Auzef İstatistik 2025-2026 Vize Soruları (Bahar)
https://lolonolo.com/2026/05/15/istatistik-2025-2026-vize-sorulari-bahar/
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Herkese merhaba. Bugün elimizdeki o
0:02
karmaşık ham sayıların nasıl olup da
0:04
aniden mantıklı, anlamlı bilgilere
0:06
dönüştüğünü konuşacağız. İstatistik
0:09
vizesi mi yaklaşıyor? Hiç panik
0:10
yapmayın. Bu incelememiz sizin nihai
0:13
hayatta kalma rehberiniz. Hatta veri
0:15
dünyasının şifrelerini kıran o meşhur
0:17
hile kodunuz olacak. Hazırsak verinin bu
0:20
acayip heyecan verici yolculuğuna
0:21
başlayalım. Tamam. Hadi hemen konuya
0:24
dalalım. Önümüzde dört aşamalı bir yol
0:26
haritası var. Önce temel veri kavramları
0:29
ile başlıyoruz. Ardından ölçüm
0:31
düzeylerini çözeceğiz. Sonra merkezi
0:33
eğilim ölçülerini bulacağız. Ve en son
0:36
4üncü adımda da bu verileri grafiklerle
0:38
nasıl havalı bir şekilde sunacağımızı
0:40
göreceğiz. Ama önce durup şu kocaman
0:43
soruyu bir sormamız lazım. Ham olur da
0:47
karar almamızı sağlayan o altın
0:49
değerindeki bilgiye dönüşür. Verii
0:52
aslında topraktan yeni çıkmış,
0:54
işlenmemiş ham bir maden gibi düşünün.
0:56
Çıktığı o ilk haliyle inanın pek bir işe
0:59
yaramaz. Onu ayıklamanız,
1:00
sınıflandırmanız, eritip şekil vermeniz
1:03
şart. İşte istatistik kelimenin tam
1:06
anlamıyla bu madencilik ve rafinaj
1:08
işleminin ta kendisidir. O zaman 1inci
1:11
bölüm diyelim. Temel veri kavramları
1:13
yani keşif ve veri toplamı aşamasına
1:16
resmen giriş yapıyoruz. Şimdi maden
1:19
dedik ya kazıya başladığınızda o
1:21
çıkardığınız cevherin nereden geldiğini
1:23
bilmek zorundasınız. İki temel
1:25
kaynağımız var. Birincil ve ikincil
1:27
veri. Buradaki kilit nokta şu. Eğer
1:30
kolları sıvayıp veriyi bizzat siz
1:32
topluyorsanız, anketinizi falan kendiniz
1:34
yapıyorsanız, tebrikler. Bu sizin
1:37
birincil verinizdir. Ama diyelim ki
1:39
vakit yok. Başka bir kurumun daha
1:40
önceden topladığı hazır bir veriyi alıp
1:43
kullandınız. Hah işte o zaman ikincil
1:45
veriyle çalışıyorsunuz demektir.
1:47
İkincisi çok daha pratik tabii yalan yok
1:50
ama ilki doğrudan sizin kendi
1:52
hedefinize, kendi sorunuza hizmet eder.
1:55
Sınavda karşınıza çıktığında hayat
1:57
kurtaracak iki çok spesifik terimden
1:58
bahsedeceğim size. İlki röve. Belki
2:01
mimarlıktan falan kulak aşinalığınız
2:03
vardır ama istatistikte rolöve bizzat
2:05
veri toplama yani derleme işleminin ta
2:08
kendisidir. Not alın. Bu önemli. Bir de
2:10
bu verileri toplarken incelediğimiz
2:12
birimlerin bazı özellikleri var ya işte
2:14
o özelliklerin ortaya çıkış şekillerine
2:16
de biz şık diyoruz. Ne demek bu? Diyelim
2:19
ki medeni durum bir özellik. O zaman
2:21
evli veya bekar olmak o özelliğin
2:23
şıklarıdır. Mantık bu kadar basit.
2:25
Temeli attığımıza göre devam edebiliriz.
2:28
Geldik 2inci bölüme. Ölçüm düzeylerini
2:31
anlamak. Hammaddeyi topladık. Rolövewayi
2:33
bitirdik. Peki şimdi bu karmaşık yığını
2:36
nasıl sınıflandıracağız?
2:38
Bakın bu slayttaki o havalı akademik
2:41
kavramların aslında günlük hayatımızda
2:43
birebir karşılığı var. Ölçüm düzeylerini
2:45
dört gruba ayırıyoruz. En temeli
2:48
sınıflayıcı yani nominal düzey. Bu
2:50
sadece bir etiketleme işi. Göz rengi,
2:53
cinsiyet gibi düşünün. Mavinin yeşile
2:55
matematiksel bir üstünlüğü yok değil mi?
2:58
İkincisi sıralayıcı yani ordinal düzey.
3:01
Adaüstünde burada belli bir hiyerarşi
3:03
var. eğitim durumu mesela ilkokul, lise,
3:06
üniversite diye basamak basamak
3:08
dizersiniz. Sonra aralık ölçümü var ve
3:11
tabii ki en güçlüleri en alttaki oran
3:14
ölçümü. Neden en güçlüsü biliyor
3:15
musunuz? Çünkü gerçek ve mutlak bir
3:18
sıfır noktasına sahip. Yani buradaki
3:20
sıfır o özelliğin gerçekten kesinlikle
3:22
hiç var olmadığını kanıtlıyor. Bu
3:24
inanılmaz önemli bir ayrım. 3ünc bölüm.
3:28
Merkezi eğilim ölçüleri kategorilerimizi
3:30
oluşturduk. Şimdi o devasa karmakarışık
3:33
veri yığının tam merkezini tabiri caizse
3:36
grubun o sihirli kalp atışını bulma
3:38
vakti geldi. Koskoca bir grubu sadece
3:42
tek bir sayıyla özetlemeniz istense ilk
3:44
ne yaparsınız? Herhalde aklınıza ilk
3:47
gelen ve hepimizin en iyi bildiği yöntem
3:49
aritmetik ortalama olur. Tüm gözlem
3:51
değerlerini alt alta sonra da
3:53
toplam gözlem sayısına böleriz.
3:55
Öğrencilik hayatımız boyunca not
3:57
ortalamalarımızı hesaplarken yaptığımız
3:59
şey tam olarak bu zaten değil. Verinin
4:02
merkezini bulmak söz konusu olduğunda
4:04
ilk başvurduğumuz en standart aletimiz
4:06
bu. Ama durun burada çok büyük bir tuzak
4:10
var. Peki ya serimizde o meşhur aşırı
4:12
değerler yani uçuk kaçık rakamlar varsa
4:15
aritmetik ortalamanın en ölümcül
4:17
zayıflığı işte tam burası. Şöyle
4:20
düşünün. Bir odadasınız, 10 kişisiniz ve
4:22
herkesin maaşı asgari ücret seviyesinde.
4:25
Kapı açılıyor ve içeriye ülkenin en
4:27
zengin milyarderi giriyor. Şimdi
4:29
aritmetik ortalamayı hesaplarsak ne
4:31
olur? Kağıt üzerinde o odadaki herkes
4:33
bir anda aşırı zengin görünür. E ama bu
4:36
gerçek durumu kesinlikle yansıtmıyor.
4:38
Demek ki neymiş? Aritmetik ortalama bu
4:41
uç değerlere karşı inanılmaz derecede
4:43
duyarlı. Hatta fazlasıyla hassas. İşte
4:46
tam da bu yüzden istatistikçiler zekice
4:49
bir hamleyle ortalamaları iki takıma
4:51
ayırmış. Duyarlı olanlar ve duyarsız
4:54
olanlar. Aritmetik, geometrik, harmonik
4:57
ve kareli ortalamalar duyarlı takımda.
5:00
Yani az önce bahsettiğimiz o milyarderi
5:02
gördükleri anda etkilenip bütün dengeyi
5:04
bozuyorlar. Karşı tarafta ise verimizi
5:07
bu uç değerlerin zorbalığından kurtaran
5:10
süper kahramanlarımız var. Duyarsız
5:12
ortalamalar. Seride ne kadar çılgın bir
5:15
uç değer olursa olsun istifini hiç
5:17
bozmayan o kahramanlar medyan ve moddur.
5:20
Eğer serinizin gerçek durumunu göstermek
5:22
istiyorsanız bu ikisini sahaya sürmeniz
5:25
gerekiyor. Hadi bu kavramların üzerinden
5:27
hızlıca bir geçelim. Medyan namı diğer
5:29
ortanca. Seriyi küçükten büyüğe
5:31
sıraladınız diyelim. Tam ortada kaya
5:33
gibi sapam duran değerdir. Sağına soluna
5:36
kim gelirse gelsin umrunda olmaz. Medyan
5:38
asla etkilenmez. Modsa grupta en çok
5:41
tekrar eden, en popüler olan değerdir.
5:44
Listede de bir de geometrik ortalama
5:45
var. Gözlem değerlerinin logaritmalarını
5:47
falan kullanıyor ama burada kocaman bir
5:49
kırmızı bayrak çekmek zorundayım. Eğer
5:52
elinizdeki seride negatif değerler varsa
5:54
sistem kelimenin tam anlamıyla çöker.
5:57
Geometrik ortalama eksi değerleri
5:58
gördüğü an iflas eder. Bunu sınavda
6:01
sakın ama sakın unutmayın. 4. ve son
6:03
bölüm veri düzenleme ve grafikler. Veri
6:07
yolculuğumuzun finaline geldik.
6:09
Topladığımız, sınıflandırdığımız ve
6:11
merkezini bulduğumuz o pırıl pırıl
6:14
rafine bilgiyi nihayet görselleştirme ve
6:16
sahneye çıkarma zamanı. Ama sahneye
6:19
çıkmadan önce veriye bir çeki düzen
6:21
vermemiz lazım. İlk adımımız gruplama.
6:24
Bu verileri birbirine yakın
6:25
özelliklerine göre homojen sınıflara
6:27
ayırmak demek. Yalnız dikkat çok kritik
6:30
bir uyarı yapacağım. Sınıfları çok geniş
6:32
tutmak, koca bir kalabalığa tek beden
6:35
şöyle one size bev bir tişört giydirmeye
6:38
çalışmak gibidir. Eğer o aralığı çok
6:40
geniş yaparsanız homojenliği tamamen yok
6:42
edersiniz ve verinin içindeki o en
6:45
hayati detaylar araya kaynar, silinir
6:47
gider. Peki tüm bu üzerinde çalıştığımız
6:50
gruplar, seriler aslında neyi temsil
6:53
ediyor? Burada çok önemli bir tanım
6:55
karşımıza çıkıyor. Parametre. Biz
6:58
istatistikte çoğu zaman evrenin tamamına
7:00
yani o devasa ana kütlenin hepsine
7:03
ulaşamayız. Ama olur da bir mucize
7:05
eseri, o koskoca ona kütleyi karakterize
7:07
eden, tüm grubu anlatan o gerçek değeri
7:10
hesaplayabilirsek işte buna parametre
7:12
diyoruz. Ana kütlenin kimlik kartı gibi
7:14
düşünün bunu. Ve işte bu da bize harika
7:18
bir şeyi gösteriyor. Eğer verilerinizi
7:20
homojen sınıflara böldüyseniz yani
7:22
gruplama yaptıysanız sahneye çıkarmanız
7:25
gereken o özel grafik türü kesinlikle
7:27
histogramdır. Sınıflanmış serilerin
7:30
görsel sunumu yan yana dizilmiş o
7:32
bitişik çubuklarla yani histogramla
7:35
hayat bulur. Bu ikisi ayrılmaz bir
7:37
ikilidir. Peki ya elinizde tamamen
7:40
nicel, sayısal ve ölçülebilir veriler
7:42
varsa ne yapacaksınız? O zaman sahneye
7:45
çizgi grafiği çıkıyor. Küresel
7:47
ısınmadaki sıcaklık artışlarını ya da
7:49
borsadaki o anlık dalgalanmaları
7:51
gözünüzün önüne getirin. Eğer elinizdeki
7:54
veri bir eksen üzerinde akan nicel bir
7:56
veriyse ve siz bir değişimi, bir trendi
7:59
göstermek istiyorsanız başvuracağınız
8:02
tek adres çizgi grafiğidir. Tabii bazen
8:05
de elimizdeki o koca bütünün farklı
8:07
bölümlere nasıl dağıldığını, kimin ne
8:10
kadar pay aldığını göstermek isteriz. Ne
8:13
zaman ki bir konuyu yüzde dağılımı
8:15
olarak sunmanız gerekirse o herkesin
8:17
tanıdığı meşhur daire dilimleri grafiği
8:19
imdadınıza yetişir. Parçaların bütünü
8:22
olan oranını anlatmanın tartışmasız en
8:25
şık ve en anlaşılır yoludur. Evet,
8:28
verinin o uzun yolculuğunu tamamladık.
8:30
Sınavı rahatça geçmeniz için gereken tüm
8:32
o temel taktikleri cebe indirdik. Ama bu
8:35
rehberi bitirmeden önce sadece kağıt
8:37
üzerinde değil gerçek hayatta da
8:39
aklınızın bir köşesinde hep durması
8:41
gereken o provokatif soruyu sormak
8:43
istiyorum. Her gün haber kanallarında,
8:46
sosyal medya akışınızda veya şirket
8:48
raporlarında önünüze düşen o süslü
8:50
istatistikler gerçekten gerçeğin ta
8:53
kendisini mi yansıtıyor yoksa sadece
8:55
milyarderin girdiği o küçük odadaki
8:57
aritmatik ortalama mı gösteriliyor bize?
9:00
Verilerin her zaman hikayenin tamamını
9:02
anlatmadığını unutmayın. Asıl mesele o
9:04
verinin hangi süzgeçlerden geçtiğini
9:06
görebilmektir. Meraklı kalın. Verileri
9:09
sürekli sorgulamaya devam edin. Bir
9:11
sonraki incelememizde görüşmek üzere.
#Jobs & Education

