Veri Analizi ve Fırsat Tartışması Üzerine Örnek Sorular
Veri analizi ve olasılık, özellikle istatistik, matematik, ekonomi ve pazar araştırması gibi çeşitli disiplinlerde sıklıkla karşılaşılan iki alandır. Bu makalede, bu temel kavramlara dair anlayışımızı derinleştirmek için veri analizi ve olasılıkla ilgili çeşitli örnek problemleri ve tartışmaları inceleyeceğiz.
1. Veri Analizi: Giriş ve Örnek Sorular
Veri analizi, yararlı bilgiler keşfetmek, sonuçlar çıkarmak ve karar vermeyi desteklemek amacıyla verileri inceleme, seçme, dönüştürme ve modelleme sürecidir. Tipik adımlar arasında veri toplama, veri temizleme, veri keşfi (tanımlayıcı istatistikler) ve daha ileri analiz yer alır.
Örnek Soru 1: Ortalama ve Standart Sapmanın Belirlenmesi
10 öğrencinin matematik sınavı puanlarına ilişkin aşağıdaki veriler verilmiştir: 78, 82, 85, 88, 90, 75, 91, 74, 89, 86.
Verilerin ortalamasını ve standart sapmasını hesaplayın.
Tartışma:
– Ortalama değer, tüm verilerin toplamının gözlem sayısına bölünmesiyle bulunur.
\[
Ortalama = 78 + 82 + 85 + 88 + 90 + 75 + 91 + 74 + 89 + 86 / 10 = 838 / 10 = 83.8
\]
– Standart sapmayı hesaplamak için öncelikle varyansı hesaplamamız gerekir. Varyans, her veri kümesi ile ortalama arasındaki kare farklarının ortalamasıdır.
\[
Varyans = \frac{(78-83.8)^2 + (82-83.8)^2 + (85-83.8)^2 + \cdots + (86-83.8)^2}{10}
\]
Varyans daha sonra aşağıdaki gibi hesaplanır:
\[
Varyans = 33.64 + 3.24 + 1.44 + 17.64 + 38.44 + 75.04 + 50.41 + 94.44 + 26.01 + 4.84 / 10 = 345.14 / 10 = 34.514
\]
– Standart sapma, varyansın kareköküdür.
\[
Standart Sapma = √34.514 ≈ 5.88
\]
Örnek Soru 2: Veri Grafiği
Bir şehrin son 5 yıla ait nüfus verileri (bin kişi olarak) aşağıdaki gibidir: 2016: 120, 2017: 125, 2018: 130, 2019: 135, 2020: 140.
Verileri temsil etmek için bir çizgi grafiği oluşturun.
Tartışma:
Çizgi grafiği oluşturmak için şu adımları izleyebiliriz:
1. X ve Y eksenlerini belirleyin. X ekseni yıllar, Y ekseni ise nüfus içindir.
2. Verilen verilere göre noktaları işaretleyin:
– (2016, 120)
– (2017, 125)
– (2018, 130)
– (2019, 135)
– (2020, 140)
3. Noktaları çizgilerle birleştirin.
Oluşturulacak grafik, 2016'dan 2020'ye kadar kent nüfusundaki artış eğilimini gösterecektir.
2. Olasılık: Temel Kavramlar ve Örnek Problemler
Oran veya olasılık, bir olayın gerçekleşme olasılığının ölçüsüdür. Bir A olayının olasılığı genellikle \( P(A) \) olarak ifade edilir ve şu şekilde hesaplanır:
\[
P(A) = \frac{\text{İstenen olay sayısı}}{\text{Toplam olası olay sayısı}}
\]
Örnek Soru 3: Basit Olasılık
Standart bir iskambil destesinden As çekme olasılığı nedir?
Tartışma:
Bir iskambil destesinde 52 kart bulunur.
– Dört adet As kartı vardır (kalp, karo, sinek ve maça).
– As çekme olasılığı şöyledir:
\[
P(\text{As}) = \frac{4}{52} = \frac{1}{13} \approx 0.0769 \text{ veya } 7.69\%
\]
Örnek Soru 4: Ardışık Duruşmalar
İki zar aynı anda atılıyor. İki zarın toplamının 7 olma olasılığını hesaplayın.
Tartışma:
– İki zardan toplamda 6×6=36 olası sonuç elde edilebilir.
– Toplamı 7 olan kombinasyonlar şunlardır: (1,6), (2,5), (3,4), (4,3), (5,2), (6,1). Yani 6 kez tekrarlanmaktadır.
İki zarın toplamının 7 olma olasılığı şudur:
\[
P(Toplam 7) = 6/36 = 1/6 ≈ 0.1667 veya %16.67
\]
Örnek Soru 5: Bayes Kuralı
Her 1000 kişiden 1'inde X hastalığı olduğu biliniyor. X hastalığını tespit eden bir testin doğruluk oranı %99'dur (pozitif veya negatif olmasına bakılmaksızın). Bir kişi testte pozitif sonuç alırsa, gerçekten X hastalığına sahip olma olasılığı nedir? Testin %95 duyarlılık ve %98 özgüllük oranına sahip olduğunu varsayalım.
Tartışma:
Örneğin:
– P(P), bir kişinin testinin pozitif çıkma olasılığıdır.
– P(D), bir kişinin hastalığa yakalanma olasılığıdır,
– P(P|D), kişinin hastalığa sahip olması durumunda testin pozitif çıkma olasılığıdır.
– P(D|P), bir kişinin test sonucu pozitif çıkarsa hastalığa yakalanma olasılığıdır.
Bayes teoremi uyarınca:
\[
P(D|P) = \frac{P(P|D) \cdot P(D)}{P(P)}
\]
Öncelikle P(P)'yi hesaplayın:
\[
P(P) = P(P|D) \cdot P(D) + P(P|D^c) \cdot P(D^c)
\]
\[
P(P) = 0.95 \cdot \frac{1}{1000} + 0.02 \cdot \frac{999}{1000} \approx 0.0211
\]
Şimdi,
\[
P(D|P) = \frac{0.95 \cdot \frac{1}{1000}}{0.0211} ≈ 0.045 \text{ veya %4.5}
\]
Dolayısıyla, bir kişinin testi pozitif çıkarsa, o kişinin gerçekten X hastalığına sahip olma olasılığı yaklaşık %4.5'tir.
Sonuç
Veri analizi ve olasılık analizi, araştırma, ekonomi ve sağlık hizmetleri gibi çeşitli alanlarda temel araçlardır. Bunların nasıl çalıştığını anlayarak daha iyi tahminler yapabilir, daha iyi kararlar alabilir ve riskleri yönetebiliriz. Bu örnekler ve tartışmalar sayesinde, verilerin nasıl analiz edilebileceği ve çeşitli olayların olasılıklarının nasıl hesaplanabileceği konusunda daha iyi bir anlayış kazanıyoruz. Bu makalenin veri analizi ve olasılık analizi konusundaki anlayışımızı derinleştirmeye yardımcı olduğunu umuyoruz.
