live_tv
Livestream Starting Soon
00
Hours
:
00
Minutes
:
00
Seconds
Up next in 10
Auzef İstatistik Analiz 2023-2024 Final Soruları (İşletme)
https://lolonolo.com/2026/02/12/istatistik-analiz-2023-2024-final-sorulari-isletme/
Bu kaynaklar, işletme bölümü öğrencilerinin istatistiksel analiz dersi kapsamında karşılaşabileceği temel konuları ve sınav sorularını kapsamlı bir şekilde ele almaktadır. Metinlerde hipotez testleri, regresyon modelleri ve korelasyon analizi gibi teknik yöntemlerin yanı sıra veri toplama ve örnekleme stratejileri detaylandırılmaktadır. Parametrik ve parametrik olmayan testlerin hangi durumlarda tercih edilmesi gerektiği vurgulanırken, standart hata ve belirginlik katsayısı gibi kritik hesaplamalara dair formüller sunulmaktadır. Ayrıca, ekonomik veri toplama yöntemleri ve anket türleri gibi pratik uygulamalar üzerinden öğrencilerin analiz yeteneklerini geliştirmesi hedeflenmektedir. Son bölümde yer alan çözümlü sorular ise teorik bilgilerin somut problemler üzerinde nasıl uygulanacağını gösteren bir rehber niteliği taşımaktadır.
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Merhabalar. Elimizdeki o yığınla veriyle
0:02
nasıl daha akıllıca, daha kendimizden
0:05
emin kararlar alabiliriz diye hiç
0:06
düşündünüz mü? İşte bu bölümde bir
0:09
istatistiksel araştırmanın bütün
0:11
macerasına, en başından en sonuna yani
0:14
soruyu sormaktan sonuca varmaya kadar
0:17
adım adım birlikte atılacağız.
0:18
Hazırsanız bu yolculuk başlasın. Her şey
0:21
aslında bu basit ama çok kritik soruyla
0:24
başlıyor. Yaptığımız bu yeni şey
0:26
gerçekten işe yarıyor mu? Bu yepyeni bir
0:29
reklam kampanyası olabilir. Bir ürün
0:31
özelliği ya da belki de farklı bir satış
0:33
tekniği. Başarıyı şansa bırakmak yerine
0:36
verilerin dilini kullanarak bunu nasıl
0:37
net bir şekilde ölçebileceğimizi
0:39
göreceğiz. Her veri yolculuğunun ilk ve
0:42
belki de en önemli adımı işte bu. Net,
0:46
test edilebilir bir soru sormak. Bizim
0:48
istatistik dilinde buna hipotez
0:50
dediğimiz şey tam olarak bu. Hadi gelin
0:52
neymiş bu hipotez? Biraz daha yakından
0:54
bakalım. Aslında hipotez karanlıkta
0:57
yolumuzu aydınlatan bir fener gibi. Bize
1:00
tam olarak neyi aradığımızı, neyi test
1:02
etmemiz gerektiğini söyleyen net bir
1:04
iddia. Bu olmadan o veri okyanusunun
1:07
içinde kaybolup gitmemiz işten bile
1:09
değil. Gelin bunu somut bir örnekle
1:11
canlandıralım. Diyelim ki bir banka
1:14
müşterilerinin kredi kartı
1:15
harcamalarının ortalama 15.500 L
1:18
olduğunu söylüyor. Ama bir araştırmacı
1:20
buna şüpheyle yaklaşıyor ve "Bence bu
1:22
rakam daha yüksek." diyor. Peki kim
1:25
haklı? İşte istatistik tam da bu noktada
1:28
devreye girip bize hakemlik yapma imkanı
1:30
veriyor. Bu iki farklı görüşü
1:32
istatistikte iki isimle tanımlıyoruz. 0
1:36
hipotezi yani h0 her zaman mevcut durumu
1:39
yani değişen bir şey yok varsayımını
1:41
temsil eder. Bankanın iddiası tam olarak
1:44
bu. Bizim kanıtlamaya çalıştığımız yeni
1:47
iddia yani araştırmacının şüphesi ise
1:50
her zaman alternatif hipotezdir. Yani
1:52
H1. Tamam. Sorumuzu sorduk.
1:55
İddialarımızı da belirledik. Şimdi ne
1:57
lazım? E tabii ki kanıt yani veri. O
2:00
zaman hadi yolculuğun bir sonraki
2:02
durağına geçelim ve bu kanıtları yani
2:04
veriyi nasıl toplayacağımızı görelim.
2:07
Veri toplamanın aslında pek çok yolu var
2:09
ama biliyorsunuz günümüz iş dünyasında
2:11
hız ve maliyet her şey demek. İşte bu
2:13
yüzden e-posta ve web tabanlı anketler,
2:16
kağıt masrafı, personel masrafı gibi
2:18
şeyleri ortadan kaldırdığı için
2:19
genellikle en verimli ve en akıllıca
2:22
yöntem olarak karşımıza çıkıyor.
2:24
Düşünsenize milyonlarca müşterisi olan
2:26
bir bankanın herkese tek soru sorması
2:29
imkansız değil mi? İşte bu yüzden o
2:32
milyonları temsil eden tam küçük bir
2:34
grup seçiyoruz. Buna örneklem diyoruz.
2:37
Tabii bu seçimin adil olması çok önemli.
2:39
Bunun için de sistematik örnekleme gibi
2:42
tesadüfi yöntemler kullanıyoruz. Mesela
2:44
müşteri listesindeki her 20 kişiyi
2:46
seçmek gibi. Bu neyi sağlıyor? Grubun
2:49
tamamen tarafsız olmasını. Ve işte
2:52
geldik yolculuğun en heyecanlı kısmına.
2:55
Topladığımız bütün kanıtları masaya
2:57
yatırıp sorgulama zamanı. Bakalım
2:59
veriler bize ne gibi bir hikaye
3:01
anlatacak. Karar verme sürecimiz aslında
3:04
bu 5 adımlık net bir yol haritasını
3:06
izliyor. 1. Hipotezleri belirle ki bunu
3:09
zaten yaptık. 2. Kanıt çıtasını ayarla.
3:13
Yani ne kadar güçlü bir kanıt
3:14
aradığımızı netleştir. 3. Elimizdeki
3:17
veriden bir test puanı hesapla. 4. Bu
3:20
puanı en başta belirlediğimiz o çıtayla
3:22
karşılaştır. Ve son olarak 5inci adımda
3:25
çıtayı geçip geçmediğine bakarak bir
3:27
karara var. Bu yapı sayesinde duygularla
3:30
değil, tamamen objektif bir şekilde
3:32
hareket etmiş oluyoruz. Sanırım bu
3:34
benzetme her şeyi özetliyor. Mevcut
3:36
inancı yani sıfır hipotezini sırf bizim
3:39
topladığımız birkaç veri biraz farklı
3:41
çıktı diye hemen çöpe atamayız. Onu
3:43
mahkum etmek için bulgularımızın tesadüf
3:46
olamayacak kadar güçlü yani gerçekten
3:48
anlamlı olduğunu göstermemiz gerekiyor.
3:51
İşte davanın sonuçlandığı o an.
3:54
Hesapladığımız test puanı daha en başta
3:56
belirlediğimiz o kanıt çıtasını yani
3:59
kritik değeri aşarsa evet yeterli
4:02
kanıtımız var diyoruz. İşte bu noktada
4:04
mevcut inancı yani H0'ı reddediyor ve
4:08
araştırmacının yeni iddiasının haklı
4:10
olduğuna karar veriyoruz. Mii her veri
4:13
mükemmel midir? Tabii ki hayır. Bazen
4:15
verilerimiz beklediğimiz gibi böyle
4:17
düzgün bir dağılım göstermez. İşte o
4:20
zaman T testi gibi standart testler
4:22
yerine daha esnek olan, işaret testi
4:25
gibi farklı araçlara yöneliyoruz. Tıpkı
4:27
bir tamir çantasındaki aletler gibi her
4:30
iş için doğru aleti seçmek doğru sonuca
4:33
ulaşmak için hayati önem taşır. Şimdiye
4:36
kadar hep bir iddianın doğru mu yanlış
4:38
mı olduğunu test ettik. Peki ya amacımız
4:40
bu değilse ya amacımız reklam
4:43
harcamaları artınca satışlar da artıyor
4:45
mu gibi iki şey arasındaki bağlantıyı
4:47
anlamaksa işte şimdi analizde rotamızı
4:50
biraz değiştiriyoruz. Bazı ilişkiler
4:53
mesela fizik kanunları kesin ve nettir.
4:57
Bunlara deterministik diyoruz. Ama iş
4:59
hayatında mesela reklam harcamalarıyla
5:02
satışlar arasındaki ilişki gibi çoğu
5:05
ilişki mükemmel değildir. İçinde mutlaka
5:08
bir şans faktörü, bir belirsizlik
5:10
barındırır. İşte buna da stokastik
5:12
ilişki diyoruz. Bir korelasyon
5:14
katsayısını yorumlamak aslında çok
5:16
kolaydır. Gelin şu -0.17'ye bakalım.
5:20
başındaki o eksi işareti ilişkinin ters
5:22
yönlü olduğunu söylüyor. Yani bir tahter
5:25
valli gibi biri artarken diğeri
5:27
azalıyor. 0.17 sayısı isa 0a çok yakın
5:31
olduğu için bu ilişkinin oldukça zayıf
5:33
olduğunu gösteriyor. Eğer bu sayı -0.90
5:36
gibi bir şey olsaydı o zaman çok güçlü
5:39
bir ters ilişki var derdik. Bu kadar
5:41
basit. Korelasyon bize bir ilişkinin
5:43
varlığını ve gücünü söyler. Regresyonsa
5:47
bir adım daha ileri giderek bize bu
5:49
ilişkinin adeta tarifini verir. Yani
5:52
x'teki her bir birimlik artış y'yi tam
5:55
olarak ne kadar değiştirir sorusunu
5:57
cevaplar. İşte bu formül de o ilişkinin
6:00
eğimini yani b katsayısını hesaplamamızı
6:03
sağlayan sihirli araç. Peki bu formülü
6:06
kullanarak yaptığımız hesaplama
6:08
sonucunda ne bulduk? Cevap 7. İyi de bu
6:11
ne anlama geliyor? şu anlama geliyor.
6:13
İncelediğimiz veride x'teki her bir
6:16
birimlik artış y'de tam olarak 7
6:18
birimlik bir artış yaratıyor. İşte
6:21
verinin içindeki gizli hikaye bazen bu
6:23
kadar net ve güçlü olabilir. Analizimizi
6:26
yaptık. Sayıları konuşturduk. Artık
6:29
yolculuğun sonuna yani karar anına
6:31
geliyoruz. Bu sonuçları nasıl
6:33
yorumlayacağız ve vardığımız karara ne
6:35
kadar güvenebiliriz?
6:37
Şimdi tek bir sayıya yapışıp ortalama
6:40
tam olarak 245'tir demek yerine ortalama
6:43
büyük ihtimalle yani %95 güvenle 230'la
6:47
260 arasındadır demek çok daha dürüst ve
6:50
kullanışlı bir yaklaşımdır. Buna aralık
6:52
tahmini diyoruz ve bize tahminimizdeki o
6:55
kaçınılmaz belirsizlik payını da açıkça
6:57
gösteriyor. Peki bu tahmin aralığını
7:00
nasıl daha hassas yani daha dar bir hale
7:03
getirebiliriz? Bu tablo bize üç yol
7:05
gösteriyor. Birincisi ve en önemlisi
7:08
örneklem büyüklüğünü artırmak. Ne kadar
7:11
çok veri o kadar dar bir aralık
7:13
demektir. İkincisi verideki
7:15
değişkenliğin yani o yayılımın daha az
7:18
olması işimize yarar. Üçüncüsü de hata
7:20
yapma payımızı yani alfayı biraz
7:23
artırmayı göze almak. Ama unutmayın
7:25
temel kural şudur. Daha fazla veri her
7:28
zaman daha kesin sonuç demektir.
7:30
Tahminimizin güvenilirliğini ölçen
7:32
sihirli bir sayımız var. Standart hata.
7:35
Bu sayı bize örleklem ortalamamızın
7:37
gerçek ortalamadan ortalama ne kadar
7:39
sapabileceğini gösterir. Bunu
7:41
hesaplarken de verinin genel yayılımını
7:44
topladığımız veri miktarına bölerek bir
7:46
nevi gücünü ölçüyoruz. Elimizdeki
7:48
sayılarla bu işlemi yaptığımızdaysa
7:50
sonuç 325. İşte bu kadar. Bu sayının
7:54
bize söylediği çok basit bir şey var. Bu
7:56
sayı ne kadar küçükse hedefi o kadar iyi
7:58
vurduk demektir. Yani tahminimiz o kadar
8:00
güvenilir ve o kadar kesin. Gördüğünüz
8:03
gibi veriyle karar vermek hem bir bilim
8:06
hem de bir sanat. Bugün bu yolculuğun
8:08
temel adımlarını birlikte attık. Şimdi
8:11
asıl soru şu: Siz elinizdeki o verilere
8:14
doğru soruyu sormaya, o verilerin
8:16
içindeki hikayeyi ortaya çıkarmaya hazır
8:19
mısınız? Bir sonraki maceranızda bol
8:21
şans.
#Business & Industrial
#Jobs & Education
#Education
#Science