Professional Documents
Culture Documents
‹STAT‹ST‹K
Yazarlar
Prof.Dr. Ali Fuat YÜZER (Ünite 1, 2)
Prof.Dr. Embiya A⁄AO⁄LU (Ünite 3, 13)
Prof.Dr. Hüseyin TATLID‹L (Ünite 4, 5, 6)
Prof.Dr. Ahmet ÖZMEN (Ünite 7, 8, 9, 14)
Prof.Dr. Emel fiIKLAR Ünite (10, 11, 12)
Editör
Prof.Dr. Ali Fuat YÜZER
ANADOLU ÜN‹VERS‹TES‹
Bu kitab›n bas›m, yay›m ve sat›fl haklar› Anadolu Üniversitesine aittir.
“Uzaktan Ö¤retim” tekni¤ine uygun olarak haz›rlanan bu kitab›n bütün haklar› sakl›d›r.
‹lgili kurulufltan izin almadan kitab›n tümü ya da bölümleri mekanik, elektronik, fotokopi, manyetik kay›t
veya baflka flekillerde ço¤alt›lamaz, bas›lamaz ve da¤›t›lamaz.
Genel Koordinatör
Prof.Dr. Levend K›l›ç
Ö¤retim Tasar›mc›s›
Yard.Doç.Dr. Melih Zeytino¤lu
Kapak Düzeni
Prof. Tevfik Fikret Uçar
Dizgi
Aç›kö¤retim Fakültesi Dizgi Ekibi
‹statistik
ISBN
975 - 06 - 0183 - 1
6. Bask›
Bu kitap ANADOLU ÜN‹VERS‹TES‹ Web-Ofset Tesislerinde 60.000 adet olarak bas›lm›flt›r.
ESK‹fiEH‹R, Ekim 2009
‹çindekiler iii
‹çindekiler
Sunufl ............................................................................................................. ix
Kullan›m K›lavuzu ........................................................................................ x
Sunufl
Anadolu Üniversitesi uzaktan e¤itim uygulayan ‹ktisat ve ‹flletme Fakültelerin-
de yürütülen istatistik dersleri kapsam›na ve uzaktan ö¤retim koflullar›na göre
haz›rlanan bu kitap, istatisti¤in temel konular›n›n ele al›nd›¤› ondört üniteden
oluflmufltur.
Kitab›n haz›rlanm›fl amaçlar› uyar›nca konular ifllenirken ilgili kavramlar daha
çok sezgiye dayal› yaklafl›mlarla verilmeye özen gösterilerek, teorik anlat›mlardan
kaç›n›lmaya çal›fl›lm›flt›r. Bu nedenle her ünitede, ele al›nan kavram ve tekniklere
iliflkin yeterli say›da çözümlü örne¤e yer verilmifltir.
Metin içerisinde s›ra sizde bafll›¤› alt›nda, ifllenen konuyla do¤rudan ilgili al›fl-
t›rmalarla ö¤renilenlerin, basit de olsa, günlük yaflamdaki baz› sorunlar›n çözü-
münde kullan›larak verilen kavram ve tekniklerin pekifltirilmesi amaçlanm›flt›r.
Ünitelerin sonunda kendimizi s›nayal›m bafll›¤› alt›nda, ilgili ünitenin yan› s›-
ra, önceki ünitelerde ö¤renilenleri de s›namaya yönelik, cevaplar› ünitenin sonun-
da bulunan ve sizleri s›nava haz›rlamay› amaçlayan, çoktan seçmeli test türü soru-
lar yer almaktad›r. Ancak çözüm için gerekli çabay› harcamadan cevaplara bakma-
y›n›z. Unutmay›n›z ki ö¤renmek keflfetmek demektir. Özveri, sab›r ve çaba ister.
Ö¤renebilmek için kaleminizi kullan›n›z. E¤er karfl›laflt›¤›n›z problemlerin çözü-
münde güçlüklerle karfl›lafl›yorsan›z, ilgili konular› tekrar tekrar gözden geçiriniz.
Örnek çözümleri ve al›flt›rmalar› yeniden çözünüz. Baflard›¤›n›z› göreceksiniz.
Elinizdeki kitap, genifl bir ekibin uzun süren çal›flmalar› sonucunda ortaya
ç›kan bir üründür. Bu ekibin oluflturulmas› ve çal›flmas›nda her türlü olana¤› sa¤-
layan Anadolu üniversitesi Rektörü Prof.Dr.Engin ATAÇ’a ve genel koordinatör
Prof.Dr.Levend KILIÇ’›n flahs›nda kitab›n haz›rlanmas›nda tüm eme¤i geçenlere,
editör ve yazarlar olarak teflekkür ederiz.
N Amaçlar›m›z: Amaçlar›m›z
bölümünde, okudu¤unuz
N
ünite sonunda kazanaca¤›n›z bilgi ve
beceriler sunulmaktad›r. Amaç: Amaçlar›m›z
AMAÇ
bölümünde s›rala-
3
nan sorular›n ya-
n›tlanmas› için gerekli bilgi
ve becerilerin ifllendi¤i bö-
lümleri gösterir.
N N
seçmeli sorular sunulmufltur. Bu
SIRA S‹ZDE SIRA S‹ZDE
sorular, s›navda karfl›laflt›¤›n›z
sorularla ayn› türdendir.
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
1
Temel Kavramlar
1
Çal›flma Biçimine ‹liflkin Olarak:
• Tüm kavramlar dikkatle gözden geçirilmeli,
• Kavramlar aras› iliflkilere dikkat edilmelidir.
2 ‹statistik
N
Amaçlar:
N
‹statisti¤in temel kavramlar›n› aç›klayabileceksiniz.
Veri derleme kavram›n› aç›klayabilecek ve veri derleme türlerini s›n›fland›-
rabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• B‹R‹M, DE⁄‹fiKEN VE ‹STAT‹ST‹K KÜTLES‹ (ANA KÜTLE)
• Birim
• De¤iflken (Özellik)
• ‹statistik Kütlesi (Ana Kütle)
• VER‹ DERLEME
• Birim Seçimi
• De¤iflken ve fi›klar›n Belirlenmesi
• Kütlenin S›n›fland›r›lmas›
• Veri Derleme Türleri
Ünite 1 - Temel Kavramlar 3
G‹R‹fi
‹statistik sözcü¤ü farkl› yaklafl›mlara göre de¤iflik anlamlar tafl›r. Günlük dilde is-
tatistik ya da istatistikler denildi¤inde, belirli bir olaya iliflkin derlenmifl say›sal bil-
giler akla gelir. Örne¤in, d›flal›m, d›flsat›m, turizm, inflaat istatistikleri ve benzerle-
ri gibi.
Metodoloji aç›s›ndan istatistik sözcü¤ü, istatisti¤e konu olabilen olaylar›n göz-
lenerek ilgili verilerin derlenmesi, ifllenmesi, analizi ve yorumlanmas›nda kullan›-
lan tekniklerin tümünü ifade eder.
XX. yüzy›l›n bafllar›nda istatistik alan›ndaki geliflmeler, istatistik sözcü¤üne tek-
nik içerikli yeni bir anlam kazand›rm›flt›r. Ba¤l› olarak istatistik sözcü¤ü, hakk›n-
da bilgi edinilmek istenen ve ana kütle olarak isimlendirilen y›¤›na iliflkin say›sal
karakteristikleri (parametreleri) tahminleyebilmek amac›yla, ilgili kütleden belirli
kurallara göre seçilen istatistik birimlerinin oluflturdu¤u ve örneklem ad› verilen
toplulu¤a iliflkin say›sal karakteristikler anlam›nda da kullan›lmaktad›r.
‹statistik de tüm di¤er bilim dallar› gibi olaylar› konu al›r. Olay varsa istatistik
vard›r. Ancak her olay da istatisti¤e konu oluflturamaz. ‹statistik y›¤›n olaylarla il-
gilenir. Y›¤›n olay, bir olaylar kümesinde tek bir olay›n di¤erlerini, ba¤l› olarak da
ait oldu¤u kümeyi temsil edemeyen olaylard›r. E¤er bir olaylar kümesinde tek bir Bir olaylar kümesinde tek bir
olay, tüm olaylar kümesini temsil edebiliyorsa, bu tür olaylara tipik olay denir. olay kümedeki di¤er olaylar›
temsil edemiyorsa, bu tür
Ancak istatistik tipik olaylarla ilgilenmez. Örne¤in, ideal koflullar alt›nda ve uygun olaylara y›¤›n olay denir ve
bir laboratuvar ortam›nda iki hidrojen ve bir oksijen atomu bir araya getirilirse, su istatistik y›¤›n olaylar› konu
al›r.
elde edilir. Bu deney ayn› koflullar alt›nda kaç kez tekrarlan›rsa tekrarlans›n, her
deneyin sonucunda su elde edilecektir. Görülece¤i gibi, bu örnekte tek bir deney
ilgili deneyler kümesini temsil edebilmektedir. Dolay›s›yla bu olay tipik olayd›r.
Ancak günlük yaflamdaki olaylar bu örnekteki olaya benzemez. Örne¤in, firmala-
r›n y›ll›k cirolar›, trafik kazalar›, evlenmeler, boflanmalar, do¤umlar, ölümler ve
benzeri gibi her gün karfl›lafl›lan olaylar, birer y›¤›n olay niteli¤indedir.
‹statistik, belirli amaç ya da amaçlar do¤rultusunda gözlenen y›¤›n olaylardan ‹statistik, belirlenen amaç
ya da amaçlar
derlenen say›sal verilerin ifllenerek, ilgili olaylar›n oluflturdu¤u y›¤›nlar›n bilimsel do¤rultusunda gözlenen
olarak incelenmesinde kullan›lan teknik ve yöntemler bilimi olarak tan›mlanabilir. y›¤›n olaylardan derlenen
Tan›mdan da anlafl›labilece¤i gibi, çeflitli etkenlerin etkisini tafl›yan y›¤›n›n, ilgi- say›sal verilerin ifllenerek,
ilgili olaylar›n oluflturdu¤u
lenilen özellik ya da özelliklerinin ald›¤› de¤erler, rakamlarla ifade edilebilmelidir. y›¤›nlar›n bilimsel olarak
Günümüzde, istatistik, deney ya da gözlemlere dayal› tüm bilim dallar›nda, ge- incelenmesinde kullan›lan
teknik ve yöntemler
nifl bir uygulama alan›na sahiptir. bilimidir.
Daha önce de de¤inildi¤i gibi, istatistik y›¤›n olaylar›n gözlenerek incelenme-
si ve analizinde kullan›lan teknikler toplulu¤udur. ‹lgilenilen olay›n kavranabilme-
si ve yap›lacak deney ya da gözlemlerin say›sal olarak analiz edilebilmesi için ön-
celikle deney ya da gözlemlere konu olan olay›n ilgilenilen özellik ya da özellik-
lerinin belirlenmesi, sonra da bunlar›n say›lmas› ya da ölçülmesi gerekir. Bu afla-
maya, verilerin toplanmas› ya da verilerin derlenmesi ad› verilir.
Veriler derlenirken, ilgilenilen kütleye iliflkin birimler say›l›r ya da ölçülürken,
öte yandan da bu birimlerin ilgilenilen özellik ya da özellikleri aç›s›ndan hangi
fl›klara sahip oldu¤u belirlenir ve kaydedilir.
Yukar›da de¤inilen kütle, birim, özellik ve fl›k kavramlar›, izleyen kesimlerde
yeterli ayr›nt›yla ele al›nacakt›r.
4 ‹statistik
N
B‹R‹M, DE⁄‹fiKEN VE ‹STAT‹ST‹K KÜTLES‹ (ANA KÜTLE)
AMAÇ
‹statisti¤in temel kavramlar›n› aç›klayabileceksiniz.
1
Birim
Y›¤›n olay niteli¤indeki her olaya birim ad› verilir. Kolayl›kla anlafl›labilece¤i gibi
tüm canl› ve cans›z varl›klar birer istatistik birimidir. Ancak, maddesel bir varl›¤a
sahip olmayan olaylar ve sosyal kurumlar da birer istatistik birimi olabilirler. Bir
Bir nesne ya da olay›n, birim olay›n birim olabilmesi için, ölçülmeye ya da say›lmaya elveriflli olmas› gerekir.
olabilmesi için, ölçülmesi ya Ölçülemeyen ya da say›lamayan nesneler ve olaylar istatistiksel anlamda birim
da say›lmas› yeterlidir.
oluflturamazlar. Örne¤in; insan, bina, araba ve hayvan gibi canl› ve cans›z varl›k-
lar istatistik birimleridir. Öte yandan, do¤um, ölüm, evlenme, iflas ve trafik kaza-
s› gibi olaylar da birim oluflturabilirler. Ancak sevinçler, korkular, rüyalar ve renk-
ler say›lamad›klar› ya da ölçülemedikleri için birim olamazlar.
Birim Türleri
Birimler farkl› ölçütlere göre s›n›fland›r›labilirler. ‹zleyen paragraflarda birimlerin
maddesel bir varl›¤a sahip olup olmamalar›na, ömür sürelerine, do¤al olup olma-
d›klar›na ve gerçek ya da varsay›msal olufllar›na göre s›n›fland›r›larak k›saca ele
al›nacakt›r.
De¤iflken (Özellik)
‹statistik birimlerinin sahip olduklar› özellikler birer de¤iflken olarak görülebilir. ‹statistik birimlerinin sahip
Örne¤in bir ö¤renci grubu göz önüne al›nd›¤›nda, bu ö¤rencilerin do¤um yerleri, oldu¤u özelliklere
“de¤iflken”, de¤iflkenlerin
yafllar›, a¤›rl›klar› ve boy uzunluklar› ayn› de¤ildir. Ö¤renciden ö¤renciye de¤iflir. ald›klar› de¤erlere ise “fl›k”
Bu özelliklerin farkl› ortaya ç›k›fl biçimlerine, baflka bir anlat›mla de¤iflkenlerin al- ad› verilir.
d›klar› de¤erlere ise “fl›k” ad› verilir.
Yukar›da sözü edilen ö¤renci grubunun boy uzunluklar› ve a¤›rl›klar›yla ilgi-
lenilecekse, boy uzunlu¤u ve a¤›rl›k “de¤iflkenleri (özellikleri)”, her ö¤rencinin
ayr› ayr› boy uzunlu¤u ve a¤›rl›¤› da bu de¤iflkenlere iliflkin “fl›klar›” oluflturur.
Kütle Türleri
‹statistik kütlelerini de, kütleyi oluflturan birimlerin niteliklerine göre s›n›fland›r-
mak mümkündür. Böyle bir s›n›fland›rma afla¤›da ana çizgileriyle ele al›nm›flt›r.
D Ü fi Ü N E L ‹ M 2. ‹statistik
D Üne
fi Ü Ntür
E L ‹olaylarla
M ilgilenir, nedenleriyle aç›klay›n›z.
3. Maddesel varl›¤› olmayan trafik kazas›, do¤um, evlenme ve grev gibi olaylar›n niçin
S O R U S O R U
birim olabildiklerini aç›klay›n›z.
N
D‹KKAT VER‹ DERLEME
D‹KKAT
N N
SIRA S‹ZDE AMAÇ SIRA S‹ZDE
s›n›fland›rabileceksiniz.
2
AMAÇLARIMIZ Veri derleme; belirlenen amaçlar do¤rultusunda gözlemlenecek birimlerin ölçül-
AMAÇLARIMIZ
mesi ya da say›lmas›, sonra da bunlar›n, ilgilenilen de¤iflkenlere göre, hangi fl›k-
lara sahip oldu¤unun belirlenmesi ve kaydedilmesi ifllemlerini içerir.
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
Ünite 1 - Temel Kavramlar 7
Birim Seçimi
Belirlenen amaç ya da amaçlar do¤rultusunda, ilgilenilen y›¤›n olay›n tan›mlan-
mas›yla “birim seçme” ifllemi gerçeklefltirilmifl olur. Baflka bir anlat›mla, kimlerin
ya da nelerin gözlenece¤i belirlenir. Ancak birim seçilirken, amaca uygunluk ve
uygulanabilirlik özelliklerinin öncelikle göz önünde bulundurulmas› gerekir. Bu-
nun için de birim belirlenirken, birim tan›m›n›n kesin, amaca uygun ve uygulama-
ya elveriflli olmas› gerekir.
Tan›m›n kesin olmas›, uygulamac›larca ilgilenilen y›¤›n olaya iliflkin ayn› fleyin
anlafl›lmas›, baflka bir anlat›mla kuflkulara yer açmayacak biçimde aç›k olmas›d›r.
Tan›m›n kesin olmas›n›n yan› s›ra, tan›m›n amaca uygunlu¤u ve kolayl›kla uy-
gulanabilirli¤i de gözden uzak tutulmamal›d›r.
Kütlenin S›n›fland›r›lmas›
Bir istatistiksel araflt›rma planlan›rken, araflt›rman›n nerede, kimlerle ve nelerle
gerçeklefltirilece¤i, ne kadar zamanda tamamlanaca¤› ve araflt›rma için ayr›lan
kaynaklar, ayr›ca gözlem say›s›n›n sonlu olmas›, kütlenin mekan ve zaman aç›s›n-
dan s›n›rland›r›lmas›n› zorunlu k›lar.
Baflar›l› bir s›n›rland›rma uygulamac›lara büyük kolayl›k sa¤lar.
S O R U S O R U
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
Ünite 1 - Temel Kavramlar 9
B afllang›çta ilgi alan› astronomi idi. Airy’nin hatalar teorisi üzerinde çal›fl›rken, istatis-
ti¤e ilgisi artm›flt›r.
1919’da rassall›k kavram›na iliflkin çal›flmalar› s›ras›nda varyans analizini, 1921’de de Li-
kelihood (Benzerlik) kavram›n› gelifltirmifltir.
1921’de kuramsal yap›y› önde tutarak, istatisti¤e iliflkin yeni bir tan›m vermifltir.
Sonraki y›llarda küçük örneklemler için uygun yöntemler gelifltiren Fisher, modern istatis-
ti¤in kurucular›ndan biri olarak görülür.
11
‹statistik Serileri
(Frekans Da¤›l›mlar›) 2
Çal›flma Biçimine ‹liflkin Olarak
• Ünite dikkatle gözden geçirilmeli,
• Örnekler dikkatle incelenmelidir.
12 ‹statistik
N Gözlem
Amaçlar
N
de¤erlerinden hareketle istatistik serileri oluflturabileceksiniz.
‹statistik serilerinin grafiklerini çizebileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• SER‹ TÜRLER‹
• Zaman ve Mekan Serileri
• Da¤›lma Serileri
• Birikimli Seriler
• Bileflik Seriler
• SER‹LER‹N GRAF‹KLE GÖSTER‹LMES‹
• Frekans Serilerinin Grafikle Gösterilmesi
• S›n›fland›r›lm›fl Serilerin Grafikle Gösterilmesi
• Birikimli Serilerin Grafikle Gösterilmesi
• Bileflik Serilerin Grafikle Gösterilmesi
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 13
G‹R‹fi
Derleme sonucunda elde edilen veriler, bir veri y›¤›n› oluflturur. Böyle bir y›¤›n-
dan belirlenen amaçlar do¤rultusunda ihtiyaç duyulan bilgilerin elde edilebilme-
si, ancak verilerin belirli esaslara göre düzenlenmesiyle mümkün olur. Bunun için
de ilk akla gelen, verileri büyüklüklerine göre s›ralamakt›r. Böyle bir s›ralama so- Genifl anlamda istatistik
nucu elde edilen rakamlar dizisine, istatistik serisi ad› verilir. serileri, gözlem de¤erlerinin
büyüklüklerine göre
Bir istatistik serisi gözlem amaçlar›na uygun de¤iflken ya da de¤iflkenlerin al- s›ralanmas›yla oluflturulur.
d›klar› de¤erlerden (fl›klardan) olufltu¤u için ilgilenilen y›¤›n olay›n gerek yap›s›,
gerek de¤iflimlerine iliflkin ayr›nt›l› ipuçlar› içerir. Bu nedenle de istatistik serileri,
ilgili y›¤›n olay›n kavranmas› aç›s›ndan etkin bir araç olup, istatistik analizlere te-
mel oluflturur.
N
SER‹ TÜRLER‹
De¤iflik ölçütler temel al›narak istatistik serileriyle ilgili farkl› s›n›fland›rmalar yap-
mak mümkündür. Ancak bu ünitede, zaman serileri ayr› bir ünitede ele al›naca-
¤›ndan, zaman ve mekan serilerine k›saca de¤inilecek, da¤›lma serileri de yeterli
ayr›nt›yla ele al›nacakt›r.
E¤er gözlem sonuçlar› ülke, bölge, flehir ya da köy gibi bir mekan (yer) de¤ifl-
keninin fl›klar›na göre s›ralan›rsa, elde edilen seriye “mekan serisi” ad› verilir. fie-
hirlere göre elektrik tüketimi, bölgelere göre tah›l üretimi bu tür serilere örnek
olarak gösterilebilir.
Afla¤›daki tabloda, mekan serisine örnek olarak, baz› illerin denizden yüksek-
likleri verilmifltir:
Da¤›lma Serileri
Gözlem sonuçlar›n›n maddesel bir de¤iflkenin fl›klar›na göre s›ralanmas›yla olufl-
turulan serilere, “da¤›lma serileri” ad› verilir. Da¤›lma serileri ana çizgileriyle nicel
ve nitel da¤›lma serileri olmak üzere ikiye ayr›l›r. Ancak bu ünitede, ifllemlere el-
veriflli olmas› nedeniyle sadece nicel da¤›lma serileri ele al›nacakt›r. Nicel da¤›lma
serileri de basit seriler (diziler), frekans serileri ve s›n›fland›r›lm›fl (grupland›r›lm›fl)
seriler olmak üzere üç alt bafll›k alt›nda incelenebilir.
E¤er gözlem sonuçlar›, bir E¤er derlenen veriler ilgilenilen konunun d›fl›nda baflka bir yönde, örne¤in;
zaman de¤iflkeninin
fl›klar›na göre s›ralan›rsa
gözlem s›ras›na göre s›ralanm›flsa, bu s›ralamaya “liste” ad› verilir. Aç›kt›r ki, der-
zaman, mekan de¤iflkeninin lenen verilerden ihtiyaç duyulan bilgilerin bir liste yard›m›yla elde edilmesi veri
fl›klar›na göre s›ralan›rsa
mekan, zaman ve mekan say›s› artt›kça giderek zorlafl›r. Çünkü, her aflamada listedeki sonuçlar›n tekrar
de¤iflkenlerinin d›fl›nda bir tekrar gözden geçirilmesi gerekir.
de¤iflkenin fl›klar›na göre
s›ralan›rsa da¤›lma serileri Konunun kolayl›kla anlafl›labilmesi için, derlenen verilerden hareketle s›ras›y-
elde edilir. la basit, frekans ve s›n›fland›r›lm›fl serilerin elde edilmeleri afla¤›daki örnek temel
al›narak gösterilecektir.
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 15
Tablo 2.3’de bir do¤um evinde do¤an 100 bebe¤in a¤›rl›klar›, do¤um s›ra- ÖRNEK 1
s›na göre verilmifltir:
Do¤um A¤›rl›k Do¤um A¤›rl›k Do¤um A¤›rl›k Do¤um A¤›rl›k Tablo 2.3 Bebek
S›ras› (kg) S›ras› (kg) S›ras› (kg) S›ras› (kg) a¤›rl›klar› (kg)
(Liste).
001 2.0 026 3.0 051 2.3 076 1.8
002 2.5 027 2.0 052 2.8 077 2.8
003 2.6 028 3.3 053 2.5 078 2.7
004 1.7 029 3.5 054 2.7 079 2.8
005 2.6 030 2.6 055 1.7 080 1.9
006 2.8 031 3.5 056 2.7 081 3.0
007 2.5 032 1.7 057 2.0 082 2.5
008 1.5 033 2.8 058 3.0 083 2.7
009 2.5 034 3.1 059 2.4 084 3.2
010 2.7 035 2.3 060 2.2 085 2.6
011 2.3 036 3.1 061 2.6 086 2.1
012 3.0 037 2.9 062 2.5 087 2.8
013 2.4 038 2.5 063 1.6 088 2.3
014 1.9 039 2.5 064 2,8 089 2.7
015 3.2 040 2.7 065 2.5 090 3.2
016 2.2 041 2.6 066 3.0 091 2.6
017 3.4 042 2.2 067 2.8 092 1.9
018 2.7 043 2.8 068 2.7 093 3.1
019 3.5 044 2.1 069 1.9 094 2.5
020 1.8 045 2.1 070 2.6 095 2.8
021 3.5 046 2.4 071 2,4 096 2.7
022 2.5 047 2,8 072 3.1 097 2.6
023 2.8 048 2.5 073 2.2 098 2.5
024 2.3 049 2.7 074 3.1 099 2.9
025 2.9 050 2.6 075 2.5 100 2.3
Verilen listenin incelenmesiyle gözlem (do¤um) s›ras›na göre, 017, 019, 021, 028,
029 ve 031’inci s›rada do¤an bebeklerin 3.2 kg’›n üzerinde oldu¤u görülür. Ancak
bu sonuca ulaflabilmek için, listenin en az bir kez bafltan sona kadar gözden ge-
çirilmesi gerekir.
Bir s›n›f›n alt ve üst s›n›rlar› aras›ndaki farka, “s›n›f aral›¤›” ya da “s›n›f büyük-
lü¤ü” ad› verilir ve h ile gösterilir. Yukar›daki not da¤›l›m› örne¤inde s›n›f büyük-
lü¤ü 15 puand›r. Dikkat edilirse ayn› seride son s›n›f, 96 ve daha çok olarak yer
alm›flt›r. Bu durum en büyük puan›n 100 olmas›ndan kaynaklanm›flt›r. E¤er s›n›f-
land›rmaya ayn› sistematikle devam edilmifl olsayd›, son s›n›f›n 96 - 111 biçimin-
de olmas› gerekirdi. Bafllang›ç ve bitifl s›n›rlar› belirtilmeyen bu tür s›n›flara “aç›k
s›n›flar” denir. Aç›k s›n›flar›n kullan›lmalar› halinde, en küçük ya da en büyük de-
¤er bilinemeyece¤inden baz› hesaplamalarda ve grafik çizimlerinde güçlüklerle
karfl›lafl›lacakt›r. Herhangi bir zorunluluk olmad›kça, aç›k s›n›flar›n kullan›lmas›n-
dan kaç›n›lmal›d›r.
Kuramda s›n›flar›n oluflturulmas›na iliflkin kesin bir kural yoktur. S›n›f say›s›n›
do¤rudan araflt›rmac› belirler. Ancak s›n›f say›s›n›n, karfl›lafl›lan özel problemin
yap›s›na ve araflt›rman›n amaçlar›na uygun bir biçimde belirlenmesi gerekir.
E¤er s›n›flama yap›l›rken s›n›f aral›¤› dar seçilirse, s›n›f say›s› artar ve frekans
da¤›l›m›n›n kavranmas› giderek zorlafl›r. Aksi durumdaysa, s›n›f say›s› azal›r. An-
cak da¤›l›ma iliflkin baz› ayr›nt›lar gizli kal›r.
Uygulamalarda bir frekans da¤›l›m›na iliflkin s›n›f say›s›n›n 7 - 20 ya da 10 - 30
aras›nda olmas›n›n uygun sonuçlar verdi¤i görülmüfltür.
Gerçekte verilerin s›n›fland›r›lmas› çok say›daki verinin kavranmas›n› büyük
ölçüde kolaylaflt›r›rken, baz› bilgi kay›plar›na da neden olur. Örne¤in 100 bebe-
¤in a¤›rl›klar›na iliflkin frekans serisinden 2.6 kg do¤an bebek say›s›n›n do¤rudan
10 bebek oldu¤u görülebilir. Buna karfl›n ayn› veri s›n›fland›r›ld›¤›nda, s›n›fland›-
r›lm›fl seride do¤rudan kaç bebe¤in 2.6 kg olarak do¤du¤u görülemez. ‹lgili veri-
ye iliflkin ilk s›n›fland›r›lm›fl seri göz önüne al›nd›¤›nda 2.6 kg, 2.50 - 2.75 s›n›f›n›n
içinde yer almakta ve bu s›n›f›n frekans› da 35 olarak görülmektedir. Gerçekte
2.50 - 2.75 s›n›f›nda, 2.50 ve 2.7499... kg do¤an tüm bebekler yer almaktad›r.
S›n›fland›r›lm›fl serilerde s›n›flar› temsil edebilecek de¤iflken de¤erinin ne ola-
ca¤› da bir sorun olarak ortaya ç›kar. Uygulamada gözlem de¤erlerinin ilgili s›n›f
içinde düzgün da¤›ld›¤› varsay›larak s›n›f orta noktalar›, ilgili s›n›fa iliflkin de¤ifl-
ken de¤eri olarak kabul edilir.
Konuyla ilgili olarak afla¤›daki örne¤i dikkatlice gözden geçiriniz.
ÖRNEK 2 Afla¤›da verilen frekans da¤›l›m›nda, ilgili s›n›flara karfl› gelen de¤iflken
de¤erlerini belirleyiniz.
S›n›flar f
0–4 4
4–8 10
8 – 12 17
12 – 16 25
16 – 20 14
20 – 24 6
24 – 28 4
80
ÇÖZÜM
S›n›f orta noktalar› ilgili s›n›flara iliflkin de¤iflken de¤eri olaca¤›ndan, her s›n›f›n
orta noktas› ilgili s›n›fa de¤iflken de¤eri olarak atan›r.
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 19
Birikimli Seriler
Bir frekans da¤›l›m›nda, her s›n›f›n frekans›na bir önceki s›n›f›n frekans› eklene- Bir frekans da¤›l›m›nda, her
s›n›f›n frekans› kendinden
rek oluflturulan seriye “birikimli seri”, bu tür oluflturulan frekanslara da “birikimli önceki s›n›f›n frekans›na
frekanslar” ad› verilir. eklenerek oluflturulan seriye
Birikimli seriler, küçükten büyü¤e ya da büyükten küçü¤e do¤ru oluflturulabi- “birikimli seri”, bu tür
frekanslara da “birikimli
lirler. E¤er birikimli seriler küçükten büyü¤e do¤ru oluflturulmuflsa “-den az”, bü- frekanslar” denilir.
yükten küçü¤e do¤ru oluflturulmuflsa “-den çok” olarak isimlendirilirler.
Bir do¤um evinde do¤an 100 bebe¤e iliflkin s›n›fland›r›lm›fl seriyi ele ÖRNEK 3
alarak küçükten büyü¤e ve büyükten küçü¤e do¤ru birikimli serileri
oluflturunuz.
ÇÖZÜM
ÖRNEK 4
S›n›flar -den az
0–5 4
5 – 10 6
10 – 15 16
15 – 20 31
20 – 25 51
25 – 30 63
30 - 35 70
serisi verilmifltir.
a. Serideki toplam gözlem say›s›n› belirleyiniz.
b. Say›sal de¤eri 25’den küçük gözlem say›s›n› belirleyiniz.
c. Say›sal de¤eri 15 ve 15’den büyük, 30’dan küçük gözlem say›s›n›
belirleyiniz.
ÇÖZÜM
a. Verilen seriye göre say›sal de¤eri 35’den küçük olan gözlem say›s› 70 oldu¤un-
dan, toplam gözlem say›s› 70’dir.
b. Say›sal de¤eri 25’den küçük gözlem say›s› 51’dir.
c. Say›sal de¤eri 30’dan küçük gözlem say›s› 63 ve say›sal de¤eri 15’den küçük
gözlem say›s› 16 oldu¤undan, say›sal de¤erleri 15 ile 30 aras›ndaki gözlem sa-
y›s› 63 - 16 = 47 olarak elde edilir.
ÖRNEK 5 Afla¤›da verilen frekans serisi için -den az ve -den çok serilerini oluflturunuz.
X f
5 3
10 5
15 8
20 6
25 3
30 5
30
ÇÖZÜM
Bileflik Seriler
Birimlerin birden fazla de¤iflkene göre da¤›l›mlar›n› bir arada gösteren serilere Birden fazla de¤iflkenin
da¤›l›mlar›n› bir arada
“bileflik seri” ad› verilir. Bir bileflik seri oluflturulurken, ilk sütunda bir de¤iflkenin gösteren serilere “bileflik
gözlem de¤erleri büyüklük s›ras›na göre yaz›l›rken, di¤er sütunlarda da ilgili de- seri” ad› verilir.
¤iflkenlerin ilk de¤iflkene göre durumlar› yer al›r.
ÇÖZÜM
Verilen problemde birim ö¤rencidir. Boy uzunlu¤u ve a¤›rl›k ise ayn› birim üze-
rinde tan›mlanm›fl iki farkl› de¤iflkendir. Bu duruma göre ilgili frekans da¤›l›m›,
bir bileflik seri biçiminde oluflturulmal›d›r.
Uzunluk ba¤›ms›z, a¤›rl›k da ba¤›ml› de¤iflken olarak al›nd›¤›nda, istenilen fre-
kans da¤›l›m› afla¤›daki gibi olmal›d›r.
E¤er a¤›rl›k ba¤›ms›z, uzunluk da ba¤›ml› de¤iflken olarak al›n›rsa, ayn› veriye ilifl-
kin bileflik seri;
biçiminde oluflturulur.
22 ‹statistik
2. Bir radar taraf›ndan gelifl s›ras›na göre 50 araban›n h›z› (km/saat) afla¤›daki gibi
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
ölçülmüfltür:
N N
SIRA S‹ZDE SIRA S‹ZDE
K ‹ T A P 3. Bir X de¤iflkenine
K ‹ T A Piliflkin 50 gözlem de¤eri gözlem s›ras›na göre afla¤›da verilmifltir:
11 5 18 38 13 7 32 20 14 6
TELEV‹ZYON 3 16
T E L E V ‹ Z Y 36
ON 19 27 9 16 47 9 20
12 11 24 21 42 43 19 49 28 15
9 3 13 42 5 12 27 32 41 48
6 7 44 4 23 29 41 8 40 5
Yukar›daki veri kümesini kullanarak ve ilk s›n›f 2 – 6 olacak flekilde bir frekans
da¤›l›m› oluflturunuz (NOT: X de¤iflkeninin kesikli bir de¤iflken oldu¤una dikkat
ediniz).
N
SER‹LER‹N GRAF‹KLE GÖSTER‹LMES‹
X de¤iflkenine iliflkin gözlem sonuçlar› afla¤›da bir frekans serisi halinde ÖRNEK 7
verilmifltir. Verilen serinin grafi¤ini çiziniz.
X f
2 1
4 3
6 7
8 4
10 2
17
ÇÖZÜM
Gözlem de¤erleri yatay, frekanslar da dik eksende gösterilerek grafik afla¤›daki
gibi oluflturulur:
10
8
.
6
.
4
.
.
2
.
0
0 2 4 6 8 10
fiekil 2.1 Çubuk
grafik.
Histogram
Histogram; alan› ilgili s›n›f›n frekans›na ve taban› da ilgili s›n›f›n aral›¤›na eflit, bir- Histogram ve frekans
poligonu s›n›fland›r›lm›fl
birine bitiflik dikdörtgenlerden oluflan bir grafik gösterimdir. serilerin grafikleridir.
Bir histogram çizilmeden önce, sözü edilen dikdörtgenlerin uzunluklar›n›n
ayarlanmas› gerekir. Bunun için frekanslar s›n›f aral›¤›na bölünerek, dikdörtgenle-
rin alanlar› ilgili s›n›flar›n frekanslar›na eflit hale getirilir.
Konuyla ilgili olarak afla¤›daki örne¤i dikkatlice gözden geçiriniz.
24 ‹statistik
S›n›flar frekanslar
0–4 12
4–8 16
8 – 12 20
12 – 16 24
16 – 20 20
20 – 24 8
100
s›n›flar için
histogram. 0 4 8 12 16 20 24
E¤er verilen seride s›n›f aral›klar› eflit de¤ilse, histogram yine ayn› yöntemle
oluflturulur.
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 25
S›n›flar f
0–2 20
2–4 30
4–6 36
6–8 20
8 – 12 16
12 – 16 12
128
ÇÖZÜM
S›n›flar f h f/h
0–2 20 2 10.0
2–4 30 2 15.0
4–6 36 2 18.0
6–8 20 2 10.0
8 – 12 16 4 4.0
12 – 16 12 4 3.0
134
20
15
10
5
büyüklükteki s›n›flar
0 2 4 6 8 10 12 14 16
için histogram.
Frekans Poligonu
Frekans poligonu, histogram›n tepe orta noktalar›n›n birlefltirilmesiyle elde edilen,
s›n›fland›r›lm›fl serilere iliflkin, di¤er bir grafik türüdür. Histogram›n tepe orta nok-
talar›, ilgili s›n›flara iliflkin de¤iflkenlerin de¤erlerini ifade etti¤inden, frekans poli-
gonu, de¤iflkenlerin de¤erlerine göre oluflturulmufl bir grafiktir. Konuyla ilgili bir
örnek afla¤›da verilmifltir.
26 ‹statistik
S›n›flar frekanslar
10 – 15 10
15 – 20 15
20 – 25 20
25 – 30 30
30 – 35 15
35 – 40 10
40 – 45 5
105
ÇÖZÜM
S›n›flar f X h f/h
10 – 15 10 12.5 5 2
15 – 20 15 17.5 5 3
20 – 25 20 22.5 5 4
25 – 30 30 27.5 5 6
30 – 35 15 32.5 5 3
35 – 40 10 37.5 5 2
40 – 45 5 42.5 5 1
105
65
4
3
2
1
0
E¤er gözlem say›s› artarken s›n›f aral›¤› sonsuz küçültülürse, frekans poligonu
bir frekans e¤risi flekline dönüflür.
Uygulamada s›kça karfl›lafl›lan frekans e¤rileri fiekil 2.5’de gösterilmifltir.
ÖRNEK 11 Afla¤›da verilen seri için -den az ve -den çok serilerini oluflturarak, elde
etti¤iniz serilerin grafiklerini çiziniz.
S›n›flar Frekanslar
0 – 10 3
10 – 20 12
20 – 30 25
30 – 40 30
40 – 50 15
50 – 60 10
60 – 70 5
100
ÇÖZÜM
-den az
80
60
40
20
-den çok
0
ÇÖZÜM
100
80
Matematik Notu (y)
60
40
20
0
0 20 40 60 80 100
‹statistik Notu (x) fiekil 2.7 Serpilme
diyagram›.
30 ‹statistik
SIRA S‹ZDE 1. Bir histogram oluflturulurken, dikkat edilmesi gereken noktalar› belirleyiniz.
SIRA S‹ZDE
2. Bir s›n›ftaki 50 ö¤rencinin boylar› (m) gözlem s›ras›na göre afla¤›da verilmifltir:
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
1.62 1.56 1.86 1.65 1.79 1.72 1.80 1.84 1.90 1.94
S O R U 1.74 1.92S O R 1.89
U 1.64 1.71 1.66 1.79 1.76 1.77 1.83
1.58 1.75 1.56 1.78 1.87 1.76 1.92 1.76 1.73 1.78
1.63 1.68 1.78 1.76 1.55 1.78 1.64 1.87 1.70 1.68
D‹KKAT D‹KKAT
1.74 1.83 1.67 1.88 1.93 1.81 1.70 1.83 1.68 1.79
N N
SIRA S‹ZDE SIRAkümesini
a. Verilen veri S‹ZDE kullanarak ve ilk s›n›f 1.53 – 1.58 olacak biçimde eflit aral›kl›
bir frekans da¤›l›m› oluflturunuz.
AMAÇLARIMIZ
b. Oluflturdu¤unuz frekans da¤›l›m›n›n histogram›n› çiziniz.
AMAÇLARIMIZ
3. Bir karayolunda meydana gelen hasarlar aras› uzakl›klar (km) afla¤›daki gibidir:
K ‹ T A P K ‹ T A P
21.23 9.23 13.27 23.34 75.47 56.25 62.51 60.64 30.21 50.26
8.45 76.48 18.83 68.23 22.78 47.94 67.29 21.71 37.58 36.45
TELEV‹ZYON 63.71 17.68
T E L E V 52.91
‹ZYON 31.96 59.45 45.26 28.75 40.17 42.95 47.90
12.36 25.57 43.41 71.13 64.32 37.93 70.36 31.29 72.27 71.80
19.44 54.21 34.84 57.65 48.19 53.81 43.34 10.24 45.90 18.45
a. Yukar›daki veri kümesini kullanarak, uygun görece¤iniz bir s›n›f aral›¤›na göre fre-
kans da¤›l›m›n› oluflturunuz.
b. Oluflturdu¤unuz frekans da¤›l›m›n›n frekans poligonunu çiziniz.
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 31
d. -den az e. -den az
1 1
3 4
10 11
17 18
27 28
32 34
35 35
32 ‹statistik
5. Bir frekans da¤›l›m›na iliflkin -den çok serisi afla¤›da 7. Gözlem sonuçlar›n›n maddesel bir de¤iflkenin fl›klar›-
verilmifltir. na göre s›ralanmas›yla oluflturulan serilere ne ad verilir?
a. Zaman serisi
S›n›flar -den çok b. Bileflik seri
13,5 – 17,5 56 c. Mekan serisi
17,5 – 21,5 51 d. Birikimli seri
21,5 – 25,5 43 e. Da¤›lma serisi
25,5 – 29,5 39
29,5 – 33,5 32 8. Serilere iliflkin afla¤›daki ifadelerden hangisi do¤rudur?
33,5 – 37,5 25 a. Bölgelere göre tah›l üretimi zaman serileri için uy-
37,5 – 41,5 12 gun bir örnektir.
41,5 – 45,5 10 b. Derlenen veriler ilgilenilen konunun d›fl›nda bir
temele göre s›ralanm›flsa, bu s›ralamaya liste ad›
Yukar›da verilen seriye iliflkin gözlenen frekanslar afla¤›- verilir.
dakilerden hangisidir? c. Gözlem de¤erlerinin yan›na, gözlenen de¤erlerin
a. f b. f c. f tekrar say›s› yaz›larak oluflturulan seriye, s›n›flan-
9 10 7 d›r›lm›fl seri denir.
4 2 9 d. E¤er s›n›fland›rma yap›l›rken s›n›f aral›¤› küçük se-
3 13 4 çilirse, ilgili da¤›l›ma iliflkin baz› ayr›nt›lar gizli kal›r.
7 7 4
e. Uygulamalarda 20 ile 50 aras› s›n›f say›s›, en uy-
11 7 3
gun s›n›f say›s›d›r.
13 4 6
2 8 12
10 5 5 9. Afla¤›da bir frekans da¤›l›m›na iliflkin -den az ve -den
çok serileri birlikte verilmifltir.
d. f e. f
5 6 S›n›flar -den az -den çok
8 9 0–4 1 50
4 2 4–8 5 49
7 1 8 – 12 12 45
7 12 12 – 16 22 38
13 13 16 – 20 34 28
2 2 20 – 24 44 16
10 10 24 - 28 50 6
6. Gözlem No ‹flletme Notu Ekonomi Notu Yukar›daki tabloya göre, say›sal de¤eri 20’den küçük göz-
1 70 90 lem say›s› kaçt›r?
2 50 70 a. 44
3 80 60 b. 38
4 50 40 c. 34
5 60 50 d. 22
e. 16
5 ö¤rencinin iflletme ve ekonomi derslerinden ald›klar›
notlar› gösteren yukar›daki tabloya iliflkin afla¤›daki 10. Serilere iliflkin afla¤›daki ifadelerden hangisi yanl›flt›r?
ifadelerden hangisi do¤rudur? a. -den az serileri, her s›n›f›n frekans›na bir önceki
a. Tablodaki veriler basit bir seri oluflturur. s›n›f›n frekans› eklenerek oluflturulur.
b. Tablodaki veriler bir frekans serisi oluflturur. b. Basit serilerin grafiklerine histogram denir.
c. Tablodaki veriler s›n›fland›r›lm›fl bir seri oluflturur. c. Bileflik serilerin grafiklerine serpilme diyagram› denir.
d. Tablodaki veriler bileflik bir seri oluflturur. d. Bir seriye iliflkin frekans poligonunun alt›nda ka-
e. Tablodaki veriler bir istatistik serisi oluflturmaz. lan alan, seriye iliflkin frekanslar toplam›na eflittir.
e. Bir seriye iliflkin histogramda, dikdörtgenlerin alan-
lar› toplam› seriye iliflkin frekanslar toplam›na eflittir.
Ünite 2 - ‹statistik Serileri (Frekans Da¤›l›mlar›) 33
Merkezi E¤ilim ve
De¤iflkenlik Ölçüleri 3
Çal›flma Biçimine ‹liflkin Olarak:
• Önceki ünitelerde verilen kavramlar› yeniden gözden geçirmeli,
• Verilen örnekleri dikkatle incelemelidir.
36 ‹statistik
N Merkezi
Amaçlar:
e¤ilim ölçüleri kavram›n› aç›klayabilecek ve istatistik serilerinin or-
N De¤iflkenlik
talamalar›n› hesaplayabileceksiniz.
ölçüleri kavram›n› aç›klayabilecek ve istatistik serilerine iliflkin
de¤iflkenlik ölçülerini hesaplayabileceksiniz.
‹çindekler
• G‹R‹fi
• MERKEZ‹ E⁄‹L‹M ÖLÇÜLER‹ (ORTALAMALAR)
• Duyarl› Ortalamalar
• Duyarl› Olmayan Ortalamalar
• Serinin Simetri Durumuna Göre Ortalamalar Aras›ndaki ‹liflki
• DE⁄‹fiKENL‹K ÖLÇÜLER‹
• De¤iflim Aral›¤›
• Standart Sapma
• De¤iflim Katsay›s›
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 37
G‹R‹fi
Merkezi e¤ilim ölçüleri, ad›n›n da ça¤r›flt›raca¤› gibi bir veri kümesinin ortas›n›
belirleme e¤iliminde olan say›sal de¤erlerdir. Ortalama terimi genelde bu ölçüler-
le ilgilidir.
Bu ünitede öncelikle merkezi e¤ilim ölçüleri (ortalamalar) ele al›nacak, sonra
da de¤iflkenlik ölçülerine yer verilecektir.
N
MERKEZ‹ E⁄‹L‹M ÖLÇÜLER‹ (ORTALAMALAR)
Bir ortalama ile, nüfus, h›z, ›fl›k y›l›, ›s› ve benzeri gibi ölçülebilen ya da say›labi-
len bir olay ya da nesneye iliflkin derlenen veri kümesini temsil edebilen, tek bir
de¤er hesaplan›r. Ancak bir kaç tane olan merkezi e¤ilim ölçülerinin her biri, ay-
n› veri kümesi için farkl› bir tablo çizer.
Genifl anlamda ortalama, bir istatistik serisindeki gözlem de¤erlerinin, etraf›n-
da toplanma e¤ilimi gösterdi¤i de¤er olarak tan›mlan›r.
Konuya aç›kl›k kazand›rmas› aç›s›ndan afla¤›daki örne¤i göz önüne alal›m.
9 dairelik bir apartmanda oturan ailelerin ayl›k gelirleri YTL olarak afla¤›daki Ortalama, bir seride en
gibi olsun. küçük de¤erle en büyük
de¤er aras›nda yer al›r.
(Xmin < ortalama < X max)
520, 580, 670, 700, 700, 700, 860, 1000, 1200
Duyarl› Ortalamalar
Duyarl› ortalamalar, serideki tüm gözlem de¤erlerinden etkilenen ortalamalard›r.
Bu ünitede duyarl› ortalamalardan sadece aritmetik, geometrik ve kareli orta-
lamalar ele al›nacakt›r.
Aritmetik Ortalama
Aritmetik ortalama, bir seriyi oluflturan gözlem de¤erleri toplam›n›n, gözlem
say›s›na oran› olarak tan›mlan›r.
Seriyi oluflturan gözlem de¤erleri x1, x2, ..., xn aritmetik ortalama da x ile Bir seride aritmetik
gösterilirse tan›m uyar›nca, ortalama, seriyi oluflturan
∑
n
gözlem de¤erleri toplam›
xi
gözlem say›s›na bölünerek
x = x1 + x2 + ...+ xn = i=1
hesaplan›r.
n n
olarak hesaplan›r.
38 ‹statistik
X, ailelerin ayl›k gelirlerini göstermek üzere gelirlerden oluflan basit seri afla¤›da-
ÇÖZÜM
ki gibi olacakt›r :
x (YTL)
520
580
670
700
700
700
860
1000
1200
∑ x = 6930
Ailelerin toplam geliri 6930 YTL oldu¤undan tan›m do¤rultusunda, toplam gelir
aile say›s›na bölünerek ortalama gelir,
x=
∑ x = 6930 = 770 YTL
n 9
olarak hesaplan›r.
x=
∑ x = 85 = 17
n 5
olarak hesaplan›r.
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleriri 39
Öte yandan frekans serilerinde her gözlem de¤eri frekans› kadar tekrarland›-
¤›ndan, aritmetik ortalama hesaplan›rken gözlem de¤erleri frekanslar›yla çarp›la-
rak toplan›r ve bu sonuç frekanslar toplam›na bölünür.
Afla¤›daki örne¤i dikkatle inceleyiniz.
Verilen seri, 2 tane 10, 3 tane 12, 6 tane 15, 4 tane 19 ve 1 tane de 21 de¤e-
ÇÖZÜM
rinden oluflmufltur.
16 gözlem de¤erinin toplam›,
∑ x = 10 + 10 + 12 + 12 + 12 + 15 + 15 + 15+ 15 + 15 + 15 + 19 + 19 + 19 + 19 + 21
2 3 4 1
6
∑x=2 10 + 3 12 + 6 15 + 4 19 + 21
= 20 + 36 + 90 + 76 + 21
= 243
x=
∑ xf = 243 = 15,1875
16
∑f
olarak hesaplan›r.
Örnekten de görülebilece¤i gibi, frekans serilerinde aritmetik ortalama,
n
∑ xifi
x = x1f1 + x2f2 + ... + xnfn = i=1
n
f1 + f2 + ... + fn
∑ fi
i=1
ile hesaplan›r.
40 ‹statistik
x f
10 12
15 20
20 25
25 25
30 15
35 3
100
ÇÖZÜM
x f xf
10 12 120
15 20 300
20 25 500
30 25 625
35 15 450
30 3 105
100 2100
x=
∑ xf = 2100 = 21
100
∑f
olarak elde edilir.
Aritmetik ortalama s›n›fland›r›lm›fl serilerde de frekans serilerinde oldu¤u gibi he-
saplan›r. Ancak dikkat edilmesi gereken, de¤iflken de¤erleri olarak s›n›f orta nok-
talar›n›n al›nmas›d›r.
S›n›flar f
10 -14 4
14 - 18 5
18 -22 8
22 - 26 6
26 -30 2
∑ f = 25
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleriri 41
ÇÖZÜM
S›n›flar f x xf
10 - 14 4 12 48
14 - 18 5 16 80
18 - 22 8 20 160
22 - 26 6 24 144
26 - 30 2 28 56
∑ f = 25 ∑ xf = 488
Buradan,
x=
∑ xf = 488 = 19,52
25
∑f
x f u
23 1 23
25 25 25
26 26 26
28 28 100
102 80 174
ÇÖZÜM
x=
∑ x = 102 = 25.5
n 4
y=
∑y = 80 = 20.0
n 4
u=
∑u = 174 = 43.5
n 4
Görülece¤i gibi serideki bir tek de¤erin de¤iflmesi bile, ortalamay› etkilemektedir.
x serisinin ortalamas› seriyi oluflturan gözlem de¤erlerine oldukça yak›n, baflka bir
anlat›mla temsil yetene¤i daha yüksektir. y ve u serilerinde ise gözlem de¤erle-
rindeki afl›r› k›ymetlerin büyüklü¤üne ba¤l› olarak, ortalamalar›n temsil yetene¤i
azalm›flt›r.
42 ‹statistik
ÖRNEK 7
x x -x
10 10 - 30 = -20
20 20 - 30 = -10
30 30 - 30 = 00
40 40 - 30 = 10
50 50 - 30 = 20
150 ∑ x - x = 00
x=
∑ x = 150 = 30
n 5
E¤er verilen seri bir frekans serisiyse, her gözlem de¤erinden aritmetik ortala-
ma ç›kart›l›r ve ilgili gözlem de¤erinin frekans›yla çarp›ld›ktan sonra, toplam de-
¤er hesaplan›r. ‹fllemler afla¤›daki örnek üzerinde gösterilmifltir :
ÖRNEK 8
x f xf (xx- - x ) (xx- - x ) f
50 1 50 50 - 71.875 = -21.875 -21.875
60 3 180 60 - 71.875 = -11.875 -35.625
70 6 420 70 - 71.875 = -1.875 -11.250
80 4 320 80 - 71.875 = 8.125 32.500
90 2 180 90 - 71.875 = 18.125 36.250
16 1150 -68.750
68.750
∑ x - x = 00,000
x=
∑ xf = 1150 = 71.875
f 16
ÖRNEK 9
x (xx-- x ) (xx-- x )2
10 -20 400
20 -10 100
30 00 000
40 10 100
50 20 400
2
∑ x- x = 1000
x = 30
2
∑ x - 25 = 1125 ve ∑ x - 40 2 = 1500
xt = ∑
xt
∑t
frekans ve s›n›fland›r›lm›fl serilerde ise,
xt = ∑
xtf
∑ tf
eflitlikleriyle hesaplan›r.
44 ‹statistik
ÖRNEK 10 ‹ktisadi ve ‹dari Bilimler Fakültesi ‹flletme Bölümü’ndeki birinci s›n›f ö¤-
rencisinin güz döneminde ald›¤› dersler, baflar› notlar›, baflar› notlar›n›n
katsay›lar› ve kredi de¤erleri afla¤›da verilmifltir:
xt =
∑ xt = 48,9 = 3.26
∑ t 15
olarak hesaplan›r.
ÇÖZÜM
x f xf
Matematik 70 70 4900
‹statististik 65 60 3900
Fizik 68 50 3400
Kimya 50 40 2000 Oranlar›n ortalamas›,
ortalamalar›n ortalamas› ve
Biyoloji 50 25 1250 baz› bileflik indeksler, tart›l›
ortalama kullan›larak
hesaplan›r.
245 15450
xt =
∑ xf = 15450 = 63,06
245
∑f
olarak hesaplan›r.
Geometrik Ortalama
Geometrik ortalama, seriyi oluflturan gözlem de¤erlerinin çarp›m›n›n gözlem de-
¤eri say›s›na eflit mertebeden kökü olarak tan›mlan›r. E¤er seriyi oluflturan gözlem
de¤erleri x1, x2, ..., xn ile ve geometrik ortalama da G ile gösterilirse geometrik
ortalama,
n n
Π xi
n
G = x1 . x2 . ... .xn =
i=1
eflitli¤i ile hesaplan›r. Ancak seriyi oluflturan gözlem de¤erlerinin say›s› artt›¤›n-
da, geometrik ortalamay› yukar›daki formül yard›m›yla hesaplamak güçleflir.
Böyle durumlarda geometrik ortalama logaritma yard›m›yla afla¤›daki eflitlikle
hesaplan›r.
Bir serinin geometrik
∑ log xi
ortalamas›, serideki gözlem
n
logG = 1
de¤erleri çarp›m›n›n, gözlem
n
de¤eri say›s›na eflit
i=1 mertebeden kökü al›narak
hesaplan›r.
Görülece¤i gibi geometrik ortalaman›n logaritmas›, gözlem de¤erlerinin logarit-
malar›n›n aritmetik ortalamas›na eflittir.
x
2
5
8
20
46 ‹statistik
ÇÖZÜM
Geometrik ortalaman›n tan›m› do¤rultusunda,
4 4
G = 2.5.8.20 = 1600 = 6.32
ya da,
log G = 1 log2 + log5 + log8 + log20
4
∑ fi log xi
n
log G = 1
∑ fi
n
i=1
i=1
eflitli¤iyle hesaplan›r.
E¤er bir seriyi oluflturan gözlem de¤erleri, bir önceki gözlem de¤erine ba¤l›
olarak de¤ifliyor ve de¤iflimin h›z› belirlenmek isteniyorsa bu durumda geometrik
ortalama hesaplan›r.
Uygulamada milli gelir, nüfus, bileflik faiz ve baz› bileflik indekslerin hesaplan-
mas›nda geometrik ortalama kullan›l›r.
Kareli Ortalama
Kareli ortalama, seriyi oluflturan gözlem de¤erlerinin karelerinin toplam›n›n göz-
lem say›s›na oran›n›n kare kökü olarak tan›mlan›r.
Kareli ortalama K ile gösterilirse kareli ortalama,
∑ xi 2
n
eflitli¤iyle hesaplan›r.
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 47
ÇÖZÜM
x x2
1 1
3 9
5 25
7 49
8 64
10 100
248
olarak elde edilir ve kareli ortalama,
K= x2 = 248 = 6.4291
n 6
olarak hesaplan›r.
K= ∑ x2 f
∑f
eflitli¤iyle hesaplan›r.
S›n›flar f
0-4 1
4-8 4
8 - 12 8
12 - 16 5
16 - 20 2
20
48 ‹statistik
ÇÖZÜM
Hesaplamalar afla¤›daki gibidir:
S›n›flar f x x2 x2f
0-4 1 2 4 4
4- 8 4 6 36 144
8 - 12 8 10 100 800
12 - 16 5 14 196 980
16 - 20 2 18 324 648
20 2576
Kareli ortalama,
K= x2 f = 2576 = 11.3490
∑f 20
Medyan
Bir istatistik serisinde tam ortaya düflen ve dolay›s›yla seriyi iki eflit k›sma bölen
gözlem de¤erine medyan denir.
Verilen seriyi tam ortadan ikiye bölen gözlem de¤eri 3. gözlem de¤eri olan 15’dir.
Med = 15
Görülece¤i gibi, seride bu de¤erden küçük ve büyük olmak üzere 2’fler gözlem
de¤eri bulunmaktad›r.
Ünitenin bafl›nda verilen 9 ailenin ayl›k gelirler (YTL) serisini tekrar göz önüne
alal›m.
2, 7, 3, 8, 7, 3, 4, 10
ÇÖZÜM
oluflturulmal›d›r).
x
2
3
3
4
7
7
8
10
Görülece¤i gibi, verilen seride tam ortaya 4 ve 7 olmak üzere 2 de¤er düflmekte-
dir. Yukar›daki aç›klamalar do¤rultusunda medyan, bu iki gözlem de¤erinin arit-
metik ortalamas› olacakt›r.
Med = 4 + 7 = 11 = 5,5
2 2
olarak hesaplan›r.
gözlem de¤eri, baflka bir anlat›mla 50 ve 51. gözlem de¤erlerinin aritmetik ortala-
mas› al›narak hesaplanacakt›r.
Frekans serilerinde de medyan›n kaç›nc› gözlemin de¤eri oldu¤u, n + 1 ile
2
elde edilir. Hangi gözlem de¤erinin bu s›rada yer ald›¤›, birikimli frekanslar yar-
d›m›yla kolayl›kla bulunur. ‹fllemler afla¤›daki örnekte gösterilmifltir.
x f
10 2
12 3
15 6
17 5
20 1
17
ÇÖZÜM
Hangi s›radaki gözlem de¤erinin medyan de¤eri oldu¤unu bulabilmek için, kolay-
l›k aç›s›ndan öncelikle -den az ya da -den çok serilerinden birisi oluflturulur.
Bu örnekte den az serisinden yararlan›lm›flt›r.
x f den az
10 2 2
12 3 5
15 6 11
17 5 16
20 1 17
17
Toplam gözlem say›s› 17 oldu¤undan medyan de¤eri,
N : frekanslar toplam› ∑ f ,
la : medyan s›n›f›n›n alt s›n›r›,
N - fa
Med = l a + 2 . hm
fm
eflitli¤iyle hesaplan›r.
Ancak dikkat etmek gerekir ki elde edilen sonuç, s›n›flama nedeniyle yaklafl›k
olacakt›r.
S›n›fland›r›lm›fl serilerde medyan s›n›f›n›n bulunmas› ve medyan›n hesaplan-
mas› afla¤›daki örnek üzerinde gösterilmifltir.
S›n›flar f
10 - 14 3
14 - 18 4
18 - 22 8
22 - 26 6
26 - 30 1
22
ÇÖZÜM
S›n›flar f -den az
10 - 14 3 3
14 - 18 4 7
(18 - 12) 8 15
12 - 16 6 21
16 - 20 1 22
22
Med = 18 + 11 - 7 . 4
8
= 18 + 2
= 20
olarak elde edilir. ( Bulunan de¤erin medyan s›n›f›n›n içinde kald›¤›na dikkat
ediniz.)
S›n›flar f -den az
0-4 4 4
4-8 6 10
8 -12 10 20
12- 16 8 28
16 - 20 6 34
20 - 24 3 37
24 - 28 3 40
40
Oluflturulan birikimli serinin grafi¤i çizilir.
Med = 12
olarak elde edilir.
0
Mod
Bir seride en çok tekrarlanan de¤ere mod ad› verilir. Tan›m uyar›nca basit seriler- Bir serinin modu, seride en
de ve frekans serilerinde mod, en çok tekrarlanan gözlem de¤erinin belirlenmesi çok tekrarlanan de¤erdir.
olarak hesaplan›r.
x
10
12
14
17
20
ÇÖZÜM
Bu seride her gözlem de¤eri yaln›z bir kez tekrarland›¤›ndan, serinin modu
yoktur.
54 ‹statistik
Mod = 12
olarak hesaplan›r.
x f
10 2
13 5
14 8
16 7
19 3
25
ÇÖZÜM
Mod = 14
olarak kolayl›kla elde edilir.
∆1 . h
∆1 + ∆2
Mod = la +
eflitli¤iyle hesaplan›r.
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 55
S›n›flar f
10 - 14 2
14 - 18 4
(18 - 22) 7
22 - 26 5
26 - 30 3
21
Verilen seride, en büyük frekans 7’dir. Bu nedenle mod s›n›f› (18 – 22) olacakt›r.
ÇÖZÜM
Mod s›n›f› belirlendikten sonra,
la = 18
∆1 = 7-4=3
∆2 = 7-5=2
h = 4
de¤erleri, yukar›da verilen eflitlikte yerlerine konarak,
Mod = 18 + 3 .4
3+2
Mod = 20
olarak hesaplan›r. (Mod de¤erinin mod s›n›f› içinde kald›¤›na dikkat ediniz.)
Bazan bir seride ayn› maksimum frekansa sahip iki ya da daha çok gözlem de-
¤eri ya da s›n›f bulunabilir. Böyle durumlarda, ilgili seri frekans serisiyse s›n›flan-
d›r›larak, s›n›fland›r›lm›fl seriyse farkl› bir s›n›f aral›¤› kullanarak yeniden s›n›flan-
d›rmak suretiyle modun hesaplanmas› mümkün olur.
S›n›flar f
10 - 20 4
20 - 30 7
30 - 40 22
40 - 50 18
50 - 60 22
60 - 70 15
70 - 80 7
80 - 90 5
100
56 ‹statistik
ÇÖZÜM
S›n›flar f
10 - 30 11
(30 - 50) 40
50 - 70 37
70 - 90 12
100
29 + 3
Mod = 30 + 29 . 20
= 30 + 18.125
= 48.125
olarak hesaplan›r.
S›n›flar f
10 - 20 10
20 - 30 30
30 - 40 50
40 - 50 20
50 - 60 40
60 - 70 20
70 - 80 10
180
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 57
S›n›flar f f/h
ÇÖZÜM
10 - 20 10 1
20 - 30 30 3
30 - 40 50 5
40 - 50 20 2
50 - 60 40 4
60 - 70 20 2
70 - 80 10 1
180
6
5
4
3
2
1
0
Mod = 34
olarak bulunur.
Mod k›ymet olarak serideki gözlem de¤erlerinin büyük bir k›sm›na uydu¤un-
dan, ortalamalar aras›nda en temsili olan›d›r. Ancak, matematiksel ifllemlere uy- Mod, U, J ve ters J fleklindeki
gun bir ortalama de¤ildir. Ayr›ca U, J ve ters J serileri için de anlaml› bir orta- frekans e¤rileri için uygun
bir ortalama de¤ildir
lama de¤ildir.
x Mod Med x
Med
Mod
3 (a). Simetrik (b). Sa¤a E¤ik E¤ri
Med Mod
fiekil 3.3 Serinin (c). Sola E¤ik E¤ri
simetri durumuna
göre ortalamalar
aras›ndaki iliflkiler.
D‹KKAT D‹KKAT
Ayr›ca, baflar› notunu birinci ara s›nav % 15, ikinci ara s›nav % 25 ve dönem sonu s›na-
N N
SIRA S‹ZDE SIRA S‹ZDE
v› da % 60 oran›nda etkilemektedir.
Ö¤rencinin baflar› puan›n› hesaplay›n›z.
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 59
S›n›flar f
5 - 10 3
10 - 15 6
15 - 20 7
20 - 25 5
25 ve daha çok 4
25
3. U, J, ve ters J e¤rileri için modun neden uygun bir ortalama olamayaca¤›n› aç›klay›n›z.
N
DE⁄‹fiKENL‹K ÖLÇÜLER‹
De¤iflkenlik ölçüleri kavram›n› aç›klayabilecek ve istatistik seri-
AMAÇ
2 lerine iliflkin de¤iflkenlik ölçülerini hesaplayabileceksiniz.
Afla¤›daki ortalamalar› ayn› olan x ve y serilerini göz önüne alal›m : Bir seriyi oluflturan gözlem
de¤erlerinin de¤er itibariyle
x y biribirinden ya da herhangi
30 2 bir ortalamadan uzakl›klar›
esas al›narak oluflturulan
32 14 ölçülere, de¤iflkenlik ölçüleri
35 20 ad› verilir.
36 44
37 90
X = 34 Y = 34
De¤iflim Aral›¤›
De¤iflkenlik ölçülerinin en basiti olan de¤iflim aral›¤›, bir serideki en büyük de¤er
ile en küçük de¤er aras›ndaki fark olarak tan›mlan›r.
De¤iflim aral›¤› k›saca D.A. ile gösterilirse,
olarak hesaplan›r.
De¤iflim aral›¤›, farkl› say›da gözlem de¤eri içeren ve farkl› ölçü birimlerine gö-
re oluflturulmufl serilerin karfl›laflt›r›lmalar›nda kullan›lamaz. Bu de¤iflkenlik ölçüsü,
uygulamada eflit say›da küçük örneklemlerin de¤erlendirildi¤i alanlarda, örne¤in
istatistik kalite kontrolünde s›kça kullan›lmaktad›r.
Standart Sapma
Standart sapma, bir seriyi Standart sapma, bir seriyi oluflturan gözlem de¤erlerinin aritmetik ortalamadan
oluflturan gözlem
de¤erlerinin aritmetik farklar›n›n kareli ortalamas› olarak tan›mlan›r ve σ (sigma) ile gösterilir.
ortalamadan farklar›n›n Basit serilerde standart sapma,
kareli ortalamas› al›narak
∑
hesaplan›r.
n
xi - x 2
σ= i=1
n
x
1
4
5
7
9
10
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 61
x-x (x - x )2
ÇÖZÜM
x
1 1 - 6 = -5 25
4 4 - 6 = -2 4
5 5 - 6 = -1 1
7 7-6=1 1
9 9-6=3 9
10 10 - 6 = 4 16
56
x=6
n=6
∑
n
xi - x 2
σ= i=1 = 56 ≅ 3.055
n 6
∑
n
xi - x 2fi
∑
σ= i=1
n
fi
i=1
ile hesaplan›r.
x f
2 1
4 3
5 6
8 4
9 2
16
(x - x ) (x - x )2
ÇÖZÜM
x f xf (xx- - x )2 .f
2 1 2 -3.875 15.0156 15.0156
4 3 12 -1.875 3.5156 10.5468
5 6 30 -0.875 0.7656 4.5936
8 4 32 2.125 4.5156 18.0624
9 2 18 3.125 9.7656 19.5312
16 94 67.7496
∑ xf
∑f
σ= 67.7496 = 4.23435 ≅ 2.0577
x= = 94 = 5.875 16
16
S›n›flar f
0-2 2
2-4 4
4-6 6
6-8 5
8 - 10 3
20
ÇÖZÜM
S›n›flar x f xf (x - x ) (x - x )2 (xx- - x )2 - f
0-2 1 2 2 -4.3 18.49 36.98
2-4 3 4 12 -2.3 5.29 21.16
4-6 5 6 30 -0.3 0.09 0.54
6-8 7 5 35 1.7 2.89 14.45
8 - 10 9 3 27 3.7 13.69 41.07
20 106 114.20
x = 106 = 5.3
20
K2 - x 2 = σ2
’dir.
• Bir seriyi oluflturan gözlem de¤erlerinin her birine sabit bir say› eklenir ya da
ç›kart›l›rsa, serinin standart sapmas› de¤iflmez.
• Bir seriyi oluflturan gözlem de¤erlerinin tümü c gibi bir say›yla çarp›l›rsa elde
edilen serinin standart sapmas›, ilk serinin standart sapmas›n›n c kat› olur.
De¤iflim Katsay›s›
Buraya kadar ele al›nan de¤iflkenlik ölçüleri, mutlak de¤iflkenlik ölçüleridir. Bu
nedenle farkl› ölçü birimlerine göre oluflturulan serilerin de¤iflkenlikleri, bu ölçü-
lerle karfl›laflt›r›lamaz. Ayr›ca mutlak de¤iflkenlik ölçüleri, seriyi oluflturan gözlem
de¤erlerinin büyüklüklerinin de etkisi alt›ndad›r.
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 63
x f
10 43
11 48
13 58
14 63
17 73
65 285
D.K.(x) = σ . 100
x
olarak formüle edilir.
N N
SIRA S‹ZDE SIRA S‹ZDE 26 2
20
AMAÇLARIMIZ AMAÇLARIMIZ
2. Afla¤›da verilen iki seriden hangisinde de¤iflkenli¤in daha çok oldu¤unu belirleyiniz.
K ‹ T A P K ‹ T A P
x1 (kg) f x2 (lt) f
0-4 4 0 - 10 7
4-8 4 10 - 20 12
TELEV‹ZYON 8T -E L12
EV‹ZYON 8 20 - 30 20
12 - 16 6 30 - 40 11
16 - 20 5 40 - 50 5
20 - 24 3 55
30
S›n›flar f
0-5 1
5 - 10 4
10 - 15 10
15 - 20 20
20 - 25 15
25 - 30 10
30 - 35 5
65
Ünite 3 - Merkezi E¤ilim ve De¤iflkenlik Ölçüleri 65
Kendimizi S›nayal›m 4. Bir ö¤rencinin Olas›l›k dersinden birinci, ikinci ara s›-
1. nav ve final notlar› afla¤›daki tabloda verilmifltir. (Sonucu
birinci ara s›nav %10, ikinci ara s›nav %20 ve final notu
S›n›flar f da %70 oran›nda etkileyecektir.)
10 - 16 4
16 - 22 3 S›n›flar Puan
22 – 28 7 1. Ara S›nav 75
28 – 34 15 II. Ara S›nav 50
34 – 40 8 Final 40
40 – 46 5
46 - 52 2 Buna göre bu ö¤rencinin baflar› notu kaçt›r?
44 a. 45.5
b. 50.5
Yukar›da verilen serinin aritmetik ortalamas› kaçt›r? c. 55.0
a. 20.12 d. 60.0
b. 27.13 e. 65.0
c. 29.42
d. 30.86 5.
e. 32.15 S›n›flar f
5 - 10 1
2. 5 birimden oluflan bir basit seride gözlem de¤erleri- 10 - 15 4
nin toplam› ∑ x = 30 oldu¤una göre, serinin aritmetik 15 – 20 6
ortalamas› kaçt›r? 20 –25 10
a. 3 30 - 35 5
b. 4 30 - 35 3
c. 5 35 - 40 1
d. 6 30
e. 15
Yukar›da verilen serinin medyan› kaçt›r?
3. 15 gözlem de¤erinden oluflan bir basit serinin aritme- a. 15
tik ortalamas› 50 ise bu serideki gözlem de¤erlerinin top- b. 18
lam› ∑ x kaçt›r? c. 20
a. 60 d. 22
b. 150 e. 27
c. 600
d. 750
e. 840
66 ‹statistik
6. Bir seri için kareli ortalama K = 10 ve aritmetik ortala- 10.Aritmetik ortalamas› x = 100 ve varyans› σ2= 144
ma x = 6 olarak hesaplanm›flt›r. Bu serinin standart olan bir serinin de¤iflim katsay›s› yüzde kaçt›r?
sapmas› kaçt›r? a. 1.44
a. 4 b. 12
b. 8 c. 14.4
c. 50 d. 28
d. 64 e. 56
e. 72
9. 4, 3, 5, 7, 2, 8, 2, 6, 4
serisinin medyan› kaçt›r?
a. 2
b. 3
c. 4
d. 5
e. 6
67
Olas›l›k
4
Çal›flma Biçimine ‹liflkin Olarak:
• Verilen tan›mlar iyice incelenmeli,
• Örnek sorular çözülürken dikkatli olunmal›,
• Kavramlar birbiriyle kar›flt›r›lmamal›,
• Al›flt›rmalarda verilen bilgiler iyi de¤erlendirilerek istenenlerin neler oldu¤u
net bir biçimde ortaya konmal›d›r.
68 istatistik
N Deney
Amaçlar:
N Olaylardaki
ve sonuçlar›ndan hareketle, örneklem uzay›n› yazabileceksiniz.
N Bileflen ve bileflik
Verilen tan›mlar› uygulayarak, olas›l›klar hesaplayabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• DENEY, SONUÇ VE ÖRNEKLEM UZAYI
• OLASILIK HESAPLAMA
• Olas›l›¤›n ‹ki Özelli¤i
• Olas›l›¤a Üç Kavramsal Yaklafl›m
• SAYMA KURALI
• B‹LEfiEN (MARJ‹NAL) VE KOfiULLU OLASILIKLAR
• AYRIK OLAYLAR
• BA⁄IMSIZ VE BA⁄IMLI OLAYLAR
• TAMAMLAYICI (BÜTÜNLEY‹C‹) OLAYLAR
• OLAYLARIN ARA KES‹T‹ VE ÇARPMA KURALI
• Olaylar›n Ara Kesiti
• Çarpma Kural›
• Ba¤›ms›z Olaylar ‹çin Çarpma Kural›
• Ayr›k Olaylar›n Bileflik Olas›l›¤›
• OLAYLARIN B‹LEfi‹M‹ VE TOPLAMA KURALI
• Olaylar›n Bileflimi
• Toplama Kural›
• Ayr›k Olaylar ‹çin Toplama Kural›
Ünite 4 - Olas›l›k 69
G‹R‹fi
Olas›l›k, günlük yaflam›m›zda s›kça kulland›¤›m›z, yararland›¤›m›z bir kavramd›r.
Örne¤in meteoroloji uzman› sabah haberlerinde o gün % 80 olas›l›kla ya¤mur ya-
¤aca¤›n›, sa¤l›k uzmanlar› sigara içenlerin içmeyenlere oranla kansere yakalanma
riskinin daha yüksek olaca¤›n›, s›nav› baflar›s›z geçmifl bir ö¤renci o dersten geç-
me flans›n›n çok az olaca¤›n› söyler.
Herhangi bir olay›n meydana gelme flans›n› ölçmeyle ilgilenen olas›l›k, istatis-
ti¤in önemli bir bölümünü oluflturmaktad›r. ‹statisti¤in ç›karsama (öngörü) teme-
lini oluflturan olas›l›k, belirsizlik durumunda sa¤l›kl› kararlar vermeyi sa¤lad›¤›
için, planlama çal›flmalar›nda yo¤un bir biçimde kullan›lmaktad›r. Örne¤in bir fir-
man›n gelecek y›ldaki sat›fl kestirimleri, bir k›sm› gerçekleflecek bir k›sm› gerçek-
leflmeyecek bir çok varsay›ma dayal›d›r. Bu nedenlerden dolay› olas›l›k kuram›,
bizlere belirsizlik alt›nda ya da mevcut bilgilerin tam ve sa¤l›kl› olmamas› gibi du-
rumlarda do¤ru ve sa¤l›kl› kararlar verebilmede yard›mc› olacakt›r. Bu bölümde
ilk olarak ilgili temel kavramlar verilecek, daha sonra olas›l›k hesaplama kuralla-
r›ndan önemli olanlar› basit bir biçimde gösterilecek ve son olaraksa kesikli veri-
lerin en temel da¤›l›mlar›ndan biri olan Binom da¤›l›m› anlat›lacakt›r.
N
DENEY, SONUÇ VE ÖRNEKLEM UZAYI
ÖRNEK 1 Paran›n bir kez at›lmas› deneyinin Venn ve a¤aç diyagramlar›n› çiziniz.
Bu deneyin iki olas› sonucu yaz› ve tura olup örneklem uzay› Y = Yaz›, T = Tura
ÇÖZÜM
olmak üzere,
S = {Y, T}
biçimindedir.
S
Nihai Sonuçlar
Yaz› Y
Y T
ÖRNEK 2 Paran›n iki kez at›lmas› deneyinin Venn ve a¤aç diyagramlar›n› çiziniz.
Bu deney, paran›n ilk ve ikinci at›l›fl›nda yaz› ya da tura gelme durumuna göre iki
ÇÖZÜM
bölümde flekillenir. ilk para at›l›fl›nda yaz› geldi¤inde ikincisinde yaz› ya da tura
gelebilecektir. Yani yaz› geldi¤inde YY (birinci ve ikinci at›flta yaz›), tura
geldi¤indeyse YT (birinci at›flta yaz›, ikinci at›flta tura) sonucuyla karfl›lafl›lafl›lacakt›r.
Bu durumun tersi de düflünülebilir. ‹lk at›fl tura, ikinci at›fl yaz› (TY) gelebilir. Öte
yandan ilk at›fl tura iken, ikinci at›flda tura (TT) gelebilir. Sonuç olarak iki kez
at›lan para deneyinin örneklem uzay›,
Y T
Y
T Y T
Y T Y T Y
T
fiekil 4.2 Paran›n iki
kez at›lmas›
T T T deneyinin (a) Venn
ve (b) A¤aç
(a) (b) diyagram›.
Bir iflyerinde çal›flan personel aras›nda rasgele iki tanesinin seçildi¤i ve ÖRNEK 3
cinsiyetlerinin ( E = Erkek, K= Kad›n ) kaydedildi¤i düflünülsün. Bu dene-
yin tüm sonuçlar›n› yaz›n›z, Venn ve a¤aç diyagramlar›n› çiziniz.
Bu deney de paran›n iki kez at›lmas› deneyiyle ayn›d›r. Çünkü para atma dene-
ÇÖZÜM
yindeki Y ve T biçimindeki iki sonuç, bu deneyde E ve K olarak görülecektir.
Afla¤›daki Venn ve a¤aç diyagramlar›nda da (fiekil 4.3) görülece¤i gibi bu dene-
yin sonuçlar› da EE, EK, KE, KK biçiminde dört noktayla ifade edilmektedir, ör-
neklem uzay› da,
biçiminde yaz›lmaktad›r.
EE EK
E
K EK
KE KK E KE
K
ÖRNEK 4 Yukar›da verdi¤imiz örnek 4.3. deki iki personel seçimi deneyinde, elde
edilen (EE EK KE KK) verdi¤imiz dört nihai sonucun her biri bu dene-
yin basit olaylar›d›r ve s›ras›yla E1, E2, E3 ve E4 biçiminde gösterilir.
ÖRNEK 5 Bir iflyerinde çal›flan personel aras›ndan rasgele iki personelin seçilmesi
ve cinsiyetlerinin kaydedilmesi biçimindeki, örnek 4.3. tekrar düflünülsün
ve A olay›, en çok bir erke¤in seçilmifl oldu¤u durum olarak tan›mlans›n.
A olay› hiç erkek olmamas› ya da bir erkek olmas› durumunda gerçekle-
flecektir ve afla¤›daki gibi gösterilecektir.
A olay›, birden çok sonuçlu oldu¤u için bir bileflik olayd›r. Bu olay›n Venn di-
yagram› yard›m›yla grafiksel gösterimi afla¤›dad›r.
A
EE EK
KE KK
ÖRNEK 6 Bir grup insandan bir k›sm›, genetik kopyalamay›, olumlu bulup destekle-
mekte, geri kalan› karfl› ç›kmaktad›r. Bu gruptan rasgele iki kifli seçilmifl
ve genetik kopyalamaya iliflkin görüflleri sorulmufltur. Kaç farkl› sonuç
söz konusudur? Bu deneye iliflkin Venn ve a¤aç diyagramlar›n› çiziniz.
Afla¤›da verilen olaylar›n içerdi¤i sonuçlar› listeleyiniz ve bu olaylar›n
basit mi yoksa bileflik mi oldu¤unu belirtiniz.
a) Her iki kifli de genetik kopyalamay› destekliyor.
b) En çok bir kifli genetik kopyalamaya karfl›d›r.
c) Kesinlikle bir kifli genetik kopyalamay› destekliyor.
Ünite 4 - Olas›l›k 73
ÇÖZÜM
D = Genetik kopyalamay› destekliyor, K = Genetik kopyalamaya karfl› olmak
üzere dört sonuç afla¤›dad›r.
DD DK
D
K DK
KD KK D KD
K
1. Deney, sonuç, örneklem uzay›, basit olay, bileflik olay kavramlar›n› aç›klay›n›z.
SIRA S‹ZDE SIRA S‹ZDE
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
74 istatistik
N
OLASILIK HESAPLAMA
0 ≤ P (Ei) ≤ 1 0 ≤ P (Ei) ≤ 1
0 ≤ P (A) ≤ 1 0 ≤ P (A) ≤ 1
Meydana gelmeyen bir olay›n olas›l›¤› s›f›r olup, bu tür olaya olanaks›z ad› ve-
rilir. Ortaya ç›kma, meydana gelme olas›l›¤› bir olan bir olaya kesin olay ad›
verilir ve afla¤›daki biçimde gösterilir.
P (Y) + P (T) = 1
P (Y Y) + P (Y T) + P (T Y) + P (T T) = 1
eflitlikleri yaz›labilir.
Ünite 4 - Olas›l›k 75
Klasik Olas›l›k
Sonuçlar›n ortaya ç›kma olas›l›klar› ayn› ise buna eflit olas›l›kl› (benzer) sonuçlar Eflit olas›l›kl› sonuçlar:
‹ki ya da daha çok sonucun
denir. Klasik olas›l›k kural›, tüm sonuçlar› eflit olas›l›kl› olan deneylerin sonuçlar›- (ya da olay›n) ortaya ç›kma
na iliflkin olas›l›klar› hesaplamada kullan›lmaktad›r. olas›l›¤› ayn›ysa bunlara eflit
olas›l›kl› sonuç (ya da olay)
Klasik olas›l›k kural›na göre bir deneydeki basit bir olay›n olas›l›¤› 1’in tüm so- denir.
nuç say›s›na bölünmesine eflittir.
Bu ifadeden de anlafl›lmaktad›r ki, bir deneyin tüm nihai sonuçlar›n›n olas›-
l›klar toplam› 1’dir ve tüm nihai sonuçlar eflit olas›l›kl›d›r. Öte yandan, A bileflik
olay›n›n olas›l›¤›ysa, A olay›nda içerilen sonuç say›s›n›n toplam sonuç say›s›na bö-
lünmesiyle elde edilmektedir.
Paran›n bir kez at›lmas› deneyinde bir yaz› ve bir tura elde edilmesi ola- ÖRNEK 7
s›l›¤›n› bulunuz.
ÇÖZÜM
Bu deneyde yaz› ve tura olmak üzere iki sonuç bulunmaktad›r ve bu sonuçlar eflit
olas›l›kl›d›r. Bu nedenle,
P (Yaz›) = 1 = 1 = 0.5
Toplam sonuç say›s› 2
P (Tura) = 1 = 0.5
2
Zar›n bir kez at›lmas› deneyinde çift say› elde edilmesi olas›l›¤›n› bulunuz. ÖRNEK 8
A = {2, 4, 6}
olarak bulunur.
ÖRNEK 9 Bir derne¤in 60’› erkek ve 40’› kad›n olmak üzere toplam 100 üyesi bulun-
maktad›r. Bu üyeler aras›nda bir tanesi dernek baflkan› olmak için rasge-
le seçilecektir. Bir kad›n üyenin dernek baflkan› seçilme olas›l›¤› nedir?
Seçim rasgele olaca¤› için derne¤in 100 üyesinin de seçilme olas›l›¤› ayn›d›r. Ya-
ÇÖZÜM
ni bu deneyde toplam olarak 100 tane eflit olas›l›kl› sonuç vard›r. Burada iste-
nense 40 kad›n üyeden bir tanesinin seçilmesidir. Bu da,
Bir otomobil fabrikas›nda üretilen otomobillerden rasgele 500 tanesi se- ÖRNEK 10
çilmifl ve 10 tanesinin kusurlu oldu¤u görülmüfltür. Kusurlu üretim yap-
man›n da rasgele oldu¤unu düflünerek, ilk üretilecek otomobilin kusurlu
olmas› olas›l›¤› nedir?
ÇÖZÜM
Örneklemdeki (seçilen) otomobil say›s›na n = 500, kusurlu otomobil say›s›na
f = 10 denecek olursa, göreli s›kl›k kural› gere¤ince olas›l›k,
elde edilir. Bu olas›l›k 500 otomobilden elde edilen göreli s›kl›ktan hesaplanm›fl
özel bir de¤erdir. Afla¤›daki Tablo 4.2’de bu örnek için s›kl›k ve göreli s›kl›k da-
¤›l›mlar› verilmifltir.
Ayfle, Ankara’da rasgele seçilen bir ailenin ev sahibi olma olas›l›¤›n› belir- ÖRNEK 11
lemek istemektedir. Bu olas›l›¤› acaba nas›l belirleyecektir?
78 istatistik
ÇÖZÜM
Ankara’dan rasgele seçilmifl bir aile için ev sahibi olma ya da olmama gibi iki so-
nuç bulunmaktad›r. Bu iki olay eflit olas›l›kl› de¤ildir. Çünkü; Ankara’da ikamet
edenlerin ne kadar›n›n ev sahibi oldu¤u bilinmemektedir. Bu nedenle klasik ola-
s›l›k kural› uygulanamamaktad›r. Böylesi durumlarda ayn› deney çok kez tekrar-
lanarak olas›l›k de¤eri (yaklafl›k olarak) göreli s›kl›klardan hesaplanmaktad›r. Ay-
fle’de bu durumu bildi¤i için Ankara’dan rasgele 1.000 aileyi seçerek bunlardan
670 tanesinin ev sahibi, 330 tanesinin ise ev sahibi olmad›¤›n› belirledi. Bu sonuç-
lar ›fl›¤›ndaki gibi,
olarak buldu.
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
Ünite 4 - Olas›l›k 79
N
SAYMA KURALI
Olaylardaki aflama say›s›na ba¤l› olarak, toplam sonuç say›s›n›
AMAÇ
yazabileceksiniz.
3
Bu bölümde flu ana kadar karfl›lafl›lan deneylerde az say›da sonuç oldu¤u için, so- Sayma kural›: E¤er bir
nuçlar›n listelenmesinde herhangi bir sorunla karfl›lafl›lmad›. Ancak, sonuç say›s›n›n deneyde; ilk aflamada m
tane, ikinci aflamada n tane
çok olmas› durumunda sonuçlar› listelemek çok da kolay olmamaktad›r. Böylesi ve üçüncü aflamada k tane
durumlarda toplam sonuç say›s›n› bulmak için sayma kural›ndan yararlan›lmaktad›r. sonuç olmak üzere üç
aflama bulunuyorsa, bu
deneyin toplam sonuç say›s›
Sayma Kural› = m . n . k ’d›r.
E¤er bir deneyde; ilk aflamada m tane, ikinci aflamada n tane ve üçüncü aflamada
k tane sonuç olmak üzere üç aflama bulunuyorsa, bu deneyin toplam sonuç say›s›
= m . n . k 'd›r.
Sayma kural›, deneydeki aflama say›s›n›n üçten az ya da çok olmas› durumun-
da da kullan›labilmektedir.
Bir paran›n üç kez at›lmas› deneyini düflünelim. Bu deneyde üç aflama bu- ÖRNEK 12
lunmaktad›r; ilk kez at›fl, ikinci kez at›fl ve üçüncü kez at›fl. Her aflama-
n›n da yaz› ve tura olarak iki sonucu olacakt›r. Bu nedenle sayma kura-
l›na göre toplam sonuç say›s› = 2 . 2 . 2 = 8 olacakt›r. Deney sonuçlar›
aç›k olarak; YYY, YYT, YTY, YTT, TYY, TYT, TTY, TTT biçimde olacakt›r.
Bir otomobil sat›c›s›, kredili otomobil sat›fllar›nda, sabit ve de¤iflen faiz ÖRNEK 13
oranlar›yla 36, 48 ve 60 ay vade uygulamaktad›r. Otomobil sat›c›s›n›n
kaç farkl› sat›fl yapmas› söz konusudur ?
Bu deneyde iki aflama bulunmaktad›r. Aflamalardan ilki sabit ve de¤iflen faiz oran-
ÇÖZÜM
l› (iki sonuçlu) faiz uygulama aflamas›, ikincisiyse 36, 48 ve 60 ayl›k (üç sonuç-
lu) vade süresi uygulama aflamas›d›r. Bu durumda,
Süper ligdeki bir tak›m›n sezon boyunca 16 maç oynayaca¤› ve her maç›n ÖRNEK 14
da galibiyet, malubiyet ve beraberlik biçiminde üç sonucu bulundu¤u bi-
linmektedir. Bu durumda bir tak›m için sezon boyunca,
N
S O R U
B‹LEfiEN (MARJ‹NAL) VE KOfiULLU OLASILIKLAR S O R U
AMAÇ D‹KKAT
Bileflen ve bileflik olas›l›klar aras›ndaki fark› aç›klayabileceksiniz. D‹KKAT
4
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
80 istatistik
Bir firmada çal›flan 100 kifliye, üst düzey yöneticilere çok yüksek ücretler öden-
mesini onaylay›p onaylamad›klar› sorulmufl ve afla¤›daki tabloda verilen sonuçlar
elde edilmifltir:
P Onayl›yor = 19 = 0.19
100
P Onaylam›yor = 81 = 0.81
100
P ( Onayl›yor | Erkek )
Yukar›da Tablo 4.4’te verilmifl olan 100 çal›flana iliflkin sonuçlardan ÖRNEK 15
P ( Onayl›yor | Erkek ) koflullu olas›l›¤›n› bulunuz.
P (Onayl›yor | Erkek) koflullu olas›l›¤›nda rasgele seçilen bir çal›flan›n erkek ol-
ÇÖZÜM
O l a s › l › ¤ › a r a n a n o l a yO n a y l › y o r | E r k e k 1 5 / 6 0 Aranan olas›l›k
ÖRNEK 16 Tablo 4.4’te verilen sonuçlardan yararlanarak, rasgele seçilen kiflinin üst
düzey yöneticilere yüksek ücret verilmesini onaylad›¤› bilindi¤ine göre,
bu kiflinin kad›n çal›flan, olma olas›l›¤›n› bulunuz.
ÇÖZÜM
P ( Kad›n | Onayl›yor ) = ?
biçimindedir. Yukar›daki örne¤e benzer olarak, Tablo 4.4’te ilk sütun olan onay-
layanlar sütunu dikkate al›nmaktad›r.
Onayl›yor
Erkek 15
Kad›n 4 ← Onaylayan kad›nlar›n say›s›
Toplam 19 ← Toplam onaylayanlar›n say›s›
Erkek I Onayl›yor 15 / 19
N N
SIRA S‹ZDE SIRA S‹ZDE
b. Sigara içmiyor olma,
c. Sigara içti¤i bilindi¤ine göre üniversite mezunu olmama,
d. Üniversite mezunu oldu¤u bilindi¤ine göre sigara içmiyor AMAÇLARIMIZ
olma, AMAÇLARIMIZ
olas›l›klar›n› bulunuz.
K ‹ T A ve
3. Bir araflt›rmada 2000 eriflkine kürtaja karfl› olup olmad›klar› sorulmufl P elde edilen K ‹ T A P
sonuçlar, cinsiyetlere göre afla¤›da verilmifltir.
N
AYRIK OLAYLAR
paran›n iki kez at›ld›¤› bir deneyde, YY, YT, TY ve TT biçiminde dört sonuç var-
d›r ve bu sonuçlar (karfl›l›kl›) ayr›kt›r. Çünkü bir para iki kez at›ld›¤›nda, bu so-
nuçlardan sadece bir tanesi ortaya ç›kacakt›r.
84 istatistik
ÖRNEK 17 Zar›n bir kez at›lmas› deneyine iliflkin olarak afla¤›daki olaylar düflünü-
lecek olursa;
S S
A
5
2
fiekil 4.8 Ayr›k A ve 1 1 2
B olaylar›. 5 6
4 6 4
fiekil 4.9 Ayr›k 3
3
olmayan A ve C
B A C
olaylar›.
ÖRNEK 18 Büyük bir firmada çal›flanlardan rasgele bir kifli seçilmifl ve afla¤›daki
iki olay tan›mlanm›fl olsun.
2. Bir para 3 kez at›lm›flt›r. En az iki tura gelme olay› A, B ise üçD Üat›flta
fi Ü N E Lda
‹ M ayn› yüzün D Ü fi Ü N E L ‹ M
gelme olaylar›yken, A ve B olaylar›n›n ayr›k olaylar olup olmad›¤›n› araflt›r›n›z.
S O R U S O R U
3. ‹ki farkl› para ayn› anda at›lm›flt›r. A olay›, iki paran›n da yaz› gelme, B olay›ysa ikin-
ci paran›n tura gelme olay› olsun. A ve B olaylar›n›n ayr›k olmad›¤›n› gösteriniz.
D‹KKAT D‹KKAT
N
BA⁄IMSIZ VE BA⁄IMLI OLAYLAR
N N
SIRA S‹ZDE SIRA S‹ZDE
P (A | B) ≠ P (A) , P (B | A) ≠ P (B)
86 istatistik
ÖRNEK 19 Tablo 4.4’te verilmifl olan 100 çal›flana iliflkin örnekte; kad›n (K) ve
onayl›yor (O) olaylar› tan›mlanm›fl olsun. Bu olaylar ba¤›ms›z m›d›r?
ÇÖZÜM
E¤er K ve O olaylar› için,
P (K) = P (K | O)
ÖRNEK 20 Bir kutuda, I. Makinede üretilmifl 60, II. Makinede üretilmifl 40 olmak
üzere toplam 100 kaset bulunmaktad›r. I. Makinede üretilen 60 kasetin 9
tanesi, tüm kasetlerinde 15 tanesi bozuktur. Bu durumda rasgele seçilen
bir kasetin bozuk olmas› D ve bu kasetin I. Makinede üretilmifl olmas› A
olay›n› göstermektedir. A ve D olaylar› ba¤›ms›z m›d›r?
ÇÖZÜM
Bu örnekte, I. ve II. Makinede üretilen bozuk kaset yüzdesi ayn› oldu¤u için,
(9 / 60 = 6 / 40) her iki makinenin de bozuk kaset üretme olas›l›¤› 0.15 oldu¤u
için, bu olaylar ba¤›ms›z olaylard›r.
Gerçekten de soruda verilen bilgiler kullan›larak afla¤›daki tablo oluflturulabilir.
1. Kusursuz bir para 3 kez at›lm›flt›r. X, Y ve Z olaylar› s›ras›yla ilkSIRA S‹ZDE yaz› gelme,
iki at›fl›n SIRA S‹ZDE
üçüncü at›fl›n tura gelme ve üç at›flta iki tura gelme olaylar› iken,
a. X ve Y olaylar›n›n,
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
b. Y ve Z olaylar›n›n,
ba¤›ms›z olaylar olup olmad›¤›n› araflt›r›n›z.
S O R U S O R U
2. Bir firmada çal›flan 420 kifliye sigara içip içmedikleri ve üniversite mezunu olup ol-
mad›klar› sorularak afla¤›daki iki yönlü tablo oluflturulmufltur.
D‹KKAT D‹KKAT
Sigara Üniversite mezunu Üniversite mezunu de¤il
N N
‹çiyor 35 80 SIRA S‹ZDE SIRA S‹ZDE
‹çmiyor 130 175
3. Bir araflt›rmada 2000 eriflkine kürtaja karfl› olup olmad›klar› sorulmufl ve elde edilen
sonuçlar, cinsiyetlere göre afla¤›da verilmifltir. K ‹ T A P K ‹ T A P
N
TAMAMLAYICI (BÜTÜNLEY‹C‹) OLAYLAR
A A
fiekil 4.11 ‹ki
Tamamlay›c› olay›n
Venn diyagram›.
88 istatistik
ÖRNEK 21 Befl çamafl›r makinesinden iki tanesi bozuktur. Bu makinelerden bir tane-
sinin rasgele seçilmesi deneyinde tamamlay›c› olaylar ve bunlar›n olas›-
l›klar› nedir?
biçimindedir. Deneydeki befl makinenin üçü sa¤lam, ikisi bozuk oldu¤u için yu-
kar›da tan›mlanan olaylar›n olas›l›klar›,
A A
fiekil 4.12 Örne¤in
Venn diyagram›.
A A
1. Zar›n bir kez at›lmas› deneyinde A olay›, sonucun 3’ten küçük SIRA
bir say› gelmesidir. A
S‹ZDE SIRA S‹ZDE
olay›n›n ortaya ç›kma olas›l›¤› nedir? A olay›n›n tamamlay›c› olay› ve olas›l›¤› nedir?
N N
SIRA S‹ZDE SIRA S‹ZDE
N
OLAYLARIN ARA KES‹T‹ VE ÇARPMA KURALI
AMAÇLARIMIZ AMAÇLARIMIZ
AMAÇ Ayn› anda ortaya ç›kan olaylar›n olas›l›¤›n› hesaplayabileceksiniz.
8
Bu bölümde iki olay›n ara kesiti (ortak bölge) ve olaylar›n ara kesitinin olas›l›¤›-
K ‹ T A P K ‹ T A P
n› hesaplamada kullan›lan çarpma kural› verilecektir.
A B
fiekil 4.14 A ve B
olaylar›n›n ara kesiti.
U
A B ya da AB
90 istatistik
Tablo 4.7 ‹ki-Yönlü Cinsiyet Üniversite mezunu Üniversite mezunu de¤il Toplam
S›n›flama Tablosu. Erkek 7 20 27
Kad›n 4 9 13
Toplam 11 29 40
Çal›flanlardan bir tanesi iflçi yönetim komitesi için rasgele seçilecek olur-
sa, seçilenin kad›n ve üniversite mezunu olma olas›l›¤› nedir?
ÇÖZÜM
‹stenen olas›l›k, “Kad›n (K)” ve “Üniversite mezunu (M)” olaylar›n›n ara kesiti
olup,
P (K ve M) = P (K) P (M | K)
Üniversite
Mezunu
Kad›n 4
P (M | K) = 4 / 13
olarak bulunur.
Benzer biçimde; “Erkek (E)” ve “Üniversite mezunu de¤il (N)” olaylar› da dik-
kate al›nd›¤›nda yukar›daki tabloya iliflkin di¤er bileflik olas›l›klar kolayca elde
edilebilir.
K 13 / 40 M/K 4 / 13
P (K ve M) = (13 / 40) (4 / 13) = 0,100
ÇÖZÜM
Bu deneyle ilgili olarak, önce olaylar tan›mlanacak olursa olaylar;
eflitli¤inden elde edilecektir. Toplam 20 kasetin 4 tanesi bozuk oldu¤u için ilk se-
çilen kasetin bozuk olma olas›l›¤› P (B1) = 4 / 20 'dir. ‹lk seçilen kasetin bozuk
oldu¤u bilindi¤ine göre, kutuda üçü bozuk 19 tane kaset kalm›flt›r. O halde, ikin-
ci seçilen kasetin de bozuk olma olas›l›¤› P (B2 | B1) = 3 / 19 'dur ve istenen ola-
s›l›ksa,
olarak bulunur.
Afla¤›daki flekilde, istenen olas›l›k P (B1 ve B2) koyu renkli olarak belirtilerek
dört nihai sonuç (bileflik olas›l›k) verilmifltir.
92 istatistik
B 4 / 20 S /B 16 / 19
1 2 1
P (B / S ) = (4 / 20) (16 / 19) = 0.16,
1 2
fiekil 4.17 ‹ki kaset B /B 3 / 19
2 1
seçimi. P (B / B ) = (4 / 20) (3 / 19) = 0,032
1 2
Alt bölüm, 4.4’de verilmifl olan koflullu olas›l›k konusu hat›rland›¤›ndave bir A
Koflullu olas›l›k: E¤er A ve B, olay›n›n olma olas›l›¤› biliniyorsa, yine A ve B olay›n›n bileflik olas›l›¤› biliniyor-
P (A) ≠ 0 ve P (B) ≠ 0
durumunda iki olay ise sa, bu bilgilerden yararlanarak A olay› bilindi¤inde B olay›n›n koflullu olas›l›¤›n›
bunlara iliflkin koflullu bulmak kolayd›r.
olas›l›klard›r.
P (A ve B) Koflullu Olas›l›k: E¤er A ve B, P (A) ≠ 0 ve P (B) ≠ 0 durumunda iki olay
P B|A =
P (A) ise bunlara iliflkin koflullu olas›l›klard›r.
ve
P (A ve B) P (A ve B)
P B|A = ve P (B) =
P (A ve B)
P (B) =
P (A) P (B)
P (B)
ÖRNEK 25 Mühendislik fakültesinden rasgele seçilen bir ö¤rencinin k›z olma olas›l›-
¤› 0.20, bu ö¤rencinin bilgisayar mühendisli¤i ö¤rencisi ve k›z ö¤renci ol-
mas›n›n bileflik olas›l›ysa ise 0.03 'tür. Seçilen ö¤rencinin k›z oldu¤u bilin-
di¤inde, bu ö¤rencinin bilgisayar mühendisli¤i ö¤rencisi olmas›n›n koflul-
lu olas›l›¤›n› bulunuz.
ÇÖZÜM
P (A) = P (A | B) ve P (B) = P (B | A)
biçimine dönüflür.
Ünite 4 - Olas›l›k 93
Ba¤›ms›z Olaylar ‹çin Çarp›m Kural›: A ve B gibi ba¤›ms›z iki olay›n bile- Ba¤›ms›z olaylar için
çarp›m kural›: A ve B gibi
flik olas›l›¤› ba¤›ms›z iki olay›n bileflik
olas›l›¤›
P (A ve B) = P (A) P (B)
P (A ve B) = P (A) P (B)
‘dir. dir.
Bir ifl han›nda iki tane yang›n dedektörü bulunmaktad›r. Bir yang›n s›ras›n- ÖRNEK 26
da bu dedektörlerden herhangi birinin çal›flmamas› olas›l›¤› 0.02’ dir. Bir
yang›n s›ras›nda her iki dedektörün de çal›flmama olas›l›¤›n› bulunuz.
ÇÖZÜM
Bu örnekte iki yang›n dedektörü birbirinden ba¤›ms›zd›r. Çünkü, yang›n s›ras›n-
da dedektörlerden birinin çal›flmamas› ötekini etkilememektedir. Bu durumda
afla¤›daki iki olay tan›mlanabilir.
olarak bulunur.
Afla¤›daki örnekte de görülece¤i gibi çarpma kural›, ikiden çok olay olmas›
durumunda da bileflik olas›l›¤›n bulunmas›nda kullan›lmaktad›r.
Penisilinin hastada alerji yapmas› olas›l›¤› 0.20’ dir. Bu ilac›n üç hastaya ÖRNEK 27
verildi¤i bir durumda;
a) Üç hastaya da alerji yapmas›
b) En az bir hastaya alerji yapmamas›
olas›l›klar›n› bulunuz.
r› göstersin.
C 0,20 P ( A B C ) = 0,008
B
C 0.80
0.20 P ( A B C ) = 0,032
C 0.20 P ( A B C ) = 0,032
A
0.20 B 0.80
C 0.80
P ( A B C ) = 0,128
0.80 C 0.20
B P ( A B C ) = 0,032
A
0.20 C 0.80
P ( A B C ) = 0,128
C 0.20
B 0.80 P ( A B C ) = 0,128
fiekil 4.18 A¤aç C 0.80
diyagram›. P ( A B C ) = 0,512
b) Burada da,
G = Üç hasta da alerjiktir
H = En az bir hasta alerjik de¤ildir
P (G) = P (A ve B ve C) = 0.008
de¤eri bulunur.
Örnekte tan›mlanan O ve R olaylar› ayr›k olaylar oldu¤u için bileflik olas›l›¤› s›f›rd›r.
(P (O ve V) = 0)
Ünite 4 - Olas›l›k 95
N
OLAYLARIN B‹LEfi‹M‹ VE TOPLAMA KURALI
D‹KKAT D‹KKAT
N N
AMAÇ SIRA S‹ZDE SIRA S‹ZDE
hesaplayabileceksiniz.
9
Bu alt bölümde olaylar›n bileflimi (bileflik olaylar) incelenecek ve bileflik olaylar-
AMAÇLARIMIZ AMAÇLARIMIZ
da olas›l›k bulmada kullan›lan toplama kural›ndan söz edilecektir.
Olaylar›n Bileflimi K ‹ T A P
Olaylar›n bileflimi: Ayn›
K ‹ T A P
A ve B gibi iki olay›n bileflimi; A’da ya da B’de ya da A ve B’de birlikte yer alan örneklem uzay›nda tan›ml› A
ve B olaylar›n›n bileflimi
tüm sonuçlar› içermektedir. A’da ya da B’de ya da A ve
Olaylar›n Bileflimi: Ayn› örneklem uzay›nda tan›ml› A ve B olaylar›n›n bile- B’de birlikte yer alan tüm
T E L E V ‹ Z bileflkesi
flimi A’da ya da B’de ya da A ve B’de birlikte yer alan tüm olaylar›n YON olup T E L E Volup
olaylar›n bileflkesi ‹ Z YAOyaN
da B biçiminde gösterilir.
A ya da B biçiminde gösterilir.
Burada; “K›z ö¤renci” ve “Tam zamanl› ö¤renci” olaylar›n›n bileflimi, k›z ya da tam
zamanl› ya da her iki grupta da yer alan ö¤rencilerden oluflmaktad›r. Bu ö¤renci-
lerin say›s› ise 6.868 + 7.221 – 3.786 = 10.303 milyondur. Burada en önemli nok-
ta, iki olay›n içerdi¤i toplam 6.868 + 7.221 = 14.089 milyon kifliden 3.786 milyonu-
nun her iki grupta (olay) yer almas›, yani iki olay›n ara kesiti olmas› nedeniyle top-
lamdan ç›kart›lmas›d›r. Afla¤›daki tablo ve grafikten de görülece¤i gibi bu de¤erle-
rin toplamdan ç›kart›lmamas› iki kez say›lmas›na yani tekrara neden olacakt›r.
biçiminde bulunmaktad›r.
Bu eflitlik gere¤ince A ve B olaylar›n›n bileflen olas›l›klar›n›n toplam›ndan bun-
lar›n bileflik olas›l›klar›n›n ç›kart›lmas›yla bu olaylar›n bilefliminin olas›l›¤› bulunur.
ÖRNEK 30 Bir üniversite rektörü, tüm ö¤rencilerin etik konusunda bir dersi (zorun-
lu) almas›n›n yararl› olaca¤›n› düflünmektedir. Bu konuda ö¤retim ele-
man› ve ö¤rencilerden oluflan toplam 300 kifliye düflüncesini sormufl ve el-
de edilen sonuçlardan afla¤›daki tablo oluflturulmufltur.
Tablo 4.9 ‹ki yönlü
Görüfl
s›n›flama tablosu.
Sorulan Kat›l›yor Karfl› Çekimser Toplam
Ö¤retim eleman› 45 15 10 70
Ö¤renci 90 110 30 230
Toplam 135 125 40 300
elde edilir.
45 + 15 + 10 + 90 = 160
P (A veya B) = 160 | 300 = 0.533
Ünite 4 - Olas›l›k 97
Yap›lan bir araflt›rmadan 7225 kiflinin birden çok ifli oldu¤u bulunmufl- ÖRNEK 31
tur. Bu kiflilerden 4115 tanesi erkek, 1742 tanesi bekar ve 905 tanesiyse
erkek ve bekard›r. Rasgele seçilen birinin erkek ya da bekar olma
olas›l›¤›n› bulunuz.
ÇÖZÜM
olas›l›klar› yazmak gerekir.
olarak bulunur.
Ayr›ca örnekte verilen bilgiler (koyu renkli) kullan›larak afla¤›daki tablo olufl-
turulabilir ve aranan olas›l›k bu bilgilerden yararlan›larak da bulunabilir.
Bu örnek için tan›mlanan olaylar, afla¤›daki fiekil 4.20’den de görülece¤i gibi ay-
r›k olaylard›r. Çünkü seçilen kifli ›rk ayr›m›na ya karfl› olacakt›r ya da çekimser
olacakt›r. Yani her iki görüflte olmas› söz konusu de¤ildir.
K C
fiekil 4.20 K ve C
ayr›k olaylar›.
elde edilir.
ÖRNEK 33 Zar›n iki kez at›ld›¤› bir deneyde, iki at›fl sonunda toplam 5, ya da 7 ya
da 10 elde edilmesi olas›l›¤›n› bulunuz.
ÇÖZÜM
Bir zar›n iki kez at›lmas› deneyinde toplam 36 sonuç bulunmaktad›r. Eflit olas›l›k-
l› bu sonuçlar Tablo 4.12’de verilmifltir.
Ünite 4 - Olas›l›k 99
olarak bulunur.
K 0,45 D 0,55
P (KD) = (0,45) (0,55) = 0,2475
2. Afla¤›daki toplama kural›, hangi durumdaki A ve B gibi iki olay›n bilefliminin, olas›l›¤›n›
D Ü fi Ü N E L ‹ M bulmada Dkullan›l›r?
Ü fi Ü N E L ‹ M
P (A veya B) = P (A) + P (B)
S O R U S O R U
3. Afla¤›daki durumlar için P (A ya da B) olas›l›¤›n› bulunuz.
a) P (A) = 0.18 , P (B) = 0.49 ve P (A ve B) = 0.13
D‹KKAT b) P (A) =D0.83
‹ K K A T, P (B) = 0.71 ve P (A ve B) = 0.68
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
Ünite 4 - Olas›l›k 101
Kendimizi S›nayal›m 5. 52 kartl›k bir oyun ka¤›d› destesinden pefl pefle iki
1. 3 farkl› para ayn› anda at›lm›flt›r. Bu deneye iliflkin ör- kart çekilmifltir. Birinci kart ikili iken, ikinci kart›n da ikili
neklem uzay›nda kaç örneklem noktas› olacakt›r? olma olas›l›¤› afla¤›dakilerden hangisidir?
a. 3 a. 1
b. 6 221
b. 7
c. 8
360
d. 12 11
c.
e. 16 101
d. 7
52
2. Biri beyaz di¤eri de k›rm›z› olmak üzere bir çift zar
e. 11
at›lm›flt›r. A zarlar›n üste gelen yüzeydeki say›lar›n top- 52
lam›n›n çift, B’de k›rm›z› zar›n üste gelen yüzündeki
say›n›n tek say› olmas› olaylar› iken, (A∪B) olay›nda kaç 6. Bir s›n›ftaki ö¤rencilerin %30’u matematik, %20’si is-
örneklem noktas› olacakt›r? tatistik ve %10’u da hem matematik hem de istatistik ders-
a. 12 lerinden baflar›s›zd›r. Bu s›n›ftan gelifligüzel seçilen bir
b. 16 ö¤rencinin matematik ya da istatistik derslerinin birinden
c. 18 baflar›s›z olma olas›l›¤› afla¤›dakilerden hangisidir?
d. 36 a. 0.20
e. 40 b. 0.30
c. 0.35
3. Bir s›n›fta 10 k›z 20 erkek ö¤renci vard›r. K›z ö¤ren- d. 0.40
cilerin de erkek ö¤rencilerin de yar›s› bursludur. Bu s›n›f- e. 0.45
tan gelifligüzel bir ö¤renci seçilmifltir. Bu ö¤rencinin er-
kek ya da burslu olma olas›l›¤› afla¤›dakilerden hangisidir? 7. Ayn› s›n›ftan iki ö¤rencinin Türk Dili dersi s›nav›ndan
baflar›l› olma olas›l›klar›n›n s›ras›yla 0.6 ve 0.8 oldu¤u
a. 3
biliniyorsa bu iki ö¤renciden birisinin baflar›l› olma olas›l›¤›
6
afla¤›dakilerden hangisidir?
b. 3
a. 0.30
5
b. 0.48
c. 4 c. 0.50
6
d. 0.75
d. 4 e. 0.92
5
a. 1 Yararlan›lan Kaynaklar
5 HOEL, P.G. and JESSEN, R.J.: Basic Statistics for
b. 2 Business and Economics, Wiley, NewYork, 1971.
5
3 MANN, P.S.: Introductory Statistics, 2nd Edition, Wiley,
c.
5 New York, 1995.
d. 2 O’HAGAN, A., Probability: Metods and Measurement,
3 Chapman and Hall, London, 1988.
e. 7
WONNACOTT, R.J., WONNACOTT, T.H.: Introductory
10
Statistics, 4th Edition, Wiley, Singapore, 1985.
10. Bir futbol tak›m›n›n ilk üç maç› kazanmas›na iliflkin
olas›l›klar s›ras›yla 0.3, 0.5 ve 0.8 olarak belirlenmifltir. Bu
tak›m›n üç maç› da kazanma olas›l›¤› afla¤›dakilerden han-
gisidir?
a. 0.10
b. 0.12
c. 0.15
d. 0.18
e. 0.20
103
Kesikli Rassal
De¤iflkenler ve
Olas›l›k Da¤›l›mlar› 5
Çal›flma Biçimine ‹liflkin Olarak:
• Tan›mlar ve kavramlar iyice incelenmeli,
• Örnekler tam olarak anlafl›lmal›,
• Sorulan sorularda nelerin istendi¤i kesin olarak anlafl›ld›ktan sonra çözüme
geçilmeli,
• Al›flt›rmalar›n tümü mutlaka çözülmelidir.
104 istatistik
N Rassal
Amaçlar:
N Kesikli rassalde¤iflkenlerin
de¤iflken kavram›n› aç›klayabileceksiniz.
N
sapmas›n› hesaplayabileceksiniz.
Kesikli rassal de¤iflkenlerin di¤er önemli bir da¤›l›m› olan Poisson da¤›l›m›-
n› kullanarak ilgili olas›l›klar›, da¤›l›m›n ortalama ve standart sapmas›n›
hesaplayabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• RASSAL DE⁄‹fiKENLER
• Kesikli Rassal De¤iflken
• Sürekli Rassal De¤iflken
• KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N OLASILIK DA⁄ILIMI
• KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N ORTALAMASI VE STANDART SAPMASI
• Kesikli bir rassal de¤iflkenin ortalamas›
• Kesikli bir rassal de¤iflkenin standart sapmas›
• Standart Sapman›n Yorumu
• FAKTÖR‹YELLER VE KOMB‹NASYONLAR
• Faktöriyeller
• Kombinasyonlar
• B‹NOM (‹K‹ TER‹ML‹) OLASILIK DA⁄ILIMI
• Binom Deneyi
• Binom Olas›l›k Da¤›l›m› ve Binom Formülü
• Baflar› Olas›l›¤› ve Binom Da¤›l›m›n›n Biçimi
• Binom Da¤›l›m›n›n Ortalama ve Standart Sapmas›
• PO‹SSON OLASILIK DA⁄ILIMI
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 105
G‹R‹fi
Bir önceki bölümde olas›l›k kavram›ndan ve kurallar›ndan söz edilmiflti. Bu bö-
lümdeyse olas›l›k kavram› geniflletilerek olas›l›k da¤›l›mlar›ndan söz edilecektir.
Hat›rlanaca¤› gibi bir önceki bölümde, bir istatistiksel deneyin birden çok sonucu
oldu¤u ve bu sonuçlardan hangisinin gerçekleflece¤inin önceden bilinmedi¤i, an-
cak baz› belirsizlikler alt›nda kestirilebilece¤i vurgulanm›flt›. Örne¤in loto oynayan
bir kifli kazan›p kazanamayaca¤›n› önceden bilmemektedir. E¤er kazanamayaca-
¤›n› bilse kuflkusuz oynamazd›. Ancak, loto oynayan kifli sadece (çok net olmasa
da) kazanma flans›n›n oldu¤unu bilmektedir.
Bu bölümde, bir istatistiksel deneyin, çok kez tekrarlanmas› durumunda ne tür
sonuçlar›n elde edilece¤i konu edilecektir. Yukar›da verilmifl olan loto oyuncusu
örne¤inde, kiflinin sürekli loto oynamas› durumunda, (ortalama) kazanma ya da
kaybetme olas›l›klar›n›n hesaplanmas› üzerinde durulacakt›r.
‹zleyen alt bölümlerde, rassal de¤iflken ve türleri aç›klanacak, olas›l›k da¤›l›m-
lar›yla bu da¤›l›mlar›n ortalama ve standart sapmalar›n›n bulunmas› ele al›nacak
ve son olarak da kesikli rassal de¤iflkenler için önemli da¤›l›mlardan olan Binom
ve Poisson da¤›l›mlar› incelenecektir.
N
RASSAL DE⁄‹fiKENLER
Rassal de¤iflken kavram›n› aç›klayabilecek ve kesikli rassal de-
AMAÇ
1 ¤iflkenler için olas›l›k da¤›l›m›n› oluflturabileceksiniz.
Afla¤›daki tabloda 2000 ailenin sahip olduklar› otomobil say›lar›na göre s›kl›k ve
göreli s›kl›k da¤›l›mlar› verilmifltir:
Bu gruptan rassal bir aile seçilmifl ve ailenin sahip oldu¤u otomobil say›s› X ile
gösterilmifl olsun. Yukar›daki tablonun ilk sütununda da görülece¤i gibi X (de¤ifl-
ken )’in alabilece¤i befl de¤er (0 , 1, 2 , 3 , 4 ) bulunmaktad›r ve X ‘in de¤eri se-
çilen aileye göre de¤iflim göstermektedir. Yani bu de¤er rassal deneyin sonuçlar›-
na ba¤l› ve bu X de¤iflkenine “rassal de¤iflken” ya da “flans de¤iflkeni” ad› veril-
mektedir.
Rassal De¤iflken: Bir deney ya da gözlemin flansa ba¤l› sonucu bir de¤iflkenin
ald›¤› de¤er olarak düflünülürse, olas›l›k ve istatistikte böyle bir de¤iflkene rassal
de¤iflken ad› verilir.
Bir rassal de¤iflken, afla¤›da aç›klanaca¤› gibi kesikli (discrete) ya da sürekli
(continuous) olabilmektedir.
Kesikli Rassal De¤iflken: Genel anlamda bir rassal de¤iflken say›labilir de¤erler
al›yorsa, bu de¤iflkene kesikli rassal de¤iflken denir.
Yukar›daki tabloda verilmifl olan, sahip olunan otomobil say›s› kesikli rassal
de¤iflkene örnektir. Çünkü X ile gösterilmifl bulunan kesikli rassal de¤iflken sade-
ce say›labilir 0 ,1, 2, 3 ve 4 de¤erlerini alabilmektedir.
Afla¤›da kesikli rassal de¤iflken için baz› örnekler verilmifltir.
1. Bir galerinin herhangi bir ayda satm›fl oldu¤u otomobil say›s›.
2. Herhangi bir günde bir tiyatroya gelen izleyici say›s›.
3. Bir kiflinin sahip oldu¤u ayakkab› say›s›.
4. Bir para üç kez at›ld›¤›nda yaz› gelme say›s›.
5. Bir ailenin çocuk say›s›.
0 200
Bu aral›ktaki herhangi bir nokta X ile gösterilen bir pilin ömrü olabilmektedir.
Bu aral›kta sonsuz say›da nokta olaca¤›ndan, bu noktalar›n temsil etti¤i de¤erler
say›lamayacak sonsuzluktad›r.
Afla¤›da sürekli rassal de¤iflken için baz› örnekler verilmifltir.
1. Bir kiflinin boy uzunlu¤u.
2. S›navda bir sorunun çözülme süresi.
3. Bir bebe¤in a¤›rl›¤›.
4. Bir evin de¤eri (fiyat›).
5. Bir flifle sütün a¤›rl›¤›.
Daha çok kesikli rassal de¤iflkenlere ve da¤›l›mlar›na ayr›lan bu bölümü izle-
yen bölümde, sürekli rassal de¤iflkenler ve da¤›l›mlar› ayr›nt›l› olarak verilecektir.
SIRA S‹ZDE 1. Rassal de¤iflken, kesikli rassal de¤iflken ve sürekli rassal de¤iflken kavramlar›n› aç›k-
SIRA S‹ZDE
lay›n›z. Kesikli ve sürekli rassal de¤iflken için birer örnek veriniz.
D Ü fi Ü N E L ‹ M 2. Afla¤›daki
D Ü rassal
fi Ü N E L ‹ de¤iflkenleri
M kesikli ve sürekli olarak s›n›flay›n›z.
a.Bir s›n›ftaki ö¤renci say›s›
S O R U
b.Bir kutu biran›n hacmi
S O R U
c.Bir çiftlikteki inek say›s›
D‹KKAT D‹KKAT
AMAÇLARIMIZ AMAÇLARIMIZ
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 107
N
KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N OLASILIK DA⁄ILIMI
Tablo 5.1’de verilmifl olan ailelerin sahip olduklar› otomobil say›lar›na ÖRNEK1
iliflkin s›kl›k ve göreli s›kl›k da¤›l›m› tekrar yaz›lacak olursa,
Otomobil Say›s› (x) S›kl›k Göreli S›kl›k Olas›l›k (P(x)) Tablo 5.2 Sahip
0 30 0.015 0.015 Olunan Otomobil
1 470 0.235 0.235 Say›lar›na Göre
2 850 0.425 0.425 Ailelerin S›kl›k ve
3 490 0.245 0.245 Göreli S›kl›k
4 160 0.080 0.080 Da¤›l›mlar›.
N = 2000 Toplam = 1.000 Σ P(x) = 1.00
biçimindedir. X rassal seçilen bir ailenin sahip oldu¤u otomobil say›s› ol-
mak üzere, X‘in olas›l›k da¤›l›m›n› yaz›n›z.
Bir önceki bölümde (Bölüm 4) bir deneyden ya da örneklemden elde edilen gö-
ÇÖZÜM
reli s›kl›klar›n, yaklafl›k olas›l›klar gibi kullan›labildi¤inden söz edilmiflti. Ancak bir
kütle için göreli s›kl›klar›n bilinmesi, sonuçlar›n gerçek (kuramsal) olas›l›klar›n›
vermektedir. Bu nedenle Tablo 5.2’de verilmifl olan göreli s›kl›klar kullan›larak X
kesikli rassal de¤iflkeninin olas›l›k da¤›l›m› do¤rudan yaz›labilmektedir (Tablo 5.2,
son sütun).
Kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m› afla¤›daki iki özelli¤i tafl›r.
1. x de¤iflkenin alabilece¤i her bir de¤erin olas›l›¤› 0 ile 1 aras›nda olup
0 ≤ P(x) ≤ 1 biçiminde gösterilir.
2. x de¤iflkenin alabilece¤i tüm de¤erlerin olas›l›klar toplam› 1’dir ve
Σ P(x) = 1 olarak gösterilir.
108 istatistik
Olas›l›k Da¤›l›m›n›n ‹ki Özelli¤i, kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m›
afla¤›daki iki özelli¤i tafl›r.
Bu iki özellik, bir olas›l›k da¤›l›m›n›n (kesinlikle) sa¤lamak zorunda oldu¤u iki
koflul olarak da bilinmektedir. Bu nedenle yukar›daki tabloda verilmifl tüm olas›-
l›klar 0 ile 1 aras›ndad›r ve olas›l›klar toplam› da 1’dir. Bu durumda yaz›lm›fl bu-
lunan P(x) de¤erleri X‘in olas›l›k da¤›l›m›n› oluflturur.
Tabloda, örne¤in, rassal seçilen bir ailenin iki otomobili olma olas›l›¤› 0.425
olup,
P(x = 2) = 0.425
biçiminde gösterilir. Ayr›ca, seçilen bir ailenin ikiden çok otomobile sahip olma
olas›l›¤› soruldu¤unda ise olas›l›klar toplanmaktad›r.
a) Bu tabloda verilmifl olan tüm olas›l›klar 0 ile 1 aras›nda olduklar› için olas›l›k
ÇÖZÜM
da¤›l›m›n›n birinci koflulunu sa¤lamaktad›r. Ancak olas›l›klar toplam› (Σ P(x)
= 0.08 + 0.11 + 0.39 + 0.27 = 0.85) 1 olmad›¤› için ikinci koflul sa¤lanma-
makta, yani bu tablo, geçerli bir olas›l›k da¤›l›m› göstermemektedir.
b) Bu tabloda verilmifl olan olas›l›klar›n tümünün 0 ile 1 aras›nda olmas› ve olas›-
l›klar toplam›n›n (Σ P(x) = 0.25 + 0.34 + 0.28 + 0.13 = 1.00) 1 olmas› nedeniy-
le, iki koflulda sa¤land›¤› için bu, geçerli bir olas›l›k da¤›l›m› göstermektedir.
c) Bu tabloda verilmifl olan olas›l›klar toplam› (Σ P(x) = 0.70 + 0.50 - 0.20 = 1.00)
1 oldu¤u halde, olas›l›klardan bir tanesinin negatif olmas› nedeniyle ilk koflul
sa¤lanmamakta ve bu tablo da geçerli bir olas›l›k da¤›l›m› göstermemektedir.
Eski verilerden yararlan›larak bir makinenin birer hafta süresince yap- ÖRNEK 3
t›¤› ar›za say›lar› listelenerek afla¤›da verilmifltir.
Haftal›k ar›za 0 1 2 3
Olas›l›k 0.15 0.20 0.35 0.30
biçiminde yaz›l›r.
a) Olas›l›k da¤›l›m› bilgilerinden yararlanarak olas›l›k da¤›l›m grafi¤i afla¤›daki
biçimde çizilir.
P(x
0.4
0.35
0.30
0.3
0.20
0.2
0.15
0.1
biçimindedir.
Afla¤›daki flekilden de görülece¤i gibi bu deneyin dört olas› sonucu bulunmak-
tad›r (NN - her iki ö¤rencide de matematik fobisi yok , NM - ilk ö¤rencide ma-
tematik fobisi yok ikincide var, MN – ilk ö¤rencide matematik fobisi var ikincide
yok, MM - her iki ö¤rencide de matematik fobisi var). Yukar›da verilen bilgiler-
den P (M) = 0.60 oldu¤u bilinmektedir ve P (N) = 1 - P (M) = 1 - 0.60 = 0.40 ola-
ca¤› kolayl›kla görülür. Bu durumda deneyin sonuçlar›,
N 0.40
M 0.60
P(MN) = (0.60) (0.40) = 0.24
N N
5 -0.36 1 0.16 0 0.15 S‹ZDE
SIRA SIRA S‹ZDE
6 0.48 2 0.24 1 0.00
7 0.62 3 0.49 2 0.35
8 0.24 3 0.50
AMAÇLARIMIZ AMAÇLARIMIZ
N
STANDART SAPMASI
µ = Σ x P(x) = E(x)
112 istatistik
ÖRNEK 5 Örnek 5.3’de bir makinenin bir haftada yapt›¤› ar›za say›lar›na iliflkin
afla¤›daki olas›l›k da¤›l›m›n›n ortalamas›n› bulunuz.
x P(x)
0 0.15
1 0.20
2 0.35
3 0.30
ÇÖZÜM
Yukar›da belirtildi¤i gibi bu makinenin bir hafta süresince yapaca¤› ortalama ar›-
za say›s›n› (beklenen de¤er) bulmak için, X ‘in ald›¤› de¤erlerle bu de¤erlere kar-
fl›l›k gelen olas›l›klar›n çarp›mlar›n›n toplanmas› gerekmektedir. Bu yolla olufltu-
rulan tablo afla¤›dad›r.
σ= ∑ x–µ ∑ x2 P x
2
Px = – µ2
eflitli¤inden hesaplan›r.
Kesikli bir rassal de¤iflken olan X ‘in olas›l›k da¤›l›m›n›n yay›lma ölçüsü olan
standart sapma,
σ= ∑ x2 P x – µ2
eflitli¤inden hesaplanmaktad›r.
‹statistiksel de¤erlendirmelerde, kesikli bir rassal de¤iflkenin standart sapmas›
oldu¤u kadar (hatta daha çok) standart sapman›n karesi al›narak bulunan ve σ2
ile gösterilen varyans de¤eri de kullan›lmaktad›r.
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 113
x 0 1 2 3 4 5
P(x) 0.02 0.20 0.30 0.30 0.10 0.08
ÇÖZÜM
x ‘in standart sapmas›n›n elde edilmesi için gerekli hesaplamalardan afla¤›daki
tablo oluflturulmufltur.
x P(x) x P(x) x2 x2 P(x)
0 0.02 0.00 0 0.00
1 0.20 0.20 1 0.20 Tablo 5.6 Standart
2 0.30 0.60 4 1.20 Sapma ‹çin Gerekli
3 0.30 0.90 9 2.70 Hesaplamalar.
4 0.10 0.40 16 1.60
5 0.08 0.40 25 2.00
Σ x P(x) = 2.50 Σ x2 P(x) = 7.70
µ = Σ x P(x) = 2.50
(400 parça aras›nda ortalama ar›zal› parça say›s› )
Σx 2 P(x) = 7.70
Sonuç olarak 400 parçadan oluflan sevkiyat›n, 1.2 standart sapma de¤eriyle or-
talama 2.5 tanesi ar›zal›d›r.
Yeni bir mutfak aleti üreterek piyasaya sürmeyi planlayan bir firman›n ÖRNEK 7
finansal kaynaklar bölümü; bu ürüne yüksek talep olursa y›lda 4.5 trilyon
TL, normal talep olursa 1.2 trilyon TL kar edeceklerini, düflük talep olur-
sa y›lda 2.3 trilyon TL zarar edeceklerini hesaplam›flt›r. Bu üç talep bek-
lentisine iliflkin olas›l›klar s›ras›yla 0.32, 0.51 ve 0.17 oldu¤u göre,
a) x y›ll›k kar› göstermek üzere, x‘in olas›l›k da¤›l›m›n› yaz›n›z.
b) x ‘in ortalama ve standart sapma de¤erlerini bulunuz.
114 istatistik
ÇÖZÜM
a) Firman›n zarar etmesi durumu negatif kar olarak gösterilerek olas›l›k da¤›l›m›
afla¤›daki gibi elde edilir.
x P(x)
4.5 0.32
1.2 0.51
-2.3 0.17
N N
SIRA S‹ZDE x 0
SIRA S‹ZDE 1 2 3 4
P(x) 0.73 0.16 0.06 0.04 0.01
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 115
3. Elektrik malzemeleri sat›lan bir ma¤azada yap›lan incelemede bir günde sat›lan elekt-
rik prizi say›s›na iliflkin olas›l›k da¤›l›m› afla¤›dad›r. Olas›l›k da¤›l›m›n›n ortalama ve
standart sapmas›n› bulunuz, buldu¤unuz ortalama de¤erini yorumlay›n›z.
Sat›lan priz 0 1 2 3 4 5 6
Olas›l›k 0.05 0.12 0.23 0.30 0.16 0.10 0.04
N
FAKTÖR‹YELLER VE KOMB‹NASYONLAR
Faktöriyeller
“ ! ” sembolü faktöriyel iflareti olup, verilen de¤erden 1’e kadar tüm pozitif tam-
say›lar›n çarp›m›ndan oluflur. Örne¤in 7!, yedi faktöriyel olarak okunur ve 7’den
1’e kadar tüm pozitif tam say›lar›n çarp›m›ne eflittir.
Faktöriyeller, n! (n faktöriyel) n’den 1’e kadar tüm pozitif tam say›lar›n çarp›-
m›n› ifade eder ve
n! = n (n – 1) (n – 2 ).....3. 2. 1
biçiminde gösterilir. Bu tan›m gere¤ince 0! = 1’dir.
7! de¤erini bulmak için 7’den 1’e kadar tüm tamsay›lar›n çarp›lmas› gerekir.
ÇÖZÜM
7! = 7 . 6 . 5 . 4 . 3 . 2 .1 = 5.040
Burada da yine 1 ‘den 10 ‘a kadar tüm tamsay›lar›n çarp›m›ndan 10! de¤eri elde
edilir.
10! = 10 . 9 . 8 . 7 . 6 . 5 . 4 . 3 . 2 .1 = 3.628.800
Burada ilk olarak parantez içindeki ifllem yap›l›r ve daha sonra faktöriyel de¤eri
bulunur.
(12 – 4) ! = 8 ! = 8 . 7 . 6 . 5 . 4 . 3 . 2 .1 = 40.320
Yukar›da da belirtilmifl oldu¤u gibi burada da önce parantez içerisindeki ifllem ya-
ÇÖZÜM
(5 – 5) ! = 0 ! =1
116 istatistik
Kombinasyonlar
Bir süre sonra, bir grup içerisinden az say›da birimin çekilmesi konusu incelene-
cektir. Örne¤in bir ö¤renci dört soruluk bir s›navda iki soruyu cevaplayacakt›r.
Ya da bir fakültedeki 20 profesör aras›ndan üç kiflilik bir komite seçilecektir. Bu
örneklerde ortak sorun, seçimin kaç farkl› yolla yap›labilece¤idir. Örne¤in, s›na-
va giren ö¤renci dört soru aras›ndan iki soruyu alt› farkl› flekilde seçebilir. Bun-
lar (1 ve 2) (1 ve 3) (1 ve 4) (2 ve 3) (2 ve 4) (3 ve 4) biçiminde listelene-
bilir. Listedeki tüm olas› seçimlere bir kombinasyon denmektedir. Bu alt› kombi-
nasyonda farkl› sorular bulunmaktad›r. Kombinasyonlarda seçilme s›ras› önemli
de¤ildir. Yukar›daki örnekler için (1 ve 2) ile (2 ve 1) soru seti eflde¤er (ayn›) dir.
Kombinasyonlar›n Gösterimi, Kombinasyonlar; n eleman aras›ndan x tane-
sinin seçilme yollar› say›s›n› vermekte ve toplam kombinasyon say›s›,
Cxn
n
x ya da
ifadesinden yararlan›lmaktad›r.
n ! = n (n – 1) (n - 2)........ 2 . 1
x ! = x (x – 1) (x - 2)........ 2 . 1
(n - x) ! = (n - x) (n - x - 1) (n - x - 2)........ 2 . 1
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 117
Yukar›da verilmifl olan dört soru aras›ndan iki tanesinin seçilmesi dene- ÖRNEK 13
yinde, farkl› seçim say›s›n› kombinasyon formülünü kullanarak bulunuz.
Bu örnekte
ÇÖZÜM
n = toplam soru say›s› = 4
x = seçilecek soru say›s› = 2
4 4!
= = 4! = 4 . 3 . 2 . 1 = 6
2 2! 4 – 2 ! 2! 2! 1.2.1.2
olarak bulunur.
Befl kifli aras›ndan üç kiflinden oluflacak bir jüri, kaç farkl› yolla seçilebilir? ÖRNEK 14
ÇÖZÜM
5 5!
= = 5! = 120 = 10
3 3! 5 – 3 ! 3! 2! 6 . 2
elde edilir. E¤er A, B, C, D ve E ile ifade edilecek olunursa, olas› jüriler; ABC,
ABD, ABE, ACD, ACE, ADE, BCD, BCE, BDE, CDE biçiminde gösterilir.
N N
Yat›r›mc› kaç farkl› seçim yapabilecektir. SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
118 istatistik
N
AMAÇ
Kesikli rassal de¤iflkenlerin önemli da¤l›mlar›ndan Binom da¤›l›-
m›n› kullanarak ilgili olas›l›klar› hesaplayabilecek, da¤›l›m›n or-
5 talama ve standart sapmas›n› hesaplayabileceksiniz.
Binom olas›l›k da¤›l›m›, X’in kesikli rassal de¤iflken olmas› durumunda en yay-
g›n kullan›lan da¤›l›mlardan biridir. Binom olas›l›k da¤›l›m›, n tekrarl› bir deney-
de x kez istenen sonuç gelmesi durumunda, olas›l›klar›n bulunmas› amac›yla
kullan›lmaktad›r. Örne¤in bir fabrikada üretilen TV setlerinin ar›zal› olma olas›l›-
¤› % 5 olarak verilmiflse bu fabrikada üretilen TV setlerinden üç tanesinin seçil-
mesi durumunda, bunlardan bir tanesinin ar›zal› olma olas›l›¤›n›n bulunmas›nda
kullan›lmaktad›r.
Binom olas›l›k da¤›l›m›n›n uygulanabilmesi için X de¤iflkeninin iki sonuçlu (ke-
sikli) bir rassal de¤iflken olmas› gerekir. ‹ki sonuçlu (kesikli) rassal de¤iflkenin an-
lam›, deneyin her tekrar›ndan sonra bu iki sonuçtan birinin ortaya ç›kmas›d›r.
Binom da¤›l›m›, afla¤›da ayr›nt›l› bir biçimde verilecek dört koflulu sa¤layan bi-
nom deneylerine uygulanmaktad›r ki bu deneydeki her tekrara deneme, Bernoul-
li denemesi ya da s›namas› (trial - Bernoulli trial) ad› verilmektedir. Örne¤in de-
ney, bir paran›n bir kez at›lmas› olarak tan›mlan›rsa ve bu deney 10 kez tekrarla-
n›rsa buradaki her tekrara (at›fl) bir deneme ad› verilir ve bu deneyde toplam 10
deneme yap›lm›fl olur.
Binom Deneyi
E¤er bir deney afla¤›daki dört koflulu sa¤l›yorsa bu deneye binom deneyi
denmektedir.
1. n tane özdefl deneme vard›r. Yani verilen deney n kez özdefl (ayn› ) koflul-
larda tekrarlanmaktad›r.
2. Her denemenin sadece ve sadece iki sonucu vard›r. Bu sonuçlara genellik-
le baflar› ya da baflar›s›zl›k denmektedir.
3. p baflar› olas›l›¤›, q ise baflar›s›zl›k olas›l›¤› olmak üzere p + q = 1 dir.
p ve q olas›l›klar› her deneme için ayn›d›r.
4. Bir denemenin sonucu öteki denemenin sonucunu etkilememektedir. Yani
denemeler ba¤›ms›zd›r.
Bir Binom Deneyinin Koflullar›: Bir binom deneyi afla¤›daki dört koflulu
sa¤lamak zorundad›r.
1. n tane özdefl deneme olmal›d›r.
2. Her denemenin sadece iki olas› sonucu olmal›d›r.
3. ‹ki sonucun olas›l›klar› hep ayn› olmal›d›r.
4. Denemeler birbirinden ba¤›ms›z olmal›d›r.
Yukar›da da belirtildi¤i gibi, bir denemenin, baflar› ve baflar›s›zl›k olarak ifade
edilen iki sonucu vard›r. Ancak burada baflar›, gerçek baflar› ya da arzulanan bir
sonuç anlam›na gelmemektedir. Ayn› biçimde baflar›s›zl›k da istenmeyen, bir du-
rum olmay›p, baflar› ve baflar›s›zl›k sadece, iki farkl› sonucu ifade etmek için kul-
lan›lmaktad›r. Sonuç olarak, karfl›lafl›lan özel problemde istenen sonuca baflar›, is-
tenmeyen sonucaysa baflar›s›zl›k denmektedir.
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 119
Hatas›z bir paran›n 10 kez at›ld›¤› bir deney, bir binom deneyi midir? ÖRNEK 16
Afla¤›da ayr›nt›l› bir biçimde gözden geçirilece¤i gibi, hatas›z bir paran›n 10 kez
ÇÖZÜM
at›lmas› deneyi gerekli dört koflulu da sa¤lad›¤› için bir binom deneyidir.
1. Burada ayn› türden (özdefl ) 10 deneme (at›fl ) vard›r ve 10 denemenin tümü
de de ayn› koflullardad›r.
2. Her denemenin yaz› ve tura olmak üzere iki olas› sonucu vard›r ve burada ya-
z› gelmesi baflar›, tura gelmesi ise baflar›s›zl›k olarak nitelenmektedir.
3. Herhangi bir at›flta yaz› (baflar› ) gelme olas›l›¤› 1 / 2 , tura (baflar›s›zl›k) gel-
me olas›l›¤› da 1 / 2 olup,
p = P (Y) = 1 / 2 ve q = P (T) = 1 / 2
Bir firma taraf›ndan üretilen TV setlerinin % 5’inin kusurlu (ar›zal› ) ol- ÖRNEK 17
du¤u bilinmektedir. Bu firmaca üretilen TV setlerinden rassal üç tanesi-
nin seçilmesi ve kalite kontrol uzmanlar›nca dikkatli bir biçimde incelen-
mesi deneyi, bir binom deneyi midir?
ÖRNEK 18 Yukar›da verilen ve ar›zal› olma olas›l›¤› % 5 olan TV seti örne¤inde, ras-
sal seçilmifl olan 3 TV setinden sadece bir tanesinin ar›zal› olma olas›l›¤›
nedir?
dir.
3
Px=1 = 0.05 1 0.95 2 = 3 0.05 0.9025 = 0.1353
1
elde edilir.
Yüksek kalitede hizmet sunan bir kargo flirketinin, paketlerinden sadece ÖRNEK 19
% 2’sini belirlenen sürede yerine ulaflt›ramad›¤› bilinmektedir. Bir müflte-
ri 10 tane paketi bu kargo firmas›na getirerek, belirli bir sürede üzerle-
rinde yaz›l› adreslere ulaflt›r›lmas›n› istemifltir.
a) Bu paketlerden bir tanesinin belirlenen sürede yerine ulaflmama olas›l›-
¤› nedir?
b) Bu paketlerden en çok bir tanesinin belirlenen sürede yerine ulaflma-
ma olas›l›¤› nedir?
de¤erleri yaz›l›r.
a) Sadece bir paketin ulaflmamas› durumuyla ilgilenildi¤inden,
10
Px=1 = 0.02 1 0.98 9 = 10! 0.02 1 0.98 9
1 1! 9!
10 10
= 0.02 0 0.98 10 + 0.02 1 0.98 9
0 0
= 1 1 0.8171 + 10 002 0.8337 = 0.9838
20
sonucu elde edilmektedir.
3 3 3
= 0.60 0 0.40 3 + 0.60 1 0.40 2 + 0.60 2 0.40 1
0 1 2
3
+ 0.60 3 0.40 0
3
= 0.0640 + 0.2880 + 0.4320 + 0.2160 = 1
P(x)
0.50
0.4320
0.40
0.2880
0.30
0.2160
0.20
0.0640
0.10
6
Px=3 = 0.20 3 0.80 3 = 0.0819
3
b) En çok 2 tüketicinin indirim yapan marketlerden al›flverifl yapma olas›l›¤›,
ya da
dur.
e) x rassal de¤iflkenin olas›l›k da¤›l›m ve olas›l›k da¤›l›m grafi¤i afla¤›daki gibidir.
x P(x)
Tablo 5.9 x ‘in 0 0.2621
Olas›l›k Da¤›l›m›.
1 0.3932
2 0.2458
3 0.0819
4 0.0154
5 0.0015
6 0.0001
Toplam 1.0000
P(x)
0.50
0.3932
0.40
0.2621
0.30 0.2458
0.20
0.10 0.0819
0.0154 0.0015 0.0001
fiekil 5.6 x ‘in 0.00
Olas›l›k Da¤›l›m›n›n 0 1 2 3 4 5 6 x
Grafi¤i.
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 125
oldu¤u gösterilebilir.
Bu durumlar afla¤›da verilmifltir:
1. n = 4 ve p = 0.50 olarak al›nacak olursa, x olas›l›k da¤›l›m› ve olas›l›k da¤›-
l›m›n›n simetrik grafi¤i afla¤›daki gibidir.
P(x)
0.4 0.3750
0.3
0.2500 0.2500
0.2
0.1
0.0625 0.0625
0.0
fiekil 5.7 x ‘in
x Olas›l›k Da¤›l›m›n›n
0 1 2 3 4 Grafi¤i.
P(x)
0.5
0.4116
0.4
0.3 0.2646
0.2401
0.2
0.1 0.0756
0.0081
fiekil 5.8 x ‘in 0.0
Olas›l›k Da¤›l›m›n›n x
0 1 2 3 4
Grafi¤i.
P(x)
0.5
0.4096 0.4096
0.4
0.3
0.2 0.1536
0.1
0.0256
0.0016
fiekil 5.9 x ‘in 0.0
Olas›l›k Da¤›l›m›n›n x
0 1 2 3 4
Grafi¤i.
µ =np
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 127
ve
σ= npq
biçiminde olup, burada n toplam deneme say›s›, p baflar› olas›l›¤› ve q ise bafla-
r›s›zl›k olas›l›¤›d›r.
Afla¤›daki örnekte, bir binom da¤›l›m› için ortalama ve standart sapman›n he-
saplanmas› verilecektir.
ÇÖZÜM
mak üzere iki sonuç bulunmaktad›r. Burada baflar› olarak düflünülen sonuç p =
0.58 ve baflar›s›zl›k olarak de¤erlendirilen sonuç ise q = 0.42 dir. Bu örnekte bi-
nom olas›l›k da¤›l›m›na iliflkin ortalama ve standart sapma formülleri kullan›lma-
dan da istenen de¤erleri bulmak olanakl› ancak yorucudur. Oysa ki yukar›da ve-
rilmifl olan formüllerden yararlan›larak ortalama ve standart sapma de¤erleri s›ra-
s›yla,
µ = n p = 25 (0.58) = 14.50
N N
linmektedir. Bu kitleden (seçmenler) rassal seçilen az say›da seçmene, mevcut
SIRA S‹ZDE SIRA S‹ZDE
iktidar partisini destekleyip desteklemediklerinin sorulmas›.
3. x , binom da¤›l›m› gösteren kesikli bir rassal de¤iflken olmak üzere, binom formü-
AMAÇLARIMIZ AMAÇLARIMIZ
lünden yararlanarak afla¤›daki olas›l›klar› bulunuz.
a) n = 8 ve p = 0.60 için P(x = 5)
b) n = 4 ve p = 0.30 için P(x = 3) K ‹ T A P K ‹ T A P
c) n = 6 ve p = 0.20 için P(x = 2)
TELEV‹ZYON TELEV‹ZYON
128 istatistik
NAMAÇ
Kesikli rassal de¤iflkenlerin di¤er önemli bir da¤›l›m› olan Poisson
da¤›lm››n› kullanarak ilgili olas›l›klar›, ortalama ve standart sap-
6 mas›n› hesaplayabileceksiniz.
Öte yandan bir doktorun muayenehanesine gelen hasta say›s› bunlardan fark-
l›d›r. Çünkü gelecek hastalar daha önce randevu ald›klar›ndan rassal bir say› ol-
may›p, kaç kiflinin gelece¤i daha önceden (yaklafl›k olarak) bilinmektedir. Ayn›
biçimde bir hava alan›ndan kalkacak ya da bu hava alan›na inecek uçak say›s› da
rassal de¤ildir ve önceden bilinmektedir. Bu nedenle rassal olma koflulu sa¤lan-
mad›¤› için bu tür verilere Poisson olas›l›k da¤›l›m› uygulanamamaktad›r.
Poisson olas›l›k da¤›l›m›nda ortalama tekrar (meydana gelme) say›s› λ (Lam-
da) ile, verilen aral›ktaki tekrar say›s› da x ile gösterilmektedir. Poisson olas›l›k da-
¤›l›m› kullan›larak, λ ortalama tekrar say›s› biliniyorken, verilen bir aral›kta x tek-
rarlanma say›s›n›n olas›l›¤› elde edilmektedir.
Poisson Olas›l›k Da¤›l›m› Formülü, Poisson olas›l›k da¤›l›m›na göre, bir
aral›kta x tekrar›n gözlenmesi olas›l›¤›,
x -λ
Px =λ e
x!
Yap›lan bir araflt›rmadan 18-24 yafl grubundaki tüketicilerin ayda ortala- ÖRNEK 23
ma 6.9 kez al›flverifle ç›kt›lar› bulunmufltur. Poisson olas›l›k da¤›l›m›na
uydu¤u düflünülen rassal de¤iflken için, 18-24 yafl grubunun ayda 5 kez
al›flverifle ç›kmas› olas›l›¤›n› bulunuz.
Ortalama al›flverifl say›s› olan 6.9 da¤›l›m›n ortalamas› ve olas›l›¤› bulunmas› is-
ÇÖZÜM
tenen tekrar say›s› x ise 5 al›narak istenen olas›l›k de¤eri, Poisson da¤›l›m› formü-
lünden elde edilir.
-λ
Px=5 = λ e =
x 6.9 5 e -6.9
x! 5!
15640.31349 0.001008
= = 0.1314
120
Bir çamafl›r makinesi, ayda ortalama, üç kez s›kma ar›zas› yapmaktad›r. ÖRNEK 24
Poisson olas›l›k da¤›l›m›ndan yararlanarak bu makinenin gelecek ay
a) ‹ki kez ar›zalanmas›,
b) En çok bir kez ar›zalanmas›
olas›l›klar›n› bulunuz.
130 istatistik
ÇÖZÜM
a) Gelecek ay iki kez s›kma ar›zas› olma olas›l›¤›;
-λ
= λ e =
x 32 e -3
9 0.049787
Px=2 = = 0.2240
x! 2! 2
olarak bulunur.
b) Gelecek ay, en çok bir s›kma ar›zas› ifadesiyle; hiç ar›za olmamas› ve sadece
bir ar›za olmas› kastedilmektedir.
ÖRNEK 25 Bir firma yeni üretti¤i bir ürünün pazar bulabilmesi için, bu ürünü alan-
lardan be¤enmeyenlere, 7 günlük süre içerisinde ürünü geri getirdikleri
takdirde, paralar›n›n iadesi kampanyas› bafllatm›flt›r. Geçen süre içeri-
sinde sat›lan 10 üründen 2 tanesinin paras›n›n, iade edildi¤i görülmüfl-
tür. Poisson olas›l›k da¤›l›m›ndan yararlanarak gelecekte sat›lacak 40
üründen 6 tanesinin paras›n›n iade edilmesi olas›l›¤›n› bulunuz.
ortalama de¤erin aral›¤› ile x‘in aral›¤›yla farkl› olmas›d›r. Çünkü λ = 2 de¤eri 10
sat›fltan elde edilmiflken gelecekte yap›lacak 40 sat›fltan 6 tanesine para iadesi so-
rulmaktad›r. Bu durumda x = 6 ayn› kalacak, ancak λ ortalama de¤eri, istenen ara-
l›k için tekrar tan›mlanacak, bu de¤er de λ = 8 olacakt›r. Ortalaman›n yeniden ta-
n›mlanmas›n›n ard›ndan Poisson olas›l›k da¤›l›m›ndan yararlanarak istenen olas›-
l›k;
-λ
= λ e =
x 86 e -8
262144 0.000335
Px=6 = = 0.1220
x! 6! 720
bulunur.
Asl›nda Poisson olas›l›k da¤›l›m›, nadir karfl›lafl›lan ya da tekrarlanan (olas›l›¤›
çok küçük) olaylar için kullan›lmaktad›r. Oysa yukar›daki örnekte olas›l›k de¤eri
P = 2 / 10, tekrar say›s› n = 40 ve olas›l›¤› bulunmas› istenen tekrarlanma say›s› x
= 6 olarak düflünüldü¤ünde, deney bir binom deneyi olarak düflünülür ve istenen
olas›l›k binom da¤›l›m› formülünden de elde edilebilir.
= 0.20 6 0.80
40 34 40! = 6 34
Px=6 = = 0.20 0.80 = 0.1246
6 6! 34!
Bolkazanç bankas›n›n K›z›lay fiubesinde her gün ortalama iki tane yeni ÖRNEK 26
hesap açt›r›ld›¤› bilinmektedir. Verilen bir günde,
a) 6 yeni hesap
b) En çok 3 yeni hesap
c) En az 7 hesap
açt›r›lmas› olas›l›klar›n› bulunuz.
ÇÖZÜM
λ= Her gün aç›lan ortalama yeni hesap say›s›.
x = Verilen günde aç›lacak yeni hesap say›s›.
Bir otomobil galerisinde günde ortalama 0.9 otomobil sat›lmaktad›r. x,ver- ÖRNEK 27
ilen bir günde sat›lan otomobil say›s›n› göstermek üzere, Poisson olas›l›k
da¤›l›m›n› bulunuz ve olas›l›k da¤›l›m›n›n grafi¤ini çiziniz.
Poisson olas›l›k da¤›l›m› için gerekli de¤eri λ = 0.9 bilinmektedir. Ancak sat›lan
ÇÖZÜM
P(x)
0.50
0.40
0.30
0.20
0.10
0.00
0 1 2 3 4 5 6 x
fiekil 5.10 Olas›l›k
Da¤›l›m›n›n Grafi¤i.
µ = λ
σ2 = λ
σ = λ
µ = λ = 0.9
σ2 = λ = 0.9
otomobil olmaktad›r.
SIRA S‹ZDE 1. Poisson olas›l›k da¤›l›m›n›n uygulanabilmesi için sa¤lanmas› gereken koflullar nelerdir?
SIRA S‹ZDE
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
Ünite 5 - Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› 133
Yararlan›lan Kaynaklar
HOEL, P.G. and JESSEN, R.J.: Basic Statistics for
Business and Economics, Wiley, NewYork, 1971.
MANN, P.S.: Introductory Statistics, 2nd Edition, Wiley,
New York, 1995.
O’HAGAN, A., Probability: Metods and Measurement,
Chapman and Hall, London, 1988.
WONNACOTT, R.J., WONNACOTT, T.H.: Introductory
Statistics, 4th Edition, Wiley, Singapore, 1985.
Sürekli Rassal
De¤iflkenler ve
Normal Da¤›l›m
6
Çal›flma Biçimine ‹liflkin Olarak
• Sorulan sorularda nelerin istendi¤i kesin olarak anlafl›ld›ktan sonra çözüme
geçilmeli,
• Al›flt›rmalar›n tümü mutlaka çözülmelidir.
136 ‹statistik
N Sürekli
Amaçlar:
olas›l›k da¤›l›m› kavram›n› aç›klayabilecek ve normal da¤›l›m› ana
çizgileriyle inceleyecek, normal da¤›l›ma iliflkin olas›l›klar› hesaplayabile-
N
ceksiniz.
Normal da¤›l›m e¤risi alt›ndaki alan biliniyor iken Z ve X de¤erlerini belir-
N
leyebileceksiniz.
Binom ve normal da¤›l›m aras›ndaki iliflkiyi aç›klayabileceksiniz.
‹çindekiler
• G‹R‹fi
• SÜREKL‹ OLASILIK DA⁄ILIMI
• Normal Da¤›l›m
• Standart Normal Da¤›l›m
• Normal Da¤›l›m›n Standartlaflt›r›lmas›
• Normal Da¤›l›m›n Uygulamalar›
• NORMAL DA⁄ILIM E⁄R‹S‹ ALTINDAK‹ ALAN B‹L‹N‹YORKEN
Z VE X DE⁄ERLER‹N‹N BEL‹RLENMES‹
• B‹NOM DA⁄ILIMINA NORMAL DA⁄ILIM YAKLAfiIMI
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 137
G‹R‹fi
Bir önceki bölümde kesikli rassal de¤iflkenler ve da¤›l›mlar incelenmiflti. Bu bö-
lümdeyse herhangi bir aral›kta çok say›da de¤erler alabilen sürekli bir rassal de-
¤iflken konu edilecektir.
Sürekli bir rassal de¤iflkenin olas› de¤erleri sonsuz ve say›lamaz olarak kabul
edilmektedir. Örne¤in sabah evden ifle giderken harcanan zaman, sürekli bir ras-
sal de¤iflkendir. Çünkü bu zaman en az 5 dakika, en çok ise 130 dakika olmak
üzere, bu aral›ktaki yüzlerce hatta saniyeler dikkate al›nacak olursa milyonlarca
de¤er, zaman› gösteren X sürekli rassal de¤iflkenin de¤eri olmaktad›r. Bu örnek-
te X zaman de¤iflkeninin alabilece¤i de¤erler 5-130 dakika aras›nda olmakta ve
bu aral›¤a (daha sonra ayr›nt›l› verilece¤i gibi) tan›m aral›¤› ad› verilmektedir.
Sürekli bir rassal de¤iflkenin uygulanaca¤› pek çok olas›l›k da¤›l›m› bulunmak-
la birlikte, burada sadece normal olas›l›k da¤›l›m› ve binom da¤›l›m›na yaklaflan
normal da¤›l›mla karfl›laflt›rmalarda (test amac›yla) kullan›lan Student t da¤›l›m› in-
celenecektir.
NAMAÇ
Sürekli olas›l›k da¤›l›m› kavram›n› aç›klayabilecek ve normal da-
¤›l›m› ana çizgileriyle inceleyecek, normal da¤›l›ma iliflkin olas›-
1 l›klar› hesaplayabileceksiniz.
Yukar›da belirtilmifl oldu¤u gibi, de¤erleri say›lamayan bir rassal de¤iflkene, “sü-
rekli bir rassal de¤iflken” denilmektedir. Baflka bir anlat›mla, sürekli bir rassal de-
¤iflken bir aral›kta (veya aral›klarda) her de¤eri alabilmektedir. Çünkü bir aral›kta
bu de¤iflkenin alabilece¤i sonsuz say›da de¤er oldu¤u varsay›lmakta ve bu de¤er-
lerin say›lamayacak çoklukta oldu¤u kabul edilmektedir. Örne¤in; (bir önceki bö-
lümde verilmifl olan) bir pilin ömrü, kiflilerin boy uzunlu¤u, bir s›nav›n tamamlan-
ma süresi, yeni do¤mufl bebeklerin a¤›rl›¤› gibi de¤iflkenler, sürekli rassal de¤ifl-
kenlerdir.
Bir üniversitede ö¤renim gören 5000 erkek ö¤rencinin a¤›rl›klar› X rassal de-
¤iflken olarak düflünülerek kg cinsinden afla¤›da verilmifltir:
Göreli S›kl›k
0.2 l 0.2 l
Göreli S›kl›k
l l l l
l l
0.1 l 0.1 l
l l
l l
l l
l l l l
l l
0 x 0 x
60 61 62 63 64 65 66 67 68 69 70 60 61 62 63 64 65 66 67 68 69 70
x=a x=b x x
fiekil 6.3 E¤ri alt›ndaki alan iki nokta fiekil 6.4 Bir olas›l›k da¤›l›m e¤risi
aras›ndad›r. alt›ndaki toplam alan.
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 139
Sürekli bir rassal de¤iflkenin bir aral›kta ald›¤› varsay›lan de¤erlerin olas›l›¤›,
afla¤›daki fiekil 6.5.’den de anlafl›laca¤› gibi, bir aral›¤›n iki limiti aras›nda ve e¤ri
alt›ndaki aland›r. fiekildeki (e¤ri alt›nda) a ve b aras›ndaki taral› (gri zeminli) alan,
X ‘in a ve b aras›nda olma olas›l›¤›n› vermektedir. Bu da,
P (a ≤ x ≤ b) = E¤ri alt›nda a ve b noktalar› aras›ndaki alan biçiminde gös-
terilmektedir. Burada x; a’ya eflit ya da büyük, b’ye eflit ya da küçüktür.
x=a x=b x 65 68 x
fiekil 6.5 Olas›l›¤›n e¤ri alt›ndaki alan fiekil 6.6 (65-68) kg aral›¤›ndaki x 'in
olarak ifadesi. olas›l›¤›.
P (65 ≤ x ≤ 68)
P ( x = 67) = 0
P (a) = 0 ve P (b) = 0
P ( x = 68 ) = 0
dir. Buradan da sürekli bir rassal de¤ifl-
ken için,
yaz›labilmektedir. Bir baflka ifadeyle, verilen s›n›r de¤erlerine eflitlik (olas›l›k de-
¤eri s›f›r oldu¤undan) sonucu de¤ifltirmemektedir (E¤er aral›k, "65 ve 68 aras›n-
da" biçiminde ifade edilirse anlam› "65 < x < 68" dir. E¤er aral›k, "65’den 68'e ka-
dar" biçiminde ifade edilirse "65 ≤ x ≤ 68" dir). Erkek ö¤rencilerin a¤›rl›klar›na
iliflkin örnek için de bu özellik grafik olarak afla¤›da verilmifltir.
Taral› alan P ( 65 ≤ x ≤ 68 )
olas›l›¤› olup bu da
P ( 65 < x < 68 )’e eflittir.
fiekil 6.8 65 ve 68
kg aras›ndaki ve
65'den 68 kg'a x
kadar›n olas›l›¤›. 65 68
Normal Da¤›l›m
Normal da¤›l›m, sürekli bir rassal de¤iflkenin uydu¤u önemli olas›l›k da¤›l›m›ndan
biridir. Bu nedenle günlük yaflamda karfl›lafl›lan pek çok de¤iflken (kesinlikle ya
da yaklafl›k olarak), normal da¤›l›r. Örne¤in insanlar›n boy uzunluklar›, a¤›rl›kla-
r›, s›nav sonuçlar›, paketlerin a¤›rl›klar›, bir flifledeki sütün miktar›, ampul - TV se-
ti - pil gibi nesnelerin ömrünün hep (yaklafl›k) normal da¤›ld›¤› kabul edilir.
Normal olas›l›k da¤›l›m› ya da normal e¤ri (curve), çan biçiminde bir flekille
gösterilmektedir. fiekil 6.9’da gösterilmifl olan bu e¤rinin ortalamas› µ ve standart
sapmas› σ dir. Normal da¤›l›m
σ = standart sapma
gösteren sürekli bir rassal de¤ifl-
kene, “normal rassal de¤iflken”
denir (ancak çan e¤risine benze-
fiekil 6.9 µ ortalama yen her flekil normal da¤›l›m e¤-
ve σ standart
sapmal› normal risi de¤ildir).
x
da¤›l›m. µ = ortalama
% 50
% 50 % 50 % 50
0,5 0,5
µ x µ x
fiekil 6.11 Bir normal e¤ri ortalamaya fiekil 6.12 Bir normal e¤rinin iki
göre simetriktir. kuyru¤u.
σ = 10
σ = 16
x µ = 20 µ = 30 µ = 40 x
µ = 50
fiekil 6.13 Ortalama ayn› standart fiekil 6.14 Standart sapma ayn› ortalama
sapma farkl› üç normal da¤›l›m e¤risi. farkl› üç normal da¤›l›m e¤risi.
σ. 2π
biçimindedir.
Ancak izleyen alt bölümde bu eflitlik (fonksiyon) kullan›lmayacak, onun yeri-
ne bu eflitlik kullan›larak oluflturulan "Standart Normal Da¤›l›m Tablosu" ’ndan ya-
rarlan›lacakt›r (Ek: Tablo 1).
142 ‹statistik
z DE⁄ERLER‹ YA DA z SKORLARI
Standart normal e¤rinin yatay ekseni üzerinde iflaretlenmifl birimlere z de¤er-
leri ya da z skorlar› denir. z ‘nin özel bir de¤eri; ortalama ve z ile ifade edilen
noktan›n, standart sapma cinsinden uzakl›¤›d›r.
fiekil 6.15’de z de¤erlerini gösteren yatay eksende, ortalaman›n sa¤›ndaki z
de¤eri pozitif, solundakilerse negatiftir. Yatay eksen üzerindeki bir noktan›n z de-
¤eri, ortalamayla o nokta aras›ndaki uzakl›¤›n standart sapma cinsinden de¤eridir.
Örne¤in, z = 2 ’nin anlam›, sa¤ tarafta o noktan›n ortalamaya iki standart sapma
uzakl›kta oldu¤udur. Ayn› biçimde z = - 2 ‘nin anlam›yla sol tarafta yine iki stan-
dart sapma uzakl›kta oldu¤udur.
Ek’te verilmifl olan standart normal da¤›l›m tablosu, standart normal e¤ri alt›n-
da; z = 0 ile 0.00 ’dan 3.09’a kadar olan z de¤erleri aras›ndaki alanlar› vermek-
tedir. Bu tablonun okunmas›na, standart normal da¤›l›m›n ortalamas› olan z = 0
noktas›ndan bafllanmaktad›r. Daha önce de söz edildi¤i gibi, normal da¤›l›m e¤-
risi alt›ndaki toplam alan 1.0 ’dir ve simetriklik nedeniyle ortalaman›n her iki ta-
raf›ndaki alan da 0.5 yani % 50 ’dir.
Yukar›da ortalaman›n solundaki z
de¤erlerinin negatif oldu¤u söylen-
miflti. Ama, burada unutulmamas› ge-
0,5 0,5 reken fley, alan kavram› nedeniyle sol
taraftaki e¤ri alt›nda kalan alan›n da
fiekil 6.16 Standart
normal e¤ri
pozitif oldu¤udur.
z
alt›ndaki alan. -3 -2 -1 0 1 2 3 Standart normal e¤ri alt›nda, iki
nokta aras›ndaki alan z de¤erinin bu
aral›k içerisindeki de¤erleri alabilme olas›l›¤›d›r. Afla¤›daki örnek 6.1 – 6.4 ile
Ek’de verilen tablolardan yararlan›larak, standart normal e¤ri alt›ndaki alanlar›n
bulunmas› aç›klanmaktad›r.
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 143
Standart normal e¤ri alt›nda; z = 0 ile z = 1.95 aras›ndaki alan› bulunuz. ÖRNEK 1
ÇÖZÜM
Afla¤›daki flekilden de görülece¤i gibi, burada aranan alan z = 0 ile z = 1.95 nok-
talar› aras›ndaki aland›r.
Bu istenen alan›n say›sal de¤eri, Ek’te verilmifl olan Standart Normal Da¤›l›m Tab-
losundan yararlan›larak bulunmaktad›r. Tabloda verilen z de¤erinin ondal›k
noktan›n solundaki haneyle sa¤›ndaki ilk hane (1.9 ), tablonun ilk sütunu olarak
verilen de¤erlerden seçilir. Ondal›k
noktas›n›n sa¤›ndaki ikinci haneyse
(0.05) tablonun ilk sat›r›ndan seçilir
ve seçilmifl olan sütunla sat›r›n kesi-
flim noktas›ndaki de¤er, aranan alan fiekil 6.17 z = 0 ile
de¤eridir. Bu de¤er 0.4744 olarak bu- z = 1.95 aras›ndaki
lunur. Ayr›ca, 0 1.95 z alan.
olarak da gösterilebilir. Unutulmamal›d›r ki, sürekli bir rassal de¤iflkenin tek bir
de¤eri alma olas›l›¤› s›f›rd›r. Baflka bir ifadeyle,
P (z = 0) = 0 ve P (z = 1.95) = 0
dür.
Standart normal e¤ri alt›ndaki z = - 2.17 den z = 0’a kadar olan alan› ÖRNEK 2
bulunuz.
Normal da¤›l›m, ortalamaya göre simetrik oldu¤u için z = - 2.17 ’den z = 0’a ka-
ÇÖZÜM
dar olan alan, z = 0 ’dan z = 2.17’ye kadar olan alanla eflittir. Bu nedenle sadece
z = 0 ile pozitif z de¤erleri aras›ndaki alanlar› veren Ek’deki tablo de¤erlerinden,
bu durum için de yararlan›labilmektedir.
Tabloda;2.1 de¤eri ilk sütundan, 0.07 de¤eriyse ilk sat›rdan bulunarak, bu sat›r ve
sütunun kesifltikleri yerde bulunan 0.4850 de¤eri, z = - 2.17 ile z = 0 noktala-
r› aras›nda kalan aland›r. Ayr›ca bu de-
¤er, z de¤erinin verilen iki s›n›r de¤e-
ri aras›ndaki alanda bulunma olas›l›¤›- % 48.50
d›r.
fiekil 6.18 z = -2.17
- 2.17 ’den 0’a kadar olan alan = ile z = 0 noktalar›
P (-2.17 ≤ z ≤ 0 ) = 0.4850 z = - 2 . 1 7z = 0 z aras›ndaki alan.
olarak elde edilir.
144 ‹statistik
% 6.18
% 1.02 0.4332
0.4898
z = 0 z = 2.32 z z = -1.54 z = 0 z
fiekil 6.19 z = 2.32 de¤erinin sa¤›ndaki fiekil 6.20 z = -1.54 de¤erinin solundaki
alan. alan
a) Afla¤›daki flekilde de görülebilece¤i gibi, P ( 1.19 < z < 2.12 ) olas›l›k de¤e-
ri z = 1.19 ile z = 2.12 noktalar› aras›ndaki aland›r.
‹stenen olas›l›k de¤erini (alan›) bulmak için önce ortalamayla z = 2.12 aras›ndaki
alan bulunur: P (z < 2.12 )= 0.4830. Daha sonra ortalamayla z = 1.19 aras›ndaki
alan bulunur: P (z < 1.19 ) = 0.3830. Bu de¤er ilk bulunan de¤erden ç›kart›lmak
suretiyle istenen (alan) olas›l›k de¤eri elde edilir.
b) Burada istenilen olas›l›k de¤eri, standart normal e¤ri alt›nda z = -1.56 ile
z = 2.31 noktalar› aras›ndaki aland›r. Afla¤›daki flekilden de görülece¤i gibi veri-
len iki nokta, ortalaman›n iki farkl› taraf›ndad›r. Bu nedenle istenen olas›l›k (alan)
de¤erinin bulunabilmesi için önce ortalamaysa z = -1.56 ve z = 2.31 aras›ndaki
alanlar bulunur, daha sonraysa bu alanlar toplan›r.
-1.56 ile 0 aras›ndaki alan P ( - 1.56 ≤ z ≤ 0 ) = 0.4406
0 ile 2.31 aras›ndaki alan P (0 ≤ z ≤ 2.31 ) = 0.4896
-1.56 ile 2.31 aras›ndaki alan P (- 1.56 ≤ z ≤ 2.31 )= 0.4406 + 0.4896 = 0.9302
P (z > 0 ) = 0.50
0.5 - 0.5 = 0
fiekil 6.28
z = - 5.35 ’in solun- z
-5.35 0
daki alan.
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 147
z =x- µ
σ
z = x - µ = 55-50 = 0.50
σ 10
z = x - µ = 25-25 = 0.00
σ 4
z = x - µ = 32-25 = 1.75
σ 4
‹kinci ad›m z = 0.00 ile z = 1.75 noktalar› aras›ndaki alan›n Ek 1.’de verilmifl olan
tablodan bulunmas›d›r. Bu de¤er,
olarak bulunur.
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 149
b) x = 18 ve x = 34 de¤erleri de
yine standart normal de¤erlere dö-
nüfltürülür.
0.4599
x = 18 için z = 18-25 = -1.75
4 x
25 32
x = 34 için z = 34-25 = -2.25 Bu alanlar eflit
4
olarak hesaplan›r.
0.4599
Daha sonraysa afla¤›daki flekilden
de görülece¤i gibi z = -1.75 ile z fiekil 6.31 x = 25
z = 2.25 noktalar› aras›ndaki alan 0 1.75 ve x = 32 aras›n-
bulunur. Burada verilen noktalar, daki alan.
ortalaman›n solunda ve sa¤›nda ol-
du¤u için, toplam alan, bulunacak
0.4599 + 0.4878 = 0.9477
iki alan›n toplam›ndan oluflacakt›r.
olarak bulunur.
ÇÖZÜM
x = 70 için z = 70-80 = -0.83
12
P (70 ≤ x ≤ 135 )
= P (- 0.83 ≤ z ≤ 4.58) x
70 80
= 0.2967 + 0.5000 fiekil 6.36 x = 70 ile
z x = 135 aras›ndaki
= 0.7967 - 0 . 8 30 4.58 alan.
ÖRNEK 11 ZENG‹N ülkesinde aile bafl›na düflen gelir 44.483 dolar ortalama ve 10.500 dolar standart
sapmayla normal da¤›l›m göstermektedir. Bu ülkeden rassal seçilen bir ailenin 30.000 –
50.000 dolar aras›nda gelire sahip olma olas›l›¤›n› bulunuz.
tad›r. Afla¤›daki flekilden de görülece¤i gibi verilen s›n›r de¤erleri, ortalaman›n so-
lunda ve sa¤›nda yer almaktad›r. Ortalamayla s›n›r de¤erleri aras›ndaki
bu olas›l›klar (alan ), z dönüflümüyle elde edilir.
Bulunan z de¤erleri kullan›larak standart normal da¤›l›m tablosundan gerekli ola-
s›l›k de¤erlerine ulafl›l›r ve sonuç bulunur.
0.4162 0.2019
fiekil 6.38 x
x = 30,000 – 3 0 , 0 0 0 4 4 , 45803, 0 0 0
50.000 aras›ndaki z
alan. -1.38 0 0.53
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 153
Oyuncak üreten bir firmada, bir iflçinin, oyuncak bir yar›fl otomobilini ÖRNEK 12
monte etme süresi; 55 dakika ortalama ve 4 dakika standart sapmayla
normal da¤›lmaktad›r. ‹flyerinin saat 17:00’de kapand›¤› bilindi¤ine göre,
saat 16:00’da montaja bafllayan bir iflçinin kapan›fl saatine kadar ifli bi-
tirme olas›l›¤›n› bulunuz.
ÇÖZÜM
normal da¤›l›m göstermektedir. Afla¤›daki flekilden de görülece¤i gibi, burada is-
tenen, montaj›n en çok 60 dakikada bitmesidir.
Standart normal da¤›l›m tablo de¤erinden yararlanabilmek için gerekli z de¤eri,
elde edilir.
a) Rassal seçilen bir flifle içerisindeki soda miktar›n›n 11.97 ile 11.99 cl
aras›nda olma olas›l›¤› nedir ?
b) fiiflelerin 12.02 ile 12.07 cl aras›nda, soda bulundurma yüzdesi nedir?
154 ‹statistik
ÇÖZÜM
0.015 cl ile normal da¤›lmaktad›r.
a) Daha önceki örneklerde oldu¤u gibi ilk olarak verilen x de¤erleri z de¤erleri-
ne dönüfltürülür.
x = 11.97 için z = 11.97 - 12.00 = -2.00
0.015
x
fiekil 6.41 12 12.02 12.07
x = 12.02 ile z
x = 12.07 0 1.33 4.67
aras›ndaki alan.
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 155
Hesap makinesi üreten bir firma, üretti¤i aletlerin ömürlerinin 54 ay or- ÖRNEK 14
talama ve 8 ay standart sapmayla normal da¤›l›m gösterdi¤ini bulmufl-
tur. Firma yetkilileri bir kampanya bafllatarak ilk 36 ay içerisinde ar›za-
lanan hesap makinelerini yenisiyle de¤ifltirme yükümlülü¤üne girmifltir.
Rassal sat›lan bir hesap makinesinin yenisyle de¤ifltirilme olas›l›¤› nedir?
ÇÖZÜM
Bu örnekte µ = 54 ve σ = 8 ayd›r. Verilmifl olan x = 36 ay de¤erinin z cinsin-
den de¤eri,
x = 36 için z = 36 - 54 = -2.25
8
x
36 54 fiekil 6.42
z x = 36 ’n›n
-2.25 0 solundaki alan.
D‹KKAT D‹KKAT
AMAÇLARIMIZ AMAÇLARIMIZ
156 ‹statistik
N N
SIRA S‹ZDE a) Saatte SIRA
61 – S‹ZDE
66 mil yapanlar›n,
b) Saate 65 – 74 mil yapanlar›n,
yüzdelerini bulunuz.
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P
NORMAL DA⁄ILIM E⁄R‹S‹ ALTINDAK‹ ALAN
K ‹ T A P
N
B‹L‹N‹YORKEN z VE x DE⁄ERLER‹N‹N BULUNMASI
ÖRNEK 15 Standart normal e¤ri alt›nda 0 ile bir z de¤eri aras›nda kalan alan 0.4251
dir. Bu alan›n üst s›n›r› olan pozitif z de¤erini bulunuz.
Afla¤›daki flekilde de görülece¤i gibi, verilen alan, sa¤ tarafta 0 ile z s›n›rlar› ara-
ÇÖZÜM
Standart normal da¤›l›m e¤risi alt›nda, sa¤ uçtaki (kuyruk) 0.005 alan›n› ÖRNEK 16
belirleyen z de¤erini bulunuz.
Burada verilen alan, sa¤ uçta yer alan bir aland›r. Yani alan›n üst s›n›r› belirsiz
ÇÖZÜM
(sonsuz) olaca¤› için, alt s›n›r›n bulunmas› gerekir. Ancak, daha önce de belirtil-
di¤i gibi, Ek 1.’de verilen normal da¤›l›m tablosundaki alan de¤erleri, ortalama
(z = 0) ile verilen z de¤erleri aras›ndad›r. Bu nedenle öncelikle da¤›l›m›n sa¤›nda
yer alan bu noktayla z = 0 noktas› aras›ndaki alan›n bilinmesi gerekir. Normal
da¤›l›m›n simetrik olmas› ve ortalaman›n sa¤›ndaki toplam alan›n 0.5 oldu¤u bil-
gilerinden hareketle, 0 ile z noktas› aras›ndaki alan,
olarak bulunur.
Tablo içerisindeki alan de¤erleri ara-
s›ndan 0.4950 de¤eri yaklafl›k ola-
0.005
rak (0.4949 ve 0.4951)belirlenir ve
iliflkin z de¤eri 2.58 (ya da 2.57)ola- 0.4950
z fiekil 6.44
rak elde edilir. Sonuç olarak z = 2.58 0 z
z de¤erinin
noktas›n›n sa¤›nda kalan alan, top- bulunmas›.
bulunacak de¤er
lam alan›n 0.005’idir.
Standart normal e¤ri alt›nda sol uçtaki 0.05 alan›n›n z de¤erini bulunuz. ÖRNEK 17
ÇÖZÜM
Bir önceki örnekte oldu¤u gibi, burada da ortalaman›n sol ucunda yer alan bir
alan verilmifltir. Bu alan›n sol taraf›ndaki nokta belirsiz olup sa¤ taraf›ndaki nok-
tan›n bulunmas› gerekir. Yine ortalamayla aranan nokta aras›ndaki alan buluna-
rak çözüme ulafl›lacakt›r.
Söz konusu alan,
x=µ +zσ
biçiminde bulunur.
elde edilir. Sonuç olarak üretici firma (yaklafl›k olarak) 35 aydan önce kullan›m
d›fl› kalan hesap makinelerini garanti kapsam›na al›p, yenisiyle de¤ifltirmeyi ka-
bul ederse, toptan sat›fl›n sadece % 1’ini de¤ifltirecektir.
ÖRNEK 19 Bilgin Fen Lisesinin, ö¤renci seçmek amac›yla, geçen y›llarda uygulad›¤›
s›nav sonuçlar›n›n 904 puan ortalama ve 153 puan standart sapmayla
normal da¤›ld›¤› ve bu lisenin yöneticilerinin her y›l yap›lan s›nav sonu-
cunda ilk % 10’a giren ö¤rencilerin kayd›n› yapt›¤› bilinmektedir. Bilgin
Fen Lisesi s›nav›na haz›rlanan Arif H›rsl›’n›n (puanlar›n geçen y›llarla
ayn› olaca¤› varsay›m› alt›nda)bu liseye girebilmesi için en az kaç puan
almas› gerekir?
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 159
ÇÖZÜM
mektedir. Burada istenen, ortalaman›n sa¤ ucunda yer alacak % 10 ‘luk alan›n alt
s›n›r›n›n belirlenmesidir. Bu s›n›rla ortalama aras›ndaki alan 0.5000 – 0.1000 =
0.4000 olaca¤›ndan bu alana karfl›l›k gelen z de¤eri (tablodan) 1.28 bulunur.
N N
SIRA S‹ZDE SIRA S‹ZDE
d) Sa¤ uçtaki 0.0050’lik alan.
N
B‹NOM DA⁄ILIMINA NORMAL DA⁄ILIM YAKLAfiIMI
P x = n px q n - x
x
P(x) x P (x )
0 0.0002
0.25
1 0.0029
2 0.0161
0.20
3 0.0537
0.15 4 0.1208
5 0.1934
6 0.2256
0.10
7 0.1934
8 0.1208
fiekil 6.48 n = 12 ve 0.05
p = 0.5 için binom 9 0.0537
olas›l›k da¤›l›m›n›n 10 0.0161
0 x
histogram›. 0 1 2 3 4 5 6 7 8 9 10 11 12 11 0.0029
12 0.0002
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 161
ÇÖZÜM
Bu soruda istenen olas›l›k de¤eri binom formülü kullan›larak bulunabilir. Çünkü
örnekte,
30 19
P x = 19 = 0.5 0.5 11 = 0.0509
19
µ = n . p = 30 0.5 = 15
biçiminde bulunur.
z de¤erinin bulunmas›n›n ard›ndan iki alan de¤eri bulunur ve büyük alandan kü-
çük alan ç›kart›larak aranan olas›l›k de¤erine ulafl›l›r.
P (0 ≤ z ≤ 1.64) = 0.4495 ;
P (0 ≤ z ≤ 1.28) = 0.3997
P (1.28 ≤ z ≤ 1.64) = 0.4495 – 0.3997 = 0.0498
dir ve istenen olas›l›k P (55 < x < 60) ‘dir. Burada n p > 5 ve n q > 5 olma-
s› nedeniyle istenen olas›l›k de¤eri, normal da¤›l›m yaklafl›m›yla bulunabilir. An-
cak; burada aranacak olas›l›k P (54.5 ≤ x ≤ 60.5) biçimindedir.
‹lk olarak µ ve σ de¤erleri hesaplanacak olursa,
µ = n p = 100 0.63 = 63
18 yafl›n üzerindeki nüfusu hedef alan bir kamuoyu araflt›rmas› sonucun- ÖRNEK 22
da, milli piyangodan ikramiye ç›kaca¤›na inananlar›n oran› % 54 olarak
bulunmufltur. Bu kitleden rassal seçilen 100 kifliden 60 ya da daha fazla
kiflinin piyangodan ikramiye ç›kaca¤›na inanmas› olas›l›¤›n› bulunuz.
Yukar›daki örneklerde oldu¤u gibi, binom deneyine uyan bu deney de, normal
ÇÖZÜM
da¤›l›m yaklafl›m›yla çözülebilir.
Bu de¤erlerden yararlanarak P (x
≥ 59.5)olas›l›k de¤eri standart %13.57
normal da¤›l›m tablosundan elde
edilir.
x
54 59.5 fiekil 6.51 x ≥ 59.5
z ‘in olas›l›k de¤eri.
x = 59.5 için z = 59.5 - 54 = 1.70 0 1.10
4.9840
P (x ≥ 59.5) = P (z ≥ 1.10) = 0.5 – P (z < 1.10) = 0.5 – 0.3643 = 0.1357
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
164 ‹statistik
Kendimizi S›nayal›m 6. Tek tip vida üreten otomatik makinelerden üretilen vi-
1. Standart normal da¤›l›mda, 1.5 standart sapma s›- dalar›n boylar›; ortalamas› 3.0 cm. ve standart sapmas› da
n›rlar› (µ - 1.5σ ve µ + 1.5σ) aras›nda kalan alan 0.009 cm. olmak üzere normal da¤›lmaktad›r. Üretilen vi-
nedir? dalar›n boyu 2.98 cm.’ den k›sa olanlarla 3.02 cm.’ den
a. 0.0220 uzun olanlar kusurlu olduklar› için kullan›lmamaktad›r.
b. 0.4332 Bu makinede üretilen vidalar›n yüzde kaç› kusurludur?
c. 0.8664 a. 1.17
d. 0.8814 b. 2.10
e. 0.9212 c. 2.64
d. 3.00
2. Z, standart normal da¤›lm›fl bir rassal de¤iflken e. 3.15
oldu¤una göre, P (z < -2.04) olas›l›¤› nedir?
a. 0.0207 7. Bir A bölgesinde 20 000 konuta iliflkin ayl›k elektrik
b. 0.0603 enerjisi tüketimi, ortalamas› 1 650 kilovat saat ve stan-
c. 0.0968 dart sapmas› da 320 kilovat saat olmak üzere normal
d. 0.1841 da¤›lmaktad›r.
e. 0.2178 Bu bölgede kaç konutun elektrik tüketim miktar›n›n 900
- 1.300 kilovat saat aras›nda olmas› beklenir?
3. Z, standart normal da¤›lm›fl bir rassal de¤iflken a. 1.854
oldu¤una göre, P (z > -0.78) olas›l›¤› nedir? b. 2.566
a. 0.4713 c. 2.700
b. 0.7823 d. 2.850
c. 0.8234 e. 3.204
d. 0.8873
e. 0.9564 8. Otomobillerin ya¤ de¤iflimini yapan bir servis istasyo-
nunda servis süresinin, ortalamas› 15 dakika ve standart
4. X, sürekli rassal de¤iflken, µ = 25 ve σ = 6 olmak üze- sapmas› da 2.4 dakika olmak üzere normal da¤›ld›¤› bi-
re normal da¤›lm›flt›r. Bu bilgilere göre, P(22 < x < 33) linmektedir. Servis sorumlusu, daha çok müflteri çekebil-
olas›l›¤› nedir? mek amac›yla, bir kampanya bafllatmak istemektedir.
a. 0.2178 Kampanya süresince, belirlenen süreden fazla bekleyen
b. 0.3336 müflterilerden servis ücretinin yar›s› al›nacakt›r. Ancak,
c. 0.4599 servis maliyeti dikkate al›narak, yar› ücret al›nacak müfl-
d. 0.5564 teri say›s›n›n, toplam müflteri say›s›n›n % 5’ inden fazla
e. 0.5997 olmas› istenmektedir. Buna göre öngörülecek bekleme
süresi kaç dakikad›r?
5. X, sürekli rassal de¤iflkeni, ortalamas› 100 ve varyans› a. 12
225 olmak üzere normal da¤›lm›flt›r. Bu bilgilere göre, P b. 15
(115 < x < 130) olas›l›¤› nedir? c. 19
a. 0.0437 d. 22
b. 0.0948 e. 25
c. 0.1056
d. 0.1359
e. 0.1443
Ünite 6 - Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m 165
9. Yap›lan bir anket sonucunda belirli bir bölgedeki aile Yan›t Anahtar›
reislerinin 0.90 ’›n›n kendilerini ekonomik yönden fakir 1. c
gördükleri belirlenmifltir. 2. a
Bu bölgeden rasgele seçilen 10 aile reisinden 8 ya da da- 3. b
ha fazlas›n›n kendini fakir görme olas›l›¤› nedir? 4. e
a. 0.1427 5. d
b. 0.2218 6. c
c. 0.3715 7. b
d. 0.5219 8. c
e. 0.9290 9. e
10. a
10. X, ortalamas› 3 ve varyans› da 9 olan normal da¤›lm›fl
bir rassal de¤iflken iken P(0<x<1) olas›l›¤› afla¤›dakiler-
den hangisidir? Yararlan›lan Kaynaklar
a. 0.0960 HOEL, P.G. and Jessen, R.J.: Basic Statistics for Business
b. 0.1223 and Economics, Wiley, New York, 1971.
c. 0.1544 MANN, P.S.: Introductory Statistics, 2nd Edition, Wiley,
d. 0.2218 New York, 1995.
e. 0.3441 O’HAGAN, A.: Probability: Metods and Measurement,
Chapman and Hall, London, 1988.
WONNACOTT, R.J., WONNACOTT, T.H.: ‹ntroductory
Statistics, 4th Edition, Wiley, Singapore, 1985.
GAUSS (1777-1855)
Y oksul ve e¤itimsiz bir ailenin çocu¤u olan Gauss 25 yafl›ndan önce, matematik ve astro-
nomi alan›ndaki çal›flmalar›yla ün kazanm›flt›r. Say›lara ve hesaplamaya karfl› erken yaflla-
r›ndaki tutkusu, cebir, analiz, geometri, olas›l›k, hata teorisi, astronomi, haritalama, jeodezi,
jeomagnetizma, elektromagnetizma ve aktüerya gibi farkl› dallarda baflar› kazanmas›na
neden olmufltur.
Gauss, tüm zamanlar›n en büyük bilim ustas› olarak gösterilmektedir.
167
Örnekleme 7
Çal›flma Biçimine ‹liflkin Olarak
• Kavramlar ve bu kavramlar aras›ndaki iliflkiler dikkatle incelenmeli,
• Örnekler ve örnek çözümleri dikkatle incelenmeli, sorunlarla karfl›lafl›l›rsa
kavramsal aç›klamalara geri dönülmelidir.
168 ‹statistik
N Tamsay›m
Amaçlar:
N nedenleri, kavrayarak
ve örneklem kavramlar›n› aç›klayabileceksiniz.
‹statistiksel araflt›rmalarda, örneklemenin, tamsay›ma tercih edilmesindeki
N Bir
aç›klayabileceksiniz.
N Örnekleme yöntemlerini
örnekleme plan sürecinin aflamalar›n› belirleyebileceksiniz.
N
da¤›l›m› kavram›n› aç›klayabileceksiniz.
hata türlerini aç›klayabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• TAMSAYIM VE ÖRNEKLEM
• ÖRNEKLEME YAPMAYI GEREKL‹ KILAN NEDENLER
• ÖRNEKLEME SÜREC‹N‹N AfiAMALARI
• Ana Kütlenin Tan›mlanmas›
• Çerçevenin Belirlenmesi
• Örnekleme Yönteminin Seçimi
• Örneklem Hacminin Belirlenmesi
• Örneklemin Seçimi
• ÖRNEKLEME YÖNTEMLER‹
• Olas›l›kl› Olmayan Örnekleme Yöntemleri
• Olas›l›kl› Örnekleme Yöntemleri
• ÖRNEKLEME DA⁄ILIMI
• Örneklem Ortalamas› X ’n›n Örnekleme Da¤›l›m›
• Örneklem Oran› p’nin Örnekleme Da¤›l›m›
• ÖRNEKLEMEDE HATA KAVRAMI VE STANDART HATA
• Örnekleme Hatas› - Standart Hata
• Örnekleme D›fl› Hatalar
Ünite 7 - Örnekleme 169
G‹R‹fi
Genel olarak bir istatistiksel araflt›rma sürecinin ilk aflamas›nda, ilgili ana kütle ta-
n›mlan›r. Sonraki aflamalarda, tan›mlanan ana kütlenin ilgilenilen parametreleri
hakk›nda bilgi üretilmeye çal›fl›l›r. Tan›mlanan ana kütle hakk›nda bilgi üretmede
baflvurulabilecek ilk yöntem, bu ana kütle tan›m› içinde yer alan bütün birimler
üzerinden, de¤iflken ya da de¤iflkenlerle ilgili veri derlemek, tamsay›m yapmakt›r.
Ancak tamsay›m, çeflitli nedenlerle her zaman mümkün olmaz. Bu durumda, iste-
nilen bilginin üretilebilmesi, ancak, tan›mlanan ana kütleden, onu temsil edebile-
cek s›n›rl› say›da birimin, yani bir örneklemin seçilmesi ve bu örneklem birimleri
üzerinden, gereken verilerin derlenmesiyle mümkün olur.
Uygulamada, örneklemden elde edilen, verilerden hesaplanan örneklem ista-
tistikleri yard›m›yla, ana kütle parametreleri hakk›nda bilgi üretilebilir.
Örnekleme, bir araflt›rma sürecinin bütün aflamalar›yla iç içelik gösteren en
önemli aflamas›d›r ve araflt›rmac›lar›n vazgeçemedikleri önemli u¤rafllar›ndan biri-
dir. Bu ünitede, öncelikle, örneklemenin temel kavramlar› üzerinde durulacak,
uygulamada yayg›n olarak, neden örneklemeye baflvurulur, sorusu yan›tlanacak-
t›r. Sonra da bir örnekleme sürecinde izlenecek aflamalar tan›t›lacakt›r. Daha son-
ra olas›l›kl› olmayanla, olas›l›kl› örnekleme yöntemleri ve önemli türleri hakk›nda
bilgi verilerek, ne tür bir örneklem seçilecektir sorusuna yan›t aranacakt›r. Seçilen
örneklemler için, hesaplanan örneklem istatistikleri da¤›l›mlar›n›n özellikleriyle il-
gili bilgiler verilecektir. Bu ünite, örneklemede hata kavram›na iliflkin aç›klamalar-
la tamamlanm›fl olacakt›r.
N
TAMSAYIM VE ÖRNEKLEM
Tam say›m, sonlu bir Tamsay›m genellikle küçük hacimli ana kütlelere uygulan›r. Bununla birlikte,
kütlenin tüm birimlerinin
say›lmas› ifllemidir.
büyük hacimli ana kütlelerde bütün birimlere ulaflabilmek olanakl›ysa ya da
araflt›rmada ana kütlenin bütün birimlerinden veri derlenmesi isteniyorsa, yine
tamsay›m yap›l›r. Baflka bir ifadeyle, karfl›lafl›lan özel problemin çözümü için
mümkün bütün verilerin elde edilmesine gereksinim varsa ve bu mümkünse,
tamsay›m yap›lmal›d›r.
ÖRNEK 1 Yeni bir ücret sisteminin uyguland›¤› 50 iflçisi olan bir iflletmede, iflçilerin
bu yeni ücret sisteminden memnuniyetleri araflt›r›lmak istenmektedir.
Tamsay›m yap›labilir mi?
Burada ana kütle hacmi N= 50 iflçiden oluflmaktad›r ve küçük hacimli bir ana küt-
ÇÖZÜM
ledir. ‹flçilerin her birine ulaflmak ve onlardan memnuniyetleri konusunda veri el-
de etmek kolayd›r. Bu nedenle tamsay›m yap›labilir.
ÖRNEK 2 Bir bankan›n flube müdürü genel müdürlükte yap›lacak bir toplant› için,
flubesinin, toplant› öncesindeki son ifl günü itibariyle mevduat durumuna
iliflkin bilgiye ihtiyaç duymaktad›r. fiubenin 150.000 mevduat müflterisi
bulunmaktad›r. Ad› geçen flubenin yeterli bilgisayar donan›m›na sahip ol-
du¤u ve mevduat hesaplar›na iliflkin bir veri taban›n›n da oldu¤u bilindi-
¤ine göre, ihtiyaç duyulan bilgi, tamsay›m yap›larak elde edilebilir mi?
Ana kütle hacmi N = 150.000 müflteridir. Büyük hacimli bir ana kütledir. Ancak
ÇÖZÜM
Ana kütle hacmi N = 26.000 ö¤rencidir. Büyük hacimli sonlu bir ana kütledir. 500
ö¤renciden oluflan topluluk örneklemdir. 26.000 ö¤rencinin görüflüne bafl vur-
mak, onlara ulaflmak gerçekte çok zaman al›r. Ö¤renciler her gün okula gelmeye-
bilirler. Onlara ulaflmak mümkün olsa bile görüfllerini çeflitli nedenlerle bildirme-
yebilirler. Bu nedenlerle tamsay›m oldukça zordur.
Ana kütle sonsuzdur. Aç›kt›r ki bu tür ana kütleler üzerinde tam say›m yap›lamaz,
ÇÖZÜM
örnekleme zorunludur. Örneklem, 250 bisküvi paketinden oluflan topluluktur.
En iyi örneklem ana kütleyi iyi temsil eden örneklemdir. E¤er ilgilenilen özel-
likler bak›m›ndan ana kütle ve örneklemdeki birimler benzer da¤›l›m gösteriyor-
sa, oluflturulan örneklem ana kütle için temsili bir örnektir denir. Örne¤in, tan›m-
lanan ana kütle hacmi 1000 kifli olsun, bunlar›n %50’si erkek ve erkeklerin de
%30’u 60 yafl›n üzerinde oldu¤u varsay›ls›n. Bu ana kütleden 200 kiflilik bir örnek-
lem seçilmifltir. Seçilen 200 kifliden oluflan bu örneklemin temsili olabilmesi için,
200 kifliden %50’sinin erkek ve onlar›n da %30’unun 60 yafl›n üzerinde olmas›
beklenir.
Örneklemler kendi bafllar›na bir anlam ifade etmezler. Onlar›n önemi, seçildik-
leri ana kütleyi temsil etmedeki gücünde yatmaktad›r. Bunun bir ölçüsü de örnek-
lem istatisti¤inin do¤ruluk ve güvenilirlik derecesidir.
Örneklemenin temel amac› temsili örneklem oluflturmakt›r. Örnekleme, tan›m- Bir örneklem yard›m›yla
lanan ve ilgilenilen özellikleri bak›m›ndan, hakk›nda genellemelerin yap›lmas› dü- ilglilenilen kütleye iliflkin
genelleme yapma sürecine,
flünülen bir ana kütleden belirli yöntemlerle s›n›rl› say›da birimin seçilmesi, bu bi- örnekleme denir.
rimlerden oluflan örneklemin ilgilenilen özellik (özellikler) aç›s›ndan incelenmesi
ve gerekli istatistiklerin hesaplanmas› ve bu istatistiklerin ana kütle hakk›nda ge-
nelleme yapmak amac›yla kullan›lmas› ifllemleridir. Bir baflka flekilde ifade etmek
gerekirse örnekleme, örneklem’e dayanan bir araflt›rmay› planlama ve yönetme
sürecidir. Bu sürecin aflamalar›yla ilgili bilgiler izleyen kesimlerdeki “örnekleme
sürecinin aflamalar›” bafll›¤› alt›nda verilmifltir.
1. Büyük hacimli ana kütlelere tamsay›m uygulanabilir mi? SIRA S‹ZDE SIRA S‹ZDE
S O R U S O R U
N
ÖRNEKLEME YAPMAYI GEREKL‹ KILAN NEDENLER
D ‹ K K A T tercih edil-
‹statistiksel araflt›rmalarda, örneklemenin, tamsay›ma D‹KKAT
AMAÇ
mesindeki nedenleri, kavrayarak aç›klayabileceksiniz.
2
N N
SIRA S‹ZDE SIRA S‹ZDE
Hakk›nda araflt›rma yap›lacak ana kütle sonsuz bir kütle oldu¤u zaman, tamsay›m
imkans›z oldu¤u için ilgilenilen özelliklere iliflkin bilgi ancak bir örneklem yard›-
AMAÇLARIMIZ AMAÇLARIMIZ
m›yla elde edilebilir. Daha önce de de¤inildi¤i gibi ilgilenilen bu ana kütle sonlu
bir ana kütleyse, istenilen bilgi mümkünse, tamsay›m yap›larak, de¤ilse, yine uy-
gun bir örneklem yard›m›yla elde edilebilir. Ancak, bir araflt›rma için gerekli olan
K ‹ T A P K ‹ T A P
bütün verileri derlemek mümkünse ve isteniyorsa aç›kt›r ki, örneklemeye ihtiyaç
yoktur. Uygulamalarda, afla¤›daki nedenlerden dolay› örnekleme, tamsay›ma ter-
cih edilmektedir.
TELEV‹ZYON TELEV‹ZYON
Maliyet: Örnekleme bütçesi, örneklemi tamsay›ma tercih etmede en önemli
belirleyicidir. Örnekleme, tamsay›ma göre daha az maliyetle bilgi üretme imkan›
sa¤lar.
Tamsay›m›n yap›l›p yap›lmayaca¤›na karar verilirken örnekleme bütçesi ,önem-
li s›n›rlay›c›lardan biridir.
172 ‹statistik
ÖRNEK 5 Belirli bir bölge için planlanan bir siyasi araflt›rmada, partilerin bugünkü
oy da¤›l›m› hakk›nda bilgi edinmek amaçlanm›fl olsun. Bu araflt›rmadaki
ana kütle, ilgili bölgedeki seçmen say›s›d›r. ‹stenen bilginin üretilmesi
amac›yla, tamsay›m yapmaya karar verilirse, üstlenilmesi gereken mali-
yet, bölgedeki genel seçim maliyetine eflde¤er olacakt›r. Ad› geçen bölge
için yap›lm›fl genel seçim harcamalar›na bak›ld›¤›nda, bunun bir araflt›r-
mac› kifli ya da kurulufl taraf›ndan karfl›lanmas› oldukça zor görülmek-
tedir. Kald› ki, genel seçimlerde bütün seçmenler oy kullanmamakta ve
kullan›lan baz› oylar da geçersiz say›lmaktad›r. Tamsay›m yapman›n im-
kans›z ve maliyetli oldu¤u bu gibi durumlarda, en ak›lc› yol, ad› geçen
araflt›rma için uygun bir örneklemden yararlanmakt›r.
Öte yandan, e¤er ana kütle hacmi küçükse ve tamsay›m yapmak bütçe ola-
naklar›yla da mümkünse, tamsay›m tercih edilmelidir. Burada dikkat edilmesi ge-
reken nokta, tamsay›m yapma maliyeti elde edilecek bilginin de¤erinden küçük
olmas› gere¤idir. Aksi durumda örneklemeye baflvurmak uygun olacakt›r.
Zaman: Bir araflt›rma sonunda ulafl›lacak bilgiye duyulan ihtiyac›n zaman s›-
n›rlar›, tamsay›mla m› yoksa örneklemeyle mi yap›laca¤›na karar vermek, di¤er
önemli bir etkendir. Örnekleme, tamsay›ma göre daha k›sa zamanda ve yeterli ay-
r›nt›da bilgi elde etme olana¤› verir. Örneklemenin bu özelli¤i ve üstünlü¤ü bilgi-
ye çok h›zl› gereksinim oldu¤u zaman bilhassa önemlidir.
Hem bir tamsay›mdan, hem de bir örneklemden elde edilecek bilgi için gerek-
li olan zaman, bir alternatif maliyet de üstlenmeyi gerektirir. Çünkü; bilgi elde et-
me süresine ba¤l› olarak verilecek karar›n, erken ya da geç oluflu, kazanç kadar
kay›plara da neden olabilir.
ÖRNEK 6 Bilindi¤i gibi, seçmenlerin oy verme tercihleri üzerinde, pek çok faktörün
etkisi bulunmaktad›r. Partilerin, bu günkü oy da¤›l›m›n› belirlemeye yö-
nelik bir araflt›rma uzun bir zamana yay›l›rsa, seçmenlerin araflt›rmaya
baflland›¤› günkü görüflleriyle, araflt›rman›n sonuçland›¤› zamandaki gö-
rüflleri aras›nda baz› farklar oluflabilece¤inden, üretilen bilginin de¤eri
de giderek azalacakt›r.
2. Ana kütle hacmi küçük, parasal imkanlar›n yeterli oldu¤u bir araflt›rma için, tam sa-
y›m m› yoksa uygun bir örneklem mi tercih edersiniz, aç›klay›n›z.
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
3. 35.000.000 seçmenin oldu¤u bir ülkede yap›lacak bir kamuoyu yoklamas› için, ör-
nekleme mi ya da tam say›m m› yapars›n›z? S O R U S O R U
N
ÖRNEKLEME SÜREC‹N‹N AfiAMALARI
D‹KKAT D‹KKAT
N N
3 SIRA S‹ZDE SIRA S‹ZDE
Çerçevenin Belirlenmesi
Sonlu bir ana kütlede tüm Örneklem oluflturma sürecinin ikinci aflamas›, çerçevenin belirlenmesidir. Çerçe-
birimlerin yer ald›¤› listeye,
çerçeve ad› verilir. ve, sonlu bir ana kütlenin bütün birimlerinin yer ald›¤› bir listedir. ‹dari bak›mdan
uzun bir geçmifle sahip ülkelerde nüfus kay›tlar›, seçmen kütükleri, tapu ve sicil
kay›tlar› ticaret ve sanayi odalar› üye listeleri, ekonomik büyüklüklere göre sana-
yi kurulufllar›n›n s›ra listesi, telefon rehberi, ö¤renci kay›t listeleri v.b. çerçeve ola-
rak kullan›labilecek araçlard›r.
Örneklemeye bafllamadan önce, amaca uygun bir çerçevenin var olup olmad›-
¤›, yoksa, sa¤lan›p sa¤lanamayaca¤›, öncelikle araflt›r›lmal›d›r. Araflt›rmaya uygun
bir çerçevenin var olmas› durumunda bu çerçevenin güncel olup olmad›¤›n›n
araflt›r›lmas› da önemli bir konudur. Dikkat edilmelidir ki çerçeve olmadan ne tam
say›m ne de örnekleme yap›labilir.
Bir çerçeve yoksa ya da oluflturulam›yorsa bu durumda yeni bir çerçevenin ha-
z›rlanmas› problemiyle karfl›lafl›l›r.Yeni bir çerçevenin haz›rlanmas›nda, çerçeve
maliyeti ve kapsam hatas› özellikle göz önünde tutulmal›d›r. Bazen, tan›mlanan
ana kütlenin baz› birimleri, çerçevede yer alamayaca¤› gibi, tan›mlanan ana küt-
lenin d›fl›nda kalmas› gereken birimler de çerçevede yer alabilir ya da baz› birim-
ler tekrarlanarak çerçevede yer alabilir. Böyle bir özellikteki çerçevenin kullan›l-
mas›, çerçeve (kapsam) hatas›na neden olur. Uygulamada kabul edilebilir çerçe-
ve hatas›, sa¤lad›¤› maliyet tasarrufuyla iliflkilendirilerek belirlenir.
Çerçeve, kabul edilebilir bir çerçeve hatas› düzeyinde, ana kütle birimlerinin
çok büyük bir k›sm›n› kapsamal›d›r. fiüphesiz amaç, ana kütle tan›m›nda yer alan
bütün birimleri kapsamas›d›r.
Nicel Yöntemler
• Karfl›lanabilecek Maliyeti Esas Alan Yöntem: Örneklem hacmi n, arafl-
t›rma bütçesine ba¤l› olarak,
n = C – c0
Ct
Araflt›rma bütçesinin 2.200.000.000 TL. ile s›n›rl› oldu¤u bir araflt›rmada, ÖRNEK 8
sabit maliyet 800.000.000 TL. ve örnekleme seçilecek her örnekleme birimi
için maliyet ise 5.000.000 TL. d›r. Bu bütçeyle oluflturulabilecek örneklem
hacmi en fazla ne olabilir?
176 ‹statistik
ÇÖZÜM
n = C – c 0 2200.000.000 – 800.000.000 = 280 aile
Ct 5.000.000
gözlem birimi olmal›d›r.
• Kabul Edilebilir Hata Düzeyini Esas Alan Yöntem: Örneklem istatisti¤i-
nin da¤›l›m›n›n normal oldu¤u varsay›m› alt›nda bu yöntemle örneklem
hacminin belirlenmesi için afla¤›daki eflitlikten yararlan›l›r.
n= z
2 σ2
h2
Burada,
z , Araflt›rmac› taraf›ndan belirlenen anlaml›l›k düzeyi (hata düzeyi) için stan-
dart normal da¤›l›m tablo de¤eri,
s = xmax - xmin
6
ÖRNEK 9 Bir araflt›rmac›, X ilinin merkez ilçesinde ikamet eden ailelerin ortalama
ayl›k mutfak harcama tutar›n› tahminlemek istiyor. Ayr›ca bu tahminle-
mede 0.05 anlaml›l›k düzeyinde en fazla 10 milyon TL’lik bir yan›lg› pay›
amaçl›yor. Örneklem hacmi ne olmal›d›r? Benzer amaçla bu il merkezin-
de yap›lan araflt›rmalardan ailelerin ayl›k mutfak giderleriyle ilgili stan-
dart sapman›n 30 milyon TL oldu¤u ö¤renilmifltir.
α = 0.05
ÇÖZÜM
σ = 30 milyon TL.
z0.05 = 1.96
h = z . σx = 10 milyon TL’dir. Bu verilerden hareketle
1.96 2 . 30 2
n= = 34 aile
10 2
olarak elde edilir.
Ünite 7 - Örnekleme 177
Örneklemin Seçimi
Örnekleme sürecinin bu son aflamas›nda, örnekleme girecek birimler seçilerek,
veri derlenir. Bu, uygun özellikte büro ve çal›flma ortam›yla nitelikli ifl görenlerin
teminini gerektirir. Önceki aflamalarda al›nan yanl›fl kararlar ve dikkatsizlikler bu
aflamada büyük sorunlar›n yaflanmas›na neden olur.
N
ÖRNEKLEME YÖNTEMLER‹ D‹KKAT D‹KKAT
N N
AMAÇ Örnekleme yöntemlerini s›n›fland›rabileceksiniz.SIRA S‹ZDE SIRA S‹ZDE
4
Örnekleme yöntemlerini olas›l›kl› olmayan ve olas›l›kl› yöntemler fleklinde s›n›flan-
AMAÇLARIMIZ AMAÇLARIMIZ
d›r›labilecek ve bu yöntemlerin önemli türleri hakk›nda bilgi sahibi olacaks›n›z.
Kolayda Örnekleme
Bu örneklemede amaç, kolayca ulafl›labilir birimlerin seçilmesiyle örneklemin
oluflturulmas›d›r. Örne¤in; uygun görülen sokaktan, uygun görülen zamanda ge-
lip geçen bireylerle görüflme yap›lmas› ya da bir konferansa kat›lan belirli say›da-
ki kat›l›mc›dan araflt›rma konusuyla ilgili görüfllerinin al›nmas›, birer kolayda ör-
nekleme uygulamas›d›r.
En k›sa zamanda ve en az maliyetle bilgi üretilmesine ihtiyaç duyuldu¤u du-
rumlarda kolayda örnekleme yöntemi bir seçenektir.
Bu örnekleme yönteminde en önemli sorun, seçilen örneklemin ilgili ana küt-
leyi ne kadar temsil edebildi¤idir. Betimleyici ve iliflki araflt›r›c› araflt›rmalarda ko-
layda örnekleme uygun bir yöntem de¤ildir.
178 ‹statistik
Yarg›sal Örnekleme
Bu örnekleme de bir tür kolayda örneklemedir. Yarg›sal örnekleme, örneklemin
araflt›rmac›n›n ya da örneklemecinin kiflisel arzu, düflünce ve deneyimlerine göre
seçilmifl oldu¤u örneklemedir. Bu yöntemin kolayda örneklemeden fark›, örnek-
lem seçimi için araflt›rmac›n›n belirli ölçütler belirlemesi ve bu ölçütlerin temsili
bir örneklem oluflturacak ölçütler oldu¤una inan›yor olmas›d›r. Kolayda örnekle-
mede oldu¤u gibi bu örneklemede de örnekleme birimlerine kolayca ulafl›labilir
ve verilerin çok h›zl› biçimde derlenmesi mümkün olur. Bir A üniversitesinin so-
runlar›n› araflt›rmak amac›yla bu üniversitenin üst düzey yöneticilerinin örnekle-
me seçilmesi yarg›sal örnekleme için bir örnektir. Çünkü üniversite üst düzey yö-
neticilerinin bu araflt›rma için temsili bir örneklem olaca¤› düflünülebilir.
Yarg›sal örnekleme, pazarlama araflt›rmas›nda, kamuoyu araflt›rmalar›nda ve
biyolojik araflt›rmalarda yayg›n olarak kullan›lmaktad›r.
Kota Örneklemesi
Örneklem için birim seçiminin keyfi olarak yap›ld›¤› yöntemlerden biri de kota
örneklemesidir. Bu yöntemin baflar›yla uygulanabilmesi için tan›mlanan ana küt-
leye iliflkin bir çerçevenin var olmas›, ilgili ana kütle hakk›nda öncül bilgiye sahip
olunmas›, ana kütlenin tabakalara bölünebilmesi ve tabaka hacimlerinin bilinme-
si gerekir.
Kota örneklemesi sürecinde aflamalar afla¤›daki gibidir :
• Ana kütle hacmi N ve tabaka hacimleri Nh, (h = 1, 2, ...) belirlenir.
• Örneklem hacmi n keyfi olarak belirlenir.
• Her tabakan›n, ana kütle hacmi içindeki Nh oran› belirlenir.
N
• Her tabakadan keyfi seçimle nh = Nh . n say›da birim seçilir ve bu seçilen
N
birimler örneklemi oluflturur.
Kartopu Örneklemesi
Kartopu örneklemesi, özellikle bir çerçevenin mevcut olmamas› ya da oluflturul-
mas›n›n imkans›z oldu¤u durumlarda, faydal› bir örneklemedir. Bu yöntemde, ör-
nekleme süreci tan›mlanan evrende yer alan bir bireyin, genellikle rassal olarak
seçilmesiyle bafllar. Belirlenen bu birey örneklemeye giren birinci birimdir. Bu bi-
reyle ayn› ana kütle tan›m›nda yer alan tan›d›¤› bir bireyin olup olmad›¤› araflt›r›-
l›r. Varsa, bu bireye ulafl›l›r. Böylece örneklemde yer alacak olan ikinci birim be-
lirlenmifl olur. Bu süreç keyfi olarak belirlenen n hacimli örneklem oluflturulunca-
ya kadar sürdürülür.
Bir bölgedeki uyuflturucu madde kullananlar üzerinde bir araflt›rma ya- ÖRNEK 11
p›lacak olsun. Bu bölgede uyuflturucu kullananlarla ilgili bir liste bulmak
mümkün de¤ildir. Bölgeye gidilir, ya bir ya da iki uyuflturucu kullanan ta-
n›mlanabilirse, kartopu örnekleme süreci bafllar. Örnekleme seçilmifl olan
bu kifli ya da kiflilere uyuflturucu kullanan arkadafllar›n›n ya da tan›d›k-
lar›n›n olup olmad›¤› sorulur. Varsa adresleri ö¤renilir. Bu kiflilere ulafl›-
l›r ve bunlar da örnekleme seçilirler. Bu süreç, keyfi olarak belirlenen n
hacimli örneklem oluflturuluncaya kadar sürdürülür.
Çete üyeleri ve bir ülkeye yasal olmayan yollarla girmifl olan kiflilerle ilgili
araflt›rmalarda da kartopu örneklemesi uygulan›r. Kartopu örneklemesi endüstri-
yel ürün alan ve satanlar hakk›nda yap›lacak araflt›rmalarda da kullan›labilir. Bu
yöntem uyguland›¤›nda temsili örneklem oluflturmak olanakl›d›r. Kartopu örnek-
lemesinin örneklem oluflturma maliyeti ve örneklem varyans› düflüktür.
Tüm olas›l›kl› olmayan örnekleme yöntemlerinde, örne¤e girecek birimlerin
seçiminin keyfi olmas›, tek yönlü hatalara (sistematik hatalara) neden olur. Bu tür
hatalardan kaç›nmak için, izleyen paragraflarda ele al›nacak olan olas›l›kl› örnek-
leme yöntemleri kullan›l›r.
Aç›klanan seçim sürecinde, her çekiliflte seçilen birim incelendikten sonra, ana
kütleye iade edilmedi¤i için, bu seçim sürecine “iadesiz rassal seçim süreci” ad›
verilir. E¤er, basit rassal örnekleme planlar›nda, önceki çekiliflte seçilen birim, in-
celendikten sonra ana kütleye iade ediliyorsa, baflka bir ifadeyle, birimler tekrar
tekrar seçilme flans›na sahipse, bu seçim sürecine “iadeli rassal seçim süreci” ad›
verilir. ‹adeli rassal seçim sürecinde, ana kütle hacmi çekiliflten çekilifle de¤iflmez.
Sonlu bir ana kütleden iadeli çekiliflle bir basit rassal örneklem seçilirse, son-
suz ana kütleden basit rassal örnekleme yap›yormufl gibi bir anlam ifade eder.
Bu çekilifl sürecinde ana kütlenin her birimi, yap›lacak çekilifllerin her birinde
birbirine eflittir, 1/N olan seçilme olas›l›¤›na sahiptir ve birbirini izleyen çekilifller
ba¤›ms›zd›r.
Sonlu ana kütlelerde, kütle hacminin büyük ya da küçük oluflu, iadeli ve iade-
siz seçim için önemli farkl›l›klar gösterir. Ana kütle hacmi büyük, örneklem oran›
(n/N) çok küçük oldu¤u zaman, iadeli ve iadesiz örneklemler benzer özellik gös-
terirler. Çünkü; iadeli çekilifl uyguland›¤›nda, önceki çekilifllerde seçilmifl olan bir
birimin yeniden örnekleme seçilmesi olas›l›¤› çok küçüktür. Ancak, ana kütle hac-
mi küçükse, iadeli ve iadesiz rassal çekiliflle oluflturulan ayn› hacimli örneklemler
için hesaplanan örneklem istatistikleriyle ana kütle parametreleri karfl›laflt›r›l›rsa,
iadesiz basit rassal çekiliflle oluflturulan örneklem, iadeli olana göre daha az ha-
tayla tahminleme imkan› sa¤lar. Bu özellik nedeniyle de iadesiz rassal çekilifl, uy-
gulamada genellikle baflvurulan yöntem olmaktad›r.
Araflt›rmalarda ilgilenilen özellik aç›s›ndan, ana kütlenin homojen olmas› du-
rumunda, basit rassal örnekleme, tercih edilmesi gereken bir yöntemdir.
Örnekleme planlar›nda, basit rassal örnekleme yönteminin tercihini etkileyen
önemli s›n›rlay›c›lar vard›r. Bunlardan birincisi, güncel bir çerçeve oluflturmak ya
da haz›rlamak oldukça zordur. ‹kincisi, tan›mlanan ana kütlenin birimleri genifl bir
co¤rafik alana yay›lm›flsa, basit rassal örnekleme uygulamas› çok zaman al›r ve
veri derleme maliyeti giderek artar. Üçüncüsü, e¤er tan›mlanan ana kütle homo-
jen de¤ilse, basit rassal örneklem sonuçlar›n›n baflar›s› di¤er olas›l›kl› örnekleme
yöntemleri sonuçlar›n›n baflar›s›ndan düflüktür.
Tabakal› Örnekleme
Örnekleme planlar›nda amaç, ana kütleyi, ilgilenilen de¤iflken(ler) aç›s›ndan en
iyi temsil edebilecek örneklemi oluflturmakt›r. Baflka bir anlat›mla, ana kütle pa-
rametre tahminine iliflkin varyans›n, olabildi¤ince küçük olmas›n› sa¤lamakt›r.
Üzerinde araflt›rma yap›lacak ana kütle, ilgilenilen de¤iflken(ler) yönünden hete-
rojen oldu¤unda, bu imkan› veren örnekleme yöntemi tabakal› örnekleme yönte-
midir.
Tabakal› örnekleme dört aflamal› bir süreçtir. Bu aflamalar afla¤›daki gibi
s›ralanabilir:
• Öncelikle, incelenecek özellikler aç›s›ndan önemli farkl›l›klar gösteren N
hacimli bir ana kütlenin birimlerini, birbirine daha çok benzeyen birimler-
den oluflacak alt kütlelere, baflka bir ifadeyle, tabakalara ay›rmada kullan›-
lacak, tabakalama de¤iflkenleri belirlenmelidir. Burada dikkat edilmesi ge-
reken nokta, tabakalama de¤iflkenleri seçilirken, seçilecek de¤iflkenlerin,
bir tabakadaki birimlerinin olabildi¤ince homojen, farkl› tabakalardaki bi-
rimlerinin de olabildi¤ince heterojen olmas›n› sa¤layarak, ayn› zamanda,
uygulama ve ölçme kolayl›¤› da yaratmak suretiyle maliyeti artt›rmadan,
tahminleme hatas›n› azaltmas› gere¤idir. Tabakalama amac›yla kullan›labi-
182 ‹statistik
L
N1 + N2 + ... + NL = ∑ Nh = N
h=1
olmal›d›r.
Tabaka say›s› L artt›kça tabakalar›n homojenli¤i de artaca¤›ndan tabaka var-
yanslar› giderek küçülecek ve buna ba¤l› olarak da tahminlerin güvenilirli-
¤i giderek artacakt›r. Tabaka say›s›n›n artmas› maliyetleri yükseltir ve uygu-
lama zorlu¤u yarat›r. Bu nedenlerle tabaka say›s› L belirlenirken tabaka sa-
y›s›n›n yarataca¤› maliyet, uygulama zorlu¤u ve elde edilecek tahminlerin
güvenilirli¤i birlikte de¤erlendirilmelidir. Deneyimler ve uygulamalar, taba-
ka say›s›n›n alt›dan fazla olmamas›n›, ço¤u zaman iki ya da üç tabakan›n
yeterli olabilece¤ini göstermektedir.
• Her tabakadan basit rassal seçimle s›ras›yla n1 , n2 , ... , nL hacimli alt ör-
neklemler oluflturulur. Alt örneklem hacimleri toplam›, örneklem hacmine
eflittir. Baflka bir ifadeyle, n örneklem hacmini göstermek üzere,
L
n1 + n2 + ... + nL = ∑ nh
h=1
olmal›d›r.
• Nihayet, oluflturulan alt örneklem birimleri üzerinden derlenen bilgiler kul-
lan›larak, araflt›rma amaçlar› için gerekli olan istatistikler hesaplan›r ve bu
istatistiklere dayanarak, istatistiksel ç›karsamalar yap›l›r.
Daha önce de vurguland›¤› gibi, tabakalar içi homojenlik artt›kça tabakalar içi
varyanslar küçülür. Bu da ilgili ana kütle parametre tahminleyicisinin varyans›n›
küçültür. Bu sonuca göre, heterojen kütlelerde ayn› örneklem hacmi için basit
rassal örnekleme uygulamas›n›n örnekleme hatas›, tabakal› örneklemenin örnek-
leme hatas›ndan büyük olur. Baflka bir deyiflle, heterojen evrenler için tabakal› ör-
nekleme yöntemi daha etkindir.
Tabakal› örneklemenin di¤er bir üstünlü¤ü, ilgilenilen ana kütlenin yan› s›ra,
her tabaka için de ayr› bilgi elde etme olana¤› sa¤lamas›d›r. Uygulamada ana küt-
leye göre tabakalar için çerçeve oluflturmak daha kolay olabilir. Ancak sa¤lad›¤›
bu kolayl›klara ra¤men, tabakal› örneklemenin baz› güçlükleri de vard›r. Öncelik-
le tabakal› örnekleme uygulamas› için, tabaka hacimleri ve bunlar›n toplam› olan
ana kütle hacminin bilinmesi gerekir. Bunu kolayca belirlemek her zaman müm-
kün olamamaktad›r. Ayr›ca ilgilenilen ana kütlenin homojen olup olmad›¤›n›n tes-
pit edilebilmesi için de bu ana kütle hakk›nda pek çok öncül bilgiye de gereksi-
nim vard›r.
Ünite 7 - Örnekleme 183
Sistematik Örnekleme
Örneklem için birim seçiminin afla¤›da ele al›nan bir sistemati¤e uygun olarak ya-
p›ld›¤› örnekleme sürecine sistematik örnekleme ad› verilir. Bu yöntemin s›n›rla-
y›c›lar›, ilgili ana kütleye iliflkin bir çerçevenin var olmas› ve birimlerin do¤al bir
s›raya sahip olmas›d›r.
Bir sistematik örneklem oluflturma sürecinde flu aflamalar izlenir:
• Ana kütledeki birimler 1’den N’e kadar numaraland›r›l›r.
• Araflt›rma için yeterli olacak örneklem hacmi (n) belirlenir.
• (k=N/n) örneklem aral›¤› belirlenir.
• 1 ile k aras›nda bir tam say› rassal olarak seçilir. Bu say› a ile gösterilirse, a
örnekleme girecek birinci birimin s›ra numaras› olur.
• a’›nc› birimi k aral›klar›yla izleyen a+k’›nc›, a+2k’›nc›, ....., a+(n-1) k’›nc›
s›ra nolu birimler örnekleme seçilir ve n hacimli sistematik örneklem
oluflturulur.
• Oluflturulan örneklemden elde edilen veriler kullan›larak ilgilenilen istatis-
tikler hesaplan›r.
Sistematik örnekleme yönteminde bir birimin seçilecek n hacimli örneklemde
yer almas› olas›l›¤›, basit rassal örneklemede oldu¤u gibi (n/N)’dir.
Sistematik örnekleme, önceki rassal örnekleme yöntemlerine göre daha az ma-
liyetli ve daha kolayd›r.
Öte yandan, ilgili ana kütleye iliflkin çerçevenin yap›s› hakk›nda bilgi sahibi ol-
maks›z›n da sistematik örnekleme uygulanabilir. Bu durumda, ana kütle birimle-
rinin do¤al bir s›raya sahip olmas› gerekir. Örne¤in; bir süper marketten ayr›lan
her k’›nc› müflteriyle görüflme yap›larak yürütülen araflt›rmalar gibi.
Çerçevenin do¤al yap›s›nda tekrarlamalar varsa, sistematik örnekleme kullan›l-
mamal›d›r. Örne¤in; veriler ayl›k olarak düzenlenmifl ve k = 12 al›nm›flsa, bu du-
rumda her y›l›n ayn› ay› örnekleme girece¤inden, bu tür bir uygulama tek yönlü
hatalara neden olabilir.
Küme Örneklemesi
Bu örnekleme yöntemi, ana kütle hacminin çok büyük, birimlerin genifl bir co¤-
rafik alana yay›lm›fl olmas› ya da örnekleme girecek birimlere iliflkin bir çerçeve
oluflturman›n mümkün olmad›¤› zaman tercih edilmesi gereken bir yöntemdir. Bu
teknikte seçim, kümeler aras›ndan yap›l›r.
Küme örneklemesi sürecinde afla¤›daki aflamalar izlenilir:
• ‹lgili ana kütledeki birimler (e¤er mümkünse) co¤rafik bir ölçüte göre kü-
melere ayr›l›r. Kümeler, okullar, üniversiteler, flehirler, devletler gibi do¤al
olarak var olan birimlerden oluflur.
• Kümeler aras›ndan rassal olarak belirli say›da küme seçilir.
• Seçilen kümelerdeki birimler üzerinden veri derlenir. Seçilen kümelerdeki
birimlerin say›s›, örneklem hacmini gösterir.
Kümeleme örneklemesi, kümelemenin ve örneklemenin herhangi bir aflamada
yap›lmas› fleklinde de uygulanabilir. Bu tür küme örneklemesine “aflamal› küme
örneklemesi” ad› verilir.
184 ‹statistik
N
ÖRNEKLEME DA⁄ILIMI
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE 5 SIRA S‹ZDE
N hacimli bir ana kütleden rassal olarak seçilebilecek n hacimli mümkün bü-
tün örneklemlerin seçildi¤i ve her örneklem için θ istatisti¤i hesapland›¤› varsa-
y›ld›¤›nda θ1 , θ2 , ... , θC nN istatistikleri hesaplanm›fl olur. Hesaplanm›fl olan is-
tatistiklerinin da¤›l›m›na, bu istatisti¤in örnekleme da¤›l›m› ad› verilir.
Örnekleme planlar›nda ilgili ana kütleden rassal olarak çekilen n hacimli sa-
dece bir tek örneklem gözönüne al›n›r ve bu örnekleme iliflkin istatistik hesapla-
n›r. Bu durumda örnekleme da¤›l›m› tan›m›, oluflturulacak n hacimli basit rassal
örneklemden elde edilecek olan x1 , x2 , ... , xn gözlem de¤erlerinin , X1 , X2
, ... , Xn rassal de¤iflkenlerinin gözlenen de¤erleri oldu¤u ve bu gözlem de¤er-
lerini kullanarak hesaplanan θ istatisti¤inin de bir rassal de¤iflken oldu¤u gerçe-
¤inden kaynaklanmaktad›r. Buna göre örnekleme da¤›l›m›, bir rassal de¤iflken
olan θ istatisti¤inin olas›l›k da¤›l›m›d›r.
Çeflitli amaçlar için örnekleme yapmaya karar verildi¤i zaman, dikkatlerin en
çok odaklaflt›¤› parametreler ana kütle aritmetik ortalamas› µ ve ana kütle oran› ∏
olmaktad›r. Bu nedenle, izleyen bölümlerde bu parametreler hakk›nda bilgi üre-
ten örneklem istatistiklerinin, s›ras›yla örneklem aritmetik ortalamas› X ’n›n ve ör-
neklem oran› p’nin örnekleme da¤›l›mlar› ve özellikleri ele al›nacakt›r.
∑ xi
N
µ = i=1
N
eflitli¤iyle hesaplan›r.
µ = 90 + 80 + 60 + 70 = 75 puan
4
Tamsay›m›n yap›lamad›¤› ve örneklemeye baflvuruldu¤u durumlarda aç›kt›r ki
µ hesaplanamaz. Bu durumda µ hakk›nda bilgi üretme sorunuyla karfl›lafl›l›r. Bu
sorunun çözümlenebilmesi için, rassal olarak seçilen n hacimli bir örneklem için
hesaplanan örneklem aritmetik ortalamas› ve bu istatisti¤in da¤›l›m›ndan yararla-
n›l›r. Örneklemden elde edilen gözlem de¤erleri x1 , x2 , ... , xn ise,
∑
n
xi
X= i=1
n
186 ‹statistik
X = 90 + 70 = 80
2
olarak bulunur.
ÖRNEK 14 Örnek 1’de verilen sonlu ana kütleden n=2 birim olan birbirinden farkl›
mümkün tüm basit rassal örneklemleri oluflturunuz ve her örneklem için
aritmetik ortalamay› hesaplay›n›z.
Yukar›daki örnekte ilgilenilen ana kütledeki birim say›s› az oldu¤u için X ’›n
örnekleme da¤›l›m› kolayl›kla oluflturulabilir. Ancak, uygulamada, ilgilenilen ana
kütleden elde edilecek mümkün tüm örneklemleri ve bunlara iliflkin aritmetik or-
talamalar› hesaplamak hem çok külfetli hem de anlams›zd›r. Bunun yerine X bir
rassal de¤iflken olarak al›n›p onun kuramsal da¤›l›m›ndan yararlan›l›r. Bir tan›m
vermek gerekirse, bir ana kütleden ayn› hacimde seçilebilecek mümkün her ör-
neklem için farkl› de¤erler alabilen X rassal de¤iflkeninin da¤›l›m›na, X ’›n örnek-
leme da¤›l›m› ad› verilir.
Belirlenen her örneklem hacmi için, X ’›n farkl› örnekleme da¤›l›m› vard›r. X
’›n örnekleme da¤›l›m›, X rassal de¤iflkeninin ortalamas› ve standart sapmas› (stan-
dart hata) ile belirlenir.
E( X ) = µ
olur.
X ’›n örnekleme da¤›l›m›n›n standart sapmas› (standart hata), örneklem hacmi
artt›kça küçülür. X ’›n standart sapmas› σx simgesiyle gösterilir ve X ’›n örnekle-
me da¤›l›m›n›n de¤iflkenli¤ini ölçer. σx , basit rassal örneklemede,
σx = σ
n
Ünite 7 - Örnekleme 187
sx = s
n
ile hesaplan›r.
Örneklem standart sapmas› da,
s =
∑ X –X 2
i
n–1
fleklinde hesaplan›r.
E¤er ilgilenilen ana kütle sonlu bir ana kütle ve örnekleme oran› n/N ≥ 0.05 ise,
N–n
standart hata hesaplan›rken fleklindeki bir çarpan, düzeltme faktörü ola-
N–1
rak kullan›l›r.
Basit rassal örneklemede örneklem hacmi artt›kça, X ’›n örnekleme da¤›l›m›
normal da¤›l›ma yaklafl›r. Bu sonuca, istatistikte önemli bir yeri olan, afla¤›daki te-
orem yard›m›yla ulafl›l›r.
z= X–µ
σ/ n
Örnekte s›n›ftaki baflar›l› ö¤renci oran›, ana kütle oran›d›r ve ∏ ile gösterilir.
Bu ana kütledeki ilgilenilen türden özelli¤e sahip (baflar›l›) birim (ö¤renci) say›s›
R ile gösterilirse, ana kütle oran› ∏,
∏=R
N
eflitli¤i ile hesaplan›r. Burada R = 0,1,2...,N de¤erlerini alabilece¤i için, ∏’nin de-
¤er aral›¤› 0 ≤ ∏ ≤ 1 olur. S›n›ftaki baflar›s›z ö¤renci say›s› (ilgilenilmeyen türden
özelli¤e sahip birim say›s›) N-R oldu¤u için, baflar›s›z ö¤renci oran› Q,
Q=N–R =1–∏
N
olur.
Yukar›daki örnekte baflar›l› ö¤renci say›s›, R=3 oldu¤u için
∏ = 3 = 0.75
4
p= r
n
eflitli¤i ile hesaplan›r. Burada r = 0,1,...,n de¤erlerini alabilir. r’nin de¤erlerine ba¤-
l› olarak p' de 0 ≤ p ≤ 1 aral›¤›nda bir de¤ere al›r. Örneklemi oluflturan birimler
aras›nda ilgilenilen türden sonuca sahip olmayan birimlerin oran›ysa q ile göste-
rilir. Bu sonuca sahip birimlerin say›s› n - r oldu¤u için
q= n–r =1–p
n
olur.
Yukar›da verilen örnekte ele al›nan N = 4 birimlik bir ana kütleden, basit ras-
sal örneklemeyle hacmi n = 2 ö¤renci olan bir örneklem seçildi¤inde örneklem-
deki baflar›l› ö¤renci oran›,
p = r = 1 = 0.5
n 2
σ2 = ∏ 1 – ∏
fleklinde ifade edilir. Varyans›n pozitif kare kökü de standart sapmay› verdi¤inden,
σ= ∏1–∏
fleklinde yaz›l›r.
Örneklem varyans› ve standart sapmas› da benzer flekilde s›ras›yla
s2 = p ( 1 – p )
ve
s = p1 – p
olarak gösterilir.
‹ki sonuçlu bir ana kütleden, mümkün bütün n hacimli basit rassal örneklemlerin
seçildi¤ini ve her örneklem için p oran›n›n hesapland›¤› varsay›ld›¤›nda, pi oran-
lar›ndan oluflan bir da¤›l›m elde edilir. Bir ana kütleden seçilebilecek ayn› hacim-
li, mümkün bütün örneklemler için, hesaplanan örneklem oranlar›n›n oluflturdu-
¤u da¤›l›ma, oranlar›n örnekleme da¤›l›m› ad› verilir.
Örnekleme planlar›nda tan›mlanan ana kütleden rassal olarak n hacimli sade-
ce tek bir örneklem oluflturulur ve bu örneklem için p oran› hesaplan›r. p rassal
190 ‹statistik
Ortalama ve Varyans
Ana kütle oran› ∏ hakk›nda araflt›r›lmak istenen bilgi n hacimli tek bir örneklem
için hesaplanan p istatisti¤ine de¤il, bir rassal de¤iflken olan p istatisti¤inin örnek-
leme da¤›l›m›n›n özelliklerinden yararlan›larak üretilir. Bu da¤›l›m›n özellikleri da-
¤›l›m›n, aritmetik ortalamas› ve varyans›yla belirlenebilir.
Sonsuz bir ana kütleden seçilen n hacimli basit rassal örneklem için hesapla-
nan p oran›n›n örnekleme da¤›l›m›n›n aritmetik ortalamas› µp ana kütle oran›
∏’ye eflittir. Bu durum örneklem oran› p’nin ana kütle oran› ∏’nin yans›z (siste-
matik hata içermeyen) tahminleyicisi oldu¤unu gösterir. Bu sonuca göre,
E(p) = ∏
yaz›l›r.
Sonsuz ana kütlelere ya da örnekleme oran› n/N ≤ 0.05 olan bütün sonlu ana
kütlelere uygulanan basit rassal örnekleme planlar›nda, örneklem oran› p’nin da-
¤›l›m›n›n varyans› σ2p ve standart hatas› da σp ile gösterilir.
E¤er, ana kütle varyans› σ2 biliniyorsa,
∏ 1– ∏ ∏ 1– ∏
σ2p = , σp =
n n
= ,
p1 – p p1–p
s2p s=
n n
eflitlikleriyle hesaplan›r.
Uygulanan bir basit rassal örnekleme plan›nda ilgilenilen ana kütle sonlu ve
örnekleme oran› n/N<0.05 ise, örneklem oran› p’nin örnekleme da¤›l›m›n›n var-
yans› σ2p ve standart hatas› σp ;
ana kütle varyans› biliniyorsa,
∏ 1– ∏ ∏ 1– ∏
σ2p = . , σp =
N–n N–n
n N–1 n N–1
= . ,
p1 – p N – n p1–p N–n
s2p sp = .
n n n N
Z= p –∏
σp
fleklinde yaz›l›r. Bu standart de¤iflken kullan›larak, ana kütle oran› hakk›nda bilgi
üretmek mümkün olur.
S O R U S O R U
ÖRNEKLEMEDE HATA KAVRAMI VE STANDART
N
HATA
D‹KKAT D‹KKAT
N N
6 SIRA S‹ZDE SIRA S‹ZDE
‹statistiksel araflt›rmalarda iki tür hatadan söz edilir. Bunlar, örnekleme hatas› ve
örnekleme d›fl› hatalard›r.
AMAÇLARIMIZ AMAÇLARIMIZ
Standart hata, hakk›nda bilgi elde edilecek ana kütle parametresine, ana küt-
lenin da¤›l›m flekline, örnekleme birim seçim usulüne ve örneklem hacminin bü-
yüklü¤üne göre farkl› tahminleyicilerle hesaplan›r. Bu tahminleyiciler örnekleme
da¤›l›m› bafll›¤› alt›nda aç›klanm›flt›r. Hesaplanan standart hata de¤eri, örneklem
istatisti¤inin de¤erinin ana kütle parametresi de¤erinden ortalama olarak ne kadar
sapt›¤›n› gösterir. Bu de¤erin s›f›ra yaklaflmas› örneklem istatisti¤inden yararlana-
rak üretilen bilginin güvenilir oldu¤unu gösterir. Standart hata giderilemeyece¤i-
ne göre, bu hatan›n kabul edilebilir bir düzeyin üstüne ç›kmamas› istenir.
Standart hatan›n de¤eri, örneklem hacmiyle ters yönde, ana kütle de¤iflkenli-
¤iyle do¤ru yönde iliflkilidir. Ana kütle de¤iflkenli¤i veri durumunda oldu¤u için,
standart hatay› azaltabilmek amac›yla örneklem hacmini artt›rmak gerekir.
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
Ünite 7 - Örnekleme 193
3. Afla¤›dakilerden hangisi, bir ana kütlenin tan›mlanma- 8. Afla¤›dakilerden hangisi ana kütle hacmi büyük oldu-
s› için kullan›lan bileflenlerden biri de¤ildir? ¤unda, tam say›m yapmay› engelleyen nedenlerden biri
a. Yer de¤ildir?
b. Ana kütle hacmi a. Parametrelerin kesin de¤erinin bulunmas›
c. Zaman b. Masraflar› karfl›layacak yeterli paran›n olmamas›
d. Örnekleme birimi c. Yetenekli iflgücü bulunmamas›
e. Gözlem birimi d. Çok zaman almas›
e. Her zaman pratik olarak mümkün olmamas›
4. Bir örnekleme plan›nda, kota örneklemesi uygulan-
mas› benimsenerek, ilgilenilen ana kütle A, B ve C taba- 9. Anadolu Üniversitesi ö¤rencilerinin boy uzunlu¤uyla
kalar›na ayr›lm›flt›r. Tabaka hacimleri NA = 1000, NB = ilgili bir araflt›rma yapmak için sadece Fen Fakültesi ö¤-
2000: ve NC = 3000 birimdir. Örneklem hacmi n = 600 bi- rencilerinden rassal olarak belirli say›da ö¤renci seçilmifl-
rim olarak belirlendi¤ine göre, B tabakas›ndan seçilecek tir. Fen Fakültesi ö¤rencilerinin oluflturdu¤u toplulu¤a ne
birim say›s› kaçt›r? ad verilir?
a. 186 a. Hedef kütle
b. 200 b. Örneklem hacmi
c. 210 c. Örneklenen ana kütle
d. 222 d. Gözlem birimi
e. 250 e. Örnekleme birimi
5. Afla¤›dakilerden hangisi, tan›mlanan bir anakütleden 10. Ana kütle hacmi küçük oldu¤unda, örnekleme seçi-
len bir birimin di¤erlerinin seçilme flans›n› etkilememesi
rassal olarak seçilen n = 36 hacimli, mümkün bütün
için afla¤›daki seçim yöntemlerinden hangisi kullan›l›r?
örneklemler için hesaplanan, p istatisti¤inin meydana
a. ‹adeli
getirdi¤i da¤›md›r?
b. ‹adesiz
a. Oranlar›n örnekleme da¤›l›m›
c. Sistematik
b. Ortalamalar›n örnekleme da¤›l›m›
d. Karma
c. Örneklem oranlar› aras›ndaki fark›n örnekleme
e. Keyfi
da¤›l›m›
d. Örneklem ortalamalar› aras›ndaki fark›n örnek-
leme da¤›l›m›
e. Hacmi n = 36 olan örneklemin oran›
194 ‹statistik
‹statistiksel
Tahminleme 8
Çal›flma Biçimine ‹liflkin Olarak:
• Verilen tan›mlar iyice özümsenmeli,
• Örnek sorular ve çözümleri dikkatle incelenmeli,
• Kavramlar aras›ndaki farkl›l›klar göz önüne al›nmal›,
• ‹stenenlerin neler oldu¤u net bir biçimde ortaya konulmal›d›r.
196 ‹statistik
N ‹statistiksel
Amaçlar:
tahminleme tan›m›n› kavrayarak, tahminleme sürecinin aflama-
N Örneklem
lar›n› gerçeklefltirebileceksiniz.
istatistiklerini kullanarak nokta ve aral›k tahminlemesi
yapabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• ‹STAT‹ST‹KSEL TAHM‹NLEME
• ‹STAT‹ST‹KSEL TAHM‹NLEME TÜRLER‹
• Nokta Tahminlemesi
• Aral›k Tahminlemesi
Ünite 8 - ‹statistiksel Tahminleme 197
G‹R‹fi
Örnekleme konusu gözden geçirilirken de de¤inildi¤i gibi, örneklemler ana kütle
parametreleri hakk›nda bilgi üretmek amac›yla seçilirler. Seçilen örneklemler için
hesaplanan istatistikler, bu parametreler hakk›nda bilgi üretirler. Örneklem istatis-
tiklerinden yararlanarak ana kütle parametreleri hakk›nda genelleme yapma süre-
ci, istatistiksel yorumlama olarak ifade edilir.
Ana kütle parametreleri hakk›nda yorumlama iki aflamada gerçeklefltirilir. Bun-
lardan ilki bilmeyen parametre de¤erinin tahminlenmesi, di¤eri de bu parametre-
nin de¤eri hakk›nda karar vermedir. ‹statistiksel tahminleme bu ünitede, karar
vermeyse hipotez s›namalar› ad› alt›nda izleyen ünitede ele al›nacakt›r.
Bu ünitede önce istatistiksel tahminleme ve istatistiksel tahmin kavramlar›
aç›klanacak sonra da istatistiksel tahminleme türleri, nokta tahminlemesi ve aral›k
tahminlemesi ele al›narak ana çizgileriyle aç›klanacakt›r.
‹zleyen paragraflarda kolayl›k aç›s›ndan, ana kütle parametresi yerine “para-
metre”, örneklem istatisti¤i yerine de “istatistik” ifadeleri kullan›lacakt›r.
N
‹STAT‹ST‹KSEL TAHM‹NLEME
n
∑ Xi
X = i=1
n
198 ‹statistik
formülü ile tan›mlanan örneklemin aritmetik ortalamas›, ana kütle aritmetik orta-
lamas› için bir tahminleyicidir. Bu formül yard›m›yla hesaplanan de¤erse, ana küt-
le aritmetik ortalamas›n›n bir tahminidir.
Parametreleri, istatistiklerden hareketle, bir say› ve bu say›y› kapsayan bir ara-
l›¤›n s›n›rlar›yla tahminlemek mümkündür. Birinci durumda nokta tahminlemesi,
ikinci durumdaysa aral›k tahminlemesi söz konusu olur. Nokta ve aral›k tahmin-
lemesi izleyen bölümlerde ayr›nt›l› olarak ele al›nacakt›r.
N
‹STAT‹ST‹KSEL TAHM‹NLEME TÜRLER‹
D‹KKAT D‹KKAT
Örneklem istatistiklerini kullanarak, nokta ve aral›k tahminlemesi
AMAÇ
yapabileceksiniz.
2
N N
SIRA S‹ZDE SIRA S‹ZDE
‹statistiksel tahminleme, nokta ve aral›k tahminlemesi olmak üzere iki ana bafll›k
alt›nda s›n›fland›r›l›r. ‹zleyen paragraflarda bu tahmin türleri yeterli ayr›nt›da ele
AMAÇLARIMIZ AMAÇLARIMIZ
al›nm›flt›r.
K ‹ T A P Nokta Tahminlemesi
K ‹ T A P
Bir rassal örneklemden Bir rassal örneklemden hesaplanan θ istatisti¤inin de¤erini ilgili ana kütle para-
hesaplanan istatisti¤in metresi θ de¤erine eflit kabul eden tahminleme sürecine, “nokta tahminlemesi” de-
de¤erini, ilgili ana kütle
parametre de¤erine eflit nir. Bu süreçte, dikkat edilmesi gereken nokta, örneklem seçilmeden önce istatis-
TELEV‹ZYON TELEV‹ZYON
kabul eden tahminleme tik rassal bir de¤iflkendir ve ilgili ana kütle parametresinin bir nokta tahminleyici-
sürecine nokta tahminlemesi
denilir. si durumundad›r. Örneklem seçildikten sonra bu tahminleyici yard›m›yla hesapla-
nan istatistik, bir say›d›r ve ilgili parametrenin nokta tahminidir.
Tahminleme sürecinde önce, tan›mlanan ana kütleden, belirlenen n birimlik
(hacimli) bir basit rassal örneklem seçilir. Bu örneklemdeki birimler üzerinden il-
gilenilen de¤iflken itibariyle veriler derlenir. Sonra bu veriler kullan›larak tahmin-
lenecek parametre θ için tahminleyici olan θ istatisti¤i hesaplan›r. Bu istatisti¤in
de¤eri θ parametresi için bir tahmin olarak kabul edilir.
Bir telefon idaresi, abonelerinin 2001 y›l›ndaki ortalama ayl›k telefon ÖRNEK 1
ödeme tutarlar›n› tahminlemek istemektedir. Bu amaçla rassal olarak 80
abone seçilmifl ve bu abonelerin ortalama ayl›k ödeme tutar›n›n 45.000.000
TL ve standart sapmas›n›n da 2000 TL. oldu¤u hesaplanm›flt›r. Ayl›k öde-
me tutar›n› tahmin ediniz.
ÇÖZÜM
X = 45.000.000 TL
s = 2000 TL
n = 80
µ=?
Bir TV film yap›mc›s› gösterime giren filmini be¤enenlerin oran›n› tah- ÖRNEK 2
minlemek istiyor. Bu amaçla filmi izleyenler aras›nda rassal olarak 100
kifli seçiyor ve bunlar›n 65’inin filmi be¤endiklerini ö¤reniyor. ‹stenen
tahmini nokta tahmini olarak yap›n›z.
n = 100 kifli
ÇÖZÜM
r = 65 kifli
p = r = 65 = 0,65
n 100
olur. Örneklem oran› p = 0,65 de¤eri ana kütle oran› p’nin yans›z tahminidir.
200 ‹statistik
Aral›k Tahminlemesi
Daha önce aç›kland›¤› gibi, bir tahminleme sürecinde, küçük varyansa (ya da
standart hataya) sahip olan tahminleyicinin tercih edilmesi, önemli bir kriterdir.
Standart hatan›n küçüklü¤ü tahminin güvenilirli¤iyle ilgilidir. Güvenilir tahmin, ta-
n›mlanan ana kütleden seçilen ayn› hacimli farkl› örneklemlerde büyük ölçüde
farkl›l›k göstermeyen tahmindir. Nokta tahminlemesi tahminin güvenilirli¤i hak-
k›nda bilgi veremedi¤i için s›n›rl› bir tahminlemedir.
Güvenilirli¤i somut bir flekilde ortaya koymak için güven aral›¤› kavram› gelifl-
tirilmifltir. Bu kavram, tahminlenecek parametre de¤erini kapsayacak alan› belirle-
yen bir çift s›n›r de¤eri kullanmaktad›r.Güven s›n›rlar› ad› verilen bu s›n›rlardan
biri alt s›n›r (A), de¤eri üst s›n›r (Ü) olarak tan›mlan›r.
Bilinmeyen anakütle Bir parametrenin aral›k tahminlemesi (ya da güven aral›¤›) tahminlenecek pa-
parametresini, istenen bir
olas›l›kla, bir aral›k içinde
rametrenin içinde yer alabilece¤i ve bu parametrenin nokta tahmini etraf›nda si-
tahminleme sürecine, aral›k metrik olan bir çift s›n›r de¤erinin, örneklemin planlanmas› aflamas›nda belirlenen
tahminlemesi denilir.
bir olas›l›¤a (güven düzeyine)göre hesaplanmas› sürecidir. Bu tan›ma göre θ para-
metresinin aral›k tahminlemesinin gösterimi, genel olarak;
A≤θ≤Ü
fleklinde yap›l›r.
Örneklem istatistiklerinin de¤erleri ve standart hatalar› örneklemden örnekle-
me de¤iflti¤inden güven aral›¤›n›n s›n›r de¤erleri de¤iflir; güven aral›¤› genifller ya
da daral›r.Bu nedenle baz› güven aral›klar› parametre de¤erini kapsar, baz›lar›
kapsamaz. Bu sebeple tahminleme sürecinde alt ve üst s›n›rlar birer rassal de¤ifl-
ken, bu s›n›rlar›n belirledi¤i aral›k da rassal aral›k niteli¤indedir. Aral›k tahminle-
Güven aral›¤›n›n tahmininde mesi sürecinde, araflt›rmac› taraf›ndan önceden belirlenen olas›l›k düzeyi ya da
parametre de¤erini güven düzeyi (G.D.) do¤ru aral›k tahminlemesinin yap›ld›¤› parametre de¤erini
kapsayan olas›l›¤a güven
düzeyi denilir. kapsayan güven aral›¤›n›n tahminlendi¤i olas›l›¤› ifade eder ve 1-α ile gösterilir.
G.D=1-α de¤eri büyük seçilirse tahminlenen aral›¤›n θ’y› kapsayan bir aral›k ol-
ma olas›l›¤› artm›fl, fakat tahminlerin güvenilirli¤i azalm›fl olur.
Bir aral›k tahminlemesi sürecinde, güven s›n›rlar› A ve Ü’nin tahminlenebilme-
si için flu ad›mlar izlenir:
• Güven düzeyi G.D=1-α belirlenir. Uygulamada genellikle güven düzeyi
G.D=1- α, % 95 ya da % 99 olarak seçilmektedir. Güven düzeyi tan›mlanan
ana kütleden, n hacimli, mümkün pek çok farkl› örneklemler çekilirse bu,
örneklemler için hesaplanan güven aral›klar›n›n, parametreyi kapsama ola-
s›l›¤›n› gösterir. Bu nedenle, parametreyi kapsayan güven aral›klar›, do¤ru
güven aral›¤› olarak isimlendirilir.Burada α anlaml›l›k düzeyini gösterir. Gü-
ven düzeyi örne¤in % 95 seçildi¤inde, anlaml›l›k düzeyi α = 1 - 0.95 = 0.05
olur.
• Hacmi n olan bir basit rassal örneklem seçilir. Tahminlenecek parametre
için, bilgi üretecek θ (X, s, p...) istatisti¤i hesaplan›r.
• Bu istatisti¤in da¤›l›m›yla ilgili bilgilerden yaralanarak güven aral›¤› oluflturulur.
Hesaplanan θ istatisti¤inin da¤›l›m› normalse, güven s›n›rlar›n›n belirlenebil-
mesi için afla¤›daki eflitliklerden yararlan›l›r.
Alt S›n›r,
Ünite 8 - ‹statistiksel Tahminleme 201
A = θ – z α . sθ
2
ve
Üst S›n›r,
Ü = θ + z α . sθ
2
Bu eflitliklerde:
XA ≤ µ ≤ XÜ
güven aral›¤› tahminlenir. Burada; XA ve XÜ aral›¤›n s›ras›yla, alt ve üst s›n›r de-
¤erlerini gösterirler.
Örneklem hacmi n , X ’nin da¤›l›m fleklini belirleyen önemli bir belirleyici ol-
du¤u için, µ ’nün aral›k tahminlemesiyle ilgili aç›klamalar örneklem hacminin ye-
terli büyüklükte olup olmamas› durumuna göre iki alt bafll›kta aç›klanm›flt›r.
X-µ
z=
σx
ile dönüfltürülür.
‹statistiksel yorumlama amac›yla yap›lacak çözümlemelerde büyük kolayl›klar
sa¤layan bu dönüfltürmeden yararlanarak birer rassal de¤iflken olan XA ve XÜ gü-
ven s›n›rlar›
XA - µ XÜ - µ
zA = zÜ =
σx σx
XA = µ – z α σx
2
olur.
Daha önce de aç›kland›¤› gibi X , µ ’nün yans›z tahminleyicisi oldu¤una göre,
bilinmeyen anakütle parametresi µ için güven aral›¤›
X – z α . σx < µ < X + z α . σx
2 2
fleklinde oluflturulur.
Yukar›daki formüllerde z de¤eri, araflt›rmac› taraf›ndan bafllang›çta belirlenen
1-α güven düzeyine ba¤l› olarak standart normal e¤ri alanlar› tablosundan bulu-
nur. Baz› 1-α güven düzeyleri için z de¤erleri afla¤›daki tabloda verilmifltir.
Ünite 8 - ‹statistiksel Tahminleme 203
σx = σ
n
X – z α . sx < µ < X + z α . sx
2 2
fleklinde bulunur.
Ortalaman›n standart hatas›n›n tahmini; örnekleme birim seçiminde iadeli se-
çim uygulan›r, örnekleme oran› n/N<0.05 olur, tan›mlanan ana kütle sonsuz
olursa
sX = s
n
formülüne göre hesaplan›r. Buna karfl›l›k birim seçimi iadesiz yap›l›r ya da örnek-
leme oran› n/N>0.05 olursa,
N–n
sx = s .
n N–1
formülüyle hesaplan›r.
Bir ekmek fabrikas›n›n üretim sürecinde, 100 ekmeklik bir rassal örnek- ÖRNEK 3
lem seçilmifltir. Bu ekmeklerin ortalama a¤›rl›¤› 375 gr ve standart sapma
s=15 gr olarak hesaplanm›flt›r. Üretilen ekmeklerin ortalama a¤›rl›¤›n›
% 95 güven düzeyiyle tahminleyiniz.
204 ‹statistik
n = 100 Ekmek
ÇÖZÜM
X = 375 gr
s = 15 gr
G.D = 1 - α = 0.95
dolay›s›yla
α = 0.05
olur.
Problemde ana kütlenin de¤iflkenli¤i ve bölünme flekli hakk›nda bilgi
bulunmamaktad›r.
Örneklem hacmi n=100 birim (n>30 birim) oldu¤u için X ’nin örnekleme bö-
lünmesi normaldir (Merkezi Limit Teoremi). Bu bilgilere göre Zα = ±1.96 d›r.
2
Ana kütle hacmi sonsuzdur. Buna göre
sx = 15 = 15 = 1.5 gr.
100 10
ve güven aral›¤›
X – z α . sx < µ < X + z α . sx
2 2
olarak hesaplan›r.
z=X–µ
sx
standart de¤erleri yukar›da aç›kland›¤› gibi normal da¤›l›ma sahip olmaz. Bu du-
rumda µ için aral›k tahminlemesi, tan›mlanan ana kütlenin, normal da¤›l›ma sa-
hip olup olmad›¤›n›n bilinmesine ba¤l›d›r.
Normal da¤›lan bir ana kütleden, rassal olarak seçilebilecek birbirinden farkl›,
n < 30 birim hacimli, mümkün bütün örneklemlerin seçildi¤ini, her örneklem için
X ve onlar›n X – µ / sx standart de¤erlerinin hesapland›¤›n› düflünelim. De¤er
aral›¤› -∞ ve +∞ X – µ / sx olan istatisti¤i υ = n-1 serbestlik derecesinde t
da¤›l›m› ad› verilen sürekli bir da¤›l›ma uyar ve
t=X- µ
sx
fleklinde gösterilir.
Ünite 8 - ‹statistiksel Tahminleme 205
t da¤›l›m› ortalamas› s›f›r olan tek modlu ve simetrik bir da¤›l›md›r. Bu da¤›l›-
m›n flekli normal da¤›l›m›n flekline benzer fakat de¤iflkenli¤i daha fazlad›r. Bilin-
x
di¤i gibi örneklenen ana kütlenin da¤›l›m› normal oldu¤unda, ( X - µ) / σ ista-
tisti¤i standart normal da¤›l›ma sahip olur. Ana kütle de¤iflkenli¤i σ ’n›n bilinme-
x
di¤i durumlarda σ ’nin yerine sx ’nin ikame edilmesi; bu standart de¤iflken üze-
rinde ilave bir de¤iflkenli¤i tan›mlar ve t istatisti¤i bu de¤iflkenli¤i do¤ru bir fle-
kilde dikkate al›r. Örneklem hacmi artarken, serbestlik derecesi υ = n - 1 büyür,
S x ’nin kullan›lmas› nedeniyle ortaya ç›kan de¤iflkenlik küçülür ve t da¤›l›m›
standart normal da¤›l›ma yaklafl›r.
Yukar›da verilen bilgilerin ›fl›¤›nda ilgilenilen ana kütle normal da¤›l›ma sahip
oldu¤unda, µ için güven aral›¤› büyük örneklerdekine benzer flekilde afla¤›daki
gibi ifade edilir. Tek fark z yerine t istatisti¤inin kullan›lmas›d›r.
Tan›mlanan ana kütle normal da¤›l›yorsa, µ için 1 - α güven aral›¤›
X – t sx < µ < X + t s x
fleklinde belirlenir.
Burada;
t: 1 - α güven düzeyinde ve n - 1 serbestlik derecesine ba¤l› olarak t de¤erleri tab-
losundan bulunur. t tablosu örne¤i ekte verilmifltir.
sx : Ortalaman›n standart hata tahminidir ve
sx = s
n–1
tahminleyiciyle tahminlenir.
Otomobil lasti¤i üreticisi bir fabrikan›n yönetim organ› üretilen lastikle- ÖRNEK 4
rin ortalama ömrünü km olarak tahminlemek istemektedir. Bu amaçla
rassal olarak 26 lastik seçilmifl ve bu lastiklerin ortalama ömrünün 30.000
km ve standart sapmas›n›n da 1500 km oldu¤unu tespit edilmifltir. % 99
güven düzeyi için istenen tahminlemeyi yap›n›z.
n = 26 lastik
ÇÖZÜM
X = 30.000 Km
s = 1500 Km
G.D. = 0.99
α = 0.01
X – t sx < µ < X + t s x
υ = n - 1 = 26-1 = 25 dir.
sx = s = 1500 = 300 km
n–1 25
bulunur.
biçiminde oluflturulur.
p1–p
sp =
n
d›r.
Buradan, rassal örneklem hacmi yeterli büyüklükteyse, örneklem oranlar›n›n
standart de¤erlerinin,
z=p–π
sp
standart normal da¤›l›ma sahip oldu¤u söylenebilir ve anakütle ortalamas› aral›k
tahmininde oldu¤u gibi, 1- α güven düzeyinde ana kütle oran› π’nin aral›k tah-
mini için güven aral›¤›,
p – z α . sp < π < p + zα . sp
2 2
fleklinde hesaplan›r.
Ünite 8 - ‹statistiksel Tahminleme 207
Bir bölgedeki sigara içen insanlar›n aras›nda kanser hastas› olanlar›n ÖRNEK 5
oran›n›n belirlenmesi amaçlanmaktad›r. Bu amaçla rassal seçimle 1500
kiflilik bir örneklem oluflturulmufl ve 1500 kiflinin içinde 375 kiflinin kan-
ser hastas› oldu¤u belirlenmifltir. Bu bölgedeki sigara içen insanlar›n için-
deki kanserli hasta oran›n› 1 – a = 0.95 güven düzeyinde tahmin ediniz.
ÇÖZÜM
r = 375 sigara içen ve kanser hastas› olan kifli say›s›
π = ?
1 – α = 0.95
α = 0.05
Zα/2 = ± 1.96
p = r = 375 = 0.25
n 1500
1 - p = 0.75
S O RmiU güvenirsiniz?
3. Uygulamada nokta tahminlemesine mi, yoksa aral›k tahminlemesine S O R U
Nedenleriyle aç›klay›n›z.
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
208 ‹statistik
Hipotez Testleri 9
Çal›flma Biçimine ‹liflkin Olarak
• Bu üniteyi kolayca anlayabilmeniz için Örnekleme ve ‹statistiksel Tahminleme
isimli üniteler özümsenmifl olmal›,
• Kavramlar ve bu kavramlar aras›ndaki iliflkiler dikkatle incelenmeli,
• Örnekler ve örnek çözümleri dikkatle incelenmeli, sorunlarla karfl›lafl›l›rsa
kavramsal aç›klamalara geri dönülmelidir.
212 ‹statistik
N ‹statistiksel
Amaçlar:
N dikkat edilecek
hipotez ve istatistiksel hipotez testi kavramlar›n› aç›klayabileceksiniz.
Parametrik ve parametrik olmayan teknikler aras›ndan seçim yaparken,
N Bir
kriterleri aç›klayabileceksiniz.
istatistiksel test sürecinin aflamalar›nda, hangi ifllemlerin yap›laca¤›n›
N Anakütle
s›ralayabileceksiniz.
aritmetik ortalamas›na ve anakütle oran›na iliflkin hipotez testi
uygulamalar›n› yapabileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• ‹STAT‹ST‹KSEL H‹POTEZ VE ‹STAT‹ST‹KSEL H‹POTEZ TEST‹
• H‹POTEZ TEST‹ TÜRLER‹
• H‹POTEZ TEST‹ SÜREC‹N‹N ADIMLARI
• Hipotezlerin ‹fade Edilmesi
• Anlaml›l›k Düzeyinin Belirlenmesi
• Verilerin Derlenmesi
• Test ‹statisti¤inin Seçilmesi
• ‹statistiksel Karar›n Verilmesi
• Probleme ‹liflkin Karar›n Verilmesi
• TEK ANAKÜTLE PARAMETRES‹YLE ‹LG‹L‹ H‹POTEZ TESTLER‹
• Anakütle Ortalamas›na ‹liflkin Hipotez Testleri
• Anakütle Ortalamas›na ‹liflkin Büyük Örneklem Testi
• Anakütle Ortalamas›na ‹liflkin Küçük Örneklem Testi
• Anakütle Oran›na ‹liflkin Test
Ünite 9 - Hipotez Testleri 213
G‹R‹fi
Örnekleme teorisi, anakütle parametrelerinin tahminlenmesi yan›nda, istatistiksel
hipotezlerin test edilmesine de imkan vermektedir. Yorumsal istatistikte gelenek-
sel karar alma ifllemi olarak hipotez testi, örneklem bilgilerinden yararlanarak bu
örneklemin çekildi¤i anakütlenin bir ya da daha fazla parametresi hakk›nda yo-
rum yapma konular›n› içerir. Burada, örneklemdeki gözlem de¤erleri kullan›larak
hesaplanan istatisti¤in de¤eriyle, bu istatisti¤in bilgi üretti¤i parametrenin önce-
den belirlenmifl, bilinen de¤eri aras›ndaki farkl›l›¤›n, istatistiksel olarak anlaml›
olup olmad›¤› belirlenir. Farkl›l›k varsa, bu farkl›l›¤›n öneminin, s›f›r hipotezini
reddetmek için yeterli olup olmad›¤›na karar verilir. E¤er sözkonusu farkl›l›k an-
laml› bir farkl›l›ksa s›f›r hipotezi reddedilir, tersi durumda kabul edilir.
Genellikle, parametrenin önceden belirlenmifl, bilinen de¤erinin de¤iflmedi¤i-
nin ifade edildi¤i s›f›r hipotezine iliflkin karar verebilmek için, örneklem bilgileri-
nin olas›l›¤a dayanarak genellefltirilmesi gerekir. Bu durum, ilgilenilen parametre
hakk›nda bilgi üreten istatisti¤in örnekleme da¤›l›m›n›n bilinmesini gerektirir.
Bu ünitede; anakütle aritmetik ortalamas› ve anakütle oran›na iliflkin hipotez-
lerin test edilmesinde, olas›l›k ve örnekleme da¤›l›m› kavramlar›n›n, nas›l uygula-
naca¤› gösterilmifltir. Bu amaçla ünitede, önce hipotez ve hipotez testi kavramla-
r› aç›klanm›fl, sonra da bir hipotez testi sürecinin aflamalar› s›ras›yla aç›klanarak,
hipotez türleri hakk›nda bilgi verilmifltir. Daha sonra da tek anakütle aritmetik or-
talamas›na ve oran›na iliflkin hipotez testleri, örnekler üzerinde, ayr›nt›l› bir flekil-
de aç›klanm›flt›r.
N
H‹POTEZ TEST‹
Örnekler:
1) Günlük ortalama üretimi 750 kg. olan bir ilaç fabrikas›nda, uygulanan yeni
üretim tekni¤i, ortalama üretimi art›rm›flt›r.
2) Bir üretim sürecinde üretilen tereya¤› paketleri ortalama 500 gr a¤›rl›¤›ndad›r.
3) Bir yerleflim yerinde ikamet eden ailelerin %10’u al›flverifllerini süper mar-
ketlerden yapmaktad›r.
S O R U S O R U
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
Ünite 9 - Hipotez Testleri 215
N
H‹POTEZ TEST‹ TÜRLER‹
N
H‹POTEZ TEST‹ SÜREC‹N‹N ADIMLARI D‹KKAT D‹KKAT
N N
AMAÇ SIRA S‹ZDE SIRA S‹ZDE
p›laca¤›n› s›ralayabileceksiniz.
3
Anakütle parametre de¤erleri hakk›nda ileri sürülen iddialar›n test edilmesinde
AMAÇLARIMIZ AMAÇLARIMIZ
afla¤›daki ad›mlar izlenir:
S›f›r hipotezi (H0), ilgili ana S›f›r hipotezi H0 simgesiyle gösterilir ve hangi hipotezin test edilece¤ini ifade
kütle parametresinin bilinen eder. H0 hipotezinde test süreci tamamlan›ncaya kadar örneklem istatisti¤i θ de-
de¤erinde herhangi bir
farkl›l›¤›n beklenmedi¤ini ¤eriyle θ parametresinin de¤eri hakk›nda ileri sürülen θ0 , θ ile θ parametreleri-
ifade eden hipotezdir. nin de¤erleri aras›ndaki fark›n örnekleme hatas›ndan kaynaklanabilece¤i, bu iki
de¤er aras›nda gerçekte anlaml› bir farkl›l›k olmad›¤›, farkl›l›¤›n istatistiksel ola-
rak, s›f›r oldu¤u ifade edilir. S›f›r hipotezi; parametrenin önceden belirlenmifl, bi-
linen de¤erinde, hiçbir farkl›l›¤›n (etkinin) beklenmedi¤inin ifade edildi¤i hipotez-
dir.
Bu aç›klamalar›n ›fl›¤›nda H0 hipotezi,
H0 : θ = θ0
H1 : θ ≠ θ 0
H1 : θ > θ0
H1 : θ < θ0
fleklinde belirlenir.
Yukar›daki her hipotez tak›m›nda kullan›lan isim, H1 hipotezinde θ için veri-
len de¤erler aral›¤›n› aç›klamaktad›r. Bu durum, örneklem istatisti¤inin θ ’n›n nor-
mal da¤›l›ma sahip oldu¤u kabul edilerek afla¤›daki flekillerle aç›klanm›flt›r. Örne-
¤in iki yönlü hipotezlerde H1 hipotezi fiekil 9.1’de görüldü¤ü gibi θ0’›n her iki ta-
raf›ndaki θ ile ilgili de¤erleri kapsamaktad›r. Baflka bir ifadeyle örneklem istatisti-
¤i θ ’n›n belirli bir A1 de¤erinden küçük ya da belirli bir A2 de¤erinden büyük
olan de¤erleri H1 hipotezi yönünde, H0 hipotezinin red bölgesinde yer alan de-
¤erlerdir.
H0 Kabul Bölgesi
H0 H0
Red Bölgesi Red Bölgesi
1- α
α/2 α/2
^
θ
A1 θ0 A2
fiekil 9.1 ‹ki Yönlü
Z Testlerde Red
0 Bölgeleri.
Tek yönlü üstkuyruk testlerinde, H1 hipotezi, θ0’dan büyük olan θ ile ilgili de-
¤erleri içerdi¤i için, bu isim verilmifltir. Tek yönlü üstkuyruk testlerinde, H1 hipo-
tezi, (fiekil 9.2’de görüldü¤ü gibi) θ ’n›n, θ0’dan büyük olmak üzere, belirli bir A
de¤erinden büyük de¤erleri H1 hipotezi yönünde, H0 hipotezinin red bölgesinde
yer almaktad›r.
H0 Kabul Bölgesi
H0
1- α Red Bölgesi
α
^
θ
θ0 A fiekil 9.2 Tek Yönlü
Üst Kuyruk
Z Testlerinde Red
0 Bölgesi.
Tek yönlü altkuyruk testlerindeyse tek yönlü üst kuyruk testinin tam tersine, Hipotez testlerinde kabul ya
(fiekil 9.3’de görüldü¤ü gibi) θ0’›n solunda ve θ ’nin A’dan küçük olan de¤erleri, da red edilen hipotez H0’d›r.
H0 Kabul Bölgesi
H0 Red Bölgesi
1- α
α
^
θ
fiekil 9.3 Tek Yönlü A θ0
Alt Kuyruk
Testlerinde Red Z
Bölgesi. 0
Verilerin Derlenmesi
Bir araflt›rma plan›nda, hipotezlerin ifade edilmesiyle araflt›rman›n genel çerçeve-
si ortaya konur, problem ve de¤iflkenler tan›mlanm›fl olur. ‹fade edilen hipotezle-
rin test edilebilmesi için, gerekli uygun α anlaml›l›k düzeyi belirlendikten sonra,
belirlenen ana kütleden, hangi hacimde bir örneklem seçilece¤i kararlaflt›r›l›r. Da-
ha sonra da ilgili anakütleden belirlenen hacimde rassal bir örneklem seçilerek
veriler derlenir. Bu veriler kullan›larak, test edilecek parametre hakk›nda bilgi
üreten örneklem istatistikleri hesaplan›r.
z = θ – θ0
σ
θ
test istatisti¤inin normal da¤›l›ma sahip oldu¤u kabul edilerek yap›lm›flt›r. Aç›kla-
malarda α = 0.05 seçilmifltir.
E¤er karfl›t hipotez H1 : θ ≠ θ0 fleklinde ifade edilmiflse, red bölgesi fiekil 9.4’te
gösterildi¤i gibi θ istatisti¤ine iliflkin normal da¤›l›m›n her iki ucunda simetrik ola-
rak tan›mlanm›fl olur ve her birinin alan› oransal olarak α/2 = 0.05/2 = 0.025’tir.
Buna ba¤l› olarak kritik de¤erler θ istatisti¤ine iliflkin normal da¤›l›m›n her iki
kuyru¤undaki, θ0’a göre simetrik, A1 ve A2 de¤erleri olmaktad›r.
H0 Kabul Bölgesi
H0 H0
Red Bölgesi Red Bölgesi
α / 2 = 0.025 1- α α / 2 = 0.5/2 = 0.025
^
θ
fiekil 9.4 ‹ki Yönlü A1 θ0 A2
Testlerde Red
Bölgeleri ve Kritik Z
De¤erler. Z1= -1.96 0 Z2= +1.96
z1 = A 1 – θ0 ve z 2 = A 2 – θ0
σ σ
θ θ
standart de¤erleri olur. A1 örneklem de¤eri θ0’›n solunda (A1 θ0’dan küçük de-
¤erli) oldu¤u için, z1 negatif ve A2 örneklem de¤eri θ0’›n sa¤›nda (A2 θ0’dan bü-
yük de¤erli) oldu¤u için, z2 pozitif de¤er olarak ifade edilir. z1 ya da z2 kritik de-
¤erleri α = 0.05 anlaml›l›k düzeyi için Ek-1’de verilen Standart Normal E¤ri
Alanlar› Tablosundan yararlan›larak belirlenir. Z tablo de¤eri (ztab),
Ünite 9 - Hipotez Testleri 221
ztab = ±1.96 de¤eri standart normal da¤›l›mda %47.5’lik oransal alana karfl› ge-
len örneklem istatisti¤inin standart de¤eridir. ‹ki yönlü testte H0 hipotezinin red-
dedilmesi için,
z = A – θ0
σ
θ
H0 Kabul Bölgesi
H0
Red Bölgesi
1- α
α = 0.05
^
θ fiekil 9.5 Tek Yönlü
θ0 A
Üst Kuyruk
Z Testlerinde Red
Z = 1.64 Bölgesi ve Kritik
0
De¤er.
ztab = 1.64 de¤eri, standart normal da¤›l›mda, %45’lik oransal alana karfl› ge-
len, örneklem istatisti¤inin standart de¤eridir. Tek yönlü üstkuyruk testi söz konu-
su oldu¤unda ztab = +1.64, tek yönlü altkuyruk sözkonusu oldu¤unda
ztab = –1.64 al›n›r. Bu bilgilere göre H0 hipotezinin reddedilmesi için, tek yönlü
üstkuyruk testinde;
222 ‹statistik
θ – θ0
z hes = > z tab = 1.64
σ
θ
olmal›d›r.
H0 Kabul Bölgesi
H0 Red Bölgesi
1- α
α = 0.05
^
θ
fiekil 9.6 Tek Yönlü A1 θ0
Alt Kuyruk
Testlerinde Red Z
Bölgesi ve Kritik Ztab= -1.64 0
De¤er.
θ – θ0
z hes = < z tab = –1.64
σ
θ
S O R U S O R U
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
Ünite 9 - Hipotez Testleri 223
N
TESTLER‹
Pek çok araflt›rmada, tek bir anakütlenin bir parametresinin de¤erine iliflkin, hipo-
tezlerin ileri sürüldü¤ü görülmektedir. Baflka bir ifadeyle, bir anakütlenin ilgileni-
len bir de¤iflkeni hakk›nda, bilinen ya da belirlenen bir standarta göre yorumlar›n
yap›ld›¤› görülmektedir. Afla¤›daki hipotezler tek anakütle parametresiyle ilgili hi-
potez testine örnek verilebilir: A ürününün reklam›n› be¤enenlerin oran› en az
%45’tir. Günlük ortalama üretimi 100 Ton olan bir üretim sürecinde yap›lan de¤i-
fliklik, günlük ortalama üretim miktar›n› artt›rm›flt›r (vb.) gibi. Bu tür hipotezlerin
testinde, tan›mlanan bir anakütlenin ilgilenilen bir de¤iflkenine iliflkin önceden
belirlenen (ya da bilinen) bir parametre de¤erinin (θ0’›n) de¤iflmedi¤i fleklindeki
s›f›r hipotezi test edilir. Böylece, verilen karara göre, karfl›t hipotezde (araflt›rma
hipotezinde) ileri sürülen iddian›n, kabul edilip edilmeyece¤i ortaya ç›kar.
Bu testlerde karar verilirken örneklem istatisti¤inin de¤eriyle bu istatisti¤in bil-
gi üretti¤i parametrenin bilinen ya da belirlenen θ0 de¤eri karfl›laflt›r›l›r.
Ünitenin izleyen bölümlerinde, uygulamada s›kça karfl›lafl›lan tek anakütle pa-
rametresiyle ilgili olarak, anakütle ortalamas›na iliflkin testlerle anakütle oran›na
iliflkin testler ele al›nm›flt›r.
ÖRNEK 1 Bir peynir üretim sürecinde, üretimin 500 gr.’l›k paketler halinde gerçek-
lefltirilmesi planlanm›flt›r. Üretimin planland›¤› gibi gerçekleflip gerçek-
leflmedi¤ini kontrol amac›yla rassal olarak 100 paket seçilmifl ve bu pa-
ketler için ortalama a¤›rl›k 495 gr., standart sapma da 20 gr. olarak he-
saplanm›flt›r. α = 0.05 anlam düzeyi için, üretimin planland›¤› gibi gerçek-
leflti¤i söylenebilir mi? Karar veriniz.
Peynir paketlerinin belirlenen ortalama a¤›rl›¤› (standart a¤›rl›k) 500 gr.d›r. Bu ne-
denle, burada s›f›r hipotezi, üretilen peynir paketlerinin ortalama a¤›rl›¤›n›n 500 gr.
oldu¤u yönündedir. Bu iddiay›, 500 gr.’dan hem küçük, hem de büyük yöndeki
anlaml› a¤›rl›k farkl›l›klar› çürütecektir. Baflka bir ifadeyle, bu anlaml› farkl›l›klar
üretimin planland›¤› gibi gerçekleflmedi¤ini gösterecektir. Buna göre yap›lacak
test, iki yönlü test olup, hipotezler:
H0 : µ = 500 gr.
H1 : µ ≠ 500 gr.
z = X – µ0
sx
sx = s
n
s x = s = 20 = 2
n 100
ve
olarak hesaplan›r.
rin standart de¤erleri olan z test istatisti¤inin örnekleme da¤›l›m›, standart normal
da¤›l›m gösterir. ‹ki yönlü bir test oldu¤u için red bölgesi fiekil 9.7’de gösterildi¤i
H0 Kabul Bölgesi
H0 H0
Red Bölgesi Red Bölgesi
l - α = 0.95
α / 2 = 0.025 α / 2 = 0.5/2 = 0.025
X
X = 495 A1 µ = 500 A2
fiekil 9.7 Anakütle
Z Ortalamas› µ ‹çin ‹ki
Zhes= -2.5 Z1= -1.96 0 Z2= +1.96 Yönlü Test Sonuçlar›
Hesaplanan test istatisti¤i z hes = 2.5 > z tab = 1.96 oldu¤undan H0 hipotezi
reddedilir, dolay›s›yla H1 kabul edilir. Ayr›ca ayn› karar fiekil 9.7’de zhes = –2.5
standart de¤erinin Zi eksenindeki red bölgesinde yer ald›¤›n› söylemek suretiyle
de aç›klanabilir.
226 ‹statistik
Burada verilecek karar, ortalama gazl› içecek tüketiminin 20 lt.’den fazla olmad›-
¤›d›r. Araflt›rma hipoteziyse 20 lt. ve daha fazla oldu¤udur.
Buna göre hipotezler:
H0 : µ = 20 lt.
H1 : µ > 20 lt.
z = x – µ0
sx
s x = s = 8 = 8 = 0.253
n 1000 31.62
z = x – µ0
sx
z = 22 – 20 = 7.905
0.253
z hes = 7.905 > z tab = 2.33
oldu¤u ya da hesaplanan zhes = 7.905 de¤eri (fiekil 9.8’de görüldü¤ü gibi) red
bölgesinde kald›¤› için H0 hipotezi red (dolay›s›yla H1 hipotezi kabul) edilir.
H0 Kabul Bölgesi
H0
l- α Red Bölgesi
α = 0.01
X
µ = 20 A2 X = 22
fiekil 9.8 Anakütle
Z
Ortalamas› ‹çin Tek
0 Z2= 2.33 Zhes= 7.905 Yönlü ÜstKuyruk
Testi Sonuçlar›.
Yukar›daki istatistiksel karara göre, ö¤rencilerin ayl›k ortalama gazl› içecek tü-
ketimi 20 lt. den fazlad›r. Yönetici, üniversite ö¤rencilerine yönelik yeni stratejiler
gelifltirmelidir.
sx = s
n
sx = s
n–1
Bir okuldan geçmifl y›llarda mezun olan ö¤rencilerin ortalama mezuni- ÖRNEK 3
yet puan› 66 puand›r. Bu y›l mezun olan ö¤renciler aras›ndan 26 ö¤ren-
ci rassal olarak seçilmifl ve bunlar›n ortalama mezuniyet puan›n›n 70
puan ve standart sapmas›n›n 10 puan oldu¤u hesaplanm›flt›r. Geçmifl
y›llarda mezun olan ö¤rencilerin ortalama mezuniyet puan›yla bu y›l me-
zun olanlar›n ortalama puanlar› aras›nda farkl›l›k var m›d›r? α = 0.01
için test ediniz.
ÇÖZÜM
Bu problemde, iki dönemdeki mezuniyet ortalamalar› aras›nda bir farkl›l›k olma-
d›¤› yönündeki s›f›r hipotezi test edilecektir. Buna göre hipotezler
H0 : µ = 66 puan
H1 : µ ≠ 66 puan
t = x – µ0
sx
sx = s = 10 = 2
n–1 25
ve
230 ‹statistik
t = x – µ0 = 70 – 66 = 2
sx 2
H0 Kabul Bölgesi
H0 H0
Red Bölgesi l - α = 0.99 Red Bölgesi
α / 2 = 0.005 α / 2 = 0.005
X
A1 µ = 20 X = 20 A2
kütle oran› ∏’nin iddia edilen de¤eri ∏0 aras›ndaki fark›n istatistiksel olarak an-
laml› olup olmad›¤› araflt›r›l›r. Örneklem hacmi yeterli büyüklükte oldu¤unda (n
> 30 birim), anakütle oran› ∏ hakk›ndaki testler daha önce aç›klanan anakütle or-
talamas› µ için büyük örneklem testlerindekilere benzer flekilde yap›l›r. Ancak,
test için örneklem istatisti¤i olarak örneklem oran› p ve bu istatisti¤in örnekleme
da¤›l›m› kullan›l›r. n ≥ 30 oldu¤unda, örneklem oran› p’nin örnekleme da¤›l›m›,
yaklafl›k normal da¤›l›ma sahip olur. Bu durumda, p örneklem istatisti¤i da¤›l›m›-
na iliflkin standart de¤erlerin da¤›l›m›n›n da normal olaca¤› aç›kt›r.
Anakütle oran› ∏’ye iliflkin testlerde örneklem hacmi büyük oldu¤unda, stan-
E¤er örneklem oran› p ile
dartlaflt›r›lm›fl z test istatisti¤i kullan›l›r: ana kütle oran› ∏’nin ileri
sürülen ∏0 de¤eri
p – ∏0
z= aras›ndaki fark›n,
σp istatistiksel olarak anlaml›
olup olmad›¤› araflt›r›l›yorsa
Burada, σp örneklem oran›, p’nin örnekleme da¤›l›m›n›n standart sapmas›n› ana kütle oran›na iliflkin
test uygulan›r ve test
gösterir ve
p – ∏0
istatisti¤i z = ’dir.
σp
∏0 1 – ∏0
σp =
n
H0 : ∏ = 0.60
H1 : ∏ > 0.60
p = r = 495 = 0.66
n 750
d›r.
=
Π0 1 – Π0 0.60 0.40
σp = = 0.0179
n 750
ve
H0 Kabul Bölgesi
H0
l - α = 0.99 Red Bölgesi
α = 0.01
P
∏ = 0.60 A p = 0.66
0
ÇÖZÜM
1. Ad›m: Hipotezlerin ifade edilmesi
Bu örnekte günde 2 ve daha fazla gazl› içecek tüketen ö¤renci oran›n›n 0.40 ve
daha fazla oldu¤u hipotezi test edilecektir. Araflt›rma hipotezi bu oran›n 0.40 ‘dan
az oldu¤u fleklindedir. Buna göre hipotezler
H0 : ∏ = 0.40
H1 : ∏ < 0.40
=
Π0 1 – Π0 0.40 0.60 0.24 = 0.045
σp = =
n 120 120
ve test istatisti¤i:
H0 Kabul Bölgesi
H0 Red Bölgesi
l - α = 0.95
α = 0.05
P
A p = 0.35 ∏ = 0.40
0
D Ü fi Ü N E L ‹ M 2. Tek anakütle
D Ü fi Ü N Eortalamas›na
L‹M iliflkin bir testte, ne zaman test istatisti¤i kullan›l›r?
D‹KKAT D‹KKAT
2. 0.02 anlam düzeyinde s›nanan bir hipotez için, do¤ru 7 ve 8. sorular afla¤›daki bilgilere göre cevap-
olan s›f›r hipotezini reddederek hatal› karar verme olas›- land›r›lacakt›r.
l›¤› kaçt›r? Bir iflletmede, üretilen ampullerin 450 saat olan dayanma
a. 0.01 süresini art›rmak için, yeni bir hammaddenin kullan›m›
düflünülmektedir. Bu hammadde kullan›larak 1 000 ürün
b. 0.02
üretilmifl ve ortalama dayanma süresi 462 saat olarak he-
c. 0.05
saplanm›flt›r. Hammaddenin olumlu sonuç verip vermedi-
d. 0.98
¤i %95 güvenle s›nanacakt›r.
e. 0.99
7. Bu s›namada örnekleme da¤›l›m›n›n red bölgesi afla¤›-
3. Bir hipotez s›namas›nda red bölgesinin yönünü afla¤›- dakilerden hangisidir?
dakilerden hangisi belirler? a. Sa¤ uçta, %2.5 lik alan
a. H0 b. Sol uçta %2.5 lik alan
b. H1 c. Sa¤ uçta, %5 lik alan
c. H0 ve H1 d. Sol uçta %5 lik alan
d. α hatas› e. Sa¤ uçta. %10 luk alan
e. β hatas›
8. Bu s›namadaki alternatif hipotez nedir?
a. µ ≠ 450
4. Bir iflyerinde, her birinde 50’fler iflçiden oluflan iki grup,
b. µ > 462
verimlilik bak›m›ndan karfl›laflt›r›lacakt›r. Tek yönlü bir hi-
c. µ = 450
potez s›namas› yap›ld›¤›nda, 0.05 olas›l›k düzeyinde tablo- d. µ ≠ 462
dan okunacak kritik de¤er afla¤›dakilerden hangisidir? e. µ > 450
a. t = 2.750
b. t = 2.042 9. Boylar› 170 cm’den uzun olan erkeklerin a¤›rl›k orta-
c. z = 1.960 lamas›n›n 72 kg olup olmad›¤› s›nanmak istenmektedir.
d. z = 1.645 Bu s›namadaki s›f›r hipotezi nedir?
e. z = 1.276 a. µ ≠ 170
b. µ ≠ 72
5. Çift yönlü bir hipotez s›namas›nda t de¤eri 2.861 ise, c. µ > 170
d. µ = 72
örnek büyüklü¤ü ve anlam düzeyi afla¤›dakilerin hangi-
e. µ = 170
sinde birlikte verilmifltir?
a. 19 - 0.01
10. Ana kütle ortalamas›n›n 200 olup olmad›¤›n›n %99
b. 19 - 0.02 güvenle test edilmesi için seçilen 15 birimlik rassal örnek-
c. 20 - 0.01 lemin ortalamas› 160, standart sapmas› 60 t›r. Örnek orta-
d. 20 - 0.02 lamas›na karfl› gelen test istatisti¤inin de¤eri kaçt›r?
e. 21 - 0.05 a. –1
b. –1.5
c. –2
d. –2.5
e. –3
236 ‹statistik
Ki-Kare Testi 10
Çal›flma Biçimine ‹liflkin Olarak
• Üniteyi anlayabilmeniz için, örnekleme ve hipotez testleri üniteleri, yeterince
özümsenmifl olmal›,
• Örnekler dikkatlice incelenmeli, sorunlarla karfl›lafl›l›rsa ilgili ünitelere
dönülmelidir.
238 ‹statistik
N Say›sal
Amaçlar
N edebileceksiniz.
olmayan de¤iflkenler aras›ndaki iliflkinin varl›¤›n› test edebileceksiniz.
Farkl› örneklemlerin ayn› ana kütleden seçilip seçilmedi¤ini test
N nbelirleyebileceksiniz.
hacimli bir örneklemin, ilgili ana kütleyi, iyi temsil edip edemedi¤ini
‹çerik Haritas›
• G‹R‹fi
• K‹-KARE BA⁄IMSIZLIK TEST‹
• K‹-KARE HOMOJENL‹K TEST‹
• K‹-KARE UYGUNLUK (‹Y‹ UYUM) TEST‹
• KONTENJANS KATSAYISI
Ünite 10 - Ki-Kare Testi 239
G‹R‹fi
Daha önce de belirtildi¤i gibi, istatistikte de¤iflkenler, say›sal (nicel) de¤iflkenler
ve say›sal olmayan (nitel) de¤iflkenler olmak üzere iki grupta s›n›fland›r›lmaktad›r.
Günümüzde yap›lan bir çok araflt›rmada say›sal olmayan de¤iflkenlerin dikkate
al›nd›¤› gözlemlenmektedir. Örne¤in, insanlar›n medeni durumlar›yla seçtikleri
meslek gruplar› aras›ndaki bir iliflki incelenmek istendi¤inde, medeni durumun ve
meslek grubunun rakamlarla ifade edilmesi olas› de¤ildir. Medeni durum “evli”,
“bekar”, “boflanm›fl” ve “dul” fleklinde gösterilirken meslek gruplar› da “serbest
meslek”, “devlet memurlu¤u”, “iflçi”, vb. fleklinde grupland›r›labilir.
‹flte say›sal olmayan de¤iflkenler aras›nda herhangi bir iliflkinin varolmad›¤›n›
ileri sürerek (H0 hipotezi), bu hipotezin red edilip edilemeyece¤inin incelenme-
sinde uygulanan test Ki-Kare testi’dir.
Bir örneklemin gözlemlenmesi sonucunda elde edilen frekans da¤›l›m›n›n bi-
nom, Poisson, normal vb. gibi genellenmifl bir da¤›l›ma uygun olup olmad›¤›na
karar verebilmek için kullan›lan test yine Ki-kare testi olacakt›r. Di¤er yandan iki
ya da daha fazla örneklemin ayn› ana kütleden seçilip seçilmedikleri konusunda
karar verilirken de ki-kare testinden yararlan›l›r.
1900 y›llar›nda Karl Pearson taraf›ndan bulunan ve ismi de onun taraf›ndan ve-
rilen bu istatististiksel testin uygulanmas›nda önce, ki-kare’nin ve serbestlik dere-
cesinin nas›l hesaplanaca¤›n›n bilinmesi gerekir. Bunlar ba¤›ms›zl›k, homojenlik
ve uygunluk testleri için ünite bölümlerinde ayr› ayr› gösterilecektir.
N
K‹-KARE BA⁄IMSIZLIK TEST‹
Bir seçim sonras›, bir il merkezindeki yerel bas›n, seçime kat›lan partilerin ald›k- ‹ki ya da daha çok s›n›fl›
nitel de¤iflkenler aras›ndaki
lar› oylarla, seçmenlerin e¤itim düzeyleri aras›nda, göz ard› edilemeyecek, bir ilifl- ba¤›ms›zl›k, ki-kare
kinin varl›¤›n› ileri sürmektedir. Oy da¤›l›m›na iliflkin farkl› görüfl tafl›yan A parti- ba¤›ms›zl›k testiyle
araflt›r›l›r.
si yöneticileri, yerel bas›n›n bu konuda ne kadar hakl› oldu¤unu belirlemek ama-
c›yla bir araflt›rman›n yapt›r›lmas›n› kararlaflt›rm›flt›r. Araflt›rma, yeterli görülen bir
örneklem üzerinden gerçeklefltirilecektir.
Bu ve benzeri problemlerin çözümlenmesinde uygun bir istatistiksel teknik de,
afla¤›da yeterli ayr›nt›yla ele al›nacak olan ki-kare testidir.
‹ki ya da daha fazla s›n›fl› iki nitel de¤iflken aras›nda ba¤›ms›zl›k olup olmad›-
¤›n› incelemek için, ki-kare ba¤›ms›zl›k testine baflvurmak gerekir. Bu test yap›l›r-
ken, Kontenjans tablosundan yararlan›lmaktad›r. Bu tablo, incelenen iki de¤iflke-
nin fl›klar›na düflen gözlenen frekanslar›n yaz›ld›¤›, yatay (sat›rlar) ve düfley (sü-
tunlar) bantlardan oluflan, çift yönlü tablodur. Ki-kare ba¤›ms›zl›k ve homojenlik
testlerini yapabilmek üzere haz›rlanacak kontenjans tablosunun yap›s› Tablo
10.1’de gösterilmifltir.
240 ‹statistik
Tercih edilen TV program türüne iliflkin ö¤renim düzeyinin etkili olup olmad›¤›n› α=0.01
anlaml›l›k düzeyinde araflt›r›n›z.
Tabloda yer alan say›lar “gözlenen frekanslard›r”. Tercih edilen TV program› türü
ÇÖZÜM
üzerinde ö¤renim düzeyinin etkisi olup olmad›¤›n› test edebilmek için (ba¤›ms›z-
l›k testini yapabilmek için), izlenmesi gereken ad›mlar› s›ras›yla yerine getirelim:
1. Ad›m : Hipotezlerin ifade edilmesi
S›f›r hipotezi (H0): Bayan TV izleyicilerinin ö¤renim düzeyiyle TV progra-
m›, birbirinden ba¤›ms›z de¤iflkenlerdir. Bu iki de¤iflken aras›nda bir iliflki
(ba¤›nt›) yoktur.
Karfl›t Hipotez (H1): Ö¤renim düzeyiyle TV program› aras›nda bir iliflki (ba-
¤›nt›) vard›r.
Ünite 10 - Ki-Kare Testi 241
Test istatisti¤i:
χ2 = (50–36)2/(36) + (20–24)2/(24) + (10–20)2/(20) + (20–27)2/(27) +
(30-18)2/(18) + (10–15)2/(15) + (20–27)2/(27) + (10–18)2/(18) +
(30–15)2/(15) = 42.93
N
K‹-KARE HOMOJENL‹K TEST‹
D‹KKAT D‹KKAT
Farkl› örneklemlerin ayn› ana kütleden seçilip seçilmedi¤ini test
AMAÇ
2 edebileceksiniz.
N N
SIRA S‹ZDE SIRA S‹ZDE
Farkl› örneklemlerin ayn› Ki-kare homojenlik testi ana çizgileriyle, iki ya da daha fazla ba¤›ms›z örneklemin,
ana kütleden seçilip
seçilmedi¤i, ki-kare
ayn› anakütleden seçilip seçilmedi¤inin araflt›r›lmas›nda kullan›l›r. Testin uygula-
AMAÇLARIMIZ AMAÇLARIMIZ
homojenlik testiyle mas›, ki-kare ba¤›ms›zl›k testinde oldu¤u gibidir. Yine nitel de¤iflkenlerle ve ayn›
araflt›r›l›r. örneklem istatisti¤iyle çal›fl›l›r. Ancak, dikkat edilmelidir ki, ba¤›ms›zl›k testinde ele
K ‹ T A P
al›nan de¤iflkenler aras›nda bir iliflkinin varl›¤› araflt›r›l›rken, homojenlik testinde
K ‹ T A P
ba¤›ms›z örneklemlerin ayn› ana kütleden seçilip seçilmedi¤i araflt›r›lmaktad›r.
ÖRNEK 2 Bölgesel sat›fl yapan bir üretim iflletmesi, 2 yeni ürün gelifltirerek piyasa-
TELEV‹ZYON TELEV‹ZYON
ya sürmüfltür. Tüketicilerin bu ürünlerle ilgili görüfllerini (be¤endikleri,
be¤enmedikleri ya da ilgisiz kald›klar›) belirlemek amac›yla, birinci ve
ikinci ürünlerle ilgili olarak iki rassal örneklem oluflturulmufltur. ‹lk
ürünle ilgili birinci örneklemde 100 tüketiciyle, ikinci ürünle ilgili ikinci
örneklemde de 150 tüketiciyle görüflülmüfltür. Veriler afla¤›daki tabloda
belirtilmifltir. Seçilen örneklemlerin, ayn› anakütleye ait olup olmad›¤›n›,
%5 anlaml›l›k düzeyinde test ediniz.
Tüketici görüflleri; fiyat, kalite, kolay ulaflabilme vb. gibi objektif ölçütler-
le ve piyasadaki benzer ürünlerle mukayese sonucu oluflmufltur.
Ünite 10 - Ki-Kare Testi 243
GÖZLENEN FREKANSLAR
Ürünler Tüketici Görüflleri Toplam
I. Ürün 60 30 10 100
II. Ürün 80 50 20 150
Toplam 140 80 30 250
ÇÖZÜM
1. Ad›m: Hipotezlerin oluflturulmas›
S›f›r Hipotezi (H0): ‹ki örneklem de ayn› anakütleden seçilmifltir.
Karfl›t Hipotez (H1): Örneklemler farkl› anakütlelerden seçilmifltir.
Tüketici Görüflleri
Ürünler Be¤enen Be¤enmeyen ‹lgisiz Toplam
G B G B G B
I. Ürün 60 56 30 32 10 21 100
II. Ürün 80 84 50 48 20 18 150
Toplam 140 80 30 250
Test istatisti¤i:
χ2 = (60–56)2/(56) + (30–32)2/(32) + (10–12)2/(12) + (80–84)2/(84) +
(50-48)2/(48) + (20–18)2/(18) = 1.04
olarak elde edilir.
N
K‹-KARE UYGUNLUK (‹Y‹ UYUM) TEST‹
D‹KKAT n hacimli
D ‹ K K A Tbir örneklemin, ilgili ana kütleyi, iyi temsil edip edeme-
AMAÇ
di¤ini belirleyebileceksiniz.
3
N N
SIRA S‹ZDE SIRA S‹ZDE
n birimlik örneklemin Ki-kare uygunluk testinin esas›n›, n hacimli (birimlik) bir örneklemin anakütleyi
çekildi¤i, anakütleyi, iyi
temsil edip edemeyece¤i,
iyi temsil edip edemeyece¤ini araflt›rmak oluflturur. Bu testte, yine χ2 de¤iflkeni-
AMAÇLARIMIZ
ki-kare uygunluk testi ile nin do¤as› AMAÇLARIMIZ
gere¤i, gözlenen ve beklenen frekanslardan yararlan›l›r. Testin nas›l
araflt›r›l›r. yap›laca¤›, özellikle beklenen frekanslar›n nas›l hesaplanaca¤›, afla¤›daki örnek
yard›m›yla aç›klanmaya çal›fl›lm›flt›r.
K ‹ T A P K ‹ T A P
ÖRNEK 3 Belirli bir bölgede, Z marka margarin kullanan aile oran›, 3/8 olarak ön-
görülmektedir. Her anketör, rassal olarak seçilen 5 aileyle görüflmek üze-
TELEV‹ZYON re, 200 anketör
T E L E V ‹ Zkullan›larak
YON ilgili bölgede bir anket düzenlenmifl ve anket
sonuçlar› afla¤›daki frekans da¤›l›m›yla verilmifltir:
x 5-x
Cx5 3 5 , x = 0, 1, 2, 3, 4, 5
8 8
P(x) =
0 , di¤er durumlarda
x 5-x
Cx5 3 5 , x = 0, 1, 2, 3, 4, 5
8 8
P(x) =
0 , di¤er durumlarda
Olas›l›klar
X f P(x)
0 18 0.0954
1 57 0.2861
2 69 0.3433
3 42 0.2060
4 11 0.0618
5 3 0.0074
∑f = 200 1.0000
2
χ2 = ∑ (G –B B)
eflitli¤i uyar›nca,
2 2 2 2
χ 2 = (18 – 19.08) + (57 – 57.22) + (69 – 68.66) + (42 – 41.20)
19.08 57.22 68.66 41.20
2 2
+ (11 – 12.36) + (3 – 1.48)
12.36 1.48
χ 2 = 0.0611 + 0.0008 + 0.0017 + 0.0015 + 0.1496 + 1.5611 = 1.7758
χ2 = 1.7758
χ2k = 7.81
χ2 < χ2k
N
KONTENJANS KATSAYISI
D‹KKAT D ‹ K K Aolmayan
Say›sal T iki de¤iflken aras›ndaki iliflkinin derecesini
AMAÇ
4 belirleyebileceksiniz.
N N
SIRA S‹ZDE SIRA S‹ZDE
Ki-kare ba¤›ms›zl›k testiyle, iki de¤iflken aras›ndaki iliflkinin varl›¤›yla ilgili karar
verebiliyordu. Oysa ki baz› hallerde, iki de¤iflken aras›ndaki iliflkinin kuvveti hak-
Say›sal olmayan iki de¤iflken
AMAÇLARIMIZ k›nda da bilgi sahibi olmak istenebilir. ‹flte kontenjans katsay›s› r x c kontenjans
AMAÇLARIMIZ
aras›ndaki iliflkinin
derecesi, kontenjans
tablolar›ndan (r > 2 ve c > 2) hesaplanan χ2 de¤erinin gösterdi¤i iliflki düzeyini
katsay›s›yla belirlenir. saptamak amac›yla kullan›lan bir katsay›d›r. ‹ki de¤iflken aras›nda bir iliflki bulun-
K ‹ T A P muyorsa c =K 0‹ de¤eri
T A P verir. Buna karfl›l›k iki de¤iflken aras›nda en üst düzeydeki
iliflki katsay›s› her zaman 1 ç›kmaz, 1’e çok yak›n bir de¤er olur. c ile gösterilen
kontenjans katsay›s›n›n formülü,
TELEV‹ZYON TELEV‹ZYON
χ2
c=
χ2 + n
fleklindedir.
Ünite 10 - Ki-Kare Testi 247
χ2 = 42.93
ÇÖZÜM
ve n = 200
oldu¤una göre,
c= 42.93
42.93 + 200
c = 0.42
elde edilir. Bu durumda, orta düzeyde bir iliflkinin oldu¤u konusunda karar
verilebilir.
3. Gözlem say›s› 150 olan bir araflt›rmada χ2 test istatisti¤i 52.17 oldu¤una göre, kon-
tenjans katsay›s›n›n de¤eri ne olacakt›r? Hesaplay›n›z. S O R U S O R U
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
TELEV‹ZYON TELEV‹ZYON
248 ‹statistik
T emel ilgi alan› genetiktir. 1892’de “The Grammar of Science” adl› kitab›
yay›nland›.‹zleyen y›llarda kal›t›m ve evrim süreçlerine iliflkin çal›flmalar› s›ras›nda istatis-
tikle ilgilendi. Regresyon ve korelasyon konular›ndaki önemli katk›lar›n›n yan› s›ra, kuram-
da kendi ad›yla an›lan ve gözlem de¤erlerinin olas›l›k da¤›l›mlar›na iliflkin Pearson e¤ri
sistemini ve 1912 y›l›nda da Ki-kare testini gelifltirdi.
251
Basit Do¤rusal
Regresyon 11
Çal›flma Biçimine ‹liflkin Olarak:
• Kavramlar ve bu kavramlar aras›ndaki iliflkiler dikkatle incelenmeli,
• Örnekler ve örnek çözümleri dikkatle incelenmeli, sorunlarla karfl›lafl›l›rsa il-
gili ünitelere geri dönülmelidir.
252 ‹statistik
N Serpilme
Amaçlar:
diyagram› yard›m›yla, de¤iflkenler aras›ndaki iliflkinin, ne tür bir
N Basit
fonksiyonla ifade edilebilece¤ini araflt›rabileceksiniz.
do¤rusal regresyon modelinde yer alan katsay›lar›, en küçük kareler
N Basit
tekni¤ine göre hesaplayabileceksiniz.
do¤rusal regresyon modeliyle elde edilen kestirimlerin standart hatas›-
N Basit
n› hesaplayabileceksiniz.
do¤rusal regresyonda, parametrelerin nokta kestiriminden sonra genel-
N Basit
leme yapabilmek için, parametrelere iliflkin aral›k kestirimi yapabileceksiniz.
do¤rusal regresyon denkleminde elde edilen parametre kestirimlerinin,
istatistiksel olarak anlaml›l›¤›n› test edebileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• SERP‹LME D‹YAGRAMI
• BAS‹T DO⁄RUSAL REGRESYON
• Basit Do¤rusal Regresyon Modeli
• Basit Do¤rusal Regre¤syon Denkleminin Kestirimi
• Katsay›lar›n En Küçük Kareler (EKK) Kestirimleri
• VARYANSIN ( σ2) KEST‹R‹M‹
• BAS‹T DO⁄RUSAL REGRESYONDA ARALIK KEST‹R‹M‹
• REGRESYON KATSAYILARININ ANLAMLILIK TESTLER‹
Ünite 11 - Basit Do¤rusal Regresyon 253
G‹R‹fi
Regresyon (ba¤lan›m); sözlük anlam›yla, bir fleyi baflka bir fleye ba¤lama ifli ve bi-
çimidir. Bilimsel olarak regresyon terimi bir de¤iflkenle baflka bir (ya da birden
çok) de¤iflken aras›nda iliflki kurma iflini ve iliflkinin biçimini anlat›r.
‹statistiksel anlamda, iki de¤iflken aras›ndaki iliflki, bunlar›n de¤erlerinin karfl›-
l›kl› de¤iflmeleri aras›nda bir ba¤l›l›k fleklinde anlafl›l›r. (X) de¤iflkeninin de¤erle-
ri de¤iflirken, buna ba¤l› olarak (Y) de¤iflkeninin de¤erleri de de¤ifliyorsa, bu iki
de¤iflken aras›nda bir iliflki oldu¤u söylenebilir. Örne¤in, pancar üretimi artt›¤›n-
da fiyat› düflüyorsa ya da azald›¤›nda fiyat› yükseliyorsa, insanlar›n boy uzunlu-
¤uyla birlikte a¤›rl›¤› da art›yorsa bunlar, de¤iflkenler aras›nda iliflki oldu¤unu
gösterir. Asl›nda de¤iflkenler aras›ndaki bu iliflki neden-sonuç iliflkisidir. ‹flte de-
¤iflkenler aras›ndaki neden sonuç iliflkisinin matematiksel bir fonksiyonla ifade
edilmesi regresyon analizinin konusunu oluflturmaktad›r. Regresyon, bir ba¤›ml› Regresyon, de¤iflkenler
aras›ndaki ortalama
(aç›klanan) de¤iflken, di¤eri de ba¤›ms›z (aç›klay›c›) de¤iflken olarak en az iki de- iliflkinin matematiksel bir
¤iflken aras›ndaki ortalama iliflkinin matematik bir fonksiyon fleklinde ifade edil- fonksiyonla ifade
edilmesidir.
mesidir. Bu fonksiyona regresyon denklemi ad› verilmektedir. Bu ünitede ilk ola-
rak, regresyon çözümlemesinde kullan›lan serpilme diyagram› hat›rlat›lacak, daha
sonraysa basit do¤rusal regresyon modeli ele al›nacak, son olarak da basit do¤ru-
sal regresyon modeline iliflkin katsay›lar›n, en küçük kareler yöntemiyle, kestirim-
lerinin elde edilmesi ele al›nacakt›r.
SERP‹LME D‹YAGRAMI
NAMAÇ
Serpilme diyagram› yard›m›yla, de¤iflkenler aras›ndaki iliflkinin,
1 ne tür bir fonksiyonla ifade edilebilece¤ini araflt›rabileceksiniz.
Y Y
X X
fiekil 9.1 Serpilme Do¤rusal ‹liflki Durumu E¤risel ‹liflki Durumu
Diyagram›.
ÖRNEK 1 Eskiflehir ilinde sat›fl yapan bir ma¤aza ürünlerini, yerel radyodaki rek-
lamlarla tan›tmaktad›r. Firman›n 6 hafta süresince belirli bir ürün için
harcad›¤› reklam tutar› ve sat›lan ürün say›s› afla¤›daki tabloyla veril-
mifltir. Serpilme diyagram›n› çizelim.
Y
10 Kartezyen koordinat sis-
9 teminde X ve Y ’ye ait ve-
8 rileri iflaretledi¤imizde, iki
7 de¤iflken aras›ndaki iliflki-
6
nin do¤rusal oldu¤unu
5
4 görebiliriz.
3
2
1
fiekil 9.2 Reklam
Harcamalar›na X
‹liflkin Serpilme 0
10 20 30 40 50
Diyagram›.
Ünite 11 - Basit Do¤rusal Regresyon 255
2. Serpilme diyagram›, iki de¤iflken aras›nda iliflki olup olmad›¤› ve fonksiyonel flekli
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
d›fl›nda, baflka ne hakk›nda bilgi verir?
S O h›z›,
3. Bir A ülkesinde, 1995-2000 y›llar› aras›ndaki erkek nüfus art›fl R U y›llara göre S O R U
afla¤›daki tabloda verilmifltir. Serpilme diyagram›n› çiziniz.
D‹KKAT D‹KKAT
YILLAR Erkek Nüfus Art›fl H›z› (%)
N N
1995 18.50 SIRA S‹ZDE SIRA S‹ZDE
1996 19.00
1997 20.00
1998 20.40 AMAÇLARIMIZ AMAÇLARIMIZ
1999 21.60
2000 22.90
K ‹ T A P K ‹ T A P
N
BAS‹T DO⁄RUSAL REGRESYON
Yi = β0 + β1 Xi + εi i = 1, 2, ...., N
Yi = b0 + b1 Xi + ei
fleklinde yaz›l›r.
β0 , do¤rusal modelin sabit terimidir ve X = 0 oldu¤unda regresyon do¤rusu-
nun dikey eksen Y ‘yi kesti¤i noktay› göstermektedir. β1 ise do¤rusal modelin
256 ‹statistik
Yi = β0 + β1 Xi + εi
∑ ei = ∑
n n
Yi – Yi = 0
i=1 i=1
∑ e2i = ∑
n n 2
Yi – Y = min.
i=1 i=1
∑ Yi – Yi = ∑ Yi – b0 – b1 Xi 2
n 2 n
i=1 i=1
∑ Yi – b0 – b1 Xi = 0
∂e = –2
∂b0
∑ i i 0 1 i
∂e = –2 X Y – b – b X = 0
∂b1
∑ Yi = b0n + b1 ∑ Xi
∑ Xi Yi = b0∑ Xi + b1 ∑ X2i
denklemleri elde edilir. Bu denklemler “normal denklemler” olarak isimlen-
dirilir. Do¤ru denklemleri ve katsay›lar›n›n en küçük kareler kofluluna uygun
olarak hesaplanmas›, bu iki denklemin çözümüyle gerçekleflebilir. Normal denk-
lemlerdeki di¤er de¤erler n, ∑Xi , ∑Yi , ∑Xi2 ve ∑Xi Yi d›r ve denklemlerdeki
Xi ve Yi de¤erleri “s›f›r orijinine” göre ifade edilmifllerdir. Bu de¤erleri seri k›y-
metlerine dayanarak hesaplad›ktan sonra, basit do¤rusal regresyon modelindeki
β0 ve β1 ’in kestirimleri olan b0 ve b1 ’i normal denklemlere dayanarak kolayl›k-
la çözmek mümkündür. b0 ve b1 gibi iki bilinmeyenli iki denklem sisteminde bu
katsay›lar hesapland›¤›nda Y ’nin X ’e göre do¤rusal regresyon denklemi Y=bo+b1X Basit do¤rusal
regresyonda, do¤ru
denkleminin
Y = b0 + b 1X parametreleri (bo,b1) en
küçük kareler (EKK) tekni¤i
ile hesaplan›r.
fleklinde ifade edilecektir.
Örnek 1’de verdi¤imiz probleme tekrar dönelim. Eskiflehir ilinde sat›fl ÖRNEK 2
yapan bir ma¤aza ürünlerini, yerel radyodaki reklamla tan›tmaktad›r.
Firman›n 5 hafta süresince, belirli bir ürün için harcad›¤› reklam tutar›
ve sat›lan ürün say›s› tabloda verilmifltir. Sat›fl miktar›n›n, reklam har-
camalar›na göre, basit do¤rusal regresyon denkleminin kestirimini, en
küçük kareler tekni¤iyle elde ediniz.
ÇÖZÜM
b1 katsay›lar›n› normal denklemler yard›m›yla hesaplayal›m. Normal denklemler:
∑ Y = b0n + b1 ∑ X
∑ XY = b0∑ X + b1 ∑ X2
’dir. Bu durumda, ∑X, ∑Y, ∑X2 ve ∑X Y de¤erlerinin hesaplanmas› gerekir.
X Y XY X2
10 3 30 100
20 4 80 400
30 6 180 900
40 7 280 1600
∑X ∑Y ∑ XY=1070 ∑ X2=5500
50 10 500 2500
=150 =30
30 = 5b0 + 150b1
1070 = 150b0 + 5500b1
b0 = 0.9 ; b1 = 0.17
Y = 0.9 + 0.17X
∑ yi = b0n + b1 ∑ xi
∑ xi yi = b0 ∑ xi + b1 ∑ x2i
denklemleri elde edilir. Tan›m gere¤ince xi = X – X ve yi = Y – Y oldu-
¤undan aritmetik ortalaman›n temel özelliklerinden birincisine göre (aritmetik or-
talamadan cebirsel sapmalar›n toplam› s›f›rd›r.) Σxi = 0 ve Σyi = 0 ’d›r. Böylece
son iki eflitlikten
b0 = 0
ya da
b1 = ∑
Regresyon do¤ru
xiyi
denklemleri, s›f›r ya da
∑ x2i
ortalamalar orijinine göre
hesaplanabilir.
Ünite 11 - Basit Do¤rusal Regresyon 259
elde edilir. b0’in 0’a eflit olmas›, ortalamalar orijinine göre, regresyon do¤rusu-
nun, de¤iflkenlerin ortalamalar›yla tan›mlanan bir noktadan geçti¤ini ortaya koy-
maktad›r. Bu durumda regresyon denklemi
fleklinde yaz›labilir.
Bir regresyon do¤rusu ister s›f›r orijinine, ister ortalamalar orijinine göre yaz›l-
s›n, e¤imi de¤iflmez. Bu nedenle her iki orijine göre hesaplanan b1 katsay›s› ay-
n›d›r. Buna karfl›l›k b0 ise
eflitli¤inden hareketle elde edilir. Eflitli¤in her iki taraf› n ile bölündü¤ünde
∑ Yi = nb0 +
b1∑ Xi
n n n
Y = b0 + b1X
ve
b0 = Y – b 1 X
sonucuna ulafl›l›r. ve bu flekilde elde edildi¤ine göre, veriler için en iyi do¤-
ru denklemi;
Y = b0 + b 1 X
fleklinde yaz›labilir.
Örnek 2’deki veriler için, Y’nin X’e göre regresyon denklemini, ortalama- ÖRNEK 3
lar orijinine göre, en küçük kareler tekni¤iyle elde edelim.
Basit do¤rusal regresyon denklemini ortalamalar orijinine göre yazabilmek için, ilk
ÇÖZÜM
X = ∑ i = 150 = 30 Y = ∑ i = 30 = 6
X Y
n 5 n 5
xi yi xiyi xi2
-20 -3 60 400
-10 -2 20 100
0 0 0 0
10 1 10 100
20 4 80 400
0 0 170 1000
b0 = 0
260 ‹statistik
Y = 0,17X
fleklinde yaz›l›r.
Yukar›daki aç›klamalarda Y de¤iflkeni ba¤›ml› de¤iflken, X de¤iflkeniyse ba-
¤›ms›z de¤iflken kabul edilmiflti. X de¤iflkeni ba¤›ml› Y de¤iflkeni ba¤›ms›z de¤ifl-
ken oldu¤undaysa do¤ru denklemi;
X = b0 + b 1Y
b1 = ∑
xiyi
∑ y2i
ya da
bxy = ∑
xiyi
∑ y2i
ve
b0 = X – b 1 Y
ÖRNEK 4 Örnek 1’de verdi¤imiz reklam harcamas› ve sat›lan ürün say›s› problemi
için bu kez
i) X’in Y ’ye ve ortalamalar orijinine göre, regresyon denklemini,
ii) X’in Y’ye ve s›f›r orijinine göre, regresyon denklemini hesaplayal›m.
ÇÖZÜM
X = 5.66 Y
ii) X’in Y’ye göre ve s›f›r orijinine göre, regresyon denklemini yazabilmemiz için
b0 ’› hesaplamam›z gerekir.
X = b 0 + b 1Y
b 0 = X – b 1Y
b 0 = 30 – 5.66(6)
b 0 = –3.96
ve regresyon denklemi
X = –3.96 + 5.66 Y
2. Ba¤›ml› de¤iflkenin sahip oldu¤u de¤erle, bu ba¤›ml› de¤iflken için, do¤rusal regres-
S O R U S O R U
yon denkleminden elde edilen tahmin de¤eri aras›ndaki farka ne ad verilir?
N N
resyon denklemi ne olacakt›r? SIRA S‹ZDE SIRA S‹ZDE
X Y
3 2
AMAÇLARIMIZ AMAÇLARIMIZ
5 4
7 6
9 5
K ‹ T A P K ‹ T A P
N
TELEV‹ZYON TELEV‹ZYON
Basit do¤rusal regresyon modeliyle elde edilen kestirimlerin stan-
AMAÇ
dart hatas›n› hesaplayabileceksiniz.
3
Basit do¤rusal regresyon modelinde, β0 ve β1 ’in kestirimlerine ek olarak, aral›k
kestirimlerinde ve hipotez testlerinde gerekli olan σ2’in kestirimine de gereksinim
vard›r.
σ2, εi hata terimlerinin ortak varyans›d›r. εi’in kestirimi ei hata terimi oldu¤un-
dan ei’lerin varyans› da σ2’in bir kestirimi olacakt›r. Hatalar›n kareler toplam›,
HKT = ∑ e2i
2
= ∑ Yi – Yi
HKO = HKT
n–k
hata kareler ortalamas›, (bir baflka ifadeyle hatalar›n varyans›) σ2’in bir kestirimi-
dir. Basit do¤rusal regresyon modeliyle hatalar›n hesaplanmas›nda, β0 ve β1 ’in
kestiricileri b0 ve b1 kullan›ld›¤›ndan, serbestlik derecesi (n-2) olarak yaz›l›r.
HKO ’un kare kökü al›nd›¤›ndaysa denklemin standart hatas› elde edilir ve σ
ile gösterilir.
σ = HKO
∑
2
Yi – Yi
=
n–2
Y– Y
’leri hesaplayal›m.
Y = 0,9 + 0,17X
2
Y Y– Y Y– Y
2.6 0.4 0.16
4.3 -0.3 0.09
6 0 0
7.7 -0.7 0.49
9.4 0.6 0.36
1.1
buradan,
S O R U S O R U
N
BAS‹T DO⁄RUSAL REGRESYONDA ARALIK KEST‹R‹M‹
D‹KKAT D ‹ Kdo¤rusal
Basit KAT regresyonda, parametrelerin nokta kestiriminden
AMAÇ sonra genelleme yapabilmek için, parametrelere iliflkin aral›k kes-
4
N N
SIRA S‹ZDE tirimi
SIRA yapabileceksiniz.
S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
Ünite 11 - Basit Do¤rusal Regresyon 263
2
1 + X
∑
n 2
sb 0 = σ
Xi – X
σ
∑
2
sb 1 =
Xi – X
fleklinde hesaplan›r.
Örnek 2’de örnek 1’in verilerini kullanarak b1 = 0.17 olarak hesaplanm›fl- ÖRNEK 6
t›r. Bu sonuca göre, β1 katsay›s›n›n %95 güven aral›¤›n› hesaplayal›m.
ÇÖZÜM
b1 = 0,17
ve ν=3 serbestlik derecesinde t tablo de¤eri 3.182’dir. Buna göre β1 için %95
güven aral›¤›
0.17 ± (3.182)(0.019)
P(0.109 < β1 < 0.23) = 0.95
olarak hesaplan›r.
Regresyon katsay›s› β1 ’in 0.95 olas›l›kla alabilece¤i de¤erler 0.109 ile 0.23
olacakt›r.
D‹KKAT D‹KKAT
AMAÇLARIMIZ AMAÇLARIMIZ
264 ‹statistik
N
REGRESYON KATSAYILARININ ANLAMLILIK TESTLER‹
Basit do¤rusal regresyon Basit do¤rusal regresyon analizinde, bir ba¤›ml› bir ba¤›ms›z de¤iflken olmas› ne-
modelinde regresyon
katsay›s›na iliflkin test,
deniyle, test edilecek parametreler β0 ve β1 olacakt›r. Daha önce aç›kland›¤› gibi,
regresyon do¤rusunun β0 ’›n kestirimi b0 regresyon sabitidir ve b1 ise β1 ’in kestirimi olup regresyon kat-
anlaml›l›¤›n› da test eder. say›s›d›r.
Basit do¤rusal regresyon modelindeki regresyon katsay›s›na iliflkin yap›lan
test, regresyon do¤rusunun anlaml›l›¤›n› da test etmektedir. fiöyle ki:
H0 : β1 = 0
H1 : β1 ≠ 0
hipotezleri
th = b 1
sb 1
H 0 : β1 = 0
ÇÖZÜM
H1 : β1 ≠ 0
b
Hipotezlerini test edelim. th = 1 , örneklem küçük oldu¤u için benimsenen
sb 1
t, ν = n-2 = 5-2 = 3 serbestlik derecesiyle t da¤›l›r.
t = b 1 = 0.17 = 8.94
s b 1 0.019
AMAÇLARIMIZ AMAÇLARIMIZ
Ünite 11 - Basit Do¤rusal Regresyon 265
3-4 ve 5. sorular afla¤›daki bilgilere göre cevapland›- 8-9 ve 10. sorular afla¤›daki bilgilere göre cevaplan-
r›lacakt›r. d›r›lacakt›r.
x : 40, 20, 22, 14 Regresyon denklemi Y = 1.1 + 0.81X , s(b1) = 0.09 ve
y : 12, 15, 14, 18 bileflik serisi verilmifltir. n= 6 olarak verilmifltir.
3. Yukar›daki verilere göre, ∑ XY de¤eri kaçt›r? 8. Regresyon katsay›s›n›n 0.01 anlam düzeyinde test
a. 750 edilmesi istedi¤inde, test istatisti¤inin de¤eri afla¤›dakiler-
b. 825 den hangisidir?
c. 1250 a. t = 9
d. 1340 b. t = 3
e. 2340 c. t = 2.9
d. t = 1.9
4. Yukar›da verilen serinin basit do¤rusal regresyon denk- e. t = 0.9
lemini afla¤›dakilerden hangisidir?
a. Y = 50 + 8.2X 9. Yukar›daki verilere göre, hipotez testinde s›f›r hipote-
b. Y = 18.35 – 0.15X zinin red bölgesi afla¤›dakilerden hangisidir?
a. t > 3.747
c. Y = 18.35 + 0.15X
b. t > 4.604
d. Y = 50 – 8.2X
c. t > 2.776
e. Y = 0.15 + 18.35X d. t < 3.182
e. t < 2.132
5. Yukar›da verilen bileflik seri için ortalamalar orjinine
göre regresyon denklemi afla¤›dakilerden hangisidir? 10. Yukar›daki verilere göre, regresyon denklemi Y = 1.1
a. Y = 18.35x + 0.81X oldu¤unda, (b) regresyon katsay›s› afla¤›dakiler-
b. Y = 0.15x den hangisinde do¤ru olarak ifade edilmifltir?
c. Y = -0.15x a. X’deki bir birimlik artma (ya da azalma) Y’de 0.81
d. Y = -18.35x birimlik art›fla (ya da azalmaya) neden olur.
b. X’in de¤eri s›f›r oldu¤unda Y’nin de¤eri de s›f›r
e. Y = 8.2x
olur.
c. Y’de bir birimlik azalma X’de de bir birimlik azal-
maya neden olur.
d. Y’de 1.1 birimlik azalma X’de 2 birimlik art›fla ne-
den olur.
e. X’deki art›fl Y’yi etkilemez.
266 ‹statistik
Korelasyon 12
Çal›flma Biçimine ‹liflkin Olarak
• Kavramlar ve bu kavramlar aras›ndaki iliflkiler dikkatle incelenmeli,
• Örnekler ve örnek çözümleri dikkatle incelenmeli, sorunlarla karfl›lafl›l›rsa il-
gili ünitelere geri dönülmeli,
• Regresyon konusu yeterince özümsenmelidir.
268 ‹statistik
N ‹ki
Amaçlar
N dan aç›kland›¤›n›
de¤iflken aras›ndaki iliflkinin yönünü ve derecesini belirleyebileceksiniz.
Ba¤›ml› de¤iflkendeki de¤iflmenin yüzde kaç›n›n ba¤›ms›z de¤iflken taraf›n-
N Anakütlede
belirleyebileceksiniz.
korelasyon olup olmad›¤› yolundaki hipotezleri, belirli anlam
düzeyinde test edebileceksiniz.
‹çerik Haritas›
• G‹R‹fi
• KORELASYON KATSAYISI
• BEL‹RL‹L‹K KATSAYISI
• KORELASYON KATSAYISININ ANLAMLILIK TEST‹
Ünite 12 - Korelasyon 269
G‹R‹fi
Bir önceki ünitede iki de¤iflken aras›ndaki iliflkinin do¤rusal regresyon modeliyle
gösterimi üzerinde durulmufltu. Bu ünitedeyse iki de¤iflken aras›ndaki iliflkinin
yönü ve derecesinin belirlenmesi konusu “korelasyon analizi” ele al›nacakt›r.
Bu tip analizin arac› korelasyon katsay›s›d›r. Hemen belirtelim ki korelasyon ve
regresyon birbirleriyle yak›n iliflkileri olan konulard›r.
N
KORELASYON KATSAYISI
r=
∑ xi yi =
∑ Xi – X Y i – Y
∑ x2i ∑ y2i ∑ Xi – X
2
∑ Yi – Y
2
ile hesaplan›r.
270 ‹statistik
ÖRNEK 1 Ö¤rencilerin istatistik dersinde ara s›navdan ald›klar› notlarla dönem so-
nu s›nav›ndan ald›klar› notlar aras›nda bir iliflki oldu¤u düflünülmekte-
dir. Bu iliflkinin yönünü ve derecesini belirleyelim.
Ö¤rencilerin ara s›nav notlar›yla dönem sonu notlar› aras›ndaki iliflkinin derecesi-
ÇÖZÜM
X = ∑ Xi = 300 = 50 Y = ∑ Yi = 384 = 64
n 6 n 6
oldu¤undan,
xi = Xi – X yi = Yi – Y
dönüflümüyle,
olarak hesaplan›r.
Ö¤rencilerin, istatistik dersiyle ilgili, ara s›nav notlar›yla dönem sonu s›nav
notlar› aras›nda, pozitif yönde, kuvvetli olmayan bir iliflki söz konusudur.
Korelasyon katsay›s› r, Korelasyon katsay›s›, regresyon katsay›lar›ndan da yararlan›larak afla¤›daki
regresyon katsay›lar› eflitlikle hesaplanabilir.
yard›m›yla da hesaplanabilir
r=± b yx . b xy . r=± b yx . bxy
Ünite 12 - Korelasyon 271
formüldeki,
Örnek 1’de yer alan veriler için, korelasyon katsay›s›n›, regresyon katsa- ÖRNEK 2
y›lar›ndan yararlanarak hesaplayal›m.
ÇÖZÜM
katsay›lar›n› elde edelim :
b xy = ∑ yi xi = 641 = 0.239
∑ y2i 2682
olarak elde edilir (Her iki regresyon katsay›s›n›n da pozitif oldu¤una dikkat ediniz).
Alfa üretim iflletmesinin belirli bir döneme iliflkin üretim miktar›yla birim ÖRNEK 3
de¤iflken maliyetleri afla¤›daki gibidir:
ÇÖZÜM
verilmifltir:
X=3 Y=8
olarak elde edilir (her iki regresyon katsay›s›n›n da negatif oldu¤una dikkat ediniz).
Üretim hacmiyle birim de¤iflken maliyetler aras›nda, ters yönde, kuvvetli bir
iliflki vard›r.
N
BEL‹RL‹L‹K KATSAYISI
D‹KKAT D‹KKAT
Ba¤›ml› de¤iflkendeki de¤iflmenin yüzde kaç›n›n ba¤›ms›z de¤ifl-
AMAÇ
2 ken taraf›ndan aç›kland›¤›n› belirleyebileceksiniz.
N N
SIRA S‹ZDE SIRA S‹ZDE
Belirlilik katsay›s› r2 , Regresyon denkleminin verilere olan uyumunun sa¤lan›p sa¤lanmad›¤›n›n bir
ba¤›ml› de¤iflkendeki
de¤iflimin ne kadar›n›n
göstergesi de aç›klanabilen de¤iflimin toplam de¤iflime olan oran›d›r. Bu oran, be-
AMAÇLARIMIZ AMAÇLARIMIZ
ba¤›ms›z de¤iflkence lirlilik katsay›s› olarak isimlendirilir ve ba¤›ml› de¤iflkendeki de¤iflimin ne kadar›-
aç›kland›¤›n› ifade eder. n›n ba¤›ms›z de¤iflkence aç›klanabildi¤ini gösterir. Korelasyon katsay›s›n›n karesi-
K ‹ T A P ne eflit olan Kbelirlilik
‹ T A P katsay›s›n›n alabilece¤i en küçük ve en büyük de¤erler s›-
f›rla art› birdir.
0 ≤ r2 ≤ 1
TELEV‹ZYON TELEV‹ZYON
Ünite 12 - Korelasyon 273
Y Y
fiekil 12.1 r2 = 1
olmas› durumu.
fiekil 12.2 r2 = 0
olmas› durumu (hiç
X iliflki yok).
X
r2 = (0.439)2
r2 = 0.192
olarak elde edilir. Belirlilik katsay›s›n›n de¤eri s›f›ra yak›n ç›kmas› nedeniyle, dö-
nem sonu s›nav›nda al›nan notla, ara s›nav notlar›ndan çok az etkilenmifltir.
D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
2. Belirlilik katsay›s› ne amaçla kullan›l›r?
S O Rr 2U hangi de¤eri
3. X ba¤›ms›z de¤iflkeni Y ba¤›ml› de¤iflkenini hiç aç›klam›yorsa S O R U
alacakt›r?
D‹KKAT D‹KKAT
N N
SIRA S‹ZDE SIRA S‹ZDE
AMAÇLARIMIZ AMAÇLARIMIZ
K ‹ T A P K ‹ T A P
274 ‹statistik
N
KORELASYON KATSAYISININ ANLAMLILIK TEST‹
Anakütlede korelasyon olup olmad›¤› yolundaki hipotezleri, be-
AMAÇ
3 lirli anlam düzeyinde test edebileceksiniz.
H0 : ρ = 0
H1 : ρ ≠ 0
t=r- ρ = r
sr sr
buradan
t=r n–2
1 – r2
Hipotezler
ÇÖZÜM
H0 : ρ = 0
H1 : ρ ≠ 0
Anlaml›l›k düzeyi α = 0.05
D Ü fi Ü N E L ‹ M 2. sr neyi gösterir?
D Ü fi Ü N E L ‹ M
D‹KKAT D‹KKAT
‹ndeksler 13
Çal›flma Biçimine ‹liflkin Olarak
• Ortalamalar konusunu yeniden gözden geçirilmeli,
• Tan›mlar› dikkatle okunmal›,
• Örnekleri dikkatle gözden geçirilmelidir.
278 ‹statistik
ceksiniz.
‹çerik Haritas›
• G‹R‹fi
• ‹NDEKSLER
• Mekan ve Zaman ‹ndeksleri
• Basit ve Bileflik ‹ndeksler
Ünite 13 - ‹ndeksler 279
G‹R‹fi
Özellikle, a¤›r bir enflasyonun yafland›¤› ülkemizde, indeks sözcü¤ü kula¤a pek
yabanc› gelmemektedir. Ekonomik haber ve yorumlarda, örne¤in; geçen y›l›n X
ay›ndaki toptan eflya fiyatlar› indeksiyle içinde bulunulan y›l›n X ay›ndaki toptan
eflya fiyatlar› indeksi aras›ndaki yüzde flu kadar art›fl›n ya da azal›fl›n gerçekleflme-
sinden hareketle, ülke ekonomisinin geldi¤i nokta ve gelece¤ine iliflkin olumlu ya
da olumsuz tablolar ve yaflanan enflasyonun kaç›n›lmaz sonuçlar› toplumun bek-
lentilerini önemli ölçüde etkilemektedir.
Bir ülkedeki sosyo ekonomik nitelikteki e¤ilimlerin belirlenebilmesi ve bu ko-
nuda verilecek kararlar›n yerindeli¤i, ancak do¤ru, güvenilir ve zaman›nda ulafl›-
labilir istatistiksel bilgilerle gerçeklefltirilebilir. Sözü edilen bilgilerin üretilmesinde
önemli bir istatistiksel araç da indekslerdir.
Bu ünitede indeks konusu, yeterli ayr›nt›yla ele al›nm›flt›r.
N
‹NDEKSLER
Afla¤›da, belirli bir bölgedeki bu¤day üretimi y›llara göre verilmifltir. 1990 ÖRNEK 1
y›l› de¤erini temel alarak indeks de¤erlerini hesaplay›n›z. 1993, 1994 ve
1997 y›llar›na iliflkin indeks de¤erlerini yorumlay›n›z.
ÇÖZÜM
1990 y›l› de¤eri temel kabul edildi¤inden, (1990 = 100) olarak gösterilir ve
her y›l›n de¤eri temel de¤ere bölünüp, 100 ile çarp›larak, indeks de¤erleri
hesaplan›r.
‹lgili ifllemler afla¤›da gösterilmifltir:
Bu sonuçlar, 1993 y›l› bu¤day üretiminde 1990 y›l›na göre % 16.67’lik bir ar-
t›fl›n, 1994 y›l›ndaysa 1990 y›l›na göre herhangi bir art›fl ya da azal›fl›n olmad›-
¤›n› ve 1997 y›l›ndaysa 1990 y›l›na göre % 33.33’lük bir azalman›n oldu¤unu
ifade etmektedir.
Mekan ‹ndeksleri
Üretim ve fiyat gibi olaylara iliflkin de¤erlerin bölgeler, flehirler, kasabalar, köyler
vb. gibi bir mekan içindeki oransal de¤iflimlerin ölçüsüne, “mekan indeksi” ad›
verilir.
Mekan indekslerinin hesab›nda temel de¤er olarak, seriyi oluflturan de¤erlerin
aritmetik ortalamas› al›n›r. ‹ndeks say›lar› seriyi oluflturan de¤erlerin aritmetik or-
talamaya bölünerek 100 ile çarp›lmas› suretiyle elde edilir. Baflka bir anlat›mla,
mekan indeksleri
Mekan indeksleri ile verilen
mekan serisinin aritmetik xi
ortalamaya göre de¤iflimleri I= . 100
araflt›r›l›r. x
eflitli¤i ile hesaplan›r. Böylece, seriyi oluflturan de¤erlerin aritmetik ortalamaya gö-
re de¤iflimleri belirlenir.
Ünite 13 - ‹ndeksler 281
Afla¤›da, 6 yerleflim bölgesi için 2000 y›l› Ocak ay›na iliflkin bir X madde- ÖRNEK 2
sinin fiyatlar› verilmifltir. Mekan indeksini hesaplay›n›z ve ilk ikisiyle ilifl-
kin sonuçlar› yorumlay›n›z.
‹ller Fiyatlar
(milyon TL)
Ankara 69
Antalya 75
K›rklareli 70
Eskiflehir 79
Konya 75
ÇÖZÜM
Öncelikle, verilen serinin aritmetik ortalamas› hesaplan›r, sonra da gözlem de¤er-
leri aritmetik ortalamaya bölünerek, indeks say›lar› elde edilir.
x = 73,6
Elde edilen sonuçlara göre, Ankara’da X maddesinin fiyatlar› verilen 6 ilin ortala-
ma fiyat›na göre % 6.25 (100 – 93.75 = 6.25) daha düflük, Antalya’daysa % 1.9 da-
ha yüksektir.
eflitli¤iyle hesaplan›r.
282 ‹statistik
ÖRNEK 3 Turistik bir bölgede, önemli bir müzeyi ziyaret eden turist say›lar›,
afla¤›da verilmifltir. 1996 y›l› de¤erini temel kabul ederek, sabit esasl›
indeks say›lar›n› hesaplay›n›z ve 1997 ile 2001 y›l› indeks say›lar›n›
yorumlay›n›z.
1997 y›l›nda, 1996 y›l›na göre, müzeyi ziyaret eden turist say›s› (100 - 93.75 =
6.25), % 6.25 oran›nda azalm›fl, 2001 y›l›ndaysa % 25 oran›nda artm›flt›r.
ÖRNEK 4 Örnek 3’teki verileri kullanarak de¤iflken esasl› indeks say›lar›n› hesap-
lay›n›z ve 1997 ile 1998 y›llar›na iliflkin sonuçlar› yorumlay›n›z.
Ünite 13 - ‹ndeksler 283
ÇÖZÜM
‹lgili ifllemler afla¤›daki gibidir:
1996 y›l› için 1995 y›l›na iliflkin de¤erler bilinemedi¤inden de¤iflken esasl› indeks
hesaplanamaz. Bu nedenle tabloda yeri bofl b›rak›lm›flt›r.
1997 y›l›nda müzeyi ziyaret eden turist say›s› 1996 y›l›na göre %6.25 oran›nda
azalm›fl, 1998 y›l›ndaysa 1997 y›l›na göre % 6.66 oran›nda artm›flt›r.
Basit ‹ndeksler
Tek bir maddeyi kapsayan indekslere “basit indeksler” ad› verilir. Basit indeksler- Tek bir madde için
hesaplanan indekse basit
le, bir maddeye iliflkin fiyat ya da miktardaki oransal de¤iflimler araflt›r›l›r. indeks denir.
Basit indeks, ilgili maddenin fiyat›ndaki oransal de¤iflimlerin hesaplanmas›
amac›yla oluflturuluyorsa “basit fiyat indeksi”, miktar›ndaki oransal de¤iflimlerin
belirlenmesi amac›yla oluflturuluyorsa “basit miktar indeksi” ad›n› al›r.
p0 temel devre fiyat› ve p1 de i. devre fiyat› olmak üzere basit fiyat indeksi,
pi
I= . 100 ,
p0
q0 temel devre miktar› ve qi de i. devre miktar› olmak üzere basit miktar indeksi,
qi
I= . 100
q0
eflitlikleriyle hesaplan›r.
Belirli bir maddenin 2000 y›l› fiyat› 175.000 TL ve 2001 y›l› fiyat› ise 225.000 ÖRNEK 5
TL olsun. 2000 y›l› fiyat›n› temel kabul ederek, ad› geçen maddenin 2001
y›l›ndaki fiyat art›fl oran›n› bulunuz.
284 ‹statistik
ÇÖZÜM
‹lgili ifllemler afla¤›da gösterilmifltir:
2000 2001
p0 p1
175.000 225.000
p1 225.000
I= = . 100 = % 128.57
p0 175.000
‹lgili maddenin fiyat›, 2001 y›l›nda 2000 y›l›na göre % 28.57 oran›nda art›fl
göstermifltir.
ÖRNEK 6 Bir A bölgesinde narenciye üretimi 2000 y›l›nda 2500 ton, 2001 y›l›nda ise
2400 ton olarak gerçekleflmifltir. 2000 y›l›na göre 2001 y›l›ndaki narenci-
ye üretimindeki düflüfl oran›n› bulunuz.
ÇÖZÜM
2000 2001
q0 q1
2.500 2.400
q 1 2400
I= = . 100 = %96
q0 2500
Bileflik ‹ndeksler
‹ki ya da daha çok maddeyi kapsayan indekslere “bileflik indeks” ad› verilir. Bile-
flik indeksle, indeksin kapsad›¤› maddelere iliflkin fiyat ya da miktarlar›n zaman
içindeki oransal de¤iflimleri araflt›r›l›r.
‹ki ya da daha çok maddeyi Bileflik indeks hesab›nda kullan›lan teknikler, “basit toplam indeks”, “basit
kapsayan indekslere bileflik
indeksler ad› verilir.
indekslerin tart›s›z aritmetik ortalamas›” ve “basit indekslerin tart›l› aritmetik
ortalamas› (ya da tart›l› toplam indeks)” olmak üzere üç ana bafll›k alt›nda
toplan›r.
Sözü edilen teknikler afla¤›da ayr›nt›lar›yla ele al›nm›flt›r.
p
I = ∑ 1 . 100
∑p0
eflitli¤iyle hesaplan›r.
Afla¤›da 4 maddenin 2001 ve 2002 y›llar› Nisan ay› kg fiyatlar› verilmifltir. ÖRNEK 7
2001 y›l›na iliflkin basit toplam indeksi hesaplay›n›z.
ÇÖZÜM
Maddeler Fiyatlar
2001 2002
p0 p1
Beyaz Peynir 2.725.660 3.831.389
Süt 724.348 1.026.073
Yo¤urt 1.373.302 1.531.306
Tereya¤› 6.751.502 8.553.892
= 14.942.660 . 100
11.574.812
= 129,096
2002 Nisan ay›nda 2001 y›l› Nisan ay›na göre verilen 4 maddenin fiyat›, ortalama
olarak % 29,096 oran›nda art›fl göstermifltir.
ÖRNEK 8 Örnek 7’de verilen 4 madde için 2002 y›l›na iliflkin basit indekslerin tart›-
s›z aritmetik ortalamas›n› hesaplay›n›z.
ÇÖZÜM
Maddeler Fiyatlar
2001 2002
p0 p1 p1/p0
Beyaz Peynir 2.725.660 3.831.389 (3.831.389 / 2.725.660) = 1.41
Süt 724.348 1.026.073 (1.026.073 / 724.348) = 1.42
Yo¤urt 1.373.302 1.531.306 (1.531.306 / 1.373.302) = 1.12
Tereya¤› 6.751.502 8.553.892 (8.553.892 / 6.751.502) = 1.27
p1
∑
p0
I= ⋅ 100
n
= 100 5.22
4
= 130.5
t = p0 . q
olur.
Yukar›daki eflitli¤e dikkat edilirse, tart› hesab›nda p0 temel devre fiyat›d›r. An-
cak q’nun hangi devreye ait oldu¤u belirtilmemifltir. Tart› hesaplan›rken, q yerine
q0 ya da q1 de¤erlerinden birisi konabilir. Aç›kt›r ki, bu durumda farkl› sonuçlar
elde edilecektir. Baflka bir anlat›mla, iki farkl› indeks hesaplanacakt›r.
Ünite 13 - ‹ndeksler 287
t = p0 . q
t = p0 . q0
p1
∑ ⋅ p0 ⋅ q 0
p0
= ⋅ 100
∑ p0 ⋅ q 0
p ⋅ q0
I= ∑ 1 ⋅ 100
∑ p0 ⋅ q 0
Afla¤›da 4 maddenin belirli bir bölgedeki 2000 ve 2001 y›llar›na iliflkin fiyat ÖRNEK 9
ve miktarlar› verilmifltir. 2000 y›l›n› temel devre kabul ederek, 2001 y›l› için
Laspeyres fiyat indeksini hesaplay›n›z ve elde etti¤iniz sonucu yorumlay›n›z.
I = ∑ p1 ⋅ q 0 ⋅ 100
∑ p0 ⋅ q 0
= 414.750 ⋅ 100
338.000
= 122.70
2001 y›l› için verilen 4 maddenin Laspeyres fiyat indeksi 122.70’tir. 2001 y›l›nda
verilen 4 maddenin fiyat›nda 2000 y›l›na göre % 22.70’lik bir art›fl gerçekleflmifltir.
t = p0 . q1
p1 ⋅ t
∑
p0
I= ⋅ 100
∑t
p1 ⋅ p ⋅ q
0 1
∑ p0
= ⋅ 100
∑ p0 ⋅ q 1
p ⋅ q1
I= ∑ 1 ⋅ 100
∑ p0 ⋅ q 1
p ⋅ q1
I= ∑ 1 ⋅ 100
∑ p0 ⋅ q 1
= 469.500 ⋅ 100
386.000
= 121.63
2001 y›l›nda verilen 4 maddenin fiyatlar› 2000 y›l›na göre % 21.63 oran›nda
yükselmifltir.
Fisher ‹ndeksi
Laspeyres ve Paasche indeksleri, kullan›lan farkl› tart›lar nedeniyle, do¤al olarak,
farkl› sonuçlar verir. Söz konusu farklar; Laspeyres indeksinde tart› olarak temel
devre miktar› kullan›lmas› nedeniyle, fiyat art›fllar›n›, oldu¤undan fazla, Paasche
indeksi de fiyat art›fllar›n› oldu¤undan az gösterir.
Fisher, fiyatlardaki art›fl ya da azal›fllar›n gerçeklere daha yak›n hesaplanabil- Fisher indeksi, Laspeyres ve
Paasche indekslerinin
mesi için, Laspeyres ve Paasche indekslerinin geometrik ortalamas›n›n al›nmas›n› geometrik ortalamas›
önermifltir. Bu teknikle hesaplanan indekse Fisher indeksi ad› verilir. al›narak hesaplan›r.
Fisher indeksi,
∑ p1 ⋅ q 0 ⋅ ∑ p1 ⋅ q 1 ⋅ 100
I=
∑ p0 ⋅ q 0 ∑ p0 ⋅ q 1
eflitli¤iyle hesaplan›r.
Fisher indeksine “‹deal indeks” ad› da verilir.
Örnek 9’da verilen 4 madde için Fisher indeksini hesaplay›n›z ve elde et- ÖRNEK 11
ti¤iniz sonucu yorumlay›n›z.
Maddeler p0 q0 p1 q1 p1 . q0 p0 . q0 p1 . q1 p0 . q1
(000) (000) (000) (000)
Portakal 700.000 125 850.000 145 106.250 87.500 123.250 101.500
Mandalina 850.000 130 950.000 155 123.500 110.500 147.250 131.750
Elma 500.000 150 700.000 130 105.000 75.000 91.000 65.000
Armut 650.000 100 800.000 135 80.000 65.000 108.000 87.750
414.750 338.000 469.500 386.000
∑ p1 ⋅ q 0 ⋅ ∑ p1 ⋅ q 1 ⋅ 100
I=
∑ p0 ⋅ q 0 ∑ p0 ⋅ q 1
= 122.16
2001 y›l›nda verilen 4 maddenin fiyat› 2000 y›l›na göre, %22.16 oran›nda yükselmifltir.
290 ‹statistik
2. Afla¤›da verilen seri için de¤iflken esasl› indeksi hesaplayarak 1987 ve 1991 y›llar›na
D Ü fi Ü N E L ‹ M D Ü fi Ü Nde¤erlerini
iliflkin indeks EL‹M yorumlay›n›z.
S O R U S O R U Y›llar X
1985 30
1986 40
D‹KKAT D‹KKAT 1987 25
1988 34
N N
SIRA S‹ZDE SIRA S‹ZDE 1989 27
1990 30
1991 34
AMAÇLARIMIZ AMAÇLARIMIZ 1992 37
K ‹ T A P 3. Afla¤›da 3Kmaddenin
‹ T A P 2001 ve 2002 y›llar›na iliflkin fiyat ve miktarlar› verilmifltir. 2001
y›l›n› temel alarak 2002 y›l›na iliflkin Paasche, Laspeyres ve Fisher indekslerini hesap-
lay›n›z. Hangi indeksin gerçe¤e daha yak›n sonuç verdi¤ini nedenleriyle aç›klay›n›z.
TELEV‹ZYON TELEV‹ZYON
Maddeler 2001 2002
Fiyat (TL) Miktar (ton) Fiyat (TL) Miktar (ton)
Pirinç 1.362.170 750 1.935.186 600
Makarna 530.109 800 1.029.163 850
Bulgur 675.301 400 1.119.285 450
Ünite 13 - ‹ndeksler 291
∑ p0 ⋅ q0 = 710
∑ p1 ⋅ q0 = 838
∑ p1 ⋅ q1 = 738
∑ p0 ⋅ q1 = 630
Zaman Serisi
Çözümlemesi
14
Çal›flma Biçimine ‹liflkin Olarak
• Verilen tan›mlar iyice özümsenmeli,
• Örnek sorular ve çözümleme süreci dikkatle incelenmeli,
• Kavramlar aras›ndaki farkl›l›klar belirlenmeli,
• ‹stenenlerin neler oldu¤u net bir biçimde ortaya konulmal›d›r.
294 ‹statistik
N Zaman
Amaçlar
N Zaman serisi
serilerini grafikle gösterebileceksiniz.
N lar hesaplayabileceksiniz.
Zaman serilerini etkileyen temel ve yan›lt›c› faktörleri aç›klayabileceksiniz.
çözümlemesi kavram›n› aç›klayabilecek ve hareketli ortalama-
‹çerik Haritas›
• G‹R‹fi
• ZAMAN SER‹S‹N‹N TANIMI VE GRAF‹KLE GÖSTER‹LMES‹
• Zaman Serisi Tan›m›
• Zaman Serisinin Grafikle Gösterilmesi
• ZAMAN SER‹LER‹N‹ ETK‹LEYEN FAKTÖRLER
• Zaman Serilerini Etkileyen Faktörler (Bileflenler)
• Yan›lt›c› Faktörler
• ZAMAN SER‹S‹ ÇÖZÜMLEMES‹
• Zaman Serisi Çözümlemesi Tan›m›
• Zaman Serisi Çözümlemesinde Hareketli Ortalamalar
• ZAMAN SER‹S‹ ÇÖZÜMLEMES‹NDE B‹LEfiENLERE AYIRMA YÖNTEM‹
• Genel Aç›klamalar
• Yönteme ‹liflkin Modeller
• Bileflenlere Ay›rma Yöntemiyle Çözümlemede Aflamalar
Ünite 14 - Zaman Serisi Çözümlemesi 295
G‹R‹fi
‹ktisatç›lar ve ifl idarecileri, bir mal ya da hizmetin üretilmesi, pazarlanmas› ve
müflteri memnuniyetinin araflt›r›lmas› aflamalar›nda, zaman içinde de¤iflen de¤er-
ler alan pek çok de¤iflkenle ilgilenmek zorunda kal›rlar. Bir iflletmenin sat›fl tuta-
r›, likidite düzeyi, iflgücü devir h›z›, bir ülkeye gelen yabanc› turist say›s›, bir ül-
kenin enflasyon düzeyi ve benzerleri, bu tür de¤iflkenlere örnek olarak verilebi-
lir. An›msanaca¤› gibi, zamanla iliflkili olarak tan›mlanan bu de¤iflkenler hakk›nda
yap›lan ölçümleri, zamana göre s›ralanm›fl olarak gösteren serilere “zaman serisi”
denir.
Ekonomik, sosyal, psikolojik vb. çeflitli nedenlerin, zamanla iliflkili de¤iflkenler
üzerindeki etkisi, yön ve fliddetinin farkl› olmas› nedeniyle, zaman serisi gözlem
de¤erlerinde baz› de¤iflmeler gözlenir. Bu de¤iflmeler zaman serilerini etkileyen
faktörler ya da bileflenler olarak ifade edilirler ve Trend Bilefleni, Mevsimsel Bile-
flen, Konjonktürel Bileflen ve Rassal Bileflen olarak isimlendirilirler.
Zaman serileri, yukar›da sözü edilen bu de¤iflmeler nedeniyle, çözümlenme-
den bir anlam ifade etmezler. En basit anlamda, zaman serisi çözümlemesi, seri-
nin özelliklerini aç›klamakt›r. Zaman serilerinin özelliklerini aç›klayabilmek için,
bu serilerin rassal bileflenin yan›nda, di¤er üç bileflenden hangi(ler)inin etkisinde
oldu¤unu belirlemek ve bu bileflenlerin etkilerini tahminlemek gerekir. Zaman se-
risi çözümlemesinin ikinci, belki de en önemli amac› öngörü yapmakt›r. Öngörü
amac›yla zaman serisi çözümlemesi; seriyi etkileyen bileflenlerin, belirlenmesi be-
lirlenen bileflenlerinin etkilerinin tahminlenmesi ve hesaplanan tahminlerden ya-
rarlanarak, serinin gelecek dönemlerine iliflkin öngörü çal›flmalar›n› kapsar.
Bu ünitede önce zaman serisi ve zaman serisi çözümlemesiyle ilgili tan›m ve
aç›klamalar yap›lacak, daha sonra da zaman serilerinin aç›klanmas› amac›yla çö-
zümlemelerde kullan›lan “Bileflenlere Ay›rma Yöntemi” tan›t›lacak ve örnek uygu-
lamalara yer verilecektir.
N
GÖSTER‹LMES‹
Tablo 14.1 yt yt
Türkiye'nin ‹hracat Tutar› ‹hracat Tutar›
(1989-2001 dönemi) Y›llar t (milyon $) Y›llar t (milyon $)
ihracat tutar› y›ll›k
1989 1 11.625 1996 8 23.224
zaman serisi.
1990 2 12.959 1997 9 26.261
Kaynak: 1991 3 13.593 1998 10 26.974
http://tcmbf40.tcmb. 1992 4 14.715 1999 11 26.578
gov.tr/cbt.html
1993 5 15.345 2000 12 27.775
1994 6 18.106 2001 13 31.187
1995 7 21.637
yt fiekil 14.1
Türkiye'nin
30 (1989-2001 dönemi)
ihracat zaman
serisinin grafi¤i.
‹hracat
20
10
t
2 4 6 8 10 12
Zaman
N
ZAMAN SER‹LER‹N‹ ETK‹LEYEN FAKTÖRLER
D‹KKAT D‹KKAT
Zaman serilerini etkileyen temel ve yan›lt›c› faktörleri
AMAÇ
2 aç›klayabileceksiniz.
N N
SIRA S‹ZDE SIRA S‹ZDE
Zaman serilerini etkileyen faktörleri, Temel Faktörler (Bileflenler) ve Yan›lt›c› Fak-
törler bafll›klar› alt›nda ele almak mümkündür.
AMAÇLARIMIZ AMAÇLARIMIZ
Bir zaman serisinde gözlem na gelirdeki, teknolojik geliflmelerdeki, tüketici zevk ve al›flkanl›klar›ndaki de¤ifl-
de¤erlerinin uzun dönemde
artma ya da azalma
melerdeki ve fiyat de¤iflmelerindeki etkiler olarak s›ralamak mümkündür.
yönünde gösterdi¤i genel Yukar›da belirtilen etkilerin fliddetine ba¤l› olarak, art›fl ve azal›fl yönündeki
e¤ilime Trend ad› verilir. de¤iflmeler, bazan artabilir ya da yavafllayabilir, yani trend ayn› kalmaz. Trend fie-
kil 14.2a, b, c, d’de gösterildi¤i gibi do¤rusal ya da e¤risel olabilir. fiekil 14.2’de
yer alan trend türleri uygulamada s›k karfl›lafl›lan türlerdir.
Zaman içinde art›fl ya da azal›fl göstermeyen, hemen hemen ayn› düzeyde ka-
fiekil 14.2 Çeflitli rarl›l›k gösteren serilerin trendi yoktur. fiekil 14.2e trendinin olmad›¤› durumu
trend türleri göstermektedir.
yt yt
C2
C3
t t
Zaman Zaman
2(a) 2(b)
yt yt
C4
C5
t t
Zaman Zaman
2(c) 2(d)
yt
C7
t
Zaman
2(e)
Ünite 14 - Zaman Serisi Çözümlemesi 299
Mevsimsel Bileflen : Mevsimsel bileflen birbirini izleyen y›llar›n, mevsimlerin, Biribirini izleyen y›l, mevsim
çeyrek y›llar›n, aylar›n ya da günlerin ayn› zaman noktalar›nda zaman serisi göz- vb. ayn› zaman noktalar›nda
artma ya da azalma
lem de¤erlerindeki bir artma ve bir azalma fleklindeki düzenli de¤iflmeleri, mev- fleklindeki düzenli
simsel de¤iflmeleri aç›klar. Mevsimsel de¤iflmeler, genellikle iklimle, saatle ya da de¤iflmelere, mevsimsel
de¤iflmeler ad› verilir.
geleneklerle iliflkilidir. Örne¤in; ülkemiz deniz turizmi için önemli bir ülke oldu-
¤undan, yaz mevsimlerinde ülkemize gelen yabanc› turist say›s› artar, k›fl mevsim-
lerinde azal›r; ‹fle gidifl ve iflten dönüfl saatlerinde flehir içi toplu tafl›ma araçlar›n-
da yolcu say›lar› artar, di¤er saatlerde azal›r; cumartesi ve pazar günleri tatil ol-
du¤u için büyük al›flverifl merkezlerinin sat›fllar› artar, hafta içi günlerde azal›r.
Mevsimsel de¤iflme gösteren C2 zaman serisinin kartezyen grafi¤i örne¤i fiekil
14.3’de verilmifltir. Çeyrek y›ll›k gözlem de¤erlerinden oluflan bu serinin kartezyen
grafi¤i incelendi¤inde, serinin rassal dalgalanmalar›n yan›nda trend ve birbirini iz-
leyen y›llar›n IV. çeyreklerinde maksimum, II. çeyreklerinde minimum de¤erler al-
ma e¤ilimine sahip olan mevsimsel bileflenin etkisi alt›nda oldu¤u söylenebilir.
yt
5500
Dalga Uzunlu¤u
4500
Dalga fiiddeti
C2
3500
Yan›lt›c› Faktörler
Baz› ayl›k zaman serilerinde bir ay›n gözlem de¤eri, ilgili de¤iflkenin o ay içinde
alm›fl oldu¤u de¤erlerin toplam›ndan oluflmaktad›r. Bu tür zaman serilerinin
gözlem de¤erleri aylar›n gün say›lar›n›n 28 (bazan 29), 30 ve 31 olmas›ndan ya da
bayram ve hafta sonu tatilleri nedeniyle, aylar›n iflgünü say›lar›n›n farkl› olmas›ndan
etkilenmektedir.
Aylar›n gün ve iflgünü say›lar›ndaki fakl›l›klar zaman serilerinde mevsimsel de-
¤iflme varm›fl gibi izlenim yaratt›klar› için, zaman serilerini etkileyen önemli yan›l-
t›c› faktörler olarak bilinirler. Ayl›k sat›fl miktarlar›na iliflkin zaman serileri, bu ya-
n›lt›c› faktörlerden etkilenen serilere örnek olarak verilebilir.
Ünite 14 - Zaman Serisi Çözümlemesi 301
Gözlem de¤erleri para birimiyle ifade edilmifl olan zaman serileri, enflasyon
nedeniyle meydana gelen fiyat de¤iflikliklerinin etkisi alt›nda kal›rlar. Fiyat de¤i-
fliklikleri, bu tür zaman serilerinde trend etkisi varm›fl gibi izlenim yaratan bir bafl-
ka yan›lt›c› faktör olarak bilinmektedir. Y›ll›k ö¤renci yurt ücretleri, zaman serisi
fiyat de¤iflikliklerinin etkisinde olan serilere örnek olarak verilebilir.
Zaman serilerini çözümlemeye geçmeden önce, e¤er gerekliyse, serileri ayla-
r›n gün ve iflgünü say›lar›n›n farkl› olmas› ya da fiyat de¤ifliklikleri gibi yan›lt›c›
faktörlerin etkisinden ar›nd›rmak gerekir. Aksi halde çözümleme sonucu, hatal›
bilgi üretilmifl olur. Uygulamalarda zaman serisi gözlem de¤erlerinin yan›lt›c› fak-
törlerin etkisinden ar›nd›r›lmas› amac›yla, gün say›s›, iflgünü say›s› ya da fiyat de-
¤iflikliklerine iliflkin uygun düzeltmelerin yap›lmas› gerekir.
Gün say›s› ve iflgünü say›s›na iliflkin düzeltilmifl gözlem de¤erlerinin hesap-
lanmas› için s›ras›yla, afla¤›daki eflitliklerden yararlan›l›r:
Burada,
N
ZAMAN SER‹S‹ ÇÖZÜMLEMES‹
D‹KKAT D‹KKAT
Zaman serisi çözümlemesi kavram›n› aç›klayabilecek ve hareketli
AMAÇ
ortalamalar hesaplayabileceksiniz.
N N
3 SIRA S‹ZDE SIRA S‹ZDE
ne karfl› gelir. 3’erli H.O’lar Tablo 14.2’de gösterilmifltir. Örne¤in, t=2 zaman döne-
mine karfl›l›k gelen 3’erli H.O afla¤›daki gibi hesaplanm›flt›r.
y1 + y2 + y3 10 + 31 + 43
= = 28
3 3
2 31 -
25
3 43 25.12
25.25
4 16 25.50
25.75
5 11 . .
. .
6 33 . .
. .
7 45 . .
. .
8 17 .
27.25 .
9 13 -
10 34 -
304 ‹statistik
x1 + x2 25 + 25.25
= = 25.12
2 2
ifllemiyle bulunmufltur.
Hareketli ortalamalar, mevsimsel ve rassal bileflenlerin etkisinden ar›nd›r›lm›fl
trend ve konjonktürel bileflenlerin etkisini gösteren de¤erlerdir. Zaman serilerinin
çözümlenmesi sürecinde k çift say›ysa merkezilefltirilmifl hareketli ortalamalar, k
tek say›ysa hareketli ortalamalar kullan›l›r.
N
AYIRMA YÖNTEM‹
N N
SIRA S‹ZDE SIRA S‹ZDE
Mevsimsel olmayan ve mevsimsel serilerin, betimsel ve öngörü
AMAÇ
amaçlar›yla çözümlenmesinde, bileflenlerine ay›rma modellerini
4
AMAÇLARIMIZ uygulayabileceksiniz.
AMAÇLARIMIZ
Genel Aç›klamalar
K ‹ T A P Bu yönteminK esas›,‹ T A zaman
P serisi bileflenlerinin, serinin gözlem de¤erleri üzerinde-
ki etkilerini ayr› ayr› tahminlemek ve bu tahminlerden yararlanarak, serinin özel-
liklerini aç›klamaya imkan veren bilgiler üretmektir. Ayr›ca; e¤er, çözümlenecek
TELEV‹ZYON zaman serisinin
T E L E V ‹parametreleri
ZYON zaman içinde de¤iflmiyorsa (seriyi etkileyen bile-
flenlerin etkileri gelecekte de seriyi ayn› flekilde etkilemeye devam ederse), bu
tahminler, nokta öngörülerini hesaplamak amac›yla da kullan›labilir.
Bileflenlere ay›rma yöntemi, geçmiflte yayg›n olarak kullan›lm›fl olan betimsel
bir yöntem olup, kuramsal yönü oldukça zay›ft›r.
yt = Tt . Mt . Kt . Rt çarp›msal
ya da
yt = Tt + Mt + Kt + Rt toplamsal
Burada
göstermektedir.
Çözümlenmesi istenen zaman serisi, trend artarken (artan ya da azal›rken) aza-
lan dalga fliddetine sahip mevsimsel de¤iflmeler gösteriyorsa ve seriyi aç›klayan
parametreler zaman içinde de¤iflmiyorsa, bu zaman serisinin çözümlenmesi için
çarp›msal modelin kullan›lmas› uygundur. ‹lgilenilen zaman serisinin parametre-
leri, zaman içinde de¤iflmiyorsa ve seriyi etkileyen mevsimsel de¤iflmelerin dalga
fliddetleri birbirine eflitse, (baflka bir ifadeyle trend etkisinden ba¤›ms›zsa) toplam-
sal model tercih edilir. Ancak, gerçek yaflamda karfl›lafl›lan serilerin pek ço¤unda
mevsimsel de¤iflmelerin dalga fliddetleri farkl›l›k gösterdi¤i için, zaman serisi çö-
zümlemelerinde, genellikle çarp›msal model kullan›lmaktad›r. Bu nedenle bu
ünitede çarp›msal modele iliflkin kuramsal aç›klamalara ve uygulamalar›na yer
verilmifltir.
yt = Tt . Kt . Rt
306 ‹statistik
y't = tt . kt . rt
olur.
E¤er, ilgilenilen zaman serisinin gözlem de¤erleri üzerinde, mevsimsel bilefle-
ninin etkisi söz konusu de¤ilse, seri, y›ll›k zaman serisiyse, öngörü amac›yla yap›-
lacak çözümlemede kullan›lacak çarp›msal model,
y t = Tt + εt
fleklinde ifade edilir ve yt’nin nokta öngörü de¤eri y't = tt olur.
ya da
eflitlikleri uygulan›r (y1, y2, ... , yn gözlem de¤erleri yan›lt›c› faktörlerin etkisinden
ar›nd›r›lm›fl oldu¤u varsay›lm›flt›r). Bu uygulamayla zaman ve gözlem de¤erleri
aras›nda fonksiyonel bir iliflki kurulmufl olur.
Burada β0, β1 ve β2 tahminlenecek model parametrelerini göstermektedir. Bu
iki modelden hangisinin, Tt’in tahminlenmesi için kullan›laca¤›na karar verebil-
mek amac›yla, serinin kartezyen grafi¤i incelenir. Serinin trendi fiekil 14.2a ve b
örneklerine benziyorsa, Tt ’in tahminlenmesi için, do¤rusal modelin fiekil 14.2c ve
d örneklerine benzemesi durumunda e¤risel modelin tercih edilmesi önerilir.
Trend bilefleni Tt ’in tt tahmini için do¤rusal model
tt = b0 + b1t
e¤risel model
tt = b0 + b1t + b2t2
eflitlikleri ile ifade edilir. Burada b0, b1 ve b2 s›ras›yla β0, β1 ve β2 ’nin tahminle-
rini gösterirler ve afla¤›da verilen “En Küçük Kareler Normal Denklemlerinin” çö-
zümlenmesiyle hesaplan›rlar.
∑yt = nb0 + b1 ∑t
∑yt t = b0 ∑t + b1 ∑t2
Ünite 14 - Zaman Serisi Çözümlemesi 307
∑yt = nb0
∑ytt = b1 ∑t2
eflitlikleriyle,
∑yt = ∑tt ve yt ≠ tt
308 ‹statistik
∑(yt - tt)2
sy =
n
Buna karfl›l›k, n < 30 oldu¤unda
∑(yt - tt)2
sy =
n-k
eflitli¤i ile hesaplan›r. Burada k, uygulanan trend denklemindeki tahminlenen
parametre say›s›n› gösterir. Bu say›, do¤rusal model için k = 2, e¤risel model için
k = 3 al›n›r.
Bir zaman serisi trendinin tahmininde tercih edilecek denklem türüne karar
verebilmek için, trendi her iki denkleme göre tahmin etmek ve standart hatalar›-
n› karfl›laflt›rmak gerekir. Standart hatas› küçük olan di¤erine tercih edilir.
Bu ünitede yer alan örnek çözümlerde, sadece bir trend modelinin uygula-
mas›na yer verilece¤i için, seriyi daha iyi aç›klayan trend denkleminin belir-
lenmesi kartezyen grafi¤in incelenmesiyle yap›lacak, standart hata ölçüsünden
yararlan›lmayacakt›r.
Tablo 14.1’de verilen zaman serisinin fiekil 14.1’de verilen grafi¤i incelendi¤inde
serinin do¤rusal artan bir e¤ilim gösterdi¤i söylenebilir. Seride yan›lt›c› faktörlerin
etkisi olmad›¤› varsay›lm›flt›r.
Bu görsel tespit nedeniyle, Tt’nin tahminlenebilmesi için seri de¤erlerine
Τt = β0 + β1t
∑yt = 269.987
∑t = 91
∑t2 = 819
∑ytt = 2197.06
307.214 = 0 + 182b 1
182 182
b1 = 1.688
Ünite 14 - Zaman Serisi Çözümlemesi 309
olarak elde edilir. b1 = 1,688 pozitif bir de¤er oldu¤u için serinin trendi, artan e¤i-
lime sahiptir (b1 trend do¤rusunun e¤imini gösterir).
oldu¤undan
yt tt . kt . rt
= = kt . rt
tt tt
Tablo 14.1’de verilen seri için kt . rt tahmin de¤erleri Tablo 14.5’te verilmifltir. Ör-
ne¤in; t = 2 için y2 = 12.959 ve t2 = 12.33 oldu¤una göre, trend bileflenin etkisin-
den ar›nd›r›lm›fl seri de¤eri,
yt y2 12.959
= = = 1.051
tt t2 12.33
Tablo 14.5 incelendi¤inde, ihracat de¤iflkeni konjonktür etkisiyle örne¤in, 1990 y›-
l›nda (t = 2 için) (1.051 - 1) . 100 = %5.1 oran›nda normalin (trend de¤erinin) üze-
rinde de¤er alm›fl, buna karfl›l›k 1991 y›l›nda (t = 3 için) (0.970 - 1) . 100 = %-3 ora-
n›nda normalin (trend de¤erinin) alt›nda de¤er alm›flt›r denir. Genel olarak kt . rt
tahminleri 1’e çok yak›n de¤erler oldu¤undan incelenen dönemde ihracat de¤iflke-
ni üzeride konjonktürün etkisi yoktur yorumu yap›labilir.
Ünite 14 - Zaman Serisi Çözümlemesi 311
Τt = β0 + β1t
tt = b0 + b1t
Tablo 14.1’deki zaman serisi için 2002 y›l› öngörü de¤erini hesaplay›n›z. ÇÖZÜM ÖRNEK 3
olur. Bu 2002 y›l› için ihracat öngörü de¤erini ifade eder. Bu tahmin modelinde t
yerine s›ras›yla t + 2 = 13 + 2 = 15, t + 3 = 13 + 3 = 16 ve ... yazarak di¤er dö-
nemler için öngörüler yap›labilir.
yt = Tt . Mt . Kt . Rt
y't = tt . mt + kt . rt
312 ‹statistik
y't = tt . mt
yt
= mt . rt
tt . kt
yt tt . mt . rt
dt = =
mt mt
eflitli¤inden hesaplan›r.
E¤er mt tahmin de¤eri 1’den küçükse buna karfl› gelen mevsimsel de¤iflme-
den ar›nd›r›lm›fl gözlem de¤eri dt, gerçek gözlem de¤eri yt’den büyük de¤erli, mt
tahmin de¤eri 1’den büyükse dt, yt de¤erinden küçük olur. Mevsim etkisinden
ar›nd›r›lm›fl gözlem de¤erleri dt trend de¤erlerine yaklafl›rlar. Bir baflka ifadeyle
mt > 1 oldu¤unda mevsimsel bileflen t dönemindeki gözlem de¤erinin ayn› dö-
nemdeki normal de¤erden (normal de¤er Tt . Mt dir) büyük de¤er almas›na ne-
den olurken, mt < 1 oldu¤unda tersi söz konusu olur.
Trend Bilefleninin Tahminlenmesi: Trend bilefleninin t dönemine iliflkin Tt
bileflenin tt tahmini için mevsimsel olmayan serilere uygulanan çözümleme süre-
ci aynen izlenir. Buradaki tek farkl›l›k, trend eflitliklerinin gerçek yt gözlem de¤er-
lerine de¤il, mevsimsel bileflenin etkisinden ar›nd›r›lm›fl olan dt serisine uygulana-
cak olmas›d›r.
Konjonktürel ve Rassal Bileflenlerin Tahminlenmesi: Mevsim etkisin-
den ar›nd›r›lm›fl dt de¤erlerini kullanarak Kt . Rt bileflenlerinin kt . rt ya da kt ve
rt tahminleri için mevsimsel olmayan serilere uygulanan çözümleme süreci ay-
nen uygulan›r.
Öngörü De¤erlerinin Hesaplanmas›: Daha önce de aç›kland›¤› gibi, bile-
flenlere ay›rma yöntemiyle yap›lan öngörü amaçl› çözümlemelerde konjonktürel
ve rassal bileflenlerle ilgilenilmemektedir. Bu durumda, t + 1 ön dönem için, yt+1’in
öngörü de¤eri y't+1 = tt+1 . mt+1 eflitli¤iyle hesaplan›r.
Tüm yukar›da sözü edilenlere iliflkin uygulama, afla¤›daki örnekte gösterilmifltir.
ÇÖZÜM
Mevsimsel bileflenin tahminlenmesi (Mevsim ‹ndeksinin Tahminlenmesi):
fiekil 14.5 incelendi¤inde, serinin rassal bileflenin yan›nda, artan trend ve dalga
uzunlu¤u L = 4 olan de¤iflen dalga fliddetli mevsimsel bileflene sahip oldu¤u gö-
rülmektedir. Serinin yan›lt›c› faktörlerin etkisinde olmad›¤› varsay›lm›flt›r.
5500
4500
3500
yt = Tt . Mt . Kt . Rt
Tablo 14.7
Merkezilefltirilmifl
Merkezilefltirilmifl
Hareketli hareketli
Çeyrek Ortalama (HO) Mevsim ortalamalar ve
Y›llar yt tt . kt yt ‹ndeksi
= m t . rt mevsim indeksleri.
HO
1989Q1 2803.27 0.97
1989Q2 2573.86 0.88
1989Q3 2568.12 2930.06 0.8764 0.92
1989Q4 3679.43 2975.39 1.2366 1.2
1990Q1 2994.33 3033.16 0.9871 0.97
1990Q2 2745.46 3154.65 0.8702 0.88
1990Q3 2858.71 3287.86 0.8692 0.92
1990Q4 4360.79 3355.84 1.2994 1.2
1991Q1 3378.66 3419.52 0.9880 0.97
1991Q2 2904.93 3430.82 0.8467 0.88
1991Q3 3208.71 3419.78 0.9382 0.92
1991Q4 4101.16 3490.99 1.1747 1.2
1992Q1 3549.95 3602.37 0.9854 0.97
1992Q2 3303.34 3671.30 0.8997 0.88
1992Q3 3701.31 3694.07 1.0019 0.92
1992Q4 4160.02 3731.23 1.1149 1.2
1993Q1 3673.27 3735.56 0.9833 0.97
1993Q2 3477.28 3777.20 0.9205 0.88
1993Q3 3561.98 3855.40 0.9238 0.92
1993Q4 4632.53 3918.73 1.1821 1.2
1994Q1 3826.36 4119.56 0.9288 0.97
1994Q2 3830.78 4401.34 0.8703 0.88
1994Q3 4815.19 0.92
1994Q4 5633.54 1,2
L
∑ mt = L = 4
t=1
olmal›d›r.
L
∑ mt = 0,9746 + 0,8816 + 0,9220 + 1,2020 = 4,0002
t=1
316 ‹statistik
hesaplanan bu de¤er 4’e eflit kabul edildi¤i için mevsimsel bileflen tahminlerinde
düzeltme yapma gere¤i duyulmam›flt›r. Her bir çeyre¤e iliflkin hesaplanan grup
ortalamalar› mt ’lar, Tablo 14.7’de oldu¤u gibi, y›llar›n ilgili çeyrekleri için, mev-
sim bileflen tahminleri (mevsim indeksleri) mt olarak al›nm›flt›r.
yt tt . mt . kt . rt
dt = = = tt . kt . rt
mt mt
tt = b0 + b1t + b2t2
dt dt
5000 5000
4000 4000
3000 3000
0 5 10 15 20 25 0 5 10 15 20 25
fiekil 14.6
Zaman Zaman
dt serisinin
grafikleri. (a) (b)
b1 = 37,2
b0 = 3525
b2 = 0,504
t+1, 1995 y›l› 1. çeyre¤i oldu¤undan bu dönemin kod de¤eri 25’tir. Buna göre,
Burada 0.97, birinci çeyrek y›l için mevsim bileflenin tahmin de¤erini ifade eder.
2. E¤er ilgilenilen zaman serisinin gözlem de¤erleri üzerinde mevsimsel bileflenin etki-
D Ü fi Ü N E L ‹ M D Ü fi Ü Nde¤ilse,
EL‹M
si söz konusu öngörü amac›yla kullan›lacak çarp›msal modeli belirleyiniz.
S O R U 3. Çarp›msal Smodellerde
O R U mevsimsel bileflenin tahminlenmesindeki aflamalar› s›ralay›n›z.
D‹KKAT D‹KKAT
3. Y›ll›k zaman serilerinde hangi zaman serisi bilefleninin Yukar›da verilen zaman serisinin tahmin edilecek do¤ru-
etkisi görülmez? sal trend denkleminde e¤imi veren parametre tahmininin
a. Trend bilefleninin de¤eri kaçt›r?
b. Mevsimsel bileflenin a. 0.05
c. Konjonktürel bileflenin b. 0.12
d. Rassal bileflenin c. 0.50
e. Konjonktürel ve Rassal bileflenin d. 0.80
e. 1.1
4. Afla¤›dakilerden hangisi, mevsimsel de¤iflmenin dalga
uzunlu¤unu ifade eder? 8. Yukar›da verilen tabloya göre, zaman serisi için tah-
a. Birbirini izleyen iki mevsimsel de¤iflmenin maksi- min edilen trend denklemi tt = 14 + 0,5t ise serinin t = 1
mum ya da minimum noktalar› aras›ndaki zaman için trend tahmin de¤eri kaçt›r?
aral›¤› a. 12.50
b. Birbirini izleyen mevsimler aras›ndaki zaman b. 14.25
aral›¤› c. 14.50
c. Bir mevsimsel de¤iflmenin maksimum ve minimum d. 15.10
noktalar› aras›ndaki fark e. 15.50
d. Serideki veri say›s›
e. En yüksek ve en düflük mevsimsel de¤iflme ara- 9. Y›ll›k bir zaman serisinin bileflenleri çarp›msal model
s›ndaki fark kullan›larak tahmin edilmek istenmektedir. t = 1 için göz-
lem de¤eri 11.625, trend tahmin de¤eri 10.642 hesaplan-
5. Zaman serilerinde etkisi mutlaka görülen bileflen afla- m›flt›r. Ayn› döneme iliflkin konjonktürel bileflenin tahmin
¤›dakilerden hangisidir? de¤eri kaçt›r?
a. Trend a. 0.09
b. Konjonktürel b. 1.009
c. Mevsimsel c. 1.092
d. Rassal d. 1.15
e. ‹fl gün say›s›n›n farkl›l›¤› e. 1.18
320 ‹statistik
10. Bir zaman serisinin t dönemine iliflkin mevsimsel bi- Yan›t Anahtar›
leflen tahmini 0.92 dir. Bu de¤eri, afla¤›dakilerden hangisi 1. c
do¤ru olarak ifade eder? 2. c
a. Mevsimsel bileflen t dönemindeki gözlem de¤eri- 3. b
nin normalden %92 büyük de¤er almas›na neden 4. a
olmufltur. 5. d
b. Mevsimsel bileflen t dönemindeki gözlem de¤eri- 6. e
nin normalden % 8 küçük de¤er almas›na neden 7. c
olmufltur. 8. c
c. Mevsimsel bileflen t dönemindeki gözlem de¤eri- 9. c
nin normalden %8 büyük de¤er almas›na neden 10. b
olmufltur.
d. Mevsimsel bileflen t dönemindeki gözlem de¤eri-
nin normalden %0,8 büyük de¤er almas›na neden Yararlan›lan Kaynaklar
olmufltur. BOWERMAN, Bruce L, O’Connell: Forecasting and Ti-
e. Mevsimsel bileflen t dönemindeki gözlem de¤eri- me Series An Applied Approach, 3rd Edition, Wads-
nin normalden 0,02 küçük de¤er almas›na neden worth Inc., California, 1993.
olmufltur. GÜRTAN, Kenan: ‹statistik ve Araflt›rma Metodlar›,
‹.Ü. Yay›n No: 1941, Sermet Matbaas›, ‹stanbul, 1974.
SERPER, Özer: Uygulamal› ‹statistik II, Filiz Kitapevi,
‹stanbul, 1986.
TRYFOS, Peter: Sampling Methods for Applied Rese-
arch, John Wiley and Sons Inc, NewYork, 1996.
Ek 1: “Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m” 321
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.000000 0.003989 0.007989 0.011967 0.015953 0.019939 0.023922 0.027903 0.031881 0.035856
0.1 0.039828 0.043795 0.047758 0.051717 0.055670 0.059618 0.063559 0.067495 0.071424 0.075345
0.2 0.079260 0.083166 0.087064 0.090954 0.094835 0.098706 0.102568 0.106420 0.110261 0.114092
0.3 0.117911 0.121719 0.125516 0.129300 0.133072 0.136831 0.140576 0.144309 0.148027 0.151732
0.4 0.155422 0.159097 0.162757 0.166402 0.170031 0.173645 0.177242 0.180822 0.184386 0.187933
0.5 0.191462 0.194974 0.198468 0.201944 0.205402 0.208840 0.212260 0.215661 0.219043 0.222405
0.6 0.225747 0.229069 0.232371 0.235653 0.238914 0.242154 0.245373 0.248571 0.251748 0.254903
0.7 0.258036 0.261148 0.264238 0.267305 0.270350 0.273373 0.276373 0.279350 0.282305 0.285236
0.8 0.288145 0.291030 0.293892 0.296731 0.299546 0.302338 0.305106 0.307850 0.310570 0.313267
0.9 0.315940 0.318589 0.321214 0.323814 0.326391 0.328944 0.331472 0.333977 0.336457 0.338913
1.0 0.341345 0.343752 0.346136 0.348495 0.350830 0.353141 0.355428 0.357690 0.359929 0.362143
1.1 0.364334 0.366500 0.368643 0.370762 0.372857 0.374928 0.376976 0.378999 0.381000 0.382977
1.2 0.384930 0.386860 0.388767 0.390651 0.392512 0.394350 0.396165 0.397958 0.399727 0.401475
1.3 0.403199 0.404902 0.406582 0.408241 0.409877 0.411492 0.413085 0.414656 0.414207 0.417736
1.4 0.419243 0.420730 0.422196 0.423641 0.425066 0.426471 0.427855 0.429219 0.430563 0.431888
1.5 0.433193 0.434478 0.435744 0.436992 0.438220 0.439429 0.440620 0.441792 0.442947 0.444083
1.6 0.445201 0.446301 0.447384 0.448449 0.449497 0.450529 0.451543 0.452540 0.453521 0.454486
1.7 0.455435 0.456367 0.457284 0.458185 0.459071 0.459941 0.460796 0.461636 0.462462 0.463273
1.8 0.464070 0.464852 0.465621 0.466375 0.467116 0.467843 0.468557 0.469258 0.469946 0.470621
1.9 0.471284 0.471933 0.472571 0.473197 0.473810 0.474412 0.475002 0.475581 0.476148 0.476705
2.0 0.477250 0.477784 0.478308 0.478822 0.479325 0.479818 0.480301 0.480774 0.481237 0.481691
2.1 0.482136 0.482571 0.482997 0.483414 0.483823 0.484222 0.484614 0.484997 0.485371 0.485738
2.2 0.486097 0.486447 0.486791 0.487126 0.487455 0.487776 0.488089 0.488396 0.488696 0.489989
2.3 0.489276 0.489556 0.489830 0.490097 0.490358 0.490613 0.490863 0.491106 0.491344 0.491576
2.4 0.491802 0.492024 0.492240 0.492451 0.492656 0.492857 0.493053 0.493244 0.493131 0.493613
2.5 0.493790 0.493963 0.494132 0.494297 0.494457 0.494614 0.494766 0.494915 0.495060 0.495201
2.6 0.495339 0.495473 0.495603 0.495731 0.495855 0.495975 0.496093 0.496207 0.496319 0.496427
2.7 0.496533 0.496636 0.496736 0.496833 0.496928 0.497020 0.497110 0.497197 0.497282 0.497365
2.8 0.497445 0.497523 0.497599 0.497673 0.497744 0.497814 0.497882 0.497948 0.498012 0.498074
2.9 0.498134 0.498193 0.498250 0.498305 0.498359 0.498411 0.498462 0.498511 0.498559 0.498605
3.0 0.498650 0.498694 0.498736 0.498777 0.498817 0.498856 0.498893 0.498930 0.498965 0.498999
322 Ek 2: “t Tablosu”
EK 2: "t" TABLOSU
Serbestlik
derecesi P = 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01
1 0.158 0.325 0.510 0.727 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.654
2 0.142 0.289 0.445 0.617 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.137 0.277 0.424 0.584 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.134 0.271 0.414 0.569 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.132 0.267 0.408 0.559 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6 0.131 0.265 0.404 0.553 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.130 0.263 0.402 0.549 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.449
8 0.130 0.262 0.399 0.546 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.129 0.261 0.398 0.543 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.129 0.260 0.397 0.542 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.129 0.269 0.396 0.540 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.128 0.259 0.395 0.539 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.128 0.259 0.394 0.538 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.128 0.258 0.393 0.537 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.128 0.258 0.393 0.536 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.128 0.258 0.392 0.535 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.128 0.257 0.392 0.534 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.127 0.257 0.392 0.534 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.127 0.257 0.391 0.533 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.127 0.257 0.391 0.533 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.127 0.257 0.391 0.532 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.127 0.256 0.390 0.532 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.127 0.256 0.390 0.532 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.127 0.256 0.390 0.531 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.127 0.256 0.390 0.531 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.127 0.256 0.390 0.531 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.127 0.256 0.389 0.531 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.127 0.256 0.389 0.530 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.127 0.256 0.389 0.530 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.127 0.256 0.389 0.530 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
α 0.12566 0.25335 0.38532 0.52440 0.67449 0.84162 1.03643 1.28155 1.64485 1.95996 2.32634 2.57582
Ek 3: “χ 2 Tablosu” 323
EK 3: χ2 TABLOSU
D K
Da¤›lma Serisi: Gözlem sonuçlar›n›n maddesel bir de¤iflkenin Kareli Ortalama: Bir seriyi oluflturan de¤erlerin karelerinin top-
fl›klar›na göre s›ralanmas›yla oluflturulan seri. lam›n›n gözlem say›s›na oran›.
De¤iflim Aral›¤›: Bir serideki en büyük de¤er ile küçük de¤er Karfl›t (H1) Hipotez: ‹lgilenilen ana kütle parametresinin bili-
aras›ndaki fark. nen de¤erinde, istatiksel olarak anlaml› farklar›n beklendi-
De¤iflken: ‹statistik birimlerinin sahip oldu¤u özellikler. ¤ini ifade eden hipotez.
De¤iflken Esasl› ‹ndeks: Bir zaman indeksinde her de¤erin, bir Kontenjans Katsay›s›: Say›sal olmayan de¤iflkenler aras›ndaki
önceki dönemin de¤erine göre oransal de¤iflimleri. iliflkinin derecesini gösteren katsay›.
Duyarl› Olmayan Ortalama: Serideki afl›r› de¤erlerden etki- Korelasyon Katsay›s›: ‹ki de¤iflken aras›ndaki do¤rusal iliflki-
lenmeyen ortalama. nin yönünü ve derecesini belirleyen (gösteren) katsay›.
Sözlük 325
L S-fi
Laspeyres ‹ndeksi: A¤›rl›kl› indekslerde a¤›rl›k katsay›lar›n›n Sabit Esasl› indeks: Bir zaman indeksinde devrelerden birisi-
bafllang›ç zaman›ndaki (ya da yerindeki) de¤erlerden seçil- nin de¤erinin temel kabul edilerek, di¤er devrelerin de¤er-
mesiyle oluflturulan indeks. lerinin seçilen temel devreye göre oransal de¤iflimi.
S›f›r (H0) Hipotezi: ‹lgilenilen ana kütle parametresinin bilinen
M de¤erinde, herhangi bir fark›n beklenmedi¤ini ifade eden
Medyan: Bir seride, seriyi iki eflit k›sma bölen de¤er. hipotez.
Mekan ‹ndeksi: Mekan serisi ile verilen bir istatistiksel olay›n S›n›fland›r›lm›fl Seri: Deney ya da gözlem sonuçlar›n›n belirli
aritmetik ortalamaya göre de¤iflimleri. aral›klar içinde kalan fl›klara göre düzenlenmesiyle olufl-
Mekan Serisi: Gözlem sonuçlar›n›n ülke, bölge, flehir ya da turulan seri.
köy gibi bir mekan (yer) de¤iflkeninin fl›klar›na göre s›ra- Standart Sapma: Bir seriyi oluflturan de¤erlerin aritmetik or-
lanmas›yla oluflturulan seri. talamadan farklar›n›n kareli ortalamas›.
Mod: Bir seride en çok tekrarlanan de¤er. fi›k: Bir de¤iflkenin ald›¤› de¤er.
N T
Nokta Tahminlemesi: Bir rassal örneklemden elde edilen ista- Tahminleme: Bir rassal örneklemden elde edilen istatistikler
tisti¤in de¤erini, ilgili ana kütle parametre de¤erine eflit ka- yard›m›yla, örne¤in çekildi¤i ana kütleye iliflkin parametre
bul eden tahminleme tekni¤i. de¤erlerini araflt›rmak.
Tamamlay›c› Olay: Bir olay›n ortaya ç›kmamas› ile tan›mlanan
O-Ö olay.
Olay: Bir deneyin bir ya da daha çok sonucunu içeren küme. Tart›l› Ortalama: Gözlem de¤erleri aras›ndaki önem dere-
Ortalama: Bir istatistik serisindeki gözlem de¤erlerinin, etraf›n- celerini içeren ortalama.
da toplanma e¤ilimi gösterdi¤i de¤er. Tipik Olay: Ait oldu¤u kümedeki tüm olaylar› tek bafl›na temsil
Örneklem: Ana kütleden uygun tekniklerle seçilen birimlerden edebilen olay.
oluflan alt topluluk. Trend: Zaman serilerine iliflkin gözlem de¤erlerinin uzun dönem-
Örneklem Noktas›: Örneklem uzay›n›n her bir eleman›. de artma ya da azalma yönünde gösterdi¤i genel e¤ilim.
Örneklem Uzay›: Deney ya da gözlem sonuçlar›n›n tümünü
içeren küme. Y
Y›¤›n Olay: Ait oldu¤u kümedeki olaylar› tek bafl›na temsil ede-
P meyen olay.
Paasche ‹ndeksi: A¤›rl›kl› indekslerde a¤›rl›k katsay›lar›n›n in-
deks devresindeki ( ya da yerindeki) de¤erlerden seçilme- Z
siyle oluflturulan indeks. Zaman ‹ndeksi: Zaman serisi ile verilen bir istatistiksel olay›n,
zaman içindeki oransal de¤iflimleri.
R Zaman Serisi: Gözlem sonuçlar›n›n y›l, ay, hafta, gün ya da
Regresyon: De¤iflkenler aras›ndaki ortalama iliflkinin matema- saat gibi bir zaman de¤iflkeninin fl›klar›na göre s›ralan-
tiksel bir fonksiyonla ifade edilmesi. mas›yla oluflturulan seri.
326 Dizin
Deneme 118, 119, 121, 125, 127, 160, 161, 163 Güncel Çerçeve 180
Deney 3, 8, 17, 68, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 83, 84, 87, Güven Aral›¤› 199, 200, 201, 202, 203, 204, 205, 206, 263
88, 89, 93, 98, 104, 105, 107, 110, 111, 117, 118, 119, 127, 130, 133, 160, Güven Düzeyi 199, 200, 201, 202, 203, 204, 205, 206, 208
162, 163, 177, 178, 182, 227 Güven S›n›rlar› 199, 200, 201, 208
Do¤al Birim 4, 5, 6, 9 Güvenilir Tahmin 199
Do¤al Olmayan Birim 9
Do¤rusal Model 255, 306, 307, 308 H
Do¤rusal Regresyon Modeli 252, 269 H0 Hipotezi 216, 217, 218, 219, 220, 221, 222, 225, 226, 227, 229,
Do¤rusal Trend 306, 309, 311, 319 232, 233, 234, 239, 242, 243, 248, 274
Duyarl› Olmayan Ortalama 36, 37, 48, 53 H1 Hipotezi 234
Duyarl› Ortalama 36, 37 Hareketli Ortalama 294, 301, 302, 303, 304, 312, 314, 319
Düzeltme Faktörü 161 Hata Düzeyi 176, 208
Hata Kareler Ortalamas› 262
E Hata Terimi 255, 261
E¤ik Seri 57 Hatalar›n Kareler Toplam› 261
E¤ilim 36, 37, 53, 256, 279, 297, 298, 299, 300, 308, 309, 319 Hatalar›n Varyans› 262
E¤risel Model 306, 307, 308, 316 Hipotez 197, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222,
E¤risel Trend 306, 307 223, 224, 225, 226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 237, 239,
Elementer Olay 71 240, 242, 243, 244, 248, 261, 264, 265, 268, 274, 275
En Çok Olabilirlik Yöntemi 256 Hipotez Testi 212, 213, 214, 218, 219, 220, 223, 228, 265
En Küçük Kareler (EKK) Yöntemi 256 Histogram 23, 24, 25, 26, 30, 32, 56, 138, 265
En Küçük Kareler Normal Denklemleri 306, 307, 308, 316, Hücre 80
317
Eflit Aral›kl› Zaman Noktalar› 295 I-‹
Eflit Olas›l›kl› Sonuçlar 75 I. Tip Hata 218, 222
II. Tip Hata 218
F ‹adeli Rassal Seçim Süreci 181
Faktöriyel 104, 115, 116 ‹adesiz Rassal Seçim Süreci 181
Farkl›l›k 63, 181, 184, 195, 199, 213, 214, 216, 218, 219, 224, 226, ‹ki Sonuçlu (Kesikli) Bir Rassal De¤iflken 118
229, 230, 232, 293, 305, 313 ‹ki Yönlü Test 222, 224, 229
Fisher ‹ndeksi 289, 290 ‹liflki (Ba¤›nt›) 240
Frekans Da¤›l›m› 15, 18, 19, 21, 22, 30, 31, 32, 59, 213, 239, 244, ‹liflkinin Derecesi 238, 246, 247, 253, 254, 269, 270, 275
246, 248, 249 ‹ndeks 45, 46, 280, 281, 282, 283, 284, 285, 286, 287, 288, 289, 290,
Frekans E¤risi 27, 31 291, 292, 301, 315, 316
Frekans Poligonu 23, 25, 26, 27, 30, 32 ‹ndeks Say›s› 285, 290
Frekans Serisi 16, 17, 18, 20, 23, 31, 32, 39, 42, 50, 54, 55, 61 ‹radi Örnekleme 8
‹statistik 3, 4, 5, 7, 8, 9, 13, 15, 17, 29, 32, 36, 37, 48, 49, 58, 59,
G 60, 69, 73, 101, 105, 169, 171, 180, 182, 183, 184, 185, 187, 188, 191, 196,
Genel Veri Derleme 8 197, 198, 199, 201, 212, 213, 214, 218, 219, 228, 233, 239
Geometrik Ortalama 45, 46, 289, 290 ‹statistik Birimi 4
Gerçek Birim 5, 6 ‹statistik Kütlesi 5, 8, 9
Gerçek Kütle 6 ‹statistik Serisi 13, 15, 17, 32, 37, 48, 49
Göreli S›kl›k Da¤›l›mlar› 77, 105 ‹statistiksel Ç›karsama 182
Göreli S›kl›k Yo¤unluklar› 138 ‹statistiksel Deney 69, 73, 105
Gözlem Birimi 173, 176, 193 ‹statistiksel Hipotez 213, 214, 215, 220
Gözlem De¤eri 16, 22, 39, 42, 45, 46, 48, 49, 50, 51, 53, 54, 55, 60, ‹statistiksel Karar 222, 227, 230
65, 176, 256, 279, 282, 297, 300, 301, 302, 303, 304, 305, 308, 309, 310, ‹statistiksel Tahminleme 197, 198
313, 317, 319, 320 ‹statistiksel Test 214, 215, 228
Grupland›r›lm›fl Seri 12, 17 ‹statistiksel Yorumlama 197
328 Dizin
K L
Kamuoyu Araflt›rmas› 163 Laspeyres ‹ndeksi 289, 290
Karakteristik 3, 80, 169, 184, 185 Liste 14, 15, 32, 72, 79, 107, 108, 116, 174, 179, 208
Karar Verme 172, 197, 218, 220, 235, 302 Logaritmik Dönüflüm 205
Kareli Ortalama 37, 46, 47, 48, 60, 62, 66, 191
Karfl›l›kl› (ya da Tamam›yla) Ayr›k Olaylar 83 M
Karfl›t Hipotez 215, 216, 220, 223, 240, 243 Maddesel Bir Varl›¤a Sahip Birimler 4, 5, 9
Kartezyen Grafik 296, 297 Maddesel Varl›¤a Sahip Olmayan Birimler 4
Kartopu Örneklemesi 179 Marjinal Olas›l›k 80
Kat›fl›k Olay 71, 72 Medyan 48, 49, 50, 51, 52, 53, 57, 65, 66, 307
Kesikli Da¤›l›m 104, 105, 106, 107, 108, 111 Medyan S›n›f› 50, 51, 52
Kesikli Rassal De¤iflken 104, 105, 106, 107, 111, 113, 118, 119, Mekan De¤iflkeni 5, 14
126, 128, 137, 160, 161 Mekan ‹ndeksi 280, 281
Kesikli Rassal De¤iflkenin Ortalamas› 104, 111, 113 Mekan Serisi 14, 32, 280
Kesikli Bir Rassal De¤iflkenin Standart Sapmas› 104, 111, Merkezi E¤ilim Ölçüleri 36, 37
112, 113, 114 Merkezi Limit Teoremi 187, 191, 203
Kesikli Zaman Serisi 295 Merkezilefltirilmifl Hareketli Ortalama 303, 304, 314
Kesin olay 74 Mevsim ‹ndeksleri 315, 316
Kestirici 256, 262 Mevsimsel Bileflen 295, 299, 305, 306, 311, 312, 313, 314, 316,
Kestirim 69, 252, 253, 255, 256, 257, 260, 261, 262, 263, 264, 273 319
Keyfi Seçim Usulü 177 Mevsimsel Faktör 305
Ki-Kare Ba¤›ms›zl›k Testi 239, 240, 242, 246 Mevsimsel Seriler 294, 304, 305, 311, 312
Ki-Kare Da¤›l›m› 219 Mod 27, 48, 53, 54, 55, 57, 58, 59, 66
Ki-Kare Homojenlik Testi 242, 243 Mod S›n›f› 54, 55
Ki-Kare Uygunluk Testi 244, 245, 246, 249 Mutlak De¤iflkenlik Ölçüleri 62
K›smi Veri Derleme 8
Klasik Olas›l›k Kural› 75, 78 N
Kolayda Örnekleme 177, 178 Nicel Araflt›rma 175
Kombinasyon 104, 115, 116, 117, 304, 305 Nicel De¤iflkenler 239
Konjonktürel Bileflen 295, 300, 304, 305, 309, 310, 312, 314, Nitel Araflt›rma 175
317, 319 Nitel De¤iflken 239, 242
Konjonktürel de¤iflme 297, 300, 317 Nokta Tahmini 198, 199
Kontenjans Katsay›s› 246, 247, 248 Nokta Tahminlemesi 196, 197, 198, 199, 207, 208
Kontenjans Tablolar› 241 Nokta Tahminleyicisi 198
Korelasyon 249, 266, 267, 268, 269, 270 Normal Da¤›l›m 136, 137, 140, 141, 142, 143, 144, 146, 147, 148,
Korelasyon Analizi 267, 269, 276 150, 151, 152, 155, 156, 157, 158, 160, 161, 162, 163, 176, 187, 191, 200,
Korelasyon Katsay›s› 269, 270, 271, 272, 273, 274, 275 201, 202, 204, 206, 208, 217, 218, 219, 220, 221, 223, 224, 225, 226, 228,
Koflullu Olas›l›k 81, 83, 92 229, 231, 234, 235, 274
Kota Örneklemesi 178, 193 Normal Denklemler 257, 258, 306, 307, 308, 317
Kritik De¤er 220, 221, 222, 235, 241, 245 Normal E¤ri 140, 141, 142, 143, 144, 145, 146, 147, 148, 156, 157,
Kura Usulü 179, 180 158, 159, 202, 220, 221, 232, 266
Kuramsal Frekanslar 245 Normal Olas›l›k Da¤›l›m› 137, 140, 141
Kuramsal Olas›l›k 77, 107 Normal Rassal De¤iflken 140
Küme Örneklemesi 183, 184
Kütle 5, 6, 7, 8, 9, 107, 121, 169, 173, 174, 175, 177, 179, 180, 181, O-Ö
184, 185, 187, 188, 190, 191, 192, 197, 198, 199, 201, 204, 206, 213, 214, Olanaks›z Olay 74
215, 216, 223, 227, 230, 239, 242, 244, 255, 263, 274 Olas›l›¤›n Göreli S›kl›k Kavram› 75, 76, 77
Dizin 329
Olas›l›k 69, 70, 74, 75, 76, 77, 78, 80, 81, 107, 108, 118, 125, 128, Örnekleme Hatas› 168, 172, 180, 182, 191, 192, 216, 222, 230,
132, 137, 140, 156, 160, 199, 213, 215, 218, 245, 249 232
Olas›l›k Da¤›l›m› 104, 105, †106, 107, 108, 109, 110, 112, 113, Örnekleme Oran› 187, 190, 202, 203
115, 118, 120, 123, 124, 125, 126, 128, 129, 130, 131, 133, 134, 135, 136, Örnekleme Plan› 173, 174, 184, 190, 191, 193
137, 138, 139, 140, 160, 185 Örnekleme Teorisi 213
Olas›l›k Da¤›l›m›n›n Ortalamas› 112
Olas›l›k Düzeyi 199, 229, 235 P-R
Olas›l›k Yo¤unluk Fonksiyonu 138 Paasche ‹ndeksi 289, 290
Olas›l›kl› Olmayan Örnekleme 168, 174, 175, 184 Parametre 3, 130, 133, 134, 141, 158, 159, 161, 169, 171, 180, 181,
Olas›l›kl› Örnekleme 168, 169, 174, 179, 180, 184 182, 185, 188, 191, 192, 193, 197, 198, 199, 200, 201, 202, 208, 212, 213,
Olay 3, 4, 5, 6, 7, 9, 13, 37, 68, 69, 71, 72, 74, 75, 76, 77, 78, 80, 81, 214, 215, 216, 219, 222, 223, 244, 245, 252, 255, 256, 262, 263, 264, 304,
82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 98, 100, 101, 110, 305, 306, 308
120, 129, 132, 173, 279, 281, 300 Parametre Tahminleyicisi 182
Olaylar›n Ara Kesiti 68, 89 Parametrik Hipotez Testleri 215
Olaylar›n Bileflimi 68, 95, 96 Parametrik Olmayan Hipotez Testleri 215
Oranlar›n Ortalamas› 45 Poisson Olas›l›k Da¤›l›m› 129, 130, 131, 133, 134
Oranlar›n Örnekleme Da¤›l›m› 189, 191, 193, 231, 233 Poligon 23, 25, 26, 27, 32, 138, 266
Oransal Büyüklük 225 Rassal Bileflen 295, 300, 302, 304, 305, 309, 310, 311, 312, 313,
314, 317, 318, 319
Oransal De¤iflim 279, 280, 281, 283
Rassal Dalgalanma 299
Ortalama 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 53, 57,
Rassal De¤iflken 105, 106, 107, 108, 111, 112, 118, 126, 128, 129,
59, 60, 111, 112, 128, 132, 141, 142, 147, 156, 158, 169, 175, 185, 186, 187,
137, 140, 142, 147, 152, 160, 161, 185, 186, 187, 189, 190, 191, 198, 199,
190, 192, 198, 199, 201, 202, 204, 206, 213, 215, 223, 228, 253, 262, 280,
201, 226, 244, 248, 249
281, 285, 286, 289, 302, 314
Rassal De¤iflme 297, 300, 301
Ortalama ‹liflki 253
Rassal Örneklem 8, 179, 180, 181, 182, 183, 185, 186, 187, 188,
Ortalamalar Orijini 258, 259, 260
189, 190, 191, 197, 198, 199, 200, 201, 202, 203, 206, 208, 214, 219, 235,
Ortalamalar›n Ortalamas› 45
242
Önerme 213, 214
Rassal Örnekleme 179, 180, 181, 182, 183, 186, 187, 189, 190
Öngörü 8, 69, 78, 164, 245, 294, 295, 302, 304, 306, 311, 312, 318
Rassal Örnekleme Yöntemi 181
Örneklem 3, 8, 9, 60, 69, 75, 169, 171, 172, 173, 174, 177, 178, 179,
Rassal Say›lar Tablosu 179, 180
180, 181, 183, 184, 185, 187, 188, 190, 191, 192, 198, 199, 201, 204, 206,
Rassal Seçim 179, 180, 181, 182, 184, 206, 208
213, 218, 219, 220, 227, 231, 263, 264, 273, 274, 275
Red Bölgesi 216, 217, 218, 220, 221, 222, 224, 225, 226, 227, 229,
Örneklem Hacmi 76, 78, 168, 174, 175, 176, 177, 178, 182, 183,
231, 232, 233, 235, 241, 242, 245, 248, 266
186, 187, 193, 201, 204, 206, 219, 224, 227, 228, 229, 231, 234, 245
Regresyon 249, 252, 253, 255, 256, 257, 258, 259, 260, 261, 262,
Örneklem ‹statisti¤i 171, 176, 184, 188, 192, 197, 200, 208, 214,
263, 264, 267, 269, 270, 271, 272, 273, 275, 276
216, 217, 218, 219, 220, 221, 223, 231, 242
Regresyon Analizi 253, 255, 256, 264
Örneklem ‹statisti¤inin Örnekleme Da¤›l›m› 184
Regresyon Çözümlemesi 253, 263
Örneklem Oran› 168, 181, 189, 190, 193, 206, 230, 231, 232, 234
Regresyon Denklemi 252, 253, 256, 257, 258, 259, 260, 261, 262,
Örneklem Oran›n›n Örnekleme Da¤›l›m› 232
264, 266, 272
Örneklem Uzay› 68, 69, 70, 71, 74, 75, 89, 95, 101
Regresyon Do¤rusu 255, 258, 259, 264, 273
Örneklem Varyans› 179, 189
Regresyon Katsay›s› 256, 258, 260, 263, 264, 266, 271, 272, 275
Örnekleme 8, 169, 171, 172, 173, 174, 175, 177, 178, 179, 180, 181,
Regresyon Sabiti 264
182, 183, 184, 185, 188, 190, 191, 192, 197, 202, 206, 213, 214, 218, 219,
220, 228, 231, 255, 263
S-fi
Örnekleme Birimi 173, 180, 193
Sabit Esasl› ‹ndeks 281, 282
Örnekleme Da¤›l›m› 168, 184, 185, 186, 187, 190, 191, 192, 193, Sabit Terim 255
197, 200, 201, 202, 206, 263
Sadelefltirilmifl Normal Denklem 307
Örnekleme Da¤›l›m›n›n Varyans› 187, 190 Say›sal (Nicel) De¤iflkenler 239
Örnekleme D›fl› Hatalar 168, 172, 191, 192 Say›sal Karakteristik 3, 169, 184, 185
330 Dizin