Olasılık Ve İstatistik - Anadolu Üniversitesi Ders Notları

TC.
ANADOLU ÜN‹VERS‹TES‹ YAYINI NO: 1448

AÇIKÖ⁄RET‹M FAKÜLTES‹ YAYINI NO: 771
‹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.
Copyright © 2003 by Anadolu University

All rights reserved
No part of this book may be reproduced or stored in a retrieval system, or transmitted
in any form or by any means mechanical, electronic, photocopy, magnetic, tape or otherwise, without
permission in writing from the University.
UZAKTAN Ö⁄RET‹M TASARIM B‹R‹M‹
Genel Koordinatör
Prof.Dr. Levend K›l›ç
Genel Koordinatör Yard›mc›s›

Doç.Dr. Müjgan Bozkaya
Ö¤retim Tasar›mc›s›
Yard.Doç.Dr. Melih Zeytino¤lu
Grafik Tasar›m Yönetmenleri

Prof. Tevfik Fikret Uçar
Ö¤r.Gör. Cemalettin Y›ld›z
Televizyon Programlar› Yöneticisi

Prof. Yalç›n Demir
Dil ve Yaz›m Dan›flmanlar›

Yard.Doç.Dr. Hülya Pilanc›
Okt. Ayd›n F›nd›ko¤lu
Okt. Meral Aflkar
Ölçme De¤erlendirme Sorumlusu

Ö¤r.Gör. Reha Akgün
Kitap Koordinasyon Birimi

Yard.Doç.Dr. Feyyaz Bodur
Uzm. Nermin Özgür
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
Temel Kavramlar .................................................................... 1 ÜN‹TE 1

G‹R‹fi ............................................................................................................. 3
B‹R‹M, DE⁄‹fiKEN VE ‹STAT‹ST‹K KÜTLES‹ (ANA KÜTLE) ..................... 4
Birim .............................................................................................................. 4
Birim Türleri ............................................................................................ 4
Maddesel Bir Varl›¤a Sahip Olan ya da Olmayan Birimler .................. 4
Sürekli ya da Ani Birimler ...................................................................... 4
Do¤al ya da Do¤al Olmayan Birimler ................................................... 4
Gerçek ya da Varsay›msal Birimler ....................................................... 5
De¤iflken (Özellik) ........................................................................................ 5
De¤iflken (Özellik) Türleri ...................................................................... 5
‹statistik Kütlesi (Ana Kütle) ........................................................................ 5
Kütle Türleri ............................................................................................ 6
VER‹ DERLEME ............................................................................................. 6
Birim Seçimi .................................................................................................. 7
De¤iflken ve fi›klar›n Belirlenmesi .............................................................. 7
Kütlenin S›n›fland›r›lmas› ............................................................................. 7
Veri Derleme Türleri .................................................................................... 7
Ani ya da Sürekli Veri Derleme ............................................................. 7
Genel ya da K›smi Veri Derleme ........................................................... 8
Kendimizi S›nayal›m .................................................................................... 9
Yan›t Anahtar› ............................................................................................. 10
Yararlan›lan Kaynaklar ................................................................................ 10
‹statistik Serileri (Frekans Da¤›l›mlar›) ............................... 11 ÜN‹TE 2

G‹R‹fi ........................................................................................................... 13
SER‹ TÜRLER‹ ............................................................................................. 13
Zaman ve Mekan Serileri ........................................................................... 13
Da¤›lma Serileri ........................................................................................... 14
Birikimli Seriler ........................................................................................... 19
Bileflik Seriler .............................................................................................. 21
SER‹LER‹N GRAF‹KLE GÖSTER‹LMES‹ ..................................................... 22
Frekans Serilerinin Grafikle Gösterilmesi ................................................. 22
S›n›fland›r›lm›fl Serilerin Grafikle Gösterilmesi ......................................... 23
Histogram ............................................................................................... 23
Frekans Poligonu ................................................................................... 25
Birikimli Serilerin Grafikle Gösterilmesi .................................................... 27
Bileflik Serilerin Grafikle Gösterilmesi ....................................................... 29
Kendimizi S›nayal›m ................................................................................... 31
Yan›t Anahtar› ............................................................................................. 33
Yararlan›lan Kaynaklar ............................................................................... 33
iv ‹çindekiler
ÜN‹TE 3 Merkezi E¤ilim ve De¤iflkenlik Ölçüleri .............................. 35

G‹R‹fi ........................................................................................................... 37
MERKEZ‹ E⁄‹L‹M ÖLÇÜLER‹ (ORTALAMALAR) ...................................... 37
Duyarl› Ortalamalar .................................................................................... 37
Aritmetik Ortalama ................................................................................ 37
Aritmetik Ortalaman›n Özellikleri ........................................................ 41
Tart›l› Aritmatik Ortalama ..................................................................... 43
Geometrik Ortalama ............................................................................. 45
Kareli Ortalama ..................................................................................... 46
Duyarl› Olmayan Ortalamalar ................................................................... 49
Medyan .................................................................................................. 49
Mod ....................................................................................................... 53
Serinin Simetri Durumuna Göre Ortalamalar Aras›ndaki ‹liflki ............... 57
DE⁄‹fiKENL‹K ÖLÇÜLER‹ ........................................................................... 59
De¤iflim Aral›¤› ........................................................................................... 60
Standart Sapma ........................................................................................... 60
De¤iflim Katsay›s› ........................................................................................ 62
Yan›t Anahtar› ............................................................................................. 66
ÜN‹TE 4 Olas›l›k .................................................................................... 67

G‹R‹fi ............................................................................................................ 69
DENEY, SONUÇ VE ÖRNEKLEM UZAYI .................................................. 69
Basit ve Bileflik Olaylar .............................................................................. 71
Basit Olay .............................................................................................. 72
Bileflik Olay ........................................................................................... 72
OLASILIK HESAPLAMA .............................................................................. 74
Olas›l›¤›n ‹ki Özelli¤i .................................................................................. 74
Olas›l›¤a Üç Kavramsal Yaklafl›m .............................................................. 75
Klasik Olas›l›k ........................................................................................ 75
Olas›l›¤›n Göreli S›kl›k Kavram› ........................................................... 76
Öznel Olas›l›k Kavram› ......................................................................... 78
SAYMA KURALI .......................................................................................... 79
B‹LEfiEN (MARJ‹NAL) VE KOfiULLU OLASILIKLAR .................................. 79
AYRIK OLAYLAR ........................................................................................ 83
BA⁄IMSIZ VE BA⁄IMLI OLAYLAR ........................................................... 85
‹ki Önemli Nokta ....................................................................................... 87
TAMAMLAYICI (BÜTÜNLEY‹C‹) OLAYLAR ............................................. 87
OLAYLARIN ARA KES‹T‹ VE ÇARPMA KURALI ...................................... 89
Olaylar›n Ara Kesiti .................................................................................... 89
Çarpma Kural› ............................................................................................ 90
Ba¤›ms›z Olaylar ‹çin Çarpma Kural› ........................................................ 92
Ayr›k Olaylar›n Bileflik Olas›l›¤› ................................................................ 94
OLAYLARIN B‹LEfi‹M‹ VE TOPLAMA KURALI ......................................... 95
Olaylar›n Bileflimi ....................................................................................... 95
Toplama Kural› ........................................................................................... 96
Ayr›k Olaylar ‹çin Toplama Kural› ............................................................ 97
Kendimizi S›nayal›m .................................................................................. 101
Yan›t Anahtar› ............................................................................................ 102
Yararlan›lan Kaynaklar ...............................................................................102
‹çindekiler v
Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› ............. 103 ÜN‹TE 5

G‹R‹fi ........................................................................................................... 105
RASSAL DE⁄‹fiKENLER ............................................................................ 105
Kesikli Rassal De¤iflken ............................................................................. 105
Sürekli Rassal De¤iflken ............................................................................. 106
KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N OLASILIK DA⁄ILIMI ....................... 107
KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N ORTALAMASI VE
STANDART SAPMASI ................................................................................. 111
Kesikli Bir Rassal De¤iflkenin Ortalamas› ................................................. 111
Kesikli Bir Rassal De¤iflkenin Standart Sapmas› ...................................... 112
Standart Sapman›n Yorumu ...................................................................... 114
FAKTÖR‹YELLER VE KOMB‹NASYONLAR .............................................. 115
Faktöriyeller ................................................................................................ 115
Kombinasyonlar ......................................................................................... 116
B‹NOM (‹K‹ TER‹ML‹) OLASILIK DA⁄LIMI ............................................. 118
Binom Deneyi ............................................................................................ 118
Binom Olas›l›k Da¤›l›m› ve Binom Formülü ........................................... 119
Baflar› Olas›l›¤› ve Binom Da¤›l›m›n›n Biçimi ......................................... 125
Binom Da¤›l›m›n›n Ortalama ve Standart Sapmas› ................................. 126
PO‹SSON OLASILIK DA⁄ILIMI ................................................................. 128
Poisson Olas›l›k Da¤›l›m›n›n Ortalama .................................................... 132
Yan›t Anahtar› ............................................................................................ 134
Yararlan›lan Kaynaklar .............................................................................. 134
Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m ................. 135 ÜN‹TE 6

G‹R‹fi ........................................................................................................... 137
SÜREKL‹ OLASILIK DA⁄ILIMI .................................................................. 137
Normal Da¤›l›m .......................................................................................... 140
Normal Olas›l›k Da¤›l›m› ........................................................................... 140
Standart Normal Da¤›l›m ........................................................................... 142
Normal Da¤›l›m›n Standartlaflt›r›lmas› ....................................................... 147
Normal Da¤›l›m Uygulamalar› ................................................................... 152
NORMAL DA⁄ILIM E⁄R‹S‹ ALTINDAK‹ ALAN B‹L‹N‹YORKEN
z VE x DE⁄ERLER‹N‹N BULUNMASI ................................................... 156
B‹NOM DA⁄ILIMINA NORMAL DA⁄ILIM YAKLAfiIMI .......................... 160
Yan›t Anahtar› ............................................................................................ 165
Örnekleme ............................................................................ 167 ÜN‹TE 7

G‹R‹fi .......................................................................................................... 169
TAMSAYIM VE ÖRNEKLEM ..................................................................... 169
ÖRNEKLEME YAPMAYI GEREKL‹ KILAN NEDENLER ........................... 171
ÖRNEKLEME SÜREC‹N‹N AfiAMALARI ................................................... 173
Ana Kütlenin Tan›mlanmas› ..................................................................... 173
Çerçevenin Belirlenmesi ........................................................................... 174
Örnekleme Yönteminin Seçimi ................................................................ 174
Örneklem Hacminin Belirlenmesi ............................................................ 174
vi ‹çindekiler
Nitel De¤erlendirmede Esas Olan Faktörler ....................................... 175

Nicel Yöntemler ................................................................................... 175
Örneklemin Seçimi .................................................................................... 177
ÖRNEKLEME YÖNTEMLER‹ ...................................................................... 177
Olas›l›kl› Olmayan Örnekleme Yöntemleri .............................................. 177
Kolayda Örnekleme ............................................................................. 177
Yarg›sal Örnekleme ............................................................................. 178
Kota Örneklemesi ................................................................................ 178
Kartopu Örneklemesi .......................................................................... 179
Olas›l›kl› Örnekleme Yöntemleri .............................................................. 179
Basit Rassal Örnekleme ....................................................................... 180
Tabakal› Örnekleme ............................................................................. 181
Sistematik Örnekleme .......................................................................... 183
Küme Örneklemesi .............................................................................. 183
ÖRNEKLEME DA⁄ILIMI ............................................................................ 184
Örneklem Ortalamas› X'nın Örnekleme Da¤›l›m› ................................... 185
Ortalama ve Standart Hata .................................................................. 186
Merkezi Limit Teoremi .............................................................................. 187
Örneklem Oran› p’nin Örnekleme Da¤›l›m› ............................................ 188
Ortalama ve Varyans .................................................................................. 190
Da¤›l›m fiekli ve Merkezi Limit Teoremi .................................................. 191
ÖRNEKLEMEDE HATA KAVRAMI VE STANDART HATA ...................... 191
Örnekleme Hatas› - Standart Hata ............................................................ 191
Örnekleme D›fl› Hatalar ............................................................................ 192
Yan›t Anahtar› ............................................................................................ 194
ÜN‹TE 8 ‹statistiksel Tahminleme....................................................... 195

G‹R‹fi ......................................................................................................... 197
‹STAT‹KSEL TAHM‹NLEME ...................................................................... 197
‹STAT‹KSEL TAHM‹NLEME TÜRLER‹ ...................................................... 198
Nokta Tahminlemesi.......... ....................................................................... 198
Ana Kütle Aritmetik Ortalamas› µ ’nün Nokta Tahminlemesi........ 198
Ana Kütle Oran› π ’nin Nokta Tahminlemesi.................................. 199
Aral›k Tahminlemesi ................................................................................. 200
Ana Kütle Aritmetik Ortalamas›n›n Aral›k Tahminlemesi .............. 201
Yan›t Anahtar› ............................................................................................ 209
ÜN‹TE 9 Hipotez Testleri .................................................................... 211

G‹R‹fi ........................................................................................................... 213
‹STAT‹ST‹KSEL H‹POTEZ VE ‹STAT‹ST‹KSEL H‹POTEZ TEST‹ ............. 213
H‹POTEZ TEST‹ TÜRLER‹ ......................................................................... 215
H‹POTEZ TEST‹ SÜREC‹N‹N ADIMLARI .................................................. 215
Hipotezlerin ‹fade Edilmesi ...................................................................... 215
Anlaml›l›k Düzeyinin Belirlenmesi ........................................................... 218
Verilerin Derlenmesi ................................................................................. 219
Test ‹statisti¤inin Seçilmesi ....................................................................... 219
‹statistiksel Karar›n Verilmesi ................................................................... 220
‹çindekiler vii
Probleme ‹liflkin Karar›n Verilmesi ........................................................... 222

TEK ANAKÜTLE PARAMETRES‹YLE ‹LG‹L‹ H‹POTEZ TESTLER‹ ........... 223
Anakütle Ortalamas›na ‹liflkin Hipotez Testleri ....................................... 223
Anakütle Ortalamas›na ‹liflkin Büyük Örneklem Testi ............................ 223
Anakütle Ortalamas›na ‹liflkin Küçük Örneklem Testi ............................. 227
Anakütle Oran›na ‹liflkin Test .....................................................................230
Yan›t Anahtar› ............................................................................................ 236
Ki-Kare Testi ......................................................................... 237 ÜN‹TE 10

G‹R‹fi .......................................................................................................... 239
K‹-KARE BA⁄IMSIZLIK TEST‹ .................................................................. 239
K‹-KARE HOMOJENL‹K TEST‹ .................................................................. 242
K‹-KARE UYGUNLUK (‹Y‹ UYUM) TEST‹ ................................................ 244
KONTENJANS KATSAYISI ......................................................................... 246
Yan›t Anahtar› ............................................................................................ 249
Basit Do¤rusal Regresyon .................................................... 251 ÜN‹TE 11

G‹R‹fi ........................................................................................................... 253
SERP‹LME D‹YAGRAMI ............................................................................. 253
BAS‹T DO⁄RUSAL REGRESYON .............................................................. 255
Basit Do¤rusal Regresyon Modeli ............................................................. 255
Basit Do¤rusal Regresyon Denkleminin Kestirimi ................................... 256
Katsay›lar›n En Küçük Kareler (EKK) Kestirimleri ................................... 256
VARYANSIN (σ2 ) KEST‹R‹M‹ ................................................................... 261
BAS‹T DO⁄RUSAL REGRESYONDA ARALIK KEST‹R‹M‹ ........................ 262
REGRESYON KATSAYILARININ ANLAMLILIK TESTLER‹ ........................ 264
Yan›t Anahtar› ............................................................................................. 266
Korelasyon ............................................................................. 267 ÜN‹TE 12

G‹R‹fi .......................................................................................................... 269
KORELASYON KATSAYISI ....................................................................... 269
BEL‹RL‹L‹K KATSAYISI ............................................................................. 272
KORELASYON KATSAYISININ ANLAMLILIK TEST‹ ............................... 274
Kendimizi S›nayal›m ................................................................................. 275
Yan›t Anahtar› ........................................................................................... 275
‹ndeksler ................................................................................. 293 ÜN‹TE 13

G‹R‹fi ........................................................................................................... 279
‹NDEKSLER ................................................................................................. 280
Mekan ‹ndeksleri .................................................................................. 280
Zaman ‹ndeksleri .................................................................................. 281
Basit ve Bileflik ‹ndeksleri ......................................................................... 283
viii ‹çindekiler
Basit ‹ndeksler ...................................................................................... 283

Bileflik ‹ndeksler ................................................................................... 284
Fisher ‹ndeksi ....................................................................................... 289
Yan›t Anahtar› ............................................................................................ 292
ÜN‹TE 14 Zaman Serisi Çözümlemesi ................................................. 293

G‹R‹fi ........................................................................................................... 295
ZAMAN SER‹S‹N‹N TANIMI VE GRAF‹KLE GÖSTER‹LMES‹ ................... 295
Zaman Serisi Tan›m› .................................................................................. 295
Zaman Serisinin Grafikle Gösterilmesi ..................................................... 296
ZAMAN SER‹LER‹N‹ ETK‹LEYEN FAKTÖRLER .........................................297
Zaman Serisini Etkileyen Temel Faktörler (Bileflenler) ............................297
Yan›lt›c› Faktörler ....................................................................................... 300
ZAMAN SER‹S‹ ÇÖZÜMLEMES‹ ................................................................ 301
Zaman Serisi Çözümlemesi Tan›m› .......................................................... 301
Zaman Serisi Çözümlemesinde Hareketli Ortalamalar ............................ 302
ZAMAN SER‹S‹ ÇÖZÜMLEMES‹NDE B‹LEfiENLERE AYIRMA
YÖNTEM‹ ................................................................................................... 304
Genel Aç›klamalar ...................................................................................... 304
Yönteme ‹liflkin Modeller .......................................................................... 304
Bileflenlere Ay›rma Yöntemiyle Çözümlemede Aflamalar ....................... 305
Serinin Yan›lt›c› Faktörlerin Etkisinden Ar›nd›r›lmas› ........................ 305
Çarp›msal Modelin Uygulanmas› ......................................................... 305
Yan›t Anahtar› ............................................................................................ 320
Sözlük ................................................................................ 324

Dizin ................................................................................... 326
Sunufl ix
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.
Prof.Dr. Ali Fuat YÜZER

Mart 2003
xx Kullan›m K›lavuzu
K endi kendine ö¤renme

ilkelerine göre
haz›rlanm›fl olan bu kitab›n
ifllevlerini ö¤renmek için
haz›rlanan “Kullan›m Çal›flma Biçimine ‹liflkin Olarak: Ça-
l›flma biçimiyle ilgili bölümde, ünite-
K›lavuzu”, konular› de yeralan konular› daha iyi kavraya-
anlaman›zda ve s›navlara bilmeniz için neler yapman›z gerekti-
haz›rlanman›zda sizlere ¤i maddeler halinde s›ralanmaktad›r.
fayda sa¤layacakt›r.
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.
‹çerik Haritas›: ‹çerik haritas›, ünite

içinde yeralan ana konular› ve bu
konulara ba¤l› alt düzey konular›
gösterir.
Kullan›m K›lavuzu xi
Yanyaz›: Ünitenin içinde yer alan baz›

önemli kavram ve bilgilere yönelik
tan›m ya da aç›klamalar› sayfan›n yan
bofllu¤unda bulabilirsiniz.
Örnek: Üniteler içinde çal›flt›¤›n›z konuyu daha

iyi kavraman›z, bilgi ve beceri kazanman›z›
sa¤layacak, çok say›da örnek problem ve
çözümleri bulabilirsiniz.
Yan›t Anahtar›: Kendimizi s›nayal›m
bölümlerinde yan›tlad›¤›n›z çoktan
seçmeli sorular›n yan›tlar› kitab›n›z›n
sonunda sunulmufltur.
S›ra Sizde: Herhangi bir

SIRA S‹ZDE SIRAalt›nda
bafll›k S‹ZDE yap›lan
Yararlan›lan Kaynaklar:
aç›klamalar›n bitiminde Ünitelerde çal›flt›¤›n›z konu-
ya da aras›nda sizlerin aç›klanan larla ilgili baflvurabilece¤iniz
D Ü fi Ü N E L ‹ M D Ü fi Ükavramad›¤›n›z›
konuyu kavray›p NEL‹M di¤er kaynaklar kitab›n›z›n
ölçmenize yard›mc› olmak için sonunda yer almaktad›r.
sorulan sorulard›r.
S O R U S O R U
Kendimizi S›nayal›m: Ünitelerin

D‹KKAT D‹KKAT sonunda, kendi kendinizi test
edebilmenizi amaçlayan çoktan
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.
Maddesel Bir Varl›¤a Sahip Olan ya da Olmayan Birimler

E¤er birimler insan, araba ve benzeri gibi canl› ya da cans›z maddesel bir varl›¤a
sahipse, bu tür birimlere, maddesel varl›¤a sahip birimler ad› verilir. E¤er birim-
ler, do¤um, ölüm, trafik kazas› ve benzeri gibi olay niteli¤indeyse bu tür birimle-
re de maddesel varl›¤a sahip olmayan birimler ad› verilir.
Sürekli ya da Ani Birimler

‹statisti¤in ilgi alan›na giren olaylar, do¤al olarak, s›n›rl› bir ömre sahiptir. Belirli
bir zaman aral›¤› içinde herhangi bir anda gözlenebilen istatistik birimlerine sü-
rekli birimler ad› verilir. Örne¤in; insan, bina, ticari bir kurulufl ve benzerleri gi-
bi. Bu tür birimler varl›klar›n› sürdürdükleri süre içinde herhangi bir anda göz-
lemlenebilirler. Dolay›s›yla bu tür birimler, istenilen bir zamanda yap›lacak bir sa-
y›m için uygun bir ortam olufltururlar. Maddesel bir varl›¤a sahip birimler sürekli
birimlerdir.
Öte yandan; evlenme, boflanma, trafik kazas› gibi bir olay ya da bir fiil biçi-
minde ortaya ç›kan birimler, oldukça k›sa ömürlüdürler. Ani birimler olarak
isimlendirilen bu tür birimler, zaman içinde da¤›lm›fl olarak ortaya ç›karlar. Ko-
layl›kla anlafl›labilece¤i gibi, “ani birimler” maddesel bir varl›¤a sahip olmayan
birimlerdir.
Do¤al ya da Do¤al Olmayan Birimler

Nitelikleri aç›s›ndan bir bütün oluflturan, parçalanmalar› yada birlefltirilmeleri ha-
linde niteliklerini kaybeden birimlere “do¤al birim” ad› verilir. Örne¤in bir canl›
parçaland›¤›nda, canl› olma niteli¤ini kaybeder ve her parça da daha küçük bir
canl› oluflturmaz. Bir TV al›c›s› ya da bir otomobil için de durum ayn›d›r. Öte yan-
dan, iki ö¤renci bir araya getirilerek, daha uzun boylu, daha a¤›r ya da daha ze-
ki bir ö¤renci oluflturulamaz. Kolayl›kla anlafl›labilece¤i gibi, do¤al birimler bir

araya getirilerek ya da parçalanarak ayn› nitelikte birimler elde edilemezler.
Nitelikleri aç›s›ndan bir bütün olma özelli¤i göstermeyen birimlere do¤al ol-
mayan birim ad› verilir. Bu tür birimlerin, birlefltirildikleri ya da parçaland›klar› za-
man, nitelikleri de¤iflmez. Örne¤in bir arsa bir kaç parçaya bölünürse, daha kü-
çük arsalar ortaya ç›kar. Arsan›n, arsa olma niteli¤i de¤iflmez.
Gerçek ya da Varsay›msal Birimler

Gerçekte var olan birimlere “gerçek birim” ad› verilir. Bir birimin gerçek birim
olabilmesi için mutlaka maddesel bir varl›¤a sahip olmas› gerekmez. Örne¤in; ev,
arsa, insan, bisiklet gibi maddesel bir varl›¤a sahip birimler gerçek birimlere ör-
nek olufltururken, do¤um, ölüm, evlenme, iflas gibi olay ya da fiil biçiminde or-
taya ç›kan birimler de gerçek birimlerdir. Bir birimin, gerçek birim olabilmesi için,
ortaya ç›km›fl olmas› yeterlidir.
Öte yandan kuramsal olarak oluflturulabilecek birimler de söz konusudur. Ör-
ne¤in on ö¤renci aras›ndan, üçer ö¤renciden oluflacak her grup da bir birim ola-
rak görülebilir. Bu tür birimlere de “varsay›msal birimler” ad› verilir.
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.
De¤iflken (Özellik) Türleri

De¤iflkenler de farkl› ölçütler esas al›narak s›n›fland›r›labilir. Ancak bu ünitede de¤ifl-
kenler zaman, mekan ve maddesel de¤iflkenler bafll›klar› alt›nda s›n›fland›r›lacakt›r.
E¤er bir de¤iflkenin fl›klar› mekana göre olufluyorsa, bu tür de¤iflkenlere “me-
kan de¤iflkeni”, zamana göre olufluyorsa bu tür de¤iflkenlere de “zaman de¤iflke-
ni” ad› verilir. Mekan ve zaman de¤iflkenleri d›fl›ndaki tüm de¤iflkenlere ise “mad-
desel de¤iflken” ad› verilir. Örne¤in; do¤um yeri ve üniversitelerin bulunduklar›
flehirler mekan de¤iflkenlerine, do¤um y›l› ve üniversitelerin kurulufl y›llar› da za-
man de¤iflkenlerine örnekler oluflturur. Öte yandan, insanlar›n medeni durumu,
bir iflletmedeki birim de¤iflken maliyetler ve bir s›n›fta belirli bir dersten al›nan
notlar da maddesel de¤iflkene örnekler oluflturur.
‹statistik Kütlesi (Ana Kütle)

Y›¤›n olay niteli¤inde ve ayn› cins birimlerin oluflturdu¤u toplulu¤a “istatistik Y›¤›n olay niteli¤indeki ayn›
cins birimlerin oluflturdu¤u
kütlesi” ya da “ana kütle” ad› verilir. Ancak, bir istatistik kütlesinden söz edebil- toplulu¤a “ana kütle” ad›
mek için, öncelikle kütleyi oluflturan birimlerin, ayn› genel nedenlerin etkisinde verilir.
olmas› gereklidir. Ayr›ca kütle, istatistik birimlerinin toplam›ndan farkl› bir yap›-
ya da sahip olmamal›d›r. Bir ülkede yaflayan insanlar, belirli bir bölgedeki evler,
bir y›l süresince belirli bir yerleflim merkezinde gözlenen do¤umlar, ölümler, tra-
fik kazalar›, istatistik kütlesi için örnekler oluflturur. Ancak, Anadolu Üniversite-
si, ö¤renci ve ö¤retim üyelerinden oluflmufl bir istatistik kütlesi olarak de¤erlen-
6 ‹statistik
dirilemez. Üniversite, ö¤renci ve ö¤retim üyelerinin toplam›ndan farkl›, tüzel ki-

flili¤e sahip bir varl›kt›r.
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.
Gerçek ya da Varsay›msal Kütleler

Gerçek birimlerin oluflturduklar› kütlelere, “gerçek kütle” ad› verilir. Bir üniversi-
tenin ö¤rencileri, bir yerleflim merkezinde bir y›lda gözlenen trafik kazalar› ve do-
¤um olaylar›n›n oluflturduklar› kütleler, gerçek kütlelere örnek olufltururlar.
Henüz oluflmam›fl, ancak oluflturulmas› mümkün olan kütlelereyse “varsay›m-
sal kütle” ad› verilir. Kolayl›kla görülebilece¤i gibi varsay›msal kütleler, varsay›m-
sal birimlerim oluflturdu¤u kütlelerdir. Örne¤in, 30 kiflilik bir s›n›ftan rasgele seçi-
5
lecek 5 kiflilik bir grup için C 30 = 142.506 farkl› seçim yap›labilir. 142.506 farkl› 5
kiflilik gruplar›n oluflturdu¤u kütle varsay›msal bir kütledir.
Sonlu ya da Sonsuz Kütleler

E¤er bir kütledeki birimler sonlu say›daysa baflka bir anlat›mla say›labiliyorsa, bu
tür kütlelere “sonlu (belirli)”, kütleyi oluflturan birim say›s› say›lam›yorsa, bu tür
kütlelere de “sonsuz (belirsiz)” kütle ad› verilir. Örne¤in, bir ülkede yaflayan in-
sanlar›n say›s› say›labilece¤inden bu ülkede yaflayan insanlar›n oluflturdu¤u kütle
sonlu bir kütledir. Marmara Denizinde yaflayan canl›larsa say›lamayacaklar› için
sonsuz bir kütle olufltururlar.
Sürekli ya da Süreksiz Kütleler

Parçaland›klar› ya da birlefltirildikleri zaman, niteliklerini kaybettikleri için, do¤al
birimlerden oluflan kütleler süreksiz, parçaland›klar› ya da birlefltirildiklerinde, ni-
teliklerini kaybetmedikleri için de do¤al olmayan birimlerden oluflan kütlelerse,
sürekli kütleler olufltururlar.
Zaman ve mekan birimleri do¤al birimler olmad›klar› için, her zaman sürekli
kütleleri olufltururlar.
SIRA S‹ZDE 1. Günümüzde

SIRA istatisti¤in
S‹ZDE hangi nedenlerle genifl bir uygulama alan›na sahip oldu¤unu
aç›klay›n›z.
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
Veri derleme kavram›n› aç›klayabilecek ve veri derleme türlerini
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.
TELEV‹ZYON TELEV‹ZYON
Yukar›daki tan›mdan da anlafl›labilece¤i gibi, belirlenen amaçlar do¤rultusun-

da istatistiksel bir çal›flma bafllat›l›rken, öncelikle araflt›rma konusuna uygun biri-
min ve ilgilenilen de¤iflken ya da de¤iflkenlerin dikkatli bir biçimde belirlenmesi
gerekir.
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.
De¤iflken ve fi›klar›n Belirlenmesi

Aç›kt›r ki, bir kütleyi oluflturan istatistik birimleri üzerinde bir çok de¤iflken tan›m-
lanabilir. Veri derlenirken sadece belirlenen amaçlar do¤rultusundaki de¤iflkenler
göz önünde tutulmal›d›r. Uygulamalarda fazla ayr›nt› sorunlara neden olabilir.
Öte yandan uygulamalarda gözlem say›s› kesinlikle sonlu bir say› olacakt›r.
Ayr›ca, gözlemlere ba¤l› olarak ilgili de¤iflkenlerin alacaklar› de¤erler de (fl›klar
da) ilgili de¤iflken sürekli ya da süreksiz olsun, sonlu olacakt›r.
fi›klar belirlenirken, gözden uzak tutulmamas› gereken önemli bir nokta da
gözlemlerde kullan›lan ölçü biriminin araflt›rman›n do¤as›na uygun olmas› gere¤i-
dir. Örne¤in; ayçiçek ya¤› üreten bir firman›n, ayl›k üretimi için kilo, flifle, teneke
ya da ton makul ölçülerken, bir sarraf›n bir günde satt›¤› bilezikler için gram uy-
gun bir ölçü olur.
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.
Veri Derleme Türleri

Veri derleme süreci kabaca, sürekli ya da ani ve k›smi ya da genel olmak üzere
iki bafll›k alt›nda toplanabilir.
Ani ya da Sürekli Veri Derleme

E¤er gözlemlenecek kütledeki birimler sürekli karakterdeyse, istenilen bir anda
gözlenmeye haz›r olan bu tür birimlerin gözlenmesi ya da kaydedilmesi ifllemle-
rine “ani veri derleme” denir. Nüfus say›mlar› ve ifl yeri say›mlar› bu tür veri der-
lemeye örnek oluflturur.
E¤er ilgilenilen kütle ani birimlerden oluflmuflsa (bu tür birimler zamana yay›l-
d›¤›ndan), belli bir zaman aral›¤›nda gözlenmeleri ve kaydedilmeleri gerekir. Bu
tür ifllemlere “sürekli veri derleme” denir. Belirli bir bölgede ve zaman aral›¤›nda
8 ‹statistik
evlenmeler, boflanmalar, trafik kazalar›, do¤umlar ve ölümlere iliflkin derlenen ve-

riler, bu tür veri derlemeye örnek oluflturur.
Genel ya da K›smi Veri Derleme

Hakk›nda bilgi edinilmek istenen kütlenin tamam›n›n gözlenmesine “genel veri
derleme” ad› verilir. Genel nüfus ve tar›m say›mlar› birer genel veri derlemedir.
Aç›kt›r ki, bu tür veri derleme hem pahal› hem de güçtür. Öte yandan, genel ve-
ri derlemede bilgi edinilmek istenen kütlenin zaman içindeki de¤iflim h›z› da
önem tafl›r. E¤er kütlenin de¤iflimi, araflt›rmada öngörülen zaman içinde sonuçla-
r› etkileyebilecek düzeydeyse, genel veri derleme kendisinden beklenen yararlar›
sa¤layamayaca¤› için tercih edilmemelidir. Ayr›ca gözlem ya da deneyler, gözlen-
dikleri anda fiziksel zararlara u¤ruyorsa, böyle durumlarda da genel veri derleme
uygulanamaz. Örne¤in, yeni bir teknolojiyle üretilen top mermilerinin hedef üze-
rindeki etkilerinin denenmesi gibi. Harcanan her mermi yok olaca¤›ndan, isteni-
len sonuçlara ne derece ulafl›ld›¤›, ancak üretilen mermilerin bir k›sm›n›n denen-
mesiyle araflt›r›labilir. Elbette ki genellemelerin yap›labilmesi için, denenecek
mermilerin belirli kurallara göre seçilmesi gerekir.
Hakk›nda bilgi edinilmek istenen kütleyi oluflturan birimler aras›ndan, belirle-
nen amaçlar do¤rultusunda yaln›zca bir k›sm›n›n seçilip gözlenmesine, “k›smi ve-
ri derleme” ad› verilir.
K›smi veri derleme, genel veri derlemenin pahal› oluflu, zaman al›fl›, gözlem
birimlerinin fiziksel zarara u¤ramas› gibi nedenlerle yap›lmak istenmedi¤i zaman
uygulan›r.
An›msanaca¤› gibi belirlenen amaçlar do¤rultusunda hakk›nda bilgi edinilmek
istenen y›¤›n›n tümüne ana kütle (ya da sadece kütle) ad› verilir. Bir ana kütle-
den uygun tekniklerle seçilen birimlerin oluflturdu¤u toplulu¤aysa “örneklem”
ad› verilir.
Ana kütleden uygun Belirlenen amaçlar uyar›nca bir örneklem oluflturulurken, örne¤i oluflturmak
tekniklerle seçilen birimlerin
oluflturdu¤u alt toplulu¤a
için seçilen tekni¤e göre de k›smi veri derleme, rassal ve iradi olama üzere iki k›s-
“örneklem” ad› verilir. ma ayr›l›r. Konu örnekleme bölümünde ayr›nt›lar›yla ele al›naca¤›ndan, burada
sadece tan›mlarla yetinilecektir.
E¤er örneklem seçilirken, ana kütledeki birimlerin hepsine örnekleme girebil-
mek için eflit flans verilirse oluflturulan örnekleme, “rassal örneklem” ad› verilir.
E¤er, bir örneklem oluflturulurken, kütledeki tüm birimlere eflit seçilme flans› ve-
rilmez, örne¤e girmesi mümkün birimler aras›nda fark gözetilirse, “iradi örnekle-
me” yap›lm›fl olur.
SIRA S‹ZDE 1. Veri derleme kavram›n› aç›klay›n›z.

SIRA S‹ZDE
2. Birim seçilirken dikkat edilmesi gereken noktalar› aç›klay›n›z.

D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
3. Bir istatistik kütlesi hangi nedenlerle s›n›rlanmak zorundad›r, aç›klay›n›z.
S O R U S O R U
D‹KKAT D‹KKAT
N N
Kendimizi S›nayal›m 7. Kütlelere iliflkin afla¤›daki ifadelerden hangisi

1. Afla¤›dakilerden hangisi istatistik birimi olarak al›namaz? do¤rudur?
a. Co¤rafi bölge a. Do¤al birimlerden oluflan kütleler süreklidir.
b. Do¤um b. Bir istatistik kütlesi, istatistik birimlerinin topla-
c. Koku m›ndan farkl› bir yap›ya sahip olabilir.
d. Boykot c. Zaman birimlerinden oluflan kütleler, süreksiz
e. Aile kütlelerdir.
d. Mekan birimlerinden oluflan kütleler, sürekli
2. Afla¤›dakilerden hangisi ani birimdir? kütlelerdir.
a. Ö¤renci e. Do¤al olmayan birimlerden oluflan kütleler sürek-
b. Aile siz kütlelerdir.
c. Derslik
d. Kavga 8. Afla¤›daki olaylardan hangisi ani veri derlemeye konu
e. Evli çiftler oluflturur?
a. Nüfus say›m›
3. Afla¤›dakilerden hangisi sürekli bir de¤iflkendir? b. Belirli bir yerde ve zaman aral›¤›ndaki do¤umlar
a. Medeni Hal c. Belirli bir yerde ve zaman aral›¤›ndaki iflaslar
b. Do¤um y›l› d. Belirli bir yerde ve zaman aral›¤›ndaki boflanmalar
c. Bir ülkede yaflayanlar›n say›s› e. Belirli bir yerde ve zaman aral›¤›ndaki grevler
d. Ülkelerin yüzölçümü
e. Apartmanlar›n daire say›s› 9. Belirlenen amaçlar do¤rultusunda hakk›nda bilgi edi-
nilmek istenen y›¤›n›n tümüne ne ad verilir?
4. Afla¤›dakilerden hangisi maddesel bir de¤iflkendir? a. Topluluk
a. Do¤um tarihi b. Örneklem
b. Medeni hal c. Grup
c. Ebeveyn d. Örnek
d. ‹flletmelerin kurulufl yeri e. Ana Kütle
e. Günün saatlerine göre ortalama s›cakl›k
10. Afla¤›dakilerden hangisi varsay›msal kütledir?
5. Birimlerle ilgili afla¤›da verilen ifadelerden hangisi a. Bir kütüphanedeki kitaplar
yanl›flt›r? b. Bir üniversitedeki ö¤renciler
a. Tüm olaylar istatistik birimi olufltururlar. c. Belirli bir bölgede ve zaman aral›¤›nda oluflan
b. Canl› ve cans›z varl›klar istatistik birimi olabilirler. trafik kazalar›
c. Birimin mutlaka maddesel bir varl›¤a sahip olma- d. 30 kiflilik bir s›n›ftan rasgele seçilecek farkl› dör-
s› gerekmez. der kiflilik ö¤renci gruplar›
d. Say›lamayan ya da ölçülemeyen olaylar ya da nes- e. Bir fakültedeki ö¤retim üyeleri
neler birim olamazlar.
e. Maddesel bir varl›¤a sahip birimler, sürekli birimlerdir.
6. Afla¤›dakilerden hangisi do¤al birim de¤ildir?

a. Otomobil
b. Ö¤renci
c. Banknot
d. Kitap
e. Uzunluk
10 ‹statistik
Yan›t Anahtar› Yararlan›lan Kaynaklar

1. c AVRAO⁄LU, Zeki: ‹statistik, 2. Bask›, Ankara ‹ktisadi
2. d ve Ticari ‹limler Akademisi Yay›n› 14, Ankara, 1977.
3. d ÇÖLMEKÇ‹, Necla: Temel ‹statistik ‹lke ve Teknik-
4. b leri, 2. Bask›, Bilim Teknik Yay›nevi, Eskiflehir, 1994.
5. a GÜRTAN, Kenan: ‹statistik ve Araflt›rma Metodla-
6. e r›, ‹stanbul Üniversitesi Yay›nlar›, No 2265, ‹stanbul,
7. d 1977.
8. a ÖZMEN, Ahmet: Uygulamal› Araflt›rmalarda Ör-
9. e nekleme Yöntemleri, Anadolu Üniversitesi Ya-
10. d y›nlar›, No 1257, Eskiflehir, 2000.
SERPER, Özer: Uygulamal› ‹statistik I, Filiz Kitabevi,
‹stanbul, 1986.
TURANLI, M. GÜR‹fi, S. AYAYDIN, A.: ‹statistik Temel
Kavramlar ve Uygulamalar, M. Ü. Nihad Sayar
E¤itim Vakf› Yay›nlar›, No 452-685, ‹stanbul, 1993.
RONALD AYLMER FISHER (1890-1962)
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.
• 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‹
Gözlem de¤erlerinden hareketle istatistik serileri oluflturabile-

AMAÇ
1 ceksiniz.
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.
Zaman ve Mekan Serileri

E¤er gözlem sonuçlar› y›l, ay, hafta, gün ya da saat gibi bir zaman de¤iflkeninin
fl›klar›na göre s›ralan›rsa, oluflturulan seriye “zaman serisi” ad› verilir. Y›llara göre
ülke nüfuslar› ve belirli bir noktada günün saatlerine göre trafik yo¤unlu¤u, bu tür
serilere örnek olarak gösterilebilir. Afla¤›daki tabloda, zaman serilerine örnek ola-
rak, Eskiflehir ilindeki aylara göre ortalama s›cakl›klar verilmifltir:
Aylar Ortalama S›cakl›k (C°) Tablo 2.1 Eskiflehir

ilindeki aylara göre
OCAK -1.5 ortalama s›cakl›klar
fiUBAT 1.3 (72 y›ll›k gözlem
MART 4.9 ortalamalar›).
N‹SAN 10.4 Kaynak: Türkiye
MAYIS 15.1 ‹statistik Y›ll›¤› 2000.
HAZ‹RAN 18.8
TEMMUZ 21.4
A⁄USTOS 21.2
EYLÜL 17.1
EK‹M 12.0
KASIM 6.7
ARALIK 2.2
14 ‹statistik
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:
Tablo 2.2 Baz› illerin ‹ller Denizden

denizden Yükseklik (m)
yükseklikleri.
ANKARA 891
Kaynak: Türkiye BALIKES‹R 147
‹statistik Y›ll›¤› 2000. ÇANAKKALE 6
D‹YARBAKIR 677
ESK‹fiEH‹R 801
GAZ‹ANTEP 855
‹ZM‹R 29
KARS 1755
MU⁄LA 646
R‹ZE 9
S‹VAS 1285
TRABZON 30
VAN 1661
ZONGULDAK 137
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.
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
Tablo 2.3’de do¤an bebeklerin a¤›rl›klar› do¤um s›ras›na göre kaydedildi¤inden,

oluflturulan tablo bir liste niteli¤indedir.
fiimdi bu listeden yararlanarak, 3.2 kg’›n üzerinde kaç bebe¤in do¤du¤u araflt›r›ls›n.
ÇÖZÜM
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.
E¤er liste belirlenen amaçlar do¤rultusunda düzenlenirse, baflka bir anlat›mla

bir frekans da¤›l›m› oluflturulursa, istenilen sonuçlara daha k›sa zamanda ulafl›la-
bilir. Örne¤in 3.2 kg’dan daha a¤›r do¤an bebek say›s›na, tüm veriler gözden ge-
çirilmeden kolayl›kla ulafl›labilir. Böyle bir s›ralama sonucu elde edilen istatistik
serisine “basit seri” ad› verilir.
100 bebe¤in a¤›rl›klar› hafiften a¤›ra do¤ru s›ralanarak oluflturulan basit seri
afla¤›da Tablo 2.4’de verilmifltir.
16 ‹statistik
Tablo 2.4 Bebek A¤›rl›k (kg)

a¤›rl›klar› (Basit
Seri). 1.5 1.9 2.2 2.4 2.5 2.6 2.7 2,8 2,9 3,1
1.6 2.0 2.3 2.5 2.5 2.6 2.7 2,8 3,0 3,2
1.7 2.0 2.3 2.5 2.5 2.6 2.7 2,8 3,0 3,2
1.7 2.0 2.3 2.5 2.5 2.6 2.7 2,8 3,0 3,2
1.7 2.1 2.3 2.5 2.5 2.6 2.7 2,8 3,0 3,3
1.8 2.1 2.3 2.5 2.6 2.7 2.7 2,8 3,0 3,4
1.8 2.1 2.3 2.5 2.6 2.7 2.8 2,8 3,1 3,5
1.9 2.2 2.4 2.5 2.6 2.7 2.8 2,8 3,1 3,5
1.9 2.2 2.4 2.5 2.6 2.7 2.8 2,9 3,1 3,5
1.9 2.2 2.4 2.5 2.6 2.7 2.8 2,9 3,1 3,5
Tablo 2.4 yard›m›yla, yap›lan gözlemler çerçevesinde en a¤›r do¤an bebekle-

rin say›s›n›n 4 oldu¤u bir bak›flta kolayl›kla görülebilir.
E¤er en a¤›r do¤an bebekler de¤il de örne¤in 2.5 kg do¤an bebeklerin say›s›yla
ilgilenilirse, 2.5 kg do¤an bebek say›s› tablodan tek tek say›larak elde edilebilecektir.
Aç›kça görülebilece¤i gibi gözlem say›s› artt›kça, istenilen bilgilere ulaflmak da
giderek zorlaflacakt›r.
Tablo 2.4 incelendi¤inde, gözlem de¤erlerindeki tekrarlar dikkat çekecektir.
Verilerin daha kolay kavranmas› aç›s›ndan, gözlem de¤erlerinin yan›na gözlem
de¤erinin kaç kez tekrarland›¤› kaydedilerek oluflturulan seriye “frekans serisi”,
tekrarlara da “frekans” ad› verilir.
Tüm bu sözü edilenler do¤rultusunda oluflturulan frekans serisi afla¤›da verilmifltir:
A¤›rl›k (kg) Frekans

X f
1.5 1
1.6 1
1,7 3
1.8 2
1.9 4
2.0 3
2.1 3
2.2 4
2.3 6
2.4 4
2.5 14
2.6 10
2.7 11
2.8 12
2.9 3
3,0 5
3.1 5
3.2 3
3.3 1
3.4 1
3.5 4
Toplam Frekans 100
Yukar›daki frekans serisinden, örne¤in 2.5 kg do¤an bebeklerin say›s›n›n 14

oldu¤u bir bak›flta görülebilmektedir.
Frekans serilerinin basit serilere göre kavranmalar› daha kolay olmakla birlik-
te, yine de ayr›nt›l›d›r. Aç›kt›r ki, gözlem say›s› artt›kça bu tür serilerinde kavran-
malar› giderek zorlafl›r.
Deney ya da gözlem say›lar› çok iken, deney ya da gözlem sonuçlar›n›n belir-
li aral›klar (s›n›flar) içinde kalan fl›klara göre düzenlenmesiyle oluflturulan istatis-
tik serisine s›n›fland›r›lm›fl ya da grupland›r›lm›fl seri ad› verilir. Örne¤in bir do-
¤um evinde dünyaya gelen 100 bebe¤in a¤›rl›klar› için farkl› büyüklükteki s›n›fla-
ra göre, afla¤›daki gibi frekans da¤›l›mlar› oluflturulabilir:
A¤›rl›k S›n›flar› Frekanslar A¤›rl›k S›n›flar› Frekanslar

(kg) f (kg) f
1.50 - 1.75 5 1.2 - 1.7 2
1.75 - 2.00 6 1.7 - 2.2 15
2.00 - 2.25 10 2.2 - 2.7 38
2.25 - 2.50 10 2.7 - 3.2 36
2.50 - 2.75 35 3.2 - 3.7 9
2.75 - 3.00 15 100
3.00 - 3.25 13
3.25 - 3.50 2
3.50 - 3.75 4
100
S›n›fland›r›lm›fl seriler oluflturulurken dikkat edilmesi gereken önemli bir nok-

ta, e¤er sürekli bir de¤iflkene iliflkin gözlem de¤erleri s›n›fland›r›l›yorsa, her s›n›-
f›n üst s›n›r›yla onu izleyen s›n›f›n alt s›n›r› aras›ndaki fark›n sonsuz küçük olacak
flekilde oluflturulmas› gere¤idir. Örne¤in yukar›daki s›n›fland›r›lm›fl serilerin ilkin-
de 2.50 - 2.75 s›n›f› göz önüne al›ns›n. 2.50 dahil olmak üzere 2.75’den küçük tüm
gözlem de¤erleri bu s›n›f içinde, 2.75 dahil olmak üzere 3.00’den küçük tüm göz-
lem de¤erleri de izleyen s›n›f içinde yer almal›d›r.
E¤er gözlem de¤erleri sürekli olmayan (kesikli) bir de¤iflkene iliflkinse, örne¤in
100 ö¤rencinin istatistik dersinden ald›¤› notlar afla¤›daki gibi s›n›fland›r›labilir:
Not S›n›flar› Frekanslar

(Puanlar) f
0-15 1
16-31 10
32-47 33
48-63 34
64-79 10
80-95 10
96 ve daha çok 2
100
18 ‹statistik
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.
S›n›f Orta Noktalar›

S›n›flar f X
0–4 4 (0+4) / 2 = 2
4–8 10 (4+8) / 2 = 6
8 – 12 17 (8+12) / 2 = 10
12 – 16 25 (12+16) / 2 = 14
16 – 20 14 (16+20) / 2 = 18
20 – 24 6 (20+24) / 2 = 22
24 – 28 4 (24+28) / 2 = 26
80
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
A¤›rl›k S›n›flar› Frekanslar

(kg) f (-den az) (-den çok)
1.50 - 1.75 5 5 95 + 5 = 100
1.75 - 2.00 6 6 + 5 = 11 85 + 6 = 95
2.00 - 2.25 10 10 + 11 = 21 79 + 10 = 89
2.25 - 2.50 10 10 + 21 = 31 69 + 10 = 79
2.50 - 2.75 35 35 + 31 = 66 34 + 35 = 69
2.75 - 3.00 15 15 + 66 = 81 19 + 15 = 34
3.00 - 3.25 13 13 + 81 = 94 6 + 13 = 19
3.25 - 3.50 2 2 + 94 = 96 4+2=6
3.50 - 3.75 4 4 + 96 = 100 4
100
Birikimli seriler, uygulamada, genellikle gözlem de¤erlerinin büyüklüklerine göre

kaç›nc› s›rada yer ald›klar›n›n belirlenmesinde kullan›l›r. Yukar›daki örnekte bebek-
lerin a¤›rl›k s›n›flar› göz önüne al›n›rsa -den az serisi yard›m›yla, 66 bebe¤in a¤›r-
l›klar›n›n 2.75 kg’dan daha az oldu¤u bir bak›flta görülebilir. Ayr›ca den çok serisi
yard›m›yla da 34 bebe¤in 2.75 kg’dan daha a¤›r do¤du¤u do¤rudan görülebilir.
Konuyu yeterince pekifltirebilmek için afla¤›daki örne¤i dikkatlice gözden

geçiriniz.
20 ‹statistik
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.
-den az ve -den çok serileri, frekans serileri için de oluflturulabilir.
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
X f (-den az) (-den çok)

5 3 3 30
10 5 8 27
15 8 16 22
20 6 22 14
25 3 25 8
30 5 30 5
30
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.
Bir s›n›ftan rasgele seçilen 5 ö¤rencinin boy uzunluklar› ve a¤›rl›klar› ÖRNEK 6

afla¤›daki gibidir:
Uzunluk (m) A¤›rl›k (kg)

Ö¤renci Gözlem No X Y
1 1.72 68
2 1.68 70
3 1.80 76
4 1.74 73
5 1.76 71
‹lgili frekans da¤›l›m›n› oluflturunuz.
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.
Uzunluk (m) A¤›rl›k (kg)

X Y
1.68 70
1.72 68
1.74 73
1.76 71
1.80 76
E¤er a¤›rl›k ba¤›ms›z, uzunluk da ba¤›ml› de¤iflken olarak al›n›rsa, ayn› veriye ilifl-
kin bileflik seri;
A¤›rl›k (kg) Uzunluk (m)

Y X
68 1.72
70 1.68
71 1.76
73 1.74
76 1.80
biçiminde oluflturulur.
22 ‹statistik
SIRA S‹ZDE 1. Frekans da¤›l›m› kavram›n› aç›klay›n›z.

SIRA S‹ZDE
2. Bir radar taraf›ndan gelifl s›ras›na göre 50 araban›n h›z› (km/saat) afla¤›daki gibi
ölçülmüfltür:
S O R U 82.7 105.6S O R127.5

U 107.3 112.2 131.0 105.5 87.9 114.1 116.7
88.4 99.8 101.8 86.5 92.4 80.6 82.4 97.6 125.0 137.0
130.2 87.5 95.6 83.9 94.2 117.3 95.5 120.4 85.7 121.5
D‹KKAT D‹KKAT
103.5 83.0 96.2 95.1 99.9 97.1 134.2 136.3 133.9 81.4
91.3 93.6 88.8 136.0 108.2 129.3 139.1 83.6 97.5 113.1
N N
Yukar›daki veri kümesini kullanarak s›n›f büyüklü¤ü 5 km/saat ve ilk s›n›f da 80 – 85

AMAÇLARIMIZ
olacak biçimde bir frekans da¤›l›m› oluflturunuz (NOT: H›z›n sürekli bir de¤iflken ol-
AMAÇLARIMIZ
du¤una dikkat ediniz).
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‹
AMAÇ ‹statistik serilerinin grafiklerini çizebileceksiniz.

2
Da¤›lma serilerine iliflkin grafikler gözden geçirilirken önce frekans ve s›-
n›fland›r›lm›fl serilerin, sonra da birikimli ve bileflik serilerin grafiklerine
de¤inilecektir.
Frekans Serilerinin Grafikle Gösterilmesi

An›msanaca¤› gibi, frekans serileri biri gözlem de¤erleri di¤eri de gözlem de¤er-
lerine karfl› gelen frekanslar› gösteren iki sütundan oluflur. Frekans serilerinde fre-
kanslar gözlem de¤erlerine göre de¤iflti¤inden gözlem de¤erleri yatay eksende,
frekanslarsa dik eksende gösterilir. Grafik, yatay eksende belirlenen de¤erlerden
uzunluklar› ilgili frekanslar kadar olan dik do¤ru parçalar›yla oluflturulur. Bu tür
grafiklere “çubuk grafik” ad› verilir.
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.
S›n›fland›r›lm›fl Serilerin Grafikle Gösterilmesi

S›n›fland›r›lm›fl seriler, “histogram” ya da “frekans poligonu” ad› verilen grafikler-
le gösterilirler. Ad› geçen grafiklerin çizimi, afla¤›da ayr›nt›lar› ile ele al›nm›flt›r.
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
ÖRNEK 8 Sürekli bir X de¤iflkenine iliflkin gözlem sonuçlar› afla¤›daki seriyle

verilmifltir:
S›n›flar frekanslar
0–4 12
4–8 16
8 – 12 20
12 – 16 24
16 – 20 20
20 – 24 8
100
Verilen serinin histogram›n› çiziniz.

ÇÖZÜM
Histogram›n çizilebilmesi için öncelikle frekanslar›n ayarlanmas› gerekir. Ayarlan-

m›fl frekanslar›n elde ediliflleri afla¤›da gösterilmifltir.
S›n›f Aral›klar› Ayarlanm›fl Frekanslar

S›n›flar f h f/h
0–4 12 4 12 / 4 = 3.0
4–8 16 4 16 / 4 = 4.0
8 – 12 20 4 20 / 4 = 5.0
12 – 16 24 4 24 / 4 = 6.0
16 – 20 20 4 20 / 4 = 5.0
20 – 24 8 4 8 / 4 = 2.0
100
Birinci ve son sütundan yararlan›larak histogram afla¤›daki gibi çizilir:

6
5
4
3
2
1
fiekil 2.2 Eflit aral›kl›

0
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.
Afla¤›daki serinin histogram›n› çiziniz. ÖRNEK 9
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
fiekil 2.3 Farkl›

0
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
ÖRNEK 10 Afla¤›da verilen serinin frekans poligonunu çiziniz.
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
Öncelikle ayarlanm›fl frekanslar oluflturularak histogram, sonra da histogram›n te-

pe orta noktalar› birlefltirilerek frekans poligonu elde edilir.
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
fiekil 2.4 Frekans

0 10 20 30 40 50
poligonu.
Frekans poligonun alt›nda kalan alan frekanslar toplam›na eflittir.
Histogram ve frekans poligonunun sürekli de¤iflkenler için uygun grafikler ol-

du¤una dikkat ediniz.
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.
(a) Simetrik Tek Modlu E¤ri (b) Sa¤a E¤ik E¤ri
(c) Sola E¤ik E¤ri (d) Ters J E¤risi
(e) J E¤risi (f) U E¤risi fiekil 2.5 Baz›

frekans e¤rileri.
Birikimli Serilerin Grafikle Gösterilmesi

Birikimli serilerin grafikleri çizilirken s›n›flar yatay, birikimli frekanslarsa dik ek-
sende gösterilir.
-den az serilerinin grafikleri çizilirken, koordinat sisteminde s›n›f üst s›n›rlar›yla
ilgili s›n›fa karfl› gelen birikimli frekanslar›n belirledikleri noktalar birlefltirilerek
grafik oluflturulur.
-den çok serilerinin grafikleri oluflturulurken, s›n›f alt s›n›rlar›yla ilgili s›n›fa kar-
fl› gelen birikimli frekanslar›n belirledikleri noktalar birlefltirilerek çizim tamamlan›r.
-den az e¤risi ilk s›n›f›n frekans›ndan bafllayarak sürekli artan, -den çok e¤risi
ise son s›n›f›n frekans›na kadar sürekli azalan bir e¤ridir.
Konuyla ilgili bir örnek afla¤›da verilmifltir.
28 ‹statistik
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
S›n›flar Frekanslar -den az -den çok

0 – 10 3 3 100
10 – 20 12 15 97
20 – 30 25 40 85
30 – 40 30 70 60
40 – 50 15 85 30
50 – 60 10 95 15
60 – 70 5 100 5
100
100
-den az
80
60
40
20
-den çok
0
fiekil 2.6 Birikimli 0 20 40 60 80

serilerin grafikleri.
Bileflik Serilerin Grafikle Gösterilmesi

Bileflik serilerin grafikleri oluflturulurken, ilk de¤iflkenin de¤erleri yatay, di¤er de-
¤iflkenin de¤erleriyse dik eksende yer al›r. Bu de¤erlere koordinat sisteminde kar-
fl› gelen noktalar belirlenerek grafik elde edilir.
Bileflik serilerin grafiklerine serpilme diyagram› ad› da verilir.
Afla¤›da bileflik serilerin grafiklerinin çizilmesine iliflkin bir örnek
verilmifltir.
Afla¤›da 5 ö¤rencinin istatistik ve matematik derslerinden ald›klar› notlar ÖRNEK 12

bir bileflik seri biçiminde verilmifltir.
‹statistik Notu Matematik Notu

X Y
35 25
40 50
50 55
60 40
75 60
Verilen serinin grafi¤ini çiziniz.
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:
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:
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.
Kendimizi S›nayal›m 4. Bir frekans da¤›l›m›na iliflkin -den az serisi afla¤›da

1. Birimlerin iki de¤iflkene göre da¤›l›mlar›n› bir arada verilmifltir.
gösteren serilere ne ad verilir?
a. Basit seri S›n›flar -den az
b. Frekans serisi 2–8 6
c. S›n›fland›r›lm›fl seri 8 – 14 10
d. Birikimli seri 14 – 20 17
e. Bileflik seri 20 – 26 22
26 – 32 34
2. S›n›flar Frekanslar 32 – 38 37
0–5 2 38 – 44 45
5 – 10 4 44 – 50 46
10 – 15 7
15 – 20 13
Yukar›da verilen seriye iliflkin gözlenen frekanslar afla¤›-
20 – 25 3
25 – 30 1 dakilerden hangisidir?
30 a. f b. f c. f
2 6 6
Yukar›da verilen serinin, frekans e¤risinin görünümü
8 4 4
afla¤›dakilerden hangisidir?
a. Sa¤a e¤ik 7 8 7
b. Sola e¤ik 5 3 5
c. U 4 11 12
d. J 10 9 3
e. Ters J 8 5 8
4 1 1
3. X f
2 1 d. f e. f
4 3 3 6
6 7
7 4
8 7
10 10 7 3
12 5 5 6
14 2 8 7
35 9 5
4 5
Yukar›da verilen seri için -den az serisi oluflturul-
14 9
mak istendi¤inde, birikimli frekanslar afla¤›dakilerden
hangisidir?
a. -den az b. -den az c. -den az
4 1 35
11 4 34
18 11 31
28 18 24
33 28 17
35 33 7
40 35 2
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.

1. e ÇÖMLEKÇ‹, Necla: Temel ‹statistik ‹lke ve Teknikleri,
2. b 2. Bask›, Bilim Teknik Yay›nevi, Eskiflehir, 1994.
3. b GÜRTAN, Kenan: ‹statistik ve Araflt›rma Metodlar›, ‹s-
4. c tanbul Üniversitesi Yay›nlar›, No 2265, ‹stanbul, 1977.
5. d HARPER, W.M.: Statistics, 4. ed., Pitman Pub. Comp.,
6. e 1988.
7. e JOHNSON, Robert: Elementary Statistics, 6. ed., PSW-
8. b KENT Pub. Comp., Boston, 1992.
9. c MELNYK, M.: Principle of Applied Statistics, Perga-
10. b mon Press Inc., New York, 1974.
35
Merkezi E¤ilim ve
De¤iflkenlik Ölçüleri 3
• 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)
Merkezi e¤ilim ölçüleri kavram›n› aç›klayabilecek ve istatistik se-

AMAÇ
1 rilerinin ortalamalar›n› hesaplayabileceksiniz.
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
Bu ailelerin normal geliri nedir sorusunun cevab›, muhtemelen gelirlerin orta-

lamas›d›r biçiminde olacakt›r.
‹zleyen kesimlerde örnekte sözü edilen normal gelirin hesaplanmas›nda kulla-
n›lan merkezi e¤ilim ölçüleri, baflka bir anlat›mla ortalamalar ayr›nt›lar›yla gözden
geçirilecektir.
Ana çizgileriyle ortalamalar, duyarl› ve duyarl› olmayan ortalamalar olmak üze-
re, iki ana bafll›k alt›nda incelenebilir.
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
En kolay hesaplanan ve en çok kullan›lan ortalama, aritmetik ortalamad›r.

E¤er ne tür oldu¤u belirtilmeden bir ortalamadan söz ediliyorsa, muhtemelen kas-
tedilen aritmetik ortalamad›r.
ÖRNEK 1 Yukar›da verilen 9 dairelik apartmanda oturan ailelerin normal gelirini,

aritmetik ortalama kullanarak hesaplay›n›z.
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
ÖRNEK 2 Afla¤›da verilen basit serinin aritmetik ortalamas›n› hesaplay›n›z.

x
10
13
16
20
26
85
ÇÖZÜM
Gözlenen de¤erlerin toplam› 85 ve gözlem say›s› da 5 oldu¤undan
x=
∑ x = 85 = 17
n 5
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.
Afla¤›da verilen frekans serisinin aritmetik ortalamas›n› hesaplay›n›z. ÖRNEK 3

x f
10 2
12 3
15 6
19 4
21 1
16
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
olarak elde edilir.

Bu toplam, gözlem de¤eri frekanslar ile çarp›larak afla¤›daki gibi kolayl›kla elde
edilebilir.
x f xf
10 2 10. 2 = 20
12 3 12. 3 = 36
15 6 15. 6 = 90
19 4 19. 4 = 76
21 1 21. 1 = 21
16 243
Hesaplanan gözlem de¤erleri toplam› ∑ xf , frekanslar toplam›na ∑f bö-

lünerek aritmetik ortalama,
x=
∑ xf = 243 = 15,1875
16
∑f
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
ÖRNEK 4 Afla¤›da verilen serinin aritmetik ortalamas›n› hesaplay›n›z.
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.
ÖRNEK 5 Afla¤›da verilen serinin aritmetik ortalamas›n› hesaplay›n›z.
S›n›flar f
10 -14 4
14 - 18 5
18 -22 8
22 - 26 6
26 -30 2
∑ f = 25
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
olarak elde edilir.

Ancak dikkat etmek gerekir ki, s›n›flamadaki kay›plar nedeniyle, s›n›fland›r›lm›fl
serilerde aritmetik ortalama, yaklafl›k olarak hesaplanabilmektedir.
Aritmetik Ortalaman›n Özellikleri

• Aritmetik ortalama duyarl› bir ortalamad›r ve serideki afl›r› de¤erlerden do¤ru-
dan etkilenir.
Aritmetik ortalama afla¤›daki serilerin hangisinde daha temsilidir? ÖRNEK 6
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
• Gözlem de¤erlerinin aritmetik ortalamadan cebirsel sapmalar›n›n toplam› s›f›rd›r.

n
Baflka bir anlat›mla ∑ xi - x = 0 olur.

i=1
Bu özellik afla¤›daki örnek üzerinde gösterilmifltir :
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
• Gözlem de¤erlerinin aritmetik ortalamadan cebirsel sapmalar›n›n kareleri top-

lam› minimumdur.
Bu özellik de afla¤›daki örnek üzerinde gösterilmifltir:
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
Verilen X serisinde, aritmetik ortalamadan daha küçük (25) ya da daha büyük

bir de¤er (40) ç›kart›l›rsa sonuçlar,
x x - 25 (x - 25)2 (x - 40) (x - 40)2

10 -20 225 -30 900
20 -5 25 -20 400
30 5 25 -10 100
40 15 225 00 000
50 25 625 10 100
∑ x - 25 2 = 1125 ∑ x - 40 2 = 1500
2
∑ x - 25 = 1125 ve ∑ x - 40 2 = 1500
olarak elde edilir.

Aritmetik ortalamadan cebirsel sapmalar›n kareleri toplam› 1000’dir. Ancak bu
ortalamadan küçük (25) ve büyük (40) de¤erler ç›kart›ld›¤›nda, görülece¤i gibi
cebirsel sapmalar›n kareleri toplam› 1000’den büyük ç›kmaktad›r.
Tart›l› Aritmatik Ortalama

E¤er bir seriyi oluflturan gözlem de¤erleri aras›nda önem derecesine göre farklar Gözlem de¤erleri aras›ndaki
varsa ve bu farklar ortalama hesab›nda göz önüne al›nmak isteniyorsa, böyle du- önem derecesine göre
farklar, ortalama
rumlarda tart›l› ortalama hesaplan›r. hesaplan›rken göz önüne
t, tart›y› xt’de tart›l› aritmetik ortalamay› göstermek üzere, tart›l› aritmetik or- al›nmak istenirse, tart›l›
ortalama hesaplanmal›d›r.
talama basit serilerde,
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:
Dersler Baflar› Notlar› Katsay›lar Kredi De¤erleri

Genel Matematik I AA 4.0 5
Türkçe I AB 3.7 2
Makro Ekonomi I CC 2.0 3
Genel iflletme BC 2.7 3
A.‹.‹.T AB 3.7 2
15
Ö¤rencinin dönem not ortalamas›n› katsay› cinsinden hesaplay›n›z.
Dersler Baflar› Notlar› Katsay›lar Kredi De¤erleri xt

ÇÖZÜM
Genel Matematik I AA 4.0 5 20.0

Türkçe I AB 3.7 2 7.4
Makro Ekonomi I CC 2.0 3 6.0
Genel iflletme BC 2.7 3 8.1
A.‹.‹.T AB 3.7 2 7.4
15 48.9
xt =
∑ xt = 48,9 = 3.26
∑ t 15
Tart›l› ortalamalarda tart›lar›, gözlem de¤erlerini önem derecesine göre farkl›

k›lan de¤erler oluflturur. Tart› kavram›yla ilgili olarak afla¤›daki örne¤i dikkatle
gözden geçiriniz.
ÖRNEK 11 Matematik, ‹statistik, Fizik, Kimya ve Biyoloji bölümlerinden oluflan bir

Fen Fakültesinde, tüm bölümlerin birinci s›n›flar›na güz döneminde veri-
len Genel Matematik I dersinin birinci ara s›nav sonuçlar›na iliflkin bölüm
baflar› ortalamalar› afla¤›da verilmifltir:
Bölümlerin Bölümlerin Ö¤renci

Bölümler Baflar› Ortalamalar› Say›lar›
x f
Matematik 70 70
‹statististik 65 60
Fizik 68 50
Kimya 50 40
Biyoloji 50 25
Genel Matematik I dersinin fakülte düzeyindeki baflar› ortalamas›n›

bulunuz.
Bölümler Baflar› Ortalamas› Ö¤renci Say›s›
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
Uygulamada ortalamalar›n ortalamas›, oranlar›n ortalamas› ve baz› bileflik in-

deksler tart›l› ortalama kullan›larak 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.
Afla¤›daki basit serinin geometrik ortalamas›n› hesaplay›n›z. ÖRNEK 12
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
= 1 0.30103 + 0.69897 + 0.90309 + 1.30103

4
= 1 3.20412
4
= 0.8010
G = 6.32
olarak elde edilir.
Frekans serilerinde ve s›n›fland›r›lm›fl serilerde geometrik ortalama,
∑ 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
K= x12 + x12 +... + xn2 = i=1

n n
Afla¤›da verilen basit serinin kareli ortalamas›n› hesaplay›n›z. ÖRNEK 13

x Kareli ortalama, seriyi
1 oluflturan gözlem
de¤erlerinin kareleri
3 toplam›n›n, gözlem say›s›na
5 oran›n›n kare kökü al›narak
hesaplan›r.
7
8
10
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
Frekans ve s›n›fland›r›lm›fl serilerde kareli ortalama,
K= ∑ x2 f
∑f
Afla¤›daki serinin kareli ortalamas›n› hesaplay›n›z. ÖRNEK 14
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
olarak elde edilir.
Görülece¤i gibi, kareli ortalama da tüm gözlem de¤erlerinin büyüklüklerinden

etkilenen, duyarl› bir ortalamad›r.
Duyarl› Olmayan Ortalamalar

Duyarl› olmayan ortalamalar, seriyi oluflturan tüm gözlem de¤erlerinin büyüklük-
lerinden etkilenmeyen ortalamalard›r.
‹zleyen paragraflarda duyarl› olmayan ortalamalardan sadece medyan ve mod
ele al›nacakt›r.
Medyan
Bir istatistik serisinde tam ortaya düflen ve dolay›s›yla seriyi iki eflit k›sma bölen
gözlem de¤erine medyan denir.
ÖRNEK 15 Afla¤›daki basit serinin medyan›n› hesaplay›n›z.

x
Bir serinin medyan›, ilgili 10
seriyi tam eflit iki k›sma 12
bölen gözlem de¤eridir.
15
17
20
ÇÖZÜM
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.
520, 580, 670, 700, 700, 700, 860, 1000, 1200

Aritmetik ortalama kullanarak ayn› apartmanda oturan ailelerin ayl›k ortalama

geliri 770 YTL bulunmufltu. Görülece¤i gibi, 3 ailenin ayl›k geliri aritmetik ortala-
madan büyük, 6 ailenin de ayl›k geliri aritmetik ortalamadan küçüktür.
Bu grubun ayl›k gelirinin, gelirler büyüklük s›ras›na kondu¤unda tam ortada-
ki ailenin geliri taraf›ndan temsil edilmesi istenebilir. Bu durumda ortalama gelir,
medyan kullan›larak hesaplanmal›d›r.
Ayl›k gelirler serisini tam eflit iki k›sma bölen gelir, baflka bir anlat›mla ilgili se-
rinin medyan› 5. gözlem de¤eri olan 700 YTL’dir. Dikkat edilirse 700 YTL’den
küçük 3, büyük de 3 gelir düzeyi vard›r.
E¤er söz konusu apartmanda 9 de¤il de 10 aile ikamet ediyor olsayd›, bu
durumda orta aile (5,5. aile) söz konusu olmayacakt›r. Böyle durumlarda medyan
tam ortaya düflen iki gözlem de¤erinin aritmetik ortalamas› al›narak hesaplan›r.
Afla¤›da 8 gözleme iliflkin sonuçlar, gözlem s›ras›na göre verilmifltir : ÖRNEK 16
2, 7, 3, 8, 7, 3, 4, 10
Gözlem de¤erlerine iliflkin medyan› hesaplay›n›z.
Öncelikle gözlenen de¤erler büyüklük s›ras›na konmal›d›r (Bir istatistik serisi
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
Süreksiz serilerde medyan›n hangi s›radaki gözlem de¤eri oldu¤u, n serideki

gözlem say›s›n› göstermek üzere, n + 1 ile bulunur.
2
Yukar›daki 8 gözlemde oluflan örnekte medyan, 8 + 1 = 4.5 s›radaki göz-
2
lem de¤eridir. 4 ve 5. gözlem de¤erleri s›ras›yla 4 ve 7 oldu¤undan medyan bu
de¤erlerin aritmetik ortalamas› al›narak hesaplanm›flt›r.
Buna göre 7 gözlem de¤erinden oluflan bir seride medyan, 7 + 1 = 4. göz-
2
lem de¤eri, 100 gözlem de¤erinden oluflan bir seride ise medyan, 100 + 1 = 50.5
2
50 ‹statistik
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.
ÖRNEK 17 Afla¤›da verilen frekans serisinin medyan›n› hesaplay›n›z.
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 + 1 = 18 = 9. s›radaki gözlem de¤erine eflit olacakt›r.den az serisinden 9.s›rada-

2 2
ki gözlem de¤erinin 15 oldu¤u bir bak›flta görülür. Buradan,
Med = 15
sonucuna ulafl›l›r.
S›n›fland›r›lm›fl serilerde de medyan yine birikimli frekanslar yard›m›yla hesap-

lan›r. Ancak, s›n›fland›r›lm›fl serilerde seriyi iki eflit k›sma bölen gözlem de¤eri bir
s›n›f içinde yer alacakt›r. Medyan de¤erini içinde bulunduran s›n›fa medyan s›n›f›
ad› verilir. Medyan s›n›f›, frekanslar toplam›n›n yar›s›n› içinde bulunduran s›n›ft›r.
Medyan s›n›f› belirlendikten sonra medyan,
N : frekanslar toplam› ∑ f ,
la : medyan s›n›f›n›n alt s›n›r›,
fa : medyan s›n›f›na kadar olan s›n›flar›n frekanslar› toplam›,

fm : medyan s›n›f›n›n frekans›,
hm : medyan s›n›f›n›n büyüklü¤ü,
olmak üzere,
N - fa
Med = l a + 2 . hm
fm
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.
Afla¤›daki serinin medyan›n› hesaplay›n›z. ÖRNEK 18
S›n›flar f
10 - 14 3
14 - 18 4
18 - 22 8
22 - 26 6
26 - 30 1
22
Öncelikle medyan s›n›f›n› bulabilmek için den az serisi oluflturulur.
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
Bu tür s›n›fland›r›lm›fl serilerde de¤iflken sürekli oldu¤undan, medyan

N = 22 = 11. gözlem de¤eri olacakt›r. -den az serisinden 11. gözlem de¤erinin
2 2
(18 – 22) s›n›f›nda oldu¤u kolayl›kla görülür. (18 – 22) s›n›f›, medyan s›n›f›d›r.
Medyan s›n›f› belirlendikten sonra,

la = 18,
N = 11,
2
fa = 7,
fm = 8,
hm = 4,
de¤erleri yukar›da verilen eflitlikte yerine konarak,

52 ‹statistik
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.)
Medyan› grafik yard›m›yla da hesaplamak mümkündür. Bunun için -den az

ya da den çok e¤rilerinden birisinin grafi¤i çizilir. Sonra dik eksende frekanslar
toplam›n›n yar›s› belirlenir ve bu noktadan yatay eksene bir paralel çizilir. Bu
do¤runun birikimli serinin grafi¤ini kesti¤i noktan›n apsis de¤eri medyan› belirler.
ÖRNEK 19 Afla¤›daki verilen serinin medyan›n› grafik yard›m›yla bulunuz.

S›n›flar f
0-4 4
4-8 6
8 - 12 10
12 - 16 8
16 - 20 6
20 - 24 3
24 - 28 3
40
Öncelikle birikimli serilerden birisi, örne¤in den az serisi oluflturulur.

ÇÖZÜM
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.
Frekanslar toplam›n›n yar›s› 20 ol-

40
du¤undan dik eksende bu noktadan

yatay eksene çizilen paralelin -den
30
az e¤risini kesti¤i noktan›n apsisi be-

lirlenir.
20
Belirlenen de¤er 12 oldu¤undan ve-

rilen serinin medyan›,
10
Med = 12
olarak elde edilir.
0
fiekil 3.1 Medyan›n 0 5 10 15 20 25 30

grafik yard›m›yla
elde edilmesi. Medyan (12)
Medyan uygulamada, ilgilenilen seride afl›r› k›ymetlerin varl›¤› ya da aç›k (alt

ya da üst s›n›r› belli olmayan) s›n›flar›n bulunmas› durumunda uygun sonuçlar ve-
ren bir merkezi e¤ilim ölçüsüdür.
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.
ile kolayca hesaplan›r.

Ünitenin bafl›nda verilen 9 ailenin ayl›k gelirler serisini (YTL) tekrar göz önü-
ne alal›m.
520, 580, 670, 700, 700, 700, 860, 1000, 1200
Bu gelir grubunda ortalama gelirin en çok tekrarlanan gelir düzeyi taraf›ndan

temsil edilmesi istenebilir. Bu durumda 9 aileye iliflkin ortalama gelir, tan›m uya-
r›nca mod hesaplanarak elde edilir. En çok tekrarlanan gelir düzeyi 700 YTL ol-
du¤undan yukar›daki seri için,
Mod = 700 YTL
Dikkat edilecek olursa, seride mod de¤erinden küçük 3 ve büyük de 3 gelir

düzeyi vard›r.
Daha önce de de¤inildi¤i gibi, mod ve medyan gibi duyarl› olmayan ortalama-
lar göz önüne al›nd›¤›nda seride afl›r› k›ymetlerin oluflu, bu ortalamalar›n sonucu-
nu etkilemeyecektir. Örne¤in ilk gelir düzeyi 100 YTL ya da son gelir düzeyinin
3.000 YTL olmas› mod ve medyan de¤erlerini etkilemeyecek ancak duyarl› bir or-
talama olan aritmetik ortalamay› do¤rudan etkileyecektir. Afla¤›daki örnekleri dik-
katle inceleyiniz.
Afla¤›daki serinin modunu hesaplay›n›z. ÖRNEK 20
x
10
12
14
17
20
ÇÖZÜM
Bu seride her gözlem de¤eri yaln›z bir kez tekrarland›¤›ndan, serinin modu
yoktur.
54 ‹statistik
ÖRNEK 21 Afla¤›da verilen serinin modunu hesaplay›n›z.

x
10
12
12
12
14
15
Bu basit seride en çok tekrarlanan gözlem de¤eri 12 oldu¤undan,

ÇÖZÜM
Mod = 12
ÖRNEK 22 Afla¤›daki frekans serinin modunu hesaplay›n›z.
x f
10 2
13 5
14 8
16 7
19 3
25
ÇÖZÜM
Verilen frekans serisinde 14 de¤eri 8 kez gözlenmifltir. En çok tekrarlanan göz-

lem de¤eri 14 oldu¤undan serinin modu,
Mod = 14
olarak kolayl›kla elde edilir.
E¤er modu hesaplanmak istenilen seri s›n›fland›r›lm›fl bir seriyse, en büyük

frekans bir gözlem de¤erine de¤il bir s›n›fa karfl› gelecektir.
En çok tekrarlanan gözlem de¤erini içinde bulunduran s›n›fa mod s›n›f› ya da
modal s›n›f ad› verilir.
Mod s›n›f› belirlendikten sonra mod,
la : mod s›n›f›n›n alt s›n›r›,
∆1 :
mod s›n›f›n›n frekans›yla ondan bir önceki
s›n›f›n frekanslar› aras›ndaki mutlak fark,
∆ 2 : mod s›n›f›n›n frekans›yla ondan bir sonraki
s›n›f›n frekanslar› aras›ndaki mutlak fark,
h : s›n›f aral›¤›,
olmak üzere,
∆1 . h
∆1 + ∆2
Mod = la +
Afla¤›da verilen serinin modunu hesaplay›n›z. ÖRNEK 23
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.
Afla¤›daki verilen serinin modunu hesaplay›n›z. ÖRNEK 24
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
olarak elde edilir. Buradan da,
29 + 3
Mod = 30 + 29 . 20
= 30 + 18.125
= 48.125
S›n›fland›r›lm›fl serilerde mod, grafik yard›m›yla da kolayl›kla bulunabilir. Bu-

nun için önce verilen serinin histogram› çizilir. Histogram üzerinde mod s›n›f›na
iliflkin dikdörtgenin üst köfleleriyle, komflu dikdörtgenlerin üst köfleleri birer do¤-
ruyla birlefltirilir. Bu do¤rular›n kesiflme noktas›n›n apsis de¤eri, serinin modunu
gösterir.
Afla¤›daki örnekte modun grafik yard›m›yla bulunmas› gösterilmifltir.
ÖRNEK 25 Afla¤›daki serinin modunu grafik yard›m›yla bulunuz.
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
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
fiekil 3.2 Modun

0 20 Mod (34) 60 80 grafik yard›m›yla
ede edilmesi.
Verilen serinin modu grafik yard›m›yla,
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.
Serinin Simetri Durumuna Göre Ortalamalar

Aras›ndaki ‹liflki
Tek modlu ve e¤ik serilerde medyan aritmetik ortalama ve mod aras›nda yer al›r.
E¤er seri simetrikse, aritmetik ortalama, mod ve medyan birbirine eflit olur. Serinin
simetri durumuna göre ortalamalar aras›ndaki iliflkiler fiekil 3.3.’de gösterilmifltir.
58 ‹statistik
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.
SIRA S‹ZDE 1. Bir ö¤encinin

SIRAistatistik
S‹ZDE dersine iliflkin, birinci, ikinci ara s›navlar ve dönem sonu s›na-
v›ndan ald›¤› notlar afla¤›da verilmifltir:
D Ü fi Ü N E L ‹ M D Ü fi Ü N ES›n›flar
L‹M Puan
1. Ara S›nav 70
S O R U S O R II.
U Ara S›nav 60
Dönem Sonu 50
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
v› da % 60 oran›nda etkilemektedir.
Ö¤rencinin baflar› puan›n› hesaplay›n›z.
2. Afla¤›da verilen seri için uygun ortalamay› hesaplay›n›z.
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.
‹statistik serilerinin incelenmesinde ve karfl›laflt›r›lmas›nda ortalama gerekli bir öl-

çüdür. Ancak tek bafl›na yeterli de¤ildir. Gerçekte ortalamalar› eflit olan seriler, bi-
ribirinden çok farkl› olabilir.
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
Görülece¤i gibi x serisinde gözlem de¤erleri y serisine göre ortalamaya da-

ha yak›n konumlanm›flt›r.
Bu basit örnekten de görülebilece¤i gibi, bir ortalama de¤er bir frekans da¤›l›-
m›n› karakterize etmede yetersiz kalmaktad›r. Bu nedenle bir frekans da¤›l›m›n›n
özellikleri araflt›r›l›rken, ortalama de¤erin yan› s›ra, gözlem de¤erlerinin ortalama
etraf›ndaki yay›l›fl›na iliflkin ölçülere de ihtiyaç vard›r.
Ana çizgileriyle, bir seriyi oluflturan gözlem de¤erlerinin de¤er itibariyle biribi-
rinden ya da herhangi bir ortalamadan uzakl›klar›, seriyi oluflturan gözlem de¤er-
lerinin nas›l yay›ld›¤›n›, baflka bir anlat›mla ilgili serinin de¤iflkenli¤ini ifade eder.
Bu ünitede istatistikte s›kça kullan›lan belli bafll› de¤iflkenlik ölçüleri ele
al›nacakt›r.
60 ‹statistik
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,
D.A. = xmax - xmin
olarak ifade edilir.

De¤iflim aral›¤›, bir serideki Yukar›daki ortalamalar› ayn› olan x ve y serilerini göz önüne al›n›rsa, bu se-
en büyük gözlem de¤erinden rilere iliflkin de¤iflim aral›klar›,
en küçük gözlem de¤eri
ç›kart›larak hesaplan›r. D.A.(x) = 37 - 30 = 7
D.A.(y) = 90 - 2 = 88
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
eflitli¤i yard›m›yla hesaplan›r.
ÖRNEK 26 Afla¤›da verilen basit serinin standart sapmas›n› hesaplay›n›z.
x
1
4
5
7
9
10
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
olarak elde edilir.
Frekans serilerinde ve s›n›fland›r›lm›fl serilerde standart sapma,
∑
n
xi - x 2fi
∑
σ= i=1
n
fi
i=1
ile hesaplan›r.
Afla¤›da verilen frekans serisinin standart sapmas›n› hesaplay›n›z. ÖRNEK 27
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
olarak elde edilir.

62 ‹statistik
ÖRNEK 28 Afla¤›da verilen s›n›fland›r›lm›fl serisinin standart sapmas›n› hesaplay›n›z.
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
σ= 114.2 = 5.71 ≅ 2.39

20
olarak elde edilir.
Standart sapma, uygulamada matematiksel ifllemlere elveriflli olmas› nedeniyle

en çok kullan›lan de¤iflkenlik ölçüsüdür.
Bazan σ yerine de¤iflkenlik ölçüsü olarak σ2 kullan›l›r. σ2 ’ye varyans ad› ve-
rilir. (Standart sapma, varyans›n pozitif kare köküdür.)
Standart sapmayla ilgili baz› özellikler, afla¤›da ispats›z olarak verilmifltir :
• Kareli ortalaman›n karesiyle aritmetik ortalaman›n karesi aras›ndaki fark, var-
yansa eflittir. Baflka bir ifadeyle,
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.
Konuya aç›kl›k kazand›rmas› aç›s›ndan, afla¤›daki örne¤i göz önüne alal›m.
x f
10 43
11 48
13 58
14 63
17 73
65 285
x serisi için x = 13 ve σx = 2.7386 Farkl› seriler de¤iflim

y serisi için y = 57 ve σy = 11.9373'tür.
katsay›s› yard›m›yla
karfl›laflt›r›labilir.
Görülece¤i gibi, σy > σx’dir. Ancak bu sonuç, y serisindeki gözlem de¤erleri-

nin x serisine göre daha büyük olmas›ndan kaynaklanm›fl olabilir.
E¤er, sadece standart sapmalarla bu iki seri karfl›laflt›r›l›rsa, y serisindeki de¤ifl-
kenli¤in x serisine göre daha büyük oldu¤u ifade edilecektir.
E¤er karfl›laflt›r›lan serilerin standart sapmalar› iliflkin olduklar› serilerin ortala-
ma de¤erinin bir yüzdesi olarak ifade edilirse, karfl›laflt›rmalarda ölçü birimlerin-
deki farkl›l›klar ve gözlem de¤erlerinin büyüklü¤ünden oluflan sak›ncalar, gideri-
lebilir. Bu yaklafl›mla hesaplanan de¤iflkenlik ölçüsüne, de¤iflim katsay›s› ad› ve-
rilir ve k›saca D.K. ile gösterilir.
D.K.(x) = σ . 100
x
olarak formüle edilir.
Yukar›da verilen serilere iliflkin de¤iflkenlik, serilerin de¤iflim katsay›lar›yla bu-

lunursa,
D.K.(x) = 2.7386 . 100 ≅ %21.066

13
D.K.(y) = 11.9373 . 100 ≅ %20.9426

57
olarak elde edilir.
Görülece¤i gibi, gerçekte X serisindeki de¤iflkenlik, Y serisine göre daha fazlad›r.

64 ‹statistik
SIRA S‹ZDE 1. Afla¤›da verilen serinin,

SIRA S‹ZDE
a. De¤iflim aral›¤›n›,
b. Standart sapmas›n›,
D Ü fi Ü N E L ‹ M
hesaplay›n›z.D Ü fi Ü N E L ‹ M
x f
S O R U S O R U
12 2
14 6
D‹KKAT D ‹ K K A T 18 7
20 3
N N
SIRA S‹ZDE SIRA S‹ZDE 26 2
20
2. Afla¤›da verilen iki seriden hangisinde de¤iflkenli¤in daha çok oldu¤unu belirleyiniz.
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
3. Afla¤›da verilen serinin varyans›n› hesaplay›n›z.
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
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
7. Kareli ortalamas› K= 20 ve aritmetik ortalamas› x = 12 Yan›t Anahtar›

olan bir serinin tüm gözlem de¤erleri 3 ile çarp›larak ye- 1. d
ni bir seri oluflturulmufltur. Yeni serinin varyans› kaçt›r? 2. d
a. 12 3. d
b. 16 4. a
c. 20 5. d
d. 144 6. b
e. 256 7. d
8. d
8. 9. d
S›n›flar f 10. b
0- 4 4
4 -8 7
8 - 12 12 Yararlan›lan Kaynaklar
12 - 16 3 ÇÖMLEKÇ‹, Necla: Temel ‹statistik ‹lke ve Teknikleri,
16 - 20 4 2. Bask›, Bilim Teknik Yay›nevi, Eskiflehir, 1994.
20 - 24 12 FOX, William: Social Statistics Using Micro Case, Mic-
24 - 28 3 ro Case Corp., Washington, 1992.
28 - 32 2 GÜRTAN, Kenan: ‹statistik ve Araflt›rma Metodlar›, ‹s-
44 tanbul Üniversitesi Yay›nlar›, No 2265, ‹stanbul, 1977.
NEWBOLD, Paul: (Çeviren: Ümit fienesen), ‹flletme ve
Yukar›da verilen serinin modu kaçt›r? ‹ktisat ‹çin ‹statistik, Literatür Yay›nlar›, ‹stanbul,
a. 47/12 2000.
b. 23/4 YATES, D. , MOORE D. , McCABE G. The Practice of
c. 12 Statistics, W.H. Freeman, New York, 1999.
d. 50/3
e. 18
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
• 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.
N Ayr›k olay kavram›n›

aflama say›s›na ba¤l› olarak, toplam sonuç say›s›n› yazabileceksiniz.
N Ba¤›ms›z ve ayr›k olaylar

olas›l›klar aras›ndaki fark› aç›klayabileceksiniz.
N Tamamlay›c› olaylar kavram›n›

aç›klayabileceksiniz.
N Ayn› anda ortaya ç›kan olaylar›naç›klayabileceksiniz.

aras›ndaki fark› yazabileceksiniz.
N Olaylardan en az birinin ortayaolas›l›¤›n›

N yabileceksiniz.
hesaplayabileceksiniz.
ç›kmas›na iliflkin olas›l›¤› hesapla-
• 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
AMAÇ Deney ve sonuçlar›ndan hareketle, örneklem uzay›n› yazabileceksiniz.

1
Vida üreten bir firmada kalite kontrol uzman› olarak görev yapan Rag›p Keskin-
göz üretim hatt›ndan rasgele bir vida alarak vidan›n hatal› olup olmad›¤›n› ince-
ler. Rag›p Keskingöz’ün bir viday› inceleme eylemi istatistiksel deneye bir örnek-
tir. Bu inceleme sonucunda vida hatas›z ya da hatal› biçiminde de¤erlendirilecek-
tir. Bu iki gözlem bilgisine deneyin sonucu (outcome) denirken, bu sonuçlar›n
birlikte ele al›nmas› neticesindeyse bu deneyin örneklem uzay› oluflur.
Pek çok gözlemden sadece bir tanesinin gerçekleflmesi sürecine “deney”, bu Pek çok gözlemden sadece
bir tanesinin gerçekleflmesi
gözlemlere “deneyin sonuçlar›” ve bu sonuçlar›n tümüne ise “deneyin örneklem sürecine “deney”, bu
uzay›” denmektedir. gözlemlere deneyin
sonuçlar› ve bu sonuçlar›n
Bir örneklem (örnek) uzay› S harfiyle ifade edilmekte olup yukar›da verilen tümüneyse “deneyin
vida inceleme deneyine iliflkin örneklem uzay›, örneklem uzay›”
ad› verilir.
S = {hatas›z, hatal›}
biçiminde gösterilmektedir. Bu örneklem uzay›n›n elemanlar›na da örneklem

noktalar› denmektedir.
Deney Sonuçlar Örneklem Uzay› Tablo 4.1 Deney,
sonuç ve örneklem
Paran›n bir kez at›lmas› Yaz›, Tura S = { Yaz›, Tura } uzay› örnekleri.
Zar›n bir kez at›lmas› 1, 2, 3, 4, 5, 6 S = { 1, 2, 3, 4, 5, 6 }
Paran›n iki kez at›lmas› YY, YT, TY, TT S = { YY, YT, TY, TT }
Do¤acak bebe¤in cinsiyeti Erkek, K›z S = { Erkek, K›z }
Ö¤rencinin s›nav sonucu Baflar›l›, Baflar›s›z S = { Baflar›l›, Baflar›s›z }
70 istatistik
Bir deneyin örneklem uzay› Venn ya da a¤aç diyagram› çizilerek de oluflturu-

labilmektedir. Venn diyagram›, bir deneyin tüm olas› sonuçlar›n›n (kare, dikdört-
gen ya da daire gibi) bir resimle gösterilmesidir. A¤aç diyagram›ndaysa her bir so-
nuç, a¤ac›n bir dal›yla ifade edilmektedir. Venn ve a¤aç diyagramlar› olas›l›k kav-
ramlar›n›n, görsel ifade yoluyla kolay anlafl›lmas›na yard›mc› olmaktad›r.
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.
Bu örne¤in Venn diyagram› olarak bir dikdörtgen çizilir ve bu dikdörtgen içe-

risinde iki sonucu göstermek üzere iki nokta konarak yaz› ve tura iflaretlenir. Ör-
neklem uzay›n› belirtmek üzere de dikdörtgenin d›fl›na S harfi yaz›l›r (fiekil 4.1 a).
Bu örne¤in a¤aç diyagram›ysa ayn› noktadan bafllayan iki dal çizilmekte ve
dallardan biri yaz›y› di¤eri turay› ifade etmek üzere dallar›n sonuna da sonuçlar
(Y ve T) yaz›lmaktad›r (fiekil 4.1 b).
S
Nihai Sonuçlar
Yaz› Y
Y T
fiekil 4.1 Paran›n bir Tura T

kez at›lmas›
deneyinin (a) Venn (a) (b)
ve (b) A¤aç
diyagram›..
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›,
S = {YY, YT, TY, TT}
biçimindedir ve bu deneye iliflkin Venn ve a¤aç diyagramlar› da afla¤›daki fiekil

4.2’deki gibidir.
‹lk at›fl ‹kinci at›fl Nihai

S Sonuçlar
Y Y Y
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,
S = {EE, EK, KE, KK}
biçiminde yaz›lmaktad›r.
‹lk seçim ‹kinci seçim Nihai

S Sonuçlar
E EE
EE EK
E
K EK
KE KK E KE
K
fiekil 4.3 ‹ki personel

K KK seçilmesi deneyinin
(a) Venn ve (b) A¤aç
Basit ve Bileflik Olaylar

Olay, bir deneyin bir ya da daha çok sonucundan oluflur.
Olay: Bir olay, bir deneyin bir
Olay: Bir olay, bir deneyin bir ya da daha çok sonucunun kümesidir. ya da daha çok sonucunun
Olay, basit ya da bileflik olabilmektedir. Basit olaya ayn› zamanda “elementer kümesidir.
olay” denirken, bileflik olaya da “kat›fl›k olay” denir.
72 istatistik
Basit olay: Basit Olay

Bir deneyin sadece ve sadece Herhangi bir deneyin nihai sonuçlar›na basit olay denir. Yani bir basit olay sade-
bir nihai sonucunu içeren
olaya basit olay denmekte ve ce ve sadece bir tane sonuç içermekte ve E1, E2, E3, .... ya da A, B, C, ....biçimin-
genellikle Ei biçiminde deki harflerle gösterilmektedir.
gösterilmektedir.
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.
E1 = (EE), E2 = (EK) , E3 = (KE) , E4 = (KK)
Bileflik olay: Bileflik Olay

Bir deneyin birden çok Bir bileflik olay birden çok sonuçtan oluflmaktad›r.
sonucundan oluflan kümeye
bileflik ya da kat›fl›k olay
Bileflik olaylar A, B, C, D,.... ya da A1, A2, A3, ....., B1, B2, B3,.... biçiminde gös-
denmektedir. terilmektedir.
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 = {EK, KE, KK}
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
fiekil 4.4 A Bileflik

olay›n›n Venn
diyagram›.
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.
ÇÖZÜM
D = Genetik kopyalamay› destekliyor, K = Genetik kopyalamaya karfl› olmak
üzere dört sonuç afla¤›dad›r.
DD = Her iki kifli de genetik kopyalamay› destekliyor.
DK = Birinci kifli genetik kopyalamay› desteklerken ikincisi karfl›d›r.
KD = Birinci kifli genetik kopyalamaya karfl›yken ikincisi destekliyor.
KK = Her iki kifli de genetik kopyalamaya karfl›d›r.
Bu deneyin dört nihai sonucuna iliflkin Venn ve a¤aç diyagram› flöyledir.
‹lk kifli ‹kinci kifli Nihai

S Sonuçlar
D DD
DD DK
D
K DK
KD KK D KD
K
fiekil 4.5 Deneyinin

K KK
(a) Venn ve (b) A¤aç
a) “Her iki kifli de genetik kopyalamay› destekliyor” olay›n›n gerçekleflmesi A ile

ifade edilmek üzere, A = {DD} biçiminde gösterilir ve bu olay, deneyin dört
nihai sonucundan sadece bir tanesini içerdi¤i için “basit olayd›r”.
b) “En çok bir kifli genetik kopyalamaya karfl›” olay›n›n gerçekleflmesi iki kiflinin
ya da iki kifliden birinin genetik kopyalamay› desteklemesi durumlar›nda söz
konusudur. B ile ifade edilen olay, B = {DD, DK, KD} sonuçlar› nedeniyle
(birden çok sonuç) “bileflik olayd›r”.
c) “Kesinlikle bir kifli genetik kopyalamay› destekliyor” olay›n›n gerçekleflmesi,
iki kifliden birisinin genetik kopyalamay› desteklerken, di¤er kiflinin karfl› ol-
du¤u durumda söz konusudur. C ile ifade edilen ve C = {DK, KD} biçiminde
gösterilen olay birden çok say›da sonuç içermesi nedeniyle “bileflik olayd›r”.
1. Deney, sonuç, örneklem uzay›, basit olay, bileflik olay kavramlar›n› aç›klay›n›z.
2. Afla¤›daki istatistiksel deneyler için basit olaylar› S örneklem uzay›n› yaz›n›z.

a. Bir zar›n bir kez at›lmas›, D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
b. Bir paran›n üç kez at›lmas›,
c. Bir paran›n bir kez ve bir zar›n bir kez at›lmas›. S O R U S O R U
3. Devlet bütçesindeki aç›¤›n kapat›labilmesi için zenginlerden al›nan verginin artt›r›l-

mas›n› baz› seçmenler isterken, baz›lar› karfl› ç›kmaktad›r. Seçmenler
D ‹ K K A aras›ndan
T ras- D‹KKAT
gele üç kifli seçilip görüflleri sorulacak olursa, toplam kaç olas› sonuçla karfl›lafl›l›r?
Bu deneyin a¤aç diyagram›n› çiziniz ve sonuçlar› S örneklem uzay›nda gösteriniz.
N N
74 istatistik
N
OLASILIK HESAPLAMA
AMAÇ Verilen tan›mlar› uygulayarak, olas›l›klar hesaplayabileceksiniz.

2
Olas›l›k: Olas›l›k, bir olay›n
meydana gelme flans›n›n Olas›l›k (probability) bir olay›n meydana gelme, ortaya ç›kma flans›n› ifade eder
say›sal bir ölçüsüdür. ve P ile gösterilir. Ei ile gösterilen bir basit olay›n olas›l›¤› P (Ei), A bileflik olay›-
n›n olas›l›¤›ysa P (A) biçiminde gösterilmektedir.
Olas›l›¤›n ‹ki Özelli¤i

Olas›l›¤›n iki önemli özelli¤i flunlard›r:
1. Bir olay›n olas›l›¤› her zaman s›f›r ve bir aral›¤›nda yer al›r.
Olay ister basit, isterse bileflik olsun meydana gelme olas›l›¤› hiçbir zaman s›-
f›rdan az, birden çok olamaz. Matematiksel notasyonlarla bu özellik flöyle ifa-
de edilir:
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 (M) = 0 ; M olanaks›z olay için
P (C) = 1 ; C kesin olay için
2. Bir deneydeki tüm basit olaylar›n olas›l›klar› toplam› ∑ P (Ei) biçimin-

de gösterilir ve her zaman birdir.
Bu özellik nedeniyle,
∑ P (Ei) = P (E1) + P (E2) + ∑ P (Ei) = P (E1) + P (E2) + P (E3) +............... = 1

P (E3) +............... = 1
eflitli¤i yaz›labilmektedir. Bu özellikten yararlanarak paran›n bir kez at›lmas›
deneyi için
P (Y) + P (T) = 1
Paran›n iki kez at›lmas› deneyi için
P (Y Y) + P (Y T) + P (T Y) + P (T T) = 1
Süper Ligde oynayan bir futbol tak›m›n›n maç sonucu içinse
P (Galibiyet) + P (Ma¤lubiyet) + P (Beraberlik) = 1
eflitlikleri yaz›labilir.
Olas›l›¤a Üç Kavramsal Yaklafl›m

Olas›l›¤a üç kavramsal yaklafl›m: 1) klasik olas›l›k, 2) olas›l›¤›n göreli s›kl›k
kavram› ve 3) öznel olas›l›k kavram›d›r. Olas›l›¤›n bu üç kavram›n›n aç›klama-
lar› afla¤›dad›r.
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.
Klasik Olas›l›k Kural›

Klasik olas›l›k kural›:
P (E i ) = 1
Deneyin toplam sonuç say›s› P (E i ) = 1
Deneyin toplam sonuç say›s›
A olay›nda içerilen sonuç say›s›

P (A) = A olay›nda içerilen sonuç say›s›
P (A) =
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
sonuçlar› elde edilir.
Zar›n bir kez at›lmas› deneyinde çift say› elde edilmesi olas›l›¤›n› bulunuz. ÖRNEK 8
Bu deneyde 1, 2, 3, 4, 5 ve 6 olmak üzere alt› sonuç bulunmaktad›r ve tüm so-

ÇÖZÜM
nuçlar eflit olas›l›kl› sonuçlard›r. A bileflik olay› 2, 4 ve 6 gelmesi biçiminde tan›m-

lan›rsa,
A = {2, 4, 6}
örneklem uzay›ndaki toplam alt› sonucun üç tanesi A olay›nca içerilmifl olur ve A

olay›n›n olma olas›l›¤›,
76 istatistik
P A = A olay›nca içerilen sonuç say›s› = 3 = 0.5

Deneyin toplam sonuç say›s› 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,
P Bir kad›n›n dernek baflkan› seçilmesi = 40 = 0.4

100
biçiminde bulunur.
Olas›l›¤›n Göreli S›kl›k Kavram›

‹lk olarak afla¤›daki olas›l›klar›n hesaplanmak istendi¤ini düflünülsün.
1. Bir otomobil fabrikas›nca bundan sonra üretilecek otomobilin kusurlu olma
olas›l›¤›,
2. Rasgele seçilmifl bir ailenin y›ll›k gelirinin 5.000.000.000 TL’den fazla olmas›
olas›l›¤›,
3. Bir hastanede bundan sonra do¤acak çocu¤un cinsiyetinin k›z olmas› olas›l›¤›,
4. 80 yafl›ndaki birinin en az bir y›l daha yaflamas› olas›l›¤›,
5. Hileli bir paran›n at›lmas› sonucunda yaz› gelmesi olas›l›¤›,
6. Cival› bir zar›n at›lmas› sonucunda 1 gelmesi olas›l›¤›.
Bu deneylerdeki sonuçlar eflit olas›l›kl› olmad›¤› için, yukar›da s›ralanan

olaylara iliflkin olas›l›klar klasik olas›l›k hesaplama kural›yla hesaplanamaz. Ör-
ne¤in fabrikada bundan sonra üretilecek ilk araba kusurlu ya da kusursuz ola-
bilir. Ancak burada kusurlu ya da kusursuz sonuçlar›n›n elde edilmesi olas›l›k-
lar› eflit de¤ildir.
Yukar›da oldu¤u gibi, sonuçlar› eflit olas›l›kl› olmayan deneylerde, deney de-
falarca tekrar edilerek veri üretilmektedir. Böylesi durumlarda olas›l›klar› hesapla-
mak için ya eski verilerden yararlan›lmakta ya da deney çok kez tekrarlanmak su-
retiyle yeni veri üretilmektedir. Bu verilerden yararlanarak bir olaya iliflkin (yakla-
fl›k) olas›l›k de¤eri için göreli s›kl›klardan yararlan›lmaktad›r. Bu yönteme “olas›-
l›¤›n göreli s›kl›k kavram›” ad› verilmektedir. Çünkü deneyin tekrarlanmas› sonu-
cunda göreli s›kl›klar elde edilmekte ve bunlardan yararlan›larak da olas›l›klar he-
saplanmaktad›r. Deneyin her tekrar›ndan sonra göreli s›kl›klar de¤iflece¤inden,
olas›l›klar da de¤iflecektir. Ancak bu olas›l›klar›n de¤ifliminin azalt›lmas›, örnek-
lem hacminin art›r›lmas› yoluyla sa¤lanabilmektedir.
Yaklafl›k Olas›l›k ‹çin Göreli S›kl›k Yaklafl›k olas›l›k için göreli

s›kl›k: E¤er bir deney n kez
E¤er bir deney n kez tekrarlanm›fl ve f kez bir A olay› gözlenmifl ise olas›l›¤›n gö- tekrarlanm›fl ve f kez bir A
reli s›kl›k kavram›na göre olas›l›k, olay› gözlenmifl ise
olas›l›¤›n göreli s›kl›k
kavram›na göre olas›l›k.
P ( A) = f
n
P ( A) = f
n
biçiminde bulunur.
biçiminde bulunur.
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,
P ‹lk üretilecek otomobil = f = 10 = 0.02

n 500
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.
Otomobil f Göreli S›kl›k Tablo 4.2 Otomobil

Kusursuz 490 490 | 500 = 0.98 örne¤inin s›kl›k ve
göreli s›kl›k
Kusurlu 10 10 | 500 = 0.02
da¤›l›mlar›.
Toplam 500 1.00
Bu tablodaki göreli s›kl›k sütunu yaklafl›k olas›l›klar sütunu olarak kullan›l-

maktad›r. Bu sütundan,
P (‹lk üretilecek otomobil kusurlu) = 0.02
P (‹lk üretilecek otomobil kusursuz) = 0.98
de¤erleri bulunur. Burada unutulmamas› gereken, göreli s›kl›klar›n gerçek olas›-

l›klar de¤il sadece yaklafl›k olas›l›klar oldu¤udur. Göreli s›kl›klardan elde edilen
olas›l›klar›n gerçek olas›l›klar olabilmesi için deneyin çok (sonsuz) kez tekrarlan-
mas› gerekir ki buna “Büyük Say›lar Yasas›” ad› verilir.
Büyük Say›lar Yasas›:
Büyük Say›lar Yasas› Bir deney çok (sonsuz) kez
Bir deney çok (sonsuz) kez tekrarlan›rsa, bir olay›n göreli s›kl›klar› kuramsal ola- tekrarlan›rsa, bir olay›n
göreli s›kl›klar› kuramsal
s›l›¤a yaklafl›r. olas›l›¤a yaklafl›r.
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,
n = örneklem hacmi = 1.000
f = ev sahibi olanlar›n say›s› = 670
olmak üzere olas›l›k de¤erleri,
P Rastgele seçilen ailenin ev sahibi olmas› = f = 670 = 0.670

n 1,000
olarak buldu.
Öznel Olas›l›k Kavram›

Ço¤u kez, ne sonuçlar› eflit olas›l›kl›, ne de veri üretmek için tekrarlanabilen de-
neylerle karfl›laflabiliriz. Böylesi durumlarda olaylar›n olma olas›l›klar›, klasik
olas›l›k kural› ya da göreli s›kl›k kavram› kullan›larak hesaplanamamaktad›r. Ör-
ne¤in, ‹statisti¤e Girifl dersini alan Ahmet’in dönem sonunda o dersten A alarak
geçme (baflar›l› olma) olas›l›¤› nedir? Sorusuna cevap vermek gerçekten güçtür.
Çünkü Ahmet bu dersten geçebilmek için test s›nav›na (s›navlar›na) bir kez gi-
recek ve s›navdaki baflar› durumuna göre A notu alacak ya da alamayacakt›r. Bu
olay için söz konusu olan A notu alma ya da almama gibi iki sonuç bulunmak-
la birlikte, bu sonuçlar›n ortaya ç›kmas› eflit olas›l›kl› de¤ildir. Bu gibi durumlar-
da düflünülen (öngörülen) olas›l›¤a öznel olas›l›k denmektedir. Bu olas›l›k bi-
Öznel olas›l›k: reyin de¤er yarg›s›na, deneyimine, düflüncesine göre de¤iflmektedir. Gerçekten
Bir olay için öznel de¤er
yarg›s›na, deneyim, bilgi ve de Ahmet bu dersten A notu alma olas›l›¤›n› yüksek görürken, dersin hocas› da-
düflünceye dayal› olas›l›kt›r. ha düflük görebilir.
Öznel olas›l›k keyfi bir de¤er olup, öngörüde bulunan kiflinin deneyiminden,
yanl›l›¤›ndan ve be¤enisinden etkilenir.
SIRA S‹ZDE 1. Üç olas›l›k

SIRAyaklafl›m›n›
S‹ZDE k›saca aç›klay›n›z ve bu üç yaklafl›m için birer örnek veriniz.
2. Afla¤›dakilerden hangilerinin olaylara iliflkin olas›l›klar olamayaca¤›n› nedenleri ile

birlikteDsöyleyiniz.
Ü fi Ü N E L ‹ M
1/5 0.97 -3.5 1.56 5/3 0.0 -2 / 7 1.0

S O R U S O R U
3. Çoktan seçmeli bir test s›nav›nda sorular için befl seçenek bulunmaktad›r. Herhangi
D‹KKAT
bir sorunun cevab› rasgele iflaretlenecek olursa; cevab›n
D‹KKAT
a) Do¤ru olma olas›l›¤›n›,
b) Yanl›fl olma olas›l›¤›n› bulunuz.
N N
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,
Toplam sonuç say›s› = 2 . 3 = 6 ' d›r.
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,
Toplam sonuç = 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 . 3 = 316 =

43.046.721
farkl› sonuç söz konusudur.
1. Kusursuz bir zar 2 kez at›lm›flt›r. Toplam sonuç say›s›n› bulunuz.

2. Kusursuz bir para 5 kez at›lm›flt›r. Toplam sonuç say›s›n› bulunuz.

3. Kusursuz bir para n kez at›lm›flt›r. Toplam sonuç say›s›n› bulunuz.
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
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:
Tablo 4.3 Cinsiyet Onayl›yor Onaylam›yor

Çal›flanlar›n Erkek 15 45
cevaplar›na iliflkin
iki yönlü s›n›flama. Kad›n 4 36
Yukar›daki tabloda 100 çal›flan; cinsiyet (erkek ya da kad›n) ve görüfl (onayl›-

yor ya da onaylam›yor) özelliklerine (de¤iflken – karakteristik) göre s›n›flanm›flt›r.
Bu s›n›flamaya (da¤›l›m) çapraz tablo (contingency table) ad› verilmekte olup, sa-
y›lar›n bulundu¤u kutulara da göze ya da hücre (cell) ad› verilmektedir.
Dikkat edilecek olursa, tabloda dört gözede iki karakteristi¤e ait s›kl›klar bu-
lunmaktad›r. Örne¤in; bu gözelerin ilkinde bulunan 15 çal›flan, erkek ve yüksek
ücret verilmesini onaylayanlar, olmak üzere iki karakteristi¤i ifade etmektedir.
Yukar›daki tabloya sat›r ve sütun toplamlar›n›n eklenmesi sonucunda tablo,
afla¤›daki biçime dönüflmektedir.
Tablo 4.4 Cinsiyet Onayl›yor Onaylam›yor Toplam

Çal›flanlar›n iki Erkek 15 45 60
yönlü s›n›flamas›.
Kad›n 4 36 40
Toplam 19 81 100
Çal›flanlar aras›ndan rasgele bir çal›flan seçildi¤inde, bu çal›flan sadece cinsiyet

ya da görüfl karakteristiklerinden birine göre de s›n›flanabilir. E¤er tek karakteris-
tik dikkate al›nacak olursa; seçilen çal›flan, erkek olabilir, kad›n olabilir, onayl›yor
olabilir ya da onaylam›yor olabilir. ‹flte bu dört karakteristik ya da olay›n olas›l›k-
lar›na bileflen (marjinal) olas›l›k ad› verilmektedir. Bu olas›l›klara bileflen ya da ba-
sit olas›l›klar denmesinin nedeni, bu olas›l›klar›n sat›r ya da sütun toplamlar›n›n
genel toplama bölünmesiyle bulunmas›d›r.
Bileflen olas›l›k: Bileflen Olas›l›k: Basit olas›l›k olarak da bilinen bileflen olas›l›k, herhangi
Basit olas›l›k olarak da
bilinen bileflen olas›l›k,
baflka olay dikkate al›nmaks›z›n, sadece bir olaya iliflkin olas›l›kt›r.
herhangi baflka olay dikkate Yukar›daki Tablo 4.4’e iliflkin dört bileflen olas›l›k flöyle hesaplan›r:
al›nmaks›z›n sadece bir
olaya iliflkin olas›l›kt›r. Erkeklerin say›s›
P Erkek = = 60 = 0,60
Tüm çal›flanlar›n say›s› 100
Yukar›da belirtildi¤i gibi, erkek çal›flanlara iliflkin (sat›r) toplam de¤erlerinin

genel toplama bölünmesiyle elde edilen bu de¤er gibi, öteki üç bileflen olas›l›k da
kolayl›kla bulunur.
P Kad›n = 40 = 0.40
100
P Onayl›yor = 19 = 0.19
100
P Onaylam›yor = 81 = 0.81
100
Elde edilen bileflen olas›l›klar›n da eklenmesiyle afla¤›daki tablo oluflturulur:

Cinsiyet Onayl›yor ( A ) Onaylam›yor ( B ) Toplam Tablo 4.5 Bileflen

Erkek ( E ) 15 45 60 P ( E ) = 0.60 olas›l›kl› iki yönlü
s›n›flama.
Kad›n ( K ) 4 36 40 P ( K ) = 0.40
Toplam 19 81 100
P ( A ) = 0.19 P ( B ) = 0.81
Bu durumda, seçilen kiflinin, üst düzey yöneticilere yüksek ücret verilmesini

onayl›yor olmas› olas›l›¤› nedir? Bu olas›l›k flöyle ifade edilebilir:
“Verildi¤inde” biçiminde okunur
P ( Onayl›yor | Erkek )
Olas›l›¤› Gerçekleflmifl olay

hesaplanacak olay
P (Onayl›yor | Erkek) biçiminde ifade edilen olas›l›¤a, “onaylaman›n koflullu

olas›l›¤›” denmektedir ve bu gösterim “çal›flan›n erkek oldu¤u bilindi¤inde (veril- Koflullu olas›l›k:
di¤inde) seçilen çal›flan›n onaylama olas›l›¤›” olarak okunmaktad›r. Koflullu olas›l›k bir olay›n
Koflullu Olas›l›k: Koflullu olas›l›k bir olay›n olufltu¤unun bilinmesi duru- olufltu¤unun bilinmesi
durumunda di¤er olay›n
munda di¤er olay›n olma olas›l›¤›d›r. Örne¤in A ve B iki olay olmak üzere A olma olas›l›¤›d›r. Örne¤in A
olay›n›n koflullu olas›l›¤›, ve B iki olay olmak üzere A
olay›n›n koflullu olas›l›¤›,
P(A | B)
P (A | B)
biçiminde gösterilir ve B
olay› oldu¤unda A olay›n›n
biçiminde gösterilir ve B olay› oldu¤unda A olay›n›n olmas› olas›l›¤› biçimde okunur. olmas› olas›l›¤› biçimde
okunur.
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
du¤u biliniyor ve bu kiflinin onaylama olas›l›¤›n›n bulunmas› isteniyor. Burada ilk

olarak Tablo 4.4’ün birinci sat›r› ele al›nm›fl, seçilmifl olan bu kiflinin de, 60 tane
erkek çal›flandan biri oldu¤u düflünülerek, bu sat›r tekrar yaz›lm›flt›r.
Cinsiyet Onayl›yor Onaylam›yor Toplam

Erkek 15 45 60
Onaylayan erkekler Çal›flan toplam erkek
Bu bilgiler ›fl›¤›nda aranan koflullu olas›l›k;
Onaylayan erkek say›s› = 15 = 0.25

P Onayl›yor | Erkek =
Toplam erkek say›s› 60
olarak bulunur. Bu hesaplamadan da görülece¤i gibi koflullu olas›l›k hesaplan›rken

gerçekleflen olay›n de¤eri (erkek çal›flanlar) paydaya, olas›l›¤› bulunmak istenen
olay›n de¤eri (onaylayan erkek) paya yaz›lmaktad›r.
82 istatistik
Afla¤›daki a¤aç diyagram›, koflullu olas›l›¤›n daha kolay anlafl›lmas›n› sa¤lamak

amac›yla Örnek 4.15 için haz›rlanm›flt›r:
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
Verilen (bilinen) olay

45 / 60
Erkek
60 / 100 Onaylam›yor | Erkek
Kad›n Onayl›yor | Kad›n

40 / 100 4 / 40
fiekil 4.6 A¤aç
diyagram›. O n a y l a m › y o r | K a d ›3n6 / 4 0
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
Burada aranan olas›l›k,
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›
Bu bilgiler ›fl›¤›nda aranan olas›l›k de¤eri,

Onaylayan kad›n say›s›
P Kad›n | Onayl›yor = = 4 = 0.211
Toplam onaylayanlar›n say›s› 19
olup örne¤e iliflkin a¤aç diyagram› afla¤›dad›r.
Erkek I Onayl›yor 15 / 19
Verilen (bilinen) olay

4 / 19 Aranan olas›l›k
Onayl›yor
19 / 100 Kad›n I Onayl›yor Olas›l›¤› aranan olay
Onaylam›yor Erkek I Onaylam›yor

81 / 100 45 / 81
fiekil 4.7 A¤aç

diyagram›. Kad›n I Onaylam›yor 36 / 81
1. Olaylar›n bileflen ve koflullu olas›l›klar› aras›ndaki fark› k›saca aç›klay›n›z

SIRA S‹ZDE ve birer SIRA S‹ZDE
örnek veriniz.
2. Bir firmada çal›flan 420 kifliye sigara içip içmedikleri ve üniversite

D Ü fi Ü Nmezunu
EL‹M olup ol- D Ü fi Ü N E L ‹ M
mad›klar› sorularak afla¤›daki iki yönlü tablo oluflturulmufltur.
Sigara Üniversite mezunu Üniversite mezunu de¤ilS O R U S O R U

‹çiyor 35 80
‹çmiyor 130 175
D‹KKAT D‹KKAT
Bu kiflilerden rasgele bir tanesi seçildi¤inde ;
a. Üniversite mezunu olma,
N N
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.
Cinsiyet Karfl› de¤il Karfl›

Erkek 495 405
Kad›n 620 480
Bu gruptan rasgele seçilen bir kiflinin;

a. Kürtaja karfl› olmamas›,
b. Kürtaja karfl› olmas›,
c. Kürtaja karfl› olmad›¤› bilindi¤ine göre kiflinin kad›n olmas›,
d. Kiflinin erkek oldu¤u bilindi¤ine göre kürtaja karfl› olma olas›l›klar›n› bulunuz.
N
AYRIK OLAYLAR
AMAÇ Ayr›k olay kavram›n› aç›klayabileceksiniz.

5
Birlikte olamayan olaylara karfl›l›kl› (ya da tamam›yla) ayr›k olaylar denmektedir
ve bu tür olaylar›n ortak sonuçlar› bulunmamaktad›r. E¤er iki ya da daha çok olay
karfl›l›kl› ayr›k ise, deneyin her tekrar›nda bu olaylardan en çok bir tanesi ortaya
ç›kmaktad›r ve bu nedenle bir olay›n ortaya ç›kmas›, di¤er olay ya da olaylar›n or-
taya ç›kmas›n› d›flta tutmaktad›r.
(Karfl›l›kl›-Tamam›yla) Ayr›k Olaylar: Birlikte ortaya ç›kmayan olaylara, (Karfl›l›kl› - Tamam›yla)
Ayr›k olaylar: Birlikte
(karfl›l›kl›) ayr›k olaylar denmektedir. ortaya ç›kmayan olaylara,
Herhangi bir deney için, deneyin herhangi bir tekrar›nda ortaya ç›kacak sade- (karfl›l›kl›) ayr›k olaylar den-
ce bir sonuç oldu¤u için nihai sonuçlar her zaman (karfl›l›kl›) ayr›kt›r. Örne¤in, bir mektedir.
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;
A = çift say› elde edilmesi = {2, 4, 6}

B = tek say› elde edilmesi = {1, 3, 5}
C = 5’den küçük say› elde edilmesi = {1, 2, 3, 4}
bu olaylara iliflkin olarak,

a) A ve B olaylar› ayr›k m›d›r?
b) A ve C olaylar› ayr›k m›d›r?
ÇÖZÜM
Afla¤›daki fiekil 4.8 ve 4.9’dan da görülece¤i gibi, A ve B olaylar›n›n hiçbir ortak

noktas› yoktur. Zar›n bir kez at›lmas› durumunda A ve B olaylar›ndan sadece bir
tanesine iliflkin bir sonuç ortaya ç›kacakt›r. Bu nedenle A ve B olaylar› ayr›k olay-
lard›r. Öte yandan, A ve C olaylar›n›n ortak noktas›da bulunmaktad›r. Baflka bir
anlat›mla zar›n bir kez at›lmas› durumunda 2 ya da 4 say›lar›n›n da gelebilece¤i,
bu iki noktan›n, her iki olay›n da eleman› olmas›, bir gerçektir. Bu yönüyle A ve
C olaylar› ayr›k olmayan olaylard›r.
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.
D = seçilen kifli üniversite mezunudur

N = seçilen kifli üniversite mezunu de¤ildir
Tan›mlanan D ve N olaylar› ayr›k m›d›r?

ÇÖZÜM
Yukar›da tan›mlanan D olay› üniversite mezunu çal›flanlar›, N olay›ysa üniversi-

te mezunu olmayan çal›flanlar› göstermektedir. Bu olaylar afla¤›daki flekilde gös-
terilmifltir.
D N fiekil 4.10 Ayr›k D ve

N olaylar›.
D ve N olaylar›n›n tan›m›ndan ve flekilden de anlafl›laca¤› gibi bu iki olayda

farkl› çal›flanlar ifade edilmektedir. ‹ki olay›n ortak sonucu bulunmad›¤› için D ve
N olaylar› ayr›k olaylard›r.
1. Bir çift zar at›ld›¤›nda; A olay› zarlardan birinin 4, B olay›ysa zarlar

SIRA toplam›n›n
S‹ZDE 11 ol- SIRA S‹ZDE
ma olas›l›¤› olsun. A ve B olaylar›n›n ayr›k olaylar oldu¤unu gösteriniz.
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
AMAÇ Ba¤›ms›z ve ayr›k olaylar aras›ndaki fark› yazabileceksiniz.

6
Ba¤›ms›z olaylar söz konusu oldu¤unda, bir olay›n ortaya ç›kmas› öteki olay›n or-
taya ç›kma olas›l›¤›n› de¤ifltirmemektedir.
Ba¤›ms›z Olaylar: E¤er bir olay›n ortaya ç›kmas› öteki olay›n ortaya ç›kma
olas›l›¤›n› etkilemiyorsa, bu iki olaya ba¤›ms›z olaylar denir. Baflka bir anlat›mla,
Ba¤›ms›z olaylar: E¤er bir
A ve B olaylar›n›n ba¤›ms›z olabilmeleri için, TELEV‹ZYON olay›n ortayaT Eç›kmas›
L E V ‹ Zöteki
YON
olay›n ortaya ç›kma
olas›l›¤›n› etkilemiyorsa, bu
P (A | B) = P (A) veya P (B | A) = P (B) iki olaya ba¤›ms›z olaylar
denir. A ve B olaylar›n›n
koflulu sa¤lanmal›d›r. ba¤›ms›z olabilmeleri için,
Bu koflullardan biri do¤ruysa ötekinin de do¤ru oldu¤u ya da koflullardan bi- P ( A | B ) = P ( A ) veya

P(B|A)=P(B)
ri yanl›flsa ötekinin de yanl›fl oldu¤u kolayl›kla gösterilebilir. Sonuç olarak bir ola-
koflulu sa¤lanmal›d›r.
y›n ortaya ç›kmas›, bir baflka olay›n ortaya ç›kma olas›l›¤›n› etkiliyorsa, bu olayla-
ra ba¤›ms›z olmayan ya da ba¤›ml› olaylar denmekte ve yukar›daki koflullar›n iki-
si de sa¤lamamaktad›r.
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)
koflulu sa¤lan›yorsa bu olaylar ba¤›ms›z, sa¤lanm›yorsa ba¤›ml› olaylard›r.
Tablo 4.4’te verilenlerden yararlanarak,
P (K) = 40 / 100 = 0.40 ve P (K | O) = 4 / 19 = 0.211
olas›l›klar› hesaplanabilmektedir. Bu iki olas›l›k ayn› olmad›¤› için bu olaylar ba-

¤›ms›z olaylar de¤ildir. Bu olaylar›n ba¤›ml› olmalar›n›n nedeniyse üst düzey yö-
neticilere yüksek ücret verilmesini onaylayan ve onaylamayan erkek çal›flanlar›n
yüzdelerinin, kad›n çal›flanlardan farkl› olmas›d›r. Bu örne¤e iliflkin olarak P (O)
ve P (O | K) olas›l›klar›n›n da ayn› olmad›¤› kolayl›kla görülebilir.
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
Soruda verilen bilgilerden,
P (D) = 15 | 100 = 0.15 ve P (D | A) = 9 / 60 = 0.15
olas›l›klar› bulunur. P (D) = P (D | A) oldu¤u için, A ve D olaylar› ba¤›ms›z olay-

lard›r.
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.
Tablo 4.6 ‹ki yönlü Makine Bozuk ( D ) Sa¤lam ( S ) Toplam

s›n›flama tablosu. Makine I ( A ) 9 51 60
Makine II ( B ) 6 34 40
Toplam 15 85 100
Bu tablodan yararlanarak da yukar›daki olas›l›klar kolayl›kla bulunabilmekte ve

bu olas›l›klardan da A ve D olaylar›n›n ba¤›ms›z olaylar olduklar› görülmektedir.
P (D) = 15 / 100 = 0.15 ve P (D | A) = 9 / 60 = 0.15

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,
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
“Sigara içme” ve “Üniversite mezunu olmama” olaylar› ba¤›ms›z olaylar m›d›r?

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
Cinsiyet Karfl› de¤il Karfl›

Erkek 495 405T E L E V ‹ Z Y O N TELEV‹ZYON
Kad›n 620 480
“Kad›n” ve “Karfl› de¤il” olaylar› ba¤›ms›z olaylar m›d›r?
N
TAMAMLAYICI (BÜTÜNLEY‹C‹) OLAYLAR
AMAÇ Tamamlay›c› olaylar kavram›n› aç›klayabileceksiniz.

7
‹ki ayr›k olay bir deneyin tüm sonuçlar›n› içeriyorsa bu olaylara, tamamlay›c›
ya da bütünleyici olaylar denmektedir. Tamamlay›c› olaylar her zaman ayr›k
olaylard›r.
Tamamlay›c› Olaylar: A olay›n›n tamamlay›c›s› A ile gösterilmekte ve A ta- Tamamlay›c› olaylar:
mamlayan› denmektedir. A olay›, bir deneyde A olay› taraf›ndan içerilmeyen tüm A olay›n›n tamamlay›c›s› A
ile gösterilmekte ve A
sonuçlar› içermektedir. tamamlayan› denmektedir.
Afla¤›daki fiekil 4.11’deki Venn diyagram›ndan da anlafl›laca¤› gibi A ve A A olay›, bir deneyde A
olay› taraf›ndan içerilmeyen
olaylar› birbirlerinin tamamlay›c›s›d›r. tüm sonuçlar› içermektedir.
A A
fiekil 4.11 ‹ki
Tamamlay›c› olay›n
Venn diyagram›.
88 istatistik
Tamamlay›c› olaylar›n bir deneyin tüm sonuçlar›n› içermesi nedeniyle, tamam-

lay›c› olaylar›n olas›l›klar toplam› 1’dir.
P (A) + P ( A ) = 1 ; P (A) = 1 - P ( A ) ; P ( A ) = 1 - P (A)
Bu eflitlikler nedeniyle herhangi bir olay›n olma olas›l›¤› biliniyorsa, bu olay›n

tamamlay›c›s›n›n olas›l›¤›, verilen olas›l›¤›n 1’den ç›kart›lmas›yla bulunabilmektedir.
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?
Bu deney için iki tamamlay›c› olay;

ÇÖZÜM
A = seçilen makine bozuktur

A = seçilen makine bozuk de¤ildir
biçimindedir. Deneydeki befl makinenin üçü sa¤lam, ikisi bozuk oldu¤u için yu-
kar›da tan›mlanan olaylar›n olas›l›klar›,
P (A) = 2 / 5 = 0.40 ve P ( A ) = 3 / 5 = 0.60
olup, olas›l›klar toplam› 1’dir. Bu örne¤in Venn diyagram› afla¤›da verilmifltir:
A A
fiekil 4.12 Örne¤in
Venn diyagram›.
ÖRNEK 22 Bir üniversitede 90 tanesi (ayn› zamanda) doktora derecesine de sahip

120 profesör bulunmaktad›r. Bu üniversiteden, bir profesörün rasgele se-
çilmesi deneyinde, tamamlay›c› olaylar ve olas›l›klar nedir?
Bu deneyde tamamlay›c› olaylar;

ÇÖZÜM
A = seçilen profesörün doktora derecesine sahip olmas›

A = seçilen profesörün doktora derecesine sahip olmamas›
biçimindedir. Bunlara iliflkin olas›l›klar;
P (A) = 90 / 120 = 0.75 ve P ( A) = 1 – 0.75 = 0.25
olup, Venn diyagram› afla¤›da verilmifltir:

A A
fiekil 4.13 Örne¤in

Venn diyagram›.
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?
2. D‹E taraf›ndan yap›lan bir araflt›rmada 7183 kiflinin birden çokDgelir

Ü fi Ü Ngetirici
EL‹M ifli oldu- D Ü fi Ü N E L ‹ M
¤u, bunlardan 4054 tanesininse erkek oldu¤u bulunmufltur. Bu 7183 kifliden rasgele
bir tanesinin seçilmesi durumunda ortaya ç›kacak iki tamamlay›c› S O R U
olay ve bunlar›n S O R U
olas›l›klar› nedir?
3. Eriflkinlerin her gün gazete okuma olas›l›¤› 0.65’tir. Bu olay›n Dtamamlay›c›

‹KKAT olay› ve D‹KKAT
olas›l›¤› nedir?
N N
N
OLAYLARIN ARA KES‹T‹ VE ÇARPMA KURALI
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›¤›-
n› hesaplamada kullan›lan çarpma kural› verilecektir.
Olaylar›n Ara Kesiti TELEV‹ZYON TELEV‹ZYON

‹ki olay›n ara kesiti, ayn› sonuçlar iki olayda da ortaksa oluflmaktad›r. Olaylar›n ara kesiti: Bir
örneklem uzay›nda A ve B
OLAYLARIN ARA KES‹T‹: Bir örneklem uzay›nda A ve B olaylar› tan›mlan- olaylar› tan›mlanm›fl olsun.
m›fl olsun. A ve B’nin ara kesiti, hem A hem de B’de yer alan sonuçlar› ifade eder, A ve B’nin ara kesiti, hem A
hem de B’de yer alan
A ve B biçiminde gösterilir. sonuçlar› ifade eder, A ve B
A ve B olaylar›n›n ara kesiti (kesiflimi) A ∩ B ya da AB olarak afla¤›daki flekil- biçiminde gösterilir.
de gösterilmifltir.
A B
fiekil 4.14 A ve B
olaylar›n›n ara kesiti.
U
A B ya da AB
90 istatistik
Bileflik olas›l›k: Çarpma Kural›

‹ki olay›n ara kesitinin
olas›l›¤›na, bunlar›n bileflik A ve B gibi birlikte ortaya ç›kan olaylar›n olas›l›¤›na bileflik olas›l›k ad› verilir ve
olas›l›¤› ad› verilir ve
P (A ve B) olarak gösterilir. P (A ve B) biçiminde gösterilir.
Çarpma kural›: ‹ki olay›n ara kesitinin olas›l›¤›, bir olay›n bileflen olas›l›¤›yla ile ikinci olay›n
A ve B olaylar›n›n ara kesiti-
nin olas›l›¤›
koflullu olas›l›¤›ndan elde edilir ve bu kurala çarpma kural› denir.
P (A ve B) = P (A) P (B | A) A ve B olay›n›n bileflik olas›l›¤› P (A ∩ B) ya da P (AB) olarak da gösterilir.
‘d›r.
ÖRNEK 23 Afla¤›daki tabloda bir firmada çal›flanlar›n cinsiyetlerine ve üniversite

mezunu olup olmad›klar›na göre da¤›l›mlar› verilmifltir.
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)
eflitli¤inden hesaplanmaktad›r. Afla¤›daki flekilde de görülece¤i gibi,

.
Üniversite
Mezunu
Kad›n 4
fiekil 4.15 ‹ki olay›n

ara kesiti.
Kad›n ve Üniversite mezunu
toplam 40 çal›flan›n 13 tanesi kad›nd›r ve olas›l›¤› P (K) = 13 / 40 ‘d›r. Ayn› biçim-

de P (M | K) olas›l›¤›n› bulmak da kolayd›r. Çünkü seçilecek kifli 13 kad›ndan bi-
ridir ve bunlar aras›ndan sadece 4 tanesi üniversite mezunudur. Bu nedenle
P (M | K) = 4 / 13
de¤erinden yararlanarak K ve M bileflik olas›l›¤›,
P (M ve K) = P (K) P (M | K) = (13 / 40) (4 / 13) = 0.100
olarak bulunur.
Bu örnekte istenen olas›l›k, çarpma kural› kullan›lmadan da bulunabilir. Çün-

kü yukar›da verilmifl bulunan tablo ve flekilden de kolayca anlafl›laca¤› gibi, top-
lam 40 çal›flandan “Kad›n” ve “Üniversite mezunu” özelliklerini tafl›yan sadece 4
çal›flan bulunmaktad›r. Yani, aranan bileflik olas›l›k P (M ve K) = 4 / 40 = 0.10'dur.
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.
P (E ve M) = P (E) P (M | E) = (27 / 40) (7 / 27) = 0.175

P (E ve N) = P (E) P (N | E) = (27 / 40) (20 / 27) = 0.500
P (K ve N) = P (K) P (N | K) = (13 / 40) (9 / 13) = 0.225
Afla¤›daki a¤aç diyagram›, dört bileflik olas›l›¤› göstermektedir. Örnekte bulun-

mas› istenen olas›l›k koyu renkle gösterilmifltir.
Erkek / Kad›n Üniversite mezunu de¤il Nihai Sonuçlar
P (E ve M) = (27 / 40) (7 / 27) = 0,175

M/E 7 / 27
P (E ve N) = (27 / 40) (20 / 27) = 0,500

27 / 40 N/E 20 / 27
E
K 13 / 40 M/K 4 / 13
P (K ve M) = (13 / 40) (4 / 13) = 0,100
N/K 9 / 13 fiekil 4.16 A¤aç

P (K ve N) = (13 / 40) (9 / 13) = 0,225 diyagram›.
Bir kutuda 4 tanesi bozuk, toplam 20 kaset bulunmaktad›r. Bu kasetler- ÖRNEK 24

den (seçilen yerine konulmaks›z›n) iki tanesi rasgele seçilmifltir. Seçilen
iki kasetin de bozuk olma olas›l›¤› nedir?
ÇÖZÜM
Bu deneyle ilgili olarak, önce olaylar tan›mlanacak olursa olaylar;
S1 = ‹lk seçilen kasetin sa¤lam olmas›

B1 = ‹lk seçilen kasetin bozuk olmas›
S2 = ‹kinci seçilen kasetin sa¤lam olmas›
B2 = ‹kinci seçilen kasetin bozuk olmas›
biçimindedir. Burada istenen B1 ve B2 olaylar›n›n, bileflik olas›l›klar› olup,
P (B1 ve B2) = P (B1) P (B2 | B1)
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,
P (B1 ve B2) = P (B1) P (B2 | B1) = (4 / 20) (3 / 19) = 0.032
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
‹lk seçim ‹kinci seçim Nihai Sonuçlar
P (S ve S ) = (16 / 20) (15 / 19) = 0,632

1 2
S /S 15 / 19
2 1
P (S / B ) = (16 / 20) (4 / 19) = 0,168

1 2
S 16 / 20 B /S 4 / 19
1 2
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
Önce örnekle ilgili iki olay tan›mlanacak olursa;
A = Seçilen ö¤renci k›z

B = Seçilen ö¤renci bilgisayar mühendisli¤i ö¤rencisi
biçimindedir. Bu bilgiler ›fl›¤›nda P (A) = 0.20 ve P (A ve B) = 0.03 kullan›larak,
sonucuna ulafl›l›r ki bu de¤er seçilen ö¤rencinin k›z oldu¤u bilindi¤inde bu ö¤-

rencinin bilgisayar mühendisli¤i ö¤rencisi olmas› (koflullu) olas›l›¤›d›r.
Ba¤›ms›z Olaylar ‹çin Çarpma Kural›

Burada verilecek olan çarpma kural›, iki olay›n ba¤›ms›z olmas› durumunda kul-
lan›lmaktad›r. A ve B gibi iki olay›n ba¤›ms›z olduklar› düflünüldü¤ünde,
P (A) = P (A | B) ve P (B) = P (B | A)
yaz›labilmektedir. Bu durumda P (B | A) yerine P (B) yaz›lacak olursa, yukar›da

verilen A ve B olaylar›n›n bileflik olas›l›¤›na iliflkin formül,
P (A ve B) = P (A) P (B | A) = P (A) P (B)
biçimine dönüflür.
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.
A = ‹lk dedektörün çal›flmamas›

B = ‹kinci dedektörün çal›flmamas›
A ve B olaylar› ba¤›ms›z olduklar›ndan, bunlar›n bileflik olas›l›¤›,
P (A ve B) = P (A) P (B) = (0.02) (0.02) = 0.0004
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›
Bu örnekte, A, B ve C, s›ras›yla penisilin verilen birinci, ikinci ve üçüncü hastala-

ÇÖZÜM
r› göstersin.
a) Penisilin verilen üç hastada alerji yapmas›, bu üç hastan›n bileflik olas›l›¤›ndan

elde edilecektir. Hastalardan birinin alerji olmas› ötekileri etkilemeyece¤i için
A, B ve C olaylar› birbirinden ba¤›ms›zd›r. Yani,
P (A ve B ve C) = P (A) P (B) P (C) = (0.20) (0.20) (0.20) = 0.008
istenen olas›l›k de¤eridir.
A , B ve C tan›mlanm›fl olan A, B ve C olaylar›n›n tamamlay›c›lar› olmak üzere

bu deneyin tüm sonuçlar› a¤aç diyagram› üzerinde kolayca gösterilebilir:
94 istatistik
‹lk hasta ‹kinci hasta Üçüncü hasta Nihai sonuçlar
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
olaylar› tan›mlanm›fl olsun. Tan›mlanan G ve H olaylar› tamamlay›c› olaylard›r. Bu

nedenle,
P (G) = P (A ve B ve C) = 0.008
sonucundan ve tamamlay›c› olay kural›ndan yararlanarak,
P (H) = 1 - P (G) = 1 – 0.008 = 0.992
de¤eri bulunur.
Ayr›k Olaylar›n Bileflik Olas›l›¤›

Ayr›k olaylar›n bileflik Önceki tart›flmalardada dile getirildi¤i gibi, ayr›k olaylar birlikte meydana gelmez-
olas›l›¤›: ‹ki ayr›k olay›n
bileflik olas›l›¤› her zaman ler. Bu nedenle, iki ayr›k olay›n bileflik olas›l›¤› s›f›rd›r.
s›f›rd›r ve bu durum, A ve B Ayr›k Olaylar›n Bileflik Olas›l›¤›: ‹ki ayr›k olay›n bileflik olas›l›¤› her za-
ayr›k olaylar ise
P (A ve B) = 0 man s›f›rd›r ve bu durum, A ve B ayr›k olaylarsa P (A ve B) = 0 biçiminde gös-
biçiminde gösterilir. terilir.
ÖRNEK 28 Otomobil kredisi almak için gerekli baflvuru formunun doldurulmas›na

iliflkin afla¤›daki iki olay tan›mlanm›fl olsun;
O = Kredi baflvurusu onayland›

R = Kredi baflvurusu reddedildi
O ve R’nin bileflik olas›l›¤› nedir?

ÇÖZÜM
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)
1. ‹ki olay›n ara kesitinin anlam›n› aç›klay›n›z ve bir örnek veriniz.

2. ‹ki olay›n bileflik olas›l›¤›n›n anlam›n› aç›klay›n›z ve bir örnek veriniz.

3. Afla¤›da verilen de¤erler için, A ve B olaylar›n›n bileflik olas›l›¤›n› bulunuz.
a) P (B) = 0.59 ve P (A | B) = 0.77
S O R U S O R U
b) P (A) = 0.28 ve P (B | A) = 0.15
N
OLAYLARIN B‹LEfi‹M‹ VE TOPLAMA KURALI
D‹KKAT D‹KKAT
Olaylardan en az birinin ortaya ç›kmas›na iliflkin olas›l›¤›
N N
AMAÇ SIRA S‹ZDE SIRA S‹ZDE
9
Bu alt bölümde olaylar›n bileflimi (bileflik olaylar) incelenecek ve bileflik olaylar-
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.
ABD üniversitelerinde 12.439 milyon ö¤renci ö¤renim görmektedir. Bun- ÖRNEK 29

lardan 6.868 milyonu k›z ö¤renci, 7.211 milyonu tam zamanl› ö¤renci ve
3.786 milyonu k›z ve tam zamanl› ö¤rencilerdir. “K›z” ve “Tam zamanl›
ö¤renci” olaylar›n›n bileflimini tan›mlay›n›z.
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.
Cinsiyet Tam-zamanl› Yar›-zamanl› Toplam Tablo 4.8 ‹ki yönlü

Erkek 3.435 2.136 5.571 s›n›flama tablosu.
K›z 3.786 * 3.082 6.868
Toplam 7.211 5.218 12.439
* iki kez tekrarlanan
K›z ara Tam-zamanl›

ö¤renci kesit ö¤renci
fiekil 4.19 “K›z
ö¤renci” ve “Tam-
zamanl› ö¤renci”
olaylar›n›n bileflimi.
96 istatistik
Toplama kural›: A ve B Toplama Kural›

olaylar›n›n bilefliminin
olas›l›¤›, Olaylar›n bileflimine iliflkin olas›l›k hesaplamada kullan›lan yönteme, toplama ku-
P (A veya B) = P (A) + ral› denir ve afla¤›daki gibi tan›mlan›r.
P (B) - P (A ve B)
biçiminde bulunmaktad›r. TOPLAMA KURALI: A ve B olaylar›n›n bilefliminin olas›l›¤›,
P (A veya B) = P (A) + P (B) - P (A ve B)
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
Bu gruptan rasgele seçilen birinin ö¤retim eleman› ya da kat›l›yor olma

olas›l›¤›n› bulunuz.
‹lk olarak afla¤›daki olaylar tan›mlanacak olursa;

ÇÖZÜM
A = Seçilen kifli ö¤retim eleman›

B = Seçilen kifli düflünceye kat›lmakta
biçimindedir. Tablo bilgilerinden yararlanarak bu olaylara iliflkin olas›l›klar,
P (A) = 70 / 300 = 0.233

P (B) = 135 / 300 = 0.450
P (A ve B) = P (A) P (B | A) = (70 / 300) (45 / 70) = 0.150
olarak bulunur. Aranan olas›l›k de¤eriyse toplama kural›ndan yararlan›larak,
P (A veya B) = P (A) + P (B) - P (A ve B) = 0.233 + 0.450 – 0.150

= 0.533
elde edilir.
Ayn› sonucu toplama kural› kullanmadan sadece tablo bilgilerinden yarar-

lanarak bulmak da olanakl›d›r.
45 + 15 + 10 + 90 = 160
P (A veya B) = 160 | 300 = 0.533
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.
‹stenen olas›l›k de¤erini bulmak için olaylar› tan›mlamak ve bu olaylara iliflkin
ÇÖZÜM
olas›l›klar› yazmak gerekir.
E = Rasgele seçilen kifli erkek

B = Rasgele seçilen kifli bekar
P (E) = 4.155 / 7.225 = 0.570

P (B) = 1.742 / 7.225 = 0.241
P (E ve B) = 905 / 7.225 = 0.125
Bu sonuçlar›n toplama kural›nda kullan›lmas›yla aranan olas›l›k de¤eri,
P (E veya B) = P (E) + P (B) - P (E ve B) = 0.570 + 0.241 - 0.125

= 0.686
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.
Cinsiyet Bekar Evli Toplam Tablo 4.10 ‹ki yönlü

s›n›flama tablosu.
Erkek 905 3.210 4.115
Kad›n 837 2.273 3.110
Toplam 1.742 5.483 7.225
P (E) = 4.155 / 7.225 = 0.570

P (B) = 1.742 / 7.225 = 0.241
P (E ve B) = 905 / 7.225 = 0.125
P (E veya B) = P (E) + P (B) - P (E ve B) = 0.570 + 0.241 - 0.125
= 0.686
Ayr›k Olaylar ‹çin Toplama Kural›

Olas›l›k konusunun önceki alt bölümlerinde, iki ayr›k olay›n bileflik olas›l›k
de¤erinin s›f›r oldu¤u söylenmiflti. Bu nedenle A ve B ayr›k olaylar olmak üzere
P (A ve B) de¤eri s›f›r oldu¤u için, toplama kural›nda kullan›lan formülden ç›kar-
t›lmakta ve iki ayr›k olay›n bilefliminin olas›l›¤›, bu iki olay›n bileflen olas›l›klar›n›n
toplam›ndan elde edilmektedir.
Ayr›k Olaylar ‹çin Toplama Kural›: A ve B ayr›k olaylar›n›n bilefliminin Ayr›k olaylar için toplama
olas›l›¤› kural›:
A ve B ayr›k olaylar›n›n
bilefliminin olas›l›¤›
P (A veya B) = P (A) + P (B)
P (A ya da B) = P (A) + P (B)
‘dir. dir.
98 istatistik
ÖRNEK 32 Kamuoyunun ›rk ayr›m›na karfl› düflüncesinin ortaya konmas›n› amaç-

layan bir araflt›rmada; erkek ve kad›nlardan oluflan 300 kifli ile görüflül-
müfltür. Görüfllerin ›rk ayr›m›na “karfl›” , “destekliyor” ve “çekimser”
olarak kaydedilmesi sonucunda afla¤›daki tablo oluflturulmufltur.
Tablo 4.11. ‹ki yönlü Cinsiyet Karfl› Destekliyor Çekimser Toplam
s›n›flama tablosu. Erkek 45 15 12 72
Kad›n 85 115 28 228
Toplam 130 130 40 300
Bu gruptan rasgele seçilen bir kiflinin ›rk ayr›m›na karfl› ya da çekimser

olma olas›l›¤› nedir ?
ÇÖZÜM
‹lk olarak afla¤›daki olaylar tan›mlan›r;
K = Çekilen kifli ›rk ayr›m›na karfl›

C = Çekilen kifli ›rk ayr›m› konusunda çekimser
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›.
Yukarda verilen bilgilerden,
P (K) = 130 / 300 = 0.43

P (C) = 40 / 300 = 0.133
P (K veya C) = P (K) + P (C) = 0.43 + 0.133 = 0.563
elde edilir.
Toplama kural› formülü ikiden çok olay olmas› durumlar›nda da

kullan›labilmektedir.
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.
‹kinci at›fl Tablo 4.12 Bir zar›n

iki kez at›lmas›ndan
‹lk elde edilen sonuçlar.
1 2 3 4 5 6
at›fl 1 (1. 1) (1. 2) (1. 3) (1. 4) (1. 5) (1. 6)
2 (2. 1) (2. 2) (2. 3) (2. 4) (2. 5) (2. 6)
3 (3. 1) (3. 2) (3. 3) (3. 4) (3. 5) (3. 6)
4 (4. 1) (4. 2) (4. 3) (4. 4) (4. 5) (4. 6)
5 (5. 1) (5. 2) (5. 3) (5. 4) (5. 5) (5. 6)
6 (6. 1) (6. 2) (6. 3) (6. 4) (6. 5) (6. 6)
‹ki say›n›n toplam›n›n 5, ya da 7 ya da 10 oldu¤u olaylar tabloda iflaretlenmifltir.

Burada “toplam 5”, “toplam 7” ve “toplam 10” biçimindeki üç olay ayr›k olaylar-
d›r. Toplam› 5 olan dört sonuç, toplam› 7 olan alt› sonuç ve toplam› 10 olan üç
sonuç bulundu¤u için aranan olas›l›k,
P (5 veya 7 veya 10) = P (5) + P (7) + P (10)

= (4 / 36) + (6 / 36) + (3 / 36) = 13 / 36 = 0.361
olarak bulunur.
Kamuoyunun %55’inin genetik mühendisli¤ini destekledi¤i, %45’ininse kar- ÖRNEK 34

fl› oldu¤u bilinmektedir. Rasgele iki kifli seçilerek ve bu kiflilerin genetik
mühendisli¤ini destekleyip desteklemedikleri ö¤renilmek istenmektedir.
a) Bu deneyin a¤aç diyagram›n› çiziniz.
b) ‹ki kifliden en az birinin genetik mühendisli¤ini desteklemesi olas›l›¤›n›
bulunuz.
a) Deneyin olaylar› tan›mlanacak olursa;

ÇÖZÜM
D = Genetik mühendisli¤inin desteklenmesi

K = Genetik mühendisli¤ine karfl› olunmas›
biçimindedir. Bu deneyde dört nihai sonuç bulunmaktad›r.
‹ l k k i fl i ‹ k i n c i k i fl i Nihai sonuçlar ve olas›l›klar
P (DD) = (0,55) (0,55) = 0,3025

D
0,55
P (DK) = (0,55) (0,45) = 0,2475
D 0,55 K 0,45
K 0,45 D 0,55
P (KD) = (0,45) (0,55) = 0,2475
K 0,45 fiekil 4.21 A¤aç

P (KK) = (0,45) (0,45) = 0,2025
diyagram›.
100 istatistik
b) ‹ki kifliden en az birinin genetik mühendisli¤ini desteklemesi DD, DK ve KD

sonuçlar›n› içermektedir ve bu üç ayr›k olay›n bilefliminin olas›l›¤›,
P (en az bir kifli destekliyor) = P (DD, DK ya da KD)

= P (DD) + P (DK) + P (KD)
= 0.3025 + 0.2475 + 0.2475
= 0.7975
‘dir.
SIRA S‹ZDE 1. ‹ki olay›nSIRA

bilefliminin
S‹ZDE anlam›n› aç›klay›n›z ve bir örnek veriniz.
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
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
e. 5 8. 1’den 15’e kadar (15 dahil) olan tam say›lar aras›ndan

6 rasgele seçilen bir say›n›n 3 ve 5 ile bölünebilen bir say›
4. Bir çift zar at›lm›flt›r. Üste gelen yüzeylerdeki say›lar›n
toplam›n›n 7 oldu¤u biliniyorsa, bu zarlardan birinin 3 ol- olma olas›l›¤› afla¤›dakilerden hangisidir?
ma olas›l›¤› afla¤›dakilerden hangisidir?
a. 1
15
a. 1 1
b.
18 3
b. 1 3
c.
3 5
c. 2 10
d.
5 15
d. 3 13
e.
7 15
e. 1
2
102 istatistik
9. Bir A dersi s›nav›na giren 200 ö¤rencinin cinsiyetlerine Yan›t Anahtar›

göre baflar› durumu afla¤›daki tabloda gösterilmifltir. 1. c
Baflar› 2. d
BAfiARILI BAfiARISIZ TOPLAM 3. e
Cinsiyet
4. b
ERKEK 80 40 120 5. a
6. d
KIZ 60 20 80
7. e
8. a
TOPLAM 140 60 200
9. b
S›nava giren ö¤renciler aras›ndan rasgele seçilen bir ö¤- 10. b
rencinin erkek ve baflar›l› olma olas›l›¤› afla¤›dakilerden
hangisidir?
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
• 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 Faktöriyel kavram›n› aç›klayabilecek,

Kesikli rassal ortalama ve standart sapmas›n› hesaplayabileceksiniz.
N Kesikli rassal de¤iflkenlerin önemli da¤›l›mlar›ndan

de¤iflkenlerin olas›l›k da¤›l›m›n› oluflturabileceksiniz.
N narak ilgili olas›l›klar› hesaplayabilecek, da¤›l›m›nBinom

kombinasyon hesaplayabileceksiniz.
da¤›l›m›n› kulla-
ortalama ve standart
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›
• 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:
Otomobil Say›s› S›kl›k Göreli S›kl›k Tablo 5.1 Sahip

0 30 30 / 2000 = 0.015 Olunan Otomobil
1 470 470 / 2000 = 0.235 Say›lar›na Göre
2 850 850 / 2000 = 0.425 Ailelerin S›kl›k ve
3 490 490 / 2000 = 0.245 Göreli S›kl›k
4 160 160 / 2000 = 0.080 Da¤›l›mlar›.
N = 2000 Toplam = 1.000
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

Bir kesikli de¤iflken, de¤erleri say›mla elde edilen de¤iflkendir. Baflka bir deyiflle
bir kesikli de¤iflkenin birbirini izleyen de¤erleri aras›nda belirli boflluklar vard›r.
106 istatistik
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›.
Sürekli Rassal De¤iflken

De¤erleri ölçüm ya da tart›mla elde edilen, bir baflka anlat›mla say›mla elde edi-
lemeyen bir de¤iflkene sürekli rassal de¤iflken denir. Sürekli bir rassal de¤iflkenin
de¤erleri aral›klar halinde tan›mlan›r.
Sürekli Rassal De¤iflken: alaca¤› herhangi bir de¤erle, bir ya da daha fazla
aral›kta tan›mlanan de¤iflkene, sürekli rassal de¤iflken denir.
Bir aral›kta sonsuz say›da de¤er olaca¤› için, sürekli rassal bir de¤iflkenin ala-
bilece¤i de¤er say›s› da sonsuz kabul edilir ve bu de¤erlerin say›lmas› olanaks›z-
d›r denir. Örne¤in bir pilin ömrü 40 , 40.25 ya da 40.247 saat olabilmektedir. An-
cak bilinmektedir ki bir pilin ömrü en çok 200 saattir. Bu örnek için X, rassal se-
çilen bir pilin ömrü olmak üzere, X’in alabilece¤i de¤erler 0 ile 200 aras›nda ola-
cakt›r. Afla¤›da gösterildi¤i gibi X, 0 ile 200 aras›nda sonsuz say›da de¤er alabile-
ce¤i için sürekli rassal bir de¤iflkendir.
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
d. Bir evin yafl›

e. Bir kitapta en az bir hata olan sayfa say›s›
f. Bir doktorun bir hastay› muayene süresi
3. Afla¤›daki rassal de¤iflkenlerden hangilerinin kesikli hangilerinin sürekli oldu¤u-

nu söyleyiniz.
a. Bir banka flubesinde herhangi bir günde aç›lan hesap say›s›
b. Bir maratonu koflma süresi
c. Bir konser biletinin fiyat›
d. Rassal seçilen bir kutudaki çürük yumurta say›s›
e. Bir futbol maç›n›n sonucu
f. Rassal seçilen bir paketin a¤›rl›¤›
N
KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N OLASILIK DA⁄ILIMI
AMAÇ Kesikli rassal de¤iflkenlerin olas›l›k da¤›l›m›n› oluflturabileceksiniz.

2
X kesikli bir rassal de¤iflken olmak üzere, X‘in olas›l›k da¤›l›m›, X‘in alabilece¤i
de¤erlere göre olas›l›klar›n›n nas›l da¤›ld›¤›n› aç›klamaktad›r.
Kesikli Bir Rassal De¤iflkenin Olas›l›k Da¤›l›m›, rassal de¤iflkenin ala-
bilece¤i de¤erle bunlara ait olas›l›klar›n listesidir.
Afla¤›daki Örnek 5.1’de; kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m› kavram›-
n› aç›klanmaktad›r.
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.
1. 0 ≤ P(x) ≤ 1; x‘in her de¤eri için

2. Σ P(x) = 1
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.
P(x > 2) = P(x = 3) + P(x = 4) = 0.245 + 0.080 = 0.325
Kesikli bir rassal de¤ifl-

kenin olas›l›k da¤›l›m›, ma-
P(x) tematiksel bir formül, bir
0.5
0.425 tablo ya da bir grafik biçi-
0.4 minde gösterilebilmektedir.
Afla¤›daki grafikte, yatay
0.3
0.235 0.245 eksen X‘in ald›¤› de¤erler,
0.2 dikey eksense bu de¤erle-
re karfl›l›k gelen olas›l›klar
0.1 0.080
(yükseklik) olmak üzere
0.015
fiekil 5.1 Tablo
Tablo 5.2.’nin de¤erleri kul-
0.0
5.2.’de Verilen 0 1 2 3 4 x lan›larak çizilmifltir. Bu tür
Olas›l›k Da¤›l›m›n›n grafiklere çizgi ya da hat
Grafiksel Gösterimi.
grafi¤i ad› verilir.
ÖRNEK 2 Afla¤›daki tablolarda baz› x de¤erleri ve bunlara iliflkin olas›l›klar liste-

lenmifltir. Bu tablolar›n her birinin geçerli bir olas›l›k da¤›l›m› olup olma-
d›¤›n› araflt›r›n›z.
a) x P(x) b) x P(x) c) x P(x)

0 0.08 2 0.25 7 0.70
1 0.11 3 0.34 8 0.50
2 0.39 4 0.28 9 -0.20
3 0.27 5 0.13
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
a) Olas›l›k da¤›l›m›n› grafiksel olarak gösteriniz.

b) Bu makinenin verilen bir hafta içerisinde afla¤›daki ar›za say›lar›na
iliflkin olas›l›klar› bulunuz.
i) Kesinlikle iki
ii) S›f›r iki aras›
iii)Birden çok
iv) En çok bir
Yukarda verilmifl olan bilgilerden yararlan›larak, X: verilen bir hafta içerisinde

ÇÖZÜM
makinenin ar›za say›lar›n› göstermek üzere olas›l›k da¤›l›m›,

x P(x)
0 0.15
1 0.20 Tablo 5.3 Ar›za
2 0.35 Say›lar›n›n Olas›l›k
3 0.30 Da¤›l›m›.
∑ P(x) = 1.00
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
fiekil 5.2 Tablo

0.0 5.3.’deki Olas›l›k
0 1 2 3 x Da¤›l›m›n›n Grafi¤i.
110 istatistik
b) Yukar›da verilmifl olan Tablo 5.3’den yararlanarak istenen olas›l›klar bulunur.

i) Kesinlikle iki ar›za olma olas›l›¤›;
P (Kesinlikle iki ar›za) = P(x = 2) = 0.35
ii) S›f›r-iki ar›za olma olas›l›¤› (0, 1 ve 2 ar›za durumlar›n›n toplam›d›r).
P (0 - 2 ar›za) = P(0 ≤ x ≤ 2) = P(x = 0) + P(x = 1) + P(x = 2)
= 0.15 + 0.20 + 0.35 = 0.70
iii) Birden çok ar›za olma olas›l›¤› (2 ve 3 ar›za durumlar›n›n toplam›d›r).
P (Birden çok ar›za) = P(x > 1) = P(x = 2) + P(x = 3)
= 0.35 + 0.30 = 0.65
iv) En çok bir ar›za olma olas›l›¤› (0 ve 1 ar›za durumlar›n›n toplam›d›r)
P (En çok bir ar›za) = P(x ≤ 1) = P(x = 0) + P(x = 1)
= 0.15 + 0.20 = 0.35
ÖRNEK 4 Yap›lan bir araflt›rmaya göre; üniversite ö¤rencilerinin % 60’›n›n matema-

tik derslerini sevmedikleri (fobi) ve s›navlar›ndan korktuklar› elde edil-
mifltir. x matematik derslerini sevmeyen ö¤renci say›s›n› göstermek üze-
re, bu gruptan rassal seçilen iki ö¤renci için deneyin olas›l›k da¤›l›m›n›
yaz›n›z.
Deney için tan›mlanmas› gereken iki olay;

ÇÖZÜM
N = Seçilen ö¤rencide matematik fobisi yok

M = Seçilen ö¤rencide matematik fobisi var
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›,
P(x = 0) = P (NN ) = 0.16

P(x = 1) = P (NM ya da MN ) = P (NM ) + P (MN ) = 0.24 + 0.24 = 0.48
P(x = 2) = P (MM ) = 0.36
biçiminde ifade edilir.
‹lk ö¤renci ‹kinci ö¤renci Nihai sonuçlar ve olas›l›klar

P(NN) = (0.40) (0.40) = 0.16
N 0.40
P(NM) = (0.40) (0.60) = 0.24

N 0.40 M 0.60
N 0.40
M 0.60
P(MN) = (0.60) (0.40) = 0.24
fiekil 5.3 A¤aç M 0.60

Diyagram›. P(MM) = (0.60) (0.60) = 0.36
Yukar›da verilmifl olan olas›l›k de¤erlerinden, olas›l›k da¤›l›m› tablo biçiminde

de yaz›labilir.
x P(x) Tablo 5.4 Matematik
0 0.16 Fobisi Bulunan
Ö¤rencilerin Olas›l›k
1 0.48 Da¤›l›m›.
2 0.36
∑ P(x) = 1.00
1. Kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m›n›n ne oldu¤unu aç›klay›n›z.

SIRA S‹ZDE Kesikli bir SIRA S‹ZDE
rassal de¤iflkenin olas›l›k da¤›l›m›n›n hangi üç farkl› yolla ifade edildi¤ini söyleyiniz.
2. Kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m›n›n iki özelli¤iniD(koflullar›n›

Ü fi Ü N E L ‹ M ) k›saca D Ü fi Ü N E L ‹ M
aç›klay›n›z.
S O R U S O R U
3. Afla¤›daki üç tabloda bir dizi x de¤eri ve bunlara iliflkin olas›l›klar verilmifltir. Bun-
lardan hangileri olas›l›k da¤›l›m›n›n koflullar›n› sa¤lamaktad›r.
D‹KKAT D‹KKAT
a) x P(x) b) x P(x) c) x P(x)
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
KES‹KL‹ B‹R RASSAL DE⁄‹fiKEN‹N ORTALAMASI

K ‹ T A P
VE K ‹ T A P
N
STANDART SAPMASI
Kesikli rassal de¤iflkenlerin ortalama ve standart sapmas›n›

AMAÇ TELEV‹ZYON TELEV‹ZYON
3
Kesikli Bir Rassal De¤iflkenin Ortalamas›

Kesikli bir rassal de¤iflkenin ortalamas› µ ile gösterilir ve bu de¤er ayn› zamanda
olas›l›k da¤›l›m›n›n da ortalamas›d›r. X kesikli de¤iflkeninin ortalamas›na, bekle-
nen de¤er (expected value) ad› verilmekte ve E(x) biçiminde gösterilmektedir.
Kesikli bir rassal de¤iflkenin ortalamas›, deneyin çok kez tekrarlanmas› durumun-
da ortaya ç›kacak sonuçlar›n ortalama de¤eridir. Örne¤in bir otomobil galerisinin
haftal›k ortalama sat›fl› 2.4 otomobildir ifadesinde, bu galerinin gelecek haftada
kesinlikle 2.4 otomobil sataca¤› anlam› ç›kar›lmamal›d›r. Uzun haftalar›n kay›tla-
r›ndan (araba sat›fllar› baz› haftalar s›f›r, bazen bir, bazen iki ya da daha çok ola-
bilir) galerinin ortalama sat›fl miktar› 2.4 otomobil olarak bulunmufltur.
Kesikli bir rassal de¤iflkenin ortalamas›, x de¤iflken de¤erlerinin kendilerine
karfl›l›k gelen olas›l›klarla çarp›l›p toplanmas› ifllemiyle hesaplan›r.
Kesikli bir rassal de¤iflkenin ortalamas›, her x ile buna karfl› gelen P(x)
olas›l›klar›n›n çarp›mlar›n›n toplam› al›narak elde edilir.
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.
Tablo 5.5 Ar›za x P(x) x P(x)

Say›lar›na ‹liflkin 0 0.15 0(0.15) = 0.00
Olas›l›k Da¤›l›m›n›n 1 0.20 1(0.20) = 0.20
Ortalamas›n›n
Hesaplanmas›. 2 0.35 2(0.35) = 0.70
3 0.30 3(0.30) = 0.90
Σ x P(x) = 1.80
Elde edilen µ = Σ x P(x) = 1.80 de¤erinin anlam›, bu makinenin incelenen sü-

rede, haftada 1.8 kez ar›za yapmas›n›n beklendi¤idir. Ancak bulunan bu de¤er
ortalama (kuramsal) bir de¤er olup, gelecek haftalarda da makine bazen hiç ar›-
za yapmayacak, bazen 1, bazen 2 ya da daha çok kez ar›za yapacakt›r.
Kesikli Bir Rassal De¤iflkenin Standart Sapmas›

Kesikli bir rassal de¤iflkenin standart sapmas›, olas›l›k da¤›l›m›n›n yay›lmas›n›n
(saç›lmas›n›n) bir ölçüsü olup σ ile gösterilir. Standart sapma de¤erinin büyük ol-
mas›, x de¤erlerinin ortalama etraf›nda genifl bir aral›kta de¤erler ald›¤›n› gösterir-
ken, küçük standart sapma de¤eri bu aral›¤›n dar oldu¤unu, gözlenen x de¤erle-
rinin ortalamaya çok yak›n de¤erler ald›¤›n› ifade eder. Kesikli bir rassal de¤iflke-
nin standart sapmas›,
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.
Bir elektrik firmas› bilgisayar parçalar› üreterek sat›fla sunmaktad›r. ÖRNEK 6

Üretilen her parça tek tek kalite kontrolünden geçirildikten sonra piyasa-
ya sürülmektedir. Ancak tüm bu titiz kontrollere karfl›n, az say›da da ol-
sa baz› bozuk (ar›zal›) parçalar da gözden kaçabilmektedir. x ar›zal›
parça say›s›n› göstermek üzere, 400 parçal›k bir sevkiyat›n olas›l›k da¤›-
l›m› afla¤›da verilmifltir. x de¤erinin standart sapmas›n› bulunuz.
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
x rassal de¤iflkeninin standart sapmas›n›n bulunmas› için flu ad›mlar izlenir :
Ad›m 1: Kesikli rassal de¤iflkenin ortalamas› hesaplan›r.
µ = Σ x P(x) = 2.50
(400 parça aras›nda ortalama ar›zal› parça say›s› )
Ad›m 2: Σ x2 P(x) de¤erinin hesaplanmas›.

x rassal de¤iflkeninin alabilece¤i de¤erlerin kareleri al›n›p, olas›l›k de¤erleri
olan P(x) de¤eriyle çarp›lmas› ve çarp›mlar›n›n toplanmas›yla elde edilmektedir.
Σx 2 P(x) = 7.70
Ad›m 3: Bulunan µ ve Σ x2 P(x) de¤erlerinin formülde yerine konarak x ‘in stan-

dart sapmas› hesaplan›r.
σ = ∑ x2 P x – µ2 = 7.70 – 2.5 2 = 1.45 ≅ 1.20
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
b) x rassal de¤iflkeninin ortalama ve standart sapma de¤erlerinin hesaplanmas›n-

da kullan›lacak bilgiler afla¤›da Tablo 5.7’de verilmifltir.
Tablo 5.7 Ortalama x P(x) x P(x) x2 x2 P(x)

ve Standart Sapma 4.5 0.32 1.440 20.25 6.4800
‹çin Gerekli Bilgiler. 1.2 0.51 0.612 1.44 0.7344
-2.3 0.17 -0.391 5.29 0.8993
S x P(x) = 1.661 S x2 P(x) = 8.1137
Bu bilgilerden µ = Σ x P(x) = 1.661 trilyon TL ortalama kar ve
σ = ∑ x2 P x – µ2 = 8.1137 – 1.661 2 = 2.314 trilyon TL.
standart sapma de¤eri bulunur.
Standart Sapman›n Yorumu

Kesikli bir rassal de¤iflkenin standart sapmas› da öteki veri kümelerine benzer bi-
çimde yorumlan›r. Örne¤in birden büyük bir de¤er olmak üzere Chebyshev te-
oremine göre e¤ri alt›nda kalan alan›n en az [ 1 – (1 / k2) ] . kadar› ortalama et-
raf›nda ± k standart sapma s›n›rlar› aras›nda kalmaktad›r. Örne¤in k = 2 al›n›rsa,
toplam alan›n % 75’i µ – 2σ ile µ + 2σ s›n›rlar› aras›nda yer al›r. Bu teorem ge-
re¤ince, Örnek 6’ da µ = 2.50 ve σ = 1.20 olarak elde edilen de¤erlerden,
µ – 2σ = 2.50 – 2(1.20) = 0.10

m + 2σ = 2.50 + 2(1.20) = 4.90
sonuçlar› bulunur ve 400 parçal›k sevkiyatlar›n en az %75’inin ar›zal› parça say›-

s›n›n 0.10 ile 4.90 aras›nda olaca¤› söylenir.

1. Afla¤›da verilmifl bulunan olas›l›k da¤›l›mlar›n›n ortalama ve standart sapmalar›n›
bununuz.
a) x P(x) b) x P(x)
0 0.12 6 0.36
1 0.27 7 0.26
S O R U 2 0.43
S O R U 8 0.21
3 0.18 9 0.17
D‹KKAT 2. x, bir kitaptan

D ‹ K Krassal
AT seçilmifl bir sayfadaki yaz›m hatalar›n›n say›s› olmak üzere, afla-
¤›da verilmifl olan olas›l›k da¤›l›m›n›n ortalama ve standart sapmas›n› bulunuz.
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
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
AMAÇ Faktöriyel kavram›n› aç›klayabilecek, kombinasyon hesaplayabileceksiniz.

4
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 bulunuz. ÖRNEK 8
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
10! de¤erini bulunuz. ÖRNEK 9

ÇÖZÜM
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
(12 – 4) ! de¤erini bulunuz. ÖRNEK 10

ÇÖZÜM
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
(5 – 5) ! de¤erini bulunuz. ÖRNEK 11
Yukar›da da belirtilmifl oldu¤u gibi burada da önce parantez içerisindeki ifllem ya-
ÇÖZÜM
p›l›r ve daha sonra farktöriyel de¤eri hesaplan›r.
(5 – 5) ! = 0 ! =1
116 istatistik
ÖRNEK 12 15 ! de¤erini bulunuz.
15 ! = 15 . 14 . 13. ...... 2 . 1 = 1.307.674.368.000

ÇÖZÜM
(Not: Faktöriyel de¤erlerinin kolay bulunmas›n› sa¤layan haz›r tablolar gelifl-

tirilmifl olup. bu amaçla baz› hesap makinelerinde ! fonksiyon anahtar› (tuflu)
bulunmaktad›r.)
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
biçiminde gösterilerek “ n eleman aras›ndan her seferinde x tanesinin seçilmesin-

de kombinasyon say›s›” olarak okunmaktad›r.
x tane eleman›n, aras›ndan seçilecek toplam eleman say›s› n olarak düflünül-
dü¤ünde;
ifadesinden yararlan›lmaktad›r.
n = toplam eleman say›s›

n
= n eleman aras›nda her seferinde x eleman seçilmesinde
x
kombinasyon say›s›
x = her seferinde seçilecek eleman say›s›
Kombinasyonlar›n Say›s›, n tane farkl› eleman aras›ndan x tanesinin seçimin-

deki kombinasyon say›s›
n = n!
x x! n – x !
formülünden bulunmaktad›r. Burada n! , x! , (n - x ) ! faktöriyellerdir.

Kombinasyon formülünde,
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
olup, burada n de¤eri x de¤erinden büyük ya da en az›ndan eflit olmak zorunda-

d›r. Aksi durumda x eleman›n n ‘den küçük bir gruptan seçilmesi söz konusu ol-
mayacakt›r.
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
oldu¤u için, bir ö¤rencinin seçebilece¤i farkl› küme say›s›,
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
Burada da n = 5 ve x = 3 oldu¤u için kombinasyon formülünden,
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.
1. Bir üniversitenin ‹statistik Bölümünde 15 ö¤retim üyesi görevSIRA

yapmaktad›r.
S‹ZDE Bunlar SIRA S‹ZDE
aras›ndan rassal olarak iki tanesi, fakülte komitesine üye olarak seçilecektir. Kaç
farkl› seçim yap›laca¤›n› bulunuz.
2. Bir ilçenin kaymakam›, gelecek hafta, ilçesinde bulunan 12 ilkö¤retim okulundan 3

S O R U
tanesini ziyaret edecektir. Kaç farkl› olas› seçim yapaca¤›n› bulunuz. S O R U
3. Bir yat›r›mc›, g›da sektöründe faaliyet gösteren ve hisseleri menkul

D ‹ K Kk›ymetler
AT borsa- D‹KKAT
s›nda ifllem gören 20 firmadan 5 tanesinin hisse senetlerinden almak istemektedir.
N N
Yat›r›mc› kaç farkl› seçim yapabilecektir. SIRA S‹ZDE SIRA S‹ZDE
118 istatistik
B‹NOM (‹K‹ TER‹ML‹) OLASILIK DA⁄ILIMI
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.
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
olas›l›klar toplam› 1 ‘dir ve bu de¤erler bütün denemelerde ayn›d›r.

4. Denemeler birbirinden ba¤›ms›zd›r ve herhangi bir denemede yaz› gelmesi,
izleyen denemenin sonucunu etkilememektedir.
Sonuç olarak bir paran›n 10 kez at›lmas› deneyi bir binom deneyidir.
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?
1. Bu örnekte üç tane ayn› türden (özdefl) deneme vard›r.

2. Her denemede (ar›zal› ve ar›zas›z) iki sonuç vard›r ve bu sonuçlar baflar› ve ÇÖZÜM
baflar›s›zl›k olarak de¤erlendirilmektedir.
3. TV setinin ar›zal› (baflar›) olma olas›l›¤› p = 0.05, ar›zas›z (baflar›s›z) olma ola-
s›l›¤› q = 0.95 olup olas›l›klar toplam› 1’dir.
4. Denemeler birbirinden ba¤›ms›zd›r. Çünkü incelenen herhangi bir TV setinin
ar›zal› olmas› daha sonra incelenecek olanlar›n ar›zal› ya da ar›zas›z olmas›n›
etkilememektedir.
Bu dört koflulun sa¤lanmas› nedeniyle bu deney de bir binom deneyidir.
Binom Olas›l›k Da¤›l›m› ve Binom Formülü

Bir binom deneyinde n denemede elde edilen baflar› say›s› X ile ifade ediliyorsa,
X rassal de¤iflkenine binom rassal de¤iflkeni, da¤›l›m›naysa binom olas›l›k da¤›l›-
m› ya da k›saca binom da¤›l›m› denmektedir. Binom da¤›l›m›, n denemeden x ba-
flar›l› sonucun elde edildi¤i binom deneyinde olas›l›k hesaplamak amac›yla kulla-
n›lmaktad›r. Burada X ’in kesikli rassal de¤iflken oldu¤u unutulmamal›d›r. Nitekim
yukar›da incelenmifl olan TV seti örne¤inde baflar›l› sonuç say›s› 0, 1, 2 ve 3’den
bir tanesi olacakt›r.
Binom Formülü, Bir binom deneyinde, n denemeden x tane baflar›l› sonuç
elde edilmesinin olas›l›¤›, afla¤›daki binom formülüyle bulunmaktad›r.
Burada; n = toplam deneme say›s›
p = baflar›l› sonuç elde edilme olas›l›¤›
q = 1 - p = baflar›s›z sonuç elde edilme olas›l›¤›
x = baflar›l› sonuç say›s›
n -x = baflar›s›z sonuç say›s›d›r.
Px = n px . qn–x, x = 0,1, ..., n

x
120 istatistik
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?
Burada ilk olarak,

ÇÖZÜM
D = Seçilmifl bir TV setinin ar›zal› olmas›

G = Seçilmifl bir TV setinin ar›zal› olmamas›
olaylar› tan›mlan›r. Afla¤›daki a¤aç diyagram›ndan da görülece¤i gibi burada

ortaya ç›kacak 8 olas› sonuçtan sadece üç tanesiyle ilgilenilmektedir. Bunlar,
DGG, GDG, GGD
dir.
Burada rassal seçilen bir

TV setinin ar›zal› olma olas›-
l›¤› p = P(D) = 0.05 ve ar›za-
s›z olma olas›l›¤› da q = P(D)
= 0.95 dir. Çok genifl bir küt-
leden seçildi¤i düflünüldü-
¤ünde, seçimler birbirinden
ba¤›ms›z olacakt›r. Burada il-
gilenilen üç durumun (sade-
ce bir tanesinin ar›zal› olma-
s›) olas›l›klar›, eski bilgiler-
fiekil 5.4 Üç TV setine den yararlan›larak kolayl›kla
iliflkin a¤aç bulunur.
diyagram›.
P(DGG) = P(D) P(G) P(G) = (0.05) (0.95) (0.95) = 0.0451

P(GDG) = P(G) P(D) P(G) = (0.95) (0.05) (0.95) = 0.0451
P(GGD) = P(G) P(G) P(D) = (0.95) (0.95) (0.05) = 0.0451
Burada DGG, D, G ve G olaylar›n›n arakesiti ya da bu üç olas›l›¤›n P(DGG)

biçiminde bileflik olas›l›¤›d›r. Bu sonucun ortaya ç›kma olas›l›¤› (bileflik olas›l›k),
çarpma kural›yla elde edilmifltir.
Öteki iki durum için de benzer yorumlar yap›labilir. Sonuç olarak istenen
olas›l›k,
P (3 TV setinden 1 tanesinin ar›zal› olmas› ) = P (DGG ya da GDG ya da GGD)
= P (DGG) + P (GDG) + P (GGD)
= 0.0451 + 0.0451+ 0.0451
= 0.1353
olarak bulunur.
fiimdi ise ayn› sonuç binom formülü ile bulunacakt›r.

n = toplam deneme say›s› = 3
x = baflar›l› sonuç say›s› = 1
n -x = baflar›s›z sonuç say›s›d›r = 3 – 1 = 2
p = P (baflar›l›) = 0.05
q = P (baflar›s›z) = 0.95
olmak üzere binom formülünden,
3 denemeden 1 baflar›l› Baflar›l› sonuç Baflar›s›z sonuç

sonuç elde etme olas›l›¤› say›s› say›s›
3
Px=1 = 0.05 1 0.95 2 = 3 0.05 0.9025 = 0.1353
1
Baflar› olas›l›¤› Baflar›s›zl›k olas›l›¤›
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?
Burada paketin yerine ulaflmamas› baflar›, ulaflmas›ysa baflar›s›zl›k olarak tan›mlan›rsa,

ÇÖZÜM
n = toplam paket say›s› = 10

p = P (baflar›l›) = 0.02
q = P (baflar›s›z) = 1 – p = 1 – 0.02 = 0.98
de¤erleri yaz›l›r.
a) Sadece bir paketin ulaflmamas› durumuyla ilgilenildi¤inden,
x = baflar›l› sonuç say›s› = 1

n - x = baflar›s›z sonuç say›s›d›r = 10 – 1 = 9
de¤erleri de kullan›larak istenen olas›l›k bulunur.
10
Px=1 = 0.02 1 0.98 9 = 10! 0.02 1 0.98 9
1 1! 9!
= 10 0.02 0.8337 = 0.1667

122 istatistik
b) En çok bir paketin yerine ulaflmamas› durumuyla ilgilenildi¤indeyse x = 0 ve

x = 1 olmaktad›r. Bu durumda
P(x ≤ 1) = P(x = 0) + P(x = 1)
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.
ÖRNEK 20 Bir araflt›rma sonucunda 6 yafl›ndan küçük çocuklu, evli kad›nlar›n %

60’›n›n ev han›m› olmad›klar› bulunmufltur. Bu gruptan evli üç kad›n ras-
sal olarak seçilmifltir. x, ev han›m› olmayan kad›n say›s›n› göstermek
üzere , üç kad›n›n da ev han›m› olmama olas›l›¤›n› bulunuz, x rassal de-
¤iflkeninin olas›l›k da¤›l›m›n› yazarak grafi¤ini çiziniz.
x, 3 birimlik kad›n örnekleminde ev han›m› olmayan kad›n say›s›, n - x ise ev

ÇÖZÜM
han›m› kad›n say›s› olmak üzere,
n = toplam kad›n say›s› = 3

p = P (ev han›m› olmayan kad›n) = 0.60
q = P (ev han›m› kad›n) = 1 - p = 1 - 0.60 = 0.40
bilgilerinden yararlanarak istenen olas›l›k bulunur. Burada x rassal de¤iflkeni

0, 1 , 2 ve 3 de¤erlerini alacak ve istenen olas›l›k , bu olas›l›k de¤erleri aras›ndan
seçilecektir.
P(x = 0, 1, 2 , 3) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3)
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
Soruda istenen olas›l›k P(x = 3) = 0.2160 d›r.

Yukar›da elde edilen olas›l›k de¤erlerinden yararlanarak x ‘in olas›l›k da¤›l›m›-
n› ve olas›l›k da¤›l›m›n›n grafi¤i afla¤›da verilmifltir.
x P(x) Tablo 5.8 x ‘in

0 0.0640 Olas›l›k Da¤›l›m›.
1 0.2880
2 0.4320
3 0.2160
Toplam 1.0000
P(x)
0.50
0.4320
0.40
0.2880
0.30
0.2160
0.20
0.0640
0.10
0.00 fiekil 5.5 x ‘in

x Olas›l›k Da¤›l›m›n›n
0 1 2 3
Grafi¤i.
Bir araflt›rma sonucunda tüketicilerin % 20’sinin indirim yapan market- ÖRNEK 21

lerden al›flverifl yapt›klar› bulunmufltur. Bu tüketiciler aras›ndan rassal
seçilen 6 kifli için afla¤›daki de¤erleri bulunuz.
a) 3 tüketicinin indirim yapan marketlerden al›flverifl yapma olas›l›¤›n›.
b) En çok 2 tüketicinin indirim yapan marketlerden al›flverifl yapma ola-
s›l›¤›n›.
c) En az 3 tüketicinin indirim yapan marketlerden al›flverifl yapma olas›-
l›¤›n›.
d) Tüketicilerden 1 - 3 tanesinin indirim yapan marketlerden al›flverifl
yapma olas›l›¤›n›.
e) x rassal de¤iflkeni indirim yapan marketlerden al›flverifl yapan tüke-
ticilerin say›s›n› göstermek üzere x ‘in olas›l›k da¤›l›m›n› yaz›n›z ve
olas›l›k da¤›l›m›n›n grafi¤ini çiziniz.
‹stenen olas›l›k de¤erlerinin bulunabilmesi için

ÇÖZÜM
n = toplam tüketici say›s› = 6

x = indirim yapan marketlerden al›flverifl yapan kifli say›s›
= 0, 1, 2, 3, 4, 5, 6
p = P (indirim yapan marketlerden al›flverifl yapma) = 0.20
q = P (indirim yapan marketlerden al›flverifl yapmama) = 1 - p = 1 - 0.20
= 0.80
de¤erlerine gereksinim vard›r.

124 istatistik
a) 3 tüketicinin indirim yapan marketlerden al›flverifl yapma olas›l›¤›,
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›¤›,
P(x ≤ 2) = P(x = 0) + P(x = 1) + P(x = 2)
= 0.2621 + 0.3932 + 0.2458 = 0.9011
c) En az 3 tüketicinin indirim yapan marketlerden al›flverifl yapma olas›l›¤›,
P(x ≥ 3) = P(x = 3) + P(x = 4) + P(x = 5) + P(x = 6)
ya da
1 - P(x>2) = 1 - 0.9011 = 0.0989
= 0.0819 + 0.0154 + 0.0015 + 0.0001 = 0.0989
d) Tüketicilerden 1 - 3 tanesinin indirim yapan marketlerden al›flverifl yapma

olas›l›¤›,
P(1 ≤ x ≤ 3) = P(x = 1) + P(x = 2) + P(x = 3)
= 0.3932 + 0.2458 + 0.0819 = 0.7209
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.
Baflar› Olas›l›¤› ve Binom Da¤›l›m›n›n Biçimi

n deneme durumunda,
1. E¤er p = 0.50 ise binom da¤›l›m› simetrik,

2. E¤er p , 0.50’den küçük ise binom olas›l›k da¤›l›m›n›n sa¤a do¤ru çarp›k,
3. p , 0.50’den büyük ise binom olas›l›k da¤›l›m›n›n sola do¤ru çarp›k,
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.
x P(x) Tablo 5.10 n = 4 ve p

= 0.50 için x'in
1 0.2500
Olas›l›k Da¤›l›m›
2 0.3750
3 0.2500
4 0.0625
Toplam 1.0000
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.
2. n = 4 ve p = 0.30 (0.50’den küçük) olarak al›nacak olursa, x ‘in olas›l›k da-

¤›l›m› ve sa¤a do¤ru çarp›k grafi¤i afla¤›daki gibidir.
x P(x) Tablo 5.11 n = 4 ve p

0 0.2401 = 0.30 için x ‘in
1 0.4116
2 0.2646
3 0.0756
4 0.0081
Toplam 1.0000
126 istatistik
P(x)
0.5
0.4116
0.4
0.3 0.2646
0.2401
0.2
0.1 0.0756
0.0081
Olas›l›k Da¤›l›m›n›n x
0 1 2 3 4
Grafi¤i.
3. n = 4 ve p = 0.80 (0.50’den büyük) olarak al›nacak olursa, x ‘in olas›l›k da-

¤›l›m› ve sola do¤ru çarp›k grafi¤i afla¤›daki gibidir.
Tablo 5.12 n = 4 ve x P(x)

p = 0.80 için x ‘in 0 0.0016
1 0.0256
2 0.1536
3 0.4096
4 0.4096
Toplam 1.0000
P(x)
0.5
0.4096 0.4096
0.4
0.3
0.2 0.1536
0.1
0.0256
0.0016
Olas›l›k Da¤›l›m›n›n x
0 1 2 3 4
Grafi¤i.
Binom Da¤›l›m›n›n Ortalama ve Standart Sapmas›

Daha önce, kesikli bir rassal de¤iflkenin olas›l›k da¤›l›m›n›n ortalama ve standart
sapmas›n›n nas›l hesaplanaca¤›na de¤inilmiflti. Buradaysa kesikli rassal de¤iflke-
nin binom da¤›l›m›na sahip olmas› durumunda, ortalama ve standart sapman›n el-
de edilmesinde kullan›lan, daha uygun ve basit formüller incelenecektir.
Binom Da¤›l›m›n›n Ortalama ve Standart Sapmas›, Bir binom da¤›l›m›n›n
ortalama ve standart sapmas›,
µ =np
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.
Yap›lan bir araflt›rmayla bir kasabadaki eriflkinlerin % 58’inin psikolojik ÖRNEK 22

sorunu oldu¤u bulunmufltur. Bu kasabadan rassal 25 eriflkin seçilmifltir.
x , bu örneklemdeki psikolojik sorunu olan kifli say›s›n› göstermek üzere,
x ‘in olas›l›k da¤›l›m›n›n ortalama ve standart sapmas›n› bulunuz.
25 denemesi olan bu deneyde, psikolojik sorunu olan ve olmayan eriflkinler ol-
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
σ= npq = 25 0.58 0.42 = 2.47
olarak kolayca bulunabilir. Bu de¤erlerin anlam›; seçilen 25 kifliden 2.47 standart

sapmayla ortalama 14.50 tanesinin psikolojik sorunlu olmas› beklenmektedir.
1. Afla¤›daki kavramlar› k›saca aç›klay›n›z. SIRA S‹ZDE SIRA S‹ZDE

a) Bir binom deneyi
b) Bir deneme
c) Bir binom rassal de¤iflkeni D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
2. Afla¤›dakilerden hangilerinin binom deneyi oldu¤unu söyleyiniz.S O R U S O R U

a) Bir zar›n çok kez at›larak sonuçlar›n›n okunmas›.
b) Bir zar›n çok kez at›larak sonuçlar›n›n tek say› m› yoksa çift say› m› oldu¤unun
okunmas›. D‹KKAT D‹KKAT
c) Bir ülkedeki tüm seçmenlerin % 54’ünün mevcut iktidar partisini destekledi¤i bi-
N N
linmektedir. Bu kitleden (seçmenler) rassal seçilen az say›da seçmene, mevcut
iktidar partisini destekleyip desteklemediklerinin sorulmas›.
3. x , binom da¤›l›m› gösteren kesikli bir rassal de¤iflken olmak üzere, binom formü-
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)
128 istatistik
PO‹SSON OLASILIK DA⁄ILIMI
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.
Frans›z matematikçi Simeon D. Poisson’un ad›yla an›lan Poisson olas›l›k da¤›l›m›,

binom da¤›l›m› gibi X’in kesikli bir rassal de¤iflken olmas› durumunda (yayg›n)
kullan›lan da¤›l›mlardan biridir. Örne¤in bir kavflakta trafik kazas› olmas› ayda
birkaç kez rastlanan bir olayd›r. Burada istenen, gelecek ay o kavflakta iki trafik
kazas› olmas› olas›l›¤›d›r. Bu örnek Poisson olas›l›k da¤›l›m›na uygundur ve her
kaza olmas›; meydana gelme ya da tekrar olma (occurrence) biçiminde ifade edi-
lir. Bu durumda Poisson da¤›l›m›n›n, rassal ve ba¤›ms›z olayl› deneylerde kulla-
n›ld›¤› söylenebilir. Kaza örne¤inde oldu¤u gibi, Poisson da¤›l›m›nda olaylar ras-
sald›r, herhangi bir s›ra izlemedikleri gibi önceden kestirilmeleri de olanakl› de¤il-
dir. Burada olaylar›n ba¤›ms›zl›¤›n›n anlam›, bir olay›n bir kez meydana gelmesi
ve kendisini izleyen olaylar›n meydana gelmesi ya da gelmemesi üzerinde etkisi-
nin bulunmamas›d›r. Olaylar›n meydana gelifli, hep bir aral›kta ele al›n›r (trafik ör-
ne¤inde bir ay gibi). Bu aral›k bir zaman aral›¤›, bir uzay aral›¤› olabilece¤i gibi
bir hacim aral›¤› da olabilmektedir. ‹ncelenen bir aral›kta olay›n tekrar› rassal ve
ba¤›ms›zd›r. E¤er verilen bir aral›kta tekrar say›s›n›n ortalamas› biliniyorsa, Pois-
son olas›l›k da¤›l›m› kullan›larak, x ile gösterilen tekrar say›s›na iliflkin herhangi
bir de¤erin olas›l›¤› hesaplanabilmektedir.
Poisson Olas›l›k Da¤›l›m›n›n Uygulanma Koflullar›, Poisson olas›l›k da¤›-

l›m›n›n uygulanabilmesi için afla¤›daki üç koflulun sa¤lanmas› gerekir.
1. x kesikli rassal de¤iflkendir.
2. Tekrarlar rassald›r.
3. Tekrarlar ba¤›ms›zd›r.
Konuya aç›kl›k kazand›r›lmas› aç›s›ndan afla¤›da, Poisson olas›l›k da¤›l›m›n›n
uygulanabilece¤i baz› örnekler ele al›nm›flt›r..
1. Bir hastanenin acil servisine belirli bir zaman aral›¤›nda (bir saat, bir gün)
gelen hasta say›s›. Burada hasta geliflleri (tekrar) rassald›r ve gelen hasta sa-
y›s› 0, 1, 2,.... olabilir. Hasta geliflleri (tekrar) ba¤›ms›zd›r. Çünkü gelifller
tek tektir ve gelen iki hasta aras›nda iliflki yoktur.
2. Bir makinede üretilecek 100 parçadan, kusurlu parça say›s› da Poisson da-
¤›l›m›na uygundur. Çünkü burada bir hacim aral›¤› (100 parça) söz konu-
su olup, kusurlu parça say›lar› (tekrar) rassal ve bir parçan›n kusurlu olma-
s›, bir di¤erinden ba¤›ms›zd›r.
3. 5 metre uzunlu¤unda bir demir çubuktaki hava kabarc›klar› (kusur) incele-
niyor olsun. Bu örnekte aral›k bir uzay aral›¤› olup hava kabarc›¤› say›s›
rassald›r ve bu hava kabarc›klar› birbirinden ba¤›ms›zd›r.
Bu örneklere benzer bir biçimde olan afla¤›daki örnekler de Poisson olas›l›k
da¤›l›m›na uygundur.
1. Bir otoyolda bir haftal›k süredeki kaza say›s›.
2. Bir manava bir saatlik sürede gelen müflteri say›s›.
3. Bir ma¤azada bir haftal›k sürede sat›lan TV seti say›s›.
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!
eflitli¤iyle bulunmaktad›r. Burada λ verilen aral›kta ortalama tekrar say›s›d›r

(e=2.71828).
Bir aral›ktaki ortalama tekrar say›s› λ , Poisson olas›l›k da¤›l›m›n›n parametre-
si ya da k›saca Poisson parametresi olarak bilinir. Yukar›daki formülden de anla-
fl›laca¤› gibi, x tekrar say›s›n›n olas›l›¤›n›n bulunabilmesi için, sadece λ de¤erinin
bilinmesi yeterlidir. Çünkü formüldeki e-λ de¤eri, ya hesaplanmakta ya da haz›r
tablolardan bulunmaktad›r.
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›
130 istatistik
Ayda ortalama üç kez s›kma ar›zas› oldu¤una göre λ = 3 dür. Bu durumda;
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.
P (En çok bir ar›za) = P(x ≤ 1) = P (0 ya da 1) = P(x = 0) + P(x = 1)
olarak elde edilir.

Poisson olas›l›k da¤›l›m›nda λ ve x ‘in aral›klar› ayn› olmal›d›r. Aksi takdirde
eflitli¤in sa¤lanmas› için λ ortalamas›n›n tekrar tan›mlanmas› gerekir.
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.
Burada önemli bir sorunla karfl›lafl›lmaktad›r. Bu sorun, yukar›da de¤inildi¤i gibi;

ÇÖZÜM
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!
Bu duruma, binom da¤›l›m› yaklafl›m›nda Poisson da¤›l›m›n›n kullan›lmas› ad›

verilir ve özellikle n say›s›n›n çok büyük olmas› durumunda binom da¤›l›m›yla
olas›l›k bulman›n zaman kaybettirmesini ortadan kald›rmak amac›yla kullan›l›r.
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.
Önce, formülde kullan›lacak de¤erler tan›mlanmal›d›r.
ÇÖZÜM
λ= Her gün aç›lan ortalama yeni hesap say›s›.
x = Verilen günde aç›lacak yeni hesap say›s›.
Bu bilgiler ›fl›¤›nda Poisson olas›l›k da¤›l›m formülü kullan›larak istenen

olas›l›klar;
a)
-λ
Px=6 = λ e =
x 2 6 e -2
= 0.0120
x! 6!
b) P(x ≤ 3) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3)

= 0.1353 + 0.2707 + 0.2707 + 0.1804 = 0.8571
c) P(x ≥ 7) = 1 – P(x < 7)

= 1 – { P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3)
+ P(x = 4) + P(x = 5) + P(x = 6) }
= 0.0045
olarak bulunur.
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
otomobil say›s› x ise 0, 1, 2, 3, 4, ...., olabilecektir. Böylesi durumlarda x de¤erinin

say›s›, bulunan olas›l›k de¤erine bak›larak belirlenmektedir. Olas›l›k de¤erinin ih-
mal edilebilecek düzeyde olmas› durumunda (yaklafl›k s›f›r) olas›l›¤› bulunan x
de¤eri durdurulmaktad›r. Bu düflünce ›fl›¤›nda oluflturulan Poisson olas›l›k da¤›l›m›
ve olas›l›k da¤›l›m›n›n grafi¤i afla¤›da verilmifltir.
x P(x) Tablo 5.13 λ = 0.9

için Olas›l›k
0 0.4066
Da¤›l›m›.
1 0.3659
2 0.1647
3 0.0494
4 0.0111
5 0.0020
6 0.0003
132 istatistik
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.
Poisson Olas›l›k Da¤›l›m›n›n Ortalamas›

Poisson da¤›l›mda ortalama ve varyans parametrelerinin her ikisi de λ d›r. Standart
sapma, varyans›n pozitif kare kökü oldu¤undan bu da λ ’dir.
µ = λ
σ2 = λ
σ = λ
Örne¤in, yukar›daki Örnek 5.27 için bu de¤erler;
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
2. Poisson da¤›l›m›n›n parametresi nedir ? Ne anlama gelmektedir?

3. Poisson formülünden yararlanarak afla¤›daki olas›l›klar› bulunuz.
S O R U
a) λ = 4 için P(x ≤ 1)
S O R U
b) λ = 5.3 için P(x = 8)
D‹KKAT D‹KKAT
N N
Kendimizi S›nayal›m 5. A gazetesi okurlar›n›n 0.60’› okuduklar› gazeteyi güve-

1. Dayan›kl› tüketim mal› satan bir ma¤azan›n son 100 ifl nilir bulmaktad›r. Bu gazetenin okurlar› aras›ndan seçi-
günündeki günlük sat›fllar› afla¤›daki tabloda verilmifltir. len 3 okuyucunun da gazeteyi güvenilir bulmama olas›-
l›¤› nedir?
Sat›fl say›lar› 2 3 4 5 6
a. 0.064
Gün say›lar› 12 21 34 19 14
b. 0.216
Yukar›daki tabloya göre X, günlük sat›fl› göstermek üze- c. 0.310
re, P(x<4) olas›l›¤› kaçt›r? d. 0.370
a. 0.04 e. 0.421
b. 0.17
c. 0.21 6. Bir basketbolcunun serbest at›fldaki baflar›s› 0.85’ dir.
d. 0.33 Basketbolcunun deneyece¤i 3 at›fltan, ikisini say›ya dö-
e. 0.50 nüfltürme olas›l›¤› nedir?
a. 0.216
2. X, rassal de¤iflkeninin olas›l›k da¤›l›m›, afla¤›daki tablo- b. 0.325
da verilmifltir. c. 0.442
X P(x) d. 0.467
0 0.12 e. 0.518
1 0.27
2 0.43
7. Bir havayolu flirketinin merkezine hergün ortalama 9.7
3 0.18
flikayet telefonu gelmektedir. Herhangi bir günde 7 flika-
Yukar›daki tabloya göre, X’ in ortalamas› ve standart sap- yet gelmesi olas›l›¤› nedir? (Yol gösterme: Poisson da¤›l›-
mas› kaçt›r? m›ndan yararlan›n›z.)
a. µ = 1.670 a. 0.0982
σ = 0.906 b. 0.1740
b. µ = 2.472 c. 0.2234
σ = 0.906 d. 0.2401
c. µ = 1.670 e. 0.3547
σ = 1.127
d. µ = 1.528 8. Ekonomik kriz yaflayan ülkemizde çok say›da küçük
σ = 1.417 ve orta boy iflletme kapanmaktad›r. Konuyla ilgili olarak
e. µ = 1.740 Eskiflehir’de yap›lan bir araflt›rmada hergün ortalama 1.3
σ = 2.180 iflyerinin kapand›¤› belirlenmifltir.
Verilen bir günde Eskiflehir’de 3’ den az iflyerinin kapan-
3. Bir firma piyasa koflullar›n›n olumsuzlu¤u nedeniyle ma olas›l›¤› nedir?
16 çal›flan›ndan 2 tanesini rastgele seçerek ifllerine son a. 0.0294
verecektir. Yap›labilecek farkl› seçim say›s› kaçt›r? b. 0.1714
a. 40 c. 0.3740
b. 70 d. 0.5343
c. 100 e. 0.8571
d. 120
e. 130 9. X, ortalamas› 1.8 olan Poisson da¤›lm›fl bir rassal de¤ifl-
ken oldu¤una göre standart sapmas› nedir?
4. X, p = 0.3 ve q = 0.7 olmak üzere Binom da¤›lm›fl bir a. 0.04
rassal de¤iflkendir. X’ in varyans› 2.1 ise n kaçt›r? b. 0.17
a. 2 c. 0.21
b. 4 d. 1.34
c. 5 e. 2.18
d. 7
e. 10
134 istatistik
10. Bir A firmas›nda istenilen verimin elde edilmesi ve Yan›t Anahtar›

sürdürülebilmesine iliflkin olarak çal›flanlara uygulanan 1. d
bir anket sonucunda, çal›flanlar›n 0.50’ si çal›flma koflulla- 2. a
r›n›n en önemli faktör oldu¤unu belirtmifllerdir. 3. d
A firmas› çal›flanlar›ndan rastgele seçilen 10 kifliden en 4. e
çok 5 tanesinin çal›flma koflullar›n›n en önemli etken ol- 5. a
du¤unu iflaretleme olas›l›¤› nedir? 6. b
a. 0.2051 7. a
b. 0.2725 8. e
c. 0.3770 9. d
d. 0.6230 10. d
e. 0.7730
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
PIERRE SIMON LAPLACE (1749-1827)
1 700’lü y›llar›n sonlar›nda astronomi alan›ndaki çal›flmalar›yla dikkat çekti. ‹zleyen

y›llarda integral, sonlu uzaylar ve differansiyel denklemler üzerinde çal›flt›.
1812’de, 1779 y›l›nda yay›nlad›¤› bir makalesini temel alarak olas›l›k kavram› üzerinde
çal›flmaya bafllad›. Sonraki y›llarda Gauss ve Legendre’nin de ilgilendi¤i en küçük kareler
yöntemine iliflkin çal›flmas›n› tamamlad›. 1819’da olas›l›k konusunda yazd›¤› “Theorie
des Probabilités” adl› kitab› yay›nland›.
135
Sürekli Rassal
De¤iflkenler ve
Normal Da¤›l›m
6
• 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.
SÜREKL‹ OLASILIK DA⁄ILIMI
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:
A¤›rl›k f Göreli Tablo 6.1 Erkek

ö¤rencilerin
x S›kl›k
a¤›rl›klar›na iliflkin
60-61 9 0.018 göreli s›kl›k da¤›l›m›.
61-62 170 0.034
62-63 460 0.092
63-64 750 0.150
64-65 970 0.194
65-66 760 0.152
66-67 640 0.128
67-68 440 0.088
68-69 320 0.064
69-70 220 0.044
70-71 180 0.036
N = 5,000 Toplam= 1.000
138 ‹statistik
Yukar›da verilmifl olan göreli s›kl›klar, belirlenmifl s›n›flar›n yaklafl›k olas›l›kla-

r› olarak kullan›labilmektedir.
Afla¤›da fiekil 6.1.’de göreli s›kl›k da¤›l›m›n›n histogram ve poligonu, fiekil
6.2.’deyse bu verilere iliflkin düzeltilmifl (smooted) poligonu verilmifltir. Düzeltil-
mifl poligon, x sürekli rassal de¤iflkenin olas›l›k da¤›l›m› e¤risine bir yaklafl›md›r.
0.3 0.3
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
fiekil 6.1 A¤›rl›klar›n histogram ve fiekil 6.2 A¤›rl›klar›n olas›l›k da¤›l›m

poligonu. e¤risi.
Yukar›daki tabloda s›n›f geniflli¤i 1 birim olarak al›nm›flt›r. Bu genifllik 1 birim-

den fazla al›nacak olursa, bu kez de önce göreli s›kl›k yo¤unluklar› yeniden el-
de edilir ve yo¤unluk de¤erlerinin grafi¤i çizilerek da¤›l›m e¤risi bulunur. Bir s›-
n›f›n göreli s›kl›k yo¤unlu¤u, bir s›n›ftaki göreli s›kl›¤›n s›n›f geniflli¤ine bölün-
mesiyle elde edilmektedir. Göreli s›kl›k yo¤unluklar›, bir histogramdaki dikdört-
genlerin alanlar› toplam›n› 1.0 yapmak için bulunmaktad›r. Sürekli bir rassal de-
¤iflkenin olas›l›k da¤›l›m e¤risine, olas›l›k yo¤unluk fonksiyonu da denmektedir.
Sürekli bir rassal de¤iflkenin olas›l›k da¤›l›m› afla¤›daki iki özelli¤i sa¤lamal›d›r.
1. Bir aral›kta herhangi bir de¤er alan x ‘in olas›l›¤› 0 – 1 aras›ndad›r.
2. x ’in ald›¤› tüm de¤erlerin olas›l›klar› toplam› 1’dir.
‹lk özellik, x sürekli bir rassal de¤iflkenin olas›l›k da¤›l›m e¤risi alt›ndaki alan,
0 ve 1 aras›ndaki aland›r (fiekil 6.3). ‹kinci özellikse, sürekli bir rassal de¤iflkenin
olas›l›k da¤›l›m e¤risi alt›nda kalan alan toplam›n›n her zaman 1.0 veya % 100 ol-
du¤udur (fiekil 6.4).
Taral› alan Taral› alan 1.0 ya da

0 ile 1 aras›ndad›r. % 100 dür.
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.
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.
Taral› alan Taral› alan

P(a ≤ x ≤ b) P ( 65 ≤ x ≤ 68 )
olas›l›¤›n› verir. olas›l›¤›n› verir.
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›¤›.
Erkek ö¤rencilerin a¤›rl›klar› örne¤ine dönülecek olursa, bu gruptan rassal se-

çilen bir ö¤rencinin a¤›rl›¤›n›n 65 – 68 kg aras›nda olmas› olas›l›¤› (yukar›daki fie-
kil 6.6.’da verildi¤i gibi)a¤›rl›klar›n da¤›l›m e¤risi alt›ndaki alan olarak gösteril-
mektedir.
P (65 ≤ x ≤ 68)
olarak gösterilen olas›l›k de¤erinde, x, 65 kg’a eflit ya da büyük, 68 kg’a eflit ya

da küçüktür.
Sürekli bir olas›l›k da¤›l›m›nda olas›l›k, her zaman bir aral›k için hesaplan-
maktad›r. Nitekim bu olas›l›k yukar›daki grafikte taral› olan 65 – 68 kg aral›¤›
için bulunmufltur.
X gibi bir sürekli rassal de¤iflkenin alabilece¤i tek bir de¤erin olas›l›¤› her za-
man s›f›rd›r. Çünkü; verilen bir noktan›n alan› s›f›rd›r. Örne¤in; yukar›daki erkek
ö¤rencilere iliflkin örnekte, rassal seçilen bir erkek ö¤rencinin a¤›rl›¤›n›n 67 kg ol-
ma olas›l›¤› s›f›rd›r ve,
P ( x = 67) = 0
biçiminde gösterilir. Bu durum grafik olarak da afla¤›daki biçimde gösterilir.

Genel ifadesiyle, a ve b, X ‘in ald›¤› iki de¤er oldu¤unda, bu de¤erlere iliflkin
olas›l›klar;
P (a) = 0 ve P (b) = 0
P ( x = 68 ) = 0
dir. Buradan da sürekli bir rassal de¤ifl-
ken için,
P (a ≤ x ≤ b) = P (a < x < b) fiekil 6.7 x 'in tek

bir de¤erinin
0,7 x olas›l›¤› s›f›rd›r.
140 ‹statistik
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
Normal Olas›l›k Da¤›l›m›

Çizildi¤inde çan fleklinde bir e¤risi olan normal olas›l›k e¤risinde;
1. E¤ri alt›ndaki toplam alan 1.0’d›r.
2. E¤ri ortalamaya göre simetriktir.
3. E¤rinin iki ucu (kuyru¤u) sonsuza gitmektedir.
Normal da¤›l›m›n tafl›mak zorunda oldu¤u bu üç özelli¤in aç›klamas› afla¤›dad›r:
1. Normal da¤›l›m e¤risi al-

Taral› alan 1.0 ya da t›ndaki toplam alan 1.0 ya da %
% 100 dür.
100 dür.
2. Bir normal da¤›l›m e¤risi
ortalamaya göre simetrik olup,
fiekil 6.10 Bir e¤ri alt›ndaki toplam alan›n ya-
normal e¤ri
x
r›s› ortalaman›n sa¤›nda, yar›-
alt›ndaki toplam µ
alan. s›ysa solunda yer al›r.
% 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.
3. Bir normal e¤rinin iki kuyru¤u yatay eksene asimptottur (dokunmayacak ve

kesmeyecek bir biçimde tan›ms›z olarak -istendi¤i kadar- uzayabilmektedir). Bir
normal da¤›l›m e¤risi hiçbir zaman yatay eksene dokunmamakla birlikte; (µ - 3σ)
dan küçük ve (µ + 3 σ) dan büyük aral›kta e¤ri alt›nda kalan alan›n s›f›r oldu-
¤u düflünülmektedir.
Normal da¤›l›m›n parametreleri; µ (ortalama) ve σ (standart sapma) ’d›r. Bu iki
parametrenin verilmesi halinde, bir normal da¤›l›m e¤risi alt›ndaki, herhangi bir
aral›¤a karfl›l›k gelen alan bulunabilmektedir. Ancak normal da¤›l›m e¤risi tek ol-
may›p, bir ailedir. Çünkü her µ ve σ seti için farkl› normal da¤›l›m söz konusu-
dur. Bu parametrelerden µ, yatay eksen üzerinde bir normal da¤›l›m›n merkezini
belirtirken, σ ‘da da¤›l›m›n yay›l›m›n› ifade etmektedir. Afla¤›daki fiekil 6.13’de, or-
talamas› ayn›, ancak standart sapmas› farkl› üç de¤iflik normal da¤›l›m e¤risi veril-
mifltir. Yine afla¤›da fiekil 6.14’deyse standart sapmalar› ayn›, ancak ortalamalar›
farkl› üç normal da¤›l›m e¤risi verilmifltir.
σ=5 σ=5 σ=5

σ=5
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.
Normal olas›l›k da¤›l›m›n›n matematiksel eflitlikle gösterimi,

1 x- µ /σ2
f (x) = e- 1/2
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
Standart Normal Da¤›l›m

Standart normal da¤›l›m, normal da¤›l›m›n µ = 0 ve σ = 1 oldu¤u özel bir
durumudur.
STANDART NORMAL DA⁄ILIM

µ = 0 ve σ = 1 olan normal da¤›l›ma, “standart normal da¤›l›m” denir.
Yandaki fiekil 6.15.’den de gö-
rülece¤i gibi, standart normal da-
µ=0 ¤›l›mda rassal de¤iflken z ile gös-
σ=1 terilmektedir. Standart normal da-
¤›l›m›n birimi olan z de¤erlerine z
fiekil 6.15 Standart
normal da¤›l›m skorlar›, standart birimler ya da
z
e¤risi. -3 -2 -1 0 1 2 3 standart skorlar da denir.
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.
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.
P (0 < z < 1.95) = 0.4744
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
d›r ve yine yukar›da ayr›nt›lar›yla verilmifl oldu¤u gibi,
P (0 < x < 1.95 ) = P (0 ≤ x ≤ 1.95) = 0.4744
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
ÖRNEK 3 Standart normal e¤ri alt›ndaki alanlar› bulunuz.

a) z = 2.32’nin sa¤›ndaki alan›
b) z = - 1.54’ün solundaki alan›
ÇÖZÜM
a) Daha önce de söylendi¤i gibi, normal da¤›l›m tablosundaki de¤erler z = 0 ile

bafllamakta ve verilen noktayla ortalama (z = 0 ) aras›ndaki alan› vermektedir. Bu-
radaysa verilen noktan›n sa¤›nda kalan alan sorulmaktad›r.
Bu durumda yine verilen noktayla ortalama aras›ndaki alan tablodan bulunup,
sa¤ taraf›n toplam de¤eri olan 0.5’den ç›kart›l›rsa, istenen de¤er elde edilir.
‹stenen alan : P ( z ≥ 2.32 ) = 0.500 – 0.4898 = 0.0102 olarak elde edilir.
% 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
b) Ayn› biçimde, burada da önce z = 0 ile z = - 1.54 aras›ndaki alan bulunur

ve bulunan alan de¤eri 0.5 de¤erinden ç›kart›l›rsa, istenen alan de¤erine ulafl›l›r.
‹stenen alan : P ( z < -1.54 ) = 0.5000 – 0.4382 = 0.0618
ÖRNEK 4 Standart normal e¤ri alt›ndaki afla¤›da verilen olas›l›klar› bulunuz.

a) P ( 1.19 < z < 2.12 )
b) P (-1.56 < z < 2.31 )
c) P ( z > -0.75 )
ÇÖZÜM
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.
P ( 1.19 < z < 2.12 ) = 0.4830 – 0.3830 = 0.1000
(Dikkat: E¤er verilen her iki nokta da

ortalaman›n bir taraf›ndaysa, ilk ola-
% 10.0 rak ortalamayla bu noktalar aras›nda-
fiekil 6.21 P ( 1.19 ki alanlar bulunur. Daha sonraysa kü-
< z < 2.12 ) çük alan büyük alandan ç›kart›l›r.)
0 1.19 2.12 z
de¤eri.
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
(Dikkat: E¤er verilen iki nokta ortala-

man›n farkl› taraflar›ndaysa ilk olarak
ortalamayla bu noktalar aras›ndaki
alanlar bulunur. Sonra bu iki alan top- fiekil 6.22
P (-1.56 ≤ z ≤ 2.31)
lan›r. ) de¤eri.
-1.56 0 2.31 z
c) P (z > -0.75 )de¤eri de verilen

% 27.34
noktan›n sa¤›ndaki tüm aland›r.
Burada istenen alan iki bölümden
oluflmaktad›r. ‹lki, verilen noktayla or-
talama aras›nda kalan alan, fiekil 6.23
P (z > -0.75 )
P (- 0.75 ≤ z ≤ 0 )= 0.2734 de¤eri.
ikincisiyse ortalaman›n sa¤›ndaki -0.75 0 z
(tüm) aland›r.
P (z > 0 ) = 0.50
Bu iki alan de¤erinin toplanmas› sonucunda (0.2734 + 0.5000 = 0.7734) istenen

olas›l›k de¤eri % 77.34 olarak bulunur.
Daha önce de de¤inilmifl oldu¤u gibi, standart sapmaya iliflkin üç (ampirik)kura-
l›n do¤rulu¤u, simetriklik özelli¤i gösteren normal da¤›l›m için, tablo de¤erinden
yararlan›larak gösterilebilir.
1) Ortalaman›n bir standart sapma sa¤›nda ve solunda kalan noktalar aras›ndaki
alan, toplam alan›n % 68.26’s› olarak bulunur. Burada söz edilen alan z = -1.0 den
z = 1.0 ’e kadar olan aland›r. Yandaki
flekilden de görülece¤i gibi ortalama 0.3413 + 0.3413 = 0.6826
ile z = 1.0 noktas› aras›ndaki alan %
34.13 ’dür. Simetrik bir da¤›l›m oldu-
¤u için z = -1.0 ile ortalama aras›nda- fiekil 6.24 Bir stan-
ki alan da ayn› (%34.13) olaca¤›ndan dart sapma s›n›rlar›
içerisindeki alan.
toplam alan % 68.26 d›r. 1.0 z
-1.0 0
2) Ortalaman›n iki standart sapma sa¤›nda ve solunda kalan noktalar aras›ndaki

alan, toplam alan›n % 95.44’ü olarak bulunur. Burada da (yukar›dakine benzer bi-
çimde), z = -2.0 ile z = 2.0 noktalar› aras›ndaki alan›n bulunmas› için önce orta-
lamayla z = 2.0 noktas› aras›nda kalan alan bulunur ve bulunan de¤erin iki kat›
(simetriklik özelli¤i) al›narak istenen alan de¤eri (0.4772 + 0.4772 = 0.9544) elde
edilir.
146 ‹statistik
3) Ortalaman›n üç standart sapma

0.4772 + 0.4772 = 0.9544
uzakl›¤›ndaki s›n›rlar aras›ndaki alan›
toplam alan›n % 99.74’ü olarak bulu-
nur. Bulunmas› istenen alan z = -3.0
fiekil 6.25 ‹ki stan- dan z = 3.0’e kadar olan aland›r. Or-
dart sapma s›n›rlar› talamayla z = 3.0 noktas› aras›ndaki
içerisindeki alan. -2.0 0 2.0 z alan % 49.87 oldu¤u için toplam alan
% 99.74 olarak bulunur.
0.4987 + 0.4987 = 0.9974 Bu özellik nedeniyle, Ek 1.’de veril-

mifl olan standart normal da¤›l›m tab-
losunda z = 0 dan z = 3.09’a (ya
da z = -3.09’dan z = 0’a)kadar olan
fiekil 6.26 Üç stan- de¤erler için olas›l›k (alan) de¤eri bu-
dart sapma s›n›rlar› lunabilmektedir.
içerisindeki alan. -3.0 0 3.0 z
ÖRNEK 5 Standart normal e¤ri için afla¤›daki olas›l›klar› bulunuz.

a) P (0 < z < 5.67 )
b) P (z < -5.35 )
a) Standart normal e¤ri için istenen bu olas›l›¤›n bulunmas›nda, standart normal

ÇÖZÜM
da¤›l›m tablosundan yararlan›rken bir sorunla karfl›lafl›lmaktad›r. Bu sorun tablo-

da olas›l›k de¤eri olarak bulunabilecek en son de¤erin z = 3.09 olmas›d›r. Bu
durumda ortalaman›n sa¤›nda kalan toplam alan (% 50.0) sorunun cevab› olmak-
tad›r.
0 ile 5.67 aras›ndaki alan = P (0 < z < 5.67)= 0.50
b) P (z < -5.35 )de¤eri için de yine

% 50 standart normal da¤›l›m tablosunun
kullan›m›nda benzer sorunla karfl›la-
fl›lmaktad›r. Ortalaman›n solundaki
fiekil 6.27 z = 0 ile toplam alan % 50.0 ’dir. z = -5.35 ile
z ortalama aras›ndaki alan da yaklafl›k
z = 5.67 s›n›rlar›
0 5.67
aras›ndaki alan. % 50.0 ’dir. Bu durumda istenen
olas›l›k de¤eri s›f›rd›r.
- 5.35 ile 0 aras›ndaki alan = P (z

< -5.35 )= 0.5 – 0.5 = 0.0
0.5 - 0.5 = 0
fiekil 6.28
z = - 5.35 ’in solun- z
-5.35 0
daki alan.
Normal Da¤›l›m›n Standartlaflt›r›lmas›

Yukar›daki alt bölümlerde, Ek 1.’de verilen standart normal da¤›l›m tablosundan
yararlan›larak standart normal e¤ri alt›ndaki çeflitli alanlar›n bulunmas› incelendi.
Ancak gerçek uygulamalarda, standart normal olmayan sürekli bir rassal de¤ifl-
ken, s›f›rdan farkl› ortalama ve birden farkl› standart sapma de¤eriyle normal da-
¤›l›m göstermektedir. Böylesi durumlarda Ek 1.’de verilen tablonun kullan›labil-
mesi için, normal da¤›l›m gösteren sürekli bir rassal de¤iflkenin, bir dönüfltürme
neticesinde standart normal da¤›l›ml› bir de¤iflkene çevrilmesi gerekmektedir. Bu
amaçla normal da¤›l›m gösteren x rassal de¤iflkeninin, standart normal da¤›l›m
gösteren z rassal de¤iflkenine dönüfltürülmesi yap›lacakt›r ve bu dönüfltürmeye
standartlaflt›rma ad› verilmektedir.
x DE⁄ER‹N‹N z DE⁄ER‹NE DÖNÜfiTÜRÜLMES‹

x normal da¤›l›m gösteren rassal bir de¤iflkenin herhangi bir de¤erinin z de¤eri
cinsinden ifadesinde
z =x- µ
σ
formülünden yararlan›lmaktad›r. Burada µ ve σ, s›ras›yla ilgili normal da¤›l›m›-

n›n ortalama ve standart sapmas›d›r.
Standartlaflt›rmada önce x rassal de¤iflkeninin ortalama ve standart sapmas›
hesaplanmakta, daha sonraysa x de¤erinden ortalama ç›kart›larak, fark de¤eri
standart sapmaya bölünmektedir.
x, ortalamas› 50 ve standart sapmas› 10 olan bir normal da¤›l›m göster- ÖRNEK 6

mektedir. Standartlaflt›rma formülünden yararlanarak afla¤›daki x de-
¤erlerini z de¤erlerine dönüfltürünüz.
a) x = 55
b) x = 35
ÇÖZÜM
a) Yukar›da verilmifl olan formül kullan›larak x = 55 de¤erinin z cinsinden de¤eri,
z = x - µ = 55-50 = 0.50
σ 10
olarak bulunur. Afla¤›daki flekilden de görülece¤i gibi x rassal de¤iflkenin da¤›l›-

m›yla z rassal de¤iflkenin da¤›l›m› aras›nda, standart sapmalar aç›s›ndan fark yok-
tur. Çünkü x da¤›l›m›nda x = 55 noktas› µ = 50 ortalamas›n›n 1 / 2 standart
sapma sa¤›nda iken, z = 0.5 de¤eri yine ortalamas› s›f›r ve standart sapmas› bir
olan z standart normal da¤›l›m›nda ortalaman›n 1 / 2 standart sapma sa¤›nda-
d›r.
148 ‹statistik
b) x = 35 de¤erine karfl›l›k gelen z

µ = 50 ve σ = 10 de¤eri de yine ayn› biçimde,
ile normal da¤›l›m
z = x - µ = 35-50 = 1.50
σ 10
x olarak bulunur. Bulunan z de¤eri gi-
µ = 50 x = 55
bi, verilmifl olan x = 35 de¤eri de or-
talamadan küçük oldu¤u için ortala-
µ = 0 ve σ = 1 man›n solunda bir noktad›r. Ancak x
ile standart normal de¤eri negatif olmad›¤› halde z de-
da¤›l›m ¤eri negatiftir. Bunun nedenide z dö-
nüfltürmesinde da¤›l›m ortalamas›n›n
s›f›r noktas›na tafl›nm›fl olmas›d›r.
fiekil 6.29 x = 55’in z
z de¤eri 0 0.5
Normal da¤›l›ml› bir x de¤iflkeninin

iki de¤eri aras›ndaki alan›n bulun-
mas› için önce, her iki x de¤eri de z
de¤erine dönüfltürülmekte, daha son-
raysa standart normal e¤ri alt›ndaki
x iki z de¤eri aras›ndaki alan bulun-
35 µ = 50 maktad›r. Bu alan, ayn› zamanda ve-
z
fiekil 6.30 x = 35’in rilmifl olan x ’ler aras›ndaki aland›r.
-1.50 0
z de¤eri.
ÖRNEK 7 x sürekli rassal de¤iflkeni 25 ortalama ve 4 standart sapmayla normal

da¤›lmaktad›r. Afla¤›da verilen noktalar aras›ndaki alan› bulunuz.
a) x = 25 ve x = 32 aras›
b) x = 18 ve x = 34 aras›
ÇÖZÜM
Verilen normal da¤›l›mda µ = 25 ve σ = 4 dür.

a) Burada ilk ad›m, verilmifl olan x = 25 ve x = 32 de¤erlerinin standart nor-
mal z de¤erlerine dönüfltürülmesidir.
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,
P (25 < x < 32) = P ( 0 < z < 1.75 ) = 0.4599
olarak bulunur.
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
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.
P (18 < x < 25) = P (-1.75 < z < 0)

= 0.4599
P (25 < x < 34) = P (0 < z < 2.25) 0 . 4 5 909. 4 8 7 8
= 0.4878
x fiekil 6.32 x = 18 ve
P (18 < x < 34) = 0.4599 + 0.4878 x = 34 aras›ndaki
z
= 0.9477 -1.75 0 2.25 alan.
X rassal de¤iflkeni, 40 ortalama ve 5 standart sapmayla normal da¤›l›m ÖRNEK 8

göstermektedir. Afla¤›daki olas›l›klar› normal da¤›l›m için bulunuz.
a) P ( x > 55 )
b) P ( x < 49 )
ÇÖZÜM
Normal da¤›l›mda µ = 40 ve σ = 5 olarak verilmifltir.

a) x rassal de¤iflkenin 55’den büyük de¤er almas› bu fl›kta istenen olas›l›k, normal
da¤›l›m e¤risinden (Ek 1.’de verilmifl standart normal da¤›l›m tablosundan yarar-
lan›larak) bulunacakt›r. Bunun için x = 55 de¤erinin z de¤erine dönüfltürülmesi
gerekir.
x = 55 için z = 55-40 = -3.00 ; P (0 < z < 3.00) = 0.4987

5
Bu de¤er, yandaki flekilden de gö-

rülebilece¤i gibi, e¤rinin sa¤ uç 0.5 - 0.4987 = 0.0013
noktas›ndaki küçük bir alan› d›flta 0.4978
b›rakmaktad›r ve buras› istenen
x
olas›l›kt›r. 40 55
z fiekil 6.33
Sonuç olarak istenen olas›l›k de-
0 3.0 P (x > 55 ) de¤eri.
¤eri,
150 ‹statistik
P (x > 55) = P (z > 3.00) = 0.5 – 0.4987 = 0.0013
olarak bulunur.
b) Burada da yine x = 49 de¤erinin z de¤erine dönüfltürülmesinden,
x = 49 için z = 49-40 = 1.80

5
0.5000 + 0.4641 = 0.9641 elde edilir. Yandaki flekilde de gö-

rülebilece¤i gibi burada x de¤eri
için üst s›n›r verilmifl, alt s›n›r için
hiçbir k›s›t getirilmemifltir.
0.5000 0.4641 Bu nedenle, ortalaman›n sol ta-
raf›ndaki alan (0.5 ) ve z = 0 ile
40 49 x
z = 1.80 aras›nda kalan alan top-
z lanarak, toplam alan (olas›l›k) elde
fiekil 6.34 P (x < 49)
0 1.80 edilmektedir.
de¤eri.
P (x < 49) = P (z < 1.80) = 0.50 + 0.4641 = 0.9641
ÖRNEK 9 x sürekli rassal de¤iflkeni µ = 50 ve σ = 8 ile normal da¤›l›m göstermek

üzere, P (30 ≤ x ≤ 39) de¤erini bulunuz.
µ = 50 ve σ = 8 olmak üzere, verilen x = 30 ve x = 39 de¤erlerinin (her iki-

ÇÖZÜM
si de ortalaman›n solunda) z cinsinden de¤erleri,
x = 30 için z = 30-50 = -2.50

8
x = 39 için z = 39-50 = -1.38

8
olarak bulunur. Ortalamayla bu

0.5 - 0.4987 = 0.0013
iki nokta aras›ndaki alanlar bulu-
0.4978
narak, büyük alandan küçük ala-
x n›n ç›kart›lmas›yla istenen olas›l›k
40 55 (alan) de¤eri elde edilir.
fiekil 6.35 z
P (30 ≤ x ≤ 39) 0 3.0
de¤eri.
P (30 ≤ x ≤ 39 ) = P (-2.50 ≤ z ≤ -1.38) = 0.4938 – 0.4162 = 0.0776
x sürekli rassal de¤iflkeni µ = 80 ve σ = 12 ile normal da¤›l›m›n› göster- ÖRNEK 10

mek için, normal da¤›l›m e¤risi alt›nda kalan afla¤›daki alanlar› bulunuz.
a) x = 70 den x = 135’e kadar

b) x = 27’nin sol taraf›
Verilen x noktalar›n›n z cinsinden de¤erleri,
ÇÖZÜM
x = 70 için z = 70-80 = -0.83
12
x = 135 için z = 135-80 = 4.58

12
olarak bulunur. Bu noktalar or-

talaman›n iki taraf›nda yer ald›¤› 0.2967 + 0.5000 = 0.7967
için, tablodan elde edilecek alan
(olas›l›k) de¤erleri toplan›r.
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.
b) x = 27’nin sol taraf›ndaki ala-

n› ya da x ’in 27’den küçük de-
¤er alma olas›l›¤›n› bulmak için
z de¤eri bulunarak sonuca gidi-
lir. 0.5 - 0.5 = 0.0
x = 27 için
z = 27-80 = -4.42
12 27 80 x
z fiekil 6.37 x = 27’
P (x < 27) = P (z < – 4.42) -4.42 0 nin solundaki alan.
= 0.5 – P (– 4.42 < z < 0)
= 0.5 – 0.5 = 0.0
152 ‹statistik
Normal Da¤›l›m Uygulamalar›

Buraya kadarki alt bölümlerde; normal da¤›l›mdan, normal da¤›l›m›n standart
normal da¤›l›ma dönüfltürülerek, normal da¤›l›m e¤risi alt›ndaki alan›n bulunma-
s›ndan söz edildi. Afla¤›daysa normal da¤›l›m›n gerçek verilerle uygulanmas› ko-
nu edilecektir.
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.
x rassal de¤iflkeni, µ = 44.483 ve σ = 10.500 dolar de¤erleriyle normal da¤›lmak-

ÇÖZÜM
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.
P (30.000 ≤ x ≤ 44.483) = P (- 1.38 ≤ z ≤ 0 = 0.4162

P (44.483 ≤ x ≤ 50.000) = P (0 ≤ z ≤ 0.53) = 0.2019
P (30.000 ≤ x ≤ 50.000) = P (-1.38 ≤ z≤ 0.53) = 0.6181
0 . 4 1 6 2 + 0 . 2 0 1 9 = 0 . 6 1 8 1 Sonuç olarak rassal seçilen bir aile-

nin gelirinin 30.000 – 50.000 dolar
aras›nda olma olas›l›¤› % 61.81 dir.
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
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.
Oyuncak bir yar›fl otomobilinin montaj süresi; µ = 55 dakika ve σ = 4 dakikayla
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,
0.50 + 0.3944 = 0.8944

x = 60 için z = 60-55 = 1.25
4
0.3944
olarak bulunduktan sonra istenen
0.50
olas›l›k hesaplan›r. Bunun için ön-
ce ortalaman›n solundaki tüm alan
(0.5) ve ortalaman›n sa¤›ndaki z 55 60 x fiekil 6.39 x = 60
= 1.25’e kadar olan alan (0.3944) noktas›n›n solun-
z daki alan.
toplan›r ve sonuç de¤eri, 0 1.25
P (x ≤ 60) = P (z ≤ 1.25) = 0.5 + 0.3944 = 0.8944
elde edilir.
Meflrubat üreten bir firmada, üretilen sodalar›n 12 cl olmas› gerekmekte- ÖRNEK 13

dir. Ancak otomatik makinelerce yap›lan fliflelemede, flifle içerisindeki so-
da miktar› bazen 12 cl’den çok ya da az olabilmektedir. Firmaca üretilen
sodalar›n incelenmesinde flifle içindeki soda miktar›n›n 12 cl ortalama ve
0.015 cl standart sapmayla normal da¤›ld›¤› bulunmufltur.
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
X rassal de¤iflkeni flifle içerisindeki soda miktar›n› göstermekte, µ = 12 cl ve σ =
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 = 11.99 için z = 11.99 - 12.00 = -0.67

0.015
Afla¤›daki flekilden de görülece¤i gibi, ortalaman›n solundaki iki alan›n fark› al›-
narak, istenen olas›l›k de¤eri bulunur.
0.4772 - 0.2486 = 0.2286
fiekil 6.40 11.97 11.90 12 x

x = 11.97 ile
x = 11.99 z
aras›ndaki alan. -2.00 -0.67 0
P (11.97 ≤ x ≤ 12.00) = P (-2.00 ≤ z ≤ 0.00) = 0.4772

P (11.99 ≤ x ≤ 12.00) = P (-0.67 ≤ z ≤ 0.00) = 0.2486
P (11.97 ≤ x ≤ 11.99) = P (-2.00 ≤ z ≤ - 0.67) = 0.2286
Sonuç olarak fliflelerin % 22.86’s›ndaki soda miktar›, 11.97 cl ile 11.99 cl aras›ndad›r.
b) Yukar›daki fl›kka benzer biçimde z de¤erleri,
x = 12.02 için z = 12.02 - 12.00 = 1.33

0.015
x = 12.07 için z = 12.07 - 12.00 = 4.67

0.015
olarak bulunur ve afla¤›daki flekilden de anlafl›laca¤› gibi, ortalaman›n sa¤›ndaki
iki alan de¤erinin fark› al›narak, sorunun cevab› elde edilir.
0.5 - 0.4082 = 0.0918
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.
P (12.00 ≤ x ≤ 12.02) = P (0.00 ≤ z ≤ 1.33) = 0.4082

P (12.00 ≤ x ≤ 12.07) = P (0.00 ≤ z ≤ 4.67) = 0.5000
P (12.02 ≤ x ≤ 12.07) = P (1.33 ≤ z ≤ 4.67) = 0.0918
Sonuç olarak fliflelerin % 9.18’inde 12.02 cl ile 12.07 cl soda vard›r.
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
dir. Afla¤›daki flekilden de anlafl›laca¤› gibi,
P (x < 36) = P (z < – 2.25) = 0.50 – 0.4878 = 0.0122
de¤erinden sat›lan bir hesap makinesinin yenisiyle de¤ifltirilme olas›l›¤›n›n % 1.22

oldu¤u bulunur.
0.50 - 0.4878 = 0.0122
x
36 54 fiekil 6.42
z x = 36 ’n›n
-2.25 0 solundaki alan.
1. X rassal de¤iflkeni bir maratonun koflulma süresi olmak üzere,SIRA

195 S‹ZDE
dakika ortalama SIRA S‹ZDE
ve 21 dakika standart sapmayla normal da¤›l›m göstermektedir. Bu maratona kat›lan
bir atlet rassal seçildi¤inde bu atletin maratonu;
a) 150 dakikadan önce tamamlam›fl olma,
b) 205 ile 245 dakika aras›nda tamamlam›fl olma,
olas›l›klar›n› bulunuz. S O R U S O R U
D‹KKAT D‹KKAT
156 ‹statistik
SIRA S‹ZDE 2. ABD’de ilkö¤retim

SIRA S‹ZDEokullar›nda görev yapan ö¤retmenlerin y›ll›k maafllar›; 35.104 do-
lar ortalama ve 3.200 dolar standart sapmayla normal da¤›l›m göstermektedir. Bu
gruptan rassal seçilen bir ö¤retmenin,
D Ü fi Ü N E L ‹ M a) 38.700D Ü fidolardan
Ü N E L ‹ M çok kazanmas›,
b) 32.625 ile 38.830 dolar aras›nda kazanmas›,
S O R U olas›l›klar›n›
S O bulunuz.
R U
3. ‹stanbul-Ankara otoyolunu kullanan özel otomobillerin h›zlar› saatte; 69 mil ortalama

D‹KKAT D‹KKAT
ve 3.5 mil standart sapmayla normal da¤›lmaktad›r. Bu otoyolu kullanan özel otomo-
billerden;
N N
SIRA S‹ZDE a) Saatte SIRA
61 – S‹ZDE
66 mil yapanlar›n,
b) Saate 65 – 74 mil yapanlar›n,
yüzdelerini bulunuz.
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
Normal da¤›l›m e¤risi alt›ndaki alan biliniyor Z ve X de¤erlerini

TELEV‹ZYON AMAÇ TELEV‹ZYON
belirleyebileceksiniz.
2
Buraya kadar ele al›nan kesimlerde, verilen bir z ya da x aral›¤›na düflen (normal
da¤›l›m e¤risi alt›ndaki) alan›n bulunmas› konu edildi. Burada ise tersi bir durum
ele al›nacak; normal da¤›l›m e¤risi alt›ndaki alan biliniyorken, bu alan› s›n›rlayan
z ya da x de¤erlerinin bulunmas› ele al›nacakt›r.
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
s›ndad›r ve de¤eri 0.4251 dir.

z de¤erinin bulunmas›nda da yine, Ek 1.’de verilen standart normal da¤›l›m tab-
losundan yararlan›lacakt›r. Yukar›daki örneklerde verilen, bir z de¤erine karfl›l›k
gelen alan›n bulunmas›nda, tablonun ilk sütunundaki tam say›yla kesir noktas›n›n
sa¤›ndaki ilk say›ya ve tablonun ilk sat›r›ndan ya kesir noktas›n›n sa¤›ndaki ikin-
ci say›ya bak›l›yordu. Burada ya
0.4251 önce, tablo içerisinden verilen alan
de¤eri bulunacak, daha sonra ya
da o de¤erin bulundu¤u sat›r ve
fiekil 6.43 sütun bafllar›ndaki z de¤eri
z de¤erinin yaz›larak istenen z de¤eri elde edi-
z
bulunmas›. 0 z lecektir.
Bu örnekte 0.4251 de¤eri, tablo içe-
risinden bulunduktan sonra, bu de¤erin sat›r bafl›nda 1.4, sütun bafl›ndaysa 0.04
de¤erleri kaydedilir. Bu iki de¤erin birlefltirilmesi sonucunda aranan z de¤eri
(1.44 olarak) elde edilir.
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,
0.5000 – 0.0050 = 0.4950
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,
0.500 – 0.050 = 0.450
dir ve bu alan› soldan s›n›rlayan nokta, (z de¤eri)–1.65 olarak (yaklafl›k de¤er)

elde edilir.
Önceki alt bölümlerde, standart nor-
mal olmayan, normal da¤›l›m e¤risi
alt›nda verilen x noktalar› aras›nda
kalan alan›n bulunmas›nda, µ ve σ 0.05
de¤erlerinden yararlan›larak verilen
0.4500
x de¤erine karfl›l›k gelen z de¤erle- z fiekil 6.45
z 0
ri bulunmufl ve standart normal da- z de¤erinin bulun-
¤›l›m tablosu kullan›larak çözüme bulunacak de¤er mas›.
ulafl›lm›flt›. Buradaysa ise z = (x -
µ) / σ eflitli¤i kullan›larak, yani, µ ve σ de¤erleri bilinen ve alan de¤eri verilmifl
normal da¤›l›m›n x de¤erinin bulunmas› ele al›nacakt›r.
158 ‹statistik
NORMAL DA⁄ILIM ‹Ç‹N B‹R x DE⁄ER‹N‹N BULUNMASI

µ ve σ de¤erleri, bilinen bir normal e¤ri alt›nda, ortalamayla x noktas› aras›nda-
ki alan için x de¤eri,
x=µ +zσ
biçiminde bulunur.
ÖRNEK 18 Bir firma taraf›ndan üretilen hesap makinelerinin ömürleri 54 ay ortala-

ma ve 8 ay standart sapmayla normal da¤›lmaktad›r. Firma yetkilileri sa-
t›fllar› art›rmak için bir garanti süresi uygulamak istemektedir. Ancak
garanti kapsam›nda de¤ifltirilecek hesap makinesinin, toplam sat›fl›n %
1’inden daha fazla olmas›n› da istenmemektedir. Garanti uygulanacak bu
süreyi bulunuz.
ÇÖZÜM
Afla¤›daki flekilde de görülece¤i gibi, normal da¤›l›m›n parametreleri (µ = 54 ay

ve σ = 8 ay olarak) bilinmektedir. Burada istenen, hesap makinesi sat›n alanlara
uygulanacak garanti süresinin bulunmas›d›r.
‹lk olarak ortalamayla veri-
len nokta aras›ndaki alan
0.5000 – 0.0100 = 0.4900 el-
0.01 de edilir. Ek 1.’de verilen
0.4900 tablodanda bu alan de¤eri-
x ne karfl›l›k gelen z = – 2.33
fiekil 6.46 b u l u n a c a k d e ¤ exr µ = 54
z de¤erinin de¤eri bulunur ve yukar›da
bulunmas›. z verilmifl olan eflitlik kullan›-
-2.33 0
larak aranan x de¤eri,
x = µ + z σ = 54 + (– 2.33) (8) = 54 – 18.64 = 35.36
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?
x rassal de¤iflkeni, µ = 904 ve σ = 153 parametreleriyle normal da¤›l›m göster-
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.
Bu de¤er eflitlikte yerine kona-

rak, aranan x de¤eri,
%10
x = µ + z σ = 904 + (1.28) (153)

0.4000
= 904 + 195.84 ≅ 1100
x
µ = 904 x bulunacak de¤er
olarak bulunur. Yani, Arif H›rs- fiekil 6.47
l›’n›n Bilgin Fen Lisesine girebil- z z de¤erinin bulun-
0 1.28 mas›.
mesi için, en az 1100 puan al-
mas› gerekmektedir.
1. Standart normal e¤ri alt›nda afla¤›daki alanlar› veren z de¤erlerini bulunuz.

a) 0 ile aras›nda 0.4772 alan olan pozitif z de¤eri.
b) 0 ile aras›nda 0.4785 alan olan negatif z de¤eri.
c) Sol uçtaki 0.3565’lik alan.
d) Sa¤ uçtaki 0.1530’luk alan.
S O R U S O R U
2. Standart normal e¤ri alt›nda, afla¤›daki alanlar› veren z de¤erlerini bulunuz.
a) Sa¤ uçtaki 0.0500’lik alan. D‹KKAT D‹KKAT
b) Sol uçtaki 0.0250’lik alan.
c) Sol uçtaki 0.0100’lik alan.
N N
d) Sa¤ uçtaki 0.0050’lik alan.
3. X sürekli rassal de¤iflkeni 200 ortalama ve 25 standart sapmaylaAMAÇLARIMIZ

normal da¤›lmaktad›r. AMAÇLARIMIZ
a) Normal e¤ri alt›nda, solunda yaklafl›k 0.6330’luk alan bulunan x de¤erini bulunuz.
b) Normal e¤ri alt›nda, sa¤›nda yaklafl›k 0.05’lik alan bulunan x de¤erini bulunuz.
c) Normal e¤ri alt›nda, sa¤›nda 0.8051’lik alan bulunan x de¤erini
K ‹ T bulunuz.
A P K ‹ T A P
d) Normal e¤ri alt›nda, solunda 0.0150’lik alan bulunan x de¤erini bulunuz.
e) Normal e¤ri alt›nda, m ile aras›nda 0.4525’lik alan bulunan m ‘den küçük x de-
¤erini bulunuz. TELEV‹ZYON TELEV‹ZYON
f) Normal e¤ri alt›nda, m ile aras›nda 0.4800’lik alan bulunan m ‘den büyük x de¤e-
rini bulunuz.
160 ‹statistik
N
B‹NOM DA⁄ILIMINA NORMAL DA⁄ILIM YAKLAfiIMI
AMAÇ Binom ve normal da¤›l›m aras›ndaki iliflkiyi aç›klayabileceksiniz.

3
Bir önceki bölümde binom da¤›l›m›yla ilgili verilenler hat›rlanacak olursa,
1. Binom da¤›l›m› kesikli rassal de¤iflkenlere uygulanmaktad›r,
2. Binom deneyinin her tekrar›nda; baflar› ve baflar›s›zl›k olarak adland›r›lan iki
olas› sonuç bulunmaktad›r,
3. ‹ki olas› sonuca iliflkin olas›l›klar her tekrar için ayn›d›r,
4. Denemeler birbirinden ba¤›ms›zd›r,
biçimindedir n denemede x baflar›l› sonuç elde etme olas›l›¤›, afla¤›daki binom
formülüyle hesaplanmaktad›r.
P x = n px q n - x
x
n deneme say›s›n›n çok büyük olmas› durumunda, binom formülüyle olas›l›k

hesaplamak oldukça güç oldu¤undan, böylesi durumlarda, binom formülüyle bu-
lunacak kesin olas›l›k de¤erleri yerine, normal da¤›l›mdan yararlanarak, yaklafl›k
olas›l›klar elde edilebilmektedir. Ancak, n çok büyük ve p olas›l›k de¤erinin de
0.5’e yak›n olmas› durumunda, normal da¤›l›mdan elde edilen yaklafl›k olas›l›k
de¤erleri de kesin de¤erlere eflit olmaktad›r. Çünkü p = 0.5 olmas› durumunda bi-
nom da¤›l›m› da simetrik oldu¤undan, yine simetrik bir da¤›l›m olan normal da-
¤›l›ma, daha çok benzeyecektir.
B‹NOM DA⁄ILIMINA NORMAL DA⁄ILIM YAKLAfiIMI

n . p > 5 ve n . q > 5 olmas› durumunda, binom da¤›l›m›na yaklafl›m amac›yla,
normal da¤›l›m kullan›labilmektedir.
Afla¤›daki tablo ve flekilden de görülece¤i gibi n = 12 ve p = 0.5 (n . p > 5 ve
n . q > 5 )için binom da¤›l›m›n›n biçimi, normal da¤›lma çok yak›n olmaktad›r.
Tablo 6.2 n = 12 ve p = 0.5

için Binom Olas›l›k Da¤›l›m›
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
Bir araflt›rmaya göre Ankara’da yaflayan eriflkinlerin % 50’sinin en az bir ÖRNEK 20

kredi kart› bulunmaktad›r. Bu gruptan rassal seçilen 30 eriflkinden 19 ta-
nesinde en az bir kredi kart› bulunmas› olas›l›¤› nedir?
ÇÖZÜM
Bu soruda istenen olas›l›k de¤eri binom formülü kullan›larak bulunabilir. Çünkü
örnekte,
n = 30, p = 0.5; x = 19, q = 1 – p = 1 – 0.5 = 0.5 ve n – x = 30 – 19 = 11
dir. Bu de¤erler formülde yerine konacak olursa,
30 19
P x = 19 = 0.5 0.5 11 = 0.0509
19
de¤eri elde edilir. Ayr›ca bu örnekte n p = 30 (0.5)= 15 ve n q = 30 (0.5)= 15

oldu¤u için, istenen olas›l›k de¤eri normal da¤›l›m yard›m›yla da elde edilebil-
mektedir. Bu yaklafl›mda üç aflama izlenmektedir.
Aflama 1. Binom da¤›l›m› için µ ve σ ‘nin hesaplanmas›d›r.

Normal da¤›l›m›n kullan›labilmesi için da¤›l›m›n ortalama ve standart sapmas›n›n
bilinmesi gerekir. Binom da¤›l›m› için bu parametreler,
µ = n . p = 30 0.5 = 15
σ= n.p.q = 30 0.5 0.5 = 2.7386
biçiminde bulunur.
Aflama 2. Kesikli rassal de¤iflkenin sürekli bir rassal de¤iflkene dönüfltürülmesidir.

Binom da¤›l›m› kesikli rassal de¤iflkenlere, normal da¤›l›ma sürekli de¤iflkenlere
uygulanan da¤›l›mlard›r. Bu nedenle binom da¤›l›m›n›n normal da¤›l›ma yaklafl›-
m›n› sa¤lamak amac›yla “süreklilik düzeltmesi” yap›lmaktad›r.
SÜREKL‹L‹K ‹Ç‹N DÜZELTME FAKTÖRÜ

Normal da¤›l›m›n binom da¤›l›m›na yaklafl›m›n› sa¤lamak için n denemede x ba-
flar›l› sonuç say›s›na ± 0.5 de¤eri eklenir.
Verilen örnekte, x = 19 oldu¤u için, süreklilik düzeltmesi sonucunda 18.5 ve 19.5

de¤erleri elde edilir. Bu durumda, binom da¤›l›m›nda P (x = 19)olas›l›k de¤eri ye-
rine, normal da¤›l›mda P (18.5 ≤ x ≤ 19.5) olas›l›k de¤eri bulunacakt›r.
Aflama 3. Normal da¤›l›m kullan›larak istenen olas›l›¤›n hesaplanmas›d›r.

Daha önceki örneklere benzer biçimde standart normal da¤›l›m tablosundan ya-
rarlanabilmek için, x s›n›r de¤erlerine karfl›l›k gelen z de¤erlerinin bulunmas› ge-
rekir.
x = 18.5 için z = 18.5 - 15 = 1.28

2.7386
x = 19.5 için z = 19.5 - 15 = 1.64

2.7386
162 ‹statistik
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
Normal da¤›l›m yaklafl›m› sonu-

cunda elde edilen (yaklafl›k) ola-
s›l›k de¤eriyle binom formülün-
den elde edilmifl olan kesin olas›-
l›k de¤erleri aras›nda (0.0509 –
x
15 0.0498 = 0.0011) çok küçük bir
18.5 19.5 fark bulunmaktad›r ve bu fark da
fiekil 6.49 x = 18.5 z
ve x = 19.5 ihmal edilebilecek düzeydedir.
0
aras›ndaki alan. 1.28 1.64 Süreklilik düzeltmesi, hep normal
da¤›l›m yaklafl›m›n›n kullan›lma-
s›nda uygulanmaktad›r. Yukar›da eflitlik durumda süreklilik verilmiflti. Ancak; ba-
zen binom da¤›l›m›nda istenen olas›l›k bir aral›k olabilece¤i gibi, eflitsizlik durum-
lar› da olabilmektedir. Örne¤in P (7 ≤ x ≤ 12) olas›l›k de¤erinin normal da¤›l›m
yaklafl›m›nda aranan olas›l›k de¤eri P (6.5 ≤ x ≤ 12.5), P (x ≥ 9) için P (x
≥ 8.5) ve P (x ≤ 10) içinse P (x ≤ 10.5) olarak bulunmaktad›r.
ÖRNEK 21 Yap›lan bir pazar araflt›rmas› neticesinde, çamafl›r makinesi kullanan ev

han›mlar›ndan % 63’ünün yerli mal› çamafl›r makinesini tercih ettikleri
bulunmufltur. Bu gruptan, rassal seçilen 100 ev han›m›ndan, 55 – 60 tane-
sinin, yerli mal› çamafl›r makinesi tercih etme olas›l›¤›n› bulunuz.
ÇÖZÜM
‹ki sonuçlu (binom) bu deneyde,
n = 100 ; p = 0.63 , q = 1 – p = 1 – 0.63 = 0.37
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
σ= npq = 100 0.63 0.37 = 4.8280
biçimindedir. Daha sonra gerekli z de¤erleri hesaplan›r.
x = 54.5 için z = 54.5 - 63 = -1.76

4.8280
x = 60.5 için z = 60.5 - 63 = -0.52
4.8280
Bu de¤erlerin kullan›m› sonu-

0.4608 - 0.1985 = 0.2623
cunda ortalaman›n solunda yer
alan iki alan bulunur ve büyük
alandan küçük alan›n ç›kart›l-
mas› sonucunda istenen olas›-
l›k de¤erine ulafl›l›r.
x
54.5 60.5 63
P (–1.76 ≤ z ≤ 0) = 0.4608
z fiekil 6.50 x = 54.5
P (–0.52 ≤ z ≤ 0) = 0.1985 ve x = 60.5 aras›n-
-1.76 -0.52 0
P (–1.76 ≤ z ≤ – 0.52) = 0.2623 daki alan.
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.
n = 100 ; p = 0.54 , q = 1 - p = 1 - 0.54 = 0.46

µ = n p = 100 0.54 = 54
σ= npq = 100 0.54 0.46 = 4.9840
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
1. Hangi koflullarda normal da¤›l›m binom da¤›l›m›na yaklafl›m amac›yla

SIRA S‹ZDE kullan›l›r? SIRA S‹ZDE
2. Bir binom da¤›l›m›nda n = 25 ve p = 0.40 olarak verilmifltir.
a) Binom formülünü kullanarak P (8 ≤ x ≤ 12 ) de¤erini bulunuz.
b) Normal da¤›l›m yaklafl›m›ndan yararlanarak P (8 ≤ x ≤ 12) de¤erini bulunuz.
3. Bir binom da¤›l›m› için n = 120 ve p = 0.60 ‘d›r. x 120 denemedeki baflar›l› sonuç
say›s›n› göstermek üzere; S O R U S O R U
a) Binom da¤›l›m›n›n ortalama ve standart sapmas›n› bulunuz.
b) Normal da¤›l›m yaklafl›m›yla P (x ≤ 70) de¤erini bulunuz. D ‹ K K A T D‹KKAT
c) Normal da¤›l›m yaklafl›m›yla P (67 ≤ x ≤ 71) de¤erini bulunuz.
N N
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
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
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
• 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 Örnekleme uygulamalar›nda ifllenecek

Örnekleme s›n›fland›rabileceksiniz.
N
da¤›l›m› kavram›n› aç›klayabileceksiniz.
hata türlerini aç›klayabileceksiniz.
• 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
AMAÇ Tamsay›m ve örneklem kavramlar›n› aç›klayabileceksiniz.

1
Ulusal yay›n yapan ve habercilikte de iddial› bir TV kanal›n›n yöneticileri, ‹ç Ana-
dolu bölgesinde, kanallar›n›n etkinli¤ini belirleyebilmek amac›yla, bir araflt›rma
yap›lmas›n› kararlaflt›rm›flt›r. Konuyla ilgili öngörülen bütçe ve sonuçlar›n iki ay
içinde al›nmas› kofluluyla bir araflt›rma firmas›yla anlaflmaya var›lm›flt›r.
Araflt›rmay› üstlenen firma, s›n›rl› zaman ve parasal koflullar alt›nda, araflt›rma-
y› gerçeklefltirebilmek için, nas›l bir yol izlemelidir?
‹lk akla gelen, bölgedeki tüm TV izleyicileriyle birebir görüflme yapmakt›r. An-
cak, ne zaman, ne de öngörülen bütçe, genel olarak elveriflli olmaz.
Ancak bu ve benzeri sorunlar›n üstesinden, konuyla ilgili gelifltirirlen istatistik-
sel teknikler yard›m›yla gelinebilir.
Araflt›rmalar›n pek ço¤undaki amaç, bir ana kütlenin parametreleri hakk›nda
bilgi elde etmektir. Genifl anlam›yla ana kütle, bir araflt›rma için verilen tan›m çer- Genifl anlamda ana kütle,
bir araflt›rmada tan›m
çevesinde yer alan bütün birimlerin oluflturdu¤u kümedir. Ana kütle bazan evren çerçevesinde yer alan tüm
olarak da isimlendirilir. Ana kütlenin özelliklerini belirleyen say›sal karakteristik- birimlerin oluflturdu¤u
kümedir.
lere “parametre” ad› verilir. Parametre de¤erleriyse örne¤in, bir s›n›ftaki ö¤renci-
lerin dönem ortalama baflar› puan›, belirli bir marka ürüne bir co¤rafi bölgede ba- Ana kütlenin özelliklerini
¤›ml› olan tüketici oran› gibi say›lard›r. Ana kütle parametreleri hakk›ndaki bu tür- belirleyen say›sal
karakteristiklere, parametre
den bilgiler, tam say›m yap›larak ya da seçilen bir örneklemin incelenmesiyle el- ad› verilir.
de edilebilir. Tam say›m, sonlu bir ana kütlenin bütün birimlerinin incelenmesi ya
da say›lmas› ifllemidir.
170 ‹statistik
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
flubenin bilgisayar donan›m›na sahip olmas› ve mevduat hesaplar›yla ilgili veri-

lerin veri taban›nda bulunmas› nedeniyle, ana kütle hacmi büyük bile olsa, çok
k›sa zamanda gerekli bilginin elde edilmesi, baflka bir anlat›mla tamsay›m yap›l-
Bir kütlenin ilgilenilen mas› mümkündür.
özelliklerini yans›tmas›
amac›yla, sözü edilen
Ana kütlenin ilgilenilen özelliklerini yans›tmas› amac›yla, ana kütleden belirli
kütleden belirli yöntemlerle yöntemlerle seçilmifl birimlerin oluflturdu¤u toplulu¤a, örneklem ad› verilir. Bir
seçilmifl birimlerin baflka ifadeyle örneklem, ana kütlenin bir alt kümesidir.
oluflturdu¤u toplulu¤a
örneklem ad› verilir.
ÖRNEK 3 26.000 ö¤rencisi bulunan bir üniversitede, ö¤rencilerin kendilerine sunu-

lan hizmetleri yeterli bulup bulmad›klar›n› belirlemek amac›yla, bir arafl-
t›rma planlanm›fl ve seçilen 500 ö¤renciden görüflleri al›nm›flt›r. Bu arafl-
t›rmada ana kütle hacmi nedir, örneklem nedir, neden tamsay›mdan kaç›-
n›lm›flt›r, aç›klay›n›z.
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.
ÖRNEK 4 Bir fabrikada üretilen bisküvi paketlerinin, planlanan a¤›rl›kta üretilip

üretilmedi¤inin araflt›r›lmas› amac›yla, üretilen paketler aras›ndan 250
paket seçilmifltir. Bu araflt›rmada ana kütle ve örneklem nedir, belirtiniz.
Ayr›ca tamsay›m›n yap›l›p yap›lamayaca¤›n› aç›klay›n›z.
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
2. Örneklemenin temel amac› nedir?

3. Tamsay›m›n yap›lamad›¤› durumlarda parametre de¤erleri hesaplanabilir mi?
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
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›-
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
bütün verileri derlemek mümkünse ve isteniyorsa aç›kt›r ki, örneklemeye ihtiyaç
yoktur. Uygulamalarda, afla¤›daki nedenlerden dolay› örnekleme, tamsay›ma ter-
cih edilmektedir.
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.
Do¤ru Veri Elde Etme: Tamsay›m yap›lan araflt›rmalarda, örnekleme hatas›

ifllenmez. Ancak, örneklemede hata kavram› bafll›¤› alt›nda, ileride aç›klanacak
olan, örnekleme d›fl› baz› hatalar da söz konusu olabilir. Örneklemeye baflvurul-
du¤u zaman, hem örnekleme hatalar› hem de örnekleme d›fl› hatalar ifllenmifl ola-
bilir. Bu nedenle tamsay›m, örneklemden daha tutarl› veri elde etme imkan› verir.
Ancak, tamsay›m yap›labilmesi için gerekli olan say›da ve istenen özelliklere sa-
hip, veri derleme hatas› yapmayacak gözlemci ya da görüflmeci bulmak ya da ye-
tifltirmek oldukça zor, hatta olanaks›zd›r. Bu nedenlerle örnekleme uygulama-
lar›nda büyük önem tafl›maktad›r.
Örne¤e Giren Birimlerin Fiziksel Zarara U¤ramas›: Tan›mlanan ana kütle-
de yer alan birimler, veri derlemek ya da ölçüm yapmak amac›yla fiziksel zarara
u¤rat›l›yorsa, aç›kt›r ki örneklemeye baflvurmak zorunludur. Örne¤in, bir savun-
ma sanayii kuruluflunda, üretilen mermilerin içerisindeki hatal› mermi oran›n›n
belirlenmesi için yap›lacak bir araflt›rmada tam say›m benimsenirse, gerekli bilgi-
lerin derlenmesi amac›yla üretilen tüm mermilerin teste tabi tutulmas› gerekir. Bu
durumda üretimin amac› gerçekleflmemifl olur. Bu anlams›z bir testtir. Bu gibi du-
rumlarda örneklemeden yararlanmak kaç›n›lmaz olur.
1. Tamsay›m yapmay› engelleyen nedenleri aç›klay›n›z. SIRA S‹ZDE SIRA S‹ZDE
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.
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
AMAÇ Bir örnekleme plan› sürecinin aflamalar›n› belirleyebileceksiniz.
N N
3 SIRA S‹ZDE SIRA S‹ZDE
Genel olarak örnekleme süreci alt› aflamadan oluflmaktad›r. Birbirleriyle ve bir

araflt›rma sürecinin di¤er aflamalar›yla s›k› s›k›ya iliflki içinde olan bu aflamalar,
afla¤›da ele al›nm›flt›r :
Ana Kütlenin Tan›mlanmas› K ‹ T A P K ‹ T A P

Örnekleme süreci öncelikle ana kütlenin tan›mlanmas›yla bafllar ve bir araflt›rma
sürecinde araflt›rmac›n›n ilk önce yapaca¤› ifllerden biridir.
Ana kütle, belirli bir tan›ma uyan ve hakk›nda bilgilerin üretilece¤i, ç›karsama- Örneklemede verilerin der-
T E L E V ‹olaylardan,
lar›n yap›laca¤› birimlerden, daha aç›k bir ifadeyle nesnelerden, ZYON ku- T E L E“gözlem
lendi¤i birimlere, V‹ZYON
birimi” ad› verilir.
rumlardan ya da bireylerden oluflan topluluktur. Ana kütlenin, ayr›nt›l› bir biçim-
de tan›mlanmas›yla, hangi birimlerin örneklemde yer alabilece¤i, hangilerininde
yer alamayaca¤› belirlenir.
Örneklemede, araflt›rman›n konusuyla ilgili verilerin derlendi¤i birimlere “göz-
lem birimi” ad› verilir. Bu birimler ayn› zamanda örnekleme seçilen birimler de
olabilir. Bu durumda gözlem birimiyle örnekleme birimi ayn› fleydir. Gözlem bi-
rimlerine iliflkin örneklemeyle ilgili olarak izleyen paragraflarda tan›mlanacak
olan bir çerçevenin temin edilemedi¤i ya da (bir çerçeve oluflturman›n çok mas-
rafl› ve çok zaman alabilece¤i) durumlarda, örnekleme uygulamas›n› kolaylaflt›r-
mak, zaman ve maliyet tasarrufu sa¤lamak gibi nedenlerle örnekleme birimi kav-
ram›na kuramda yer verilir. K›saca, örnekleme giren birimlere örnekleme birimi
ad› verilir. Yeri gelmiflken vurgulamak gerekir ki örnekleme birimi birden fazla
gözlem birimini kapsayacak flekilde de tan›mlanabilir.
Bir il merkezindeki tüketicilerin, bulafl›k deterjan› tercih nedenlerini be- ÖRNEK 7

lirlemek için bir araflt›rma planlanm›fl olsun. Araflt›rma, ilgili il merkezin-
de, 18 yafl›n›n üstündeki bayanlar aras›ndan, bir örneklem seçilerek ger-
çeklefltirilebilir. Bu durumda, gözlem birimi ve örnekleme birimi (ayn› bi-
rim), 18 yafl›n üstündeki bayanlar olur. Alternatif olarak araflt›rma, hane
halklar›n› örnekleme birimi olarak tan›mlayarak da gerçeklefltirilebilir.
Bu durumda, hane halklar› örnekleme birimi, seçilen hane halklar›ndaki
18 yafl›n üstündeki bayanlarsa gözlem birimi olur. Son durumda örnekle-
me birimi ve gözlem birimi ayn› de¤ildir. Öte yandan, ana kütleyi olufltu-
ran birimler yer ve zaman bak›m›ndan da tan›mlanarak s›n›rland›r›labi-
lir. Hangi co¤rafi s›n›rlar içindeki birimlerin ana kütle tan›m› içinde yer
alaca¤›n›n belirlenmesine “yer bak›m›ndan s›n›rland›rma”, hangi zaman
noktas›ndaki ya da aral›¤›ndaki birimlerin ana kütle tan›m› içinde yer
alaca¤›n›n belirlenmesine de “ana kütlenin zaman bak›m›ndan s›n›rland›-
r›lmas›” denir. Tüketicilerin bulafl›k deterjan› tercihini etkileyen nedenle-
rin belirlenmesi konulu araflt›rmada sözü edilen il Eskiflehir ise, yer Es-
kiflehir il merkezi olur. Araflt›rma May›s-2002 tarihinde yap›lacaksa za-
man May›s-2002 olur.
174 ‹statistik
Bir araflt›rman›n amaçlar›na ulaflabilmesi için ana kütle tan›mlanmas›nda; aç›k-

l›k, kesinlik, araflt›rma amac›na uygunluk ve uygulama güçlü¤ü yaratmamas› gibi
ilkelerin göz önünde tutulmas› gerekir.
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.
Örnekleme Yönteminin Seçimi

Örnekleme girecek birimlerin belirlenmesine imkan veren yöntemlere, örnekleme
yöntemleri denir. Örnekleme yöntemleri, örneklem için birim seçiminde uygula-
n›lan usulün keyfi ya da rassal (tesadüfi) olufluna göre iki s›n›fa ayr›l›r. Birinci du-
rumda olas›l›kl› olmayan örnekleme, ikinci durumdaysa olas›l›kl› örnekleme söz
konusu olur. Örnekleme yönteminin seçimiyle ilgili en önemli karar, bir örnekle-
me plan›nda, ne tür bir örnekleme yöntemi (olas›l›kl›, olas›l›kl› olmayan) uygula-
naca¤›d›r. Bu konu, izleyen bölümlerde, örnekleme yöntemleri bafll›¤› alt›nda, ay-
r›nt›l› bir biçimde ele al›nacakt›r.
Örneklem Hacminin Belirlenmesi

Örneklem hacmi, örnekleme girecek birimlerin say›s›n› gösterir. Bu say›n›n ne
olaca¤›na iliflkin kesin yan›t vermek mümkün de¤ildir. Ancak, bu sorunun yan›t-
lanabilmesi için, afla¤›da aç›klanan faktörlere iliflkin yap›lacak, nitel de¤erlendir-
melere ve nicel yöntemlere baflvurulur.
Nitel De¤erlendirmede Esas Olan Faktörler

• Ana Kütlenin Homojenli¤i: Ele al›nan ana kütlenin ilgilenilen de¤ifl-
ken/özellik bak›m›ndan homojen ya da heterojen olmas› örneklem hacmi-
nin belirlenmesine etki eder. E¤er ana kütlenin bütün birimleri ilgilenilen
de¤iflken itibar›yla ayn› de¤ere sahipse, bir birimin incelenmesi, amaca
ulaflmak için yeterlidir. Ancak heterojenlik artt›kça, ana kütleyi temsil ede-
bilecek bir örneklem oluflturabilmek için, örneklem hacminin de giderek
büyümesi gerekir.
• Araflt›rmada Verilecek Karar›n Önemi: Önemli kararlar için olabildi¤in-
ce çok ve ayr›nt›l› bilgiye gereksinim vard›r. Böyle durumlar, büyük ha-
cimli bir örneklem üzerinden araflt›rma yapmay› gerekli k›lar. Ancak, ör-
neklem hacmi artt›kça maliyet ve gereksinim duyulan zaman ve nitelikli
personel say›s› da artar. Burada dikkat edilmesi gereken husus, bir yandan
küçük hacimli örneklem oluflturmak suretiyle, bu örneklemin ana kütleyi
temsil etmesi bak›m›ndan yetersiz kalmas›n› engellemek, di¤er taraftan da
gereksiz yere çok büyük hacimli örneklem seçerek, zaman ve maliyet yö-
nünden kayba u¤ramamak için, uygun büyüklükte bir örneklem hacmini
belirlemektir.
• Araflt›rman›n Yap›s›: Araflt›rman›n do¤as› da örneklem hacmi üzerinde
etkilidir. Uygulamada genellikle nitel araflt›rmalarda küçük hacimli örnek-
lemlerle, nicel araflt›rmalardaysa daha büyük hacimli örneklemlerle çal›fl›l›r.
• Benzer Çal›flmalarda Kullan›lan Örneklem Hacimleri: Örneklem hac-
mi, benzer çal›flmalarda kullan›lan örneklem hacimlerinin ortalamalar›ndan
yararlanarak da belirlenebilir. Özellikle, olas›l›kl› olmayan örnekleme yön-
temleri kullan›ld›¤› zaman, bu tür yaklafl›m, örneklem hacmi konusunda
kabaca fikir verir.
• Kaynaklarla ‹lgili S›n›rlay›c›lar: Örneklem hacminin belirlenmesiyle ilgi-
li karar, zaman ve parasal imkanlarla s›n›rl›d›r. Ancak veri derleme konusun-
da iyi yetiflmifl eleman bulma hususu da bu ba¤lamda önemli s›n›rlay›c›d›r.
Nicel Yöntemler
• Karfl›lanabilecek Maliyeti Esas Alan Yöntem: Örneklem hacmi n, arafl-
t›rma bütçesine ba¤l› olarak,
n = C – c0
Ct
eflitli¤i ile hesaplan›r. Burada,

C = Araflt›rma bütçesini,
C0 = Araflt›rman›n sabit maliyetini,
Ct = Örnekleme birimi için de¤iflken maliyeti gösterir.
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,
σ2 , Ana kütle varyans›,

h = z . σx Araflt›rmac› taraf›ndan α anlaml›l›k düzeyi için belirlenen kabul
edilebilir yan›lg› pay›n› gösterir. (Bu bir örneklem istatisti¤inin de¤eriyle ilgili pa-
rametre de¤eri aras›ndaki mutlak fark olarak belirlenebilece¤i gibi, ilgilenilen pa-
rametrenin oransal bir de¤eri olarak da ifade edilebilir.)
Örneklem hacminin yukar›daki eflitlikle hesaplanabilmesi için araflt›rmac›n›n α
anlaml›l›k düzeyini ve h2 de¤erini belirlemesi ve ana kütle varyans› σ2 hakk›nda
bilgiye sahip olmas› gerekir. Ana kütle varyans› σ2 genellikle bilinmez. Bu du-
rumda, σ2 ile ilgili bilgi geçmifl y›llarda yap›lm›fl olan ayn› ya da benzer konuda-
ki çal›flmalardan elde edilebilece¤i gibi, bir pilot çal›flmadan ya da en büyük de-
¤erli gözlem de¤eri xmax ve en küçük de¤erli gözlem de¤eri xmin biliniyorsa ve xi
rassal de¤iflkeni normal da¤›l›yorsa, α = 0.01 için
s = xmax - xmin
6
tahminleyicisi kullan›larak da hesaplanabilir.
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.
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.
1. Örnekleme sürecinin aflamalar›n› s›ralay›n›z. SIRA S‹ZDE SIRA S‹ZDE
2. Anadolu Üniversitesi’nin Aç›kö¤retim Fakülteleri’ne kay›tl› olan ö¤rencilere iliflkin

yap›lacak bir araflt›rmada, anakütle nedir? D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
3. Aç›kö¤retim Fakülteleri ö¤rencilerine iliflkin çerçeve bulunabilir mi, bulunabilirse

güncel midir? Aç›klay›n›z. S O R U S O R U
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-
d›r›labilecek ve bu yöntemlerin önemli türleri hakk›nda bilgi sahibi olacaks›n›z.
Olas›l›kl› Olmayan Örnekleme Yöntemleri K ‹ T A P K ‹ T A P

Araflt›rmay› planlayan ya da (örnekleme uygulamas›n› yapan) kifli yada grubun is-
tekleri ve de¤er yarg›lar›, örnekleme seçilecek birimlerin ve örneklem hacminin
belirlenmesinde etkili oluyorsa, yap›lan örneklemeye “olas›l›kl› olmayan örnekle-
me” denir.
Olas›l›kl› olmayan örnekleme, örneklem için birim seçiminde, keyfi seçim usu-
lünün uyguland›¤› örneklemedir. Örneklem oluflturulurken, tan›mlanan ana kütle-
yi oluflturan birimler aras›nda fark gözetilir ve bütün birimlere, bilinen bir olas›l›k-
la seçilme flans› verilmezse, söz konusu olan seçim, keyfi seçimdir.
Temsili örneklem oluflturma bak›m›ndan olas›l›kl› olmayan örnekleme yönte-
minin baflar›s›, örnekleme uygulamas›n› yürüten kifli ya da grubun araflt›rma ko-
nusuyla ilgili deneyimine, tan›mlanan ana kütlenin özellikleri hakk›ndaki öncül
bilgilerine ve bu ana kütlenin ilgilenilen özellik ya da özellikler bak›m›ndan ho-
mojenli¤ine ba¤l›d›r.
Sosyal araflt›rmalarda s›kça kullan›lan olas›l›kl› olmayan örnekleme yöntemle-
rinden baz›lar› afla¤›da ele al›nm›flt›r.
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.
ÖRNEK 10 Anadolu Üniversitesi yönetimi, verdi¤i aç›kö¤retim hizmetlerinden mem-

nun olan ö¤rencilerinin oran›n› belirlemek amac›yla bir araflt›rma planla-
m›flt›r. Bu araflt›rmay› gerçeklefltirecek grup araflt›rmay›, kota örnekle-
mesi uygulamak suretiyle tamamlamay› düflünmektedir.
ÇÖZÜM
Cinsiyet tabakalama kriterine göre ö¤rencilere iliflkin bilgiler;
N = 600.000 Ana kütle hacmi.

NE = 400.000 Erkek ö¤renci hacmi
NK = 200.000 K›z ö¤renci hacmi
n = 3000 Örneklem hacmi
Erkek ö¤renciler tabakas›ndan (NE) seçilecek ö¤renci hacmi;
nE = NE . n = 400.000 . 3000 = 2000 ö¤renci

N 600.000
olarak bulunur.
Benzer hesaplama k›z ö¤renciler tabakas› için de yap›l›rsa NK =1000 ö¤renci
bulunur.
Erkek ve k›z ö¤renci tabakalar›ndan s›ras›yla 2000 ve 1000 ö¤renci keyfi seçimle
seçmek suretiyle n = 2000 +1000 hacimli örneklem seçilmifl olur.
Bu örneklem üzerinden ilgili veriler derlenir ve istenilen bilgi üretilir.
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.
Olas›l›kl› Örnekleme Yöntemleri

Rassal örnekleme yöntemleri olarak da an›lan bu yöntemler, örnekleme planlar›n-
da yayg›n olarak uygulan›r. Bu tür örneklemede, örnekleme girecek birimlerin se-
çimi rassal olarak yap›l›r. Rassal seçim, ana kütleden, örnekleme girecek birimle-
ri seçerken, herhangi bir ayr›cal›¤›n uygulanmad›¤› seçimdir. Rassal seçim yapma
imkan› veren çeflitli seçim uygulamalar› bulunmaktad›r. Bunlar, kura usulü, rassal
say›lar tablosu, rassal say› türeten bilgisayar programlar› ve sistematik seçim ola-
rak say›labilir.
Rassal seçim için kura usulü uygulamas›nda önce, oluflturulan çerçevedeki bü-
tün birimlere numara verilir. Sonra bu numaralar fifllere yaz›l›r ve bir torbaya at›-
l›r. Fifller iyice kar›flt›r›ld›ktan sonra, çekilen fifl torbaya iade edilmeksizin (ya da
iade edilerek) n tane fifl seçilir. Ç›kan fifllerdeki numaralara karfl› gelen birimler,
rassal örneklemi oluflturur. Rassal seçim uygulamalar› için kullan›lan rassal say›lar
tablosu ve rassal say› türeten bilgisayar programlar› kura usulüyle seçimin güçlük-
lerini ortadan kald›ran rassal seçim araçlar›d›r. Bu araçlar›n birim seçim sürecinde
nas›l kullan›laca¤›na de¤inilmemifltir.
E¤er rassal seçim için, sistematik seçim uygun görülürse, afla¤›daki aflamalar
izlenir:
• k = N/n oran› hesaplan›r. Bu oran “büyütme faktörü” olarak isimlendirilir.
• 1,2, ..... ,k adet say› aras›ndan rassal olarak bir say› çekilir. Çekilen say› a
ile gösterilsin. a, örnekleme girecek birinci birimin s›ra numaras›n› gösterir.
180 ‹statistik
• a’›nc›, a+k’›nc›, a+2k'›nc›, ...... ,a+(n-1)k’›nc› s›ra nolu birimlerin seçilmesiy-

le n hacimli örneklem oluflturulur.
Hem kura usulü seçimde, hem de sistematik seçimde, seçilecek bir birimin be-
lirlenen n hacimli örneklemde yer almas› olas›l›klar› ayn› (n/N) olmas›na ra¤men;
olas› örneklemlerden birinin incelenen örneklem olma olas›l›klar› farkl›d›r. Bu
olas›l›klar s›ras›yla 1/C nN ve 1/k’ d›r.
Rassal seçim ve rassal seçim usullerini aç›klad›ktan sonra, olas›l›kl› örnekleme
tan›m›n› yapmak kolaylaflmaktad›r. En basit tan›m›yla, örneklem için birim seçi-
minde rassal seçimin uyguland›¤› yöntemlere “olas›l›kl› örnekleme yöntemleri”
ad› verilir. Genifl anlam›yla olas›l›kl› örnekleme, ilgili ana kütledeki her örnekle-
me birimine hesaplanabilir ve s›f›rdan farkl› bir olas›l›kla seçilme imkan› veren ör-
neklemedir. Tan›mda belirtilen özelliklere sahip örneklemse “olas›l›kl› örneklem”
olarak isimlendirilir.
Olas›l›kl› örneklemenin üç önemli üstünlü¤ü vard›r :
• Örneklemden elde edilen verilerden hesaplanan istatistikler, ana kütle pa-
rametreleri hakk›nda genelleme yapmak amac›yla kullan›labilir.
• Örnekleme hatas›n›n büyüklü¤ü hakk›nda bilgi elde edilebilir.
• Keyfi seçimde söz konusu olabilecek yanl›l›k (sistematik hata) giderilmifl
olur.
Olas›l›kl› örneklem oluflturma prensibi esas olmak üzere, uygulamada ya birim
seçim ifllemini kolaylaflt›rmak ya da ana kütleyi temsil edecek daha iyi bir örnek-
lemin oluflturulmas›n› sa¤lamak üzere, çeflitli örnekleme yöntemleri gelifltirilmifltir.
‹zleyen kesimlerde, uygulamada en çok kullan›lan olas›l›kl› örnekleme yöntemle-
ri aç›klanacakt›r.
Basit Rassal Örnekleme

Örnekleme planlar›nda, örnekleme girecek birimlerin seçiminde, rassal seçimin
kolayl›kla uygulanabilece¤i olas›l›kl› örnekleme yöntemi, basit rassal örneklemedir.
Basit rassal örnekleme, hacmi N olan sonlu bir ana kütleden, birbirinden fark-
l› ve n hacimli oluflturulabilecek C nN say›daki olas› örneklemlerin her birine, ince-
lenecek örneklem olmas› bak›m›ndan eflit flans tan›yan örnekleme yöntemidir. Bu
tan›mda belirtilen özellikleri tafl›yan C nN say›daki örneklemlerin her birine, “basit
rassal örneklem” denir. Bu örnekleme yöntemi, ana kütledeki bütün birimlere,
hacmi n olarak belirlenen örnekleme girmeleri bak›m›ndan, bilinen ve birbirine
eflit (n/N) seçilme olas› sa¤lar.
Uygulamalarda, basit rassal örneklemin seçimi için afla¤›daki süreç izlenir:
• Güncel çerçeve temin edilir ya da haz›rlan›r. Seçilecek örneklemin temsili
olabilmesi için, çerçevenin güncel olmas› çok önemlidir.
• Örneklem hacmi belirlenir.
• Çerçevede yer alan N say›daki birime, onlar› tan›mlay›c› numara ya da ifla-
ret verilir.
• Ana kütledeki her birime eflit, 1/N seçilme flans› vermek suretiyle, örnekle-
me girecek birinci birim seçilir. Seçim için kura usulü, rassal say›lar tablo-
su ya da rassal say› türeten bilgisayar programlar› kullan›l›r.
• Geriye kalan N-1 birimin her birine eflit flans vermek suretiyle ikinci birim
seçilir.
• Bu birim seçim süreci, n hacimli örneklem seçilinceye kadar tekrarlan›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
lecek de¤iflkenlere, demografik özellik, tüketici türü, sosyoekonomik s›n›f,

meslek grubu, firma büyüklü¤ü, co¤rafik yerleflim yeri vb. örnek olarak
gösterilebilir.
• Belirlenen tabakalama de¤iflkeni itibariyle, N hacimli bir ana kütle daha ho-
mojen L say›da ve hacimleri N1 , N2 , ... , NL olan alt tabakalara ayr›l›r. Bu
aflamada önemli olan, tan›mlanan ana kütledeki her bir birimin yaln›z bir
tabakaya ait olmas› ve hiçbir birimin aç›kta kalmamas›n›n sa¤lanmas›d›r.
Baflka bir ifadeyle,
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.
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
ÖRNEK 12 60 mahallesi olan bir il merkezinde partilerin seçim öncesindeki oy da¤›-

l›m› araflt›r›lacak olsun. Araflt›rmac› her mahalledeki seçmenleri birer
küme olarak tan›mlar, mahalleler aras›ndan rassal olarak mahalle seçer
ve seçilen mahallelerden de yine rassal olarak belirli say›da sokak seçer-
se ve seçilen sokaklardaki bütün seçmenleri incelemeye al›rsa iki aflama-
l› küme örneklemesi uygulam›fl olur.
Rassal seçim aflama say›s›, benzer flekilde artt›r›ld›¤›nda, çok aflamal›
küme örneklemesi uygulanm›fl olur.
SIRA S‹ZDE 1. Örnekleme

SIRAyöntemlerini
S‹ZDE s›n›fland›r›n›z.
2. Olas›l›kl› örneklemeyle olas›l›kl› olmayan örnekleme aras›ndaki temel farkl›l›k ne-

D Ü fi Ü N E L ‹ M dir, aç›klay›n›z.
3. Sistematik örneklemede örnekleme girecek birimler nas›l seçilir, aç›klay›n›z.

S O R U S O R U
N
ÖRNEKLEME DA⁄ILIMI
D‹KKAT D‹KKAT
AMAÇ Örnekleme da¤›l›m› kavram›n› aç›klayabileceksiniz.
N N
SIRA S‹ZDE 5 SIRA S‹ZDE
Buraya kadar yap›lan aç›klamalarda, bir istatistiksel araflt›rmada önemli amaçlar-

AMAÇLARIMIZ dan birininAMAÇLARIMIZ
de ele al›nan ana kütlenin ilgilenilen özelliklerini belirlemek oldu¤u,
tamsay›m›n mümkün olmad›¤› durumlardaysa bunun uygun bir örneklem yard›-
m›yla nas›l gerçeklefltirilebilece¤i ve uygun örnekleminde nas›l seçilebilece¤i ko-
K ‹ T A P nular› ele al›nd›.
K ‹ T A P
Daha önce de de¤inildi¤i gibi, bir ana kütleye iliflkin say›sal karakteristiklere
parametre ad› verilir ve bir parametre genel olarak θ simgesiyle gösterilir. Daha
TELEV‹ZYON aç›k bir anlat›mla,
T E L E V ‹ Z Y Oparametre
N tam say›mla elde edilen x1 , x2 , ... , xN ölçümleri-
nin kullan›lmas›yla hesaplanan ve ana kütle hakk›nda bilgi üreten say›sal karak-
teristiklerin genel ad›d›r. Tamsay›m›n yap›lamad›¤› durumlarda hesaplanamayan
θ parametresine iliflkin bilgi, θ’ya iliflkin bilgi üreten örneklem istatistiklerinden
yararlan›larak elde edilebilir. Örneklem istatistikleri genel olarak θ simgesiyle
gösterilir. Örneklem istatisti¤i ya da sadece istatistik, rassal olarak seçilen n hacim-
li örneklemden elde edilen x1 , x2 , ... , xN gözlem de¤erlerinin kullan›lmas›yla
hesaplanan, say›sal karakteristiklerin genel ad›d›r.
Örnekleme sürecinde rassal olarak seçilen n hacimli bir örneklem için hesap-
lanan istatistikler, bafllang›çta kendi bafl›na bir anlam ifade etmezler ve sadece ait
olduklar› örneklem için bilgi niteli¤indedirler. Çünkü incelenen bu n hacimli ör-
neklem birbirinden farkl› ayn› hacimli mümkün örneklemlerden sadece biridir ve
her mümkün farkl› örneklem için hesaplanan istatistikler birbirinden farkl› de¤er-
lere sahip olabilirler. Bu nedenle, örneklem istatistiklerinden yararlanarak, ana
kütle parametreleri hakk›nda bilgi üretme sürecinde, bir örnekleme plan›nda ras-
sal olarak seçilen n hacimli bir örneklemin hesaplanan istatistiklerinden de¤il, o
istatistiklerin mümkün örneklemlerde alaca¤› de¤erlerin da¤›l›m›ndan, bu da¤›l›-
m›n özelliklerinden ve fleklinden yararlan›l›r. Bir baflka ifadeyle, örneklem istatis-
tiklerinden yararlanmak suretiyle ana kütle parametreleri hakk›nda bilgi nas›l üre-
tilir sorusunun yan›t› için bilinmesi gereken en önemli kavram, örneklem istatisti-
¤inin örnekleme da¤›l›m› ya da sadece örneklem da¤›l›m› kavram›d›r.
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.
Örneklem Ortalamas› X ’n›n Örnekleme Da¤›l›m›

Ana kütle aritmetik ortalamas› µ , ilgili ana kütleye iliflkin önemli bir say›sal ka-
rakteristiktir. µ , N hacimli sonlu ana kütlelerde tam say›m yap›ld›¤›nda gözlem
de¤erleri x1 , x2 , ... , xn olarak gösterildi¤inde,
∑ xi
N
µ = i=1
N
X s›n›f›nda 4 ö¤renci bulunsun. Bu ö¤rencilerin simgesel isimleri ve bafla- ÖRNEK 13

r› puanlar› Tablo-1 de verilmifltir. Ana kütle aritmetik ortalamas›n› he-
saplay›n›z.
Ö¤renci Ad› Baflar› Puan›
A 90
B 80
C 60
D 70
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
formülü ile hesaplan›r.

Yukar›daki örnek tekrar göz önüne al›ns›n. N=4 ö¤renci olan ana kütleden ba-
sit rassal örneklemeyle A ve D isimli ö¤rencilerin seçilmesiyle n=2 ö¤renci olan
bir rassal örneklem seçildi¤inde, örneklemdeki ö¤rencilerin baflar› puan› ,
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.
4 birimden 2 birim, farkl› flekillerde seçilir. Sonuçlar afla¤›daki tabloda verilmifltir:
Örneklem No Örneklem Birimleri Gözlem De¤erleri Örneklem Ortalamalar›

1 A,B 90,80 85
2 A,C 90,60 75
3 A,D 90,70 80
4 B,C 80,60 70
5 B,D 80,70 75
6 C,D 60.70 65
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.
Ortalama Ve Standart Hata

Örneklem hacmi artt›kça, X ’›n örnekleme da¤›l›m›n›n ortalamas› ana kütle arit-
metik ortalamas› µ’ye yaklafl›r. X ’›n beklenen de¤eri (ya da ayn› anlama gelen X
’›n örnekleme da¤›l›m›n›n ortalamas›) E( X ) ile gösterilirse,
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
eflitli¤i ile hesaplan›r. Standart hatan›n karesi, örnekleme da¤›l›m›n›n varyans›n›

ifade eder ve σ2x simgesiyle gösterilir. Eflitlikten de anlafl›labilece¤i gibi, standart
hata, ana kütle standart sapmas› σ’ya ve örneklem hacmi n’e ba¤l›d›r. Bir baflka
ifadeyle, ana kütle de¤iflkenli¤i büyükse, herhangi bir n hacimli örneklem için X
’›n örneklem da¤›l›m›n›n de¤iflkenli¤i büyük olur. Örneklem hacmi büyüdükçe
daha do¤ru ve güvenilir bilgi üretme olana¤› da artar. Öte yandan, standart hata
ile örneklem hacminin kare kökü aras›nda ters bir iliflki oldu¤u için, örneklem
hacmini artt›rmak suretiyle standart hatay› azaltmak baz› güçlüklere yol açar. Ör-
ne¤in; örneklem hacmi n=100 birim iken, X ’›n standart sapmas›n› yar›ya indire-
bilmek için örneklem hacmi 4 kat artt›r›lmal›d›r.
Ana kütle standart sapmas› genellikle bilinmedi¤inden, σx hesaplan›rken σ
yerine onun yans›z bir tahminleyicisi olan örneklem standart sapmas› s kullan›l›r.
Bu durumda standart hata σx simgesiyle de¤il Sx simgesiyle gösterilir ve
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.
Merkezi Limit Teoremi

Ana kütlelerin da¤›l›m flekli ne olursa olsun, basit rassal örneklem hacmi büyü-
dükçe, X ’›n örnekleme da¤›l›m› normal da¤›l›ma yaklafl›r. Bu da¤›l›m›n ortalama
s› µ , varyans› σ2 / n’ dir. Örneklem hacmi n için yeterli büyüklük, kesin olma-
makla birlikte uygulamada n ≥ 30 birim olarak kabul edilmektedir.
E¤er X , ortalamas› µ ve varyans› σ2 olan normal da¤›l›ml› bir ana kütleden
seçilmifl n hacimlik bir basit rassal örneklemin ortalamas›ysa, X ’›n örnekleme da-
¤›l›m› ortalamas› µ , varyans› σ2 / n olan bir normal da¤›l›md›r.
X rassal de¤iflkeninin da¤›l›m› normal oldu¤undan,
z= X–µ
σ/ n
eflitli¤iyle standart de¤iflkene dönüfltürülür. Böylece, normal da¤›l›m›n özellikleri

kullan›larak ana kütle aritmetik ortalamas› µ hakk›nda, bilgi üretmek kolaylafl›r.
188 ‹statistik
Örneklem Oran› p’n›n Örnekleme Da¤›l›m›

Örnekleme planlar›nda ele al›nan ana kütlenin araflt›r›lmak istenen özelliklerinin
baz›lar› iki sonuçlu olmaktad›r. Örne¤in bir fabrikada üretilen ürünler, hatal› ya da
hatas›z ürün, bir fakültedeki ö¤renciler, baflar›l› ya da baflar›s›z ö¤renci olmak
üzere iki grupta toplanabilir. Bu iki sonuçtan birisi örne¤in baflar›l› ö¤renci A di-
¤eride A ile gösterilsin.
‹ki sonuçlu ana kütleler üzerinde yap›lan örnekleme uygulamalar›nda, sözü
edilen bu iki sonuçtan birinde, örne¤in A sonucunda, yer alan birimlerin oran›yla
ilgilenilebilir. Bu durumda ana kütle oran›, ana kütlenin birimleri içindeki ilgileni-
len türden özelli¤e sahip olanlar›n oran› biçiminde tan›mlan›r.
ÖRNEK 15 Y s›n›f›ndaki ö¤rencilerin genel baflar› durumu afla¤›da verilmifltir. Bu s›-

n›f›n baflar›l› ö¤renci oran› nedir?
Ö¤renci Ad› Baflar› Durumu

A Baflar›l›
B Baflar›s›z
C Baflar›l›
D Baflar›l›
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
olarak bulunur. Bu sonuca göre, s›n›ftaki ö¤rencilerin %75’i baflar›l›d›r. Bu kesin

bir sonuçtur.
Tam say›m yap›lamad›¤› zaman R bilinemez ve ∏ hesaplanamaz. Örnekleme
planlar›nda ∏ parametresi hakk›nda bilgi, bu parametre hakk›nda bilgi üreten ör-
neklem istatistiklerinden yararlanarak üretilebilir.
Hacmi n olan bir basit rassal örneklemden, bu örneklemin seçildi¤i ana kütle-
nin ∏ parametresi hakk›nda bilgi üretebilmek için iki örneklem istatisti¤i söz ko-
nusudur. Birincisi, hacmi n olan bir basit rassal örneklemdeki ilgilenilen türden
özelli¤e sahip olan birimlerin say›s›d›r ve r ile gösterilir. ‹kincisi, ilgilenilen türden
özelli¤e sahip olan örneklemdeki birimlerin oran›d›r. Örneklem oran› p simgesiy-

le gösterilir ve
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
olarak hesaplanm›fl olur.

Öte yandan, anakütle oran›na iliflkin varyans,
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
de¤iflkeninin çekilmesi mümkün tüm n hacimli örneklemlerde ald›¤› de¤erlerin

da¤›l›m›na, “oranlar›n örnekleme da¤›l›m›” ad› verilir.
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
eflitlikleriyle, ana kütle varyans› σ2 bilinmiyorsa,
= ,
p1 – p p1–p
s2p s=
n n
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
ana kütle varyans› bilinmiyorsa,
= . ,
p1 – p N – n p1–p N–n
s2p sp = .
n n n N
eflitlikleri kullan›larak hesaplan›r.

Da¤›l›m fiekli Ve Merkezi Limit Teoremi

Oranlar›n örnekleme da¤›l›m›n›n flekli e¤er E(p) = ∏ < 0.5 ise sa¤a çarp›k,
E(p) = ∏ > 0.5 ise sola çarp›k ve E(p) = ∏ = 0.5 ise simetrik bir da¤›l›m göste-
rir. Kolayl›kla görülebilece¤i gibi, E(p) = ∏’nin de¤eri 0 ve 1’e yaklafl›rken da¤›l›-
m›n çarp›kl›¤› artar.
Merkezi Limit Teoremine göre bir örnekleme plan›nda, seçilen basit rassal ör-
neklemin hacmi n büyürken örneklem oran› p’nin örnekleme da¤›l›m› normal da-
¤›l›ma yaklafl›r. Uygulamada n∏ ≥ 5 ve n(1 – ∏) ≥ 5 koflullar›n› birlikte sa¤layan
örneklem büyüklü¤ü, yeterli örneklem büyüklü¤ü olarak kabul edilir. Ayn› teore-
me göre rassal örneklem hacmi n ≥ 30 birim olmas› ve ana kütle oran› ∏’nin 0 ya
da 1’e yak›n de¤erler almamas› koflullar›yla oranlar›n örnekleme da¤›l›m›, normal
da¤›l›ma yaklafl›r. Bu koflullar› sa¤layan oranlar›n örnekleme da¤›l›m›yla ilgili
problemlerin çözümlerinde normal da¤›l›m›n özelliklerinden yararlan›l›r. Bu amaç-
la p rassal de¤iflkeni standartlaflt›r›lm›fl Z de¤iflkeni
Z= p –∏
σp
fleklinde yaz›l›r. Bu standart de¤iflken kullan›larak, ana kütle oran› hakk›nda bilgi
üretmek mümkün olur.
1. Örnekleme da¤›l›m› kavram›n› aç›klay›n›z. SIRA S‹ZDE SIRA S‹ZDE
2. Merkezi Limit Teoremi istatisti¤e ne tür kolayl›klar getirmifltir, aç›klay›n›z.

3. E(p) < 0.45 ise, oranlar›n örnekleme da¤›l›m›n›n flekli nas›ld›r?
S O R U S O R U
ÖRNEKLEMEDE HATA KAVRAMI VE STANDART
N
HATA
D‹KKAT D‹KKAT
AMAÇ Örnekleme uygulamalar›nda ifllenecek hata türlerini aç›klayabileceksiniz.
N N
‹statistiksel araflt›rmalarda iki tür hatadan söz edilir. Bunlar, örnekleme hatas› ve
örnekleme d›fl› hatalard›r.
Örnekleme Hatas› - Standart Hata

Örneklem istatistikleri, hacmi sonsuz ya da N birimlik bir ana K ‹kütlenin
T A P sadece n K ‹ T A P
biriminden (n<N) oluflan örneklemlerden derlenen veriler kullan›larak hesaplan-
d›¤› için, genellikle (bir dereceye kadar) hata içerirler. Bu nedenle, örneklem is-
tatistiklerinin, ana kütle parametrelerine eflit ç›kmas› beklenmez.
Örneklemden örnekleme de¤iflen de¤erler alan istatistiklerin ana kütle para-
metre de¤erlerine göre gösterdikleri sapmalara ( θ − θ’lara), örnekleme hatas› ad›
verilir. Herhangi bir sapma pozitifse üst tahminleme, negatifse alt tahminleme ya-
p›l›yor demektir ve hata söz konusu olur. Sapmalar›n s›f›r olmas› durumunda, ya-
p›lacak tahmin sapmas›zd›r ve bu durumda hata söz konusu olmaz. Örnekleme
hatalar› s›f›r, negatif ya da pozitif de¤erler alabildi¤i için, bunlar›n ortalamas› ka-
reli ortalamayla hesaplan›r. Bu de¤er, ilgilenilen örneklem istatisti¤inin standart
hatas›n› gösterir. Standart hata asl›nda bir örneklem istatisti¤ine ait da¤›l›m›n de-
¤iflkenli¤inin bir ölçüsüdür ve baflka bir deyiflle standart sapmad›r.
192 ‹statistik
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.
Örnekleme D›fl› Hatalar

‹ster örneklemeden, ister tam say›m sonucu oluflmufl olsun, veri derleme sürecin-
de ifllenen hatalara, örnekleme d›fl› hatalar denir. Bu hatalar;
• Veri derleme ve kaydetme yönteminden,
• Yanl›fl anlamaya yol açan sorular›n varl›¤›ndan,
• Çerçevenin kapsam hatas› içermesinden ya da ayn› örnekleme birimin çer-
çevede birden fazla yer almas›ndan,
• Örnekleme seçilen birimlerin bir k›sm›ndan bilgi derlenememesi nedeniy-
le, ortaya ç›kar›labilir.
Hataya neden olan bu unsurlar ortadan kald›r›l›rsa, örnekleme d›fl› hata söz
konusu olmaz.
SIRA S‹ZDE 1. Örnekleme

SIRAsonucu
S‹ZDE ifllenecek hatalar nelerdir?
2. Örnekleme uygulamas› sonucu ifllenebilecek bütün hatalar istenirse giderilebilir mi?

3. Örnekleme hatas›n› azaltabilmek için ne yap›lmal›d›r?
S O R U S O R U
D‹KKAT D‹KKAT
N N
Kendimizi S›nayal›m 6. Örneklem oran›n›n de¤er aral›¤› afla¤›dakilerden

1. Afla¤›dakilerden hangisi, örnekleme yapmay› gerekli hangisidir?
k›lan nedenlerden biri de¤ildir? a. 0 ≤ ∏ ≤ 1
a. Maliyet b. -1 < ∏ < 0
b. Zaman c. -1 < ∏ < 1
c. Kesin sonuç elde etme d. ∏ < -1
d. Do¤ru veri elde etme e. ∏ > 1
e. Ölçüm için birimlerin fiziksel zarara u¤ramas›
7. Ana kütlenin tümüne ulafl›lamad›¤› durumlarda, ana
2. Örneklemenin temel amac› afla¤›dakilerden hangisidir? kütleyle ilgili bir yarg› elde etmek amac›yla, üzerinde is-
a. Ana kütleyi temsil eden bir örneklem oluflturmak. tatistiksel de¤erlerin hesapland›¤› gruba ne ad verilir?
b. Ana kütleyi temsil eden, mümkün bütün örnek- a. Kontrol grubu
lemleri oluflturmak. b. Örnekleme
c. Ana kütlenin bütün birimlerini incelemek. c. Örneklem
d. Örneklemdeki bir birimin incelenmesi. d. Veri
e. Örneklemdeki birimler aras›ndan, birimler seçmek. e. Parametre
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

1. c FINK, Arlene: How to Sampling in Surveys, Sage Pub-
2. a lication, London, 1995.
3. b GÜRSAKAL, Necmi: Bilgisayar Uygulamal› ‹statistik I,
4. b Marmara Kitapevi, Bursa, 1997.
5. a MALHOTRA, Naresh K: Marketing Research An Appli-
6. a ed Orientation 2nd Edition, Prentice-Holl Internati-
7. c onal, Inc, New Jersey, 1996.
8. a NETER,J; WASSERMAN,W, WH‹TMORE, G.A.: Applied
9. c Statistics, Simon and Schuster, Inc, Boston, 1993.
10. a SERPER, Özer; AYTAÇ, Mustafa: Örnekleme, Ezgi Kita-
pevi, Bursa, 2000.
SERPER, Özer: Uygulamal› ‹statistik II, Filiz Kitapevi,
‹stanbul, 1986.
TRYFOS, Peter: Sampling Methods for Applied Rese-
arch, John Wiley and Sons Inc., New York, 1996.
195
‹statistiksel
Tahminleme 8
• 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.
• 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
‹statistiksel tahminleme tan›m›n› kavrayarak, tahminleme süreci- Tahminleme, tan›mlanan

AMAÇ
nin aflamalar›n› gerçeklefltirebileceksiniz. ana kütleden seçilen rassal
1 örneklemden hesaplanan
istatistikler yard›m›yla, ilgili
2500 iflçi çal›flt›ran bir iflyeri, çal›flanlar›n›n ulafl›m sorununa kolayl›k sa¤lamas› aç›- ana kütlenin parametre
de¤erini araflt›rmakt›r.
s›ndan iflyerine gelifl ve dönüfl için servis hizmeti vermeyi planlamaktad›r. Bunun
için de çal›flanlar›n ikametgahlar›yla iflyeri aras›ndaki ortalama uzakl›¤a iliflkin bil-
giye ihtiyaç duyulmaktad›r. Neler yap›labilir?
Günlük yaflam›n hemen hemen her alan›nda parametre tahminlemesiyle karfl›-
lafl›l›r. Bu nedenle, tahminleme araflt›rmalar›n önemli bir evresini oluflturur. Bir
araflt›rma sürecinin en önemli aflamas› olan örneklemeyle tahminleme biribirinin
ayr›lmaz birer parças›d›r.
Bir tan›m vermek gerekirse, tahminleme, tan›mlanan ana kütleden seçilen ras-
sal örneklemden hesaplanan istatistikler yard›m›yla, bu ana kütlenin uydu¤u da-
¤›l›m›n parametre de¤erlerini araflt›rmakt›r denilebilir.
Tan›mdan da anlafl›labilece¤i gibi, bir tahminleme sürecinde afla¤›daki aflama-
lar söz konusudur :
• Tan›mlanan ana kütleden önceden belirlenen n hacimli rassal bir örneklem
seçilir.
• Bu gözlem de¤erleri kullan›larak tahminlenecek parametre için bilgi ürete-
cek istatistikler hesaplan›r.
• Parametre için bilgi üreten istatisti¤in örnekleme da¤›l›m›n›n özelliklerin-
den yararlan›larak parametre de¤eri tahminlenir.
Hem örneklem için, hem de ana kütle için bilgi üreten istatisti¤e iliflkin formü- Ana kütle için bilgi üreten
istatisti¤e iliflkin formülasy-
lasyona “tahminleyici” örneklem, gözlem de¤erlerinin bir tahminleyiciye uygulan- ona tahminleyici, tahmin-
mas›yla hesaplanan de¤ereyse “tahmin” ad› verilir. Tahminleyici, tahminin nas›l leyici yard›m›yla hesaplanan
yap›laca¤›n› gösterir. Tahminse say›sal bir de¤erdir. Örne¤in, de¤ere de tahmin denilir.
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.
SIRA S‹ZDE 1. ‹statistiksel tahminleme

SIRA S‹ZDE nedir?
2. Bir istatistiksel tahminleme sürecinde hangi aflamalar izlenir?

3. Tahmin ve tahminleme kavramlar› aras›ndaki fark› aç›klay›n›z.
S O R U S O R U
N
‹STAT‹ST‹KSEL TAHM‹NLEME TÜRLER‹
D‹KKAT D‹KKAT
Örneklem istatistiklerini kullanarak, nokta ve aral›k tahminlemesi
AMAÇ
yapabileceksiniz.
2
N N
‹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
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-
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.
Ana Kütle Aritmetik Ortalamas› µ ’nün Nokta Tahminlemesi

Bir örneklemin aritmetik ortalamas› X ’nin hesaplanabilmesi için X1,X2,......Xn göz-
lem de¤erlerine gereksinim vard›r. Örneklem oluflturulmadan önce ayn› ana küt-
leden seçilebilecek ayn› hacimli farkl› örneklemlerde farkl› de¤erler alabilecek
olan X , bir rassal de¤iflkendir ve µ’nün nokta tahminleyicisi olarak isimlendirilir.
Örneklem oluflturulduktan sonra (X1,X2,......Xn gözlem de¤erleri elde edildikten
sonra) hesaplanan X de¤eri, µ’nün nokta tahminidir.
Gerçekte N birimlik bir anakütleden n birimlik örneklemler CnN kadar farkl›
biçimde seçilebilece¤inden, ilgilenilen θ parametresi için CnN tane nokta tahmini
söz konusu olur.
Bir rassal de¤iflken olan X ’nin de¤erinin bu istatisti¤in bilgi üretti¤i µ’nün de-
¤erine eflit olan tahminlemeye µ’nün nokta tahminlemesi, hesaplanan X de¤eri-
ne de µ’nün nokta tahmini denir.
Yap›lan aç›klamalar› bir örnek üzerinde görelim.
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=?
80 birimlik rassal örne¤in aritmetik ortalamas›, anakütle ortalamas›n›n bir nok-

ta tahmini oldu¤undan, ayl›k ortalama ödeme tutar›na iliflkin tahmin 45.000.000
TL. olacakt›r.
Ancak bu nokta tahminlemeyle, gerçekte ana kütle ortalamas› µ’nün 45.000.000
TL.’ye yak›n bir de¤er oldu¤u yorumu yap›labilir.
Ana kütle ortalamas› µ bilinmezken, X = µ olan tek bir örneklem düflünülebilir mi?
Düflünmemelisiniz.
Ana Kütle Oran› π’nin Nokta Tahminlemesi

Örnekleme uygulamalar›n›n pek ço¤unda ana kütle oran› π hakk›nda bilgi elde
edilmesi istenir. Bu durumda π için bilgi üreten istatistik örneklem oran› p olur.
Ana kütle oran› π’ye iliflkin nokta tahminlemesi bir rassal örnekleme plan›nda
oluflturulan n hacimli örneklem için, r bir binom rassal de¤iflkeni olmak üzere,
hesaplanan p = r oran›n›n de¤eri π’ye eflit olan bir tahminleme sürecidir. Burada
n
p = r eflitli¤i tahminleyici, hesaplanacak p de¤eri de tahmindir.
n
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,
A = θ – z α . sθ
2
ve
Üst S›n›r,
Ü = θ + z α . sθ
2
Bu eflitliklerde:
θ : Örneklem istatisti¤inin de¤erini,

zα : Belirlenen güven düzeyi için, standart normal da¤›l›m tablo de¤erini,
2
σθ : σ bilindi¤inde tahminin standart hatas›n› gösterir.
Sθ : σ bilinmedi¤inde (σ yerine onun yans›z tahminini s kullan›ld›¤›nda)
standart hata tahminini gösterir.

Belirlenen güven düzeyi için ve θ istatisti¤inin örnekleme da¤›l›m›n›n normal ol-
du¤u varsay›m› alt›nda θ parametresi için aral›k tahminlemesi
θ - z α . σθ < θ < θ + z α . σθ σ bilindi¤inde

2 2
ve
θ - z α . sθ < θ < θ + z α . sθ σ bilinmedi¤inde

2 2
fleklinde ifade edilir.

Aral›k tahminlemesinde güven aral›¤›n›n mümkün oldu¤u ölçüde dar tutulma-
s› arzu edilir.Çünkü dar aral›¤›n s›n›rlar› parametre de¤erine daha yak›nd›r. Bu gü-
ven düzeyine ve örneklem hacmine ba¤l›d›r. Güven düzeyi % 99’dan % 95’e düfl-
tü¤ünde daha dar güven aral›¤› elde edilir. Belirlenen örneklem hacmi için hesap-
lanan standart hatan›n küçük olmas› durumunda da güven aral›¤› daral›r.
Ana Kütle Aritmetik Ortalamas›n›n Aral›k Tahminlemesi

Ana kütle aritmetik ortalamas› µ için 1-α güven s›n›rlar›n›n ya da güven aral›¤›-
n›n belirlenmesi ifllemlerine µ’nün aral›k tahminlemesi denir. Bu tahminleme sü-
recinde flu aflamalar izlenir:
• G.D = 1-α belirlenir,
• Hacmi n olan bir rassal örneklem seçilir,
• Bu örneklem için X ve s istatistikleri hesaplan›r,
• X ’n›n standart hatas› σx hesaplan›r ya da sx tahminleyicisi yard›m›yla tah-
minlenir,
• X ’n›n da¤›l›m flekliyle ilgili bilgilerden yararlanarak
202 ‹statistik
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.
Büyük Örneklemlerde µ ’nün Aral›k Tahminlemesi

Bilindi¤i gibi büyük örneklem hacmi için yeterli büyüklük, n ≥ 30 birim kabul
edilmektedir.
Rassal örneklem hacmi yeterli büyüklükteyse, ana kütle bölünme flekli ne
olursa olsun, X ’n›n örnekleme da¤›l›m›, ortalamas› µ ve varyans› σ olan nor-
2
n
mal da¤›l›ma uyar. X rassal de¤iflkeninin da¤›l›m› normal da¤›l›m özelli¤ine sahip
oldu¤undan, Z standart rassal de¤iflkeni,
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
eflitlikleri yard›m›yla hesaplanabilir. Burada zA = – z α ve z Ü = + z α olmak üze-

re belirlenecek güven aral›¤›n›n alt s›n›r de¤eri, 2 2
XA = µ – z α σx
2
ve üst s›n›r de¤eri de

XÜ = 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.
Zα Zα Tablo 8.1 Baz› (1-α)

2 2
1-α 1-α
de¤erleri için Zα
0.99 2.576 0.80 1.282 tablo de¤erleri. 2
0.95 1.960 0.60 0.842
0.90 1.645 0.50 0.674
X ’n›n standart hatas› σx , örnekleme oran› n/N<0.05 ise ve örneklemin seçi-

minde iadeli seçim uygulan›rsa, ya da tan›mlanan ana kütle sonsuz hacimliyse,
σx = σ
n
formülüne göre, buna karfl›l›k örneklemin seçiminde iadesiz seçim uygulan›yor ya

da örnekleme oran› n/N > 0.05 oldu¤unda, σx , yukar›daki eflitli¤e N - n çar-
N-1
pan› ilave edilerek hesaplan›r.
Ana kütle aritmetik ortalamas› µ ’nün aral›k tahminlemesiyle ilgili yukar›da ya-
p›lan aç›klamalar ana kütle standart sapmas› σ ’n›n bilindi¤i durum için geçerlidir.
Ne var ki, gerçek yaflamda karfl›laflt›¤›m›z problem çözümlemelerinde σ genellik-
le bilinmez. Bu durumda standart hata, σ yerine onun tahmini olan örneklem
standart sapmas› s kullan›larak tahminlenir ve sx simgesiyle gösterilir. X ’n›n ör-
nekleme da¤›l›m› n ≥ 30 birim oldu¤unda normal da¤›l›ma uydu¤u için, bu yak-
lafl›m önemli bir hataya neden olmaz. Rassal örneklem hacmi yeterli büyüklükte
oldu¤unda, 1 - α güven düzeyi için, µ ’nün güven aral›¤›
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
375 – 1.96(1.5) < µ < 375 + 1.96(1.5)
372.06 < µ < 377.94
Üretilen ekmeklerin ortalama a¤›rl›¤› % 95 güvenle 372.06 gr ile 377.94 gr ara-

s›nda bir de¤erdir. Baflka bir ifadeyle 372.06 – 377.94 gr aral›¤›n›n üretilen ekmek-
lerin gerçek ortalama a¤›rl›¤›n› kapsayaca¤›na % 95 güvenebilirsiniz.
Küçük Örneklemlerde µ ’nün Aral›k Tahminlemesi

Örneklem hacmi küçük (n<30 birim) oldu¤u zaman, örneklem ortalamalar›n›n
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.
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
Üretilen lastiklerin ortalama ömrünün normal bölünmeye sahip olabilece¤ini,

çok fazla çarp›k olamayaca¤›n› biliyoruz. Bu nedenle
X – t sx < µ < X + t s x
güven aral›¤› uygulanabilir. Belirlenen G.D = 1 - α = 0.99 ve serbestlik derecesi
υ = n - 1 = 26-1 = 25 dir.
% 99 güven düzeyi (α =0.01) ve υ = 25 serbestlik derecesi için t Tablo De¤eri

t0.01;25 = 2.787 elde edilir.
206 ‹statistik
Ortalaman›n standart hatas›ysa
sx = s = 1500 = 300 km
n–1 25
bulunur.
Örneklem ortalamas›, sx tahmininden yararlan›larak % 99 güven aral›¤›,
30000-2.787(300) < µ 30.000 + 2.787 (300)
29163.9 < µ < 30836.1
biçiminde oluflturulur.
Üretilen bu otomobil lastiklerinin ortalama ömrü % 99 güvenle 29163.9 km ile

30836.1 km aras›nda bir de¤erdir.
Ana kütlenin da¤›l›m› normal de¤ilse, verilerin bir matematiksel dönüflümle
normale yaklaflt›rabilece¤i düflüncesinden hareketle, µ’nün güven aral›¤›n›n tah-
minlenmesinde, (yukar›da aç›klanan uygulama) dönüfltürülmüfl verilere uygulan›r.
Örne¤in logaritmik dönüflüm bu amaçla s›kça kullan›l›r. Çünkü; dönüfltürül-
müfl logaritmik veriler, dönüfltürülmemifl verilere göre daha az çarp›kt›r.
Ana Kütle Oran›n›n Aral›k Tahminlemesi

Bu parametre için aral›k tahmini prosedürü, örneklem hacmi büyük ( n ≥ 30
birim) ya da n/ N ≤ 0.05 oldu¤u hallerde uygulan›r. Daha önce de aç›kland›¤›
gibi, büyük örneklemler için örneklem oran›, p’nin örnekleme da¤›l›m›, yaklafl›k
normal da¤›l›m gösterir. Ayn› zamanda biliniyor ki, bu da¤›l›m›n ortalamas› p,
standart hatas›
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
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.
n = 1500 sigara içen
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
sp = 0.25 x 0.75 = 0.011

n
0.25-1.96(0.011) < π < 0.25 + 1.96 (0.011)
0.25-0.02156 < π < 0.25 + 0.02156
0.22844 < π < 0.27156
olarak elde edilir.

Bu bölgede sigara içenler aras›ndaki kanserli hasta oran› % 95 güvenle, %
22.84 ile % 27.16 aras›nda bir de¤er olarak elde edilir.
1. Örneklem ortalamas›n›n da¤›l›m›n›n normal olabilmesi için gerekli

SIRAkoflullar
S‹ZDE nelerdir? SIRA S‹ZDE
2. Standart hata, ne ölçüsüdür? Bu hatay› tamamen ortadan kald›rabilir misiniz, kal-

d›ramazsan›z nedenleriyle aç›klay›n›z.
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
208 ‹statistik
Kendimizi S›nayal›m 6. Seçim yap›lacak bir ilçede, partilerin oy oranlar›n›n

1. Bir ana kütlenin aritmetik ortalamas›n›n güven s›n›rla- tahminlenmesi amac›yla oluflturulacak rassal örneklem
r›n› % 99.34 güvenle tahmin edebilmek için kullan›lacak için, uygun örneklem afla¤›dakilerden hangisidir?
a. Geçen seçimde oy kullanm›fl bütün seçmenler ör-
standart hata katsay›s› zα kaçt›r?
2
nekleme al›n›r.
a. 2.66
b. ‹lçedeki seçmen listelerinden rasgele isimler seçilir.
b. 2.68
c. Her seçmen efliyle birlikte örnekleme al›n›r.
c. 2.70
d. Yaln›zca okuryazar seçmenler örnekleme al›n›r.
d. 2.72
e. ‹lçede oturan bütün seçmenler örnekleme al›n›r.
e. 2.74
7. Normal da¤›l›ma sahip bir ana kütleden rasgele seçi-

2. Normal da¤›l›ma sahip bir ana kütleden rasgele seçilen
len 81 birimlik örneklemler için ortalaman›n standart ha-
226 birimlik örne¤in ortalamas› 16. standart sapmas›ysa 4
tas› 0.25 olarak hesaplanm›flt›r. ‹lgili da¤›l›m›n standart
tür. Buna göre, ana kütle ortalamas›, % 99.30 güvenle
sapmas› kaçt›r?
hangi aral›kta yer al›r?
a. 2.25
a. 14.20 – 16.72
b. 4.50
b. 14.28 – 17.72
c. 5.06
c. 15.26 – 16.74
d. 12.25
d. 15.28 – 16.72
e. 20.25
e. 15.28 – 17.72
8 ve 9. sorular afla¤›daki bilgilere göre cevap-

3. Ana kütle ortalamas›n›n 0.99 güvenle tahminlenebil-
land›r›lacakt›r.
mesi için rassal olarak seçilen 15 birimlik örne¤in ortala-
Bir üniversitede sigara içen ö¤renci oran› tahminlenmek
mas› 160. standart hatas› ise 16 olarak hesaplanm›flt›r.
istenmektedir. Bu amaçla rassal seçimle n = 1 000 ö¤ren-
Tahminlemede kullan›lacak tablo de¤eri kaçt›r?
ciden oluflan bir örneklem oluflturulmufltur. Bu örneklem-
a. –1.5
den 300 ö¤rencinin sigara içti¤i belirlenmifltir.
b. 2.718
c. 2.977
8. Bu üniversitede sigara içen ö¤renci oran›na iliflkin,
d. 2.947
yaklafl›k olarak % 99 güven düzeyi için üst s›n›r de¤eri
e. 3.105
kaçt›r?
a. 0.263
4. Bir ilaç firmas›nda belirli bir ilac›n günde ortalama kaç
b. 0.284
kg. üretildi¤i tahmin edilmek istenmektedir. Bu amaçla ila-
c. 0.337
c›n 81 günlük üretimi incelenmifl ve ortalama üretimin 892
d. 0.420
kg., standart sapmas›n›nsa 27 kg. oldu¤u belirlenmifltir. α e. 0.990
= 0.05 için, istenen tahmin afla¤›dakilerden hangisidir?
a. 876.15 – 896.88 9. Yukar›daki bilgilere göre, ortalama hata düzeyi kaçt›r?
b. 886.12 – 897.88 a. 0.0048
c. 989.88 – 886.12 b. 0.0100
d. 912.15 – 926.10 c. 0.0370
e. 985.10 – 986.18 d. 0.2570
e. 0.3280
5. Aral›k tahminlemesinin nokta tahminlemesine tercih
edilmesinin nedeni afla¤›dakilerden hangisidir? 10. Bir s›n›f›n ortalama baflar› düzeyini tahminlemek ama-
a. Aral›k tahminlemesi, tahminin güvenilirli¤ini belir- c›yla rassal olarak 16 ö¤renci seçilmifl ve bu ö¤rencilerin
leme imkân› verir. ortalama baflar›s›n›n 4 üzerinden 2.224 oldu¤u hesap-
b. Nokta tahminlemesi, tahminin güvenilirli¤ini belir- lanm›flt›r. % 95 güven düzeyi için yap›lacak bir tahminle-
leme imkân› verir. mede kullan›lacak serbestlik derecesi kaçt›r?
c. Aral›k tahminlemesi parametre de¤erini kapsar. a. 0.95
d. Nokta tahminlemesiyle parametre de¤eri aras›nda b. 2.24
fark daima s›f›rd›r. c. 15
e. Aral›k tahminlemesi sadece örneklem istatisti¤ine d. 16
iliflkindir. e. 24

1. d FINK, Arlene: How to Sampling in Surveys, Sage Pub-
2. d lications, London, 1995.
3. c GÜRSAKAL, Necmi: Bilgisayar Uygulamal› ‹statistik I,
4. b Marmara Kitabevi,Bursa, 1997.
5. a MALTHORA, Naresh K.: Marketing Research An Appli-
6. b ed Orientation, 2nd Edition, Prentice-Hall Internati-
7. a onal Inc, New Jersey, 1996.
8. c NETER, J; WASSERMAN, W, WHITMORE, G.A.: Applied
9. c Statistics, Simon and Schuster Inc, Boston, 1993.
10. c ÖZMEN, A., ÖZDAMAR, K., ODABAfiI, Y., HOfiCAN, Y.,
B‹R, A.A., KIRCAAL‹‹FTAR, G., UZUNER, Y., Sosyal
Bilimlerde Araflt›rma Yöntemleri, TC. Anadolu Üni-
versitesi Yay›nlar› No:1081; Aç›kö¤retim Fakültesi Ya-
y›nlar› No:601, Eskiflehir, 1999.
PÜSKÜLCÜ Halis, ‹K‹Z Fikret: ‹statisti¤e Girifl, (2. Bas-
k›), E.Ü. Mühendislik Fakültesi Yay›n No: 601, Ege
Üniversitesi Bas›mevi, ‹zmir, 1986.
SERPER, Özer, AYTAÇ Mustafa: Örneklem, Ezgi Kitabe-
vi, Bursa, 2000.
SERPER, Özer: Uygulamal› ‹statistik II, Filiz Kitabevi,
‹stanbul, 1986.
arch, John Wiley & Sons Inc., New York, 1996.
TULL, Donald S., HAWKINS, Del I.: Marketing Research
Measurement and Method, 6th Edition, MacMillan
Publishing Company, New York, 1993.
211
Hipotez Testleri 9
• Bu üniteyi kolayca anlayabilmeniz için Örnekleme ve ‹statistiksel Tahminleme
isimli üniteler özümsenmifl olmal›,
• 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.
• 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.
‹STAT‹ST‹KSEL H‹POTEZ VE ‹STAT‹ST‹KSEL
N
H‹POTEZ TEST‹
‹statistiksel hipotez ve istatistiksel hipotez testi kavramlar›n›

AMAÇ
1 aç›klayabileceksiniz.
F çimento fabrikas› ürünlerini, üzerinde ortalama 50 kg. yazan torbalarla, pazarla-

maktad›r. Z inflaat firmas›, fabrika yetkililerine baflvurarak, son al›nan 100 torbal›k
bir partinin ortalamas›n›n 47.5 kg. oldu¤unu bildirerek, zarara u¤rad›¤›n› öne sür-
müfl ve fabrika yetkililerinden aç›klama istemifltir. Fabrika yetkilileri, e¤er kendi
ürünlerini kullanmaya devam ederlerse, baflka partilerin ortalamas›n›n 50 kg. dan
fazla ç›kabilece¤ini ve zaman içinde giderek fark›n s›f›rlanaca¤›n› belirterek, bi-
linçli bir eksik (ya da fazla) doldurman›n söz konusu olmad›¤›n› ifade etmifllerdir.
Fabrika yetkililerinin savunmalar›nda ne kadar hakl› olduklar› (ya da olmad›k-
lar›) istatistiksel tekniklerle araflt›r›labilir. Bu ünitede, benzer problemlerin çözüm-
lerinde kullan›lan teknikler, yeterli ve ayr›nt›lar›yla ele al›nm›flt›r.
Genel olarak hipotez, karfl›lafl›lan özel duruma iliflkin bir önermedir. ‹statistik- Hipotez, karfl›lafl›lan özel
duruma iliflkin bir önermedir.
sel hipotez, bir araflt›rmada ilgilenilen bir ya da daha fazla parametrenin de¤eri
hakk›nda ileri sürülen ve do¤rulu¤u, geçerlili¤i bu parametre(ler) hakk›nda bilgi
üreten istatistik(ler)den ve bu istatistik(ler)in örnekleme da¤›l›m›yla ilgili bilgiler- ‹statistiksel hipotez,
herhangi bir ana kütle
den yararlanarak araflt›r›labilen önermelerdir. ‹statistiksel hipotezler bir ya da da- parametresine iliflkin olarak
ha fazla anakütle parametre de¤eriyle ilgili olabilirler. ‹statistiksel hipotezleri di- ileri sürülen ve do¤rulu¤u
olas›l›k kurallar›yla
¤er hipotezlerden ay›ran özellik, bu hipotezlerin bir frekans da¤›l›m›na ait olma- araflt›r›labilen önermedir.
s›d›r. Baz› istatistiksel hipotez örnekleri afla¤›da verilmifltir.
214 ‹statistik
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.
Anakütle parametreleri hakk›ndaki hipotezler (önermeler), parametre de¤er-

(ler)i hakk›nda, daha önceden bilinen bir düzey, standart bir de¤er ya da varsa-
y›msal bir de¤er olabilir. Birinci örnekte, ilk ilaç üretim yönteminin ortalama üre-
tim düzeyi olan 750 kg. bilinen bir de¤erdir. ‹kinci örnekteki tereya¤› paketlerinin
planlanan a¤›rl›¤› olan 500 gr. standart bir de¤erdir. Son örnekteki süper market-
lerden al›flverifl yapan ailelerin oran› olan %10 varsay›msal de¤erdir.
Bir istatistiksel hipotez, do¤ru ya da yanl›fl olabilir. Çünkü bu bir önermedir.
Gerçe¤i ö¤renebilmek için, anakütle parametresi θ’n›n de¤erini hesaplamak ge-
rekir. Bu da tamsay›m yapmay› gerektirir. Ancak, örnekleme yapmay› gerektiren
nedenlerden dolay› bu, her zaman mümkün de¤ildir. Bu durumda istatistiksel hi-
potezlerin geçerlili¤i ya da do¤rulu¤u konusunda karar verebilmek için, bu hipo-
tezlerin, tan›mlanan anakütleden seçilen örneklemin gözlem de¤erlerinden he-
saplanan örneklem istatisti¤inden ( θ ’dan), bu istatisti¤in ( θ ’n›n) örnekleme da-
¤›l›m›n›n özelliklerinden yararlanarak test edilmesi gerekir. ‹statistiksel hipotez
testi, örneklem istatistiklerini kullanarak, bir hipotezin do¤ru olup olmad›¤›n› or-
taya koymaya yönelik yap›lan çal›flmalard›r. Yorumsal istatistikte hipotez testi, ör-
neklem gözlem de¤erlerinden yararlanarak, bu örneklemin seçildi¤i anakütlenin
durumu hakk›nda yorum yapmakt›r.
Daha önceki ünitede de belirtildi¤i gibi, anakütleden rassal örneklem al›nm›fl
olsa bile, örneklem gözlemlerinden hesaplanan bir istatisti¤in, bu istatisti¤in bilgi
üretti¤i parametre hakk›nda ileri sürülen de¤ere (θ0) eflit olmas› beklenemez. Ya-
ni örneklem istatistikleri, ayn› hacimli farkl› örneklemlerde farkl› de¤erler alabildi-
¤i için θ – θ0 > 0 , θ – θ0 = 0 ya da θ – θ0 < 0 gibi farklar olabilir. Bu nedenle, is-
tatistiksel test sonucu verilecek karar›n, güvenilir oldu¤u konusunda, kesin karar
verilemez. Fakat, olas›l›k kuram›ndan yararlanarak, bir hipotezin istatistiksel testle
ne derece güvenle (ne derece hatayla) kabul ya da reddedilece¤ini belirlemek
olanakl› olmaktad›r. Burada önemli olan, θ – θ0 fark›n›n istatistiksel olarak an-
laml› olup olmad›¤›n› belirlemektir. Baflka bir anlat›mla, farklar›n gerçek de¤iflme-
yi mi aç›klad›¤›, yoksa rassal olarak m› meydana geldi¤ini belirlemektir. Anlaml›
farkl›l›k belirlenmiflse hipotez, belirli bir hata pay›yla reddedilir. Tersi durumda
kabul edilir.
SIRA S‹ZDE 1. ‹statistiksel

SIRA hipotez
S‹ZDE nedir?
2. ‹statistiksel hipotez testinin konusu nedir?

3. ‹statistiksel hipotez neden do¤ru ya da yanl›fl olabilir aç›klay›n›z.
S O R U S O R U
D‹KKAT D‹KKAT
N N
N
H‹POTEZ TEST‹ TÜRLER‹
Parametrik ve parametrik olmayan teknikler aras›nda seçim ya-

AMAÇ
2 parken, dikkat edilecek kriterleri aç›klayabileceksiniz.
Hipotez testleri, ilgilenilen de¤iflken(ler)in ölçülmesinde benimsenen ölçe¤e ba¤-

l› olarak, parametrik hipotez testleri ve parametrik olmayan hipotez testleri flek-
linde s›n›fland›r›l›rlar. Parametrik testler de¤iflkenlerinin ölçülmesinde eflit aral›kl›
ya da oranl› ölçe¤in kullan›ld›¤› hipotez testleridir. Çünkü; bu iki ölçekle de elde
edilen veriler üzerinde aritmetik ifllemler yapmak mümkündür. Parametrik hipo-
tez testlerinde, hipotezde bilinen bir olas›l›k fonksiyonundaki θ parametresinin
önceden bilinen, θ0 de¤erine eflit ya da bundan büyük, küçük ya da farkl› oldu-
¤u ileri sürülebilir.
Parametrik testler örneklem say›s›n›n tek ya da iki olufluna ve iki örneklemin
varl›¤›nda, bu örneklemlerin ba¤›ms›z ya da ba¤›ml› olufluna ba¤l› olarak s›n›f-
land›r›l›rlar. En önemli parametrik testler z ve t testleridir. Bu ünitede tek
anakütle (ya da tek örneklem) ortalamas›na iliflkin z ve t testleriyle tek ana-
kütle (ya da tek örneklem) oran›na iliflkin z testi ayr›nt›l› olarak incelenmifltir.
Parametrik olmayan testler, anakütle da¤›l›m› nas›l olursa olsun uygulanabilen
testlerdir. Bu testlerde, parametrelerle ilgilenilmeyip, hipotezler, ilgili de¤iflkenin
belirli bir nitel özelli¤ine göre oluflturulur.
Parametrik olmayan testler, de¤iflkenlerinin ölçülmesinde, s›n›flay›c› ya da s›-
ralay›c› ölçe¤in kullan›ld›¤› hipotez testleridir. Bu tür testlerde, parametrik testler-
de oldu¤u gibi, anakütlenin (örneklemin) tek ya da iki olufluna ve iki anakütle
(iki örneklem) sözkonusu oldu¤unda da örneklemlerin ba¤›ms›z ve ba¤›ml› olu-
fluna göre s›n›fland›r›l›rlar.
Parametrik olmayan hipotez testlerine iliflkin “Ki-Kare Testi” ayr› bir ünitede
incelenmifltir.
1. De¤iflkenlerin ölçülmesinde benimsenen ölçe¤e ba¤l› olarak, istatistiksel

SIRA S‹ZDE hipotezler SIRA S‹ZDE
nas›l s›n›fland›r›l›r?
2. De¤iflkenlerin ölçülmesindeki, eflit aral›kl› ölçe¤in kullan›lmas›nda,

D Ü fi Ü N Ehangi
L ‹ M test türü D Ü fi Ü N E L ‹ M
kullan›l›r?
3. Parametrik olmayan testlere hangi durumlarda baflvurulur? S O R U S O R U
N
H‹POTEZ TEST‹ SÜREC‹N‹N ADIMLARI D‹KKAT D‹KKAT
Bir istatistiksel test sürecinin aflamalar›nda, hangi ifllemlerin ya-
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
afla¤›daki ad›mlar izlenir:
Hipotezlerin ‹fade Edilmesi K ‹ T A P K ‹ T A P

‹statistiksel hipotezlerin testinde, iki hipotez söz konusudur. Bunlar; “s›f›r hipote-
zi” ve “karfl›t hipotez” olarak isimlendirilirler. Bu aflamada, s›f›r hipotezinin ve kar-
fl›t hipotezin nas›l ifade edilece¤ine karar verilir. TELEV‹ZYON TELEV‹ZYON
216 ‹statistik
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
Karfl›t hipotez (H1), ilgili fleklinde ifade edilir.

ana kütle parametresinin
bilinen de¤erinde
H0 hipotezinin test edilebilmesinde, bu hipotezden farkl› bir hipotezin de ifa-
istatistiksel olarak anlaml› de edilmesi gerekir. H1 simgesiyle gösterilen bu hipoteze “karfl›t hipotez” ad› ve-
farklar›n beklendi¤ini ifade rilir. H1 hipotezi H0 hipotezinin belirli bir olas›l›kla reddedilmesi durumunda ka-
eden hipotezdir.
bul edilen ve genellikle araflt›rma hipotezinin incelendi¤i hipotezdir. Karfl›t hipo-
tez, parametrenin önceden belirlenmifl, bilinen de¤erinde baz› farkl›l›¤›n ya da et-
kinin beklendi¤inin ifade edildi¤i hipotezdir. Bu hipotez araflt›rman›n amac›na
ba¤l› olarak, afla¤›daki üç farkl› flekilden birisiyle ifade edilmifl olur:
H1 : θ ≠ θ 0
H1 : θ > θ0
H1 : θ < θ0
Birinci ifadede, H0 hipotezi; verilecek karar›n, anakütle parametre de¤erinden,

her iki yöndeki (hem küçük hem de büyük yöndeki), anlaml› farkl›l›klardan etki-
lenece¤ini ifade eder. ‹kinci ifadede, verilecek karar›n, anakütle parametre de¤e-
rinde, sadece büyük yöndeki anlaml› sapmadan etkilenece¤ini, son ifadedeyse sa-
dece küçük yöndeki anlaml› farkl›l›¤›n, verilecek karar› etkileyece¤ini ifade eder.
Hipotez testlerinde H1 hipotezi, testin yönünü ya da H0 hipotezinin reddedile-
ce¤i bölgenin yerini belirleyen hipotezdir. Red bölgesi, H0 hipotezinin reddedil-
mesine (H1 hipotezinin kabul edilmesine) neden olan örneklem istatisti¤i θ (ya
da test istatisti¤i) ile ilgili de¤erler aral›¤›d›r. Kabul bölgesiyse, H0 hipotezinin ka-
bul edilmesine (H1 hipotezinin reddedilmesine) neden olan örneklem istatisti¤i θ
(test istatisti¤i) ile ilgili de¤erler aral›¤›d›r. Hipotez testleri, H1 hipotezinin ifade
edilifl flekline göre: “‹ki yönlü test”, “tek yönlü üstkuyruk testi” ve “tek yönlü alt
kuyruk testi” olarak isimlendirilirler. Bu testlere iliflkin hipotezlerin ifade edilifl bi-
çimi afla¤›da verilmifltir.
‹ki Yönlü Testlerde Hipotezler:

H0 : θ = θ0
H1 : θ ≠ θ0
Tek Yönlü ÜstKuyruk Testlerinde Hipotezler:

H0 : θ = θ 0
H1 : θ > θ0
Tek Yönlü AltKuyruk Testlerinde Hipotezler:

H0 : θ = θ 0
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 hipotezinin red bölgesinde yer alan de¤erlerdir.

218 ‹statistik
H0 Kabul Bölgesi
H0 Red Bölgesi
1- α
α
^
θ
fiekil 9.3 Tek Yönlü A θ0
Alt Kuyruk
Testlerinde Red Z
Bölgesi. 0
Anlaml›l›k Düzeyinin Belirlenmesi

Bir istatistiksel hipotez testinde ya s›f›r hipotezinin reddedilmesi ya da kabul edil-
mesi fleklinde karar verilir. Bu iki karar aras›nda seçim yaparken, örneklem ista-
tisti¤inden yararlan›ld›¤› için, hatal› karar verme riski vard›r. Çünkü; ayn› anaküt-
leden rassal olarak seçilen, ayn› hacimli farkl› örneklemler için hesaplanan istatis-
tikler, örneklemden örnekleme de¤iflen de¤erler ald›¤›ndan, anakütle parametre
de¤erinden farkl›l›k göstermektedirler.
Hipotez testlerinde, s›f›r hipotezinin yanl›fll›kla reddedilmesi ya da kabul edil-
mesi sonucu ifllenen hataya “yorumlama (ç›karsama) hatas›” ad› verilir. ‹ki tür yo-
rumlama hatas› vard›r: Bunlar; gerçekte do¤ru olan s›f›r hipotezinin reddedilme-
si durumunda ifllenen hatayla, gerçekte yanl›fl olan s›f›r hipotezinin kabul edil-
mesi durumunda ifllenen hatad›r. Gerçekte do¤ru olan s›f›r hipotezinin reddedil-
α tipi hata yapman›n mesi durumunda ifllenen hataya I. Tip hata ya da α tipi hata ad› verilir. Araflt›r-
maksimum olas›l›¤›na testin malarda α tipi hata ifllemenin maksimum olas›l›¤›na “testin anlaml›l›k düzeyi” de-
anlam düzeyi ad› verilir.
nir. Anlaml›l›k düzeyinin belirlenmesi, do¤ru olan s›f›r hipotezinin, örneklemden
elde edilen bilgilere dayanarak reddedilmesi olas›l›¤›n› belirleyen α’n›n seçilme-
sidir. α anlaml›l›k düzeyi, araflt›rmac› taraf›ndan, hipotezler ifade edilip veri der-
lemeye bafllamadan önce seçilmelidir. Sosyal bilim araflt›rmalar›nda α için genel-
likle %5 veya %1 de¤erleri seçilmektedir. Yap›lan bu seçimle birlikte, do¤ru olan
H0 hipotezinin reddedilme olas›l›¤›, belirlenmifl olur. Bu olas›l›k örnekleme da¤›-
l›m›yla iliflkilendirilerek kullan›l›r. Bu durumda, α anlaml›l›k düzeyi, do¤ru olan
s›f›r hipotezinin reddedilmesi olas›l›¤›na eflit olan, örnekleme da¤›l›m›ndaki oran-
sal alan› göstermifl olur. Örnekleme da¤›l›m›nda, do¤ru olan s›f›r hipotezinin, red-
dedilmesi olas›l›¤›na eflit olan oransal alana “red bölgesi” denir. Örnekleme da¤›-
l›m›n›n bu bölgesi, s›f›r hipotezi do¤ru oldu¤unda, beklenmeyen örneklem istatis-
ti¤i de¤erlerini temsil eder. Örnekleme da¤›l›m›nda, red bölgesini tan›mlamadan
önce, örnekleme da¤›l›m›n› tan›mlamak gerekir. Örneklem istatisti¤inin normal
da¤›l›ml› olmas› durumu için red ve kabul bölgeleri fiekil 9.1, 9.2 ve 9.3’te göste-
rilmifltir. fiekillerdeki A, A1 ve A2 noktalar› red bölgelerinin bafllang›ç noktalar›d›r.
H0 do¤ruyken test
sonucunda reddedilirse α (I. Di¤er taraftan, s›f›r hipotezi gerçekte yanl›fl olabilir ve araflt›rmac› yanl›fl olan
tip) tipi hata, H0 do¤ru bu hipotezi kabul ederse, yine hatal› karar vermifl olur; bu tür hataya II. Tip ha-
de¤ilken test sonucunda
kabul edilirse β (II. tip) tipi ta ya da β tipi hata denir. Bu türden hata yapman›n maksimum olas›l›¤› da β ile
hata gerçekleflmifl olur. gösterilir.
‹statistiksel uygulamalarda α tipi hatadan daha çok sak›n›l›r ve genellikle sade-

ce α tipi hata kontrol edilir.
Araflt›rmalarda H0 hipotezinin do¤ru oldu¤una inanan araflt›rmac›, α anlaml›l›k
düzeyini çok küçük bir de¤er olarak seçebilir. H0 hipotezinin kabul edilmesi risk-
li ise, büyük kay›plara neden oluyorsa, α olas›l›¤› büyük tutulmal›d›r.
Örneklem hacmi sabit oldu¤unda, α tipi hata ifllemenin azalmas› (ya da artma-
s›), β tipi hata iflleme olas›l›¤›n›n artmas›na (ya da azalmas›na) neden olur.
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.
Test ‹statisti¤inin Seçilmesi

Daha önce de belirtildi¤i gibi, anakütleden rassal örneklem al›nm›fl olsa bile, he-
saplanan örneklem istatisti¤inin anakütle parametresi hakk›nda, önceden bilinen,
belirlenen de¤ere eflit olmas› beklenmez. Bu durumda flu soru akla gelebilir: Ör-
neklem istatisti¤inin de¤eriyle bu istatisti¤in bilgi üretti¤i parametrenin s›f›r hipo-
tezinde ifade edilen de¤eri aras›nda nas›l bir farkl›l›k vard›r? Baflka bir ifadeyle, s›-
f›r hipotezi do¤ruysa, anlams›z bir farkl›l›¤› veren bir örneklem istatisti¤i elde et-
mek mümkün müdür?
Bu sorunun yan›tlanabilmesi, için, s›f›r hipotezinin test edilebilmesinde, örnek-
lem istatisti¤inin da¤›l›m›n›n bilinmesine ve uygun test istatisti¤ine gereksinim
vard›r.
Test istatisti¤i, örneklem istatisti¤inin de¤eriyle anakütlenin, s›f›r hipotezinde Hipotez testlerinde,
örneklem istatisti¤inin
ifade edilen de¤eri aras›ndaki fark›n, standartlaflt›r›lm›fl de¤eri olarak tan›mlan›r. da¤›l›m›n›n bilinmesi
Baflka bir ifadeyle test istatisti¤i, örneklem istatisti¤i θ ile θ0 aras›ndaki fark› stan- zorunludur.
dart hata birimiyle ifade eden ölçüdür. Test istatisti¤i örneklemin s›f›r hipotezine
ne kadar uydu¤unu gösterir. Bu nedenle de test istatisti¤i test sonunda verilecek
karar›n dayand›r›ld›¤› bir örneklem istatisti¤idir.
Bir örneklem istatisti¤inin de¤eri, bu örneklem istatisti¤inin da¤›l›m›n›n bir de-
¤eridir. Mümkün her örneklem istatisti¤inin de¤eri için, bir test istatisti¤i de¤eri
hesaplanabilece¤ine göre, test istatisti¤i örnekleme da¤›l›m›ndan söz edilebilir.
Test istatistikleri genellikle normal da¤›l›m (z da¤›l›m›), t da¤›l›m› ya da Ki-Kare
da¤›l›m› v.b. gibi bilinen da¤›l›mlara uyar.
Hipotez testi türleriyle ilgili bilgiler verilirken aç›kland›¤› gibi, hipotez testleri
için de uygun test istatisti¤inin seçilmesiyle ilgilenilen de¤iflkenlerin ölçülmesinde
kullan›lan ölçek türü, örneklem hacmi, örneklem say›s›; (örneklem say›s› iki oldu-
¤unda örneklemlerin ba¤›ms›z ya da ba¤›ml› olmas›) gibi hususlar›n bilinmesi ge-
rekir.
Bu ünitede, baz› parametrelere iliflkin hipotezlerin testinde, z ve t test istatis-
tiklerinin seçilme gerekçeleri ve uygulamalar›na yer verilmifltir.
220 ‹statistik
‹statistiksel Karar›n Verilmesi

‹statistiksel karar vermekle efl anlaml› olan hipotez testi, asl›nda α anlaml›l›k dü-
zeyinde H0 hipotezinin kabul edilmesi ya da reddedilmesi karar›d›r. Bu karar›n
verilebilmesi için bir ölçütün belirlenmesi gerekir. Test istatisti¤inin, kritik de¤eri
olarak isimlendirilen bu ölçüt, θ istatisti¤inin örnekleme da¤›l›m›nda, red ve ka-
bul bölgelerini birbirinden ay›ran bir de¤erdir. Test istatisti¤inin kritik de¤eri, bir
örnekleme da¤›l›m›nda, red bölgesinin bafllama noktas›n› gösteren de¤erdir. Kri-
tik de¤er, seçilen α anlaml›l›k düzeyine, H1 hipotezinin ifade edilifl biçimine ve
örneklem istatisti¤inin da¤›l›m flekline ba¤l›d›r. ‹zleyen aç›klamalar θ örneklem
istatisti¤inin ve bu istatisti¤in standart de¤eri olan
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
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
Ancak; istatistiksel hipotez testlerinde, θ örneklem istatisti¤i yerine, standart-

laflt›r›lm›fl de¤er kullan›lmaktad›r. Bu durumda kritik de¤erler A1 ve A2’nin
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),
ztab = z0,5–0,025 = z0.4750 = 1.96 d›r.
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 hes = θ – θ0 > z tab = 1.96

σ
θ
koflulunun sa¤lanmas› gerekir. Tersi durumda H0 hipotezi kabul edilir.

E¤er H1 : θ > θ0 ya da H1 : θ < θ0 fleklinde ifade edilmiflse, H0 hipotezinin
red bölgesi, birinci durumda, θ istatisti¤ine iliflkin normal da¤›l›m›n üstkuyru¤un-
da, ikinci durumda altkuyru¤unda tan›mlanm›flsa alan α = 0.05 olur. Buna ba¤l›
olarak kritik de¤erler s›ras›yla (fiekil 9.5’te gösterildi¤i gibi) θ istatisti¤ine iliflkin
normal da¤›l›m›n üst kuyru¤undaki A de¤eri ya da bunun standart de¤eri
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.
fiekil 9.6’da gösterildi¤i gibi olur. Bu z de¤erleri birbirinin simetri¤idir. Üstkuy-

ruk testinde, z pozitif, altkuyruk testinde, z negatif iflaretlidir. z de¤erleri α = 0.05
için Ek-1’de verilen Standart Normal E¤ri alanlar› tablosundan yararlan›larak be-
lirlenirler.
ztab = z0.5–0.05 = z0.4500 = 1.64 tür.
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.
Tek yönlü altkuyruk testinde H0’›n reddedilebilmesi için,
θ – θ0
z hes = < z tab = –1.64
σ
θ
koflulunun sa¤lanmas› gerekir. Tersi durumda H0 hipotezi kabul edilir.

H0 hipotezinin reddedilmesi yönündeki kararlar, örneklem de¤eri θ ile ana-
kütle parametresi aras›nda, α anlaml›l›k düzeyinde anlaml› bir farkl›l›¤›n var oldu-
¤unu, H0 hipotezinin kabul edilmesi durumundaysa varolan farkl›l›¤›n örnekleme
hatas›ndan kaynakland›¤› anlam›na gelir.
Probleme ‹liflkin Karar›n Verilmesi

Hipotez testlerinde önemli olan, istatistiksel karar›n, araflt›rma problemine ilifl-
kin karara dönüfltürülmesidir. Bu konu ünitede örnek problemler üzerinde
aç›klanm›flt›r.

1. Hangi hipotez test edilecek hipotezdir?
2. Hangi durumda iki yönlü teste baflvurursunuz?

3. I. Tip hata ne demektir, bu hatan›n büyüklü¤ü nas›l belirlenir?
S O R U S O R U
D‹KKAT D‹KKAT
N N
TEK ANAKÜTLE PARAMETRES‹YLE ‹LG‹L‹ H‹POTEZ
N
TESTLER‹
Anakütle aritmetik ortalamas›na ve anakütle oran›na iliflkin hi-

AMAÇ
4 potez testi uygulamalar›n› yapabileceksiniz.
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.
Anakütle Ortalamas›na ‹liflkin Hipotez Testleri

Bu testlerde, tan›mlanan anakütleden rassal olarak seçilen bir örneklem için he-
saplanan X de¤eriyle, bu örneklemin seçildi¤i anakütlenin aritmetik ortalamas›
µ ile ilgili, önceden belirlenen (ya da bilinen) µ0 gibi bir de¤er aras›ndaki farkl›-
l›¤›n istatistiksel olarak anlaml› olup olmad›¤› araflt›r›l›r. Belirlenen farkl›l›¤›n, s›-
f›r hipotezini reddetmek için, yeterli olup olmad›¤›na karar verilir.
Anakütle ortalamas›na iliflkin hipotez testleri uygulamada, s›kça kullan›lan
önemli parametrik testlerdir.
Bu hipotezlerin test edilmesine iliflkin aç›klamalar, örneklem hacminin büyük
olmas› (n ≥ 30 birim) ve örneklem hacminin küçük olmas› (n < 30 birim) durum-
lar› için, alt bafll›klar alt›nda, afla¤›daki örnek problemler üzerinde ayr›nt›l› olarak
ele al›nm›flt›r.
Anakütle Ortalamas›na ‹liflkin Büyük Örneklem Testi

Bu test türünde :
• Örneklem rassal olarak seçilir.
• Örneklem hacminin yeterli büyüklükte (n ≥ 30) birimden olufltu¤u ya da
anakütle normal da¤›l›ml› ve de¤iflkenli¤inin biliniyor olmas› gereklidir.
• H0 : µ = µ0 hipotezi, seçilecek bir α anlaml›l›k düzeyi için test edilir.
224 ‹statistik
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.
1. Ad›m: Hipotezlerin ifade edilmesi

ÇÖZÜM
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.
fleklinde ifade edilmelidir.
2. Ad›m: ‹statistiksel test

Bu örnekte tan›mlanan anakütleler sonsuz olurlar. Anakütlenin da¤›l›m› ve de¤ifl-
kenli¤i hakk›nda bilgi yoktur. Örneklem hacmi n = 100 pakettir ve n ≥ 30 oldu-
¤undan, (daha önce aç›klanm›fl oldu¤u gibi) örneklem aritmetik ortalamas›n›n ör-
nekleme da¤›l›m›, normal da¤›l›md›r. Kullan›lmas› gereken test istatisti¤ide örnek-
lem aritmetik ortalamas›n›n standart de¤eri olan z istatisti¤idir. Bu nedenle bura-
da z testi uygulanmal›d›r.
z = X – µ0
sx
Anakütle standart sapmas› bilinmedi¤i için σ x ’n›n tahmini olan s x kullan›lmal›d›r.
sx = s
n
3. Ad›m: Anlaml›l›k düzeyinin belirlenmesi

Problemde do¤ru olan hipotezinin reddedilmesi olas›l›¤› α, %5 seçilmifltir. Red
bölgeleri, ortalaman›n örnekleme da¤›l›m›n›n her iki kuyru¤unda tan›mland›¤›
için, red bölgelerinin her birinin oransal büyüklü¤ü, α = 0.05/2 = 0.025 dir.
2
4. Ad›m: H0’›n red bölgesinin belirlenmesi
H1 hipotezi, testin red bölgesinin yönünü belirledi¤ine göre, bu testte red böl-
gesi örneklem ortalamas›n›n, örnekleme da¤›l›m›n›n simetrik olmas› nedeniyle
hem alt kuyru¤unda hem de üst kuyru¤unda tan›mlanm›flt›r. Bu durum fiekil
9.7’de gösterilmifltir.
5. Ad›m: Test istatisti¤inin hesaplanmas›

n = 100 paket
X = 495 gr.
s = 20 gr.
µ0 = 500 gr.
α = 0.05
s x = s = 20 = 2
n 100
ve
z = X – µ0 = 495 – 500 = –2.5

sx 2
x ’n›n örnekleme da¤›l›m› normal oldu¤u için, bu da¤›l›m› oluflturan de¤erle-
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
gibi bu da¤›l›m›n her iki kuyru¤unda tan›mlanm›flt›r ve oransal büyüklükleri

α/2 = 0,05 = 0.025 dir. Buna göre, bu da¤›l›m›n alt kuyruk bölgesinde tan›mla-
2
nan red bölgesinin s›n›r de¤eri z1 = –1.96, üstkuyruk bölgesinde tan›mlanan red
bölgesinin s›n›r de¤eri z2 = 1.96 olacakt›r.
H0 Kabul Bölgesi
H0 H0
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
H0 hipotezinin reddedilmesi, üretilen peynir paketlerinin ortalama a¤›rl›¤›n›n

500 gr. olmad›¤›n›, üretim sisteminin planland›¤› gibi üretimi gerçeklefltirmedi¤ini
gösterir.
ÖRNEK 2 Bir firman›n pazarlama yöneticisi, üniversite ö¤rencilerinin ayl›k ortala-

ma gazl› içecek tüketimlerinin en az 20 lt. olabilece¤ini düflünmektedir.
E¤er yöneticinin bu düflüncesi do¤rusa üniversite ö¤rencilerine yönelik
yeni stratejiler gelifltirilecektir. Bu amaçla, rassal olarak seçilen, 1000
üniversite ö¤rencisi üzerinden veriler derlenmifl ve bu ö¤rencilerin orta-
lama gazl› içecek tüketiminin 22 lt. ve standart sapmas›n›n da 8 lt. oldu¤u
hesaplanm›flt›r. Yöneticinin düflüncesinin do¤ru olup olmad›¤›na α = 0.01
anlam düzeyini kullanarak karar veriniz.

ÇÖZÜM
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.

Örneklem hacmi n = 1000 ö¤renci (n > 30 birim) oldu¤u için x ’n›n örnekleme
da¤›l›m› normaldir. x ’n›n standart sapmas› ya da standart hata s x birimi cinsin-
den x = 22 de¤erinin bilinen µ = 20 de¤erinden ne kadar farkl›l›k gösterdi¤ini
ölçmek için standartlaflt›r›lm›fl z de¤iflkeni kullan›l›r. z standartlaflt›r›lm›fl test is-
tatisti¤i olarak ifade edilir.
z = x – µ0
sx
x ’n›n örnekleme da¤›l›m› normal oldu¤u için µ = µ0 = 20 oldu¤u zaman, z stan-

dart normal da¤›l›ma sahip, rassal de¤iflkendir. Bu nedenle, bu hipotezlerin testi
için z testi uygulanmal›d›r.

Firma yöneticisi, do¤ru olan H0 hipotezinin reddedilmesi olas›l›¤› α’y›, 0.01 ola-
rak seçmifltir. α’n›n küçük seçilmifl olmas› yöneticinin, düflüncesinde çok fazla
kararl› olmad›¤›n› gösterir. Çünkü H0 hipotezinin kabul bölgesinin oransal bü-
yüklü¤ü 1 – α = 0.99’dur. Red bölgesinin büyüklü¤ü α = 0.01’dir. Bu durum fie-
kil 9.8’de gösterilmifltir.
4. Ad›m: H0’›n red bölgesine karar verilmesi

Bu testte H1 > 20 lt. olarak ifade edildi¤i için H0 hipotezinin red bölgesi (fiekil
9.8’de gösterildi¤i gibi) da¤›l›m›n üst kuyru¤unda tan›mlanm›flt›r. Yani hipotez,
tek yönlü üst kuyruk testiyle test edilecektir.

µ0 = 20 lt.
X = 22 lt.
s = 8 lt.
n = 1000 ö¤renci
α = 0.01
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.
Anakütle Ortalamas›na ‹liflkin Küçük Örneklem Testi

Araflt›rmalar›n bir ço¤unda araflt›rmaya ayr›lan para, zaman ve di¤er imkanlar›n
s›n›rl› olmas› gibi nedenlerle, örneklem hacmini, daha önceki aç›klamalar›m›zda
belirtilen büyüklükte (genellikle n ≥ 30 birim) sa¤lamak mümkün olmayabilir. Ör-
ne¤in; çok nadir görülen bir hastal›kla ilgili araflt›rmada vaka say›s›n›, uzun süren
deneylere dayanan araflt›rmalarla ve maliyeti yüksek olan laboratuar çal›flmalar›yla
örneklem hacmini artt›rmak çok güçtür. Örneklem hacminin az oldu¤u bu gibi
durumlarda, küçük örneklemler için gelifltirilmifl test yöntemlerine baflvurulur. Bu
228 ‹statistik
bölümde, tek anakütle ortalamas› için kurulan hipotezlerin, küçük örneklemler (n

< 30 birim) kullan›larak, nas›l test edilece¤i konusu ele al›nm›flt›r.
Önceki bölümde aç›klanan tek anakütle ortalamas›na iliflkin büyük örneklem
testinde, s›f›r hipotezinin testi için, örnekleme da¤›l›m› olarak, normal da¤›l›m
kullan›lm›flt›. Çünkü; örneklem hacminin en az 30 birim olmas› ya da anakütle
da¤›l›m›n›n normal ve de¤iflkenli¤i σ’n›n biliniyor olmas› durumlar›, göz önüne
al›nm›flt›.
Anakütle standart sapmas› bilindi¤inde, ortalaman›n örnekleme da¤›l›m› or-
talamas› µ ve standart sapmas› (standart hatas›) σ x = σ olan, normal da¤›l›m›
n
gösterir.
Genellikle σ bilinmez. Araflt›rmac› tek anakütle ortalamas›na iliflkin hipotez
testi için σ yerine onun tahmini olan örneklem standart sapmas› s’yi kullanarak
ortalaman›n örnekleme da¤›l›m›n›n standart hatas›n› ( s x ) tahminler. Bu durum-
da, ortalaman›n standart hata tahmini ( s x ) afla¤›daki gibi yaz›l›r:
sx = s
n
ve büyük bir hata ifllenmemifl olur.

Örneklem hacminin küçük olmas› durumunda, σ yerine s’nin kullan›lmas› is-
tatistiksel test üzerinde etkili olur. Çünkü; σ yerine s’nin kullan›lmas› durumunda
tahmin edilen istatistik x – µ0 / s x standart normal da¤›l›m göstermemekte, do-
lay›s›yla büyük örneklemlerde izlenen yöntem geçerli olmamaktad›r. Normal da-
¤›l›ma sahip ve de¤iflkenli¤i bilinmeyen bir anakütleden seçilen 30’dan daha az
birim içeren bir örneklemin aritmetik ortalamas›, n – 1 serbestlik derecesiyle t da-
¤›l›r. t istatisti¤i,
Küçük örneklem testlerinde t = x – µ0

test istatisti¤i, sx
x – µ0
t= ’dir.
sx fleklindedir. Burada s x , örneklem ortalamas›n›n standart hata tahminini gösterir
ve
sx = s
n–1
eflitli¤i ile hesaplan›r.

t da¤›l›m› da normal da¤›l›m gibi simetrik bir da¤›l›md›r ve örneklem hacmi
büyüdükçe normal da¤›l›ma yaklafl›r.
Küçük örneklem kullan›larak yap›lan tek ana kütle ortalamas›na iliflkin hipo-
tez testleri, kullan›lan test istatisti¤i d›fl›nda tek anakütle ortalamas›na iliflkin bü-
yük örneklem testlerine benzemektedir. Afla¤›daki örnek problem üzerinde bu
testin uygulan›fl biçimi test sürecinin ad›mlar› itibariyle aç›klanm›flt›r.
Tek anakütle ortalamas›na iliflkin büyük örneklem testinde oldu¤u gibi, küçük
örneklem testinde de örneklem aritmetik ortalamas› x ile anakütlenin ortalamas›
hakk›nda daha önceden bilinen ya da belirlenen bir de¤er µ0 aras›ndaki fark›n is-
tatistiksel olarak anlaml› olup olmad›¤› araflt›r›l›r.
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

Örneklem hacmi n = 26 ö¤rencidir ve ö¤rencilerin geçmifl y›llardaki mezuniyet
puanlar›n›n da¤›l›m› normal da¤›l›ma sahiptir. 26 ö¤rencinin oluflturdu¤u örnek-
lem küçük örneklemdir. H0 hipotezinin testi için küçük örneklem testlerinde kul-
lan›lan t test istatisti¤i
t = x – µ0
sx
kullan›l›r. Bu nedenle de t testi uygulanmal›d›r.

Probleme iliflkin testte, µ = µ0 = 66 puan oldu¤unda, testin kontrolünün olas›l›k
düzeyi %1 olarak düflünülmüfltür.

H0 hipotezi, iki yönlü testle test edilecektir. Hipotezin red bölgeleri, t da¤›l›m›n›n
her iki kuyru¤unda tan›mlanm›flt›r. fiekil 9.9’daki taral› alanlar H0 hipotezinin red
bölgeleridir.

n = 26
x = 70
s = 10
µ0 = 66
υ = 26 – 1 = 25
sx = s = 10 = 2
n–1 25
ve
230 ‹statistik
t = x – µ0 = 70 – 66 = 2
sx 2
olarak elde edilir.
Test edilecek hipotez iki yönlüdür. α = 0.01 ve n = 26 için t tablo de¤eri

(ttablo)
ttablo = t (1 – α/2 ; υ = n – 1) = 2.787 olarak belirlenir.

(thes = 2) < (ttablo = |2.787|)
Oldu¤undan, istatistiksel karar H0 kabul, H1 red edilir fleklinde olacak-

t›r. fiekil 9.9’da görüldü¤ü gibi hesaplanan test istatisti¤i de¤eri, kabul bölgesin-
de yer almaktad›r.
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
fiekil 9.9 Küçük

Örneklemlerde µ ‹çin t = – 2.787 0 t hes= 2 t = +2.787
‹ki Yönlü Test
Sonuçlar›.
Yukar›daki istatistiksel karara göre, eski ve yeni ö¤rencilerin mezuniyet puan-

lar› aras›ndaki farkl›l›k, örnekleme hatas›ndan kaynaklanmaktad›r; eski ve yeni
ö¤rencilerin ortalama mezuniyet puanlar› aras›nda anlaml› bir fark yoktur.
Anakütle Oran›na ‹liflkin Test

Pek çok araflt›rmada ilgilenilen de¤iflken, iki fl›kl› ya da iki fl›kka indirgenmifl de-
¤iflken olabilir. Örne¤in Anadolu Üniversitesi ö¤rencileri, cinsiyet de¤iflkeni bak›-
m›ndan erkek kad›n, baflar› de¤iflkeni bak›m›ndan da baflar›l› baflar›s›z olmak üze-
re iki fl›kl›d›r.
Daha önce de aç›kland›¤› gibi, bir anakütlenin, ilgilenilen iki fl›kl› bir de¤iflke-
ninin, herhangi bir fl›kk›na sahip birimlerinin oran›na “anakütle oran›” denir ve ∏
simgesiyle gösterilir. Ünitenin bu kesiminde, anakütle oran› ∏’nin de¤eri hakk›n-
da ileri sürülen bir önermenin, nas›l test edilece¤i konusu ele al›nm›flt›r. Tek ana-
kütle oran›na iliflkin test olarak isimlendirilen bu testin, örneklem oran› p ile ana-
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
Bir yönetici, iflletmesinde toplam kalite yönetimi uygulamay› düflünmek- ÖRNEK 4

tedir. E¤er iflçilerinin en az %60’› bu düflünceden yanaysa yönetici düflün-
cesini uygulamaya karar verecektir. Bu amaçla rassal olarak 750 iflçi
seçilmifl ve bunlar›n 495’inin toplam kalite yönetimi düflüncesini benim-
sedi¤i tespit edilmifltir. Yönetici, toplam kalite yönetimine geçmeli midir?
α = 0.01 anlam düzeyi kullanarak karar veriniz.
ÇÖZÜM

Bu örnekte; s›f›r hipotezi, toplam kalite yönetimi uygulamas›n› düflünenlerin oran›
%60 ve daha azd›r fleklindedir. S›f›r hipotezi tek yönlü karfl›t (araflt›rma) hipotezi
ile test edilecektir. Hipotezler:
H0 : ∏ = 0.60
H1 : ∏ > 0.60

H1 : ∏ > ∏0 = 0.60 oldu¤undan, H0’›n kabul ya da reddi için uygulanacak test ana
kütle oran›na iliflkin tek yönlü üst kuyruk testi olmal›d›r.

Red bölgesi, (fiekil 9.10’da gösterildi¤i) gibi oranlar›n örnekleme da¤›l›m›n›n
üstkuyru¤unda tan›mlanm›flt›r. Anlaml›l›k düzeyi α = 0.01 benimsenmifltir. Testin
red bölgesinin oransal büyüklü¤ü 0.01’dir.
232 ‹statistik

Örneklem oran›n›n %60’a eflit ve küçük olmas› durumunda H0 hipotezinin red-
dedilmesi söz konusu de¤ildir.

Test istatisti¤inin hesaplanmas› problemde belirtildi¤i gibi, 750 iflçinin 495’i top-
lam kalite yönetimi uygulamas›ndan yana düflünceye sahiptir yani örneklem
oran› p:
p = r = 495 = 0.66
n 750
d›r.
Örneklem oran› p = 0.66 ile anakütle oran› ∏ hakk›ndaki hipotez de¤eri

∏0 = 0.60 aras›ndaki fark, istatistiksel olarak anlaml› bir farkl›l›k m›d›r? Baflka bir
ifadeyle örneklem oran› p=0.66 olmas› örnekleme hatas›ndan m› kaynaklanm›fl-
t›r? Bu sorunun yan›tlanabilmesi için, test istatisti¤inin hesaplanmas› gerekir.
n = 750 iflçi (n ≥ 30 birim) oldu¤u için, örneklem oran›n›n örnekleme da¤›l›m›,
normal da¤›l›m gösterir. Buna göre uygulanacak test istatisti¤i:
p – ∏0
z=
σp
olur. Örnek için, standart hata:
=
Π0 1 – Π0 0.60 0.40
σp = = 0.0179
n 750
ve
z = 0,66 – 0.60 = 3.35

0.0179
olarak elde edilir.

Test istatisti¤inin da¤›l›m› normal oldu¤u ve α = 0.01 için kritik ztablo de¤eri
(standart normal e¤ri alanlar› tablosundan) ztablo = 2.33 olarak belirlenir. Bu
de¤er standart normal da¤›l›m›n oransal olarak 0.495’lik alan›na karfl› gelmektedir.
z test istatisti¤inin hesaplanan de¤eri zhes = 3.35 , ztablo = 2.33 de¤erinden büyük
oldu¤u (zhes = 3.35 > ztablo = 2.33) için H0 : ∏ = 0.60 hipotezi reddedilir (dolay›s›y-
la H1 hipotezi kabul edilir). Örneklem oran› p = 0.66 de¤eri istatistiksel olarak an-
laml› bir farkl›l›¤› göstermektedir; örneklem oran› p = 0.66 de¤eri için standart
de¤er zhes = 3.35 red bölgesinde yer almaktad›r.
Bu karar›n anlam›: Toplam kalite yönetimini benimseyen iflçinin oran›
%60’tan büyüktür; yönetici toplam kalite yönetimine geçme düflüncesini uy-
gulamal›d›r.
H0 Kabul Bölgesi
H0
l - α = 0.99 Red Bölgesi
α = 0.01
P
∏ = 0.60 A p = 0.66
0
Z fiekil 9.10 Anakütle

0 Z = 2.33 Z hes= 3.35 Oran› ∏ ‹çin Test
Sonuçlar›.
Pazarlama yöneticisi, Üniversite ö¤rencileri aras›nda günde 2 ve daha ÖRNEK 5

fazla gazl› içecek tüketenlerin oran›n›n en fazla %40 oldu¤una inanmak-
tad›r. E¤er bu do¤ruysa yönetici, üniversite ö¤rencilerine yönelik pazar-
lama stratejileri uygulamaya karar verecektir. Bu amaçla, üniversite ö¤-
rencileri aras›ndan rassal olarak 120 ö¤renci seçilmifl ve onlar›n 42’sinin
günde 2 ve daha fazla gazl› içecek içti¤i tespit edilmifltir. α = 0.05 için
yönetici üniversite ö¤rencilerine yönelik pazarlama stratejileri uygulamal›
m›d›r? Karar veriniz.
ÇÖZÜM
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

H1 hipotezi ∏ < 0.40 fleklinde ifade edildi¤inden, H0’›n kabul ya da reddi için uy-
gulanacak test, ana kütle oran›na iliflkin tek yönlü alt kuyruk testi olmal›d›r.

Testin red bölgesi, oranlar›n örnekleme da¤›l›m›n›n altkuyru¤undad›r. Anlam
düzeyi α = 0.05 seçildi¤i için, testin red bölgesinin oransal büyüklü¤ü 0.05’tir. Bu
%5’lik bölgede yer alan örneklem oranlar› H0 hipotezinin reddedilmesine neden
olacak örneklem istatistikleridir.

zhes > ztablo için H0 reddedilecektir.
234 ‹statistik

120 ö¤rencinin içinde günde 2 ve daha fazla gazl› içecek içen ö¤renci say›s› 42
kiflidir. p = r = 42 = 0.35 tir. Örneklem büyük örneklemdir. Örneklem oran›
n 120
p’nin da¤›l›m› normaldir ve standart hatas›,
=
Π0 1 – Π0 0.40 0.60 0.24 = 0.045
σp = =
n 120 120
ve test istatisti¤i:
z = 0.35 – 0.40 = 1.11

0.045
olarak elde edilir.
Hesaplanan z test istatisti¤inin de¤eri, zhes = 1.11 α = 0.05 anlam düzeyinde

standart normal da¤›l›m tablo de¤erinden (ztablo = 1.64) küçük oldu¤u için, H0
hipotezi kabul edilirse H1 hipotezi reddedilir. Burada ztablo = 1.64 de¤eri standart
normal da¤›l›mda 0.45’lik alana karfl› gelen de¤erdir.
H0 Kabul Bölgesi
H0 Red Bölgesi
l - α = 0.95
α = 0.05
P
A p = 0.35 ∏ = 0.40
0
fiekil 9.11 Anakütle Z

Oran› ∏ ‹çin Test z = - 1.64 Z = -1.11 0
hes
Sonuçlar›.
Bu karar›n anlam›, üniversite ö¤rencileri aras›nda günde 2 ve daha fazla gazl›

içecek tüketen ö¤rencilerin oran› %40 tan az de¤il fazlad›r. Yöneticinin ö¤renciler
için ayr› bir pazarlama stratejisi planlamas›na gerek yoktur.
SIRA S‹ZDE 1. ÖrneklemSIRAhacmi

S‹ZDEn ≥ 30 birim oldu¤unda, tek anakütle ortalamas›na iliflkin bir test-
te, hangi test istatisti¤i kullan›l›r? Nedenini aç›klay›n›z.
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?
3. Anakütle oran›na iliflkin bir testte, test istatisti¤inin kullan›lmas›n›n koflullar›

S O R U nelerdir?S O R U
D‹KKAT D‹KKAT

Kendimizi S›nayal›m 6. Normal da¤›l›ma sahip bir ana kütlenin ortalamas›n›n

1. ‹statistik dersine ait notlar›n ortalamas›n›n, 80’den bü- 53 olup olmad›¤›n›n s›nanmas›nda, rasgele seçilen bir ör-
ne¤in ortalamas› 56, standart hatan›n tahmini de¤eri 1.3
yük olup olmad›¤›, s›nanmak istenmektedir. Bu s›namada
tür. Ortalaman›n dönüfltü¤ü z de¤erinin sa¤›nda kalan
kurulacak s›f›r hipotezi nedir?
bölgenin oranlanm›fl alan› kaçt›r?
a. µ > 80
a. 0.0107
b. µ = 80 b. 0.4893
c. µ ≠ 80 c. 0.4898
d. µ < 81 d. 0.5000
e. µ > 81 e. 0.9893
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

1. b CANKÜYER, Ersoy, AfiAN, Zerrin: Parametrik Olmayan
2. b ‹statistiksel Teknikler, Anadolu Üniversitesi Yay›n-
3. b lar›, No:1266, Eskiflehir, 2001.
4. d ÇÖMLEKÇ‹, Necla: Bilimsel Araflt›rma Yöntemi ve ‹s-
5. c tatistiksel Anlaml›l›k S›namalar›, Bilim Teknik Ya-
6. b y›nevi, ‹stanbul, 2001.
7. c FINK, Arlene: How to Sampling in Surveys, Sage Pub-
8. e lications, London, 1995.
9. d GÜRSAKAL, Necmi: Bilgisayar Uygulamal› ‹statistik I,
10. d Marmara Kitabevi, Bursa, 1997.
HINKLE, Dennir E; WIERSMA, Williams; JURS, Stephen
G: Applied Statics For The Bhavioral Sciences,
Boston, 1998.
MALTHORA, Naresh K.: Marketing Research An Appli-
ed Orientation, 2nd Edition, Prentice-Hall Internati-
onal Inc, New Jersey, 1996.
NETER, J, WASSERMAN, W, WHITMORE, G.A.: Applied
Statistics, Simon and Schuster, Inc, Boston, 1993.
ÖZMEN, A., ÖZDAMAR, K., ODABAfiI, Y., Hoflcan, Ya-
flar., B‹R, A. At›f, KIRCAAL‹‹FTAR, G., UZUNER, Y›l-
d›z.: Sosyal Bilimlerde Araflt›rma Yöntemleri, TC.
Anadolu Üniversitesi Yay›nlar›, No:1081, Aç›kö¤retim
Fakültesi Yay›nlar›, No: 601, Eskiflehir, 1999.
PÜSKÜLCÜ, Halis, ‹K‹Z, Fikret: ‹statisti¤e Girifl, (2. Bas-
k›), E.Ü. Mühendislik Fakültesi Yay›n No: 601, Ege
Üniversitesi Bas›mevi, ‹zmir, 1986.
SERPER, Özer; Aytaç Mustafa: Örnekleme, Ezgi Kitabevi,
Bursa, 2000.
SERPER, Özer: Uygulamal› ‹statistik II, Filiz Kitabevi, ‹s-
tanbul, 1986.
arch, John Wiley & Sons Inc., New York, 1996.
TULL, Donald S., HAWKINGS, Del I.: Marketing Rese-
arch Measurement and Method, 6th Edition, Mac-
Millan Publishing Company, New York, 1993.
237
Ki-Kare Testi 10
• 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
N Say›sal olmayan iki de¤iflken aras›ndaki iliflkinin derecesini

• 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‹
Say›sal olmayan de¤iflkenler aras›ndaki iliflkinin varl›¤›n› test

AMAÇ
1 edebileceksiniz.
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
240 ‹statistik
Tablo 10.1 Kontenjan 2. De¤iflkenin fi›klar›

tablosunun yap›s›.
1. De¤iflkenin 1 2 3 .......... j .......... c Toplam
fi›klar›
1 n11 n12 n13 .......... n1j .......... n1c n1
2 n21 n22 n23 .......... n2j .......... n2c n2
3 n31 n32 n33 .......... n3j .......... n3c n3
. . . . . . . . .
. . . . . . . . .
i ni1 ni2 ni3 .......... nij .......... nic ni
. . . . . . . . .
. . . . . . . . .
r nr1 nr2 nr3 . nrj .......... nrc nr
Toplam n.1 n.2 n.3 .......... n.j .......... n.c n..= n
Aralar›nda ba¤›nt› bulundu¤u düflünülen birinci de¤iflkenin r fl›kk› (sat›r), iki-

nici de¤iflkenin c fl›kk› (sütun) varsa rxc TABLOSU olarak da isimlendirilen tablo
oluflturulur. Sat›r ve sütunlar›n kesifltikleri yerlerde bulunan gözelerdeyse ilgili fre-
kanslar kaydedilir.
Ki-kare ba¤›ms›zl›k testinin nas›l uyguland›¤›n› bir örnek yard›m›yla aç›klayal›m.
ÖRNEK 1 Bayan Televizyon izleyicilerinin ö¤renim düzeyleri ve TV programlar›ndan tercih ettikleri

türler sorgulanarak, bu iki de¤iflken aras›nda bir ba¤›nt› bulunup bulunmad›¤›n›, baflka
bir anlat›mla, iki de¤iflkenin birbirinden ba¤›ms›z olup olmad›¤›n›, ortaya koymaya çal›-
fl›ls›n. Bu amaçla, 200 kifliyi kapsayan bir örneklem üzerinde yap›lan gözlem sonuçlar›
afla¤›daki tablo ile verilmifltir:
Tablo 10.2 Gözlenen Tercih edilen TV Ö¤renim Düzeyi

frekanslar.
program türü ‹LK ORTA YÜKSEK TOPLAM
D‹Z‹ F‹LM 50 20 10 80
E⁄LENCE 20 30 10 60
MAGAZ‹N 20 10 30 60
TOPLAM 90 60 50 200
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.

‹ki say›sal olmayan de¤iflken aras›ndaki iliflkinin varl›¤›n› araflt›ran bir test
olan χ2 (ki-kare) ba¤›ms›zl›k testi olmal›d›r.
3. Ad›m : Anlaml›l›k düzeyinin belirlenmesi

χ2 = 0.01 olarak belirlenmifltir.

Kontenjans tablolar›nda
Bunun için hesaplanan test istatisti¤i, belli bir anlaml›l›k düzeyine ve serbestlik derecesi, sat›r ve
ν = (r–1)(c–1) serbestlik derecesine göre “χ2 de¤erleri tablosu”ndan sütun say›lar›ndan birer
ç›kart›larak, bunlar›n
bulunan “kritik de¤er” ile karfl›laflt›r›l›r. Örne¤imiz için serbestlik dere- çarp›lmas› suretiyle elde
cesi ν = (3–1) (3–1) = 4 olup α = 0.01 düzeyinde χ2 tablosundan bulunan edilir.
kritik de¤er χ2k=13’tür. E¤er hesaplanan χ2 istatisti¤inin de¤eri tablodan
bulunan χ2k kritik de¤erden büyük ç›karsa H0 red edilecektir.
5. Ad›m: χ2 test istatisti¤inin hesaplanmas›

Test istatisti¤i
2
χ2 = ∑ (G –B B)
formülüyle elde edilebilir. Formülde,

G= Gözlenen frekanslar›
B= Beklenen frekanslar›
ifade etmektedir. Test istatisti¤inin hesaplanabilmesi için öncelikle bekle-
nen (kuramsal) frekanslar›n hesaplanmas› gerekmektedir. Herhangi bir gö- Kuramsal (beklenen)
frekanslar, ilgili gözenin yer
zenin beklenen frekans› bulunurken, o gözenin yer ald›¤› sat›r toplam fre- ald›¤› sat›r toplam›yla sütun
kans›yla sütunun toplam frekans› çarp›l›p genel toplam frekansa bölün- toplam› çarp›larak genel
toplama bölünmek suretiyle
mektedir. Örne¤imiz için, beklenen frekanslar›, ilk gözeden bafllamak üze- elde edilir.
re s›ras›yla hesaplayal›m:
B11 (birinci sat›r ve birinci sütunda yer alacak frekans)

B11 = (birinci sat›r toplam› x birinci sütun toplam›) / (genel toplam)
= (80 x 90) / (200) = 36
B12 = (birinci sat›r toplam› x ikinci sütun toplam›) / (genel toplam)
= (80 x 60) / (200) = 36
Ayn› yöntemle hesaplanan beklenen frekanslar› ve gözlenen frekanslar›

kontenjans tablosunda gösterelim (G=Gözlenen frekanslar, B=Beklenen
freakanslar).
Tercih edilen Tv Ö¤renim Düzeyi Tablo 10.3 Kontenjan

tablosu (Gözlenen ve
program türü ‹LK ORTA YÜKSEK TOPLAM beklenen frekanslar).
G B G B G B
D‹Z‹ F‹LM 50 36 20 24 10 20 80
E⁄LENCE 20 27 30 18 10 15 60
MAGAZ‹N 20 27 10 18 30 15 60
TOPLAM 90 60 50 200
242 ‹statistik
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
6. Ad›m: ‹statistiksel Karar

‹statistiksel karar verilirken, red bölgesinin tan›m› gere¤i, χ2 > χ2k oldu¤un-
da s›f›r hipotezi red edilir, χ2 ≤ χ2k oldu¤undaysa s›f›r hipotezi reddedile-
mez. S›f›r hipotezinin red edilmesi, de¤iflkenlerin birbirinden ba¤›ms›z ol-
mad›¤› (di¤er bir ifadeyle, de¤iflkenler aras›nda iliflki bulundu¤u) anlam›n›
tafl›r. Buna göre örne¤imizde,
χ2 = 42.93 χ2k = 13.28 ve χ2 > χ2k
oldu¤undan H0 hipotezi red edilecektir. Baflka bir anlat›mla, bayan TV iz-

leyicilerinin ö¤renim düzeyiyle izledikleri program türleri aras›nda iliflki
vard›r.
SIRA S‹ZDE 1. Ki-kare testi

SIRA hangi
S‹ZDE durumlarda yap›l›r? Aç›klay›n›z.
2. Ki-kare ba¤›ms›zl›k testinde hipotezler nas›l ifade edilir? Aç›klay›n›z.

3. Ki-kare ba¤›ms›zl›k testinde serbestlik derecesi nas›l hesaplan›r?
S O R U S O R U
N
K‹-KARE HOMOJENL‹K TEST‹
D‹KKAT D‹KKAT
Farkl› örneklemlerin ayn› ana kütleden seçilip seçilmedi¤ini test
AMAÇ
2 edebileceksiniz.
N N
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-
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-
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.
GÖZLENEN FREKANSLAR
Ürünler Tüketici Görüflleri Toplam
I. Ürün 60 30 10 100
II. Ürün 80 50 20 150
Toplam 140 80 30 250
Çözüm ad›mlar› afla¤›daki gibidir:
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.
2. Ad›m: ‹statistiksel Test

‹ki örneklemin ayn› anakütleden gelip gelmedi¤i test edilece¤inden, ilgili
test, ki-kare homojenlik testi olmal›d›r.
3. Ad›m: Anlaml›l›k Düzeyi
α = 0.05
4. Ad›m: H0’›n ret bölgesinin belirlenmesi

Hesaplanan test istatisti¤i ν = (2-1)(3-1) = 2 serbestlik derecesi ve α = 0.05
anlaml›l›k düzeyi için ki-kare tablosundan bulunan kritik de¤er,
χ2k = 5.99’dur. E¤er hesaplanan χ2 istatisti¤inin de¤eri, χ2k = 5.99’dan bü-
yük ç›karsa, H0 ret edilecektir.
5. Ad›m: χ2 test istatisti¤inin hesaplanmas›

Hat›rlanaca¤› gibi, test istatisti¤inin hesaplanabilmesi için, öncelikle, bekle-
nen frekanslar›n hesaplanmas› gerekir. Homojenlik testinde de her hangi
bir gözenin beklenen frekans›, ba¤›ms›zl›k testindeki gibi, ilgili gözenin yer
ald›¤› sat›r toplam frekans›yla sütun toplam frekans› çarp›l›p, genel toplam
frekans›na bölünerek elde edilir. ‹lgili kontenjans tablosu afla¤›daki gibidir:
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.
6. Ad›m: ‹statistiksel karar

Hat›rlanaca¤› gibi, χ2 < χ2k ise H0 hipotezi kabul edilir. Örne¤imizde χ2 =
1.04 ve χ2k = 5.99 oldu¤undan, H0 kabul edilecektir. Baflka bir anlat›mla,
ilgili örneklemler ayn› anakütleden seçilmifltir.
244 ‹statistik
SIRA S‹ZDE 1. Ba¤›ms›zl›k

SIRAveS‹ZDE
homojenlik testleri hangi aç›lardan birbirinden farkl›d›r? Aç›klay›n›z.
2. Ba¤›ms›zl›k ve homojenlik testlerinde beklenen frekanslar nas›l hesaplan›r? Aç›klay›n›z.

3. Serbestlik derecesi ν = 10 ve α = 0.01 için χ2k nedir?
S O R U S O R U
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
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.
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:
Görüflülen 5 aile içinde Z marka

margarin kullanan aile say›s› Anketör Say›s›
X f
0 18
1 57
2 69
3 42
4 11
5 3
200
Elde edilen bu sonuçlar için,
x 5-x
Cx5 3 5 , x = 0, 1, 2, 3, 4, 5
8 8
P(x) =
0 , di¤er durumlarda
formunda bir binom da¤›l›m› öngörülmektedir. Öngörülen da¤›l›m›n, ele

al›nan problem için, uygun bir model olup olmad›¤›n› α = 0.05 anlaml›l›k
düzeyi için test ediniz.
ÇÖZÜM
1. Ad›m: Hipotezlerin oluflturulmas›

H0: X rassal de¤iflkeni, n = 5 ve p = 3 parametre de¤erleriyle binom da-
8
¤›lm›flt›r. (Binom da¤›l›m›nda q+p=1 oldu¤unu hat›rlay›n›z.)
H1: X rassal de¤iflkeni, n = 5 ve p = 3 parametre de¤erleriyle binom
8
da¤›lmam›flt›r.

χ2 uygunluk (iyi uyum) testi
3. Ad›m: Anlaml›l›k düzeyi
α = 0.05
Hat›rlanaca¤› gibi, red bölgesi, hesaplanan χ2 de¤erinin öngörülen anlam-
l›l›k düzeyi ve belirlenen serbestlik derecesine göre, χ2 tablosundan bulu-
nan kritik de¤eriyle karfl›laflt›r›larak belirlenir. Uygunluk testinde serbestlik Ki-kare uygunluk testinde
derecesi, s›n›f say›s›ndan ilgili da¤›l›m›n parametre say›s›n›n ç›kart›lmas›yla serbestlik derecesi, ilgili
da¤›l›m›n parametre
elde edilir. Ancak, uygunluk testlerinde örneklem hacmi de¤iflken oldu¤un- say›s›na bir eklenip s›n›f
dan, örneklem hacmi de bir parametre gibi de¤erlendirilir. Gerçekte binom say›s›ndan ç›kart›lmak
suretiyle hesaplan›r.
da¤›l›m›n›n n ve p olmak üzere iki parametresi vard›r. Art› toplam frekans
da bir parametre olarak görülece¤inden, serbestlik derecesi, s›n›f say›s› ek-
si 3 olarak belirlenecektir. Buna göre, ν = 6–3 = 3 olur. 3 serbestlik derece-
si ve α = 0.05 anlaml›l›k düzeyi için, kritik χ2k de¤eri, χ2 tablosundan, 7.81
olarak bulunur. Red bölgesi, χ2 > 7.81 olarak belirlenir.
5. Ad›m: Ki-kare istatisti¤inin hesaplanmas›
Beklenen frekanslar›n, ilgili s›n›fa iliflkin olas›l›k toplam frekans›n çarp›m›
oldu¤u an›msan›rsa, ilgili olas›l›klar,
x 5-x
Cx5 3 5 , x = 0, 1, 2, 3, 4, 5
8 8
P(x) =
0 , di¤er durumlarda
olas›l›k fonksiyonu yard›m›yla, x’e s›ras›yla 0, 1, 2, 3, 4 ve 5 de¤erleri veri-

lerek, afla¤›daki gibi hesaplan›r:
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
Kuramsal frekanslar›n bulunabilmesi için bu olas›l›klar, frekanslar›n topla-

m›yla çarp›l›r.
Olas›l›klar
x f P(x) P(x).∑f
Ki-kare uygunluk testinde
0 18 0.0954 19.08 herhangi bir s›n›fa iliflkin
1 57 0.2861 57.22 kuramsal frekans, ilgili
s›n›f›n olas›l›¤›yla toplam
2 69 0.3433 68.66 frekans çarp›larak elde
3 42 0.2060 41.20 edilir.
4 11 0.0618 12.36
5 3 0.0074 1.48
∑f = 200 1.0000 200.00
246 ‹statistik
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
olarak elde edilir.
6. Ad›m: ‹statistiksel Karar
χ2 = 1.7758
χ2k = 7.81
olarak bulunmufltur. Bu sonuçlara göre,
χ2 < χ2k
oldu¤undan H0 kabul edilecektir. Baflka bir anlat›mla, eldeki frekans da-

¤›l›m›, n = 5 ve p = 3 için binom da¤›lm›fl bir anakütleden çekilmifl bir
8
örneklemdir.
SIRA S‹ZDE 1. Ki-kare uygunluk

SIRA S‹ZDEtesti, hangi amaçla yap›l›r? Aç›klay›n›z.
2. Ki-kare uygunluk testind,e serbestlik derecesi nas›l hesaplan›r?

3. Ki-kare uygunluk testinde, H0’›n ret ve kabul bölgesi nas›l belirlenir? Aç›klay›n›z.
S O R U S O R U
N
KONTENJANS KATSAYISI
D‹KKAT D ‹ K K Aolmayan
Say›sal T iki de¤iflken aras›ndaki iliflkinin derecesini
AMAÇ
4 belirleyebileceksiniz.
N N
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,
χ2
c=
χ2 + n
fleklindedir.
Örnek 1’de bayan televizyon izleyicilerinin ö¤renim düzeyleri ve TV prog- ÖRNEK 4

ramlar›ndan tercih ettikleri türler sorgulanm›fl ve bu iki de¤iflken aras›n-
da ba¤›nt› bulunup bulunmad›¤› (iliflki olup olmad›¤›) test edilmiflti. fiim-
di kontenjans katsay›s›yla iliflkinin derecesini araflt›ral›m.
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.
1. Kontenjans katsay›s›, hangi amaçla kullan›l›r? SIRA S‹ZDE SIRA S‹ZDE
2. Kontenjans katsay›s›n›n de¤eri, hangi durumda s›f›r olur?

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
248 ‹statistik
Kendimizi S›nayal›m 5. Yukar›da verilen tabloya göre, χ2 test istatisti¤inin

(1 - 6. sorular afla¤›daki bilgilere göre cevapland›r›- de¤eri kaçt›r?
lacakt›r.) a. 0.42
b. 0.67
Bir araflt›rma sonucunda elde edilen gözlem sonuçlar› c. 0.95
afla¤›daki tabloda gösterilmifltir. d. 1.15
e. 2.5
Sigara ‹çme Al›flkanl›¤›
Cinsiyet ‹çenler ‹çmeyenler Toplam 6. Yukar›da verilen tabloya iliflkin kontenjans katsay›s›n›n
Bayan 35 20 55 de¤eri kaçt›r?
Erkek 25 20 45 a. 0
Toplam 60 40 100 b. 0.006
c. 0.017
d. 0.07
1. Yukar›daki tabloya göre, s›f›r hipotezinin do¤ru ifade-
e. 0.5
si afla¤›dakilerden hangisidir?
a. Sigara içme al›flkanl›¤›yla cinsiyet birbirine
7. Gözlem say›s› 100 olan bir araflt›rmada kontenjans kat-
ba¤›ml›d›r.
say›s› 0,40 olarak bulunmufltur. Buna göre, χ2 istatisti¤inin
b. Sigara içme al›flkanl›¤›yla cinsiyet birbirinden
de¤eri kaçt›r?
ba¤›ms›zd›r.
a. 10.4301
c. Bayanlarda sigara içme al›flkanl›¤› daha yayg›nd›r.
b. 12.3205
d. Erkeklerde sigara içme al›flkanl›¤› daha yayg›nd›r.
c. 19.0476
e. Bayanlarla erkekler ayn› miktarda sigara içerler.
d. 20.1313
e. 22.1864
2. Yukar›da verilen tabloya iliflkin serbestlik derecesi
kaçt›r?
8. Bir araflt›rmada χ2 istatisti¤inin de¤eri 14.06 ve kon-
a. 1
tenjans katsay›s› (c) 0.6 olarak hesaplanm›flt›r. Bu bilgilere
b. 2
göre, gözlem say›s› (n) kaçt›r?
c. 3
a. 15
d. 4
b. 25
e. 5
c. 40
d. 45
3. Yukar›da verilen tablonun, ilk sat›r›ndaki ikinci gözenin
e. 50
ki-kare de¤erine katk›s› kaçt›r?
a. 1,5
9. Bir X rassal de¤iflkenine iliflkin frekans da¤›l›m› ve
b. 1,18
X’lere karfl› gelen olas›l›klar [P(x) de¤erleri] afla¤›daki
c. 0,40
tabloda verilmifltir.
d. 0,38
e. 0,18 X f P(x)
0 6 0.1667
4. Yukar›da verilen tabloya göre, sigara içme al›flkan- 1 15 0.5000
l›¤›yla cinsiyet aras›nda bir ba¤›nt› olup olmad›¤›n›, 0,05 2 8 0.3000
anlam düzeyinde test ederken, H0 hipotezinin red bölgesi 3 1 0.0333
afla¤›dakilerden hangisidir? 30 1.0000
a. χ2 > 9,21
Yukar›daki tabloya göre, X = 2 için kuramsal frekans kaçt›r?
b. χ2 > 6,64
a. 4.87
c. χ2 > 5,99
b. 8.14
d. χ2 > 3,84
c. 9.00
e. χ2 > 2,71
d. 16.13
e. 32.05
10. X rassal de¤iflkeninin frekans da¤›l›m› afla¤›daki tablo- Yan›t Anahtar›

da verilmifltir. 1. b
2. a
S›n›flar f
3. e
0–5 2
4. d
5 – 10 6
5. b
10 – 15 11
6. d
15 – 20 15
7. c
20 – 25 14
8. b
25 – 30 8
9. c
30 – 35 3
10. a
35 – 40 1
60
X rassal de¤iflkeninin normal da¤›ld›¤› biliniyorken

Yararlan›lan Kaynaklar
CANKÜYER, Ersoy, AfiAN Zerrin: Parametrik Olmayan
yukar›daki örneklemin, da¤›l›m› iyi temsil edip etmedi¤ini
‹statistiksel Teknikler, Anadolu Üniversitesi Yay›n-
araflt›rmak için ki-kare uygunluk testi uygulanacakt›r.
lar›, No:1266, Eskiflehir, 2001
Yukar›daki tabloya ve bu bilgilere göre serbestlik derece-
NEWBOLD, Paul: ‹flletme ve ‹ktisat ‹çin ‹statistik,
si kaçt›r?
Çeviren: Ümit fienesen, 4. Bas›m, Literatür Yay›nc›l›k,
a. 5
2000.
b. 6
SERPER, Özer: Uygulamal› ‹statistik II, 4. Bask›, Ezgi
c. 7
Kitabevi, Bursa, 2000
d. 8
YÜZER, Ali Fuat: Olas›l›k ve ‹statistik, Anadolu Üniver-
e. 9
sitesi Yay›nlar›, No: 911, Eskiflehir, 1996.
KARL PEARSON (1857 - 1936)
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
• 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.
• 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.
Bir marketler zinciri E flehrinin farkl› semtlerinde flubeler açmay› hedeflemektedir.

Ancak, planlama bölümü, aç›lacak flube say›s›n›n belirlenebilmesinde ad› geçen
flehirde hane bafl›na perakende sat›fllar›n, hane bafl›na harcanabilir gelirle olan
iliflkisine ihtiyaç duymaktad›r.
‹htiyaç duyulan iliflki, ilgili bölgeden derlenecek veriler ›fl›¤›nda, uygun istatis-
tiksel teknikler uygulanarak, bir matematiksel model halinde ifade edilebilir.
Bu ünitede, iki de¤iflken aras›ndaki iliflkinin matematiksel bir modelle ifade
edilme süreci, kitab›n amaçlar› uyar›nca sadece basit do¤rusal regresyon düzeyin-
de ele al›nm›fl ve konuya iliflkin kavramlar örneklerle pekifltirilmeye çal›fl›lm›flt›r.
‹ki de¤iflken aras›ndaki iliflkinin ne tür bir fonksiyon tipine uydu¤u, yaklafl›k
olarak serpilme diyagram› çizerek belirlenebilir. De¤iflkenlerin aras›ndaki iliflkiyi
göstermenin en iyi yolu, iliflkinin derecesini say›sal olarak belirlemektir. ‹liflkiyi
göstermenin di¤er bir yolu da grafik yöntemidir. X ve Y gözlem ikilileri bir grafik
üzerinde birer nokta halinde gösterilsin. ‹flaretlenen bu noktalar›n oluflturdu¤u
flekil an›msanaca¤› gibi “serpilme diyagram›” olarak isimlendirilir.
254 ‹statistik
Y Y
X X
fiekil 9.1 Serpilme Do¤rusal ‹liflki Durumu E¤risel ‹liflki Durumu
Diyagram›.
Serpilme diyagram›nda noktalar›n durumu ve genel seyri, iki de¤iflken aras›n-

da iliflki olup olmad›¤›n› ve varsa iliflkinin ne tür bir fonksiyon tipine uydu¤unun
belirlenmesinde yard›mc› olur.
Serpilme diyagram›, Serpilme diyagram› yaln›z iliflkinin olup olmad›¤›n› ve fonksiyonel fleklini gös-
de¤iflkenler aras›ndaki iliflki termekle kalmaz, iliflkinin derecesi hakk›nda da bilgi verir. Bunun için, noktalar›n
tipinin
belirlenmesine yard›mc› en d›flta kalanlar› birlefltirilerek, bir flekil elde edilir. Söz konusu fleklin durumuna
olur. göre iliflkinin derecesi hakk›nda tahminde bulunulur. E¤er flekil, oldukça dar bir
elipse benziyorsa, iliflki kuvvetlidir. Elips geniflledikçe iliflki zay›flar.
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.
Reklam harcamas› (X) Sat›fllar (Y)

(Milyon TL) (Adet)
10 3
20 4
30 6
40 7
50 10
ÇÖZÜM
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›.
1. Serpilme diyagram›yla ne belirlenir? SIRA S‹ZDE SIRA S‹ZDE
2. Serpilme diyagram›, iki de¤iflken aras›nda iliflki olup olmad›¤› ve fonksiyonel flekli
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
N
BAS‹T DO⁄RUSAL REGRESYON
Basit do¤rusal regresyon modelinde yer alan Tkatsay›lar›,

ELEV‹ZYON en kü- TELEV‹ZYON
AMAÇ
2 çük kareler tekni¤ine göre hesaplayabileceksiniz.
Regresyon analizinde ba¤›ms›z (aç›klay›c›) de¤iflken say›s› bir oldu¤unda basit

regresyon modelinden, iki ya da daha fazla oldu¤undaysa çoklu regresyon mode-
linden söz edilir. Örne¤in enflasyon oran›yla para arz› aras›ndaki ya da hem para
arz› hem de kamu harcamalar› aras›ndaki iliflkinin araflt›r›lmas›nda oldu¤u gibi.
Regresyon analizinde de¤iflkenler aras›ndaki iliflkinin do¤rusal olup olmad›¤› da
önemlidir. Dolay›s›yla de¤iflkenler aras›ndaki iliflki do¤rusal oldu¤unda do¤rusal
regresyon modeli, do¤rusal olmad›¤›ndaysa do¤rusal olmayan regresyon modeli
söz konusu olur. Kitab›n amaçlar› do¤rultusunda burada, sadece basit do¤rusal
regresyon konusuna yer verilecektir.
Basit Do¤rusal Regresyon Modeli

Basit do¤rusal regresyon modeli
Yi = β0 + β1 Xi + εi i = 1, 2, ...., N
fleklinde stokastik(olas›l›kl›) bir modeldir. β0 ve β1 bilinmeyen regresyon kat-

say›lar›d›r. εi , i ’inci gözleme karfl›l›k gelen hata terimidir. X (ba¤›ms›z) ve Y (ba-
¤›ml›) de¤iflkenlerinin anakütlelerini oluflturan ve bu de¤iflkenler için akla gelebi-
lecek bütün de¤erlere sahip olunmas› uygulamada imkans›z oldu¤undan, söz ko-
nusu de¤iflkenler için örneklemeye baflvurulur. Böylece β0 ve β1 parametrelerinin
kestirimi olan b0 ve b1 bulunabilir ve kestirimi elde edilen iliflki,
Yi = b0 + b1 Xi + ei
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
e¤imini vermektedir ve regresyon analizinde, ba¤›ms›z X’deki bir birimlik de¤ifl-

menin, ba¤›ml› de¤iflken Y’de, ne kadarl›k bir de¤iflmeye yol açaca¤›n› gösteren
regresyon katsay›s›d›r. b0 ve b1 ise anakütle regresyon katsay›lar›n›n (β0 ve β1’
in) kestirimleridir.
Basit Do¤rusal Regresyon Denkleminin Kestirimi

‹ki de¤iflken aras›nda gerçek do¤rusal bir iliflki varsa regresyon denklemi, β0 ve
β1 ’in Yi – Yi art›klar›n› küçük yapabilen kestiricilerin elde edilmesiyle bulunur.
Varyans kavram› göz önünde tutuldu¤unda bunun bir ölçüsü art›klar›n kareler
toplam›d›r. Bu toplam› en küçükleyen β0 ve β1 kestiricilerinin elde edilmesine ilifl-
kin kestirim yöntemi, En Küçük Kareler (EKK) Yöntemi’dir. β0 ve β1 ve σ2’ in
kestirimlerinde s›kça bu yöntem kullan›lmakla birlikte, bir baflka kestirim yöntemi
de en çok olabilirlik yöntemidir. Burada sadece yayg›n olarak kullan›lan, EKK
yöntemiyle regresyon modelinin kestirimine yer verilecektir.
Katsay›lar›n En Küçük Kareler (EKK) Kestirimleri
Yi = β0 + β1 Xi + εi
do¤rusal iliflkisi, X ve Y de¤iflkenlerinin anakütleleri için geçerlidir. ‹statistiksel ça-

l›flmalar›n ço¤unda oldu¤u gibi, regresyon analizinde de anakütleye iliflkin verile-
rin tümüne ulafl›lamad›¤›ndan, bu anakütleden seçilen örnek verileriyle analiz ya-
p›l›r. Örnek verilerinden hareketle anakütle parametreleri olan β0 ve β1 ’in kesti-
rimlerini elde edebilmek için en küçük kareler yönteminden yararlan›labilir. Bu-
nun için, öncelikle, gözlem ikililerini bir serpilme diyagram›nda gösterdi¤imizi
varsayal›m. Serpilme diyagram› incelendi¤inde do¤rusal bir e¤ilim görülüyorsa,
Y’in X’e göre matematik fonksiyonunun do¤rusal oldu¤una (kesin olmasa da) ka-
rar verilebilir. Ancak, gözlem noktalar› aras›ndan, çok say›da do¤rusal fonksiyon
geçirilebilir. Bu do¤rusal fonksiyonlardan en uygunu, Yi gözlem de¤erlerine en
yak›n kuramsal (tahmin) Yi de¤erini veren do¤rusal fonksiyon olacakt›r. Bir bafl-
ka ifadeyle, belirli bir X de¤eri için, elimizde iki ordinat de¤eri olacakt›r; birincisi
gözlem de¤eri, ikincisiyse bu noktan›n do¤ru ya da e¤ri üzerinde teorik olarak
hesaplanacak ordinat de¤eridir. ‹flte, Yi kuramsal de¤erlerle, Yi gözlem de¤erle-
ri aras›ndaki farklar, hata terimlerini oluflturur.
ei= Yi - Yi fleklinde hesaplanan hata terimleri, “pozitif” ya da “negatif” ya da
“s›f›r” de¤erlerine sahip olurken, bu farklar›n cebirsel toplam› s›f›ra eflittir:
∑ ei = ∑
n n
Yi – Yi = 0
i=1 i=1
En küçük kareler yönteminin esas› β0 ve β1 ’in kestirimleri olan b0 ve b1 ’i söz

konusu farklar›n kareleri toplam›n› minimum, yani
∑ e2i = ∑
n n 2
Yi – Y = min.
i=1 i=1
olacak flekilde belirlemektir.

β0 ve β1 ’in EKK kestirimleri, yukar›daki en küçükleme yöntemi için
∑ Yi – Yi = ∑ Yi – b0 – b1 Xi 2
n 2 n
i=1 i=1
ifadesinin b0 ve b1 ’e göre türevleri al›n›p s›f›ra eflitlenerek:
∑ Yi – b0 – b1 Xi = 0
∂e = –2
∂b0
∑ i i 0 1 i
∂e = –2 X Y – b – b X = 0
∂b1
bulunur, elde edilen bu iki eflitlikten,
∑ 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.
Reklam harcamas› (X) Sat›fllar (Y)

(Milyon TL) (Adet)
10 3
20 4
30 6
40 7
50 10
258 ‹statistik
Basit do¤rusal regresyon denklemi Y = b0 + b 1X ’i oluflturabilmek için b 0 ve
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
Bu iki denklemin b0 ve b1 katsay›lar›;
b0 = 0.9 ; b1 = 0.17
olarak hesaplan›r. Buna göre, regresyon do¤rusu denklemi,
Y = 0.9 + 0.17X
fleklinde elde edilir. Regresyon katsay›s› 0.17 bulundu¤undan, X ba¤›ms›z de¤ifl-

kenindeki bir birimlik de¤iflme, Y ba¤›ml› de¤iflkeninde 0.17 birimlik de¤iflmeye
neden olacakt›r.
Normal denklemlerde X ve Y de¤erleri yerine bunlar›n aritmetik ortalamalar›n-
dan sapmalar› olan x ve y de¤erlerinin konulmas›yla;
∑ 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.
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
y = b 1xi veya y = byxxi
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
ΣYi = nb0 + b1ΣXi
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
olarak, X ve Y serisinin aritmetik ortalamalar›n› ve x, y, xy ve x2 ’leri elde edelim.
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
b1 = b yx = ∑ xiyi = 170 = 0.17

∑ X2i 1000
Bu durumda, ortalamalar orijinine göre, Y’nin X’e göre regresyon denklemi,
Y = 0,17X
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
olarak ifade edilecektir. Bu durumda b0 ve b1
b1 = ∑
xiyi
∑ y2i
ya da
bxy = ∑
xiyi
∑ y2i
ve
b0 = X – b 1 Y
formülleri yard›m›yla bulunur. β0 ve β1 ’in kestirimleri olan b0 ve b1 ’in ve byx

formülleri incelendi¤inde, her ikisi de daima ayn› iflareti tafl›r, fakat ayn› de¤erde
de¤ildir.
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
i) X’in Y’ye ve ortalamalar orijinine göre regresyon katsay›s›
bxy = ∑ xiyi = 170 = 5.66

∑ y2i 30
olup, regresyon denklemi
X = 5.66 Y
fleklinde elde edilir.

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
fleklinde elde edilir.
1. Bir ö¤retim üyesi, ö¤rencilerin A dersinden ald›klar› final notlar›n›n,

SIRA S‹ZDE ö¤rencilerin vi- SIRA S‹ZDE
ze notlar›na ba¤l› oldu¤unu düflünmektedir. Ö¤retim üyesinin bu düflüncesiyle olufltu-
rulabilecek bir do¤rusal regresyon denklemindeki ba¤›ml› ve ba¤›ms›z de¤iflkenler
neler olacakt›r? D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
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?
3. Afla¤›da (X) ve (Y) de¤iflkenleri için gözlem de¤erleri verilmifltir.D (X)

‹ K K ba¤›ms›z
AT de¤ifl- D‹KKAT
ken ve (Y) de ba¤›ml› de¤iflken olarak al›n›rsa, en küçük kareler yöntemine göre reg-
N N
resyon denklemi ne olacakt›r? SIRA S‹ZDE SIRA S‹ZDE
X Y
3 2
5 4
7 6
9 5
VARYANSIN (σ2 ) KEST‹R‹M‹
N
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
yaz›labilir. HKT’in serbestlik derecesine bölümüyle elde edilen

262 ‹statistik
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
ÖRNEK 5 Örnek 1’deki verileri kullanarak, regresyon denklemine dayanarak yap›-

lacak kestirimlerin standart hatas› ( σ )’› hesaplayal›m.
2
σ ’› hesaplayabilmek için öncelikle, Y ’lar› daha sonra da Y – Y ve
ÇÖZÜM
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,
1,1 = 0.36 = 0.6

σ=
5–2
olarak elde edilir.
SIRA S‹ZDE 1. εi hata terimlerinin

SIRA S‹ZDE ortak varyans› nedir?
2. Basit do¤rusal regresyon modelinde serbestlik derecesi ne olacakt›r?

D Ü fi Ü N E L ‹ M D Ü fi Ü N Enerelerde
L‹M
3. σ ’in kestirimi kullan›l›r?
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
‹statistiksel ç›karsamalarda yap›lan kestirimlerin, gerçek de¤erlerle genellen-

mesi aral›k kestirimleriyle yap›l›r. Regresyon çözümlemesi, örneklem verileriyle
yap›ld›¤›ndan, elde edilen b0 ve b1 ’lerin anakütle parametreleri, β0 ve β1’e iliflkin
aral›k testlerinde de elde edilmelidir.
b0 katsay›s› için t örnekleme da¤›l›m› yard›m›yla β0 için güven aral›¤›
P (b 0 – tα . s b 0 ≤ β0 ≤ b 0 + tα . s b 0) = 1 – α
fleklinde verilir. Sb0, b0 ‘in standart hatas›d›r ve
2
1 + X
∑
n 2
sb 0 = σ
Xi – X
formülüyle hesaplan›r, tα ise α anlaml›l›k düzeyi ve n-2 serbestlik derecesinde t

tablosundan bulunan de¤erdir.
β1 için güven aral›¤›
P (b 1 – tα . s b 1 ≤ β1 ≤ b 1 + tα . s b 1) = 1 – α
formülüyle elde edilir. sb1 , b1 ‘in standart hatas›d›r ve
σ
∑
2
sb 1 =
Xi – X
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
sb1 = σ = 0.6 = 0.6 = 0.019

2 1000 31.6
∑ Xi – X
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
Regresyon katsay›s› β1 ’in 0.95 olas›l›kla alabilece¤i de¤erler 0.109 ile 0.23
olacakt›r.
1. b0 katsay›s›n›n güven aral›¤› oluflturulurken, hangi örnekleme da¤›l›m› kullan›l›r?

2. b1 = 0.48 , sb 1 = 0.002 , α = 0.05 , ν = 5 için t tablo de¤eri t = 2.571 iken, β1 kat-

say›s›n›n %95 güven aral›¤›n› hesaplay›n›z? D Ü fi Ü N E L ‹ M D Ü fi Ü N E L ‹ M
3. Basit do¤rusal regresyonda, parametreler hakk›nda genellemeler yapabilmek için,

hangi tekni¤e ihtiyaç duyulur? S O R U S O R U
D‹KKAT D‹KKAT
264 ‹statistik
N
REGRESYON KATSAYILARININ ANLAMLILIK TESTLER‹
Basit do¤rusal regresyon denkleminde elde edilen parametre kes-

AMAÇ
5 tirimlerinin, istatistiksel olarak anlaml›l›¤›n› test edebileceksiniz.
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
istatisti¤inden yararlan›larak test edilir. α anlam düzeyinde n-2 serbestlik dere-

cesinde t tablosundan bulunan de¤er, hesaplanan t test istatisti¤inden büyükse
H0 : β1 = 0 hipotezi kabul edilir ve regresyon do¤rusu anlaml› de¤ildir. Di¤er
bir ifadeyle Y’deki de¤iflimler X’deki de¤iflmelerden kaynaklanmamaktad›r (X
ve Y aras›nda do¤rusal bir iliflki yoktur.). t istatisti¤inin de¤eri t tablo de¤erin-
den büyükse H0 reddedilir, yani, regresyon do¤rusu anlaml›d›r. Elde edilen
do¤rusal regresyon modeli amaca uygun olarak kullan›labilir.
ÖRNEK 7 Ayn› örne¤imiz için regresyon katsay›s›n›n anlaml›l›k testini yapal›m.
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
α = 0.05 ve n-2 = 5-2 = 3 serbestlik derecesi ile t 0.05= 3.182 oldu¤undan

t > t 0.05 dir ve H0 reddedilecektir, b 1 kestirimi istatistiksel olarak anlaml›d›r.
SIRA S‹ZDE 1. Regresyon denklemi

SIRA S‹ZDE Y = 5.08 + 1.58 X ve katsay›lar›n standart hatalar› s(b0) =
0.29 , s(b1) = 0.067 olarak verilmifltir. Katsay›lar›n anlaml›l›¤›n›, %5 anlam düzeyine
göre test ediniz.
2. Basit do¤rusal regresyon modelinde katsay›n›n istatistiksel olarak anlaml› olmas›n›n
S O R U pratik anlam›
S O Rnedir?
U
3. Regresyon katsay›lar›n›n testi için hipotezler nas›l kurulur?

D‹KKAT D‹KKAT
Kendimizi S›nayal›m 6. Ba¤›ml› de¤iflken (Yi ) ile bu de¤iflken için regresyon

1. X ve Y de¤iflkenleri aras›ndaki iliflkiyi gösteren mate- denkleminden elde edilen tahmin de¤eri ( Y i ) aras›ndaki
matiksel fonksiyona ne ad verilir? farka ne ad verilir?
a. Regresyon denklemi a. Standart hata
b. Tahmin hatas›
b. Korelasyon denklemi
c. Standart sapma
c. Anlaml›l›k testi
d. Varyans
d. Hipotez testi
e. Regresyon katsay›s›
e. Ba¤›ml› de¤iflken
2
7. ∑ Yi – Y = 2,2 , n = 6 olan basit do¤rusal regres-
2. De¤iflkenler aras›ndaki iliflkinin gösterilmesinde kulla- yon denklemiyle elde edilen tahminlerin standart hatas›
n›lan grafik yöntemi afla¤›dakilerden hangisidir? kaçt›r?
a. Histogram a. 0.36
b. Standart normal e¤ri b. 0.55
c. Serpilme diyagram› c. 0.60
d. Kök-yaprak diyagram› d. 0.75
e. Poligon e. 0.91
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

1. a ORHUNB‹LGE, Neyran: Uygulamal› Regresyon ve
2. c Korelasyon Analizi, ‹. Ü. ‹flletme Fakültesi, No : 267,
3. d ‹stanbul, 1996.
4. b ÇÖMLEKÇ‹, Necla: Temel ‹statistik ‹lke ve Teknikleri,
5. c Bilim Teknik Yay›nevi, Eskiflehir, 1989.
6. b NEWBOLD, Paul: ‹flletme ve ‹ktisat için ‹statistik,
7. d Çeviren : Ümit fienesen, 4. Bas›m, Literatür Yay›nc›l›k,
8. a 2000.
9. b SERPER, Özer: “Uygulamal› ‹statistik II”, 4. Bask›, Ezgi
10. a Kitabevi, Bursa, 2000.
267
Korelasyon 12
• 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
korelasyon olup olmad›¤› yolundaki hipotezleri, belirli anlam
düzeyinde test edebileceksiniz.
• 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
‹ki de¤iflken aras›ndaki iliflkinin yönünü ve derecesini ‹ki de¤iflken aras›ndaki

AMAÇ do¤rusal iliflkinin yönü ve
1 belirleyebileceksiniz. derecesi korelasyon
katsay›s›yla ölçülür.
Korelasyon katsay›s› r ile
Turistik bir bölgede, elde edilen turizm geliriyle yatak say›s› aras›ndaki iliflkinin gösterilir.
derecesi bölgeye, yeni yat›r›mlar›n yap›lmas›na gösterge oluflturacakt›r. Bölgeye
yat›r›m yap›lmas›n› isteyen bir grup, yatak say›s› artt›r›l›rsa, daha çok turist gele-
ce¤ini ileri sürmektedir. Bu ve benzer iddialar›n geçerlili¤i yine uygun istatistiksel
teknikler kullan›larak araflt›r›l›r.
Bu ünitede de¤iflkenler aras›ndaki iliflkinin derecesi ve yönünün belirlenme-
sinde kullan›lan istatistiksel teknikler ele al›nm›flt›r.
‹ki de¤iflken aras›ndaki do¤rusal iliflkinin derecesi, “ r ” simgesiyle gösterilen Korelasyon katsay›s›
neden sonuç iliflkilerinin
korelasyon katsay›s›yla ölçülür. Korelasyon katsay›s› iki de¤iflkenin de¤iflimlerin- kurulmas›nda yeterli olmaz.
de, ne dereceye kadar uygunluk oldu¤unu belirler. Fakat hiç bir flekilde neden -
sonuç iliflkisi kurmaz.
Asl›nda bir çok durumda, modelin de¤iflkenlerinden hangisinin ba¤›ms›z de-
¤iflken, hangisinin ba¤›ml› de¤iflken oldu¤u bilinmez. ‹flte bu gibi durumlarda,
iliflkinin derecesinin belirlenmesinde oransal bir ölçü olan, “korelasyon katsay›-
s›”ndan yararlan›l›r.
Korelasyon katsay›s›n›n alabilece¤i en küçük de¤er –1, en büyük de¤erse +1 Korelasyon katsay›s› r, –1
olur, baflka bir anlat›mla korelasyon katsay›s› r, ile +1 aras›nda de¤erler
al›r (–1 ≤ r ≤ +1 ).
–1 ≤ r ≤ +1
aras›nda de¤er al›r.
Korelasyon katsay›s›n›n iflareti pozitifse, de¤iflkenlerden birinin de¤eri artarken
(azal›rken) di¤erinin de artt›¤›n› (azald›¤›n›) gösterir. Korelasyon katsay›s›n›n ifla-
reti negatifse, de¤iflkenlerden birinin de¤eri artarken (azal›rken) di¤erinin de¤eri-
nin azald›¤›n› (artt›¤›n›) gösterir. Yani ters yönlü bir iliflki söz konusudur.
r = 0 oldu¤undaysa de¤iflkenler aras›nda do¤rusal bir iliflkinin bulunmad›¤›
söylenebilir.
r ’nin +1’e eflit olmas›, de¤iflkenler aras›nda pozitif ve tam do¤rusal bir iliflki-
nin varl›¤›n› ortaya koyar.
r ’nin -1’e eflit olmas›ysa, de¤iflkenler aras›nda negatif ve tam do¤rusal bir ilifl-
kiyi belirler. De¤iflkenler aras›ndaki iliflki kuvvetlendikçe ±1’e, zay›flad›kça da s›-
f›ra yaklaflan bir korelasyon katsay›s› elde edilir.
Korelasyon katsay›s›,
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.
‹statistik Dersi ‹statistik Dersi Dönem

Ara S›nav Notlar› Sonu S›nav Notlar›
X Y
45 83
54 78
55 80
68 72
30 45
48 26
300 384
Ö¤rencilerin ara s›nav notlar›yla dönem sonu notlar› aras›ndaki iliflkinin derecesi-
ÇÖZÜM
ni korelasyon katsay›s›yla belirleyebiliriz.
X = ∑ Xi = 300 = 50 Y = ∑ Yi = 384 = 64
n 6 n 6
oldu¤undan,
xi = Xi – X yi = Yi – Y
dönüflümüyle,
xi yi xiyi xi2 yi2

–5 19 -95 25 631
4 14 56 16 196
5 16 80 25 256
18 8 144 324 64
–20 –19 380 400 361
–2 –38 76 4 1444
641 794 2682
r= ∑ xi yi = 641 = 641 = 0.439

∑ x2i ∑ y2i 794.2682 1459
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
formüldeki,
byx = Y’nin X’e göre regresyon katsay›s›

bxy = X’in Y’ye göre regresyon katsay›s›d›r.
Burada, dikkat edilmesi gereken nokta, e¤er regresyon katsay›lar› pozitifse r

pozitif, e¤er her iki regresyon katsay›s› da negatifse r negatif olacakt›r. E¤er reg-
resyon katsay›lar›ndan biri pozitif, di¤eri de negatifse, de¤iflkenler aras›nda iliflki
yoktur.
Örnek 1’de yer alan veriler için, korelasyon katsay›s›n›, regresyon katsa- ÖRNEK 2
y›lar›ndan yararlanarak hesaplayal›m.
Bu yaklafl›mla, korelasyon katsay›s›n› hesaplayabilmek için öncelikle, regresyon
ÇÖZÜM
katsay›lar›n› elde edelim :
byx = ∑ yi xi = 641 = 0.807

∑ x2i 794
b xy = ∑ yi xi = 641 = 0.239
∑ y2i 2682
olarak elde edilir. Bu sonuçlardan,
r = + 0.807 . 0.239 = + 0.912

r = + 0.439
olarak elde edilir (Her iki regresyon katsay›s›n›n da pozitif oldu¤una dikkat ediniz).
Çözümlerden de görülece¤i gibi, korelasyon katsay›s› hangi yaklafl›mla hesap-

lan›rsa hesaplans›n, ayn› sonuca ulafl›lacakt›r. Burada dikkat edilmesi gereken hu-
sus fludur: Regresyon katsay›lar›n›n iflaretiyle korelasyon katsay›s›n›n iflareti ayn›
olacakt›r.
Alfa üretim iflletmesinin belirli bir döneme iliflkin üretim miktar›yla birim ÖRNEK 3
de¤iflken maliyetleri afla¤›daki gibidir:
Üretim Miktar› Birim De¤iflken Maliyetler

(Bin Ton) (Milyon TL)
X Y
1 11
2 9
3 8
4 7
5 5
15 40
Regresyon katsay›lar›ndan yararlanarak korelasyon katsay›s›n› hesaplayal›m.

272 ‹statistik
Öncelikle regresyon katsay›lar›n› bulal›m. Bunun için ilgili hesaplamalar afla¤›da
ÇÖZÜM
verilmifltir:
Xi Yi xi = Xi – X yi = Yi – Y xiyi xi2 yi2

1 11 –2 3 –6 4 9
2 9 –1 1 –1 1 1
3 8 0 0 0 0 0
4 7 1 –1 –1 1 1
5 5 2 –3 -6 4 9
15 40 0 0 -14 10 20
X=3 Y=8
bu sonuçlardan hareketle regresyon katsay›lar›,
byx = ∑ xiyi = –14 = –1.4

∑ x2i 10
bxy = ∑ xiyi = –14 = –0.7

∑ y2i 20
olarak hesaplan›r. Buradan,
r=± b yx . bxy = ± (–1.4)(–0.7) = -0.9899
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.
SIRA S‹ZDE 1. Korelasyon katsay›s›

SIRA S‹ZDE hangi amaçla kullan›l›r?
2. Korelasyon katsay›s›n›n alabilece¤i en küçük ve en büyük de¤er nedir?

3. X ve Y de¤iflkenleri için korelasyon katsay›s› r = 0,85 bulundu¤una göre, sonucu
yorumlay›n›z.
S O R U S O R U
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
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-
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
Örneklem verilerinden hareketle, kestirimi yap›lan regresyon do¤rusu, ser-

pilme diyagram›nda, noktalar aras›ndan geçmektedir. Belirlilik katsay›s› nokta-
lar›n do¤ruya yak›nl›k derecesini gösterir. Fakat sadece flekle bakarak bunu gör-
mek olas› de¤ildir. Bu nedenle, belirlilik katsay›n›n say›sal olarak elde edilmesi
gerekir.
r2 = 1 ise Y’deki de¤iflimin %100’ünün X ba¤›ms›z de¤iflkeni taraf›ndan aç›k- Belirlilik katsay›s› r2 , 0 ile
1 aras›nda de¤erler al›r.
lanabildi¤i kabul edilir ve serpilme diyagram›nda tüm noktalar regresyon do¤ru-
su üzerindedir.
r2 = 0 ise X ba¤›ms›z de¤iflkeni, Y ba¤›ml› de¤iflkenini hiç aç›klayam›yor
demektir.
Y Y
fiekil 12.1 r2 = 1
olmas› durumu.
fiekil 12.2 r2 = 0
olmas› durumu (hiç
X iliflki yok).
X
Özetle r2 s›f›rdan küçük ve birden büyük olamaz.
Örnek 1’deki veriler için belirlilik katsay›s›n› hesaplayal›m. ÖRNEK 4
Belirlilik katsay›s›n›n korelasyon katsay›s›n›n karesine eflit de¤er oldu¤una göre,

ÇÖZÜM
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.
1. Belirlilik katsay›s›n›n bire yak›n olmas› durumunda serpilme diyagram›nda

SIRA S‹ZDE noktalar SIRA S‹ZDE
nas›l yer al›r?
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
274 ‹statistik
N
KORELASYON KATSAYISININ ANLAMLILIK TEST‹
Anakütlede korelasyon olup olmad›¤› yolundaki hipotezleri, be-
AMAÇ
3 lirli anlam düzeyinde test edebileceksiniz.
Anakütle iliflki katsay›s› ρ = 0 olan bir anakütleden seçilen örneklemlerin r katsa-

y›lar› normal da¤›l›ma sahiptir. Bu nedenle,
H0 : ρ = 0
H1 : ρ ≠ 0
hipotezleri formüle edildikten sonra
t=r- ρ = r
sr sr
buradan
t=r n–2
1 – r2
test istatisti¤i hesaplan›r.

Korelasyon katsay›s›n›n hesaplanmas›, ço¤u zaman, küçük örneklemlere da-
yand›¤› için formülde, ρ = 0 hipotezine göre yap›lacak testte bu formülü kullan-
mak mümkün olur. Formülde sr , r’nin standart hatas›d›r. n – 2 serbestlik derece-
li α anlam düzeyinde tablodan bulunan t de¤eriyle t istatisti¤inin de¤eri karfl›lafl-
t›r›l›p, istatistiksel olarak anlaml› olup olmad›¤›na karar verilir.
ÖRNEK 5 Örnek 1’de hesaplanan r = 0.439 de¤erinin anlaml›l›¤›n› α = 0.05 için

s›nayal›m.
Hipotezler
ÇÖZÜM
H0 : ρ = 0
H1 : ρ ≠ 0
Anlaml›l›k düzeyi α = 0.05
t=r n–2 (n < 30)

1 – r2
t = 0.439 6 – 2 = 0.878 = 0.97

1 – 0.192 0.898
t0.05 = 2.776 > t = 0.97 oldu¤undan H0 kabul edilecektir. Anakütlede korelasyon

olmad›¤› yolundaki H0 hipotezi %5 anlam düzeyinde kabul edilecektir.
SIRA S‹ZDE 1. Anakütle SIRA

iliflkiS‹ZDE
katsay›s› p = 0 olan bir anakütleden çekilen r katsay›lar› nas›l bir da-
¤›l›ma sahiptir?
D Ü fi Ü N E L ‹ M 2. sr neyi gösterir?
3. t0.05 = 2.776 < t = 3.105 olarak verilmifltir. Sonucu yorumlay›n›z.

S O R U S O R U
D‹KKAT D‹KKAT

Kendimizi S›nayal›m 6. Belirlilik katsay›s›n›n kullan›m amac› afla¤›dakilerden

1. X ve Y de¤iflkenleri aras›ndaki iliflkinin derecesini, hangisidir?
afla¤›dakilerden hangisi belirler? a. X ve Y de¤iflkenleri aras›ndaki regresyonu aç›kla-
a. Regresyon katsay›s› mak
b. t istatisti¤i b. X ve Y de¤iflkenleri aras›nda hata miktar›n›
c. Korelasyon katsay›s› göstermek
d. Aritmetik Ortalama c. Ba¤›ml› de¤iflkendeki de¤iflimin ne kadar›n›n ba¤›ms›z
e. Otokorelasyon katsay›s› de¤iflkence aç›klanabildi¤ini göstermek
d. Tahminlerin hesaplamas›nda kullanmak
2. Afla¤›daki korelasyon katsay›lar›ndan hangisi, X ve Y e. Standart hatay› azaltmak
de¤iflkenleri aras›nda, ters yönde tam do¤rusal bir iliflki-
nin varl›¤›n› gösterir? 7. X ve Y de¤iflkenleri aras›ndaki iliflkiyi gösteren korelas-
a. r = 1 yon katsay›s› r = 0,82 oldu¤unda, belirlilik katsay›s›
b. r = 0.5 afla¤›dakilerden hangisidir?
c. r = 0 a. r2 = 0.75
d. r = –0.5 b. r2 = 0.67
e. r = –1 c. r2 = 0
d. r2 = -0.67
3. Y’nin X’e göre regresyon katsay›s› byx = 0.86, X’in Y’ye e. r2 = -1
göre regresyon katsay›s› byx = 0.90 ise korelasyon katsa-
y›s› (r) kaçt›r? 8. X ba¤›ms›z de¤iflkeni Y ba¤›ml› de¤iflkenini hiç aç›k-
a. r = 0.88 lam›yorsa r2 de¤eri kaçt›r?
b. r = 0.78 a. r2 = -1
c. r = 0 b. r2 = -0.5
d. r = –0.78 c. r2 = 0
e. r = -0.88 d. r2 = 0.5
e. r2 = 1
4. Korelasyon katsay›s›yla ilgili afla¤›daki ifadelerden han-
gisi yanl›flt›r? 9. Korelasyon katsay›s›n›n anlaml›l›k s›namas›nda s›f›r
a. –1 ≤ r ≤ 1 hipotezinin ifadesi afla¤›dakilerden hangisidir?
b. –1 ≤ r2 ≤ 1 a. H0 : p = 0
c. byx > 0 ise r > 0’d›r. b. H0 : p > 0
d. byx < 0 ise r < 0’d›r. c. H0 : p < 0
e. r2 = 0 d. H1 : p = 0
e. H1 : p < 0
5. X ve Y de¤iflkenleri için korelasyon katsay›s› r = 0.75
ise afla¤›daki ifadelerden hangisi do¤rudur? 10. Örneklem büyüklü¤ü n = 8, r = 0.72 de¤erinin anlam-
a. X ve Y de¤iflkenleri aras›ndaki iliflki zay›ft›r. l›l›¤›n› s›namak için hesaplanan test istatisti¤inin de¤eri
b. X ve Y de¤iflkenleri aras›nda iliflki yoktur. afla¤›dakilerden hangisidir?
c. X ve Y de¤iflkenleri aras›nda ters yönlü ve zay›f a. t = 3.55
bir iliflki vard›r. b. t = 2.55
d. X ve Y de¤iflkenleri aras›ndaki do¤ru yönlü ve c. t = 2
kuvvetli bir iliflki vard›r. d. t = 1.764
e. X ve Y de¤iflkenleri aras›nda do¤ru yönlü ve çok e. t = -3
zay›f bir iliflki vard›r.
276 ‹statistik

1. c ORHUNB‹LGE, Neyran: Uygulamal› Regresyon ve
2. e Korelasyon Analizi, ‹. Ü. ‹flletme Fakültesi, No: 267,
3. a ‹stanbul, 1996.
4. b ÇÖMLEKÇ‹, Necla: Temel ‹statistik ‹lke ve Teknikleri,
5. d Bilim Teknik Yay›nevi, Eskiflehir, 1989.
6. c NEWBOLD, Paul: ‹flletme ve ‹ktisat için ‹statistik,
7. b Çeviren: Ümit fienesen, 4. Bas›m, Literatür Yay›nc›l›k,
8. c 2000.
9. a SERPER, Özer: Uygulamal› ‹statistik II, 4. Bask›, Ezgi
10. b Kitabevi, Bursa, 2000.
277
‹ndeksler 13
• Ortalamalar konusunu yeniden gözden geçirilmeli,
• Tan›mlar› dikkatle okunmal›,
• Örnekleri dikkatle gözden geçirilmelidir.
278 ‹statistik
N ‹ndeks kavram›n› aç›klayabilecek, basit ve bileflik indeksler hesaplayabile-

Amaç
ceksiniz.
• 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
‹ndeks kavram›n› aç›klayabilecek, basit ve bileflik indeksler

AMAÇ
1
‹ndeks, bir istatistiksel olaya iliflkin gözlem de¤erlerinin, zaman ya da mekana gö- ‹ndeks, bir istatistiksel
re gösterdi¤i oransal de¤iflimler, olarak tan›mlan›r. Tan›m uyar›nca, indekslerde olaya iliflkin gözlem
de¤erlerinin zaman ya da
biri temel, di¤eri de karfl›laflt›r›lan (cari) de¤er olmak üzere, iki de¤er söz konu- mekana göre gösterdi¤i
sudur. ‹ndeks hesaplan›rken karfl›laflt›r›lan de¤er paya, temel de¤er paydaya yaz›- oransal de¤iflimlerin
ölçüsüdür.
l›r ve k›yaslamay› daha basit ifade edebilmek için sonuç 100 ile çarp›l›r. Böyle-
ce temel de¤er 100 olmak üzere di¤er de¤erlerdeki de¤iflimlerin, temel de¤ere
göre kaç olaca¤› belirlenir.
Tüm bu sözü edilenler, I indeksi, x0 temel de¤eri xi ve de i. gözlem de¤erini
göstermek üzere,
xi
I= . 100
x0
biçiminde formüle edilir.
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.
Y›llar Bu¤day Üretimi

(1000 ton)
1990 450
1991 375
1992 400
1993 525
1994 450
1995 400
1996 325
1997 300
1998 375
1999 405
280 ‹statistik
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:
Y›llar Bu¤day Üretimi ‹ndeks

(1000 ton) (1990 = 100)
1990 450 (450 / 450) . 100 = 100.00
1991 375 (375 / 450) . 100 = 83.33
1992 400 (400 / 450) . 100 = 88.89
1993 525 (525 / 450) . 100 = 116.67
1994 450 (450 / 450) . 100 = 100.00
1995 400 (400 / 450) . 100 = 88.89
1996 325 (325 / 450) . 100 = 72.22
1997 300 (300 / 450) . 100 = 66.67
1998 375 (375 / 450) . 100 = 83.33
1999 405 (405 / 450) . 100 = 90.00
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.
Kuramda, indeks türüne ve kapsam›na uygun farkl› yöntemler gelifltirilmifltir.

Kolayl›k aç›s›ndan, hesaplama yöntemleri indeks türleriyle birlikte ele al›nacakt›r.
Bu ünitede indeksler, mekan ve zaman indeksleri ve basit ve bileflik indeks-
ler olarak iki ana bafll›k alt›nda ele al›nacakt›r.
Mekan ve Zaman ‹ndeksleri

Ana çizgileriyle, e¤er, indeksler bir mekan serisinden hareketle hesaplan›yorsa bu
tür indekslere “mekan”, bir zaman serisine dayand›r›l›yorsa bu tür indekslere de
“zaman indeksleri” ad› verilir.
‹zleyen bölümlerde mekan ve zaman indeksleri ayr›nt›lar›yla ele al›nacakt›r.
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.
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.
‹ller Fiyatlar ‹ndeks

(milyon TL)
x
Ankara 69 (69 / 73,6) . 100 = 93.75
Antalya 75 (75 / 73,6) . 100 = 101.90
K›rklareli 70 (70 / 73,6) . 100 = 95,10
Eskiflehir 79 (79 / 73,6) . 100 = 107.33
Konya 75 (75 / 73,6) . 100 = 101.90
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.
Zaman ‹ndeksleri Zaman indeksleri ile verilen

Üretim ve fiyat gibi istatistiksel olaylara iliflkin de¤erlerin y›l, ay, hafta, gün vb. gi- zaman serisinin zaman için-
deki oransal de¤iflimleri
bi, zaman içindeki oransal de¤iflimlerinin ölçüsüne, “zaman indeksi” ad› verilir. araflt›r›l›r.
Zaman indeksleri, uygulamada en çok kullan›lan indeks türüdür.
Zaman indeksleri, sabit ve de¤iflken esasl› (zincirleme) indeksler olarak iki alt
bafll›k alt›nda toplanabilir.
Sabit Esasl› ‹ndeksler

Sabit esasl› zaman indekslerinin hesab›nda temel prensip, devrelerden birinin de-
¤eri temel kabul edilerek, di¤er devrelerin k›ymetlerinin, seçilen temel devre k›y-
metinin yüzdesi olarak ifade edilmesidir.
Gözlem de¤erleri xi, temel devre de¤eri de x0 ile gösterilirse sabit esasl›
indeks,
xi
I= . 100
x0
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.
Y›llar Turist Say›s›

(000)
1996 16
1997 15
1998 16
1999 17
2000 14
2001 20
ÇÖZÜM
‹lgili hesaplamalar afla¤›daki gibidir:
Y›llar Turist Say›s› ‹ndeks

(000)
1996 16 (16 / 16) . 100 = 100.00
1997 15 (15 / 16) . 100 = 93.75
1998 16 (16 / 16) . 100 = 100.00
1999 17 (17 / 16) . 100 = 106.25
2000 14 (14 / 16) . 100 = 87.50
2001 20 (20 / 16) . 100 = 125.00
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.
De¤iflken Esasl› (Zincirleme) ‹ndeksler

E¤er indeks hesab›nda her de¤er, bir önceki dönemin de¤eriyle karfl›laflt›r›lmak
istenirse, oluflturulan indekslere “de¤iflken esasl›” ya da “zincirleme indeks” ad›
verilir.
xi, i. gözlem de¤erini gösteren de¤iflken esasl› indeks,
xi
I= . 100
xi -1
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.
ÇÖZÜM
‹lgili ifllemler afla¤›daki gibidir:
Y›llar Turist Say›s› ‹ndeks

(000)
xi Sabit ve de¤iflken esasl›
indeksler, zaman serileri
1996 16 – için hesaplanabilir.
1997 15 (15 / 16) . 100 = 93.75
1998 16 (16 / 15) . 100 = 106.66
1999 17 (17 / 16) . 100 = 106.25
2000 14 (14 / 17) . 100 = 82.35
2001 20 (20 / 14) . 100 = 142.85
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 ve Bileflik ‹ndeksler

‹ndeksler kapsad›klar› maddelere göre dikkate al›nd›¤›nda basit ve bileflik indeks-
ler olmak üzere iki grupta incelenebilirler.
‹zleyen bölümde basit ve bileflik indeksler ayr›nt›lar›yla ele al›nm›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
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
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
2001 y›l›nda A bölgesinde narenciye üretiminde 2000 y›l›na göre %4 oran›nda

düflüfl kaydedilmifltir.
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.
Basit Toplam ‹ndeks

Basit toplam indeks hesaplan›rken, indekse girecek maddelerin indeksi hesapla-
narak (cari) devredeki fiyatlar› toplan›r ve temel devre fiyatlar toplam›na bölüne-
rek, sonuç 100 ile çarp›l›r.
Temel devre fiyatlar› toplam› ∑ p0 ve cari devre fiyatlar› toplam› da ∑ p1 ile

gösterilirse, indeks,
p
I = ∑ 1 . 100
∑p0
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.
Maddeler Fiyatlar Kaynak: D.‹.E. Ayl›k

‹statistik Bülteni,
2001 2002
Haziran, 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
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
∑p0 = 11.574.812 ∑p1 = 14.942.660

p
I = ∑ 1 . 100
∑p0
= 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.
Basit ‹ndekslerin Tart›s›z Aritmetik Ortalamas›

Bu teknikte cari y›ldaki fiyatlar, temel devre fiyatlar›na bölünür ve aritmetik orta-
lama hesaplan›r. Elde edilen sonuç 100 ile çarp›larak, indeks say›s› elde edilir.
Baflka bir anlat›mla, bu teknikte temel y›la göre her madde için hesaplanan basit
indekslerin aritmetik ortalamas› 100 ile çarp›l›r.
p1
∑
p0
I= ⋅ 100
n
286 ‹statistik
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
∑ p0 = 11.574.812 ∑ p1 = 14.942.660 ∑ p1 / p0 = 5.22
p1
∑
p0
I= ⋅ 100
n
= 100 5.22
4
= 130.5
olarak elde edilir.

Elde edilen sonuca göre verilen 4 maddenin fiyat›, 2002 y›l› Nisan ay›nda 2001 y›-
l› Nisan ay›na göre ortalama olarak % 30.5 oran›nda artm›flt›r.
Basit ‹ndekslerin Tart›l› Aritmetik Ortalamas›

E¤er bir bileflik fiyat indeksinin kapsad›¤› maddelerin fiyatlar› aras›nda önem dere-
cesi aç›s›ndan farklar söz konusuysa ve indeks hesab›nda bu farklar›n da göz önü-
ne al›nmas› istenirse, bu durumda indekslerin tart›l› olarak hesaplanmas› gerekir.
Tart›, ilgili maddelerin oransal fiyat› için kullan›l›r. t tart›y› gösterirken basit in-
dekslerin tart›l› ortalamas›,
p1
∑ ⋅t
p0
I= ⋅ 100
∑t

Uygulamada kullan›lan tart›lar indeksin türüne göre de¤iflir. Genel olarak tart›lar,
ilgili maddelerin üretilen ya da tüketilen miktar›yla, fiyat›n›n çarp›lmas› sonucunda el-
de edilir. Ancak, tart›lar oluflturulurken “temel y›l fiyat›” esas al›n›r. Baflka bir ifadeyle,
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.
Sözü edilen indeksler afla¤›da ayr› ayr› ele al›nacakt›r.
Temel Devre Miktarlar›n›n Kullan›lmas› (Laspeyres ‹ndeksi)
t = p0 . q
eflitli¤inde, temel devre miktar› olarak q0 al›n›rsa,
t = p0 . q0
olacakt›r. Bu tart›, basit indekslerin tart›l› aritmetik ortalamas› formülünde yerine

konursa,
p
∑ 1 ⋅t
p0
I= ⋅ 100
∑t
p1
∑ ⋅ p0 ⋅ q 0
p0
= ⋅ 100
∑ p0 ⋅ q 0
olur ve gerekli k›saltmalar yap›l›rsa,
p ⋅ q0
I= ∑ 1 ⋅ 100
∑ p0 ⋅ q 0
sonucu elde edilir.

Bu indekse “Laspeyres (Lasper okunur) indeksi” ad› verilir.
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.
Maddeler 2000 2001

Fiyat (TL) Miktar (ton) Fiyat (TL) Miktar (ton)
Portakal 700.000 125 850.000 145
Mandalina 850.000 130 950.000 155
Elma 500.000 150 700.000 130
Armut 650.000 100 800.000 135
ÇÖZÜM
‹lgili ifllemler afla¤›daki gibidir:
Maddeler 2000 2001

p0 q0 p1 q1 p1 . q0 p0 . q0
(000) (000)
Portakal 700.000 125 850.000 145 106.250 87.500
Mandalina 850.000 130 950.000 155 123.500 110.500
Elma 500.000 150 700.000 130 105.000 75.000
Armut 650.000 100 800.000 135 80.000 65.000
414.750 338.000
288 ‹statistik
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.
‹ndeks Devresi Miktarlar›n›n Kullan›lmas› (Paasche ‹ndeksi)

E¤er t = p0 . q eflitli¤inde q indeks devresi miktar› olarak al›n›rsa,
t = p0 . q1
olur. Bu ifade basit indekslerin tart›l› aritmetik ortalamas› formülünde yerine

konulursa,
p1 ⋅ t
∑
p0
I= ⋅ 100
∑t
p1 ⋅ p ⋅ q
0 1
∑ p0
= ⋅ 100
∑ p0 ⋅ q 1
olur ve gerekli k›saltmalar yap›l›rsa,
p ⋅ q1
I= ∑ 1 ⋅ 100
∑ p0 ⋅ q 1
olarak elde edilir.

Bu indekse “Paasche (Paafle okunur) indeksi” ad› verilir.
ÖRNEK 10
Örnek 9’da verilen 4 madde için Paasche fiyat indeksini hesaplay›n›z ve
elde etti¤iniz sonucu yorumlay›n›z.
ÇÖZÜM
Çözüme iliflkin hesaplamalar afla¤›daki gibidir:
Maddeler 2000 2001

p0 q0 p1 q1 p1 . q1 p0 . q1
(000) (000)
Portakal 700.000 125 850.000 145 123.250 101.500
Mandalina 850.000 130 950.000 155 147.250 131.750
Elma 500.000 150 700.000 130 91.000 65.000
Armut 650.000 100 800.000 135 108.000 87.750
469.500 386.000
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
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.
Çözüme iliflkin hesaplamalar afla¤›daki gibidir:

ÇÖZÜM
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
= 414.750 ⋅ 469.500 ⋅ 100

338.000 386.000
= 1.2270 ⋅ 1.2163 ⋅ 100
= 122.16
2001 y›l›nda verilen 4 maddenin fiyat› 2000 y›l›na göre, %22.16 oran›nda yükselmifltir.
290 ‹statistik
Dikkat edilecek olursa, Laspeyres, Paasche ve Fisher indekslerinin hesaplan-

mas›nda ayn› veriler kullan›lm›flt›r. Sonuçlar karfl›laflt›r›lacak olursa art›fl, Laspey-
res indeksi için %22.70, Paasche indeksi için %21.63 ve Fisher indeksi için %22.16
bulunmufltur. Görülece¤i gibi, Laspeyres ve Paasche indekslerinin geometrik orta-
lamas› olan Fisher indeksine iliflkin indeks say›s›, Paasche ve Laspeyres indeks sa-
y›lar›n›n aras›nda yer alm›flt›r.
Bilindi¤i gibi, indeksler, temel kabul edilen bir y›la göre hesaplan›rlar. Ancak
uygulamada, temel y›l olarak rasgele bir y›l seçilmemelidir. Temel y›l, ekonomik
özellikler aç›s›ndan fazla hareketli olmayan (normal) bir y›l olmal›d›r. Aksi durum-
da gerçekleri iyi yans›tmayan sonuçlar elde edilecektir. Örne¤in; fiyatlar›n, her-
hangi bir nedenle yüksek oldu¤u bir y›l, temel y›l olarak seçilirse, buna göre he-
saplanan fiyat indekslerinde fiyatlar düflüyormufl gibi, aksi durumdaysa yükseli-
yormufl gibi görünecektir. Bu nedenle, harp ve kriz y›llar›, indeks hesab›nda te-
mel y›l olarak kullan›lmamal›d›r.
Temel y›l zaman içerisinde de¤ifltirilebilir. Gerçekte temel y›l eskidikçe, indeks
say›lar› büyür ve karfl›laflt›rmalar da giderek zorlafl›r.
SIRA S‹ZDE 1. ‹ndeks kavram›n› aç›klay›n›z.

SIRA S‹ZDE
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.
Maddeler 2001 2002
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
Kendimizi S›nayal›m 4. Afla¤›daki tabloda iki maddenin 2000 ve 2001 y›llar›na

1. 1994 y›l›nda bir X maddesinin kilosu 650.000 TL iliflkin fiyat ve miktarlar› verilmifltir.
ve 1998 deyse 975.000 TL’dir. 1994 y›l› temel devre
2000 2001
olmak üzere, 1998’deki fiyat art›fl oran› afla¤›dakiler-
Maddeler Fiyat Miktar Fiyat Miktar
den hangisidir?
(TL) (ton) (TL) (ton)
a. 110
Patates 10.000 5 15.000 5
b. 140
So¤an 12.000 6 18.000 8
c. 150
d. 155 Yukar›daki tabloya göre 2000 y›l› temel kabul edilerek
e. 160 hesaplanacak Paasche fiyat indeksinin de¤eri afla¤›daki-
lerden hangisidir?
2. Afla¤›daki tabloda 3 maddenin 1998 ve 2000 y›l› fiyat- a. 110.40
lar› verilmifltir. b. 122.18
c. 132.40
Maddeler Fiyatlar
1998 2000 d. 150.00
A 500 750 e. 157.14
B 450 680
C 600 900 5. Afla¤›daki tabloda bir A maddesine iliflkin 5 y›ll›k
fiyatlar verilmifltir.
1998 y›l›n› temel y›l kabul ederek, 2000 y›l›na iliflkin ba-
sit toplam indeks de¤eri afla¤›dakilerden hangisidir? Y›llar Fiyat (TL)
a. 114.22 1995 450.000
b. 132.50 1996 500.000
c. 141.10 1997 517.000
d. 150.32 1998 522.000
e. 154.33 1999 530.000
Yukar›daki tabloya göre, 1997 y›l› de¤iflken esasl› indeks

3. Afla¤›daki tabloda iki maddenin 2000 ve 2001 y›llar›na
de¤eri afla¤›dakilerden hangisidir?
iliflkin fiyat ve miktarlar› verilmifltir. a. 103.40
b. 105.42
2000 2001 c. 108.34
Maddeler Fiyat Miktar Fiyat Miktar d. 110.04
(TL) (ton) (TL) (ton) e. 112.43
Portakal 575 10 625 11
Mandalina 645 15 715 17 6. Befl maddeye ve istenilen bir y›la iliflkin indeksler he-
saplanmak istenmektedir. Bu amaçla yap›lan baz› hesap-
Yukar›daki tabloya göre 2000 y›l› temel y›l kabul edil- lama sonuçlar› afla¤›da verilmifltir.
di¤inde, 2001 y›l›na iliflkin Laspeyres fiyat indeksinin ∑ p1 ⋅ q0 = 4.784.000
de¤eri afla¤›dakilerden hangisidir?
∑ p0 ⋅ q0 = 3.853.000
a. 90.85
b. 92.15 ∑ p1 ⋅ q1 = 4.560.000
c. 110.04
∑ p0 ⋅ q1 = 3.760.000
d. 110.45
e. 112.09 Bu sonuçlara göre, Paasche indeks de¤eri afla¤›dakiler-
den hangisidir?
a. 114,4116
b. 121,2766
c. 124,1312
d. 125,1810
e. 127,1419
292 ‹statistik
7. Üç maddeye ve istenilen bir y›la iliflkin Laspeyres fiyat Yan›t Anahtar›

indeksi de¤eri 122.13 ve Paasche fiyat indeksi de¤eri ise 1. c
124.17 olarak hesaplanm›flt›r. Fisher fiyat indeks de¤eri, 2. d
afla¤›dakilerden hangisidir? 3. c
a. 122.18 4. d
b. 122.43 5. a
c. 122.56 6. b
d. 123.15 7. d
e. 124.03 8. e
9. c
8. 6 maddeye ve istenilen bir y›la iliflkin Laspeyres fiyat 10. b
indeksi 140.18, Fisher fiyat indeksiyse 142.78578 olarak
hesaplanm›flt›r. Paasche fiyat indeksi afla¤›dakilerden
hangisidir? Yararlan›lan Kaynaklar
a. 127.15000 BOWEN, Earl K., STARR Martin K.: Basic Statistics for
b. 132.18754 Business and Economics, McGraw-Hill Inc., 1994.
c. 140.14075 GÜRTAN, Kenan: ‹statistik ve Araflt›rma Metodlar›,
d. 141.13715 ‹stanbul Üniversitesi Yay›nlar›, No 2265, ‹stanbul, 1977.
e. 145.44859 HARNETT, Donald L.: Statistical Methods, 3rd Edition,
Addison Wesley Pub. Comp., London, 1982.
9. 4 maddeye ve istenilen bir y›la iliflkin Paasche fiyat McCLAVE James T., BENSON P.George, SINCICH Terry:
indeksi 120.15, Fisher fiyat indeksiyse 124.25 olarak he- Statistics for Business and Economics, 7th Edition,
saplanm›flt›r. Laspeyres fiyat indeksi afla¤›dakilerden Prentice-Hall International Inc., 1998.
hangisidir?
a. 123.1000
b. 125.1476
c. 128.4899
d. 129.1411
e. 130.1541
10. Dört maddeye iliflkin baz› hesaplama sonuçlar› afla¤›-

da verilmifltir.
∑ p0 ⋅ q0 = 710
∑ p1 ⋅ q0 = 838
∑ p1 ⋅ q1 = 738
∑ p0 ⋅ q1 = 630
Bu sonuçlara göre, Fisher fiyat indeksinin de¤eri afla¤›da-

kilerden hangisidir?
a. 115.42143
b. 117.58467
c. 118.41100
d. 120.13451
e. 121.42138
293
Zaman Serisi
Çözümlemesi
14
• 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-
N Mevsimsel olmayan ve mevsimsel serilerin, betimsel ve öngörü amaçlar›yla

çözümlenmesinde, bileflenlerine ay›rma modellerini uygulayabileceksiniz.
• 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.
ZAMAN SER‹S‹N‹N TANIMI VE GRAF‹KLE
N
GÖSTER‹LMES‹
AMAÇ Zaman serilerini grafikle gösterebileceksiniz.

1
Zaman Serisi Tan›m›

Zaman de¤iflkeniyle iliflkili bir de¤iflken hakk›nda, elde edilen gözlem de¤erleri-
ni zamana göre s›ralanm›fl olarak gösteren serilere, “zaman serisi” denir. Bu ta-
n›m genel bir tan›md›r. Zaman serilerini konu alan pek çok çal›flmada, serilerin
gözlem de¤erlerinin eflit aral›kl› zaman noktalar›nda elde edilmifl oldu¤u görül-
mektedir. Eflit aral›kl› zaman noktalar› (baflka bir ifadeyle zaman de¤iflkeninin
fl›klar›), günler (günlük hava s›cakl›¤›nda oldu¤u gibi), aylar (ayl›k sat›fl miktarla-
r›nda oldu¤u gibi) ve y›llar (y›ll›k ihracat tutarlar›nda oldu¤u gibi) olabilir. Za-
man serisi çözümlemelerinde zaman de¤iflkeninin fl›klar› genellikle t = 1, 2,...., n
ile ifade edilmektedir. Buna göre bir zaman serisi, eflit aral›kl› t = 1, 2,...., n
zaman noktalar›nda Y de¤iflkeniyle ilgili elde edilen y1, y2, ....., yt , ...... yn göz-
lem de¤erlerini zamana göre s›ralanm›fl olarak gösteren seri olarak tan›mlan›r.
Kuramda kesikli zaman serisi tan›m› olarak bilinen bu tan›m, bu ünitede zaman
serisi tan›m› olarak benimsenmifltir.
296 ‹statistik
Zaman serileri gözlem de¤erlerinin elde edilmesinde benimsenen yaklafl›m,

zaman serilerinin zaman de¤iflkeninin fl›klar›na göre isimlendirilmesidir. Örne¤in
gözlem de¤erleri zaman de¤iflkeninin ay fl›kk›na göre elde edilmiflse “ayl›k zaman
serisi” (Tablo 14.1’de gösterildi¤i gibi), zaman de¤iflkeninin y›l fl›kk›na göre elde
edilmiflse “y›ll›k zaman serisi”ad› verilir.
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
Zaman serileri iki flekilde oluflturulur:

• ‹lgilenilen zamana ba¤l› de¤iflkenin, belirlenen eflit zaman aral›klar› itibariy-
le alm›fl oldu¤u de¤erlerin, toplam› ya da ortalamas› al›n›r. Örne¤in; Tablo
14.1’deki 1997 y›l›na iliflkin ihracat tutar› 26.261 milyon ABD Dolar›, 01 Ocak
1997 - 31 Aral›k 1997 zaman döneminde yap›lan ihracat tutarlar›n›n toplam›-
n› gösterir.
• ‹lgilenilen zamana ba¤l› de¤iflkenin belirlenen eflit zaman aral›klar›nda bir
tek ölçümü yap›l›r. Örne¤in; bir bankan›n ayl›k vadesiz mevduat zaman se-
risini oluflturan gözlem de¤erleri, aylar›n son iflgünü itibariyle bu bankan›n
vadesiz mevduat hesab›ndaki bakiyeleri gösterir.
Zaman Serisinin Grafikle Gösterilmesi

Zaman serileri genel olarak “kartezyen koordinatl›” bir grafikle gösterilir. Grafi¤in
apsis ekseninde zaman de¤iflkeninin fl›klar› (ya da bu fl›klara karfl› gelen kod nu-
maralar›), ordinat ekseninde bu fl›klar itibariyle Y de¤iflkeninin ald›¤› de¤erler,
gözlem de¤erleri yt yer al›r. Belirlenen eflit aral›kl› t zaman noktalar› (t = 1, 2...., n)
ile bu zaman noktalar›nda zamana ba¤l› y de¤iflkeninin ald›¤› y1, y2, ..., yt ,..., yn
gözlem de¤erlerini efllefltirmek suretiyle kartezyen koordinat sistemi üzerinde ifla-
retlenen noktalar›n meydana getirdi¤i flekle, kartezyen grafik ya da serpilme di-
yagram› ad› verilir. Tablo 14.1’de verilen zaman serisinin kartezyen grafi¤i örnek
olarak fiekil 14.1’de gösterilmifltir.
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
Kartezyen grafikteki noktalar›n oluflturdu¤u flekle bakarak, zaman de¤iflke-

niyle ihracat tutar› de¤iflkeni aras›ndaki iliflkiyi betimlemek mümkündür. Baflka
bir anlat›mla, zaman serisinin kartezyen grafi¤ini incelemek suretiyle, izleyen k›s-
m›nda aç›klanacak olan, zaman serisini etkileyen temel bileflenlerden hangileri-
nin, bu seriyi etkiledi¤ini, görsel olarak belirlemek mümkündür.
1. Zaman serisi nedir? SIRA S‹ZDE SIRA S‹ZDE
2. Zaman serileri kaç flekilde oluflturulur?

3. Kartezyen grafik nedir?
S O R U S O R U
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
Zaman serilerini etkileyen faktörleri, Temel Faktörler (Bileflenler) ve Yan›lt›c› Fak-
törler bafll›klar› alt›nda ele almak mümkündür.
Zaman Serisini Etkileyen Temel Faktörler (Bileflenler)

Zaman serilerinin gözlem de¤erlerinde, zaman içinde azalmaK ya‹ TdaA artma P fleklin- Bir zaman serisinin
K ‹ T A P
de, baz› de¤iflmeler gözlenir. Ekonomik, sosyal, psikolojik vb. çeflitli nedenlerin bileflenleri; Trend (T),
Mevsimsel de¤iflmeler (M),
zaman serisi gözlem de¤erleri üzerindeki, yön ve fliddetinin farkl› olmas›ndan ile- Konjonktürel de¤iflmeler (K)
ri gelen bu de¤iflmeler; Trend (T), Mevsimsel De¤iflmeler (M), ve Rassal de¤iflmeler
T E L EKonjonktürel
V‹ZYON De- TELEV‹ZYON
(R)’den oluflur.
¤iflmeler (K) ve Rassal De¤iflmeler (R) olarak say›labilir. Bu de¤iflmelere, genel
olarak, Zaman Serisi Bileflenleri ya da temel faktörleri ad› verilir.
Zaman serileri üzerinde etkili olabilen bu bileflenlerin her birinin etkilerini
araflt›rmaya geçmeden önce, sözü edilen bileflenlerin özellikleri ele al›nacakt›r.
Trend Bilefleni: Zaman serisi gözlem de¤erinin uzun zaman döneminde (en
az 7 y›l) artma ya da azalma yönünde gösterdi¤i genel e¤ilime “trend” ad› verilir.
Bu e¤ilimi aç›klayan bileflene de “Trend bilefleni” denir. Trend bilefleni, zamana
ba¤l› de¤iflken üzerindeki genel e¤ilime neden olan uzun dönemli etkileri aç›klar.
Bu etkileri genel olarak, demografik özelliklerdeki, co¤rafi da¤›l›mdaki, kifli bafl›-
298 ‹statistik
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)
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
fiekil 14.3 Çeyrek

2500 y›ll›k bir örnek
t zaman serisinin
5 10 15 20
Zaman kartezyen grafi¤i.
Birbirini izleyen iki mevsimsel de¤iflmenin maksimum noktalar› aras›ndaki za-

man aral›¤›na dalga uzunlu¤u ad› verilir ve L simgesiyle gösterilir. Genellikle mev-
simsel de¤iflmelerin dalga uzunluklar› birbirine eflittir. fiekil 14.3 incelendi¤inde
mevsimsel de¤iflmelerin dalga uzunluklar›n›n L = 4 çeyrek y›l oldu¤u görülmek-
tedir. Ayl›k zaman serilerinde L = 12 ayd›r.
Mevsimsel de¤iflmeler, dalga uzunluklar›n›n birbirine eflit olmas› nedeniyle pe-
riyodik, tekrar tekrar meydana gelmifl olmalar› nedeniyle de döngüsel özelli¤e sa-
hip de¤iflmelerdir.
Bir mevsimsel de¤iflmenin maksimum ve minimum noktas› aras›ndaki yüksek-
lik fark›na dalga fliddeti ad› verilir. Mevsimsel de¤iflmelerin dalga fliddetleri, fiekil
14.3’de görüldü¤ü gibi, farkl› ya da eflit olabilir.
E¤er bir zaman serisindeki mevsimsel de¤iflmelerinin dalga fliddetleri trend et-
kisinin belirledi¤i genel e¤ilimden ba¤›ms›zsa, bu serinin, eflit mevsimsel dalga
fliddetine sahip mevsimsel de¤iflme gösterdi¤i , ba¤›ml›yla eflit olmayan dalga flid-
detine sahip mevsimsel de¤iflme gösterdi¤i söylenir.
Mevsimsel de¤iflmelerin dalga uzunlu¤unun ve dalga fliddetinin do¤ru olarak
belirlenmesi, zaman serisi çözümlemelerinde en önemli konulardand›r. Çünkü;
bu durum, çözümleme amac›yla kullan›lan yöntem türünün ve model tipinin be-
lirlenmesine etki eder. Mevsimsel de¤iflmeler düzenli de¤iflmeler oldu¤undan,
herhangi bir zaman dönemi için etkileri daha kolay tahminlenebilir.
300 ‹statistik
Konjonktürel Bileflen: Ekonomi ve ifl idaresi

yt
alanlar›yla ilgili de¤iflkenlerde genellikle, sabit bir
oranda art›fl ya da azal›fl görülmez. Trend düzeyi et-
raf›nda, iki ile on y›l ya da daha fazla y›l zaman ara-
l›klar›yla, herhangi bir dönemde, artma ya da azal-
C2 ma fleklinde tekrarlanabilen de¤iflmeler gözlenir.
Konjonktürel de¤iflme ad› verilen bu de¤iflmelerin
etkisini aç›klayan bileflene “konjonktürel bileflen”
denir. Örne¤in, ülkemizde yaflanan fiubat-2001 kri-
t ziyle birlikte pek çok ekonomi ve ifl idaresiyle ilgili
1980 1990 2000 de¤iflken azalan ya da artan de¤erler alma e¤ilimi-
Zaman ne girmifltir. Yat›r›mlar azalm›fl, hatta durmufl, üre-
tim azalm›fl, dolay›s›yla gelirler azalm›fl, özetle eko-
fiekil 14.4 nomi durgunluk dönemine girmifltir. Bu e¤ilimin yönü, al›nan çok yönlü tedbir-
Konjonktürel lerle artan ya da azalan yönde e¤ilime dönüfltürülmeye çal›fl›lmaktad›r. Bu durum,
de¤iflme.
yeniden; yat›r›mlarda, üretimde ve gelirde art›fllara yol açacak, pek çok de¤iflke-
nin zaman içindeki de¤erlerinde art›fllara ya da azal›fllara sebep olabilecektir. An-
cak, unutulmamal›d›r ki, uzun bir zaman dönemi içinde, herhangi bir zamanda
yeni benzer ya da baflka türlü bir krizle karfl›lafl›labilir. Aç›klanan türden de¤iflme-
Uzun vadede trend etraf›nda ler tekrarlan›r gider. Konjonktürel de¤iflme gösteren örnek bir grafik, fiekil 14.4’te
artma ya da azalma verilmifltir.
fleklinde tekrarlanan
de¤iflmelere, konjonktürel
Konjonktürel bileflenin aç›klad›¤› de¤iflmeler periyodik olmayan, ancak dön-
de¤iflmeler ad› verilir. güsel olan de¤iflmelerdir. Bu de¤iflmeler, ekonomi ve ifl idaresiyle ilgili de¤iflken-
ler üzerinde ayn› fliddette olmasa da ayn› yönde etki ederler. Konjonktürün artma
yönündeki etkisi, trendin art›fl e¤ilimini h›zland›r›r. Buna karfl›l›k, konjonktürün
azalma yönündeki etkisi trendin art›fl h›z›n› yavafllat›r, hatta tamamen durdurabilir.
Konjonktürel de¤iflmelerin sadece ekonomik faktörlerdeki de¤iflmelerden
meydana gelmesi gerekmez. Örne¤in; iklim koflullar›ndaki de¤iflmeler, tar›m
ürünlerinin üretim miktarlar›nda konjonktürel de¤iflmelere neden olabilir. Yine
modadaki de¤iflmeler, belirli bir ürünün sat›fllar› üzerinde döngüsel de¤iflmelere
neden olabilir.
Rassal Bileflen: Zaman serilerindeki düzensiz de¤iflmelere “rassal de¤iflme”
ad› verilir. Rassal de¤iflmeler, beklenmedik olaylar›n zaman serileri üzerindeki et-
kisiyle meydana gelen de¤iflmelerdir. Örne¤in; deprem, siyasal kar›fl›kl›klar, sa-
vafl, grev ve lokavt, rakip firmalar›n politikalar›ndaki de¤ifliklikler v.b. gibi etkiler,
rassal de¤iflmelere neden olur. Rassal Bileflen, zaman serileri üzerinde trendin,
mevsimsel bileflenin ve konjonktürel bileflenin etkisi ayr›flt›r›ld›ktan sonra geride
kalan etkiyi aç›klayan bileflendir.
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.
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:
Ortalama Bir Aydaki Gün Say›s›

GSD = . yt
Düzeltme Yap›lacak Aydaki Gün Say›s›
Ortalama Bir Aydaki ‹flgünü Say›s›

‹GSD = . yt
Düzeltme Yap›lacak Aydaki ‹flgünü Say›s›
Burada,
GSD = Gün say›s› bak›m›ndan düzeltmeyi,

‹GSD = ‹flgünü say›s› bak›m›ndan düzeltmeyi,
yt = Düzeltme yap›lacak ay›n gözlem de¤erini göstermektedir.
Zaman serilerini fiyat de¤iflikliklerinin etkisinden ar›nd›rmak için yap›lacak dü-

zeltmeyse, cari fiyatlarla verilmifl gözlem de¤erlerinin sabit fiyatlara dönüfltürül-
mesi suretiyle yap›l›r. Bu amaçla, cari fiyatlarla verilmifl gözlem de¤erleri toptan
eflya fiyatlar› indeksi, tüketici fiyatlar› indeksi v.b. gibi uygun indekse bölünür.
1. Trende neden olan etkileri aç›klay›n›z. SIRA S‹ZDE SIRA S‹ZDE
2. Dalga uzunlu¤u nedir?

3. Zaman serilerini etkileyen yan›lt›c› faktörler nelerdir?
S O R U S O R U
N
ZAMAN SER‹S‹ ÇÖZÜMLEMES‹
D‹KKAT D‹KKAT
Zaman serisi çözümlemesi kavram›n› aç›klayabilecek ve hareketli
AMAÇ
ortalamalar hesaplayabileceksiniz.
N N
Zaman Serisi Çözümlemesi Tan›m›

Zaman serisi gözlem de¤erleri üzerinde rassal de¤iflmelerin yan›nda di¤er zaman
serisi bileflenlerinden hangilerinin etkili oldu¤unun belirlenmesi çal›flmalar›na,
“zaman serisi çözümlemesi” denir. Bu tan›m kapsam›nda, zaman serisi çözümle-
mesinin amac›, serinin hangi bileflenlerin etkisinde oldu¤unu belirlemek ve her
bileflenin etkisini tahminlemek, (baflka bir anlat›mla) ilgili zaman serisinin özellik-
lerini aç›klayabilmektir.
302 ‹statistik
Zaman serisi çözümlemesinin ikinci ve en önemli amac›, serinin öngörü ama-

c›yla çözümlenmesidir. Zaman serisi gözlem de¤erleri aras›nda ba¤›ml›l›¤›n, iç ba-
¤›ml›l›¤›n, var olmas› ve serideki de¤iflmelere neden olan etkilerin gelecekte de
ayn› flekilde devam edece¤i varsay›m›yla, bir zaman serisinin geçmifl dönem göz-
lem de¤erlerini kullanarak, gelecek dönem öngörü de¤erlerini elde etmek müm-
kün olabilmektedir. Zaman serileri çözümlemesini, ba¤›ms›z gözlem de¤erlerin-
den meydana gelen serilerin çözümlemesinden ay›ran bu önemli özellik, öngörü
amac›yla zaman serisi çözümlemesi tan›m› yapma gere¤ini ortaya ç›karmaktad›r.
Zaman serilerinin öngörü amac›yla çözümlemesi, bir zaman serisini etkileyen un-
surlar›n belirlenmesi, yap›lan belirlemeden yararlanarak geçmiflin aç›klanmas› ve
istatistiksel aç›dan normale göre gerçekleflen durumun de¤erlendirilmesi, belirle-
nen unsurlar›n gelecekte de seriyi ayn› flekilde etkilemeye devam edece¤i varsa-
y›m› alt›nda, gelecek dönemler için öngörüler yap›lmas› ve bunlar›n karar verme
ve planlama faaliyetleri için kullan›ma sunulmas› çal›flmalar›d›r.
Karar verme ve planlama faaliyetlerine her geçen gün artan gereksinim, zaman
serilerinin öngörü amac›yla çözümlemesini önemli bir konu haline getirmektedir.
Ana çizgileriyle çözümlemelerde, zaman serisi bileflenleriyle ilgilenilmektedir.
Bu ünitenin izleyen bölümlerinde, zaman serisi çözümlemelerinin bileflenlere
ay›rma yöntemiyle nas›l incelenece¤i konusu, uygulamal› olarak ele al›nacakt›r.
Zaman Serisi Çözümlemesinde Hareketli Ortalamalar

Hareketli ortalamalar zaman serilerini mevsimsel ve rassal bileflenlerin etkisinden
ar›nd›rmak suretiyle, bu serilerin genel e¤ilimini elde etmek amac›yla baflvurulan
bir istatistiksel yaklafl›md›r.
Hareketli ortalamalar›n hesaplanmas›ndaki aflamalar, afla¤›da ayr›nt›lar›yla ele
al›nm›flt›r.
• Zaman serisinin ilk gözlem de¤erinden bafllamak üzere k say›da y1, y2, ..., yk
gözlem de¤erinden oluflan bir küme belirlenir. Bu kümede yer alan gözlem
de¤erleri için aritmetik ortalama x1 hesaplan›r. Burada k, oluflturulan küme-
deki gözlem de¤eri say›s›n› gösterir. Hesaplanacak hareketli ortalamalar seri-
sini etkiledi¤i için k’n›n de¤erini belirlemek önemlidir. Ayl›k serilerde mev-
simsel dalga uzunlu¤u L = 12, mevsimlik ve çeyrek y›ll›k serilerde dalga
uzunlu¤u L = 4 de¤erleri, k de¤eri olarak al›n›r. k = 3 ya da daha küçük ha-
reketli ortalamalar, genellikle ayl›k zaman serilerini rassal bileflenin etkisin-
den ar›nd›rmak amac›yla kullan›l›r. Çünkü rassal etkiler üç aydan uzun sür-
mez. Hareketli ortalamalar, belirlenen k de¤eriyle isimlendirilirler. Örne¤in; k
= 3 ise 3’erli hareketli ortalamalar (3’erli H.O), k = 4 için 4’erli hareketli orta-
lamalar (4’erli H.O) gibi.
• ‹lk k say›daki gözlem de¤erleri kümesinin ilk gözlem de¤eri y1 kümeden
ç›kar›l›r. (k+1)’inci s›radaki gözlem de¤eri yk+1 kümeye dahil edilerek k
gözlem de¤erinden oluflan ikinci bir küme oluflturulur ve bu küme için de
aritmetik ortalama x2 hesaplan›r.
• Bu ifllemler benzer flekilde sürdürülerek k tek say›ysa n-(k-1) say›da, k çift
say›ysa n-k say›da gözlem de¤erleri kümeleri oluflturulur ve n-(k-1) ya da
n-k say›da aritmetik ortalama hesaplanm›fl olur.
Hesaplanan aritmetik ortalamalar (bir baflka ifadeyle hareketli ortalamalar), ait
olduklar› kümenin tam ortalamas›na karfl› gelecek flekilde yaz›l›r. Gözlem say›s›
de¤eri tek oldu¤unda, hesaplanan ortalamalar hesapland›klar› kümenin bir terimi-
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
t yt 3’erli H.O Tablo 14.2 Üçerli

1 10 - hareketli
ortalamalar.
2 31 28
3 43 30
4 16
5 11
6 33
7 45
8 17
9 13 21.,33
10 34
k çiftse, örne¤in 4’erli hareketli ortalamalar›n uygulanmas› halinde hesaplanan

hareketli ortalamalar ait olduklar› kümedeki herhangi bir gözlem de¤erine (ya da
zaman dönemine) karfl› gelmezler. Örne¤in; Tablo 14.3’de 3’üncü sutünda yer alan
ilk dört gözlem de¤erinden oluflan birinci kümenin hesaplanan aritmetik ortala-
mas› 10 + 31 + 43 + 16 == 25 25 y2 ile y3 gözlem de¤erleri aras›nda t = 2.5 zaman
4
noktas›na karfl› gelmektedir. Hesaplanan hareketli ortalamalar›n ait olduklar› kü-
medeki herhangi bir gözlem de¤erine karfl› gelmesini sa¤lamak amac›yla, yeniden
2’flerli hareketli ortalamalar› al›n›r. Bu hareketli ortalamalara “merkezilefltirilmifl
hareketli ortalamalar” ad› verilir. Hesaplanan merkezilefltirilmifl ortalamalar Tablo
T 4’erli H.O 2’flerli H.O Tablo 14.3 Dörderli

Merkezilefltirilmifl H.O hareketli
ortalamalar.
1 10 -
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
Örne¤in birinci ve ikinci dörderli hareketli ortalamalar x1 = 25 ve x2 = 25,25

dir. Buna göre birinci merkezilefltirilmifl hareketli ortalama
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.
SIRA S‹ZDE SIRA çözümlemesi

1. Zaman serisi S‹ZDE kavram›n› aç›klay›n›z.
2. Hareketli ortalamalar›n hesaplanmas›nda izlenen aflamalar› s›ralay›n›z.

3. Merkezilefltirilmifl hareketli ortalamalara, hangi özellikteki serilerde gereksinilir?

S O R U Aç›klay›n›z.S O R U
D‹KKAT ZAMAN SER‹S‹

D‹KKAT ÇÖZÜMLEMES‹NDE B‹LEfiENLERE
N
AYIRMA YÖNTEM‹
N N
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.
Yönteme ‹liflkin Modeller

Bir araflt›rmac› bir zaman serisini çözümlemek istedi¤inde, zaman serisi bileflenle-
rinin etkilerini araflt›rmak durumundad›r. Çünkü; zaman serileri, rassal bileflenin
yan›nda, di¤er üç bileflenin de¤iflik kombinasyonlar›n›n etkisinde, bunlar›n adeta
ortak bir sonucu niteli¤indedir. Bu durum, zaman serisinin herhangi bir t döne-
mindeki yt gözlem de¤eriyle yukar›da belirtilen zaman serisi bileflenleri aras›nda,
yt = Tt . Mt . Kt . Rt çarp›msal
ya da
yt = Tt + Mt + Kt + Rt toplamsal
fleklinde bir iliflkiye yer veren modelle aç›klanmaktad›r.

Burada
yt = Zaman serisinin t zaman dönemindeki gözlem de¤erini,

Tt = Trend bilefleni’nin (ya da faktörün) t zaman dönemindeki etkisini,
Mt = Mevsimsel bileflenin (ya da faktörün) t zaman dönemindeki etkisini,
Kt = Konjonktürel bileflenin (ya da faktörün) t zaman dönemindeki etkisini,
Rt = Rassal bileflenin (ya da faktörün) t zaman dönemindeki etkisini,
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.
Bileflenlere Ay›rma Yöntemiyle Çözümlemede Aflamalar
Serinin Yan›lt›c› Faktörlerin Etkisinden Ar›nd›r›lmas›

Kimi zaman, serilerinde trend ya da mevsimsel bileflenin etkisi varm›fl gibi izlenim
yaratan ve daha önce aç›klanan yan›lt›c› faktörlerin etkisi olabilir. Zaman serileri-
ni çözümlemeye geçmeden önce, serilerin e¤er gerekliyse, söz konusu etkilerden
ar›nd›r›lmas› gerekir. Bu amaçla yine daha önce sözü edilen (gün say›s›, iflgünü
say›s› ya da fiyat de¤iflmeleri bak›m›ndan) uygun düzeltme ifllemlerine baflvuru-
lur. Gerekli olan düzeltme ifllemlerine baflvurmadan yap›lacak çözümlemelerde,
zaman serisi bileflenlerine iliflkin tahminler hatal› ve bu tahminleri kullanarak el-
de edilecek öngörüler tutars›z olabilir.
Çarp›msal Modelin Uygulanmas›

Zaman serilerinin mevsimsel olmayan ve mevsimsel seriler olarak s›n›fland›r›lma-
s›, zaman serisi çözümlemelerinde kullan›lan en önemli bir s›n›fland›rmad›r. Bu
nedenle, yukar›da aç›klanan çarp›msal modellerin uygulamalar›, bu s›n›fland›rma-
ya uygun olarak, ayr› ayr› bafll›klar alt›nda yap›lm›flt›r.
Mevsimsel Olmayan Serilerin Çözümlenmesinde Çarp›msal Modelin

Uygulanmas›
Modele ‹liflkin Aç›klamalar

Zaman serileri, Rt rassal bileflenin yan›nda di¤er üç bileflenin de mutlaka etkisin-
de olmay›p, onlar›n de¤iflik kombinasyonlar›n›n etkisinde olabilmektedir. Örne-
¤in; s›k karfl›lafl›lan y›ll›k zaman serileri, mevsimsel bileflenin etkisini göstermez-
ler. Mevsimsel olmayan serilerin aç›klanmas›nda
yt = Tt . Kt . Rt
306 ‹statistik
çarp›msal model uygulanabilir. Bu model türü tercih edildi¤inde, zaman serisini

etkileyen Tt , Kt ve Rt bileflenlerine iliflkin tt , kt ve rt tahminlerinin ayr› ayr› he-
saplanmas› gerekir. Bu durumda zaman serisinin t dönemine ait tahmin de¤eri,
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.
Modelde Yer Alan Bileflenlerin Tahminlenmesi Sürecinde ‹zlenen Aflamalar
Trend Bilefleninin Tahminlenmesi: Çözümlenen y1, y2, ... , yn serisinin t dö-

nemindeki Tt bileflenini tahminleyebilmek için, bu serinin gözlem de¤erlerine,
genellikle
Tt = β0 + β1t do¤rusal trend
ya da
Tt = β0 + β1t + β2t2 e¤risel trend
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.
Do¤rusal Trend modeline iliflkin En Küçük Kareler Normal Denklemleri
∑yt = nb0 + b1 ∑t
∑yt t = b0 ∑t + b1 ∑t2
E¤risel Trend modeline iliflkin En Küçük Kareler Normal Denklemleri
∑yt = nb0 + b1 ∑t + b2 ∑t2
∑yt t = b0 ∑t + b1 ∑t2 + b2 ∑t3
∑yt t2= b0 ∑t2+ b1 ∑t3 + b2 ∑t4
eflitlikleriyle ifade edilmektedir.

Ancak, bilgisayar deste¤inin olmad›¤› durumlarda, hesaplamalarda kolayl›k
sa¤lad›¤› için, yukar›daki En Küçük Kareler Normal Denklemlerinden de¤il, on-
lar›n sadelefltirilmifl yaz›l›mlar›ndan yararlan›l›r. En Küçük Kareler Normal Denk-
lemlerinde sadelefltirmeler zaman dönemlerine (daha önce aç›klanm›fl oldu¤u gi-
bi) t = 1, 2, ..., n kodlar› vermek yerine, serinin medyan dönemine s›f›r kodu ve-
rilmesi ve di¤er dönemlere iliflkin kodlamalarda, ∑t = 0 olacak flekilde, düzenle-
me yap›lmas›yla sa¤lanm›fl olur.
Serinin terim say›s› n tek say›ysa medyan dönem vard›r ve bu dönem t = 0 ola-
rak kodlan›rsa, di¤er dönemler .... -3, -2 ,-1, 0, 1, 2, 3 .... kodlanm›fl ve dolay›s›y-
la ∑t = 0 elde edilmifl olur.
Serinin terim say›s› n çift say›ysa medyan dönem yoktur. En ortadaki iki dö-
nemin aritmetik ortalamas› medyan dönem olarak kabul edilir. Böylece iki za-
man noktas›n›n aral›¤› iki birim uzunluk olarak tan›mlanm›fl olur. Bu tan›ma gö-
re serinin en ortas›ndaki iki dönemden ilkine t = -1 di¤erine t = 1 kodu verilerek
di¤er t dönemleri ... -5, -3, -1, 1, 3, 5, .... fleklinde kodlanm›fl olur. Burada da
amaç ∑t = 0’a eflit k›lmakt›r.
Zaman de¤iflkeninin fl›klar›na verilecek kodlar›n cebirsel toplamlar›n›n s›f›ra
eflitlenecek flekilde düzenlenmesi, En Küçük Kareler Denklemlerini sadelefltirir.
Çünkü n bilinmeyenli denklem sistemi n-1 bilinmeyenli denklem sistemine dö-
nüfltürülmüfl olur.
Sadelefltirilmifl normal denklemler afla¤›da verilmifltir.
Do¤rusal Modele ‹liflkin Sadelefltirilmifl Normal Denklemler
∑yt = nb0
∑ytt = b1 ∑t2
eflitlikleriyle,
E¤risel Modele ‹liflkin Sadelefltirilmifl Normal Denklemlerse,
∑yt = nb0 + b2 ∑t2

∑yt t = b1 ∑t2
∑yt t2 = b0 ∑t2 + b2 ∑t4
eflitlikleriyle ifade edilir.

Tahmin edilen trend do¤rusu ya da e¤risinin zaman serisini aç›klama gücü
∑(yt - tt)2 = minimum koflulunu sa¤lamas›yla iliflkilidir. yt gözlem de¤erleriyle tt
trend tahmin de¤erleri aras›nda
∑yt = ∑tt ve yt ≠ tt
308 ‹statistik
iliflkisi vard›r. Gözlem de¤erleriyle trend tahmin de¤erleri aras›ndaki farklara

(yt - tt), tahmin hatalar› ad› verilir. Tahmin hatalar›n›n ortalama ölçüsü standart
hata, serideki gözlem de¤eri say›s› n ≥ 30 ise,
∑(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.
ÖRNEK 1 Tablo 14.1’de verilen zaman serisinin trend bileflenini tahminleyiniz.

ÇÖZÜM
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
do¤rusal model uygulanm›flt›r. Modelin β0 ve β1 parametrelerinin tahminleri b0 ve b1,

En Küçük Kareler Normal Denklemlerinden yararlanarak afla¤›daki gibi hesaplan›r:
‹lgili de¤erler Tablo 14.4’den elde edilmifltir.
∑yt = 269.987
∑t = 91
∑t2 = 819
∑ytt = 2197.06
Bu de¤erler normal denklemlerde yerlerine konarak,
269.987 = 13b0 + 91b1 -7(269.978) = -7(13)b0 + (-7)(91)b1

2197.06 = 91b0 + 819b1 2197.06 = 91b0 + 819b1
-1889.,846 = -91b0 - 637b1
2197.06 = 91b0 + 819b1
307.214 = 0 + 182b 1
182 182
b1 = 1.688
olarak elde edilir. b1 de¤eri ilk eflitlikte yerine konarak,
269.987 = 13b0 + 91.1688

b0 = 8.955
olarak elde edilir. Sonuçlara göre Tt’nin do¤rusal tahmin modeli tt
tt = b0 + b1t = 8.955 + 1.688t
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).
t ihracat = yt t2 t . yt tt = 8.955 + 1.688t Tablo 14.4

1 11.625 1 11.625 10.642 Do¤rusal trend
tahminleri.
2 12.959 4 25.918 12.33
3 13.593 9 40.779 14.018
4 14.715 16 58.86 15.705
5 15.345 25 76.725 17.393
6 18.106 36 108.636 19.081
7 21.637 49 151.459 20.768
8 23.224 64 185.792 22.456
9 26.261 81 236.349 24.143
10 26.974 100 269.74 25.831
11 26,587 121 292.457 27.519
12 27.775 144 333.3 29.206
13 31.186 169 405.418 30.894
Toplam 269.987 819 2197.058 269.986
Bu tahmin modelinde t için t = 1, 2, ........, 13 de¤erlerini uygulamak suretiyle Tab-

lo 14.4’teki tahmin de¤erleri tt hesaplanm›fl olur. Örne¤in, Tablo 14.4’te t = 2 için
hesaplanan t2 = 12.33 trend tahmin de¤eri,
t2 = 8.955 + 1.688 (2) = 12.33
fleklinde elde edilmifltir.
Konjonktürel Bileflenin Tahminlenmesi: Bu tahminleme için, serinin önce,

trend bilefleninden ar›nd›r›lmas› gerekir. Bu ar›nd›rma yt gözlem de¤erini tt tah-
min de¤erlerine bölmek ( yt ) suretiyle yap›l›r.
tt
yt' = tt . kt . rt
oldu¤undan
yt tt . kt . rt
= = kt . rt
tt tt
trend bilefleninden ar›nd›r›lm›fl seri de¤erleri, bir baflka ifadeyle Konjonktürel ve

rassal bileflenlerin kt . rt tahminleri elde edilmifl olur. Y›l ya da daha uzun zaman
310 ‹statistik
aral›klar›yla yap›lan ölçümlerden meydana gelen zaman serilerinde Kt konjonktürel

bilefleninin, tahmin de¤eri kt genellikle Rt rassal bilefleninin tahmin de¤eri rt ile
y
birlikte kt . rt = t eflitli¤iyle tahmin edilir. Tahmin edilmifl olan kt . rt tahminleri
tt
sanki, Kt bilefleninin kt tahminiymifl gibi yorumlan›rlar. kt . rt = 1 oldu¤unda za-
man, serisinin t dönemindeki gözlem de¤eri üzerinde konjonktürel etkinin gö-
rülmedi¤i yorumu yap›l›r. kt . rt > 1 ya da kt . rt < 1 olmas› durumlar›nda serinin
t dönemindeki gözlem de¤eri üzerinde konjonktürel etkinin oldu¤u yorumu ya-
p›l›r. Birinci durumdaki etki, serinin trendin üzerinde de¤er almas›na, ikinci du-
rumdaki etkiyse trendin alt›nda de¤er almas›na neden olur. Varolan etkinin dü-
zeyi kt . rt - 1 fark› al›narak belirlenir ve yorum kolayl›¤› sa¤lamak için bu fark
100 ile çarp›l›r.
ÖRNEK 2 Tablo 14.1’deki zaman serisinin konjonktürel bilefleninin etkisini

tahminleyiniz.
ÇÖZÜM
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
bulunmufl olur. Bu 1.05 de¤eri t = 2 için Konjonktürel ve rassal bileflenlerin t dö-

nemindeki k2 . r2 tahmin de¤erini verir.
Tablo 14.5: t ihracat = yt tt = 8.955 + 1.688t yt/tt = kt . rt

kt . rt tahminleri
1 11.625 10.642 1.092
2 12.959 12.33 1.051
3 13.593 14.018 0.97
4 14.715 15.705 0.937
5 15.345 17.393 0.882
6 18.106 19.081 0.949
7 21,637 20.768 1.042
8 23.224 22.456 1.034
9 26.261 24.143 1.088
10 26.974 25.831 1.044
11 26.587 27.519 0.966
12 27.775 29.206 0.951
13 31.186 30.894 1.009
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.
Öngörü De¤erlerinin Türetilmesi: Daha önce de aç›klanm›fl oldu¤u gibi,

Konjonktürel ve Rassal Bileflenlere iliflkin güvenilir öngörüler türetilemedi¤i için,
öngörü amac›yla çözümlemelerde genellikle bu iki bileflenle ilgilenilmez ve çar-
p›msal öngörü modellerinde bu iki bileflene yer verilmez. Bu durumda t+1 ön dö-
nem için öngörü modeli
yt+1 = Tt+1 + εt+1
olur. Do¤rusal Trend bilefleni t dönemi için
Τt = β0 + β1t
ile aç›kland›¤›ndan bu öngörü modeli afla¤›daki gibi de yaz›labilir:
yt+1 = β0 + β1 tt+1 + εt+1
Trend bilefleni Tt ’nin tahmini tt
tt = b0 + b1t
eflitli¤iyle ifade edildi¤inden t+1 ön dönem öngörü de¤eri
y't+1 = tt+1 = b0 + b1(t + 1)
eflitli¤iyle hesaplanm›fl olur.
Tablo 14.1’deki zaman serisi için 2002 y›l› öngörü de¤erini hesaplay›n›z. ÇÖZÜM ÖRNEK 3
‹lgilendi¤imiz örnek için 2002 y›l› t + 1 = 13 + 1 = 14 için
y'14 öngörü de¤eri
y'14 = b0 + b1(t + 1) = 8.955 + 1.688(14) = 32.587
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.
Mevsimsel Serilerin Çözümlenmesinde Çarp›msal Modelin Uygulanmas›
Modele ‹liflkin Aç›klamalar

Bilindi¤i gibi, çeyrek y›ll›k, mevsimlik ve ayl›k zaman serileri, genellikle mevsim-
sel bileflenin etkisini gösterirler. An›msanaca¤› gibi, mevsimsel serileri aç›klamak
amac›yla kullan›lan çarp›msal model genel olarak,
yt = Tt . Mt . Kt . Rt
ve bu modele iliflkin tahmin modeli de,
y't = tt . mt + kt . rt
312 ‹statistik
gibi gösterilir. Ancak, öngörü amac›yla yap›lacak çözümlemelerde de mevsimsel

olmayan çarp›msal modeller için aç›klanan nedenle, Konjonktürel ve Rassal bile-
flenlere yer verilmemektedir. Buna göre, t dönemi için öngörü modeli,
y't = tt . mt
eflitli¤iyle ifade edilmifl olur.
Modelde Yer Alan Bileflenlerin Tahminlenmesi Sürecinde ‹zlenen Aflamalar

Yukar›daki çarp›msal modeller kullan›larak, mevsimsel serilerin çözümlenmesin-
de afla¤›daki s›ra izlenir.
Mevsimsel Bileflenin Tahminlenmesi: Bu tahminleme 4 aflamada gerçeklefltirilir:

I. Öncelikle serinin mevsimsel dalga uzunlu¤u, L belirlenir. Mevsimsel de¤ifl-
melerin dalga uzunluklar› mevsimlik (ya da çeyrek y›ll›k) serilerde L = 4,
ayl›k serilerde L = 12 olup, genellikle birbirine eflittir. Baz› serilerde mev-
simsel de¤iflmelerin her birinin dalga uzunluklar› eflit olmayabilir. Bu du-
rumda ortalama dalga uzunlu¤u, L de¤eri olarak an›labilir.
II. Serinin hareketli ortalamalar› (ya da merkezilefltirilmifl hareketli ortalamala-
r›) hesaplan›r. E¤er k tek say›ysa merkezlefltirilmifl hareketli ortalamalara ge-
reksinim duyulmaz. Hesaplanan hareketli ortalamalar mevsimsel ve rassal
bileflenlerden (mt . rt) ar›nd›r›lm›fl, trend ve konjonktürel bileflenlerin etkisi-
ni gösteren seri de¤erleridir. Bu durum matematiksel olarak t dönemi için,
yt t . mt . kt . rt
= t = tt . kt
mt . rt mt . rt
eflitli¤iyle ifade edilir.

III. yt gözlem de¤erleri, hareketli ortalamalara (ya da merkezilefltirilmifl hare-
ketli ortalamalara) bölünerek, Mt . Rt bileflenlerinin tahmini mt . rt afla¤›da-
ki eflitlik kullan›larak hesaplan›r.
yt
= mt . rt
tt . kt
IV. Son ifllem, mevsimsel bileflenin tahminlenmesidir. Bunun için, Mt . Rt bile-

flenlerinin mt . rt tahminlerinden rt etkisinin ar›nd›r›lmas› ve mt tahmininin
elde edilmesi gerekir. Mevsimsel bilefleni tahminlemek için ayn› zaman dö-
nemine karfl› gelen mt . rt tahmin de¤erleri grupland›r›larak ortalamalar› he-
saplan›r. Örne¤in; birbirini izleyen y›llar›n ayn› aylar›n›n, mevsimlerinin ya
da çeyrek y›llar›n›n mt . rt tahmin de¤erleri grupland›r›l›r ve ortalamalar› he-
saplan›r. Bu ortalamalar›n say›s› t = 1, 2 .... L olup mt simgesiyle gösterilir.
L
∑ mt = L olmal›d›r. E¤er bu eflitlik sa¤lanm›yorsa, eflitli¤in sa¤lanmas›
t=1
ve mt tahminlerinin elde edilmesi için mt = mt . L düzeltmesi yap›l›r.
L
∑ mt
t=1
t = 1, 2 ..., L say›da düzeltilmifl mt. tahminleri, örne¤in; bir y›l›n 12 ay›, 4
mevsimi (ya da 4 çeyrek y›l›) için mevsimsel de¤iflmeyi ifade eden tahmin-
ler olarak al›n›r.
Mevsimsel Bileflenden Ar›nd›r›lm›fl Seri De¤erlerinin Tahminlenmesi:

Bu tahminler dt ile gösterilir ve
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.
Afla¤›daki seriyi çarp›msal model kullanarak çözümleyiniz. ÖRNEK 4
Çeyrek Y›llar yt Çeyrek Y›llar yt Tablo 14.6 Çeyrek

1989Q1 2803.27 1992Q1 3549.95 y›ll›k zaman serisi.
1989Q2 2573.86 1992Q2 3303.34
1989Q3 2568.12 1992Q3 3701.31
1989Q4 3679.43 1992Q4 4160.02
1990Q1 2994.33 1993Q1 3673.27
1990Q2 2745.46 1993Q2 3477.28
1990Q3 2858.71 1993Q3 3561.98
1990Q4 4360.79 1993Q4 4632.53
1991Q1 3378.66 1994Q1 3826.36
1991Q2 2904.93 1994Q2 3830.78
1991Q3 3208.71 1994Q3 4815.19
1991Q4 4101.16 1994Q4 5633.54
314 ‹statistik
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
fiekil 14. 5 Tablo

14.6’da verilen 2500
zaman serisinin
grafi¤i. Index ÇEYREK YIL
5 10 15 20
Bu bilgilere göre serinin aç›klanmas›nda kullan›labilecek çarp›msal model,
yt = Tt . Mt . Kt . Rt
fleklinde ifade edilir. Mevsimsel dalga uzunlu¤u L = 4 oldu¤undan, mevsimsel bi-

leflenin tahminlenmesi için serinin önce, dörderli (L = k = 4) hareketli ortalamala-
r›, sonra da merkezilefltirilmifl hareketli ortalamalar› hesaplanm›flt›r. Tablo 14.7’de
gösterilmifl olan merkezilefltirilmifl ortalamalar, trend ve konjonktürel bileflenlerin
tahmin de¤erlerini (tt . kt) ya da mevsimsel ve rassal bileflenlerden (mt . rt) ar›nd›-
r›lm›fl de¤erlerini gösterirler. (mt . rt) tahminleri,
yt
= mt . rt
tt . kt
eflitli¤i kullan›larak hesaplan›r.

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
Mevsimsel bileflenin tahminlenmesiyle ilgili son ifllem olarak, Tablo 14.7’deki mt . rt

tahminlerinden, rt bilefleninin etkisinin ar›nd›r›lmas› ve mt mevsimsel bilefleninin tahmin
edilmesi için, ayn› çeyrek y›llara karfl› gelen mt . rt tahmin de¤erleri, Tablo 14.8’de gös-
terildi¤i gibi grupland›r›lm›fl ve her grup için mt ortalamalar hesaplanm›flt›r.
Çeyrek Y›llar Tablo 14.8

Y›llar 1 2 3 4 Çeyrek y›llar
itibar›yla
1989 ----- ------ 0.8764 1.2366 grupland›r›lm›fl
1990 0.9871 0.8702 0.8692 1.2994 mt . rt ve mt
1991 0.9880 0.8467 0.9382 1.1747 tahminleri.
1992 0.9854 0.8997 1.0019 1.1149
1993 0.9833 0.9205 0.9238 1.1821
1994 0.9288 0.8703 ----- ------
Ortalama = mt 0.97452 0.88148 0.9219 1.20154
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.
Serinin Mevsimsel De¤iflmenin Etkisinden Ar›nd›r›lmas›: t dönemi için,
mevsimsel de¤iflmeden ar›nd›r›lm›fl de¤er, dt simgesiyle gösterilir ve

y t . mt . rt
dt = t = t eflitli¤iyle hesaplan›r. Örne¤in, t = 1 için Tablo 14.9’daki
mt mt
dt = 2889.97 de¤eri dt = 2803.27 = 2889.97 fleklinde hesaplanm›flt›r.
0.97
Trend Bilefleninin Tahminlenmesi : Bu aflamada Tt bileflenin tt tahmini hesap-
lan›r. Hesaplama için, mevsim etkisinden ar›nd›r›lm›fl dt seri de¤erleri kullan›l›r.
Bu de¤erler,
yt tt . mt . kt . rt
dt = = = tt . kt . rt
mt mt
bileflenlerinin tahmin de¤erlerini gösterir. Trend bilefleninin t dönemine iliflkin

tt tahminin de¤erini hesaplamaya geçmeden önce, dt serisinin kartezyen grafi¤i
fiekil 14.6’da a ve b incelenir. Bu incelemeyle, dt serisini en iyi aç›klayacak
trend denklemi belirlenir. fiekil 14.6’da a ve b incelendi¤inde uygun olan trend
tahmin modelinin,
tt = b0 + b1t + b2t2
e¤risel modeli olabilece¤ine karar verilmifltir.
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)
Bu tahmin modeli afla¤›daki gibi sadelefltirilmifl, En Küçük Kareler Normal Denk-

lemleri yard›m›yla tt = 3525 + 37.2t + 0.504t2 olarak tahminlenmifltir. Gerekli
olan veriler Tablo 14.9’dan elde edilmifltir. Bu e¤risel tahmin denkleminde, t ye-
rine t = -23, -21, ...., 21, 23 de¤erleri yaz›l›rsa, Tablo 14.10’da verilen tt tahmin-
leri elde edilmifl olur.
Sadelefltirilmifl En Küçük Kareler Normal Denklemleri
∑dt = nb0 + b2 ∑t2 86910,3 = 24b0 + 4600b2

∑dt t = b1 ∑t2 171178,48 = 4600b1
∑dt t2 = b0 ∑t2 + b2 ∑t4 17011448 = 4600b0 + 1583320b2
b1 = 37,2
b0 = 3525
b2 = 0,504
yt t yt/mt=tt.kt=dt t2 t3 t4 dt . t dt . t2 Tablo 14.9

En Küçük Kareler
2803.27 -23 2889.97 529 -12167 279841 -66469.31 1528794.13 normal denklemleri
2573.86 -21 2924.85 441 -9261 194481 -61421.85 1289858.85 veri tablosu.
2568.12 -19 2791.44 361 -6859 130321 -53037.36 1007709.84
3679.43 -17 3066.19 289 -4913 83521 -52125.23 886128.91
2994.33 -15 3086.94 225 -3375 50625 -46304.10 694561.50
2745.46 -13 3119.84 169 -2197 28561 -40557.92 527252.96
2858.71 -11 3107.30 121 -1331 14641 -34180,30 375983.30
4360.79 -9 3633.99 81 -729 6561 -32705.91 294353.19
3378.66 -7 3483.16 49 -343 2401 -24382.12 170674.84
2904.93 -5 3301.06 25 -125 625 -16505.30 82526.50
3208.71 -3 3487.73 9 -27 81 -10463.19 31389.57
4101.16 -1 3417.63 1 -1 1 -3417.63 3417.63
3549.95 1 3659.74 1 1 1 3659.74 3659.74
3303.34 3 3753.80 9 27 81 11261.40 33784.20
3701.31 5 4023.17 25 125 625 20115.85 100579.25
4160.02 7 3466.68 49 343 2401 24266.76 169867.32
3673.27 9 3786.87 81 729 6561 34081.83 306736.47
3477.28 11 3951.46 121 1331 14641 43466.06 478126.66
3561.98 13 3871.72 169 2197 28561 50332.36 654320.68
4632.53 15 3860.44 225 3375 50625 57906.60 868599.00
3826.36 17 3944.70 289 4913 83521 67059.90 1140018.30
3830.78 19 4353.16 361 6859 130321 82710.04 1571490.76
4815.19 21 5233.90 441 9261 194481 109911.90 2308149.90
5633.54 23 4694.62 529 12167 279841 107976.26 2483453.98
Toplam 86342,98 0 86910.36 4600 0 1583320 171178.48 17011437.48
Konjonktürel Bileflenin Tahmin Edilmesi: Bu bileflenin tahmin edilmesinde

ve tahminlerin yorumlanmas›nda izlenen aflamalar mevsimsel olmayan serilerin
çözümlenmesine benzer flekilde yap›l›r. Örne¤in, t = -23 dönemi (1989 I’inci çey-
re¤i) için konjonktürel ve rassal bileflen tahmini,
yt
kt . rt = = 0.98
tt . mt
olarak hesaplan›r. kt . rt = 0.98 de¤erinden yararlanarak 1989 y›l› I’inci çeyre¤ine

iliflkin gözlem de¤eri üzerindeki konjonktürel de¤iflmenin etkisi hakk›nda yorum
yap›l›r. Yorum: 1989 y›l› I’inci çeyre¤inde, çeyrek y›ll›k zaman serisi konjonktür
etkisiyle (0.98 - 1).100 = %-1 oran›nda normalin (trend ve mevsimsel etkinin) al-
t›nda de¤er alm›flt›r.
318 ‹statistik
Tablo 14.10 yt t yt/mt=tt.kt=dt yt=3525+37.2t+0.504t2 mt tt . mt kt . rt

Trend, konjonktürel
ve rassal bileflen
2803.27 -23 2889.97 2935.38 0,97 2847.32 0.98
tahminleri.
2573.86 -21 2924.85 2965.46 0,88 2609.60 0.98
2568.12 -19 2791.44 2999.56 0,92 2759.60 0.93
3679.43 -17 3066.19 3037.70 1.20 3645.24 1.00
2994.33 -15 3086.94 3079.87 0.97 2987.48 1.00
2745.46 -13 3119.84 3126.08 0.88 2750.95 0.99
2858.71 -11 3107.30 3176.31 0.92 2922.21 0.97
4360.79 -9 3633.99 3230.58 1.20 3876.69 1.12
3378.66 -7 3483.16 3288.88 0.97 3190.21 1.05
2904.93 -5 3301.06 3351.20 0.88 2949.06 0.98
3208.71 -3 3487.73 3417.57 0,92 3144,16 1.02
4101.16 -1 3417.63 3487.96 1.20 4185.55 0.97
3549.95 1 3659.74 3562.39 0.97 3455.51 1.02
3303,34 3 3753.80 3640.84 0.88 3203.94 1.03
3701.31 5 4023.17 3723.33 0.92 3425.47 1.08
4160.02 7 3466.68 3809.85 1.20 4571.82 0.90
3673.27 9 3786.87 3900.41 0.97 3783.39 0,97
3477.28 11 3951.46 3994.99 0.88 3515.59 0,98
3561.98 13 3871.72 4093.61 0.92 3766.12 0,94
4632.53 15 3860.44 4196.25 1.20 5035.51 0.91
3826.36 17 3944.70 4302.94 0.97 4173.85 0.91
3830.78 19 4353.16 4413.65 0.88 3884.01 0.98
4815.19 21 5233.90 4528.39 0.92 4166.12 1.15
5633.54 23 4694.62 4647.17 1.20 5576.60 1.01
Öngörü de¤erlerinin türetilmesi:

Bu amaçla y't+1 = tt+1 . mt+1 = (b0 + b1(t + 1) + b2t2(t + 1) mt+1 öngörü modelin-
den yararlan›l›r.
tt+1 = 3525 + 37,2 (t + 1) + 0,504 (t + 1)2
t+1, 1995 y›l› 1. çeyre¤i oldu¤undan bu dönemin kod de¤eri 25’tir. Buna göre,
t1995. Q1 = 3525 + 37.2.(25) + 0.504.(252) = 4770
y'1995.Q1 = 4770.0.97 = 4626.9
Burada 0.97, birinci çeyrek y›l için mevsim bileflenin tahmin de¤erini ifade eder.
SIRA S‹ZDE 1. Bileflenlerine

SIRA ay›rma
S‹ZDE yöntemiyle çözümlemede, çözümleme aflamalar›n› s›ralay›n›z.
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

Kendimizi S›nayal›m 6. Bir zaman serisinin hareketli ortalamalar› hesapland›-

1. Afla¤›dakilerden hangisi, zaman serilerinin temel bile- ¤›nda, seri hangi bileflenlerin etkisinden ar›nd›r›lm›fl olur?
fleni de¤ildir? a. Trend – Mevsimsel
a. Trend Bilefleni b. Trend – Konjonktürel
b. Rassal Bileflen c. Mevsimsel
c. Zaman Bilefleni d. Trend
d. Konjonktürel Bileflen e. Mevsimsel – Rassal
e. Mevsimsel Bileflen
7 ve 8. sorular afla¤›daki tabloya göre cevapland›r›la-
2. Bir zaman serisinin trend tahmini tt = 25 + 0.8t ’dir. Afla- cakt›r.
¤›dakilerden hangisi, bu trend tahmini için söylenemez?
a. Trend do¤rusald›r. 7. t yt
b. Trend artan e¤ilim gösterir. -3 12
c. Trend e¤riseldir. -1 15
d. Trendin e¤imi pozitiftir. 1 13
e. Trendin e¤imi 0,8’dir. 3 16
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.
arch, John Wiley and Sons Inc, NewYork, 1996.
Ek 1: “Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m” 321
EK 1: NORMAL E⁄R‹ ALANLARI TABLOSU0 2
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
α 0.995 0.990 0.975 0.950 0.050 0.025 0.010 0.005 0.001

r
1 0.00003927 0.000157 0.000982 0.003932 3.841455 5.023903 6.634891 7.879400 10.827360

2 0.010025 0,020100 0.050636 0.102586 5.991476 7.377779 9.210351 10.596530 13.915004
3 0.071723 0.114832 0.215795 0.351846 7.814725 9.348404 11.344882 12.838073 16.265959
4 0,206984 0.297107 0.484419 0.710724 9.487728 11.143262 13.276699 14.860166 18.466226
5 0.411751 0.554297 0.831209 1.145477 11.070483 12.832492 15.086317 16.749648 20.514651
6 0.675733 0.872083 1,.237342 1.635380 12.591577 14.449355 16.811872 18.547513 22.457479
7 0.989251 1.239032 1,689864 2.167349 14.067127 16.012774 18.475324 20.277738 24.321296
8 1.344403 1,646506 2,179725 2.732633 15.507312 17.534545 20.090159 21.954861 26.123931
9 1.734911 2.087889 2,700389 3.325115 16.918960 19.022778 21.666048 23.589275 27.876731
10 2.155845 2.558199 3.246963 3.940295 18.307029 20.483201 23.209287 25.188055 29.587885
11 2.603202 3.053496 3.815742 4.574809 19.675153 21.920023 24.725022 26.756864 31.263507
12 3.073785 3.570551 4.403778 5.226028 21.026055 23.336660 26.216964 28.299660 32.909230
13 3.565042 4.106900 5.008738 5.891861 22.362027 24.735581 27.688184 29.819318 34.527367
14 4.074659 4.660415 5.628724 6.570632 23.684782 26.118935 29.141163 31.319425 36.123867
15 4.600874 5.229356 6.262123 7.260935 24.995797 27.488365 30.577951 32.801491 37.697774
16 5.142164 5.812197 6.907664 7.961639 26.296221 28.845325 31.999861 34.267053 39.251776
17 5.697274 6.407742 7.564179 8.671754 27.587100 30.190983 33.408717 35.718378 40.791109
18 6.264766 7.014903 8.230737 9.390448 28.869321 31.526410 34.805237 37.156386 42.311948
19 6.843923 7.632698 8.906514 10.117006 30.143505 32.852337 36.190775 38.582122 43.819365
20 7.433811 8.260368 9.590772 10.850799 31.410420 34.169581 37.566272 39.996856 45.314218
21 8.033602 8.897172 10.282907 11.591316 32.670558 35.478859 38.932232 41.400943 46.796271
22 8.642681 9.542494 10.982330 12.338009 33.924460 36.780678 40.289448 42.795664 48.267624
23 9.260383 10.195689 11.688534 13.090505 35.172460 38.075609 41.638334 44.181385 49.727643
24 9.886199 10.856349 12.401146 13.848422 36.415026 39.364060 42.979781 45.558363 51.178969
25 10.519647 11.523951 13.119707 14.611396 37.652489 40.646498 44.314014 46.927966 52.618738
26 11.160218 12.198177 13.843881 15.379163 38.885130 41.923138 45.641636 48.289777 54.051136
27 11.807655 12.878468 14.573373 16.151395 40.113266 43.194521 46.962837 49.645035 55.475080
28 12.461281 13.564666 15.307854 16.927876 41.337152 44.460790 48.278166 50.993559 56.891756
29 13.121067 14.256406 16.047051 17.708381 42.556948 45.722279 49.587829 52.335495 58.300642
30 13.786682 14.953464 16.790756 18.492667 43.772954 46.979218 50.892181 53.671868 59.702212
40 20.706577 22.164201 24.433058 26.509296 55.758487 59.341679 63.690771 66.766047 73.402900
50 27.990825 29.706725 32.357385 34.764236 67.504805 71.420194 76.153802 79.489839 86.660312
100 67.327533 70.064995 74.221882 77.929442 124.342101 129.561252 135.806891 140.169714 149.448789
324 Sözlük
Duyarl› Ortalama: Bir seriyi oluflturan tüm de¤erlerden etkile-

Sözlük nen ortalama.
A
Alfa (α) Tipi Hata (I. Tip Hata): Do¤ru bir hipotezin (H0 do¤- F
ru iken) test sonucunda reddedilmesi halinde ifllenecek Fisher ‹ndeksi: Laspeyres ve Paasche indekslerinin geometrik
hata. ortalamas›.
Ana Kütle: Y›¤›n olay niteli¤inde ve ayn› cins birimlerin olufl- Frekans Serisi: Bir serideki, gözlem de¤erlerinin kaç kez tek-
turdu¤u topluluk. rarland›¤›n›, ilgili gözlem de¤erlerinin yan›na, kaydedile-
Anlam(l›l›k) Düzeyi: Do¤ru bir hipotezin test sonucunda red- rek oluflturulan seri.
dedilmesinin maksimum olas›l›¤›.
Aral›k Tahminlemesi: Araflt›r›lan ana kütle parametresini iste- G
nilen bir olas›l›kla bir aral›k içinde tahminleme tekni¤i. Geometrik Ortalama: Bir seriyi oluflturan de¤erlerin çarp›m›-
Aritmetik Ortalama: Bir seriyi oluflturan de¤erler toplam›n›n, n›n, gözlem de¤erleri say›s›na eflit mertebeden kökü.
gözlem say›s›na oran›.
Ayr›k Olaylar: Birlikte ortaya ç›kamayan olaylar. H
Hareketli Ortalama: Zaman serilerinin mevsimsel ve rassal bi-
B leflenlerin etkilerinden ar›nd›rmak suretiyle, bu serilerin
Ba¤›ms›z Olaylar: Ortaya ç›k›p ç›kmamas›, baflka bir olay›n or- genel e¤ilimini elde etmek amac›yla baflvurulan teknik.
taya ç›kmas›n› ya da ç›kmamas›n› zorunlu hale getireme- Histogram: S›n›fland›r›lm›fl bir seriye iliflkin, alan› ilgili s›n›f›n
yen olaylar. frekans›na ve taban› da ilgili s›n›f›n aral›¤a eflit, birbirine
Basit ‹ndeks: Tek bir madde için hesaplanan indeks. bitiflik dikdörtgenlerden oluflan grafik.
Basit Olay: Örneklem uzay›nda tek örneklem noktas› olan olay.
Basit Seri: Gözlem de¤erlerinin büyüklüklerine göre küçükten ‹
büyü¤e ya da büyükten küçü¤e do¤ru s›ralanmas›yla olufl- ‹ndeks: Bir istatiksel olaya iliflkin gözlem de¤erlerinin zaman ya
turulan seri. da mekana göre gösterdi¤i oransal de¤iflimler.
Belirlilik Katsay›s›: Regresyon analizinde ba¤›ml› de¤iflkende- ‹statistik: 1. Belirlenen amaç ya da amaçlar do¤rultusunda göz-
ki de¤iflimin ne kadar›n›n ba¤›ms›z de¤iflkence aç›kland›¤›- lenen y›¤›n olaylardan derlenen verilerin ifllene-
n› belirleyen katsay›. rek, ilgili olaylar›n oluflturuldu¤u y›¤›nlar›n bilim-
Beta (β) Tipi Hata (II. Tip Hata): Do¤ru olmayan bir hipotezin sel olarak incelenmesinde kullan›lan yöntemler
(H0 do¤ru de¤ilken) test sonucunda kabul edilmesi halin- bütünü.
de ifllenecek hata. 2. Örnekleme iliflkin say›sal karateristikler.
Bileflik ‹ndeks: ‹ki ya da daha çok maddeyi kapsayan indeks. ‹statistik Birimi: Ölçülebilen ya da say›labilen y›¤›n olay niteli-
Bileflik Olay: Örneklem uzay›nda birden çok örneklem noktas› ¤indeki her olay.
olan olay. ‹statistik Serisi: Gözlem de¤erlerinin büyüklüklerine göre olufl-
Bileflik Seri: Birimlerin birden fazla de¤iflkene göre da¤›l›m›n› turulan dizi.
bir arada gösteren seri. ‹statistiksel Hipotez: Herhangi bir ana kütle parametresine ilifl-
Birikimli Seri: Bir frekans da¤›l›m›nda her s›n›f›n frekans›na bir kin olarak ileri sürülen ve do¤rulu¤u olas›l›k kurallar›yla
önceki s›n›f›n frekans› eklenerek oluflturulan seri. araflt›rabilen önerme.
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
Beklenen De¤er 111, 112, 186

Dizin Beklenen Frekanslar 241, 243, 244, 245
A Belirlilik Katsay›s› 272, 273, 275
Aç›k S›n›f 18
Bernoulli Denemesi 118
Aç›klay›c› De¤iflken 253, 255
Betimleme 297
A¤aç Diyagram› 70, 71, 73, 82, 91, 93, 99, 110, 120
Bileflen Olas›l›k 80, 81, 96, 97
Alt Tahminleme 191
Bileflenlerine Ay›rma Yöntemi 318
Ana Kütle 5, 8, 9, 173, 174, 191, 192, 199, 213, 216, 219, 228, 231,
Bileflik ‹ndeks 45, 46, 278, 279, 280, 283, 284
233, 235
Bileflik Olas›l›k 68, 79, 90, 91, 96, 97, 120
Anakütle ‹liflki Katsay›s› 274
Bileflik Olay 71, 72, 73, 74, 75, 95
Ana Kütle Oran› 185, 188, 190, 191, 206, 231, 233
Bileflik Seri 12, 21, 22, 29, 31, 32, 265
Anakütle Regresyon Katsay›lar› 256
Binom Da¤›l›m› 69, 104, 118, 119, 125, 126, 127, 128, 130, 137,
Ana Kütlenin Homojenli¤i 175
160, 161, 162, 163, 244, 245
Ani Birim 4, 7, 9
Binom Deneyi 104, 118, 119, 127, 130, 160, 163
Ani Veri Derleme 7, 9
Binom Olas›l›k Da¤›l›m› 104, 118, 119, 125, 127, 160
Anlaml›l›k Düzeyi 218, 222, 223, 224, 226, 229, 231, 233, 240,
Binom Rassal De¤iflkeni 119, 127
241, 243, 244, 245, 263, 274
Birikimli Frekans 19, 27, 31, 50
Aral›k Tahminlemesi 199, 200, 201, 202, 204, 206, 207, 208
Birikimli Seri 32, 52
Araflt›rma Hipotezi 216, 223, 226, 233
Birim 4, 5, 6, 7, 8, 138, 142, 169, 173, 219
Aritmetik Ortalama 37, 41, 42, 43, 57, 198, 199, 201, 202, 208,
Bütünleyici Olaylar 87
223, 228, 258, 259, 275, 280, 281, 284, 285, 286, 287, 288, 302, 303, 307
Büyük Say›lar Yasas› 77
Artan E¤ilim 309, 319
Büyütme Faktörü 179
Art›klar›n Kareler Toplam› 256
Aflamal› Küme Örneklemesi 183, 184
C-Ç
Ayl›k Zaman Serisi 296
Chebyshev Teoremi 114
Ayr›k Olaylar 68, 83, 84, 85, 87, 94, 97, 98, 99
Çapraz Tablo 80
Ayr›k Olmayan Olaylar 84
Çarp›msal Model 305, 306, 311, 312, 313, 314, 318
Azalan E¤ilim 319
Çarpma Kural› 68, 89, 90, 92, 93, 120
Çerçeve 16, 168, 169, 173, 174, 177, 178, 179, 180, 181, 183, 192,
B 219
Ba¤›ml› De¤iflken 21, 256, 258, 261, 265, 268, 269, 273, 275
Çerçeve Hatas› 174
Ba¤›ml› Olaylar 85, 86, 87
Çeyrek Y›llar 299, 312, 313, 315
Ba¤›ms›z De¤iflken 240, 258, 261, 264, 268, 269, 273, 275
Ç›karsama 69, 173, 182, 218, 263
Ba¤›ms›z Olaylar 68, 85, 86, 87, 92, 93
Çizgi Grafik 108
Ba¤›ms›z Örneklemler 242
Çoklu Regresyon Modeli 255
Ba¤›ms›zl›k 239, 240, 241, 242, 243, 244, 246
Çubuk Grafik 22
Ba¤lan›m 253
Basit Do¤rusal Regresyon 252, 253, 255, 256, 257, 258, 259,
D
261, 262, 263, 264, 265
Da¤›l›m 13, 19, 59, 77, 80, 90, 119, 128, 129, 130, 137, 138, 140,
Basit Fiyat ‹ndeksi 283
141, 142, 143, 218, 220, 263, 274, 297
Basit ‹ndeks 283, 284, 285, 286, 287, 288
Da¤›lma Serisi 32
Basit ‹ndekslerin Tart›l› Aritmetik Ortalamas› 284, 287,
Dalga fiiddeti 299, 305
288
Dalga Uzunlu¤u 299, 301, 302, 312, 314, 319
Basit ‹ndekslerin Tart›s›z Aritmetik Ortalamas› 284, 286
De¤iflim Aral›¤› 36, 60, 64
Basit Miktar ‹ndeksi 283
De¤iflim Katsay›s› 36, 62, 63
Basit Olay 71, 72, 73, 74
De¤iflken Esasl› ‹ndeks 282, 283, 290
Basit Rassal Örneklem 180, 181, 182, 183, 185, 186, 187, 188,
De¤iflkenlik 36, 37, 59, 60, 62, 63, 204
189, 190, 191, 198, 200
De¤iflkenlik Ölçüleri 36, 37, 59, 60, 62
Basit Seri 14, 15, 16, 17, 31, 38, 43, 45, 47, 48, 53, 54, 60, 65
-den Az Serisi 31
Basit Toplam ‹ndeks 284, 285, 291
-den Çok Serisi 32
Dizin 327
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
Oranl› Ölçek 215 Rassal Aral›k 199
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
Say›sal Olmayan De¤iflken 238, 239, 241

T
Sayma Kural› 79
t ‹statisti¤i 204, 264, 274, 275
Serbestlik Derecesi 204, 205, 208, 228, 239, 241, 242, 243, 244,
t Örnekleme Da¤›l›m› 263
245, 246, 248, 249, 261, 262, 263, 264
t testi 229
Seri 13, 14, 19, 21, 22, 23, 27, 29, 37, 43, 45, 46, 48, 53, 57, 59, 60,
Tabaka 178, 182, 193
62, 257, 259, 280, 281, 283, 295, 297, 299, 300, 302, 305, 306, 307, 308,
Tabakalama De¤iflkeni 182
309, 310, 311, 312, 313, 316, 317
Tabakalama Kriteri 178
Serpilme Diyagram› 29, 32, 252, 253, 254, 255, 256, 266, 273,
Tabakalar ‹çi Varyans 182
296
Tabakal› Örnekleme 181, 182
S›f›r Hipotezi 213, 215, 216, 218, 219, 223, 224, 228, 229, 231, 235,
Tahmin 191, 197, 198, 199, 206, 208, 228, 256, 261, 265, 306, 307,
240, 242, 243, 248, 266, 275
308, 309, 310, 311, 312, 313, 314, 315, 316, 317, 318, 319
S›kl›k Da¤›l›mlar› 77, 105, 107
Tahmin Hatas› 265
S›n›f Aral›¤› 18, 23, 27, 30, 32, 54, 55
Tahminin Güvenilirli¤i 199
S›n›fland›r›lm›fl Seri 12, 14, 17, 18, 19, 22, 23, 25, 31, 32, 40, 41,
Tahminleme 181, 191, 195, 196, 197, 198, 199, 201, 211, 309, 312
43, 46, 50, 51, 55, 56, 61, 62
Tamamlay›c› Olaylar 68, 87, 88
S›n›flay›c› Ölçek 215
Tamsay›m 168, 169, 170, 171, 172, 173, 214
S›ralay›c› Ölçek 215
Tan›m Aral›¤› 137
Simetrik Da¤›l›m 145, 160, 191, 204, 228
Tart› 44, 286, 287, 289
Sistematik Hata 179, 180, 190
Tart›l› Aritmetik Ortalama 43, 288
Sistematik Örneklem 183, 184
Tek Modlu Seriler 57
Sistematik Seçim 179, 180
Tek Yönlü Alt Kuyruk Testi 216
Sonlu (Belirli) Kütle 6
Tek Yönlü Üst Kuyruk Testi 231
Sonsuz Kütle 6
Temel De¤er 279, 280
Sosyal Araflt›rmalar 177
Temel Devre Fiyat› 283, 286
Standart Birim 142
Temel Devre Miktar› 283, 287, 289
Standart De¤iflken 187, 191, 204
Temel Faktörler 297
Standart Hata 168, 186, 187, 190, 191, 192, 199, 200, 201, 202,
Temel Y›l Fiyat› 286
203, 204, 205, 206, 207, 208, 219, 226, 228, 232, 234, 235, 252, 261, 262,
Temsili Örneklem 171, 177, 179
263, 264, 265, 274, 275, 308
Test ‹statisti¤i 216, 219, 220, 224, 225, 226, 227, 228, 229, 230,
Standart Normal Da¤›l›m 136, 141, 142, 143, 146, 147, 149,
231, 232, 234, 235, 241, 242, 243, 247, 248, 264, 266, 274, 275
152, 153, 156, 157, 161, 163, 164, 176, 200, 204, 206, 221, 225, 226, 228,
Testin Anlaml›l›k Düzeyi 218
232, 234
Testin Yönü 216
Standart Sapma 36, 60, 61, 62, 63, 64, 66, 104, 105, 111, 112, 113,
Tipik Olay 3
114, 115, 126, 127, 128, 132, 140, 141, 142, 147, 156, 158, 186, 187, 189,
Toplamsal Model 305
202, 203, 228
Trend 295, 297, 298, 299, 300, 301, 304, 305, 306, 307, 308, 309,
Standart Skor 142
310, 311, 312, 313, 314, 316, 317, 318, 319
Standartlaflt›rma 147
Trend Bilefleni 295, 297, 305, 306, 308, 309, 310, 311, 313, 316,
Stokastik (Olas›l›kl›) Model 255
319
Student t Da¤›l›m› 137
Sürekli Birim 4, 9
U-Ü
Sürekli Da¤›l›m 204
Uzun Dönemli Etkiler 297
Sürekli Kütle 6, 9
Üst Tahminleme 191
Sürekli Rassal De¤iflken 104, 106, 137, 138, 139, 148, 150, 151,
153, 159, 164
V
Sürekli Veri Derleme 7
Varsay›msal Birim 5, 6
Süreklilik Düzeltmesi 161, 162
Varsay›msal Kütle 6, 9
Süreksiz Kütle 6, 9
Varyans 10, 62, 64, 66, 113, 134, 135, 164, 176, 179, 181, 182, 187,
fians De¤iflkeni 105
189, 190, 199, 201, 252, 256, 261, 262, 266
fi›k 3, 5, 6, 7, 13, 14, 17, 32
Dizin 331
Venn Diyagram› 70, 72, 87, 88, 89

Z
Veri 2, 3, 6, 7, 8, 9, 13, 14, 18, 22, 30, 37, 76, 78, 115, 169, 170, 172,
z Da¤›l›m› 219
175, 177, 181, 183, 192, 218, 317, 319
z De¤erleri 142, 147, 148, 152, 154, 157, 162, 202, 221
Veri Derleme 2, 6, 7, 8, 9, 169, 172, 175, 181, 192, 218
z ‹statisti¤i 224
z Rassal De¤iflkeni 147
Y z Skorlar› 142
Yaklafl›k Olas›l›k 77, 107, 138, 160
z Testi 215, 226
Yaklafl›k Olas›l›k ‹çin Göreli S›kl›k 77
Zaman De¤iflkeni 5, 13, 14, 137, 295, 296, 297, 307
Yan›lg› Pay› 176
Zaman ‹ndeksi 281
Yan›lt›c› Faktörler 294, 297, 300, 301, 305, 306, 308, 314
Zaman Serilerini Etkileyen Faktörler 294, 295, 297
Yanl›l›k 180
Zaman Serisi 13, 32, 280, 281, 294, 295, 296, 297, 298, 299, 301,
Yans›z Tahmin 200, 202
302, 304, 305, 306, 307, 308, 310, 311, 314, 318, 319, 320
Yarg›sal Örnekleme 178
Zaman Serisi Bileflenleri 297, 301, 302, 304, 305
Y›¤›n Olay 3, 4, 5, 7, 13
Zaman Serisi Çözümlemesi 294, 295, 301, 302, 304
Y›ll›k Zaman Serisi 296, 306, 313, 317
Zincirleme ‹ndeks 282
Yo¤unluk Fonksiyonu 138
Yorumsal ‹statistik 213, 214

Olasılık Ve İstatistik - Anadolu Üniversitesi Ders Notları

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Olasılık Ve İstatistik - Anadolu Üniversitesi Ders Notları

Uploaded by

Copyright:

Available Formats

TC.

ANADOLU ÜN‹VERS‹TES‹ YAYINI NO: 1448

Copyright © 2003 by Anadolu University

UZAKTAN Ö⁄RET‹M TASARIM B‹R‹M‹

Genel Koordinatör Yard›mc›s›

Grafik Tasar›m Yönetmenleri

Televizyon Programlar› Yöneticisi

Dil ve Yaz›m Dan›flmanlar›

Ölçme De¤erlendirme Sorumlusu

Kitap Koordinasyon Birimi

Temel Kavramlar .................................................................... 1 ÜN‹TE 1

‹statistik Serileri (Frekans Da¤›l›mlar›) ............................... 11 ÜN‹TE 2

ÜN‹TE 3 Merkezi E¤ilim ve De¤iflkenlik Ölçüleri .............................. 35

ÜN‹TE 4 Olas›l›k .................................................................................... 67

Kesikli Rassal De¤iflkenler ve Olas›l›k Da¤›l›mlar› ............. 103 ÜN‹TE 5

Sürekli Rassal De¤iflkenler ve Normal Da¤›l›m ................. 135 ÜN‹TE 6

Örnekleme ............................................................................ 167 ÜN‹TE 7

Nitel De¤erlendirmede Esas Olan Faktörler ....................................... 175

ÜN‹TE 8 ‹statistiksel Tahminleme....................................................... 195

ÜN‹TE 9 Hipotez Testleri .................................................................... 211

Probleme ‹liflkin Karar›n Verilmesi ........................................................... 222

Ki-Kare Testi ......................................................................... 237 ÜN‹TE 10

Basit Do¤rusal Regresyon .................................................... 251 ÜN‹TE 11

Korelasyon ............................................................................. 267 ÜN‹TE 12

‹ndeksler ................................................................................. 293 ÜN‹TE 13

Basit ‹ndeksler ...................................................................................... 283

ÜN‹TE 14 Zaman Serisi Çözümlemesi ................................................. 293

Sözlük ................................................................................ 324

Prof.Dr. Ali Fuat YÜZER

K endi kendine ö¤renme

‹çerik Haritas›: ‹çerik haritas›, ünite

Yanyaz›: Ünitenin içinde yer alan baz›

Örnek: Üniteler içinde çal›flt›¤›n›z konuyu daha

S›ra Sizde: Herhangi bir

Kendimizi S›nayal›m: Ünitelerin

Maddesel Bir Varl›¤a Sahip Olan ya da Olmayan Birimler

Sürekli ya da Ani Birimler

Do¤al ya da Do¤al Olmayan Birimler

ki bir ö¤renci oluflturulamaz. Kolayl›kla anlafl›labilece¤i gibi, do¤al birimler bir

Gerçek ya da Varsay›msal Birimler

De¤iflken (Özellik) Türleri

‹statistik Kütlesi (Ana Kütle)

dirilemez. Üniversite, ö¤renci ve ö¤retim üyelerinin toplam›ndan farkl›, tüzel ki-

Gerçek ya da Varsay›msal Kütleler

Sonlu ya da Sonsuz Kütleler

Sürekli ya da Süreksiz Kütleler

SIRA S‹ZDE 1. Günümüzde

Veri derleme kavram›n› aç›klayabilecek ve veri derleme türlerini

Yukar›daki tan›mdan da anlafl›labilece¤i gibi, belirlenen amaçlar do¤rultusun-

De¤iflken ve fi›klar›n Belirlenmesi

Veri Derleme Türleri

Ani ya da Sürekli Veri Derleme

evlenmeler, boflanmalar, trafik kazalar›, do¤umlar ve ölümlere iliflkin derlenen ve-

Genel ya da K›smi Veri Derleme

SIRA S‹ZDE 1. Veri derleme kavram›n› aç›klay›n›z.

2. Birim seçilirken dikkat edilmesi gereken noktalar› aç›klay›n›z.

Kendimizi S›nayal›m 7. Kütlelere iliflkin afla¤›daki ifadelerden hangisi

6. Afla¤›dakilerden hangisi do¤al birim de¤ildir?

Yan›t Anahtar› Yararlan›lan Kaynaklar

RONALD AYLMER FISHER (1890-1962)

Gözlem de¤erlerinden hareketle istatistik serileri oluflturabile-

Zaman ve Mekan Serileri

Aylar Ortalama S›cakl›k (C°) Tablo 2.1 Eskiflehir

Tablo 2.2 Baz› illerin ‹ller Denizden