🧠 Derinlemesine Analiz: Preattentive Processing (Ön-Dikkat İşleme)

Veri görselleştirmenin nörolojik temeli "Preattentive Processing" teorisine dayanır. İnsan beyni, görsel uyaranları (renk, boyut, oryantasyon, yoğunluk) bilinçli bir çaba harcamadan, 200-500 milisaniye içinde işler. Bu, evrimsel bir mirastır (ormanda kırmızı meyveyi veya hareketi fark etmek).

Referans: Colin Ware (2004). "Information Visualization: Perception for Design".

🧠 Temel Kavram: Sütun Grafik Ne Demek?

Düşün ki bir yarışma var ve herkesin puanını duvarda işaretliyorsun. Kim daha yükseğe çıktıysa o kazanmış demek. İşte sütun grafik tam olarak bu! Her çubuğun yüksekliği, o kişinin/takımın değerini gösteriyor.

Neden tablo değil de grafik? Çünkü insan beyni sayıları okumaktan çok, boyutları karşılaştırmakta çok daha hızlı. "Ali 7, Can 9, Efe 6" dersen hesaplaması lazım. Ama grafikte bakarsın: "Can'ın çubuğu en uzun, o birinci!" dersin. 0.5 saniye sürer.

Ne zaman SÜTUN, ne zaman ÇUBUK (Bar)? Basit: Etiketler kısaysa (Ali, Can, Efe) → DİKEY sütun kullan. Etiketler uzunsa (Amerika Birleşik Devletleri, Bosna Hersek) → YATAY çubuk (Bar) kullan ki isimler sığsın!

🧪 Akademik Standart: Hata Çubukları (Error Bars)

Bilimsel makalelerde ve üst düzey analizlerde, "Ortalama" değeri tek başına YETERSİZDİR. Ortalamanın ne kadar güvenilir olduğunu göstermek için sütunların üzerine "Hata Çubukları" eklenir. Bu çubuklar genellikle şunları temsil eder:

• Standart Sapma (SD): Verinin yayılımını gösterir (Takım içi değişkenlik).
• Standart Hata (SE): Örneklem ortalamasının, gerçek popülasyon ortalamasına ne kadar yakın olduğunun tahmini.
• Güven Aralığı (%95 CI): Gerçek değerin %95 ihtimalle bulunduğu aralık.

Yorum: İki grubun ortalaması AYNI (yükseklik eşit). Ancak Grup B'nin hata çubuğu çok uzun. Bu, Grup B'deki oyuncuların performanslarının çok dalgalı olduğunu, Grup A'nın ise istikrarlı olduğunu gösterir.

🎯 Altın Kural: Sütun grafikte Y ekseni SIFIRDAN başlamalıdır! Yoksa küçük farklar abartılı görünür (Yalan grafik!).

🧠 Temel Kavram: Bar Chart Ne İşe Yarar?

Bar Chart aslında sütun grafiğin yan yatmış hali. "Peki neden yan yatırıyoruz?" diye sorabilirsin. Cevap basit: Etiketler uzun olduğunda!

Düşün: "Amerika Birleşik Devletleri" veya "Bosna Hersek Cumhuriyeti" yazmaya çalışıyorsun. Sütun grafikte bu isimler X eksenine YATAY sığmaz, ya küçücük yazarsın kimse okuyamaz, ya da 45 derece eğersin boyun ağrısı yapar. Çözüm? Grafiği yan yatır! İsimler sol tarafta satır satır yazılır, uzunlukları sorun olmaz.

Pratik Kural: Etiketin 10+ karakteri varsa → Bar Chart kullan. "Ali, Can, Efe" gibi kısa isimler → Sütun Chart yeterli.

💡 Pro Tip: Bar Chart'ta çubukları değere göre sırala (en büyükten en küçüğe). Böylece hem "birinci kim?" sorusu anında cevaplanır, hem de grafik daha profesyonel görünür. Rastgele sıralı bar chart = amatör iş!

🧩 İleri Teknik: Gruplanmış vs. Yığılmış (Grouped vs. Stacked)

Veriyi daha derinlemesine analiz ederken, tek bir kategori yetmez. Örneğin, sadece "Toplam Gol" değil, "İç Saha Golü" ve "Dış Saha Golü"nü aynı anda göstermek istersiniz. İşte burada iki yol ayrımı vardır:

Tasarım Notu: Yığılmış grafikte parçaları karşılaştırmak zordur (taban çizgileri farklı olduğu için). Eğer odak "karşılaştırma" ise Gruplanmış kullanın!

💡 İpucu: Bar Chart'ta çubukları değere göre sıralamak (büyükten küçüğe) karşılaştırmayı kolaylaştırır.

SEMBOL ve KAVRAM ACIKLAMA TABLOSU - Cubuk Grafik (Bar Chart)

SOMUT SPOR ORNEKLERI - Cubuk Grafik Nasil Olusturulur?

🧠 Temel Kavram: Histogram Nedir ve Ne İşe Yarar?

Histogram, bir grubun "genel durumunu" gösterir. "Ortalama boy 180cm" demek bir şey anlatır ama "Çoğunluk nerede yığılmış? Çok uzun veya çok kısa var mı? Dağılım simetrik mi?" sorularına cevap vermez. İşte histogram tam bunu gösterir!

Nasıl çalışır? Verileri "kutulara" (bin) bölersin. Örneğin: 160-170cm, 170-180cm, 180-190cm... Sonra her kutuya kaç kişi düştüğünü sayarsın. En dolgun kutu = en yoğun aralık (mod).

Sütun grafikten FARKI ne? Sütun grafikte "Ali, Can, Efe" gibi ayrık kategoriler var. Ali ile Can arasında "yarım Ali" olmaz! Ama boyda 175cm ile 180cm arasında 176, 177, 178, 179 var. Bu süreklilik yüzünden histogram çubukları BİTİŞİK çizilir.

Gerçek hayat örneği: 500 öğrenci sınava girdi. "Ortalama 65 puan" deyince kimse bir şey anlamaz. Ama histogram gösterirsen: "Aha, 50-60 arası yığılmış, birkaç kişi 90+ almış, bimodal dağılım var!" dersin.

📐 Metodoloji: İdeal "Bin" Sayısı Nasıl Bulunur?

Histogram çizerken kafanıza göre aralık belirleyemezsiniz. Akademik çalışmalarda kullanılan formüller vardır:

• Karekök Kuralı: \( k = \sqrt{n} \) (Basit ve hızlı, küçük veriler için).
• Sturges Kuralı: \( k = 1 + \log_2(n) \) (Veri normal dağılıma yakınsa ideal).
• Freedman-Diaconis Kuralı: \( \text{Bin Genişliği} = 2 \times \frac{IQR}{\sqrt[3]{n}} \) (Aykırı değerlere karşı en dirençli ve bilimsel olanı).

📉 Dağılım Şekilleri (Skewness)

🔑 Histogram Okuma İpuçları

• Mod: En yüksek çubuğun olduğu aralık (yığılma noktası).
• Çarpıklık: Kuyruk sağa uzanıyorsa "sağa çarpık", sola uzanıyorsa "sola çarpık".
• Aykırılar: Ana gruptan ayrı duran küçük çubuklar (uç değerler).

SEMBOL ve KAVRAM ACIKLAMA TABLOSU - Histogram

SOMUT SPOR ORNEKLERI - Histogram Nasil Olusturulur?

🧠 Temel Kavram: Pasta Grafik Ne Zaman Kullanılır?

Pasta grafik, "bütünün parçalara nasıl bölündüğünü" gösterir. "Toplam 100 TL'nin 60 TL'si maaşlara, 30 TL'si tesise gitti" gibi durumlarda kullanılır. Buradaki kritik nokta: Parçaların toplamı mutlaka %100 olmalı!

Neden dikkatli kullanmalıyız? Çünkü insan gözü açıları karşılaştırmakta ÇOK KÖTÜ. İki dikdörtgenin hangisinin daha uzun olduğunu anında söylersin. Ama iki dilimin hangisinin daha geniş olduğunu? Beyin zorlanır, yanlış anlar. %27 ile %29'u ayırt edemezsin.

Gerçek hayat örneği: "Antrenman süremizin %60'ı güç, %30'u sürat, %10'u esneklik" dersen 3 dilimlik güzel bir pasta yaparsın. Ama "8 farklı antrenman türümüzün yüzdeleri..." dersen kaos çıkar!

Altın kural: 5'ten FAZLA dilim varsa → Bar Chart kullan, pasta grafik kullanma!

📊 Alternatif Vizyon: Waffle Chart (Gofret Grafik)

Edward Tufte'nin "Data-Ink Ratio" prensibine göre, pasta grafik genellikle "mürekkep israfıdır". Merkezi boş, kenarları belirsizdir. Modern veri biliminde (özellikle Github katkı haritası gibi alanlarda) Waffle Chart daha üstün kabul edilir.

Neden? Çünkü kareleri saymak, açıları tahmin etmekten daha kolaydır!

SEMBOL ve KAVRAM ACIKLAMA TABLOSU - Pasta Grafik (Pie Chart)

SOMUT SPOR ORNEKLERI - Pasta Grafik Nasil Olusturulur?

🧠 Temel Kavram: Çizgi Grafik Ne Anlatır?

Çizgi grafik "bir şeyin zaman içinde nasıl değiştiğini" gösterir. X ekseninde zaman (gün, hafta, ay) olur, Y ekseninde ölçülen değer (nabız, gol sayısı, ağırlık) olur. Noktalar çizgiyle birbirine bağlanır.

Çizginin EĞİMİ ne anlatır? Çizgi yukarı çıkıyorsa = artış var, aşağı iniyorsa = azalış var, dalgalanıyorsa = değişkenlik var. Çizgi ne kadar DİK ise, değişim o kadar HIZLI demek.

Neden noktaları birleştiriyoruz? Çünkü kronolojik sıra var! "Ocak'tan Şubat'a geçiş" mantıklıdır, arada süreklilik var. Ama "Ali'den Can'a geçiş" mantıksızdır - o yüzden sütun grafikte noktaları birleştirmeyiz.

Gerçek hayat örneği: Bir sporcunun 8 haftalık kilo takibi. Çizgi aşağı iniyorsa kilo veriyor demek. Dalgalanma varsa beslenme tutarsız demek. Düz çizgi ise plato (takılma) döneminde demek!

⚠️ Dikkat - Spagetti Grafiği: Çizgi grafiğe çok fazla seri (çizgi) koyarsan "spagetti grafiği" olur, hiç kimse bir şey anlamaz. Kural: Maksimum 4-5 çizgi. Daha fazlası varsa grafikleri ayır veya etkileşimli görselleştirme kullan.

🔍 Derinlemesine Analiz: Çizgi Nasıl Birleşsin?

Noktaları birleştirmenin tek yolu "dümdüz çizgi" (Linear) değildir. Verinin doğasına göre seçim yapmalısınız:

• Linear (Doğrusal): En güvenlisi. Noktaları en kısa yoldan birleştirir.
• Spline (Kıvrımlı): Yumuşak geçişler sağlar. Doğal süreçler (nabız, sıcaklık) için uygundur ama veriyi olduğundan "pürüzsüz" gösterebilir.
• Step (Basamaklı): Değer ANİDEN değişiyorsa (örn: faiz oranı, oyuncu değişikliği sayısı) kullanılır.

⚠️ Çift Eksen (Dual Axis) Tehlikesi

Bazen "Antrenman Süresi (dk)" ile "Yorgunluk Skoru (1-10)"nu aynı grafikte göstermek istersiniz. Biri solda, biri sağda iki Y ekseni kullanırsınız.
Risk: Ölçekleri keyfi değiştirerek iki çizgi arasında olmayan bir ilişki yaratabilirsiniz (Spurious Correlation). Akademik dünyada bu tür grafiklere şüpheyle yaklaşılır!

SEMBOL ve KAVRAM ACIKLAMA TABLOSU - Cizgi Grafik (Line Chart)

SOMUT SPOR ORNEKLERI - Cizgi Grafik Nasil Olusturulur?

🧠 Temel Kavram: Scatter Plot Ne Gösterir?

Scatter plot "iki şey arasında ilişki var mı?" sorusunu cevaplar. X eksenine bir değişken (örn: antrenman süresi), Y eksenine başka bir değişken (örn: koşu hızı) koyarsın. Her kişi/gözlem bir NOKTA olur.

Noktalar nasıl yorumlanır?
→ Noktalar sol alttan sağ üste doğru gidiyorsa = POZİTİF korelasyon (biri artınca diğeri de artar)
→ Noktalar sol üstten sağ alta doğru gidiyorsa = NEGATİF korelasyon (biri artınca diğeri azalır)
→ Noktalar rastgele dağılmışsa = Korelasyon YOK (ikisi alakasız)

Gerçek hayat örneği: "Daha uzun boylu basketbolcular daha mı çok ribaund alıyor?" X eksenine boy, Y eksenine ribaund koyarsın. Noktalar yukarı doğru eğilim gösteriyorsa EVET demek!

Korelasyon ne kadar güçlü? Noktalar çizgiye ne kadar YAKIN durursa, ilişki o kadar güçlü. Saçılım çok genişse ilişki zayıf veya yok demek.

📐 İstatistiksel Derinlik: \( R^2 \) Değeri

Saçılım diyagramına baktınız, "ilişki var gibi" dediniz. Bilimsel olarak bu "gibi" yetmez. Bunu ölçmek için Korelasyon Katsayısı (r) ve Belirlilik Katsayısı (\( R^2 \)) kullanılır.

🧠 Temel Kavram: Boxplot Ne Gösterir?

Boxplot, bir veri setinin "özet istatistiklerini" tek grafikte gösterir. Düşün ki sınıftaki 30 öğrencinin notlarını tek bir kutuya sığdırıyorsun: En düşük not, en yüksek not, ortadaki öğrenci (medyan), ve öğrencilerin %50'sinin hangi aralıkta olduğu.

Kutunun anatomisi:
→ Kutu = Verilerin %50'sinin bulunduğu yer (Q1'den Q3'e)
→ Kutu içindeki çizgi = MEDYAN (ortanca değer)
→ Bıyıklar = Normal veri aralığı (min-max veya 1.5×IQR)
→ Noktalar = AYKIRI değerler (bıyıkların dışında kalan uç veriler)

En önemli özelliği ne? Aykırı değerleri anında yakalamak! Örneğin takımda herkes 50.000-200.000 TL maaş alırken bir kişi 5.000.000 TL alıyorsa, boxplot bunu kutunun dışında kırmızı nokta olarak gösterir. "Aha, yıldız oyuncu bu!"

Gerçek hayat örneği: 3 farklı mevkinin (kaleci, defans, forvet) koşu mesafelerini karşılaştırıyorsun. 3 kutuyu yan yana koyarsın. Hangi mevkinin kutusu daha geniş = o mevkide değişkenlik fazla. Kutu yüksekteyse = o mevki daha çok koşuyor demek.

📐 IQR Nedir? IQR = Q3 - Q1 (Çeyrekler Arası Genişlik). Verilerin tam ortasındaki %50'lik dilimi gösterir. IQR ne kadar darsa, veri o kadar tutarlı ve homojen demek. IQR genişse, değerler çok dağınık ve değişken demek.

🎻 Modern Alternatif: Violin Plot (Keman Grafiği)

Boxplot mükemmeldir ama bir zayıflığı vardır: Verinin yoğunluğunu (şişkinliğini) göstermez. Bimodal bir dağılımı (iki zirveli) boxplot gizleyebilir. İşte bu yüzden "Violin Plot" icat edildi. Violin plot = Boxplot + Yoğunluk Eğrisi (KDE).

🔑 IQR (Kutular Arası Genişlik): Q3 - Q1. Verilerin %50'sinin bulunduğu aralık. Kutu darsa veri tutarlı, genişse dağınık.

🧠 Temel Kavram: Dot Plot Ne İşe Yarar?

Dot plot, az sayıda veriyi HER BİRİNİ göstererek dağılımı ortaya koyar. Histogram'da 100 kişilik veri var, çubuklar oluşur ama kimlerin nerede olduğunu görmezsin. Dot plot'ta ise 10 kişinin her biri bir nokta olarak GÖRÜNÜR.

Nasıl çalışır? X ekseninde değer aralıkları olur (örn: 6 puan, 7 puan, 8 puan...). Her veri noktası o değere karşılık gelen yere bir nokta olarak yerleşir. Aynı değere sahip birden fazla veri varsa, noktalar ÜST ÜSTE yığılır.

Ne zaman kullan, ne zaman kullanma?
✅ Veri sayısı az (n < 30) → Dot plot harika
❌ Veri sayısı çok (n > 50) → Noktalar birbirine girer, histogram kullan

Gerçek hayat örneği: 12 kişilik yüzme takımının yarış süreleri. Her yüzücü bir nokta, hangi sürelerde yoğunlaşma var görebilirsin. "3 kişi 25 saniyede bitirmiş, 1 kişi çok geride!" dersin.

🔬 Modern Yaklaşım: Veri Granüleritesi (Taneciklilik)

Modern spor analitiğinde "Toplanmış Veri" (Aggregated Data) yerine, mümkün olduğunca "Ham Veri"ye (Raw Data) yakın görseller tercih edilir. Ortalama bir yalandır, ancak Dot Plot gerçektir.

🧠 Temel Kavram: Stem-and-Leaf Ne Yapar?

Stem-and-Leaf, adından da anlaşılacağı gibi bir ağaç gibi: Sol tarafta GÖVDE (stem = onlar basamağı), sağ tarafta YAPRAKLAR (leaf = birler basamağı) var. Örneğin 175cm → Gövde=17, Yaprak=5.

Histogram'dan farkı ne? Histogram'da "170-180 aralığında 5 kişi var" dersin ama kimler hangi boyda bilmezsin. Stem-and-Leaf'te hem dağılımı görürsün, hem de "171, 174, 175, 177, 179 - işte bunlar!" diye kesin değerleri okuyabilirsin.

Nasıl okursun?
→ 11 | 3 5 8 yazıyorsa = 11.3, 11.5, 11.8 demek
→ 18 | 0 2 5 yazıyorsa = 180cm, 182cm, 185cm demek

Kısıtlaması ne? Büyük veri setlerinde (n > 50) çok yer kaplar ve karışır. Ayrıca 3+ basamaklı sayılarda pratik değil. Ama küçük setlerde harika!

💡 Eski Ama Güçlü: Stem-and-Leaf "eski moda" görünse de, bilgisayar olmadan elle hızlı dağılım analizi yapmak için mükemmel. Ayrıca sırt sırta (back-to-back) versiyonuyla iki grubu karşılaştırabilirsin!

🌿 Karşılaştırmalı Gövde-Yaprak (Back-to-Back)

İki takımı karşılaştırmak için gövde ortaya alınır, yapraklar iki yana açılır. Buna "Back-to-Back Stem Plot" denir. Histogramda iki grubu üst üste bindirmek zordur (renkler karışır), ama burada çok nettir.

100m Dereceleri (saniye)

Okuma: 10|2 = 10.2 sn, 11|5 = 11.5 sn, 13|1 = 13.1 sn (en yavaş!)

Boy Dağılımı (cm)

✅ Çoğunluk 180-189 cm bandında. 2 aday 200+ cm (potansiyel pivot!)

💡 Avantaj: Antrenör hem dağılımı görür (10-11 saniyede yoğunlaşma), hem de "13.1 koşan kim?" diye sorabilir. Histogram'da bu detay kaybolur!

📊 GRAFİK SEÇİM REHBERİ: "Ne Göstermek İstiyorum?"

🧠 KENDİNİ TEST ET: Hangi Grafik?