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

  1. Sayısal analizde istenen **yöntemi** belirle; Newton, bisection, yamuk veya Simpson.
  2. Hesabı işlem sırasına göre yap; **tam değer ve yaklaşımı** ayrı yaz.
  3. Olasılıkta olayları adlandır; **koşul, bağımsızlık, yerine koyma** bilgisini kontrol et.
  4. Binomda **n,p,k**, Poisson'da **λ**, üstelde **hız λ** değerlerini ayır.
  5. İstatistikte **örneklem mi anakütle mi** sorulduğunu belirle.
  6. Normal dağılımda doğru **μ ve σ** ile standartlaştır.
  7. Güven aralığında **standart hata σ/√n** hesapla.
  8. 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.

Ders Notu

Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik Ders Notu

Ünitenin düzenli ve kısa özetini incele.

Ders Notunu Aç
Hızlı Tekrar

Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik Hızlı Tekrar

Sınav öncesi kritik bilgilerle hızlı tekrar yap.

Hızlı Tekrarı Aç
Kolay

ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Kolay Test

20 soru

Temel kavramları kontrol et

Testi Çöz
Orta

ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Orta Test

20 soru

Bilgini uygulamaya geçir

Testi Çöz
Zor

ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Zor Test

20 soru

Detay ve yorum gücünü ölç

Testi Çöz
Karma

ÖABT Matematik Uygulamalı Matematik II: Sayısal Analiz, Olasılık ve İstatistik - Karma Test 1

20 soru

Gerçek sınav temposunda kendini dene

Testi Çöz