Ortalama gibi merkezi eğilim ölçüleri de en olası değeri tanımlar, ancak bize değerlerin nasıl değiştiği hakkında hiçbir şey söylemezler. Örneğin, iki veri kümesi aynı ortalamaya sahip olabilir, ancak değerlerinin yayılma şekli büyük ölçüde değişebilir. Bir dağılımın şeklini tanımlamanın başka bir yolu da bu yayılımı incelemektir.

Bir dağılımın teknik olarak dağılımı olarak adlandırılan yayılım, bize değerlerin dağılımın merkezi çevresinde (örneğin, ortalama, medyan ve/veya mod çevresinde) ne kadar sıkı bir şekilde gruplandığı hakkında bilgi sağlar. En yaygın olarak kullanılan dağılım ölçüleri; aralık, varyans ve standart sapmadır.

Bir dağılımın aralığı bize belirli bir örnekteki tüm verilerin düşeceği olası en küçük aralığı söyler. Basitçe, aralık, bir dağılımdaki en yüksek ve en düşük değerler arasındaki farktır. Bu nedenle, aralık, en yüksek değerden en düşük değer çıkarılarak kolayca hesaplanır. Önceki örneğimizi kullanarak, çalışma örneği için yaş aralığı şöyle olacaktır.

Dağılımdaki sadece iki değere bağlı olduğundan, numune boyutunun özellikle büyük olduğu durumlar dışında, genellikle zayıf bir dağılım ölçüsüdür.

Daha kesin bir dağılım ölçüsü veya bir dağılımın ortalaması etrafındaki yayılma, varyanstır. Varyans bize, bir değer kümesinin ortalama değeri etrafında ne kadar yoğunlaştığına dair bir fikir verir ve aşağıdaki şekilde hesaplanır:

1. Her bir değerden dağılımın ortalamasını çıkarın.
2. Her sonucun karesini alın.
3. Tüm kare sonuçları ekleyin.
4. Sonucu değer sayısı eksi ile bölün.

Bir dağılımın varyansı bize bir dağılımdaki değerlerin ortalamadan ne kadar uzak olduğunu kare birimler halinde verir ve bu da bir dağılımdaki puanların ne kadar yakın konsantre olduğunu görmemizi sağlar.

Bir dağılımın ortalaması etrafındaki değerlerin yayılmasının bir başka ölçüsü de standart sapmadır. Standart sapma, basitçe varyansın kareköküdür. Bu nedenle, katılımcı yaşları kümesi için standart sapmadır.

Varyansın karekökünü alarak, birimlerin karesini düşünmekten kurtulabiliriz. Dağılımların varyansı ve standart sapması, değişkenler arasındaki ilişkileri ve farklılıkları tahmin eden diğer birçok istatistiğin hesaplanması için temel oluşturur. Ayrıca, bir dağılımdaki değerler hakkında bize önemli bilgiler sağlarlar.

Örneğin, değerlerin dağılımı normalse veya normale yakınsa, makul bir kesinlikle aşağıdaki sonuca varılabilir:

1. Değerlerin yaklaşık %68’i ortalamanın 1 standart sapması içindedir.
2. Değerlerin yaklaşık %95’i ortalamanın 2 standart sapması içindedir.
3. Değerlerin yaklaşık %99’u ortalamanın 3 standart sapması içindedir.

Bu nedenle, dağılımın normal olduğunu varsayarsak, katılımcıların yaş ortalaması 28.40 ve standart sapma 5.78 olduğu için, katılımcıların yaklaşık %68’inin ortalama yaş 28.40’ın ± 5.78 yıl (1 standart sapma) içinde olduğunu tahmin edebiliriz. . Benzer şekilde, katılımcıların %95’inin ortalama yaş 28,40’ın ±11,56 yılı (2 standart sapma) içinde olduğunu tahmin edebiliriz. Bu bilgilerin birkaç önemli uygulaması vardır.

Birincisi, merkezi eğilim ölçüleri gibi, araştırmacının bir örneğin genel özelliklerini tanımlamasına izin verir. İkincisi, araştırmacıların bireysel katılımcıları belirli bir değişkende (örneğin yaş) karşılaştırmasına olanak tanır. Üçüncüsü, araştırmacılara, değişkenler tamamen farklı ölçeklerde ölçülse bile, bireysel bir katılımcının bir değişken üzerindeki performansını (örneğin IQ puanı) diğerindeki performansıyla karşılaştırması için bir yol sağlar.

Lisans tez örnekleri
Bitirme tezi örnekleri
Önlisans tez örnekleri
Önlisans tez örnekleri pdf
Lisans tez örnekleri pdf
Normal dağılım örnekleri
Tez örnekleri
Standart normal dağılım

Dernek Tedbirleri

Değişken dağılımlarının şeklini tanımlamaya ek olarak, tanımlayıcı istatistiklerin bir diğer önemli görevi, değişkenler arasındaki ilişkileri veya ilişkileri incelemek ve tanımlamaktır. Korelasyonlar, iki veya daha fazla değişken arasındaki ilişkinin belki de en temel ve en kullanışlı ölçüsüdür.

Korelasyon katsayısı (r) olarak adlandırılan tek bir sayı ile ifade edilen korelasyonlar, ilişkinin yönü (pozitif veya negatif) ve ilişkinin yoğunluğu hakkında bilgi sağlar.

Ayrıca, korelasyon testleri, korelasyonun istatistiksel olarak anlamlı olup olmadığı hakkında bilgi sağlayacaktır. Çoğunlukla, analiz edilen değişkenin türü (örneğin, kategorik, sürekli) tarafından belirlenen çok çeşitli korelasyonlar vardır.

Bir korelasyonun yönü ile ilgili olarak, iki değişken aynı yönde hareket etme eğilimindeyse (örneğin boy ve kilo), aralarında pozitif veya doğrudan bir ilişki olduğu kabul edilir. Alternatif olarak, iki değişken zıt yönlerde hareket ediyorsa (örneğin, sigara içimi ve akciğer kapasitesi), aralarında negatif veya ters bir ilişki olduğu kabul edilir.

Korelasyon katsayıları –1.0 ile + 1.0 arasında değişir. Katsayının işareti ilişkinin yönünü temsil eder. Örneğin, .78’lik bir korelasyon, pozitif veya doğrudan bir korelasyonu gösterirken -.78’lik bir korelasyon, negatif veya ters bir korelasyonu gösterir. Katsayının (değer) kendisi ilişkinin gücünü gösterir.

1.0’a ne kadar yakınsa (olumsuz veya pozitif), ilişki o kadar güçlüdür. Genel olarak, .01 ila .30 arasındaki korelasyonlar küçük, .30 ila .70 arasındaki korelasyonlar orta, .70 ila .90 arasındaki korelasyonlar büyük ve .90 ila 1.00 arasındaki korelasyonlar çok büyük olarak kabul edilir. Daha da önemlisi, bunlar yalnızca kaba yönergelerdir. Korelasyonlar yorumlanırken örneklem büyüklüğü gibi bir dizi başka faktörün de dikkate alınması gerekir.

Bir korelasyonun yönüne ve gücüne ek olarak, katsayı, ilişki tarafından açıklanan varyans oranını belirlemek için kullanılabilir. Bu, belirleme katsayısı (r 2 ) olarak bilinir. Belirleme katsayısı, korelasyon katsayısının karesi alınarak oldukça kolay bir şekilde hesaplanır. Örneğin, sigara içimi ile kokain kullanımı arasında .70’lik bir korelasyon bulursak, belirleme katsayısını aşağıdaki şekilde hesaplayabiliriz.

Belirleme katsayısı daha sonra bir yüzdeye dönüştürülür. Dolayısıyla denklemde gösterildiği gibi .70’lik bir korelasyon varyansın yaklaşık %49’unu açıklamaktadır. Bu örnekte, kokain kullanımındaki varyansın %49’unun sigara içiminden kaynaklandığı sonucuna varabiliriz.

Alternatif olarak, .20’lik bir korelasyon, .04’lük (.20 × .20 = .04) bir belirleme katsayısına sahip olacaktır, bu da diğer değişkenlerin muhtemelen dahil olduğunu güçlü bir şekilde gösterir. Önemli olarak, okuyucunun hatırlayabileceği gibi, korelasyon nedensellik değildir.

Bu nedenle, bu korelasyondan sigara içmenin kokain kullanımına neden olduğu veya bunu etkilediği sonucunu çıkaramayız. Kokain kullanımının sigara içmeye neden olması veya her iki sağlıksız davranışa üçüncü bir bilinmeyen değişkenin neden olması da aynı derecede olasıdır.

The post Dağılım – Tez Hazırlatma – Tez Yaptırma – Tez Yaptırma Fiyatları – Tez Örnekleri – Ücretli Tez Yazdırma – Tez Yaptırma Ücreti first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.