Ulam Sarmalı: Asal Sayılar
Matematik tarihinde bazı keşifler, uzun araştırmaların sonucu ortaya çıkmayıp basit bir merakın sonucunda ortaya çıkmıştır. Bunlardan biri de Polonya-Yahudi kökenli Amerikalı matematikçi Stanisław Ulam tarafından 1963 yılında keşfedilen Ulam Sarmalı'dır. 1909 yılında Polonya'nın Lviv kentinde doğan Stanisław Ulam (1909-1984), genç yaşlardan itibaren matematiğe ilgi duymuş, daha sonra Amerika Birleşik Devletleri'ne yerleşerek çeşitli bilimsel çalışmalara imza atmıştır. Lviv Matematik Okulu'nun önemli temsilcilerinden biri olan Ulam; küme teorisi, topoloji, matematiksel mantık ve doğrusal olmayan sistemler üzerine çalışmalar yapmıştır. Fermi ve Pasta ile birlikte gerçekleştirdiği çalışmalar ise doğrusal olmayan sistemlerin ve kaos teorisinin gelişimine katkı sağlamıştır. Böylece matematiğin fizik ve bilgisayar bilimleriyle birlikte kullanılmasının önünü açan önemli bilim insanlarından biri olmuştur. Özellikle II. Dünya Savaşı sırasında Los Alamos'ta yürütülen Manhattan Projesi'nde görev almış, matematiksel yöntemlerin fizik ve bilgisayar bilimlerine uygulanmasına önemli katkılarda bulunmuştur. Edward Teller ile birlikte hidrojen bombasının geliştirilmesinde rol oynamış ve Teller-Ulam tasarımının ortaya çıkmasına katkıda bulunmuştur. En önemli çalışmalarından biri, karmaşık matematiksel problemleri rastgele sayılar ve olasılık hesaplarıyla çözmeye yarayan Monte Carlo yönteminin geliştirilmesine öncülük etmesidir. Monte Carlo yöntemi, zor bir problemi çok sayıda rastgele deney yaparak yaklaşık çözme yöntemidir. Günümüzde bilgisayar bilimleri, yapay zekâ, fizik, mühendislik ve finans gibi birçok alanda kullanılan bu yöntem, Ulam'ın bilim dünyasına bıraktığı önemli miraslardan biridir. Stanisław Ulam, 13 Mayıs 1984 tarihinde, 75 yaşındayken ABD'de ölmüştür. Bilimin amacı; insanlığın mutluluğu, refahı ve huzuru olduğunda anlam kazanır. Aksi takdirde insanlığın gelişmesine ve huzuruna hizmet etmeyen tüm bilimsel çalışmalar, yıkım ve gözyaşından ibaret kalır. Stanisław Ulam'ın hayatı, bilimin hem insanlığa fayda sağlayabileceğini hem de kötü amaçlarla kullanıldığında büyük yıkımlara yol açabileceğini göstermesi açısından çok önemli bir örnektir.
Ulam Sarmalı'nın ortaya çıkışı oldukça sıradandır. Ulam, 1963 yılında bir bilimsel toplantı sırasında önündeki kâğıda 1 sayısını merkeze yerleştirerek doğal sayıları dışarıya doğru kare biçiminde spiral olarak yazmaya başlamıştır. Daha sonra asal sayıları, yani yalnızca 1'e ve kendilerine bölünebilen 2, 3, 5, 7, 11, 13, 17 ve 19 gibi sayıları işaretlemiştir. Ortaya çıkan görüntüde asal sayıların tamamen rastgele dağılmadığı, özellikle çapraz doğrular boyunca dikkat çekici biçimde sıralandığı görülmüştür. Ulam, sayıları binlerce basamağa kadar genişlettiğinde de bu diyagonal yapıların devam ettiğini gözlemlemiştir. Böylece basit bir kâğıt karalaması, sayı teorisinin en ilgi çekici görsel örneklerinden birine dönüşmüştür.
Bu desenlerin temelinde asal sayıların dağılımını belirleyen matematiksel bir gerçek yatmaktadır. Ulam Sarmalı'nda her diyagonal doğrultu, belirli ikinci dereceden polinomlarla ifade edilebilen sayı dizileri oluşturabilir. Örneğin n²+n+41 polinomu, n=0'dan 39'a kadar asal sayılar üretir. Bu nedenle sarmal üzerinde bazı çapraz doğruların yoğun biçimde asal sayılar içermesi şaşırtıcı değildir. Ancak bu durum bütün diyagonallerin asal sayılardan oluştuğu anlamına gelmez; bazı doğrular daha fazla asal sayı içerirken bazıları çok daha az içerir. Dolayısıyla Ulam Sarmalı, asal sayıların dağılımında belirli cebirsel yapıların etkisini görsel olarak ortaya koyar. Görüntüdeki düzen, asal sayıların tamamen düzensiz olmadığına ilişkin önemli bir ipucu sunar.
Kablosuz Ağlarda Optimizasyon
Kablosuz ağlarda erişim noktalarının (Access Point – AP) ezbere, eşit aralıklarla veya yalnızca fiziksel alan büyüklüğü dikkate alınarak konumlandırılması, ağ performansını olumsuz etkileyebilen önemli bir planlama sorunudur. Gereğinden fazla erişim noktası kullanılması donanım ve enerji maliyetlerini artırırken, uygun olmayan yerleşimler sinyal girişimine, kanal çakışmalarına ve bağlantı kalitesinin düşmesine neden olabilir. Buna karşılık binanın fiziksel özelliklerini, duvar ve bölme yapılarını, kullanıcı yoğunluğunu ve sinyal yayılımını matematiksel olarak değerlendiren bir yerleşim yaklaşımı, hem donanım kullanımını hem de enerji tüketimini optimize etme imkânı sunar. Bu yaklaşımın temel amacı, mümkün olan en az sayıda erişim noktasıyla yeterli kapsama alanı, bağlantı kalitesi ve kapasite sağlayarak ağın genel verimliliğini artırmaktır.
Wi-Fi ağlarında erişim noktalarının yanlış konumlandırılması, kablosuz kapsama alanlarının gereksiz yere çakışmasına ve aynı frekans kanalını kullanan erişim noktaları arasında Kanal İçi Girişim (CCI) oluşmasına neden olabilmektedir. Bu durum, sinyal kalitesinin düşmesine, kullanıcıların veri indirme ve yükleme hızlarının azalmasına ve genel ağ performansının olumsuz etkilenmesine yol açmaktadır. Bu sorunları önlemek amacıyla araştırmacılar, yalnızca sinyal gücünü veya erişim noktası ile kullanıcı arasındaki mesafeyi dikkate alan geleneksel yaklaşımlardan farklı olarak sinyal kalitesi, girişim düzeyi ve veri iletim hızını birlikte değerlendiren bir optimizasyon algoritması geliştirmiştir.
Bu bağlamda kablosuz ağ yerleşiminin matematiksel açıdan değerlendirilmesi için bölgesel hizmet kalitesini ve enerji tüketimini birlikte ele alan bir verimlilik fonksiyonu oluşturulabilir. Bu kapsamda kullanılabilecek temel model şu şekildedir:
Verimlilik Puanı = Σ[(Bölge Ağırlığı × Bölgesel Sinyal Kalitesi) / (1 + Girişim Kaybı)] − (Tasarruf Katsayısı × Toplam Cihaz Sayısı × Cihaz Başına Ortalama Güç).
Bu denklemde bölge ağırlığı, ilgili alanın ağ açısından önemini ve kullanıcı yoğunluğunu temsil eder. Bölgesel sinyal kalitesi, erişim noktalarından alınan sinyalin belirlenen kalite ölçütüne göre değerlendirilmesini sağlar. Girişim kaybı ise aynı veya yakın kanallarda çalışan diğer erişim noktalarının ve çevresel kaynakların oluşturduğu performans düşüşünü ifade eder. Toplam cihaz sayısı ve cihaz başına ortalama güç değerleri ise ağın enerji yükünü belirler. Tasarruf katsayısı, enerji tüketiminin verimlilik puanı üzerindeki etkisini ayarlayan bir ağırlık parametresidir. Buradaki toplam işareti, binadaki bütün hizmet bölgelerinin katkılarının toplandığını gösterir.
Modelin matematiksel olarak tutarlı biçimde kullanılabilmesi için sinyal kalitesi, girişim kaybı ve bölge ağırlıklarının belirli ölçüm aralıklarında tanımlanması, tasarruf katsayısının da enerji terimini puan ölçeğine dönüştürecek şekilde kalibre edilmesi gerekir. Dolayısıyla bu denklem, evrensel bir fizik yasası olarak görülmez, farklı yerleşim alternatiflerini karşılaştırmak için kullanılabilecek bir optimizasyon modeli olarak kurulabilir.
Modelin nasıl çalıştığını görmek için tek bir bölge üzerinden sayısal bir örnek ele alınabilir. Bölgenin ağırlığının 2, sinyal kalitesinin 60, girişim kaybının 0,25, tasarruf katsayısının 0,5, toplam erişim noktası sayısının 10 ve cihaz başına ortalama gücün 10 watt olduğu varsayılsın.
Öncelikle bölgenin hizmet puanı hesaplanır. Bu değer 2 × 60 / (1 + 0,25) işlemiyle 120 / 1,25 = 96 puan olarak bulunur. Ardından enerji yükünü temsil eden ceza terimi hesaplanır. 0,5 × 10 × 10 işleminin sonucu 50 puandır.
Hizmet puanından enerji cezası çıkarıldığında yerleşimin net verimlilik puanı 96 − 50 = 46 olur. Aynı bölgede sinyal kalitesinin değişmediği, ancak girişim kaybının 0,05'e ve erişim noktası sayısının 6'ya düştüğü alternatif bir yerleşim düşünülürse hizmet puanı 2 × 60 / 1,05 = 114,29 puana yükselir. Enerji cezası ise 0,5 × 6 × 10 = 30 puana geriler. Böylece yeni yerleşimin net verimlilik puanı 114,29 − 30 = 84,29 olur.
İki yerleşim karşılaştırıldığında verimlilik puanının 46'dan 84,29'a yükseldiği görülür. Bu sonuç, kullanılan modelin varsayımları altında daha düşük girişim ve daha az enerji tüketiminin birlikte değerlendirilmesinin yerleşim verimliliğini artırdığını göstermektedir.
Kaprekar Sabiti
Matematikte bazı sayılar, kendilerine uygulanan basit işlemler sonucunda ortaya çıkan sıra dışı özellikleriyle dikkat çekmektedir. Bu sayıların ilginç örneklerinden biri olan 6174 sayısı, literatürde Kaprekar Sabiti olarak adlandırılmaktadır. Hintli matematikçi Dattatreya Ramchandra Kaprekar tarafından 1949 yılında ortaya konulan bu özellik, sayıların basamakları arasında kurulan ilişkilerin beklenmedik bir düzen oluşturabileceğini göstermektedir. Kaprekar'ın çalışmaları, özellikle sayıların rakamsal yapıları ve aritmetik işlemler sonucunda oluşan örüntüler üzerine yoğunlaşmıştır. Başlangıçta matematik dünyasında sınırlı ilgi gören bu çalışmalar, zaman içerisinde sayı teorisinin dikkat çekici konularından biri hâline gelmiştir.
Dattatreya Ramchandra Kaprekar, 17 Ocak 1905 tarihinde Hindistan'ın Maharashtra eyaletindeki Dahanu kentinde dünyaya gelmiş Hintli bir matematikçi ve öğretmendir. Matematiğe olan ilgisi küçük yaşlarda başlayan Kaprekar, eğitim hayatını Hindistan'da sürdürmüş ve 1927 yılında Mumbai'deki Fergusson College'dan mezun olmuştur. Mezuniyetinin ardından öğretmenlik mesleğini seçerek yaşamının büyük bölümünü Maharashtra'nın Devlali kasabasında matematik öğretmeni olarak geçirmiştir. Akademik çevrelerde yeterince tanınmamasına rağmen sayıların özellikleri, rakamsal düzenlilikler ve aritmetik işlemler üzerine çalışmalarını sürdürmüştür. Matematiğe yönelik araştırmalarında özellikle günlük hayatta karşılaşılan sayıların ilginç özelliklerini incelemiş, özgün keşifleriyle sayı teorisine katkıda bulunmuştur. 1949 yılında ortaya koyduğu ve daha sonra kendi adıyla anılan Kaprekar Sabiti (6174), uluslararası alanda tanınmasını sağlayan en önemli çalışması olmuştur. Ramchandra Kaprekar, 4 Haziran 1986 tarihinde Hindistan'da hayatını kaybetmiştir.
ηTM enerji verimlilik katsayısı
ηTM değeri, bir ışık kaynağının tükettiği elektrik gücü başına ürettiği kullanışlı ışık akısını ifade eden ve lm/W cinsinden gösterilen bir verimlilik ölçüsüdür. Kaba bir tanımla bir aydınlatma ürününün tükettiği elektrik enerjisini ne kadar etkili biçimde ışığa dönüştürdüğünü gösteren ışık verimliliği katsayısıdır. Genellikle lümen/watt (lm/W) birimiyle ifade edilir. Burada lümen (lm) lambanın ürettiği ışık miktarını, watt (W) ise harcadığı elektrik gücünü gösterir. Bu nedenle ηTM değeri, bir ürünün 1 watt gücü kullanarak kaç lümen ışık ürettiğini ifade eder. Değer ne kadar yüksekse ürün, aynı miktarda elektrik enerjisiyle daha fazla ışık ürettiği için o kadar verimli kabul edilir. Yani ηTM değeri ne kadar yüksek olursa, lamba aynı miktarda elektrik harcayarak daha fazla ışık üretir. Basitleştirilmiş bir örnek olarak FTM değeri 1 kabul edildiğinde, 50 lm/W → 1 watt elektrikle 50 lümen ışık üretirken, 100 lm/W → 1 watt elektrikle 100 lümen ışık üretir; bu nedenle aynı miktarda ışık üretilmesi durumunda 100 lm/W olan lamba daha verimlidir. Ancak yüksek lm/W değerine sahip bir ürünün her zaman daha az elektrik harcadığı söylenemez. Örneğin, 200 lm/W verimliliğe sahip 20 W’lık bir ürün, 100 lm/W verimliliğe sahip 5 W’lık bir üründen daha fazla güç tüketebilir; çünkü toplam elektrik tüketimi ürünün hem lm/W değerine hem de çalışma gücüne ve ürettiği toplam ışık miktarına da bağlı olarak değişir.
ηTM değeri, özellikle LED ampul, floresan lamba ve diğer ışık kaynaklarının enerji verimliliğini karşılaştırmak için kullanılır. Yüksek ηTM değerine sahip aydınlatma ürünlerinin tercih edilmesi, elektrik tüketiminin ve buna bağlı enerji maliyetlerinin azaltılmasına yardımcı olabilir. Genel anlamda, yüksek verimlilik değerine sahip aydınlatma araçları ve LED lambalar, aynı miktarda aydınlatma sağlandığında daha düşük verimlilikteki aydınlatma araçlarına göre daha az elektrik tüketebilir. Bu nedenle aydınlatma ürünü seçerken yalnızca ürünün sağladığı ışık miktarına bakmak yetmez; aynı zamanda lm/W değerine ve harcadığı elektrik gücüne de dikkat edilmelidir.
Enerji verimliliği sınıflandırmasında genellikle harfli sistem tercih edilir. Bu gösterim şekli bütün dünyada aynı şekilde uygulanmaz; ülkelerin kullandığı ölçütler ve sınıf verimlilik sınırları farklılık gösterebilir. Türkiye’de ışık kaynaklarının enerji verimliliği etiketlemesine ilişkin düzenleme, 6 Ağustos 2021 tarihli ve 31560 sayılı Resmî Gazete’de yayımlanan “Işık Kaynaklarının Enerji Etiketlemesine Dair Tebliğ (2019/2015/AB) (SGM:2021/12)” ile belirlenmiş olup sonraki yıllarda ilgili AB değişikliklerine uyum amacıyla tekrar güncellenmiştir. Bu tebliğ, Avrupa Birliği’nin 2019/2015 sayılı Tüzüğü esas alınarak hazırlanmış ve enerji kaynaklarında A’dan G’ye kadar olan enerji verimliliği sınıflarının kullanılmasını düzenlemiştir. Türkiye’de ayrıca enerji etiketlemesine ilişkin genel çerçeve Enerji Etiketlemesi Çerçeve Yönetmeliği ile belirlenmektedir. Bununla birlikte bir aydınlatma ürününün verimliliğini değerlendirirken hem ilgili mevzuattaki A–G sınıfına hem de lm/W değeri, lümen miktarı ve kWh cinsinden enerji tüketimi gibi teknik bilgilere bakılması gerekir. Böylece farklı ürünlerin enerji tüketimi ve tasarruf potansiyeli daha doğru şekilde karşılaştırılabilir.
Bir sayının sıfırıncı kuvveti
Üslü ifade, bir sayının kendisiyle kaç kez çarpılacağını kısa ve pratik bir şekilde göstermeye yarayan matematiksel ifadedir. Üslü ifadelerde, çarpılan sayıya taban, bu sayının kaç kez çarpılacağını gösteren sayıya ise üs (kuvvet) denir. Örneğin 2⁴ ifadesinde 2 taban, 4 ise üstür. Bu ifade, 2’nin kendisiyle dört defa çarpılması anlamına gelir: 2×2×2×2=16 Böylece bu uzun yazım 2⁴=16 olur.
Bir sayının 0. kuvveti ise 1 olur. Bir sayının 0. kuvvetinin neden 1 olduğunu anlamanın en güzel yolu, üslerin oluşturduğu örüntüye bakmaktır:
........
2⁵=32
2⁴=16
2³=8
2²=4
2¹=2
2⁴=16
2³=8
2²=4
2¹=2
........
Bu şekilde geriye doğru devam edildiğinde her seferinde 2 ile bölerek devam ederiz. Buna göre en son 2¹=2 sonucunu 2 ile bölersek 2⁰=1 olarak elde ederiz. Daha genel olarak sıfır hariç herhangi bir sayı için a⁰=1 (a ≠ 0) olur. 0⁰ ise matematikte kullanım alanına göre değişir. 0⁰ limitte belirsizlik ifade eder. Dolayısıyla 0. kuvvet, sonradan eklenmiş bir kural veya uydurma bir bilgi değildir. Üslü ifadelerin geriye doğru devam ettirilmesinin bir sonucu olarak a⁰=1 (a ≠ 0) olur. Aynı örüntüyü bir adım daha ileri götürdüğümüzde negatif kuvvetler ortaya çıkar. Örneğin 2-1=1/2, 2-2=1/4, 2-3=1/8 şeklindeki diziyi sürdürürsek, her adımda yine 2'ye bölmemiz gerekir. Böylece negatif kuvvetlerin değerini buluruz. Buradan a-n=1/an şeklinde genel kural ortaya çıkar. Buradaki “negatif kuvvet” ifadesi, sayının negatif olduğu anlamına gelmez. Bir sayının üssünün negatif kuvvet olması (a-n), ilgili sayının çarpma işlemine göre tersinin alınıp (1/a) daha sonra o sayının (n) pozitif kuvvetinin alınması anlamına gelir. Böylece üslü ifadelerde pozitif kuvvetler, negatif kuvvetler ve 0. kuvvet özellikleri, tanımlanmış olur. Bütün bu tanımlar aynı matematiksel örüntünün kesintisiz devamıdır.
0⁰ Neden İlginçtir?
0⁰ ise bir sayının sıfırıncı kuvveti açısından en ilginç noktalardan biridir. Çünkü bir yandan sıfırdan farklı bir sayının sıfırıncı kuvvetinin 1 olduğunu biliyoruz: a⁰=1 (a ≠0) Bu kuralı a yerine 0 yazarak denersek a=0 için 0⁰=1 sonucuna ulaşmak isteriz. Fakat diğer taraftan sıfırın kuvvetlerini sırayla alırsak buradan da 0 sonucuna ulaşırız. 0⁵=0, 0⁴=0, 0³=0, 0²=0, 0¹=0 Bu örüntüde kuvveti 0'a doğru götürdüğümüzde 0⁰ için doğal olarak 0⁰=0 demek isteriz. Ama bu söz, önceki açıklama {a⁰=1 (a ≠ 0)} ile {0⁰=0} iki farklı matematiksel sonuç olarak aynı noktada (0⁰=1 veya 0⁰=0 şeklinde) çelişir. İşte bu nedenle 0⁰ ifadesi matematikte kullanım yerine göre değişir. Özellikle limitlerde belirsiz biçim olarak kabul edilirken kombinasyon hesaplarında 0⁰=1 olarak kabul edilir. Matematiksel olarak bu açıklamalara göre 0⁰ ifadesi, kullanım kolaylığı açısından genel anlamda belirsiz olarak kabul edilmiştir.
0⁰ ifadesi için kesinlikle 0 veya 1 dir demek doğru olmaz. Çünkü matematiğin farklı alanlarında bu ifade farklı amaçlarla ele alındığında hesaplamalar daha kolay olabilir. Örneğin kombinasyon hesabında ve bazı cebirsel yapılarda (0⁰=1) kabul edilmesi, birçok formülün tutarlı ve sade biçimde çalışmasını sağlar. Kombinasyon konusunda 0⁰ ifadesiyle karşılaşıldığında, (0⁰=1) kabul edilmesinin nedeni; boş bir kümeden seçim yapma durumunun sadece tek yolu olduğunu göstermektir. Örneğin 0 elemanlı bir kümeden 0 eleman seçmek C(0,0) anlamına gelir ve bunun yalnızca "hiç eleman seçmemek" şeklinde ifade edebilmek için "bir yol vardır" denir. Kombinasyon formülünde C(n,r) = n!/[(n-r)!.r!] ifadesinde n ve r yerine 0 yazılıp işlem yapıldığında C(0,0)=1 olur. Kombinasyonların üreteç fonksiyonlarında veya benzer formüllerde 0⁰ ifadesi ortaya çıktığında işlemlerin tutarlı olması için bu nedenle 0⁰=1 kabulü kullanılır. Yani burada 0⁰=1 olması, günlük matematikteki genel bir üs kuralından olmayıp kombinasyon ve benzeri alanlarda yapılan özel bir tanımdan kaynaklanır. Kombinasyonda seçim yaparken karşılaşılan faktöriyeldeki 0!=1 değeri, yokluktan 1'e ulaşılması anlamına gelmez. Tamamen faktöriyelin tanımından kaynaklanan bir durumun sonucu olarak 0!=1 olur.
Regresyon Nasıl Hesaplanır?
Bir değişkenin değerini, açıklayıcı değişkenlerle olan ilişkisine dayanarak tahmin etmeye yönelik oluşturulan model istatistiksel bir teknik olarak "Regresyon" diye tanımlanır. Regresyon kısaca şöyle hesaplanır: Verilerdeki x ve y ortalamaları bulunur → Tüm girdilerin x ve y'nin ortalamalarından sapma miktarları hesaplanır → eğim katsayısı b₁ bulunur → Denklemdeki b₀ katsayısı hesaplanır → y' = b₀ + b₁x regresyon denklemi oluşturulur → her gözlem için artıklar hesaplanır → modelin uygunluğu ve varsayımları değerlendirilir.
ÖRNEK: Bir öğretmenin, öğrencilerin günlük ders çalışma süresi ile sınavdan aldıkları puan arasında bir ilişki olup olmadığını incelemek istediğini düşünelim. Bunun için beş öğrencinin çalışma süresi ve sınav puanı aşağıdaki gibi olsun:
Bu verilere göre amaç, çalışma süresi bilindiğinde sınav puanını tahmin edebilecek bir doğrusal regresyon denklemi elde etmektir. Öncelikle çalışma süresinin ortalaması ve sınav puanının ortalaması hesaplanır. Çalışma süresinin ortalaması 3 saat, sınav puanının ortalaması ise 64'tür. Daha sonra her bir X değerinin kendi ortalamasından, her bir Y değerinin de kendi ortalamasından farkı bulunur. Bu farklar birbirleriyle çarpılır ve elde edilen değerler toplanır. Bizim örneğimizde bu toplam 75'tir. Ardından X değerlerinin ortalamadan farklarının kareleri alınarak toplanır ve sonuç 10 bulunur. Eğim katsayısını elde etmek için 75, 10'a bölünür ve b₁ = 7,5 bulunur.
Daha sonra doğru denklemini tam olarak bulmak için sabit terim hesaplanır. Bunun için Y ortalamasından, eğim katsayısının X ortalamasıyla çarpımı çıkarılır. Böylece b₀ = 64 − (7,5 × 3) = 41,5 elde edilir. Sonuç olarak regresyon denklemi y' = 41,5 + 7,5X şeklinde elde edilir. Bu denklem, çalışma süresine göre tahmini sınav puanını verir. Örneğin bir öğrencinin 6 saat çalıştığı varsayılırsa, x yerine denklemde 6 yazılarak modelin tahmin ettiği sınav puanı 41,5 + (7,5 × 6) = 86,5 olur. Buradaki 7,5 katsayısı, modelde çalışma süresindeki her bir saatlik artışın tahmin edilen sınav puanında 7,5 puanlık artışla ilişkili olduğunu gösterir. y'=41,5+7,5x denklemi, çalışma süresi ile sınav puanı arasındaki ilişkiyi örneklemimiz için yaklaşık olarak ifade eder.
Örneğin bir öğrencinin 4 saat çalışması durumunda modelin tahmin ettiği puan 41,5 + (7,5 × 4) = 71,5 olurken öğrencinin 2 saat çalışması durumunda modelin tahmin ettiği puan 41,5 + (7,5 × 2) = 56,5 olur. Öğrenci 8 saat çalışmış olursa 41,5 + (7,5 × 8) = 101,5 çıkar ki bu doğal sınav şartlarına aykırı olabilir. Burada 101,5 puan 100 puanlık bir gerçek sınav sonucu olarak yorumlanmaz. Regresyon modelinde sonsuza kadar değer verilebileceği gibi doğal ortamda imkansız olabilecek değerler de bulunabilir. Örneğin öğrenci 100 saat çalışırsa 41,5 + (7,5 × 100) = 791,5 puan elde eder. Bu hesaplamanın bir sınırı yoktur. Bunun nedeni, doğrusal regresyonun verilen verilerdeki ilişkiyi matematiksel olarak bir doğruyla ifade etmesi ve bu doğrunun doğal olarak 100 puanlık sınırı dikkate almamasıdır. Regresyonda özellikle dikkat edilmesi gereken nokta, regresyonun bu ilişkinin nedensel olduğunu kanıtlamadığıdır; yalnızca verilen verilerdeki ilişkiyi matematiksel olarak modeller. Regresyonun asıl amacı, geçmiş verilerdeki ilişkiyi matematiksel olarak ortaya koymak ve yeni gözlemler için makul tahminler yapabilmektir. Bir modelin tahmin yapabilmesi, her koşulda doğru tahmin yapacağı anlamına gelmez. Bu nedenle regresyon uygulamasında modelin hangi aralıkta ve hangi koşullarda kullanılabileceği de değerlendirilir. Regresyon hesaplamada amaç; kesin sonucu bilmek değildir; mevcut verilerden yararlanarak modelin uygunluğu, hata düzeyi, varsayımları dikkate alınarak belirsizlik altında daha iyi tahmin yapmaktır.
Kaynakça:
https://online.stat.psu.edu/stat501/Lesson01
https://www.scribbr.com/frequently-asked-questions/what-a-regression-model/
https://online.stat.psu.edu/stat501/Lesson01
https://www.scribbr.com/frequently-asked-questions/what-a-regression-model/
Regresyon nedir?
Regresyon, bir bağımlı değişken ile bir veya daha fazla bağımsız/açıklayıcı değişken arasındaki ilişkiyi matematiksel olarak modellemek, bu ilişkinin yönünü ve büyüklüğünü incelemek ve uygun koşullarda bağımlı değişken için tahmin yapmak amacıyla kullanılan istatistiksel yöntemler grubudur. Bir değişkenin değerini, açıklayıcı değişkenlerle olan ilişkisine dayanarak tahmin etmeye yönelik oluşturulan model, istatistiksel bir teknik olarak Regresyon diye tanımlanır. Regresyonun birçok türü vardır; en temel türlerden biri, tek bir açıklayıcı değişken ile bir sonuç değişkeni arasındaki ilişkiyi inceleyen basit doğrusal regresyondur. İki veya daha fazla açıklayıcı değişken kullanıldığında ise çoklu doğrusal regresyondan söz edilir.
Basit doğrusal regresyonda amaç, gözlemlerin oluşturduğu dağılımı en uygun şekilde temsil eden bir doğru denklemi bulmaktır. Bu doğru genellikle y' = b₀ + b₁x biçiminde yazılır. Burada y', x'in belirli bir değeri için tahmin edilen y değeridir; b₀ sabit terimdir ve x sıfırken modelin tahmin ettiği y değerini gösterir; b₁ ise eğim katsayısıdır ve x bir birim arttığında, modelin tahmin ettiği y değerinin ortalama olarak ne kadar değiştiğini ifade eder. Dolayısıyla b₁ (yani doğrunun eğimi) pozitifse doğrusal ilişkinin yönü pozitiftir, negatifse negatiftir. Ancak regresyonda bulunan bir ilişkinin tek başına nedensellik kanıtı olmadığını özellikle belirtmek gerekir. Ayrıca regresyon doğrusu, verilerdeki bütün noktaların üzerinden geçmek zorunda değildir. Yani burada analitik geometrideki klasik doğru denklemi gibi düşünülemez. Her gözlem için gerçek y değeri ile modelin tahmin ettiği y' arasındaki fark artık (residual) olarak adlandırılır ve e = y − y' şeklinde hesaplanır.
Doğrusal regresyonda en yaygın hesaplama yöntemi en küçük kareler yöntemidir. Bu yöntemde amaç, bütün gözlemler için hesaplanan artıkların kareleri toplamını mümkün olduğunca küçük yapan doğruyu bulmaktır. Yani minimize edilen ifade Σ(yᵢ − (b₀ + b₁xᵢ))² biçimindedir. Basit doğrusal regresyonda eğim katsayısı b₁ = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / Σ[(xᵢ − x̄)²] formülüyle, sabit terim ise b₀ = ȳ − b₁x̄ formülüyle hesaplanır. Burada x̄, x değerlerinin; ȳ ise y değerlerinin aritmetik ortalamasıdır. Böylece önce x ve y ortalamaları bulunur, ardından her gözlemin kendi ortalamasından farkları hesaplanır, gerekli çarpımlar ve kareler hesaplanarak toplanır ve eğim elde edilir. Son olarak sabit terim hesaplanır. Elde edilen b₀ ve b₁ değerleri regresyon denklemine yerleştirilerek tahminler yapılır. En küçük kareler doğrusu, (x̄, ȳ) noktasından geçer.
Regresyon analizinin önemli özelliklerinden biri, yalnızca bir denklem üretmekle sınırlı olmamasıdır. Modelin verilere ne ölçüde uygun olduğu, artıkların davranışı ve çeşitli istatistiksel ölçütler de incelenir. Örneğin R², bağımlı değişkendeki örneklem varyasyonunun model tarafından açıklanan kısmını değerlendirmede kullanılan önemli bir ölçüdür; ancak yüksek bir R² tek başına modelin doğru olduğu veya nedensel bir ilişkinin bulunduğu anlamına gelmez. Doğrusal regresyonun istatistiksel çıkarım amacıyla kullanılmasında özellikle doğrusallık, hataların bağımsızlığı, hataların yaklaşık normal dağılım göstermesi ve hata varyanslarının sabit olması gibi varsayımlar değerlendirilir. Bu varsayımların ne ölçüde sağlandığını incelemek için saçılım grafikleri, artık-gözlenen/tahmin edilen değer grafikleri ve normal olasılık grafikleri gibi araçlardan yararlanılır. Dolayısıyla regresyon sonucundaki katsayıları hesaplamak kadar, modelin varsayımlarını ve artıklarını kontrol etmek de doğru bir regresyon analizi için önemlidir.
Bölgelere göre Sayım Oranı (BSO)
Bölgelere Göre Sayım Oranı (BSO), iki nicel değişken arasındaki korelasyonun (ilişkinin) yönünü ve gücünü pratik bir şekilde hesaplamaya yarayan yöntemdir. Bu yöntemi uygulamak için öncelikle X ve Y değişkenlerine ait verilerin ortalamaları hesaplanır ve grafikte bu ortalamalardan geçen iki eksen çizilerek grafik dört bölgeye ayrılır. Elde edilen düzlemde 1. ve 3. bölgelerde kalan noktalar pozitif (doğru) ilişkiyi, 2. ve 4. bölgelerde kalan noktalar ise negatif (ters) ilişkiyi temsil eder. BSO Hesabının formülü ise 1. ve 3. bölgedeki toplam nokta (n₁ + n₃) sayısından, 2. ve 4. bölgedeki toplam nokta (n₂ + n₄) sayısının çıkarılması ve çıkan sonucun toplam nokta sayısına (n₁ + n₂ + n₃ + n₄) bölünmesiyle bulunur.
Noktalar, aritmetik ortalama ekseninin tam üzerinde ise BSO hesaplarına dahil edilmez. Aykırı değerler, korelasyon katsayısını (r) mutlak değerce düşürerek sıfıra yaklaştırır.
Bölgelere göre Sayım Oranı (BSO) işlemini detaylıca şöyle anlatalım: Buradaki Bölgelere Göre Sayım Oranı (BSO), iki nicel değişken arasındaki ilişkinin pozitif mi negatif mi olduğunu ve ne kadar güçlü olduğunu yaklaşık olarak anlamamızı sağlayan pratik bir yöntemdir. Önce Serpilme Grafiğinde X ve Y değişkenlerinin ortalamalarını buluruz. Daha sonra serpilme grafiğinde X ortalamasından dikey, Y ortalamasından yatay bir çizgi çizeriz. Böylece grafik 4 bölgeye ayrılmış olur. Bir nokta hem X hem de Y ortalamasının üstündeyse 1. bölgede, ikisinin de altındaysa 3. bölgede yer alır. 1 ve 3. bölgeler pozitif ilişkiyi gösterir. X ortalamasının altında, Y ortalamasının üstünde olan noktalar 2. bölgede; X'in üstünde, Y'nin altında olan noktalar ise 4. bölgede bulunur ve 2. ve 4. bölgedeki noktalar da negatif ilişkiyi gösterir.
BSO'yu bulmak için 1. ve 3. bölgelerdeki nokta sayısını toplarız, ardından 2. ve 4. bölgelerdeki nokta sayısını çıkarırız ve sonucu toplam nokta sayısına böleriz. BSO sonucu pozitifse pozitif ilişki, negatifse negatif ilişki, 0'a yakınsa ilişkinin zayıf olduğunu gösterir.
Örnek tabloda verilen on adet veri ikilisi için Bölgelere Göre Sayım Oranı (BSO) hesabı şu şekildedir:
Öncelikle değişkenlerin aritmetik ortalamaları hesaplanır. X değerlerinin ortalaması (1 + 3 + 4 + 5 + 8 + 7 + 8 + 8 + 10 + 0) / 10 = 5,4 olarak, Y değerlerinin ortalaması ise (2 + 5 + 4 + 7 + 2 + 8 + 3 + 9 + 5 + 0) / 10 = 4,5 olarak bulunur.
Elde edilen X = 5,4 ve Y = 4,5 kesişim doğrularına göre veri noktaları 4 bölgeye ayrılır.
1. bölgede (X > 5,4 ve Y > 4,5) olan (7, 8), (8, 9) ve (10, 5) olmak üzere 3 nokta bulunur (n₁ = 3). 2. bölgede (X < 5,4 ve Y > 4,5) olan (3, 5) ve (5, 7) olmak üzere 2 nokta bulunur (n₂ = 2). 3. bölgede (X < 5,4 ve Y < 4,5) olan (1, 2), (4, 4) ve (0, 0) olmak üzere 3 nokta bulunur (n₃ = 3). 4. bölgede (X > 5,4 ve Y < 4,5) olan (8, 2) ve (8, 3) olmak üzere 2 nokta bulunur (n₄= 2). Toplam nokta sayısı N = 10'dur. Bölgelere Göre Sayım Oranı hesabı, BSO = [(n₁ + n₃) - (n₂ + n₄)] / N formülü ile yapılır. Veriler yerine konulduğunda BSO = [(3 + 3) - (2 + 2)] / 10 = (6 - 4) / 10 = 2 / 10 = 0,20 sonucu elde edilir. Bu durum, iki değişken arasında pozitif yönlü ancak zayıf bir ilişki olduğunu gösterir.
ÖRNEK (Kitap Okuma Süresi-Türkçe Puanı) BSO hesabı için farklı bir grafik verelim ve burada grafikte sunulan veri seti üzerinden öğrencilerin haftalık kitap okuma süreleri (X) ile Türkçe dersi sınavından aldıkları puanlar (Y) arasındaki ilişkiyi görelim: Yatay eksen haftalık kitap okuma süresini saat cinsinden, dikey eksen ise öğrencilerin Türkçe sınav puanını göstermektedir.
Veri setindeki noktalar yardımıyla verilerin ortalamaları belirlenerek çizgiler ile grafik dört ana bölgeye ayrılmıştır. Grafikteki pembe çizgiler, X ve Y değişkenlerine ait verilerin aritmetik ortalamaları hesaplanarak çizilmiştir.
Dikey Pembe Çizgi (X Ortalaması): Grafikteki 30 noktanın X değerleri tek tek okunur: 4, 5, 4, 5, 4, 5, 5, 4, 1, 2, 2, 1, 3, 2, 2, 2, 3, 2, 2, 2, 2, 1, 3, 3, 8, 5, 7, 5, 5, 4. Bu 30 X değerinin toplamı 105'tir. Toplam veri sayısı 30 olduğuna göre X ortalaması 105 / 30 = 3,50 bulunur. Bu nedenle grafikte X ekseninde 3,50 değerinden geçen dikey çizgi çizilir.
Yatay Pembe Çizgi (Y Ortalaması): 30 noktanın Y değerleri tek tek okunur: 68, 74, 76, 68, 70, 66, 61, 63, 61, 73, 61, 69, 67, 70, 63, 57, 54, 56, 59, 50, 52, 56, 48, 42, 45, 50, 58, 59, 49, 55. Bu değerlerin toplamı 1800'dür. Toplam veri sayısı 30 olduğundan Y ortalaması 1800 / 30 = 60 bulunur. Bu nedenle Y ekseninde 60 değerinden geçen yatay çizgi çizilir.
Bölgelerdeki Noktaların Sayılması: X ortalaması 3,50, Y ortalaması 60 olduğuna göre noktalar bu iki çizgiye göre dört bölgeye ayrılır. I. bölgede (n₁) 6 nokta (1, 2, 3, 4, 5, 6), II. bölgede (n₂) 7 nokta (9, 10, 11, 12, 13, 14, 15), III. bölgede (n₃) 8 nokta (16, 17, 18, 19, 20, 21, 22, 23), IV. bölgede (n₄) 7 nokta (24, 25, 26, 27, 28, 29, 30) bulunmaktadır. Sonuç olarak nokta sayımı: I = 8, II = 7, III = 8, IV = 7 şeklindedir.
Bölgelere göre Sayım Oranı (BSO) Hesabı: Toplam nokta sayısı N = 8 + 7 + 8 + 7 = 30'dur. Pozitif ilişkiyi gösteren I. ve III. bölgelerdeki noktalar 8 + 8 = 16, negatif ilişkiyi gösteren II. ve IV. bölgelerdeki noktalar ise 7 + 7 = 14 tanedir. Buna göre:
BSO = [(n₁ + n₃) − (n₂ + n₄)] / N
BSO = [(8 + 8) − (7 + 7)] / 30
BSO = (16 − 14) / 30 = 2 / 30 ≈ +0,067 bulunur.
BSO değeri (+0,067) pozitif yönlüdür ancak bu değer örneğe göre çok zayıf bir ilişkiye işaret eder. Yani bu veri setinde kitap okuma süresi arttıkça Türkçe sınav puanının artma eğilimi olmasına rağmen BSO'ya göre bu ilişki oldukça zayıftır. Yani verilen örneğe göre kitap okuma süresi arttıkça Türkçe dersi başarı puanlarının arttığı tam olarak söylenemez.
Anadolu Ajansı
--.--.---- - --:--
0/0
Güncelleme: --.--.---- - --:--
Haber akışı, Anadolu Ajansı verilerinden otomatik çekilmektedir. Haber içerikleri ve görsellerden sitemiz sorumlu değildir. Detaylar için başlıklara tıklayabilirsiniz.
$ USD .. ▲
€ EUR .. ▲
£ GBP .. ▲
🏆 ONS .. ▲
💰 GRAM .. ▲
Piyasa verileri Binance API sistemi üzerinden referans niteliğinde olup gecikmeli olabilir. Altın fiyatları, ons bazlı dijital varlık üzerinden hesaplanmaktadır. Veriler bilgilendirme amaçlıdır, hatalı olabilir ve kesinlikle yatırım tavsiyesi içermez.
Matematik Seçme Konuları
Aşağıdaki Yazılar İlginizi Çekebilir!!!
Yükleniyor...










