e −1 = = .1839 2! 2 e −113 e −1 P ( X = 3) = p( 3) = = = .4 0.

a < x < b = 0 başka yerde E(x) = (a + b)/2 Var(x) = (b .Sürekli Olasılık Dağılımları Uniform Olasılık Dağılımı Normal Olasılık Dağılımı Exponent Olasılık Dağılımı f(x) µ x Uniform Olasılık Dağılımı Bir random değişken olasılığı nezaman random değişkenin değer aralığı ile orantılı ise o random değişken uniform bir dağılım sergiler denir.a) .a)2/12 a = bir değişkenin varsayacağı en küçük değer b = bir değişkenin varsayacağı en büyük değer 1 . • Uniform Olasılık fonksiyonu f(x) = 1/(b .

6 P( 1º < x < 4º ) = 0.6 3 P(x ) 0.2 P( x > 1º ) = 0.Uniform Olasılık Dağılımları Taralı alan = 3 • 0.8 0 0 1 2 3 4 5 x Sıcaklık (C) 0 0 1 2 3 4 5 x Sıcaklık (C) Şekil 1 Şekil 2 Sürekli Olasılık Dağılımları • Sürekli bir random değişkenin(X) olasılığı (değişkenin değerinin a-b aralığında bir değer aldığını varsayarsak).2 = 0.2 P(x ) 0. f(x) ≥ 0 x = +∞ x = −∞ ∫ f ( x ) dx = 1 x =b P ( a < X < b) = x=a ∫ f ( x)dx 2 . a-b aralığında olasılık dağılım fonksiyonu eğrisi altında kalan alan olarak tanımlanır.

endüstrideki bir çok olay normal veya normala yakın bir dağılım göstermektedir. +∞ E(X ) = −∞ ∫ f ( x ) dx Varyansı Var( X ) = ∫ ( x − E ( X ))2 f ( x)dx −∞ +∞ Normal Olasılık Dağılımı • Doğadaki. σ = standart sapma π = 3.14159. e = 2. Normal olasılık dağılım eğrisinin fonksiyonu aşağıdaki şekilde tanımlanır.71828 µ−3 µ−2σ σ µ−σ µ µ+σ µ+2σ µ+3 σ 3 . Ortalama. f (x) = 1 e σ 2π − ( x− µ )2 2σ 2 µ = A.Ortalama ve Varyans Sürekli bir random değişkenin aritmetik ortalaması.

Normal Olasılık Dağılım
Özellikleri Çan eğrisi şekilli bir dağılım -∞ < x < +∞ Normal olasılık dağılım eğrisinin altında kalan alan 1’e eşittir.
∞ −∞

∫ f ( x ) dx = 1

Normal dağılımlar µ etrafında simetriktir. µ Normal dağılımının yerini belirlemektedir ve grafikteki en yüksek noktadır. Normal dağılımlarda aritmetik ortalama, mod ve medyan birbirine eşittir. σ yayılma miktarını belirlemektedir.

Normal Olasılık Dağılımı
Normal dağılımlarlarda µ + 1σ altında kalan alan tüm dağılımın % 68 ini µ + 2σ altında kalan alan tüm dağılımın % 95 ini µ + 3σ altında kalan alan tüm dağılımın % 99.7 ini kapsamaktadır.

-4

-3

-2

-1

0

1

2

3

4

-4

-3

-2

-1

0

1

2

3

4

-4

-3

-2

-1

0

1

2

3

4

µ + 1σ 68%

µ + 2σ 95%

µ + 3σ 99.7%

4

Normal bir olasılık dağılımında olasılıklarının gösterimi

P ( a ≤ x ≤ b) = ∫ f ( x ) dx
a

b

P(x)

a

b

x

Normal Dağılım

σ

σ µ 0

σ

σ

-4

-3

-2

-1

1

2

3

4

5

Sonsuz sayıda normal olasılık dağılımları vardır.
Şekil 1. Farklı A. ortalamalı, aynı standart sapmalı normal olasılık dağ.

30

35

40

45

50

55

60

65

70

Şekil 2. Aynı A. ortalamalı farklı standart sapmalı normal olasılık dağ.

35

40

45

50

55

60

65

70

75

Standart Normal Dağılım
• Normal dağılımlarının tümü standart normal dağılımla ilişkilidir. • Standart normal değişken z’nin sergilediği A. ortalaması 0, varyansı 1’e eşit olan normal dağılıma standart normal dağılım denir.

f(x)

-4

-3

-2

-1

0

z

1

2

3

4

6

Normal Dağılım • Her bir normal random değişken (x).00 ve z = 3. • Aritmetik ortalama 0. z = (x – µ)/σ • Standard normal dağılım tablo halin. Standart Normal Dağılımın Özellikleri •Normal eğrinin altında kalan alan 1’e eşittir. 0 z 7 . ortalama etrafında simetriktir ve her iki yönde yatay eksene yaklalarak fakat dokunmadan devam etmektedir.00 değerleri arasındadır. eğriyi iki eşit parcaya (0.5) bölmektedir. aşağıdaki formül yardımıyla standart normal değişkene (z) dönüştürülür. • Hemen hemen tüm alan • z = -3. •Dağılım A.

1808 .4976 .4941 .4981 .4868 .0120 .4015 .2486 .2224 .4817 .2 1.3485 .4979 .2088 .4706 .Standard Normal Dağılım : µ = 0 ve σ = 1 Verilerin 99.4738 .3577 .5 0.4946 .0 0.4959 .4671 .0359 .3106 .3907 .2157 .1628 .4973 .4554 .4370 .8 2.4951 .4940 .7 0.6 2.4850 .135 0.4495 .3962 .4980 .4987 .3997 .4279 .3790 .4890 .4989 .3729 .1950 .3186 .2389 .1772 .4656 .4898 .4957 .4884 .4535 .4953 .4966 .7 % si ortalamın 3 σ si içerisinde 95% 2σ 68% 1σ 0.2881 .4599 .6 0.2291 .4932 .1985 .4251 .1 0.0714 .3133 .3621 .4987 .4 0.4985 .4982 .2517 .4761 .0080 .4591 .4977 .0557 .2 2.4192 .4920 .4545 .3531 .4943 .04 .2734 .2823 .4756 .4429 .4987 .4949 .4649 .2967 .1443 .4911 .4826 .1179 .09 .4803 .4969 .4971 .3264 .4582 .4236 .4808 .4896 .2190 .0987 .4798 .4968 .4945 .4952 .0239 .4972 .4990 .1915 .4032 .2939 .4948 .3340 .8 0.4985 .0832 .1480 .4955 .4906 .1664 .2794 .0910 .4988 .4982 .1255 .0636 .0398 .2642 .4854 .4625 .4986 .4861 .3051 .06 .07 .3810 .4767 .4099 .1554 .1844 .4345 .4573 .3212 .0948 .3925 .4292 .1517 .4938 .4332 .3849 .4974 .1700 .2580 .4 1.4713 .1879 .0160 .4881 .0 2.4975 .9 1.1591 .3770 .3830 .4082 .0438 .00 .1293 .1736 .5 1.4693 .2852 .4887 .4699 .3686 .2673 .4981 .4265 .1 2.4726 .4793 .2704 .4147 .4319 .4406 .4834 .4719 .3980 .6 1.7 1.2549 .4207 .3643 .1064 .3389 .1103 .3 2.3708 .4934 .001 0.2910 .4913 .4778 .4842 .4875 .4 2.4967 .4838 .3944 .3508 .3665 .8 1.4564 .4878 .4956 .0319 .4463 .0675 .4394 .4177 .3554 .4357 .03 .2257 .024 0.4925 .4641 .4846 .2019 .1217 .4772 .4990 8 .4222 .4983 .3289 .4162 .3365 .3461 .2764 .4963 .2995 .4686 .1 1.4678 .2123 .4505 .4989 .001 0.4922 .0793 .4901 .0000 .3 1.0871 .4871 .4970 .4857 .4988 .4066 .5 2.1026 .4893 .4788 .2611 .4978 .4929 .0279 .4115 .3749 .2357 .9 2.3315 .4474 .1141 .4965 .1368 .4830 .4441 .9 3.2054 .4918 .3869 .4382 .4964 .0753 .4306 .4608 .0040 .2422 .01 .4864 .4484 .340 0.3599 .4904 .0 1.4986 .0596 .4936 .0199 .4783 .4452 .4977 .4961 .4931 .4909 .1406 .4960 .3238 .0478 .4927 .340 0.2 0.3159 .3 0.3078 .3023 .4616 .4821 .4131 .4989 .4812 .02 .4916 .4049 .4633 .05 .4974 .4979 .3888 .3438 .3413 .0517 .08 .4732 .4515 .4984 .4984 .4750 .4744 .4525 .024 0.4664 .0 .1331 .4962 .2454 .4418 .135 –3 –2 –1 0 1 2 3 Standard Normal (z) Dağılım Tablosu z 0.7 2.2324 .

2054 .1591 .1103 .2549 .1480 .1950 .2 .0910 .4 .2764 .0319 .2324 .1026 .2967 .05 .2704 .2518 .2389 .0517 .2019 .2088 .1406 .2642 .02 .0359 .6 .04 .1844 .0753 .3264 .2794 .2967 Alan = 0.8 .0239 .07 .2852 .0160 .1664 .1915 .1217 .2033 Alan = 0.1141 .0279 .1368 .3340 .2580 .06 .0438 .2224 .00 .0557 .7 .0636 .2157 .1808 .5 0 0.3078 .2486 .5 .1331 .1772 .0596 .3365 .08 .3 .0793 .2422 .01 .0675 .3159 .0478 .9 .2123 .3186 .2910 .2291 .Standart Normal Olasılık Dağılımı P(z<0) P(0<z<0.1179 .0714 .2673 .0948 .03 .2734 .1517 .3023 .3051 .09 .0120 .83) P(z>0.0199 .2357 .2454 .0987 .1700 .1554 .2190 .83) Alan = 0.1255 .3212 .3315 .1736 .0080 .1879 .2995 .2881 .0832 .1443 .0398 .1064 .2823 .0000 .3106 .3389 9 .0 .1628 .83 z Standart Normal Dağılım Tablosunun Kullanımı z .1293 .0871 .2612 .2257 .1985 .3289 .3238 .2939 .3133 .0040 .1 .

.45 z P ( z < 1.9265 Örnek 3 • P(z > 1. . .5000 0.5000 + 0. z P(z > 145) = 05000 − 04265 = 00735 .4265 0 1. 10 .45)=? 0.4265 = 0.45) = 0.Örnek 2 (Tablo methodu) 0.4265 Aranan alan 0 145 .

Örnek 4 • P(-1.98)=? Aranan alan Tablodan hesaplanan alan =0.5000 − 0.26 < z < 0) =? • = P(0 < z < 1.3962 Sorulan alan Tablodan hesaplanan alan = 0.98 P ( z < −0.26 0 1.1635 11 .26 z Örnek 5 • P(z < -0.3962 − 1.98 0 0.3365 -0.98) = 0.26) • = 0.3365 = 0.

4 < z < −0.5) = 0. .3<z<1. P(−23 < z < 18) = P(−23 < z < 0) + P(0 < z < 18) .1915 = 0. .8)=? 0.5) = P(0 < z < 1. 4 -0.Örnek 6 • P(-2.4<z<-0. .2277 12 .3 0 18 .5 P(−1.4) − P(0 < z < 0.4641 − 2. Örnek 7 • P(-1. .4893 0. . = 04893+ 04641 = 09534 .5)=? Aranan alan − 1 .4192 − 0.

04 0 z 0.03 0.3485 0.6 M 0.01 0.4505 13 .4495 0. % 15 0.02 0.00 0.03 0 0.3508 M • Aşağıdaki standart normal eğride % 90’lık alana karşılık gelen z değeri bulalım.45 0 z 0. 0.3500 0.01 0. standart normal dağılım tabloları z değerini belirlemek için kullanabilir.05 M 1.04 z 0.4500 0.02 0.0 0.00 z 0.• Eğer eğrinin altında kalan alan biliniyor ise.35 P85 z 1.05 M 0.

25 σ . z = 32 − µ 32 − 32 = =0 σ .25 x z 0 32 − 32 x − 32 32.025 ml arasında soda içerme olasılığı nedir? Çözüm 8 Aranan alan x = 32.025.025 1.02  . z = 32.025− 32 = = 1.Örnek 8 •Bir şişeleme makinası ortalama olarak 32 ml sodayı 0. •Dolum miktarının normal bir dağılım gösterdiğini varsayarsak.02 .025) = P    .25) = 0.02 ml standart sapmayla doldurucak şekilde ayarlanmıştır.025− µ 32.02 = P ( 0 < z < 1.02 32 32.025 − 32  < < P (32 < x < 32.02 x = 32.3944 14 . rastgele seçtiğimiz bir şişenin 3232.

  = 003  σ σ  72−62 Pz > .•Rastgele seçtiğimiz bir şişenin 31. σ =10/188 =532 P(z >188) = 003 .   = 003  σ  72−62 .02 . Araçlarının hızları aritmetik ortalması 62 km/saat olan normal bir dağılım göstermektedir. Araçlarının %3 ü 72 km/saat ‘in üzerinde seyahat ediyorsa tüm araçlarının hızlarının standart sapmasını hesaplayınız? P(x > 72) = 003 . . − 15 32 0 x z Örnek 9 •Bir polis radarı akşam trafiğinde E-5de araçlarının hızları denetlemektir.   = P ( z > −15)  .97 . .97 − 32  > P ( x > 3197) = P .97 ml den fazla soda içerme olasılığı nedir? x − 32 31.4332 = 0.9332 31. 0. =188 σ (188)(σ) =10 .03 x −62 72−62 > P .4700 0. 62 72 1. .88 0 z x 15 .02  = 0. .5000 + 0.

1271 (b) P(z < k) = 0.8186 (d) P(z > k) = 0.90 < z < k) = 0.Binom Olasılık Dağılımlarının Normal Dağılıma yaklaşmas Kural • Normal dağılım tablolarının binom dağılım yerine kullanabilmesi için Standart Normal Dağılım Bir standart normal dağılımda aşağıdaki koşulları sağlayan k değerlerini bulalım.9495 (c) P(z > k) = 0.0073 (e) P( 0. (a) P(z < k) = 0.02) = 0.1806 (f) P( k < z < 1.1464 16 .

71828 17 . ortalama e = 2.Exponent Olasılık Dağılımı • Exponent Olasılık Fonksiyonu f ( x) = 1 − x /µ e µ x > 0. µ > 0 µ = A.

Sistematik rastgele örneklemede rastgele bir başlangıç noktası seçilir ve ondan sonra her n’inci popülasyon üyesi örneklemede seçilir. 3. Popülasyonun parametrelerinin belirlenmesinde 2 türlü tahminden yararlanılır: . seçilen örneklerin üyelerinin yok edilmesi durumunda. Çok sıkca. Cluster örneklemede popülasyon gruplara ayrılır ve bu gruplardan rastgele örnekleme yapılır. Popülasyonun tüm üyeleriyle bağlantı kurmanın çok zaman alması 2 türlü örnekleme vardır: Rastgele ve karara dayalı yani iradi örnekleme Rastgele örneklemenin bir kaç türü vardır: 1. örneklerinin popülasyona geri katılamaması 2. Dolayısıyla bu tür örneklemede popülasyon parametrelerinin tahmininde hataya sebeb olabilir. Basit rastgele örneklemede popülasyonun her bir üyesi aynı şeçilme şansına yada olasılığına sahiptir. Bunlar şu şekilde özetlenebilir. Bir örneklemeden tahmin edilen ortalamadaki standart hata miktarı : σX = s n s: örneklemedeki gözlemlerin standart sapması n: örneklemedeki gözlemlerin sayısı Merkezi limit teoremine göre eğer bir popülasyon normal bir dağılım gösteriyorsa örneklemelerinin aritmetik ortalamalarının dağılımıda ayrıça normal bir dağılım gösterir. Popülasyonun tümüne ulaşmanın örneklemede mümkün olmayabilmesi 3. 2. Popülasyonun tümünü örneklemenin maliyetinin yüksek olması 4. Popülasyon parametresi ile örnekleme istatistiği arasındaki arasındaki fark örnekleme hatası olarak tanımlanır.1 ÖRNEKLEME TEORİSİ Bir popülasyonun istatistiksel parametrelerini belirlemede örneklemenin tercih edilmesinin bir çok sebebi vardır. Karara dayalı yani iradi örneklemede örnek şeçimi tamamiyle örneklemeyi yapan kişinin kararına dayalıdır. Doğru seçilmiş bir örneklemenin popülasyonun parametrelerini uygun bir şekilde tahmin edebilmesi ve bunun sonuçunda maliyet ve zaman kaybının azaltılması 5. 1. Eğer popülasyon normal dağılım sergilemiyorsa örneklemelerinin aritmetik ortalamalarının dağılımı örnek sayısı artıkça normale yakın bir dağılım gösterir.

Bir popülasyonun ortalamasının güven aralığı örneklemedeki gözlem sayısına (n). Enterval yada aralık tahmini (interval estimate): popülasyon parametresinin hangi değerler arasında bulunacağının belirlenmesidir.2 Nokta tahmini( point estimate): popülasyon parametresinin tahmininmde tek bir değer kullanılır.96 ve 2. ve güven aralığının derecesine bağlıdır. Örneğin Bu tablo yarım normal dağılıma göre . örneğin standard sapmasına. Bir ortalamanın güven aralığı şu şekilde genel olarak ifade edilebilir: X ± zσ x s X±z n s: örneklemenin standard sapması z: standard değer n: örneklemedeki gözlem sayısı %95 ve % 99 güven aralığı istatiksel tahminlerden en yaygın olarak kullanılmaktadır. Aralık tahmininde popülasyon parametersinin güven aralığının hesaplanması gerekmektedir. Bu güven aralıklarına karşılık gelen değerler standart normal dağılım tablolarından hesaplanır.58 değerleri gözlemlerinin sırasıyla %95 ve %99 una karşılık gelen standard değerlerdir.96 s n %99 güven aralığı: X ± 2.58 s n 1. n ≥ 30 için %95 güven aralığı: X ± 1.

05) σX = s N −n ( ) n N −1 aynı düzeltmeyi ortalamanın güven aralığı için yazarsak.475 . Buda doğaldır çünkü örnek sayısı artıkça ortalamın standart hatasıda doğal olarak azalma göstereçektir.s  n=   E  2 Eger örneklemediki veri sayısı(n) tüm popülasyonun (N) %5 inden büyük ise yani n/N > 0. . Bir örneklemede popülasyonun ortalamanın belirlenmesi için belirlenecek gözlem sayısı(n).05 ise hem popülasyon ortalamasının hemde oranının standard hata miktarına bir düzeltme uygulamak gerekmektedir. seçilecek güven aralığına(z). Bu düzeltme katsayısı şu şekilde ifade edilir.  z.3 hazırlandığından 0. ve verilerin standard sapmasına(s) bağlıdır.95/2 =0. Bu değere karşılık gelen standart değer normal dağılım tablosundan 1. X ±z s N −n ( ) N −1 n Örneklemedeki gözlem sayısının popülasyonun tümüne oranı % 5 den az ise düzeltme katsayısının standart hataya katkı payı çok küçüktür o nedenle önemsenmeyebilir. N −n N −1 Popülasyon ortalaması için standart hataya uygulanaçak düzeltme (n/N > 0.96 olarak kolaylıkla okunabilir. izin verilebilir maksimum hata oranına(E). Aksi durumda (n/N >%5) düzeltme miktarı standart hatayı azaltaçağından popülasyon ortalamasının aralığı daralaçaktır.

2. İrfan Yolcubal Kocaeli Üniversitesi Jeoloji Müh. 1 . Firestone ve Lassa tatafından üretilen lastiklerinin ömrü aynıdır.İstatistik Vize sınıvanın ortalaması 50’nin altındadır. Televizyon izleyicilerin %70 i günlük haber programlarını izlemektedir. Hipotez Örneklemeye dayalı bir popülasyon parametesinin değeri hakkında ileri sunulan iddia Örnekler: 1. 3.Hipotez Testleri Dr.

Önem veya Risk Derecesinin Belirlenmesi(α): Aslında doğru olan Null hipotezinin rededilme olasılığı: Risk derecesinin seçimi tercihe dayalı Genelde 0. Genellikle bu varsayımda popülasyon parametresinin belli bir değeri olduğu varsayılır. 5 aşamadan oluşur.05 yani % 5 ve % 1 risk dereceleri araştırmalarda kullanılmakta 2 .Hipotez Testleri Bir popülasyon hakkında ileri sunulan hipotezinin kabul edilip edilmeyeceğini belirlemek için örneklemeye dayalı sistematik izlenen bir seri işlemler. H0= null hipotezi yada sıfır hipotez Alternatif hipotez: Örneklemeye ait veriler null hipotezonin yanlış olduğuna ait deliller sunduğu durumlarda kabul edilen hipotezdir HA = alternatif hipotez Hipotez Testinin Aşamaları 2. Null ve alternatif hipotezin belirlenmesi Null hipotezi: Bir popülasyon parametresi hakkında ileri sürülen varsayım. 1.

tip hata: Null hipotezi yanlış iken rededilmez. Hipotez Testlerinde Hatalar Karar Null hipotezi Kabul etme Null hipotezi redetme Null Hipotezi doğru Doğru Karar II. tip hata: Null hipotezi doğru iken reddedilir.Hata Tipleri I. II. Daima bu hatalardan birini yapma ihtimali vardır. tip hata Null Hipotezi Yanlış I. Bu ihtimalleri risk derecesini belirleyerek azaltmak isteriz. II. tip hata OK 3 . I. Tip hata yapma olasılığı α olarak bilinmektedir. Tip hata yapma olasılığı β olarak bilinmektedir.

Hipotez Testinin Aşamaları
3. Istatistiksel test metodunun belirlenmesi: Null hipotezin rededilip edilmeyeceğinin belirlenmesinde kullanılan ve popülasyon örneklemesinden elde edilen değer
örnek: t, F,ve ki kare istatistik testleri

4. Null hipotezinin hangi koşullarda kabul ve hangi koşullarda rededileceğinin belirlenmesi 5. Karar verilmesi: Null hipotezinin alınan risk derecesi doğrultusunda reddi yada kabülü.

1: Null ve Alternatif hipotezleri ileri sürmek
Farzedelim ögrençilerin ders geçmek için 60 almaları gerekmekte. Rastgele 40 ögrenci secelim ve onların ortalamalarının 64 olduğunu varsayalım Araştırma sorusu: Popülasyonun gerçek ortalaması 60 ın üzerinde midir?
H0: µ ≤ 60 HA: µ >60

4

2: Önem Derecesini(α) belirlemek
Önem derecesi, null hipotezi gerçekten doğru iken, null hipotezini redetme olasılığıdır Örnek: α = 0.05 seçelim

1-α Kabul alanı

α=0.05
Red Alanı Kritik değer

3: Hipotez testinin 1 veya 2 yönlü olup olmadığının belirlenmesi
Eğer alternatif hipotez ortalamanın belli bir değere eşit yada ondan büyük olduğunu ifade ediyor ise hipotez tek yönlüdür. Örnek: HA: µ ≥ 60
1-α Kabul alanı α=0.05

Kritik değer

5

3: (Devam)
Eğer alternatif hipotez ortalamanın belli bir değere eşit yada ondan küçük olduğunu ifade ediyorsa, hipotez tek yönlüdür. Örnek: HA: µ ≤ 60
α= 0.05 1-α Kabul Alanı

Kritik değer

3: (Devam)
Eğer Alternatif hipotez ortalamanın belli bir değere eşit olmadığını ifade ediyor ise bu hipotez çift yönlüdür. HA: µ ≠ 60
α/2= 0.025 1-α Kabul Alanı

α/2= 0.025

6

z= X− µ σ n X = orneklemenin ortalamasi µ = populasyon ortalamasi σ = populasyonun standart sapmasi Popülasyonun standart sapması bilinmiyorsa ve n ≥ 30.05=0.5-0. Populasyon normal dağılım sergilemekte Hipotez testinde kullanıcak değer: z= X−µ s n 7 .645 z = 1.05 z = 1. 0.45 değerine karşılık Gelen z değeri bulunur. z=1. Eğer popülasyonun stadart sapması (σ) biliniyor ise yada σ bilinmiyor fakat n≥30 ise standart normal tabloları kullanılarak risk derecesine karşılık gelen z kritik değeri belirlenir.45 1-α Kabul Alanı α= 0.05 α= 0. örneklemenin standart sapması (s) popülasyonun standart sapması yerine kullanılabilir.645 5: Test istatistiğini belirlemek ve kritik değerle karşılaştırmak Popülasyonun standart sapması bilniyor ise z= kritik değer sağdaki formül vasıtasıyla hesaplanır.645 Standart normal tablolarından 0.4: Kritik değeri veya değeleri belirlemek Bilinmek istenilen – Null hipotezi doğru varsayarsak dağılımın 1-α yüzdesine karşılık gelen kritik değer.

Hipotez Test Aşamalarını Özetlersek 1. 5. Ha Önem yada Risk Derecesini Belirlemek: α Hipotezin tek mi çift mi yönlü olduğunu belirlemek Kritik değerleri belirlemek Test istatistik değerlerini hesaplamak ve kritik değerle karşılaştırmak Örnek 1 H0 : µ = 50 H1: µ ≠ 50 Örnek ortalaması 49. Null ve Alternatif Hipotezleri Belirlemek: H0. Hipotez testinde % 5 risk alırsak a) Hipotez testi tek mi yoksa çift mi yönlüdür b) Null hipotezi hakkındaki kararınız nedir c) Bu kararı almaktda nekadar kendinize güveniyorsunuz yani p değeri nedir. örneklemedeki veri sayısı da 36dır. 8 . 4. Popülasyonun standart sapması ise 5 dir. 3. 2.

Çözüm a) Hipotez testi iki taraflı bir hipotezdir çünkü alternatif hipotezin yönü yoktur yada belli değildir.96 Örnek 1.51 olduğunu ifade eder. Çözüm (Devam) c) Null hipotezini kabul etmede ne kadar eminiz ? Bunu belirleye bilmek için hesaplanan z değerinin o değerinin üzerinde bulunma olasılığını yani p değerini hesaplamamız gerekecektir. Popülasyon ortalaması 50 den farklı olabilir ifadesi büyükte olabilir ve küçükte olabilir gibi 2 ihtimal içermektedir.2 den az ve 1.96 9 . p değeri popülasyonun ortalmasının 50 nin üzerinde veya altında olma olasılığının %11.96 0. p değeri risk derecesinden 0.95 olasılık 0 0.025 olasılık z=1.Örnek 1.96 0.1151dir (0.05 büyük olduğundan null hipotezi kabul edilir.025 olasılık z=-1.1151di r. p değerini hesaplayabilmek için z değerinin –1.2 ve altında bir değer olma olasılığı 0.3849).2 den fazla olma ihtimalini hesaplamamız gerekmektedir çünkü hipotez iki taraflı olup iki farklı red bölgesi içermektedir. Bu nedenle hipoteze 2 taraflı hipotez denilmektedir. –1. b) %5 riskle taralı alanlar hipotezin rededildiği alanları ifade etmektedir. Bu nedenle p değeri 2 x 0. z= 49 − 50 = − 12 . 0 z=-1.025 olasılık z=1. 5 36 Hesaplanan z değeri bu taralı alanlar dışında kalan bölgeye düştüğüne göre Null hipotezini kabul edebiliriz 0.5-0.

645 z Sonuç: Ortalamanın 368 gr üzerinde olduğuna ait yeterli delil yoktur.50 z= HA: µ > 368 σ 15 α = 0.05 ile Red alanı Test İstatistiği: rededilmez 0. 10 . Hipotezi 0.05 0 1.05 25 n n = 25.05 önem derecesi ile test edelim. σ bilinmekte Karar: Kritik değerler Null hipotez α = 0. Tek yönlü hipotez test çözümü H0: µ ≤ 368 X − µ 3725 − 368 . Üretiçi firma ürün miktarı için standart sapmayı σ 15 gram olarak belirlemiştir.5 gr.Örnek 2: Tek yönlü z testi Bir kutu mısır gevreği 368 gramın üzerinde midir? Ratgele seçilen 25 kutunun ortalamasıX = 372. = = +1.

Popülasyonun standart sapması ise 3 dir.Çift yönlü z Testi Çözümü H0: µ = 368 X − µ 3725 − 368 .05 ile red Red Alan 0. σ bilinmekte Karar: Kritik değerler Null hipotezi α = 0. örneklemedeki veri sayısı da 36dır. Hipotez testinde % 2 risk alırsak a) Hipotez testi tek mi yoksa çift mi yönlüdür b) Null hipotezi hakkındaki kararınız nedir c) Bu kararı almaktda ne kadar kendinize güveniyorsunuz? 11 .96 z ÖDEV H0 : µ ≤ 10 H1: µ > 10 Örnek ortalaması 12.025 -1.96 Test İstatistiği: Red Alan 0.50 HA: µ ≠ 368 15 σ α = 0.05 n 25 n = 25.025 edilmez Sonuç: Ortalama miktarın 368 olduğu hakkında yeterli bir delil yoktur 0 1. z= = = +1.

Örnek: 2 popülasyonun ortalamalarının karşılaştırılması 2 farklı hastanenin acil servisine gelen hastalara müdahele süresi aşağıda sunulmaktadır. sigorta hastanesinin acil servisinden daha mı hızlı hastalara ilk müdaheleyi yapmaktadır? Hastane numune sigorta Ortalama süre 5. Sadece fark z değerinin hesaplanışıdır.4 dak 0.3 dak Örnek standart sapması 0.01 olasılık 12 .3 dak Örnek sayısı 50 100 Null hipotezinin(H0) Rededildiği bölgesi Null ve alternatif hipotez: H0 : µ1 = µ2 H1: µ1 〉 µ2 0 0.5 dak 5.HİPOTEZ TESTİ:İKİ POPÜLASYONUN ORTALAMALARININ KARŞILAŞTIRILMASI Amaç:2 örnek ortalamasının aynı ortalamalı 2 popülasyondan gelip gelmediğini test etmek z= X1 − X2 s12 s2 2 + n1 n2 Hipotez test edilirken daha önceki kısımlarda bahsettiğimiz hipotezıin 5 aşamasıda aynı şekilde uygulanır.33 0.99 olasılık 2. Bu araştırmaya göre %1 riskle numune hastanin acil servisi.

5 − 5.4 2 0.499=0. 3. z-testi and t-testi karşılaştırılması z-test istatistiği Normal dağılıma dayalı Popülasyonun varyansı bilindiğinde yada örneklemedeki veri sayısı büyük olduğunda örneklerin ortalamaları hakkındaki hipotezleri test etmek için kullanılır t-test istatistiği t dağılımına dayalı t dağılımının şekli örneklemedeki veri sayısına bağlı olarak değişmektedir Serbestlik derecesine bağlıdır df :n-1 Örneklemedeki veri sayısı artıkca t dağılımı normal dağılıma yaklaşır Popülasyonun varyansı yada standart sapması bilinmediğinde ve örneklemedeki veri sayısı küçük olduğunda (n<30) örneklerin ortalamaları hakkındaki hipotezleri test etmek için kullanılır 13 .5-0.001 Bu değer 0.12 ve üzeri bir değer olma olasılığı: 0. alternatif hipotez %1 riskle kabul edilir. Buna göre 3.33 null hipotezi red edilir.Örnek: Devam z= X1 − X2 s s + 2 n1 n2 2 1 2 = 5.3 0. p değeri bu büyüklükte yada onun üzerinde bir değer bulma olasılığıdır.32 + 50 100 = 312 .12 değeri olmadığından en yakın 3. .01 risk derecesinden küçük olduğundan null hipotezinin doğru olmama ihtimali çok yüksektir. z = 312 > 2.499(Tabloda 3.12 ve üzerinde bir z değeri alma olasılığı 0.09 değerine karşılık gelen olasılık esas alınmıştır.

t dağılımıları Standart normal (z) t (n = 13) t (n = 5) Ortalamadan olan Standart sapma 0 t-testleri Varyans hakkında kesin bir bilgiye sahip olmadığımız için (sadece tahmin). t dağılımını kullanırız t-testinin ortalaması t= X = örnek ortalaması s = örnek standart sapması X −µ s n µ = test edilen popülasyonun ortalaması n = örneklemedeki veri sayisi 14 .

and 95. 75. 6 ögrencinin notları 62. 68. 83. 92. önem derecesini α belirle Sınıfın ortalama notu 70 ve üstüdür: H0: µ ≤ 70 HA: µ > 70 α = 0.05 15 .Hipotez testi: σ bilinmemekte Yüksek lisans dersindeki ögrencilerin araştırma metodları hakkında iyi bir bilgiye sahip olup olmadıklarını ögrenmek istiyorum 6 ögrenci sınıftan rastgele seçilir ve sınava tabii tutulur Sınıfın test den en az 70 alabilmesini istiyorum. 1 & 2: Hipotezleri belirle.

3: Tek veya çift yönlü bir hipotez mi? 4: Kritik değerleri belirle
Tek yönlü Kritik değerleri t tablosundan belirlenir
1-α Kabul Alanı α=0 .05

t= 2.015 [serbestlik derecesi d.f. =5] için

5: Test istatistklerini hesapla & değerlendir
t değeri kritik değerinden küçüktür. Null Hipotezi kabul edilir

475 = 79.17 6 s = 13.17 79.17 − 70 t= = 1.71 13.17 6 x=

16

Örnek hakkında Sorular
Önem derecesini 0.1 olarak seçersek ne olur? Kritik değer= 1.476 Null hipotezini red et! Eğer α =0 .05 fakat test çift yönlü ise ne olur ? Bu hipotez testini örneğin büyüklüğü nasıl etkilemiştir.

Örnek: 2 yönlü t testi
Kuzey Kıbrıstaki seçim noktalarının her birinde az yada çok 368 seçmen oy kullanmışmıdır? 36 rastgele seçim noktasındaki ortalama seçmen sayısı 372.5 ve standart sapma 12 seçmendir. Hipotezi 0.05 önem derecesi ile test edelim

17

Çift yönlü t Testi: Çözüm
H0: µ = 368 X − µ 372.5 − 368 = +2.25 H1: µ ≠ 368 t = S = 12 α = .05 n 36 df = 36 - 1 = 35 Karar: Kritik değerler
Red alan
0.025

Test İstatistiği:

Red alan
0.025

Null hıpotezi α = 0.05 ile red edilir

Sonuç:

-2.0301 0 2.0301

t

Popülasyonun ortalamasının 368 olmadığına ait delil vardır

Örnek: Tek yönlü t testi
Kuzey Kıbrıstaki seçim noktalarının her birinde 368 den fazla seçmen oy kullanmış mıdır? 36 rastgele seçim noktasındaki ortalama seçmen sayısı 372.5 ve standart sapma 12 seçmendir. Hipotezi 0.05 önem derecesi ile test edelim

18

5 − 368 = = +2. ve populasyonların standart sapmalari benzer olmalı Bir veri çiftinin karşılaştırılması 19 .Tek yönlü t testi .05 1.Çözüm H0: µ ≤368 H1: µ > 368 α = .25 S 12 n 36 Null hıpotezi α = 0.1 = 35 Kritik değerler Red 0.68 t Test İstatistiği: t= X − µ 372.05 df = 36 .05 red edilir Karar: Sonuç: 368 den fazla seçmenin ortalama oy sandıklarında oy kullandığına ait delil vardır t testi Popülasyon ortalamasının testi:bir önceki slaytlarda bahsettik 2 birbirinden bağımsız popülasyonun ortalamalarının karşılaştırılması Şartlar: popülasyonlar normal yada normale yakın bir dağılım serğilemeli Popülasyonlar birbirinden bağımsız olmalı.

ornegin varyansi 2 2 (n1 − 1) s1 + (n2 − 1) s2 s = n1 + n2 − 1 2 p df = serbeslik derecesi = n1 + n2 − 2 t dağılımlarında bir veri çiftinin karşılaştırlması Örnek: bir fiziksel zayıflama kursuna katılmış kişilerinin kurs öncesi ve kursu sonrası kilolarının karşılaştırılması Amaç: kursun etkinliğini test etmek t = d sd n df = n − 1  ∑d ∑d2 −  n   n− 1 ( ) 2 sd =     d = bir cift gozlemler arasindaki farkin ortalamasi n:cift gozlem sayisi sd = bir cift gozlemlerin degerleri arasimdaki farkin standart sapmasi 20 .ornekteki veri sayisi s2 = populasyon varyansinin birlestirilmis tahmini p 2 s1 = 1.t dağılımlarında 2 birbirinden bağımsız popülasyonun ortalamalarının karşılaştırılması t= X1 − X 2  1 1 s2  +  p  n1 n2  n1:1.

Kategorisel veri analizi ki-kare ki kare testi .

yoksa bu iki değişken birbirinden bağımsızmıdır. Depresif mi? evet Kişilik dışadönük içedönük 10 20 hayır 20 10 “hücreler” Not: Değişkenler kategorik Her katılımcı sadece bir hücrede gözükür g .Ki-kare testi (χ2) İki değişken arasında bir ilişki olup olmadığının testi Örnek: Kişiliğin deprosyonla bir ilişkisi var mıdır.

VERİ TÜRLERİ Veri Kantitatif Kualitatif Süreksiz Sü k i Sürekli Sü kli .

Kualitatif random değişkenler sınıflanabilen yanıtlar vermektedir.Kualitatif Veri 1. 2. 3 Nominal yada Ordinal ölçek .  Örnek: cinsiyet (Erkek Kız) (Erkek. Ölçüm kategorideki veri sayısını ç g y yansıtır 3.

Hipotez testleri Kualitatif V i K li if Veri Kualitatif Veri 1 pop. Oran 2 pop. Bağımsız Z Testi Z Testi 2 Testi 2 Testi . ≥2 pop.

Ki-kare (2) Testi k oranları için ç .

≥2 pop. Bağımsız Z Testi Z Testi 2 Testi 2 Testi .Hipotez testleri Kualitatif V i K li if Veri Kualitatif Veri 1 pop. Oran 2 pop.

Bir yönlü olasılık tablasunu kullanmakta . p3 = 0 5 0. Bir kaç seviyeli bir değişken ç y ğş 3. Oranların sadece eşitliklerini test eder.5 2.2.3.Ki-kare (2) Testi kO Oranları için l i i 1. 03 0.  Örnek: Ö k p1 = 0 2 p2=0. Varsayımlar  Multinomial Deney  Beklenen sayı  5 4.

6 n sayıda benzer deneme Her bir denemede k sayıda sonuç H bi d d d Sabit sonuç oranları. 4. 6. 5. 100 (n) kişiye 3(k) adaydan hangisine oy vereceklerini sormak . pk Bağımsız denemeler Random değişken sayıdır. nk Örnek.Multinomial Deneyler 1. 2 3. 2.

k sayıda bağımsız grup içindeki (sonuçlar veya değişken seviyeleri) gözlem sayılarını gösterir .Tek yönlü olasılık tablosu bl 1.

Tek yönlü olasılık tablosu bl 1. k sayıda bağımsız grup içindeki (sonuçlar veya değişken seviyeleri) gözlem sayılarını gösterir Sonuçlar (k = 3) ADAY Ali 35 Veli 20 Yanıt sayısı Aycan 45 Toplam 100 .

Hipotezler   H0: p1 = p1.0. p2 = p2....0. Hipotez edilen olasılık . .k sayıda oran için Hipotezler ve i Hi l istatistik i ik 1.0 Ha: pi lar birbirine eşit değildir. pk = pk.2 Testi.

0 Ha: pi lar birbirine eşit değildiler Hipotez edilen olasılık 2..k sayıda oran için Hipotezler ve i Hi l istatistik i ik 1..2 Testi. p2 = p2. pk = pk. Test istatistiği Gözlemlenen sayı   2  ni  E ni E ni af af 2 Beklenen sayı .0. .0. Hipotezler   H0: p1 = p1..

Serbestlik derecesi. df= k-1 k..0. p2 = p2.2 Testi.0 Ha: pi lar birbirine eşit değildiler Hipotez edilen olasılık 2.k sayıda oran için Hipotezler ve i Hi l istatistik i ik 1. pk = pk.0. . k veri sayısı i .. Hipotezler   H0: p1 = p1.. Test istatistiği Gözlemlenen sayı   2  ni  E ni E ni af af 2 Beklenen sayı 3.

2 Testi Ana fikiri 1. Gözlemlenen sayı nekadar beklenen sayıya yaklaşırsa null hipotezinin doğru olma olasılığı o kadar fazladır  Beklenen sayıyla arasındaki farkın karesi ile ölçülür. Null hipotezi doğru ise gözlemlenen sayıyla beklenen sayıyı karşılaştırır karşılaştırır. il öl ülü  Büyük değerler reddedilir. 2. .

Kritik değerin bulunması Örnek Ö k k = 3. ve  =0.05 için kritik 2 değeri nedir .

.995 .05 … 0. ve  =0.841 … 0 103 … 5 991 0.103 5.. 0.010 0 010 .Kritik değerin bulunması Örnek Ö k k = 3.95 … 0.991 df 1 2 0.004 … 3.05 için kritik 2 değeri nedir? 0 2 Tablo 2 Üst Kuyruk Alanı … 0.

103 5.Kritik değerin bulunması Örnek Ö k k = 3.05 0 2 Tablo 2 Üst kuyruk alanı … 0.995 .05 için kritik x2 değeri nedir? Eğer ni = E(ni).05 … 0..991 df 1 2 0. ve α =0. 2 = 0 H0 reddedilmez dd dil Red R d  = 0 05 0.004 … 3.841 … 0 103 … 5 991 0.010 0 010 . 0..95 … 0.

995 ...991 5 991 2 df 1 2 Üst kuyruk alanı … 0.Finding Critical Value Example E l k = 3.841 … 0 103 … 5 991 0. ve α =0.05 … 0.010 0 010 5.991 .103 5. H0 reddedilmez dd dil df = k .1 = 2 2 Tablo Red R d  = 0 05 0.004 … 3.05 0 0.95 … 0. 2 = 0.05 için kritik x2 değeri nedir? Eğerni = E(ni). 0.

2  Testi . çalışanların metodların dürüstlük derecesini algılamada bir farklılık varmıdır? . 0. 180 tane çalışan arasından 63 ü arasından. 1. k oranları içn Örnek Ö k İnsan kaynakları müdürü olarak 3 olarak. 72 si ise 3. farklı performans değerlendirme metodunun dürüstlük anlayışını test etmek istemetedir. 45 i 2. Methodu dürüst olarak.05 risk derecesinde. Methodu dürüst olarak değerlendirmiştir. Methodu dürüst olarak.

2 

Testi , k oranları içn Örnek Ö k
Test istattiği:

H0: Ha: = n1 = n2 = n3 = Kritik değer(ler):
Red

Karar: Sonuç:

0

2

2 

Testi , k oranları içn Örnek Ö k
Test istatistiği:

H0: p1 = p2 = p3 = 1/3 Ha: en az biri farklıdır  = 0.05 n1 = 63 n2 = 45 n3 = 72 Kritik değer(ler):
Red  = .05 0 5.991

Karar: Sonuç:

2

2 

Testi , k oranları için Çözüm
3

af E af E a f E a f 180a3f 60 n  n  n  1  n  E af n    E af n
1 2 2 2 i i i

E ni  npi ,0

 60 2 n2  60 2 n3  60 2 n1    60 60 60 2 2 2 63  60 45  60 72  60     6.3 60 60 60

 = .05 2 Sonuç: Oranlar arasında bir farklılık olduğu delili mevcuttur. k oranları için Çözüm Test istatistiği: 2 = 6. .991 Karar: Null hipotezi reddedilir.05 0 5.2  Testi .3 63 H0: p1 = p2 = p3 = 1/3 Ha: en az biri farklıdır  = 0.05 n1 = 63 n2 = 45 n3 = 72 Kritik değer(ler): Red  = .

bağımsız .2 Testi.

Varsayımlar   3. bağımsız 1.2 Testi. İ kualitatif değişken arasında bir İki ş p ğ gösterir ilişkinin mevcut olup olmadığını g   Bir örnek seçilir Sebeb sonuç ilişkisi göstermez Multinomial deney tüm sayılar  5 2. Çift yönlü olasılık tablosu kullanır .

değiken derecesi .2 Test Bir örnekten müşterek iki kualitatif değişkene ait gözlem sayısını gösterir 2. değişken derecesi Ev stili st Apartman Çiflik Toplam Ev lokasyonu Şe Şehir Kırsal sa 63 49 15 33 78 82 Toplam op a 112 48 160 1.

Test İstatistiği   2 n ij ˆ  E nij  ˆ E n  ij Gözlenen sayı  2 Beklenen sayı Satırlar Sütünlar Serbestlik derecesi: (r .1)(c . bağımsız Hipotezler & İ Hi l İstatistik i ik 1.1) .2 Testi. Hipotezler   H0: D ği k l b ğ Değişkenler bağımsız Ha: Değişkenler birbiriyle ilişkili (Bağımlı) 2.

birleşik olasığın marjinal olasılıklarının çarpımına eşit olduğu analamına gelmektedir.2 Testi. . Marjinal olasılıklar hesaplanır ve birleşik l l k h bi l ik olasılık hesabı için çarpılır b i i l 3. Beklenen sayı= veri sayısı x birleşik olasılığa eşittir. İstatiksel olarak bağımsız demek. gelmektedir 2. bağımsız beklenen sayılar b kl l 1.

Beklenen sayıhesaplaması h l Beklenen sayı = Satır toplam * Sütün toplam Veri sayısı y a f .

bağımsız Örnek Ö k Birleşik olasılık = 116 286 116 132 286 286 Diet Kola Di t K l Hayır Evet Toplam 132 286 Marjinal M ji l olasılık Diet P Di t Pepsi i Hayır Evet Gözl.5 .2 Testi. 32 84 48 132 122 154 Beklenen sayı Toplam T l 116 170 286 116 132 = 286 286· 286 286 =53. Gö l Gözl.

bağımsız Örnek Ö k Pazarlama araştırması yapan bir analistsiniz.05 risk soruyorsunuz α=0 05 derecesinde.α=0. müşterilere diet pepsi mi yada diet kola mı satın alıdıklarını soruyorsunuz.Rastgele seçtiğiniz 286 müşteri üzerinde yapacağınız araştırmada.ikisi arasında bir ilişki olduğuna dair delil varmıdır? Diet Kola Hayır H Evet Toplam T l Diet P Di t Pepsi i Evet Hayır 84 32 48 122 132 154 Toplam 116 170 286 .2 Testi.

1) = 1 Kritik değer(ler): Red = .841 2 .05 df = (2 .05  0 3.2 Testi.1)(2 . bağımsız Çözüm H0: ilişki yok Ha: ilişkili  = 0.

2 Testi.5 154 116 170 286 170·154 286 .5 132 32 122 154 62. Bekl. Gözl. Toplam Gö l B kl Gö l B kl T l 84 48 132 170·132 286 53. Bekl. bağımsız Çözüm  E(nij)  5 tüm hücrelerde 116·132 286 Diet Kola Di t K l Hayır Evet Toplam Diet P Di t Pepsi i 154·132 286 Hayır Evet Gözl.5 91.5 78.

5 2  122  91.5 53.5 2  54.5 62.2 Testi.29 . bağımsız Çözüm 2  n11   ch   n Ec h  n  n  n  Ea f n  Ea f n  Ea f    n  n  n Ea f Ea f Ea f ij 2 2 2 11 12 12 22 22 11 12 22 2  nij  E nij 2 84  53.5 91.5  32  62.

1)(2 .1) = 1 Kritik değer(ler): Red  = .05 0 3.29 54 29 Karar: Null hipotezi reddedilir  =0 .2 Testi.841 Test istatistiği: 2 = 54. bağımsız Çözüm H0: ilişki yok Ha: ilişki var  = 0.05 df = (2 .05 Sonuç: Bir ilişki olduğuna 2 dair delil var .

İrfan Yolcubal Kocaeli Üniversitesi Jeoloji Müh.KORELASYON VE REGRESYON ANALİZİ Dr. • Bağımlı Değişken: Tahmin edilen yada hesaplanan değişken • Bağımsız Değişken: Tahmin için kullanılan değişken • Dağılım grafikleri: 2 değişken arasındaki ilişkiyi gösteren grafikler 1 . Bölümü Korelasyon Analizi • İki değişken arasındaki ilişkinin yada korelasyonunun derecesini belirlemek için kullanılan istatistiksel yöntem.

bağımsız değişkende x ekseninde yeralır.Korelasyon Analizi: Örnek Satış elemanı Ali Veli Ayşe Gül Hüsnü Necati Zehra Fatma Zeynep Ahmet Telofonla yapılan arama sayısı 14 35 22 29 6 15 17 20 12 29 Satış yapılan ürün adeti 28 66 38 70 22 27 28 47 14 68 Dağılım Grafikleri Satılan ürün a deti 80 60 40 20 0 0 10 20 Arama sayısı • Genellikle. 30 40 2 . bağımlı değişken: y ekseninde .

Mükemmel negatif korelasyon 6 4 2 0 0 1 2 3 4 5 Mükemmel pozitif korelasyon 5 4 3 2 1 0 0 1 2 Y Y X r= -1 X 3 4 5 r =1 Korelasyon Katsayısı (r) 6 r= 0. x ve y arasında doğusal bir korelasyon yok Y ıllık g e lir 5 4 3 2 1 0 0 1 2 Cocuk3 sayısı 4 5 6 3 . iki değişken arasındaki korelasyonun mükemmel olduğunu ifade etmektedir. •İki değişken arasındaki dogruasal korelasyonunun derecesini −1 ≤ r ≤ 1 belirleyen bir katsayısı.Korelasyon Katsayısı (r) • 1900 yılında Karl Pearson tarafından tanımlandı. • r = -1 yada +1.

Korelasyon katsayısının hesaplanması (r) n (∑ XY ) − (∑ X )(∑ Y ) 2 2 r= [n(∑ X 2 ) − (∑ X ) ][(n(∑ Y )− (∑ Y ) ] 2 n : gozlem sayisi 4 .Korelasyon katsayısı (r) x ve y arasında pozitif doğrusal bir korelasyon var 15 not 10 5 0 0 2 4 6 8 10 ders çalışma süresi(saat) Korelasyonun derecesi 2 değişken arasındaki ilişkinin yönüne( + yada -) bağlı değildir.

Bu nedenle korelasyon katsayısının güvenirliliğini test etmemiz gerekmektedir.95 olasılık 0 (H0) Rededildiği bölgesi df = n − 2 = 10 − 2 = 8 % 5 risk ile p<0.306 2. Fakat bu korelasyon sadece 10 örneğe dayanılarak çıkan bir sonuç.001 -2. Hipotez: H0: ρ= 0 H1: ρ# 0 ρ= popülasyonun korelasyonu t= r n−2 1− r 2 = 0 .306 5 .835 0.924 Korelasyon Katsayısının Öneminin Test edilmesi Küçük örneklemelerde (n<30) Örnek: Önceki örnekte satılan ürün sayısı ile telofonla yapılan arama sayısı arasında güçlü bir korelasyonun olduğuna değindik.924 10 − 2 1 − ( 0 . Gerçekte popülasyonun korelasyonu sıfır olabilir mi bilmiyoruz.924 ) 2 = 6 .Korelasyon Katsayısının Hesaplanması: Örnek Satış elemanı Telofonla yapılan arama sayısı(X) 14 35 22 29 6 15 17 20 12 29 199 Satış yapılan ürün adeti (Y) 28 66 38 70 22 27 28 47 14 68 408 X2 XY Y2 Ali Veli Ayşe Gül Hüsnü Necati Zehra Fatma Zeynep Ahmet TOPLAM 196 1225 484 841 36 225 289 400 144 841 4681 392 2310 836 2030 132 405 476 940 168 1972 9661 784 4356 1444 4900 484 729 784 2209 196 4624 20510 r= [10(4681) − (199) ][10(20510) − (408) ] 2 2 10(9661) − (199)(408) = 0.

Bu matematiksel ifadeye de regresyon denklemi diyoruz. Minumum Kare Prensibi: Gerçek Y değerleri ile tahmin edilen Y değerleri arasındaki düşey uzaklıkların karelerinin toplamını minumuma çekerek regresyon denklemini belirleme işlemi. Regresyon denklemi genel ifadesi: Y` = a + bX X: seçilen bağımsız değişkenin değeri Y`: seçilmiş X değerine için tahmin edilen Y değeri a: dogrunun Y ekseni kestiği noktanın değeri b: doğrunun eğimi a ve b: regresyon katsayıları Y a X Regresyon Analizi Regresyon denklemini tespit etmek için minimum kare (least square principle) prensibini kullanıyoruz. ∑ (Y − Y `) 2 = minimum * Tahmin edilen değer Y * * X Gerçek değer 6 .Regresyon Analizi İki değişken arasındaki korelasyonun matematiksel ifadesini tespit etmek için yapılan analiz.

Regresyon Katsayılarının (a ve b) Belirlenmesi a= ∑Y − b ∑ X n n n(∑ XY ) − (∑ X )(∑ Y ) n ∑ X 2 − (∑ X ) b= ( ) 2 X: Bağımsız değişkenin değeri Y: Bağımlı değişkenin değeri n: Örnekteki veri sayısı Örnek: Regresyon Katsayılarının (a ve b) Belirlenmesi Satış elemanı Telofonla yapılan arama sayısı(X) 14 35 22 29 6 15 17 20 12 29 199 Satış yapılan ürün adeti (Y) 28 66 38 70 22 27 28 47 14 68 408 X2 XY Y2 Ali Veli Ayşe Gül Hüsnü Necati Zehra Fatma Zeynep Ahmet TOPLAM 196 1225 484 841 36 225 289 400 144 841 4681 392 2310 836 2030 132 405 476 940 168 1972 9661 784 4356 1444 4900 484 729 784 2209 196 4624 20510 7 .

Regresyon doğrusu daima X ve Y değerlerinden geçmektedir.1387 = − 1.1387X .Örnek: Regresyon Katsayılarının (a ve b) Belirlenmesi b= n (∑ XY ) − (∑ X n (∑ X −b 2 )(∑ Y ) = 10 (9661 ) − (199 )( 408 ) = 2 .1387 Örnek: Regresyon Doğrusunun grafiği Regresyon Denklemi Satış yapılan ürün sayısı 80 60 40 20 0 0 10 20 30 40 Telefonla yapılan arama sayısı Y` = 2. 8 . 706 10 10 Y ` = − 1.7604 Regreson doğrusunun özelliği: ∑ (Y − Y `) 2 = minimum 2. 7601 + 2 .1.1387 10 ( 4681 ) − (199 ) ) − (∑ X ) 2 2 a= ∑Y n ∑X n = 408 199 − 2 .

1287 = 8.8735 566.2622 11.033 50.9043 60.8334 98.9861 -9.7601 + 2.7378 10.0952 59.x) Belirlenmesi Standart Hata:Regresyon doğrusunun etrafında gözlenen değerlerin dağılımının yada yayılımınım ölçülmesi n−2 Sy.5978 -5.x= x bağlı y değeri S y.412 10 − 2 9 .4190 11.99043 7.x = ∑Y 2 − a (∑ Y ) − B (∑ XY ) n−2 Örnek: Regresyon Katsayılarının Tahmininde Standart Hatanın(S y.1817 73.2913 9.1817 -7.8247 119.1631 94.3204 34.3305 53.5978 41.0721 30.9279 -3.x= 0 ise tüm noktalar regresyon doğrusu üzerine düşmektedir.3204 -6. x = ∑ (Y − Y `) n−2 = 566.7378 0 2 0.0251 43. x = ∑ (Y − Y `) 2 S y.x= Tahminin standart hatası y.0139 23.0944 45.1285 Y ` = −1.x) Belirlenmesi Satış elemanı Telofonla yapılan arama sayısı(X) Satış yapılan ürün adeti (Y) 28 66 38 70 22 27 28 47 14 68 408 Tahmini satılan ürün adeti (Y`) (Y-Y`) (Y-Y`)2 Ali Veli Ayşe Gül Hüsnü Necati Zehra Fatma Zeynep Ahmet TOPLAM 14 35 22 29 6 15 17 20 12 29 199 28.1387 S y. •Gözlem sayısının büyük olduğu durumlarda regresyon katsayılarının Tahmininde kullanılan daha pratik bir formül S y.2913 60.0944 -7.5310 35.2622 -0.Regresyon Katsayılarının Tahmininde Standart Hatanın(S y.

1 + Y `±t ( s y . Bu Y değerleri normal dağılım göstermektedirler. Bu Y değerlerinin ortalamaları daima doğrusal regresyon çizgileri üzerinde yeralır. Bu normal dağılımların standart sapmaları birbirine eşittir. 2. Y değerleri istatiksel olarak birbirine bağlı değildir. 4. 3. Herbir X değeri için birden çokY değeri vardır. x ) n (X − X ) ∑X 2 2 2 ( X) − ∑ n X: seçilmiş X değeri t: df=n-2 özgürlük derecisi için belli bir risk derecesine göre t dağılım tablolarından belirlenen t değeri 10 . GÜVEN ARALIĞININ HESAPLANMASI Güven aralığı tüm X değerlerine dayanan bir aralık olup seçilmiş bir X değeri için hesaplanan ortalama bir değerdir.Doğrusal (linear) regresyon analiz uygulamak için varsayılan şartlar 1.

2 = 8 t = 2.1558 11 .ÖRNEK: GÜVEN ARALIĞININ HESAPLANMASI Örnek: 25 kez telefonla arama yapan satış uzmanlarının sattığı ürün sayısının güven aralığını hesaplayalım. x ) + n (X − X ) ∑X 2 2 2 ( X) − ∑ n = 51.7074 %95 güven araligi df = n .Güven aralığını: %95 seçin Satış elemanı Telofonla yapılan arama sayısı(X) 14 35 22 29 6 15 17 20 12 29 199 Satış yapılan ürün adeti (Y) 28 66 38 70 22 27 28 47 14 68 408 X2 XY Y2 Ali Veli Ayşe Gül Hüsnü Necati Zehra Fatma Zeynep Ahmet TOPLAM 196 1225 484 841 36 225 289 400 144 841 4681 392 2310 836 2030 132 405 476 940 168 1972 9661 784 4356 1444 4900 484 729 784 2209 196 4624 20510 ÖRNEK: GÜVEN ARALIĞININ HESAPLANMASI X = 25 Y `= 2.306( t dagilim tablolarindan) s y.7601 Y `= 51.9)2 4681 − (199) 2 10 51.1387 X − 1.412) 1 + 10 (25 − 19.7074 ± 7.x = 8.306(8.412 1 Y `±t ( s y.7074 ± 2.2 = 10 .

1 Y `±t ( s y .TAHMİN ARALIĞININ HESAPLANMASI Tahmim aralığı belli bir X değeri için olup o X değerine karşılık gelen değerlerin aralığını verir. x ) 1 + + n (X − X ) ∑X 2 2 2 ( X) − ∑ n Örnek: 25 kez arama yapan Zekinin %95 güven aralıkla satış yapacağı ürün adetinin tahmini aralığının belirlenmesi 12 .

Sign up to vote on this title
UsefulNot useful