Konu Anlatımı / Ders Notu
Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik Konu Anlatımı
ÖABT Matematik sayısal analiz, olasılık ve istatistik: hata, kök bulma, Newton ve ikiye bölme, interpolasyon, sayısal integral, koşullu olasılık, Bayes, bağımsızlık, ayrık ve sürekli dağılımlar, beklenen değer, varyans, örneklem ve temel çıkarımsal istatistik.
ÖABT Matematik — Uygulamalı Matematik II
Konu Özeti
**Sayısal analiz**, çözümü kapalı biçimde zor veya pahalı olan matematik problemlerine kontrollü yaklaşım üretir. **Olasılık**, belirsiz olayların matematiksel modelidir. **İstatistik**, veriden örneklem ve anakütle hakkında çıkarım yapar. Sınavda sıklıkla yapılan hata, **yaklaşık değer ile kesin değeri**, **koşullu olasılıkla bağımsızlığı** ve **örneklem varyansı ile anakütle varyansını** karıştırmaktır.
1. Yaklaşık Hesap ve Hata
Bir gerçek değer x ve yaklaşım x̂ için **mutlak hata |x−x̂|**. Gerçek değer sıfır değilse **bağıl hata |x−x̂|/|x|**; yüzde hata bu oranın 100 ile çarpımıdır. **Yuvarlama hatası**, sınırlı basamakla gösterimden; **kesme hatası**, sonsuz işlem veya sürekli modeli sonlu adımda kesmekten doğar. Makine aritmetiğinde taşma ve çıkarma sırasında **önemli basamak kaybı** da hata üretir.
Örneğin gerçek değer 10, yaklaşık değer 9 olduğunda mutlak hata **1**, bağıl hata **0,1**, yüzde hata **%10**. Gerçek değer sıfırsa bağıl hata formülü tanımsız olabilir; sıfıra bölünmez.
2. Kök Bulma: İkiye Bölme ve Newton–Raphson
Sürekli f fonksiyonunda **f(a)f(b)<0** ise **Ara Değer Teoremi** gereği (a,b) içinde en az bir kök vardır. **İkiye bölme yöntemi**, m=(a+b)/2 orta noktasını alır ve işaret değişimini koruyan yarı aralıkta devam eder. N adım sonunda aralık uzunluğu **(b−a)/2ⁿ** olur; orta nokta hatası son aralık uzunluğunun yarısından büyük değildir.
**Newton–Raphson**: **xₙ₊₁=xₙ−f(xₙ)/f'(xₙ)**. f' sıfır olduğunda adım tanımsızlaşabilir; kötü ilk tahminlerde yöntem yakınsamayabilir. Basit bir kök çevresinde yeterli düzgünlük ve uygun başlangıçla **ikinci dereceden (kuadratik) yakınsama** görülebilir.
3. Sekant Yöntemi ve Durdurma
**Sekant yöntemi** türevi hesaplamadan, iki noktanın sonlu fark eğimiyle yaklaşır: **xₙ₊₁=xₙ−f(xₙ)(xₙ−xₙ₋₁)/[f(xₙ)−f(xₙ₋₁)]**. Payda sıfırsa adım hesaplanamaz. **Bisection** aralık ve işaret değişimi güvenliği sağlar; **Newton** yerel olarak daha hızlı olabilir ancak her başlangıçta güvenli değildir.
Durdurma ölçütü olarak |f(xₙ)| küçük olması veya |xₙ−xₙ₋₁| küçük olması kullanılabilir. Tek başına çok küçük adım, kökün doğru bulunduğunu her koşulda garanti etmez.
4. İnterpolasyon
Farklı düğümler x₀,…,xₙ üzerinden geçen **en çok n'inci dereceden tek bir interpolasyon polinomu** vardır. **Lagrange biçimi:** Pₙ(x)=Σᵢ yᵢ Lᵢ(x), Lᵢ(x)=∏(j≠i)(x−xⱼ)/(xᵢ−xⱼ). İki düğüm varsa doğrusal interpolasyon; üç farklı düğüm varsa en çok ikinci derece polinom bulunur.
Örneğin (0,1) ve (2,5) noktalarında **P(x)=1+2x**. Buna göre P(1)=3. Verilerin dışındaki x için değerlendirme **ekstrapolasyon** olup daha büyük hata riski taşıyabilir.
5. Sonlu Farklarla Türev
İleri fark yaklaşımı **f'(x)≈[f(x+h)−f(x)]/h**, geri fark **[f(x)−f(x−h)]/h**, merkezî fark **[f(x+h)−f(x−h)]/(2h)**. Yeterince düzgün fonksiyonda ileri/geri farkın kesme hatası genelde **O(h)**, merkezî farkın **O(h²)**'dir.
h küçüldükçe kesme hatası azalabilir fakat bilgisayar aritmetiğinde **yuvarlama etkisi** artabilir. Bu nedenle h'yi sınırsız küçültmek her durumda en iyi sonuç vermez.
6. Sayısal İntegrasyon
Tek aralıklı **yamuk (trapez) kuralı**: ∫ₐᵇf(x)dx≈(b−a)[f(a)+f(b)]/2. **Bileşik yamuk**, eşit adım h ile **h[(f₀+fₙ)/2+Σᵢ₌₁ⁿ⁻¹ fᵢ]**. **Simpson 1/3 kuralı** tek panelde h=(b−a)/2 için **h[f(a)+4f(a+h)+f(b)]/3**; bileşik hâlinde alt aralık sayısı çift olmalıdır.
Yeterince düzgün f için bileşik yamuğun küresel hatası genelde **O(h²)**, bileşik Simpson'ınki **O(h⁴)**. Simpson kuralı **en çok üçüncü dereceden polinomları** tek panelde de tam entegre eder; yamuk kuralı doğrusal fonksiyonlar için tamdır.
7. Doğrusal Sistemlerin Sayısal Çözümü
**Gauss eleme**, satır işlemleriyle Ax=b sistemini üst üçgen biçimine getirir; geri yerine koyma uygulanır. **Kısmi pivotlama**, ilgili sütunda mutlak değeri büyük elemanı pivot olarak seçerek bazı sayısal kararsızlıkları azaltır. **Jacobi** ve **Gauss–Seidel**, iteratif yöntemlerdir; yakınsama koşulları matrise bağlıdır.
**Köşegen baskınlık**, Jacobi/Gauss–Seidel yakınsaması için yaygın ve kullanışlı yeter koşullardan biridir; **zorunlu koşul değildir**. Determinantın sıfır olmaması tek çözüm varlığını gösterir fakat sayısal koşulun iyi olduğunu tek başına garanti etmez.
8. Olasılığın Temel Kuralları
Örnek uzay **S**, olay **A⊆S**, **P(S)=1**, 0≤P(A)≤1. Tümleyen olasılık **P(Aᶜ)=1−P(A)**. Birleşim: **P(A∪B)=P(A)+P(B)−P(A∩B)**. Ayrık olaylarda P(A∩B)=0. **Bağımsız olaylarda** P(A∩B)=P(A)P(B), fakat bağımsız olmak ayrık olmak anlamına gelmez.
Sıralı seçimler için **permütasyon P(n,r)=n!/(n−r)!**, sırasız seçimler için **kombinasyon C(n,r)=n!/[r!(n−r)!]**. Eş olasılıklı ve sonlu örnek uzayda P(A)=uygun durum sayısı/tüm durum sayısı.
9. Koşullu Olasılık, Bayes ve Toplam Olasılık
**P(A|B)=P(A∩B)/P(B)** (P(B)>0). **Çarpma kuralı:** P(A∩B)=P(B)P(A|B). Bağımsızlık varsa P(A|B)=P(A) (P(B)>0).
**Bayes formülü:** P(A|B)=P(B|A)P(A)/P(B). İki durumlu modelde **P(B)=P(B|A)P(A)+P(B|Aᶜ)P(Aᶜ)**. Test pozitif olduğunda gerçek durum olasılığını hesaplarken **duyarlılık kadar temel görülme sıklığı** da belirleyicidir.
10. Rastgele Değişken, Beklenen Değer ve Varyans
**Ayrık rassal değişken** X için olasılık kütle fonksiyonu p(x)=P(X=x), toplamı 1. **Beklenen değer E(X)=Σx p(x)**. **Varyans Var(X)=E[(X−μ)²]=E(X²)−[E(X)]²**. **Var(aX+b)=a²Var(X)**; bağımsız X,Y için **Var(X+Y)=Var(X)+Var(Y)**.
**Dağılım fonksiyonu F(x)=P(X≤x)**, azalmayan ve sağdan sürekli olmalıdır. Sürekli değişkende **yoğunluk f(x)≥0**, ∫f=1 ve P(a≤X≤b)=∫ₐᵇf(x)dx. Sürekli yoğunluk modelinde tek bir noktanın olasılığı sıfırdır.
11. Ayrık Dağılımlar
**Bernoulli(p)**: X∈{0,1}, E(X)=p, Var(X)=p(1−p). **Binom(n,p)**: n bağımsız Bernoulli denemesinde başarı sayısı; **P(X=k)=C(n,k)p^k(1−p)^(n−k)**, E=np, Var=np(1−p).
**Poisson(λ)**: P(X=k)=e^(−λ)λ^k/k!, k=0,1,…; **E=Var=λ**. **Geometrik(p)** burada başarıya kadar yapılan toplam deneme sayısı (1,2,…) olarak tanımlandığında **E=1/p**; başarısızlık sayısı biçimindeki alternatif tanımla karıştırılmamalıdır. **Hipergeometrik**, sonlu anakütleden **yerine koymadan** örneklemedir.
12. Sürekli Dağılımlar
**U(a,b)** düzgün dağılımda yoğunluk 1/(b−a), **E=(a+b)/2**, **Var=(b−a)²/12**. **Üstel(λ)** (λ>0) yoğunluğu λe^(−λx), x≥0; **E=1/λ**, **P(X>t)=e^(−λt)** (t≥0). **Normal(μ,σ²)** için standartlaştırma **Z=(X−μ)/σ**, σ>0. Standart normal N(0,1)'dir.
Normal dağılım simetriktir; merkezinde **ortalama=medyan=mod=μ**. Normal olasılık hesabında Z puanını kullanırken paydadaki büyüklük **σ (standart sapma)**, σ² (varyans) değildir.
13. Betimsel İstatistik ve Örneklem
**Aritmetik ortalama x̄=Σxᵢ/n**; **medyan**, sıralı gözlemin orta değeri; **mod**, en sık görülen değer. **Anakütle varyansı**, tüm N birim için genellikle N'ye; **örneklem varyansı s²**, örneklem ortalaması kullanılarak **n−1**'e bölünür.
**Kovaryans Cov(X,Y)** doğrusal birlikte değişimi; **korelasyon ρ=Cov(X,Y)/(σXσY)** ise ölçekten bağımsız ilişkiyi ölçer (standart sapmalar pozitifse). −1≤ρ≤1. **Korelasyon tek başına nedenselliği kanıtlamaz.**
14. Örnekleme Dağılımı ve Merkezi Limit Teoremi
Bağımsız, aynı dağılımlı, sonlu varyanslı gözlemler için n büyüdükçe standartlaştırılmış örneklem ortalamasının dağılımı, uygun koşullarda **standart normale yaklaşır**. Anakütle varyansı σ² ise örneklem ortalamasının varyansı **σ²/n**, standart hatası **σ/√n**.
Anakütle σ biliniyorsa yaklaşık ya da tam uygun normal modelde ortalama için güven aralığı **x̄±z_(1−α/2)σ/√n** biçimindedir. Yaklaşık %95 iki taraflı aralıkta z≈1,96. σ bilinmeyip örneklem standart sapması kullanılıyorsa uygun koşullarda **t dağılımı** gerekebilir.
15. Hipotez Testi, Hata Türleri ve Regresyon
**H₀** sıfır hipotezi, **H₁** alternatif hipotezdir. **I. tür hata (α)**, H₀ doğruyken H₀'ı reddetmektir. **II. tür hata (β)**, H₀ yanlışken reddedememektir. **Güç=1−β**. p-değeri, H₀ doğru kabul edildiğinde gözlenen kadar veya daha uç bir test istatistiğinin olasılığıdır; H₀'ın doğru olma olasılığı değildir.
**Basit doğrusal regresyon** y≈a+bx'te en küçük kareler eğimi **b=Σ(xᵢ−x̄)(yᵢ−ȳ)/Σ(xᵢ−x̄)²**. Sabit a=ȳ−bx̄. **R²** uyum ölçüsü olup genel olarak nedensellik kanıtı değildir. Örneklem korelasyon katsayısı ve R² ancak uygun basit sabitli doğrusal modelde R²=r² ilişkisiyle bağlanır.
Sık Karıştırılan Noktalar
- **Mutlak hata** ile **bağıl/yüzde hata** farklıdır.
- **İkiye bölme** işaret değişimi aralığını korur; **Newton** türev ister.
- **Trapez** ve **Simpson** aynı yaklaşık değeri vermek zorunda değildir.
- **Bağımsız olay** ile **ayrık olay** aynı değildir.
- **P(A|B)** ile **P(B|A)** genellikle eşit değildir.
- **Binom** ve **hipergeometrik** seçim koşulları farklıdır.
- **Poisson'da E=Var=λ**, binomda Var=np(1−p).
- **Normal Z paydası σ**, varyans değil.
- **Örneklem s² paydası n−1**; anakütlede N.
- **I. tür hata** ile **II. tür hata** ters sonuçlardır.
Soru Çözerken Kullanılabilecek Yaklaşım
- Sayısal analizde istenen **yöntemi** belirle; Newton, bisection, yamuk veya Simpson.
- Hesabı işlem sırasına göre yap; **tam değer ve yaklaşımı** ayrı yaz.
- Olasılıkta olayları adlandır; **koşul, bağımsızlık, yerine koyma** bilgisini kontrol et.
- Binomda **n,p,k**, Poisson'da **λ**, üstelde **hız λ** değerlerini ayır.
- İstatistikte **örneklem mi anakütle mi** sorulduğunu belirle.
- Normal dağılımda doğru **μ ve σ** ile standartlaştır.
- Güven aralığında **standart hata σ/√n** hesapla.
- Hipotez testinde **H₀'ın doğru/yanlış durumu** ile hatayı ilişkilendir.
Konuyu Bitirdiğinde Bunları Yapabiliyor Olmalısın
- Mutlak/bağıl hata, kök bulma ve iterasyon adımları hesaplamak.
- Basit interpolasyon, türev ve integral yaklaşımlarını kullanmak.
- Olaylar, koşullu olasılık, Bayes ve bağımsızlık sorularını çözmek.
- Binom, Poisson, geometrik, hipergeometrik ve sürekli dağılımları ayırmak.
- Beklenen değer ve varyans hesaplamak.
- Ortalama, medyan, örneklem varyansı ve korelasyonu yorumlamak.
- Normal standartlaştırma, güven aralığı ve hata türlerini ayırt etmek.
Bu Üniteyi Pekiştir
Konuyu tamamladıysan çalışma notlarıyla tekrar yapabilir veya seviyene uygun testlerle kendini ölçebilirsin.
Bu Konuyla İlgili Testler
ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Kolay Test
20 soru
Temel kavramları kontrol et
ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Orta Test
20 soru
Bilgini uygulamaya geçir
ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Zor Test
20 soru
Detay ve yorum gücünü ölç
ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Karma Test 1
20 soru
Gerçek sınav temposunda kendini dene