2t3sLYPHC
2t3sLYPHC
2t3sLYPHC
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Yıl: 2 Sayı: 12 Mayıs-Haziran 2013<br />
Basım Tarihi: Mayıs-Haziran 2013<br />
Yayın Türü: Süreli Yayın<br />
M.A.G.T.E.G Ltd. Şti. adına<br />
İmtiyaz Sahibi ve Genel Yayın Yönetmeni<br />
Faruk Göker<br />
Şemsettin Günaltay Cad. 297. Sok. No:12/1 Kırkkonaklar,<br />
Çankaya-ANKARA<br />
Tel: 0312 468 03 73 Fax: 0312 468 02 32<br />
info@ndennyegezinti.com.tr<br />
Sorumlu Yazıişleri Müdürü<br />
Av. Deniz Yıldız<br />
Editör<br />
Hacer Yıldız<br />
Danışma Kurulu<br />
Prof. Dr. Fikri Akdeniz<br />
Prof. Dr. Ayşen Apaydın<br />
Prof. Dr. Öztaş Ayhan<br />
Prof. Dr. Akif Bakır<br />
Prof. Dr. Ali Hakan Büyüklü<br />
Prof. Dr. Nalan Cinemre<br />
Prof. Dr. Can Cengiz Çelikoğlu<br />
Prof. Dr. Hülya Çıngı<br />
Prof. Dr. Necla Çömlekçi<br />
Prof. Dr. İsmail Erdem<br />
Prof. Dr. Şenol Erdoğmuş<br />
Prof. Dr. Hamza Erol<br />
Prof. Dr. Aşır Genç<br />
Prof. Dr. Selahattin Kaçıranlar<br />
Prof. Dr. Fikri Öztürk<br />
Prof. Dr. Timur Karaçay<br />
Prof. Dr. Reşat Kasap<br />
Prof. Dr. Tahir Khaniyev<br />
Prof. Dr. Adnan Mazmanoğlu<br />
Prof. Dr. Memmedağa Memmedli<br />
Prof. Dr. Zehra Muluk<br />
Prof. Dr. Müjgan Tez<br />
Prof. Dr. Veysel Yılmaz<br />
Doç. Dr. Mehtap Akçil<br />
Doç. Dr. Esra Akdeniz Duran<br />
Doç. Dr. Süleyman Dündar<br />
Doç. Dr. Sevgi Öncel<br />
Doç. Dr. Fatih Tank<br />
"Zaman Serileri" Akademik Bölüm Danışmanı<br />
Prof. Dr. Reşat Kasap<br />
Görsel Yönetmen<br />
Bülent Doğuer<br />
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Dil Özeni<br />
Mehmet Taner<br />
Fotoğraflar<br />
Murat Pala<br />
ISSN: 2146-2976<br />
Gezgin Karakter Çizimleri<br />
Mustafa Yurt<br />
Tasarım ve Baskı<br />
On Ofset Ambalaj, Yayıncılık, Matbaacılık, Reklamcılık Tic. Ltd. Şti.<br />
Erciyes İşyerleri 201. Cadde No: 53,<br />
06370 İstanbul Yolu, Macunköy-YenimahalleANKARA<br />
Tel: (0.312) 397 87 87<br />
www.onofset.com > www.onmedya.web.tr<br />
Her hakkı saklıdır. n'den N'ye Gezinti istatistik dergisi,<br />
M.A.G.T.E.G'in lisansıyla yayınlanmaktadır.<br />
Dergide yer alan haber, makale, fotoğraf ve illustrasyonların elektronik ortamlar<br />
dahil olmak üzere çoğaltılma hakları n'den N'ye Gezinti istatistik dergisi ve<br />
M.A.G.T.E.G'e aittir. Dergide yayınlanan yazıların hukuki sorumlulukları<br />
yazarlarına aittir. Yazılı izin olmaksızın çoğaltılması yasaktır.<br />
n'den N'ye Gezinti istatistik dergisi basın meslek ilkelerine uymaktadır.<br />
İçindekiler<br />
01 Editörden<br />
04<br />
26 Akademik<br />
Geleneksel<br />
Ekonometri ve<br />
Vektör Otoregressif<br />
Modeller<br />
64 İstatistik<br />
Çeşitlemeleri<br />
Sinemasal Bir Anket Üzerine<br />
Düşünceler<br />
Haber<br />
Güncel 08<br />
30 Akademik<br />
Zaman Serilerinde<br />
Kaos ve Kaotik<br />
Yapının Tespiti<br />
Üzerine<br />
68 İstatistik<br />
Çeşitlemeleri<br />
Hayvanlara<br />
Yapılan Zulümlerin<br />
İstatistiği<br />
Akademik<br />
Zaman Serileri<br />
Analizi: Genel<br />
Yaklaşım<br />
42<br />
Araştırma İnceleme<br />
İstatistik Bölümü<br />
Öğrencilerinin İstatistik<br />
Bölümlerinden Duyduğu<br />
Memnuniyet Üzerine Bir<br />
Araştırma<br />
70 İstatistik<br />
74 Çeşitlemeleri<br />
Derin Ekoloji<br />
16 Akademik<br />
20 Bayesci Zaman Serisi<br />
Analizleri<br />
48<br />
Doğanın<br />
Büyük İstatistikçiler<br />
52 Ölçümöteyi Arayan Adam<br />
Prof. Dr. Necati İşçil<br />
Önemi ve<br />
İnsanın Doğa ile Olan<br />
Bağı Üzerine Alıntılar<br />
Akademik<br />
Olasılıklı ve<br />
Olasılıklı<br />
Olmayan Zaman<br />
Serileri Kestirim<br />
Yöntemleri<br />
İstatistik<br />
78 İstatistik<br />
Soruları 86 Mantık<br />
Problemleri 88 Rogo<br />
Bulmaca<br />
Çeşitlemeleri<br />
Matematik ve İnsan
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Hangi Ülkede Anne Olmak<br />
Daha İyi?<br />
165 ülke için oluşturulan yıllık Annelik endeksi<br />
bu yıl 13. kez kadınlar ve çocukları<br />
için sağlık, eğitim ve ekonomik durumu<br />
ortaya koyuyor.<br />
Bu yıl Norveç birinci sırada, Nijer ise sonuncu<br />
sırada. ABD, 43 gelişmiş ülke arasında<br />
25. Sırada.<br />
Dünya Çocuklarının Yarısından Fazlasının Hayat Kurtaran Altılıya Erişimi Yok<br />
Hamilelik boyunca demir ve<br />
folik asit desteği<br />
Anne sütü ile emzirme b<br />
Tamamlayıcı besleme<br />
A vitamini desteği<br />
İshal tedavisi için çinko desteği<br />
Temiz su1 , besin güvenliği2 ve<br />
sağlık bilgisi3 (Anne)<br />
(Çocuk)<br />
(Çocuk)<br />
(Çocuk)<br />
Lejant: Gelişmekte olan ülkelerde ortalama uygulama oranı,<br />
Tam uygulanması durumunda hayat kurtarma fırsatı,<br />
b İlk 6 ay diğerlerini dışlayan şekilde, 6-11 aylar arası her türlü emzirme<br />
+ Asya’da yenidoğanların desteklenmesi bu oranı yüzde 7’ye kadar çıkarır.<br />
Türk Jinekoloji ve Obstetrik O Derneği Yönetim Kurulu Üyesi<br />
Prof. Dr. Fazlı Demirtürk, Türkiye'de 1990 yıllarda anne ölüm<br />
hızının 100 binde 68 olduğunu söyledi.<br />
Çalışmalar sonucu 2006'da 100 binde 28,5 olan anne ölüm<br />
hızı 2011'de 100 binde 14,8'e kadar gerilediğine dikkati çeken<br />
Demirtürk, böylece Türkiye'nin, anne ölüm oranlarında<br />
dünyada en hızlı düşüş gösteren 10 ülke arasına girdiğini<br />
dile getirdi.<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
10<br />
HABER<br />
GÜNCEL<br />
2012 ANNELİK ENDEKSİ SIRALAMASI<br />
Norveç<br />
İzlanda<br />
İsveç<br />
Yeni Zelanda<br />
Danimarka<br />
Finlandiya<br />
Avustralya<br />
Belçika<br />
İrlanda<br />
Hollanda / Birleşik Krallık<br />
156<br />
156<br />
156<br />
159<br />
160<br />
161<br />
162<br />
163<br />
164<br />
165<br />
Kongo Dem. Cum.<br />
Güney Sudan<br />
Sudan<br />
Çad<br />
Eritre<br />
Mali<br />
Gine – Bissau<br />
Yemen<br />
Afganistan<br />
Nijer<br />
Türkiye’de<br />
Anne Ölümleri<br />
Anne ölüm nedenlerinde ilk sırayı “kanama”nın aldığını, bunu<br />
enfeksiyon, gebelik zehirlenmesi, emboli ve anesteziye ait<br />
komplikasyonların izlediğini belirten Demirtürk, diyabet, kalp<br />
hastalıkları, anemi ve kazaların da diğer nedenler arasında<br />
yer aldığını anlattı.<br />
İleri yaşta anne ölümlerinin daha yüksek olduğuna işaret<br />
eden Demirtürk, anne ölümlerinin eğitim düzeyiyle ters<br />
orantılı olduğu ifade etti.<br />
10. Uluslararası İstatistik<br />
Öğrenci Kolokyumu<br />
Türk İstatistik Derneği’nin<br />
katkılarıyla Muğla Sıtkı<br />
Koçman Üniversitesi’nde<br />
18-19 Mayıs 2013 tarihleri<br />
arasında gerçekleştirilecek.<br />
İstatistik Öğrenci Kolokyumu,<br />
istatistik bölümü<br />
öğrencilerini bir araya getirerek,<br />
bilgi akışına ve paylaşımına<br />
zemin hazırlamak,<br />
bilimsel bir tartışma ortamı<br />
yaratmak, istatistikçi kimliğinin<br />
oluşmasına katkı<br />
sağlayacak bir platform<br />
oluşturmayı amaçlamaktadır.<br />
1. Ulusal Sigorta ve<br />
Aktüerya Kongresi<br />
1. Ulusal Sigorta ve Aktüerya<br />
Kongresi, Başkent Üniversitesi,<br />
Ticari Bilimler Fakültesi’nin ev<br />
sahipliğinde Ankara'da 06-07<br />
Haziran 2013 tarihleri arasında<br />
gerçekleştirilecektir. Kongre, sigortacılık<br />
sektörünün tüm aktörleri<br />
ile sigortacılık ve aktüerya ile<br />
ilgili akademik çalışma sürdüren<br />
bilim insanlarını bir araya getirmeyi<br />
hedeflemektedir.<br />
8. Uluslararası<br />
İstatistik<br />
Kongresi<br />
Türkiye İstatistik Derneği ve Karadeniz<br />
Teknik Üniversitesi'nin organizasyonunda<br />
27-30 Ekim 2013 tarihleri arasında<br />
8. Uluslararası İstatistik Kongresi düzenlenecektir.<br />
Kongre ile istatistik biliminde çok geniş bir konu yelpazesinde,<br />
yapılmış olan bilimsel çalışmaların farklı meslek<br />
grubu mensupları ile paylaşılması ve her alanda yer alan<br />
istatistik biliminin ileriye yönelik olarak çok daha bilinçli bir<br />
şekilde kullanımının sağlanması hedeflenmektedir.<br />
XIV. Uluslararası<br />
Ekonometri, Yöneylem<br />
Araştırması ve İstatistik<br />
Sempozyumu<br />
Dumlupınar Üniversitesi Ekonometri Bölümü tarafından<br />
24-28 Mayıs 2013 tarihleri arasında ilk defa yurt dışında<br />
Bosna Hersek'in başkenti Saraybosna'da düzenlenecektir.<br />
Sempozyumun en önemli amacı Ekonometri, Yöneylem<br />
Araştırması ve İstatistik alanlarında teorik ve ampirik çalışmaları<br />
teşvik etmek ve bu alanlarda çalışma yapan bilim<br />
insanlarını bir araya getirerek bilgi paylaşımını arttırmaktır.<br />
I. Genç İstatistikçiler<br />
Sempozyumu<br />
I.Genç İstatistikçiler Sempozyumu<br />
(GİS 2013), Hacettepe Üniversitesi<br />
Fen Fakültesi İstatistik Bölümü<br />
ev sahipliğinde,10-11 Eylül 2013 tarihlerinde Hacettepe<br />
Üniversitesi Beytepe Yerleşkesi Tunçalp Özgen Kongre ve<br />
Kültür Merkezi’nde düzenlenecektir.<br />
Sempozyum, 40 yaşından gün almamış tüm akademisyen<br />
ve uygulamacıları birbirleri ile fikir alışverişinde bulunabilecekleri<br />
ve teorik ya da pratik düzeyde çalışmalarını<br />
birbirleri ile paylaşabilecekleri platform oluşturmayı amaçlamaktadır.<br />
I. Araştırmacılar ve<br />
İstatistikçiler Kongresi<br />
I. Araştırmacılar ve İstatistikçiler<br />
Kongresi (AİK2013) 12-13 Eylül<br />
2013 günlerinde Hacettepe<br />
Üniversitesi Beytepe Yerleşkesi<br />
Tunçalp Özgen Kongre ve Kültür<br />
Merkezi’nde düzenlenecektir.<br />
04 05
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
11. Uluslararası<br />
Veri Zarflama<br />
Analizi<br />
Konferansı<br />
(DEA 2013)<br />
Gazi Üniversitesi İstatistik Bölümü ve Samsun On<br />
Dokuz Mayıs Üniversitesi İstatistik Bölümü önemli bir<br />
organizasyona ev sahipliği için hazırlanıyor. 11. Uluslararası<br />
Veri Zarflama Konferansı bu yıl Gazi Üniversitesi<br />
ve Samsun On Dokuz Mayıs Üniversitesi ev<br />
sahipliğinde Samsun’da gerçekleştirilecek. Organizasyon<br />
komitesinde Gazi Üniversitesi İstatistik Bölümü<br />
öğretim üyelerinden Prof. Dr. Hasan BAL ve Prof. Dr.<br />
İhsan ALP, On Dokuz Mayıs Üniversitesi İstatistik Bölümü<br />
öğretim üyelerinden Doç. Dr. M. Ali CENGİZ ve<br />
Prof. Dr. Faruk ALPASLAN, Temple Üniversitesinden<br />
Rajiv BANKER ve İngiltere’den Ali EMROUZNEJAD<br />
yer almaktadır.<br />
Veri Zarflama Analizi Nedir?<br />
Veri Zarflama Analizi benzer çoklu girdiler kullanarak<br />
benzer çoklu çıktılar üreten birimlerin göreli etkinliklerini<br />
ölçmede kullanılan parametrik olmayan doğrusal programlama<br />
tabanlı bir tekniktir. Birimlerin performansını<br />
belirlemede kullanılarak en iyi performansa sahip birimi<br />
tespit ettikten sonra diğerlerinin en iyi durumdaki<br />
birime göre konumlarını belirlemeye yarayan bir yaklaşımdır.<br />
Girdileri ve çıktıları olan her organizasyon ile<br />
ilgili performansı belirlemede kullanıldığı için uygulama<br />
alanı çok geniştir. İstatistiksel tekniklerle birlikte uygulandığı<br />
birçok çalışma bulunmaktadır.<br />
Alican ÖZER<br />
Gazi Üniversitesi İstatistik Bölümü<br />
DEA Topluluğu<br />
HABER<br />
GÜNCEL<br />
DEA topluluğu, Veri Zarflama Analizinin hem teorik<br />
hem de uygulama bakımından gelişmesine öncülük<br />
eden bir topluluktur. Topluluk konu ile ilgili farklı ülkelerden<br />
saygın bilim adamlarından oluşmaktadır. Bunlar<br />
arasında bu konuyu ilk bulan ve geliştirenlerde yer<br />
almaktadır. Veri Zarflama Analizin konusunda düzeyli<br />
özgün bir dergi çıkmaktadırlar. Bu topluluk her yıl bir<br />
ülkede olmak üzere çeşitli konferanslar düzenlemekte<br />
ya da öncülük etmektedir.<br />
11. Uluslararası Veri Zarflama Analizi<br />
Konferansı’nda (DEA 2013) bizi neler<br />
bekliyor...<br />
DEA 2013, Veri Zarflama Analizi(VZA)’nin hem metodolojisi<br />
ve hem de kamu ve özel sektördeki uygulamalarıyla<br />
ilgilenen araştırmacıları ve uygulamacıları bir<br />
araya getirmeyi hedeflemektedir. Her yıl farklı bir ülkede<br />
yapılan konferans bu yıl ülkemizde gerçekleşecektir.<br />
Konferansa VZA ve etkinlik analizi ile ilgili teorik ve uygulamalı<br />
çalışmalar kabul edilmektedir. Ayrıntılı olarak,<br />
Gelişmekte Olan Ekonomiler ve Finans, Bankacılık, Eğitim,<br />
Enerji, Sağlık, Ulaşım, Turizm vb. sektörlerle ilgili<br />
uygulama çalışmaları da beklenmektedir. DEA 2013<br />
konferansının ilk gününde bu uygulama konularıyla ilgili<br />
davetli uzmanların da katılacağı bir çalıştay gerçekleş-<br />
tirilecektir. Daha ayrıntılı bilgiye internet sayfasından<br />
ulaşabilirsiniz. http://www.deasociety.org/dea2013/<br />
Konferansın Türkiye’de Yapılması<br />
Süreci<br />
Son dönemde gelişen ekonomisi ile Türkiye yurt dışından<br />
çok iyi görülüyor. Bunun DEA topluluğuna yansıması<br />
da aynı şekilde olmuş. İki yıl önce Selanik-Yunanistan<br />
da DEA 2011 konferansında bu topluluğun önde gelenlerinin<br />
Türkiye’yi merakıyla başlayan süreç,Prof. Dr.<br />
Hasan BAL’ındiğer çalışma arkadaşlarıyla görüşmeleri<br />
ve topluluğa teklifleri sonucunda Türkiye’de yapılma<br />
kararı alınmış.<br />
Konferansın Hazırlık Süreci<br />
Konferansın hazırlıkları son hızıyla devam ediyor. Hazırlık<br />
komitesi sponsor arayışı içinde. Şu ana kadar da<br />
Gazi Üniversitesi, On dokuz mayıs Üniversitesi, Tübitak<br />
, iDEAs ve T.C. Ziraat Bankası ile Halk Bankası gibi<br />
kurumlar sponsorluk desteği veriyor fakat uluslar arası<br />
olması hem de istatistiği de yakından ilgilendirmesine<br />
rağmen Türkiye İstatistik Kurumu(TUİK) ile Bilim ve<br />
Teknoloji genel müdürlüğü gibi kurumlar sponsorluk<br />
sağlamamışlar bu da organizasyon komitesini bir hayli<br />
üzmüş.<br />
Gazi Üniversitesi, Samsun On dokuz Mayıs Üniversitesi<br />
ve Uluslararası iDEAs topluluğunun birlikte düzenleyeceği<br />
11. Uluslararası Veri Zarflama Analizi Konferansı<br />
(DEA 2013) 27-30 Haziran, 2013 tarihlerinde Samsun<br />
On dokuz Mayıs Üniversitesi Tepe Otelde yapılacaktır.<br />
Organizasyon komitesi sizleri uluslararası bir organizasyona<br />
ev sahipliği yapmanın verdiği mutlulukla,<br />
Samsun’a davet ediyor, maddi ve manevi desteğinizi<br />
bekliyorlar.<br />
06 07
08<br />
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Reşat KASAP<br />
Gazi Üniversitesi,Fen Fakültesi,<br />
İstatistik Bölümü<br />
Zaman Serileri Analizi:<br />
Genel Yaklaşım<br />
Zaman Serileri/Dizileri<br />
Aynı zamanda bir stokastik süreç olarak, zamana<br />
indekslenen Z(w, t) rastgele değişkenler ailesi olarak<br />
adlandırılır, örnek uzaya ve t ise indeks setine<br />
aittir. t sabiti için Z(w, t), bir rastgele değişkendir.<br />
Verilen bir w için Z(w,t), t’nin fonksiyonu olarak,<br />
bir örnek veya gerçekleşme olarak adlandırılır.<br />
Bütün mümkün gerçekleşmelerden ibaret olan<br />
yığın, stokastik süreçlerde veya zaman dizilerinde<br />
topluluk ya da takım olarak adlandırılır. Buna göre,<br />
zaman dizileri, stokastik süreçlerden bir gerçekleşme<br />
veya örnek fonksiyondur. {Z(w,t): t = 0,<br />
±1, ±2, ... }<br />
Değişkenin zamana göre aldığı değerleri gösteren<br />
seriler, zaman serileri olarak adlandırılır.<br />
Bir zaman serisi, zaman içinde gözlenen ölçümlerin<br />
bir dizisidir. Günlük, Haftalık, Aylık, Üç aylık,<br />
Altı aylık, Yıllık veriler, zaman serilerine örnek olarak<br />
verilebilir. Zaman serilerinde hiç bir döneme<br />
ait veri, eksik olmamalıdır.<br />
Zaman Serilerinde Amaç<br />
Zaman serileri çeşitli amaçlar için analiz edilirler;<br />
Bunlar içinde en önemlisi serilerin geleceğe yönelik<br />
tahmin (kestirim) amacıyla incelenmesidir,<br />
Dizinin belli başlı özelliklerinin ortaya çıkarılması<br />
amaçlanabilir,<br />
Açıklama amaçlı olabilir. Birkaç değişken için zaman<br />
dizisi toplanmışsa, dizinin birinde meydana<br />
gelen değişmeler diğer dizilerdeki değişmeyi de<br />
açıklayabilir veya<br />
Sistem kontrol amaçlıdır. seriyi oluşturan olayın<br />
AKADEMİK<br />
işleyiş mekanizmasını ortaya koymak veya geçmiş<br />
olaylardan elde edilen bilgileri kullanarak sistemin<br />
planlanan yönde gelişmesini sağlamak ve<br />
sistemi kontrol etmek mümkündür.<br />
Zaman Serilerinde Değişim Sebepleri: Trend,<br />
Mevsim dalgalanmaları, Konjonktür dalgalanmaları,<br />
Rastgele/Tesadüfi hareketler.<br />
Trend: Uzun dönem hareketi. Serinin uzun dönemde<br />
belirli yöne doğru gösterdiği gelişme temayül,<br />
eğilim.<br />
Mevsimsel Dalgalanmalar: Seride iklim, sosyal<br />
vb. sebeplerle tekerrür eden devri hareketler<br />
Konjonktür Dalgalanmaları: Mevsim dalgalanmalarına<br />
benzer. Devreleri uzun ve belirsizdir. Konjonktür<br />
dalgalanmaları diğer faktörlerin seriden çıkarılmasıyla<br />
belirlenir.<br />
Rastgele/Tesadüfi hareketler:<br />
Tesadüfi<br />
Mevsimsel<br />
Zaman Serilerinin Sınıflandırılması<br />
Geçmişe ait verileri kullanarak gelecekle ilgili tahminler<br />
yapmak İstatistiğin amaçlarındandır. Bu tahmin<br />
yöntemlerinin basitten karmaşık veri analizine kadar<br />
birçok çeşidi vardır. Bu yöntemlerden biri de Zaman<br />
Serileri Analizidir.<br />
Tahmin-Estimation, Öngörü-Prediction, Kestirim- Forecasting<br />
Doğrusal - Durağan<br />
Doğrusal - Durağan Olmayan<br />
Doğrusal Olmayan<br />
Kaotik<br />
Zaman Ortamı-Frekans Ortamı/Spektral Analiz<br />
Mevsimsel-Mevsimsel olmayan<br />
Tek değişkenli-Çok değişkenli<br />
Buna göre, farklı ortamlarda grafikleri çizilmiş zaman<br />
serileri örnek olarak aşağıda verilmektedir.<br />
Durağan Zaman Serisi<br />
Ortalama Durağan Olmayan Seri<br />
Varyans Durağan Olmayan Seri<br />
Varyans ve Ortalama Durağan Olmayan<br />
Serisi<br />
Mevsimsel Durağan Olmayan Seri<br />
Doğrusal Olmayan Serisi<br />
800<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0<br />
1<br />
33 65 97 129 161 193 225 257 289<br />
17 49 81 113 145 177 209 241 273 305<br />
Kaotik Seri
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Zaman Serileri Analizinde Takip Edilen Aşamalar:<br />
Zaman Serilerinde Box-Jenkins<br />
Yaklaşımı<br />
Doğrusal durağan ve durağan olmayan zaman dizilerinde,<br />
modeller, Otoregressif (AR), Hareketli Ortalama<br />
(MA) ve Otoregressif tamamlanmış Hareketli<br />
Ortalama (ARIMA) modelleri olarak adlandırılır. Box<br />
ve Jenkins, 1970 yılında otoregresif modellerle hareketli<br />
ortalama modelinin birleşimi olan ARIMA<br />
yöntemini geliştirmişlerdir. Literatürde Box-Jenkins<br />
metodu adı altında geçen bu teknik; tanımlama, tahmin<br />
ve testlerden oluşan üç aşamalı bir yöntemdir.<br />
Otoregresif ve hareketli ortalama modellerinin bileşimi<br />
olduğu için bu modeller hakkındaki tüm bilgilerin<br />
bir arada kullanılmasına dayanmaktadır.<br />
Modeller<br />
Bu kısımda otoregresif modeller, hareketli ortalama<br />
modeli ve otoregresif hareketli ortalama modeli ile<br />
otoregresif tamamlanmış hareketli ortalama modellerinden<br />
kısaca bahsedilmektedir. Devam eden<br />
kısımlarda ise modelleme süreci ve kestirime yer<br />
verilmiştir.<br />
Otoregresif (AR) modeller<br />
AKADEMİK<br />
Otoregresif model, bir zaman dizisinin önceki dönemleri<br />
cinsinden ifade edilmesiyle oluşur. Buna göre AR<br />
modeli kapsadığı dönemler cinsinden tanımlıdır. Eğer<br />
AR modeli 1 geçmiş dönem içeriyorsa 1.dereceden,<br />
p geçmiş dönem içeriyorsa p.dereceden AR modeli<br />
olarak adlandırılır. AR(p) modelinin genel ifadesi aşağıdaki<br />
gibidir:<br />
Z =f Z +f Z + f Z +...+ f Z +A t 1 t-1 2 t-2 3 t-3 p t-p t<br />
veya B geriye doğru öteleme operatörü olmak üzere<br />
BZ = Z , B t t-1 2Z = Z ,... B t t-2 k Z =Z ve f (B)=1-f t t-k 1<br />
B - f B 2 2 -... -f B p p olmak üzere, f (B) Z =A t t<br />
biçimindedir. Burada Z , Z ,..., Z değerleri, her göz-<br />
t t-1 t-p<br />
lem değerinin μ‘den farkı alınarak (Burada Z orijinal<br />
t<br />
diziyi temsil etmek üzere Z =Z -μ) elde edilmekte-<br />
t t<br />
dir. f , f ,..., f modelin bilinmeyen fakat tahmin<br />
1 2 p<br />
edilecek parametreleridir. p, modelin derecesi ve At ise ortalaması 0 ve varyansı s2 olan beyaz gürültü<br />
süreci olarak tanımlanır.<br />
AR modelinin durağanlık koşulu, f(B)=0 polinomunun<br />
köklerinin birim çemberin dışında kalmasıyla<br />
sağlanır. AR modeli her zaman tersi alınabilirlik koşulunu<br />
sağlar. Tersi alınabilirlik koşulu ise MA modelinin<br />
AR modeli için aranan durağanlığa benzer bir<br />
özelliğidir.<br />
Hareketli ortalamalar (MA) modeli<br />
Eğer, aynı dönemdeki hata terimi ve daha önceki dönemdeki<br />
hata terimleri cinsinden ifade edilebiliyorsa,<br />
tanımlanan model MA modelidir. Yani MA modeli<br />
içerdiği geçmiş dönem hata terimi sayısına göre ifade<br />
edilir. Buna göre model 1.dereceden hata terimi<br />
içeriyor ise MA(1) modeli, q sayıda hata terimi içeriyorsa<br />
MA(q) olarak adlandırılır.<br />
Z =A -q A -q A -...-q A t t 1 t-1 2 t-2 q t-q<br />
B operatörü cinsinden model ; Z t -Q(B)A t şeklinde<br />
yazılır. Q(B)-1-q 1 B 1 -...q q B q sürecin bu formu, q.inci<br />
düzeyden MA süreci, MA(q) olarak tanımlanır. Burada<br />
q 1 , q 2 ,..., q q , modelin tahmin edilecek parametreleridir.<br />
q ise MA modelinin derecesini göstermektedir.<br />
MA modelleri her zaman durağanlık koşulunu<br />
sağlarlar. Ancak, modelin tersi alınabilirlik koşulu,<br />
Q(B)=0 polinomunun köklerinin birim çemberin dışında<br />
kalmasıyla sağlanır.<br />
Otoregresif hareketli ortalamalar<br />
(ARMA) modeli<br />
Söz konusu model AR ve MA modellerinin bir kar-<br />
ması olup, p.inci dereceden AR ve q.inci dereceden<br />
MA modellerinin karma modeli ARMA(p,q) şeklinde<br />
ifade edilir.<br />
Z =f Z +f Z +...+f Z +A -f A -f A -...<br />
t 1 t-1 2 t-2 p t-p t 1 t-1 2 t-2<br />
f A veya f(B)Z - Q(B)A olarak gösterilir. Burada;<br />
q t-q t t<br />
f(B) -1-f B-f B 1 2 2-...-f B p p ve Q(B)=1-f B 1 1-...-f B p q<br />
şeklindedir.<br />
ARMA modellerinin de durağanlık ve tersi alınabilirlik<br />
koşulu f(B)=0 Q(B)=0 köklerinin birim çember<br />
dışında kalmasıyla sağlanır.<br />
Otoregresif tamamlanmış hareketli<br />
ortalamalar (ARIMA) modeli<br />
Uygulamada karşılaşılan zaman dizileri çoğunlukla<br />
durağan olmayan bir yapıya sahiptir. Bu dizilerin durağanlığı<br />
trend, mevsimsel ve konjonktürel dalgalanmalar<br />
ve rastgele gibi etkenler tarafından bozulması<br />
mümkündür. Söz konusu durağan dışılık ortalamada<br />
ve varyansta olmak üzere iki farklı şekilde görülebilmektedir.<br />
Bir zaman dizisi ortalamada durağan dışı<br />
olup varyansta durağan veya varyansta durağan dışı<br />
olup, ortalamada durağan ya da her ikisinde de durağan<br />
dışı olabilir. Durağanlığın sağlanabilmesi için adı<br />
geçen etkenlerin önceden belirlenmesi ve yok edilmesi,<br />
kısaca durağan olmayan bir zaman dizisinin<br />
durağan hale dönüştürülmesi gerekmektedir. Box-<br />
Jenkins metodunda durağan dışılığın belirlenmesi,<br />
dizinin zamana göre grafiği, ACF ve PACF grafikleri<br />
incelenerek kabaca belirlenmeye çalışılmaktadır.<br />
Ancak, son yıllarda ortalamada durağan dışılığın belirlenmesinde<br />
birim kök (unit-root) testleri de önemli<br />
bir yöntem olarak kullanılmaktadır. Bununla birlikte,<br />
uygulamada yapay sinir ağlarında yapılan çalışmalarda<br />
durağan dışılığın belirlemesinde genel olarak Box-<br />
Jenkins yaklaşımı tercih edildiğinden, bu çalışmada<br />
da aynı bakış açısı benimsenmiştir.<br />
Varyansta durağan olmayan bir zaman dizisi için varyans<br />
düzgünleştirme terimi kullanılır. Fakat dizi ortalamada<br />
durağan değil ise dizinin uygun derecede<br />
farkları alınarak durağanlıkları sağlanabilir.<br />
ARIMA modeli gerekli sayıda farkı alınmış olan dizilere<br />
uygulanan AR ve MA modellerinden oluşan<br />
modellerdir. Otoregresif parametresinin derecesi p,<br />
10 11
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
hareketli ortalama parametresinin derecesi q ve d<br />
ise alınan fark sayısı olmak üzere, bu modele (p,d,q)<br />
dereceden otoregresif tamamlanmış hareketli ortalama<br />
modeli adı verilir ve ARIMA (p,d,q) olarak ifade<br />
edilir. Genel ARIMA (p,d,q) modeli, fark alma operatörü<br />
=Z – Z ve W = t t-1 t dZ olmak üzere<br />
t<br />
f(B) W =q(B)A t t<br />
şeklinde yazılabilir. Burada, W farkı alınmış diziyi<br />
t<br />
temsil etmektedir. ARIMA modellerinde durağanlık<br />
koşulları ARMA modellerinde olduğu gibidir.<br />
Bu aşamadan sonra, mevsimsel ve mevsimsel olmayan<br />
fark dönüşümleri de dikkate alınarak, en<br />
genel tek değişkenli model dereceleri kısaca (p,d,q)<br />
X(P,D,Q) şeklinde ifade edilir. Burada, (p,d,q) mevsimsel<br />
olmayan yapıyı, (P,D,Q) ise mevsimsel yapıyı<br />
göstermektedir. Buna göre mevsimsel modelin genel<br />
ifadesi;<br />
q (B)Q (B p p s )Dd D D Zt =q (B)Q (B s q Q s )At biçimindedir. Burada, F (B p s ) ve Q (B Q s ) sırasıyla P ve<br />
Q dereceden B’nin mevsimsel polinomlarını gösterir.<br />
D d D , mevsimsel fark alma operatörü, D ise d’inci<br />
S<br />
dereceden mevsimsel olmayan fark alma operatörüdür.<br />
Bu modellerde durağanlık şartları daha önce<br />
incelenen modellerde olduğu gibidir. Buna göre en<br />
genel haliyle durağan olan-olmayan ve mevsimsel<br />
olan-olmayan doğrusal zaman dizileri sembolik olarak<br />
SARIMA(p,d,q)X(P,D,Q)s şeklinde yazılabilir.<br />
Bilindiği gibi ortalamada durağan dışılık, fark alma<br />
işlemleriyle durağanlaştırılmaya çalışılırken, varyansta<br />
durağan dışılığın ortadan kaldırılabilmesi için güç<br />
fonksiyonu adı verilen bir teknik kullanılır. Söz konusu<br />
varyans düzgünleştirme işlemi için güç fonksiyonu<br />
aşağıdaki gibi tanımlanır:<br />
Box-Cox dönüşümü olarak da adlandırılan bu dönüşümde<br />
, dönüşüm parametresidir.<br />
Durağan olmayan bir zaman dizisini durağan hale<br />
getirmek için dikkatli olunmalıdır. Gereksiz ya da eksik<br />
yapılacak dönüşüm veya ihtiyaç olmadığı halde<br />
alınacak bir fark yanlış modelleme süreci oluştura-<br />
AKADEMİK<br />
bilir. Öncelikli olarak varyansta durağanlaştırma dönüşümleri<br />
uygulanır daha sonra ortalamada durağan<br />
dışılık ortadan kaldırılır.<br />
Model Belirleme ve Kestirim Süreci<br />
Bu düşüncenin temeli, Box-Jenkins yaklaşımı, model<br />
tespitinde genellikle zaman dizilerinin ACF ve PACF<br />
yapılarının incelenmesiyle uygun (p,q) düzeyinin<br />
seçilmesi yaklaşımı olarak görülebilir. Şekil 2.1’den<br />
görülebileceği gibi özetle ARMA modelinin belirlenmesinde,<br />
ACF ve PACF ’nin davranışları aşağıdaki<br />
gibi ifade edilebilir:<br />
a. ACF AR(p) modeli için üstel veya sinüsoidal olarak<br />
azalır, fakat MA(q) modeli için q gecikmeden sonra<br />
aniden kesilir.<br />
b. PACF, AR(p) modeli için p gecikmeden sonra aniden<br />
kesilirken, MA(q) modeli için üstel veya sinüsoidal<br />
olarak giderek azalır.<br />
c. ARMA(p,q) modeli için ACF ve PACF birlikte tamamen<br />
ortadan kalkar. (p-q) gecikmeden sonra<br />
azalırlar.<br />
Buradan hareketle Box-Jenkins metodu, model belirleme<br />
aşaması için 3 adım kuralını uygular. Bunlar:<br />
1. Durağanlığın incelenmesi ve durağan dizinin<br />
elde edilmesi: Bilindiği gibi Box-Jenkins yaklaşımıyla<br />
durağanlığın incelenmesi, dizinin grafiği,<br />
ACF ve PACF grafikleri çizilerek belirlenmeye çalışılır.<br />
Buna göre öncelikle durağan olmayan bir<br />
dizinin ACF grafiği, yavaş azalan ve alt ve üst sınırları<br />
genişleyerek artan bir yapıya sahiptir. PACF<br />
grafiği ise sınırlar bakımından benzer yapıya sahip<br />
olmakla beraber çoğunlukla ilk katsayının görüntüsü<br />
grafikte bire yakın bir yapıdadır. Yalnızca durağan<br />
diziler istatistiksel anlamlı ACF ve PACF‘ ye<br />
götürür. Durağan olmayan diziler bu yüzden uygun<br />
fark alma yöntemlerinin uygulanmasıyla durağan<br />
dizilere dönüştürülmek zorundadır.<br />
2. ACF ve PACF ‘nin grafiksel davranışlarının, hareketlerinin<br />
incelenmesi : ACF ya da PACF ‘nin salınımlı<br />
olarak azalması AR ya da MA süreçlerini<br />
içerir. Eğer her ikisinde de (ACF ve PACF) salınımlı<br />
düşüş varsa bu, karma bir ARMA sürecini belirtir.<br />
3. AR ve MA süreç düzeyinin belirlenmesi: Sıfırdan<br />
farklı anlamlı otokorelasyon ve/veya kısmi otokorelasyonların<br />
sayısıyla, AR düzeni için p, PACF yapısından<br />
ve MA düzeni için de q, ACF yapısından<br />
belirlenir. Gecikme değerleri için hesaplanan ACF<br />
ve PACF katsayıları, çizilen korelogramda<br />
±NT aralıkları dışında kalıyorsa, ACF ve PACF<br />
katsayı değerinin anlamlı olduğu söylenebilir.<br />
Zaman dizilerinde modelleme aşamasında modelin<br />
kabaca derecesinin belirlenmesinden sonra sıra<br />
parametrelerinin tahmin edilmesine gelir. Parametre<br />
tahmini genel olarak üç farklı başlık halinde<br />
düşünülebilir; momentler yöntemi, en çok olabilirlik<br />
yöntemi ve bilinen en küçük kareler yöntemi. Burada<br />
kullanılan tahmin yöntemi en çok olabilirlik yöntemi<br />
olacaktır. Buna göre koşullu en çok olabilirlik yöntemi<br />
durağan ARMA (p,q) modeli göz önüne alındığında<br />
ortak olasılık yoğunluk fonksiyonu;<br />
Buradan en çok olabilirlik fonksiyonu;<br />
Burada S(f ,m ,q), koşullu kareler toplamı fonksiyonu<br />
olarak adlandırılır ve aşağıdaki gibi tanımlanabilir;<br />
Bu yazılış, genellikle istatistiksel paket programlarında<br />
kullanılan ifadedir. Burada f, m ve q ’nın parametre<br />
tahminlerini elde ettikten sonra, At’nin tahmin<br />
2 edilen varyansı, s bulunur.<br />
A<br />
olur. Burada serbestlik derecesi (s.d.)= n-(2p+q+1)<br />
olarak yazılır.<br />
Bu aşamada, elde edilen modelin uygun olup olmadığının<br />
incelemesi yapılır. Modelin uygunluğunun<br />
incelenmesi ise modelin tamamında yapılan bir<br />
incelemedir. Bu incelemeler artıklara dayalı bir in-<br />
celemedir. A sürecinin beyaz gürültü süreci olma<br />
t<br />
varsayımı, normal dağılıp dağılmadığı, hatalara ilişkin<br />
otokorelasyonların sıfır olup olmadığına cevap aranır.<br />
Uygun bir modelin ACF ve PACF’ lerinin grafiklerinin<br />
beyaz gürültü sürecinin ACF ve PACF’ lerinin yapısında<br />
görmek isteriz.<br />
Modelin uygunluğunun incelenmesi üzerinde bir<br />
başka yaklaşım ise artıkların örnek ACF’ leri için kullanılan<br />
test istatistiklerinin yapılmasıdır. Bunun için<br />
hipotez aşağıdaki gibi kurulur:<br />
H : P (A)=P (A)=.......................=P (A)=0<br />
0 1 2 k<br />
H : Bunların en az biri sıfır değildir.<br />
1<br />
Bu, aynı zamanda şuna karşılık gelir.<br />
H : Model uygundur.<br />
0<br />
H : Model uygun değildir.<br />
1<br />
r (A) artıklara ilişkin k. gecikme için tahmin edilen<br />
k<br />
otokorelasyon katsayısı olsun. Box-Pierce (1970)<br />
tarafından geliştirilen ve yaygın olarak kullanılan Q<br />
istatistiği, modelin uygunluğunun test edilmesinde<br />
kullanılmaktadır. Bu test istatistiği ;<br />
dır. Burada; n, birim sayısını, L artıklara ilişkin elde<br />
edilen otokorelasyon sayısını ve M modeldeki toplam<br />
parametre (M=p+q) sayısını göstermektedir.<br />
Hesaplanan Q değeri ki-kare tablo değerinden küçükse,<br />
bulunan modelin uygun model olduğuna karar<br />
verilir. Aksi durumda yani tablo değerinden büyük ise<br />
modelin uygun bir model olmadığına karar verilir.<br />
Bir modelleme süreci içerisinde elde birden fazla uygun<br />
model varsa eğer amaç tek bir model seçimi<br />
yapılarak sistemin kontrolü ise bu durumda model<br />
seçim ölçütleri kullanılır. Bu ölçütlerden biri Akaike<br />
(1977) tarafından öne sürülen AIC (Akaike Information<br />
Criteria);<br />
biçimindedir. Uygun modeller içerisinden en iyi model<br />
AIC değeri sayısal anlamda en küçük değere<br />
sahip olan modeldir.<br />
12 13
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Eğer amaç geleceğe yönelik tahmin ya da kestirim<br />
değerlerini elde etmekse modelleme sürecinden<br />
sonra en önemli amaç dizinin gelecekle ilgili değerlerin<br />
tahmin edilmesi veya kestirimidir. Kestirim,<br />
modeli incelenen zaman dizisinin t+l döneminde<br />
gerçekleşeceği Z t+1 değerinin tahmini olan Z t+l ’yi<br />
t+1 döneminden önceki belirli sayıda dönemin tahmin<br />
değerlerine, gözlem değerlerine ve hata terimlerine<br />
bağlı olarak tahmin eden bir modeldir. Herhangi<br />
bir genel ARIMA modeli için kestirim yöntemlerinden<br />
biri en küçük ortalama hata kareler kestirimleri<br />
yöntemidir. Bu yönteme göre kestirim değeri Z n (l)<br />
olmak üzere;<br />
ile ifade edilir. Burada Z n (l) l adım yani Z n+1 ’nin l adım<br />
kestirim değeri olarak adlandırılır.<br />
Zaman Serilerinin Uygulama Alanları:<br />
Zaman eksenli tüm konular: Örneğin Ekonomi, Finans,<br />
Sigorta/Aktüerya, Fizik/Elektrik/Elektronik, Bilişim/Veri<br />
Madenciliği, Deprem, Meteoroloji, Sağlık,<br />
Eğitim, Ziraat vb.<br />
Zaman Serileri Analizinde Metodolojik<br />
Açılımlar:<br />
- Box-Jenkins yaklaşımı SARIMA(p,d,q)X(P,D,Q)<br />
- Geleceği tahmin/kestirim yöntemleri<br />
- Mevsimsel düzeltme yöntemleri<br />
- Eşbütünleşme<br />
- Panel Eşbütünleşme<br />
- Çok Değişkenli Zaman ve Spektral analiz<br />
yöntemleri<br />
- Doğrusal olmayan zaman serileri ve SETAR<br />
modeli<br />
- ARCH-GARCH modelleri<br />
- Granger Nedensellik<br />
- Bayesgil vektör otoregressif (BVAR) kestirim<br />
modeli<br />
- Zaman serileri kestiriminde aykırı değerler<br />
- Robust zaman serileri<br />
- Yapay sinir ağları ve zaman serilerinin kestirimi<br />
- Fuzzy(Bulanık) zaman serileri<br />
- Zaman serilerinde Veri Madenciliği<br />
- Kaos-Lyapunov üstellerinin tahmini<br />
- EEG ve EKG sinyallerinin zaman serileri ile<br />
modellenmesi vd.<br />
Sonuç olarak, bu çalışmada zaman serileri analizi<br />
için genel yapıyı tanıtan bir giriş yapılmıştır. Zaman<br />
serilerinin daha özel durumlarına ilişkin çalışmalar<br />
daha sonraki makalelerde sunulacaktır.<br />
Kaynaklar<br />
Akdi, Y., ''Zaman Serileri Analizi, Birim Kökler ve Kointegrasyon'', Bıçaklar Kitabevi,<br />
Ankara, 225-245 (2003).<br />
Box, G. P., Jenkins, G. M., “Time Series Analysis Forecasting and Control”,<br />
Holden-Day, San Francisco, 1-170 (1976).<br />
Box, G.E.P., Jenkins, G.M. and Reinsel, G.C. “Time Series Analysis: Forecasting<br />
and a Control”, Prentice Hall, New Jersey, 10-100, 200-202 (1994).<br />
Kasap, R., "İstanbul Menkul Kıymetler Borsası'nın incelenmesi: İstatistiksel bir yaklaşım",<br />
İMKB Dergisi, (6): 27-33 (1998).<br />
Kasap, R., Basılmamış Zaman Dizileri Analizi Ders Notları, Gazi Üniversitesi, Fen<br />
Fakültesi, İstatistik Bölümü, Ankara (2010).<br />
Orhunbilge, N., ”Zaman serileri analizi tahmin ve fiyat indeksleri”, İ.Ü.İşletme Fakültesi,<br />
İstanbul, 1-15 (1999).<br />
Özmen, Dr. A., 1986, Zaman dizisi analizinde Box-Jenkins yöntemi ve banka mevduat<br />
tahmininde uygulama denemesi, Anadolu Üniversitesi Yayınları, 207, 1-110.<br />
Wei, W.W.S., Time Series Analysis: Univariate and Multivariate Methods. Second<br />
edition. Pearson Addison Wesley, ISBN 0-321-32216-9, Boston, USA (2006).<br />
14 15
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Prof. Dr. Gül ERGÜN<br />
Hacettepe Üniversitesi<br />
Fen Fakültesi İstatistik Bölümü<br />
AKADEMİK<br />
Bayesci Zaman Serisi<br />
Analizleri<br />
İstatistikte koşullu olasılık tanımı ilk olarak Bayes ve<br />
Laplace’ın çalışmalarında yer almıştır. Toplam olasılık<br />
formülü ve Bayes teoreminin 18. yüzyılın son<br />
yarısında ortaya konulmasına karşın, hem 19. yüzyıl<br />
hem de 20. yüzyılın ilk yarısı Bayesci fikirler açısından<br />
oldukça karanlık bir döneme sahip olmuştur. Bayesci<br />
düşüncenin önem kazanması DeFinette, Savage,<br />
Jeffreys gibi İstatistikçiler tarafından sağlanmıştır.<br />
Bayesci yaklaşım, aşağıda belirtilen iki kaynağı verimli<br />
bir şekilde birleştirmeye çalışır. Bunlardan ilki,<br />
olabilirlik formunda verilerin içerdiği nesnel bilgi olup;<br />
ikinci kaynak ise, bir teoriden veya gerçekliği kabul<br />
görmüş bir savdan gelen bilgi ya da araştırmanın başında<br />
bir önsel olarak biçimlenen öznel düşüncedir.<br />
Klasik istatistikçilerin Bayesci yaklaşıma yönelik itirazlarından<br />
biri, önsel dağılımlarla ortaya konulan öznelliktir.<br />
Klasik istatistikçiler bu bilgiyi, gözlenmediği<br />
ve kişiden kişiye değişebileceği için kabul etmezler.<br />
Bayesci yaklaşımda bilinmeyen parametreler raslantı<br />
değişkenidir. Burada parametreler hakkındaki<br />
tüm bilgiler, olasılık yoğunluk fonksiyonları aracılığıyla<br />
özetlenir. Bayes teoremi, öznel bilgi ile örneklem<br />
bilgisini harmanlayan, parametreler hakkında güncellenmiş<br />
bilgiye ulaşmamıza olanak sağlayan bir<br />
önemli bir teoremdir. Bu nedenle Bayesci yaklaşımda<br />
önsel bilgiden önsel dağılıma, sonsal dağılımdan<br />
da sonsal bilgiye bir geçiş söz konusudur.<br />
Günümüzde bilimsel öğrenme ve karar vermede, Bayesci<br />
yaklaşım önemli bir ilgi odağıdır ve özellikle son<br />
20 yılda, bilgisayar teknolojisindeki gelişime paralel<br />
olarak Bayesci görüşlere dayalı bilimsel çalışmaların<br />
sayısında önemli bir artış gözlenmektedir. Bayesci<br />
yaklaşımda herhangibir veri toplamadan önce, parametreler<br />
hakkındaki mevcut bilgilerin önsel bir dağılım<br />
aracılığıyla tahmin sürecine dahil edilmesi önemli<br />
bir avantajdır. Ancak, birçok model için analitik çözüme<br />
ulaşmak, integral güçlükleri nedeniyle mümkün<br />
değildir ve bu durum, avantajlarına rağmen Bayesci<br />
yaklaşımın uygulanmasında bir kısıt yaratmıştır.<br />
Örnekleme temelli iteratif yöntemlerin kullanılması<br />
mevcut uygulama güçlüklerinin aşılmasına olanak<br />
sağlamıştır. Son yıllarda, Bayesci yaklaşıma dayalı<br />
bilimsel çalışmaların çoğunda Markov Zinciri Monte<br />
Carlo (MCMC) gibi stokastik simülasyon tekniklerinin<br />
yoğun olarak kullanıldığı gözlenmektedir. Zaman<br />
serilerinin analizinde Bayesci metodoloji, birçok farklı<br />
bakış açısı ile uygulanmaktadır. Zaman serilerinin<br />
durum-uzay (state-space) yapıda tanımlaması veya<br />
klasik ARIMA modellerindeki parametrelere önsel<br />
dağılımlar tanımlanarak, bu parametrelerin tahmininde<br />
Bayesci yaklaşımın adapte edilmesi örnek yollar<br />
olarak verilebilir. Genel olarak, zaman serileri için<br />
Bayesci yaklaşıma dayalı birçok farklı model yapısı<br />
ve tahmin yöntemi mevcuttur. Ancak, bu metinde<br />
sadece Dinamik Doğrusal Modeller ele alınacaktır.<br />
16 17
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Dinamik Doğrusal Modeller<br />
Harrison ve Stevens’ın Kalman filtrelerine dayalı Bayesci<br />
zaman serisi modeli, dörtlüsü ile aşağıdaki<br />
biçimde tanımlanır (West ve Harrison, 1997):<br />
Gözlem Denklemi: y =F_ q_ +v , v ~N(0, V ) (1)<br />
t t t t t t<br />
Sistem Denklemi:q_ =G q_ _ +w_ ,w_ ~ N<br />
t t t 1 t t<br />
(0,W ) (2) t<br />
Burada, q_ ,süreç parametre vektörü, F , t zamanın-<br />
t t<br />
da bilinen bağımsız değişkenler vektörü, G , bilinen<br />
t<br />
geçiş matrisi, v ve w_ ise, normal dağılıma sahip<br />
t 1<br />
rasgele değişkenlerdir. Yukarıda tanıtılan modelin<br />
ilk denkleminde gözlemlerin süreç parametrelerine<br />
olan stokastik bağımlılığı izlenebilirken, sistem denkleminde<br />
parametrelerin zaman içerisindeki gelişimi<br />
yalın bir Markov süreci ile ortaya konulmaktadır. Bu<br />
model yapısında, zaman serilerinin dinamik bir sistemin<br />
çıktısı olduğu kabul edilir. Burada trent, mevsimsellik<br />
ya da regresyon bileşenleri içeren serilere<br />
olasılıksal yapılar tanımlanmakta ve hesaplamalar<br />
için ardışık algoritmalar kullanılmaktadır. Doğrusal<br />
model yapısı ve normallik varsayımı altında tanımlanan<br />
Dinamik doğrusal modellerde tahmin ve öngörüler<br />
Kalman filtresi sonuçlarına eşittir. Dinamik<br />
modeller tek değişkenli ya da çok değişkenli zaman<br />
serileri için kullanılabilir. Genel olarak dinamik doğrusal<br />
bir model,<br />
1. Parametrik bir model yapısı,<br />
2. Her t zaman noktasında parametreler ve gözlemlere<br />
ilişkin olasılıksal bilgilerin varlığı,<br />
3. Parametrelerin zaman boyunca gelişimini açıklayan<br />
ardışık bir model yapısı ve<br />
4. Öngörüler olasılık dağılımları biçiminde elde edilmesiyle<br />
karakterize edilebilir.<br />
Dinamik doğrusal modellerin klasik zaman serisi<br />
modellerine göre bazı üstünlükleri vardır. Bunlardan<br />
en belirgin olanları, model parametrelerinin doğal bir<br />
yorumunun olması, model parametreleri için önsel<br />
bilgiler kullanıldığından, klasik yönteme göre çok<br />
az sayıda veri ile tahmin yapılabilmesi, tahminlerin<br />
karesel kayıp fonksiyonları altında elde edilmesi,<br />
parametrelere ilişkin bilgilerin her t noktasında gün-<br />
AKADEMİK<br />
cellenmesi nedeniyle geçmiş gözlemlerin saklanmasına<br />
ihtiyaç duyulmaması, nokta kestirimleri yerine<br />
dağılımlar (önsel, sonsal ve öngörü) elde edildiğinden<br />
daha çok bilgi elde edilmesi ve modelin, normal<br />
dağılımlı olmayan seriler ve doğrusal olmayan yapılar<br />
için genelleştirilmesidir.<br />
Dinamik doğrusal modellerde gözlemlerin olabilirlik<br />
fonksiyonu ile parametrelerin önsel dağılımları elde<br />
edildikten sonra, koşullu olasılık tanımından hem<br />
y |y t t-1 ’nin dağılımı hem de q_ |y t t ’ nin sonsal dağılımı<br />
akışlı olarak elde edilebilir. Burada yt =y ,y ,…,y ’ dir.<br />
1 2 t<br />
Model parametreleri üzerindeki bilgilerin her t noktasında<br />
güncellenmesinde kullanılan Bayes formülü<br />
aşağıdaki şekilde tanımlanır:<br />
f(q_ |y t t )¥f(q_ |y t t-1 )f(y |q_ ).<br />
t t<br />
Burada q_ ’nin önsel dağılımının q_ |y t t t-1 * * ~N(m_ ,Ct ) t<br />
olduğu kabul edilir ve (1)’deki gözlem denkleminden<br />
y |q ~N(F_ q_ ,V ) elde edilir.<br />
t t t t t<br />
Gözlem değişkenine ilişkin bir adım ileri öngörü dağılımı<br />
ise, aşağıda verilen integral yardımıyla elde<br />
edilir:<br />
f(y |y t t-1 )=òf(q_ |y t t-1 )f(y |q_ )dq_ .<br />
t t t<br />
(1) ve (2) de tanımlanan dinamik doğrusal modelden<br />
elde edilen sonuçlar aşağıda gibi topluca özetlenebilir:<br />
m_ =G m_ +A_ e ,<br />
t t t-1 t t<br />
C =C t *<br />
t-A_tQtA_t ,<br />
e =y ,-ö ,<br />
t t t<br />
A_ =C t *<br />
tF_tQ -1 , t<br />
* m_ =Gtm_ ,<br />
t<br />
t-1<br />
* C =GtC G +W ,<br />
t<br />
t-1 t t<br />
ö =F'_ G m_ ,<br />
t t t t-1<br />
* Q =F'_ C F_t +V .<br />
t t t<br />
t<br />
Yukarıda verilen eşitlikler, Kalman filtresi sonuçlarını<br />
ortaya koymaktadır. Kalman filtrelerine dayalı dinamik<br />
doğrusal modellerin işletiminde BATS paket<br />
programı uygun bir araçtır. Bu modellerde G sistem<br />
t<br />
matrisinin zaman boyunca sabit olduğu ve V ile W t t<br />
varyanslarının bilindiği kabul edilir. (1) ve (2) eşitlikle-<br />
rinden görüldüğü gibi, dinamik doğrusal modellerde<br />
normallik ve doğrusallık koşulları mevcuttur. Ancak<br />
bu modellerin normal dağılıma sahip olmayan, doğrusal<br />
yapıda olmayan zaman serileri için uygulamaları<br />
mevcuttur. Dinamik modeller doğrusallık varsayımı<br />
kaldırılarak genelleştirilebilir. Genelleştirilmiş dinamik<br />
doğrusal modellerde f áy |q ñkoşullu dağılımının<br />
t t<br />
h =F q doğal parametresi ile üstel aileye mensup<br />
t t t<br />
olduğu varsayılır. Burada sistem denklemi yine Eşitlik<br />
(2) ile tanımlanır. Ancak bu model, normal modele<br />
kıyasla daha karmaşık bir yapıdadır ve burada analitik<br />
çözümlemeler yerine sayısal çözümlemeler tercih<br />
edilmelidir. Dinamik modellerde q durumu kesikli<br />
t<br />
olduğu durumlarda ise, Saklı Markov modelleri tanımlanmalıdır.<br />
Günümüzde ele alınan problemlerin çoğunda yüksek<br />
boyutlu, matematiksel olarak daha karmaşık modeller<br />
kullanılmaktadır. Bu modellerde bilinmeyen parametre<br />
sayısının fazla olması ve/veya eşlenik olmayan<br />
önsel dağılımların tercih edilmesi, bileşik dağılımlardan<br />
çıkarsama yapılmasını zorlaştırmaktadır. Burada<br />
marjinal sonsal dağılımlara ulaşmak yüksek boyutlu<br />
integral hesaplamaları gerektirmekte ya da elde edilen<br />
sonsal dağılımlardan örnekler çekilmesi mümkün<br />
olamamaktadır. Gelfand ve Smith’in 1990 yılında istatistik<br />
camiasına kazandırdığı Markov Zinciri Monte<br />
Carlo yöntemleri, stokastik simülasyona dayalı çözümlemelerle<br />
araştırmacıların işini kolaylaştırmıştır.<br />
Bileşik sonsal dağılımın çarpımsal olarak ayrıştırılması<br />
hesaplamalarda önemli bir kolaylık sağlamaktadır.<br />
Markov zinciri simülasyonu karmaşık bir teknik<br />
görünmesine rağmen, dinamik modeller, hiyerarşik<br />
modeller dahil olmak üzere birçok modelin tahmininde<br />
kolay ve güvenilir sonuçlar vermektedir. Markov<br />
zinciri simülasyonunda ana fikir, parametre uzayında<br />
durağan bir dağılıma yakınsayan bir rasgele yürüyüş<br />
benzetimi oluşturmaktır. Markov Zinciri Monte Carlo<br />
yöntemleri denince temel olarak Metropolis-Hasting<br />
algoritması ve Gibbs örneklemesi akla gelmektedir.<br />
Ancak, bu iki yöntem dışında birçok farklı ve melez<br />
algoritma da bulunmaktadır. Bu yöntemler ile<br />
karmaşık sonsal dağılımlardan örneklem çekme ve<br />
sonsal momentleri hesaplamak mümkün olmaktadır.<br />
Metropolis-Hasting algoritmasının özel bir hali<br />
olan Gibbs örneklemesi uygulamalarda en çok ter-<br />
cih edilen yöntemdir. Ticari bir program olmayan ve<br />
erişimi internet ortamında mümkün olan WinBUGS<br />
(Bayesian Inference Using Gibbs Sampling) paket<br />
programı Gibbs örneklemesine dayalı stokastik simülasyon<br />
tekniği ile model tahminlerinde pratik bir<br />
çözüm sunar. WinBUGS paket programının yanısıra<br />
R programı da Bayesci çözümlemelerin yapılmasına<br />
olanak veren bir programdır. Farklı yapıda birçok dinamik<br />
modelin R ortamında çözümü Petris, Petrone<br />
ve Campagnoli (2007) ve Petris (2010) çalışmalarında<br />
detaylı olarak verilmiştir. Bu çalışmalarda gözlem<br />
ve sistem varyanslarının bilinmediği durumda,<br />
varyansların tahmininde ve diğer model parametrelerinin<br />
tahmininde Gibbs örneklemesi kullanılmıştır.<br />
Bu çalışmalarda, dinamik modellerde filtreleme,<br />
düzleştirme ve öngörülerin R ortamında nasıl uygulandığı<br />
gösterilmektedir.<br />
Sonuç olarak, zaman serilerinin analizinde Bayesci<br />
yaklaşımın uygulanması, parametrelere ilişkin mevcut<br />
bilgilerin modelleme sürecine dahil edilmesine<br />
olanak sağladığından, akılcı bir yoldur. Stokastik<br />
simülasyon tekniklerinin Bayesci zaman serilerinin<br />
analizinde kullanılması da önemli bir kolaylıktır.<br />
Kaynaklar<br />
Gelfand, A.E., Smith, A.F.M., 1990, Sampling Based Approaches to Calculating<br />
Marjinal Densities, Journal of the American Statistical Association, 85, 398-409.<br />
Petris, G., 2010, “An R Package for Dynamic Linear Models”Journal of Statistical<br />
Software, Volume 36, Issue 12, http://www.jstatsoft.org.<br />
Petris, G., Petrone, S., ve Campagnoli, P., 2007, Dynamic Linear Models with<br />
R, Springer.<br />
West, M. ve Harrison, J., 1997, Bayesian forecasting and Dynamic models. (Second<br />
edition. First edition: 1989), Springer, N.Y.<br />
18 19
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Zaman, hayatta göz ardı edilemeyen bir gerçekliktir.<br />
Günlük hayatta gerçekleşen olayların üzerinde zamanın<br />
etkisi açıkça görülebilmektedir. Buna rağmen, istatistiksel<br />
analizlerin büyük bir kısmında yatay kesit<br />
veri kullanılarak, zamanın etkisi sabit olarak düşünülmektedir.<br />
Verilerin zaman içindeki değişimi ve zaman<br />
içindeki ilişkileri incelenmek istendiğinde ise zaman<br />
serisi kavramına ihtiyaç duyulmaktadır. Zaman serisi,<br />
belli bir özelliğin zaman içinde gözlemlenmesi ile<br />
elde edilen veri olarak tanımlanabilir. Bir zaman serisini,<br />
diğer istatistiksel verilerden ayıran en önemli<br />
özellik; her bir gözlem, zamanın farklı bir anında elde<br />
edildiğinden, bu gözlemlerin farklı rastlantı değişkenlerinin<br />
gözlem değerleri olmasıdır. Yani zaman serisi<br />
bir olasılıksal sürecin gerçekleşmesidir. Zaman serilerinin<br />
modellenmesi, gelecekteki değerlerinin tahmin<br />
edilmesi ve farklı zaman serilerinin birbirleri ile<br />
ilişkilerinin incelenmesi için yapılan analizlere verilen<br />
Doç. Dr. Erol EĞRİOĞLU<br />
Ondokuz Mayıs Üniversitesi, İstatistik Bölümü<br />
Doç.Dr. Çağdaş Hakan ALADAĞ<br />
Hacettepe Üniversitesi, İstatistik Bölümü<br />
Yrd. Doç. Dr. Ufuk YOLCU<br />
Giresun Üniversitesi, İstatistik Bölümü<br />
AKADEMİK<br />
Olasılıklı<br />
ve Olasılıklı<br />
Olmayan<br />
Zaman<br />
Serileri<br />
Kestirim<br />
Yöntemleri<br />
genel isimdir. Zaman serileri analizi ekonomi, mühendislik,<br />
nüfus bilim, turizm ve hidroloji gibi bir çok<br />
bilim alanında uygulanmaktadır. Bu nedenle, zaman<br />
serileri analizi konusunda farklı bilim alanlarından bilim<br />
insanlarının katkıları bulunmaktadır.<br />
Literatürde farklı zaman serisi analizi yöntemleri bulunmaktadır.<br />
Bu yöntemlerin sınıflandırılması oldukça<br />
zordur ve sınıflandırmayı yapan bilim insanına ve bilim<br />
dalına göre değişiklikler gösterebilir. Zaman serileri<br />
analizi, analiz yöntemindeki belirsizlik yaklaşımına<br />
göre olasılıklı ve olasılıklı olmayan zaman serisi yöntemleri<br />
olarak ikiye ayrılabilir. Zaman serisi kestirim<br />
yöntemleri geçmişte sadece olasılık teorisine dayalı<br />
modeller ile gerçekleştirilmekteydi. Son yıllarda ise<br />
olasılıklı olmayan zaman serisi kestirim yöntemlerinin<br />
farklı bilim dallarında yaygın uygulanması, zaman<br />
serileri analizi yöntemlerinde olasılıklı ve olasılıklı olmayan<br />
ayrımına neden olmuştur.<br />
Zaman serilerinin analiz edilmesinde kullanılan olasılıklı<br />
modellerde bağımlı değişken zaman serisinin<br />
t anındaki değerini temsil eden rastlantı değişkeni<br />
(X ) iken, açıklayıcı değişkenler zamanın bir fonksi-<br />
t<br />
yonu f(t), zaman serisinin gecikmeli değişkenleri<br />
f(X ,X ,…) veya diğer zaman serilerinin gecikmeli<br />
t-1 t-2<br />
değişkenleri f(Y ,Y ,…) olabilmektedir. f fonksiyo-<br />
t-1 t-2<br />
nunun doğrusal olup olmamasına göre zaman serisi<br />
analizi yöntemleri doğrusal ya da doğrusal olmayan<br />
zaman serileri analizi yöntemleri olmak üzere ikiye<br />
ayrılabilir. Doğrusal olma, beraberinde normalliği<br />
de getirebildiğinden olasılıklı modellerde işleri kolaylaştırmaktadır.<br />
Doğrusal bir modelde açıklayıcı<br />
değişkenlerin kestirim üzerindeki etkisinin ölçülmesi<br />
ve çeşitli hipotez testlerinin uygulanması oldukça<br />
kolaydır. Ancak gerçek hayatta karşılaşılan zaman<br />
serilerinin salt doğrusal olmasının mümkün olmadığı<br />
bilinmektedir. Doğrusal model varsayımı iki değişken<br />
arasındaki ilişkiyi kabataslak belirlemede oldukça<br />
başarılıdır. Buna karşın, daha fazla ayrıntı veya daha<br />
iyi kestirim sonuçları istenirse doğrusal olmayan yaklaşımlara<br />
ihtiyaç duyulur. Doğrusal olmayan olasılıklı<br />
zaman serisi modelleri de vardır ancak bu modellerin<br />
çok büyük çoğunluğu ya parçalı doğrusal ya da<br />
değişkenlere göre doğrusal olmayan fakat parametrelere<br />
göre doğrusal modellerdir. Olasılıklı modellerde<br />
doğrusal olmayan yapının belirlenmesi birçok<br />
problem içermektedir. Olasılıklı doğrusal olmayan<br />
zaman serisi kestirim yöntemlerinde modelin yapısının<br />
belirlenmesi bir takım hipotez testleri ve grafiksel<br />
yöntemlere dayanmaktadır. Hipotez testlerinin uygulanmasında<br />
zaman serisinin veri üretim sürecinin<br />
bir doğrusal olmayan modele uygun varsayılması<br />
gerekmektedir. Bu nedenle farklı doğrusal olmayan<br />
zaman serisi kestirim yöntemlerinden hangilerinin<br />
kullanılacağı problemi de ortaya çıkmaktadır.<br />
Buraya kadar anlatılanlara ek olarak, olasılıklı doğrusal<br />
olmayan zaman serisi kestirim yöntemleri doğrusal<br />
modellere göre daha zor anlaşılır ve uygulanabilir<br />
yöntemlerdir. Zaman serileri analizi yöntemlerinde<br />
modelde yer alacak değişkenlerin belirlenmesi, modelin<br />
geçerliliğinin test edilmesi en önemli aşamalardır.<br />
Zaman serileri, geçmişte olasılıklı modeller<br />
yardımıyla analiz edildiğinden, zaman serisi olasılıklı<br />
sürecin bir gerçekleşmesi olarak görülmektedir.<br />
Olasılıklı bir model ile gerçekleştirilen analizlerde hipotez<br />
testlerinden yararlanma olanağı olduğundan,<br />
değişken seçimi, modelin geçerliliğinin test edilmesi<br />
gibi problemlere çözümler bulunabilmektedir. Değişken<br />
seçimi problemi 0 ya da 1 değerini alabilecek<br />
karar değişkenlerinin en uygun değerlerini belirleme<br />
problemi olarak düşünülebilir. Herhangi bir karar değişkeni<br />
1 değerini aldığında, karşılık gelen değişken<br />
modelde yer alır aksi halde ise modelde yer almaz.<br />
Bu problemin çözümü modelde yer alması gereken<br />
değişkenlerin belirlenmesini sağlayabilir. Bir zaman<br />
serisi analizi yönteminde aday değişken sayısı 36 olduğunda,<br />
mümkün model sayısı 2 36 -1=6.8719x10 10<br />
olmaktadır. Periyodu 12 olan bir mevsimsel serisinin<br />
modellenmesinde 36 adım gecikmeli değişk e n i n<br />
(X t-36 ) modelde aday değişken olabileceği düşünülürse,<br />
aslında değişken seçimi problemi 6.8719x10 10<br />
mümkün modelden birinin seçimidir. Bahsedilen<br />
problem büyük boyutlu bir optimizasyon problemidir.<br />
Olasılıklı bir modelde hipotez testlerinin değişken<br />
seçim problemininoptimal çözümünü, aday birkaç<br />
modelin incelenmesi ile bulması oldukça zordur.<br />
Dolayısıyla değişken seçimi probleminin olasılıksal<br />
bir modelde bile hipotez testleri yerine bir optimizasyon<br />
problemi olarak çözümlenmesi daha akılcı<br />
bir yaklaşım olacaktır. Olasılıklı zaman serisi kestirim<br />
yöntemlerinde modelin geçerliliği eldeki tüm veriye<br />
dayalı hipotez testleri yardımıyla elde edilmektedir.<br />
Ancak olasılıklı modellerde çapraz geçerlilik yöntemlerin<br />
kullanılması yararlı olacaktır. Çapraz geçerlilik<br />
yöntemi, verinin parçalara ayrılarak, modelin parametre<br />
tahmin sürecinde kullanmadığı veriler üzerindeki<br />
performansının ölçülmesi işlemidir. Örneğin bir<br />
olasılıklı zaman serisi kestirim yöntemi olarak, eldeki<br />
tüm veriler için elde edilen bir ardışık bağlanım (otoregresif)<br />
sürecinin gelecek değerler için minimum<br />
varyanslı bir tahmin ediciden tahminler verdiği varsayılmaktadır.<br />
Bu durum teorik olarak kanıtlansa da,<br />
tanıt modelin tüm varsayımlarının tam olarak doğru<br />
olduğu durumda geçerlidir. Gerçek hayatta bir otoregresif<br />
sürecin yada bir olasılıklı zaman serisi kestirim<br />
yönteminin tüm varsayımları sadece belli bir<br />
olasılıkla sağladığı kabul edilir. Yani varsayımların<br />
tam olarak doğru olması gerçek hayatta mümkün<br />
değildir, ancak belli olasılıklarla reddedilemez olur-<br />
20 21
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
lar. Sonuç olarak, bir olasılıklı modelde de modelin<br />
geçerliliğinin tespiti için çapraz geçerlilik yöntemlerinin<br />
uygulanması akılcı bir yaklaşım olacaktır. Zaman<br />
serileri analizi yöntemleri ile gelecek değerlerin<br />
kestirimi kadar, gelecek değerler için uygun bir aralık<br />
kestirimi deönemlidir. Olasılıklı bir model ile gelecek<br />
değerler için aralık tahmini olarak,güven aralıkları<br />
elde edilebilmektedir.<br />
Olasılıklı modellerde belirsizliğe olasılıksal bir yaklaşım<br />
varken, olasılıklı olmayan zaman serileri kestirim<br />
yöntemlerinde belirsizliğe, bulanıklık gibi farklı<br />
yaklaşımlar söz konusu olabilmektedir. Belirsizliğe<br />
herhangi bir yaklaşımı içermeyen yapay sinir ağları<br />
gibi teknikler ise hesaplamalı teknikler (Computational<br />
Methods) olarak isimlendirilebilir ve bu teknikler<br />
de olasılıklı olmayan zaman serisi kestirim yöntemleri<br />
sınıfında yer alırlar. Son zamanlarda literatürde<br />
yapılan çalışmalara bakıldığında, olasılıklı olmayan<br />
zaman serisi kestirim yöntemleri,<br />
a) Bulanık küme teorisine dayalı teknikler<br />
b) Yapay sinir ağlarına dayalı teknikler<br />
Olmak üzere iki gruba ayrılabilir. Olasılıklı olmayan<br />
yaklaşımlar normallik, doğrusallık gibi varsayım kısıtlamalarını<br />
içermediğinden esnek hesaplama yöntemleri<br />
(Soft Computing Methods) sınıfında da yer<br />
alırlar.<br />
Zaman serisi kestiriminde bulanık küme teorisine<br />
dayalı yaklaşımlar bulanık çıkarım sistemleri ve bulanık<br />
zaman serisi çözüm yöntemleri olarak iki ana<br />
başlıkta toplanabilir. Bulanık çıkarım sistemleri insan<br />
beyninin çıkarım yapma sürecini taklit eder. İnsan<br />
karar verme sürecinde, zihinde dilsel değerleri değerlendirir<br />
ve bu dilsel değerler sayesinde çıkarım<br />
yapar. Günlük hayattaki basit çıkarımlar için insanlar<br />
karmaşık hesaplar yerine dilsel değerlere dayalı<br />
daha kolay karar vermeyi tercih ederler. Örneğin bir<br />
kişi futbol oynarken kaleye çok yaklaştım, şut için oldukça<br />
müsait bir pozisyondayım, topu auta atarsam<br />
arkadaşlarım fazla kızmaz diye zihninden geçirerek<br />
şut çekme ya da çekmeme kararı alabilir. Bu kararı<br />
alırken futbol oynayan kişinin kullandığı “çok yaklaştım”,<br />
“oldukça müsait”, “fazla kızmaz” dilselleri çıkarım<br />
sürecinin sonucu için oldukça önemlidir. İnsanlar<br />
AKADEMİK<br />
bu tür dilseller yardımıyla oldukça kolay ve hızlı bir<br />
biçimde karar alabilmektedirler. Bulanık çıkarım sistemlerinde<br />
dilsel değerler bulanık kümeler ile temsil<br />
edilmektedir. Bulanıklık durumu gerçek hayattaki birçok<br />
durumdaki belirsizliği açıklamada oldukça başarılıdır.<br />
Bir rasgele olayın gerçekleşip gerçekleşmeyeceği<br />
önceden bilinemez, bu belirsizliğe bir yaklaşım<br />
olarak olay gerçekleşmeden önce bu olayın rastgele<br />
olduğu varsayılarak olasılığın kullanılması mümkündür.<br />
Buna karşın, olay gerçekleştikten sonra olayın<br />
ne kadar gerçekleştiği konusunda da bir belirsizlik<br />
vardır. Örneğin hava ısısının %90 olasılıkla 15 ile 25<br />
ºC arasında olacağı öngörülebilir. Hava ısısının 20 ºC<br />
derece olarak gerçekleştiğinde, bu ısının ne kadar<br />
sıcak ya da ne kadar soğuk olduğu bölgeye göre,<br />
kişiye göre ya da farklı durumlara göre değişebileceğinden,<br />
hala bir belirsizlik vardır. Bu tür belirsizliklerin<br />
modellenmesinde bulanık küme teorisi kullanılabilir.<br />
Bulanık zaman serileri kestirim yöntemleri, gözlemleri<br />
bulanık kümeler ya da dilseller olan zaman serilerinin<br />
çözümlenmesi için geliştirilen yöntemlerdir.<br />
Genel olarak bir bulanık zaman serisi yaklaşımı bulanık<br />
çıkarım sistemlerine benzer olarak üç aşamadan<br />
oluşmaktadır. Bunlar bulanıklaştırma, bulanık ilişki<br />
belirleme ve berraklaştırma aşamalarıdır. Bulanık<br />
zaman serileri kestirim yöntemlerinin bu aşamalarının<br />
her birinde farklı esnek hesaplama yöntemleri<br />
kullanılabilmektedir. Bulanık zaman serisi kestirim<br />
yöntemlerinde genetik algoritma, parçacık sürü optimizasyonu,<br />
bulanık kümeleme yöntemleri ve yapay<br />
sinir ağları gibi teknikler birer araç olarak kullanılabilmektedir.<br />
Bulanık zaman serileri kestirim yöntemleri<br />
içerdikleri zaman serisi sayısına göre tek değişkenli,<br />
iki değişkenli ve çok değişkenli yöntemler olarak üç<br />
sınıfa, içerdikleri gecikmeli değişken sayısına göre<br />
birinci dereceden ve yüksek dereceden olmak üzere<br />
iki sınıfa, içerdikleri bileşenlere göre mevsimsel ya<br />
da mevsimsel olmayan modeller olarak da iki sınıfa<br />
ayrılabilir. Bulanık zaman serileri analizi konusunda<br />
son yıllarda literatürde oldukça fazla çalışma yayınlanmıştır.<br />
Bulanık zaman serisi analizi yöntemlerinden<br />
ayrı olarak zaman serisi öngörüsü için ANFIS<br />
(Adaptive Network Fuzzy Inference System) gibi bulanık<br />
çıkarım sistemleri, zaman serilerine uyarlanmış<br />
bulanık regresyon yöntemleri ve bulanık fonksiyon<br />
yaklaşımları yaklaşım ım ı ları da a ku kkullanılabilmektedir. llanılabilmektedir.<br />
Olasılıklı olmayan zaman serisi kestirim yöntemlerinin<br />
en önemlilerinden biri de yapay sinir ağlarıdır.<br />
İnsan sinir sisteminin çok basit bir taklidi olan yapay<br />
sinir ağları genel bir fonksiyon yaklaştırıcı olarak da<br />
bilinmektedir. Yapay sinir ağları, bir zaman serisi ile<br />
gecikmeli değişkenleri arasındaki ilişkiyi gösteren<br />
doğrusal olmayan fonksiyonu, tahmin edebilmektedir.<br />
Yapay sinir ağları ile zaman serisi kestiriminde<br />
normallik, doğrusal model, model yapısının belirlenmesi<br />
gibi problemler bulunmamaktadır. Zaman serisi<br />
kestirimi için çok katmanlı algılayıcı, radyal tabanlı<br />
yapay sinir ağları ve Elman tipi geri beslemeli sinir<br />
ağları en sık kullanılan yapay sinir ağları türleridir.<br />
Yakın geçmişte önerilen çarpımsal nöron modele<br />
dayalı yapay sinir ağları da uygulama alnını günden<br />
güne artırmaktadır.<br />
Bulanık zaman serileri analizi yöntemleri ve yapay<br />
sinir ağları ile zaman serisi kestiriminde hipotez testlerinden<br />
yararlanma imkanı olmadığından değişken<br />
seçimi için genetik algoritma, parçacık sürü optimi-<br />
zasyonuzasy syonu gibi gi g bi yapay ay zeka optimizasyon optimiza z syon yöntemleri<br />
kullanılmaktadır. Olasılıklı olmayan yöntemlerde modelind<br />
li geçerliliğinin lili i i testinde i d çapraz geçerlilik lilikyöntem<br />
leri kullanılmaktadır. Bulanık zaman serisi analizi yöntemleri<br />
ile de nokta tahminleri ve aralık tahminleri<br />
elde edilebilmektedir. Ancak bu aralık tahminleri güven<br />
aralıklarındanfarklıdır. Olasılıklı modellerden elde<br />
edilen güven aralıkları, bulanık zaman serisi yöntemlerinden<br />
elde edilen aralık tahminlerine göre daha<br />
geniş aralıklar olabilmekte, ancak yine de bazı zaman<br />
serileri için gerçek değerleri kapsamayabilmektedir.<br />
Yapay sinir ağları ile zaman serilerinin gelecek değerleri<br />
için nokta tahminleri elde edilebilmektedir. Yapay<br />
sinir ağları aralık tahminleri vermese de, son yıllarda<br />
aralık değerli zaman serilerinin yapay sinir ağları ile<br />
çözümlendiği yaklaşımlar ortaya koyulmuştur. Aralık<br />
değerli zaman serisi, bir zaman noktası için en düşük<br />
ve en yüksek olmak üzere iki değeri olan gözlemlerden<br />
oluşmuş zaman serileridir. Bu tür zaman serilerinin<br />
tahmin edilmesi durumunda zaman serisinin en<br />
düşük ve en yüksek değeri tahmin edildiğinden, bir<br />
tür aralık tahmininin elde edilmesi mümkündür.<br />
22 23
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Zaman serileri analizinde kullanılan yöntemler ilk yıllarda<br />
olasılıklı modeller olsa da son yıllarda bulanık<br />
zaman serileri yaklaşımları, yapay sinir ağları gibi<br />
alternatif zaman serileri analiz yöntemleri sıklıkla<br />
kullanılmaktadır. Ayrıca olasılıklı ve olasılıklı olmayan<br />
yöntemlerin bir arada kullanıldığı birçok melez yaklaşım<br />
literatürde önerilmiştir. Bulanık zaman serileri<br />
ve yapay sinir ağları zaman serileri analiz yöntemlerinin<br />
uygulama alanı günden güne artmaktadır.<br />
Olasılıklı olmayan zaman serileri analiz yöntemleri,<br />
olasılıklı modellerdeki gözlem sayısı, doğrusal olma,<br />
normallik gibi varsayım kısıtlarını içermemesi nedeniyle<br />
daha çok tercih edilmektedir. Genel olarak,<br />
olasılıklı olmayan modeller istatistik ve ekonometriciler<br />
tarafından göz ardı edilse de gerçek hayat<br />
uygulamalarında,farklı disiplinlerde üzerinde oldukça<br />
yoğun çalışılan konulardır. Olasılıklı modellerin, olasılıklı<br />
olmayan modellere göre geçmişinin daha eski<br />
yıllara dayanması nedeniyle metodolojik problemleri<br />
kısmen giderilmiştir. Ancak olasılıklı olmayan zaman<br />
serileri analizi yöntemleri literatürde çok yenidir ve<br />
içerdikleri bazı problemler çözüm beklemektedir.<br />
Olasılıklı modeller için kullanılan metodolojik çözümler,<br />
olasılıklı olmayan modeller için de çözümün bir<br />
parçası olabilir. Bu nedenle olasılıklı modeller konusunda<br />
tecrübe sahibi istatistikçilerin çözümde aktif<br />
rol alabileceği de bir gerçektir. Zaman serileri analizi<br />
konusunda çalışan genç araştırmacılar bu fikirden<br />
yola çıkarak olasılıklı olmayan zaman serileri analiz<br />
yöntemlerine katkı sağlayabilir. Olasılıklı olmayan zaman<br />
serisi kestirim yöntemlerinin göz ardı edilmesi,<br />
AKADEMİK<br />
istatistikçiler için önemli bir kayıp olacaktır. Gerçek<br />
hayatta belirsizliğe tek yaklaşımın olasılıksal olmadığı,<br />
birçok durumda belirsizliğe bulanık yaklaşımın<br />
daha doğru çözümler ürettiği göz ardı edilmemelidir.<br />
Normal dağılım ve normallik gibi varsayımların gerçek<br />
hayatta tam olarak sağlanmasının zor olduğu, bu<br />
nedenle olasılıksal olmayan yöntemlerin kullanımının<br />
daha yararlıolabileceği dikkate alınmalıdır. Olasılıklı<br />
ve olasılıklı olmayan modellerin farklı üstünlükleri<br />
vardır. Bu yaklaşımların bir arada kullanıldığı melez<br />
modeller her iki tür kestirim yöntemlerinin üstünlüklerini<br />
kullanabilmektedir. Melez yaklaşımların geliştirilmesinde<br />
istatistikçiler olasılıklı modeller konusunda<br />
bilgi sahibi olduğundan,bu tür yaklaşımların gerçekleştirilmesinde<br />
başarılı sonuçlar üretebilirler. Tüm<br />
bunların yanında,belirsizliğe olasılıksal yaklaşımla<br />
bulanık yaklaşımı birlikte içeren bir zaman serisi kestirim<br />
yöntemi,kuşkusuz birçok zaman serisi için daha<br />
gerçekçi çözümler sunacaktır.Literatürdeki zaman<br />
serileri analizi yöntemleri zaman serisinin tarihsel<br />
bilgisinin modellenmesi ile gelecek değerlerinin elde<br />
edilmesine olanak vermektedir. Zaman serilerinin<br />
olağan geleceğinin tahmin edilmesi mümkündür ve<br />
zaman serileri analizinin önemli bir amacı da budur.<br />
Ancak zaman serilerinin gelecek değerlerinin tarihsel<br />
seyrinin tamamen dışında olduğu durumlarda tahmin<br />
edilmesi oldukça güçtür, hatta bazı araştırmacılara<br />
göre mümkün değildir. Hayattaki en önemli belirsizliklerden<br />
birinin gelecek olduğu açıktır. Geleceğin<br />
tahmininde ise insanoğlunun elinde geçmiş bilgiden<br />
başka bir şey mevcut değildir.<br />
Olasılıklı zaman serileri kestirim yöntemleri ile ilgili<br />
oldukça geniş bir literatür mevcuttur ve bu litearatür<br />
istatistikçiler tarafından oldukça iyi bilinmektedir.<br />
Buna karşın olasılıklı olmayan zaman serileri kestirim<br />
yöntemleri için literatür daha yenidir. Bu konuda<br />
araştırma yapmak isteyen istatistikçiler için olasılıklı<br />
olmayan zaman serileri kestirim yöntemleri ile ilgililiteratürdeki<br />
bazı güncel çalışmalar bulanık zaman serisi<br />
yaklaşımları, yapay sinir ağı yaklaşımları ve melez<br />
yaklaşımlar olmak üzere üç grupta özetlenmiştir.<br />
Olasılıklı Olmayan Zaman Serisi Kestirim Yöntemi Grubu<br />
Aladag, C.H., Basaran, M.A., Egrioglu, E., Yolcu, U., Uslu, V.R., Forecasting in High<br />
Order Fuzzy Times Series by Using Neural Networks to Define Fuzzy Relations,<br />
Expert Systems with Applications, 36, 4228-4231, 2009.<br />
Aladag, C. H., Yolcu, U., Egrioglu, E., Dalar A.Z., A new time invariant fuzzy time<br />
series fore casting method based on particles warm optimization, AppliedSoft<br />
Computing, 12,3291-3299, 2012.<br />
Chen, S. M. (1996). Forecasting enrollments based on fuzzy time-series. Fuzzy<br />
Sets and Systems, 81, 311-319.<br />
Chen (2002). Forecasting enrollments based on high order fuzzy time series,<br />
Cybernetics and Systems, 33:1-16.<br />
Cheng C.-H., Cheng G.-W. and Wang J.-W.: Multi-attribute fuzzy time series method<br />
based on fuzzy clustering, Expert Systems with Applications, 34, 1235-1242,<br />
(2008b).<br />
Egrioglu E ,Aladağ C.H., Yolcu U., A Hybrid Fuzzy Time Series Forecasting Model<br />
Based on Fuzzy C-Means and Artificial Neural Networks, Expert Systems with<br />
Applications, 40, 854-857, 2013.<br />
Hsu, L-Y., Horng, S-J., Kao, T-W., Chen, Y-H., Run, R-S, Chen, R-J., Lai, J-L.,<br />
Kuo, I-H., 2010. Temperature prediction and TAIFEX forecasting based on fuzzy<br />
relationships and MTPSO techniques. Expert Systems with application, 37,2756-<br />
2770.<br />
Huarng, Kunhuang (2001). Effective length of intervals to improve forecasting in<br />
Aladag C.H., Yolcu U., Egrioglu E., A new multiplicatives easonal neural network<br />
model based on particles warm optimization, Neural Processing Letters, DOI 10.<br />
1007/S11063-012-9244-y, 2013.<br />
Aladag C.H., Yolcu U., Egrioglu E., Robust multilayer neural network based on Median<br />
Neuron Model, Neural Computing and Application. (Accepted Manuscript).<br />
DOI 10.1007/s00521-012-1315-5, 2013.<br />
Aladag, C.H., A new architecture selection method based on tabu search for artificial<br />
neural networks, Expert Systems with Applications, 38, 3287–3293, 2011.<br />
Egrioglu E., Aladag C.H. and Gunay S., A New Model Selection Strategy In Artificial<br />
Neural Network, Applied Mathematics and Computation, 195, 591-597, 2008.<br />
Egrioglu E., AladagC.H. and Gunay S., A New Architecture Selection Strategy in<br />
Solving Seasonal Autoregressive Time Series by Artificial Neural Networks, Hacettepe<br />
Journal of Mathematics and Statistics, Volume 37, Issue 2, 2008.<br />
Günay S., Eğrioğlu E., Aladağ Ç.H., Tek Değişkenli Zaman Serileri Analizine Giriş,<br />
Hacettepe Üniversitesi yayınları, 2007.<br />
Katijani, Y., Hipel, W.K. and Mcleod, A.I., Forecasting Nonlinear Time Series with<br />
Feedforward Neural Networks: A Case Study of Canadian Lynx Data, Journal of<br />
Forecasting, 24 (2005) 105-117.<br />
Aladag, C.H., Using multiplicative neuron model to establish fuzzy logic relation<br />
ships, Expert Systems with Applications, 40 (3), 850-853, 2013.<br />
Aladag, C.H., Egrioglu, E.,Editors, Advances in time series forecasting, Bentham<br />
Science Publishers Ltd., eISBN: 978-1-60805-373-5, 2012.<br />
Aladag C.H., Egrioglu E., Yolcu U., Forecast Combination Using Artificial Neural<br />
Networks, Neural Processing Letters, 32, 269-276, 2010.<br />
Aladag C.H., Egrioglu E. and Kadilar C. Forecasting nonlinear time series with a<br />
hybrid methodology, Applied Mathematic Letters, 22, 1467-1470, 2009.<br />
Aladag, C. H., Egrioglu, E., Kadılar C., Improvement in fore casting accuracy usingthe<br />
hybrid model of ARFIMA and Feed For ward neural network, American Journal<br />
of Intelligence Systems, Volume:2, Number:2, March, pp. 12-17, DOI: 10.5923/j.<br />
ajis.20120202.02.<br />
BuHamra S., Smaoui N., Gabr M., (2003) The Box-Jenkins analysis and neural<br />
networks: prediction and time series modeling, Applied Mathematical modelling,<br />
27, 805-815.<br />
fuzzy time-series. Fuzzy Sets and Systems, 123, 387-394.<br />
Huarng, Kunhuang and Yu, Hui-Kuang (2006). The application of neural networks<br />
to forecast fuzzy time series. Physica A, 363, 481-491.<br />
Li S.-T., Cheng Y.-C., Lin S.-Y.: A FCM-based deterministic forecasting model for<br />
fuzzy time series, Computers and Mathematics with Applications, 56, 3052-3063,<br />
(2008).<br />
Song, Q. and Chissom, B.S. (1993a). Fuzzy time series and its models. Fuzzy Sets<br />
and Systems, 54, 269-277.<br />
Song, Q. and Chissom, B.S. (1993b). Forecasting enrollments with fuzzy time series<br />
- Part I. Fuzzy Sets and Systems, 54, 1-10.<br />
Song, Q.,and B. S. Chissom. (1994). Fore casting enrollment swithf uzzy time<br />
series - Part II. Fuzzy Sets and Systems 62(l) :1-8.<br />
Song, Q., 1999. Seasonal forecasting in fuzzy time series. Fuzzy Sets and<br />
Systems, 107(2), 235.<br />
Yolcu, U., Aladag, C. H., Egrioglu, E., Uslu, V. R., Time series fore casting with a<br />
novel fuzzy time series approach: an example for Istanbul stock market, Journal<br />
of Statistical Computation and Simulation, Doi:10.1080/00949655. 2011.630000,<br />
2013.<br />
Yu, T.H.-K., Huarng, K.-H., 2010. A neural network- based fuzzy time series model<br />
to improve forecasting. Expert Systems with application, 37, 3366-3372.<br />
Khashei M., Bijari M. (2010). An artificial network (p, d, q) model for time series<br />
forecasting, Expert Systems with Applications, 37, 479-489.<br />
Smith, K.A. Neural networks in business: techniques and applications (Imprint<br />
Info Hershey: Idea Group, 2002.<br />
Qi, M. andZhang, G. An investigation of model selection criteria for neural network<br />
time series fore casting, European Journal of Operational Research132, 666-680,<br />
2001.<br />
Yadav R.N., Kalra P.K. and John J. (2007). Time series prediction with single<br />
multiplicative neuron model, Applied Soft Computing, 7, 1157-1163.<br />
Yolcu U., Aladag C.H., Egrioglu E., A New Linear&Nonlinear Artificial Neural Network<br />
Model for Time Series Forecasting, Decision support System Journals, 54,<br />
1340-1347, 2013.<br />
Zhang, G..Patuwo. B.E. and Hu. Y.M. Fore casting with artificial neural networks:<br />
thestate of the art, International Journal of Forecasting 14, 35-62, 1998.<br />
Zhao L., Yang Y., (2009). PSO-based single multiplicative neuron model for time<br />
series prediction, Expert Systems with Applications, 36, 2805-2812.<br />
Chen K.Y., Wang C.H. (2007), A Hybrid SARIMA and support vector machines<br />
in forecasting the production values of the macihinary industry in Taiwan, Expert<br />
Systems with Applications, 32(1), 254-264.<br />
Ince H., Traffalis T.B. (2005), A hybrid model for exchange rate prediction, Decisions<br />
Support Systems,42, 1054-1062.<br />
Jain A. and Kumar A.M. (2007), Hybrid neural network models for hydrolgical time<br />
series forecasting, Applied Soft Computing, 7, 585-592.<br />
Lee Y-S., Tong L-I. (2011), Forecasting time series using a methodology based<br />
on autoregressive integreated moving average and genetic programming,<br />
Knowledge-Based Systems, 24, 66-72.<br />
Wang W., Van Gelder P.H.A.J.M., Vrijling J.K., Ma J., (2006) Forecasting daily<br />
stream flow using hybrid ANN models, Journal of Hydrology, 324, 383-399.<br />
Zhang G., Time series forecasting using a hybrid ARIMA and neural network model,<br />
Neurocomputing 50 (2003) 159-175.<br />
24 25<br />
Kaynaklar<br />
Bulanık Zaman Serisi Yaklaşımları<br />
Yapay Sinir Ağları Yaklaşımları<br />
Melez Yaklaşımlar
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Cowles Komisyonu, Alfred Cowles tarafından<br />
1932’de Chicago’da kurulmuştur. 1940’lar ve<br />
1950’lerde çoğu Cowles Komisyonu ile bağlantılı<br />
olan ekonomi teorisyenleri ve ekonometristler, makroekonomide<br />
neden-sonuç ilişkilerini tartışmış ve<br />
makroekonometrik modellerin tahmini için analitik<br />
araçlar geliştirmişlerdir. 1940’larda ilk uygulamalı<br />
çalışmaların çoğu talep esnekliklerinin ölçümü ve<br />
konjonktürel hareketlerle ilgili olmuştur. Bu durum,<br />
ekonomistlerin faaliyetlerini büyük ölçüde bu alanda<br />
geliştirilen teorilere yöneltmiş ve özellikle tarımsal<br />
mallar, dış ticaret ve değişik endüstriler için zaman<br />
serisi verilerin uzun dönemli olarak hazırlanmasına<br />
aksetmiştir. Keynezyen ekonomi teorisiyle bağlantılı<br />
olarak milli gelir hesaplarının geliştirilmesi, makroekonomik<br />
serilerin ekonometrik analizleri için yeni<br />
fırsatlar yaratmıştır. Tahmin edilen makroekonomik<br />
modellerle gerçekleştirilen öngörü veya simülasyonlar,<br />
ekonometrik modellerin politika amaçlı olarak<br />
kullanılmalarını sağlamıştır.<br />
Cowles ekonomistleri, parametreler ve değişkenler<br />
arasında bir ayırımı benimsemişlerdir. Parametreler,<br />
yapısal ve yapısal-olmayan şeklinde sınıflandırılmış<br />
olup yapısal parametrelerin zaman içinde değişmeyeceği<br />
kabul edilmiştir. Model kurucu bir parametreyi<br />
modeldeki diğer parametrelerden fonksiyonel olarak<br />
bağımsız varsayarak modeli kuruyorsa, o parametre<br />
Prof. Dr. Nezir KÖSE<br />
Gazi Üniversitesi,<br />
İ.İ.B.F. Ekonometri Bölümü<br />
AKADEMİK<br />
yapısal olarak adlandırılır. Diğer her şey sabitken, bir<br />
parametre yapısal ise, bu parametrenin farklı değerleri<br />
için içsel değişkenlerin eğilimlerini karşılaştırmak<br />
anlamlı bir analiz olacaktır. Örneğin, kamu ve özel<br />
sektör için herhangi bir mala ilişkin Cobb-Douglas<br />
üretim fonksiyonları aynı dönemleri içerecek veriler<br />
kullanılarak tahmin edildiğinde, iki model için tahmin<br />
edilen parametrelerin farklı olacağı açıktır. Bu örnekte,<br />
kamu ve özel sektör için üretimin sermaye ve<br />
emeğe göre esneklikleri veya ölçeğe göre getirileri<br />
karşılaştırılabilir. Diğer bir ifadeyle, yapısal parametreler<br />
ile karşılaştırmalı statik analizler gerçekleştirilebilir.<br />
Diğer taraftan, Cowles ekonomistleri değişkenleri<br />
de içsel ve dışsal olmak üzere iki gruba ayırmışlardır.<br />
Adlandırmadan da anlaşılacağı gibi, dışsal değişken<br />
model dışından belirlenirken, içsel değişken model<br />
tarafından belirlenmektedir. Dışsal değişken model<br />
dışından belirlendiği için, diğer tüm dışsal değişkenlerin<br />
değişmediği anlamında, diğer her şey sabitken,<br />
dışsal değişkenlerin herhangi birindeki bir değişimi<br />
içeren kuramsal analizleri yapmak ve bu müdahalenin<br />
içsel değişkenler üzerindeki etkisini belirlemek<br />
anlamlı bir analizdir.<br />
Geleneksel ekonometrik modellerin bir diğer kullanımı<br />
da öngörüdür. Bu modeller ile öngörüde dışsal<br />
değişkenlerin öngörü periyodundaki değerlerinin<br />
biliniyor olması gerekmektedir. Diğer bir ifadeyle<br />
geleneksel ekonometrik modellerle gerçekleştirilen<br />
öngörüler koşulludur ve model gerçekten çok<br />
iyi tanımlanmış olsa bile modeli kullananların dışsal<br />
değişkenlerin öngörüsündeki başarısızlıkları içsel<br />
değişkenlerin öngörüsünde de başarısız olunmasına<br />
neden olabilmektedir. Bu nedenle, yapısal ekonometrik<br />
modeller için öngörü başarısı modelin doğru<br />
tanımlanmasının yanı sıra model kullanıcısının dışsal<br />
değişkenler hakkındaki öngörü başarısına da bağlıdır<br />
(McNees, 1986). Yapısal ekonometrik modellerde<br />
dışsal değişkenlerin gelecekteki değerleri geçmişteki<br />
eğilimlerinden tahmin edilebilir. Ancak dışsal<br />
değişkenlerin gelecekteki eğilimleri, model dışındaki<br />
güçler tarafından etkilenebilir. Bu tür ilave bilgiler yapısal<br />
modellerle öngörü yapanlar için içsel değişkenlerin<br />
öngörüsünde kullanılabilir.<br />
Ekonometri bilimi, çoğu Cowles<br />
Komisyonu ile bağlantılı ekonomist<br />
ve ekonometristlerin katkısıyla<br />
1950 ve 1960’lı yıllarda<br />
“altın çağını” yaşamıştır. Tinbergen<br />
ve Frisch ekonomideki<br />
ilk Nobel ödülünü alan ekonometristler<br />
olmuş ve birkaç yıl<br />
sonrada yine Cowles Komisyonu<br />
üyesi olan Klein ve Haavelmo<br />
bu ödülü almışlardır. Bu<br />
durum, ekonometrinin geleceğine<br />
olan güvenin varlığı olarak<br />
algılanmıştır.1970’li yıllara kadar öngörü performansı<br />
oldukça başarılı olan büyük ölçekli makro ekonometrik<br />
modeller, özellikle dünya ekonomisinin petrol<br />
şoklarından etkilenmesiyle birlikte başarısız sonuçlar<br />
vermeye başlamıştır. Ayrıca basit tek değişkenli<br />
zaman serisi modeli çerçevesinde gerçekleştirilen<br />
öngörülerin daha başarılı sonuçlar verdiğinin ortaya<br />
konması ekonometrik modellere olan güvenin sarsılmasına<br />
neden olmuştur. Örneğin, Cooper (1972)<br />
çalışmasında, Amerika Birleşik Devletleri (ABD)<br />
ekonomisi için yedi yapısal ekonometrik model kullanarak<br />
gerçekleştirdiği bir adım sonraki öngörüleri,<br />
otoregressif model çerçevesinde gerçekleştirdiği<br />
öngörülerle karşılaştırmış ve çoğu durumda basit tek<br />
değişkenli otoregressif modellerle bulunan öngörülerin<br />
daha başarılı olduğunu göstermiştir. Ekonomi<br />
teorisi üzerine tesis edilen ekonometrik modeller ve<br />
verilere uygunluk gösteren tek değişkenli modellerin<br />
öngörülerini karşılaştıran çalışmalarda, ekonometrik<br />
modellerin öngörü başarısı daha yüksek bulunsa da,<br />
çok daha basit ve dolayısıyla çok daha az maliyetli<br />
tek değişkenli zaman serisi modellerinin en az büyük<br />
ölçekli ekonometrik modeller kadar başarılı olduğu<br />
şeklinde bir inanç oluşmuştur (Charemza ve Deadman,<br />
1992:12). Bu tarihten sonra, neoklasik makroekonominin<br />
de Keynezyen görüşün önüne geçmesiyle,<br />
Cowles Komisyonuna yöneltilen eleştiriler<br />
artmıştır. Eleştiriler, eşanlı denklemler sistemi için<br />
belirlenmenin sağlanması amacıyla katsayılara sıfır<br />
kısıtlamalarının getirilmesi ve değişkenlerin içseldışsal<br />
ayırımı üzerinde yoğunlaşmıştır.<br />
Yapısal eşanlı ekonometrik modellerin parametre-<br />
lerine getirilen sıfır kısıtlamaları,<br />
vektör otoregressif (VAR)<br />
modellerine dayanan yeni<br />
metodolojiyi ilk formüle eden<br />
Sims(1980) tarafından “kabul<br />
edilemez” olarak nitelendirilmiştir.<br />
VAR modelleme yaklaşımını<br />
benimseyenler, ekonomik<br />
teorilerden türetilen bu kısıtlamaların<br />
zoraki (istemeyerek)<br />
yapıldığını belirterek Cowles<br />
yaklaşımını eleştirmişlerdir.<br />
VAR modelleme ile geleneksel<br />
yapısal ekonometrik modeller arasındaki farklılaşma<br />
modelin kurulması ve kullanılması aşamalarında<br />
ortaya çıkmaktadır. Yapısal ekonometrik modellerin<br />
kurulmasında ekonomi teorisinden yararlanılır. Modele<br />
dahil edilecek değişkenlerin belirlenmesinden<br />
sonra değişkenlerin içsel-dışsal olarak ayrılması gerekir.<br />
VAR modellemede değişkenlerin tamamı içsel<br />
kabul edilmektedir. Bu durum bir avantaj gibi gözükse<br />
de uygulamada VAR modeller için bazı önsel kısıtlamalardan<br />
kaçınmak mümkün olmamaktadır. Örneğin,<br />
altı değişkenli bir sistemde her değişkenin beş<br />
gecikmeye sahip olması durumunda modeldeki her<br />
denklemde tahmin edilecek parametre sayısı otuz<br />
olacaktır. Veri sayısının yeterli olmadığı durumlarda<br />
böyle bir modellemeyi yapmak mümkün değildir. Bu<br />
durumda modelden bazı değişkenlerin çıkarılması<br />
gerekir. VAR modelinde değişkenlerin tamamının içsel<br />
kabul edilmesi veparametrelere sıfır kısıtlamalarının<br />
getirilmemesinin doğal bir sonucu olarak güçlü<br />
bir ekonomi teorisini de gerek kalmamaktadır. VAR<br />
modellemede “herşey her şeyin nedenidir” ve başlangıç<br />
noktası olarak çok genel ekonometrik prensiplerden<br />
daha fazlasına gerek yoktur. Bu nedenle Sims<br />
Metodolojisi sık sık bir kritik olarak “teorisi olmayan<br />
makro ekonometri” olarak adlandırılır (Cooley ve Le-<br />
Roy, 1985)<br />
VAR modelin en iyi kullanımının öngörü olduğu şeklindeki<br />
görüşler oldukça yaygındır. Bunun nedeni<br />
VAR modelde dışsal değişken olmadığından öngörü<br />
periyodu için dışsal değişkenler hakkında herhangi<br />
bir varsayıma gerek olmamasıdır. VAR model ön-<br />
26 27
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
görüleri, tüm değişkenlerin gelecekteki davranışının<br />
örnek periyodundaki ile aynı kalacağı örtülü varsayımı<br />
üzerine tesis edilmektedir. Sims (1980) makalesinde,<br />
VAR modelleme yaklaşımındaki esas amacını<br />
öngörü değil, değişkenler arasındaki dinamik ilişkileri<br />
ortaya çıkarmak olarak tanımlamıştır. VAR modelinde<br />
hata terimleri arasındaki eş zamanlı çapraz<br />
kovaryanslar sıfırdan farklıdır ve bu özellik, ekonomi<br />
teorisiyle tutarlı ve ekonomik politika analizi için uygulanabilir<br />
olan ve dolayısıyla Cowles Komisyonuna<br />
alternatif bir yapısal formülasyonu sağlamaktadır.<br />
İki değişkenli ve gecikme uzunluğu bir olan VAR modeli<br />
aşağıdaki gibi tanımlanır:<br />
2 2 Burada; E(e )=E(e )=0, E(e )=s11,E(e2t )=s22<br />
1t 2t 1t<br />
ve E(e e )=s12. Bu model ile değişkenler arasın-<br />
1t 2t<br />
daki dinamik ilişkilerin analizi için hata terimleri e1t ve e arasındaki çapraz kovaryansın sıfır olması<br />
2t<br />
gerekmektedir. Bu kovaryansı sıfır yapacak iki farklı<br />
dönüşümü uygulamak mümkündür.<br />
Örneğin; d=s /s olmak üzere birinci denklem<br />
12 11<br />
d ile çarpılıp ikinci denklemden çıkarılırsa aşağıdaki<br />
eşitliklere ulaşılır:<br />
* * * c =c1-da , d =d1-db iken e =e2t-de dir.<br />
1<br />
1 1<br />
1 2t<br />
1t<br />
* Böylece e1t ve e arasındaki çapraz kovaryans<br />
2t<br />
* E(e e )=E(e ( e -de ))==E(e e -<br />
1t 2t<br />
1t 2t 1t 1t 2t<br />
2 2 de )=E(e1te )-dE(e )=s12-(s /s )s =0<br />
1t<br />
2t 1t<br />
12 11 11<br />
olmaktadır. Bu dönüşümde x değişkeni y değişkenini<br />
eş zamanlı olarak etkilemekte iken kendisi y’nin eş<br />
zamanlı değişkeni tarafından etkilenmemektedir. Bu<br />
durumun bir sonucu olarak x değişkeni y değişkeninden<br />
önce gelmektedir. Buna karşın hata terimleri<br />
arasındaki eş zamanlı çapraz kovaryans, d=s12/<br />
s22 olmak, ikinci denklem d ile çarpılıp birinci denklemden<br />
çıkartılarak da sıfır yapılabilir.<br />
AKADEMİK<br />
* * Burada; a *=a -dc , b =b1-dd iken e =e1t- 1 1 1 1<br />
1 1t<br />
* de olmaktadır. Böylece e ve e2t arasındaki çapraz<br />
2t 1t<br />
kovaryans<br />
* 2 E(e e2t )=E((e -d e )e )==E(e e -de )=E(e1t<br />
1t<br />
1t 2t 2t 1t 2t 2t<br />
2 e )-dE(e )=s12-(s /s )s =0<br />
2t 2t<br />
12 22 22<br />
olmaktadır. Bu dönüşümde y değişkeni x değişkenini<br />
eş zamanlı olarak etkilemekte iken kendisi x’in eş<br />
zamanlı değişkeni tarafından etkilenmemektedir. Bu<br />
durumun bir sonucu olarak y değişkeni x değişkeninden<br />
önce gelmektedir. VAR modelleri ile yapılan<br />
analizler öncesinde hata terimlerine ilişkin çapraz kovaryansların<br />
sıfır olması için yapılan dönüşümlerden<br />
hangisinin seçileceğine ilişkin kararın verilmesi gerekmektedir.Yukarıda<br />
yapılan birinci dönüşümde e1t ve e hata terimleri y 'yi eşzamanlı olarak etkilemek-<br />
2t t<br />
te ancakx değişkenini sadece e eş zamanlı olarak<br />
t 1t<br />
etkilemektedir. İkinci dönüşümde ise e ve e hata<br />
1t 2t<br />
terimleri x 'yi eşzamanlı olarak etkilemekte ancak y t t<br />
değişkenini sadece e eş zamanlı olarak etkilemek-<br />
2t<br />
tedir. Hata terimlerinin bu şekilde üçgensel biçimde<br />
ayrıştırılması “Choleski ayrıştırması” olarak adlandırılır.<br />
M değişken sayısı olmak üzere M faktöriyel (M!)<br />
sayıda “Choleski ayrıştırması” yapmak mümkündür.<br />
Sims (1980) çalışmasında altı değişken kullanmıştır.<br />
Bu durumda, hata terimleri arasındaki çapraz kovaryansları<br />
sıfır yapan ve birbirinden farklı olan 720<br />
dönüşüm yapılabilmektedir. Şayet hata terimleri<br />
arasındaki kovaryanslar sıfır değilse,bu dönüşümlerin<br />
her biri araştırmacıyı farklı sonuçlara götürebilir.<br />
Yukarıda bahsedilen iki farklı dönüşüm hangi değişkenin<br />
daha önce geleceği bir bakıma hangi değişkeninin<br />
diğerine göre dışsal olduğunun belirlenmesini<br />
gerektirmektedir. Bu nedenle VAR modeli çerçevesinde<br />
yapılan analizlerde araştırma kapsamına alınan<br />
değişkenlerin dışsaldan içsele doğru sıralanması yaklaşımı<br />
ile dönüşüm matrisi oluşturulmaktadır. Sims<br />
(1980) çalışmasında bu sıralamayı önsel bilgi (iktisat<br />
teorisi)kullanarak yapmıştır. Bu durum VAR modeli<br />
için değişkenlerin seçilmesi ve sıralanmasında iktisat<br />
teorisine ihtiyaç olduğu anlamına gelmektedir.<br />
Diğer bir ifadeyle, geleneksel ekonometrik modeller<br />
için hangi değişkenlerin içsel hangilerinin dışsal<br />
olduğuna ilişkin karar vermede yaşanan sorunlar<br />
(belirlenme sorunu) VAR modelinde değişkenlerin<br />
dışsaldan içsele doğru sıralanmasışeklinde devam<br />
etmektedir.<br />
VAR modelin vektör hareketli ortalama (VMA) gösterimi<br />
değişkenler arasındaki karşılıklı dinamik ilişkilerin<br />
analizinde kullanılan bir araçtır. Değişken sıralamasının<br />
x ve y şeklinde olduğu durum için yukarıda<br />
verilen VAR(1) modelinin VMA gösterimi aşağıdaki<br />
gibi ifade edilebilir:<br />
Araştırma kapsamına alınan değişkenlerin tamamı<br />
VAR modelinde içsel statüsünde olduğuna göre,<br />
VMA gösteriminde dışsal değişken olarak sadece<br />
hata terimleri kalmaktadır. Hata terimleri vasıtasıyla<br />
değişkenler arasındaki dinamik ilişkilerinin analizine<br />
ekonomik bir anlam verebilmek için hata terimlerini<br />
“şok” olarak adlandırmak gerekmektedir. VAR modellerle<br />
politika analizi, etki-tepki fonksiyonları ara-<br />
0 cılığıyla yapılmaktadır.Örneğin f katsayısı e1t deki<br />
21<br />
bir birimlik değişimin y üzerinde beklenen eş zamanlı<br />
t<br />
tepkisini göstermekte iken f 21<br />
1 katsayısı e1t deki bir<br />
birimlik değişime y 'nin bir dönem sonraki beklenen<br />
t<br />
tepkisini gösterecektir. e ve/veya e deki 1 birim-<br />
1t 2t<br />
lik uyarımların birikimli etkileri etki-tepki fonksiyonu<br />
katsayılarının uygun toplamı ile bulunabilir. Örneğin,<br />
n n-dönem sonra e 'nin y değerine etkisi f dir.<br />
1t t+n 21<br />
Böylece, e 1t 'nin{y t }serisine n-dönem sonraki toplam<br />
etkisi Sn f i=1 t<br />
21 olacaktır.<br />
VAR modeller ile politika analizi öngörü hatasının varyans<br />
ayrıştırması vasıtasıyla da yapılmaktadır. Öngörü<br />
dönemi 1’den n’e kadar alınarak hesaplananx de- t<br />
ğişkeni öngörü hata varyans ayrıştırması değerleri,xt değişkeninin öngörü hata varyansına kendi ve diğer<br />
değişken y 'nin şoklarının etkisini gelecek dönem-<br />
t<br />
ler itibariyle gösteren bir araç olarak kullanılabilir.<br />
Ayrıca,e şokları, tüm öngörü dönemleri için y 'nin<br />
1t t<br />
öngörü hata varyansının hiçbirini açıklamıyor ise, yt değişkeninin dışsal olduğunu söyleyebiliriz. Diğer bir<br />
uç durum ise, e şoklarının tüm öngörü dönemlerin-<br />
1t<br />
de y ' deki öngörü hata varyansının tamamını açık-<br />
t<br />
lamasıdır. Böyle bir durumda, y değişkeni içseldir<br />
t<br />
kararına varılabilir. O halde, varyans ayrıştırması,<br />
sistemdeki bir değişken üzerinde hangi değişkenin<br />
daha etkili olduğunun belirlenmesinde kullanabileceğimiz<br />
bir araçtır. Ayrıca, VAR modelleme yaklaşımında<br />
herhangi bir davranışsal ekonomik teori yoktur ve<br />
dolasıyla elde edilen sonuçların doğruluğu veya yanlışlığını<br />
ortaya çıkarmak mümkün değildir. Bu nedenlerle,<br />
VAR modeller çerçevesinde yapılan etki tepki<br />
analizleri ile öngörü hatasının varyans ayrıştırması<br />
sonuçları bilgi verici olarak değerlendirilmelidir.<br />
Dışsallık düşüncesinin ekonomiye müdahale edilebileceği<br />
fikrini içerdiği açıktır. Bu nedenle geleneksel<br />
yapısal ekonometrik modellerin, en azından prensipte,<br />
Keynezyen makro ekonomi temelinde bir metodoloji<br />
üzerine kurulu olduğu söylenebilir. VAR modeller<br />
üzerine geliştirilen etki-tepki fonksiyonları ve varyans<br />
ayrıştırması vasıtasıyla yapılan analizlerde ise ekonomik<br />
şoklara karşı içsel değişkenlerin tepkisi ölçülerek<br />
analizler yapılmaktadır. Ekonomide şoklar ekonomiye<br />
pozitif ya da negatif yönde etki eden beklenmedik<br />
olaylar olarak tanımlanabilir. Diğer bir ifadeyle, şoklar<br />
dışsal faktörlerde beklenmeyen bir değişimi ifade<br />
ederve ekonomistler tarafından açıklanamayan bu<br />
faktörler içsel değişkenler üzerinde etkiye sahiptir.<br />
Dolayısıyla ekonomistler tarafından açıklanamayan<br />
diğer bir ifadeyle kontrol edilemeyen beklenmedik<br />
şokların içsel ekonomik değişkenler üzerindeki etkisi<br />
üzerine kurulan VAR modellerinin ekonomiye müdahale<br />
edilmemesi fikrine dayalıbir metodoloji üzerine<br />
tesis edildiği söylenebilir.<br />
Kaynaklar<br />
Charemza, W.W. and D.F. Deadman (1992), New Direction in Econometric Practice,<br />
Edward Elgar Pub. Lim., Aldershot<br />
Cooley, F.T. and S.F. LeRoy (1985), “Atheoretical Macroeconometrics”, Journal of<br />
Monetary Economics, Vol.16, 283-308.<br />
Köse, Nezir (1996), Vektör Otoregressif Modeller Üzerine Bir İnceleme, Basılmamış<br />
Doktora Tezi, Gazi Üniversitesi, SosyalBilimler Enstitüsü.<br />
McNees, Stephen K. (1986), “Forecasting Accuracy of Alternative Techniques: A<br />
Comparison of US Macroeconomic Forecasts”, Journal of Business and Economic<br />
Statistics, Vol.4, 5-15.<br />
Sims, Christopher (1980), “Macroeconomics and Reality”, Econometrica,<br />
Vol.48, 1-48.<br />
28 29
1.Giriş<br />
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Günlük yaşamda kaos sıkça duyulan ve kullanılan<br />
bir kelimedir. Yaşamımız boyunca tanık olduğumuz<br />
birçok olay hatta doğa bile bize düzensiz, karmaşık,<br />
kuraldışı, rastgele gözükmektedir. Düzensiz gibi gördüğümüz<br />
aslında bizim düzen algımızla algılayamadığımız<br />
bir düzen paradigması olan bu tipteki olgulara<br />
‘kaos’ adı verilmektedir. Bunun yanında kaos kavramı<br />
aslında bilimsel terminolojiden günlük konuşmaya<br />
geçmiş ve dünyadaki farklı dillerden gelen hemen<br />
hemen herkesin aşağı yukarı benzer anlamlarda algıladığı<br />
nadir kelimelerden biridir.<br />
Şahika GÖKMEN<br />
Ekonometri Bölümü, Gazi Üniversitesi<br />
Reşat KASAP<br />
İstatistik Bölümü, Gazi Üniversitesi<br />
AKADEMİK<br />
Kaos kelimesi, Yunan mitolojisine kadar dayanmaktadır<br />
ve “madde var olmadan önceki boşluk, yeraltı<br />
dünyasındaki dipsiz çukur” anlamlarına gelmektedir.<br />
Bütz (1995) ise makalesinde kaos kelimesini, ilk<br />
çağlardaki mitolojilerde görmenin mümkün olduğunu<br />
belirtip, Çin İmparatorluğu (İ.Ö. (2598-2698 Sarı<br />
imparator Dönemi), Mısır Uygarlığı (İ.Ö. 2500), Babil<br />
Krallığı (İ.Ö. 1300), Amerika'nın yerlileri ve Eski Yunan<br />
(İ.Ö. 700) uygarlığı gibi uygarlıkları örnek vererek<br />
bu görüşünü desteklemiştir. 19.yy’ın ikinci yarısında<br />
ise modern bilimin oluşması ile ilk çağlardan gelen<br />
ve dilimize Fransızcadan geçen kaos kelimesi daha<br />
çok “karmaşa” ve “düzensizlik” anlamlarında kullanılmaya<br />
başlanmıştır [Serin, 2003].<br />
Buna karşılık kaos kavramını literatürde ilk olarak<br />
York ve Li isimli bilim adamlarının kavramın özellikleri<br />
ile birlikte tanımladığı bilinmektedir. York ve Li<br />
bu kavramın, ele alınan bir sistemdeki neden–sonuç<br />
ilişkisinin orantılı olmaması, sistemin doğrusal olmaması<br />
ve başlangıç koşullarına hassas bağlılık göstermesi<br />
gibi üç ana özellik üzerine kurulu olduğunu<br />
ortaya koymuşlardır. Aynı zamanda bu sistemlerin<br />
periyotsuz ve açık biçimde rastgele bir davranış gösterdiğini<br />
de belirtmişlerdir[Bozdağ, 1998].<br />
Bizim bilimsel anlamda incelediğimiz ve kullandığımız<br />
kaos kavramının tanımı ise bilim adamlarının<br />
araştırmaları sayesinde, zaman içinde yavaş yavaş<br />
ortaya çıkmıştır. Bu tanımların bir kısmı kronolojik<br />
olarak aşağıdaki şekilde karşımıza çıkmaktadır [Gökmen,<br />
2012]:<br />
Rastlantısal davranan, düzgün geometrik yapıya<br />
sahip bir düzen – Lorenz (1963)<br />
Kurallar tarafından belirlenen kuralsız davranış<br />
– Stewart (1989)<br />
Periyodu olmayan davranış – Kosko (1993)<br />
Çok fazla karmaşık olan bir davranışa ulaştıran<br />
denge dışı durum – Rasmussen ve Mosekilde<br />
(1988)<br />
Kararsızlık yaratan mekanizmalar ile doğrusal olmayan<br />
kısıtlar sonucunda ortaya çıkan bir davranış<br />
şekli – Mosekilde ve ark. (1988)<br />
Genelde doğada ve insan topluluklarında görülen,<br />
iyi tanımlanmış, doğrusal olmayan geri beslemelerin<br />
yarattığı düzgün olmayan davranış – Stacey<br />
(1993)<br />
Basit ve iyi tanımlanmış bazı sistemlerin açıkça<br />
gösterdikleri karmaşık davranıştır. Bu sistemler<br />
periyotsuz ve açık biçimde rastgele bir davranış<br />
gösterirler – Hilborn (1994)<br />
Bütün bu bilgiler ışığında, her ne kadar kaos teoremi<br />
başlangıçta determinizmi çürütmüş gibi görünmekteyse<br />
de aslında temelinde deterministik bir yapıbulunmaktadır.<br />
Hatta kaotik sistemler tam olarak<br />
deterministik sistemler ile tamamen düzensiz ve<br />
rastgele sistemlerin arasında yer almaktadır. Ancak,<br />
kaos teoremindeki determinizmin sanıldığı kadar basit<br />
olmadığına dikkat çekmek gerekmektedir. Çünkü<br />
burada basit neden-sonuçilişkilerinden ziyade, küçük<br />
olayların tahmin edilemeyecek kadar çok büyük sonuçlar<br />
doğurabilmesi durumu söz konusu olmaktadır.<br />
Kaotik sistemler, tüm girdileri değerlendirip, ona<br />
göre nihai bir davranış ortaya koymaktadırlar. Değişkenlerin<br />
çok sayıda olması ortamı kaotik yapan<br />
temel etken olmakla birlikte; kaotik bir yapının öngörülebilmesi<br />
için sisteme ilişkin en basit hareketlerin<br />
dahi yapıya dahil edilmesi gerekmektedir. Buradan<br />
hareketle “kaotik” terimi, insanın hesaplayamadığı,<br />
son derece karmaşık, ama kendi iç düzenine sahip<br />
30 31
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
bir süreç olarak düşünülmektedir. Bu açıdan kaosun<br />
düzen içindeki düzensizlik mi yoksa düzensizlik<br />
içindeki düzen mi olduğu hala tartışılmakla birlikte,<br />
günümüzde genel olarak kaotik çalışmalar yapan<br />
araştırmacıların “düzen içinde düzensizlik” aradıkları<br />
görüşü hakimdir. Buna göre kaosun, aslında oldukça<br />
karmaşık bir düzen sergilemesi durumu "deterministik<br />
(belirlenici) kaos" olarak adlandırılmaktadır<br />
ve “deterministik bir dinamik sistemde düzensiz<br />
hareketlerin ortaya çıkması” olarak tanımlanmaktadır<br />
[Gökmen, 2012]. Aynı zamanda nedeni ve seyri<br />
bilinemeyen, hesaplanamaz olan "stokastik (rastlantısal)<br />
kaos" kavramı da mevcuttur.Lovejoy ve<br />
Schetzer (1999) stokastik kaosa, doğrusal olmayan<br />
sabit ölçüdeki dinamik sistemlerin sebep olduğunu<br />
söylemişlerdir. Bu tanım, evrensel çoklu fraktallara<br />
karşılık gelmektedir. Fakat günümüzde bilimin ilgilendiği<br />
daha ziyade deterministik kaostur.<br />
Ele aldığı olgu nedeniyle ve teknolojinin de ilerlemesiyle<br />
birlikte kaotik yapı kimyadan ekonomiye,<br />
fizikten biyolojiye hatta tarihten sosyolojiye kadar<br />
baktığımız birçok alanda görülebilmektedir. Bu yapı<br />
ile birlikte kullanılan diğer kavramlar ve ilişkilerden<br />
bazıları iseşunlardır [Eren, 2009]<br />
• Doğrusal- Doğrusal olmama- bilgisayar simülasyonları,<br />
• Süreklilik- süreksizlik,<br />
• Denge- dengesizlik- çoklu denge,<br />
• Kararlılık- sürekli kararsızlık (karasızlık),<br />
• Düzen - düzensizlik - düzensizliğin düzeni,<br />
• Basitlik - karmaşıklık,<br />
• Periyodik- aperiyodik.<br />
Kaos kavramının ve kaotik sistem özelliklerinin ortaya<br />
konmasıyla literatürde kaos olayıyla ilgili çalışmalar<br />
genel olarak iki ana bölümde odaklanmıştır.<br />
Bunlardan ilki, kaosun ve kaotik davranışın olumsuz<br />
olarak algılandığı ve bu tür davranışların görülmemesi<br />
arzulanan sistem yapılarında kaotik kontrol çalışmalarıdır<br />
[Pehlivan ve ark., 2007]. Kaotik sistemler<br />
ile ilgili ikinci ana çalışma alanı ise, ilginç özelliklere<br />
sahip kaotik işaretler ve sistemlerden olumlu yönde<br />
yararlanma fikri doğrultusunda yapılan çalışmalar<br />
olmuştur. Günümüzde yapılan çalışmalar çoğunluklu<br />
olarak kaotik yapıları anlama ve faydalanma amaçları<br />
etrafında toplanmaktadır.<br />
1.1. Kaos’un tarihsel oluşumu<br />
Poincare 19.yy sonlarında basit dinamik sistemlerin<br />
oluşturdukları tahmin edilemeyen değişimler ve başlangıç<br />
durumuna olan bağlılık ile matematiğe yeni bir<br />
bakış açısı getirmiştir [Tosun, 2006]. Poincare gök<br />
cisimlerinin hareketleri ile ilgilenirken 3 cisim problemini<br />
ortaya koyar ve bu çalışma ile kaos sözcüğünü<br />
bilimsel literatüre sokarak “3 ve daha fazla cismin<br />
bulunduğu her sistem kaotiktir” demiştir.<br />
Şekil 1. HenriPoincare (1854-1912)<br />
AKADEMİK<br />
Bunu takiben Edward Lorenz, kurduğu basit bir meteoroloji<br />
modeli ile kaos teorisinin oluşumundakiilerlemeyi<br />
hızlandırmıştır. 1961 yılında meteoroloji profesörü<br />
Edward Lorenz, hava tahmin modelinin verdiği<br />
ardışık dizilerden birini uzun uzadıya incelemek istediğinde<br />
bir kestirme yola başvurmuştur. Bunun için<br />
programı tekrar başa döndürüp çalıştırmak yerine<br />
ortalardan bir yerden başlattığı anlatılmaktadır. Makineye<br />
başlangıç durumundaki koşulları vermek için<br />
daha önce yazıcıdan çıkarmış olduğu dizilere bakıp<br />
aynı sayıları klavyeden programa girmiştir ve bir süreliğine<br />
oradan uzaklaşmıştır. Ancak bir saat kadar<br />
sonra döndüğünde elde ettiği sonuçlar karşısında<br />
çok şaşırmıştır. Lorenz yazıcıdan yeni çıkan döküme<br />
baktığında, hava durumu bir önceki şekilde yer alan<br />
dökümden öyle hızla uzaklaşmıştır ki, bir kaç aylık<br />
süre içinde aradaki bütün benzerlik ortadan kalkmıştır.<br />
İlk olarak bilgisayarın bozulduğu düşünülmüş olsa<br />
da daha sonraları Lorenz gerçeğin farkına varmıştır.<br />
Böylece sorunun bilgisayardan değil, bilgisayara girdiği<br />
sayılardan kaynaklandığını fark etmiştir. Çünkü<br />
bilgisayar belleğine kaydedilen sayılar virgülden sonra<br />
altı basamağa sahipken, Lorenz virgülden sonra<br />
üç basamak girmiştir ve binde birlik farkın önemli olmayacağını<br />
düşünmüştür [Tosun, 2006].Lorenz ilerleyen<br />
çalışmalarında bunun kaotik bir yapı olduğunu<br />
göstermiş ve günümüzde de çok bilinen “Kelebek<br />
Etkisi” düşüncesini literatüre katmıştır.<br />
Şekil 2. Edward Lorenz (1917-2008)(solda), Kelebek Etkisi’nin<br />
Faz Uzayı Görünümü (sağda)<br />
Tüm bunlardan da anlaşılabileceği gibi kaos kavramı,<br />
herhangi bir bilim dalının tekelinde olmadığından<br />
birçok bilim dalıyla yakın ilişkiye sahiptir. Özellikle<br />
20.yy sonlarında ve 21.yy başlarında kaosun ortaya<br />
koyduğu yaklaşımlarla bugün mühendislikten tıbba,<br />
ekonomiden bilişime, istatistikten astronomiye kadar<br />
pek çok bilim dalında karşılaşılan güçlükler incelenmeye<br />
çalışılmaktadır. Tüm bu bilim dallarının yanında,<br />
hem anlayamayacağımız kadar karmaşıklığa<br />
sahip olduğundan, hem de çok küçük değişimlerle<br />
büyük farklılıklar elde edilebildiğinden meteoroloji,<br />
kaosun ilk çıkış noktası olmakla birlikte aynı zamanda<br />
da hala en önemli uygulama alanlarından biri olarak<br />
görülmektedir [Kasap ve Kurt, 2011]. Bu yöndeki en<br />
büyük delil, bu bilim alanlarının tümünün doğrusal olmayan<br />
dinamik yapıları barındırmalarıdır. Bu sayede<br />
kaos konusu daha da popüler hale gelmektedir.<br />
1.2.Kaotik Süreçlerin Teknik Özellikleri<br />
Kaos teorisi, başlangıç koşullarına hassas bağlılık<br />
(sensitivedependence on initialconditions),fraktal<br />
geometri ve garip çekiciler (strangeattractor) kavramlarına<br />
dayanmaktadır. Dolayısıyla bu bölümde,<br />
bu kavramlar hakkında bilgi verilecektir.<br />
1.2.1.Başlangıç koşullarına hassas bağlılık<br />
Yukarıda da bahsedildiği gibi Lorenz bütünüyle deterministik<br />
bir model kullanmıştır. Dolayısıyla belirli<br />
bir çıkış noktasından hareket edildiğinde hava durumunun<br />
tıpatıp aynı gelişmeyi göstermesi beklenmektedir.<br />
Buna göre biraz farklı bir çıkıştan hareket<br />
edildiğinde de, hava durumunun biraz daha farklı bir<br />
gelişme göstermesi beklenecektir. Çünkü buradaki<br />
gibi küçük bir sayı hatasının rüzgarın küçücük bir<br />
esintisinden bir farkı yoktur. Doğal olarak hafif esintiler<br />
hava durumunda önemli, büyük ölçekli değişimler<br />
oluşturmadan ya zayıflayıp ortadan yok olmaktadırlar<br />
ya da birbirlerini dengelemektedirler. Oysa<br />
Lorenz’in kullandığı denklemler sisteminde küçücük<br />
hatalardan felaketler doğmaktadır. Burada başlangıç<br />
değerlerindeki binde birlik değişmeler sonuçta çok<br />
büyük ölçüde değişimler ortaya çıkarmıştır. Lorenz<br />
araştırmalarının devamında şaşırtıcı biçimde aynı<br />
sonuca varmıştır ve bu durumu “Mesela bir kelebek<br />
Pekin’de uçuyor olsun. Bu kelebeğin uçuşundaki bir<br />
kanat çırpışından dolayı bir bulutun hareket etmesi<br />
ve New York ’da bir fırtınanın baş göstermesi mümkündür”<br />
yorumu ile tanımlamıştır. “Başlangıç koşullarına<br />
hassas bağlılık”olarak tanımlanan bu durum<br />
kelebek etkisi (butterflyeffect) olarak da literatürde<br />
yer almaktadır.<br />
Burada dikkat edilmesi gereken, bahsedilen fırtınaların<br />
tahmin edilebilmesi için kelebeklerin kanat<br />
çırpmasının yeterli olduğu değil, kelebeklerin kanat<br />
çırpışından meydana gelebilecek çok küçük hava<br />
hareketlerinin dahi modele katılması gerektiğidir.<br />
Yani başlangıç koşullarında yapılan çok küçük bir değişiklik,<br />
sistem çıktılarında uçsuz bucaksız ve önceden<br />
kestirilemeyen sonuçlara neden olabilmektedir.<br />
Çünkü kaos teorisine göre tüm birimler içinde küçük<br />
değişiklikler barındırmaktadır. Dolayısıyla da bu kavram<br />
kaotik hareketin temel özelliklerinden biridir. Bu<br />
gelişme ile birlikte, birimler içinde küçük değişikliklerin<br />
var olduğu değerler analiz edilebilmekte ve kaos<br />
ile ilgili olduğu bilinen konular daha iyi organize edilebilmektedir.<br />
32 33
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
1.2.2. Fraktal geometri<br />
Mandelbrot “fraktal” kavramını, “Parçalar ile bütünün<br />
benzer yapısal özellikler gösterdiği geometrik<br />
şekiller” olarak ifade etmektedir[Tosun, 2006]. Bu<br />
açıdan, fraktal geometri en basit haliyle“Kaos’un<br />
geometrisi” olarak tanımlanmaktadır. Kesirli boyutlara<br />
sahip şekiller, her ölçekte aynı görüntüyü veren<br />
kendine-benzer (self-similiar) yapılar, sonsuza kadar<br />
süren dallanmalar ve bu dallanmaların ana yapı ile<br />
yapısal benzerlik göstermeleri fraktal geometrinin<br />
temelini oluşturmaktadır. Fraktal yapılarla gerçel<br />
doğanın yapıları kurallarla açıklanmaya çalışılmaktadır.<br />
Kendini tekrarlayan bu yapılar, Öklid geometrisi<br />
ile anlaşılamamaktadır. Ancak fraktal geometri, bu<br />
şekillerin gizemini çözebilmektedir. Bu yapıların basitleştirilmeye<br />
çalışılması ve ulaşılmaya çalışılan bu<br />
basitlikle kompleks sistemlerin açıklanmaya çalışılması,<br />
fraktal yapıların araştırılma sebebini oluşturmaktadır.<br />
Şekil 3. Benoit Mandelbrot (1924-2010) (ortada) ve Çeşitli Fraktal<br />
Şekiller<br />
Fraktal Şekilleri oluşturmanın temel ve basit kuralı,<br />
alınacak bir kuralın sürekli olarak tekrar edilmesidir.<br />
Yani bir kural sabit olarak alınır ve sürekli olarak uygulanırsa<br />
fraktal bir şekil elde edilebilmektedir.<br />
Birçok veri grubunun analizinde başrol oynayan zaman<br />
serilerinde fraktal yapılar ise serinin zaman<br />
içinde kendine benzer yapılar göstermesiyle ortaya<br />
çıkmaktadır. Fraktal zaman serileri esasen tesadüfi<br />
olarak dağılmış zaman serileridir ve deterministik<br />
olduklarından bütün özelliklerini kesin periyotlar halinde<br />
göstermemektedirler. Dolayısıyla ana yapıya<br />
AKADEMİK<br />
benzeyen yapı şekilleri zaman serisi içinde tesadüfen<br />
oluşmaktadır ve günümüzde borsa verileri gibi<br />
birçok zaman serisi grafiğinde fraktal yapının varlığı<br />
gösterilmiştir. Bu yapının varlığı ise, yatırım ve tahmin<br />
ile ilgilenen araştırmacılar için oldukça önemli bir<br />
yer tutmaktadır [Gökmen, 2012].<br />
Şekil 4. Zaman Serilerinde Fraktal Yapıya Örnek<br />
Bir seri doğrusal oldukça fraktal boyutu da 1’e yaklaşmaktadır.<br />
Dolayısıyla yüksek sivrilikler içeren, yükseliş<br />
ve düşüşlerin fazla olduğu yapılardabu boyut<br />
hem 2’ye yaklaşmaktadır hem de kesirli bir sayı olmaktadır.<br />
Bu durumda Tonis Vaga’nın kaos teorisini<br />
finansal piyasalara uygulamasının nedeni açıklanabilmektedir.<br />
Vaga’ya göre piyasalarda risk ve getiri<br />
doğrusal olmayan oynak bir yapıya sahiptir [Vaga,<br />
1991]. Bu nedenle iyi bir analiz yapabilmek için sistemin<br />
fraktal boyutu ve yapısı önemlidir. Çünkü bu<br />
sayede piyasanın bazı şartlarına göre düşük risklerde<br />
yüksek getiriler elde edebilmek mümkündür. Benzer<br />
olarak Warren Buffet ve George Soros gibi yatırımcılar<br />
da, uzun vadede ortalamaya göre yüksek kar elde<br />
etmelerini benzer bir şekilde açıklamışlardır [Tosun,<br />
2006].<br />
1.2.3.Garip çekiciler<br />
Çekiciler kısaca dinamik sistemlerin resimleridirler.<br />
Buna göre bir dinamik hareket incelendiğinde fraktal<br />
geometri, çalışmaları büyük ölçüde kolaylaştırmaktadır.<br />
Örneğin, nokta çekici sistemin zamana göre<br />
değişmeden durduğunu ifade ederken garip çekiciler<br />
karmaşık (ve kaotik) olup çoğunlukla ilginç yapılarda<br />
şekillenmektedir.<br />
Burada kavramsal açıdan bakıldığında çekiciler<br />
iki önemli noktayı içermektedirler. Bunlar, çekicinin<br />
bizzat kendisi ve onun formudur. Buna göre bir<br />
sistemin davranışı bütünüyle o sistemin çekicisiyle<br />
anlaşılmaktadır. Dolayısıyla bir çekici ancak fraktal<br />
geometri tarafından tanımlanabiliyorsa o çekiciye<br />
garip çekici denmektedir. Kaos çalışmalarının vazgeçilmez<br />
kavramı olan garip çekiciler her farklı kaotik<br />
zaman serisi için farklı faz uzayı portresine sahiptirler.<br />
Kaotik çekicilerde, sistemin faz uzayında ziyaret<br />
ettiği noktalardan oluşan bu kümeler düzensiz geometrik<br />
yapılar meydana getirmektedirler. Burada<br />
oluşan fraktal geometri, sınırlı bir faz uzayı içindeki<br />
uzama, katlanma ve hacim küçülmesi sonucu küçük<br />
boyutlarda istatistiksel olarak kendine benzer yapılar<br />
şeklinde ortaya çıkmaktadır [Öztürk, 2008]. Buna<br />
göre, sistem kendine benzer bir tarzda sürekli olarak<br />
örülürken, başlangıç koşullarına hassas bağlılık<br />
özelliği gereği, sistemin her hali tek olmaktadır. Bu<br />
da çekerleri oluşturan eğrilere fraktal bir görünüm<br />
kazandırmaktadır. Böylece şekle yaklaşıldıkça bütününü<br />
oluşturan kurallara uygun yeni ayrıntılarla yüz<br />
yüze gelinmektedir ve bu durum sonsuza kadar devam<br />
etmektedir. Böyle yapılardan oluşan çekerler de<br />
kesirli boyuta sahip olmaktadır.<br />
Tablo 1. Çekici Davranışlarının Eşleşmesi<br />
Kaotik yapıya sahip olan bir zaman serisini oluşturan<br />
fonksiyon da tahmin edilemez bir yapıya sahip<br />
olmaktadır. Bu durum, rastgele artıp azalarak değişim<br />
gösteren fonksiyonla eşdeğerdir. Sistemdeki<br />
her bir farklı kaotik dalgalanma için faz uzayında birbirinden<br />
farklı şekiller,diğer bir ifade ile farklı çekiciler<br />
oluşmaktadır. Kaos çalışmalarının tarihsel gelişimi<br />
çerçevesinde ortaya çıkan önemli çekiciler aşağıdaki<br />
gibi sıralanabilmektedir [Kasap ve Kurt, 2011].<br />
-Lorenz çekicisi<br />
-Rössler çekicisi<br />
-Henon çekicisi<br />
Şekil 5. Lorenz Çekeri (solda), Rössler Çekeri (ortada, Hennon<br />
Çekeri (sağda)<br />
Fraktalların özellikleri ile garip çekicilerin özelliklerinin<br />
paralellik göstermektedir. Çünkü her ikisinde de<br />
sonsuza gitme ve kesirli boyuta sahip olma özellikleri<br />
mevcuttur. Ayrıca, fraktalar,garip çekicilerde de<br />
olduğu gibi, sabit bir alanda sonsuz uzunluğa veya<br />
sonlu bir hacimde sonsuz alana sahip olabilmektedirler.<br />
Bu özelliklerinden dolayı kaotik çekiciler, fraktal<br />
boyut ile yakından ilişkili olan korelasyon boyutu<br />
ile karakterize edilebilmektedirler.<br />
1.3.Ekonometrik Hareketler ve Kaos<br />
Kaos, bir asırdan daha uzun bir süre boyunca sadece<br />
birkaç araştırmacı tarafından çalışılmış ve bu<br />
bilim adamları tüm uygulamaların temelini oluşturan<br />
bazı kuramları ortaya koymuşlardır. Ancak özellikle<br />
son 20 yılda kaos ve doğrusal olmayan sistemler<br />
konusunda pek çok akademik dergi yayın hayatında<br />
başlamış ve farklı disiplinlerden birçok bilim adamı<br />
tarafından çalışılır hale gelmiştir. Bu durum, lazerlerin<br />
gücünün arttırılmasında, hisse senedi getirilerinin<br />
yapısının belirlenmesinde, kimyasal reaksiyonlardaki<br />
salınımların denetlenmesinde, düzensiz kalp atışlarının<br />
düzenli hale getirilmesinde, güvenli bir iletişim<br />
için elektronik mesajların şifrelenmesinde ve daha<br />
pek çok alanda kaos konusunun uygulanmasına olanak<br />
sağlamıştır.<br />
Böyle geniş bir bilim yelpazesine hitap eden kaos<br />
konusu ele alınırken, zaman serilerinin es geçilmesi<br />
de elbette mümkün değildir. Özellikle ekonomik ve<br />
iktisadi yapılardaki veriler ve kişinin kalp/beyin sinyalleri<br />
bu alanda incelenen temel konular arasında<br />
yer almıştır.1987 yılında ortaya çıkan sermaye piyasası<br />
bunalımına bağlı olarak zaman serileri ile birlikte<br />
özellikle ekonomi alanındaki kullanımı da hız kazanmıştır.<br />
Son zamanlarda makroekonomik zaman serileri<br />
34 35
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
üzerinde yapılan birçok çalışmada ise, genel olarak<br />
doğrusal olmama, daha özel olarak da kaos konusu<br />
odak noktası olmuştur. Bunun başlıca sebebi kaotik<br />
yapıların, konjonktür dalgalanmalardaki radikal değişiklikleri<br />
çok iyi temsil etmesidir. Kaos, aynı zamanda<br />
farklı makroekonomik yapısal yaklaşımların birleşmesine<br />
de yardımcı olmuştur. Bu konuda Grandmont<br />
(1985), en klasik ekonomik modellerin bile farklı<br />
parametre değerleri için durağan sonuçlar (klasik<br />
ekonomi tanımlaması) ya da dalgalanmalar veya<br />
kaos gibi çok daha karmaşık sonuçlar (çoğunlukla<br />
Keynezyen ekonominin tanımlaması) üretebildiğini<br />
göstermiştir [Barnett, 1998].<br />
Makroekonomik verilerin oluşturduğu sürecin doğrusal<br />
olmayan bağımlılık içerdiğinde genel bir fikir birliği<br />
mevcuttur.Ancak buna rağmen bütün makroekonomik<br />
verilerde kaos olduğu konusunda bir fikir birliği<br />
henüz mevcut değildir.Bunun sebebi tüm makroekonomik<br />
zaman serileri üzerinde yapılan çalışmaların<br />
fikir ayrılıklarına sebep olmasıdır. Örneğin, Frank ve<br />
Stengos (1989) 1975-1986 yılları arasındaki gümüş<br />
fiyatlarını kullandıkları çalışmada düşük seviyede<br />
kaos olduğunu ispat etmişlerdir. Diğer yandan, Barnett<br />
ve Chen (1988) Amerika Divisia parasal topla-<br />
AKADEMİK<br />
mına ilişkin (talep-yanlı) veride kaosun varlığını başarılı<br />
bir şekilde ispatlamışlardır. Bu sonuç, DeCoster<br />
ve Mitchell (1991,1994) tarafından doğrulanmıştır.<br />
Wang ve ark. (2004) ise, yaptıkları çalışmada hisse<br />
senetlerinin günlük değişimlerindeki karmaşık dinamik<br />
davranışları incelemişlerdir[Öztürk, 2008].<br />
Finansal ekonomideki döviz kurları ve hisse senedi<br />
getirileri gibi finansal değişkenlerin stokastik süreçler<br />
tarafından tanımlanabildiği ve bu ekonomik<br />
sistemlerin doğrusal olduğu yaygın varsayımlardandır.<br />
Ancak önceden de bahsedildiği gibi, çeşitli<br />
çalışmalar finansal zaman serilerinde farklı doğrusal<br />
olmayan bağımlılıkların olabileceğini göstermiştir<br />
[Amilon ve Byström, 1998].Borsa gibi ekonometrik<br />
zaman serilerinde gözlenebilen kırılma ve patlamaların<br />
oluşturduğu yüksek frekans, normal dağılımlı<br />
bir doğrusal modelde tutarsız davranışın bir örneği<br />
olarak ele alınmaktadır. Bu konuda Campbell, Lo ve<br />
Mac Kinlay çalışmalarında yatırımcıların davranışlarını<br />
riske göre belirlediğini, bundan dolayı beklenen<br />
getirinin doğrusal olmadığını, dolayısıyla da opsiyon,<br />
tahvil gibi ekonomik yapıların doğrusal olmadığını<br />
belirtmişlerdir[Barnett, 1998].<br />
Bunun nedeni doğrusal olmayan modellerin, hem<br />
stokastik, hemde deterministik olabilen bu tür davranışları<br />
açıklayabilmesidir.Diğer yandan, kaotik bir<br />
süreç, deterministik ve aynı zamanda tamamen<br />
rastgele olduğundan davranışının ayırt edilmesi olanaksızdır.<br />
Dolayısıyla kaotik sistemler henüz doğrusal<br />
olmayan modellerle açıklanmaya çalışılmaktadır.<br />
Sistemdekideterministliğin ve rastgeleliğin model<br />
içinde üretilebilmesi, ekonomideki genel durumlardan<br />
farklı olan kaotik modeller açısından oldukça<br />
önemli olmaktadır.<br />
Ekonomik yapılara ait zaman serilerinde çok büyük<br />
oynaklığa sahip yapılarda sabit varyans varsayımı<br />
açık olarak sağlanmamaktadır. Zaman değişimli varyansı<br />
tespit etmek için, koşullu varyans eski hata karelerinin<br />
doğrusal bir fonksiyonu olarak modellendirilebilmektedir.Bu<br />
açıdan Engle (1982)’ınotoregresif<br />
koşullu değişen varyans (ARCH) modeli veya genelleştirilmiş<br />
ARCH (GARCH) modeli doğrusal olmayan<br />
stokastik modellere örnek olabilmektedir. Bu modeller<br />
günümüzde kaotik yapıların modellenebilmesinde<br />
de kullanılmaktadır. Ancak, kaotik yapılar öngörülemez<br />
olduğundan, yalnızca kısa dönem tahminleri<br />
için bu modellere başvurulabilmektedir [Gökmen,<br />
2012].<br />
2. Kaosun Varlığını Tespit Etmek İçin<br />
Yapılan Analizler<br />
Kaotik sistemler matematiksel olarak genellikle iki<br />
şekilde ifade edilebilmektedirler [Yalamova ve ark.,<br />
2006]. Bunlar; sürekli sistemler için diferansiyel veya<br />
kesikli sistemler için fark denklemleriyle ya da denklemlerin<br />
bilinmediği durumlarda deneysel veriyle<br />
mümkündür.<br />
İlk durumda sistemin bir veya birden fazla değişkeni<br />
olabilmektedir. Bu değişkenlerden herhangi biri ya<br />
da birkaçının zaman serisi denklemlerindeki başlangıç<br />
koşulları biliniyorsa, ihmal edilebilir bir hata<br />
payıyla ölçülen başlangıç koşulları sistemin gerçek<br />
çıkışından çok farklı sonuçlar verene kadar bu denklemler<br />
kestirilebilmektedir. Ancak doğadaki doğrusal<br />
olmayan dinamik sistemlerin genellikle denklemleri<br />
bilinmemektedir. Bunun yerine elimizde genelde<br />
bir değişkene ait kaydettiğimiz belirli bir dönemin<br />
verileri olmaktadır. Dolayısıyla ikinci durum ile daha<br />
sık karşılaşılmaktadır. Böyle zaman serilerinin kaotik<br />
olup olmadığını anlamak için de çeşitli yöntemler geliştirilmiştir.<br />
2.1. Karşılıklı Bilgi Yöntemi<br />
Fraser ve Swinney (1986) ve Abarbanel (1996)’in<br />
önerdiği karşılıklı bilgi yöntemi (mutualinformation),<br />
iki zaman serisinin birbirleri hakkında içerdiği bilgiyi<br />
ölçen bir yöntemdir. Burada bir zaman serisi ve<br />
onun gecikmiş hali kullanılmaktadır. Eğer bu iki seri<br />
birbirinden bağımsız ise, karşılıklı bilgi değeri de sıfır<br />
olmaktadır.<br />
Karşılıklı bilgi kavramı esasenoptimum bir gecikme<br />
değeri belirlemek için ortaya atılmış bir yöntemdir.<br />
Zaman serilerindeki gecikmeyi belirlemek için sıklıkla<br />
kullanılan otokorelasyon fonksiyonunun aksine doğrusal<br />
olmayan ilişkileri de hesaba katmaktadır.<br />
Karşılıklı bilgi çekici üzerindeki noktalar arasında<br />
genel bir bağımlılık ölçütü vermektedir. Doğrusal<br />
olmayan sistemlerde artık veriden (redundance) ilgi-<br />
siz veriye (irrelevance) doğru kayma hakkında iyi bir<br />
ölçüt sağlamaktadır. Buna göre karşılıklı bilgi değeri<br />
ne kadar küçükse, ardışık gecikme koordinatlarınındagöreceli<br />
olarak o kadar bağımsız olduğu şeklinde<br />
yorumlanmaktadır. Aynı zamanda buradaki veri artıklığı<br />
da yine göreceli olarak o kadar az olmaktadır.<br />
Bu da çekicinin en iyi şekilde oluşturulduğu anlamına<br />
gelmektedir.<br />
2.2. Gömülü Boyut<br />
Bir zaman serisi analiz edilmeye başlandığında bu<br />
serinin geometrik olarak kaç boyutla temsil edilebileceği<br />
ve gecikme zamanının nasıl seçileceği bilinmemektedir.<br />
Takens’ın Gömülü Teoremi (Embedding<br />
Theorem) sayesinde bir zaman serisinin ham verisi<br />
ve gecikmeli verisi, o dinamik sistemin topolojik<br />
yapısını belirleyebilmektedir. Gömülü teoremi bize<br />
sistemin s vektörüne karşılık gelenevre uzayındakim<br />
n<br />
boyutunu garanti etmektedir [Kantz ve Schreiber,<br />
2004]. Böylece m boyutunda birbirine çok yakın olan<br />
iki nokta, m’nin daha büyük değerlerine sahip bir<br />
uzay içinde görünür hale gelmektedir.<br />
Bir sistemin gömülü boyutunu bulmak için birkaç<br />
yöntem mevcuttur. Ancak bunların arasında en sık<br />
kullanılan yöntem yanlış en yakın komşular (false<br />
nearest neighbours) yöntemidir. Bu yöntem Kennel,<br />
Brown ve Abarbanel(1992) tarafından geliştirilmiştir<br />
[Kantz ve Schreiber, 2004]. Yöntemdeki temel<br />
görüş, verinin gömülü uzayındaki zamana ilişkin yapıları<br />
çok farklı olmayan komşuları arasındaki noktaları<br />
araştırmaktır. Abarbanel ve Lall (1996)’a göre,<br />
doğrusal olmayan sistemler için genellikle koordinat<br />
boyutu yaklaşık 15 olmaktadır.<br />
2.3. Korelasyon İntegrali<br />
Dinamik sistemlerin karmaşıklığını göstermek için<br />
değişik boyut tanımları mevcuttur. Bunların içinde<br />
pratikte en yaygın kullanılanı korelasyon boyutudur<br />
(correlation dimension). Korelasyon boyutunun tercih<br />
edilmesinde genel olarak iki sebep gösterilmektedir.<br />
Birincisi, benzerlik boyutu, karşılıklı bilgi boyutu<br />
gibi diğer boyutlara göre çekiciyi daha ince ayrıntıda<br />
ölçeklerle araştırmasıdır. İkinci sebep ise, korelasyon<br />
integralinin diğer boyutlara göre daha kolay ve hızlı<br />
biçimde hesaplanabilmesidir [Öztürk, 2008].<br />
36 37
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Bir çekici kaotik ise, başlangıçta birbirine yakın olan<br />
komşu yörüngeler zaman içinde üssel olarak birbirinden<br />
uzaklaşmakta ve bu yörüngeler üzerindeki<br />
noktalar dinamik olarak ilişkisiz hale gelmektedirler.<br />
Bu noktalar rasgele görünseler bile, hepsi aynı çekici<br />
üzerinde yer aldığı için faz uzayında birbirleri ile ilişkili<br />
olarak konumlanmaktadırlar. Korelasyon boyutu hesabında,<br />
çekici üzerindeki noktaların zaman bilgisinin<br />
aksine uzaysal ilişkisi göz önüne alınmaktadır [Williams,<br />
1997]. Buna göre faz uzayında birbirine yakın<br />
olan noktalar için, yüksek seviyede korelasyon söz<br />
konusu olmaktadır.<br />
Kaotik çekicilerde periyodik olmayan hareketin<br />
gerekliliği olan yörüngelerin kesişmemesi şartının<br />
sağlanması için, hem faz uzayının hem de çekicinin<br />
boyutunu 2’den büyük olması gerekmektedir. Öklid<br />
geometrisine ait nesnelerin boyutları tam sayılarla<br />
gösterilirken, tüm ölçüm seviyelerinde aynı kendine<br />
benzer yapıyı gösteren geometrik nesnelerin (fraktal<br />
yapılar) boyutları kesirli olmaktadır. Buna göre,<br />
korelasyon boyutu periyodik bir sistem için bire eşit<br />
çıkmaktadır. Bunun aksine kaotik bir sistem için korelasyon<br />
boyutu ise kesirli bir sayı olabilmektedir.<br />
Ayrıca teoride rastgele bir sistemin korelasyon boyutunun<br />
sonsuz olduğu belirtilmektedir [Öztürk, 2008].<br />
Bu özelliğinden dolayı korelasyon boyutu rastgele<br />
sistemlerle kaotik sitemleri birbirinden ayırmak için<br />
kullanmak mümkündür.<br />
2.4. BDS Testi<br />
Varson ve Doran (1995) kaosu rastgele ve doğrusal<br />
olmama durumundan Grassberger ve Procaccia’nın<br />
korelasyonintegrali boyutu ile ayırt etmeyi denemişlerdir.<br />
Ancak bu metodun dezavantajları, çok uzun<br />
veri setine ihtiyaç duyması ve bir istatistik testi kurmamasıdır.<br />
Bundan dolayı Brock, Dechert ve Scheinkman<br />
(1987) uzamsal korelasyonun ölçüsü ile ilgili<br />
olan bir test istatistiğini yani, BDS testini önermişlerdir.<br />
Bu test, “bağımsız benzer dağılımlı (i.i.d.)” hipotezlerinden<br />
sapmaları belirlemede kullanılabilmektedir<br />
ve Grassberger ve Procaccia (1983)’nınkorelayon<br />
integraline dayanmaktadır [Amilon ve Byström,<br />
1998]. BDS testi, yokluk hipotezinin doğruluğu altında<br />
test istatistiğinin dağılımı bilinmediğinden<br />
doğrusal olmama veya kaos için doğrudan bir test<br />
AKADEMİK<br />
istatistiği sağlamamaktadır. Ancak bu testi,kaotik<br />
hareketin varlığı hakkında dolaylı bir kanıt olarak kullanmak<br />
mümkündür [Barnett, 1998].<br />
Kaotik bir süreçte, koşullu ortalama doğrusal olmamaktadır.<br />
BDS testinde yokluk hipotezini test etmek<br />
için veriye uygun doğrusal modellere karşı doğrusal<br />
olmayan modellerin öngörülebilirliği araştırılmaktadır.<br />
Bu durumda hipotezlerinin reddi; kaos, değişen<br />
koşullu varyans, durağansızlık, basit doğrusal otokorelasyon<br />
gibi farklı sebepleri olabilmektedir [Amilon<br />
ve Byström, 1998]. Kısacası, boşluk hipotezinin<br />
bağımsız aynı dağılıma sahip olduğu belirtilmesine<br />
rağmen alternatif hipotezin doğrusal olmayan bir<br />
süreç mi yoksa kaotik bir süreç mi olduğu tam olarak<br />
belli değildir.Buna göre bir zaman serisinin kaotik<br />
bir süreç olup olmadığı hakkında yorum yapabilmek<br />
için, seride yapılabilecek tüm düzgünleştirmeler<br />
adımsal olarak yapılmakta ve her adımda BDS testi<br />
yinelenmektedir. Tüm düzgünleştirmelere rağmen<br />
reddedilen yokluk hipotezi ile elde edilen bu doğrusal<br />
olmayan yapının “kaotik olabileceği” yorumu yapılmaktadır.<br />
Çünkü tüm düzgünleştirmelere rağmen<br />
hala doğrusal olmayan yapıda olan bir sistemin bu<br />
davranışının ancak ve ancak kaotik yapıya sahip olmasından<br />
kaynaklanabileceği savunulmaktadır.<br />
2.5. Güç Spektrumu<br />
Herhangi bir f(t) zaman serisi fonksiyonu, periyodik<br />
bileşenlerin üst üste gelmesi ile oluşturulabilmektedir.<br />
Bu bileşenlerin oransal büyüklüklerinin belirlenmesi<br />
spektral analiz olarak adlandırılmaktadır<br />
[Yavaş, 1985]. Burada f(t) periyodik ise, spektrum<br />
frekansları, tam frekansların tam katları olan hareketlerin<br />
doğrusal bileşimi olarak ifade edilmektedir.<br />
Böyle diziler Fourier dizisi olarak adlandırılmaktadır.<br />
Ancak f(t) periyodik değilse, sürekli frekanslı hareketlerin<br />
bir bileşimi ile ifade edilebilmektedir. Bu bileşime<br />
de Fourier dönüşümü denmektedir.<br />
Geniş güç spektrumu kaosun bir işareti olarak düşünülebilmektedir.<br />
Fakat tek başına kaosu tanımlamakta<br />
yetersiz olmaktadır. Bu nedenle doğrusal analizler<br />
yapmak geniş güç spektrumuna (power spectrum)<br />
sahip sinyaller için iyi bir analiz olarak görülmemektedir.<br />
Bunun başlıca sebebi, kararsız dinamik<br />
sistemlere ait sinyallerin bir özelliğinin periyodik bir<br />
durumunun olmamasıdır. Ancak yine de sinyaldeki<br />
kararsızlığın veya değişimin kaynağını açıklayabilecek<br />
gizli bir periyodik durumu araştırmak için, spektral<br />
analiz ilk olarak uygulanabilecek yöntemlerden<br />
biri olmaktadır [Yılmaz ve Güler, 2006].<br />
2.6. Otokorelasyon Fonksiyonu<br />
Bir zaman serisi bazen tekrar eden şekiller içerebilmekte<br />
ya da önceki değerleri ile sonraki değerleri<br />
arasında bazı ilişkiler olabilmektedir. Bu ilişkiyi ölçen<br />
istatistiksel bir araç olarak otokorelasyon (öz ilişki)<br />
fonksiyonu ele alınmaktadır [Williams, 1997]. Oto<br />
korelasyon, kısaca, kovaryansın varyansa bölünmesiyle<br />
elde edilebilmektedir. Sistemin otokorelasyon<br />
değerinin yüksek olması, serinin geçmiş ve gelecek<br />
değerleri arasında yüksek ilişki olduğu anlamına gelmektedir.<br />
Kaotik yapıya sahip serilerin başlangıç koşullarına<br />
hassas bağlılık göstermesi özelliğinden dolayı, böyle<br />
yapılarda geçmiş ile gelecek değerleri arasındaki<br />
ilişki çok zayıf olmaktadır. Buna göre seride gecikme<br />
arttıkça sıfıra yakınsayan otokorelasyon değerlerine<br />
sahip seriler geçmiş ile gelecek değerleri arasındaki<br />
ilişkinin çok zayıf olduğu serilerdir. Dolayısıyla da<br />
böyle serilerin kaotik yapıya sahip oldukları söylenebilmektedir.<br />
2.7. Lyapunov Üstelleri<br />
Şimdiye kadar kaotik yapıyı tespit etmek için kullanılan<br />
araçlar, çekicinin kaotik olup olmaması hakkında<br />
yorum yapmışlardır. Ancak hiçbir yöntem bir çekicinin<br />
kaotik olduğunu kanıtlamak için tam anlamıyla<br />
yeterli olmamaktadır. Buna karşılık çekicinin en az<br />
bir pozitif Lyapunov üsteline sahip olması sistemin<br />
kaotik olduğunun en büyük ve kesin kanıtı olarak kabul<br />
edilmektedir [Fırat, 2006].<br />
Bir sistemden elde edilen Lyapunov üstelleri, dinamik<br />
bir sistemin davranışını belirlemekte ve çekicinin faz<br />
uzayında oluşturduğunoktaların gerilme (ıraksama)<br />
ve katlanmalarının (yakınsama), diğer bir ifade ile<br />
birbirlerinden uzaklaşmalarının ve birbirlerine yakınlaşmalarının,<br />
etkilerini ölçmeye imkan vermektedir.<br />
Elde edilen üsteller “öngörülemezlik” gibi kavramlara<br />
denk düşen topolojik nitelikler için bir ölçü oluşturmaktadır<br />
[Kasap ve Kurt, 2011]. Bu tanımlamalar<br />
altında Lyapunov üstellerinin, diğer yöntemlerden<br />
daha kesin bir biçimde kaosun varlığını ortaya koyduğu<br />
görülmektedir.<br />
38 39
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Dinamik sistemler üzerinde Lyapunov üstellerini hesaplamayı<br />
öncelikle Wolf, Swift, Swinney ve Vastano<br />
önermiştir [Barnett, 1998]. Bunun ardından<br />
Brock ve Sayers regresyondan direk bir hesaplama<br />
yöntemini bulmuşlardır. Ancak bu yöntem uzun veri<br />
gerektirdiğinden ve gürültüye aşırı duyarlı olduğundan<br />
Nychka, Ellner, Gallant ve McCaffrey sinir ağları<br />
modellerini içeren regresyon yöntemini önermişlerdir<br />
[Barnett, 1998]. Burada, önerilen bütün yöntemlerde,<br />
sistemde baskın olan Lyapunov üstelinin pozitif<br />
olup olmadığı test edilmiştir. Çünkü herhangi bir<br />
sistemden elde edilen Lyapunov üstellerinden en az<br />
birinin pozitif bulunması, sistemin başlangıç koşullarından<br />
çok küçük bir farkla yola çıkıldığında, sistemin<br />
asıl yörüngesinden ıraksama gösterdiği yani, yapının<br />
kaotik olduğu anlamına gelmektedir.<br />
Bir sistemden hesaplanan Lyapunov üstelleri farklı<br />
şekillerde yorumlanabilmektedir. Burada her bir<br />
boyuttaki uzaklaşma ve yakınlaşma l ile ifade edil-<br />
i<br />
diğinden, sistemdeki her bir birim için hesaplanan<br />
herhangi bir pozitif üstel değeri sistemin kaotik olduğunun<br />
bir göstergesi olmaktadır. Çünkü bu, sistemin,<br />
başlangıç koşullarında çok küçük bir değişme<br />
yapıldığında, referans sistem ile aralarında ıraksama<br />
olduğu anlamına gelmektedir. Buna göre bir garip<br />
çekicide en azından bir pozitif Lyapunov üstelinin bulunması<br />
gerekmektedir. Eğer sistemdeki l değerleri<br />
negatif ise başlangıç koşullarına hassas bağlılık söz<br />
konusu değil demektir yani, sistemler birbirine yakınsamaktadır.<br />
Dolayısıyla sistem düzenli periyodik ha-<br />
reketlere sahip olmaktadır ve öngörülebilir yapıdadır<br />
[Kantz ve Schreiber, 2004].<br />
Burada hesaplanan Lyapunov üstelleri tüm birimlerin<br />
yanı sıra faz uzayının boyutu kadar da hesaplanabilmektedir.Faz<br />
uzayında her bir boyuttaki ıraksama ve<br />
yakınsamayı bir l temsil ettiğinden, m boyutlu dinamik<br />
bir sisteme ait Lyapunov üstelleri, l en büyük<br />
1<br />
Lyapunov üsteli olmak üzere, l ≥l ≥...≥l şek-<br />
1 2 m<br />
linde sıralı olarak elde edilmektedir. Bu durumda herhangi<br />
bir sistemde en büyük Lyapunov üsteli l >0 1<br />
ise davranış kaotik, l
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Yard. Doç. Dr. Atıf EVREN<br />
Yard. Doç. Dr. Doğan YILDIZ<br />
Yıldız Teknik Üniversitesi<br />
Fen-Edebiyat Fakültesi<br />
İstatistik Bölümü<br />
ARAŞTIRMA<br />
İNCELEME<br />
İstatistik Bölümü Öğrencilerinin<br />
İstatistik Bölümlerinden Duyduğu<br />
Memnuniyet Üzerine Bir Araştırma<br />
GİRİŞ<br />
Bu yazı, 2007-2008 yıllarında TÜBİTAK’ın değerli katkıları ile yürüttüğümüz “Türkiye’deki<br />
İstatistik Bölümleri Bazında İstatistik Eğitiminin Öğrenci ve Öğretim Üyesi Gözüyle<br />
Değerlendirilmesi” adlı projede elde ettiğimiz birincil ve ikincil verilere dayanmaktadır.<br />
Bu sonuçlara 1800 civarında istatistik lisans öğrencisi ile gerçekleştirilen anketten hareketle<br />
ulaşılmıştır. Burada özetlenmeye çalışılan sonuçları daha önceden bazı sunumlarla İstatistik<br />
ve eğitim camiası ile paylaşmıştık. Konuyla ilgili daha ayrıntılı sunumlarla ilgili olarak<br />
3,4,5,,9,10,11,12 ve 13 no’lu kaynaklara bakılabilir. Bu çalışma bu kaynakların özetlenmiş<br />
bir versiyonudur. Projenin tamamlanmasından bugüne geçen süre göz önüne alındığında,<br />
şüphesiz bazı verilerin güncellenmesi gerektiği ortadadır. Yine de çalışmamızın benzeri yeni<br />
çalışmalara yararlı olacağını düşünmekteyiz.<br />
1. İSTATİSTİK VE İSTATİSTİK<br />
EĞİTİMİNİN GELİŞİMİ<br />
Toprak sayımı, nüfus sayımı biçiminde ilk istatistik<br />
bilgi toplayışı İ.Ö. 2000 yılına dek uzanır. Uygulamanın<br />
görüldüğü yerler de başta Çin olmak üzere Mısır,<br />
İsrail, Yunanistan ve Roma’dır. Güçlü devletlerin kurulmasına<br />
koşut olarak istatistiklere başvuru yöntemi<br />
de geliştiğinden, Ortaçağda biraz aksama olmuş,<br />
büyük nüfus sayımları yapılmamıştır. Bu çağda yalnızca<br />
Charlemagne’nin düzenlettiği bazı sayımlar ile<br />
İngiltere’nin fethinden sonra Guillaume’nin yaptırdığı<br />
“Domesdaybook” adlı kütükte kayıtlı bulunan toprak<br />
sayımları dikkat çeker. Yeniçağda merkeziyetçi<br />
devletlerin gelişimi ile birlikte sayım işleri de önem<br />
kazanır: 17. yüzyılda Colbert’in düzenlettiği dış ticaret<br />
istatistikleri, 1790’da A.B.D’de başlatılan düzenli<br />
nüfus sayımları, 1801’de Napolyon’un Fransa’da<br />
yaptırdığı genel nüfus sayımını bu bağlamda ele almak<br />
gerekir.<br />
17. yüzyıl ortalarında Alman üniversitelerinde okutulan<br />
“Devlet Bilgisi” dersi ile “Status” sözcüğünden<br />
türeyen “istatistik” kavramı ortaya çıkmıştır. Bunu<br />
İngiltere’de ve kısmen Almanya’da ortaya çıkan<br />
“Sigorta Matematikçileri”okulu izlemiştir. Bu okul,<br />
doğum, ölüm gibi nüfus olaylarını sayısal verilere dayanarak<br />
çözümlemekteydi.<br />
Daha sonra, kökeni Pascal’da, Galileo’da aransa<br />
da “Büyük Sayılar Yasası” ile gerçek öncülüğünü<br />
Bernoulli’nin yaptığı olasılık okulu gelmiştir.<br />
Bernoulli’yi, DeMoivre, Laplace, Legendre, Gauss,<br />
Poisson, Bienaymé ve diğerleri izlemiştir. Yine bu<br />
okulların düşüncelerini birleştirerek, tümdengelimci<br />
istatistiğe tümevarımcı istatistiği katarak, çözümlemeye<br />
ağırlık veren Quetelet’yi de vurgulamak gerekir.<br />
Ardından Galton, Pearson, Spearman, Fisher<br />
gibi ustaları ve bu arada İstatistiğe aksiyomatik bir<br />
temel kazandıran Kolmogorov’u da saygı ile anmak<br />
gerekir. Bu okullara, başta Benzécri olmak üzere,<br />
çok değişkenli çözümlemeden betimsel istatistiğe<br />
yeni boyutlar kazandıran Fransız okulu da eklenebilir.<br />
Yine 20. Yüzyılda Bayesçi İstatistiğin gelişimi ve<br />
katkıları, sadece İstatistik bilimi içerisinde değil aynı<br />
zamanda, bilim felsefesi ve metodoloji açısından da<br />
önemsenmelidir.<br />
Dünyadaki ilk İstatistik bölümü Profesör Karl Pearson<br />
(1866-73) tarafından Londra Üniversite Koleji’nde<br />
42 43
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
kurulmuştur. Türkiye’de ise istatistik bilimi göreli<br />
olarak gençtir. İlk istatistik bölümlerinin kuruluşları<br />
1960’lı yıllara gitmektedir. 2006 yılında Türkiye’de<br />
yaklaşık 4300 öğrencinin okuduğu 25 civarında istatistik<br />
bölümü bulunmaktaydı. Bu sayının günümüzde<br />
yaklaşık 55 civarında olduğu ve bunların 25 tanesinde<br />
eğitimin sürdürülmekte olduğu bilinmektedir.<br />
İstatistik Eğitimi Tartışmaları<br />
1999’da A.B.D.'de akademi dünyasından, sanayi ve<br />
hükümet temsilcilerinden oluşan bir komite, istatistikte<br />
lisans eğitiminin iyileştirilmesi için alınması gereken<br />
önlemleri bir dizi toplantı düzenleyerek masaya<br />
yatırdı. Bu toplantılardan bir tanesinde “İstatistik<br />
Lisans Eğitimi İnisiyatifi” (Undergraduate Statistics<br />
Education Initiative) adlı önemli bir belge ortaya kondu.<br />
Bu çerçevede,<br />
a) İstatistik öğrencilerinin iş yaşamlarındaki kariyer<br />
beklentileri ile istatistik müfredat programları arasındaki<br />
bağlantı,<br />
b) Matematiksel ve istatistiksel düşünce yöntemleri<br />
arasındaki benzerlikler ve farklılıklar,<br />
c) İstatistik müfredat programlarının işlemesi gereken<br />
konular,<br />
d) İstatistik öğrencilerinin sahip olması gereken teknik<br />
temelli olmayan beceriler.<br />
e) İstatistik öğrencilerinin sahip olmaları gereken bilgisayar<br />
becerileri,<br />
g) İstatistik öğrencilerinin sahip olmaları gereken<br />
matematiksel beceriler,<br />
h) Seçimlik derslerin sınıflandırılması,<br />
i) Öğrencilerin yüksek lisans perspektifine sahip<br />
olup olmamalarına bağlı olarak seçimlik ders tercihlerinde<br />
yönlendirilmeleri,<br />
j) İstatistik eğitiminde verinin doğasının ve veri analizinin<br />
önemi ,<br />
k) Matematiksel istatistik dersinin istatistik eğitimindeki<br />
rolü,<br />
ARAŞTIRMA<br />
İNCELEME<br />
l) İstatistik bölümlerinde ya da diğer bölümlerde verilen<br />
giriş niteliğindeki istatistik derslerinin verimliliklerinin<br />
değerlendirilmesi gibi konular irdelendi.<br />
Butler (1998) “İstatistiğin Yaygın Kullanımının Başarısızlığı<br />
Üzerine” adlı çalışmasında, gittikçe daha<br />
fazla sayıda insanın giriş düzeyinde istatistik dersi almasına<br />
karşılık, istatistiksel yöntemleri kendi işlerinde<br />
kullanma becerisinde olmadıklarını belirtir. Bunun<br />
nedeni istatistiğin geleneksel öğretme yöntemlerinde<br />
yatmaktadır. Garfield (2000) bütün bu yenilenme<br />
çabalarına yönelik önerilerin pozitif sonuçları olduğunu<br />
belirtmektedir.<br />
2. ARAŞTIRMANIN YÖNTEMİ VE<br />
KAPSAMI<br />
Bu çalışma biraz da yukarıda özetlenmeye çalışılan<br />
gelişme ve tartışmalardan esinlenmiştir. Çalışmada,<br />
1794 istatistik öğrencisi ile yüz yüze yapılan<br />
anketten elde edilen verilerin değerlendirilmesi hedeflenmiştir.<br />
Araştırma kapsamında çok büyük bir<br />
çoğunluğu devlete ait 19 üniversiteden elde edilen<br />
anket formları değerlendirilmiştir. Her üniversiteden<br />
ortalama olarak 94 öğrenci araştırmaya katılmıştır.<br />
Araştırmaya katılan öğrencilerin üçte biri son sınıfta,<br />
dörtte biri ise üçüncü sınıfta öğrenim görmektedir.<br />
Anket kapsamındaki öğrencilerin %52’si kız, %48’i<br />
erkektir. Örnekteki öğrencilerin büyük çoğunluğu birinci<br />
öğrenimden (%84,1), kalanı ise ikinci öğrenimden<br />
gelmektedir. Öğrencilerin örneğe dahil edilmesinde<br />
bazı kotalar uygulanmıştır. Bunlar cinsiyet ve<br />
öğrencilerin okudukları sınıflardır.<br />
Öğrencilerin mezun oldukları lise türleri incelendiğinde<br />
ankete katılan öğrencilerin yarıdan fazlasının<br />
o dönem için geçerli olan bir deyim ile “süper lise”<br />
ya da “Anadolu lisesi” gibi nitelikli okullardan geldiği<br />
anlaşılmaktadır.<br />
Öğrencilerin Sosyo-ekonomik Durumlarına<br />
İlişkin Bazı Gözlemler<br />
Ankette öğrencilere ailelerinin geçimini sağlayan<br />
kişinin eğitim durumu sorulmuştur. Buna göre hane<br />
halkı gelirini kazanan kişilerin %15,8’i ilkokul mezunu,<br />
%11,6’sı ortaokul mezunu, %32,6’sı lise mezunudur.<br />
Buna ek olarak öğrencilerden ailelerinin geçimini<br />
sağlayan kişinin şu anki iktisadi konumunu belirtmeleri<br />
istenmiştir. Verilen cevaplar arasında en sık olanı<br />
%32,9 ile “emeklilik” durumudur.<br />
Öğrencilerin SES (sosyo ekonomik statü) puanları anketteki<br />
verilerden hareketle hesaplanmış ve %9’lık<br />
kesiminin A grubuna (en üst gelir grubu) , %30’luk<br />
kesiminin B grubuna (üst gelir grubu) , %50’ye yakın<br />
kısmının da C1 ve C2 gruplarına (orta ve alt-orta<br />
gelir grupları) düştüğü sonucuna varılmıştır. Üniversitede<br />
okuyan ve örneğimize dahil olan istatistik<br />
öğrencilerinin SES puanları dağılımı, Türkiye geneli<br />
ile kıyaslama yapabilmek için aşağıdaki şekilde gösterilmektedir.<br />
Şekil 1: SES gruplarının ülke genelinde ve örneğimizde yer alan istatistik<br />
öğrencileri temelinde yüzde dağılımları<br />
Yukarıdaki şekilden hareketle üniversiteye girişte<br />
yüksek gelir gruplarından gelen öğrencilerin şanslı<br />
olduğunu belirtmek gerekmektedir. Sözgelimi Türkiye<br />
genelinin çok az bir kısmına karşılık gelen A<br />
grubu, istatistik öğrencilerinin yaklaşık %9-10’luk<br />
bir kısmını oluşturmaktadır. Bunun yanı sıra Türkiye<br />
nüfusunun yaklaşık %37-38’lik kısmını oluşturan<br />
en yoksul D ve E sosyoekonomik grupları üniversite<br />
istatistik öğrencilerinin yalnızca % 11-12’lik kesimini<br />
oluşturabilmektedir!<br />
Benzer eşitsizlikler, farklı üniversitelerin istatistik<br />
bölümlerinde okuyan öğrencilerin ortalama SES<br />
puanları karşılaştırıldığında da gözlenmiştir.. Sözgelimi<br />
Fırat Üniversitesi, Çukurova Üniversitesi, Selçuk<br />
Üniversitesi gibi üniversitelerimizin istatistik bölümlerinden<br />
gelen öğrencilerimiz, genel bir eğilim olarak,<br />
daha düşük SES gruplarına dahil olmaktadırlar. Benzer<br />
eşitsizliklerin metropolitan üniversite (İstanbul,<br />
Ankara ve İzmir gibi merkezlerde kurulmuş bulunan<br />
üniversite) ve diğer üniversiteler farklılığı temelinde<br />
de gözlendiğini vurgulamak gerekir.<br />
İstatistik Bölümlerinin Tercih Edilirliği<br />
Öğrencilere, halen okumakta oldukları istatistik bölümlerini,<br />
üniversiteye giriş tercih formlarında kaçıncı<br />
sıraya yerleştirdikleri sorusu yöneltilmiştir. Bu soruya<br />
verilen yanıtların ortalaması 9 olarak bulunmuştur. .<br />
Bu da hiç şüphesiz istatistik bölümlerinin tercih edilirliği<br />
lehine değerlendirilmesi gereken bir olgudur.<br />
Bilgisayar Becerileri, Olanakları ve Kullanımı<br />
Öğrenciler SPSS paket programının kullanımı ile diğer<br />
istatistik paket programlarından daha fazla ilgilidir.<br />
Öğrenciler SAS paket programının kullanımını<br />
büyük bir çoğunluk ile (%85,28’lik kesim) hiç bilmemektedir.<br />
Bölüme Yönelik Tutumlarda Değişiklikler<br />
Öğrencilere kazandıkları istatistik bölümlerine girmeden<br />
önce, bölüm hakkında, mesleki özellikler veya<br />
iş olanakları açısından yeterli bilgiye sahip olup olmadıkları<br />
sorulmuştur. Bu soruya olumlu yanıt verenlerin<br />
oranı %54,3’tür. Genel olarak, öğrencilerin<br />
bölüme yönelik tavırlarının öğrenim süreci boyunca<br />
olumlu yönde değiştiği sonucunu çıkarmak olasıdır.<br />
Öğrencilerin Gelecek Planları<br />
Öğrencilerin yaklaşık yarısı (%47,8’i) doğrudan çalışma<br />
hayatına atılmayı düşünmektedir. Öğrencilerin<br />
%40,7 si yüksek lisans yapmak istemektedir. Ancak<br />
bütün bu genel değerlendirmelerle birlikte erkek öğrenciler<br />
ve kız öğrenciler arasında gelecek perspektiflerine<br />
yönelik anlamlı bir farklılık olduğu söylenebilir.<br />
Kız öğrenciler, daha büyük bir olasılıkla, mezuniyet<br />
sonrasında kendi kişisel ve mesleki gelişimlerine yönelik<br />
olarak, yüksek lisans yapma, yabancı dil öğrenme<br />
gibi etkinliklerde bulunmak istemektedir. Erkek<br />
öğrenciler de kolaylıkla tahmin edilebileceği üzere<br />
askere gitme, iş bulma gibi etkinliklere öncelik tanımaktadır.<br />
Öğrencilerin Dersleri Değerlendirmeleri<br />
Öğrencilerin %14’ü bilgisayar programlama dilleri<br />
kapsamında geçen kavramları anlamakta güçlük<br />
44 45
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
çektiklerini söylemektedir. Yine öğrencilerin %5’i limit,<br />
türev ve integral kavramlarını anlamakta zorlandıklarını<br />
belirtmektedirler.<br />
İstatistik dersleri bazında öğrencilere en yararlı buldukları<br />
dersler sorulmuş ve aşağıdaki dağılım elde<br />
edilmiştir:<br />
Şekil 2: İstatistik dersleri bazında öğrencilerin en yararlı buldukları bölüm<br />
derslerin dağılımları<br />
Öğretim elemanlarının öğrencilere<br />
yaklaşımlarının değerlendirilmesi<br />
Ankete katılan öğrenciler genel anlamda öğretim<br />
elemanlarıyla yeterli iletişim sağladıklarına ve öğretim<br />
elemanlarının, öğrencilerin başarılarını değerlendirirken<br />
adil olduklarına inanmaktadırlar.<br />
Derslerin İşlenişine, Önerilen Materyalin<br />
Yeterliliğine ve Ders Programına Yönelik<br />
Genel Değerlendirmeler<br />
• İstatistik bölümlerindeki öğrencilerin çoğunun<br />
(%65,3) okudukları istatistik bölümlerini zor bölümler<br />
olarak değerlendirdikleri söylenebilir. Yine<br />
öğrencilerin çoğu, teorik derslerin sayıca fazla<br />
olduğunu buna karşılık uygulamalı derslerin sayıca<br />
az olduğunu düşünmektedir.<br />
• Ankete katılan öğrencilerin %33’ü derslerde<br />
kendilerine önerilen kitapların ve ilgili materyalin<br />
yetersiz olduğunu düşünmektedir. Bu konuda<br />
olumlu yanıt verenlerin %34 civarında olması da<br />
ortada ciddi bir sorun olduğunu düşündürmektedir.<br />
• Ankete katılan öğrencilerin %71,5’i bazı derslerin<br />
daha iyi anlaşılabilmesi için daha kuvvetli<br />
bir matematik bilgisine ve becerisine gereksinim<br />
duymaktadır. Bununla birlikte öğrencilerin çoğunluğu<br />
ders programlarında daha fazla matematik<br />
dersi istememektedir.<br />
Öğrencilerin sıklıkla algılamada güçlük<br />
çektiklerini belirttikleri kavramlar<br />
• Bazı temel kavramlar: Varyans, kovaryans, standart<br />
sapma, birinci tür hata, ikinci tür hata,<br />
hipotez testleri, nokta ve aralık tahminleri.<br />
• Olasılık ve Matematiksel İstatistik dersleri ile<br />
ilgili bazı kavramlar: Merkezi Limit Teoremi, moment<br />
türeten fonksiyonlar, olayların sigma cebri,<br />
Ki-Kare ve F-dağılımları<br />
• Örnekleme ve Regresyon derslerinin bazı kavramları:<br />
Örnekleme dağılımları, standart hata,<br />
p-değeri.<br />
3. ÖNERİLER<br />
ARAŞTIRMA<br />
İNCELEME<br />
Yaşanan bazı sorunlara çözüm olacağını düşündüğümüz<br />
önerilerimiz ise şu şekildedir:<br />
• Zorunlu staj uygulamaları öğrencilerin “istatistiksel<br />
veri”yi tanımaları, veri analizi ile ilgili problemlerle<br />
karşılaşabilmeleri açısından önemlidir.<br />
• Bölümlerde genel olarak lisans programlarında<br />
özellikle uzmanlaşmayı arttıracak nitelikte<br />
istatistik dersleri daha fazla sayılarda açılmalıdır.<br />
• Daha fazla sayıda ve nitelikli bilgisayar<br />
dersleri ile istatistik ders programlarının takviye<br />
edilmesi uygun olacaktır. İyi bir istatistik programı,<br />
öğrencilerin programlama konusundaki beceri<br />
ve yeteneklerini geliştirmelidir.<br />
• İstatistiksel çalışmalar özünde takım çalışmasına<br />
dayanır. Bu yüzden uygun bir istatistik eğitimi, öğrencilerinin<br />
takım çalışmasına olan yatkınlıklarını<br />
geliştirmelidir.<br />
• İstatistikçilerin yaptıkları işi diğer disiplin ya da<br />
bilim dalları nezdinde açık (okunabilir, değeri takdir<br />
edilebilir) kılabilmeleri ve de bu dallarla ortak<br />
çalışma yapma olanaklarını arttırabilmeleri için<br />
gelişkin bir iletişim becerisi çok önemlidir. Seçimlik<br />
derslerin sözel, yazılı ya da görsel iletişim<br />
becerilerini geliştirme amacına göre yeniden ele<br />
alınması uygun olacaktır.<br />
• Öğrenciler veri tabanları ve teknolojileri ile içli dışlı<br />
olmayı bilebilmeli ve istatistik dersleri de bu konuda<br />
öğrencilerin gelişimini teşvik etmeli, onları<br />
zorlamalıdır.<br />
• Öğrencilere istatistik eğitimi süresince önerilen<br />
kitapların, materyalin pedagojik değerleri üzerine<br />
araştırmalar yapılmalıdır.<br />
• Endüstri ya da iş yaşantısında grafik gösterimler<br />
çok önemlidir. Öğrenciler; grafikler yardımı ile<br />
düşünmeyi ve istatistik altyapısı olmayan kişilere<br />
grafikler aracılığı ile açıklama yapmayı mutlaka<br />
öğrenmelidirler (Hogg, 2000) .<br />
• “Öğretim elemanları bilgisayar ile hesaplamayı<br />
sadece istatistiksel araştırma yapmak için değil,<br />
aynı zamanda istatistiği öğrenmek için gerçekleştirmelidirler.<br />
Çünkü grafikler ve veri manipülasyonu<br />
öğrenmeyi kolaylaştırmaktadır ” (Moore,<br />
1997) .<br />
• Özellikle matematik bölümleri ile her konuda daha<br />
yakın bir işbirliği ortamı oluşturulmalıdır. Her iki bilim<br />
dalı da birbirine muhtaçtır.<br />
• İstatistik bölümleri halen kendi iç gelişimlerini<br />
tamamlamamışken daha fazla bölüm açılmamalı<br />
ve gereksiz bir enflasyon yaratılmamalıdır. Bu konuda<br />
özellikle mezun olacak öğrencilerin ciddi bir<br />
duyarlılığa sahip oldukları anlaşılmaktadır.<br />
• İstatistik mezunlarının çalışma koşulları üzerine<br />
araştırmalar yapılmalıdır.<br />
• İstatistik mezunlarına liselerde öğretmenlik yapabilmeleri<br />
için gerekli kamuoyunun yaratılması ve<br />
Milli Eğitim Bakanlığı çerçevesinde gerekli girişimlerde<br />
bulunulması gerekmektedir.<br />
• İstatistik mezunlarına “veri uzmanı” ya da “veri<br />
analisti” gibi ünvanların verilmesi / verilebilmesi<br />
olanakları da tartışılmalıdır.<br />
• İstatistiğin disiplinlerarası niteliği nedeni ile mutlaka<br />
diğer dallardaki (mühendislik, sosyal bilimler<br />
vb.) uygulanabilirlik olanakları arttırılmalıdır.<br />
46 47<br />
KAYNAKLAR<br />
1) Butler, R.S. (1998), “On the failure of the widespread use of statistics”, Amstat<br />
News, March,84.<br />
2) ESOMAR (Standard Demographic Classification), 1997 ,http://www.esomar.<br />
com.<br />
3) Evren A.. Yıldız D.(2008), “Some Results from the Survey on Turkish Statistics<br />
Education” , The 6th International Conference on Sustainable Development,<br />
Culture Education, Eskisehir ; Haziran 4-7, 2008, Conference Proceeding CD;<br />
s816-830<br />
4) Evren A., Yıldız D.(2010), ) “Some Results from the Survey on Turkish Statistics<br />
Education II”, 10th International Educational Technology Conference (IETC 2010)<br />
Proceedings Book, 26-28 April 2010; s1348-1351<br />
5) Evren A., Yıldız D.(2009), “İstatistik Bölümü Öğrencileri Anketi ve Öğrencilerin<br />
İstatistik Bölümlerinden Duyduğu Memnuniyet Üzerine Bir Faktör-Regresyon<br />
Modeli” , 18. İstatistik Araştırma Sempozyumu Bildiriler Kitabı, TÜİK , 7-8 Mayıs<br />
2009.s185-201<br />
6) Garfield, J. (2000), “An Evaluation of the Impact of Statistics Reform”. Final<br />
Report for NSF Project REC-9732404<br />
7) Hogg ,R.V., Ritter, M.A.;Starbuck, R.(2000), “Advice from Prospective Employers<br />
on Training BS Statisticians” , A paper prepared as part of the Undergraduate<br />
Statistics Education Initiative of the American Statistical Association, June 30<br />
2000.<br />
8) Moore, D.S. (1997), “New Pedagogy and new content: the case of statistics”,<br />
International Statistical Review, 65, 123-137<br />
9)Yıldız D. vd. (2007), Türkiye’deki İstatistik Bölümleri Bazında İstatistik Eğitiminin<br />
Öğrenci ve Öğretim Üyesi Gözüyle Değerlendirilmesi. TUBİTAK proje no:<br />
105K171<br />
10)Yıldız D.; Evren A.(2009), “On Some Reform Initiatives on Statistics Education<br />
throughout the World”; “Selcuk Journal of Applied Mathematics” , Volume 10<br />
Number 1, Winter-Spring, s95-106, ISSN 1302-7980<br />
11) Yıldız D.; Evren A.(2010), “Socioeconomic Status (SES) Scores of Turkish<br />
Statistics Students”, İstatistik Araştırma Dergisi, Cilt: 07 Sayı:02, Aralık 2010;<br />
s87-100, ISSN 1303-6319<br />
12)Yıldız D., Evren A.(2008), “Yurt Dışında İstatistik Programlarının Reforma Tabi<br />
Tutulma Çabaları”, 6.İstatistik Günleri Sempozyumu Sempozyumu ,Bildiri Tam Metinleri<br />
Kitabı, Samsun, Ağustos 2008; s52-58<br />
13)Yıldız Nuran.Ç., Yıldız D., Evren A. (2008), “Türkiye’deki İstatistik Bölümlerinin<br />
Belirli Etkenler Açısından Karşılaştırılması”, I. Ulusal Konya Selçuk Üniversitesi,<br />
Ereğli Kemal Akman Yüksek Okulu Tebliğ Günleri, Tebliğler Kitabı, S 1 2009 no<br />
1, s363-377
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Gazi Üniversitesi İstatistik<br />
Bölümü'nün koridorlarında yıllardır<br />
birinin hayaleti dolanıyor.<br />
Dersliklerde, akademisyenlerin<br />
odalarında, koridorlarda<br />
hep aynı adam, onu gördüğümü<br />
söylüyorum, arkadaşlarım<br />
inanmıyorlar bana. Tam<br />
onlara gösterecekken kayboluyor.<br />
Hep bir şeyler anlatmak<br />
istiyor gibi. Yolda nereye<br />
gideceğini bilemeden avare<br />
düşünürken yolu gösteriyor.<br />
Derste tahtada hocaların kulaklarına<br />
bir şeyler fısıldıyor.<br />
Bir gün, kütüphanede bir kitap<br />
ararken, kütüphanenin alt<br />
katlarında kalmış, unutulmuş<br />
bir kitaplıkta bir kitap gülümsedi<br />
bana “Ticaret Aritmetiği<br />
ve Mali Cebir”. Açtım sayfalarını<br />
karıştırdım. Kitabın yeşil kapağı üzerinde Prof. Dr.<br />
Necati İşçil yazıyor. Kim bu Necati İşçil? İnternetten<br />
arayıp fotoğrafına ulaştığımda şaşkınlığımdan küçük<br />
dilimi yutacaktım. Bu oydu yıllardır gördüğüm o adam,<br />
fotoğrafta öylece karşımda duruyordu…<br />
Sonradan Gazi Üniversitesi İstatistik Bölümü'nün kurucusu<br />
olduğunu öğrendiğim Prof. Dr. Necati İşçil’i yakın<br />
çalışma arkadaşlarından dinleme fırsatım oldu. Prof.<br />
Dr. Necati İşçil’in asistanlığını yapan Prof. Dr. Özkan<br />
Ünver, Prof. Dr. Alptekin Esin ve Doç. Dr. Mustafa Y.<br />
Ata’dan hocanın hayatı hakkında ayrıntılı bilgi sahibi<br />
oldum. İşte o konuşmalardan arta kalanları da sizlerle<br />
paylaşıyorum.<br />
Akademisyenliğe ilk adım<br />
Prof. Dr. Necati İşçil, İstanbul İktisadi ve Ticari İlimler<br />
Akademisi’nde okuduktan sonra bir dönem İtalya’da<br />
BÜYÜK<br />
İSTATİSTİKÇİLER<br />
Ölçümöteyi * Arayan Adam<br />
Prof. Dr. Necati İşçil<br />
* ölçümöte: parametre<br />
Alican ÖZER<br />
Gazi Üniversitesi İstatistik Bölümü<br />
bulunuyor. O dönemde kalite<br />
yönetimiyle adından oldukça<br />
söz ettiren bilim insanı<br />
William Edwards Deming ile<br />
bir süre çalışıyor. İkinci dünya<br />
savaşının patlak vermesi<br />
üzerine Türkiye’ye dönüyor.<br />
Devlet İstatistik Enstitüsü'nün<br />
kuruluşunda yer alıyor, bir dönem<br />
DİE Başkanlığı görevini<br />
yürütüyor. 1945 yerel seçimlerinde<br />
Burdur Belediye Başkanlığı<br />
için aday oluyor. 1945<br />
-1947 yılları arasında Burdur<br />
Belediye Başkanlığı görevini<br />
yürütüyor. Ardından 1956<br />
yılında Ankara İktisadi ve Ticari<br />
İlimler Akademisi bünyesindeki<br />
"İstatistik ve Tatbiki<br />
Matematik Kürsüsü"de akademisyenlik<br />
hayatına başlıyor.<br />
"İstatistik ve Tatbiki Matematik Kürsüsü" 1978 yılında<br />
"İstatistik ve Temel Bilimler Fakültesi"ne dönüştürülüyor.<br />
Hoca bu süreçte akademisyenliğe devam ediyor.<br />
Ta ki Gazi Üniversitesi kurulana kadar…<br />
Alptekin Esin o yılları şöyle anlatıyor: Necati Hoca,<br />
Türkiye İstatistik Enstitüsü'nün kuruluşunda yer almıştır.<br />
O dönemde örnekleme alanında en yetkin kişilerden<br />
biriydi, hatta tekti diyebilirim. Akademiye başlamadan<br />
önce DİE (Devlet İstatistik Enstitüsü)’de çalışmasının<br />
yanı sıra, bir dönem İtalya’da bulunmuş ve o süreçte<br />
kalite yönetimiyle adından oldukça söz ettiren bilim insanı<br />
William Edwards Deming ile birlikte çalışmıştır.<br />
İlk defa 1962 yılında DİE’de bir sertifika eğitimi sırasında<br />
tanıştım Necati İşçil hocayla. Daha sonra 1968<br />
yılında akademide A.İ.T.İ.A. (Ankara İktisadi ve Ticari<br />
İlimler Akademisi) asistanlığa başlamamla birlikte<br />
daha yakından tanıma fırsatı buldum.Necati İşçil Hoca,<br />
A.İ.T.İ.A., İstatistik Enstitüsü’nün ilk kurucusudur. Benim<br />
tanıştığım dönemde de bölüm başkanlığı görevini<br />
yürütüyordu. O dönemde asistan arkadaşım Özkan<br />
Ünver’le birlikte, Necati İşçil hocayla aynı odada çalışırdık.<br />
Necati Hocam bizi devamlı çalışmaya yönlendirir,<br />
bilemediklerimizi, anlayamadıklarımızı büyük bir sabırla<br />
anlatmaya çalışırdı…<br />
Akademide Temel İstatistik ve<br />
Örnekleme Dersleri<br />
Prof. Dr. Necati İşçil akademisyenlik hayatına adım<br />
attıktan sonra canla başla öğrencilerine istatistiği öğretmek<br />
için uğraştı. Asistanlarına her gün iki, üç saat<br />
ayırarak onların iyi yetişmelerine yardımcı oluyordu.<br />
Alptekin Esin: Akademide Örnekleme ve İstatistik<br />
derslerini anlatırdı. Ben bugüne dek o kadar güzel ders<br />
anlatan, o kadar güzel tahtayı kullanan, öğrencileri derse<br />
bağlayan bir hoca daha görmedim. Kendime hep<br />
onu örnek aldım. Sınavları tek tek kendisi okurdu. Asistanı<br />
olarak Özkan ile ben sadece sınav notlarını çizelgeye<br />
geçirirdik. Bir de uygulama derslerine Özkan ile<br />
birlikte katılırdık. Otoriter bir insandı. Herkesi etkileyen<br />
bir saygınlığı vardı. Fakat öyle yapay bir saygınlık değil,<br />
gerçekten saygı duyardık ona.<br />
Mustafa Y. Ata: ODTÜ’de Yalçın TUNCER, Zeki AV-<br />
RALIOĞLU gibi değerli hocalardan lisans eğitimi aldım.<br />
Daha sonra askerden döndükten sonra A.İ.T.İ.A., tatbiki<br />
matematik kürsüsüne yüksek lisans için başvuruda<br />
bulundum. O dönemde çalışıyordum fakat dinlemekten<br />
zevk duyduğum istatistikten ayrı kalmamak için<br />
yüksek lisansa başvurmuştum. Bu vasıtayla Necati<br />
İŞÇİL hocayı ilk defa enstitüde gördüm. İlk dersine girdikten<br />
sonra istatistik yolculuğumda yeni bir pencere<br />
açılmıştı.<br />
Necati Hoca’nın ilk dersi temel istatistik dersiydi fakat<br />
çok farklıydı herkesten. Ortalamayı bile üç saat anlatırdı.<br />
Önceden izlediğim derslerde beş dakikada es geçilen<br />
noktalar Necati Hocanın ışığıyla aydınlanıyordu. Derste<br />
tahtayı kullanımı, felsefesi, anlatımı muhteşemdi. Daha<br />
sonra asistanlığa başladıktan sonra Necati Hocadan diz<br />
dize eğitim aldım diyebilirim. Her gün öğleden sonra iki<br />
- üç saat beni çalıştırır, anlamadığım yerleri sabırla cevaplandırırdı.<br />
Sözcükler üzerine düşünmeyi ilk olarak o<br />
bana öğretti. Çok iyi Osmanlıca bilirdi. İngilizce ve eski<br />
Türkçe bilgisiyle istatistik kavramlarını inceler üzerine<br />
felsefe yapardı.<br />
Özkan Ünver: O zamanlar pek çok öğrenci dersinden<br />
kalmasına rağmen sınav kâğıtlarına hiç itiraz olmazdı.<br />
Çünkü hoca kâğıtları büyük titizlikle iki, üç kez okur, tek<br />
tek incelerdi. Adalet onun için çok önemliydi, her zaman<br />
adil olmaya çalışırdı. Bizde asistanları olarak onun<br />
bu erdemli davranışlarını kendimize örnek aldık.<br />
Tesadüfî Değişken Üzerine<br />
Necati İşçil Hoca asistanlarının en iyi şekilde yetişmesi<br />
için oldukça çaba gösterir ve tüm soruları bildiği kadarıyla,<br />
sabırla cevaplandırmaya çalışırmış. Günlerden bir<br />
gün konu “tesadüfî değişken” kavramına gelmiş.<br />
Mustafa Y. Ata: Bir gün “tesadüfî değişken” kavramı<br />
üzerine konuşurken “Hocam, ben hayatta tesadüflere<br />
inanmıyorum” demiştim. Hiçbir şey demeden uzun<br />
uzun dalmıştı. Hiçbir şey demedi ama ben muhtemelen<br />
benim gibi düşündüğünü, fakat bir bilim insanı olarak<br />
bu konu üzerine konuşmak istemediğini anladım.<br />
Sonradan bilim felsefesi üzerine okumalarım sırasında,<br />
bu konu üzerine daha fazla düşünmeye ve kanaat<br />
oluşturmaya, hocamın o derin susuşuna hak vermeye<br />
başladım.<br />
“Oğlum biz anlayabildiğimiz kadarını<br />
aktardık.”<br />
O dönemde çok iyi istatistik bilgisine sahip Prof. Dr. Necati<br />
İşçil meraklı istatistik bölümü asistanları ve öğrencilerinin<br />
sorularını yanıtlarken “Bilmiyorum” demekten<br />
çekinmezmiş. M. Yavuz Ata onu “Sadece anladıklarını<br />
anlatan” adam olarak tanımlıyor.<br />
Mustafa Y. Ata: Bir gün bana bir soru yöneltti “Varyansın<br />
birimi var mıdır?”. Bu soru üzerine afallamıştım.<br />
Kem küm “evet” cevabını verdim. Daha sonra gülümseyerek<br />
varyansın birimi olmadığını ve nedenlerini sabırla<br />
anlatmıştır bana. Hemen hemen bilimsel her konuda<br />
tartışırdık. Birçoğunda doyurucu cevaplar alırdım<br />
ondan. Her zaman, gerçekten anladığı şeyleri anlatırdı.<br />
Anlayamadığı noktalarda bilmediğini söylerdi. Bir gün<br />
sorduğum bir soruya cevap verememesi üzerine “Oğlum<br />
biz anlayabildiğimiz kadarını aktardık.” demişti. O<br />
dönemde Türkiye koşullarında son derece iyi istatistik<br />
bilgisine sahip ve öğrencilerine bu bilgileri sonuna kadar<br />
aktarmaya çalışan çalışkan bir insandı.<br />
Nevi Şahsına Münhasır Kişilik, İlkeli<br />
Bir Yönetici<br />
Prof. Dr. Necati İşçil bölüm başkanlığı sırasında kuralcı<br />
ve adaletli yönetimiyle hatırlanıyor. Karakterinden ve<br />
davranışlarından kaynaklı bir saygınlıktan söz ediyor<br />
tanıyanlar. Herkesin ortak görüşü Necati Hoca “akil bir<br />
insandı” yönünde.<br />
48 49
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Alptekin Esin: Necati Hocayı kelimelerle tarif etmek<br />
çok zor, her yönüyle adam gibi adamdı. Disiplinli, ilkeli,<br />
çalışkan, verdiği sözü tutan bir insandı. Ben ve benim<br />
gibi pek çok insanın yaşamını etkilemiştir. Kişisel olarak<br />
beni ve çevresindekileri etkileyen en önemli özelliği;<br />
kesinlikle hak yemezdi. Liyakate çok önem verirdi. Bu<br />
özelliği, akademide üst düzey makamlarda yer almasa<br />
bile önemli konularda “danışılan insan” özelliğini katmıştır.<br />
Bir dönem ABD’den burs kazanmıştım. Kendisine<br />
bu durumu anlatıp ABD’ye gideceğimi söylediğimde,<br />
bana karşı çıkıp, benden daha önce asistan olan<br />
Özkan Ünver’in bursla ABD’ye gitmesi gerektiğini, eğer<br />
buna rağmen gideceksem önce akademiden istifa edip<br />
gitmemi söylemişti. Başka bir olay daha geldi aklıma.<br />
Doçentlik sınavı için Bursa’da bulunuyoruz. Benimle<br />
birlikte Erkan Öngel arkadaşım da doçent olacak. Sınav<br />
yapılacak binaya gittiğimizde Erkan’ın doçentlik jurisi<br />
hazırdı fakat benim sınavımı yapacak juriden bir kişi<br />
geç kalmıştı. Normalde Erkan’ın sınavını hemen yapabileceklerken,<br />
O Erkan’ın jurisini bekleterek Erkan’dan<br />
daha kıdemli olduğum için önce benim sınavım bittikten<br />
sonra onun sınavını başlatmıştı. Bu konularda öylesine<br />
hassas bir insandı rahmetli. Kıdeme ve usule çok<br />
dikkat ederdi. Hiç hak yemezdi, bölümdeki, akademide<br />
ki herkese eşit davranırdı. Hiçbir zaman arkadan konuşmaz<br />
hataları bir bir insanların yüzüne söylerdi.<br />
Mustafa Y. Ata: Aydın bir insandı, ilkeliydi, kuralcıydı.<br />
Herkes onun yönetiminde ne olacağını iyi bilirdi. Örneğin<br />
o dönemde her yıl bir asistan yurtdışına giderdi.<br />
Orada kıdemlilere öncelik tanırdı, kıdem sırasına göre<br />
her yıl bölümden bir kişiyi yurtdışına göndermiştir. Verdiği<br />
işlerin layıkıyla yapılmasını isterdi. Ben de Necati<br />
Hoca’nın asistanlığını yaptığım dönemlerde hiçbir işi<br />
aksatmamaya çalışırdım. Bazen gece yarılarına kadar<br />
akademide kaldığım olurdu. Yine çok çalıştığım bir günün<br />
sabahında yanıma geldi. Sözüne uymayacağımı<br />
bildiği halde “Mustafa, yapılacak işlerden birini boz da<br />
rahat edesin” dedi.<br />
Çok güvenilir bir insandı. Öyle ki akademiler arası kurul,<br />
doçentlik jurilerinin belirlenmesi işini ona verirdi. O dönemde<br />
bende jurilerin belirlenmesi için hocaya yardım<br />
etmiştim. Belirlediğimiz jurilere hiç itiraz gelmedi. Hep<br />
adaletli davranırdı. Yaptığımız bu çalışma sonrası, akademiler<br />
arası kurulun yemeğine hoca beni de çağırdı.<br />
Şaşırdım, çünkü o dönem kurulda Türkiye’nin en önemli<br />
bilim insanları yer alıyordu. Korkuyla hazırlanarak hocayla<br />
birlikte yemeğe gittim. Utana sıkıla masanın bir<br />
köşesine sığınmaya çalışırken. Necati Hoca kolumdan<br />
tutarak yanına oturttu ve ayağa kalkarak beni kurula<br />
BÜYÜK<br />
İSTATİSTİKÇİLER<br />
tanıttı. Bu benim için akademik hayatımda yaşadığım<br />
onurların en büyüğüdür.<br />
Özkan Ünver: Necati İşçil, anlatması zor, ilginç bir<br />
insandı. Fakat hayatı boyunca hiç vazgeçmediği üç temel<br />
esası vardır ki, onlar “adalet, objektif olmak, kararlılık”<br />
bu üç özelliğinden ölene dek vazgeçmedi. Dürüst,<br />
güvenilir bir insandı.<br />
Her sabah saat sekizde akademiye gelir akşam beşe<br />
kadar çalışırdı. O dönemde asistanlar az maaş alıyordu.<br />
O sebeple ek iş yapar, bölüme bazen uğrarlardı. Biz<br />
hocanın asistanları olarak her sabah dokuzda bölümde<br />
olurduk. Dokuzu bir dakika dahi geçse hoca çok kızardı.<br />
O konularda çok titizdi. Tatlı sert bir mizacı vardı.<br />
Herkes ona duyduğu saygıdan dolayı çekinirdi. Fakat<br />
bunun yanı sıra insani yönleri çok gelişmişti.<br />
Mesai Saatleri<br />
Prof. Dr. Necati İşçil bölüm başkanlığı sırasında mesai<br />
saatlerine verdiği önemle hatırlanıyor.<br />
Mustafa Y. Ata: Asistanlığını yaptığım süreçte kesinlikle<br />
çantasını taşıtmaz, paltosunu tutturmazdı. Çok<br />
mütevazı bir insandır. Necati İşçil her zaman benim<br />
için örnek bir insan olmuştur. O gittikten sonra profesör<br />
olmak için şevkimi arttıracak başka biri çıkmadı. O<br />
dönemde mesai saatlerine çok önem verirdi. Ben gece<br />
yarısına kadar çalıştığım için geç gelirdim. Bana bir şey<br />
demezdi ama bölümde diğer arkadaşlarımı mesai saatlerine<br />
uymaları konusunda uyarırdı. Yine geç geldiğim<br />
günlerin birinde asansörle yukarı çıkarken Necati<br />
Hoca'nın sesi binada yankılanıyordu. Asansörün kapısı<br />
açıldığında tüm bölüm asistanları tek sıra halinde dizilmiş<br />
vaziyette mesai saatlerine uymadıkları için fırça yiyorlardı.<br />
Hoca benim de içlerinde olduğumu düşünmüş<br />
olacak ki beni asansörden inerken görünce lafını bitirip<br />
odasına girdi. Herkes o dönemde çok katı olarak bilirdi<br />
hocayı, fakat o kadar katı bir insan değildi. Sadece verilen<br />
işlerin hakkıyla yapılmasını isterdi.<br />
Bilimsel Kitapları<br />
Prof. Dr. Necati İşçil’in akademik hayatı boyunca yayınladığı<br />
üç kitap vardır. “Örnekleme Yöntemleri”, “Temel<br />
İstatistik”, “Ticaret Aritmetiği ve Mali Cebir”<br />
Mustafa Y. Ata: Necati İşçil hocanın halen kitaplığımda<br />
en önde duran “Temel İstatistik” kitabı vardır.<br />
Kavramları muhteşem anlatır, şiirsel bir dili vardır. Fakat<br />
vefat ettikten sonra öğrencileri o kitabı okutmadı<br />
ve kitap atıl vaziyette kaldı. Bu durum beni çokça üzmüştür.<br />
Ayrıca bir de Örnekleme kitabı yazmıştı. Bu<br />
eserler gerçek telif esere örnek teşkil eden çok değerli<br />
kitaplardır gerçekten. Üstünden yıllar geçmesine rağmen<br />
halen eskimediğini düşünüyorum. Örneğin “Ticaret<br />
Aritmetiği ve Mali Cebir” kitabında “Aritmetik ve<br />
Geometrik dizi” anlatımını hiç unutmam. Tekrar tekrar<br />
açıp okumuşumdur.<br />
YÖK kurulur, Prof. Dr. Necati İşçil<br />
emekli olur<br />
1981 yılında YÖK’ün kurulmasıyla Prof. Dr. Necati İşçil<br />
yaş haddine gelmeden emekli olmuştur.<br />
Alptekin Esin: Akademi dağılıp, YÖK kurulduktan sonra<br />
yeni düzene pek alışamadı ve üniversiteden ayrıldı.<br />
Biz de o dönemde Gazi Üniversitesi Fen Fakültesi'ne<br />
geçtik bölüm olarak. Yeni bir bölüm başkanı atandı. Bir<br />
kısım arkadaşım Gazi İİBF Ekonometri bölümünde kaldılar.<br />
Günlük Hayatta Necati İşçil<br />
Mustafa Y. Ata: Okul dışında evinde de zaman zaman<br />
ağırlamıştır. Dışarıda arkadaş gibidir. Sofrada ölçüyü<br />
kaçırmadan bir, iki duble rakı içerdi. Özenle yaktığı<br />
piposunu da hiç unutmam…<br />
Özkan Ünver: Asistanı olduğum yılları mutlulukla<br />
anımsıyorum. Çok güzel zamanlar geçirdik. Sosyal<br />
yönü çok gelişmiş birisiydi. Onunla her konuda konuşabilirdiniz.<br />
Bizlerle uzun uzun konuşur, tecrübelerini aktarırdı.<br />
O zamanlar gençtik onu pek fazla anlayamıyorduk<br />
ama sonradan o konuşmalar daha da anlamlandı. Hiç<br />
kompleksi yoktu. Çalışmak ve ilerlemek tek düşündüğü<br />
şeydi. Her zaman “Benden sonra gelenler beni geçmeli”<br />
derdi. Aile hayatı da tıpkı iş hayatı gibi düzenliydi.<br />
Hanımı ve çocuklarını mutlu etmek, başarılı kılmak için<br />
çok emek harcamıştır. Hanımefendi çok kıymetli birisiydi,<br />
çocukları da çok değerlidir. Necati İşçil bir semboldür.<br />
En zor zamanlarda onun görüşleri ilaç gibi gelir,<br />
her soruna bir çözüm önerisi mutlaka getirirdi. Çok iyi<br />
hukuk bilgisine sahipti. O sebeple verdiği kararlarda genelde<br />
adaletli olurdu.<br />
Anılar<br />
Alptekin Esin: Akademik çalışmaların yanı sıra bize<br />
hayatı da öğretti. Bir olay anlatayım size, her zaman<br />
hocanın daktilo işlerini ben yapardım. Her hafta makaleyi<br />
yazıp hocaya kontrol ettirirdim. Bir gün, bir şekilde<br />
yazdığım kâğıt kaybolmuş. Hoca kâğıdı bulamayınca<br />
sordu “Bu haftaki yazılar nerede?”. Bende yazıp verdiğimi<br />
söyledim. Fakat kâğıtlar bir şekilde kaybolmuştu.<br />
“O zaman kopyasını getir” dediğinde şaşırarak kopyası<br />
yok demiştim. Hoca da bana bu tip makaleleri yazarken<br />
araya karbon kâğıdı koyarak bir kopyasını daha<br />
almam gerektiğini anlatmıştı. Bunun gibi bize hayatı da<br />
öğrettiği çokça örnek vardır. Otoriterdi fakat kesinlikle<br />
asistanı olarak bizlere çantasını taşıtmaz, paltosunu<br />
bile tutturmazdı. Çok mütevazı bir insandı.<br />
Özkan Ünver: Hayatımın en güzel on, on iki gününü<br />
onunla birlikte İngiltere’de geçirdim. Akademik bir toplantı<br />
için İngiltere’de bulunmuştuk. İngiltere’ye gittiğimde<br />
hep orta gelirli Kıbrıslı Türk bir ailenin evinde kalırdım.<br />
Hocayla da aynı evde kaldık. Hiç unutmam hoca oda<br />
kirasından daha fazlasını ödemiş, fiyata dâhil olmasına<br />
rağmen biz fazlaca tüketiriz diye yanında viski, rakı ve<br />
neskafe’de götürmüştü. Bonkör bir insandı. Ev sahipleri<br />
de bu jestimize karşılık bize Londra’yı gezdirmişlerdi.<br />
Son Dönemleri<br />
Mustafa Y. Ata: Üzüntüyle anımsadığım son zamanlarında,<br />
beyin kanaması geçirerek uzun süre komada<br />
kalmıştı. Necati Hoca’nın kızı da o dönemde evlilik arifesindeydi.<br />
Hoca, umutların tükendiği bir anda komadan<br />
çıktı. Normal hayata döndü. Hatta bir gün onu, o<br />
dönemde konteynerda eğitim verdiğimiz istatistik bölümüne<br />
getirmiştim. Daha sonra hoca kızını evlendirdi<br />
ve vefat etti. Bu olayda geriye dönüp bakınca çok ilginç<br />
gelir bana…<br />
Gökyüzüne Mesajlar...<br />
Alptekin Esin: Necati İşçil hocam hayatımda çok<br />
önemli bir yere sahip çok saygıdeğer bir hocamdı.<br />
Her zaman saygı ve sevgiyle yâd ederim kendisini.<br />
Okul dışında dert dinleyen, bir arkadaş gibiydi.<br />
İstatistik bölümünün bugünlere gelmesi, istatistik<br />
biliminin Türkiye’de ilerlemesinde önemli pay<br />
sahibidir. Onu tanımaktan, onun asistanı olmaktan<br />
ömür boyu mutluluk duyacağım…<br />
Özkan Ünver: O dönemde Akademi’de ders veren<br />
hocaların birçoğu Türkiye’de üniversite sisteminin<br />
gelişmesinde çok büyük katkılar sağlamışlardı. Necati<br />
İşçil Hoca’da çok değerli, saygın bir bilim insanıydı.<br />
Kendisini her zaman saygı ve sevgiyle anıyorum…<br />
Mustafa Y. Ata: Her yönüyle örnek, deneyimli, adaletli<br />
bir bilim insanıydı. Keşke daha genç yaşta asistanı<br />
olabilseydim, keşke onu daha erken tanıyabilseydim…<br />
50 51
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Prof. Dr. Fikri AKDENİZ<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
Matematik ve İnsan<br />
İnsanoğlunun binlerce yıl boyunca süregelen doğayı anlama ve egemen olabilme<br />
çabalarının bir sonucu olarak “ne, neden, nasıl, ne zaman, kim, nerede?” sorularının<br />
yanıtı aranmıştır. Bu çabaların sonunda elde edilen bilgiler, biçim, sayı ve çoklukların<br />
yapılarını, özelliklerini ve aralarındaki ilişkileri mantık yolu ile inceleyen ve sayı bilgisi,<br />
cebir ve geometri gibi dallara ayrılan bir bilimi yaratmıştır. Bu bilim dalı insanlığın<br />
ortak kültürünün çok önemli bir parçası olan matematiktir. O halde kendimize<br />
aşağıdaki soruyu sorabiliriz:<br />
1. MATEMATİK NEDİR?<br />
Eğitilmiş iyi niyetli, akıllı insanların bile büyük bir bölümü<br />
“matematik nedir?” sorusunun yanıtını vermekte<br />
zorlandıkları gibi, bu konuyla neden bazılarının uğraştıklarını<br />
da kavrayamazlar.<br />
Emekli matematik profesörü Eric De Corte (2004)<br />
tarafından “Yaşamın Soyutlanmış Bir Biçimidir." şeklinde<br />
yapılan tanım herhalde en gerçekçi ve geniş<br />
haliyle matematiği ifade eder. Matematik, zihinsel<br />
fonksiyonların gelişmesini sağlayan, yaşamı kolaylaştıran<br />
simgelerle ifade edilebilen kendine özgü bir<br />
dili olan bir bilim dalıdır.<br />
O halde matematik yaşam kadar eski, yaşamla<br />
birlikte gelişen, insanlık tarihi ile paralel bir gelişim<br />
gösteren bir bilim dalıdır. Matematiğin gelişimi ile<br />
bilimin ve uygarlıkların gelişimi arasında sıkı bir ilişki<br />
olduğunu biliyoruz.<br />
Matematiğin nerede, nasıl ve ne şekilde başladığını<br />
hiç kimse bilmemektedir. Fakat kuşkusuz saymak,<br />
ölçmek, paylaşmak ve değişmek gibi günlük aktiviteler<br />
sırasındaki fiziksel gözlemlerden başladığı söylenebilir.<br />
Bu insan yaşamına bağlı temel orijinlerden<br />
yola çıkarak gelişmeye başlayan matematik, aynı<br />
zamanda kendi dünyasını da yarattı. Hakkında konuştuğunuz<br />
şeyi ölçebiliyor ve bunu sayılarla ifade<br />
edebiliyorsanız, o zaman o konu hakkında bir şeyler<br />
biliyorsunuz demektir. İnsanoğlu doğayı gözlemlediğinde<br />
vardığı sonucu ifade edebilmek için kendine<br />
göre isimlendirdiği sayılar ve simgeler icat etmiştir.<br />
Matematiğin bir aracı olan sayıların insanın kişiliğinin<br />
gizli yanlarını gösterdiği düşünüldü. Pek çok insan<br />
sayıların uğuruna ya da uğursuzluğuna inandı.<br />
(Pythagoras felsefesini inceleyiniz)<br />
Kuramsal ilgilerin henüz uyanmadığı başlangıç döneminde<br />
aritmetik ve geometri, tarım, ticaret ve<br />
mühendislik işlerinin yarattığı ihtiyaçları karşılamaya<br />
yönelik beceriler olarak ortaya çıkmıştır.<br />
Tüm canlı varlıkların en zekisi olan insanın ilkel devirlerde<br />
aritmetiğe ilk olarak sayma ile başladığı<br />
sanılmaktadır. Bu düşünceyi doğrulayan mağara<br />
resimlerine rastlandığı bilinmektedir. Yine kalıntılara<br />
göre M.Ö. 25000 yıllarında mağara duvarlarında geometrik<br />
şekiller yapıldığı anlaşılmaktadır. İnsanoğlu<br />
böylece soyut düşünmenin ilk adımlarını atmış oldu;<br />
çizdiği ile gerçeği arasında kurduğu ilişkide eşitlik,<br />
benzerlik, yakınlık, uzaklık gibi kavramlarla, gördüğü<br />
3 boyutlu nesne ve çizdiği 2 boyutlu resim arasında<br />
eşleşmeler yaptı.<br />
M.Ö. 10000 yıllarında tarımla uğraşıldığına göre, en<br />
azından ürünü için insanların kullandığı bir aritmetik<br />
vardı. Özellikle Mezopotamya, Mısır’ın Nil vadisi, Ege<br />
kıyılarımız ve Hindistan’daki ovalık bölgelerde tarihi<br />
gelişim içinde aritmetik de gelişmiştir.<br />
Matematiğin ya da herhangi bir bilimin gelişmesini<br />
izlerken unutulmaması gereken bir nokta vardır: Tarihin<br />
karanlığında gömülü kalmış bir çalışmanın pekalâ<br />
canlı olabileceğidir. Her dönemden, şimdi bizde antika<br />
ilgisi uyandıran bir yığın ayrıntılı çalışma kaldığı<br />
52 53
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
gösterilebilir. İlkel sayma becerisini aşan matematiğin<br />
M.Ö. 4000 yıllarına uzanan bir tarihi olduğu görülmektedir.<br />
Tarihin her döneminde tüm uygar insanlar matematiği<br />
öğrenme çabası içinde olmuştur. Matematiğin<br />
en önemli özelliği, onun, insanların ortak düşünme<br />
aracı olmasıdır. Sanat ve dil gibi matematiğin de<br />
tarih öncesine uzanan kökeni belirsizlik içinde kalmıştır.<br />
İlk uygarlık dönemlerindeki durumu ancak<br />
günümüz ilkel topluluklarının davranışlarına bakarak<br />
belirleyebiliriz. Kaynağı ne olursa olsun, gelişimini<br />
bugüne değin sürdüren matematiğin “SAYI” ve<br />
“ŞEKİL” diyebileceğimiz iki ana uğraş konusu vardır.<br />
Bunlardan ilkini aritmetik ve cebir, ikincisini geometri<br />
temsil etmektedir. Matematik sözcüğü, ilk kez, M.Ö.<br />
550’lerde, Pisagor okulu üyeleri tarafından kullanılmıştır.<br />
Yazılı kaynaklara girmesi, M.Ö. 380’lerde<br />
Platon’la olmuştur. Sözcük anlamı “öğrenilmesi gereken<br />
şey”, yani, bilgidir.<br />
Matematikçilerin atikçilerin günlük hayatla bir ilişkisi olm<br />
olması<br />
gerekmeyen sayılar ve şekiller üzerinde düşünmemeleri<br />
mümkün değildi. Bu geometrik özelliklerin<br />
birçoğu bir araya getirildi ve tümdengelimci bir sistemle<br />
güzel bir şekilde organize edildi. Sayılar, şekiller,<br />
hareket ve düzen, düşünceler ve bunların sırası<br />
matematiğin hammaddeleridir.<br />
Doğa modellerle ve bu modeller de yaşam bilmecesine<br />
ilişkin ipuçlarıyla doludur. Matematiksel kav-<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
ramlar başlangıçta doğal nesnelerden esinlenmişlerdir.<br />
Çünkü matematik, daha önce ifade ettiğimiz<br />
gibi doğayı anlama çabası olarak gelişmiştir. İnsanın<br />
insanlaşma sürecinde matematiğin gelişim seyri de<br />
izlenebilir. Bu boyutu ile belki de en eski bilim dalı<br />
olup diğer bilimlerin de anasıdır. Matematik bilimi<br />
ciddi bir iştir. Aslında asık yüzlü ve korku duyulan bir<br />
disiplin olmayıp, tersine yaşam gibi eğlenceli, neşeli<br />
ve insanı dinlendiren uğraş alanıdır da.<br />
Matematik hakkında çok sayıda kitabın yazarı olan<br />
Theoni Pappas’ın “Yaşayan Matematik” adlı kitabının<br />
önsözünde şunlar yazılıdır: “Matematikten duyulan<br />
zevk bir şeyi ilk kez keşfetme deneyimine benzer.<br />
Çocuksu bir hayranlık ve şaşkınlık insanı sarar. Bu<br />
deneyimi bir kez yaşadıktan sonra bu duyguyu unutamazsınız.<br />
Bu duygu, ilk kez mikroskopa bakıp da<br />
daha önce çevrenizde her zaman var olan ama, göremediğiniz<br />
şeyleri gördüğünüz anki kadar heyecan<br />
vericidir”.<br />
2. MATEMATİK NASIL GELİŞTİ?<br />
2.1 SAYILARI KULLANARAK ARİTMETİKTEKİ<br />
İLK TEMEL İŞLEMLER<br />
9. yüzyılda yalnız 8 işleme yer verildiği görülmektedir.<br />
Bunlar: kare alma, karekök, küp, küp kök, toplama,<br />
çıkarma, çarpma bölmedir. 9. yüzyılın sonlarında<br />
Araplar günlük işlerinde ölçme, para değişimi ve ticari<br />
amaçlı aritmetiği kullanmaya başladılar.<br />
2.2 İLK ARİTMETİK DERS KİTAPLARI<br />
Eski Mısır ders kitabı: Matematik üzerine yazılmış<br />
ilk bilimsel inceleme Ahmes papirüsüdür. Hemen<br />
hemen 4000 yıl öncesi Mısır’ında bir alıştırma problemidir.<br />
Antik Yunan matematiği: Öklid’in “elementler” adlı<br />
geometri kitabı MÖ 320 de yazıldı. 13 ciltlik ilk büyük<br />
matematik kitabıdır.<br />
Hindu matematiği: 7. yüzyıldan başlayarak 11. yüzyıla<br />
kadar aritmetik ve cebirsel bilgi içeren ders kitapları<br />
vardır.<br />
Arap matematiği: MS.750-1450 arasında aritmetik,<br />
cebir, trigonometri ve diğer konularda yazılmış kitaplar<br />
vardır. Bazıları döneminde Latinceye çevrilmiştir.<br />
Avrupa ders kitapları (1200 den sonra): 1202 de<br />
Pisa’lı Leonardo’nun “Liber Abaci” adlı kitabıdır. 12.<br />
asırda Arapların özellikle cebir ile ilgili bilimsel çalışmaları<br />
Latin ve Hebrew dillerine çevrildi.<br />
Amerika Kıtası: İlk aritmetik ve cebir üzerine kitap<br />
25 sayfa olarak 1556 da Meksika’da yayınlandı.<br />
Amerika’da ise ilk aritmetik kitabı 1705 te yayınlandı.<br />
3. ÖĞRENCİ GÖZÜYLE MATEMATİK<br />
NEDİR?<br />
Çukurova Üniversitesi matematik bölümünde okuyan<br />
öğrencilere ve Adana’daki çeşitli liselerde okuyan<br />
11. sınıf öğrencilerinden toplam 400 öğrenciye<br />
“matematik nedir?” sorusunu yazılı olarak yanıtlamaları<br />
istendi. Bu soruya verilen yanıtlardan çıkan<br />
sonuçlar:<br />
Oyuncuları sayılar olan ve belli kurallara göre oynanan<br />
bir oyundur.<br />
Sayılarla düşünmektir.<br />
Sayı ve işlem bilimidir.<br />
Beyin jimnastiğini en iyi geliştiren bilim dalıdır.<br />
Sayıların ve işlemlerin oluşturduğu karmaşık bir<br />
bütündür.<br />
Sayıların ve çeşitli kümelerin ilişkilerinin sistematik<br />
bir biçimde incelenmesidir.<br />
İnsan yaratıcılığının sınırlarını aşmasına katkısı<br />
olan bilim dalıdır.<br />
54 55
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
İnsanı düşündüren kavramlar bütünüdür.<br />
Kavramlar ve sayılar arasında mantıksal bağlantılar<br />
kurma sanatıdır.<br />
Değişik meslek dallarından üniversite eğitimi almış<br />
23 kişiye aynı soru sorulduğunda alınan yanıtlar aşağıdadır:<br />
RT Sayılarla yaşamın ifadesi.<br />
MT Doğa düzeninin şifresini çözmek için bir<br />
araçtır.<br />
TB Sayılarla yapılan işlemlerin toplamıdır.<br />
MK Yaşadığımız evrenin sayısal ifadesidir.<br />
BA Hayatın düzenidir.<br />
AS Matematik hayattır. Matematik bilmeyen<br />
hayatı çözemez.<br />
CT Hayatım boyunca zorlandığım bir ders.<br />
OTÖ Hayatın kendisi. Yaşamın sırrı.<br />
MB Yaşamın rakamlarla anlatım biçimidir.<br />
OD Bence hayatın ta kendisi olmazsa olmazıdır.<br />
AİŞ Matematik hayattır. Bilimselliğin temel<br />
taşıdır. Kişiyi doğruya götüren en temel<br />
kavram ve yöntemdir.<br />
MÇ Evrenin en güzel işleyişini anlatan güzel<br />
bir müziktir.<br />
AHY Hayatın kendisidir.<br />
SY Hesap bilimidir. Problemleri farklı metodlar<br />
ile çözmemize yardımcı olur.<br />
EA Düşünce şekli/yöntemi.<br />
YEU Gerçeklerin ispatlanmasına yarayan rakamlar<br />
dünyasıdır. Yapılan ispatların sağlamasının<br />
da yapılmasına yarar.<br />
ST Mantık.<br />
YSÜ Nesneleri, şekilleri nicelikleri ve bazen<br />
nitelikleri tanımlamaya, ifade etmeye ve<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
analiz etmeye yarayan bir dildir.<br />
HA Sayılar, kümeler ve fonksiyonlar gibi niceliksel<br />
nesneler ve bunlar arasındaki ilişkileri<br />
inceler.<br />
SA İnsana bilimsel düşünme ve o düşünceyi<br />
karşılaştırma imkanı veren bir bilim dalıdır.<br />
İnsana kıyaslama yoluyla zenginleşme imkanı<br />
verir.<br />
AÇ Diğer doğa bilimlerinden farklı olarak tamamıyla<br />
insan bulgusu olan, bir bilim dalı<br />
olup, diğer bilimlerin yasalarının, kurallarının<br />
daha iyi ifade edilebilmesinde kolaylıklar<br />
sunan bilim dalı.<br />
OT Tüm öğrencilik hayatımda başıma bela<br />
olan 4 işlemden ileri gidemediğim, sevenlerinin<br />
kendini anlatırken ki neşe ve coşkusunu<br />
hayretle izlediğim bir bilim dalı.<br />
ÖC Sayısal ifade, mantık yürütmek suretiyle<br />
varlıkları ve olayları incelemek yorumlamak.<br />
Yanıtlardaki benzerlikler dikkat çekicidir.<br />
4. MATEMATİKÇİLERİN<br />
MATEMATİKLE İLGİLİ DÜŞÜNCELERİ<br />
Matematik sözcüğü ile en az iki disiplin teorik (pür,<br />
saf) matematik, ve uygulamalı matematik akla gelir.<br />
Lehigh Üniversitesi (Penysilvania, ysilvania, USA)<br />
emekli Matematik Profesörü<br />
MATEMATİK<br />
SANATI (The Art of<br />
Mathematics) adlı kitabın<br />
yazarı JERRY P.KING:<br />
“Pür matematik bir oyun-<br />
dur; zihinde oynanan bir ir<br />
oyun. Oyunun hareketleririnin gelişimini, kağıt üzerine ne<br />
yazdığınız sembollerle izlerlersiniz. Oyun ilerleyip soyutlaşlaşmalar birbiri üzerine eklenince ince<br />
semboller artık başka sembol mbol<br />
kümelerini ifade etmeye başlar. aşlar.<br />
Ortaya çıkan çeşitli kavramlar yeni matematik üretmeye<br />
yarayacaktır”.<br />
“Matematik düşünenlerin sayısı arttıkça yeni kavramların<br />
açıklanması beklenmekte, yeni mantık<br />
ilişkileri beni keşfedin der gibi seslenmektedir. Matematikçinin<br />
buldukları pratikte kullanılır. Çünkü matematik<br />
bir sanattır.”<br />
Doğayı anlamak ve somut olgular üzerinde çalışmak<br />
için matematik kullanımıyla belirlenen entelektüel<br />
alana uygulamalı matematik denir.<br />
Ünlü düşünür, filozof ve matematikçi Bertrand Russel<br />
(1872-1970) a göre “Matematik, aynı şeyi değişik<br />
sözcüklerle söyleme sanatıdır.<br />
Matematik evrensel bir dildir. Bunun anlamı eksilme<br />
ve bozulma olmaksızın daima var olacaktır. Matematikte<br />
duygu yoktur. Düşünce vardır. Matematiği<br />
dünyanın neresine götürürsek götürelim matematiğe<br />
bakan kişi yanlışsa yanlış, doğruysa doğrudur<br />
der. Matematikte iki tane cevap vardır bu cevaplar<br />
ya yanlıştır ya doğru. Matematikte kişisel düşüncelere<br />
yer yoktur. O bakımdandır ki matematik gerçek<br />
anlamda bir evrensel etkiye sahip doğanın dilidir.<br />
Uğraştığı konuların yaygınlığına ve derinliğine sınır<br />
koyulamaz. Dil, din, ırk ve ülke tanımadan tüm uygarlıklarda<br />
zenginleşerek gelişmesine devam etmektedir.<br />
Macar matematikçi PAUL<br />
HALMOS (1916-2006):<br />
“Matematik bazı fikirleri<br />
daha kısa, daha yalın anlatabilmek<br />
için bulunmuş,<br />
her gün kullandığımız<br />
dilden daha kesin, daha<br />
ince bir dildir.” demiştir.<br />
5. MATEMATİĞİN<br />
İŞLEVİ NEDİR?<br />
Onu bilim içindeki konumu<br />
ile açıklayabiliriz. Bilimin<br />
konusu nedir, amacı nedir, yöntemi nedir? biçiminde<br />
bir soru sorduğumuzda “Matematiğin işlevi nedir?”<br />
sorusuna gelip dayanırız. Bu soru ile karşılaşılınca da<br />
hiç kuşkusuz, matematiğin, konusu içeriği ve yöntemi<br />
devreye girer. Matematik, sürekli sorgulama ve<br />
arayış prensibine dayalı çalışma yöntemi içerisinde<br />
gene kendinin geliştirmiş olduğu ispatlama yöntemleri<br />
ile doğruyu arar.<br />
Matematik zevkini tatmak için matematiğin çevremizdeki<br />
nesnelerle ilişkisinin az olmadığını kavramak<br />
gerekir. Matematik, gelir-gider dengesini bulmak<br />
için kullanılan ya da karmaşık hesaplamalarıyla bizi<br />
sıkan bir konu değildir.<br />
Matematiğin uygulama alanı, bilimsel araştırma ve<br />
geliştirmeler ile sınırlı değildir; insanın çevresi ile olan<br />
tüm ilişkilerinde matematik bir şekilde vardır. Görsel<br />
ve plastik sanatlar, moda ve tasarım, müzik, kamuoyu<br />
araştırmaları, planlama, fizibilite, lojistik hizmetler,<br />
ticaret, muhasebe ve mali işler ve aklınıza gelebilen<br />
daha pek çok sektör ve iş alanında, ya doğrudan<br />
uygulamalı olarak veya dolaylı olarak matematiğin<br />
sağladığı olanaklardan yararlanmaktayız.<br />
Matematik, fizik, kimya, biyoloji gibi doğa bilimlerinde<br />
ve mühendisliğin her dalında matematiği yaygın<br />
olarak kullanıyoruz. İnsan geninin şifresini çözmek<br />
için matematikten yararlanıyoruz. 20. yüzyılda ve 21.<br />
yüzyılda matematik bizlere fark ettirmeden sessizce<br />
günlük hayatımızı etkileyen birçok alana yayılıverdi.<br />
Matematiksel kavramlar, canlı hücrelerin yapısında<br />
bile bulunur.”<br />
56 57
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Bir mimar matematiği kullanmadan çizim yapamaz,<br />
bir mühendis yaptığı binanın ya da aracın dayanıklılığı<br />
konusunda fikir beyan edemez, bir kimyacı bir bileşiği<br />
oluşturan elementleri analiz edemez, bir şehirdeki<br />
trafik kontrolü sağlanamaz. Matematik kullanılarak<br />
böbrek, kalp, pankreas ve kulak hastalıklarının tanı<br />
ve tedavisinde önemli rol oynayan modeller geliştirilmiştir.<br />
Kısaca matematik fiziksel dünyamızda yadsınamaz<br />
bir etkiye sahip olduğu gibi sosyal dünyamızda<br />
da olumlu etkilere sahiptir.<br />
Ekonomide ve dilbilimde araştırıcıların matematiği<br />
kullanarak çığır açan yeni kuramlar elde ettiklerini<br />
çoğumuz bilmeyiz. Tomografi kullananların çoğu, bu<br />
önemli tanı gerecinin temelinde 1910 yılında kanıtlanmış<br />
bir matematik teoremi yattığının farkında değildir.<br />
(John L. Casti, Beş altın kural:20. yüzyıl matematiğinin<br />
önemli teorileri (Çev. Nermin Arık), 2000,<br />
Sabancı Üniv. Yayını)<br />
Matematik, bilimin geliştirdiği teknolojileri kullanmak<br />
için de gereklidir. Bilişimde, veri işleme ve iletişimde,<br />
etkin algoritmalar ve modellemelerde,<br />
Kriptolojide (şifrelemede),<br />
Robotlarda da matematik gereklidir.<br />
Temel yapısı matematiğe<br />
(matematiksel modellemeye) dayanan<br />
elektrik ve mağnetizma teorisi<br />
olmadan radyolarımız çalmaz,<br />
televizyon göstermez, evler aydınlanmaz,<br />
röntgen cihazı çalışmaz,<br />
haberleşme ağı kurulmazdı.<br />
Matematik, insanlığın yaratıcı gücünü<br />
ortaya koyabilmesi için elindeki<br />
en güçlü silahlardan biridir.<br />
Yaratıcılığını kullanamayan toplumlar<br />
başka toplumların fikirlerini<br />
benimsemek zorunda kalırlar.<br />
“Tıpkı bir ressam veya şair gibi,<br />
bir matematikçi de kalıplar üretir.<br />
Matematikçinin kullandığı kalıplar<br />
diğerlerinin kullandığı kalplardan<br />
daha kalıcı ise bunun nedeni düşüncelerden<br />
oluşmuş olmalarıdır.<br />
Matematikçinin bütün malzemesi<br />
fikirlerden ibarettir.”<br />
“Matematiğin uygulamadaki sonuçlarını bir yana bırakıyorum;<br />
Matematiğin çok küçük bir bölümü pratik<br />
yarar sağlar; o küçük bölümde oldukça sıkıcıdır. Kabaca<br />
diyebiliriz ki, bir matematiksel düşünce, eğer<br />
öteki matematiksel düşüncelerin büyük bir bölümü<br />
ile doğal ve aydınlatıcı bir bağlantı kurabiliyorsa<br />
önemlidir”.<br />
Matematiğin Faydası Nedir?<br />
1. Doğru hüküm vermeyi sağlar.<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
2. Bilimsel düşünme yollarını öğrenip uygulamayı<br />
gerçekleştirir.<br />
3. Pozitif düşünce (müspet düşünce) ilkesini benimsetir.<br />
6. NASIL MATEMATİKÇİ OLUNUR?<br />
Doğrular, kareler ve sayılar gibi en basit matematiksel<br />
kavramları herkes bilir. Bir matematikçi olmak<br />
için yapmanız gereken tek şey bunlara<br />
düş gücü ve anlayışla bakmak<br />
ve anlamlı sonuçlara varabilmektir.<br />
(David Wells)<br />
İngiliz matematikçi AUGUSTUS<br />
de MORGAN (1806-1871)’e göre<br />
“ Matematiksel buluşun itici gücü<br />
mantık değil, hayal gücüdür. Bir<br />
matematikçi için ilk iş, düşünmeye<br />
başladığı kavramı tanımlamaktır.<br />
7. MATEMATİK VE<br />
ESTETİK<br />
Matematikçilerce matematiksel<br />
düşüncenin estetik niteliğinin ölçülebileceği<br />
standartlar olarak iki ilke<br />
vardır: Bunlar minimal tamlık ve<br />
maksimal uygulanabilirliktir (King,<br />
1997 sayfa 158).Her yaratıcı matematikçi<br />
matematiğin estetik<br />
deneyimini sezgisel olarak bilir. G.<br />
H.Hardy (1877-1947)’e göre “Gerçekten<br />
de matematiğin estetik<br />
çekiciliğine tamamen duyarsız, aydın bir insan bulmak<br />
biraz zordur. Matematiğin estetiğini çevreleyen<br />
gizem, biraz da matematikçilerin matematik hakkında<br />
konuşmaktan hoşlanmamalarının bir sonucudur.<br />
Matematikçiler matematiksel araştırma yapmaktan<br />
yeni matematik yaratmaktan hoşlanırlar. Tıpkı bir şairin<br />
şiir yaratması gibidir.<br />
Yalnız düşüncede var olan olayların nerelerde uygulama<br />
alanı bulacağı hiçbir zaman önceden tahmin<br />
edilemez. Bu nedenle matematikçiler yapılan çalışmaları<br />
estetik yönden değerlendirmekte, eserlerde<br />
bir sanatçı titizliği ile güzellik ve zerafet aramaktadırlar.<br />
8. MATEMATİK VE MÜZİK<br />
Çok sayıda kişi sezgisel olarak matematik ve müzik<br />
arasında bir ilişki olduğunu söyler. Müzik teorisyenleri,<br />
müziği anlamak için çoğu kez matematik kullanırlar<br />
(David Wright, Mathematics and Music, 2009,<br />
AMS). En azından her ikisi de sayma içerir. Her iki<br />
disiplini de anlayabilmek için belirli bir bilgi birikimi<br />
olmalıdır. Her iki disiplin antik devirlerden başlayarak<br />
karşılaştırılmş ve ilişkileri araştırılmıştır (Karşal, 2005).<br />
Her ikisinde de estetik ve evrensel bir dil vardır. Müziğin<br />
armonik yapısı matematiksel kurallara bağlı<br />
olarak biçimlendirilir. Pythagoras (M.Ö.569?-475?)<br />
bir telin farklı boyları ile değişik sesler elde edildiğini<br />
incelemiş ve bazı oranlar vermiştir. Pythagoras’ın<br />
kendisi iyi bir müzisyendi ve harp (lyre) çalıyordu.<br />
Müziği, hastaların iyileştirilmesine yardımcı olmak<br />
amacıyla araç olarak kullandı. Pythagoras’ın önemli<br />
buluşlarından biri müzikle matematik arasındaki ilişkidir.<br />
Telin kısaltılmasıyla çıkardığı sesin inceldiğini<br />
keşfetmiştir. Böylece müzikte armoni ile tam sayılar<br />
arasındaki ilişki bulundu. Uzunlukları tam sayı oranlarında<br />
olan gergin tellerin de armonik sesler verdiği<br />
görüldü. Pythagorasçılık’ta doğadaki uyum ve güzellik“<br />
sayılar arasındaki bir oranlama ve dengeleme”<br />
olarak nitelenir.<br />
Alman matematikçi ve filozofu Leibnitz'e (1646-<br />
1716) göre “ Müzik gizli bir aritmetik alıştırmasıdır.”<br />
Müziği, belli kurallara uygun olarak oluşturulmuş<br />
basit birtakım seslerin birbirini izlemesinden oluşan<br />
kümeler topluluğu olarak tanımlayabiliriz. Bu kurallar<br />
matematikte mantık kurallarına karşılık gelirler. Matematiğin<br />
müzik üzerindeki etkisini müzik parçalarının<br />
yazılışında görebiliriz.<br />
58 59
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
9. MATEMATİĞİN ŞİİR YÖNÜ<br />
Matematikçiler, matematiğin, şiirde olduğu kadar<br />
kesinlikle belirlenmiş bir estetik değeri olduğunu<br />
bilirler. Bu bilgi matematikçi aristokrasisinin kapalı<br />
dünyasının derinliklerinde saklı kalır.<br />
Alman matematikçi WEIRSTRASS (1815-1897)’ a<br />
göre “ Bir nevi şair olmayan bir matematikçi, hiçbir<br />
zaman mükemmel bir matematikçi olamaz”<br />
Şair ve yazar Melih Cevdet Anday (1915-2002)’a<br />
göre: Nasıl ki, şiirde bile güzellik, bir ölçüde içerdiği<br />
fikrin önemli olmasına bağlı ise, bir matematik probleminin<br />
güzelliği de büyük ölçüde, onun ciddi oluşuna<br />
bağlıdır.<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
10. MATEMATİK VE GÜZELLİK<br />
Ünlü düşünür, filozof ve matematikçi Bertrand Russel<br />
(1872-1970)’ e göre “ Matematik doğru algılandığında<br />
yalnız gerçeği değil, bir heykeldeki türden<br />
yüceltilmiş, donuk ve süssüz bir güzelliği de içerir.<br />
Matematik bu güzelliklere bürünmek için insan doğasındaki<br />
zayıflıklara başvurmaz, resim ve müziğin<br />
göz kamaştırıcı tuzaklarını da kullanmaz, ona karşı en<br />
katışıksız bir arılığa ve ancak en yüce sanat eserlerinde<br />
görülebilecek ağırbaşlı bir mükemmelliğe erişebilme<br />
gücüne sahiptir.” (B. Russel The Study of<br />
Mathematics in Mysticism and Logic, 1960 Sayfa:<br />
55-69).<br />
“Matematik gerçekten güzeldir. Bu güzellik çoğu zaman<br />
kanıtların yalınlığından kaynaklanır. Yalınlık ise<br />
doğallıktandır. Rahmetli hocamız Cahit Arf (1910-<br />
1997)’ın deyişiyle “Güzellik insanda sonsuzluk duygusu<br />
uyandırandır” “Matematik de resim, heykel,<br />
müzik gibi bir güzel sanattır.”<br />
“Matematiksel güzelliği tanımlamak çok güç olabilir<br />
fakat bu güçlük her tür güzellik konusunda geçerlidir”.<br />
Matematik hakkında konuşurken önce matematik<br />
için itici güdü olan güzellik; sonra, matematiğin<br />
amacı olan doğruluk ele alınmalıdır. Matematiğe hak<br />
ettiği önemi kazandıran şey ise, matematiksel doğruların<br />
bize gerçeklik hakkında verdiği bilgilerdir.<br />
11. MATEMATİK KORKUSU NASIL<br />
YENİLİR?<br />
Matematik söz konusu olduğunda çoğumuz kolaylıkla,<br />
'Haa matematik mi, çok başarısızdım!' demekten<br />
kaçınmayız. Peki bu cümlemizin matematikte başarısızlığından<br />
yakındığımız çocuğumuzu ciddi anlamda<br />
etkilediğinin farkında mıyız?,<br />
İnsanların matematikten korkması, matematik eğitiminde<br />
yaşanan sıkıntılar evrenseldir. Dünyanın<br />
her yerinde bu sorun yaşanıyor. Matematik, yaparak<br />
öğrenilen bir şeydir, ama okullarda matematik<br />
araç olarak kullanılmaya çalışılıyor. Matematiksel<br />
düşünme yeteneği gelişmediğinde öğrencilerin ezberleyen,<br />
bilgiyi kullanamayan, yorum yapamayan,<br />
matematiksel ve mantıksal düşünmeyi beceremeyen<br />
insanlar olarak yetiştirildiğini, bu yüzden bireyleri<br />
matematik korkusunun sardığını, kendilerine olan<br />
güvenlerini kaybettiğini söyleyebiliriz. Korku kadar<br />
bir insanı yönlendiren, zamanına göre güç veren ya<br />
da zayıflatan bir duygu yoktur sanıyorum. Korkudan;<br />
nefret, saygı, alay, yüreklilik, hatta bu duyguların<br />
tümü birden doğabilir. Matematikten ve genel olarak<br />
bilimden, korkulduğu yadsınamaz bir gerçektir.<br />
Karanlıkta duyulan korkuya benzer bir duygu kaplar<br />
içimizi matematik karşısında; bu duygu yalnız sokaktaki<br />
adama özgü değildir, bir matematikçi de aynı<br />
duyguya kapılır. Bu durum okul öncesi eğitimden<br />
itibaren üzerinde durulması gereken bir konudur.<br />
Başarı için Öğretmenin matematiği sevdirmesi en<br />
önemli faktördür. Matematiği herkesin yapabileceği<br />
bir dal olarak görmeliyiz. İyi yetişmiş bir Öğretmen<br />
uygun öğretim yöntemi ile bunu başarabilir.<br />
12. SONUÇLAR<br />
Unutulmaması gereken en önemli noktalardan biri<br />
şudur: Eski uygarlıklar yok oldular fakat bu uygarlıkların<br />
matematiği hala ilgi çekicidir. Konuşma dilleri<br />
ölür ama matematiksel düşünceler kalıcıdır. Bilimde<br />
ilerlememiş gelişen bir toplum düşünülemeyeceği<br />
gibi, matematiksiz ilerleyen bir toplumda düşünülemez.<br />
Yarının gözlemleriyle değişmeyecek bir gerçek<br />
istiyorsanız onu bilimde bulmaya çalışmaz, matematikte<br />
ararsınız.<br />
60 61
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Filozofların ifadesiyle matematik dünyayı anlamanın<br />
evrensel anahtarıdır. Sevmenin yolu anlamaktan geçer.<br />
Değişen dünyamızda, matematikten anlayan ve<br />
matematik ile ilgilenenler geleceği şekillendirmede<br />
daha fazla seçeneğe sahip olmaktadır. Bilişsel araçlar,<br />
çağımızda matematiği öğrenme ve öğretmesini<br />
büyük ölçüde kolaylaştırmaktadır. Yeni bilgiler ve<br />
teknolojiler, matematiğin kendi içindeki gelişmeleri<br />
kendi doğasındaki mantıksal düzenin estetiğini hissedebilmek,<br />
görebilmek, kavrayabilmek ve hayata<br />
taşıyabilmek için bilgisayar teknolojisi ile entegre<br />
edilmiş yeni araştırma ve öğretim alanlarının geliş-<br />
mesini hızlandıracaktır. Matematiği, elementer düzeylerde,<br />
matematikçilerin en üst düzeyde gördükleri<br />
şekilde -bütün sanatların doruk noktası olarak,<br />
Florence Colgate kadar güzel ve Kleopatra kadar<br />
baştan çıkarıcı bir şey olarak- sunma yolunda ciddi<br />
ve sistematik bir çaba gösterilinceye kadar, matematiğin<br />
sıradan insanlar tarafından anlaşılabilir hale<br />
getirilip getirilemeyeceğini asla öğrenemeyeceğiz.<br />
Polonya kökenli Fransa'da yaşamış ve ilk Nobel ödülü<br />
alan bayan olan Madame Maria Curie (1867-1934)'<br />
nin bir cümlesiyle yazımızı tamamlıyorum: “Yaşamda<br />
korkulacak bir şey yoktur. Yeter ki anlaşılsın”.<br />
Ünlü İngiliz matematikçi G.H.Hardy (1877-1947)<br />
“Bir Matematikçinin Savunması” adlı eserinde şöyle<br />
diyor: Bir matematikçi için en güzel işlerden birisi<br />
kendi konusunu, deneyimlerini ve matematikle uğraşmaktan<br />
aldığı hazzı matematikçi olmayanlara aktarmaya<br />
çabalamaktır.“Bir gün matematik yapamaz<br />
duruma düşerseniz matematik hakkında yazmaya ya<br />
da konuşmaya başlarsınız”<br />
Bilim ve aklın simgesi diyebileceğimiz matematikle<br />
ilgili bütün korku ve yanlış inanışlar bir yana matematik<br />
yaşamımızda vazgeçemeyeceğimiz bir alandır.<br />
Matematiğin İnsan Üzerindeki Etkileri Matematik Fıkraları<br />
Matematik Dersinin Finali Hayal Gücü<br />
4 tane üniversite öğrencisi, uyanamadıkları için temel<br />
matematik dersinin finaline geç kalırlar ve okula<br />
gidince hocaya arabalarının lastiğinin patladığını<br />
söylerler. Hoca ilk başta inanmaz ama öğrencilerinin<br />
yalvarmalarına dayanamayarak, onları 3 gün sonra<br />
sınav yapacağını söyler. Sınav günü gelince hoca, 4<br />
öğrencinin hepsini boş bir salonun ayrı ayrı köşelerine<br />
oturtur. Sınav geçme sistemi şöyledir: 100 üzerinden<br />
50 puan alan herkes sınavı geçebilir. Hocanın<br />
hazırladığı sınavda ise ön sayfada 10'ar puanlık 4<br />
tane basit matematik sorusu vardır… Bunları kolayca<br />
çözerler. Arka sayfada ise 60 puanlık 1 soru vardır:<br />
“Hangi lastik patladı”?<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
Bir matematikçi ve bir mühendis, ünlü bir fizikçinin<br />
seminerine katılırlar. Seminer 9 boyutlu uzayda<br />
cereyan eden bir takım işlemler içermektedir.<br />
Matematikçinin seminerden oldukça keyif alır<br />
görünmesine karşın, mühendis çok zorlanmaktadır.<br />
Başı çatlayacak derecede ağrımaya başlayınca<br />
dayanamayıp sorar:<br />
- Bu garip ve zor şeyleri nasıl anlayabiliyorsun?<br />
- Matematikçi gayet sakin cevap verir;<br />
- Sadece olayı tasavvur ediyorum.<br />
- 9 boyutlu bir uzayı nasıl tasavvur edebilirsin ki?<br />
- Aslında çok kolay. Sadece n boyutlu bir uzay<br />
tasavvur ediyorum. Daha sonra n’i 9’a götürüyorum.<br />
Matematikçi<br />
Balonla seyahat etmekte olan bir grup yolunu<br />
kaybeder ve biraz alçalarak aşağıdaki kişiye yaklaşırlar.<br />
İçlerinden biri aşağıya bağırır:<br />
- Heyyy!.. Biz şu anda nerdeyiz?.<br />
Aşağıdaki şahıs onlara şöyle bir bakar ve biraz<br />
düşünüp dalgın dalgın cevap verir:<br />
- Bir balonun içinde ve oldukça alçaktasınız.<br />
Balondaki adam doğrulur ve arkadaşlarına:<br />
- Biliyor musunuz bu adam matematikçi der. Bunun<br />
üzerine balondaki diğer şahıslar bunu nerden<br />
anladığını sorduklarında şöyle yanıtlar:<br />
- Birincisi, çok düşündü, ikincisi söylediği şey kesin<br />
olarak doğru. Üçüncüsü, bir işe yaramıyor…<br />
YORUM: Matematik bağımsız ve özgün<br />
düşünme alışkanlığı geliştirir. Yeni<br />
düşüncelere hazır hale getirir. Özel kavramları<br />
genelleyebilme yeteneği sağlar. Açık ve kesin<br />
anlama gücü kazandırır.<br />
Sonuç olarak sizlerle üç karikatürü paylaşacağım.<br />
Matematik eğitiminin içinin boş olduğunu göreceksiniz.<br />
Bir test sorusu: 9'un karekökü 3'tür.<br />
Yanıtlar: a) Doğru b)Yanlış c) Kimin umurunda.<br />
Öğretmenin Sorusu : 2x2=?<br />
Öğrencinin yanıtı: Hayırlısı Neyse O Olsun<br />
Soru: x’ i bulunuz. Yanıt: Burada<br />
KAYNAKLAR<br />
Ali Nesin (1989) Matematik ve Korku Amaç Yayıncılık Ltd.Şti., İstanbul.<br />
Ali Nesin (1994) Matematik ve Oyun Düşün Yayınclık, İstanbul.<br />
B. Russel (1960) The Study of Mathematics in Mysticism and Logic, Sayfa:<br />
55- 69).<br />
David Wells (1995) Matematiğin Gizli Dünyası(Çeviri: Selçuk Alsan (2008) Doruk<br />
Yayınları, İstanbul.<br />
David Wright (2009) Mathematics and Music, AMS.<br />
De Corte, E. (2004) Mainstreams and perspectives in research on learning<br />
(mathematics) and instruction, Applied Physchology: An International Review,<br />
53, 279-310.<br />
Ece Karşal (2005) Matematik ve Müzik, Müzik ve Bilim Dergisi, Sayı:4, 1-11.<br />
G.H.Hardy (1995) Bir Matematikçinin savunması (Çeviri: Nermin Arık) TUBİTAK<br />
Yayını<br />
Hamza Bulut (1988) İnsan ve Matematik, Delta Bilim Yayınları, İzmir.<br />
Ian Stewart (2000) Doğanın sayıları (Çev. Selgin Zırhlı) İzdüşüm yayıları<br />
Jerry P.King (1992) Matematik Sanatı( Çeviri: Nermin Arık (1997)) TUBİTAK<br />
Popüler Bilim Kitapları 49.<br />
John Allen Paulos (1998) Herkes için Matematik (Çev. Başak Yüksel) Beyaz<br />
Yayınları<br />
Karpinski, L.C. (1925) . The History of Arithmetics, Rand N and Co. , Chicago.<br />
Malcom E. Lines (1997) Bir Sayı Tut (Çev. Nermin Arık) TUBİTAK Yayını<br />
Marcel Boll (1991) Matematik Tarihi (Çev. Bülent Gözkan) İletişim Yayınları<br />
Nazif Tepedelenlioğlu (1990) Kim Korkar Matematikten Amaç Yayıncılık,<br />
İstanbul.<br />
Sinan Sertöz (1996) Matematiğin Aydınlık Dünyası , TUBİTAK Yayını<br />
62 63
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Tutku Mavi ERKILIÇ<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
Sinemasal Bir Anket<br />
Üzerine Düşünceler<br />
Sonuçları üzerine kişisel düşüncelerimi aktaracağım<br />
anket çalışması, Sekans Dergisi tarafından 2007-<br />
2012 yılları arasında, sinema eğitimi alan, farklı yaş<br />
ve meslekten sinemaseverlere uygulandı. Çalışmanın<br />
son iki yılına anketör olarak katıldım ve sonuçların<br />
değerlendirilme aşamasında, istatistik analistlerine<br />
yardım ettim. Benim için eğlenceli olduğu kadar öğreticiydi<br />
de.<br />
Anketin sonuçlarına ve değerlendirilmesine geçmeden<br />
önce, katılımcılarla ilgili birkaç bilgiyi paylaşmak<br />
isterim. Toplam katılımcı sayısı 217. Kadınların sayısı<br />
132, erkeklerinki ise 85. Üniversite mezunu olanların<br />
oranı ise yüzde 75 gibi yüksek bir orana sahip. Yaşlara<br />
göre dağılımları ise aşağıdaki gibi:<br />
15-25: % 27<br />
26-35: % 35<br />
36-45: %23<br />
46 ve üstü: % 15.<br />
Anketin en ilginç sonuçlarından biri sinema ile en<br />
fazla ilgilenen meslek grubunun mühendislik olması.<br />
Onu da sağlık alanı izliyor. (grafik 1) Kendimce, başta<br />
gelen alanların eğitim bilimleri, sosyal bilimler veya<br />
iletişim olacağını düşünmüştüm. Ancak yanılmışım.<br />
Dil bölümleri ve güzel sanatlar sinemaya en ilgisiz<br />
alanlar olarak şaşırtıyor.<br />
Katılımcılara sorulan sorular arasında beni ilgilendirenlerden<br />
bir tanesi şuydu: Sinema ile ilgili bilgilere<br />
hangi kaynaklardan ulaşıyorsunuz? Verilen cevaplara<br />
göre internet açık ara önde. Onu, sinema kitaplarını<br />
kıl payı farkla geride bırakan sinema dergileri takip<br />
etmekte. Elde edilen sonuçların en çarpıcı olanı, ilgili<br />
bölümlerde onca öğrenci okumasına rağmen,<br />
okulların bir bilgi kaynağı olarak görülmüyor olması.<br />
(grafik2) Aslına bakarsanız, sinema okuryazarlığı açısından<br />
da vahim bir tablo var ki, sinemaseverlerin<br />
aşağı yukarı yarısı hiç dergi okumuyor. Yayınları izlememe<br />
gerekçeleri çok daha vahim. Popüler olmala-<br />
64 65
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
rından yakınan da var, entelektüel olmalarından da.<br />
En büyük kesimin yanıtsızlar olması, uzun söze gerek<br />
bırakmıyor. (grafik 3)<br />
Film seçerken tercihlerinizi neye veya nelere dayanarak<br />
yapmış olduğunuzu düşündüğünüz oldu mu<br />
hiç? Size yol gösterir mi bilmem ama ankete göre<br />
en önemli seçim kriteri filmin yönetmeniymiş. Yönetmenin<br />
ardından birbirine çok yakın değerlerle<br />
filmin türü ve konusu geliyor. Yapım yılı, tüm kriterler<br />
arasında en önemsiz görüneni. (grafik4) Peki, hangi<br />
sıklıkla film seyrediyoruz? Cevaplar ezici çoğunlukla<br />
bir şıkta toplanıyor: Haftada iki. İlginç olan, günde bir<br />
film seyredenlerin oranı ayda bir film seyredenlerin<br />
oranının neredeyse iki katı. (grafik 5)<br />
Televizyon kanallarını konu alan iki soruya (En çok<br />
izlediğiniz tv kanalları hangisi? ve En kaliteli filmlerin<br />
yayınlandığı kanallar hangileri?) verilen yanıtların<br />
fazlasıyla ortak yan taşıması, sinemaseverlerin televizyonları<br />
film seyretmek için tercih ettiğini açığa<br />
çıkarıyor.(grafik 6 ve 7)<br />
Bir sinemasever ileride ne olmayı arzular, uzak hedefinde<br />
ne olmak vardır? Senarist ve yönetmen olmayı<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
hedefleyenler başı çekiyor ama sinemasal üretimin<br />
kalbi olan görüntü yönetmenliğini amaçlayanlar neredeyse<br />
yok düzeyinde. (grafik 8)<br />
Sıra geldi anketin film ve yönetmenlerle ilgili olan en<br />
keyifli bölümüne. Sinemaseverler tarafından hazırlanan<br />
en iyi filmler listesinde toplam 687 film ve 385<br />
yönetmen yer aldı. Filmlerin yirmişer yıllık dönemlere<br />
göre dağılımı şu şekilde gerçekleşti:<br />
1910-1929: 22<br />
1930-1949: 36<br />
1950-1969: 104<br />
1970-1989: 170<br />
1990-2009: 345<br />
2010 ve sonrası: 10.<br />
Meraklısı için önemli bilgilere geldi sıra. Farklı eğilimleri<br />
bir arada görme şansımızın olduğu en iyi filmler<br />
listesinin öne çıkan filmleri Baba (The Godfather),<br />
Mavi (Trois Couleurs: Bleu), Dövüş Kulübü (Fight<br />
Club) ve Otomatik Portakal (A Clockwork Orange)<br />
oldu. Ulusal yapımların en beğenilen filmleri Uzak<br />
ve Yol, takipçileri ise Masumiyet ve Sevmek Zamanı.<br />
Dünyanın en iyi yönetmeni Krzysztof Kieslowski<br />
seçilirken, Francis Ford Coppola, Stanley Kubrick,<br />
AndreyTarkovski ve Ingmar Bergman lideri yakından<br />
izliyorlar. Bizim yönetmenlerimiz arasında farklı bir<br />
şekilde öne çıkan isim, dünya sıralamasına girmeyi<br />
de başaran Nuri Bilge Ceylan oldu.<br />
66 67
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Hayvanlar,insanoğlunun<br />
yararına seferber edilmektedir<br />
ve bu, bazen onların<br />
hayatları pahasına olmaktadır.<br />
Hayvanlara yapılan<br />
zulüm meselesi, onları ölüme<br />
sürükleyecek derece,,<br />
yükselmektedir. Hayvanların<br />
karşılaştığı işkenceler<br />
hakkında küçük bir fikir<br />
vermesi için, aşağıda bazı<br />
istatistikler verilmiştir.<br />
Hayvanlar, nasıl olsa seslerini çıkaramadıklarından, hep<br />
insanoğlunun yararına ve rahatına hizmet etmiştir. Hayatı<br />
daha iyi kılmak için hayvanlara yapılan işkencenin<br />
sınırı yoktur. Yıllar boyunca sirklerin, izinsiz avlanmanın,<br />
avlanmanın, tıbbî deneylerin ve modanın pençeleri<br />
hayvanların üzerindedir. Eğlence sektörü, araştırmalar,<br />
izinli ve izinsiz avlanma vs. gibi alanlarda kullanılan hayvanlara<br />
karşı kötü muamelede bulunulması, onları tehlikeye<br />
sokmuş ve türlerinin tükenmesine yol açmıştır.<br />
Hayat bütün canlılar için önemlidir ve bir canlının hayatına<br />
son vermek hakkı, insanlar dahil, kimsenin elinde<br />
değildir. İnsanoğlu en vahşi hayvanları terbiye ederken,<br />
ekosisteme bir dengesizlik getirdiği de açıktır.<br />
Hayvanlara yapılan zulüm bütün dünyada ve toplumun<br />
her kesiminde görülmektedir. Hayvan istismarı hakkındaki<br />
olgular ve istatistikler yardımıyla hayvanlara<br />
yapılan zulüm daha iyi anlaşılabilir. Hayvanların göz alıcı<br />
renkleri ve örüntüleri moda endüstrisinin gözünden<br />
kaçmazken, vahşi hayvanları terbiye etme güdüsü eğlence<br />
alanında hayvanları kurbanlaştırmıştır. İnsanoğlu<br />
ne zaman hayvanları bu amaçlarla kullansa, onlara<br />
büyük bir travma yaşatmış ve zarar vermiştir. Hayvanlara<br />
eğlence için işkence yapıldığında ya da hayvanlar<br />
beslenme için katledildiklerinde, bu hayvanlara yapılan<br />
zulmün parçası olur. Hayvanlara verilen bilinçli zararlar<br />
ya da onların ihmal edilmesi, kötü muamele örnekleridir.<br />
Zulmün bu aktif ve pasif biçimleri birçok hayvanda<br />
travma yaratmaktadır. Kötü muamelenin birçok örneği<br />
kayıtlara geçmemekte ve bu da, meseleye karşı önlem<br />
alma konusunda engeller oluşturmaktadır. Hayvan-<br />
Amruta GAIKWAD<br />
Çeviren: Kerem YÜKSEL<br />
Hayvanlara Yapılan<br />
Zulümlerin İstatistiği<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
ların ekosistemimizin çok önemli unsurları olduğunu<br />
anlamak lazımdır. Onları yokoluşa sürüklemek, dünya<br />
üzerindeki hayatı yok olmaya davet etmektir.Yine de,<br />
meselenin yoğunluğunu ve ciddiyetini istatistikler anlatabilir.<br />
Hayvanlara Yapılan Zulüm<br />
Hayvanlar birçok amaçla kullanılmaktadır ama onların<br />
sömürülmesinde önde gelen alanlar eğlence sektörü,<br />
araştırma ve modadır. ABD istatistikleri bize şunları<br />
göstermektedir:<br />
Hayvanların yüzde 32.4’ü ihmal edilmekte,<br />
yüzde 11.6’sı ateşli silahlarla öldürülmekte,<br />
yüzde 11.5’i boğularak ölmekte,<br />
yüzde 9.3’ü zehirlenme ve kavga sonucu ölmekte,<br />
yüzde 7’si dövülmekte ve kaçırılmakta,<br />
yüzde 5.6’sına işkence yapılmakta,<br />
yüzde 2.4’ü avlanılmakta ve çöpe atılmakta,<br />
yüzde 2.3’ü bıçaklanmakta,<br />
yüzde 2.2’si yanma veya boğulma tehlikesi geçirmekte,<br />
yüzde 1.9’u yakıcı maddeye maruz kalmakta,<br />
yüzde 1.8’i dövüştürülürken ölmekte,<br />
yüzde 1.4’ü yasadışı ticarete konu olmaktadır.<br />
Hayvanlara yapılanları gösteren bu istatistikler, zulme<br />
yenilen hayvanların sayısını miktarını göstermektedir.<br />
Eğlence Sektöründeki Hayvanlar<br />
Filler, kaplanlar, ayılar, maymunlar vs. yıllarca esir edilmekte<br />
ve acımasız terbiye seanslarına maruz kalmaktadır.<br />
Hayvanların bu performansları gönüllü yapmadığı<br />
ama kendilerini işkenceden korumak için yaptıkları bilinir.<br />
Hayvanların komutlara uyması ve bazı numaralar<br />
yapması için en ağır eğitim koşulları hazırlanmakta ve<br />
sonucunda hayvanlar teslim olup efendilerinin dediklerini<br />
yapmak zorunda kalmaktadır. Hayvanlar kırbaçlanmakta,<br />
ağızları bağlanmakta, elektrik çubukları ile<br />
dürtülmekte ve onlara acı çektirilmektedir. Hayvanlara<br />
Ahlaki Davranılması için Gönüllüler (PETA), sirk hayvan-<br />
larının sefil hayatını ortaya koymuştur. Fillerin kancalarla<br />
ve elektrik çubukları ile dövüldüğünü, vahşi kedilerin<br />
boyunlarına ağır zincirler asıldığını göstermişlerdir. Ayı<br />
ve kaplanların dövülüp sopalarla tartaklandığı gösterilmiştir.<br />
Sürekli yapılan yolculuklar hayvanların römork ya da<br />
kamyon kasalarında çok uzun süreler kalmalarını gerektirir.<br />
Kendilerine büyük miktarlarda para kazandıran<br />
bu hayvanların daha iyi koşullarda yaşamaları ise insanların<br />
umurunda değildir. Bu hayvanlar acı çekmeye<br />
mahkumdur ve hayatlarını kemiren en berbat koşullarda<br />
hayatta kalmaya gayret ederler. PETA tarafından<br />
bildirildiğine göre Barnum ve Bailey Sirki ve Ringling<br />
Kardeşler yılda 11 tur yapmaktadır ve bu süreçte filleri<br />
26 saat ile 100 saat arası züncirli tutmaktadır. Vahşi<br />
kedileri için yapılan kafeslerin bile hareket alanı oldukça<br />
azdır. Bazı durumlarda birden fazla kaplan veya aslan<br />
aynı kafeste tutulmaktadır ki bu hareket alanını iyice<br />
azaltmaktadır. PETA tarafından kayda geçirilmiş vakalardan<br />
biri Cylde adlı genç bir aslanın Temmuz 2004’te<br />
yapılan bir yolculukta aşırı sıcaktan ve sıvı kaybından<br />
dolayı ölmesidir. Bu korku ve tehdit ortamından kaçmaya<br />
çalışan çok sayıda hayvanın bu teşebbüsleri<br />
ölümle sonuçlanmıştır. Bu ortamdan kaçan hayvanlar<br />
toplum için bir tehlike oluşturmakta ve bu nedenle de<br />
ya bu hayvanlar vurulmakta ya da onlara yüksek dozda<br />
uyuşturucu verilmektedir.<br />
Kozmetik ürünler ve daha başka kişiye özel ürün ilk olarak<br />
fare, sıçan, kedi, köpek, kurbağa, maymun vd. üzerinde<br />
denenmektedir. PETA, ABD laboratuvarlarında<br />
kimyasal, tıbbi ve kozmetik testler sonucu hayvanlarda<br />
dayanılmaz ağrıların oluştuğunu ortaya koymuştur.<br />
Bu hayvanlar daha acılı bir ölüme sebep olan testlere<br />
hazırlıklı kılınsın diye uyuşturulur, tecrit edilir; hayvanların<br />
yüzlerinde yanıklar oluşur, omurilikleri zedelenir ve<br />
kemiklerine delikler açılır. Birçok durumda hayvanlar<br />
üzerinde gerçekleştirilen deneyin sonuçları insanlar<br />
için geçerli dahi değildir. Bir Britanya gazetesi olan<br />
The Independent’in yazdığı gibi, maymunlar üzerinden<br />
denenmiş HIV aşıları insanlarda doğru çalışmamıştır.<br />
Hayvanlarda denenen ilaçlar insanlar için geçersiz olsa<br />
da, onları araştırmaların yarattığı acı ve travmaya maruz<br />
bırakmaya devam ediyoruz.<br />
Moda ve Hayvanlar<br />
Moda sektörü hayvanların güzel kürklerine ve gözalıcı<br />
desenlerine ihtiyaç duyar. Bu sektörün en gözde kurbanları<br />
kedi ailesi, köpekler ve tavşanlardır. Bu hayvanlar<br />
çok pahalıya satılan kürkleri için katledilir. Tasarımcıların<br />
koleksiyonlarına biraz alım katmak için birçok<br />
hayvan ölmekte ya da büyük işkenceler çekmektedir.<br />
Kürk ve hatta deri satışları büyük ölçeği bulan önde<br />
gelen metalardandır. Deri endüstrisinin kârı ineklerin,<br />
domuzların, koyunların, timsahların, kedi ve köpeklerin<br />
katliamı üzerine bina edilmiştir. Moda sektöründe derinin<br />
kendine bir yer bulması eskiye dayanır. Bu zaman<br />
içinde tasarımcılar eldeki malzeme ile çeşitli deneylere<br />
girişmişler ve hayvanlara büyük zarar vermişlerdir.<br />
PETA yaptığı araştırmalar sonucunda, ineklerin mezbaaya<br />
götürülebilmesi için kuyruklarının kesildiğini ve<br />
gözlerine biber serpildiğini bulgulamıştır. Yine ABD’de<br />
derilerinden ve diğer lüks tüketim malzemesi olabilecek<br />
parçalarından yararlanmak için hayvanların vahşice<br />
katledildiği bilinmektedir. Derinin elde edilmesi hayvan<br />
için acılı bir ölüm demektir. Bu işte çıkarı olanlar ise bu<br />
metanın tecimini gerçekleştirenlerdir. Buna karşın, bu<br />
aynı kişiler sadece hayvanlara zarar vermekle kalmazlar,<br />
çevremize de zararlı ürünler üretirler.<br />
Hayvan Dövüşleri<br />
Hayvanlara yapılan zulümlerin en meşhurlarından biri<br />
boğa güreşleridir. Bu spor ne kadar eğlenceli görünse<br />
de, boğalar acı çekmekte ve<br />
kan kaybından ölmektedir. Bu,<br />
insanların hayvanlara gösterdiği<br />
saygısızlığın açık bir örneğidir.<br />
Bu ölümcül spor çirkin bir gerçeği<br />
saklar. Bu gerçek sadece<br />
hayvanları için değil, buna şahit<br />
olan insanlar için de travmatiktir.<br />
Boğaları zayıflatmak için onlara<br />
ilaç verilir. Bazı durumlarda arenaya<br />
salınmadan önce havyanlar<br />
bıçaklanır. Hayvan hareket ettikçe<br />
bu bıçak daha derine saplanır ve hayvanı daha da güçsüz<br />
kılar. Dokulara verilen zarar hayvande sürekli kanamaya<br />
sebep olur. Çoğu durumda bir zafer nişanesi<br />
olarak hayvanın kulakları, hayvan daha canlı iken, kesilir.Boğa<br />
güreşleri, hayvanlar için ölümcül olan sporlar<br />
için tek örnek değildir. Köpek dövüşü ve horoz dövüşü<br />
insan eğlencesine meze yapılan diğer “sporlar”dır.<br />
Hayvanlara yapılan zulümler geniş bir konudur ve yakıcı<br />
bir meseledir. Bu zulümler birçok hayvanın canına malolmuş<br />
ve birçok türü yokolma tehlikesi ile karşı karşıya<br />
bırakmıştır. Uyanmanın ve masum hayvanların hayatlarının<br />
korunması konusunda yukarıda sıralanan etkiler<br />
üzerine düşünmenin vakti gelmiştir.<br />
68 69
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Derin Ekoloji<br />
Derin Ekoloji hareketi daha derinleri sorgulayan<br />
ekoloji hareketidir. “Derin” sıfatı,<br />
diğerlerinin sormadıkları “neden” ve “nasıl”<br />
sorularını, bizim sorduğumuzu imler.<br />
(Arne Naess, 1972’de terimi ilk kez<br />
kullanan kişidir)<br />
Derin Ekoloji bilimsel çerçevenin ötesinde,<br />
farklı tezahürlerinden ve değişim<br />
ve dönüşüm döngülerinden bağımsız<br />
olarak, bütün hayatın bir olduğunun sezgisel<br />
farkındalığına varan gerçek algısında<br />
köklerini bulur. İnsanın özünün ve bir bütün<br />
olarak evrenle olan bağını hissetmesinin bilince<br />
yansımasının bu şekilde kavranması, ekolojik<br />
farkındalığın gerçekten de ruhani olduğunu açıkça<br />
ortaya koyar. Aslında, bireyin evrene bağlı olduğu<br />
şeklindeki düşünce, Latince din (religion) kelimesinin<br />
kökünde ve Sanskrit Yoga kelimesinde kendini<br />
ortaya koyar: ilkindeki religare kuvvetle bağlanmak,<br />
ikincisindeki yoga ise birlik demektir. (Fritjof Capra)<br />
(Fox, 1995)<br />
Derin Ekoloji, Doğa’nın Metafiziği ve Ben’in Doğayla<br />
ilişkisi ile ilgilidir. Ekolojiyi dünyanın basit bir metafizikî<br />
Kerem YÜKSEL<br />
İSTATİSTİK<br />
ÇEŞİTLEMELERİ<br />
yapısı olarak modeller ve gerek temel parçacıklar,<br />
gerek organizmalar ve gerekse<br />
galaksiler düzeyinde, bütün şeylerin özdeşliğinin<br />
mantıksal olarak birbirine bağlı<br />
olduğunu öngörür...<br />
Bu ilkeyi insanların birbirleriyle olan bağlılıklarına<br />
uyguladığımızda, “Ben” diye nitelenen<br />
bireyin bir beden, bir kişisel ego<br />
ya da bilinçlilikten oluşmadığı ortaya çıkar.<br />
Şüphesiz ki “ben” kısmen bu dolaysız<br />
fiziki ve akli yapılardan oluşmaktayım ama<br />
beni oluşturan şeylerin arasında çevremin<br />
unsurları ile girdğim ekolojik ilişki de – benim<br />
bedenimin ve bilinçliliğimin yapılarının görüntüsü<br />
altındaki ilişki - vardır. Ben, benim doğal ekosistemimin,<br />
sonra da bu ekosistemi içeren daha büyük<br />
bütünlüklerin, bütünsel bir unsuruyum.<br />
Derin ekolojinin bakış açısına göre, bizim kültürümüzde<br />
yanlış olan, onun bize doğru olmayan bir ben<br />
kavramı sunmasıdır. Buna göre ben, doğayla rekabet<br />
içindedir ve ona karşı varolur. Çevremizi yok edersek,<br />
aslında bizim büyük ben’imizi de yok ettiğimizi<br />
anlamakta zorlanıyoruz. ( ) (Fox, 1995)<br />
İnsanlığın şu an yürümekte olduğu yolda temel<br />
umudu ...kısmen ekolojik ilkelerden elde edeceği<br />
bir dünya görüşü geliştirmesidir – şu derin ekoloji<br />
hareketi denen hareket içinde. “Derin Ekoloji” terimi<br />
1972 yılında Arne Noess tarafından, kendisinin “sığ<br />
ekonomi” adını verdiği gelişmiş ülkelerde kirlenme<br />
ve kaynakların tükenmesine karşı mücadele etmek<br />
için ortaya atıldı. Derin ekoloji hareketine göre, bugünün<br />
insanının sahip olduğu düşünce örüntüleri ve<br />
toplumsal örgütlenmesi, nüfûs-kaynak-çevre krizine<br />
karşı bir çözüm geliştirmekte yetersizdir ki bu benim<br />
de kabul etme eğiliminde olduğum bir görüştür. Bunun<br />
gibi kısmen-dini karakterli ve insan faaliyetlerinin<br />
çoğunu etkisine almış değerlerin değiştirilmesi gerektiğini<br />
düşünen bir hareket, uygarlığımızın devamlılığı<br />
için gereklidir. (Paul Ehrlich, p41)<br />
... deniz kaplumbağalarının, kaplanların ve jibonların<br />
kaderi benim de kaderimdir dediğimde, bunu<br />
boşuna söylemiyorum. Söylemek istediğim, benim<br />
evrenimin sadece bana ait olmadığı, o benim ta kendimdir.<br />
Kendimi sadece açık tehditlere karşı değil,<br />
haksız hor görmelere karşı da korumak hakkımdır...<br />
(John Livingston)<br />
Yaşayan her canlı birbiriyle yakından bağlantılıdır ve<br />
bu yakınlıktan dolayı özdeşleşme yeteneği kazanır<br />
ve bunun doğal sonucu şiddet-karşıtı pratiktir. Şimdi<br />
bu horlanmış dünyadaki bütün hayatı derinleşmiş<br />
özdeşleşme ile, diğer yaşam biçimleriyle, ve daha<br />
büyük birimlerle, ekosistemlerle, Toprak Ana ile, o<br />
muhteşem ve yaşlı gezegenimizle paylaşmanın zamanıdır.<br />
(Arne Naess)<br />
.. Bertrand Russell, Spinoza’nın conatus kavramı için<br />
şunları söylemişti: “bizde gerçek ve olumlu olanın<br />
bizi bütüne bağladığını ama ayrılık görünüşünü korumadığını<br />
farkettiğimizde, kendini-muhafaza karakterini<br />
değiştirir” ve şüphesiz, Spinoza metafiziğinde<br />
bunun anlamı, nihayetinde bir tane öz olduğundan,<br />
hepimizin bütüne bağlı olduğudur; gerçeklik birliktir;<br />
buna Tanrı ya da Doğa ismini verebiliriz. Bütüne bağlı<br />
olduğumuzu farkettiğimizde yabancılaşma kaybolur<br />
ve ayrı düştüğümüz dünya ile özdeşleşme imkanı<br />
kazanırız. Bunu ifade etmenin bir başka yolu, kendi<br />
ben’imizi daha iyi kavradığımız ve gelişmemizin diğerlerinin<br />
gelişmelerine daha çok bağlı olduğudur<br />
(Spinoza’nın terminoloji ile söyleyecek olursak, bizim<br />
de onlardan biri olduğumuz tekil özün diğer modlarının<br />
gelişmesi ile.) (Fox, 1995)<br />
Spinoza’ya göre insanların peşinde oldukları en yüksek<br />
nokta “akıl ve doğanın tamamı arasında varolan<br />
birliğin bilgisi”ndedir. Böylece(belirli bir mod olarak)<br />
insanlar, bütün varlık modlarını oluşturan ve tek bir<br />
öz (ya da enerji) olan “doğanın tümü” ile bir olduklarını<br />
ve ondan neşet ettiklerini farkettiklerinde, varlıklarının<br />
da farkına varırlar, kendini-gerçekleştirmeye<br />
ulaşırlar. (Fox, 1995)<br />
Ekolojik ben’imizi keşfettiğimizde, özdeşleştiğimizle<br />
keyfimizce etkileşime girer ve ona karşı kendimizi de<br />
keyfimizce savunuruz. Böylece de insanlara çevresel<br />
70 71
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
ahlak dayatmaktansa, kendimiz olanı doğal olarak<br />
sever, onurlandırır ve korur, kendimiz olana doğal<br />
olarak saygı duyarız...<br />
Diğer hayvanlarla, dağlarla ve nehirlerle alışveriş ve<br />
farkındalığı genişletmek özdeşleşmeyi teşvik eder,<br />
özdeşleşme imkanına saygı ve onunla dayanışma<br />
doğurur. Bu farklı insanların hayati maddi ihtiyaçları<br />
arasında, belirli durumlarda çeşitli insanlar ve çeşitli<br />
hayvanlar arasında hiç bir çelişki kalmaz anlamına<br />
gelmemektedir. Bunun anlamı “iyi faaliyet” ve “doğru<br />
yaşama”nın temelinin sadece soyut ahlakçılık,<br />
kendini-inkar ya da fedakârlıkta bulunmadığıdır...<br />
Zaman zaman ahlaki görevlerimizi kendimize hatırlatmamız<br />
gerekir, ama ancak teşvik ile davranışlarımızı<br />
basit bir şekilde daha zengin noktalara doğru<br />
taşırız. (Bill Devall)(Fox, 1995)<br />
Belirli kültürel örüntülerle özdeşleşmemiz herbirimizin<br />
taşıdığı daha zengin olanakları tüketmez. Toplumsal<br />
insanlar olarak kendimiz hakkındaki kavrayışımız<br />
bir ego-ben, ben-görüntüsü oluşturur. Bu imge dar<br />
kalıplı ve kısıtlı tanımlıdır ve nihai olarak kesin bir ikilikler<br />
(dualism) silsilesi üzerine inşa edilmiştir: nesne<br />
/ özne bölünmüşlüğü (dichotomy), insan / doğa karşıtlığı<br />
(antagonism)...<br />
Derin ekolojinin bizi yönlendirdiği doğrultu ne bir çevresel<br />
değer sistemi (axiology) ya da çevresel ahlak<br />
kuramı, ne de varolan pratikler üzerinde küçük bir reformdur.<br />
O bizim kendi benliğimizi, Ben’liğin kendisi<br />
olana kadar geliştirmemizi salık verir; bir başka deyişle,<br />
derinleşmiş ekolojik duyarlılıklar sayesinde her<br />
birimizin doğal dünya ile bir bütün oluşturduğunu ve<br />
doğal dünyayı korumanın kendimizi korumak olduğunu<br />
anlamaya yönlendirir bizleri. (Alan Drengson)<br />
(Fox, 1995)<br />
Daha önce sürmekte olan çözümlemenin ışığında<br />
şunu söyleyebiliriz: Ne çeşit davranışların ahlaken<br />
uygun olduğunu, kendimizin ve başkalarının ne olduğunu<br />
bilerek bilebiliriz. Diğer bir deyişle, varlıkbilim<br />
(ontoloji) ahlakbilimi (ethics) önceler... Derin<br />
ekolojistler, ne yapmamız gerektiğini bilmemiz için<br />
kim olduğumuzu kavramamız gerektiğini söylüyorlar.<br />
(Michael Zimmerman)(Fox, 1995)<br />
Aslında, [“bütün varlıkların büyük kolektifliği ile özdeşleşme<br />
yeteneğine” yapılacak bir vurguya] kaymak,<br />
tam da tarihin bu anında, varkalmamız için<br />
gereklidir, çünkü ahlakçılığın yerini bu düşünce alabilir<br />
ve ahlakçılık hiç de etkili değildir. Vaazlar kendi<br />
çıkarlarımız peşinde koşmayı engelleyemez, bu nedenle<br />
kendi çıkarlarımızın ne olduğu ile ilgili daha da<br />
fazla aydınlanmamız gerekmektedir. Örneğin, size<br />
bacaklarınızı kesmemeniz yolunda telkinde bulunmak<br />
aklıma bile gelmez, çünkü bacaklarınız sizin bir<br />
parçanızdır. Amazon Havzası’ndaki ağaçlar da öyle.<br />
Onlar sizin dışarıdaki akciğerleriniz. Buna yeni yeni<br />
uyanmaya başladık. (JoannaMacy)(Fox, 1995)<br />
Ekosofik görünüş o kadar derin bir özdeşleşme ile<br />
gelişir ki “biri”nin kendi ben’i artık kişisel egosuyla<br />
ya da organizmasıyla sınırlı değildir. Kişi biri olmayı<br />
hayatın özgün bir parçası olarak deneyimler…<br />
Doğanın bizim dışımızdaki parçasını dıştalamaz ve<br />
böylece kendimizi değiştirmeden ona istediğimizi<br />
yapamayız…<br />
Paleontoloji dünyada hayatın gelişiminin, sürekli artan<br />
çeşitlilik ve karmaşıklığa rağmen, tümleşik bir<br />
süreç olduğunu ortaya koyuyor. Doğa ve bu birliğin<br />
kısıtları tartışılabilir. Ama, çok basit olan bir şey var:<br />
“Yaşam özünde birdir.” (Arne Naess)(Fox, 1995)<br />
Derin ekolojistlerin ben çözümlemesi şu şekildedir:<br />
eğer biri şeylerin ne olduğuna dair derin bir kavrayış<br />
gerçekleştirirse (yani, biz ve diğer bütün varlıkların<br />
tek bir gelişen gerçekliğin görüntüleri olduğunu kesin<br />
olarak içselleştirirse), bu durumda, dünyanın bütün<br />
veçheleriyle gelişmesi için elinden gelen çabayı (zorunlu<br />
olarak değil) doğal olarak ortaya koyar. Benötesi<br />
(transpersonal) ekolojistlere göre ise, dünya ile<br />
karşılıklı bağlılığımız olgusuna bu çeşit bir cevap insan<br />
potansiyelinin doğal (yani içten) gelişimini temsil<br />
eder. Aslında, bu gerçeğin yeterince derin kavrandığını<br />
varsaysak, bu şekilde cevap vermekten imtina<br />
etmezdik. İşte bu nedenledir ki ben-ötesi ekolojistler,<br />
ahlaktan ziyade, varlıkbilim (ontology) ve evrenbilim<br />
(cosmology, dünyanın ne olduğu ile ilgili sorular)<br />
hakkında sorularla meşgul olurlar. (Fox, 1995)<br />
Kişisel bazlı özdeşleşmenin olumlu yönleri takdire<br />
şayan ve insan gelişimi için gerekli olsa da, bu özdeşleşme<br />
biçimi üzerinde (kendim, ailem, arkadaşlarım<br />
ilh.) dışlayıcı ve esaslı güvenle el ele giden<br />
olumsuz yönler dünyamıza pahalıya mal olmaktadır.<br />
Bu, ifadesini sahip olma isteği, hırs, sömürme, savaş<br />
ve çevre kırımında bulan; kişisel, kurumsal, ulusal<br />
ve uluslararası bencillik, bağlanma ve dıştalamanın<br />
altını çizmektedir. Ben-ötesi ekolojistler, bunun panzehri<br />
olarak, kişisel tabanlı özdeşleşmenin, ontolojik<br />
ve kozmik bazlı özdeşleşme bağlamında, sağlam bir<br />
şekilde tesis edilmesini vurgularlar – bütün varlıklarla<br />
tarafsız bir özdeşleşmeye götüren özdeşleşme<br />
biçimleri. Siyasi ve hayat tarzı konusundaki terimlerle<br />
ifade etmek gerekirse, ben-ötesi özdeşleşme<br />
biçimleri ortakyaşamı teşvik eden eylemlerde ifadesini<br />
bulur. Bu çeşit eylemler sadece dünya üzerine<br />
“dervişâne” eylemleri (gönüllü basitlik hayat tarzları)<br />
değil, kendini gerçekleştirmenin dünyaya ve onu<br />
paylaştığımız sayısız varlığa hakimiyetle mümkün<br />
olduğu yanılgısında ısrarcı olanların görüşlerini ve<br />
davranışlarını değiştirmek için yapılacak saygılı ama<br />
kararlı eylemleri içerir. Ben’in gelişip sayısız varlığı<br />
onaylaması bir yanılgı ama sayısız varlığın gelişip<br />
ben’ionaylaması aydınlanmadır. (Fox, 1995)<br />
72 73
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Doğanın Önemi ve İnsanın<br />
Doğa ile Olan Bağı Üzerine<br />
Alıntılar<br />
Doğanız nisbetinde sonuna kadar gelişin... Dünyanın<br />
tadını çıkarın, ama ona sahiplik taslamayın . .<br />
(Henry David Thoreau, 1854)<br />
Birdenbire, evimin çepeçevre saran damlalar, her<br />
türlü ses ve görüntünün tatlı muhabbeti ile, Doğa’daki<br />
şirin ve lütufkar toplumun farkına vardım. Sonsuz ve<br />
esrarlı arkadaşlık, beni ayakta tutan atmosfer gibi, insanların<br />
komşuluğunun muhayyel faydalarını önemsiz<br />
kıldı ve o zamandan beri aklıma bile gelmiyorlar.<br />
(Henry David Thoreau, 1854)<br />
Önce kendimiz Doğa kadar basit ve doğru olalım ve<br />
başımızın üzerindeki kara bulutları dağıtalım ve gözeneklerimize<br />
hayat dolduralım. Fakirlerin kralı değil de,<br />
dünyanın zenginliklerinden bizi olmaya çabalayalım.<br />
(Henry David Thoreau, Walden, 1854)<br />
Bütüne bakıldığında, düzeninin takipçisi olduğumuz<br />
Doğa’nın bir parçasıyız. (Spinoza)<br />
Her şey Bir’den türemiştir ve Bir de her şeyden.<br />
(Herakleitos, MÖ. 500)<br />
İnsan, evren adını verdiği bütünün, zamanda ve mekanda<br />
sınırlı bir parçasıdır. Kendimizi, düşüncelerimizi<br />
ve duygularımızı, sanki bizim dışımızdakilerden<br />
ayrı bir şeymiş gibi yaşıyoruz. Bilinçte sanki optik bir<br />
yanılsama varmış gibi. Bu yanılsama bizi, kendi kişisel<br />
arzularımıza ve yakınımızdaki çok az kişiye duyabildiğimiz<br />
sevgiye mahkum ediyor. Bizim görevimiz,<br />
sevgi çemberini bütün yaşayan canlıları ve doğanın<br />
tamamının güzelliğini kapsayacak şekilde genişletip,<br />
kendimizi bu hapishaneden kurtarmaktır. İnsan olmanın<br />
gerçek değeri, kişinin kendisinden kurtulması<br />
ve özgürleşmesi yolunda ne kadar ileri gittiği ile<br />
belirlenir. İnsanlık varkalmaya devam etmek istiyorsa<br />
tamamen yeni bir düşünce biçimine ihtiyacı vardır.<br />
(Albert Einstein, 1954)<br />
Her şey, tek bir sistemin parçasıdır ve bu sisteme<br />
Doğa adını veririz. Tekil yaşamlar Doğa ile armoni<br />
içinde iseler iyidirler. Bir bakımdan, her yaşam Doğa<br />
ile armoni içindedir, zira Doğa’nın yasaları onun varlığını<br />
mümkün kılmıştır; ama başka bir bakımdan, insan<br />
yaşamı, bireysel iradesi Doğa’nın amaçları doğrultusuna<br />
yönelmişse, ancak o zaman, bu armoni tesis<br />
edilebilir. Erdem, Doğa ile uyum içindeki bir iradede<br />
bulur kendini. (Kıbrıslı Zenon, ~ 300B.C.)<br />
Ah, bu ne yıkım, bu aşkın nasıl da sakat bırakılmasıdır<br />
böyle;bu, güneşin yükselmesinden ve sıcağından ayrı<br />
düşürülmüş, basit bir kişisel duyguya indirgenmiş,<br />
gündönümü ve gün-tün eşitliğinin büyülü ilişkiden<br />
bihaber bu aşk! İşte bizim sorunumuz bu. Köklerimiz<br />
kanıyor çünkü Dünya’dan, güneşten ve yıldızlardançekip<br />
koparmışlar bizi –ve aşk, ah zavallı çiçeğimiz,<br />
yaşam ağacından yoluverdiğimiz ve masalarda, medeni<br />
vazolar içinde açmasını bekleyip durduğumuz<br />
aşk. (D.H. Lawrence)<br />
Bilim insanı doğayı, doğa faydalı olduğu için çalışmaz;<br />
doğayı çalışır çünkü onun içinde mutluluk bulur; onun<br />
içinde mutluluk bulur çünkü güzeldir doğa. Doğa güzel<br />
olmasaydı, onda bilmeye değer birşey de olmazdı<br />
ve onda bilmeye değer birşeyler yoksa, hayat hiç de<br />
yaşamaya değmez. (Jules Henri Poincare)<br />
Modern insan artık Doğaya yüce bir şeymiş gibi davranmıyor,<br />
ona, ele geçirmiş kahhar bir hükümdar ya<br />
da tiran gibi davranmakta bir çekince duymuyor. (Aldous<br />
Huxley, The Perennial Philosophy)<br />
..doğayı hayatımızın ve ekonomimizin temelindeki<br />
gerçek sermaye olarak görmeye ihtiyacımız var. Gerçek<br />
hazinemiz olan doğaya önem verirsek, ona daha<br />
dikkatli bakarız. Ekonomik sistemimiz tepedeki yüzde<br />
birlik dilim dışındakilere bir şey vaat etmiyor. Düzenimiz<br />
doğayı kirletiyor. İnsanları kirletiyor. Ve oldukça<br />
da pahalı. Kaynakları, insanları ve doğayı nasıl birbirine<br />
bağladığımız ile ilgili kökten bir değişime ihtiyacımız<br />
var. (Hawken, The Ecology of Commerce)<br />
Diğerlerine, kendileri ile sürekli rekabet içinde olduğumuz<br />
“onlar” diye değil de, bizim bir parçamızmış<br />
gibi davranmalıyız. (Robert Bellah)<br />
İnsanın doğadan ayrılığının kuvvetle hissedildiği<br />
kültürlerde, özellikle doğal olan aşağı ve şeytani<br />
addediliyorsa, cinsel aşk sorunlu ve sıkıntılıdır .<br />
(Alan Watts, Nature, Man, and Woman)<br />
Bizim Doğa dediğimiz bütün evreni koruyan ve ona<br />
nüfuz eden bir güçtür ve bu güç duygu ve akıldan<br />
yoksun değildir. Türdeş ve basit olmayan, karmaşık<br />
ve alaşım halinde olan her varlık için bir düzenleyici<br />
ilke vardır. İnsanlarda bu ilke akıldır, hayvanlarda ise<br />
akla yakın bir güçtür. Bütün bunların sonucu azim ve<br />
arzudur. (Cicero)<br />
Bakıyor ve dünyanın bazı kısımlarının (ki dünyanın<br />
hiçbir parçası yoktur ki bir bütün olarak evrenin parçası<br />
olmasın) duygu ve akla sahip olduğunu görüyoruz.<br />
O halde bu parçalardan daha büyük ve yüce<br />
bir şeyin, bütün dünya için düzenleyici ilkeyi ortaya<br />
koyan bir şeylerin varolması gerekir. Bu da, evrenin<br />
akıllı bir varlık olduğunu ve bütün şeyleri kapsayan<br />
ve bütün şeylerin içine nüfuz eden Doğa’nın da en<br />
yüksek formda bir akılla mücehhez bulunduğunu<br />
gösterir. Demek ki, Tanrı ve Doğa birdir, ve dünyadaki<br />
bütün yaşamlar, Tanrı varlığında bir yer bulur<br />
kendine. (Cicero)<br />
74 75
gezgin
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
1 Y değişkeni aralığında düzgün dağılıma<br />
sahip bir değişkendir.<br />
a) Bu dağılımın parametresi için Metotlar<br />
yöntemi ile (MM) bir tahmin edici bulunuz.<br />
b) a) ’da bulduğunuz tahmin edici yansız<br />
mıdır? Değilse, MM ile bulduğunuz tahmin<br />
edicinin bir fonksiyonu olarak, yansız<br />
bir tahmin edici öneriniz.<br />
c) Yansız tahmin edicinin varyansını hesaplayınız.<br />
Satrançta ilk 10 hamle için 169,518,829,100<br />
,544,000,000,000,000,000 seçenek vardır.<br />
istatistik soruları istatistik soruları<br />
Prof. Dr. İsmail ERDEM<br />
Başkent Üniversitesi Fen-Edebiyat Fakültesi<br />
İstatistik ve Bilgisayar Bilimleri Bölüm Başkanı<br />
3 X değişkeni (0,q) aralığında düzgün dağılıma<br />
sahip bir değişkendir. Yani<br />
’dır. Bu dağılımın q parametresini<br />
tahmin amacıyla n=2’ lik, (X , 1<br />
X ) bir örneklem alınacaktır. Y -X ve<br />
2 1 Min<br />
Y -X olarak tanımlanmış sıralı istatistik-<br />
2 Max<br />
ler olmak üzere:<br />
a) olarak tanımlanan bu tahmin<br />
edicinin q’nın bir yansız tahmin edicisi<br />
olduğunu gösteriniz ve ’i<br />
hesaplayınız.<br />
5 X~N(m,s2 =9) olsun. n büyüklüğünde bir<br />
rastsal örnekten hesaplanacak örneklem<br />
ortalaması m için bir nokta tahmin<br />
değeri olarak alınacaktır. m için %95’lik bir<br />
güven aralığı<br />
olarak bulunmuş ise örneklem büyüklüğü<br />
n ne olmalıdır? (Tablo değerini 1.96 olarak<br />
alınız.)<br />
6 X kesikli değişkeninin dağılımı Geometrik<br />
(p) olsun. Yani, P(X=x)=(1-p) (x-1) p,<br />
x=1,2,3,....olsun.<br />
a) Bu dağılımı karakterize eden parametre<br />
p için bir yeterli tahmin edici bulunuz.<br />
Dünyanın ağırlığı 66,588,000,000,000,000,0<br />
00,000,000,000 ton.<br />
Ortalama insan yılda 1460 rüya görür.<br />
7 Y sürekli değişkeninin olasılık yoğunluk<br />
fonksiyonu:<br />
olarak verilmiştir.<br />
b) olarak tanımlanan bu tahmin edicinin<br />
de q’nın bir yansız tahmin edicisi olduğunu<br />
gösteriniz ve ’yi<br />
hesaplayınız.<br />
a) Bu dağılımın q parametresi için<br />
Momentler Metodu(MM) ile bir tahmin<br />
c) Yukarıda tanımlanan iki yansız<br />
b) Bulunan bu yeterli tahmin edici<br />
edici bulunuz.<br />
78 2 X sürekli değişkeninin olasılık yoğunluk<br />
fonksiyonu<br />
tahminediciden hangisini tercih edersiniz?<br />
Neden?<br />
dağılımın ortalaması<br />
için yansız bir tahmin edici midir?<br />
Değilse için bir yansız tahmin<br />
edici öneriniz. Eldeki (veya önerdiğiniz)<br />
b) Bulduğunuz MM tahmin edicisi yansız<br />
mıdır?<br />
c) Bulduğunuz MM tahmin edicisi en<br />
küçük varyanslı mıdır?<br />
79<br />
olarak verilmiştir.<br />
Bu dağılımın parametreleri olan q ve q 1 2<br />
için en çok olabilirlik(MLE) tahmin edicile-<br />
yansız tahmin edicinin varyansını<br />
hesaplayınız.<br />
d) Bulduğunuz MM tahmin edicisi etkin<br />
midir?<br />
rini bulunuz.<br />
4 X sürekli değişkeni Normal dağılıma sahip<br />
bir değişken olup ortalaması sıfır, m =0, ve<br />
x<br />
varyansı s2 =q’dır. Yani, X~N(m =0,s x 2 =q)<br />
’dir.<br />
a) parametresi için en çok olabilirlik (MLE)<br />
tahmin edicisinin olduğunu<br />
gösteriniz.<br />
b) tahmin edicisi q parametresinin<br />
yansız bir tahmin edicisi midir? Değilse,<br />
yansız bir tahmin edici öneriniz.<br />
8 parametresinin<br />
bağımsız ve yansız üç tahmin edicisidir.<br />
[ Yani,<br />
Ayrıca,<br />
olduğu da bilinmektedir. Bu üç bağımsız<br />
ve yansız tahmin edicinin bir doğrusal<br />
kombinasyonu olarak:<br />
tahmin edicisini kullanmaya karar<br />
verdiğimiz varsayınız. ’nin de q’nın bir<br />
yansız tahmin edicisi olabilmesi ve Var( )<br />
olabilecek en küçük değere sahip olması<br />
için k 1 ve k 2 ne olmalıdır?
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
9 Ortalaması m ve varyansı s2 olan normal<br />
dağılımlı bir kitleden alınan<br />
n ve n büyüklüğündeki rastsal iki<br />
1<br />
örneklemin ortalamaları ve olsun.<br />
olarak tanımlanan<br />
bu tahmin edicinin, m parametresi için,<br />
(n +n ) büyüklüğünde bir örnekleme<br />
1 2<br />
dayalı, minimum varyanslı bir tahmin edici<br />
olduğunu gösteriniz.<br />
10 a) Bir etkinlik uzmanı, bir montaj<br />
elemanının bir parçayı monte etme<br />
süresinin ortalamasını gözlem sürelerinin<br />
ortalaması ile tahmin etmek istemektedir.<br />
%99 güvenilirlikle tahminde hatanın üst<br />
sınırının 2 saniyeden fazla olmamasını<br />
sağlamak için bu montaj işlemi ile ilgili<br />
en az kaç gözlem yapıp montaj sürelerini<br />
kaydetmelidir? (Önceki araştırmalardan<br />
s=7.74 saniye olduğu bilinmektedir.<br />
(Tablo değerini 2.58 olarak alınız)<br />
b) n=144 farklı, rastsal ve bağımsız<br />
gözlem sonucunda kayıtlara geçirilen<br />
montaj süreleri kullanılarak =15.5sn ve<br />
S =7.9sn olarak hesaplanmıştır. Montaj<br />
süresinin ortalaması m için %95 lik bir<br />
güven aralığı bulunuz. (Tablo değerini<br />
1.96 olarak alınız)<br />
c) H :m=15sn hipotezini H :m>15 sn<br />
0 1<br />
hipotezine karşı =0.025 anlamlılık<br />
düzeyinde test ediniz.<br />
istatistik soruları istatistik soruları<br />
11 a) Rastgele seçilen 320 seçmenden ‘yarın<br />
seçim olsa oyunuzu hangi partiye verirsiniz<br />
sorusuna’ ‘Yumuşak G Partisine (YGP)’ diyenlerin<br />
sayısı 112 kişi olarak saptanmıştır.<br />
Bir istatistikçi bu bilgilere dayanarak<br />
YGP’ye oy verecek seçmenlerin oranına<br />
ilişkin güven aralığını (0.288,0.412) olarak<br />
hesaplamıştır. Buna göre bu aralığın<br />
güven düzeyi nedir?<br />
b) Aynı seçmen kitlesinden alınan aynı<br />
büyüklükteki (n=320) 4 farklı ve bağımsız<br />
rassal örnek bilgilerinden yararlanarak<br />
oluşturulacak aynı güvenilirlik düzeyine<br />
sahip 4 farklı güven aralığından, en az<br />
üçünün bilinmeyen YGP’li seçmenler oranı<br />
olan p’yi içermesi olasılığını hesaplayınız.<br />
2 trilyon kişiden 1 kişi 116 yaşını<br />
görecektir.<br />
13 H :p=0.5 Hipotezini H :p>0.5 karşıtına<br />
0 1<br />
göre test etmek için binom dağılımlı bir kitleden<br />
6 büyüklüğünde rastgele örneklem<br />
alınıyor. Eğer “ X³5ise H hipotezi red-<br />
0<br />
dedilir ” biçiminde bir karar kuralı söz<br />
konusu ise,<br />
a) I. tür hata olasılığını bulunuz.<br />
b) p=0.7 İken testin gücünü bulunuz.<br />
İnsan günde en az 15 kez güler.<br />
14 a) f (x,q)=qx x<br />
80 Her H birey bi başına b eşit it ölçüde öl üd ttoprak k<br />
vermeye kalkarsak kişi başına en fazla 50<br />
metre kare düşer.<br />
12 Bir yer sarsıntısı ölçme istasyonunda<br />
kaydedilen sarsıntılar arasındaki bekleme<br />
süresinin dağılımı, üstel dağılıma<br />
uymaktadır. Sarsıntılar arasındaki bekleme<br />
81<br />
süresinin ortalaması “m saattir” diyen yokluk<br />
hipotezi, “ m+5 saattir” diyen karşıtına<br />
göre tek bir gözlem kullanılarak test edilecektir.<br />
Eğer gözlenen değer 2’den küçük<br />
ya da 4’den büyük ise yokluk hipotezi red<br />
edilecektir. Buna göre,<br />
a) I.Tür (tip) hata olasılığını bulunuz.<br />
b) m iken testin gücünü hesaplayınız.<br />
0-1 , 0
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
18 Y sürekli değişkeninin oyf’u<br />
olarak verilmiştir.<br />
a) q parametresi için En Çok Olabilirlik<br />
(MLE) tahmin edicisini bulunuz.<br />
b) Alınan n=3 lük rassal bir örneklem<br />
gözlem değerleri: (2.30), (1.90) ve (4.54)<br />
ise MLE tahmin değerini hesaplayınız.<br />
Cam kırılınca, kırıklar saate 4.827 km hızla<br />
saçılır.<br />
istatistik soruları istatistik soruları<br />
20 Sürekli bir X değişkeninin<br />
olasılık yoğunluk fonksiyonu:<br />
21 X~N(m, s 2 =9) dağılımından alınan n’lik<br />
bir örneklemden hesaplanan % 95,4’lik bir<br />
güven aralığı olarak belirlenmiş ise<br />
alınan örnek büyüklüğü n kaçtır?<br />
23 X~N(m ,s x 2 ) ve Y~N(m , s y 2 ) bağımsız<br />
iki değişken olsun. (Varyansların eşit<br />
olduğunu, ortalamaların ve ortak<br />
varyansın bilinmediğini dikkate alınız.)<br />
H :m =m hipotezi H :m
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Sağlıklı S ğl kl bir bi insanda i d bağırsak b ğ kb boyu yaklaşık kl k<br />
6-6.5, kalın bağırsak boyuysa yaklaşık 1.5-2<br />
metredir.<br />
1885’te İskoçya’da Arbroath takımı futbol<br />
maçında Bon Accord’u 36-0 yenmiştir.<br />
istatistik soruları istatistik soruları<br />
100 gr. saf alkolün vücutta yanması<br />
yaklaşık 10 saat sürer.<br />
Bir insanın doğum günü aynı zamanda<br />
dünya üzerindeki en az 9 milyon insanın da<br />
doğum günüdür.<br />
28 X~Poisson (l) olsun.<br />
a) Bu değişkenin l parametresi için bir<br />
yeterli tahmin edicinin olduğunu<br />
gösteriniz. Burada X ,X ,....,X anılan<br />
1 2 n<br />
Poisson dağılımından alınan bir rastsal<br />
örnektir.<br />
b) a)’da önerilen yeterli tahmin ediciye<br />
dayalı bir yansız tahmin edici önerip,<br />
önerilen tahmin edicinin yansız olduğunu<br />
gösterip, bu yansız tahmin edicinin<br />
varyansını hesaplayınız.<br />
Prof. Dr. İsmail Erdem’in hazırladığı<br />
istatistik sorularının cevaplarını www.<br />
ndennyegezinti.com.tr adresinde<br />
bulabilirsiniz.<br />
30 X , X ,...;X Ortalaması m ve Varyansı 100<br />
1 2 n<br />
olan normal dağılımdan alınmış bir rastsal<br />
örneklem olsun.<br />
H :m=75 Hipotezini H :m>75 hipotezine<br />
0<br />
karşı test etmek istiyoruz.<br />
a) =0.05 Anlamlılık düzeyinde bu test<br />
için kritik bölgeyi (Ret Bölgesini) ve<br />
örneklem büyüklüğü n cinsinden ifade<br />
ediniz.<br />
b) Gerçekte m-78 olması halinde<br />
H0:m-75 hipotezinin ret edilmesi<br />
olasılığının 0.90 olması istenirse alınması<br />
gereken örneklem büyüklüğü n kaç<br />
olmalıdır?<br />
84<br />
26 X~Poisson (l) olsun. Bu değişkenin<br />
l parametresi ile ilgili olarak<br />
hipotezi hipotezine karşı test<br />
edilecektir.<br />
Bu hipotezin testinde kullanacağımız Karar<br />
kuralı:<br />
27 Y~N(m, s<br />
85<br />
hipotezinin doğruluğu varsayımı<br />
altında n=12 iken “ olursa H ret 0<br />
edilecektir” şeklinde ifade edilmiştir.<br />
a) Birinci Tip Hata yapma olasılığını, ,<br />
hesaplayınız.<br />
b) iken testin gücünü, (1-b),<br />
hesaplayınız.<br />
2-1)olsun. Bu değişkenin<br />
parametresi ile ilgili olarak:<br />
a) H :m=0 hipotezi H :m=1 hipotezine<br />
0 1<br />
karşı test edilecektir. Bu hipotezin testinde<br />
kullanacağımız en iyi karar kuralının<br />
“ olursa H :m=0 hipotezi ret edilir”<br />
0<br />
biçiminde olması gerektiğini gösteriniz.<br />
29 Y sürekli değişkeninin olasılık yoğunluk<br />
fonksiyonu:<br />
olarak verilmiş olsun.<br />
a) Bu dağılımın q parametresi için yeterli<br />
c) m-76, 77, 79 ve 80 için testin gücünü<br />
(1-b) değerlerini hesaplayıp (1-b)’nın<br />
grafiğini çiziniz.<br />
b) n=25’lik bir örneklem gözlem<br />
ve yansız bir tahmin edici bulunuz.<br />
değerlerine dayalı olarak yukarıdaki<br />
hipotezin =0.05 anlamlılık düzeyinde<br />
testinde “ olursa H :m=0 hipotezi ret<br />
0<br />
edilir” karar kuralı gereğince kullanılacak c<br />
değerini hesaplayınız.<br />
b) Bulduğunuz yansız ve yeterli tahmin<br />
edici Minimum varyanslı mıdır? Neden?<br />
c) m=1 olması halinde testin gücünü,<br />
(1-b), hesaplayınız.
Mayıs-Haziran 2013 Yıl: 2 Sayı: 12<br />
Kaç Ceviz?<br />
Beş işçi bir gün ceviz toplamaya gitmiş. Akşama kadar<br />
topladıkları cevizleri bir yığın yapıp orta yere koymuşlar;<br />
sabah olunca eşit paylaşmak üzere yatmışlar.<br />
Biraz sonra, birinci işçi uyanmış ve sabahı beklemeden<br />
kendi payını ayırmaya karar vermiş. Ceviz yığınını 5 eşit<br />
yığına bölmüş, kendi payına düşen bir yığını güvenli<br />
bir yere sakladıktan sonra, geri kalan dört yığını tekrar<br />
karıştırıp tek yığın haline getirmiş ve uykuya yatmış. Bu<br />
arada bir sincap gelip ortak yığından bir ceviz aşırmış.<br />
Biraz sonra ikinci işçi uyanmış. O da sabahı beklemeden<br />
kendi payına düşeni ayırmaya karar vermiş. Orta<br />
yerdeki ceviz yığınını 5 eşit yığına bölmüş ve kendi<br />
payına düşen yığını güvenli bir yere koyduktan sonra<br />
geri kalan dört yığını tekrar karıştırıp orta yerde tek<br />
Mantık Problemleri Mantık Problemleri<br />
Prof. Dr. Timur KARAÇAY<br />
tkaracay@baskent.edu.tr<br />
Problemin çözümüne geçmeden 10. sayıdaki soruyu hatırlayalım: Kral ve İsyancı Problemi<br />
bir yığın yapmış ve uykuya yatmış. Bu arada bir sincap<br />
gelip orta yerdeki yığından bir ceviz aşırmış.<br />
Sonra üçüncü, dördüncü ve beşinci işçiler de aynı işi<br />
yapmışlar. Her seferinde, sincap orta yere konulan yığından<br />
bir ceviz aşırmayı unutmamış.<br />
İşçileri geldikleri köye taşıyacak arabacı sabah erken<br />
gelmiş. Bakmış, herkes yorgunluktan derin uykuya dalmış<br />
durumda. Onları uyandırmaya kıyamamış. Hele şu<br />
işçilerin cevizlerini 5 paya ayırayım; sonra uyandırırım<br />
demiş. Kalan ortak yığını 5 eşit yığına ayırmış. Geriye<br />
bir ceviz kalmış. Bakmış ki sincap onu izliyor. Artan<br />
cevizi sincaba atmış.<br />
Soru: İşçiler kaç ceviz topladı? Herbirisi<br />
ne kadar ceviz aldı?<br />
Probleminin Çözümü<br />
a (Arabacı cevizi 5’e böldüğünde her bir kişiye düşen ceviz sayısı )<br />
Çok eski zamanlarda çok uzak ülkedeki bir<br />
kralın koyduğu ağır vergilere, cesur ve akıllı<br />
bir genç başkaldırmış. Kralın askerleri genç<br />
isyancıyı yakalamışlar. Kralın mahkemesi yakalanan<br />
genci idam cezasına çarptırmış. İnfazı<br />
görmeye gelen halkın önünde kral şöyle<br />
demiş:<br />
- Ey halkım, bu isyankârı bir koşulla affedeceğim.<br />
Şu gördüğünüz kutuda renkleri,<br />
biçimleri, kokuları birbirinin aynısı olan 12<br />
Soru1: Kral, zehirsiz hapın ötekilerden<br />
daha ağır ya da daha hafif olduğunu söyleseydi,<br />
isyancı genç problemi nasıl çözerdi?<br />
Prof. Dr. Timur KARAÇAY<br />
tkaracay@baskent.edu.tr<br />
hap var. 11 tanesi zehirli, 1 tanesi zehirsizdir.<br />
Zehirli olanların ağırlıkları aynıdır. Ama<br />
zehirsiz olanın ağırlığı ötekilerden farklıdır.<br />
Şimdi bu isyankar kula, bir hassas terazi ile<br />
12 hapı veriyorum. Üç kez tartı yapma hakkı<br />
var. Üç tartı sonunda haplardan birisini seçip<br />
yutacaktır. Eğer dedikleri gibi akıllı biriyse<br />
zehirsiz hapı bulup kurtulacaktır. Bulamazsa<br />
kendi aklı onun sonunu getirmiş olacaktır.<br />
Soru2: Zehirsiz hapın ötekilerden daha<br />
ağır ya da daha hafif olduğu kendisine söylenmeyince,<br />
akıllı genç problemi nasıl çözdü?<br />
86 5a+1................................................ (Arabacının bulduğu ceviz sayısı)<br />
87<br />
.......................................... (5.adamın bölme işleminden önceki ceviz sayısı)<br />
................................... (4.adamın bölme işleminden önceki ceviz sayısı)<br />
........................... (3.adamın bölme işleminden önceki ceviz sayısı)<br />
....................... (2.adamın bölme işleminden önceki ceviz sayısı)<br />
................ (1. Adamın bölme işleminden önceki ceviz<br />
sayısı=toplanan ceviz sayısı)<br />
..................... (ceviz sayısı)<br />
............................. (X’i tamsayı yapan en küçük a tamsayısı 818 dir.)<br />
a=818 X=12495<br />
Problemin çözümü tek değildir. Sonsuz çözüm arasında, 1-100.000 aralığında koşulu sağlayan<br />
6 sayı vardır:<br />
12495, 28120, 43745, 59370, 74995, 90620<br />
Buna göre, ceviz toplayıcılarının arasında 12495 cevizin dağılımı:<br />
Prof. Dr. Timur KARAÇAY’IN hazırladığı Mantık Problemlerinin cevabını<br />
www.ndennyegezinti.com.tr adresinde bulabilirsiniz.