İstatistiğin Gizemli Dünyası: Tahminleme ve Karar Alma

Bir antrenör olarak, Türkiye'deki tüm profesyonel basketbolcuların ortalama dikey sıçrama yüksekliğini bilmek istediğinizi hayal edin. Hepsini tek tek test etmek imkansız, değil mi? İşte istatistiğin çözdüğü temel gizem budur: Küçük bir gruptan (örneklem) yola çıkarak büyük resim (evren) hakkında nasıl güvenilir sonuçlar çıkarabiliriz?

Adım 2a: Hata Payı Formülünün Derinlikleri

\( \text{Hata Payı} = Z \times \frac{\sigma}{\sqrt{n}} \)

Soru 1: Z-skoru (1.96) Nereden Geliyor?

Bu "sihirli" sayı, Normal Dağılım'dan gelir. İstatistik der ki: Normal dağılan bir veride, verilerin %95'i, ortalamanın yaklaşık ±1.96 standart sapma uzağındaki alana düşer. Dolayısıyla, bir aralığın evrenin gerçek ortalamasını %95 ihtimalle yakalamasını istiyorsak, sınırlarımızı 1.96 standart hata kadar genişletiriz.

Soru 2: Standart Sapmayı (σ=5cm) Nereden Bulduk?

Bu çok önemli bir soru! İki olası senaryo vardır:

1. Geçmiş Verilerden Bilinir: Bazen, daha önce yapılmış binlerce ölçüm sayesinde popülasyonun standart sapması (σ) genel olarak bilinir. (Örn: "Yıllardır yapılan ölçümler, bu ligdeki oyuncuların dikey sıçrama standart sapmasının genelde 5 cm olduğunu göstermiştir.")
2. Örneklemden Tahmin Edilir: Çoğu zaman σ'yı bilmeyiz. Bu durumda, kendi topladığımız örneklemin standart sapmasını ('s' ile gösterilir) hesaplar ve σ yerine onu kullanırız. (Not: 's' kullanıldığında teknik olarak Z yerine t-dağılımı kullanılır, bu ileriki derslerin konusudur. Şimdilik mantığı anlamak için σ'yı bildiğimizi varsayıyoruz.)

Karar: Hesapladığımız güven aralığının en alt sınırı (68.9 cm) bile lig ortalamasının (68 cm) üzerindedir. Bu nedenle, antrenör takımının ortalama dikey sıçrama yeteneğinin lig ortalamasından daha iyi olduğuna istatistiksel olarak güvenebilir ve dikkatini başka alanlara yöneltebilir.

Tahminleme bize bir fikir verir (örn. "oyuncuların ortalama sıçraması 72 cm civarında"). Fakat bazen bir iddiayı test etmemiz gerekir.

Örneğin: "Uyguladığımız yeni pliometrik antrenman programı, sporcuların dikey sıçramasını gerçekten artırdı mı, yoksa gözlemlediğimiz küçük artış sadece şans eseri mi?"

İşte Hipotez Testi, bu gibi iddialar hakkında istatistiksel bir ‘karar’ vermemizi sağlayan sistematik bir sorgulama sürecidir. Soruşturma başlasın!

Soruşturmaya başlamadan önce, ne kadarlık bir kanıtın H₀ hipotezini (yani "etki yok" iddiasını) reddetmek için yeterli olacağına karar vermeliyiz. Bu bizim "kanıt standardımızdır": Anlamlılık Düzeyi (α).

Analoji: Hileli Zar Mı?

Bir arkadaşınızın hileli zar kullandığından şüpheleniyorsunuz.
H₀ (Sıfır Hipotezi): Zar hileli değil, normal.
Zarı 10 kez atıyorsunuz ve 9 kez '6' geliyor. Bu sonuç, zarın hileli olmadığını varsaydığımızda aşırı şaşırtıcı, neredeyse imkansız bir durumdur. İşte bu şaşkınlığın derecesini ölçen sayı p-değeridir.

Senaryo: Bir spor bilimcisi, yeni bir kafein takviyesinin kadın atletlerin 1500m koşu süresini düşürdüğüne inanıyor. Bu branştaki atletlerin mevcut ortalama koşu süresinin (μ) 280 saniye olduğu biliniyor.

• İddia (H₀): Kafein takviyesinin koşu süresine bir etkisi yoktur (μ = 280s).
• Şüphe (H₁): Kafein takviyesi koşu süresini düşürür (μ < 280s).
• İpuçları: 30 kadın atlet (n=30) takviyeyi kullandıktan sonraki ortalama koşu süreleri 276 saniye (x̄=276) olarak ölçüldü. Popülasyon standart sapmasının σ = 8 saniye olduğu biliniyor.
• Kanıt Standardı: α = 0.05 olarak belirlendi. (Bu tek yönlü bir test olduğu için kritik z değeri: -1.645'tir).
• Analiz (Test İstatistiği):
  \( z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} = \frac{276 - 280}{8 / \sqrt{30}} = \frac{-4}{1.46} \approx -2.74 \)
• Karar: Hesaplanan z değeri (-2.74), kritik değerden (-1.645) daha küçük olduğu için Red Alanı içindedir. H₀ hipotezi reddedilir.
• Yorum: Elde edilen bulgular, yeni kafein takviyesinin 1500m koşu süresini istatistiksel olarak anlamlı düzeyde düşürdüğünü göstermektedir.

Senaryo: Bir spor yorumcusu, yeni bir kafein takviyesinin kadın atletlerin 1500m koşu süresini düşürdüğüne inanıyor. Bu branştaki atletlerin mevcut ortalama koşu süresinin (μ) 280 saniye olduğu biliniyor.

• İddia (H₀): Penaltı atışlarında ev sahibi avantajı yoktur (Kazanma oranı p = 0.50).
• Şüphe (H₁): Ev sahibi takımlar %50'den daha fazla kazanır (p > 0.50).
• İpuçları: Son yıllardaki 120 penaltı atışını (n=120) inceledik ve 72'sini ev sahibi takımın kazandığını bulduk. Bu, \( \hat{p} = 72/120 = 0.60 \) yani %60'lık bir kazanma oranı demektir.
• Kanıt Standardı: α = 0.05
• Analiz: Gözlemlediğimiz %60'lık oranın, gerçekte bir avantaj olmasaydı (p=0.50 iken) şans eseri ortaya çıkıp çıkmayacağını test ederiz. Bu analiz sonucunda p-değerinin 0.02 olduğu hesaplanmıştır.
• Karar: Hesaplanan p-değeri (0.02), belirlediğimiz α'dan (0.05) küçük olduğu için H₀ hipotezini reddediyoruz.
• Yorum: Elimizdeki veriler, penaltı atışlarında ev sahibi takım lehine istatistiksel olarak anlamlı bir avantaj olduğu iddiasını desteklemektedir. Gözlemlediğimiz %60'lık başarı oranı, sadece şansla açıklanamayacak kadar yüksektir.

İstatistiksel Anlamlılık (p-değeri)

Sadece gözlemlediğimiz sonucun şans eseri ortaya çıkma ihtimalinin düşük olduğunu söyler. "Bir etki var mı, yok mu?" sorusunu cevaplar.

Örnek: 10.000 kişilik dev bir örneklemle yapılan çalışmada, yeni bir antrenman programının dikey sıçramayı ortalama 0.2 cm artırdığını ve bu sonucun istatistiksel olarak çok anlamlı (p=0.001) olduğunu bulduk.

Pratik Anlamlılık (Etki Büyüklüğü)

Bu etkinin gerçek hayatta ne kadar önemli ve kayda değer olduğunu sorgular. "Etki ne kadar büyük?" sorusunu cevaplar.

Örnek: Evet, bir etki var. Ama 0.2 cm'lik bir artışın bir voleybolcunun bloğu veya bir basketbolcunun smacı için pratikte bir anlamı var mıdır? Muhtemelen yoktur. İşte bu fark, istatistiksel olarak anlamlı olsa da pratikte anlamsızdır.

Artık verilerin dilini çözmeye ve kendi gizemlerinizi aydınlatmaya hazırsınız.

Teşekkürler.