Summio

Kitap

İstatistik

İstatistik dünyasına samimi bir dalış, karmaşık kavramları herkes için erişilebilir ve pratik hale getiriyor.

29 dk okuma

Mevcut diller

Özet önizlemesi

İstatistik Dünyasına Dostça Bir Yolculuk: Henry Elicker Klugh ile Sayıların İzinde

Selamlar! Elinize Henry Elicker Klugh'un 'İstatistik' kitabını mı aldınız? 1986'da Routledge tarafından yayımlanan bu kitap, sıradan, sıkıcı ders kitaplarından çok daha fazlası. Bunu, sayıların, verilerin ve bunların gerçekte ne anlama geldiğinin kafa karıştırıcı dünyasında size rehberlik eden samimi bir dost gibi düşünün. Klugh'un amacı, o dönemin tipik bir istatistik kitabı ve yayıncının tanımından anladığımız kadarıyla, istatistiği daha az korkutucu ve daha erişilebilir kılmak. Bu, günlük gözlemlerden karmaşık araştırmalara kadar, dünyayı anlamak için kullandığımız araçları kavramakla ilgili. Bu kitap, çıkarımımıza göre, size istatistiğin temel bilgisini kazandırmayı hedefliyor. Sadece formülleri ezberlemek değil; arkalarındaki mantığı anlamak ve en önemlisi, onları nasıl uygulayacağınızı öğrenmek. İster dersleriyle boğuşan bir öğrenci olun, ister raporları yorumlamaya çalışan bir profesyonel, ister verilerin hayatımızı nasıl şekillendirdiğini merak eden biri olun, Klugh'un çalışması sizin yol arkadaşınız olmak için tasarlandı. Ham sayıları anlamlı içgörülere dönüştürmek, günlük karşılaştığınız bilgilere eleştirel bir gözle bakmanıza yardımcı olmakla ilgili. Bu kitabın muhtemelen neleri kapsadığını derinlemesine inceleyeceğiz, sindirilebilir parçalara ayıracağız. Temel fikirleri, pratik uygulamaları ve bu kitap onlarca yıl önce yazılmış olsa bile istatistiği anlamanın neden şimdi her zamankinden daha alakalı olduğunu keşfedeceğiz. Temel ilkeler pek değişmedi ve Klugh'un açıklık ve anlayışa odaklanan yaklaşımı zamansız.

Bölüm 1: İstatistiğe Neden Kafa Yormalı? Büyük Resim

Tamam, milyon dolarlık soruyla başlayalım: İstatistik neden umrunuzda olmalı? Yani, sayılar oldukça korkutucu görünebilir, değil mi? Pek çok insan 'istatistik' kelimesini duyduğunda hemen sıkıcı dersleri, kafa karıştırıcı grafikleri ve sonsuz hesaplamaları düşünür. Ama dürüst olmak gerekirse, istatistik dünyayı anlamak için bir süper güç gibidir. Verinin dilidir ve veri her yerdedir. Bir düşünün. Her gün bilgi bombardımanına tutuluyorsunuz. Haber raporları anket sonuçlarını, ekonomik eğilimleri ve bilimsel çalışmaları konuşuyor. Reklamverenler sizi hedeflemek için veri kullanıyor. Hatta en sevdiğiniz spor takımı bir sonraki maçını planlamak için istatistik kullanıyor. İstatistiğe dair temel bir anlayış olmadan, bu bilgi selinde adeta körlemesine gezinmeye çalışıyorsunuz. Kolayca yanlış yönlendirilebilir, hatalı akıl yürütmeye dayalı kararlar alabilir veya olup bitenleri gerçekten anlamayı kaçırabilirsiniz. Klugh'un kitabı muhtemelen şunu vurguluyordur: İstatistik sadece matematikçiler veya bilim insanları için değildir. Bu, herkes için temel bir beceridir. Size şu konularda yardımcı olur: Daha İyi Kararlar Almak: İncelemelere dayanarak hangi ürünü satın alacağınıza karar verirken, tıbbi bir tedavinin risklerini anlarken veya kişisel finansmanınızı planlarken, istatistik kanıtları tartmak ve daha bilinçli seçimler yapmak için araçlar sunar. Sadece içgüdülerinize güvenmek yerine veriye dayanmayı öğrenirsiniz. Çevrenizdeki Dünyayı Anlamak: İstatistik, sosyal eğilimlerdeki, ekonomik dalgalanmalardaki ve hatta basit bir anketin sonuçlarındaki kalıpları çözmenize yardımcı olur. Ağaçlar için ormanı görmenizi sağlar, ham sayıların tek başına gösteremeyeceği daha büyük resmi anlamanızı sağlar. Eleştirel Düşünmek: Bu büyük bir madde. İstatistik, veriyi sorgulamayı öğretir. Nereden geldi? Nasıl toplandı? Herhangi bir yanlılık var mı? Bu eleştirel düşünme, bilgi aşırı yüklenmesi ve dürüst olalım, yanlış bilgilendirme çağında esastır. Daha seçici bir bilgi tüketicisi olursunuz. Etkili İletişim Kurmak: Veriyi açıkça sunabilmek ve başkalarının verilerini yorumlayabilmek birçok meslekte çok önemlidir. İstatistik, karmaşık fikirleri basit ve ikna edici bir şekilde açıklamak için size kelime dağarcığını ve görsel araçları (grafikler ve çizelgeler gibi) verir. Bu nedenle, buradaki temel mesaj şudur: İstatistik isteğe bağlı bir ekstrası değildir; modern yaşamda gezinmek için hayati bir araçtır. Klugh'un kitabı muhtemelen bu argümanı oluşturarak başlar, size gerçek dünya alaka düzeyini gösterir ve istatistiği bir engel değil, bir fırsat olarak görmeniz için size güç verir. Kafa karışıklığından netliğe, tahminlerden bilinçli yargılara doğru hareket etmekle ilgilidir. Anahtar Mesaj: İstatistik, bilinçli kararlar almak, dünyayı anlamak ve veri zengini ortamımızda eleştirel düşünmek için temel bir araçtır.

Bölüm 2: Yapı Taşları - Veri Nedir Zaten?

Sayıları hesaplamaya başlamadan önce, neyle uğraştığımızı anlamamız gerekiyor. Klugh'un kitabı kesinlikle temelleri tanımlayarak başlardı: veri nedir ve farklı türleri nelerdir? Basit görünüyor ama bu ayrımları anlamak, daha sonra doğru istatistiksel yöntemleri seçmek için süper önemlidir. Veri, temel olarak topladığımız bilgidir, genellikle sayısal biçimde, soruları yanıtlamak veya bir olguyu incelemek için. Ancak tüm veriler eşit yaratılmaz. Doğasını anlamak için genellikle kategorize ederiz: Nitel (Kategorik) Veri: Kaliteleri veya özellikleri tanımlayan verilerdir. Sayılarla kolayca ölçemediğiniz ama kategorize edebildiğiniz şeyleri düşünün. Örneğin: Nominal Veri: Doğal bir sırası olmayan kategoriler. Saç rengi (sarışın, kahverengi, siyah), araba tipi (sedan, SUV, kamyonet) veya evet/hayır anket yanıtları gibi örnekler buna dahildir. Her kategoriye kaç tane düştüğünü sayabilirsiniz, ancak onları sıralayamazsınız. Sıralı (Ordinal) Veri: Doğal bir sırası veya sıralaması olan ancak kategoriler arasındaki farkların mutlaka eşit veya ölçülebilir olmadığı kategoriler. Müşteri memnuniyeti derecelendirmeleri (hiç memnun değil, memnun değil, nötr, memnun, çok memnun) veya akademik notlar (A, B, C, D, F) gibi düşünün. 'A'nın 'B'den daha iyi olduğunu bilirsiniz, ancak A ile B arasındaki 'mesafe' B ile C arasındaki kadar olmayabilir. Nicel (Sayısal) Veri: Sayısal olarak ölçülebilen verilerdir. 'İstatistik' kelimesini duyduğunuzda çoğu insanın aklına gelen şey budur. Aralık (Interval) Veri: Sıranın önemli olduğu, değerler arasındaki farkların anlamlı ve eşit olduğu sayısal verilerdir. Ancak, gerçek, mutlak bir sıfır noktası yoktur. Klasik bir örnek, Santigrat veya Fahrençalt cinsinden sıcaklıktır. 0°C 'sıcaklık yok' anlamına gelmez ve 10°C ile 20°C arasındaki fark 30°C ile 40°C arasındaki farkla aynıdır. Bu değerleri anlamlı bir şekilde toplayıp çıkarabilirsiniz. Oran (Ratio) Veri: En 'tam' sayısal veri türüdür. Aralık verisinin tüm özelliklerine (sıra, eşit aralıklar) sahiptir, artı gerçek, anlamlı bir sıfır noktası vardır. Bu sıfır, ölçülen miktarın yokluğunu ifade eder. Boy, kilo, yaş, gelir veya satılan ürün sayısı gibi örnekler verilebilir. Birinin sıfır doları varsa, gerçekten parası yoktur. Ayrıca, 2 metre boyunda birinin 1 metre boyunda birinin iki katı uzunluğunda olduğunu söyleyebilirsiniz - oranlar anlamlıdır. Bu neden önemlidir? Çünkü sahip olduğunuz veri türü, gerçekleştirebileceğiniz istatistiksel analiz türlerini belirler. Saç renginin ortalamasını hesaplamazsınız, değil mi? (En yaygın rengi bulabilseniz de). Kategorik veriler için sayısal verilerden farklı araçlar kullanırsınız. Klugh muhtemelen bu tanımları bol örnekle açıklayarak kristal netliğinde hale getirirdi. Muhtemelen değişkenlere de değinirdi. Bir değişken, değişebilen veya değişebilen bir özellik veya niteliktir. Verimizde yükseklik bir değişkendir, memnuniyet derecesi bir değişkendir ve bu böyle devam eder. Değişkenleri anlamak, neyi ölçtüğümüzü ve ölçtüğümüz diğer şeylerle

Bölüm 3: Dağınık Veriyi Anlamlandırma - Tanımlayıcı İstatistikler

Tamam, veriniz var. Bu dev bir elektronik tablo, bir yığın anket yanıtı veya bir deneyden elde edilen ölçümler olabilir. Muhtemelen biraz dağınık, değil mi? İşte burada tanımlayıcı istatistikler devreye giriyor. Bunu, verinizin anlattığı ana hikayeyi kavramanız için verinizi özetleme ve düzenleme sanatı olarak düşünün, tüm bireysel sayılara kaybolmadan. Klugh muhtemelen kitabının önemli bir kısmını buna ayırırdı çünkü bu temeldir. Tanımlayıcı istatistikler, verilerimizle ilgili temel soruları yanıtlamamıza yardımcı olur, örneğin: Tipik değer nedir? Değerler ne kadar yayılmış? Verinin genel şekli nedir? Ana araçları inceleyelim: 1. Merkezi Eğilim Ölçüleri: Bunlar verimizin 'merkezini' veya tipik değerini anlatır. Ortalama (Mean): Bu muhtemelen en yaygın olanıdır. Tüm değerleri toplar ve değer sayısına bölersiniz. Sayısal veriler için harikadır, ancak aşırı değerler (aykırı değerler) tarafından kolayca çarpıtılabilir. Bir şirketteki ortalama maaşı hesapladığınızı hayal edin - bir milyarder CEO, herkes için ortalama maaşı gülünç derecede yüksek gösterebilir. Medyan (Ortanca): Tüm veri noktalarınız sıralandığında ortadaki değerdir. Çift sayıda veri noktanız varsa, ortadaki ikisinin ortalamasıdır. Medyan, ortalamadan çok daha az etkilenir, bu da onu çarpık veriler için tipik değerin daha iyi bir ölçüsü haline getirir. Örneğin, bir mahalledeki medyan ev fiyatı, ortalama ev fiyatından genellikle daha iyi bir göstergedir. Mod (Tepe Değer): Basitçe veri setinizde en sık görünen değerdir. Kategorik veriler (en yaygın saç rengi gibi) için kullanılabilecek tek merkezi eğilim ölçüsüdür. Bir veri setinin bir modu (unimodal), iki modu (bimodal) veya daha fazlası olabilir. 2. Değişkenlik (Dağılım) Ölçüleri: Bunlar verilerimizin ne kadar yayılmış veya kümelenmiş olduğunu söyler. Aralık (Range): En basit ölçü - sadece en yüksek ve en düşük değer arasındaki farktır. Hesaplaması kolaydır, ancak yalnızca iki veri noktasını kullanır ve aradaki yayılma hakkında hiçbir şey söylemez. Varyans: Her bir veri noktasının ortalamadan ne kadar uzak olduğunu ortalama olarak ölçer. Ortalamadan sapmaların karesini alıp, bunları toplayıp değer sayısına (veya örnek için n-1) bölerek hesaplanır. Kare almak tüm değerleri pozitif yapar ve daha büyük sapmaları vurgular. Standart Sapma: Varyansın kareköküdür. Süper kullanışlıdır çünkü yayılma ölçüsünü verinin orijinal birimlerine geri getirir. Küçük bir standart sapma, veri noktalarının ortalamanın etrafında sıkıca kümelendiği anlamına gelirken, büyük bir standart sapma daha geniş bir aralıkta yayıldıklarını gösterir. 3. Veri Görselleştirme: Sayılar harikadır, ancak bazen bir resim bin kelimeye (veya sayıya) bedeldir! Histogramlar: Sayısal verinin frekans dağılımını gösteren çubuk grafiklerdir. Çubuklar değer aralıklarını (kutuları) temsil eder ve çubuğun yüksekliği o aralığa kaç veri noktasının düştüğünü gösterir. Verinin şekli, merkezi ve yayılması hakkında size harika bir görsel his verir. Çubuk Grafikler: Kategorik veriler için

Bölüm 4: Şansın Dansı - Olasılığa Giriş

Tamam, biraz vites değiştirelim. Şimdiye kadar sahip olduğumuz verileri tanımlamaktan bahsettik. Peki ya gelecek? Henüz gerçekleşmemiş olaylar hakkında ne demeli? İşte burada olasılık devreye giriyor. Belirsizliğin matematiksel dilidir ve istatistik için kesinlikle temeldir. Klugh'un kitabı 1986'dan olsa da, olasılık kavramları zamansızdır. Hepsi bir şeyin olma olasılığını ölçmekle ilgilidir. Bir düşünün: Bir madeni para attığınızda, muhtemelen yazı veya tura geleceğini bilirsiniz, ancak %100 emin olamazsınız. Olasılık bize bu 'şansı' ifade etmenin bir yolunu verir. Klugh muhtemelen olasılığı bazı temel fikirler aracılığıyla tanıtırdı: Olaylar: Bir olay, rastgele bir deneyin bir sonucudur veya bir dizi sonucudur (madeni para atmak, zar atmak veya kart çekmek gibi). Örnek Uzay (Sample Space): Bu, bir deneyin tüm olası sonuçlarının koleksiyonudur. Bir madeni para atışı için örnek uzay {Yazı, Tura}'dır. Altı taraflı adil bir zar atmak için {1, 2, 3, 4, 5, 6}'dır. Bir Olayın Olasılığı: Bu, olayın gerçekleşme olasılığını temsil eden 0 ile 1 (veya %0 ile %100) arasındaki bir sayıdır. 0 olasılık, olayın imkansız olduğu anlamına gelir ve 1 olasılık, kesin olduğu anlamına gelir. Olasılıkları nasıl hesaplarız? Klasik Olasılık: Tüm sonuçların eşit olasılıklı olduğu durumlarda geçerlidir. Şu şekilde hesaplarsınız: P(Olay) = (Başarılı sonuçların sayısı) / (Toplam olası sonuç sayısı) Örneğin, adil bir zarda 4 gelme olasılığı 1 (başarılı sonuç: 4 gelmesi) bölü 6'dır (toplam olası sonuçlar: 1, 2, 3, 4, 5, 6), bu nedenle P(4 gelmesi) = 1/6. Ampirik (veya Bağıl Frekans) Olasılık: Bu, geçmiş deneylerden veya gözlemlerden elde edilen gözlemlenen verilere dayanır. Şu şekilde hesaplarsınız: P(Olay) = (Olayın gerçekleştiği sefer sayısı) / (Toplam gözlem sayısı) Gerçek dünyada olan budur. Belirli bir havayolunun 100 uçuşta 5 rötarı varsa, rötarın ampirik olasılığı 5/100 = 0.05'tir. Subjektif Olasılık: Bu, kişisel inanca, deneyime veya sezgiye dayanır. Daha az matematikseldir ve daha çok eğitimli bir tahmindir. Örneğin, bir antrenör, takımlarının bir sonraki maçı kazanma olasılığının %70 olduğunu söyleyebilir. Klugh muhtemelen istatistiksel çıkarımın temeli oldukları için klasik ve ampirik yaklaşımlara odaklanırdı. Muhtemelen şunları da tanıtırdı: Temel Olasılık Kuralları: Olay A veya olay B'nin gerçekleşme olasılığı (toplama kuralı) ve olay A ve olay B'nin gerçekleşme olasılığı (çarpma kuralı) gibi. Bu kurallar, olaylar bağımlı (birinin sonucu diğerini etkiler) veya bağımsız olduğunda biraz daha karmaşık hale gelir. Tümleyici Olaylar: Bir olayın gerçekleşme olasılığı artı gerçekleşmeme olasılığı her zaman 1'e eşittir. Yani, P(A değil) = 1 - P(A). Olasılığı anlamak çok önemlidir çünkü sadece ne olmuş olduğunu tanımlamaktan, ne olabileceği hakkında eğitimli tahminler yapmaya geçmemizi sağlar. Tanımlayıcı istatistikler ile çıkarımsal istatistikler arasındaki köprüyü oluşturur. Riskleri anlamamıza, tahminler yapmamıza ve bulgularımıza olan güveni ölçmemize yardımcı olur. Bu

Bölüm 5: Örneklerden Topluluklara - Çıkarımsal İstatistik Başlıyor

İşte burası genellikle gerçekten ilginçleşen - ve belki de bazıları için biraz göz korkutucu hale gelen - yerdir. Veriyi tanımlamaktan ve şansı anlamaktan bahsettik. Şimdi, çoğu istatistiksel analizin temel amacına gelelim: çıkarımsal istatistikler. Temel fikir şudur: İlgilendiğiniz herkesten veya her şeyden (tüm topluluk) veri toplamak genellikle imkansız veya pratik değildir. Bu nedenle, daha küçük, yönetilebilir bir gruptan (bir örneklem) veri toplarsınız ve ardından bu örneklem verilerini tüm topluluk hakkında eğitimli tahminler veya çıkarımlar yapmak için kullanırsınız. Bir anketçinin milyonlarca insanın oy verme niyetlerini bilmek istediğini düşünün. Herkese sorması mümkün değil. Bunun yerine, dikkatlice seçilmiş birkaç bin kişiyi (örneklem) sorgular ve tüm topluluğun tercihlerini tahmin etmek için istatistiksel yöntemler kullanır. Bu tahminin kalitesi, örneklemin topluluğu ne kadar iyi temsil ettiğine ve kullanılan istatistiksel tekniklere bağlıdır. Klugh'un 1986'dan kalma kitabı muhtemelen bu sürecin temelini oluşturan temel kavramları tanıtırdı: Topluluk vs. Örneklem: Bu temel ayrımdır. Topluluk, hakkında bir şeyler bilmek istediğiniz tüm gruptur (örneğin, bir ülkedeki tüm yetişkinler, bir fabrikanın ürettiği tüm ampuller). Örneklem, hakkında veri topladığınız topluluğun alt kümesidir (örneğin, rastgele seçilmiş 1000 yetişkin, test edilen 50 ampul). Rastgele Örnekleme: Geçerli çıkarımlar yapmak için örnekleminizin topluluğu temsil etmesi gerekir. Bunu başarmanın en iyi yolu, rastgele örneklemedir; burada topluluğun her üyesinin seçilme şansı eşittir. Bu, yanlılığı en aza indirmeye yardımcı olur. Parametreler vs. İstatistikler: Bir parametre, bir topluluğun sayısal bir özelliğidir (tüm yetişkin erkeklerin gerçek ortalama boyu gibi). Bir istatistik, bir örneklemin sayısal bir özelliğidir (çalışmanızdaki 100 erkeğin ortalama boyu gibi). Topluluk parametrelerini tahmin etmek için örneklem istatistiklerini kullanırız. Çıkarımsal İstatistiklerin Temel Araçları: Klugh muhtemelen temel teknikleri kapsardı: Tahmin (Estimation): Bir örneklem istatistiğini kullanarak bir topluluk parametresini tahmin etmeyi içerir. İki ana türü vardır: Nokta Tahmini: Parametre için en iyi tahmin olarak tek bir sayı sağlamak (örneğin, örneklem ortalaması topluluk ortalaması için nokta tahminimizdir). Aralık Tahmini (Güven Aralığı): Topluluk parametresinin muhtemelen içinde bulunacağı bir değer aralığı sağlamak, bir güven seviyesiyle birlikte (örneğin, 'Yetişkin erkeklerin gerçek ortalama boyunun 170 cm ile 175 cm arasında olduğundan %95 eminiz'). Bu, belirsizliği kabul ettiği için nokta tahmininden çok daha bilgilendiricidir. Hipotez Testi: Örneklem verilerine dayanarak topluluk parametreleri hakkında karar vermek için resmi bir prosedürdür. Bir hipotezle başlarsınız (topluluk hakkında bir iddia, sıfır hipotezi olarak adlandırılır) ve ardından o hipotezi reddetmek için yeterli kanıt olup olmadığına karar vermek için örneklem verilerinizi kullanırsınız. Örneğin, yeni