2. Kararların genellikle eksik bilgiye dayanır
Temel kavramlar:
Anakütle ve Örneklem
Parametre ve İstatistik
Tanımlayıcı İstatistikler ve Çıkarımsal İstatistikler
Rassal Örneklemeyi
Veri türlerini ve ölçüm düzeyleri
Ch. 1-2
1. Bölümün İçeriği
Grafik çeşitleri
Sıklık dağılımı
Sütun grafiği
Pasta grafiği
Pareto grafiği
Zaman Serisi grafiği
Histogram
Birikim grafiği
Yaprak-Dal gösterimi
Serpilme grafiği
Çapraz-Tablografiği
3. İstatistik Ne İşe Yarar?
İstatistik doğru bir şekilde veri toplama ve verileri bilgiye dönüştürme
bilimidir.
İstatistik, verilerdenöğrenebilmeyi, gözlemleribilgiye dönüştürmeyi
sağlar.
Şu meselelerinher biri cevabını bulmak için istatistik biliminden
faydalanabilir:
yeni bir ilacı piyasaya sürmeye karar vermeden önce, ilacın hastalığın
iyileşme sürecine etkisi ve yan etkilerinin anlaşılması
göldeki tuzluluk oranınıngöldeki canlıların yaşamına etkisi
belli bir kanser türüne dair riski artıran çevresel ve genetik faktörlerin
bulunması
futbolcuların ve takımların genel performanslarınınölçülmesi
satışları etkileyen faktörlerin anlaşılması
faizin gelir adaletsizliği ve fakirliğe etkisi
Ch. 1-3
4. Belirsizlik Ortamında Karar Verme
Kararlar eksik bilgiye dayanarak verilir.
Mali müfettişler denetim için hesapların hepsini değil;
yalnızca bir bölümünü seçer ve inceler.
Yöneticiler, kendi ürün ve hizmetlerinden müşterinin
memnun olup olmadığını görmek için alan araştırmasına
başvurabilir.
Türkiye toplumunun dinî hassasiyetlerini anlamak isteyen
bir araştırmacı toplumu yeterince yansıttığını düşündüğü
sınırlı sayıda insan üzerinde bir anket yapar.
Ch. 1-4
1.1
5. Belirsizlik Ortamında Karar Verme
Peki, hangi hesaplar/müşteriler/bireylernasıl seçilmeli?
Seçilen örneklerden merak edilen soruların cevabı nasıl elde
edilir?
Bu sonuçlar nasıl yorumlanır?
Sayılar ve veriler karar vermeye yardımcı olmak için
kullanılır.
İstatistik veriyi işlemeye, özetlemeye, analiz etmeye ve
yorumlamaya yardımcı olan bir araçtır.
Ch. 1-5
(devamı)
6. Belirsizlik Ortamında Karar Verme
Piyasaya yeni bir ürün çıkartmadan önce bir sanayici olası talep
düzeyini anlamak için pazar araştırmasına girebilir.
Aslında sanayici ürününü alabilecek herkesle (anakütle)
ilgilenmektedir.
Fakat anakütle çoğu zaman o kadar büyüktür ki anakütleden tam
bilgi toplamak neredeyse imkansızdır veya çok maliyetlidir.
Kaynakların yeterli olabileceği durumlarda bile zaman kısıtları
vb. sebepler bir altküme (örneklem) incelemesini zorunlu
kılabilir.
Hedefimiz: örneklem verisine bakarakanakütlenin bütünüyle
ilgili geçerlik taşıyan sonuçlar elde etmektir.
Anakütleyi temsil eden bir örneklemin rassal olması gerekir.
Ch. 1-6
(devamı)
7. Temel Kavramlar
Anakütle bir araştırmacınınilgilendiği birimlerinhepsini içeren tam kümedir.
N anakütle boyutunu ifade etmektedir.
Türkiye’de yaşayan bütün 25-40 yaş arası insanlar
İZÜ İYBF’deki bütün öğrenciler
Örneklem ise anakütlenin gözlenenbir alt kümesidir.
n örneklem boyutunu ifade etmektedir.
Her bölgeden seçilen bir ilden 25-40 yaş arasında 100’er insan
İZÜ İYBF’deki her bölümden farklı sınıflarda okuyan rassal seçilmiş 20’şer
öğrenci
Parametre anakütlenin belirli bir özelliğiniifade eden sayısalbir ölçüdür.
Örneklem istatistiği örnekleminbelirli bir özelliğiniifade eden sayısalbir
ölçüdür.
Ch. 1-7
1.2
8. Anakütle ve Örneklem
Ch. 1-8
a b c d
ef gh i jk l m n
o p q rs t u v w
x y z
Anakütle Örneklem
Anakütle verileri kullanılarak
hesaplanandeğerlere
parametre denir
Örneklem verileri
kullanılarak hesaplanan
değerlere istatistik denir
b c
g i n
o r u
y
9. Rassal Örnekleme
Rassal örnekleme şu şartları sağlayan bir seçim
işlemidir:
anakütlenin her bir üyesi tamamen rastgele bir şekilde
seçilmelidir,
bir üyenin seçilmesi başka bir üyenin seçiminde etkili
olmamalıdır,
anakütlenin her bir üyesi eşit seçilme olanağına sahip
olmalıdır,
n büyüklüğündeki her örneklem eşit seçilme olanağına
sahip olmalıdır.
Böyle bir örnekleme rassal örneklem denir.
Ch. 1-9
10. Tanımlayıcı ve Çıkarımsal İstatistik
İstatistiğin iki temel alanı:
Tanımlayıcı İstatistik
Verileri özetlemek ve işlemek için kullanılan grafiksel
ve sayısal yöntemler
Çıkarımsal İstatistik
Karar vermeye yardımcı olan tahminler ve
öngörülerde bulunmak için kullanılan yöntemler
Ch. 1-10
11. Tanımlayıcı İstatistik
Veriyi Toplama
Örn. Anket
Veriyi Sunma
Örn. Tablo ve Grafikler
Veriyi Özetleme
Örn. Örneklem Ortalaması =
Ch. 1-11
i
X
n
12. Çıkarımsal İstatistik
Ch. 1-12
Tahmin
Örn. Örneklem ortalama
ağırlığını kullanarak anakütlenin
ortalama ağırlığını tahmin edin.
Hipotez Testi
Örn. Anakütlenin ortalama
ağırlığının 70 kg. olduğuiddiasını
test edin.
Çıkarım, örneklem sonuçlarına dayanarak bir anakütle
hakkında sonuç çıkarma veya karar verme sürecidir
13. VeriÇeşitleri
Veri
Nitel Nicel
Kesikli Sürekli
Örnekler:
Cinsiyet
Medeni Hâl
Göz Rengi
Forma Numarası
(Tanımlanabilen)
Örnekler:
Çocuk Sayısı
Saat Başına Düşen Hatalı
Üretim
(Sayılabilen)
Örnekler:
Ağırlık
Boy
Değer
(Ölçülebilen)
Ch. 1-13
14. Ölçüm Seviyeleri
Aralık Ölçeği
Sıralama Ölçeği
Sınıflama Ölçeği
Nicel Veri
Nitel Veri
Ortak özelliklere göre
kategorilere ayrılmış ölçek
(sıralama yok) Örn.
Cinsiyet, Bölüm,Futbolcuların
forma numarası
Derecelendirilmiş kategoriler
(kategoriler arasındaki fark
aynı olmayabilir) Örn.
Memnuniyet derecesi (1-5),
ürünlerin kalite sıralaması (1-3)
Ölçümler arasında
farklılıklar var ancak
gerçek sıfır yok
Oran Ölçeği
Ölçümler arasında
farklılıklar var ancak
gerçek sıfır var
Ch. 1-14
15. Sınıflama Ölçeği
Bireyleri veya nesneleri belirli niteliklerine göre sınıflara/kategorilere
ayıran ölçeklerdir.
Her sınıf veya kategori bir sayı veya başka bir ölçüt ile gösterilir.
Bir kategorinin numarasının diğerinden küçük veya büyük olması niteliğin azlığı ya da
çokluğu açısından bir anlam taşımaz; yalnızca iki kategorinin birbirinden farklı
olduğunu gösterir.
Örnekler: İnsanların cinsiyet (erkek-kadın), medeni hal (evli-bekar-boşanmış),
futbolcuların forma numarası, illerin plaka kodu.
Elde edilen sonuçlar üzerinde büyüklük-küçüklük ve toplama-çıkarma-
çarpma-bölme gibi matematiksel işlem yapılamaz.
20 numaraya sahip futbolcuların, 10 numaraya sahip futbolcuların iki katı olduğu
söylenemez.
Göz rengi için Mavi=1, Kahverengi=2 ise, iki mavi (1+1) = kahverengi (2) sonucu
çıkartılamaz.
Kahverengi gözlüler mavi gözlülerden daha büyüktür de denilemez. Ancak
örneklemdeki mavi ve kahverengi gözlüler sayıları üzerinden karşılaştırılabilir.
Bu ölçekte frekans (kaç nesne var?), yüzde, mod (en çok olan nesne) hesaplanabilir.
Ch. 1-15
16. Sıralama Ölçeği
Bireylerin veya nesnelerin büyüklük küçüklük ilişkisine göre
sıralanmasıylaelde edilen ölçektir.
Sınıflamanınbir üstünde yapılanölçme işlemi sıralamadır.
Aynı sınıfta yer alan nesneler belirli bir niteliğe göre derecelendirilir.
Bu ölçek nesneleri kıyaslama imkanı verir.
Sıralama ölçeğine örnekler:
Ürünün kalite sıralaması (1: kötü, 2: sıradan, 3: iyi)
Mevcut internet sağlayıcınızdan memnunluk dereceniz (1: hiç memnun değilim, 2:
memnun değilim, 3: fikrim yok, 4: memnunum, 5: çok memnunum)
Üç farklı içecek arasındaki tüketici tercihi (1: en çok beğenilen tercih, 2: ikinci tercih, 3: en
az beğenilen tercih)
Bu örneklerde yanıtlar sıralıdır veya sıralamaya tabi tutulmuştur ama
yanıtlar arasındaki «fark» anlam taşımaz.
Eşit bir birim yoktur. Değişken bir birim vardır. Bu nedenle bu ölçekle elde edilen
bilgilerle anlamlı bir biçimde matematiksel dört işlem yapılamaz.
Bu ölçekte frekans, yüzde, medyan (ortanca) ve sıra farkları korelasyonu hesaplanabilir.
Ch. 1-16
17. Aralık Ölçeği
İsteğe bağlı bir sıfır noktasına göre birim aralıklarla ölçülmüş
uzaklığı ve bu uzaklığın derecesini gösterir.
Yani veri, isteğe bağlı belirlenmiş bir karşılaştırma noktasına göre
oluşturulmuştur.
Hava sıcaklığı bu ölçme düzeyinin klasik bir örneğidir
Santigrat derece isteğe bağlı belirlenmiş bir karşılaştırma noktasına dayalı
ölçüm için örnektir.
Mesela 04.10.2023 tarihinde Diyarbakır’da hava sıcaklığı 24 santigrat derece,
Kars’taise 8 santigratderece olarakölçülmüştür.
İki şehirdeki hava sıcaklığı arasında 16 derecelik bir fark olduğunu anlarız
fakat Diyarbakır’dakihava sıcaklığı Kars’takininüç katıdır diyemeyiz.
Yıl, aralık ölçeğinin başka bir örneğidir(örn. Hicrî takvim,Milâdîtakvim).
Depremlerin şiddetlerini ölçen Richter ölçeği de aralık ölçeğinin bir başka
örneğidir. Mesela 7.0 şiddetindeki bir deprem 6.5 şiddetinin yaklaşık 6 buçuk
katı; 7.5 şiddetindeki bir deprem ise 7.0 şiddetindeki bir depremin 5 katı
büyüklüğündedir;
Ch. 1-17
18. Oran Ölçeği
Gerçek bir sıfır noktasından uzaklığı ve bu uzaklığın derecesini
gösterir
Oran ölçeği diğer üç ölçeğin özelliklerinesahiptir. Aynı zamanda;
Mutlak bir sıfır noktası olduğu için diğer ölçümler anlam kazanır.
Mutlak bir sıfır yokken, Ahmetin hızı (100 km) Ömer’inkinin (50 km) iki katıdır
demek anlamlı olabilir mi?
Bütün aralıklar birbirine eşittir.
Matematiksel dört işlemin hepsi oran ölçeğine uygulanabilir.
İki ölçümün oranı anlamlıdır.
Ağırlık:100 kg. ağırlığındaki bir kimsenin ağırlığı 50 kg. birinin iki katıdır.
Yaş:40 yaşındaki biri 20 yaşındaki birinin iki katı yaştadır.
Oran ölçeği, diğer ölçek çeşitlerine kıyasla görece daha fazla bilgi
sağlarve bu yüzden daha çok tercih edilir.
Örnekler
Ch. 1-18
• Sınav sonuçları
• Hız
• Hacim
• Ağırlık
• Uzunluk
• Miktar
19. Alıştırma
Yeni açılmış bir restoran müşterilerine kısa bir anket uygulamıştır.
Aşağıdaki soruların her birine verilen yanıtlar birer nitel veri midir,
yoksa nicel veri mi? Nitel ise ölçme düzeyini belirtin. Nicelse kesikli
midir, sürekli mi?
Bu restorana ilk kez mi geldiniz?
Evet
Hayır
Bugünkü deneyiminizden memnuniyet derecenizi 1 ilâ 5 arasında bir
sayıyla belirtir misiniz?
1 – Hiç memnun değilim
2 – Memnun değilim
3 – Emin değilim
4 – Memnunum
5 – Çok memnunum
Bugün burada kaç liralık bir hesap ödediniz?
…. TL
Ch. 1-19
Sınıflandırma Ölçeği
Sıralama Ölçeği
Oran Ölçeği - Sürekli
Nitel Veri
Nitel Veri
Nicel Veri
20. Verinin Grafiklerle Sunumu
Ham veri genellikle karar vermek için kullanışlı
değildir.
Bazı düzenlemeler yapmak gerekir
Tablo
Grafik
Kullanılan grafiğin türü açıklanan değişkene
bağlıdır.
Ch. 1-20
1.3
21. Verinin Grafiklerle Sunumu
Konumuz olan grafik çeşitleri:
Nitel
Değişkenler
Nicel
Değişkenler
1. Sıklık Dağılımı Tablosu
2. Sütun Grafiği
3. Pasta Grafiği
4. Pareto Diyagramı
1. Zaman Serisi Grafiği
2. Sıklık Dağılımı Tablosu
3. Histogram
4. Birikimli Dağılım Grafiği
5. Dal-Yaprak Grafiği
6. Saçılım Grafiği
(devamı)
Ch. 1-21
22. Nitel Değişkenler için
Tablo ve Grafikler
Nitel Veri
Grafikleştirme
Pasta
Grafiği
Pareto
Diyagramı
Sütun
Grafiği
Sıklık
Dağılımı
Tablosu
Tablolaştırma
Ch. 1-22
23. Sıklık Dağılımı Tablosu
Örnek: Birime Göre Hastaneye Başvuran Hasta Sayısı
Hastane Birimi Hasta Sayısı
Kalp Hastalıkları 1,052
Acil 2,245
Yoğun Bakım 340
Doğum 552
Ameliyat 4,630
(Değişkenler
kategorik/nitel)
Veriyi kategorilere göre özetleyin
Ch. 1-23
24. Sütun ve Pasta Grafikleri
Sütun grafikleri ve pasta grafikleri
genellikle nitel (kategorik) değişkenler için
kullanılır.
Sütunun uzunluğu veya pasta diliminin
büyüklüğü her kategorinin sıklığını veya
yüzdeliğini gösterir.
Ch. 1-24
25. Sütun Grafiği Örneği
Hastane Hasta
Birimi Sayısı
Kalp Hastalıkları 1,052
Acil 2,245
Yoğun Bakım 340
Doğum 552
Ameliyat 4,630
Ch. 1-25
0
1000
2000
3000
4000
5000
Kalp Hastalıkları Acil Yoğun Bakım Doğum Ameliyat
Hastane Birimlerine Göre Hasta Sayıları
26. Pasta Grafiği
(Yüzdeler enyakın
sayıyayuvarlanmıştır)
Hastane Hasta
Birimi Sayısı Yüzde
Kalp Hastalıkları 1,052 %11.93
Acil 2,245 %25.46
Yoğun Bakım 340 %3.86
Doğum 55 %6.26
Ameliyat 4,630 %52.50
Ch. 1-26
Kalp Hastalıkları
12%
Acil
25%
Yoğun Bakım
4%
Doğum
6%
Ameliyat
53%
HASTANE BIRIMLERINE GÖRE HASTA SAYILARI
27. Pareto Diyagramı
Kategorik verileri resmetmek için kullanılır
Kategorilerin azalan sıklık sırasına göre
gösterildiği bir sütun grafiği
Kümülatif bir eğri genellikle aynı grafikte
gösterilir
”Önemli birkaç gözlemi”, ”diğer önemsiz
gözlemlerden" ayırmak için kullanılır
Ch. 1-27
28. Pareto Diyagramı Örneği
Örnek: 400 tane kusurlu ürün incelenmiştir.
Kusur sebepleri:
Üretim Hatasının
Kaynağı
Kusur Sayısı
Kötü Kaynak 34
Kötü Hizalama 223
Kayıp Parça 25
Boya Kusuru 78
Kısa Devre 19
Kırık Parça 21
Toplam 400
Ch. 1-28
29. Pareto Diyagramı Örneği
1. Adım: Kusur nedenine göre sırala, azalan şekilde
2. Adım: Her kategorideki yüzdeyi belirle
Üretim Hatasının
Kaynağı
Kusur Sayısı Toplam Kusurdaki
Yüzdesi
Kötü Hizalama 223 %55.75
Boya Kusuru 78 %19.50
Kötü Kaynak 34 %8.50
Kayıp Parça 25 %6.25
Kırık Parça 21 %5.25
Kısa Devre 19 %4.75
Toplam 400 100%
(devamı)
Ch. 1-29
30. Pareto Diyagramı Örneği
kümülatif
%
(çizgi
grafiği)
Her
kategorideki
kusurların
yüzdesi
(
sütun
grafiği)
Pareto Diagram: Cause of Manufacturing Defect
0%
10%
20%
30%
40%
50%
60%
Poor Alignment Paint Flaw Bad Weld Missing Part Cracked case Electrical Short
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
3. Adım: Sonuçları grafikte göster
(devamı)
Ch. 1-30
Kötü Hizalama Boya Kusuru Kötü Kaynak Kayıp Parça Kırık Parça Kısa Devre
Pareto Diyagramı: Üretim Hatası Sebepleri
31. Zaman Serisi Grafikleri
Çizgi grafiği (zaman serisi grafiği) bir değişkenin
zaman içindeki değerlerini göstermek için
kullanılır
Zaman yatay eksende ölçülür
İlgilenilen değişken ise dikey eksende ölçülür
Ch. 1-31
1.4
34. Sıklık Dağılımları
Sıklık Dağılımı nedir?
Sıklık dağılımı sınıf kategorileri içeren bir liste
veya tablodur.
Verilerin içinde yer aldığı her bir kategorinin
sıklık bilgisini verir.
Ch. 1-34
35. Neden Sıklık Dağılımı Kullanırız?
Sıklık dağılımı, verileri özetlemenin bir
yoludur.
Dağılım, ham verileri daha kullanışlı bir
biçime dönüştürür.
Verilerin hızlı bir şekilde görsel olarak
yorumlanmasını sağlar.
Ch. 1-35
36. Sınıf Aralığı ve Sınıf Sınırları
Her sınıf aynı genişliğe sahip olacak şekilde
gruplandırılır
Her bir aralığın genişliği şu şekilde belirlenir:
En az 5, en fazla 15-20 aralık kullanın
Aralıklar asla çakışmaz
İstenen aralık sınır noktalarını elde etmek için aralık
genişliğini yuvarlayın
𝑤 = 𝑆𝚤𝑛𝚤𝑓 𝐺𝑒𝑛𝑖ş𝑙𝑖ğ𝑖 =
𝐸𝑛 𝐵ü𝑦ü𝑘 𝐺ö𝑧𝑙𝑒𝑚 − 𝐸𝑛 𝐾üçü𝑘 𝐺ö𝑧𝑙𝑒𝑚
𝑆𝚤𝑛𝚤𝑓 𝑆𝑎𝑦𝚤𝑠𝚤
Ch. 1-36
37. Sıklık Dağılımı Örneği
Bir yalıtım üreticisi rastgele 20 kış günü seçer ve
günlük en yüksek sıcaklığı kaydeder.
24, 35, 17, 21, 24, 37, 26, 46, 58, 30,
32, 13, 12, 38, 41, 43, 44, 27, 53, 27
Ch. 1-37
38. Sıklık Dağılımı Örneği
Ham verileri artan şekilde sıralayın:
12, 13, 17, 21, 24, 24, 26, 27, 27, 30, 32, 35, 37, 38, 41, 43, 44, 46, 53, 58
Değer aralığını bulun: 58 - 12 = 46
Sınıf sayısını belirleyin: 5(genellikle 5 ila 15 arasında)
Sınıf genişliğini hesaplayın: 10 (46/5 yuvarlayınca 10)
Sınıf sınırlarını belirleyin:
10-19; 20-29; 30-39; 40-49; 50-59; 60-69
Gözlemleri sayın ve sınıflara atayın
(devamı)
Ch. 1-38
41. Histogram: Daily High Temperature
0
3
6
5
4
2
0
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
Frequency
Hava Sıcaklığı (Derece)
Histogram Örneği
Sütunlar arasında
boşluk bulunmaz
Aralık
10 - 19 3
20 - 29 6
30 - 39 5
40 - 49 4
50 - 59 2
Sıklık
0 10 20 30 40 50 60 70
Ch. 1-41
Histogram: Günlük En Yüksek Sıcaklıklar
Sıklık
42. Verileri Aralıklara Gruplamak İçin
Sorular
1. Her aralık ne kadar geniş olmalıdır?
Kaç sınıf kullanılmalıdır?
2. Aralıkların bitiş noktaları nasıl
belirlenmelidir?
Genellikle deneme yanılma yoluyla cevaplanır,
kullanıcı kararına bağlıdır
Amaç, ne çok ”düzensiz" ne de çok "bloklu" bir
dağılım oluşturmaktır
Amaç, verilerdeki değişkenlik örüntüsünü
uygun şekilde göstermektir
Ch. 1-44
43. Kaç Sınıf Aralığı Kulllanılmalı?
Çok sayıda (Dar sınıf aralıkları)
boş sınıflardangelen boşluklarla çok
düzensizbir dağılımverebilir
Frekansın sınıflar arasında nasıl
değiştiğinedair zayıf bir gösterge
verebilir
Az (Geniş sınıf aralıkları)
varyasyonu çok sıkıştırabilirve bloklu
bir dağılım ortaya çıkarabilir
önemli varyasyon örüntülerini
gizleyebilir 0
2
4
6
8
10
12
0 30 60 More
Temperature
Frequency
0
0.5
1
1.5
2
2.5
3
3.5
4
8
12
16
20
24
28
32
36
40
44
48
52
56
60
More
Temperature
Frequency
(X axis labels are upper class endpoints)
Ch. 1-45
46. Dal ve Yaprak Grafiği
Bir veri setindeki dağılımın detaylarını
görmenin basit bir yolu
YÖNTEM: Sıralanmış veri dizisini baştaki
basamağa (dal) ve sondaki basamağa
(yapraklar) göre ayırın
Ch. 1-48
47. Örnek
Burada dal birimi için onlar basamağını kullanın:
Verinin Sıralanmış Hali:
21, 24, 24, 26, 27, 27, 30, 32, 38, 41
21 şu şekilde gösterilir
38 şu şekilde gösterilir
Dal Yaprak
2 1
3 8
Ch. 1-49
48. Örnek
Tamamlanmış Dal ve Yaprak Grafiği
Dal Yapraklar
2 1 4 4 6 7 7
3 0 2 8
4 1
(devamı)
Verinin Sıralanmış Hali:
21, 24, 24, 26, 27, 27, 30, 32, 38, 41
Ch. 1-50
49. Diğer Dal Birimleri
Yüzler basamağını dal olarak kullanmak:
Yaprakları oluşturmak için onlar basamağını yuvarlayın
613 şöyle gösterilir 6 1
776 şöyle gösterilir 7 8
. . .
1224 şöyle gösterilir 12 2
Stem Leaf
Ch. 1-51
52. Değişkenler Arası İlişkiler
Şimdiye kadar gösterilen grafikler sadece tek
bir değişken içeriyordu
İki değişken mevcut olduğunda başka teknikler
kullanılır:
Nitel
Değişkenler
Nicel
Değişkenler
Çapraz Tablo Saçılım Grafiği
Ch. 1-54
1.6
53. Saçılım grafiği, iki sayısal değişkenden
alınan eşleştirilmiş gözlemler için
kullanılır.
Saçılım Grafiği:
bir değişken dikey eksende, diğer
değişken ise yatay eksende ölçülür
Saçılım Grafiği
Ch. 1-55
54. Saçılım Grafiği Örneği
0
50
100
150
200
250
0 10 20 30 40 50 60 70
Gün
Başına
Maliyet
Üretim Hacmi
Gün Başına Maliyet ve Üretim Hacmi İlişkisi
Volume
per day
Cost per
day
23 125
26 140
29 146
33 160
38 167
42 170
50 188
55 195
60 200
Ch. 1-56
56. Çapraz Tablolar
Çapraz Tablolar, iki kategorik veya sıralı
değişken için her değer kombinasyonuna ilişkin
gözlem sayısını listeler
İlk değişken için r kategori (satırlar) ve ikinci
değişken için c kategori (sütunlar) varsa, r x c
bir tabloya çapraz tablo adı verilir.
Ch. 1-59
57. Çapraz Tablo Örneği
4 x 3 Çapraz Tablo Yatırımcıya göre Yatırım Tercihleri
(değerler ₺1000 üzerinden ifade edilmiştir)
Yatırım YatırımcıA Yatırımcı B Yatırımcı C Toplam
Kategorisi
Ticaret 46.5 55 27.5 129
Altın 32.0 44 19.0 95
Emtia 15.5 20 13.5 49
Döviz 16.0 28 7.0 51
Toplam 110.0 147 67.0 324
Ch. 1-60
58. Çapraz Tablo Örneği
Yan yana çubuk grafikler
(devamı)
Ch. 1-61
0 10 20 30 40 50 60
Ticaret
Altın
Emtia
Döviz
Yatırımcı Karşılaştırması
Investor C Investor B Investor A
59. Yan Yana Grafikler
Üç satış bölgesi için çeyrek bazında satışlar:
0
10
20
30
40
50
60
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr
East
West
North
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr
East 20.4 27.4 59 20.4
West 30.6 38.6 34.6 31.6
North 45.9 46.9 45 43.9
Ch. 1-62
60. Veri Sunumu Hataları
Etkili veri sunumu için hedefler:
Temel bilgileri görüntülemek için verileri sunun
Karmaşık fikirleri açık ve doğru bir şekilde
iletmek
Yanlış mesaj iletebilecek yollardan kaçının
Ch. 1-63
1.7
61. Veri Sunumu Örnekleri
Eşit olmayan histogram aralığı
genişlikleri
Dikey eksenin sıkıştırılması veya
bozulması
Dikey eksende sıfır noktası
olmaması
Verilerin gruplar arasında
karşılaştırılmasında göreceli bir
temel sağlanamaması.
(continued)
Ch. 1-64
62. Bölüm Özeti
Karar verme sürecinde eksik bilgilerin gözden
geçirilmesi
Anahtar tanımlar tanıtıldı:
Popülasyon ve Örneklem
Parametre ve İstatistik
Tanımlayıcı ve Çıkarımsal istatistikler
Tanımlanmış rastgele örnekleme
Karar verme sürecinin incelenmesi
Ch. 1-65
63. Bölüm Özeti
Veri türleri ve ölçüm seviyeleri gözden geçirildi
Ham haldeki verilerin karar vermek için kullanılması
genellikle kolay değildir -- Bir tür organizasyona ihtiyaç
vardır:
Tablo Grafik
Bu bölümde incelenen teknikler arasında şunlar yer aldı:
Sıklık dağılımı
Çubuk grafik
Pasta grafiği
Pareto diyagramı
Zaman Serisi grafiği
Sıklık dağılımı
Histogram ve Birikim Grafiği
Dal ve yaprak gösterimi
Saçılım grafiği
Çapraz tablolar ve
Yan yana çubuk grafikler
Ch. 1-66
(devamı)
Editor's Notes
Verileri nicel ve nitel veri olarak sınıflandırabiliriz. Nitel veride sayıların “farkı” ölçme anlamı taşımaz. Mesela bir futbolcunun forma numarası 20, diğerinin 10 ise, buradan ilk oyuncunun ikincisinin iki katı olduğu anlamını çıkaramayız. Fakat nicel veride sayı farklarının ölçümü anlamlı hale gelir. Mesela bir öğrenci sınavdan 90 alırken diğeri 45 almışsa fark ölçülebilir ve anlamlıdır.