Sayi9kasimaralik

Ahlaki gereklilik istatistik... 

prensibinden hareketle 

2013 ULUSLARARASI İSTATİSTİK YILI PROJESİ 

“İstatistik / Yalan“ 

Mukayesesini 

Belleklerden 

Silmek 

İSTATİSTİĞİ yalanla kıyaslamaya paydos! 

Ve fakat; düzmece VERİLERE de paydos!

Kasım-Aralık 2012 Yıl : 2 Sayı : 9 

Kimin tarafından söylendiği tam olarak bilinmeyen, 

ancak Charles Wenworth Dike'a (1843-1911) 

atfedilen: "Üç çeşit yalan vardır; yalan, külliyen 

yalan, istatistik" vecizesi(!)nin, Mark Twain ya da 

Benjamin Disraeli tarafından dile getirilmiş olması 

da ihtimaller arasında. 

Bu önermenin şöyle olması, belki daha doğru 

olacaktır; 

"Üç çeşit yalan vardır; yalan, külliyen yalan, düzmece 

istatistik." 

Öte yandan Josefina Vazquez Mota'ya ait yargının 

da, "İki tür yalan var; biri doğruyu söylememek, öteki 

istatistiki uydurmalar" şeklinde olduğunu görüyoruz. 

Bunlar yoğun bir şekilde halk arasında yayılırken, 

istatistik bilimini iş edinenler; öğretenler, öğrenenler 

ve bu alanda çalışan herkes, bu tip yakışık 

almayan yakıştırmalara veya müstehzi hitaplara 

maruz kaldığında, hakikaten sıkıcı, bunaltıcı 

duygular yaşamakta ya da gülüp geçmek zorunda 

kalmaktadırlar. 

Diğer taraftan; 

Andrejs Dunkels "İstatistik ile yalan söylemek 

BAŞYAZI 

"İstatistik/Yalan" 

Mukayesesini 

Belleklerden Silmek 

" Veri, veri, veri... diye dövünüyordu telaşla; 

harç olmayınca taşları yerine oturtamıyorum ki!" 

Sherlock Holmes 

kolaydır, ama istatistiksiz doğruyu bulmak da bir o 

kadar zordur"; ve Frederik Mosteller; "İstatistikler ile 

yalan söylemek kolay, onlarsız söylemek daha kolay" 

önermeleri ile, bahse konu mahut çirkin mukayeseyi 

eleştirmişlerdir. 

Ancak bizzatihi bu atışmaların varlığı, oldukça 

rahatsızlık vericidir. 

Gerçekte, Steve Vardeman ve Max Morris'in 

dedikleri gibi, "İstatistiğin topluma gerçek katkısı 

teknik olmaktan öte, ahlakidir." 

Öte yandan, J.R.P Kendal'da 2000'li yılların başında 

Kraliyet İstatistik Derneği'ne sunduğu bir makalede 

o mukayesenin, "cahiller, zırcahiller, istatistikçi 

olmayanlar" şeklinde olması gerektiğini bildirmiştir. 

İstatistikçi yalan söylemez, yalan yaratmaz; 

istatistikçi bir bilim insanı olarak bir grubun ya da 

onun üyelerinin menfaatlerine uygun olanı değil, 

kendi yargılarını verilerle karıştırmadan, dürüstlük 

kurallarına göre toplanan verilerden elde edilen 

gerçeği, doğru olanı gösterir. Yapısında AHLAK 

bulunan bir bilim dalının niteliklerinden söz ederken 

YALAN olgusundan söz edilmesi bir tezat teşkil 

eder. 

Bilindiği gibi yakın gelecekte başarılı işletmeler, 

veriyi ürüne çeviren kuruluşlar olacaktır; diğer 

bir deyişle yatırım projelerinde veri toplamanın 

ehemmiyeti ve istatistiki analizin etkisi daha da 

artacaktır; artacaktır ki, gerçekleştirilecek yatırımın 

verimi şimdiden görülebilsin. 

Bu mülahazalarla, "istatistik/yalan" mukayesesinin 

belleklerden silinmesini hedef edinen ve 2013 

ULUSLARARASI İSTATİSTİK YILI'na böylece 

katkıda bulunmayı öngören PROJE'mize 

desteklerinizi beklemekteyiz. 

Özel eğitilmiş ve yetkilendirilmiş YEMİNLİ VERİ 

TOPLAYICILIĞI LİSANSI taşıyan kişiler ile ÖNCÜ 

İSTATİSTİKÇİLERden oluşan bir müessesenin 

teşkili ve GERÇEK VERİ TOPLAMA ile istikbale 

yönelik güvenilir çalışmalar yürütme kimse için o 

kadar korkutucu bir şey değildir kuşkusuz. Bunun 

için bir takım yasal düzenlemelerin de getirilmesi 

gerekeceği elbette açıktır. 

Ronald Fisher Box'ın özdeyiş halini almış sözleri 

ünlüdür: "Veri toplandıktan sonra istatistikçiyi 

çağırmak, cenaze morga gittikten sonra doktoru 

çağırmak gibidir. O size ancak neyin yanlış gitmiş 

olduğunu söyleyebilir, ama yanlışı düzeltmesi artık 

pek mümkün değildir." Dolayısı ile doğru analiz için 

doğru veriye ihtiyaç vardır. O nedenle veri toplama 

işin can damarlarından biridir ve dürüstlük, bilgi, 

gelişmiş sorumluluk duygusu gerektirir. Böylece, bir 

müspet ilim olan istatistik, toplumun bir kesiminin 

veya onun üyelerinin menfaatlerine uygun olanı 

değil, salt doğru olan sonuçları ortaya çıkarır. 

Bizim projemizin hedeflerine gelince; bunlar 

arasında: 

a) Veri toplama hizmetinin münhasıran 

istatistikçiler ait olması amacı ile YEMİNLİ 

İSTATİSTİK OFİSLERİnin kurulması ve burada 

çalışanların büyük çoğunluğunun İstatistik 

Fakültesi mezunu olan meslek sahiplerinden 

oluşması, 

b-) Toplanan verilerin YÖNETİM ve ELEMESİnin 

münhasıran YEMİNLİ ELEME OFİSLERince 

gerçekleştirilmesi, bu ofislerde yürütülen 

görevlerinde çoğunlukla lisansüstü eğitim 

görmüş istatistikçiler tarafından yerine 

getirilmesi ve ofisin onlar tarafından 

yönetilmesi, 

c-) Bilimsel elekten gecen VERİLERin, kurulacak 

olan YEMİNLİ ANALİZ OFİSLERince 

İNCELEME ve ANALİZLERİNİN yapılması, 

(elbette personelin çoğu İstatistik Fakültesi 

mezunlarından ve onlarında çoğunluğu 

lisansüstü eğitim alanlardan oluşmak üzere);ve 

ilaveten, 

ANALİZ KURUMLARInca elde edilen sonuçları 

denetleyecek, konusuna hakim, profesörlük 

düzeyinde bir kurul oluşturarak, sonuçların 

yayınlanması ve/veya kullanım alanına sunulması 

vardır. 

Bu yapıda görev alacak, her görevli, sorumlu olacağı 

her hatadan dolayı hesap vermeye de hazırlıklı 

olmalıdır. 

Saygılarımızla, 

Faruk GÖKER 

02 03

Yıl: 2 Sayı:9 Kasım-Aralık 2012 

Basım Tarihi: Kasım-Aralık 2012 

Yayın Türü: Süreli Yayın 

M.A.G.T.E.G Ltd. Şti. adına 

İmtiyaz Sahibi ve Genel Yayın Yönetmeni 

Faruk Göker 

Şemsettin Günaltay Cad. 297. Sok. No:12/1 Kırkkonaklar, 

Çankaya-ANKARA 

Tel: 0312 468 03 73 - 496 18 60 Fax: 0312 468 02 32 

info@ndennyegezinti.com.tr 

Sorumlu Yazıişleri Müdürü 

Av. Deniz Yıldız 

Editör 

Hacer Yıldız 

haceryildiz@ndennyegezinti.com.tr 

Danışma Kurulu 

Prof. Dr. Fikri Akdeniz 

Prof. Dr. Öztaş Ayhan 

Prof. Dr. Ayşen Apaydın 

Prof. Dr. M. Akif Bakır 

Prof. Dr. Ali Hakan Büyüklü 

Prof. Dr. Hülya Çıngı 

Prof. Dr. Necla Çömlekçi 

Prof. Dr. İsmail Erdem 

Prof. Dr. Şenol Erdoğmuş 

Prof. Dr. Selahattin Kaçıranlar 

Görsel Yönetmen 

Bülent Doğuer 

Prof. Dr. Fikri Öztürk 

Prof. Dr. Timur Karaçay 

Prof. Dr. Reşat Kasap 

Prof. Dr. Adnan Mazmanoğlu 

Prof. Dr. Memmedağa Memmedli 

Prof. Dr. Zehra Muluk 

Doç. Dr. Mehtap Akçil 

Doç. Dr. Süleyman Dündar 

Doç. Dr. Fatih Tank 

Doç. Dr. Sevgi Y. Öncel 

Dil Özeni 

Mehmet Taner 

Fotoğraflar 

Murat Pala 


ISSN: 2146-2976 

Gezgin Karakter Çizimleri 

Mustafa Yurt 

Tasarım ve Baskı 

On Ofset Ambalaj, Yayıncılık, Matbaacılık, 

Reklamcılık Tic. Ltd. Şti. 

Erciyes İşyerleri 201. Cadde No: 53, 

06370 İstanbul Yolu, Macunköy-Yenimahalle/ANKARA 

Tel: (0.312) 397 87 87 

www.onofset.com > www.onmedya.web.tr 

Her hakkı saklıdır. n'den N'ye Gezinti istatistik dergisi, 

M.A.G.T.E.G'in lisansıyla yayınlanmaktadır. 

Dergide yer alan haber, makale, fotoğraf ve illustrasyonların elektronik ortamlar 

dahil olmak üzere çoğaltılma hakları n'den N'ye Gezinti istatistik dergisi ve 

M.A.G.T.E.G'e aittir. Dergide yayınlanan yazıların hukuki sorumlulukları 

yazarlarına aittir. Yazılı izin olmaksızın çoğaltılması yasaktır. 

n'den N'ye Gezinti istatistik dergisi basın meslek ilkelerine uymaktadır. 

İçindekiler 

02 Başyazı 

"İstatistik/Yalan" 

Mukayesesini 

Belleklerden Silmek 

24 Akademik 

Veri Madenciliği 

ve İstatistik: 

Aradaki Bağlantı 

Nedir ? 

52 Araştırma 

68 İstatistik 

İnceleme 

Kuzey Kutbu 54 

Çeşitlemeleri 

Bir Veda’nın 

Ardından 

06 Haber 

Güncel 08 

34 Akademik 

40 Veri Madenciliği 

ve Yeni Nesil 

Yöntemleri 

Araştırma 

72 Veri 

İnceleme 

Gelişmiş Şifreleme 

Standardı AES’in Seçilme 

Süreci Etkileşimlerine 

Etkisi 

Toplanmasına 

Ve Kişisel Verilerin 

Korunmasına 

İlişkin Yasal 

Düzenlemeler 

İstatistikçi 

10 Kardeşlerime 

Sesleniş 

Akademik 

44 Araştırmalarda 

Örnekleme 

Yöntemleri 



İlk Kripto Analizci 

Agnes Meyer Driscoll 

Akademik 

Teknolojik Gelişme 

Sürecine Paralel 

Uygulamalı İstatistik 

Eğitimi ve İstatistiksel 

Değerlendirmelerde 

Yaşadıklarım 

Araştırma 

62 Televizyondaki 

İnceleme 

Bilgi Güvenliğimize 

Yönelik Tehditlerin 

Ne Kadar 

Farkındayız ? 

Şiddet İçerikli 

Yayınların 

Çocukların Kişisel 

Etkileşimlerine 

Etkisi 

18 Akademik 

Anket 

Araştırmalarında 

Uygulanan Etik 

Kuralları 

50 Araştırma 



Soruları 90 Paradoks 94 Bulmaca 

ABONE OLABİLİRSİNİZ 

n’den N’ye Gezinti İstatistik Dergisi 2013 yılı abonelik ücreti 6 sayı toplamı 25 TL’dir. 

Abone olmak isteyenler aşağıda verilmiş olan IBAN numaralarına ücretlerini yatırabilir. 

M.A.G.T.E.G. Müh. Ar-Ge Ltd. Şti. 

TR 89 0020 5000 0080 3685 8011 00 

TR 11 0001 5001 5800 7290 3222 52 

info@ndennyegezinti.com adresinden iletişime geçebilirsiniz. 

İnceleme 

Görsel Veri 

Madenciliği Nedir ? 


Dâhi Kadın Matematikçiler


Ayça Göker - Halil İbrahim Aydın 

Evlenme İstatistikleri 

2012 yılının II. Döneminde 173 bin 462 

çift evlenmiştir 

TÜİK’in verdiği verilere göre; 2012 yılının II. Döneminde 

(Nisan-Mayıs-Haziran), evlenme sayısı bir önceki 

yılın aynı dönemine göre % 2 artarak 173 bin 462’ye 

yükselmiştir. Evlenme sayısında en fazla artış % 4,9 ile 

Doğu Karadeniz Bölgesi’nde, en fazla düşüş ise % 4,7 ile 

Kuzeydoğu Anadolu Bölgesi’nde görülmektedir. 

HABER 

GÜNCEL 

İlk kez evlenen çiftler arasındaki 

ortalama yaş farkı 3,1’dir 

2012 yılı II. Dönem verilerine göre ortalama ilk evlenme 

yaşı erkekler için 26,8, kadınlar için 23,7’dir. Erkek ile 

kadın arasındaki ortalama ilk evlenme yaş farkı 3,1’dir. 

İstatistiki Bölge Birimleri Sınıflaması, 1. Düzey’e göre 

en yüksek ortalama ilk evlenme yaşı erkeklerde 27,6, 

kadınlarda 24,8 ile İstanbul Bölgesi’nde görülmektedir. 

En düşük ortalama ilk evlenme yaşı ise erkeklerde 25,8, 

kadınlarda 22,3 ile Orta Anadolu Bölgesi’nde görülmektedir. 

2013 Uluslararası İstatistik Yılı 

Uluslararası İstatistik Yılı (İstatistik 2013), istatistik biliminin 

katkılarının dünya çapında tanınması amacıyla kutlanacak. 

İstatistik 2013, uluslararası kurumların birlikte gösterecekleri 

çaba ile, istatistiğin önemini daha geniş bir bilimsel topluluğa, 

ticarî ve idarî veri kullanıcılarına, basına, karar alıcılara, 

çalışanlara, öğrencilere ve kamuoyuna duyurulacak. 

İstatistik 2013’ün hedeflerinden bazıları ise şunlar: 

• İstatistiğin toplumun bütün kesimlerinde gücü ve etkisinin 

kamusal farkındalığının arttırılması; 

• Özellikle genç insanlar arasında bir meslek olarak istatistiğe 

olan ilgiyi arttırmak, 

• Olasılık ve istatistik bilimlerinde yaratıcılık ve gelişmeyi 

teşvik etmek. 

8. İstatistik Günleri 

Sempozyumu 

8. İstatistik Günleri Sempozyumu Anadolu Üniversitesi İstatistik 

Bölümü'nün ev sahipliğinde 11-13 Ekim 2012 tarihleri 

arasında Eskişehir’de gerçekleştirildi. 

Prof. Dr. Fikri Akdeniz’in kurumsal emekliliği onuruna 

2-3 Kasım 2012 tarihleri arasında Çukurova Üniversitesi’nde 

İstatistik Çalıştayı düzenlenecek. 

Prof. Dr. H. Öztaş Ayhan'ın kurumsal emekliliği onuruna 25 

Aralık 2012 tarihinde ODTÜ Kültür ve Kongre Merkezi'nde 

İstatistik Çalıştayı düzenlenecek. 

06 07


Meslek yaşamıma başladığım 1967 yılının üzerinden 

45 yıldan fazla süre geçti.Haziran 1967’de üniversiteden 

mezun olmuş öğretmenler olarak kura çekimi 

için Milli Eğitim Bakanlığı’nda toplanmıştık. Tayinim 

Adana Karşıyaka Lisesine Matematik öğretmeni olarak 

çıkmıştı.O tarihte Adana’ya gidemedim. Ankara 

Yüksek Öğretmen Okulu ile birlikte, Ankara Üniversitesi 

Fen Fakültesi Matematik Bölümü’nü en iyi derece 

ile bitirmem nedeniyle bölümde asistan kalmam 

istendi. Akademik yaşamım böyle başladı. O yıllarda 

Fakültemizde lisansüstü eğitim programında dersler 

yoktu. Her şeyi kendiniz öğrenecektiniz. Öncelikle 

B.V.Gnedenko’nun “Olasılık Teorisi” kitabından olasılık 

teorisi öğrenmeye başladım. 

On beş yıl süre ile Asistan, Dr. Asistan ve Doç. Dr. 

olarak görev yaptığım Ankara Üniversitesi Fen Fakültesi 

Matematik Bölümü’nden sonra (1750 sayılı 

yasadan-2547 sayılı Yüksek Öğretim Yasası uygulamasına 

geçiş döneminde) 26.11.1982 tarihinde 

Profesör olarak atandığım Çukurova Üniversitesi 

Fen-Edebiyat Fakültesi Matematik ve İstatistik bö- 

lümlerinde öğretim üyeliği ile birlikte Üniversitemizdeki 

yönetim görevlerinde onurla 30 yıl görev 

yaptım. Kurucusu olduğum ve son 10 yıldır görev 

yaptığım İstatistik Bölümü’nden, 45 yıl 5 aylık akademik 

yaşamın ardından 02.11.2012 tarihinde emekli 

olacağım. 

45 yıl sonra aktif çalışma durumundan kurumsal 

emekliliğe geçerken, yaşadıklarımdan ve gözlemlerimden 

çıkan sonuçları sizlerle paylaşmak istiyorum. 

Sevgili dostlarım, 


Çukurova Üniversitesi 

Fen Edebiyat Fakültesi İstatistik Bölümü 

İstatistikçi 

Kardeşlerime 

Sesleniş 

Akademik yaşamım süresince öğretim üyeliğininhem 

ders verme, hem de araştırmacı olma yanını eşdeğerde 

tutmaya özen gösterdim. İkisi de insana mutluluk 

veren, kendini sürekli yenileyebilmesine olanak 

sağlayan özelliklere sahiptir. Ders verme, paylaşımcı 

bir anlayışla, sürekli olarak yeniliklere açık, öğrenmeye 

hevesli genç insanlarla bir arada olmanızı sağlıyor. 

Araştırmacı yan ise, bilim ve aklın önderliğinde evrensel 

bir anlayışla bilim insanının yaşam biçimini belirlemektedir. 

Her meslekte olduğu gibi bu meslekte 

de başarılı olmak için öncelikle onu sevmek gerekir. 

Öğrencilerime mezun olma aşamasında iken mesleğinizi 

seviniz derdim. Ben 45 yılı aşkın bir süre zevkle 

yürüttüğüm mesleğimi çok sevdim. Fakat sevginin 

yanında özverili olmak gerektiğine de inanıyorum. 

Hakkını vermek için yaşamın güzelliklerinin bir bölümünden 

mahrum kalırsınız. Yeterince eğlenemezsiniz, 

her zaman paranız da olmaz, işinizden zamanında 

çıkamayabilirsiniz, çıktığınız zaman da işinizi 

işyerinizde bırakamazsınız. İşiniz sizinle birlikte çantanızda 

evinize de gelir: onun sıcaklığını ve baskısını 

hissedersiniz; tatil yapmayı düşündüğünüzyere de 

gelir. Aile bireyleri gibi herşeyinizi paylaşır, Onunla 

birlikte yaşarsınız. 

Bununla birlikte öğretim üyeliği, güçlükleri olmasınakarşın 

çok da zevkli bir meslektir.Başarma duygusu 

insana keyif verir, en önemlisi de onur verir. Toplumda 

itibar kazandırır. Eskisi kadar olmasa da bilim 

insanının hâlâ toplumda önemli bir yeri ve saygınlığı 

vardır. 

Peki ama neden? Nereden gelir bu saygınlık? 

Aslında bu saygının temelinde, bilim insanının kendisine, 

yaptığı işe, bilime, insana ve insanlığa olan 

saygısı vardır.Çünkü herkes bilim insanı olamaz. Bilim 

insanı olabilmek için bazı niteliklere sahip olmak 

gereklidir, Bunun için bazı koşullar gerekir. Söz buraya 

gelmişken, genç arkadaşlarıma bir mesaj olması 

için bilim insanının olmazsa olmaz bazı nitelikleri 

üzerinde durmak istiyorum. Başarılı bir bilim insanı 

olabilmek için nelere sahip olmak gerekir ve neler 

yapmak gerekir? 

Bilim insanı; 

- Öncelikle dürüst, evrensel düşünen, akılcı, özgür 

düşünceli, ahlaklı ve erdem sahibi olmalıdır. 

- Yalnızca odasında oturan bir insan değildir, bilgi 

üreten gelecek kuşaklara yol gösteren bir aydın 

dır. 

- Ayrıca, alçakgönüllü, ülkesine ve yaşadığı toplu 

ma karşı sorumluluğunun bilincinde olan, payla 

şımcı, özverili, yeniliklere açık, bilimsel düşünen 

ve eleştirilere açık olmalıdır. 

İşte bu özellikleri nedeniyle gerçek bir bilim insanının 

toplumda saygın bir yeri vardır. 

Meslek sevgisinin her şeyin başında geldiğine inanırım. 

45 yılı aşan meslek yaşamımda derse her girişimde 

ilk günkü heyecanı yaşadım. Ders hazırlığı ve 

plan yapmadan öğrencilerin karşısına hiç çıkmadım. 

Katıldığım çok sayıdaki ulusal ve uluslararası bilimsel 

toplantılarda sırasıyla ülkemi, üniversitemi, çalıştığım 

bölümü temsil ettiğimi hiç unutmadım. Okuyabilmemiz 

için bize kucak açmış olan devletimize 

karşı sorumluluğumu yerine getirdiğime inanıyorum. 

Yaptığım bilimsel yayınlarla, yazdığım/yazdığımız kitaplarla, 

bilim dünyasına, insanımıza ve öğrencilerimize 

yararlı olabilmeyi amaçladım. 

İstatistik biliminin ülkemizde geliştirilebilmesi için 

genç meslektaşlarımın son yıllardaki çabaları umut 

vericidir. Ortak araştırma konuları üzerinde çalışanlar 

cesaretle uluslararası dergilerde ortak yayın yapma 

yollarını aramalıdırlar. Bilimde öncü ülkelerin bilim insanları, 

kurumlar ve uluslar arası ortak yayın yapma 

eğilimine hız vermiş durumdadırlar. Bu yaklaşım örnek 

alınmalıdır. Ülkeler sıralamasında yer alabilmemiz 

için az sayıdaki istatistikçimizin özgün yayın yapma 

çabası desteklenmelidir. Bilimsel anlamda gelişmiş 

ülkeler arasında yer alabilmemiz için bilimsel yayınları 

ve uluslararası bilimsel konferansları güncel olarak 

izleyerek yayınlarımızda da sayı ve niteliği arttırmalıyız. 

Sonuç olarak, düzeyli araştırmalarla gelecek için 

bilinçle bilgi üreterek kalıcı izler bırakacak biçimde 

bilim dünyasında yerimizi almalıyız. 

İngiliz matematikçi Cauchy’nin sözleriyle yazımı bitirmek 

istiyorum: 

"İnsanlar gelip geçer, fakat eserleri kalır". 

Hoşça kalınız. 


08 09

1. Giriş 


Dünyada bilimsel tarih yazılarına bakıldığında bibliyografyalar 

ve yaşanan anıların önemli bir yeri olduğunu 

görüyoruz. Biz de ülkemizde yaşadıklarımızı 

bizden sonraki kuşaklara bırakabilmek için böyle bir 

çalışmaya girdik. Diğer üniversitelerimizde de benzer 

öyküler yaşanmıştır. Ancak insan kendi yaşadıklarını 

daha gerçekçi sunabilir. Bu tür anıların diğer üniversitelerdeki 

arkadaşlarımız tarafından da genç arkadaşlarımıza 

aktarılacağını düşünüyorum. 

Akademik yaşantım 1966 yılında Hacettepe Üniversitesinde 

başladı. Rakamların ve hesaplamaların 

yoğun olduğu bir bilim dalı olan istatistik çalışma alanım 

oldu. 1967 yılında ülkemizde bu program yalnız 

istatistik lisans programı adı ile Fen Fakültesi bünye- 

Prof. Dr. F. Zehra Muluk 

Başkent Üniversitesi 

Ticari Bilimler Fakültesi 

Sigortacılık ve Risk Yönetimi Bölümü 

AKADEMİK 

Teknolojik Gelişme Sürecine Paralel 

Uygulamalı İstatistik Eğitimi ve 

İstatistiksel Değerlendirmelerde 

Yaşadıklarım 

Özet 

Çalışmamızın amacı; Çağımızda yaşanan hızlı teknolojik gelişmenin istatistik eğitimine, istatistiksel 

değerlendirmelere yansıması ve bu gelişme içinde bizim yaşadıklarımızın anlatılmasıdır. 

İstatistik bilimi de diğer bilim dallarının doğuşu gibi başka bir bilim dalının içinde gelişmiştir. 

İstatistik veri kullanarak karar veren birçok bilim dalında kullanılmıştır.İktisat, psikoloji, sosyoloji 

gibi sosyal bilimlerde betimsel istatistik ile birlikte, regresyon analizi konuları, tıp, ziraat, veterinerlik 

alanlarında ise, varyans analizi ve deney tasarımı konuları daha yoğunlukla kullanılmış 

ve ihtiyaca göre geliştirilmiştir. İstatistiğin kuramsal yönü matematik ile çok ilgili olmasına 

rağmen, ülkemizde matematik bölümlerinin ders kapsamı içine girmesi 1960 yıllarına rastlar. 

Çalışmamızda, zaman içerisinde Uygulamalı İstatistik alanında kullanılan teknik donanımlar, 

ülkemizde ve diğer ülkelerdeki istatistik bölümlerinin açılış tarihleri ve gelişimleri karşılaştırmalı 

olarak sunulmaya çalışılacaktır. 

Anahtar sözcükler: İstatistik Lisans eğitimi, hesap makineleri, bilgisayarlar, paket programlar 

sinde ilk Hacettepe Üniversitesinde başladı. Dünyada 

ilk istatistik lisans programının İngiltere’de 1911 

yılında başladığı düşünülür ise 56 yıllık bir açıklığın 

kapatılmasının zorluğu ortadadır. 

Başka bir güçlük de çağımızdaki hızlı teknolojik gelişmedir. 

Ancak bu zorluk tüm dünyada eş zamanlı 

yaşanmıştır. Bizim teknolojik gelişmeleri takip etmedeki 

eş zamanlı çabalarımız Türkiye’de istatistik 

eğitimi için avantajlı bir durum yaratmıştır. 

İstatistiğin tarihçesi incelendiğinde; teori yanının olasılık, 

uygulamalı tarafının devlet idaresine yardımcı 

olacak veri toplama ve bu bilgileri anlamlandırma, 

deneysel bilimlerde de gözlem ve deney ile doğru 

bilgi toplama için geliştirilmiş olduğunu görüyoruz. 

Daha ayrıntılı bilgi için bu derginin sekizinci sayısın- 

da yayımlanmış İstatistiğin Başlangıcı: Kısa Tarihçe 

isimli yazıya bakılmasını öneririm [1]. 

Makalemizde zaman içerisinde Uygulamalı İstatistik 

alanında kullanılan teknik donanımlar, ülkemizde ve 

diğer ülkelerdeki istatistik bölümlerinin açılış tarihleri 

ve gelişimleri karşılaştırmalı olarak sunulmaya 

çalışılacaktır. Çizelge 1’de tarih sırası ile kısa bilgiler 

verilmiştir. 

Çizelge 1.İstatistik Eğitimi Gelişim Sürecinde Önemli Bazı Olaylar [2] 

Karl Pearson tarafından University College London’da İlk istatistik 

lisans bölümü kuruluyor [.3] 

Harold Hotelling tarafından Columbia University’deistatistik lisans 

bölümükuruluyor. [3] 

George W. Snedecor tarafından Iowa State University de istatistik lisans 

bölümü kuruluyor. [3] 

Gertrude Cox tarafından North Carolina State University’de istatistik 

lisans bölümü kuruldu [4] . 

M. S. Bartlett tarafından University of Manchester’de istatistik 

lisans bölümü kuruldu; Walter T. Federertarafından Department of 

Biometryand Statistics,..de kuruldu. [4] 

Yılları arasında 10 farklı üniversitede istatistik bölümleri kurulmuştur. [4] 

John W Tukey tarafından Princeton University istatistik lisans bölümü 

kuruldu. [4] 

John Aitchison ve David Silvey tarafında University of Glasgow istatistik 

lisans bölümü kuruldu. [4] 

Hacettepe Üniversitesinde İstatistik lisans eğitimine Fen Fakültesi 

bünyesinde, 1 Ekim 1967 tarihinde Prof. Dr. Alaettin Kutsal 

başkanlığında, 27 öğrenci ile başlanmıştır. 

Hacettepe Üniversitesinde Elektrikli FACİT hesap makineleri ile ilk 

istatistik laboratuarının kurulması. 

Norman Nie ve HadlaiHullNie tarafından SPSS istatistik paket programı 

IBM ve ICL gibi mainframelerde kullanılmak üzere geliştirilmiş. [4] 

Bilgisayar kullanımının temelleri ve programlama dillerinden FORTRAN 

ile ilk tanışmamız. 

Dr.Aydın Köksal başkanlığında Hacettepe Üniversite’sinde Burroughs 

3500 sisteminin kurulması. Üzerinde çevrimiçi uygulamaların 

da yapıldığı, gösterici uçbirimlerle donatılmış bu sistem, 1969 

Türkiye’sinde büyük bir yenilikti. [9] 

Hacettepe Üniversitesinde ilk İstatistik Doktora derecesinin alınması. 

ODTÜ’de Uygulamalı İstatistik eğitimi, 1975 yılında Ekonometri Bölümü 

bünyesinde başlamış, 1976 yılında ise İstatistik Bölümü Fen Edebiyat 

Fakültesi altında açılmıştır. 

Toronto Üniversite’sinde istatistik bölümünün açılması. 

AİTBA bünyesinde 1956’da Prof.Dr.Necati İşçil başkanlığında açılan 

Tatbiki Matematik Kürsüsü, 1982 yılına kadar eğitimini sürdürmüş, bu 

tarihten sonra İstatistik Lisans eğitimine Gazi Üniversitesi Fen Edebiyat 

Fakültesi bünyesinde başlanmıştır. 

D. V. Hinkley tarafından University of Oxford istatistik bölümü 

kuruluyor [3] 

90’lı yılların başlarında bilgisayar ve Internet teknolojilerinin gelişimi, 

katlanan bir ivme ile hızlanmaya başlıyor. Küreselleşme, etkisini bu 

alanda da göstermek sureti ile bu teknolojiler, diğer disiplinlerde 

olduğu gibi, istatistik alanında da ortaya çıkan her türlü gelişmeyi 

anında dünyanın her noktasından erişilebilir hale getiriyor. 

2. İstatistik Eğitimine Genel Bakış 

Yüceuluğ R. tarafından 1949 yılında yapılan bir çalışmada 

Cumhuriyet öncesi ve Cumhuriyet döneminde 

istatistik eğitimi veren kurumlar, eğiticiler, ders 

programları ayrıntılı olarak incelenmiştir[5]. Bu programlar 

incelendiğinde istatistik eğitiminin daha çok 

betimsel içerikte verildiği görülmektedir. 1949 sonrası 

çeşitli fakültelerde istatistik dersi temel bir ders 

olarak işlenmiştir. Örneğin sosyal bilimlerde anket 

hazırlama, veri özetleme, konum ölçüleri, değişim ölçüleri, 

regresyon korelasyon konuları gibi. Bu konuda 

AİTBA (Ankara İktisadi ve Ticari Bilimler Akademisi) 

bünyesinde 1956’da Prof.Dr. Necatiİşçil başkanlığında 

açılan Tatbiki Matematik Kürsüsü’nünve değerli 

hocamızın 1973 yılında altıncı baskısı yapılan Türkçe 

eserlerinin, Ülkemizin istatistik eğitimi alanında 

önemli bir yeri vardır[6]. İstatistik, Ziraat Fakültesi 

ve Veteriner Fakültesi bünyesinde olan zootekni kürsülerinde 

betimsel istatistik yanında varyans analizi 

deney tasarımı konularında gelişti. Bu konuda ilk bilgilerimi 

aldığım Prof. Dr. Orhan Düzgüneş’in kitabı da 

bizlere ışık tutmuştur[7] . 

İstatistiğin kuramsal yönü matematik ile çok ilgili 

olmasına rağmen, ülkemizde matematik bölümlerinin 

ders kapsamı içine girmesi 1960 yıllarına rastlar. 

Oysa dünyada istatistik, matematik bölümleri bünyesinde 

gelişmiştir. Dünyada ilk istatistik bölümü 

1911 yılında bölüm başkanlığını Karl Pearson’ın yaptığı 

University College London’da kurulmuştur. Bu 

bölüm halen faaliyetini sürdürmektedir. Bölümün Internet 

adresihttp://www.ucl.ac.uk/dir[3].Ülkemizde 

Ankara Üniversitesi Fen Fakültesi bünyesinde 1967 

yılında istatistik dersini açarak bizim yaşıtlarımıza 

konuyu kuramsal olarak aktaran ve yolumuzu açan 

sayın Prof.Dr. Maide Oruç Hanımefendi’ye buradan 

sonsuz teşekkürlerimi sunarım. 

Ülkemizde ilk istatistik lisans programı, Hacettepe 

Üniversitesinde, 1 Ekim 1967 tarihinde 27 öğrenci 

ile eğitime Fen Fakültesi bünyesinde başlamıştır[2]. 

Hacettepe İstatistik Bölümü Internet adresihttp:// 

www.stat.hacettepe.edu.tr/turkce_yeni/indexe. 

phpdir. Daha sonra Gazi Üniversitesi ve Orta Doğu 

Teknik Üniversitesi’nde açılan bağımsız istatistik li- 

10 11 

1911 

1931 

1933 

1941 

1947 

1948-65 

1965 

1966 

1967 

1967 

1968 

1968 

1969 

1970 

1976 

1979 

1985 

1988 

2009


sans programlarını görmekteyiz. İstatistik bölümleri 

kuruldukları tarihte uyguladıkları ders programlarını 

belli sürelerde güncelleme gereksinimi duymuşlar ve 

değiştirmişlerdir. Ancak Uygulamalı İstatistik dersi 

her programda yer almış, gelişen teknolojiye paralel 

olarak içerik değişikliklerine uğramıştır. 

Örneğin; Hacettepe Üniversitesi’nde bölümün ilk 

kuruluş yıllarında Uygulamalı İstatistik dersinin hesaplama 

yöntemlerinde formüllerin doğru kullanımları 

öncelikte iken, bilgisayarın hayatımıza girmesi ile 

formüllerin FORTRAN programlama dili ile yazılması 

önem kazanmıştır. İlerleyen yıllarda, uzman programların 

hızlı bir ivme ile bilgisayar kullanıcılarına 

sunulması, bu programların etkin kullanılabilme gereksinimini 

beraberinde getirmiş, Uygulamalı İstatistik 

derslerinin içeriği bu yönde yapılandırılmıştır. 

Bizim derslerimizde yaşadığımız değişim sürecinin 

istatistik bölümlerinde okutulan diğer derslerde de 

yaşanmış olduğu bilinen gerçektir. 

İstatistik Lisans eğitimi Ülkemizde kolay kabul görmüş 

bir görüş değildi. Lisans programları açıldıktan 

sonra bile istatistiğin anabilim dalı olarak kabulü, 

dolayısı ile lisans programlarının tam yerleşmesi için 

çok mücadeleler verilmiştir. Bu konuda emeği geçmiş 

Prof.Dr.Necati İşçil, Porf.Dr. Alaettin Kutsal, Prof. 

Dr. Orhan Düzgüneş, Prof.Dr. Yalçın Tuncer’i rahmet 

ve saygı ile anmak isterim. Hacettepe Fen Fakültesi 

İstatistik Bölümünün kuruluşunda ve gelişmesinde 

büyük katkıları olan, uzun yıllar bölüm başkanlığını 

başarı ile yürütüp bizlerin ve genç arkadaşlarımızın 

sevgi ve takdirini kazanan Prof.Dr. Ceyhan İnal’a 

teşekkür etmek isterim. Kuruluş yıllarında daima 

yanımızda gördüğümüz, bilgisi ile bizleri aydınlatan 

Prof Dr. Saim Kendir’e, birlikte yola çıktığımız Prof. 

Dr. Soner Gönen, Prof.Dr. Gülsüm 

Hocaoğlu’nun ve bu kuşaktan sora 

gelen tüm genç arkadaşlarımızın bu 

günlere gelmemizde katkıları büyüktür. 

Ülkemizde istatistik bilimine 

katkıda bulunmuş çok bilim adamı 

vardır. Benim isimlerine burada yer 

veremediğim ve bu mücadelede 

yer almış tüm öğretim üyelerine 

sonsuz şükranlarımı sunarım. 

AKADEMİK 

3. Kullandığımız Teknik Araçlar 

Yönünden Yaşadıklarım 

Hacettepe Üniversitesi, Sayın Prof.Dr. İhsan Doğramacı 

önderliğinde kuruluşu ve gelişmesi ile Türk 

Eğitim tarihinde modern bir yapılanmanın önemli 

örneğidir. Türkiye’de istatistik eğitiminde gördüğümüz 

atılım da bu sürecin sonuçlarından biridir. 1965 

yılında Ankara Üniversitesi Matematik Bölümü’nü 

bitirdiğimizde istatistik sözcüğünün ne anlama geldiğini 

bile bilmiyordum. Hacettepe Tıp Fakültesine 

başvururken matematik konusunda çalışabileceğimi 

düşünüyordum. Bize matematik yerine istatistik alanında 

çalışmamız önerildiğinde, bu konuyu bilmediğimi 

belirttim. Kendisini her zaman saygı ve rahmet 

ile andığım değerli Hocam Prof.Dr. Alaettin Kutsal, 

istatistiği matematikçilerin daha iyi yapabileceğini 

ve bizi yeterli bulurlar ise istatistiği öğretebileceğini 

söyledi. Bu görüş ile iki yıl içinde aynı yerde çalışan 

dört matematik mezunu olduk. 

Hacettepe Üniversitesine girdiğimiz yıllardan başlayarak 

akademik çalışmalarımızda ve eğitimde kullandığımız 

teknik donanımları dört evre olarak aktarmak 

istiyorum. Teknolojik olanakların artması bir önce 

kullandığımız gereçleri tamamen ortadan kaldırmamış, 

her iki teknoloji bir süre beraber kullanılmıştır. 

3.1 Mekanik Hesap Makinelerinin Kullanıldığı 

Dönem 

İlk yıllar arkadaşlarım ile tıp ve sağlık bilimleri fakültelerinde 

verilen istatistik derslerinde hocamıza 

yardımcı olduk. Öğrencilerimiz uygulama saatlerinde 

hesaplamalarını sürgülü hesap cetveli ile ya da el ile 

yapıyorlardı (Bkz. Şekil1). Üzerinde rakamlar bulunan 

ve ortasında hareketli bir parçası olan 

bu cetvel, o zamanlar kimya ve fiziköğrencilerinin 

de kullandığı basit 

bir hesap makinesi idi. 

Hacettepe Tıp ve Sağlık Bilimleri 

Fakültesi’nin üniversite haline dönüşmesi 

8 Temmuz 1967 tarihinde 

892 sayılı yasa ile gerçekleşti. 

Akademik kadronun çoğunluğu 

tıp mensubu olduğu için Hocamızın 

önemli görevlerinden biri 

de biyoistatistik konusunu tıp 

mensuplarına tanıtmak, kabul 

ettirmek ve araştırmalarındaistatistik 

kullanımını sağlamak ve bu 

konuda yardımcı olmaktı. Bizleri 

de danışmanlık konusunda yetiştiriyordu. 

Onlar ile konuşurken 

bizim de dinlememizi istiyor, bazı 

hesaplamaları bize yaptırıyordu. 

Hesaplamalar için kollu hesap 

makinesi (Facit marka) kullanıyorduk 

(Bkz Şekil 2). Yazılar için 

daktilo, hesaplar için kollu Facit 

hesap makinesi en büyük kolaylığımızdı. 

Doktora tez çalışmamı 

1968-1970 yıllarında yaptım. Doktora 

konum prematüre çocukların 

gelişimlerinin modellenmesiydi. 

726 çocuğun beş değişkeni ile 

çalıştım, tüm hesaplamaları kollu 

Facit kullanarak uzun bir zaman 

süresi içinde gerçekleştirdim. 

Benden hemen sonra doktoralarını 

yapan iki arkadaşım hesaplarını 

elektrikli Monroe hesap makinesinde 

gerçekleştirdiler. Bu bizim 

için büyük bir gelişme idi. Elektrikli 

Monroe hesap makineleri sonuçları 

özel rulo kağıdakaydediyordu. (Bkz. 

Şekil 3). Aynı zamanda bölümümüze 

Monroe hesap makinesine göre 

daha sessiz çalışan ve sonuçlarını 

ekranda veren elektrikli Facit hesap 

makinesi de alınmıştı (Bkz Şekil 4). 

Uygulamalı istatistik dersinde verdiğimiz 

problemler çok hesaplama gerektirdiği 

için öğrencilerimize makinelerin 

bulunduğu bir laboratuar oluşturmamız 

gerekti. İlk öğrencilerimiz kollu 

Facit’leri kullandılar. İkinci dönem öğrencilerimiz 

için elektrikli Facit’lerden 

oluşan bir laboratuar düzenlendi. 

Facit makineler o dönem için ülkemizde 

olan en kullanışlı hesap 

makineleri idi. Elektrikli Facit’leri 

öğrenci uygulamalarında uzun 

yıllar kullandık. Büyük sistem bilgisayarların 

kullanılmaya başladığı 

yıllarda da bu laboratuarlar kullanıldı. 

Özellikle Tıp Fakültelerinden 

gelen araştırmacıların istatistiksel 

değerlendirmelerinde hocamız 

ve bizler yol gösteriyor sonuçları 

yorumluyorduk. İşlemleri yapmak 

için bir teknisyen çalışıyordu. Bu 

arkadaşımız elektrikli Fasit hesap 

makinesini kullanarak hesaplamaları 

yapıyor, bu hesaplamalar bizlerin 

kontrolünden geçiriliyordu. 

Hesaplama işleri çok vakit alan ve 

çok dikkat isteyenbir süreçti. 

Beytepe kampüsüne taşınmadan 

sanırım bir yıl önce uygulama 

laboratuarlarımıza daha sessiz 

çalışan ve artık mekanik olmayan 

Canon ve benzeri hesap makinelerinin 

alınması planlandı (Bkz. 

Şekil 5). Öğretim elemanlarına 

alınanların dışında üç makine alındı; 

ancak o günlerde öğrencilerin 

ellerinde ve çevremizde Texas Instruments 

(SR-51A)[8] küçük hesap 

makinelerini görmeye başladık. Bu 

hesap makinelerinde bazı işlemler 

programlanmış olup hemen çözüm 

de veriyordu. Hesaplama süresini 

çok kısaltmıştı (Bkz. Şekil 6). Laboratuara 

almayı düşündüğümüz 

Canon’lardan hem daha ucuz hem 

daha gelişmiş makinelerdi. Hesaplama 

işlerimizde artık uzun yıllar elimizin 

altında olacak Texas Instruments’lar 

istatistik bölüm elemanları için alındı 

(Bkz.Şekil 6). Zimmet ile bizlere teslim 

edildi. İlerleyen yıllarda öğrencilerin 

kendi hesap makineleri oldu. La- 

12 13


boratuarlarımız masa bilgisayarlarına geçene kadar 

elektrikli Facit’ler kullanıldı. Öğrenci hesaplamalar 

için çeşitli araçları kullandı. 

Hacettepe Üniversitesi 1968-1974 yılları arasında 

çok genişledi. Merkez yerleşke artık tüm birimleri 

taşıyamıyordu. Bunu önceden bilen Sayın Prof.Dr. 

İhsan Doğramacı Beytepe’de yeni bir yerleşke oluşturmuş, 

tıp ve sağlık bilimleri dışında olan birimleri o 

yerleşkeye taşımayıplanlamıştı. Bu plan içinde biz de 

vardık. 1974 yılında henüz inşaatların tamamlanmadığı 

Beytepe yerleşkesine taşındık. 

3.2 Bilgisayar ile Tanışma ve Büyük 

Bilgisayarlar 

Hacettepe Üniversitesi’nde 30 Eylül 1967’de Bilgi 

İşlem merkezi kuruldu[9]. Bu merkezde görevli arkadaşlar 

Hacettepe çalışanlarına bu yeni teknolojiyi 

tanıtmak için toplantılar, kurslar, seminerler düzenliyorlardı. 

İlk kez programlama dillerinden FORTRAN 

ile 1968 yıllarında tanıştık. O yıllarda bu yeni teknolojinin 

hayatımızın içine bu şekilde gireceği hiç aklımıza 

gelmemişti. Bilgisayar merkezinin genç ve donanımlı 

elemanları sistem kurulmadan bu sistemin alt yapısını 

Hacettepe 

Üniversitesi 

çalışanlarına 

AKADEMİK 

anlatmak için seminerler düzenlediler. Artık İstatistik 

Bölümü’nün ders programlarının içine FORTRAN 

ve COBOL gibi programlama dillerinin gösterildiği 

yeni dersler girmişti. O yıllarda yetiştirilen istatistik 

öğrencilerimizin bir kısmı bu gün bilişim dünyasının 

tanınmış isimleri oldular. 

Hacettepe Üniversite’sinde Burroughs 3500 sistemi, 

üzerinde çevrimiçi uygulamaların da yapıldığı, 

gösterici uçbirimlerle donatılmış bir sistem olarak 

1969 yılında faaliyete geçti (Bkz. Şekil 7)[9].1969 

Türkiye’sinde böyle bir sistem çok büyük yenilikti. O 

yıllarda Türkiye’de Karayolları Genel Müdürlüğü’nde, 

Devlet Planlama Teşkilatı’nda, Türk İstatistik Kurumu 

(TÜİK), Devlet Su İşleri, İş Bankası gibi kurumlarda 

ve İstanbul Teknik Üniversitesi, Orta Doğu Teknik 

Üniversitesi, Hacettepe Üniversitesi gibi eğitim kurumlarında 

bilgisayar sistemi vardı. 

Hacettepe Üniversitesi’ne kurulan ilk sistem Dişçilik 

Fakültesi Dekanlığı’nın üst katında faaliyete geçti. 

Makineler ve soğutucular üç büyük odayı kaplıyordu. 

Sisteme bilgi girebilmek için program kodlama 

kağıtlarına ve veri kodlama kağıtlarına bilgiler 

yazılıyordu(Bkz Şekil 8). Bu kodlama kağıtları delgiciler 

tarafından bilgisayarın anladığı ikili sistem için 

delikli kartlara geçiriliyordu (Bkz.Şekil 9, Şekil 10). 

Delinen kartlar sistemde algılanıyor ve sistemden 

işlenmiş bilgiler büyük yazıcılardan iki yanı delikli, 

iki A4 genişliğinde sürekli kağıtlar ile alınıyordu 

(Bkz. Şekil 11). Bazen yanlış bilgi girilmiş olabiliyordu 

bu takdirde bilgisayar hatalı kartı ters çevirerek iade 

ediyordu. 

Kurulan bu yeni donanımın program yaparak en 

etkin kullanımı meraklı öğrencilerimiz tarafından 

gerçekleştirildi. Genellikle bitirme projelerinde sistemden 

yararlanıyorlardı. Başta da belirttiğim gibi 

bizim önemli görevlerimizden biri de tıp doktorlarının 

makale ve tez çalışmalarına istatistik değerlendirmeleri 

bakımından yardımcı olmaktı. 1970 yıllarında 

bu görevi hocamızın yardımı olmadan da yapabiliyorduk. 

Yaptığımız bu destek çalışmalarında bizim çok 

vaktimizi alan hesaplama işleri yeni sistem ile çok 

kolaylamıştı. Artık Türkiye’de tıp biliminde yapılan 

tez ve makalelerde istatistik değerlendirme olmadan 

yayın yapılamıyordu. 

Hacettepe Üniversitesi’ne kurulan büyük sistem 

bilgisayar (Mainframe) tüm üniversiteye hizmet ediyordu. 

Uygulamalı derslerimiz için sistemi kullanma 

olanağımız yoktu. Daha sonrada değineceğim gibi 

sistem öğrenci ödevlerinde ve araştırma sonuçlarını 

almada randevu ile kullanılıyordu 

O dönemde bizden yardım isteyen yalnız Hacette- 

pe Tıp Fakültesi mensupları değildi. Türkiye’nin her 

köşesinden istatistik destek için Hacettepe İstatistik 

Bölümü’ne geliyorlardı. Araştırıcılara verilerini 

veri kodlama kağıtlarına yazmalarını önce gösterir, 

sonra yazıp gelmelerini isterdik. Biz de yapılacak değerlendirmenin 

tanımlanmasını program kağıtlarına 

yazar sisteme verirdik. Çıktılarda eğer bir hata yok 

ise, delinmiş kartlar ve yazıcıdan çıkan sonuçlar ile 

belli bir süre sonra alınırdı. Eğer delgide ya da bizim 

delgi hazırlıklarımızda bir hata yapılmış ise, sonuç 

alamaz, bu hatayı delikli kartlarda bulmaya çalışırdık. 

Tıp mensuplarına ve diğer branşlarda çalışanlara 

yaptığım istatistik destekler benim çok vaktimi 

almasına rağmen hiç şikayetçi olmamışımdır. Her 

çalışma bana yeni bir bilgi katmıştır diyebilirim. Bu 

işler çok artınca Hacettepe Bilgi İşlem Merkezi (Bilgi 

İşlem Merkezi daha sonra Bilgi İşlem Daire Başkanlığı 

olarak değiştirildi.) bünyesinde araştırma destek 

birimi kurdu. Bu birimde Hacettepe İstatistik Bölümü 

mezunu öğrencilerimiz çalıştı, çok da başarılı oldular. 

İlerleyen yıllarda, bu merkezde çalışan mezunlarımıza 

İstatistik Bölümü elemanları tarafından gereken 

istatistiksel bilgi desteği verildi. 

İstatistik Bölümü Beytepe’ye 1974 tarihinde taşındığında, 

bu her bakımdan yeni bir ortamdı. Aynı yıl 

Bilgisayar Mühendisliği Bölümü kuruldu. 

Uygulamalı istatistik derslerimizde öğrencilerden 

problemlerin çözümlerini bilgisayardan almaları ve 

yorumlarının yapılması istendi. 1980 ve 1981 yıllarında 

yaptırdığımız iki çoklu regresyon çözümlemesi 

hâlâ elimizdedir. 

Akademik çalışmalarımızı artık üniversitenin bilgisayarlarında 

FORTRAN ya da COBOL dillerini kullanarak 

yapabiliyorduk. Bilgisayarın etkin kullanımı çalışmalarımızda 

benzeşim tekniği, yöneylem araştırması 

gibi işlem yükü isteyen çalışmaları yapma olanağını 

sağlamıştı. 

3.3 Masaüstü Bilgisayarlar Dönemi 

Bilgisayar 1970 yılından sonra bizlerin de ayrılmaz 

bir parçası oldu. Henüz o yıllarda masa bilgisayarları 

ile tanışmamıştık. Dünyada 1970’li yılların sonunda 

birçok bilgisayar firması kendi sistemlerini piyasa- 

14 15


ya sürdü. Örneğin, 1977 yılında ilk 

masaüstü bilgisayarlardan biri olan 

Apple iki arkadaş tarafından üretildi. 

1981 yılında da IBM, PC'leri piyasaya 

sürdü.[10] 

Üniversitelerimizde çalışan değerli 

akademisyenler ve bu konuda yetişmiş 

genç bilgisayar mühendislerinin 

katkıları, Bilişim Derneği’nin düzenli 

çalışmaları, iletişim teknolojisinde 

olan hızlı gelişme ile yurt dışında gerçekleşen 

tüm yeniliklerden haberdar 

olabiliyorduk. 

Bu yılları dünyada bilgisayar teknolojisinin 

hızla geliştiği, masaüstü kişisel 

bilgisayarların ve yazılım teknolojisinin 

özellikle bilimsel çevrelerde 

etkin kullanılmaya başlandığı yıllar 

olarak görmekteyiz. Ülkemizin bilişim 

teknolojisine girmesi çok geç olmamıştır. 

Bu teknolojinin hızlı yayılması 

ve düşük maliyette olması bizlerin ve 

yetiştirdiğimiz öğrencilerin bilgisayar 

dünyasına kolayca girmesini sağladı. 

1980’li yıllarda yurt dışı ülke üniversitelerinde 

kullanılan teknoloji artık 

eşzamanlı olarak ülkemizde de kullanılmaya 

başlandı. 

Bizim dışımızda teknolojik olaylar bu 

şekilde gelişirken bizim yaşadıklarımıza 

devam etmek istiyorum. 

1979’da Bölümümüz ilk masaüstü 

bilgisayara sahip oldu . Bu alet, bir 

hesap makinesi ile bilgisayar arasında 

bir yapıya sahip olan HP’nin 9830 

A modeli idi (Bkz. Şekil 12). Bu makinenin 

kasetlere kaydedilmiş istatistik 

paket programları bizi paket program 

kavramı ile karşılaştırdı. Kasetlerde 

hem öğrettiğimiz istatistik tekniklerin 

tümü hem araştırmalarda kullanabileceğimiz 

özel programlardan 

AKADEMİK 

bazıları bulunuyordu (Bkz.Şekil13), 

HP 9830 A’ya BASİC programlama 

dili ile program yazma olanağımız da 

oluyordu. HP9830'u tezlerde ve araştırmalarda 

kullanıyorduk. 

1982-83 yıllarında Beytepe’de yeniden 

yapılanan Bölümümüz’de öğretim 

elemanları için ayrı bir bilgisayar odası 

oluşturuldu. Bu odaya HP9830’u 

ve yeni teknoloji ürünü olan, o günkü 

maddi olanaklar ile alınmış bilgi sayarlar 

koyuldu. 

Zenit (Bkz Şekil 15), IBM PC (Bkz. 

Şekil 16) bu makinelerdendi. Öğretim 

üyeleri bilgisayar ile yapacakları 

çalışmalarını bu odada yapıyorlardı. 

Öğrencilerimize HP9830'u tanıtmak 

için gruplar olarak uygulamaya alıyor 

ve o hafta işlediğimiz konuyu hazır 

program kasetlerini kullanarak yaptırıyorduk 

(Bkz.Şekil14). Öğrencilerimizin 

yaptıkları proje çalışmaları için de 

bu oda kullanılıyordu. 

İstatistik Bölümü Beytepe’ye taşındığında 

Merkez yerleşkede Biyoistatistik 

Anabilim Dalı Tıp Fakültesi 

bünyesinde kuruldu. Tıp Fakültesi ve 

Sağlık Bilimleri Fakültelerinin istatistik 

danışmanlığını bu anabilim dalı yaptı. 

Beytepe yerleşkesinde bulunan tüm 

bölümlerin istatistik danışmanlığı da 

istatistik bölümü elemanlarınca karşılandı. 

Bu çalışmalardan zaman zaman 

nitelikli ortak makaleler çıkmıştır. Bilgi 

İşlem Dairesi Başkanlığı’nın merkez 

kampustan beri yapmak istediği sistemi 

uçlar ile bölümlere bağlamaktı. 

Teknik donanımlar tamamlanınca bu 

bağlantı sağlandı ve makinelerimizin 

olduğu odaya DATA Genaral’in bir 

terminali kuruldu (Bkz. Şekil 17) 

IBM PC'ler yeni çıkmıştı henüz ya- 

zılım olarak da gelişmemişti. Daha 

hesaplı ve kullanımı daha kolay olan 

AMSTRAT marka masaüstü bilgisayarlardan 

dört tane alındı ve uygulama 

laboratuarının bu bilgisayarlar ile 

oluşturulması düşünüldü (Bkz.Şekil 

18). Yaklaşık iki yıl içinde IBM PC 

teknik olarak geliştirilmişti bu makinelere 

uyumlu yazılımlar hazırlanmış 

ve daha hesaplı alınması sağlanmıştı. 

Belirtilen gerekçeler nedeni ile PC 

bilgisayarlar ile büyük bir uygulama 

laboratuarı kuruldu. 

3.4 İstatistik Paket 

Programlarının Eğitim ve 

Araştırmalarda Kullanılması 

Yeni çalışma ortamında öğrencilerimize 

uygulamayı SYSTAT paket 

programı kullandırarak yaptırıyorduk 

(Bkz.Şekil 19). Bir proje ile en gelişmiş 

paket programlardan olan SAS 

asistanlarımızın ve meraklı öğrencilerimizin 

kullanımına sunuldu. SYSTAT 

ilk kullandığımız yıllarda içine kod 

yazılamayan kapalı bir programdı. 

SAS kendi kodu ile yazıldığında araştırıcının 

özel programlarını yazılıma 

ekleyebilme özelliğine sahip olduğu 

için araştırmacılar tarafından tercih 

edildi. 

Çağımızın en büyük yeniliği internet ortamının oluşturulmasıdır. 

Ülkemizde 1992,1993 yıllarında internet 

olanağına kavuştu. Bu olanak ile ilgili gazete haberi 

(Bkz. Şekil 21) verildi. Bu bir devrimdi, bizlerin hayal 

edemeyeceği kolaylıklara kavuşmuştuk. Genç arkadaşlarımız 

için günümüz teknolojisi olağan gelebilir 

ama yukarıda anlattığım süreci yaşamış yaşıtlarımız 

için gerçekten inanılması ve uyumu oldukça zor olan 

bir durumdur. 

4. Sonuç ve Öneriler 

Akademik yaşantımızda hedefimiz, yetiştirdiğimiz 

öğrencilerimiz ve kendi çalışmalarımız ile gelişmiş 

ülkelerin düzeyini yakalamak olmuştur. 

Dünyada ilk istatistik bölümünün 

1911 yılında kurulduğu dikkate alınır 

ise, istatistik eğitiminde yarışa başlama 

noktamızın ne kadar geride olduğu 

açıktır. Bu yarışta lehimize olan 

durum, istatistik eğitimi ile sıkı bir 

ilişkisi olan bilişim teknolojisinin akademik 

çalışmalardaki önem ve yerini 

erken benimsemiş ve aktif kullanıyor 

olmamızdır. Bu yarış içindeki kırk yedi 

yıllık akademik yaşantıma sığdırdığım 

anılarımı kendi görüş açımdan bu 

yazı ile paylaşmak istedim. 

Yazımı hazırlarken 6. İstatistik 

Kongresi’nde sunduğumuz çalışmadan 

yararlandım[2]. Sunumu hazırlarken 

birlikte çalıştığım çağımızın 

teknik donanımını çok iyi kullandığına 

inandığım genç arkadaşım Uz. Emrah 

Oral’ın hazırladığı görselleri kullandım. 

Uz. Emrah Oral’a katkıları için teşekkür 

ederim. 

Kaynaklar 

[1] Erdem, İ., İstatistiğin Başlangıcı: Kısa Tarihçe, n’den 

N’ye Gezinti İstatistik Dergisi, 2012, 8,pp 6-11. 

[2]Muluk. Z., Oral. E.,Teknolojik Gelişme Sürecine Paralel 

Uygulamalı İstatistik Eğitimi ve Yaşadıklarım 6. İstatistik 6. İstatistik Kongresi, Nisan 

2009- 03 Mayıs 2009 , Antalya 

[3] University College London. Department of Statistical Science "Karl Pearson 

(1857-1936), http://www.ucl.ac.uk/ 

[4] http://en.wikipedia.org/wiki/Founders_of_statistics#Founders_of_Departments_of_Statistics 

[5] YüceuluğR.,Türkiyede İstatistik Öğretimi ve İstatistik Çalışmaları – İmparatorluk 

ve Cumhuriyet Devirlerinde, Ankara Üniversitesi Hukuk Fakültesi Dergisi,1949,6,2-4,291-326 

[6] İşçil N., İstatistik Metotları ve Uygulamaları, Altıncı Baskı,1973, Sevinç Matbaası, 

Ankara 

[7] Düzgüneş,O., Bilimsel Araştırmalarda İstatistiksel Prensipler ve Metotlar, 1963, 

Ege Üniversitesi Matbaası, İzmir. 

[8] http://www.vcalc.net/ti-hist.htm teksasintru. kaynağı 

[9] Köksal A. ,Hacettepe Yılları 44.Yılında Açan Bir Devrim Çiçeği,2007, Hacettepe 

Yayınevi, Ankara 

[10] http://www.forumasi.net/forum/bilgisayarin_turkiye_deki_tarihsel_gelisimit3336.0.html;wap= 

16 17


AKADEMİK 

Anket Araştırmalarında 

Uygulanan Etik Kuralları 

1. GİRİŞ 

Anket araştırmaları terimi, sosyal araştırmalarda 

soru kağıdı ile bilgi toplama anlamında yaygın olarak 

kullanılmaktadır. Burada soru kağıdı ya da anket, 

bilgi toplama gereci olarak tanımlanmaktadır. Sosyal 

araştırmalarda anket uygulaması, bir görüşmeci 

aracılığı ile yapılabildiği gibi cevaplayıcı tarafından da 

kendi başına yapılabilir. Bu iki ayrı uygulama düzeninin 

getirdiği farklı etik kurallar bulunmaktadır. Etik 

kelimesinin kökeni ise Yunancadan gelmekte ve uygulamada 

güncel olarak meslek dürüstlüğü karşılığı 

şeklinde yaygın olarak kullanılmaktadır. 

Bu makalede, dünyada sosyal araştırmalarda yaygın 

olarak kullanılan temel etik kuralları incelenecektir. 

Bu kapsamda, üniversiteler, resmi istatistik kuruluşları, 

özel araştırma şirketleri ve diğer araştırmacılarla 

ilgili etik kural ve uygulamaları değerlendirilmiştir. 

Uluslararası normlar çerçevesinde, araştırmacının, 

yaptıranın ve katılanın sorumlulukları ile ilgili ilkeler 

incelenmiştir. En yaygın olarak bilinen ve kullanılan 

Prof. Dr. H. Öztaş Ayhan 

Orta Doğu Teknik Üniversitesi 

İstatistik Bölümü 

katılımın gönüllülüğü, cevaplayıcının zarar görmemesi 

cevaplayıcının bilinmezliği ve gizliliği ile ilgili kurallar 

değerlendirilmiştir. 

Her alanda olduğu gibi, araştırmalarda da uyulması 

gereken bazı etik kuralları mevcuttur. Araştırmalarda 

genelde uyulması gereken etik kuralları doğal olarak 

anket araştırmalarında da geçerli olmaktadır. Anket 

araştırmalarında uygulanan etik kuralları veri toplama, 

veri derleme ve araştırma bulgularının sunum 

aşamalarına yönelik olarak detaylı önerileri içermektedir. 

Dünyada bu kurallar, konu ile ilgili kurumlar 

tarafından büyük çabalar sonucu geliştirilmiş olup 

veri ve istatistiklerin kalitesini arttırmaya ve yayınlamaya 

yönelik olarak hızlı bir değişim göstermektedir 

(Ayhan 1999). 

Araştırma yapan kurumların nitelikleri ve kurumsal 

sorumlulukları da bu genel kurallara bazı eklemeler 

yapılması gereğini ortaya koymuştur. Örneğin, bir 

ülkede ulusal düzeyde resmi istatistiklerden sorumlu 

olan bir kurumun bilgi toplama ve yayma sorumluluğu, 

bir üniversite, bir özet şirket ya da kişinin 

durumundan farklı olacaktır. Birçok ülkenin yasasında, 

toplum bireylerinin “bilgi edinme özgürlüğü” ve 

kişisel düzeyde ise ”kişisel bilgilerin gizliliği” ilkeleri 

güvence altına alınmıştır. Kurumsal sorumluluk ilkesi 

çerçevesinde, kurumların bu iki temel ilkenin dengelenmesi 

doğrultusunda etik kuralları benimsemeleri, 

bu kuralları açıklamaları ve uygulamaları beklenir. 

Şüphesiz bu kurallar, uluslararası normları belirleyen 

kuruluşların (örneğin ECE 1992) önerileri çerçevesinde 

kurumlarca detaylandırılmıştır. Diğer taraftan, 

anket araştırması yapan diğer kurumlar ise kendi 

sorumluluk alanı içerisine giren konularda yine bazı 

etik kurallarını belirleme ya da belirlenmiş olan bazı 

kuralları benimseyerek uygulama sorumluluğunu taşımaktadır. 

2. ARAŞTIRMALARDA ETİK 

YAKLAŞIMLAR 

Araştırmaların yapıldığı birçok ülkede, konu ile ilgili 

yasalarla, uluslararası kuruluşların önerdiği ve onayladığı 

etik kuralları arasındaki ilişkinin halen istenilen 

düzeye ulaşmadığı görülmektedir (Ayhan 1999). 

Avrupa Kamuoyu ve Pazarlama Araştırmacıları 

Derneği’nin (ESOMAR 1993) anket araştırmalarıyla 

ilgili önerileri ise, belirli bir konuda yapılan yerel yasaların 

ESOMAR önerilerinden daha öncelikli olduğu 

doğrultusundadır. Diğer bir ifade ile, yerel yasaların 

uygulanması sonucu, araştırma sonuçlarının cevaplanma 

güvenilirliğinin azalması konusunda yapılabilecek 

fazla bir şeyin olmadığı ifade edilmektedir 

(Ayhan 1999, 2003). 

ESOMAR’ın (1993 ve 2012) araştırmalarla ilgili önerilerinde, 

belirli bir konuda yapılan yerel yasaların ESO- 

MAR önerilerinden daha öncelikli olduğu şeklindedir. 

Bu kapsam içerisine giren ankete dayanan sosyal ve 

kamuoyu araştırmaları ile ilgili etik kurallarını 4 ana 

başlık altında özetlemek mümkündür (Ayhan 1995, 

WAPOR 1983, 2012). Bu kurallar, araştırma yapan 

kurumların, kendi sorumlulukları, araştırmayı yaptıran, 

katkıda bulunan ve yayınlanması konusundaki 

genel ilkeleri kapsamaktadır. 

A. Araştırmacının Sorumlulukları 

1. Araştırmalar objektif olarak, mevcut kaynak ve 

tekniklerle en doğru şekilde yapılmalıdır. 

2. Araştırmacı çalışmalarını yaparken araştırma 

yaptıranın isteklerine uymak zorundadır. 

3. Araştırmacı rapor ettiği her konuda gerçek veri- 

lere, gözlemlere ya da kendi yorumuna göre mi 

rapor ettiğinin ayrımını yapmalıdır. 

4. Tek bir araştırmadan elde edilen veriler, aynı 

konudaki araştırmayı talep eden farklı kişi ya 

da kurumlar için toplanıyorsa, ya da elde edilen 

veriler farklı kişilere verilecekse, bu durum tüm 

taraflara ayrı ayrı iletilmelidir. 

5. Araştırmanın veri toplama sürecinde, araştırmanın 

kimin için yapıldığı konusundaki bilgiler, 

araştırmayı yaptıran taraf istenmez ise, saklı 

tutulacaktır. 

6. Araştırmanın yapılması için, araştırmayı yaptıran 

tarafından sunulan tüm bilgi ve belgeler 

gizli kalmalıdır. 

7. Araştırma sonucu elde edilen bulgular, araştırmayı 

yaptıranın önceden verilmiş onayı olmaksızın, 

araştırmacı tarafından açıklanamaz. 

8. Araştırmanın verileri, araştırmacı ya da araştırmayı 

yaptıran tarafından, aralarında yapılan 

sözleşme kapsamı dışındakilere verilemez ya 

da satılamaz. 

9. Araştırmanın tüm elektronik veri ve 

Cd’leri,araştırma dokümanları ve alan çalışmasında 

kullanılan materyal araştırmacının malıdır. 

10. Araştırma sonuçlarının, yararlanmak isteyenler 

için bilinen arşivlerde kısıtlı bir kullanıma açılması 

gereklidir. 

11. Araştırma sonuçlarının araştırmayı yaptırana 

rapor olarak sunulmasından sonra, araştırmayı 

yaptıran eğer isterse, anketten elde edilen 

verilerin bir kopyasını maliyeti karşılığında alabilir. 

Bu veriler verilmeden önce, cevaplayanın 

kimliğinin saklı tutulması için gereken işlemler 

yapılmalıdır. 

12. Araştırma kuruluşları, araştırma yaptırma talebi 

ile gelen kurum ya da kişilere, kendi araştırma 

deneyimi, kapasitesi ve kuruluşu ile ilgili bilgileri 

doğru olarak vermek zorundadır. 

18 19


13. Aksine bir andlaşma olmadığı taktirde, araştırma 

teknik ve yöntemleri ile araştırmada kullanılan 

diğer teknik bilgiler, kendisinin geliştirmesi 

koşulu ile araştırmacıya aittir. 

B. Araştırma Yaptıranın Sorumlulukları 

1. Araştırma yaptırmak isteyenler, sonuçta ödeme 

yapmadıkları taktirde, araştırma sonuçlarının 

araştırmacının malı olacağını kabul etmelidirler. 

2. Araştırma yaptıranlar, fiyat kırmak amacı ile 

araştırmacılar arasında rekabet yaratmamalıdırlar. 

3. Araştırmayı yaptıran, araştırma sonuçlarının 

yayınlanması ve referans gösterilmesinde gerçeklerin 

saptırılmaması konusunda gerekli önlemi 

almalıdır. 

4. Sonuçların yayınlanması ve özellikle araştırma- 

AKADEMİK 

cının isminin araştırma raporunda kullanılması 

konusunda araştırmacının onayını almak zorundadır. 

C. Araştırma Sonuçlarının Yayınlanması 

Araştırma sonuçlarını kapsayan raporlar aşağıdaki 

tüm bilgileri içermelidir. 

1. Araştırma kimin için yapıldı. 

2. Araştırmanın amacı nedir. 

3. Araştırma kitlesinin tanımı, örnekleme metodu 

ve örnek seçimi detayları. 

4. Örnekleme planının alanda aynen uygulanması 

için yapılan işler ve alınan önlemler. 

5. Alan çalışmasının başarısı ve cevaplanma oranı. 

6. Tahmin yöntemleri. 

7. Veri ağırlıklandırma yöntemleri. 

8. Alan uygulaması yapılan metodun tüm detayları. 

9. Alan uygulaması tarihi ve uygulanma süresi. 

10. Elde edilen bulgular. 

11. Araştırma ekibinin temel özellikleri, verilen eğitim 

ve denetleme kapsamı. 

12. Görüşme takvimi, anket ve görüşmeci el kitabı. 

D. Araştırmaya Katılanlara Olan Sorumluluk 

1. Kişilerin, sorulan soruları cevaplamama hakları 

vardır. 

2. Hiçbir cevaplayıcı, verdiği cevap nedeni ile 

olumsuz olarak etkilenmemelidir. 

3. Verilen cevaplar, cevaplayıcının kimliği ile bağdaştırılmamalıdır. 

Cevaplayanın kimliğinin bilinmezliği 

garanti altına alınmalıdır. 

Araştırmanın amacı ve araştırmayı destekleyen 

kurumun anket uygulaması öncesinde muhtemel 

cevaplayıcıya tanıtılması önemli bir etik kuralıdır. 

Bu bilgiler ışığında, muhtemel cevaplayıcıya durumu 

değerlendirme özgürlüğünün tanınması gerekir 

(WAPOR 1993, 2012). 

Yukarıda belirtilen etik kurallarına uygun olarak gerçekleştirilen 

sosyal ve kamuoyu araştırmalarının 

bilimsel açıdan da değerlendirilmesi mümkün olacaktır. 

Bilimsel yönden kabul gören araştırma sonuçlarının 

“kamuoyunu bilgilendirme” ya da “kamuoyunu 

yönlendirme” amaçları için medya aracılığı ile 

sunulması ya da sunulmaması bir etik sorunu değil, 

ancak bu sadece araştırmayı yaptıranın stratejik bir 

tercih konusu olabilir (Ayhan 1995, 1999). 

3. ANKET ARAŞTIRMALARINDA 

UYGULANAN BAZI ETİK KURALLARI 

Anket araştırmalarında kullanılan veri toplama yöntemlerinin 

uygulanması ile ilgili birçok etik kuralının 

mevcut olduğu bilinmektedir. Bu kurallar, araştırmayı 

gerçekleştirecek olan kurum ya da kuruluşların konunun 

her aşaması ile ilgili meslek ahlakına yönelik 

prensip ve uygulamaların bir bütünüdür. 

Bu kuralların, ilgili kurumlarca benimsenmiş olmaları 

ve uygulamalarında bu konulara titizlikle yaklaştıklarının 

toplumdaki bireylere yansıması, alınacak olan 

sonuçların kalitesi yönünde önemli bir göstergedir. 

Bu çalışmada, etik kurallarının tüm yönleri yerine, 

tüm araştırmacılar için önemli olan bazı etik kuralları 

üzerinde değerlendirme yapılacaktır. 

A. Araştırmaya Katılım 

Birçok ülkede yapılan anket araştırmalarında, araştırmaya 

katılma özgürlüğü bireylerin kişisel tercihlerine 

bırakılmıştır. Bunun bir tercih konusu olduğu 

ise araştırmayı yapan kurumun açıkca ilan etmesi 

gereken bir durumdur. Gelişmiş ülkelerde, özellikle 

üniversitelere bağlı olarak araştırma yapan kurumlar 

ise bu konudaki duyarlılıklarını hem yazılı ve hem de 

sözlü olarak araştırmaya katılması planlanan kesime 

iletmektedirler. 

Anket uygulaması ile bilgi edinilen tüm araştırmalarda, 

cevapların gönüllü olarak verilmesi çok önemlidir. 

Genelde cevaplayıcıdan, kendi ailesi tafafından 

bile bilinmeyen bazı özel bilgiler talep edilebilmektedir. 

Bu bilgilerin sağlıklı ve güvenilir bir şekilde alınması, 

elde edilecek olan verilerin kalitesini doğrudan 

etkileyecektir. Kişinin bireysel arzusuna karşı veri 

toplamak düşünülmemelidir. Diğer taraftan, görüşmeciye 

verilen özel eğitim gereği olarak, cevaplayıcı 

adayının konunun ve katkının önemi konusunda ikna 

etmeside doğal olarak görüşmeciden beklenir. Burada 

görüşmeci, uygulanması düşünülen anket ile ilgili 

olarak, kararsız durumda olan cevaplayıcıya uygulanması 

önerilen ikna yöntemlerini uygulayabilir. 

B. Cevaplayıcının Zarar Görmemesi 

Cevaplayıcının zarar görmemesi gerekir yönündeki 

etik kuralı, araştırma sürecinin değişik aşamalarında 

da karşımıza çıkmaktadır. Görüşme sırasında, 

cevaplayıcının zarar görmesi de söz konusu olabilir. 

Araştırmacı, bu durumun engellenmesi için gereğini 

yapmak zorundadır. Bazı hassas konularla ilgili sorular, 

eğer araştırmanın esas amacına yönelik değil ise 

sorulmamalıdır. 

20 21


Veri analizi aşamasında, cevaplayıcının kimliğini açık 

edebilecek düzeyde analiz yapılmamalıdır (Ayhan 

1991, 1995, 1999, 2003; DOC 1978; Duncan, Jabine 

and de Wolf 1993; Willenborg ve de Waal 1996, 

2001). Araştırma verilerinin toplanması ve yayınlanması 

sırasında bireysel ya da kurumsal bilgilerin 

birim düzeyinde gizli tutulacağı konusunda uluslararası 

etik kurallarınca ve ülkelerin resmi istatistikle ilgili 

yasalarınca güvence altına alınmıştır (ECE 1992). 

Birçok kurumun, verilerin gizliliği konusunda cevaplayıcıyı 

önceden bilgilendirme yolunu tercih etmeleri 

de önemli bir etik kuralıdır. 

C. Cevaplayıcının Bilinmezliği ve Gizliliği 

Cevaplayıcının bilinmezliği ve gizliliği de önemli bir 

etik kuralıdır. Bu kuralın ilgili kurum tarafından ciddi 

bir şekilde uygulandığının toplum tarafından bilinmesi 

o kuruma olan saygınlığı arttırırken, aynı zamanda 

da verilen cevapların kalitesinin artmasınıda sağlayacaktır. 

1. Cevaplayıcının bilinmezliği 

Eğer araştırmacı veri girişi ve analiz aşamasında, 

verilen cevaba dayanarak, cevaplayıcının kimliğini 

belirleyemez ise bu durum cevaplayıcının bilinmezliği 

olarak değerlendirilir. Bilgilerin yüz yüze görüşme 

ile toplandığı anket uygulamalarında, cevaplayıcının 

kimliği görüşmeci tarafından bilinmektedir. Ancak 

bunun araştırmacı tarafından bilinmesi mümkün olmamalıdır. 

Bu durumda veri girişi sırasında bu kimliğin 

eşdeğeri olan belirli bir sayısal kodun verilmesi 

gerekmekte ve veri analizi aşamasında ise bu bireye 

ait bilgilerin kimlikleri ile bağdaştırılmasının engellenmesi 

önemli bir etik kuralıdır. Posta yolu ile anket 

uygulamasında ise, anket ya da iade zarfı üzerine yazılacak 

tanıtım numarası yolu ile toplanan anketlerin 

kimlikleri belirlenebilmektedir. 

2. Cevaplayıcının gizliliği 

Araştırmacının, cevaplayıcıları belirleme olanağı var 

iken, bunları açıklamamaya söz vermesi esası gizlilik 

olarak değerlendirilir. Bunun için soru kağıdındaki 

isim ve adresler, tanıtım numaraları haline getirilmelidir. 

Bu anahtar bilgiler sadece kayıp olan bilgilerin 

AKADEMİK 

takibinde kullanılmalı ve kesinlikle analiz yapan tarafından 

bilinmemelidir (Babbie 1973). 

3. Dolaylı tanınma 

Gerçek bilinmezlik (anonymity) bir araştırmada bile 

bazen cevaplayıcının kimliği tanınabilmektedir. Özellikle 

bazı açık uçlu sorularda bu durum mümkün olabilmektedir. 

Cevaplayıcının bazı özellikleri, örneğin 

mesleği ya da bir yakınının mesleği belirtilirse durum 

anlaşılabilir. Toplanan veri ve istatistiklerin yayınlanmasında 

bazı etik kuralları mevcuttur. Dolaylı tanınmanın 

yayın yolu ile engellenmesi için birçok yöntem 

geliştirilmiştir (Ayhan 1991, DOC 1978, ISI 1985, 

SPO 1994, Willenborg ve de Wall 1996, 2001). Ülkeler 

ve kurumlar arasında bazı farklılıklar görülmekle 

birlikte, en yaygın yöntem, tablo gözlerindeki gözlem 

sayısını belirli bir sayının altına düşürmeme yaklaşımıdır. 

4. Saklanan tanınma 

Cevaplayıcının bilinmezliği esas olduğu halde, bu 

durum uygulamada nadiren gerçekleşmektedir. 

Eğer araştırmada, cevaplayıcının bilinmezliği yerine 

cevaplayıcının gizliliği ilkesi uygulanacak ise, bu 

durumun cevaplayacak kişilere cevaplamadan önce 

bildirilmessi gerekir. 

4. ARAŞTIRMA VERİLERİNİN 

KULLANIMI 

Araştırma verilerinin kullanımı ile ilgili olarak bazı yasal 

ve etik kurallar da belirlenmiştir. Bu kurallar çerçevesinde 

ikinci ve üçüncü şahıslarla ilgili düzenlemeler 

yapılmalı ve bazı özel durumlar için araştırma 

öncesinde karşılıklı sözleşmeler yapılmalıdır (AAPOR 

1998, Ayhan 1995 ve WAPOR 1983). Araştırma 

sonuçlarının toplam frekans ya da ham veri olarak 

kullanıcının hizmetine sunulması konusunda da bazı 

yasal düzenlemeler mevcuttur. 

5. SONUÇ 

Dünyada sosyal araştırmalarda uygulanan etik kuralları 

ile ilgili çalışmalar, bu alanlarda çalışan üst kuruluşlar 

tarafından gerçekleştirilmiştir. Bilimsel temel- 

lere dayanan bu önerilerin ilgili ülke ve kurumlarınca, 

kendi yasal düzenlemeleri çerçevesinde gözden 

geçirilip gerekli uyarlamaların yapılması artık uluslar 

arası bir uygulama olmuştur. Belirlenen bu yasal 

etik kurallar artık bu alanda çalışan araştırmacıların 

hiçbir taviz vermeden uygulaması beklenen kurallar 

olmalıdır. 

22 23 

KAYNAKLAR 

AAPOR (1998), Code of Professional Ethics and Practices. American Association 

for Public Opinion Research. 2 pp. http://www.aapor.org/ethics/principl.shtml. 

Ayhan, H.Ö. (1991), Disclosure Avoidance and Risk for Census and Survey Micro 

Data: A Note on Current Research. Working Paper, State Institute of Statistics, 

Ankara. 5 pp. 

Ayhan, H.Ö. (1995), Kamuoyu Araştırmaları ve Etik Kuralları. İstatistik Mezunları 

Derneği Bülteni 8, 13 – 14. 

Ayhan, H.Ö. (1999), Sosyal Araştırmalarda Etik Sorunları. Hemşirelik Araştırma 

Dergisi 1, 29 – 35 . 

Ayhan, H.Ö. (2003), Türkiye Nüfus Araştırmalarında Veri Toplama ve Yayın Aşamalarındaki 

Yasal ve Etik Sorunlar. III. Ulusal Nüfusbilim Konferansı Tebliğleri, 

Ankara. p. 1197 – 1206. 

Babbie, E.R. (1973), Survey Research Methods. Wadsworth Publishing Company 

Inc. Belmont, California. 

CSR (1997), Research Ethics. Center for Survey Research, Indiana University, USA 

, 2 pp. 

DOC (1978), Report on Statistical Disclosure and Disclosure Avoidance Techniques. 

Statistical Policy Working Paper # 2. Office of Federal Statistical Policy and 

Standards. U.S. Department of Commerce, 69 pp. 

Duncan, G.T., T.B. Jabine and V.A. de Wolf (Eds.) (1993), Private Lives and Public 

Policies: Confidentiality and Accessibility of Government Statistics. National Academy 

Press, Washington, D.C., USA. 23 pp. 

ECE (1992), Fundamental Principles of Official Statistics in the Region of the Economic 

Commission for Europe, ECE Resolution, United Nations Economic Commission 

for Europe, Geneva. 2 pp. 

ESOMAR (1993), ESOMAR Guide to Opinion Polls. European Society for Opinion 

and Marketing Research, Amsterdam, NL. 24 pp. 

ICC/ESOMAR (2012), International Code on Market and Social Research. ESO- 

MAR, 8 pp. 

ISI (1985), Declaration on Professional Ethics. International Statistical Institute, 

The Hague, NL. 17 pp. 

SPO (1994), Report on Statistical Disclosure Limitation Methodology. Statistical 

Policy Working Paper # 22, Office of Management and Budget, Washington, 

D.C., USA. 131 pp. 

SRC (1976), Interviewer’s Manual (revised edition). Survey Research Center, The 

University of Michigan, Ann Arbor, USA, 143 pp. 

WAPOR (2012), WAPOR Code of Ethics. http://wapor.unl.edu/wapor-code-ofethics/ 

, 3 pp. 

Willenborg, L. and T. de Wall (1996), Statistical Disclosure Control in Practice. 

Springer – Verlag, Lecture Notes in Statistics No. 111, New York. 

Willenborg, L. and T. de Wall (2001), Elements of Statistical Disclosure Control. 

Springer – Verlag, Lecture Notes in Statistics No. 155, New York.


JeromeH Friedman 

Stanford Üniversitesi 

İstatistik Bölümü ve Stanford Doğrusal 

Hızlandırıcı Merkezi 

Çeviren: M.Kerem Yüksel 

AKADEMİK 

Veri Madenciliği ve İstatistik: 

Aradaki Bağlantı Nedir ? 

Özet 

Veri madenciliği büyük gözlemsel veritabanlarına vurgu yaparak verideki örüntüleri ve ilişkileri keşfetmek 

için kullanılır. Veritabanı Yönetimi, Yapay Zeka, Makine Öğrenimi, Örüntü Tanıma ve Veri 

Görselleştirmesi gibi bir çok alanın ortak sınırlarındadır. İstatistikî perspektiften (genellikle) büyük 

karmaşık veri kümelerinin bilgisayarlı açıklamalı veri çözümlemesidir. Abartılmış aldatıcılığına rağmen 

(ya da belki de bu yüzden), bu alanın iş dünyasında, sanayide ve bilimde büyük etkisi vardır. 

Yeni yöntemsel gelişmeler için inanılmaz ölçüde araştırma fırsatı sağlamaktadır. Veri madenciliği 

ve istatistikî veri çözümlemesi arasındaki açık bağlara rağmen, veri madenciliğinde kullanılan 

yöntemlerin çoğu istatistikten başka alanlardan devşirilmiştir. Bu çalışma bunun ve istatistikçilerin 

neden veri madenciliğine ilgi duymaları gerektiğinin bazı nedenlerini araştırmaktadır. İstatistik’in 

veri madenciliği üzerinde potansiyel olarak büyük bir etkisi olabileceği söylenir, ama bunun için, 

bazı çok temel paradigmalarımızın ve çalışma esaslarımızın yeniden uyarlanması gerekmektedir. 

24 25 

1.Giriş 

The 29th Symposiumon theInterface’in (Mayıs1997, 

Houston, Teksas) konusu Veri Madenciliği ve büyük 

veri kümelerinin çözümlemesidir. Bundan tam 20 

yıl önce LeoBrieman’ın düzenlediği ve ASA ve IMS 

tarafından desteklenen "Conference on the Analysis 

of Large Complex Data Sets" (Büyük karmaşık 

veri kümelerinin çözümlemesi üzerine konferans) 

toplantısının komşu Dallas’ta gerçekleşmesi belki 

de tesadüftür. Şimdi, 20 yıl sonra, 1977’den beri ne 

kadar ilerlediğimizi, ve veri madenciliğine kadar varıp 

varmadığımızı, sormak uygun düşer. Bu çalışma şu 

meselelere değinir: 

Veri Madenciliği nedir? 

İstatistik nedir? 

(Eğer varsa) aradaki bağlantılar nelerdir? 

İstatistikçiler nasıl katkıda bulunabilirler? (Eğer olabilirse.) 

Bunu yapmak ister miyiz? 

2. Veri Madenciliği Nedir? 

Veri Madenciliği (VM) en iyi ihtimalle belli belirsiz 

tanımlanmış bir alandır. Tanımı çoğunlukla zeminine 

ve tanımlayanın görüşlerine bağlıdır. İşte VM literatüründen 

bir kaç tanım: 

Veri madenciliği veri içindeki, geçerli, yeni, potansiyel 

olarak faydalı ve nihaî olarak anlaşılır örüntüleri 

anlamanın basit olmayan bir yoludur. -Fayyad 

Veri madenciliği büyük veri tabanlarındaki daha önceden 

bilinmeyen, kavranabilir ve işlemeye uygun 

bilginin ortaya çıkarılması ve bu bilginin önemli iş kararları 

verilmesinde kullanılması sürecidir. -Zekulin 

Veri madenciliği veri içindeki daha önceden bilinmeyen 

ilişki ve örüntüleri ayırt etme bilgi keşif sürecinde 

kullanılan yöntemlerin kümesidir. -Ferruzza 

Veri madenciliği veri içindeki faydalı örüntüleri keşif 

sürecidir. -John 

Veri madenciliği büyük veri tabanlarında bilinmeyen 

ve beklenmeyen bilgi örüntülerini araştırdığımız karar 

destek sürecidir. -Parsaye 

Veri madenciliği 

- Karar ağacı, 

- Sinir ağları, 

- Kural Tümevarımı, 

- En yakın komşu (nearestneighbors), 

- Genetik Algoritmadır 

Mehta 

Bu afili tanımlara rağmen, VM bu güne kadar büyük 

oranda ticarî bir girişim olarak kalır. Geçmişin bir çok 

“altına hücum” seferinde olduğu gibi, burada da 

amaç madenleri değil “madencileri kazmak” olur. En 

büyük kazanç, madencilik yapmaktan ziyade madencilere 

araçları satmaktan kaynaklanır. VM kavramı 

bilgisayar donanımı ya da yazılımı satmanın bir aracı 

olarak kullanılır. 

Donanım imalatçıları VM için gerekli yüksek hesaplama 

gerekliliklerini vurgular. Oldukça büyük veri 

tabanları depolanmalı, gerektiğinde kolayla erişilir 

olmalı, ve hesaplama-yoğun yöntemler bu verilere 

uygulanabilmeli. Bu ise büyük bir disk alanı ve hızlı 

hesap yapabilen yüksel RAM’li bilgisayarlar gerektirir. 

VM bu gibi donanımlar için yeni pazarlar oluşturur. 

Yazılımcılar ise rekabetçi damarı kaşırlar. “Rakibiniz 

şunu bunu yapıyor, öyleyse siz de geri kalmayın.” 

Üstüne üstlük, bir de varolan veri tabanına yapılan 

katma değer vurgulanır. Bir çok kurumun depolama, 

faturalama, muhasebe gibi kalemlerden kaynaklanan 

büyük işlem verileri bulunur. Bu veri tabanlarını 

oluşturmak pahalı, idame ettirmek ise maliyetlidir. 

VM araçları, görece küçük bir ek yatırımla, bu verilerde 

saklı oldukça kârlı “altın parçalarını” keşfetmeyi 

teklif eder. 

Hem donanım hem de yazılın tacirlerinin amacı, VM 

etrafındaki (abartılı) reklamlarla, daha piyasalar VM 

ürünlerine doymadan yenilerini çıkarıp, bundan istifade 

etmektir. Bir şirket bir VM paketine 50 bin – 

100 bin dolar, eğitimine ise bir ihtimal daha dazla,


ödemişken, yenisinin eskisinden daha üstün olduğu 

gösterilmemiş bir başka rakip paketi pek yakın bir 

tarihte satın alması ihtimali düşüktür. Varolan bazı 

VM ürünlerinin örnekleri şunlardır (Mayıs 1997 itibariyle): 

IBM: "IntelligentMiner" 

Tandem: "Relational Data Miner" 

Angoss Software: "KnowledgeSEEKER" 

ThinkingMachines Corporation: "DarwinTM" 

NeoVista Software: "ASIC" 

ISL DecisionSystemsInc: "Clementine" 

DataMind Corporation: "DataMind Data Cruncher" 

Silicon Graphics: "MineSet" 

California Scientific Software: "BrainMaker" 

WizSoft Corporation: "WizWhy" 

Lockheed Corporation: "Recon" 

SAS Corporation: "SAS Enterprise Miner " 

Bu az ya da çok “kapsayıcı” paketlerin yanında tek 

amaç için uzmanlaşmış çok çeşitli ürünler de mevcuttur. 

Bunun yanında birçok danışmanlık firması 

VM’de uzmanlaşmıştır. Bu alanda istatistikçiler ve 

bilgisayar bilimciler arasındaki farklardan biri şudur: 

İstatistikçinin bir fikri olduğunda o bir makale yazar, 

ama bilgisayarcının bir fikri varsa, o bir şirket kurar. 

Var olan VM ürünleri şöyle vasıflandırılabilir: 

- Aşağıdakileri için “çekici” bir grafik kullanıcı ara 

yüzü: 

l Veri Tabanları (sorgu dili), 

l Veri çözümleme prosedürleri seti. 

- Windows Tipi Arayüz 

l Esnek uygun girdi 

n Tıklama ikonları ve menüler, 

n Girdi için iletişim kutuları, 

n Çözümlemeleri betimleyecek diyagramlar, 

n Çıktıların çok yönlü grafik gösterimi, 

n Çeşitli veri grafiklemeleri, 

AKADEMİK 

n Hızlı grafik yöntemleri: ağaçlar, ağlar, uçuş simü 

lasyonları vb. 

- Sonuçların uygun manipülasyonu imkanı. 

Bu paketler genellikle VM uzmanları kadar karar alıcılar 

için de üretilmektedir. 

Güncel VM paketlerinin hemen hepsi her zaman şu 

istatistikî çözümleme yöntemlerini barındırır: 

- Karar ağacı tümevarımı (C4.5, CART, CHAID) 

- Kural Tümevarımı (AQ, CN2, Recon, vb.) 

- Kümeleme yöntemleri (olay bazlı karar alma) 

- İlişkilendirme kuralları (piyasa bazlı çözümleme) 

- Özellik çıkarımı, 

- Görselleştirme. 

Buna ek olarak, bazılarında şunlar bulunur: 

- Sinir ağları, 

- Bayezyen inanç ağları (grafik modeller) 

- Genetik algoritma, 

- Kendini örgütleyen haritalar, 

- Sinir-bulanık sistemler (Neuro-fuzzysystems) 

Bu paketlerin neredeyse hiçbirinde şunlar sunulmaz: 

- Hipotez testleri, 

- Deneysel tasarım, 

- Tepki düzeyi modelleme, 

- ANOVA, MANOVA vb., 

- Doğrusal regresyon, 

- Diskriminant analizi, 

- Lojistik regresyon, 

26 27 

- GLM, 

- Kanonik korelasyon, 

- Temel bileşenler analizi, 

- Faktör analizi. 

Bu son yöntemler, tabii ki, standart istatistik paketlerinin 

payandalarıdır. Demek ki, şu anda pazarlanmakta 

olan (ve kullanılan) neredeyse bütün VM paketleri 

istatistik alanı dışında geliştirilmiştir. Temel yöntemimiz 

büyük oranda göz ardı edilmiştir. 

3. Neden şimdi? Ne bu acele? 

Veriden öğrenme fikri uzun süredir masadaydı. O zaman 

şu soru sorulabilir: Neden VM bir anda bu kadar 

ilgi gördü? Temel neden Veri Tabanı Yöntemi alanının 

daha yeni işin içine girmesi. Veri Tabanı Yöntem 

Sistemler (VTYS), özellikle büyük boyutlarda, veri 

barındırır. Geleneksel VTYSleri, veri örgütlemesine 

yarayan bireysel kayıtların depolanması ve hızlı geri 

çağrılması olan, Çevrimiçi Hareket İşleme (Online 

Transaction Process, OLTP) üzerine yoğunlaşmış idi. 

Bordro, depo, fatura kayıtları vbgkayıtları tutmaktaydı. 

Veri Tabanı Yönetimi ile uğraşanlar, yenilerde “Karar 

desteği” için VTYS kullanmak ile ilgilenmeye başladılar. 

Karar Destek Sistemleri (KDS), OLTP uygulamaları 

için, toplanmış veri için istatistikî sorgulara 

(query) izin vermektedir. Örneğin, “Zincirimizdeki 

mağazalarda geçen ay kaç tane bebek bezi satıldı?” 

gibi. KDS “Veri Deposu” kurmayı gerektirir. Veri depoları 

bir kurumun farklı departmanlarında dağılmış 

veriyi, tek ve merkezî veri tabanına (çoğu zaman çok 

büyük, 100 GB) ortak bir biçimde birleştirir. Bazı durumlarda 

daha küçük alt-veri tabanları özel çözümlemeler 

için üretilir. Bunlara “Veri Pazarı (Data Marts) 

ismi verilir.


Karar Destek Sistemleri “çevrimiçi analitik proses 

(on-lineanalyticprocessing, OLAP) ve bağıl OLAP 

(Relative OLAP, ROLAP) için hazırlanır. ROLAP ise, 

çok boyutlu analiz içindir. ROLAP veri tabanları özelliklere 

(değişken) göre mantıksal sıralanmış ve boyuta 

göre örgütlenmiştir. Kavramsal çerçevesi “veri 

kübü”ne, çok boyutlu çapraz çizelgelere benzer. RO- 

LAP şu tipte sorguları cevaplayabilir: 

• Büyük Kaliforniya şehirlerindeki alışveriş merkez 

lerindeki dükkanların spor giyim bölümlerinde ilk 

bahar döneminde yapılan toplam satışları göster. 

• Bunu küçük şehirlerdeki ile karşılaştır. 

• Kâr oranı negatif olan ürünleri göster. 

ROLAP sorguları kullanıcı tarafından elle girilir. Kullanıcı 

muhtemel olarak ilgili soruları formüle eder. 

Sonuçlar yeni soruları, ve yeni sorular yeni sorguları 

doğurabilir. Bu çözümleme ilginç yeni bir soru kalmayıncaya 

ya da çözümleyici yoruluncaya, ya da mesai 

bitene kadar devam edebilir. VM, ROLAP ile yapılabilir 

ama bu (Parsaye’ye göre) “uyumayan ya da yaşlanmayan” 

sofistike bir kullanıcı gerektirir. Kullanıcı 

sürekli bilgi verici sorgular bulmalıdır. 

AKADEMİK 

VM, kullanıcıdan ancak kaba komutlar alan, kendi 

kendine otomatik olarak örüntüler arayan ve önemli 

kalemleri, tahminleri ya da anormallikleri gösteren, 

bir VM (yazılım) programı ile de yapılabilir. 

• Negatif kâr oranlı ürünlerin özellikleri nedir? 

• Bir ürünü piyasaya sürdüğümüzde, kâr marjı ne 

olabilir (tahmin)? 

• Kâr marjı doğruya yakın tahmin edilebilecek bü 

tün ürünlerin özelliklerini bul. 

Çok büyük veri tabanlarının hepsi (VeryLarge Data 

Bases, VLDB) ticarî değildir. Bilim ve mühendislik bu 

örneklerle doludur. Bunlar genel olarak bilgisayarlı 

otomatik veri toplamayla alakalıdır. 

• Astronomik (gökyüzü haritaları) 

• Meteorolojik (Hava kirliliği izleme istasyonları) 

• Uydu uzaktan algılama 

• Yüksek enerji fiziği 

• Endüstriyel proses kontrolü 

Bu çeşit veri de (prensip olarak) VM teknolojisinden 

faydalanabilir. 

VM üzerine odaklanan ilgi çeşitli faktörlerin bir araya 

gelmesi nedeniyledir. Ticarî veriler, depolar, bilim ve 

mühendislikteki bilgisayarlı otomatik veriler gibi çok 

büyük veri tabanlarının ortaya çıkması gibi. Bunlara, 

daha hızlı ve büyük bilgisayarların ve paralel mimari 

gibi bilgisayar teknolojisindeki gelişmeler eşlik etmektedir. 

Bütün bunlar büyük miktarda veriye hızlı 

erişim ve veri üzerinde hesap yoğun istatistikî yöntemler 

uygulanmasına izin verir. 

4. VM Entelektüel Bir Disiplin midir? 

VM’deki güncel ilgi, akademinin bazı sorular sormasına 

yol açmıştır. VM uygun bir ticarî girişim gibi 

görünse de, bir entelektüel disiplin olup olmadığı 

sorulabilir. Bilgisayar bilimindeki ilgili alanlarda daha 

önemli gelişmeler olmuştur. Bazıları şunlardır: 

• Toplam büyüklüklerin etkin hesaplaması (ROLAP) 

• Hızlı CUBE-BY (XxX) sorguları 

• Çevrimiçi sorguları hızlandırmak için (seçilmiş) 

çevrimdışı ön hesaplar 

• Çevrimiçi sorguların paralel hesaplaması 

• VM algoritmalarının VTYS’ne doğrudan arayüzle 

bağlanması 

• RAM tabanlı uygulamalara karşı sabit disk kullanı 

mı 

• Temel VM algoritmalarının paralel uygulamaları 

VM yönteminin istatistikî veri çözümlemesi perspektifinden 

entelektüel bir disiplin olup olmadığı 

sorulabilir. Şimdilik cevap şudur: Henüz değil. VM 

paketleri makine öğrenimi, örüntü tanıma, sinir ağları, 

ve veri görselleştirme gibi alanlardan iyi bilinen 

prosedürleri uygular. Grafik Arayüz (“bak ve hisset”) 

ve işlevselliğin varlığını vurgular. Performans önemli 

değil gözükmektedir (Cihazın içinde ne var?) Amaç 

pazarı hızlıca ele geçirmektir. Bu alandaki akademik 

çalışmalar daha çok, güncel makine öğrenimi ve var 

olan algoritmaların hızlandırılması için artımlı tadilat- 

lara odaklanmıştır. Yine de gelecekte verilebilecek 

cevap şudur: Şüphesiz evet!. 

Teknolojinin verimlilik anlamında her bir ona katlanışında, 

bunun nasıl uygulanacağı düşünülmelidir. Yürümekten, 

araba sürmeye, oradan uçmaya giden tarihsel 

gelişimi düşünün. Her artış kabaca on katlık bir 

artıştır. Yine de bu gibi her nicel artış ulaşım hakkında 

toplumumuzdaki fikirleri tamamen değiştirmiştir. 

Chuck Dickens’ın (SLAC Muhasebe Bölümü’nün eski 

Direktörü) dediği gibi: “Hesap gücümüz her on katına 

çıktığında, neyi nasıl hesaplamak istediğimizi yeniden 

düşünmeliyiz.” Bunun bir sonucu da şudur: Veri 

miktarındaki her on katlık artışta, nasıl çözümleme 

yaptığımızı yeniden düşünmeliyiz. Hem hesaplama 

gücü hem de veri miktarı kat be kat artarken, neredeyse 

VM araçlarının tamamı baştan icat edilmektedir. 

Yeni VM yöntemleri için entelektüel ve akademik 

(ve tabii ki ticarî) bir gelecek bekleyebiliriz. 

5. VM İstatistiğin bir parçası olmalı 

mıdır? 

VM yöntemindeki gelişimin entelektüel uygulanabilirliğini 

teslim etsek bile, bir disiplin olarak istatistiğin 

bununla beraber düşünülmesi gerekir mi? Bunu alanımızın 

bir parçacı olarak düşünebilir miyiz? Bu ne 

anlama gelmektedir? En azından yapılması gerekenler 

şunlardır: 

• Dergilerimizde bu konu ile ilgili makaleler yayınla 

malı, 

• Lisans programlarımzıda VM pratiğini öğretmeli, 

• Yüksek lisans programlarımızda ilgili araştırma 

konularını öğretmeli, 

• Alanın uzmanlarını tanımalıyız (iş, kadro ve ödül 

ler). 

Cevap gene de açık değildir. Bir alan olarak istatistiğin 

uzun tarihinin, diğer veri ile ilgili alanlarda geliştirilen 

faydalı yöntemleri göz ardı ederek, bir kataloğu 

yapılabilir. Bunlardan bazıları ilgili alanları ile birlikte 

aşağıda listelenmiştir. Yanında * olanlar, çoğu zaman 

alanımızda göz ardı edilmiştir: 

28 29


• Örüntü Tanıma* - Bilgisayar bilimleri / Mühendis 

lik, 

• Veri Tabanı Yönetimi - Bilgisayar bilimleri / Kütüp 

hanecilik, 

• Sinir Ağları* - Psikoloji / Bilgisayar bilimleri / Mü 

hendislik, 

• Makine Öğrenimi* - Bilgisayar bilimleri / Yapay 

Zekâ, 

• Grafik Modelleme (Bayes Ağları)* - Bilgisayar bi 

limleri / Yapay Zekâ, 

• Genetik Programlama - Bilgisayar bilimleri / Mü 

hendislik, 

• Kemometrik* - Kimya, 

• Veri Görselleştirme** - Bilgisayar bilimleri / Bilim 

sel Hesaplama 

Şüphesiz ki istatistikçiler tekil olarak bu alanlara katkı 

yapmıştır ama yine de bu alanların (en azından coşkuyla 

karşılanma) kucaklanmadığı söylenebilir. 

6. İstatistik Nedir? 

Yukarıdaki başlıkların her biri veriden öğrenmeye 

dayandığından, neden bizim alanımızın bunların bu 

kadar dışında kaldığını sorgulamak doğaldır. Sıkça 

yapılan açıklama şudur: Çünkü bu istatistik değil. 

Eğer bir başlığın bizim disiplinimizin bir parçası sayılması 

için veri ile ilgili olması yeterli değilse, başka 

hangi özellikler gereklidir? Şu ana kadar cevap, istatistiğin 

bir araçlar kümesi olarak, özellikle yüksek 

lisans programlarımızda öğretilenlerden bir küme, 

tanımlanmasıdır. Bazı örnekler şunlardır: 

• Olasılık kuramı, 

• Reel Analiz, 

• Ölçü kuramı (measuretheory), 

• Asimtotlar, 

• Karar kuramı, 

• Markov zincirleri, 

• Vido sistemleri, 

• Ergodik kuramı vs. 

AKADEMİK 

İstatistik alanı bu ve benzeri araçlarla cevaplanabilecek 

sorular kümesi olarak tanımlanabilir. Bu araçların 

işimize yaradığı açıktır. Brad Efron’un dediği gibi: 

“İstatistik en başarılı bilgi bilimi olmuştur.” 

“İstatistiği göz ardı edenler onu yeniden keşfetmeye 

mahkumdurlar.” 

Bir başka görüş de şudur: veri miktarı (ve ilgili uygulamalar) 

katlanarak artmaya devam ederken, 

istatistikçilerin sayısı aynı nispette artmamaktadır. 

Dolayısıyla bizim alanımızın en iyi yapageldiğimiz 

bilgi biliminin küçük bir kısmı ile, matematiğe dayalı 

olasılıksal çıkarsama ile yetinmesi gerekmektedir. 

Bu, bizim için en iyi konum olabilecek, oldukça savunmacı 

bir bakış açısıdır. Bununla beraber, bu strateji 

izlendiğinde istatistikçilerin “bilgi devrimi”nde bir 

oyuncu olarak işgal ettikleri yer, zaman içinde yok 

olacaktır. Gerçi böyle bir stratejinin var olan pratiklerimiz 

ve akademik programlarımızı değiştirmemek 

gibi güçlü bir avantajı da vardır. 

1962 gibi erken bir tarihte John Tukey tarafından savunulan 

bir başka görüş daha vardır. Tukey (1962) 

istatistiğin veri çözümlemesi ile ilgilenmesi gerektiğini 

belirtmiştir. Ona göre alan veri ile ilgili bir araçlar 

kümesiyle değil de, diğer alanlarda olduğu gibi problemler 

kümesi şeklinde tanımlanmalıdır. Böyle bir 

bakış açısının hakim görüş haline gelmesi için, hem 

pratiklerimizde hem de akademik programlarımızda 

büyük değişiklikler yapmalıyız. 

Her şeyin başında, programlama ile barışmamız gerekir. 

Verinin bulunduğu yer burasıdır desek yeridir. 

Programlama şimdiye kadar istatistiği tanımlamış 

araç kümesi içindeki en bariz eksikliktir. Eğer programlama 

yöntemini doğuşundan itibaren (var olan 

araçlarımızı uyguladığımız uygun bir mecra olarak 

değil de) temel bir istatistikî araç olarak kapsayabilseydik, 

diğer veri ile ilgili alanların ortaya çıkmasına 

gerek kalmazdı.Bu alanlar, bizimkinin bir parçası 

olurdu. 

Programlamayla ilgilenmeye başlamak, basitçe 

istatistikî paketlere aşina olmak demek değildir. Gerçi 

bu da gereklidir. Eğer programlama temel araştırma 

araçlarımızdan biri haline gelecekse, öğrencilerimize 

bunu öğretmeli ve onların ilgili Bilgisayar Bilim 

konularını öğrendiğinden emin olmalıyız. Bunlardan 

bazıları, sayısal doğrusal cebir, sayısal ve kombinasyonalenuygunlaştırma 

(optimization), veri yapıları, 

algoritma tasarımı, makine mimarisi, programlama 

yöntembilimi, veri tabanı yönetimi, paralel mimari ve 

programlama vb.’dir. Ayrıca, çoğu alanımız dışında 

geliştirilmiş güncel bilgisayara dayalı veri çözümleme 

yöntemlerini de ders programlarımıza eklemeliyiz. 

Eğer akademik (ve ticarî) piyasadaki diğer veri ile 

ilgili alanlarla rekabet edeceksek, bazı temel paradigmalarımızın 

yeniden düzenlenmesi gerekmektedir. 

Matematikle olan romansımızı yumuşatmalıyız. 

Matematik (programlama gibi) bir araçtır. Güçlü bir 

araçtır ama istatistikî yöntemleri gerçekleştirmek 

için tek araç değildir. Ne matematik kuramın kendisidir, 

ne de kuram matematiktir. Kuramlar kavrayışı- 

mızı arttırmak için vardır ve,ne kadar değerli olursa 

olsun, matematik bunun tek yolu değildir. örneğin 

hastalıkları (özünde) bakterilerle açıklayan kuram barındırdığı 

matematiksel içeriğin azlığına karşın tıbbî 

olgusallığın büyük bir bölümünde dikkate değer bir 

kavrayış gücü sağlar. Ampirik sağlamanın zorunlu 

olarak kısıtlı da olsa (ki matematik de böyledir) bir 

sağlama yolu olduğunu kabul etmemiz gerekir. 

Kültürümüzü de değiştirmeliyiz. Diğer veri ile ilgili 

alanlarda çalışan her istatistikçi, istatislikle aradaki 

“kültür farkı” karşısında hayrete düşüyor. Bu diğer 

alanlarda “geçer akçe” matematiksel tekniklerden 

ziyade fikirler olma eğiliminde. Motivasyonu sezgisel 

olan fikirler ilk olarak sezgisel önermeler üzerinden 

değerlendirilir. Nihaî yargılar ise daha kapsamlı bir 

(ampirik ya da kuramsal) değerlendirme mümkün 

olana kadar ertelenir. Paradigmalar “aksi kanıtlanana 

kadar masumdur”. Bizim alanımızda bunun 

tersi geçerlidir. Geçmişte, (mümkünse kaliteli) matematikle 

tamamen sağlaması yapılmadığı sürece, 

yeni metodolojileri “aşağılar” ya da en iyi ihtimalle 

30 31


kullanmayı reddederdik. Yıllar önce, bütün veri kümeleri 

küçükken ve veri içindeki gürültü büyükken, 

bu mantıksız değildi. Günümüzde ise, güncel veri 

çözümlemesi bağlamında, bu daha uygun bir strateji 

değildir. Özellikle, iyi çalışır gözüken ama başarısının 

ardındaki sebeplerini daha kavrayamadığımız (özellikle 

dışımızdaki disiplinlerdeki) gelişmeleri küçümseme 

eğilimimizi terketmeliyiz. 

7. Yapılacaklar 

Belki de istatistik hiç olmadığı kadar yolların birleştiği 

noktadadır. Ya bu değişime uyum göstereceğiz ya 

da ona direneceğiz. Yukarıda belirtildiği gibi iki bakış 

açısı için de geçerli sebepler mevcuttur. Ortalık fikirden 

geçilmiyor ama hiç kimse alanımızın sağlığı ve 

uygulanabilirliği için hangi stratejinin daha iyi olduğunu 

bilmiyor. İstatistikçilerin bir çoğu istatistiğin bilgi 

bilimleri içinde giderek görece etkisizleştiğini kabul 

ediyor görünüyor. Eğer mümkünse bile, bunun için 

ne yapılabileceği konusunda daha az fikir birliği vardır. 

Hakim görüş bir pazarlama sorunumuz olduğu, 

ve müşterilerimizin ve diğer disiplinlerdeki akademsi- 

AKADEMİK 

yenlerin değerimizi ve önemimizi anlamadığıdır. Ana 

meslekî örgütümüz olan American Statistical Association 

(Amerika İstatistik Kurumu), bu perspektife 

sahip görünmektedir. Stratejik Planlama Komitesi 

(Şubat 1997) tarafından açıklanan beş yıllık planda 

“Disiplinimizin saygınlığı ve sağlığını geliştirmek” adlı 

bir başlık bulunmaktadır. 3 temel yaklaşım tavsiye 

edilmektedir. 

• Siyasî konulara aktif müdahale, 

• Federal kurumlarla ilişki kurma, 

• lköğretimde istatistiğin teşvik edilmesi. 

Bunlar önemli ve değerli önerilerdir ve dinamik bir 

şekilde uygulanmalıdır. Bununla beraber, burada 

gömülü varsayım, câri ürünlerimizin iyi olduğu ama 

tek meselenin pazarlama olduğudur. Eğer istatistiğin 

yaşamsal önemi haiz bir bilgi bilimi olması isteniyorsa, 

alanımızda, günümüzün ve geleceğin yeni veri 

çözümleme zorlukları ile baş edecek innovasyon ve 

değişim ikliminin yeşertilmesi için önerilerde de bulunmalıyız. 

Bazı istatistikçiler ise, geçmişte bize hizmet etmiş 

prosedürler ve ilkelerden, belki de çok hızlı bir şekilde, 

uzaklaştığımızı ve bakış açımızı çok hızlı değiştirdiğimizi 

savunuyor. Bu doğru olabilir ama kesin böyledir 

denemez. Bir karşı örnek olarak Journal of the 

American Statistical Association dergisine verilmiş 

güncel (1997) editöryel bir cevabı ele alalım. 

“Kullandığınız prosedür için kuramsal kanıtınızın olmaması 

beni rahatsız etti. JASA geçmişte sadece 

simülasyona dayalı makeleler yayınlamış olsa da, bu 

uygun bulduğum bir pratik değildir. Sizin prosedürünüz 

için, asimtotik MSE ya da tutarlılık ve asimtotiknormalite 

analizleri yapılmalı.” 

Burada ortaya koyduğumuz JASA editörlerine bir 

eleştiri (ya da bir övgü) değildir. Dergi sayfaları “kıt 

kaynak”lardandır ve okurlarının en çok ilgisini çekecek 

çalışmaları yayınlamaları zorunludur. Yine de bu 

örnek, alanımızda matematiksel sağlamanın geri çekilmediğini 

göstermektedir. 

VM gibi yeni alanlarda, diğer bilgi bilimleriyle rekabet 

edip etmeyeceğimiz konusunda bir kaç konuya değinilebilir. 

BrianJoiner’ın dediği gibi “İstatistiğin varlığı 

Tanrı kelamına bağlı değildir.” Matematik, fizik, 

kimya ve biyoloji bölümleri olmayan bir dünya hayal 

edilemez. Ama istatistik bölümlerinin gerekli olup 

olmadığı hep bir tartışma konusu olmuştur. Faydalı 

yöntemler üretebildiğimiz sürece büyüyebiliyoruz. 

Diğer alanlardaki veri çözümlemesi ile ilgili teknikler 

egemen olmaya başladıkça, bu bizim alanımızda bir 

sorun yaratacaktır. 

Artık oyundaki tek oyuncu değiliz. Günümüze kadar, 

eğer biri veri çözümlemesine ilgi duyuyorsa; İstatistik 

yönelebileceği (uzaktan bile olsa) çok az uygun 

alandan biriydi. Artık durum bu değildir. Artık bizimle 

müşteriler, öğrenciler, sektör ve biz istatikçiler için 

rekabet eden heyecan verici yeni alanlar var. Yeni 

bir yöntem için bir piyasa oluşuyorsa, bu bizimle de 

bizsiz de yapılabilir. İnkâr etmek bunu değiştirmez. 

Diğer alanlar, ilgili ders programları, coşkulu araştırma 

projeleri ve mezuniyet sonrası yerleştirme 

becerileriyle, en parlak öğrenciler için bize rakipler. 

Önde gelen bazı istatistikçilerimiz bu diğer alanların 

kucakladığı problemler üzerine araştırma yapmaya 

yöneliyor ve onların dergilerinde çalışmalarını yayınlıyor. 

Öğrencilerin ve araştırmacıların bu “beyin 

göçü” disiplinimizin gelecekteki sağlığına en önemli 

tehdittir. 

İstatistikçiler ve veri madencileri bir araya gelip veri 

çözümlemenin gelecekteki meseleleriyle mücadele 

edeceklerse, VM paradigmalarının da değişmesi gerekmektedir. 

VM topluluğu "büyük”e olan romantik 

bakışını değiştirmelidir. Yürürlükte olan bir çözümleme 

gigabitleri, terabitleri içermiyorsa, değerli olamayacağı 

yönde ilerliyordur. 1977 Dallas Konferansı’na 

kadar giden, sunumlardaki beylik bir ifade “benim 

veri kümem seninkinden büyük” olmuştur. Sanki 

toplanmış bütün veriler bir çözümlemenin her kısmında 

kullanılmalı diye bir zorunluluk vardır. Bu büyüklükte 

veri ile eşzamanlı baş edemeyen karmaşık 

prosedürler VM’nin ilgi alanına girmemektedir. 

Çoğu VM uygulaması rutin olarak, bizim geleneksel 

istatistikî prosedürlerde kullanageldiğimizden 

(kilobit) büyük veri setlerine ihtiyaç duyar. Bununla 

beraber, veriye sorulan sorular verinin tümü (giga 

veya terabit) gerekmeksizin yeterli dakiklikte cevaplanabilir. 

İstatistikte uzun bir geleneği olan örneklem 

yöntemleri hesaplama ihtiyacını artırmadan doğruluğu 

artırmak için kârlı bir şekilde kullanılabilir. Verinin 

bir altkümesi üzerinde çalışan güçlü hesap yoğun 

prosedürler de, bütün veri üzerinde çalışan daha az 

karmaşık prosedürlerden daha fazla doğruluk sağlayabilir. 

32 33 

8. Sonuç 

VM, diğer veri ile ilgili alanlar yanında yeni yeni gelişen 

kökenleri istatistiğin dışında olan bir disiplindir 

(5. Bölüm). Bu durumda bu Veri Tabanı Yönetimi 

topluluğudur. Bir çok bakımdan bu alan (VM) ele aldığı 

konular bakımından istatistiğe en yakın olandır. 

Bir disiplin olarak istatistiğin VM’yi bir altdisiplin olarak 

kucaklaması ya da onu Bilgisayar bilimlerine bırakması 

tartışması hâlâ açıktır. Bu yazının amacı bu 

tartışmayı buraya taşımaktır. Geçen yıllar içinde bu 

tartışma alanımızın iki önsezisi kuvvetli kişisi tarafından 

yürütüldü. 1962 Annals of Statistics makalesiyle 

John Tukey ve 1977 Dallas Konferansı sunumuyla 

Leo Beriman. Bu konferansın üzerinden 20 yıl geçti. 

Bir kez daha, diğer bilgi bilimleri arasındaki yerimizi 

gözden geçirme fırsatına sahibiz. VM topluluğu kapıyı 

aralık bırakıyor. Yıllık newport Beach Kaliforniya’daki 

KDD-97 toplantılarını, istatistikçilerin katılımını teşvik 

etmek için, Anaheim toplantısının hemen sonrasına 

koydular. Veri çözümlemede istatistikî düşünmenin 

önemini takdir ediyorlar. Şimdi sıra bizde. 

Referanslar 

TukeyJ W (1962) Thefutureof data analysis -AnnStatist1-67


Erdal Coşgun 

Danışman: Prof. Dr. Ergun Karaağaoğlu 

Hacettepe Üniversitesi Tıp Fakültesi 

Biyoistatistik Anabilim Dalı 

AKADEMİK 

Veri Madenciliği ve 

Yeni Nesil Yöntemleri 

1. Giriş 

Veri 

Madenciliği 

(VM) 

VM verilerden üstü 

kapalı, çok net olmayan, 

önceden bilinmeyen 

ancak potansiyel 

olarak kullanışlı 

bilgi ve örüntülerin 

çıkarılması olarak tanımlanmaktadır.Bunun 

yanı sıra bilişim 

teknolojisinin gelişmesiyle 

birlikte hızlı 

ve yoğun şekilde kayıt 

altına alınabilen veri yığınlarını aktif bir şekilde kullanmak 

için “veri madenciliği” yöntemlerinin kullanılması 

gerekmektedir. Bu yöntem grubunun en önemli 

avantajı, mevcut kaynakların hızlı ve efektif şekilde 

kullanılmasına olanak tanımasıdır. Sağlık,ekonomi, 

siyaset ve finans alanındaki çalışmalarda birçok uygulaması 

mevcuttur. [1,2,5,16-19,27,28] 

Veri madenciliği analizlerinin aynı istatistik analizlerde 

olduğu gibi bir analiz akışı vardır. (Şekil.1) Bu 

adımlardan en önemlisi veri ön-işlemedir.VM sürecinin 

ortalama olarak %70’i bu aşamadan oluşmaktadır. 

Aykırı, yanlış kaydedilmiş, tutarsız veriler ile elde 

edilecek VM modelleri ile karar vermek çok risklidir. 

Çünkü VM modelleri karar vericilerin en büyük yardımıcısıhaline 

gelmiştir. Kimi zaman hastalara uygulanacak 

tedaviler, kimi zaman bir işletmenin yatırım 

kararları bu sonuçlara göre şekillenmektedir. Ön iş- 

Şekil 1.VM Analiz Akış Şeması 

leme yapılmış veriler 

hazırlandıktan sonra 

sıra uygun genelleştirme 

yöntemlerinin 

(çapraz geçerlilik, 

bootstrap) seçimindedir. 

Bu aşamanın 

temel amacı, “tek 

bir analiz” sonucu ile 

karar vermek yerine 

elde edilen modelin 

daha farklı senaryorlarda 

nasıl sonuç 

vereceğini göstermektir. 

Yöntem seçimi ise üç temel başlıkta toplanır. Bunlar 

tanımlayıcı, danışmanlı ve danışmansız yöntemlerdir. 

Eğer amaç sadece veri yığının mevcut durumunu belirlemek, 

ortak yönleri, birlikte değişimleri incelemek 

ise birliktelik kuralları tercih edilmektedir. Daha ileri 

analizler (sınıflama, kümeleme) için ise danışmanlı 

ve danışmansız öğrenme yöntemleri tercih edil- 

melidir. Çalışmaya katılan bireylere ait etiket (sınıf) 

değerinin bilinmesi durumuna Danışmanlı Öğrenme 

(Supervised Learning) denir. Örneğin: Hasta / Hasta 

değil bilgisi biliniyorsa algoritma sınıflamayı sağlayacak 

modeli daha gerçekçi ve yansız şekilde kestirebilir. 

Bu bilgi yoksa aynen kümeleme analizlerinde 

olduğu gibi uzaklık (benzemezlik) ölçülerini kullanarak 

tamamen matematiksel tahminler yapılıyorsa 

bu yaklaşıma Danışmansız Öğrenme (Unsupervised 

Learning) denir. 

2. Veri Madenciliği Alt Analiz Grupları 

2.1. Tanımlayıcı Veri Madenciliği 

Birliktelik Kuralları: 

Bu yöntemin asıl çıkış noktası “market sepeti 

analizi”dir. Asıl amaç marketlerde satılan ürünler için 

ilginç ama önemli birliktelikleri ortaya çıkarmaktır. 

Birliktelik kurallarının özellikle de apriori algoritmasının 

bulmaya çalıştığı ilginç kuralları örneklendirirken 

şu örnekçok sık kullanılır. 

“Bebek bezi alan bir kişinin bira alması olasılığı nedir?” 

if bebek bezi then bira 

Başlangıç Sonuç 

Apriori iki temel kısımdan oluşur “başlangıç” ve 

“sonuç” kısımları. Başlangıç kısmı kurallarda hangi 

önsel olayın gerçekleştiğini, sonuç ise hangi durum 

hakkında bir tanımlama yapılacağını belirtmektedir. 

Bir veri setinden yüzlerce kural çıkarılabilir. Birliktelik 

kurallarında analiz performansı, hangi kuralın daha 

geçerli olduğu aşağıdaki kriterler ile yapılır: 

a) Destek (Support): İlgilenilen “başlangıç”ve “sonuç” 

değişkenlerin her ikisinin birlikte meydana 

gelme olasılığıdır. 

b) Güven (Confidence): “başlangıç” özelliğinin gerçekleşmesinden 

sonra “sonuç” özelliğinin gerçekleşmesi 

olasılığıdır. 

c) Lift: ‘’başlangıç” değişkeninin “sonuç” değişkenini 

hangi yönde (+,-) ve oranda [-1;1] etkilediğini 

gösterir. 

Bu kriterler dışında leverage, coverage gibi sık rastlanmayan 

olaylara sahip veri setlerinde kullanılan 

ölçüler de mevcuttur. [25] 

2.2. Danışmanlı Öğrenme Yöntemleri 

Danışmanlı öğrenme yöntemleri genel olarak 

“kestirim-sınıflama” yöntemleri ile aynı anlamda kullanılır. 

Bu çalışmada veri madenciliğinde artık klasik 

yöntemler arasına giren “karar ağaçları,yapay sinir 

ağları, lojistik regresyon” gibi yöntemlerin dışında 

son yıllarda kullanımı giderek artan bazı yöntemler 

tanımlanmıştır. [4,24] 

2.2.1. Random Forest (RF) 

Yüksek boyutlu verilerinde tek bir karar ağacı algoritmasından 

çok daha başarılı sonuçlar alındığı ispatlanmıştır. 

[1,2,20] RF birçok (binlerce) karar ağacından 

meydana gelen bir yapıdır. Bu analiz sırasında 

RF’ deki her bir ağaç için bootstrap yöntemi ile veri 

setinden örneklem seçilir ve seçilen verilerin 2/3’ü 

ağaç oluşturmak için kullanılır ve bir sınıflama yapar. 

Bu sınıflamalar “oy (vote)” alır. RF algoritması ise 

“forest” içindeki tüm ağaçlardan en çok oy alanı seçer 

ve onun sınıflamasını kullanır. 

RF’nin bazı avantajları ise şu şekildedir: 

1) RF’ de aşırı uyum olmaz. 

2) İstediğiniz kadar ağaç türetebilirsiniz. 

3) Hızlı bir algoritmadır. 

4) Elde edilen RF diğer veri setlerinde kullanılmak 

üzere saklanabilir. 

5) Eksik veri analizlerinde çok etkili bir metottur, 

doğru sınıflama oranı eksik veriler olsa da devam 

eder. 

6) Binlerce değişken herhangi bir eleme yapmadan 

kullanılabilir. 

2.2.2. Destek Vektör Makinası (SVM) 

Büyük boyutlu verilerde en önemli sorun doğrusal 

olarak ayrılamamasıdır.Klasik istatistiksel yöntemlerin 

de en büyük dezavantajı bu noktadır. Veri ma- 

34 35


denciliği mantığı kapsamında geliştirilen en önemli 

yöntem Destek vektör makinası (SVM)’dir. Kullandığı 

çekirdek fonksiyonlar sayesinde değişkenler/ 

bireyler arasındaki ilişkileri anlaşılabilir hale getirir. 

Bunu şu şekilde yapar: doğrusal olarak sınıflanabilen 

verileri birbirinden ayırt edebilmek için olası pek 

çok doğrusal fonksiyon içerisinden marjini en büyük 

olanı belirler. Herhangi bir şekilde doğrusal olarak 

sınıflanamayan verileri daha yüksek boyutlu uzaya 

aktarır ve marjini en büyük olan hiper-düzlemleri bulur. 

Veriler bu ayırt edici hiper-düzleme göre sınıflara 

atanır. (Şekil-2) Buna ek olarak, veri setine yeni giren 

verilerin hangi sınıfta olduğu da kestirilebilir. Verileri 

çok boyutlu uzayda kategorilere ayırmak için farklı 

çekirdek fonksiyonlar kullanılabilir. En sık kullanılan 

çekirdek fonksiyonları: doğrusal, çokterimli, radyal 

temel fonksiyonu (RTF) ve sigmoid’tir. [4,22] 

Şekil.2 :Destek Vektör Makinası Algoritması Problem Çözümü 

2.2.3. RelevanceVector Machine (RVM) 

RVM, Bayesyençıkarsama mantığını kullanan sınıflama 

ve regresyonda hassas sonuçlar veren bir “makina 

öğrenmesi” yöntemidir. Bayes kuralı şu şekilde 

ifade edilir: 

AKADEMİK 

SVM ile benzer bir yaklaşıma sahiptir. (Çekirdek kullanımı, 

parametre optimizasyonu vb.) Tek farkı olasılıksal 

yaklaşımı kullanmasıdır. Kovaryans fonksiyon 

olarak: 

kullanır. Ф is the çekirdek fonksiyondur. x’ler eğitim 

veri setindeki bağımsız değişkenlerdir. RVM, SVM 

de çapraz geçerlilik, bootstrap gibi yöntemlerle yapılan 

parametre optimizasyonlarını EM yaklaşımını 

kullanarak yapar. 

2.3. Sınıflama Analizleri Performans 

Karşılaştırma Ölçüleri 

a. ROC eğrisi altında kalan (AUC: Area Under ROC 

Curve) 

ROC eğrisi bir tanı testine ilişkin duyarlık ve seçicilik 

değerleri arasındaki ilişkiyi grafiksel olarak 

gösterir. ROC eğrisi yanlış pozitif orana (duyarlılık) 

karşın doğru pozitif oranların (1-seçicilik) noktalanarak 

çizilmesiyle elde edilir. [21,22] Bu eğrinin 

altında kalan alanın hesaplanmasıyla AUC elde 

edilir. 

b. Matthews Korelasyon Katsayısı : VM`de iki sınıflı 

sınıflama problemlerinde model kalitesini belirten 

bir ölçüdür. En önemli özelliği sınıflardaki kişi sayıları 

dengesiz olduğunda diğer kriterlere göre daha 

doğru sonuç vermesidir. [-1 ile 1] arasında değerler 

alır. 1 en iyi tahmini, 0 şansa bağlı bir tahmin 

yapıldığını, -1 ise ters tahmin yapıldığını belirtir. 

Ki-Kare istatistiği ile ilişkilidir. n çalışmadaki kişi 

sayısını belirtirken: 

MKK= 

Ayrıca 2x2 tahmin tablosundan da şu şekilde elde 

edilebilir. 

c. Brier Skor: İki durumlu sınıflama problemlerinde 

(Hasta- Sağlıklı) VM yöntemleri ile yapılan sınıf 

tahmin olasılıklarının doğruluğunu test etmek için 

kullanılan bir ölçüdür. [0-1] arasında değişen değerler 

alır. 

d. Doğruluk (Accuracy) = (DP+DN) /(P+N) 

e. Recall (Duyarlılık)= DP / (DP+YN) 

f. Pozitif Tahmin Değeri (Precision) = DP/(DP+YP) 

g. F-Ölçüsü=(Precision*Recall) / 

(Precision+Recall) 

DP: Doğru pozitif, YN: Yanlış pozitif, YP: Yanlış 

pozitif, DN: Doğru negatif 

2.4. Danışmansız Öğrenme Yöntemleri 

2.4.1. KohonenMap Kümeleme Yöntemi 

Kohonen Map, Self Organizing Map, olarak da bilinen, 

kümeleme amaçlı kullanılan, yapay sinir ağı çeşididir. 

Analizde temel nokta ‘nöron’lardır. Ve bu nöronlar 

iki tabakadan oluşur: Girdi ve Çıktı Nöron’lar. 

Tüm Girdi Nöronlar, çıktı Nöron’lar ile bağlıdır. Bu 

bağlar, “Güç” veya “Ağırlık” olarak adlandırılan ölçülerle 

ifade edilir. Algoritma çalıştığında çıktı nöronlar, 

en çok veriyi kendilerine bağlamak için yarışırlar.“ 

Çıktı haritası”, Nöron’ların iki boyutlu, birbirleriyle ilişkisiz 

grid yapısında, o görünüme sahip bir haritasıdır. 

Herhangi bir hedef değişkene ihtiyaç duymamasından 

dolayı, danışmansız öğrenme tekniklerindendir. 

[4,5] Algoritma, öncelikle tüm girdi nöron’lar için, 

çıktı nöron’lara rastgele olarak ağırlıklar atar. Ve en 

güçlü ağırlığa göre verileri çıktı nöronlara atar. Analiz 

sonunda, benzer veriler grid üzerinde aynı yerde, 

farklı olanlar ise, uzak gridlere ayrılır. 

2.4.2. K-Medoid 

Veri kümesinde kmedoid bularak, bu k medoide olan 

uzaklıklarına göre toplamdaki n noktayı kümelemeye 

çalışan bir yaklaşımdır. Medoidi tanımlamak gerekirse: 

herhangi bir kümedeki tüm elemanlara olan 

ortalama uzaklığı (benzemezlik ölçüsü) en küçük 

olan küme elemanıdır. K-Medoid, tutarsızlık, aykırı 

gözlem olan verilerde daha iyi sonuçlar vermektedir. 

Ayrıca matematiksel olarak bu yöntemin daha 

iyi sonuç vermesinin sebebi: Öklit uzaklıkları kareleri 

toplamını değil, benzemezlik değerlerinin toplamını 

en aza indirmesidir. Medoidler düzensizliklerin ve uç 

değerlerin varlığında küme merkezlerine göre daha 

az etkilenmektedirler. Partitioning Around Medoids 

(PAM) en çok bilinen ve kullanılan algoritmasıdır. 

[23] 

NOT:Klasik istatistiksel yöntemlerden K-Ortalamalar 

mı? Yoksa K-Medoid mi? daha güçlü? K-medoids 

daha güçlü çünkü aykırı değerlerden etkilenmez fakat 

uygulaması daha zor. Küçük veri setlerinde daha 

iyi sonuç verir.İki metot da belirli bir k değerinin olmasına 

ihtiyaç duyar. 

2.5. Veri Madenciliği Boyut İndirgeme 

2.5.1. Bağımsız Bileşenler Analizi (BBA) 

BBA, rastgele değişken, ölçüm ya da sinyalleri göz 

önüne alarak, veri setlerindeki gizli faktörleri ortaya 

çıkarmayı hedefleyen istatistiksel bir tekniktir. Genel 

olarak büyük veri setlerinde, birden çok değişken 

yardımıyla model oluşturmaya odaklanır. Modelde, 

değişkenler bir araya gelerek gizli faktörleri ortaya 

çıkarırlar. Gizli faktörler için en önemli varsayım, 

normal dağılım göstermemesi ve birbirlerinden tamamen 

bağımsız olmalarıdır. BBA’nın, Temel Bileşenler 

Analizi (TBA) ve Faktör analizi (FA) ile ortak 

yönleri bulunmaktadır. Ancak özellikle veri setinin 

büyümesiyle BBA, gizli faktörleri ortaya çıkarmada 

daha etkili sonuçlar vermektedir. BBA sayesinde 

çok boyutlu verilerde, boyut indirgemesi yapılarak, 

daha etkili analizler yapılmaktadır. BBA’ni açıklarken 

verilebilecek en iyi örnek “Kokteyl Parti Problemi”dir. 

Bir kokteylde birçok ses vardır. ( müzik, dışarıdan gelen 

ses, insanların sesleri). Eğer iki kişinin sesi diğer 

seslerden ayırt edilmek istenirse, en az iki mikrofon, 

kişilere eşit mesafeye yerleştirilir. Daha sonra her bir 

mikrofondan gelen sesler birer model olarak analiz 

edilir. Her modelde iki değişken olmak üzere, faktörler 

ortaya çıkarılır. 

36 37


3. Genelleştirme Yöntemleri 

3.1. Bootstrap: 

Bootstrap yöntemi standart sapma, güven aralığı 

gibi istatistiklerde ve parametrik olmayan tahmin 

problemlerinde kullanılan basit ve güvenilir bir metottur. 

Bu yöntem belirli bir veri seti içinden, yerine 

koyarak tekrar örneklem çekme temeline dayanır. 

Herhangi büyüklükteki bir veri setinde gözlemlerin 

şansa bağlı olarak yer değiştirilerek yeniden örneklenmesi 

ile çeşitli miktarda ve büyüklükte veri setleri 

oluşturulabilmektedir. Böylece mevcut veri setinden 

mümkün olabildiğince fazla miktarda bilgi alınabilmektedir. 

3.2. Çapraz Geçerlilik: 

Veri setlerinde olgu sayısının orta düzeyde (en az 50) 

olduğu deney düzenlerinde kullanışlı bir genelleştirme 

aracıdır.[11,12] Genel olarak '10-parça çapraz 

geçerlilik' yöntemi tercih edilmektedir. Bu yöntemde 

veri kümesi rastgele on eşit parçaya ayrılır. İlk 

aşamada birinci parça test veri seti olarak bırakılır, 

geriye kalan dokuz parça eğitim seti olarak kullanılır. 

İkinci aşamada ise ikinci parça test veri seti olarak 

kullanılır, geriye kalan dokuz parça ile model bulunmaya 

çalışılır. Bu süreç on parça ayrı, ayrı test seti 

olarak kullanılıncaya kadar devam eder. 

4. Kullanılan Analiz Araçları 

Veriler uygun veri tabanlarındadepolandıktan sonra 

araştırıcıların karşılaştıkları en önemli sorun hangi 

analiz aracını kullanacaklarını tercih edememeleridir. 

Araştırıcıların aldıkları eğitimi, alışkanlıklarını 

göz önüne alarak yapılması gereken bu tercihte iki 

önemli faktör rol almaktadır. Bunlar: 1) Kod tabanlı, 

herhangi bir arayüze sahip olmayan yazılımlar: [R], 

2)Kullanıcı ara yüzüne sahip, analiz kodlamalarının 

hazır olduğu yazılımlar [WEKA, ORANGE] 

Bu çalışma kapsamında her iki gruba ait yazılımlardan 

örnekler verilmiştir. 

4.1. [R] 

R, VM çalışan her araştırmacı için standart olan, açık 

AKADEMİK 

kaynak kodlu ve ücretsiz bir yazılımdır. R programının 

mantığı her analiz için kullanılabilecek `analiz paketlerine` 

sahip olmasıdır. Kullanıcılar yapmak istedikleri 

analize ait paketi indirdikten sonra ilgili paketin 

kullanım kılavuzuna göre analizlere devam ederler. 

Bu programa ait tüm bilgiye bu bağlantıdan http:// 

www.r-project.org/, yöntemlerin paketlerine ait tam 

listeye ise bu bağlantıdan ulaşılabilir: http://cran.rproject.org/src/contrib/PACKAGES.html. 

[24] 

4.2. WEKA 

VM çalışmalarında kullanılan bir diğer açık kaynak 

kodlu ve ücretsiz program WEKA’dır. [27] 

WEKA`nın en önemli avantajı Java dilinde yazılmış 

olmasıdır. Bu nedenle hemen, hemen tüm işletim 

sistemlerinde (Linux, Mac,Sun,Windows) çalışabilmektedir. 

WEKA çok zengin bir içeriğe sahiptir. Bu 

çalışma kapsamında da bahsedilen `danışmanlı ve 

danışmansız öğrenme teknikleri, kümeleme, birliktelik 

kuralları gibi birçok yönteme ait paketlere sahiptir. 

(http://www.cs.waikato.ac.nz/ml/weka) [24] 

4.3. ORANGE 

Ücretsiz şekilde ulaşılabilen bir diğer yazılım da 

ORANGE`dır. (Demsar et al., 2004) ORANGE’ı diğer 

yazılımlardan ayıran en önemli nokta görsel bir analiz 

penceresine sahip olmasıdır. Yöntemler ve araçlar 

küçük ‘ikonlar’ halindedir. Kullanıcılar yapmak istedikleri 

analizlere ait ikonları `canvas` denilen çalışma 

alanına taşırlar ve analiz modellerini bu ikonlar arası 

`bağlantı yolları` kurarak oluştururlar. Bu nedenle 

son yıllarda giderek artan bir kullanım oranına sahiptir. 

Yazılıma ve ayrıntılı bilgiye bu linkten ulaşılabilir: 

http://www.ailab.si/orange.[24] 

5. Sonuç-Tartışma 

Veri madenciliği sağlıktan finansa birçok alanda 

kullanılmaktadır. Sağlık alanındaki en önemli uygulamalar 

ilaç sektörü ve genetik araştırmalardadır. 

[6,7,8,9] Yeni ilaç keşfinde firmalar klinik denemeler 

ile ilaç performanslarını test ederler. Bu denemelerdeki 

verilerin büyüklüğü çoğu zaman binlerce denek 

ve yüzlerce ölçüm ile ifade edilir. Bu kadar büyük 

veri yığınında ilacın hastalara hangi dozda verileceği, 

hangi semptomlara sahip bireylere hangi tedavinin 

uygulanacağı VM ile mümkün olmaktadır. Genetik 

araştırmalarda da VM çok sık kullanılmaktadır. Maliyetlerinden 

dolayı daha az hasta ve binlerce gen 

için gerçekleştirilen deneylerde klasik istatistiksel 

yöntemler [diskriminant analizi, t-testi] kullanılamamaktadır. 

Bunun nedeni klasik yöntemlerdeki temel 

varsayım “denek sayısının, değişken sayısından en 

az bir fazla olmasıdır”. Hastalıklarla ilgili genlerin belirlenmesi, 

hastalıkların insan genomunun hangi dizi 

pozisyonundan kaynaklandığı, mutasyona uğramış 

genetik bölgelerin belirlenmesi gibi çalışmalar en 

bilinen örneklerdir. [1,2, 6,7,10,26] 

Finans alanında da VM çok sık kullanılır. Borsa verilerinden 

yararlanarak hisse senetlerinin değer 

tahmini, finansal krizlerin tahmini, şirketlerinkârlarını 

arttırmak için satış stratejilerinin belirlenmesi, bankaların 

müşteri profili çıkarması, sahtekârlıkların 

belirlenmesi(frauddetection) gibi birçok soruna çözüm 

için VM kullanılmıştır. [16,17,18,19] 

Bu kadar hassas bilgi verebilen bu yöntem grubunun 

doğru ve hızlı şekilde uygulanabilmesi çok önemlidir. 

Bu makale ile en güncel yöntemler ve analiz akış şeması 

açıklanmaya çalışılmıştır. Araştırıcıların her veriye 

değil uygun veriye veri madenciliği uygulaması 

temel kazanım hedeflerindendir. 

Referanslar 

1. Cosgun E, Limdi N, Duarte CW. High dimensionalpharmacogeneticprediction 

of a continuoustraitusingmachinelearningtechniqueswithapplicationtowarfarindoseprediction 

in AfricanAmerican. Bioinformatics 2011;27:10:1384-9. 

2. Cosgun E, Karaagaoğlu E. Thenewhybridmethodforclassification of patientsby 

gene expressionprofiling. In: SuhSang C, GurupurVadadraj P, Tanik Murat M (eds). 

BiomedicalEngineering: Healthcare Systems, TechnologyandTechniques, Springer. 

1st ed. 2011: 255-65. 

3.Vapnik V. Estimation of DependencesBased on Empirical Data [in Russian]. Nauka, 

Moscow, 1979. (English translation:Springer, New York, 1982). 

4. LarsJuhlJensen,AlexBatemanTheriseandfall of supervisedmachinelearning tec 

hniques,Bioinformatics27,24,3331-3332,2011 

5. Tamayo P, Slonim D, Mesirov J, Zhu Q, et al. Interpretingpatterns of gene expressionwith 

self-organizingmaps: methodsandapplicationtohematopoieticdifferen 

tiation,ProcNatlAcadSci 1999; 96:2907-12. 

6.Yao, LX , InSilicoSearchforDrugTargets of Natural Compounds,CURRENT PHAR- 

MACEUTICAL BIOTECHNOLOGY,13,9,1632-1639,JUL 2012 

7. Li, XJ et al.,Unsupervised data mining technology based on research of strokemedication 

rules and discovery of prescription, AFRICAN JOURNAL OF PHAR- 

MACY AND PHARMACOLOGY,6,29, 2247-2254,AUG 2012 

8.Alcolea, MP et al.,Phosphoproteomic Analysis of Leukemia Cellsunder Basaland 

Drug-treated ConditionsIdentifies Markers of Kinase Pathway Activationand- 

Mechanisms of Resistance, MOLECULAR & CELLULAR PROTEOMICS,11,8,453- 

466,AUG 2012 

9. Gevaert O, Smet FD, Timmerman D, Moreau Y, Moor BD. Predictingtheprognosis 

of breast cancer by integrating clinical and microarray data with bayesiannetworks. 

Bioinformatics,2006; 22:184-90. 

10. Dudoit S, Fridlyand J, Speed TP. Comparison of discrimination methods forthe 

classification of tumorsusing gene expressiondata. 2000. Technical Report 576, 

Department of Statistics, University of California, Berkeley 

11.Jagota A. Microarray Data Analysis andVisualization, Bioinformatics, bythe Bay 

Press, SantaCruz, 2001. 

12. Frank E, Hall MA, Holmes G, Kirkby R, Pfahringer B. Witten, TriggL. Weka-a 

machine learning work bench for data mining. In: Maimon O, Rokach L (eds). The 

Data Miningand Knowledge DiscoveryHandbook, Springer 2005: 1305-14. 

13. Bradley AP. Theuse of theareaunderthe ROC curve in theevaluation of machinelearningalgorithms. 

Pattern Recognition,1997; 30:1145:59. 

14. Ben-Dor A, Bruhn L, Friedman N, Nachman I, Schummer,M, Yakhini N. Tissueclassificationwith 

gene expressionprofiles. Journal of ComputationalBiology 

2000; 7:559-83. 

15. Karabulut E, Karaağaoglu E. Biyoinformatik ve biyoistatistik. Hacettepe Tıp 

Dergisi 2010; 41:162-70. 

16.Oliveira, M et al., A frame work to monitor clusters evolution applied to economy 

and finance problems, INTELLIGENT DATA ANALYSIS,16,1 93-111, 2012 

17. Falavigna, G et al., Financial ratingswithscarceinformation: A neural network 

approach, EXPERT SYSTEMS WITH APPLICATIONS, 39,2 1784-1792, 1 2012 

18. Huang, CF et al, Feature Selection and Parameter Optimization of a Fuzzybased 

Stock Selection Model Using GeneticAlgorithms, INTERNATIONAL JOUR- 

NAL OF FUZZY SYSTEMS, 14, 1, 65-75, 2012 

19. Lin, WY et al., Machine Learning in Financial CrisisPrediction: A Survey,IEEE 

TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART C-APPLICATIONS 

AND REVIEWS,42, 4 Pages: 421-436,JUL 2012 

20. Leo B. Randomforests. Machine Learning 2001; 45:5-32. 

21.Bradley AP. Theuse of theareaunderthe ROC curve in theevaluation of machine 

learning algorithms. PatternRecognition 1997; 30:1145:59. 

22..Vanderlooy S, Hullermeier E. A criticalanalysis of variants of the AUC. Machine 

Learning 2008; 72:247:62. 

23.Başak Öztürk et al., Kalite iyileştirmede veri kümeleme: Döküm endüstrisinde 

bir uygulama,ODTÜ Uygulamalı Matematik Ens., http://www3.iam.metu.edu.tr/ 

iam/images/7/7a/Preprint75.pdf 

24.Erdal COŞGUN, Ergun Karaağaoğlu, Veri Madenciliği Yöntemleri ile Mikrodizilim 

Gen İfade Analizi, Hacettepe Tıp Dergisi, 42:180-189, 2011 

25. J.Han, M.Kamber, Data MiningConceptsandTechniques,MorganKaufmannP 

ub., 2006 

26. Cross-speciestransferability of SSR loci developed from transcip to mesequencing 

in lodgepolepine,Lesser, MR, MOLECULAR ECOLOGY RESOURCES,12,3,448- 

455, 2012 

27. Zhang K, Zhao H. Assessingreliability of gene clustersfrom gene expressiondata. 

FunctionalIntegrated Genomics,2000: 156-73 

28.Schneider,G et al.,Causaldescription: moving beyond stamp collecting in politicalscience, 

EUROPEAN POLITICAL SCIENCE,9,1,62-67 ,2010 

38 39


Prof. Dr. Hülya Çıngı 

Hacettepe Üniversitesi 

Fen Edebiyat Fakültesi 

İstatistik Bölümü 

Araştırmalarda Örnekleme 

Yöntemleri 

Çevremizde ve yaşantımızda karşılaştığımız olayların 

çoğu bizi araştırma yapmaya yöneltir. Araştırma bir 

gereksinim olarak doğmuştur. Temelde, bir arama, 

gerçeği öğrenme, bilinmeyeni bilinir yapma, karanlığa 

ışık tutma, kısaca aydınlanma sürecidir. 

İnsanlar bilgide ilerlemek, gelişmeyi sağlamak, çevresini 

tanımak ve ondan en iyi şekilde yararlanmak 

ister. Bir soruna güvenilir çözümler aramak amacıyla 

verilerin planlı olarak toplanması, sınıflandırılması, 

çözümlenmesi, yorumlanarak değerlendirilmesi ve 

rapor edilmesi sürecine araştırma denir. Araştırmalarda 

en önemli aşamalardan biri örneklem seçme 

ve seçilen örneklemden tahminler yapmaktır. 

Günümüzde, fizik, kimya, biyoloji gibi fen dallarında, 

çeşitli mühendislik dallarında, tıp, ecza, diş hekimliği 

gibi sağlık bilimlerinde ve sosyal bilimlerde yapılan 

pek çok araştırmada; kamuoyu yoklamalarında ve 

pazarlama araştırmalarında, örnekleme yönteminden 

yararlanılır. Günlük yaşantıda da örnekleme yöntemi 

kullanılır. Örneğin, pişirmekte olduğu yemeğin 

tadına bakarak yemek hakkında karar veren bir ev 

hanımı; satın aldığı bir mal bozuk ya da kusurlu çıktığı 

AKADEMİK 

için o satın aldığı yerden bir kez daha alışveriş yapmayan 

müşteri gerçekte örnekleme yönteminden 

yararlanmaktadır. Kalite kontrol problemlerinde de 

örneklemeden yararlanılır. Bu tür problemler, daha 

çok fabrikalarda üretilen mallar satışa sunulurken ya 

da çeşitli kuruluşlar tarafından alım yapılırken ortaya 

çıkar. Burada, üretilen ya da alımı yapılacak olan malların 

tek tek ele alınması, çoğu zaman olanaksızdır. 

O nedenle, malları simgeleyebilen, bir diğer deyişle, 

kitlenin özelliklerini taşıyan bir alt grup incelenerek 

karar verilir. İşte, kitleyi simgeleyebilecek nitelikte bir 

miktar birimin oluşturduğu alt gruba örneklem, kitleden 

örneklem seçme işine de örnekleme adı verilir. 

Örneklemden yararlanarak kitle hakkında tahminler 

yapılır. Araştırmalarda amaç, şans eseri örnekleme 

ile seçilmiş birimleri incelemek değil; kitleden, kitleyi 

en iyi temsil edecek birimleri olasılıksal örnekleme 

yöntemiyle seçerek incelemektir. İyi bir örneklem 

seçme işlemi her bir birime eşit ya da farklı seçilme 

şansı tanıyarak olasılıksal örnekleme yöntemleriyle 

yapılan seçimdir. Araştırmaya katılmak isteyen gönüllüler 

arasından bir örneklemin seçilmesi yanlış 

olur. 

Doğru tanımlanmış bir hedef kitleden, eksiksiz bir 

çerçeveden, doğru örnekleme yöntemiyle seçilen 

bir örneklem ile doğru kararlar alınabilir. 

Örneklem üzerinde çalışmak, araştırıcıya zaman, 

para ve insan gücü bakımından tasarruf sağlar. 

Örneğin, Türkiye’de toplam buğday üretim miktarı 

tahmin edilmek istendiğinde, Türkiye’de tüm buğday 

üretimi yapan çiftlikleri incelemek yerine bu çiftlikleri 

en iyi simgeleyebilen bir örneklem seçmek, zaman, 

para ve emek yönünden büyük ölçüde tasarruf sağlar. 

Bazı kitlelere büyüklüğü nedeniyle örneklemenin 

uygulanması zorunludur. 

Örneklemenin yapılabilmesi için kitle, her bir kitle 

birimi bir ve yalnız bir parçaya ait olma koşulu altında 

bir takım alt parçalara bölünür. Örnekleme bu alt 

parçalar üzerinden uygulanır. Bu alt parçalara örneklem 

birimi adı verilir. Örneklem birimi bir tek kitle biriminden 

oluşabildiği gibi, birden çok kitle biriminden 

de oluşabilir. Örneğin, Türkiye Elektrik Kurumu (TEK) 

bir bölgede hane başına ortalama elektrik tüketimini 

tahmin etmek istediğinde, kitle birimi haneler, 

örneklem birimi apartmanlar (bloklar) alınabilir. Bu 

durumda örneklemeye apartmanlar üzerinden gidilerek 

tahminlerde bulunulacaktır. Örneklem birimine 

ilişkin ölçümleri saptamak üzere kullanılan birime de 

gözlem birimi adı verilmektedir. Bazı araştırmalarda 

örneklem birimi ile gözlem birimi aynı, bazılarında 

ise farklıdır. Mahallelerin örneklem birimi alındığı 

bir araştırmada gözlem birimi o mahallenin muhtarı 

olabilir. Gözlem biriminden o mahallede yaşayan kişiler 

hakkında bilgi edinilebilir. Sonlu kitleler üzerinde 

araştırma yapıldığında örneklemin başarılı bir şekilde 

seçilebilmesi için sonlu kitledeki örneklem birimlerinden 

oluşan bir liste ya da harita hazırlamak yerinde 

olur. İşte bu araca çerçeve adı verilir. Örneğin, mahallelerin 

örneklem birimi olarak alındığı bir araştırmada, 

belirlenen bölgede mahallelerin listesi çerçevedir. 

Bazı araştırmalarda havadan alınan fotoğraflar 

da çerçeve olabilir. İyi ve tam bir çerçeve hazırlamak 

oldukça zordur. Sonlu kitlede çerçeve hazırlandıktan 

sonra, kitlenin yapısına uygun örnekleme yönteminin 

seçilmesi gerekir. Uygun örnekleme yönteminin 

seçimi, kitlenin yapısına bağlı olduğu gibi araştırma 

için ayrılan mali kaynaklar, emek ve zamanla da il- 

gilidir. Sosyal içerikli bir araştırmada, evlerinde yaşayan 

insanlar ile hapishane, hastane gibi yerlerde 

yaşayan insanların aynı biçimde değerlendirilmeleri 

araştırmanın sonucuna farklı yönde etki edebilir. Bir 

araştırma için ayrılan süre içerisinde örneklem biriminde 

değişiklikler görülebilir. Örnekleme yönteminin 

seçiminde bu noktaların göz önünde bulundurulması 

gerekir. Örnekleme yönteminin belirlenmesiyle, 

kitleden seçilecek örneklem büyüklüğü bu yönteme 

göre belirlenebilir. Böylece sonlu büyüklükte bir kitleden 

uygun büyüklüklü bir örneklem seçilerek seçim 

süreci tamamlanmış olur. 

Seçim sürecinden sonra tahmin süreci gelir. Seçim 

sürecinde kullanılan yönteme göre parametreler 

tahmin edilir. Tahmin edilirken örneklemeden doğan 

hata payları da elde edilir. İşte örneklemenin yararı 

burada daha çok belirgindir. Örneklem seçildikten 

sonra da ne kadarlık bir hata ile parametrelerin tahmin 

edilebileceği, parametlerin içinde bulundukları 

sınırlar bulunabilir. Yukarıda da açıklandığı gibi, araştırmaların 

birçoğunda örnekleme yönteminden yararlanılır. 

Örnekleme yönteminin istatistiksel hipotez 

testleri, karar kuramı, deney düzenleme gibi istatistiğin 

çeşitli konularında kuram ve uygulama açısından 

yeri ve önemi büyüktür. 

ÖRNEKLEME YÖNTEMLERİNİN 

TANIMI 

Araştırmalarda amaç, iyi bir örneklem ile yansız, 

tutarlı ve duyarlı tahminler yapabilmektir. İyi bir örneklem, 

kitleye en uygun örnekleme yönteminin 

belirlenmesinden sonra bu yönteme göre örneklem 

büyüklüğünün saptanmasıyla elde edilebilir. Uygun 

örnekleme yönteminin belirlenmesi parametreye 

ilişkin örnekleme varyansının en küçük kılınmasıyla 

mümkündür. Bu nedenle uygun örnekleme yönteminin 

seçimi araştırmalarda önemli bir yer tutar. 

Örneklem Birimlerinin Çekilme Olasılıklarına 

Göre Sınıflandırma 

1. Olasılıksal Örnekleme 

Örneklem birimlerinin belirli olasılıklarla çekildiği örnekleme 

yöntemine olasılıksal örnekleme adı verilir. 

40 41


Bu olasılıklar her bir örneklem birimi için aynı ya da 

farklı olabilirler. Homojen kitlelerde birimlere eşit 

çekilme olasılığı vermek yerinde olacaktır. Ancak birimler 

homojen değilse birimlere farklı olasılıklar verilerek 

seçim yapılmalıdır. Birimler yerine konularak 

ya da konulmaksızın seçilebilir. Olasılıkların bilinmesi 

mümkün her bir örneklemin oluşturulma olasılıklarının 

da bilinmesi anlamına geleceğinden, tahmin ediciye 

ilişkin örnekleme dağılımı elde edilebilir. Örnekleme 

dağılımının değişim ölçüsü, bir diğer deyişle, 

varyans yardımıyla parametrenin standart hatası ve 

içinde bulunduğu sınırlar tahmin edilir. İşte olasılıksal 

örneklemin yararı bu varyansın, standart hatanın ve 

sınırların elde edilebilmesindedir. 

2. Olasılıksal Olmayan Örnekleme 

Örneklem birimlerinin gelişigüzel olasılıklarla seçildiği 

örnekleme yöntemine olasılıksal olmayan örnekleme 

adı verilir. Bu yöntemde örneklem birimlerinin her 

birinin bir seçim olasılığı söz konusu olmadığından 

varyans hesaplanamaz. Yani tahminlerin örnekleme 

hataları ile ilgili objektif bir ölçü verilemez. Böylece, 

parametrenin içinde bulunduğu sınırlar tahmin edilemez. 

Bu nedenle, olasılıksal örneklemeye göre 

tercih edilmeyen bir yöntemdir. Tahminlerin duyarlılıkları 

ancak subjektif olarak yorumlanabilir. Bilimsel 

araştırmalarda bu örnekleme yöntemine başvurulmamaktadır. 

Bazı durumlarda röportaj niteliğinde bu 

yöntemin kullanılmasına ihtiyaç duyulabilir. Bu yöntemde 

örnekleme için bir çerçeve hazırlanması gerekli 

değildir. Bazı kitlelerde de çerçeve oluşturmak 

mümkün olmayabilir. Başka bir amaç için önceden 

hazırlanmış bir çerçevenin bulunmaması durumunda 

yeni bir çerçevenin hazırlanması çok büyük para 

ve emeği gerektirebilir. Bu durumda gereksinimleri 

karşılayabilecek olasılıksal olmayan bir örneklemenin 

kullanılıp kullanılmayacağına karar verilmesi gerekir. 

Örneklem Birimlerinin İçerdikleri Birim 

Sayısına Göre Sınıflandırma 

1. Element Örneklemesi 

Örneklem birimlerinin bir tek kitle biriminden oluştuğu 

örnekleme yöntemlerine element örneklemesi 

adı verilir. Burada kitle birimi ile örneklem birimi aynı 

AKADEMİK 

tanımı taşımaktadır. Örneğin Ankara ili Keçiören ilçesinde 

Sosyal Yardımlaşma ve Dayanışma Vakfı’na 

başvuran yardıma muhtaç kişiler ile ilgili bir araştırmada 

kitle birimi ve örneklem birimi yoksul vatandaşlar 

olarak tanımlanabilir. Herhangi bir olasılıksal 

örnekleme ile birimlerin çekildiği bu yöntem aynı 

zamanda bir element örneklemesi olacaktır. 

2. Küme Örneklemesi 

Örneklem birimlerinin birden çok kitle biriminden 

oluştuğu örnekleme yöntemine küme örneklemesi, 

örneklem birimlerine de kümeler adı verilir. Tanıma 

göre örneklem birimleri (kümeler) eşit ya da farklı 

sayıda kitle birimi içerirler. Örnekleme çekilecek kümeler 

belirlendikten sonra kümenin tümü örnekleme 

alınır. Bu nedenle, olabildiğince, küme içi değişim 

büyük kalacak şekilde kümeleri oluşturmak gerekir. 

Böylece farklı birimler örnekleme girerek örneklemin 

kitleyi simgeleyebilme niteliği artırılır. Ancak küme 

içi değişimi büyük kılmak oldukça zordur. Belli bir 

bölgede yaşayanlarla ilgili bir araştırmada kümeler, 

sokaklar, bloklar, apartmanlar, haneler vb. olabilir. 

Örneklem Birimlerinin Örnekleme Alınma 

Aşamasına Göre Sınıflandırma 

Örneklem birimleri bazı araştırmalarda bir aşamada 

(adımda) örnekleme çekilir. Bu yönteme tek aşamalı 

örnekleme adı verilir. Eğer örneklem birimleri birden 

çok aşamada örnekleme çekiliyor ise, aşama sayısına 

göre iki aşamalı, üç aşamalı, ... adlarını alır. Bu 

yönteme genel olarak çok aşamalı örnekleme adı 

verilir. Bazı araştırmalarda, birinci aşamada alınan 

örneklem birimlerinin içerdikleri kitle birimleri birbirine 

benzer özellik gösterirler. Bu durumda örneklem 

biriminin tümünü incelemek yerine bundan yine bir 

örneklem seçmek para, zaman ve emek yönünden 

tasarruf sağlayacağı gibi sonuçta örneklemin kitleyi 

simgeleme niteliğini etkilemez. Örneğin, bir ilde bulunan 

köylerle ilgili yapılacak bir araştırmada birinci 

aşamada köyler seçilebilir. Seçilen köyler hemen 

hemen homojen olup benzer özellikleri taşıdığından 

ikinci aşamada seçilmiş olan köylerden de haneler 

örnekleme seçilir. İşte böyle bir örnekleme yöntemine 

iki aşamalı örnekleme adı verilir. Bir diğer örnek, 

kamuoyu araştırmalarında bir ilde bulunan mahalleler 

birinci aşamada, sokaklar ikinci aşamada, apartmanlar 

üçüncü aşamada seçilebilir. 

Basit Rastgele Örnekleme 

Her bir örneklem birimine eşit seçilme olasılığı vererek 

(seçilen birim yerine konularak ya da konulmaksızın) 

seçilen birimlerin örnekleme alındığı yönteme 

basit rastgele örnekleme adı verilir. Burada herbir 

örneklem birimine eşit seçilme olasılığı verilmesinin 

anlamı örneklem uzayından her bir örneklemin eşit 

olasılıkla seçilmesi anlamına gelir. Birbirine benzeyen 

birimlerden oluşan (homojen) kitlelerde uygulanır. 

Örneğin Milli Piyango İdaresi’nin bilet numaralarını 

çekimi eşit olasılıkla ve yerine konularak bir seçimdir. 

Sayısal Loto, Şans topu gibi çekimlerde ise eşit olasılık 

ve yerine konulmaksızın seçim yapılmaktadır. 

Tabakalı Örnekleme 

Örneklem birimlerinin herhangi bir ölçüsüne ilişkin birimden 

birime değişim büyük ise (heterojen ise), bu 

durumda kitle, değişkenliği daha küçük (homojen) 

alt gruplara ayrılabilir. Böylece, kitle varyansı büyük 

iken, alt grupların varyansı daha küçük olacaktır. Bu 

ise, duyarlılıkta önemli bir kazanç sağlar. İşte, kitle 

her bir kitle birimi bir ve yalnız bir tabakaya ait olacak 

ve hiçbir kitle birimi açıkta kalmayacak; tabaka içi 

değişim olabildiğince küçük, tabakalar arası değişim 

oldukça büyük kalacak şekilde alt gruplara bölünüp 

örneklemin her bir tabakadan ayrı ayrı ve birbirinden 

bağımsız olarak çekildiği örnekleme yöntemine tabakalı 

örnekleme adı verilir. Tanımdan anlaşılacağı gibi, 

her bir tabaka bir kitle olarak düşünülebilir. Bu nedenle 

her bir tabakaya uygun farklı örnekleme yöntemleri 

uygulanabilir. Her bir tabakaya basit rastgele 

örnekleme yönteminin uygulandığı tabakalı örneklemeye 

tabakalı rastgele örnekleme adı verilmektedir. 

Sistematik Örnekleme 

Kitle birimlerinin varolan bir bilgiye göre sıralanabildiği 

varsayılsın. İlk k birimden herhangi birinin başlangıç 

noktası olarak alındığı ve bundan sonra gelen her 

k ıncı birimin örnekleme seçildiği yönteme sistematik 

örnekleme adı verilir. Sistematik örneklem çekimi 

son derece kolay ve kısa zamanda gerçekleştiğinden 

ve kitle üzerinde dengeli dağıldığından araştırmalarda 

tercih edilebilir. 

Kartopu Örneklemesi 

Kartopu örneklemesi, özellikle bir çerçevenin mevcut 

olmaması ya da oluşturulmasının olanaksız olduğu 

durumlarda kullanılan bir örnekleme yöntemidir. Bu 

yöntemde, örnekleme süreci, tanımlanan kitlede yeralan 

bir birimin, genellikle rastgele olarak seçilmesiyle 

başlar. Belirlenen bu birim örneklemeye giren 

birinci birimdir. Bu birimle aynı kitle tanımında yer 

alan bilinen (tanınan) diğer bir birimin olup olmadığı 

araştırılır. Eğer böyle bir birim varsa, bu birime ulaşılır. 

Böylece örneklemde yer alacak olan ikinci birim 

belirlenmiş olur. Bu süreç keyfi olarak belirlenen n 

birimli örneklem oluşturuluncaya kadar sürdürülür. 

İşte bu yönteme kartopu örneklemesi adı verilir. 

Daha çok, seyrek rastlanan birimler için uygulanır. 

Örneğin engelli bireyi olan ailelerin seçimi gibi... Bu 

yöntemde varyans hesaplanamaz. 

Yakala Tekrar Yakala Örneklemesi 

Yakala-tekrar yakala (capture recapture) yönteminin 

kullanılabilmesi bazı temel varsayımlara bağlıdır. 

Örneklem seçiminin gerçekleştirilebilmesi ya da bu 

yöntemle elde edilen bilgilerin kullanılabilmesi için 

kitlenin coğrafik ve demografik özellikler yönünden 

bilinmesi, kitledeki her birimin işaretli olsun ya da 

olmasın, her çekimde eşit yakalanma şansına sahip 

olması, işaretlerin kalıcı olması ve örneklemlerin 

birbirinden bağımsız olması gerekir. Bu örnekleme 

yönteminde, kitleden k büyüklüğünde bir örneklem 

çekilir. Bu örneklem birimleri işaretlenir. Daha sonra 

yine k büyüklüklü başka bir örneklem seçilir. Bu örneklemde 

işaretli ve işaretsiz birimlerin sayıları kaydedilir. 

İşaretsiz birimler işaretlenerek tüm birimler 

kitleye tekrar dahil edilir. Bu işlem k kez tekrarlanır. 

Bu işaretleme işlemi kitle içerisindeki işaretli birimlerin 

sayısında artış oluşturur ve birimler işaretli ve 

işaretsiz olmak üzere kitle içerisinde iki türe ayrılır. 

Böylece n birimlik bir örneklemde, r tane işaretli ve 

n-r tane işaretsiz birimin bulunması olasılığı, n çok 

büyük r çok küçük olduğunda binom olasılık fonksiyonu 

yerine poisson olasılık fonksiyonu ile bulunabilir 

(Çıngı,H.,Örnekleme Kuramı, 2009). 

42 43


Son yıllarda bilgi ve iletişim teknolojilerinde yaşanan 

hızlı gelişim ve düşük maliyet olgusu, bu teknolojileri 

çok daha ulaşılabilir ve kullanılabilir bir konuma getirmiştir. 

Birleşmiş Milletler Telekomünikasyon Ajansı 

(ITU) tarafından hazırlanan ve günümüzde internet 

kullanımının geldiği noktayı gösteren 'Genişband 

Devleti 2012' isimli 170’ten fazla ülkenin değerlendirildiği 

rapora göre günümüzde, dünya üzerindeki her 

üç kişiden biri (2,26 milyar kişi) internet kullanıcısıdır 

[1]. 2012 yılı Nisan ayında gerçekleştirilen Hanehalkı 

Bilişim Teknolojileri Kullanım Araştırması sonuçlarına 

Doç.Dr. Özlem Aydın 


Fen Edebiyat Fakültesi 

İstatistik ve Bilgisayar Bilimleri Bölümü 

Arş.Gör. Gizem Öğütçü 

Başkent Üniversitesi Ticari Bilimler Fakültesi 

Yönetim Bilişim Sistemleri Bölümü 

ARAŞTIRMA 

İNCELEME 

Bilgi Güvenliğimize Yönelik 

Tehditlerin Ne Kadar 

Farkındayız ? 

göre Türkiye genelinde hanelerin %47,2’si evden İnternete 

erişim imkânına sahiptir. Bu oran 2011 yılının 

aynı ayında %42,9 idi [2]. 

Geçmişte kâğıt ortamında, mekânsal bağlılık gerektiren 

işlemler, günümüzde mekândan bağımsız 

olarak dijital ortamlarda gerçekleştirilebilmektedir. 

Bu nedenle,internet tasarımından kaynaklananya da 

internetin kontrolsüz gelişiminden ortaya çıkabilecek 

tehditler bireyleri kendi tedbirlerini almaya yönlendirmiştir. 

Buna ek olarak, birey hayatının sosyal ağlar, 

elektronik uygulamalar ve diğer iletişim teknolojileri 

sayesinde dijital ortama taşınması ile kişisel veriler, 

bu ortamlarda kontrolsüz yığınlar halinde serbestçe 

dolaşmaya başlamıştır. Ayrıca, günlük hayatta verilerinküçük 

aygıtlar üzerinde saklanabilir, taşınabilir ve 

çoğaltılabilir hale gelmesi, veriyi korunması gereken 

bir e-varlık biçimine dönüştürmüştür. 

Bilgi güvenlik açıklarının ve siber suçların doğmasında, 

bireylerin bilgi güvenliği tehditlerine yönelik 

farkındalıklarının düşük olması da en az teknolojinin 

kötüye kullanımı kadar önemli bir faktör olmuştur. 

Buradan yola çıkarak, veri güvenliğinin bir süreç olduğu; 

dahası, güvenliğinsadece bir teknoloji sorunu 

değil, insan ve yönetim sorunu olduğu sonucuna 

ulaşılmıştır [3,4]. 

E- devlet’e geçişin tamamlanmaya başladığıgünümüzde, 

tüm bu gelişmeler ülkemizde ulusal bilgi 

güvenliği açısından da tehlike yaratmaktadır. Kasım- 

Aralık 2004 Türkiye İnternet Güvenliği Araştırmasısonuçlarına 

göre birçok kurum ve kuruluşun her 

seviyede bilgisayar kullanıcısı incelenmiş ve bilgi 

güvenliğine bakış açısının yeterli seviyede olmadığı 

tespit edilmiştir [5]. Günümüzde de bu durumun 

farklı olduğunu söylemek ne yazık ki mümkün görünmemektedir. 

Bu bağlamda bilgi teknolojilerine 

dayalı olarak gerek yazılımsal gerekse donanımsal 

birçok koruma yöntemi geliştirilmiştir. Böylece bilginin 

yazılımsal ve donanımsal açıklardan sömürülmesi 

zorlaştırılmaya çalışılmıştır. Son zamanlarda söz 

konusu bilgi açıklarının sömürülmesi, yerini bireyin 

sömürülmesi ve bilginin kötüye kullanımına bırakmıştır. 

Günümüzde sıkçaörnekleri görülen sosyal 

mühendislik, güvenliğin en zayıf halkası olan bireyleri 

hedef almaktadır. Bilgisayar ve ağ güvenliği açısından 

sosyal mühendislik, güvenlik açıklarını bireylerin 

riskli davranışlarından yola çıkarak incelemektedir. 

Bu kavram, kullanıcıların yol açtığı açıklardan faydalanarak 

güvenlik süreçlerini aşıp, sistem yöneticisinin 

ya da kullanıcıların yetkilerine erişim tekniklerini 

kapsayan bir terimdir [6]. Tanınmış bir sosyal mühendis 

olan KevinMitnick’e göre, güvenlik teknolojilerinin 

seviyeleri yükselip, teknik güvenlik açıklarının 

sömürüsü zorlaşınca; saldırganların birey unsurunu 

sömürme yoluna gitmektedirler [4]. Söz konusu sos- 

yal mühendislik olunca, bireysel farkındalığın önemi 

daha da artmaktadır. Kişiler bilgi teknolojilerini, risk 

içermelerine rağmen kullanmak zorundadırlar ve 

kendilerini korumaları için kilit nokta, riskin farkında 

olmalarıdır. 

Riskli davranışlardan kaçınmak ve güvenliği anlayabilmek 

için önce “bilgi”nin bir değeri olduğunu 

kavramak gerekir. Birey kendisi için değerli olmayan 

hiçbir unsuru korumak istemez. Bu nedenle güvenlik 

konusundaki en önemli unsurlardan biri şüphesiz ki 

farkındalıktır. Bilgi güvenliği riskleri hiçbir zaman tam 

olarak yok edilemese de, yazılımsal ve donanımsal 

tedbirlere ek olarak bireylerin bilişim güvenliği bilincinin 

geliştirilmesi ve bu bilincin davranışa dönüşmesi 

ile riskler kabul edilebilir düzeye indirilebilir [7]. 

Bu kadar değerli olan ve korunması gereken “veri” ve 

“bilgi” ile ilgili tanımlara göz atmak gerekirse; bilgi kelimesinin 

kaynağı, Latince’deki herhangi bir şeye şekil 

vermek anlamına gelen “informare” kelimesinden 

gelmektedir. Sözlük anlamıyla bilgi; “Öğrenme, araştırma 

ve gözlem yoluyla elde edilen her türlü gerçek, 

malumat ve kavrayışın tümü” olarak tanımlanmaktadır[8]. 

Veri, enformasyon ve bilgi kavramları karıştırılmakta; 

çoğu kez eş anlamda kullanılmaktadır.Veri; 

gözlemlenebilen, ölçülebilen veya hesaplanabilen bir 

davranış ya da tutuma ait değer olarak tanımlanırken, 

enformasyon; elde edilebilen, filtrelenebilen ve 

işlemden geçirilen veriyi ifade etmektedir.Kişisel veri 

denildiğinde, kişinin tanımlanabilmesini sağlayan her 

türlü bilgi ve enformasyon içeren veriler anlaşılmaktadır. 

TC kimlik numarası, araç plaka bilgisi, GSM numarası 

vb. günlük hayatta paylaşılmaktan çekinilen 

birçok veri, kişisel veridir [9]. 

Bilgi ise insanlar arasındaki iletişim sırasında paylaşılan, 

aktarılan ve yeniden şekillendirilen tecrübelerdir. 

Bilgi; belirli bir durum, sorun, ilişki, teori veya kurala 

ait veri ve enformasyonlardan oluşan anlayışlardır. 

Bilgi bilgisayardan çok insan beyninde yer almaktadır 

[8,10]. 

Bilgi güvenliği kavramı ise, bilgiye sürekli olarak erişilebilirliğin 

sağlandığı bir ortamda, bilginin göndericisinden 

alıcısına kadar gizlilik içerisinde, bozulmadan, 

44 45


değişikliğe uğramadan ve başkaları tarafından ele 

geçirilmeden bütünlüğünün sağlanması ve güvenli 

bir şekilde iletilmesi süreci olarak tanımlanabilir [11]. 

Bireyin bulunduğu ve iletişiminin gerçekleştiği her 

ortamda bilgi mevcuttur. Bilginin yer aldığı ortamlar 

genel bir çerçevede dört grupta toplanabilir: 

• Fiziksel Ortamlar: Kâğıt, tahta, pano, faks, çöp, 

kâğıt kutuları, dolaplar, masalar vb. bilgiye “temas 

edilebilen” ortamlardır. 

• Elektronik ortamlar: Bilgisayarlar, notebooklar, 

mobil cihazlar, e-postalar, USB, CD, medya kartları 

vb. “manyetik” ortamlar. 

• Sosyal ortamlar: Telefon görüşmeleri, sohbetler, 

yemek araları, toplantılar, toplu taşıma araçları 

vb. bireylerin bilgiye “duyarak ya da görerek” ulaşabildikleri 

ortamlardır. 

• Tanıtım platformları: İnternet siteleri, broşürler, 

bültenler, reklamlar, sunular, eğitimler, görseller 

vb. ortamlardır [12]. 

Bilgi, teknik ve toplumsal alanlarda iletişim için kullanılır 

ve bilimin dayanağı olarak kabul edilir. Bilginin 

özellikle elektronik makineler aracılığıyla, düzenli ve 

ussal biçimde işlenmesi bilimi “bilişim” olarak tanımlanır. 

Bilişim, bilgi olgusunu; bilginin saklanması, 

erişimi, işlenmesi, aktarılması ve kullanımı yöntem- 

ARAŞTIRMA 

İNCELEME 

lerini, toplum ve insanlık yararı gözeterek inceleyen 

uygulamalı bilim dalıdır.Disiplinler arası özellik taşır 

ve bilgisayar dâhil olmak üzere bilişim ve bilgi erişim 

dizgelerinde kullanılan türlü araçların tasarlanması, 

geliştirilmesi ve üretilmesiyle ilgili konuları kapsar 

[13]. 

Bilgi teknolojileri açısından değerlendirildiğinde sayısal 

ve mantıksal her bir değerin bir veri olduğu, 

bilginin ise bu verinin işlenmiş, anlamlı hale gelmiş, 

açıkça tariflenmiş şekli olduğu kabul edilmektedir 

[12]. Bilgi teknolojileri; bilginin toplanması, işlenmesi, 

saklanması ve gerektiğinde herhangi bir yere 

iletilmesi ya da herhangi bir yerden bu bilgiye erişilmesini 

elektronik, optik, bilgisayar yongası gibi tekniklerle 

kendiliğinden sağlayan, bilgisayar, genel ağ, 

cep telefonları, banka kartları, akıllı kartlar, telefonla 

sesli yanıt sistemleri, sayısal yayınlar gibi teknolojiler 

bütünüdür [13]. 

İnternet kullanımının giderek artması, birçokprosedürün 

dijital ortamda gerçekleşmesini sağlamış 

ve e-devlet, e-ticaret, e-bankacılık gibi kavramların 

oluşmasına neden olmuştur. Bu kavramlar, bireylerinbirçok 

işlemi masa başında yapabilmesi avantajını 

getirirken, yüksek derecede öneme sahip bilgilerin 

internet ortamına aktarılması riskini doğurmuştur. 

Bu bilgi akışının sınırlarının olmaması bilgi güvenliğini 

ciddi boyutta tehlikeye sokmuştur [3, 14]. 

Bilgiyi Koruma Unsurları 

Bilgi güvenliğinin sağlanması oldukça zordur ve bilgi 

güvenliğinin en zayıf halkası tehdide doğrudan veya 

dolaylı olarak maruz kalan eğitimsiz ya da bilinç eksikliği 

olan bireylerdir. Daha önce de belirtildiği gibi, 

yeterince ileri teknoloji kullanılan sistemler dahi, bireysel 

tedbirler alınmadığında, istenen düzeyde güvenlik 

sağlayamamaktadır. ISO 27001 standardında 

bilginin korunması gereken temel unsurları; gizlilik, 

doğruluk, bütünlük, özgünlük ve erişilebilirliktir. Gizlilik, 

bilginin yetkisiz kişilerin eline geçmesinin engellenmesidir. 

Doğruluk, verinin yanlış değer içermemesi; 

bütünlük, bilginin kendine has özelliklerinin ve 

doğruluğunun korunmasını (verinin göndericiden çıktığı 

haliyle alıcıya ulaşmasını) ifade eder. Bu durumda 

veri, haberleşme sırasında izlediği yollar üzerinde 

değiştirilmemiş, araya yeni veriler eklenmemiş, belli 

bir kısmı ya da tamamı tekrar edilmemiş ve sırası 

değiştirilmemiş şekilde alıcısına ulaşır [15]. Erişilebilirlik 

unsuru ise; veriye erişim yetkisi bulunan kişilerce 

istenildiğinde ulaşılabilir ve kullanılabilir olma 

özelliğidir. Diğer bir ifade ile kişilerin erişim yetkileri 

dâhilinde olan verilere, veri tazeliğini yitirmeden, 

zamanında ve güvenilir bir şekilde ulaşabilmesidir 

[12]. 

Görüldüğü üzere, bilginin korunma unsurları ağırlıklı 

olarak bireylere dayanmaktadır. Saldırganlar yetkileri 

olmayan verilere kullanıcı kaynaklı birçok yolla 

(Parola dosyalarının çalınması, sosyal mühendislik, 

bilgisayar başında çalışan bir kullanıcının ona fark 

ettirmeden özel bir bilgisini ele geçirme, parolasını 

girerken gözetleme gibi) erişebilmektedirler. 

Bilgi ve Bilişim Güvenliğine Yönelik 

Tehditler 

Bilgi ve bilişim güvenliğinin sağlanabilmesi için fiziksel 

güvenliğin, iletişim güvenliğinin, bilgisayar 

güvenliğinin, veri güvenliğinin ve bilişim güvenliği 

farkındalığının bir bütün olarak sağlanması gerekir. 

Bilişim güvenliğine yönelik tehditlerle ilgili bir sınıflandırma 

yapmak oldukça güçtür. Doğru kullanılmadığı 

takdirde her türlü teknoloji bir tehdit haline dönüşebilir. 

Mevcut ve güncel tehditler; 

Kullanıcı tabanlı tehditler; Siber ihlal yöntemleri, 

herhangi bir saldırgan yazılım veya güvenlik açıkları 

gibi teknik unsurlar kullanmadan,tamamen kullanıcıların 

dikkatsizlik, dalgınlık veya tecrübesizlik gibi zayıf 

yönlerinin neden olduğu erişim teknikleridir. Bu tehditlerin 

başında yetkisiz erişim amacıyla şifre ve gizli 

soru tahmini gelmektedir. Birçok bilişim sistemi, 

kullanıcıların şifrelerini unutmaları durumunda kullanılmak 

üzere bir gizli soru ve yanıt ikilisinin tanımlanmasını 

istemektedir. Günümüzde sorulan anne kızlık 

soyadı, bunun en yaygın örneğidir [6]. Omuz sörfü, 

kullanıcıların bilişim sistemlerine erişim şifrelerini yazarken 

gözlenmesi, gizlice izlenmesi, ajanda, postit, 

not kâğıtları gibi şifre yazılabilecek materyallerin 

incelenmesi şeklinde uygulanan yöntemdir. Bunların 

dışında sosyal mühendislik kapsamında da sayılabilecek 

bir diğer tehdit olarak çöp kurcalama (Dumpster 

Diving) sayılabilmektedir. Bu teknik ile muhasebe kayıtları, 

fotokopi kâğıtları üzerinden iletişim bilgileri vb. 

bilgilere ulaşmak amaçlanmaktadır [16]. 

Yazılım tabanlı tehditler; Kötü amaçlı olarak geliştirilen, 

çoğunlukla veri hırsızlığına yönelik tasarlanan, 

bilgi sistemine bulaştıktan sonra yazılımı geliştirene 

bilgi aktaran tehditlerdir. Bunlardan en yaygın olanı 

Virüslerdir. Virüs, bir programa eklenmiş küçük kod 

parçacığı olarak tanımlanabilir. Virüsler iletişim ağında 

kendilerini kopyalayarak ya da kendilerini başka 

programlara ekleyerek kolaylıkla yayılabilmektedirler 

[17]. Virüslerin çalışmaya kısa süreliğine ara verilmesine 

neden olan zararsız sayılabilecek etkileri olduğu 

gibi, sistemlerde ciddi yok edici etkileri de olabilmektedir. 

Diğer kötücül yazılımlardan en önemli farkları 

insan etkileşimine ihtiyaç duymalarıdır [18]. Kullanıcılar 

bir dosyanın açılması, bir e-postanın okunması, 

bir programın çalıştırılması ile farkında olmadan 

virüslerin yayılmasına neden olabilirler. Kurtçuklar 

(solucanlar), yapıları virüslere benzeyen, ancak 

yayılmak için insan etkileşimine ihtiyaç duymayan 

tehditlerdir. Solucanların aşırı çoğalmaları, ancak 

sistem aşırı kullanıldığında sistemin yavaş çalışması 

sonucu fark edilebilir [6,17,18]. Truva atları, genellikle 

gerekli bir program gibi görünen ama arka planda 

yok edici etkisi olan kötücül yazılımlardır. Virüsler 

veya solucanlar gibi çoğalarak yayılamamaktadırlar 

46 47


[18]. Çoğu kez kullanıcının çeşitli hilelerle ikna edilmesi 

ve programın bizzat kullanıcının kendi isteği ile 

çalıştırılması yoluyla sisteme bulaşmaktadırlar. Servisi 

engelleyen saldırılar; DoS (Denial of Service) 

sistemdeki programlara virüsün bulaşmadığı saldırı 

türüdür. Ancak sisteme kapasitesinin üstünde yük 

bindirilerek sistemin kullanılmaz hale gelmesi hedeflenmektedir. 

Örneğin, 10 dakika içinde 100.000 

e-posta gelmesi durumunda e-posta hizmeti veren 

sunucular işlevlerini göremez hale gelebilmekte ve 

sistem yaygın tabiriyle “çökebilmektedir” [17]. Casus 

yazılımlar; yerleştikleri sistemlerde kendilerini 

gizleyerek, trojanlar aracılığı ile arşivlenmiş dosyaları, 

klavye kaydediciler aracılığı ile klavyeden yapılan 

tuş vuruşlarını, ekran kaydediciler aracılığı ile fare ile 

işlem yapılan ekran görüntülerini kopyalayarak bu 

ARAŞTIRMA 

İNCELEME 

bilgileri yazılımı geliştiren kişiye gönderen kötücül 

yazılımlardır ve kişisel bilgi güvenliğini en çok tehdit 

eden saldırı türüdür. Arka kapılar; isebir bilgisayar 

üzerinde sıradan incelemelerle bulunamayacak şekilde, 

normal kimlik kanıtlama süreçlerini atlatmayı 

veya kurulan bu yapıdan haberdar olan kişiye kurulu 

olduğu sisteme uzaktan erişmeyi sağlayan yöntemlerdir 

[18].Arka kapılar üreticisinin belirlediği gizli 

bir geçişe olanak verdikleri için bağlantı onayı veya 

elektronik ileti benzeri uygulamalar için de geçerlidir 

[17]. 

Bunlar, yazılım tabanlı tehditlerin başında gelmektedir. 

Diğer yöntemler; tarayıcı soyma, telefon çeviriciler, 

sahte e-posta ve mesaj sağanaklarıdır. 

Tehditlere Yönelik Olası Tedbirler 

Bilişim güvenliğine yönelik tehditler için yazılımsal ve 

donanımsal olarak birçok koruma yöntemi mevcut 

olup, bunların birçoğu doğru ve geçerlidir. Ancak bir 

noktadan sonra ne yazık ki tüm önlemler geçerliliğini 

yitirmektedir. Yapılan araştırmalar en büyük tehdidin 

bireyin bizzat kendisi olduğunu göstermektedir. Bu 

noktada en zayıf halka bireydir. 

Ne yazık ki bilişim güvenliği yalnızca bireyi ilgilendiren 

bir konu değildir. Bilgi teknolojilerinin hızlı gelişimi 

birçok yeni hukuki ve sosyal kavramı da beraberinde 

getirmiştir. Mevcut hukuki düzenlemeler bu değişime 

aynı hızda yanıt verememektedir.Günümüzde bilişim 

hukuku ya da benzer adlarla gelişen özel alanlar 

sayesinde bu açık kapatılmaya çalışılmaktadır. Son 

yıllarda bankalar ve emniyet birimlerinden SMS, 

e-posta gibi yollarla gönderilen bilgilendirmeler,bilgi 

güvenliğimizi korumamız konusunda biz kullanıcılarıuyarmaktadır. 

Elbette ki bilişim ve/veya teknoloji 

suçlarındaki cezaların düzenlenmesi, bireylerin bilinçlendirilmesi, 

web sayfası üzerinden işlem yaptıran 

firmaların güvenlik tedbirleri konusunda hassas 

davranması,Türkiye’nin de içinde olduğu ve siber 

tehditlere çok açık konumdaki ülkelerde daha da 

önem kazanmaktadır.Bilişim güvenliği toplum için 

yeni bir olgudur. Bütün bunlar göz önünde bulundurulduğunda 

kişisel verilerin korunmasının ne kadar 

önemli bir konu olduğu açıkça görülmektedir. Öncelikle 

toplum bilgi güvenliği risklerine karşı bilinçlendirilmelidir. 

Ulusal bilgi güvenliği politikasının bireyden 

genele yayılması gerekmektedir. 

Son söz olarak;bireylerin ancak kendilerinin ya da yakınlarının 

başlarına geldiğinde dikkatlerini çeken bilgi 

güvenliği konusunda toplumsal farkındalığı arttırıcı 

eğitimler ve kampanyaların eksikliği hissedilmektedir. 

Ek olarak,halen yasa tasarısı olarak bekleyen 

“Kişisel Verilerin Korunması Kanunu” bir an önce yasalaştırılmalıdır. 

Mevcut hukuki düzenlemeler revize 

edilmeli, adli kadrolar konu hakkında eğitilmelidir. 

Bilişim Savcılığı ve Bilişim Mahkemeleri kurulmalıdır. 

Bilgi teknolojilerine dair güvenlik eğitimleri 7’den 

70’e tüm topluma verilmeli, bilişim teknolojilerini kullanan 

tüm bireylerin konu hakkındaki farkındalığının 

artırılması ve hakları konusunda bilinçlendirilmeleribir 

devlet politikası olmalıdır. 

KAYNAKLAR LİSTESİ 

[1] http://www.broadbandcommission.org/Documents/bb-annualreport2012. 

pdf20, 28 Eylül 2012. 

[2] http://www.tuik.gov.tr/PreHaberBultenleri.do?id=10880, 28 Eylül 2012. 

[3] Sağsan, M. Bilgi teknolojileri güvenliği: Ulusal bilginin korunmasına pragmatik 

bir yaklaşım ve Türkiye perspektifi. Stratejik Analiz, vol.2,no.22,s74-81, 2002. 

[4] Mitnick D. Kevin, Aldatma Sanatı, ODTU Yayıncılık, Ankara, 2009. 

[5] Canbek, G. ve Sağıroğlu, Ş. Bilgi, Bilgi Güvenliği ve Süreçleri Üzerine Bir İnceleme. 

Politeknik, 9 (3), 165-174, 2006 

[6] İlbaş Ç., Bilişim Suçlarının Sosyo-Kültürel Seviyelere Göre Algı Analizi, Başkent 

Üniversitesi, Fen Bilimleri Enstitüsü, 87s, 2009. 

[7] Şahinaslan E.,Kantürk A., vd. Kurumlarda Bilgi Güvenliği Farkındalığı, Önemi 

ve Oluşturma Yöntemleri, Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı 

Bildirileri, Harran Üniversitesi, Şanlıurfa-Türkiye, s. 597-602, 2009. 

[8] Vural, Y., Bayındır, M. ve Tamer O. Anayurt Güvenliğinin Sağlanmasında Bilgi 

Sistemleri Güvenliğinin Önemi. Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı 

Bildirileri, Harran Üniversitesi, Şanlıurfa-Türkiye, s. 607-612, 2009. 

[9] Ketizmen, M. ve Ülküderner, Ç. E-devlet uygulamalarında kişisel verilerin 

korunma(ma)sı. XII. “Türkiye’de İnternet” Konferansı, Ankara-Türkiye, s.189-194, 

2007. 

[10] Aktan C. Coşkun, Vural Y. İstiklal, Bilgi Çağı Bilgi Yönetimi ve Bilgi Sistemleri, 

Çizgi Yayınevi, Konya, 2005. 

[11] Vural, Y., ve Sağıroğlu, Ş. Kurumsal bilgi güvenliği ve standartları üzerine bir 

inceleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23 (2), 507- 

522, 2008 

[12] Şahinaslan, E., Kandemir, R. ve Şahinaslan O. Bilgi Güvenliği Farkındalık Eğitim 

Örneği. Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri, Harran 

Üniversitesi, Şanlıurfa-Türkiye, s. 189-194, 2009. 

[13] Köksal, A. Bilişim Terimleri Sözlüğü, Türk Dil Kurumu Yayınları, Ankara,1981. 

http://tdkterim.gov.tr/?kelime=bili%FEim&kategori=terim&hng=md, 10 Mayıs 

2010. 

[14] Uzunay, Y. Dijital saldırılar, emniyet güçleri açısından önemi ve korunma yolları. 

Polis Bilimleri Dergisi, 5(2), s. 131-146, 2003. 

[15] http://www.pro-g.com.tr/whitepapers/bilisim-guvenligi-v1.pdf, 17 Temmuz 

2010. 

[16] Burlu K., Bilişimin Karanlık Yüzü, Nirvana Yayıncılık, Ankara, 2010. 

[17] TBD, Bilişim Sistemleri Güvenliği El Kitabı, Kamu Bilişim Platformu Raporları. 

No.1, TBD Ankara, 54s, 2006. 

[18] Canbek, G. Ve Sağıroğlu, Ş. Kötücül ve casus yazılımlar. Gazi Üniversitesi Mühendislik 

Mimarlık Fakültesi Dergisi, 22 (1), 121-136, 2007. 

48 49


Görsel veri madenciliği insanların veriyi nasıl yorumladığına 

ilişkin bazı belirli ilkeleri kullanmak için en 

son teknolojinin seferber edildiği yeni bir fikirdir. Veri 

madenciliği genel olarak belirli bir bilgi kümesindeki 

örüntüleri tespit etme sürecidir. Veri madenciliği 

her türlü alanda ve her türlü amaç için kullanılabilir. 

Finans, ilaç sanayii, kamu idaresi ve siyasal bilimler, 

ulaşım vb. gibi alanlarda belirli sonuçları elde etmek 

için detaylı bir şekilde uygulanan çok genel bir yöntemdir. 

Veri madenciliği olarak bilinen olgunun büyük bir 

kısmı ancak yeni keşfedilmiş teknoloji kullanılarak 

mümkündür. Mikrobilgisayar bununla en ilgili örnek- 

ARAŞTIRMA 

İNCELEME 

Görsel Veri Madenciliği 

Nedir ? 

tir. Bilgisayarlar çok büyük miktardaki veriyi toplayıp 

sergileyebilirler. Veri madenciliği sayesinde, insanlar 

bu veriyi farklı yollarla yorumlayabilirler. Bu, veri madenciliğinin 

insan topluluğuna kazandırdığı bir güç 

ve uygulayıcılarının modern yöntemler geliştirmeye 

yönlenmiş olmaları potansiyelidir. 

Programcılar, görsel veri madenciliğinde, insankullanıcıların 

gördükleri veriyi nasıl yorumladıklarının 

bir parçası olmak için görsel sunumlara izin veren ara 

yüzler inşa ederler. Bu gibi programlar çeşitli sanayilerde 

kullanılagelmiştir. Bilim insanları ve programcılar 

görsel veri madenciliğinin olanaklarını araştırırken 

en iyi yöntemler için bazı tavsiyelerde bulunurlar. 

En önde gelen kuramcılara göre, bütün bu tip arayüzlerin 

anahtarı basitliktir. Bu programlar, veriyi, insankullanıcıların 

onu “görmesini” kolaylaştıracak şekilde 

görünür kılabilmelidir. Görsel veri madenciliğinini 

kullananlar “yönlendirme”yi görsel veri madenciliği 

uygulamalarında bir sorun olarak görmektedir. Kullanıcılar, 

bir görsel veri madenciliği sunumundan kendi 

sonuçlarını tarafsızca çıkarabilmeliler. 

Görsel veri madenciliği ile ilgili bir başka mesele, 

programın geniş bir kitlenin erişimine açık olup olmadığı. 

Bu programların yaratıcılarının, programların 

izinsiz kullanımdan koruyacak yeterli güvenlik önlemini 

de almaları gerekir. Sistemin genel tasarımı dakik 

olmalıdır. Kullanıcılar tarafından kolayca erişilebilir, 

bilgisayar korsanlarına karşı güvenli ve kendiliğinden 

güçlü veri sunumları. 

Görsel veri madenciliği ve benzer programlar bazı 

sektörlerde inanılmaz hızlarda gelişmektedir. Bu 

sektörlerle alakalı bir çok kişi diğerlerinin yakın teknolojilerde 

ön ayak olduğu gelişmeleri takip etmenin 

faydalı olduğunu düşünüyor. Görsel ve etkileşimli 

veri madenciliğinin, insanlar ve bilgisayarlar arası 

etkileşimin geleceği için önemli bir araç olması bekleniyor. 

Veri Bilimcisi Ne Yapar? 

Veri bilimciler, mesleğin kapsamlı kavrayışını teknik 

beceri ve istatistikî bilgi ile birleştirerek veri toplama 

ve yorumlama amacındaki kuruluşlar için yöntemler 

ortaya koyar. Veri bilimci bir kuruluşa cevap bekleyen 

soruları belirlemesinde, uygun verinin toplanması 

için yöntem ve teknolojik araçlar geliştirmesinde 

ve toplanmış veriden cevaplar çıkarmak için 

istatistikî modeller kurmasında yardım eder. Kısaca, 

bu profesyoneller, veri çözümlemesi kullanarak, bir 

kuruluşa karar alma ve müşteriler için yararlı ürün ve 

hizmet geliştirme konularında yardım eder ve bununla 

ilgili teknik beceri ve mesleki kavrayışa sahiptir 

Veri bilimcinin işinin dakik ayrıntıları, çalıştığı sektöre 

bağlıdır. Biri belirli bir verinin toplanması için ihtiyaç 

duyulan programlamaya odaklanmış olabilirken, diğeri 

verinin etkinliğinin ya da doğruluğunu arttıracak 

eşsiz yöntemler için var olan araçları kullanmaya 

odaklanmış olabilir. Bir başkası ise, veri toplamak ve 

çözümlemek için var olan araçlarla yenilerini birleştirip, 

kuruluşun yeni bir ürün ya da hizmet sunmasına 

yardım edebilir. 

Örneğin, veri bilimciler sosyal ağ sitelerindeki uygunluk 

uygulamalarının birçoğunun geliştirilmesine 

yardımcı olurlar. Her kullanıcının iş durumu ve eğitim 

bilgileri verisi toplanır ve sonra, bu bilgiler şimdiki 

bağlantıları ile karşılaştırılır. Uygulama, her bireyin 

geçmişi ve şimdiki bağlantılarına dayanarak, yeni 

bağlantılar, iş yönlendirmeleri veya ilgi duyulabilecek 

ürün ve hizmetleri tavsiye eder. Sonuçlar, genel olarak, 

kullanıcının ana sayfasında ya da profilinde görünür. 

Bu uygulamaları geliştiren veri bilimciler teknik 

beceri ve yaratıcılık kullanarak, web sitelerinin daha 

faydalı kullanıcı deneyimi yaratmasına yardım eder. 

Benzer uygulamalar veri bilimcilerin site ziyaretçileri, 

mevcut müşteriler ve diğer müşteriler hakkında 

bilgi toplamasına, çözümlemesine ve raporlamasına 

izin verir. Kuruluşun hedefleri doğrultusunda bu tip 

bilgiler, alışveriş davranışları yaratmada ya da farklı 

pazarlama stratejilerini denemede kullanılabilir. Örneğin, 

bir çok site müşteri davranışlarına dayanarak, 

buna uygun reklamlar yayınlamaktadır. Bu uygulamaları 

kullanıma açmadan önce, uzman bir veri bilimci 

müşteri bilgilerini toplamanın, çözümlemenin 

ve uygun sonucun gösterilmesinin araçlarını programlamalıdır. 

Farklı sektörler, ya da aslında aynı sektördeki farklı 

firmalar, veri bilimcinin günlük işlerine gelindiğinde, 

farklı ihtiyaçlara sahiptir. Görevler değişirken, ihtiyaç 

duyulan beceriler aynı kalır. Bu alanda çalışan 

uzmanlar, veri toplamak ve veriyi idare etmek için 

uygun araçları geliştirecek teknik beceri ve programlamaya 

ihtiyaç duyar. Bu uzmanlar, ayrıca, hangi 

veriyi toplayacakları konusunda ve eldeki bilgiyi 

çeşitli yorumlama yolları için, yaratıcılık ve eleştirel 

düşünme ve sektörün ihtiyaçlarını kavrama becerisi 

yetilerine sahip olmalıdır. 

http://www.wisegeek.com/what-is-visual-data-mining-htm 

50 51


The Polar Express’in (Robert Zemeckis, 2004) sinemalarda 

vizyona girmesi ve kurmaca bir Kuzey Kutbu 

sergilemesi karşısında, bazen gerçeğin kendisi 

kurmacadan daha ilginç olabiliyor diyeceğiz. Bizim 

sunacağımız Kuzey Kutbu’na ait gerçeklerle Arktik’in 

hakiki hikayesini keşfedin: 

• Sadece bir tane Noel Baba var ama iki tane Kuzey 

Kutbu var. Yerkürenin Kuzey Kutbu sabit bir noktadır 

ve Güney Kutbu ile birlikte yerkürenin etrafında dönüğü 

ekseni oluşturur. Boylamlardaki bütün meridyenler 

–Kuzey Kutbu’ndan Güney Kutbu’na uzayan 

sanal çizgiler- bu noktadan başlar. 

Dünyadaki bütün pusulaların iğnelerinin işaret ettiği 

Manyetik Kuzey Kutbu ise günden güne değişir. 

Manyetik kutup dünyanın manyetik alanı yerkürenin 

Dünyanın manyetik alanı sönümleniyor. Bazı bilim 

adamları, bugün bu alanın, Alman Matematikçi Carl 

Friedrich Gauss’ınbu alan üzerinde dikkatli gözlemler 

yaptığı 1845 yılına göre yüzde 10 daha zayıfladığını 

söylüyor. Eğer bu eğilim devam ederse, bu alan hepten 

yok olabilir ve tersine çevrilebilir. Pusulalar kuzey 

yerine güneyi gösterir. 

Şüphesiz ki Hollywood bu yeni haberi doğal afet 

türüne dahil etmekte gecikmedi. Geçen sene Tinseltown 

The Core (Jon Amiel, 2003) adlı bir yapımı 

ARAŞTIRMA 

İNCELEME 

Polar Express"in Ötesinde: Hakiki Kuzey 

Kutbu Üzerine Hızlı Gerçekler 

Brian Handwerk 

National Geographic - Haber 

Kasım 8, 2004 

Çeviren: M. Kerem Yüksel 

altındaki erimiş metaller ve Güneş’ten gelen yüklü 

parçacıklardan etkilendiği ölçüde, ortalama, her yıl 

6-25 mil (10-40 km) yer değiştirir. Manyetik Kutup, 

şu anda Kuzey Kutup noktasının 600 mil (1000 km.) 

uzağındadır. 

Bazı bilim adamları dünyanın manyetik alanının ters 

yöne çevrildiğine ve bir gün pusulaların kuzey yerine 

güneyi gösterebileceğine inanırlar. 

Dünyanın Manyetik Alanı Sönümleniyor 

John Roach 

National Geographic - Haber 

Eylül 9, 2004 

vizyona soktu. Filmde dünyanın manyetik alanının 

sönümlenmesi, büyük elektrik fırtınalarına, güneş 

ışınımının patlamasına ve kuşların yön bulma yeteneklerini 

kaybetmesine sebep oluyor. 

Dünyanın manyetik alanının sönümlenmesi fenomeninin 

hiç endişe yaratacak bir durum olmadığını 

düşünen bilim adamlarına göre, eğlence değeri bir 

yana, filmde sunulan tablo doğru değil. 

Kaliforniya Üniversitesi SantaCruz Kampüsü’nden bir 

yerküre bilimci ve manyetik alan uzmanı Gary Glatzmaier, 

“alanın geçmişte birçok defa tersine döndüğünü 

ama hayatın devam ettiğini” söylüyor. 

Glatzmaier dünyanın jeomanyetizması hakkındaki 

bilgilerimizi artırmak isterken bir yandan da zayıflayan 

manyetik alanı gözlemliyor. Jeomanyetizma 

gezegenimizin manyetik alanını yaratan, sürdüren ve 

tersine çeviren mekanizmadır. 

Manyetik Kalkan 

Dünyanın jeomanyetizması dünyamızı çoğunlukla 

güneşten gelen yüklü parçacıklardan korur. Alan bu 

hızlanan parçacıkları kutuplara doğru yönlendirir. 

Gezegenimizin manyetik alanı olmasaydı, dünya 

daha çok kozmik ışınıma maruz kalırdı. Bu artış enerji 

hatlarını devre dışı bırakıp, uzaya yollanmış araçlarla 

iletişimi bozabilir, atmosferdeki ozon deliklerini geçici 

olarak büyütebilir ve arora (şafak) süresini uzatabilir. 

Bazı kuşlar, kaplumbağalar ve arılar gibi Dünya üzerindeki 

bazı canlılar bu manyetik alanı navigasyon 

için kullanırlar. Bilim adamlarına göre alan sürekli bir 

akı (flux) gibidir. Ama, bu alan olmasa da, dünya üzerindeki 

yaşam devam edecektir. 

Maryland’daki Johns Hopkins Üniversitesi’nde bir 

jeofizikçi olan Peter Olson “hiç bir etki bırakmayan 

küçük salınımların ve alanın tersine çevrilmesi ile ilgili 

olduğu jeolojik kayıtlardan anlaşılan büyük salınımların 

olduğunu” söylüyor. 

Erimiş lavlar yeryüzüne çıkıp soğuduğunda, Dünya’nın 

polaritesini gösteren bir fotoğrafa benzer. Bu, bir kağıdın 

üzerindeki demir tozlarının kendilerini altlarındaki 

mıknatısın manyetik alanına uyarlamaları gibidir. 

Dünyanın jeolojik kayıtlarına göre, gezegenimizin 

manyetik alanı her 200.000 yılda bir tersine dönmektedir. 

Yine de bu tersine dönüşler arasında geçen zaman 

değişkendir. Bir önceki tersine dönüş 780.000 

yıl önce gerçekleşmiştir. 

“Bugün duyduğumuz manyetik alanın zayıfladığı ve 

tersine dönebileceğidir, duymadığımız ise bu sürecin 

ne kadar süreceği” diye ekliyor Glatzmaier, “bu değişim 

bizim hayat süremiz içinde gerçekleşmeyecek.” 

Ama bir kaç kuşak sonra, insanlar bu değişime tanıklık 

edebilir. Glatzmaier’e göre, o zaman kadar, bilim 

adamları süreci daha iyi kavrayacak ve bunun etkileriyle 

baş etmeye hazır olacaktır. 

Jeomanyetizma 

Bilim insanları manyetik alanın dünyanın derinliklerinde, 

gezegenin katı iç çekirdeğinin sıcaklığının dışındaki 

sıvı demir ve nikel katmanını karıştırmasından 

doğduğuna inanıyorlar.İçerideki katı iç çekirdeğin ay 

büyüklüğünde bir demir kütlesinin bir kaç bin Fahrenheit 

derece sıcaklığında olduğu düşünülüyor. Bu iç 

çekirdekten yayılan ısı çeperde birikiyor ve dünyanın 

sıvı dış çekirdeğini ısıtıp genleşmesine yol açıyor. 

Glatzmaier ekliyor: “burası genleştiğinde daha, yoğun 

ve hareketli hale geliyor. Yükselmeye başlıyor. 

Buna konveksiyon diyoruz. Isınmış sıvı yükseliyor, 

soğuyor ve tekrar iniyor.” Konveksiyon bir elektrik 

akımı ve dolayısıyla bir manyetik alan yaratıyor. 

Dünya soğudukça fazla akım oluşur. Erimiş demirin 

bir kısmı iç çekirdek üzerinde katılaşıyor ve bu süreçte 

hafif malzemeler salınıyor. Dünyanın dönmesi de 

sıvı akışı yükselirken, onu eğip büküyor ve böylece 

manyetik alanı burkuyor. 

Bütün bu akımlar manyetik alanı devamlı diri tutmaktadır 

ve sönümlenmesini engellemektedir. 

Genellikle her yeni yaratılan alan varolan manyetik 

alanın yönünde eklemleniyor. Ama zaman zaman, 

bazı kuvvetler yeni alanın aksi yönde eklenmesini 

gerektiriyor. Bu da yerkürenin manyetik alanının zayıflamasına 

katkıda bulunuyor. 

Zamanla yeni bir alan büyümeye devam edebilir. Bu 

da asıl manyetik alanı daha fazla zayıflatacaktır. Eğer 

bu süreç devam ederse, bu iki alandan biri diğerini 

yok eder. Böylece de yerkürenin manyetik alanı yok 

olup, belki de tersine dönebilir. 

“Ama daha olası olan” diye ekliyor Glatzmaier, “asıl 

alanın tekrar güçlenip kararsızlığın üstesinden geleceğidir. 

52 53


Günümüzde, biz farkında olmasak bile, bize ait birçok 

veri parçası bizden başka kişilere veya başka kişilerden 

bize şifreli bir şekilde gidip gelmektedir. Başta 

cep telefonlarımız ve bilgisayarlarımız olmak üzere 

günlük hayatta kullandığımız cihazlar bu şifreleme 

işlemini bizim için gerçekleştirmektedirler. Peki, bunun 

altında yatan amaç nedir? Kısaca tanımlayacak 

olursak, veri ve iletişim mahremiyeti. İletişimde bulunan 

iki kişinin birbirlerine gönderip aldıkları mesajların 

üçüncü kişiler tarafından okunmasını engellemek 

için geliştirilmiş yöntemlerden biri Kriptografi’dir. 

Eski Yunanca kökünden gelen “kriptografi” kavramı 

Dr. Oumout Chouseinoglou 

Fehime Can 


Gelişmiş 

Şifreleme 

Standardı 

AES’in 

Seçilme 

Süreci 

ARAŞTIRMA 

İNCELEME 

“gizli veya gizleyerek yazma” olarak tercüme edilebilir, 

başka bir deyişle veriyi şifreleme işlemidir. Farklı 

medeniyetler farklı zamanlarda bu gizlilik ihtiyacını 

duymuşlar, değişik yöntemler kullanarak mesajları 

gizlemeye çalışmışlardı. Tarihe geçen bu yöntemlerden 

biri Sezar Şifresi’dir ve basit bir harf kaydırmaya 

dayanır. İskoç Kraliçesi 1. Mary’nin trajik sonu şifrelenmiş 

mesajlarının deşifre edilmesi ile gelmiştir. 

W. Churchill’e göre Müttefiklerin 2. Dünya Savaşını 

kazanmasını sağlayan, birçok tarihçiye göre de savaşı 

en az 2 yıl kısaltan “masa başındaki zafer” ise İngiliz 

şifre-kırıcıların Nazi ordularının kullandığı Enigma 

şifrelemesini kırmaları olmuştur. Tüm bunlar birçok 

kitap ve filme konu olmuş olan ve kriptografi tarihinde 

öne çıkan örneklerden sadece birkaçıdır ve alanın 

insanlık tarihi için önemini ortaya koymaktadır. 

Şifreleme işlemi aslında çok basit bir yapıya dayanmaktadır: 

bir açık metin (plaintext), bir algoritma (F) 

ve bir anahtar (K) kullanılarak şifrelenir ve şifrelenmiş 

metin (ciphertext) elde edilir. Şifrelenmiş metin, başka 

bir algoritma (F’) ve başka bir anahtar (K’) kullanılarak 

deşifre edilir ve orijinal haline, yani düz metne 

dönüştürebilmektedir. Bazı şifreleme metotları için F 

= F’ ve K = K’ dir. Bu basit şifreleme mantığı Şekil 

1’de gösterilmektedir [4]. 

Bir zamanlar tamamen stratejik kaygılar güderek 

gerçekleştirilen şifreleme işlemleri, zaman içinde barındırdıkları 

karmaşık matematiksel yapılardan dolayı 

bir bilime dönüşmüş ve kriptoloji adını almıştır. Burada 

mevcut olan bilimsel kaygı ve merak sadece daha 

güçlü, zor kırılabilir ve karmaşık şifreleme yöntemleri 

geliştirmek değil, ayrıca geliştirilmiş yöntemleri kırmak 

veya ne kadar kırılması zor olduklarını bulmaktır 

da. Bundan dolayı kriptoloji, temel olarak iki alt 

alandan oluşmaktadır: kriptografi ve kriptanaliz. Kriptografi, 

bilgi ve veri güvenliği ile ilgili matematik ve 

bilgisayar bilimleri alanına verilen isimdir ve önemli 

bir kısmı, veri ve bilgileri şifreleme ve deşifre etme 

işlemleri ile uğraşmaktadır. Kriptografi’nin karşı tarafında 

kriptanaliz bulunmaktadır: sadece şifrelenmiş 

bilgi ve verileri elde etmekle değil, ayrıca kriptografi 

metotlarının başarısı ve etkinliğini de ölçmeye çalışmaktadır. 

Veriyi şifrelemek için geliştirilmiş olan 

algoritmanın ne kadar “iyi” olduğunu hesaplayabilmek, 

ona duyulan güveni belirlemekte. Uzun bir 

süre şifreleme algoritmalarının gizliliğinin söz konusu 

şifrelemenin “gücünü” artırdığı düşünülmüştü. Bu 

yaklaşım, 19. yüzyılda yaşamış olan Hollandalı dilbilimci 

ve kriptografi uzmanı Auguste Kerckhoffs’un, 

modern kriptografinin kurulum temellerini oluşturan 

prensipleri formüle etmesi ile değişti. Kendi adı ile 

anılan prensipte Kerckhoffs basitçe şunu belirtmekteydi: 

Bir kriptosistem , anahtar haricinde her şey bili- 

Şekil 1- Şifreleme ve Deşifre Etme İşlemleri 

niyor olmasına rağmen güvenli olmalıdır. Dolayısıyla, 

şifreleme ve deşifre etme algoritmalarının gizlenmesine 

gerek olmamalıdır, tek gizlenmesi gereken şifrelemede 

kullanılmış olan anahtardır [4]. Kerckhoffs 

prensibine uygun olarak, günümüzde yaygın olarak 

kullanılan bir şifreleme algoritmasının herkese açık 

bir yarışma, herkesin çalışma detaylarını bildiği ve 

herkesin değerlendirmelerde bulunduğu bir süreç ile 

nasıl seçildiğini kısaca anlatacağız. 

Dijital teknolojinin gelişmesi ve bilgisayar gibi, çok 

hızlı bir şekilde çok karmaşık işlemleri yapabilen cihazların 

şifrelemede kullanılması ile şifreleme yöntemleri 

harf ve sayıların şifrelenmesi yerine, harf ve 

sayı anlamına gelen ikili karşılıklarının (bit’lerin) şifrelenmesine 

dönüştü. Bu gelişmeler sonucunda iki temel 

modern çağ şifreleme yaklaşımı oluştu: simetrik 

anahtarlı şifreleme ve asimetrik anahtarlı şifreleme. 

Simetrik anahtarlı şifreleme algoritmaları, açık metnin 

şifrelenmesi ve şifrelenmiş metnin deşifre edilmesi 

işlemlerinde bire bir aynı ya da basit bir yöntem 

ile birbirine dönüştürülebilen anahtarlar kullanan algoritmalara 

verilen ortak isimdir. Dolayısıyla simetrik 

şifrelemede kullanılan anahtar, “ortak bir sır” olmak 

zorundadır, açığa çıkması kurulmuş olan güvenli sistemi 

tehlikeye atar; bundandır ki simetrik anahtarlı 

şifrelemenin temel sıkıntısı “anahtar paylaşımı”dır. 

Asimetrik şifreleme de ise, şifrelemek ve deşifre etmek 

için iki farklı anahtar kullanılmaktadır. 

54 55


Simetrik anahtar şifrelemesi kesintisiz veya dizi 

şifreleme (stream cipher) ve blok şifreleme (block 

cipher) yaklaşımlarını kullanarak yapılabilir. Çok basitçe 

özetlenecek olsa, kesintisiz şifrelemede boyu 

önemli olmayan bir veri dizisi sabit uzunlukta bir simetrik 

anahtar kullanılarak ve peş peşe gelen öğeler 

bir öncekilere bağımlı olacak şekilde şifrelenir. Diğer 

yandan blok şifrelemede ise bir veri bloğu bir bütün 

ve diğer bloklardan bağımsız olarak şifrelenmektedir. 

Kesintisiz şifreleme blok şifrelemeye göre daha yüksek 

hızlarda gerçekleşir ve donanım karmaşıklıkları 

daha azdır. Fakat blok şifreleme ile karşılaştırıldıklarında, 

kesintisiz şifreleme yöntemleri daha fazla 

saldırıya maruz kalmakta ve yanlış uygulanmaları 

durumunda çok ciddi güvenlik açıkları oluşabilmektedir 

[4]. 

Blok şifreleme yöntemlerinden biri de, uzun yıllar 

elektronik verinin şifrelenmesi için bir standart olarak 

kullanılmış olan DES algoritmasıdır. Amerikan 

Standartlar Bürosu (NBS) 1972 yılında hükümete 

ait hassas elektronik verilerin korunmasında kullanılacak 

bir şifreleme algoritmasının geliştirilmesi için 

ARAŞTIRMA 

İNCELEME 

“davette bulundu”. Bu davete cevap olarak IBM’de 

geliştirilmiş olan bir algoritma, küçük değişiklikler ve 

Amerikan Güvenlik Ajansının (NSA) onayı ile 1977 

yılında kabul edildi. NSA’in bu standardı onaylaması 

bir yandan uluslararası anlamda yaygın kullanılmasına, 

diğer yandan da akademik çevrelerden detaylı 

bir şekilde (olası gizli girişlerin olması ihtimaline karşı) 

incelenmesine neden oldu. Fakat kısa anahtar 

boyu (56 bit) ve kriptosistemin bazı kısımlarının gizli 

bir yapıya sahip olması, DES’e karşı bir tepkinin oluşmasına 

neden oldu. Farklı “kaba kuvvet” saldırılar 

DES’in zayıf yönlerini ortaya çıkardı ve kırılabileceğini 

gösterdi. Zaman içinde “kaba kuvvet” saldırılardan 

daha hızlı saldırılar da gelişti, bunlar diferansiyel 

kriptanaliz, lineer kriptanaliz ve geliştirilmiş Davies 

Saldırısı’dır [1,5]. 

Tüm bunlardan dolayı, 2 Ocak 1997’de Amerikan 

Standartlar ve Teknoloji Enstitüsü (NIST) AES adını 

verecekleri bir DES alternatifinin geliştirilmesi 

çalışmalarını başlattı ve 12 Eylül 1997’de bir AES 

yarışması düzenleyerek aday algoritmalara çağrıda 

bulundu. NIST AES olacak olan algoritmanın Au- 

guste Kerckhoffs’un prensipleri uygun olarak tüm 

özelliklerinin ve yapısının açık olacağına ve ücretsiz 

olarak dünyada herkesin kullanabileceğine dair hedefler 

belirledi. AES, blok şifreleme tabanlı simetrik 

bir algoritma olup, 128 bit’lik bloklar ve 128, 192 

ve 256 bit’lik anahtarlar destekleyecek şekilde tasarlanacaktı. 

Ayrıca yazılım ve donanımda kolay 

uygulanabilecek, kısıtlı ortamlarda da (akıllı kartlar 

gibi) çalışabilecek ve farklı saldırılara iyi savunmalara 

sunabilecek bir algoritma olmalıydı. NIST, başvurusu 

yapılan algoritmalardan 15’inin yapısını ve özelliklerini 

20 Ağustos 1998’de (1. AES Konferansı) açıkladı 

ve kamunun yorumlar yapmasını talep etti. Mart 

1999’da yapılan 2. AES Konferansında uluslararası 

kriptografi topluluğunun analizleri tartışıldı ve akabinde 

Ağustos 1999’da NIST beş finalist algoritmayı 

açıkladı [1,6,7]. Bu beş finalist: 

l IBM’e bağlı bir grup araştırmacı tarafından geliştirilmiş 

olan MARS, 

l RSA Güvenlik tarafından geliştirilmiş olan RC6, 

l Belçikalı iki kriptografi uzmanı Joan Daemen ve 

Vincent Rijmen tarafından geliştirilmiş olan Rijndael, 

l Ross Andersen, Eli Biham ve Lars Knudsen tarafından 

geliştirilmiş olan Serpent, ve 

l Bruce Schneier’in de aralarında bulunduğu bir 

ekip tarafından geliştirilmiş olan Twofish algoritmalarıydı. 

NIST aday algoritmaları 3 temel başlık altında sıralanmış 

belli kriterler doğrultusunda değerlendirdi: 

Güvenlik, Maliyet ve Algoritmanın Uygulanma 

Karakteristikleri. Güvenlik, en önemli faktördü ve 

algoritmanın kriptanalize karşı dayanıklılığı, matematiksel 

tabanının sağlamlığı, algoritmanın ürettiği çıktının 

rassallığı ve diğer adaylara göre ne kadar daha 

güvenli olduğu gibi kriterleri barındırmaktaydı. Maliyet 

başlığı altında lisanslama gereksinimleri, farklı 

platformlarda hesaplama etkinliği ve hızı ve hafıza 

gereksinimleri bulunmaktaydı. Uluslararası anlamda 

kuruluş ve kişiler tarafından serbestçe kullanılması 

öngörüldüğü için maliyet faktörü de güvenlik kadar 

önem teşkil etmekteydi. Son olarak algoritmanın 

uygulama esnekliği, donanım ve yazılımlara olan uygunluğu 

ve algoritmanın basitliği değerlendirmede 

dikkate alınan diğer kriterlerdi [1,6,7]. 

Beş adayın da ANSI C ve Java programlama dillerinde 

yazılmış uygulamaları yukarıdaki kriterlerin değerlendirilmesinde 

kullanıldı. Uluslararası kriptografi 

topluluğunun sunduğu detaylı analizler de dikkate 

alınarak, 2 Ekim 2000’de NIST Rijndael algoritmasının 

AES yarışmasını kazandığını ve standart olarak 

önerileceğini duyurdu. 6 Aralık 2001’de ABD 

hükümeti tarafından 197 No’lu Federal Bilgi İşleme 

Standardı kabul edildi, bu standarda göre tüm hassas 

ama yüksek derecede güvenlik önceliği olmayan 

dokümanların şifrelenmesinde AES olarak Rijndael 

kullanılacaktı [1,6,7]. 

Şekil 2- Rijndael'un Geliştiricileri: Joan Daemen ve 

Vincent Rijmen 

Söz konusu son beş adayın algoritma detayları ve 

AES yarışmasının değerlendirme kriterlerinin detayları 

NIST’in yayınlamış olduğu AES raporunda [1] 

bulunabilir. Fakat bu değerlendirmelerden bir tanesi 

diğerlerine göre istatistikçilerin daha çok dikkatini 

çekecek türdendi: rassallık testleri. Bu testlerde 

amaç, değerlendirilmekte olan algoritmanın şifreleme 

sürecinin sonucunda üretmiş olduğu çıktının 

bir rassal veri yığınına ne kadar benzediğini değerlendirmekti. 

Burada şifreleme algoritmaları birer bit 

üretici olarak düşünülmüştü. Matematiksel olarak, 

herhangi bir bit üretecinin gerçekten rassal çıktılar 

ürettiğini ispat etmek mümkün değildir. Fakat yapılabilecek 

en yakın çalışma, üretilmiş olan bit çıktısının, 

rassal bir bit serisini ve genel rassallık gereksinimlerini 

karşılayıp karşılamadığını kontrol etmek 

56 57


olacaktır. Rassallık testleri ve sonuçları detaylı olarak 

Soto ve Bassham’ın makalesinde [2] incelenmektedir 

[1,2,3,8]. 

AES yarışmasında kullanılan rassallık testleri, NIST’in 

İstatistiki Test Süitine dayanmaktaydı [3]. Bu süit 16 

esas testten ve bu esas testlerin farklı parametreler 

ile çalıştırılması ile toplam 189 farklı testten oluşmaktadır. 

Tablo 1’de esas testlerin isimlerini, P değerleri 

ve test tanımlama sayısı takip etmektedir. 

Tablo 1 - NIST İstatistiki Test Süiti [2] 

İstatistiki Test P değeri sayısı Test No 

Monobit 

1 

1 

Block Frequency 

1 

2 

Cusum 

2 

3-4 

Runs 

1 

5 

Long Runs of Ones 

1 

6 

Rank 

1 

7 

Spectral DFT 

1 

8 

Aperiodic Templates 

148 

9-156 

Periodic Template 

1 

157 

Universal Statistical 

1 

158 

Approximate Entropy 

1 

159 

Random Excursions 

8 

160-167 

Random Excursions Variant 

18 

168-185 

Serial 

2 

186-187 

Lempel-Ziv Compression 

1 

188 

Linear Complexity 

1 

189 

NIST test süitinde bulunan 16 esas testi kısaca tanımlayacak 

olursak: 

l Monobit Test: Üretilen seride bulunan 0 ve 1 sayısının 

yaklaşık olarak birbirine eşit olup olmadığının 

testi. 

l Block Frequency Test: Tüm üretilen seri kesişmeyen 

N parçaya ayrıldıktan sonra, her bir parçadaki 

0 ve 1’lerin rassal bir dağılımı olup olmadığının 

testi. (eğer N=1 o zaman monobit test’le aynı 

olur) 

l Cumulative Sums Forward (Reverse) Test: Seriyi 

oluşturan alt serilerin 0-1 toplamının çok yüksek 

ARAŞTIRMA 

İNCELEME 

veya çok düşük olup olmadığının kontrolü. 

l Runs Test: Farklı uzunluklardaki 0 veya 1 serilerine 

dayanarak, bu alt seriler arasındaki salınımın 

(oscilation) çok hızlı veya çok yavaş olduğunu 

ölçmektedir. 

l Long Runs of Ones Test: Üretilen serideki en uzun 

1 serisinin teorik değerlere uyup uymadığının testi. 

Burada beklenen değerden fark rassal olmadığına 

işarettir. 

l Rank Test: Üretilen seriden elde edilen parça seriler 

arasında doğrusal bağımlılık olup olmadığının 

testi. 

l Discrete Fourier Transform (Spectral) Test: Üretilen 

seride periyodik tekrarların var olup olmadığının 

testi. Bu şekilde bir periyodik tekrarın olması 

serinin rassal olmadığı anlamına gelir 

l Aperiodic Templates Test: Periyodik olmayan 

(aperiyodik) belli bir kalıbın çok defa gözüküp gözükmediğinin 

testi. Böyle bir kalıbın çok gözükmesi, 

serinin rassal olmadığına işarettir. 

l Periodic Template Test: Belli bir uzunluktaki 1 

serisinin, üretilmiş seri içinde tahmini gözükme 

oranı ile gösterdiği farklılığının hesaplanması. Bu 

testte yüksek farklılık, serinin rassal olmadığına 

işarettir. 

l Universal Statistical Test: Bilgi kaybı olmadan 

üretilmiş serinin ne kadar sıkıştırılabileceğinin 

testi. Çok sıkıştırılabilen seriler rassal değildir. 

l Approximate Entropy Test: Ardışık iki uzunluğa 

(m ve m+1) sahip serilerde üst üste düşen blok 

parçacıklarının frekansının hesaplanması. 

l Random Excursion Test: Seri içinde yapılacak 

rassal bir yürüyüşle ulaşılacak durumların oranını 

ölçen test. 

l Random Excursion Variant Test: Seri içinde yapılacak 

rassal bir yürüyüşle ulaşılacak durumlar 

arasındaki değişimi ölçen test. 

l Serial Test: m-bit’lik üstüste düşen kalıpların sayısının 

seri içinde gözükme oranı. 

l Lempel-Ziv Complexity Test: Üretilmiş serinin ne 

kadar sıkıştırılabileceğinin testi. Büyük ölçüde sıkıştırılabilen 

seriler rassal değildir. 

l Linear Complexity Test: Gerçek rassal bir seri olup 

olmadığına karar verecek kadar serinin karmaşık 

olup olmadığını ölçen test. 

Testlerin detaylı açıklamaları ve dayandıkları matematiksel 

altyapı NIST’in 2000 yılında yayınlamış ve 

2010’da revize etmiş olduğu raporda bulunabilir [3]. 

AES yarışmasında bu testler, rassal bir şekilde seçilmiş 

128 bit’lik anahtarlar ile uygulandı. Her aday algoritmanın 

sonuç olarak vermiş olduğu ciphertext’ler 

tüm 189 rassallık testi ile kontrol edildi. Yarışmada 

300 ikili veri seti kullanıldı. Her bir aday algoritmanın 

rassallık testlerinden elde ettiği sonuçlar detaylı bir 

şekilde Soto ve Bassham’ın makalesinde verilmektedir 

[1,2,8]. 

Kriptografi uzmanı Borys Pawliw [9], Rijndael algoritmasının 

en iyi alternatif olup olmadığı sorusuna 

şu şekilde cevap vermektedir: “AES seçimi, etraflı 

güvenlik, performans ve etkinlik gibi farklı faktörlerin 

dengeleneceği bir uzlaşma olacaktı. Bundan dolayı, 

seçilecek olan algoritmanın tüm çevreler tarafından 

oybirliği ile övgüler alması beklenmiyordu. Bazı kişiler, 

Rijndael algoritmasının diğer birkaç alternatif 

kadar güvenli olmamasından dolayı eleştiriler yönelttiler. 

Bu yaklaşım her ne kadar teorik olarak geçerli 

olsa da, pratikte bu algoritma kullanılarak şifrelenmiş 

bir verinin saldırılara karşı zayıf olacağı anlamına gelmemektedir. 

Akademik bir bakış açısından Rijndael 

en güvenli algoritma olmamasına rağmen, söz konusu 

algoritmanın savunucuları gerçek dünyaya ait uygulamaların 

hepsi için yeterince güvenli olduğunu ve 

gerekirse birkaç şifreleme turu daha eklenerek daha 

da güvenli hale getirilebileceğini iddia etmektedirler. 

Rijndael algoritmasına saldırıların sadece çok kısıtlı 

ortamlarda başarılı olduğu, her ne kadar matematiksel 

olarak ilgi çekici olsalar da, gerçek dünyada 

önemsiz oldukları düşünülmektedir” [9]. 

58 59 

Kaynakça 

[1] Nechvatal J., Barker E., Bassham L., Burr W., Dworkin M., Foti J., Roback E., “Report on the Development of the Advanced Encryption Standard (AES)”, NIST, 2000 

[2] Soto J., Bassham L., “Randomness Testing of the Advanced Encryption Standard Finalist Candidates”, NIST, 2000 

[3] Rukhin A., Soto J., Nechvatal J., Smid M., Barker E., Leigh S., Levenson M., Vangel M., Banks D., Heckert A., Dray J., Vo S., “A Statistical Test Suite for Random and Pseudorandom 

Number Generators for Cryptographic Applications”, NIST, 2000 (Revizyon: 2010) 

[4] Gollmann D., “Computer Security”, 2011 

[5] http://en.wikipedia.org/wiki/Data_Encryption_Standard 

[6] http://en.wikipedia.org/wiki/Advanced_Encryption_Standard 

[7] http://searchsecurity.techtarget.com/definition/Advanced-Encryption-Standard 

[8] http://en.wikipedia.org/wiki/Randomness_tests 

[9] http://searchsecurity.techtarget.com/definition/Rijndael



Amerika’nın 

yirminci yüzyılın 

erken kısmındaki 

önde gelen kriptoanalizcilerindendir ve “deniz kriptolojisinin 

first lady’si” olarak adlandırılır. Geneseo 

(Illinois)’de 1889’da doğar. 1907 ile 1909 arasında 

Columbus’daki (Ohio) Otterbein Üniversitesi’ne, 

sonrasında ise matematik, istatistik, fizik, müzik ve 

dil eğitimi (Almanca, Fransızca, Latince, Japonca) 

gördüğü Ohio Devlet Üniversitesi’ne devam eder. 

Bu üniversitede 1911 yılında lisans eğitimini tamamlar. 

Mezuniyetten sonra Teksas’da bulunan Lowry 

Phillips Askerî Akademisi’nin Müzik Bölümü’nde işe 

girer ve yine Teksas’daki Amarillo Lisesi’nin matematik 

bölümünün müdürü olduğu 1914 yılına kadar 

burada dersler verir. 

Meyer 1918 yılında baş levazımatçı olarak Deniz İhtiyat 

Teşkilatı’na kaydolur ve kriptoanalist olarak kariyerine 

böylece başlar. Aktif görevi Temmuz 1919’da 

sona erer. Bir yıl sonra, Deniz İletişimi Müdürlüğü 

Bürosu’ndan geçici olarak Chicago’da (Illinois) bulunan 

Riverbank Laboratuvarları’ndaki Şifre Bölümü’ne 

katılır. 1921 yılında rotor prensibini kullanarak şifreleme 

yapan ilk makinenin kaşifi Edwrad Hebern, bir 

deniz dergisinde “kırılması imkansız bir şifre” yayınlar 

ama “bir kriptoanalist olan Bayan Agnes Meyer bu 

şifreyi çözer.” [2] Hebern hemen Meyer’i kripto ile ilgili 

konularda işe alır ama şirketi iflas eder. Meyer’in, 

İSTATİSTİK 

ÇEŞİTLEMELERİ 

İlk Kripto Analizci 


Washington’lu bir avukat olan Michael Driscoll ile evlenmesi 

bu dönemdedir. 1924 yılında Deniz İletişim 

Müdürlüğü Bürosu’na geri döner. Burada Deniz Kuvvetleri 

Kriptolojik Araştırma Masası’nın ilk müdürü 

Lawrence Safford’a, 1925’ten 1947’ye kadar Deniz 

Kuvvetleri’ndeki kriptolojik ve istihbarat alanlarındaki 

gelişmelerin önde gelen figürü Joseph Rochefort’a 

ve 2. Dünya Savaşı sırasında Japon deniz iletişimini 

çözmekte en önemli başarılara imza atmış takımın 

başı olan Thomas Dyer’e kriptoloji öğretmek konusunda 

yardımcı olur. Susan Lujan onun hakkında şu 

şekilde yazar: “O, bir grup nitelikli analist içinde, bu 

alanda köşetaşları olan Hebern şifre makinesi, Japon 

Orange Grand deniz manevra şifresi, Japon Kırmızı 

Kitap ve Mavi Kitap süperşifrelemeleri ve diğerleri 

gibi yeni sistemleri ve kodları kırmakta, genelde ilk 

olan kişiydi.” [1] Japonların Mavi Kitap kodunu çözmek 

hemkodu hem de üstüne kurulan şifrelemeyi 

beraberinde çözmeyi gerektiriyordu. Tuğamiral Edwin 

Layton And I Was There adlı kitabında “Bayan 

Aggie”yi anlatmaktadır. 

Deniz kuvvetlerinde eşsiz bir kriptoanalisttir. Ham 

Wright gibi bazı öğrencileri daha yetenekli matematikçilerdir 

ama kriptoanaliz derslerini ondan almışlardır 

ve bütün öğrencileri onun kod ve şifre kırmaktaki 

mükemmel yeteneğini ve kararlılığını teslim eder. 

Makineleri anlamış ve onların nasıl kullanılacağını 

kavramıştır. 1937’de Senato tarafından şifreleme 

makinesi geliştirmekye olan katkılarından dolayı 

verilen 15 bin dolarlık ödülü Deniz Binbaşı Willian F. 

Gresham’la paylaşmıştır. Onun temel yeteneği meselenin 

köklerine inebilmek, meselenin özündeki unsurları 

tespit edebilmek ve bunu çözmek için bir yol 

bulabilmesindedir. Uzun kariyeri boyunca üniformalı 

meslektaşları tarafından saygı görmüştür. 

Agnes Driscoll Aralık 1950’ye kadar Deniz 

Kuvverleri’nde “baş kriptoanalist” olarak görev yapmıştır. 

1950'den 1959’a kadar bugün Ulusal Güvenlik 

Kurumu olarak bilinen kurumun öncüsü olan Silahlı 

Kuvvetler Güvenlik Ajansı’nda çalışır ve 31 Temmuz 

1959’da emekliye ayrılır. 1971’de ölür ve Arlington 

Ulusal Mezarlığı’na gömülür. 

60 61 

Referanslar 

1. Lujan, Susan. "Agnes Meyer Driscoll," Selections from Cryptologia: History, 

People, and Technology, Cipher Deavours, Ed., Artech House, 1998, 269- 

278. Daha önce şurada yayınlanmıştır: Cryptologia, Vol. XV, No. 1 (Ocak 

1991). 

2. Kahn, David. The Codebreakers: The Story of Secret Writing, Macmillan Company, 

1967. 

3. Layton, Real Admiral Edwin T., Captain Roger Pineau ve John Costello ile 

birlikte. "And I Was There", Pearl Harbor and Midway—Breaking the Secrets, 

William Morrow and Company, 1985. 

4. "Agnes Meyer Driscoll, 1889-1971," Ulusal Güvenlik Kurumu Gurur Duvarı, 

2000 Er.

GİRİŞ 


Günümüzde televizyon çocuklarda etkin olan araçların 

başında gelmektedir. 

Çocuklar pek çok şeyi televizyon vasıtasıyla öğrenerek 

davranış haline getirmektedir. Televizyonun 

öğrettiği davranışlardan biri de şiddettir. Günümüzdeki 

tartışmalara; televizyonun şiddeti öğretip öğretmediğinden 

ziyade, çocukların televizyonun olumsuz 

etkilerinden nasıl korunacağı noktasında odaklanılmalıdır. 

Televizyon, çocuğun anne ve babasından sonra, 

ebeveynliğin üçüncü kolu olarak tanımlanmaktadır. 

(Kunczik 1994:114-116) 

Televizyonun olmadığı dönemlerde çocuklar; ailelerinden, 

yakın çevrelerinden ve eğitim kurumlarından 

Melis Duygu DEMİRER 

Ankara Üniversitesi Fen Edebiyat Fakültesi 

İstatistik Bölümü Yüksek Lisans Öğrencisi 

Televizyondaki Şiddet İçerikli 

Yayınların Çocukların Kişisel 

Etkileşimlerine Etkisi 

Özet 

Bu çalışmada, televizyondaki şiddet içerikli yayınların çocukların kişisel etkileşimleri üzerindeki 

etkileri araştırılmıştır. Bu amaçla Batıkent İstiklal İlköğretim Okulu öğrencilerinden; ana sınıfları, 

1. ve 2. sınıflar araştırmaya dahil edilmemek üzere, 9-14 yaş aralığındaki 300 öğrenci ile çalışma 

yapılmıştır. Olasılık temelli örnekleme yöntemlerinden tabakalı örnekleme yöntemi kullanılmıştır. 

Yapılan çalışmanın sonucunda; yaş ve cinsiyet ayrımı olmaksızın çocukların genelinin akıllı işaretleri 

tanıyor ve önemsiyor olmalarına rağmen, televizyon yayınlarındaki şiddet unsurlarının gerçek veya 

kurmaca olup olmadıklarını kavrayamadıkları kanısına varılmıştır. 

Anahtar Kelimeler: Şiddet içerikli yayınlar, akıllı işaretler, özdeşim. 

tanıdıkları kişileri kendilerine rol model almaktaydı. 

Televizyonun yaygınlaşmasıyla çocuklar artık rol 

modellerini televizyon karakterlerinden seçmeye 

başladılar. 

Çocuklar üzerinde, televizyondaki şiddetin etkileri konusunda 

çeşitli teorik görüşler bulunmaktadır. Birincisi, 

televizyonda yer alan şiddetin çocukları olumsuz 

yönde etkileyerek şiddet eğilimlerini artırdığı görüşünü 

savunmaktadır. İkincisi, bunun aksine televizyondan 

görsel ve işitsel olarak algılananların, çocukların 

şiddet davranışını artırmadığı şeklindedir. 

Televizyon ve şiddet konusunda ilk akla gelen grup 

çocuklar olmaktadır. Bunun birkaç nedeni vardır: 

1) Çocukların her türlü etkiye açık olmaları, 

2) Zarar görmeye en açık, en güçsüz ve en fazla korunması 

gereken kesim olmaları, 

3) Televizyondaki gösterimlerden hangilerinin gerçek 

hangilerinin kurmaca olduğunu anlayamamalarıdır. 

Son zamanlarda televizyonun yaygınlaşmasıyla televizyondaki 

şiddet içeren programların artmasıyla 

birlikte çocukların bu yayınlardan olumsuz etkilenebilecekleri 

düşüncesi ve buna ek olarak yukarıda belirtilen 

olası durumlar da göz önünde bulundurularak 

araştırma konusu ”Televizyondaki şiddet içeren yayınların 

çocukların kişisel gelişimlerine etkisi” olarak 

belirlenmiştir. 

Çalışmanın amacı; 

Televizyon programlarının 9-14 yaş arası çocukların 

psikolojilerine etkilerini ortaya koymaktır. 

Çalışmanın önemi; 

Bu araştırma sonucundan elde edilecek verilerle 

toplum için daha faydalı olabilecek genellemeler 

elde etmek ya da çarpıklıkları ortaya çıkarıp yeni ve 

faydalı düzenlemeler yapılmasını kolaylaştırmaktır. 

Beklenen sonuçlar; 

Program öncesinde ekranda beliren akıllı işaretlerin 

tam olarak bilinmemesi ve önemsenmemesinden 

kaynaklanarak televizyondaki şiddet içeren programların 

çocukların kişisel etkileşimlerini olumsuz etkileyebileceği 

ve onları taklitçiliğe yöneltebileceğidir. 

BULGULAR 

Araştırmaya dahil edilen 9-11 yaş arası çocukların 

%45.34’ünü 

erkek öğrenciler, %54.66’sını kız öğrenciler oluşturmaktadır. 

12-14 yaş arası çocukların ise %46.76’sını erkek 

öğrenciler , %53.24’ünü ise kız öğrenciler oluşturmaktadır. 

9-11 yaş arası çocukların %32’si günde 0-2 saat , 

%16.3’ü günde 2-4 saat, %4.7’si günde 4-6 saat ve 

%0.7’si günde 6-8 saat televizyon izlediklerini belirtmişlerdir. 

12-14 yaş arası çocukların %20’si günde 0-2 saat, 

%19.3’si günde 2-4 saat, 

%5’i günde 4-6 saat ve %2’si günde 6-8 saat televizyon 

izlediklerini belirtmiştir. 

Şiddeti, erkek öğrencilerin; 

%6.33’ü “zorlama” 

%18’i “vurma” 

%12’si “işkence” 

ve % 9.67’si “yaralama-öldürme” olarak tanımlamıştır. 

Şiddeti, kız öğrencilerin; 

62 63

%9’u “”zorlama”, 

%25’i “vurma”, 

%13’ü “işkence”, 


ve % 7’si “yaralama-öldürme” 

olarak tanımlamıştır. 

Çocukların %60’ı şiddet içeren 

yayınlara karşı kanalı değiştirmektedir. 

Çocukların %21.33’ü şikayet 

etme isteği duymaktadır. 

Çocukların %18.67’si yayını 

takibe devam etmektedir. 

Öğrencilerin %29.67’si en 

fazla şiddet içeriği bulunan program türünü filmler 

olarak, %21’i diziler olarak, %17’si canlandırma 

programları olarak, %8’i haber programları olarak, 

%7.67’si açık oturum programları olarak, %4.33’ü 

yarışma programları ve diğer program türleri olarak, 

%4’ü ise magazin ve spor programları olarak tanımlamıştır. 

En fazla şiddet içeriği bulunan program türü; 89 öğrenciye 

göre filmler, 63 öğrenciye göre diziler, 51 öğrenciye 

göre canlandırma programları, 24 öğrenciye 

göre haber programları, 23 

öğrenciye göre açık oturum 

programları, 

13 öğrenciye göre yarışma 

programları ve diğer programlar, 

12 öğrenciye göre 

spor programları ve magazin 

programlarıdır. 

Erkek öğrencilerin ailelerinin 

%31.33’ü şiddet içeren 

programlara karşı çocuklarını 

uyarıyor, %6.67’si televizyonu 

kapatıyor, %3.67’si tepkisiz 

kalıyor ve %1’i katı davranıyor. 

Kız öğrencilerin ailelerinin 

mamaktadır. 

%36’sı şiddet içeren programlara 

karşı çocuklarını uyarıyor, 

%11.33’ü televizyonu kapatıyor, 

%4’ü katı davranıyor, 

%1.67’si tepkisiz kalıyor ve 

%1’i cezalandırıyor 

Çocukların %54’ü dizi karakterlerini, 

%7.67’si çizgi film 

karakterlerini, %5’i film karakterlerini, 

%4’ü komedyenleri, 

%3.67’si sporcuları %2.67’si 

müzisyenleri, %2.33’ü mankenleri, 

%1.33’ü politikacıları 

rol model almaktadır. Çocukların 

%19.33’ünün ise rol 

model aldığı karakter bulun- 

Örnek alınan davranışların %18’ini iyi huyluluk, 

%12.67’sini komiklik, %12.33’ünü dış görünüş, 

%8.67’sini yetenek, %7.33’ünü şiddet uygulaması, 

%5’ini cesaret ve zekâ, %4.33’ünü güç, %3.33’ünü 

ise bilgi birikimi oluşturmaktadır. % 23.33’lük kısmın 

örnek aldığı davranış bulunmamaktadır. 

Akıllı işaretleri bilenlerin %66.33’ü önemsiyor buna 

karşın %29.67’si önemsemiyor. 

Akıllı işaretleri bilmeyenlerin 

%2.33’ü önemsemiyor buna 

karşın %1.67’si önemsiyor. 

TARTIŞMA VE 

SONUÇ 

Pek çok evde birkaç tane televizyonun 

olduğu günümüzde 

sorun artık televizyonun çocukları 

nasıl etkilediği sorusundan 

ziyade olumsuz etkiyi 

nasıl en aza indirerek televizyonun 

olumlu işlevlerinden 

faydalanabiliriz olmalıdır. 

Araştırma sonuçlarına göre; 

1. 12-14 yaş aralığındaki çocukların 

günlük televizyon izle- 

me süreleri, 9-11 yaş aralığındaki çocuklara göre az 

da olsa artış göstermektedir 

2. Cinsiyet ayrımı olmaksızın çocukların şiddeti tanımlama 

biçimlerinin “vurma” olduğu söylenebilir. 

3. Çocukların % 50’sinden fazlasının şiddet içeren 

yayına karşı tepkisinin “kanalı değiştirmek” olduğu 

söylenebilir. 

4. Çocukların geneli, en fazla şiddet içeriği bulunan 

program türünün dizi ve filmler olduğunu düşünmektedir. 

5. Ailelerin geneli, şiddet içeren bir program yayınlandığında, 

cinsiyet ayrımı olmaksızın çocuklarını 

sadece uyarmakla yetinmektedir. Çocukların çoğunluğu 

ise bu uyarıları dikkate almaktadır. 

6. Çocukların en çok örnek aldıkları ve özdeşim kurdukları 

karakterler dizi karakterleridir. 

7. Çocukların %23.33’ü herhangi bir karakterin özelliğini 

örnek almazken, %18 ile en çok örnek alınan 

davranış iyi huyluluktur. 

8. Yaş ve cinsiyet ayrımı olmaksızın, çocukların çoğunluğu 

akıllı işaretleri biliyor ve önemsiyor. 

64 65 

Öneri 

Sonuçlardan anlaşıldığı gibi; çocuklar şiddet unsurlarından 

hangilerinin gerçek, hangilerinin kurmaca 

olduğunu anlayamamaktadır. Son yıllarda televizyon 

çekimlerinin sahne arkasını ekrana getiren programlar, 

çocukların gerçek ve kurmaca ayrımını yapmaları 

konusunda faydalı olabilir. Bu nedenle bu tür programların 

artırılması ve ailelerin bu programları çocuklarıyla 

seyretmeleri hem çocukların bilinçlenmesi 

hem de aile ve çocuk arasındaki etkileşimin güçlenmesi 

açısından önemlidir. 

KAYNAKÇA 

l Aydın, O. Ve Aydın, G. (1993): “Ekranda İzlenen Şiddet, Saldırgan Davranışları 

Artırır mı?” Psikiyatri, Psikoloji, Psikofarmakoloji Dergisi (3p) (Ek 4) 43-51 

l Demir, N. (2004): “Birey, Toplumbilim: Sosyoloji Temel Kavramlar” Ankara, 

Turhan Kitabevi 

l Gökler, B. (1993): “Çağımızda Çocuk ve Şiddet” Psikiyatri, Psikoloji, Psikofarmakoloji 

Dergisi (3p) (Ek4) 33-36 

l İsen, G. ve Batmaz, V. (2002): “Ben ve Toplum”, İstanbul, Om Yayınları 

l Tan, M. (1981): “Toplumbilime Giriş”: Temel Kavramlar, A.Ü. Eğitim Fak. Yayını 

No: 97 

l Aziz, A.(1982):”Toplumsallaşma ve Kitlesel Etkileşim”, Ankara Üniversitesi, 

B.Y.Y.O Yayınları, Ankara


Dâhi Kadın Matematikçiler 

İSTATİSTİK 


Kadın matematikçiler antik çağlardan beri matematik disiplininin gelişmesinde önemli 

bir rol oynamışlardır. Aşağıda matematiğin gelişimine dikkate değer katkılarda bulunmuş 

6 kadının kısa biyografilerini bulacaksınız. 

İskenderiyeli Hypatia 

Meşhur matematikçi ve astronom Theon’un kızı olan Hypatia, erken Yunan 

matematikçilerinin sonuncusudur. Ayrıca bir mucittir. 

370 – 415 tarihleri arasında İskenderiye’de (Mısır) yaşar ve İskenderiye 

Üniversitesi’nde geometri, astronomi, basit matematik, felsefe ve cebir dersleri 

verir. Bu üniversiteye Avrupa, Asya ve Afrika’dan öğrenci çeker. 

Matematik’teki temel ilgi alanı, İskenderiyeli matematikçi ve modern cebirin kurucusu 

Diophantus’un çalışmalarıdır. Konik kesitler üzerine de çalışır. 

İcatları arasında yıldızların ve gezegenlerin konumlarını ölçen bi usturlab, su arıtma 

cihazı ve su yoğunluğu ölçen bir alet bulunur. 

Emy Noether 

Emy Noether’in matematiğe temel katkısı birincil halkalar kavramını formüle etmesi ve 

geliştirmesidir. 

Sırabağımlı (non-commutative) cebirlerin yapısını da incelemiştir. Noether 23 Mart 

1882’de güney Almanya’nın üniversiteler şehri olan Erlangen’de doğmuştur. Üniversiteye 

kaydolduğunda okuldaki 1000 öğrenci içindeki iki kadından biridir. 1907 yılında doktorasını 

almıştır. 

1916 – 1923 arasında Götingen Üniversite’sinde cebir hocası olarak çalışmıştır. 

Matematiğe temel katkısı sırabağımlı cebirlerin yapısının incelenmesi üzerinedir. 1933’te 

Almanya’dan ayrılarak üniversite okutmanı olarak Birleşik Devletler’e yerleşir. 

14 Nisan 1935’te vefat eder. Öldüğünde Einstein kendisini şu sözlerle tanımlamıştır: 

“Noether, kadınlar yüksek eğitime erişim kazandığından beri en önemli yaratıcı matematik 

zekâdır.” 

Sonya Kovalevskaya 

Sonya Kovalevskaya 15 Ocak 1850’de Rusya’da doğar ve 10 Şubat 1891’de Stockholm’de 

ölür. Almanya’daki Heidelberg Üniversitesi’nde derslere katılır ve Alman matematikçi Weierstrass 

ile Berlin’de özel olarak çalışır. 

4 yıllık çalışma, biri kısmı diferansiyel denklemlerle ilgili, üç olağanüstü makale ile sonuçlanır. 

Kendisine Götingen Üniversitesi tarafından doktora verilir. 

1883 yılında yeni kurulan Stockholm Üniversitesi’nde ilk kadın okuman olur. En büyük başarısı 

“On the Rotation of a Solid Body about a Fixed Point (Sabit bir nokta etrafında döndürülen 

katı bir cisim hakkında)” adlı makalesiyle kazandığı Fransız Bilimler Akademisi’nin verdiği Prix 

Bordin’dir. 

Kovalevskaya kompleks analiz üzerine çalışmış ve Euler, Poisson ve Lagrange’ın 

çalışmalarını, hareketin diferansiyel denklemlerini çözmek için hipereliptik integral kullanarak, 

genelleştirmiştir. 

Ayrıca piyesleri, şiirleri, romanları ve bir otobiyografisi vardır. 

Maria Gaetana Agnesi 

20 çocuklu bir ailenin çocuklarından biri olarak 16 Mayıs 1718’de Bolonya’da (İtalya) 

dünyaya gelen Maria Gaetana Agnesi’nin babası bir matematik profesörüdür. 

Çok yetenekli bir çocuk olan Agnesi bir kaç dili akıcı bir şekilde öğrenir ve daha 

çocukken soyut matematik ve felsefe tartışmaları içinde yer alır. 

Agnesi’nin cebir, diferansiyel ve integral hesapları üzerine olan iki ciltlik çalışması 

‘Analytical Institutions’ bir çok dildeki kaynakları bir araya getirir. Ayrıca kendi 

yöntem ve genelleştirmelerini de barındırır. Anlaşılırlığı yüzünden bir çok dilde ders 

kitabı olarak kullanılır. 

Agnesi Cadısı olarak bilinen eğri onun ismini alır. Denklemi şudur: x 2 y =a 2 

(a-y). 

Bu eğriyi kendisi keşfetmemiş olsa da, kitabının analitik geometri kısmında bu denklemle 

çalışmıştır. Hayatının ikinci yarısını hasta ve fakirlere hasretmiştir. 9 Ocak 

1799’da Bologna’da ölmüştür. 

Mary Fairfax Sommerville 

Mary Fairfax Sommerville 26 Aralık 1780’de İskoçya’da doğar ve toplumun 

matematik ve bilim konusundaki çalışmalara ilgisini yükselten etkili bir yazar olur. 

İlk kitabı “Mechanisms of the Heavens” (Cennetlerin Mekanizması) Laplace’ın Celestial 

Mechanics (Semavî Mekanizma) adlı kitabının popüler bir tercümesidir ve 

yüksek matematik ve astronomi öğrencileri arasında yaygın bir ders kitabı olarak 

kullanılır. Diğer önemli eserleri: ’Connection of the Physical Sciences (Fizik Bilimleri 

ile Bağlantılar)’, ‘Physical Geography (Fizikî Coğrafya)’ ve ‘Molecular and Microscopic 

Science (Moleküler ve Mikroskopik Bilimler)’. Bu eserlerin sonuncusu 

Somerville 89 yaşında iken yayınlanır. Matematik konuları üzerine monografiler de 

yazar. 

Çalışmaları, İngiltere Kralı tarafından kendisine bir emekli aylığı bağlanarak karşılık 

bulur ve Kraliyet Astronomi Topluluğu’na üye seçilen ilk kadın olur. 

28 Kasım 1872’de Napoli’de (İtalya) vefat eder. 

Ada Lovelace 

19’uncu yüzyılda teknoloji alanında fazla kadın bulunmaz ama biri vardır ki kendisi ilk 

bilgisayar programcısı olarak bilinir. (Sadece ilk kadın programcı değil, ilk programcı 

olarak). Ada Lovelace kadınların, yıllardır, enformasyon teknolojisinin önemli bir 

parçasını oluşturduklarını hatırlatan önemli bir figürdür. 

Şair Lord Bryon’ın kızı olan Augusta Ada Lovelace 10 Aralık 1815’te Londra’da 

doğar. Yetenekli bir matematikçi, linguist ve kemancıdır. Annesi ve aile dostu Mary 

Sommerville’in desteğiyle erken yaşlarda matematiğe yönelir. 

21 yaşına geldiğinde matematikçi, bilim insanı ve kâşif Charles Babbage’ın yanında 

erken bilgisayar için bir model olan Analytical Engine üzerine, çalışmaya başlar. Bilgisayar 

programlama, işlenecek verinin belirlenmesi, kartların kullanımı ve hangi komutun 

hangi sırada yürütüleceğini belirten sıranın belirlenmesi fikrini geliştirir. 

Soylu İngiliz kadınlarının matematiksel makaleler yazması uygun bulunmadığından, 

çalışmalarında isminin baş harfleri olan AAL kısaltmasını kullanmıştır. 

Lovelace ve Babbage tarafından keşfedilen bir başka alan at yarışlarında olasılık 

kuramlarının kullanılmasıdır. Kullandıkları sistem Lovelace’ı büyük borçlar altında 

bırakır ve güvenilmez bulunur. 

1970’lerde ABD Savunma Bakanlığı tarafından geliştirilen yüksek seviyeli programlama 

dili onun adı ile (ADA) anılır. Ada Lovelace 27 Kasım 1852’de Nottinghamshire’da 

(İngiltere) ölür. 

66 67


25 Eylül 2012 sabahı Kırşehir’in Abdal mahallesinde 

sessiz gözyaşlarıyla söylenen bozlaklar, bir anlamda 

haber bültenleri ile birlikte ünlü halk ozanı Neşet 

Ertaş’ın vefatını duyuruyordu. 

1938 yılında doğan Neşet Ertaş’ın babası halk ozanı, 

Orta Anadolu Abdal-Türkmen müziğinin temsilcisi 

Muharrem Ertaş, annesi Döne Hanım’dır. Annesinin 

ölümünden sonra 15 yaşında gurbete çıkana kadar 

Kırşehir, Keskin ve Yozgat’ın köylerinde yaşamıştır. 

İlkokula giderken keman ve bağlama çalmayı öğrenmiştir. 

Babası Muharrem Ertaş ile birlikte yöre düğünlerinde 

saz çalıp türküler söylemiştir. 

Etkilendiği tek kişinin babası Muharrem Ertaş olduğunu 

söyler. Kendi ifadesi ile bunu şu şekilde ifade 

eder; "Babamla ben aynı ruhun insanlarıyız." 

İlk plağını 1950'li yılların sonunda İstanbul'a giderek 

"Neden Garip Garip Ötersin Bülbül" adı ile babası Muharrem 

Ertaş'a ait bir türküyle çıkardı. Çok beğenilen 

bu plağın ardından diğer plak, kaset ve halk konserleri 

takip etti. Daha sonra Neşet Ertaş Ankara'ya yerleşir. 

Burada yaşadığı sağlık sorunları nedeniyle kardeşinin 

daveti üzerine Almanya'ya gider. Çocuklarının eğitimi 

ve sanatsal çalışmalarından dolayı uzun bir süre 

Deniz Yıldız 

Bir Veda’nın Ardından 

“Dizinde sızıydı anamın derdi 

Tokacı saz yaptı elime verdi 

Yeni bitirmiştim üç ile dördü 

Baban gibi sazcı oldun dediler” 

Neşet ERTAŞ 

İSTATİSTİK 


Almanya'da kalan sanatçı, 2000 yılında İstanbul'da 

verdiği konserle sahne hayatına geri dönmüştür. 

Kırşehirli mahalli sanatçı ünvanı ile başlayan neredeyse 

yarım asırlık müzik serüveni ,Neşet Ertaş’ı 

neredeyse yarım yüzyılda, ülke sınırlarının dahi dışına 

çıkan bir şöhrete ulaştırmıştır. Türkülerinde göze 

çarpan mahalli ve yöresel özelliklere rağmen, zaman 

içinde yöre sanatçısı kimliğinden çıkarak halk kesimlerinde 

ve profesyonel müzik çevrelerinde, her 

sanatçıya nasip olmayacak bir şöhrete ulaşmıştır. 

Garip mahlasıyla okuduğu türküler, bozlaklar, aslında 

Neşet Ertaş’ın hayatı hakkında ipuçları vermektedir. 

Yokluklara ve gurbette geçen acı yıllarına rağmen, 

dinleyicilerine “ayağınızın turabı olayım’’ diyecek 

kadar mütevazi kişiliğe sahipti. Kalabalıklardan ve 

medyadan adeta kaçan içe kapanıklığı ile yüreğindeki 

acıları ve yaşadığı yoksullukları, söylediği türkülerde 

ifade ederken hiçbir grubun, etnik kimliğin ya da 

mezhebin sözcüsü olmamıştır. “O dönem Süleyman 

Demirel cumhurbaşkanıydı. Devlet sanatçılığı bana 

teklif edildi. Ben, 'hepimiz bu devletin sanatçısıyız, 

ayrıca bir devlet sanatçısı sıfatı bana ayrımcılık geliyor' 

diyerek teklifi kabul etmedim. Ben halkın sanatçısı 

olarak kalırsam benim için en büyük mutluluk bu. 

Şimdiye kadar devletten bir kuruş almadım, bir tek 

TBMM tarafından üstün hizmet ödülünü kabul ettim. 

Onu da bu kültüre hizmet eden ecdatlarımız adına 

aldım." açıklaması halk arasında neden efsaneleştiğinin 

ve kendisine “BOZKIRIN TEZENESİ” ünvanının 

layık görüldüğünün de bir özetidir aslında. 

2010 yılında Unesco tarafından “yaşayan insan 

hazinesi” ilan edilen Ertaş, 25 Nisan 2011 tarihinde 

İTÜ Devlet Konservatuarı tarafından fahri doktora 

ödülü ile onurlandırılmıştır. 

TÜRKÜLER –TÜRKÜLERİMİZ 

Yazımızın bu bölümünde kesin bir sınıflandırma yapmak 

güç olsa da, türkülerle ilgili var olan ve kabul 

görmüş ayrımları illerini de gözeterek, gerek anonim 

olsun gerekse de halk ozanlarınca söylenmiş olsun, 

TRT Repertuarına girmiş ve bilinen türkülerin yaklaşık 

sayılarını vermeye çalışacağız. Mahalli, yerel, sadece 

o bölge insanının bildiği, dışa açılamayan bazı türkülerin 

varlığı da kabul edildiğinde, bu sayıların elbette 

mutlak ve sabit olması mümkün değildir. 

Türkü kelimesinin kaynağı Türk kelimesidir. "Türk" 

kelimesinin sonuna (î) iyelik eki eklenerek Türkî sözü 

elde edilmiş, bu söz zamanla "Türkü" biçimini almıştır. 

Halkın neşesini, derdini, özlemini, sitemini, dünya 

görüşünü, inancını vb. yansıtan; hece ölçüsüyle 

söylenen, ana bölümüne bağlantıların eklenmesiyle 

oluşturulan ezgili anonim ürünlere "Türkü" denir 

Türkü sözü muhtelif Türk boylarında farklı kelimelerle 

isimlendirilirler. Türküyü Azeri Türkleri mahnı, Başkurtlar 

halk yırı, Kazaklar türki, türik halık äni, Kırgızlar 

eldik ır, türkü, Kumuklar yır, Özbekler türki, halk 

koşiğı, Tatarlar halık cırı, Türkmenler halk aydımı, 

Uygur Türkleri de nahşa, koça nahşisi derler. 

Türkü sözcüğü ilk kez XV. Yüzyılda Doğu Türklerince 

kullanılmıştır. Hikmet Dizdaroğlu, Anadolu'da türkünün 

ilk örneğini Öksüz Dede'nin verdiğini belirtir. 

Türküler genellikle hece vezninin 7, 8 ve 11'li kalıplarıyla 

kıtalar halinde söylenir. Her kıta türkünün asıl 

sözlerinin bulunduğu bend ile nakarattan meydana 

gelir. Nakarat her bendin sonunda tekrarlanır. Bu kısım 

bağlama veya kavuştak diye de bilinir. Türküleri 

kesin ayrıma sokmak güçtür. Bir yörede yakılan türkü 

diğer bir yöreye şekli ve söyleniş biçimi değişerek 

geçebilir. 

Türkü Özellikleri: 

1.Türkülerde konu zenginliği vardır. Aşk, ayrılık, 

ölüm, gurbet, tabiat, kahramanlık ve güzellik başlıca 

konularıdır. 

2. Hecenin yedili, sekizli en çok da on birli kalıplarıyla 

yazılırlar. 

3. Türküler genelde dörder mısralı bentlerden oluşur. 

4. Bazıları koşma şeklindedir. 

5. Bazı türkülerde her bendin sonunda aynı dize veya 

dizeler tekrarlanır. Bu tekrarlanan dizelere nakarat 

(kavuştak) adı verilir. Nakaratların ölçüsü bazen ana 

bentlerin ölçüsünden ayrı olabilir. 

6. Türkülerin kafiye örgüsü genelde şöyledir: "aaab 

cccb dddb", "aaabb cccbb dddbb" veya "aaabcc 

dddbcc eeebcc" şeklindedir. 

7. Türküler ait oldukları bölgelere göre adlar alırlar. 

8. Genelde anonimdirler ama söyleyeni belli olan türküler 

de vardır. 

Yukarıda belirttiğimiz üzere, kesin bir ayrım yapılamamakla 

birlikte, kabul görmüş sınıflandırmalar şöyledir. 

KONULARINA GÖRE TÜRKÜLER 

A. Lirik Türküler: Aşk, sevinç, özlem vb. duyguların 

ön alana çıktığı türkülerdir. 

a. Aşk ve Sevda Türküleri 

b. Gurbet Türküleri 

c. Ağıtlar 

d. Ninniler 

B. Satirik Türküler: Mizahın ve yerginin ön alana 

çıktığı türkülerdir. 

a. Mizahi Türküler 

b. Taşlamalar 

C. Olay Türküleri: Gerçek olaylara dayana türkülerdir. 

a. Tarihi Türküler 

b. Eşkiya Türküleri 

c. Hapishane Türküleri 

D. Tören ve Mevsim Türküleri 

a. Düğün ve Kına Türküleri 

b. Tarikat türküleri 

68 69


E. İş ve Meslek Türküleri 

a. Esnaf Türküleri 

F. Pastoral Türküler: Konularını doğa ve doğa güzelliklerinden 

alan türkülerdir. 

a. Doğa Türküleri 

G. Didaktik Türküler 

H. Oyun Türküleri 

RİTMLİ (USULLÜ) TÜRKÜLER 

Usullü türküler genellikle oyun havaları olup Konya’da 

“oturak”, Urfa’da “kırık hava”, Ege’de “zeybek”, 

Ordu, Giresun, Trakya ve Marmara’da “karşılama”, 

Harput’ta “şıkıltım”, Karadeniz kıyılarında “horon”, 

Isparta ve Eğridir’de “datdiri”, Kars ve Erzurum’da 

“Sümmani ağzı” adlarıyla da anılmaktadırlar. Bunlara, 

belli süre birimlerine bağlı kalınarak yakılmış türküler 

oldukları için ölçülü türküler de denir. Bu oyun 

havalarından başka, “güzelleme”, “koşma”, “ninni”, 

“taşlama” ve “yiğitleme” de bu bölüm içinde yer almaktadır. 

a- Azeri Türküleri: Tar, garmon ve akerdeonun en 

önemli çalgıları olup ritm olarak koltuk davulu kullanılmaktadır. 

Segah ve nihavend makamları en çok 

kullanılan makamlardır. (Sevgi Gatarı, Eziz Dostum, 

Yarimi Göreydim) 

b- Karadeniz Türküleri: Karadeniz türkülerinde, türü 

belirleyen unsurlar; 

usûl, çalgılar, ağız ve bağlamadaki tavırdır. Ayrıca 

bu türkülerin büyük bir kısmı oyunlara eşlik etmek 

için okunurlar. Tulum, zurna ve Karadeniz kemençesi 

türün çalgısal özellik gösteren çalgılarıdır. Ayrıca 

bağlama (Uzun sap, bozuk düzen) yaygın olarak kullanılmakta 

ve kendine ait Karadeniz tezenesi ile tavır 

özelliğini göstermektedir. Seslendirmede kullanılan 

Karadeniz ağzı türün bir diğer özelliğidir. (Dertliyim 

Kederliyim, Giresun Kayıkları, Gelevera Deresi) 

c- Konya Türküleri: Bu türde, bağlamadaki özel 

Konya tavrı ve seslendirmede yapılan triller kendini 

kabul ettirmişlerdir. (Bağlar Gazeli, Sürmeli, Konyalım 

Yürü) 

d- Rumeli Türküleri: Bu türkülerde, ağız ve bağlamadaki 

tavır, türü belirleyen en önemli öğelerdir. Seslendirmede 

yöresel ağız "şive", bağlama ile icrada 

İSTATİSTİK 


Trakya tavrı görülür. Kent merkezlerinde bağlamanın 

yanı sıra, keman, kanun, ud gibi GTSM çalgıları da 

kullanılmaktadır. 

Bulgaristan, Yunanistan ve Yugoslavya'da yaşayan 

Türkler'in bu türdeki türkülerinin oluşu, asırlarca aynı 

siyasi topluluk içinde olan insanların kültür birlikteliğinden 

başka bir şey değildir. (Yüksek Yüksek Tepelere, 

Bahçalarda Börülce, Aman Bre Deryalar) 

e- Teke Zortlatması (Teke Yöresi Türküleri): Bu 

tür adını, Teke yöresi olarak bilinen bölgeden almaktadır. 

Bölgenin adı, Teke beyliğinden gelmektedir. 

1277 yılında Karamanoğlu Mehmet Bey'in izniyle, 

Teke Paşa bir beylik kurmuş ve bu beyliğe kendi adını 

vermiştir. 

Teke yöresini kapsayan yerler şunlardır; Burdur'un 

tamamı, Fethiye, Ortaca (Muğla), Acıpayam, Kızılhisar, 

Honaz (Denizli), Dinar Başmakçı (Afyon), Yalvaç, 

Şarkikaraağaç (İsparta), Cevizli, Akseki, Manavgat, 

Alanya (Antalya) 

(Yayla Yolları, Antalya’nın Mor Üzümü, Hele Hele 

Kızlar) 

f- Yozgat Türküleri: Bu türü belirleyen en önemli 

öge, bağlamanın, Yozgat Tavrı veya "Sürmeli" olarak 

bilinen bir tavırla çalınışıdır. Ayrıca seslendirmede 

yapılan triller ve gırtlak hareketleri ağız olarak da bu 

türe başka bir özellik kazandırır. 

Yozgat tavrını radyolara getiren, tanıtan ve yaygınlaşmasını 

sağlayan Nida Tüfekçi Hoca'dır. 

(Hastane Önünde İncir Ağacı, Çamlığın Başında Tüter 

Bir Tütün, Dersini Almış da Ediyor Ezber ) 

SERBEST RİTMLİ (USULSÜZ) TÜRKÜLER 

a- Arguvan havaları: Malatya özellikle Arguvan ilçesi 

ve Maraş’ın bazı kesimlerinde yaygın Alevi Türkmenlerine 

özgü bir uzun hava türüdür. Sözlerinde 

doğa,aşk,sevda,öğüt ve gurbet konuları işlenmiştir 

(Etek Sarı, Arguvana’a Gidemem, Açma Bugün Perdeleri) 

b- Barak Havaları; Barak havaları, barak Türkmenlerine 

özgü uzun havalardır. Barak Türkmen köyleri 

Gaziantep, Şanlıurfa arasında kalan Barak Ovası’nda 

çalınıp söylenmektedir. Barak havaları yöre oyunları 

oynanmadan önce ya da oyun aralarında sıkça ses- 

lendirilir. ( Dayanamam, Barakkızı, Biçare) 

c- Bozlak; Özellikle İç Anadolu ve Güney Anadolu’da 

Toroslar’da yaygın olan Avşar Türkmenleri oymaklarına 

ait bir uzun hava türüdür. Bozlakların konuları, 

yöresel ve çeşitli toplumsal olaylardır. En önemli 

özelliklerden olan yiğitlik ve kahramanlık konuları baş 

konular olarak görülür.( Avşar Bozlağı, Ankara’da Yedim 

Taze Meyvayı, Telli Turnam) 

d- Yol Havaları; Karadeniz yöresinde seslendirilen 

bir uzun hava türüdür. Konuları aşk, sevda ve doğadır. 

Sözleri doğaçlama olarak okunur. (Ağasar Yol 

Havası, Hemşin Yol Havası, Tonya Yol Havası) 

e- Hoyratlar; Doğu ve Güneydoğu Anadolu’da ve 

Türklerin yaşadığı Kerkük’te çokça yaygın olarak görülmektedir. 

Hoyrat, yiğitlik mertlik duygusu veren 

klasik öğelerLe bezenmiştir. Sözlerde sevgi, sevgili, 

gurbet, keder, yas, özlem, doğa ve nasihat gibi 

konular işlenir. (Alçak Felek, Kerkük’ün Altı Hasa, 

İLLERE GÖRE TÜRKÜ SAYILARI 

Bahar’da Gülüm Soldu) 

f-Gurbet Havaları; Teke yöresine özgü bir uzun hava 

türüdür. Gurbet havaları sözlerinde ayrılık, sıla, yiğitlik, 

hasret gibi konular işlenir. Gurbet havalarına kaval, 

sipsi, kabak kemane, üç telli ve bağlama ile eşlik 

edilir, (Çıktım Gurbet Ele, Eğlen Durnam, Akşamlar 

Oldu) 

70 71 

ADANA 122 

ADIYAMAN 30 

AFYON 88 

AĞRI 29 

AMASYA 33 

ANKARA 168 

ANTALYA 50 

ARTVİN 283 

AYDIN 49 

BALIKESİR 45 

BİLECİK 49 

BİNGÖL 12 

BİTLİS 35 

BOLU 128 

BURDUR 104 

BURSA 47 

ÇANAKKALE 38 

ÇANKIRI 106 

ÇORUM 363 

DENİZLİ 26 

DİYARBAKIR 191 

EDİRNE 

ELAZIĞ 

ERZURUM 

ERZİNCAN 

ESKİŞEHİR 

GAZİANTEP 

GİRESUN 

GÜMÜŞHANE 

HAKKARİ 

HATAY 

İllere göre bu sayıların 

bölgelere göre dağılımında 

ise şu tablo karşımıza 

çıkmaktadır. 

Ege Bölgesi : 286 

Marmara Bölgesi : 415 

Akdeniz Bölgesi : 574 

Güney Doğu Anadolu Bölgesi : 944 

Karadeniz Bölgesi : 1153 

Doğu Anadolu Bölgesi : 1410 

İç Anadolu Bölgesi : 2359 

39 

181 

472 

312 

71 

305 

49 

37 

5 

23 

ISPARTA 

MERSİN 

İSTANBUL 

İZMİR 

KARS 

KASTAMONU 

KAYSERİ 

KIRKLARELİ 

KIRŞEHİR 

KOCAELİ 

54 

42 

114 

33 

133 

63 

133 

37 

463 

13 

KONYA 

KÜTAHYA 

MALATYA 

MANİSA 

K.MARAŞ 

MARDİN 

MUĞLA 

MUŞ 

NEVŞEHİR 

NİĞDE 

283 

106 

132 

42 

84 

15 

30 

17 

26 

68 

ORDU 

RİZE 

SAKARYA 

SAMSUN 

SİİRT 

SİNOP 

SİVAS 

TEKİRDAĞ 

TOKAT 

TRABZON 

33 

79 

11 

31 

25 

31 

414 

22 

77 

151 

TUNCELİ 26 

Ş.URFA 352 

UŞAK 48 

VAN 28 

YOZGAT 118 

ZONGULDAK 11 

AKSARAY 34 

BAYBURT 93 

KARAMAN 64 

KIRIKKALE 48 

BATMAN 

ŞIRNAK 

BARTIN 

ARDAHAN 

IĞDIR 

YALOVA 

KARABÜK 

KİLİS 

OSMANİYE 

DÜZCE 

Tabloları incelediğimizde, bazı il ve bölgelere ait türkü sayısının 

tahmin edilenin aksine düşük veya fazla olmasının nedeni, 

coğrafi bölgenin küçüklüğü ya da büyüklüğü, nüfus azlığı ya da 

fazlalığı, değişik dillerde söylenen türkülerin olması, farklı müzik 

türlerine yönelmeler, bazı yörelerde halk ozanı geleneğinin halen 

güçlü biçimde sürmesi gibi faktörler ile açıklanabilir. 

12 

12 

18 

20 

14 

11 

13 

21 

95 

12

72 


VERİ TOPLANMASINA VE KİŞİSEL VERİLERİN 

KORUNMASINA İLİŞKİN YASAL DÜZENLEMELER 

Türkiye’de veri toplanmasına ve kişisel verilerin korunmasına ilişkin yasal düzenlemeler, Resmi 

Gazete’de 13.10.2010 günü yayınlanarak yürürlüğe giren 07.05.2010 kabul tarihli ve 5982 nolu Türkiye 

Cumhuriyeti Anayasası’nın Bazı Maddelerinde Değişiklik Yapılması Hakkında Kanun ve Sosyal Güvenlik 

Kurumu’nun 08.02.2011 günlü genelgesi ile düzenlenmiştir. 

13 Mayıs 2010 PERŞEMBE Resmî Gazete Sayı : 27580 

KANUN 

TÜRKİYE CUMHURİYETİ ANAYASASININ BAZI MADDELERİNDE 

DEĞİŞİKLİK YAPILMASI HAKKINDA KANUN 

MADDE 2 – Türkiye Cumhuriyeti Anayasasının 20’nci maddesine aşağıdaki fıkra eklenmiştir. 

“Herkes, kendisiyle ilgili kişisel verilerin korunmasını isteme hakkına sahiptir. Bu hak; kişinin 

kendisiyle ilgili kişisel veriler hakkında bilgilendirilme, bu verilere erişme, bunların düzeltilmesini veya 

silinmesini talep etme ve amaçları doğrultusunda kullanılıp kullanılmadığını öğrenmeyi de kapsar. Kişisel 

veriler, ancak kanunda öngörülen hallerde veya kişinin açık rızasıyla işlenebilir. Kişisel verilerin korunmasına 

ilişkin esas ve usuller kanunla düzenlenir.” 

TC ANAYASASI 20.MADDE 

IV. Özel hayatın gizliliği ve korunması 

A. Özel hayatın gizliliği 

MADDE 20.– Herkes, özel hayatına ve aile hayatına saygı gösterilmesini isteme hakkına sahiptir. Özel 

hayatın ve aile hayatının gizliliğine dokunulamaz. (Mülga cümle: 3.10.2001-4709/5 md.) 

(Değişik: 3.10.2001-4709/5 md.) Millî güvenlik, kamu düzeni, suç işlenmesinin önlenmesi, genel sağlık 

ve genel ahlâkın korunması veya başkalarının hak ve özgürlüklerinin korunması sebeplerinden biri veya 

birkaçına bağlı olarak, usulüne göre verilmiş hâkim kararı olmadıkça; yine bu sebeplere bağlı olarak 

gecikmesinde sakınca bulunan hallerde de kanunla yetkili kılınmış merciin yazılı emri bulunmadıkça; 

kimsenin üstü, özel kâğıtları ve eşyası aranamaz ve bunlara el konulamaz. Yetkili merciin kararı yirmi 

dört saat içinde görevli hâkimin onayına sunulur. Hâkim, kararını el koymadan itibaren kırk sekiz saat 

içinde açıklar; aksi halde, el koyma kendiliğinden kalkar. 

(Ek fıkra: 7/5/2010-5982/2 md.) Herkes, kendisiyle ilgili kişisel verilerin korunmasını isteme hakkına sahiptir. 

Bu hak; kişinin kendisiyle ilgili kişisel veriler hakkında bilgilendirilme, bu verilere erişme, bunların 

düzeltilmesini veya silinmesini talep etme ve amaçları doğrultusunda kullanılıp kullanılmadığını öğrenmeyi 

de kapsar. Kişisel veriler, ancak kanunda öngörülen hallerde veya kişinin açık rızasıyla işlenebilir. 

Kişisel verilerin korunmasına ilişkin esas ve usûller kanunla düzenlenir. 

T.C. 

SOSYAL GÜVENLİK KURUMU BAŞKANLIĞI 

Strateji Geliştirme Başkanlığı 

Sayı: B.13.2.SGK.0.65.03.00/ 73 

Konu: Veri paylaşımı 08.02.2011 

GENELGE 2011/14 

07/05/2010 tarihli ve 5982 sayılı Kanunun 2 nci maddesiyle, T.C Anayasası'nın 20 nci maddesine eklenen 

üçüncü fıkrasıyla "...Herkes, kendisiyle ilgili kişisel verilerin korunmasını isteme hakkına sahiptir. Bu 

hak; kişinin kendisiyle ilgili kişisel veriler hakkında bilgilendirme, bu verilere erişme, bunların düzeltilmesini 

veya silinmesini talep etme ve amaçları doğrultusunda kullanılıp kullanılmadığını öğrenmeyi de 

kapsar. Kişisel veriler, ancak kanunda öngörülen hallerde veya kişinin açık rızasıyla işlenebilir. Kişisel 

verilerin korunmasına ilişkin esas ve usuller kanunla düzenlenir." hükmü getirilmiştir. 

12/05/2010 tarihli ve 27579 sayılı Resmi Gazetede yayımlanan Sosyal Sigorta İşlemleri Yönetmeliği'nin 

8 inci maddesi; 

"(1) Kurum, sosyal sigorta kayıtlarında tutulan bilgileri işveren, sigortalı, hak sahibi ve diğer ilgili kişi ve 

kuruluşların kullanımına açabilir. 

(2) Kurum, internet ve her türlü elektronik ortam ile benzeri elektronik iletişim araçları üzerinden bilgi 

alışverişinin yapılmasına ilişkin koşulları belirlemek, Kurum ve işveren ile diğer ilgili kişi ve kuruluşlar 

arasındaki ilişkiler ile tarafların birbirlerine karşı olan hak ve yükümlülüklerini düzenlemek için protokol 

veya sözleşmeler yapabilir. 

(3) Sosyal sigorta kayıtlarından alınan bilgilerin iş ve işlemlerde kullanılmasının hukuki sonuçları, bilgiyi 

alan işveren ve diğer ilgili kişi ve kuruluşların sorumluluğundadır."Hükmünü amir olup, buna göre veri 

talebinde bulunacak kamu kurum ve kuruluşları ile özel sektör kuruluşlarıyla ekte yer alan örneklerine 

uygun olarak Kurumun ilgili birimlerince imzalanacak protokol/sözleşmelerle sosyal güvenlik verilerinin 

paylaşımı yapılabilecektir. 

Diğer yandan sağlık verileri ile ilgili olarak, Cumhuriyet Savcılıkları, T.C. Sayıştay Başkanlığı, Rehberlik 

ve Teftiş Başkanlığı ve İç Denetim Başkanlığı tarafından Genel Sağlık Sigortası uygulamaları ile yapacakları 

soruşturma, inceleme ve teftişlerle ilgili olarak talep edecekleri verilerin haricinde, 07/05/2010 

tarihli ve 5982 sayılı Kanunun 2’nci maddesiyle, T.C. Anayasası'nın 20’nci maddesine eklenen üçüncü 

fıkrası dikkate alınmak suretiyle; 

1- Sağlık sigortalılarına ait veriler kendileri ve Kurum elemanlarının genel işlem yapması dışında hiçbir 

surette paylaşılmayacaktır. 

2- İlaç bazlı veriler ile firma bazlı veriler hiç bir suretle paylaşılmayacaktır. 

3- Sağlık hizmet sunucularının kendilerine ait herhangi bir veri paylaşımı söz konusu olmayacaktır. 

4- Kurum dışı diğer gerçek veya tüzel kişiler tarafından talep edilen veriler ekte yer alan örneklerine 

uygun olarak Kurumun ilgili birimlerince imzalanacak protokol/sözleşmelerle Kurum Başkanlığı Olur'u 

ile uygun görülenlerin ilgili talep sahiplerine Genel Sağlık Sigortası Genel Müdürlüğü aracılığı ile gönderilecektir, 

5- Kurum içi diğer ilgili birimler tarafından planlama ve politika geliştirme faaliyetleri kapsamında talep 

edilen verilerden analizi, değerlendirmesi ve raporlaması tamamlanmış olanlar Genel Sağlık Sigortası 

Genel Müdürünün onayı ile gönderilecektir. 

Genel Sağlık Sigortası uygulamaları ile ilgili paylaşılan verilerin envanteri Genel Sağlık Sigortası Genel 

Müdürlüğü tarafından takip edilecek ve tutulacaktır. 

Hazırlanan protokol/sözleşmelerden hiçbir madde çıkarılmayacak veya revize edilmeyecektir. İhtiyaç halinde 

Strateji Geliştirme Başkanlığının yazılı uygun görüşü alınarak yeni maddeler ilave edilecektir. 

Protokol ve sözleşmeler Kurumumuz adına, içerik yönünden veri talep edilen alanla ilgili birimin Genel 

Müdürü tarafından, teknik yönden ise Hizmet Sunumu Genel Müdürü tarafından imzalanacaktır. 

İmzalanan protokol ve sözleşmelerin ıslak imzalı bir nüshası Strateji Geliştirme Başkanlığına gönderilecektir. 

Bilgilerinizi ve gereğini rica ederim. 

M. Emin ZARARSIZ Kurum Başkanı 

73

gezgin

Kasım-Aralık 2012 Yıl: 2 Sayı: 9 

1 Türkiye’de maden ocaklarında oluşan 

kazalar sonucunda her yıl ortalama olarak 

1000 maden işçisinden bir tanesinin 

hayatını kaybettiği bilinmektedir. 2000 

maden işçisinin çalıştığı bir maden 

ocağında bir yıl içinde, 

a) sıfır işçinin 

b) 3 işçinin 

c) 2’den fazla işçinin hayatını kaybetme 

olasılıklarını bulunuz. 

istatistik soruları istatistik soruları 

Prof. Dr. İsmail ERDEM 

Başkent Üniversitesi Fen-Edebiyat Fakültesi 

İstatistik ve Bilgisayar Bilimleri Bölüm Başkanı 

6 Belli bir aralıktaki Z değerlerine karşılık 

gelen olasılıkların hesabında dağılımın 

özelliklerini ve kullandığınız tablonun 

genel yapısını dikkate alarak aşağıdaki 

soruları yanıtlayınız. . 

a) P(0


12 Yeni bir enflasyon modeli içine 

ekonomistler, girdi olarak yiyecek 

sepetinin ortalama maliyetini 145,75TL 

olarak bulmuşlardır. Yıllar boyunca 

enflasyonu sabit tutmak amacıyla 

standart sapmanında 9,5 TL 

olduğu varsayılmaktadır. 

Ekonomistlerin ön kestirdiği ortalamayı 

kontrol etmek amacıyla 25 farklı bölgeden 

örnekler rastsal olarak seçilmiş ortalama 

maliyet 149,75 TL olarak hesaplanmıştır. 

0.05 anlamlılık düzeyinde ekonomistlerin 

önerdiği ortalama ile örneklem ortalaması 

arasındaki farklılık istatistiksel olarak 

anlamlı mıdır? 

a) Buna göre I. tür hata olasılığını 

hesaplayınız. 

b) μ 0 =25.750 iken II. tür hata olasılığını 


14 Soru 13’teki verileri ve karar kuralını 

kullanarak μ’nün 25.5, 25.75, 26 ve 

26.8 değerlerine karşılık gelecek testin 

gücü değerlerini hesaplayınız. 

15 H 0 :μ=240 hipotezini H 1 :μ25, n=30, σ=2.4 olmak 

0 1 16 İki ana kitleden alınan bağımsız 

üzere karar kuralı “Ý≥25.718 ise H 

ediniz. (α=0,025 alınız.) 

79 

0 

örneklerden betimleyici istatistikler 

hipotezi reddedilir” biçimindedir. 

aşağıdaki tabloda verilmiştir. 

Termometre Galileo tarafından 1607 

yılında icat edilmiştir. 


Örnek 1 Örnek 2 

n 1 =50 n 2 =35 

X 1 =13,6 X 2 =11,6 

S 1 =2,2 S 2 =3,0 

a) Bu iki popülasyonun ortalamaları farkı, 

(μ 1 -μ 2 ) için %95’lik bir güven aralığı 


b) H0: μ 1 =μ 2 hipotezini H1: μ 1 ≠μ 2 

hipotezine karşı α=0,05 anlamlılık 

düzeyinde test ediniz. 

17 Bağımsız iki popülasyonun 

ortalamaları arasındaki fark olan 

(μ 1 -μ 2 )’yi en fazla 1,5 birimlik bir hata 

ve %95 güvenilirlikle tahmin etmek 

istersek bu iki popülasyondan alınması 

gereken örnek büyüklükleri en az 

kaç olmalıdır? Popülasyon standart 

sapmalarının öngörü değerlerinin, 

σ 1* =4, σ 2* =4.4 olduğunu varsayınız. 

Bilinen en uzun ağaç, 1872 yılında 132.5 

metre olarak ölçülen Avustralya okaliptus 

ağacıdır. 

18 Normal dağılıma sahip, eşit varyanslı ve 

bağımsız iki ana kitleden 

alınan örneklerden hesaplanan betimleyici 

istatistikler aşağıdaki tabloda verilmiştir. 

Örnek 1 Örnek 2 

n 1 =10 n 2 =8 

X 1 =22,5 X 2 =20,1 

S 1 =2,5 S 2 =2,0 

a) Bu iki ana kitlenin ortalamaları farkı 

(μ 1 -μ 2 ), için %98’lik bir güven 

aralığı hesaplayınız. 

b)H 0 : μ 1 =μ 2 hipotezini H1: μ 1 ≠μ 2 

hipotezine karşı α = 0,05 anlamlılık 

düzeyinde test ediniz. 

19 Bir ürünün satışlarına, bu ürünle ilgili 

olarak yapılan reklamların etkisinin önemli 

olup olmadığını test amacıyla bu ürünü 

tezgâhlarında bulunduran marketlerin 

reklamdan önceki ve reklamdan sonraki 

haftalara ait satış miktarları (koli olarak) 

saptanmış ve aşağıdaki tabloda 

özetlenmiştir. 

Market Haftalık Reklamdan Sonra Reklamdan Önce 

1 18 15 

2 14 12 

3 19 18 

4 18 15 

5 18 16 

a) Reklam sonrası ve öncesi satışların 

farkı, (μ -μ )=μ , için %95’lik bir güven 

S Ö D 

aralığı hesaplayınız. 

b) H0=(μ -μ )=μ ≤0 hipotezini 

S Ö D 

H a =(μ S -μ Ö )=μ D >0 hipotezine karşı test 

İlk kalp nakli 1967 yılında Christian 

Barnard tarafından gerçekleştirilmiştir. 

Hasta 18 gün yaşamıştır.


20 MAT251 ve MAT252 dersleri aynı 

öğretim elemanı tarafından, birincisi 

Güz ikincisi de Bahar döneminde olmak 

üzere, okutulmaktadır. Bu dersi alan 

aynı 10 öğrencinin MAT251 ve MAT252 

derslerinden dönem sonunda aldıkları 

notlar aşağıda verildiği gibidir. 

Öğrenci 1 2 3 4 5 6 7 8 9 10 

MAT251 50 46 50 64 54 70 58 74 58 66 

MAT252 32 42 46 46 50 54 58 58 62 70 

Bu iki dersten MAT251 dersinden alınan 

notların ortalaması MAT252 den alınan 

notların ortalamasından, istatistiksel 

olarak, daha büyük müdür? Hipotezleri 

kurup α=0.025 anlamlılık düzeyinde test 

ediniz. 

80 22 a) İki beldedeki seçmenlerden n =n = 1 2 

400’er kişi ile mülakat yapılmış ve bu 

beldelerdeki seçmenlerden kaçar kişinin A 

partisine oy vereceği saptanmıştır. 

Elektrikli yılanbalığı 650 voltluk bir şok 

üretebilir. 

81 

21 a) Erkeklerin ve kadınların yüksek 

tansiyon problemi olanlarının oranları 

arasındaki fark % 95 güvenirlilik ve en 

fazla 0.05 hata ile tahmin etmek 

istersek erkekler ve kadınlardan kaçar 

kişinin yüksek tansiyon problemi 

olup olmadığı kontrol edilmelidir? 

Gerçek oranlarla ilgi öngörü değerlerimiz 

olmadığını varsayınız. 

b) Bu iki gruptakilerden tesadüfi olarak 

seçilen 800 erkekten 120’sinin, 800 

kadından da 80’inin yüksek tansiyon 

problemi olduğu belirlenmiştir. Bu 

iki gruptaki yüksek tansiyon 

problemi olanların gerçek oranları 

arasındaki fark için % 95’lik bir güven 

aralığı oluşturup yorumlayınız. 

c) Dr. Mülayim’e göre: “erkeklerdeki 

yüksek tansiyon problemlilerin 

oranı kadınlardakinden daha fazladır.” 

b’deki örneklem bilgileri Dr. Mülayim’in 

savını destekliyor mu? Hipotezlerinizi 

kurup α=0.025 anlamlılık düzeyinde test 

ediniz. 


Evcil hayvanlara karşı alerjik olanlar 

genelde tüylere değil, salyaya, ölü 

deri hücrelerine veya benzer beden 

döküntülerine alerji gösterir. Evcil 

hayvanların temiz tutulması alerji 

belirtilerini büyük ölçüde ortadan kaldırır. 

Belde 1 Belde 2 

n 1 = 400 n 2 = 400 

X 1 = 120 X 2 = 150 

(X 1 ve X 2 , beldelerde görüşülen 

seçmenlerden A partisine oy vereceklerin 

sayısını göstermektedir.) 

H 0 : (p 2 – p 1 )≤0 hipotezini Ha: (p 2 – p 1 )>0 

hipotezine karşı α=0.025 anlamlılık 

düzeyinde test ediniz ve sonucu 

yorumlayınız.. 

b) p 2 ve p 1 in gerçek değerleri arasındaki 

farkı, (p 2 –p 1 ), en fazla 0.06 lık bir hata ve 

% 98 lik bir güvenilirlikle tahmin etmek 

istersek bu beldelerdeki seçmenlerden 

en az kaçar kişi ile görüşüp A partisini 

tercih edip etmediğini saptamalıyız? 

[öngörü değerleri: p 2 için 0.38; p 1 için de 

0.30 olarak alınız.] 

23 

fonksiyonu olasılık yoğunluk fonksiyonu 

mudur? 

24 X sürekli değişkeninin olasılık yoğunluk 

fonksiyonu 

olarak verilmiştir. 

a) Yukarıdaki olasılık yoğunluk 

fonksiyonunu kullanarak 

P(X≥1.5|0.5≤X≤1.7)koşullu olasılığını 

bulunuz. 

b) X rastlantı değişkeninin beklenen 

değerinin varyansını bulunuz. 

25 X sürekli raslantı değişkeninin olasılık 

yoğunluk fonksiyonu aşağıda verilmiştir. 

E(X|X≥2) koşullu beklenen değerini ve 

koşullu varyansını bulunuz. 

26 X sürekli rastlantı değişkenin olasılık 

yoğunluk fonksiyonu aşağıda verildiği 

gibidir. P(2≤X≤5), P(3≤X≤7) ve P(6≤X) 

olasılıklarını hesaplayınız. 

Denizin sesini duymak için bir deniz 

kabuğunu kulağınıza tuttuğunuzda 

duyduğunuz, damarlarınızda akan kanın 

sesidir! Çukur biçimli herhangi bir nesneyi 

kulağınıza tutarak aynı sesi duyabilirsiniz.



27 X kesikli değişkeninin olasılık dağılımı 

aşağıdaki tabloda verildiği gibidir. 

a) E(X) b) E(X 

1 

8 

1 

6 

3 

8 

1 

4 

1 

12 

2 ) c) E[(X-μ) 2 ] değerlerini 

bulunuz. 

X=x 8 12 16 20 24 

1 

Veri Çözümleme 

Okulunuzdaki öğrencilerin internet 

kullanımları üzerine bir anket yapmak 

üzeresiniz. Öğrencilere sorabileceğiniz 

çeşitli sorular içinde, hangisi anketinizle 

ilgili olmaz? 

3 Şu soruya verilecek yanıtı bilmek 

isteseydiniz, hangi istatistik ölçüyü 

kullanırdınız: Öğrenciler genel olarak 

geceleri kaç saat çalışır? 

a) Mod 

b) Hepsi 

P(X=x) 

Ebola virüsü bulaştığı her beş insandan 

dördünü öldürmektedir. 

29 Bir torbada 3’ü beyaz, 7’si kırmızı olan 10 

a) Erkekler ve kadınlar farklı internet 

faaliyetlerinden mi hoşlanırlar? 

b) Öğrencilerin evde bilgisayarı var 

mıdır? 

c) Ortalama olarak öğrenciler günde kaç 

saat internet başında kalırlar? 

d) Öğrenciler internetteki en gözde 

faaliyetleri nedir? 

İpucu: İlgili soruların hepsi internet 

kullanımı üzerinedir. 

c) Medyan 

d) Ortalama 

İpucu: Bir veri seti için, ortalama ortalama 

değeri, medyan ortanca değeri, mod ise 

en sık ortaya çıkan değeri gösterir. 

82 

28 5 hisse senedi, 7 fon yatırım ortaklığı 

ve 8 devlet tahvili arasından iki tanesi, 

seçileni yerine koymama koşulu altında, 

rastgele seçiliyor. X rastlantı 

değişkeni örneklemdeki fon yatırım 

ortaklığı sayısını gösterdiğine göre, X’in 

beklenen değerini bulunuz. 

bilye vardır. Çekileni yerine koymama 

koşulu altında, 3 bilyelik bir örneklem 

çekilmektedir. X rastlantı değişkeni, 

kırmızı bilye ile beyaz bilye arasındaki farkı 

göstermektedir. Bu durumda Y=5X-7 

raslantı değişkeninin beklenen değerini 

bulunuz. 

2 Bir anketten alınmış aşağıdaki soruların 

4 İki farklı grubu karşılaştırmak isteseniz, 

hangi grafik yöntemini kullanırdınız? 

a) Resimli grafik 

b) Histogram 

c) İkili çubuk grafiği 

83 

hangisinin cevabını grafikle birlikte vermek d) Çubuk grafiği 

faydalı olur? 

İpucu: Eğer erkek ve kadın öğrencilerin 

a) Öğrenciler pizza siparişi vermeye 

gözde renklerini karşılaştırmak isteseniz, 

yatkın mıdır? 

b) Kaç öğrenci kendi pizzasını kendi 

yapmıştır? 

ikili çubuk grafik kullanırdınız. 

30 X kesikli rastlantı değişkeninin olasılık 

c) Öğrencilerin gözde pizza malzemeleri 

fonksiyonu aşağıda verilmiştir. 

hangileridir? 

a) k sabitinin değeri nedir? 

d) Öğrenciler pizzalarında ananas 

b) k sabiti için bulunan değer ye 

sever mi? 

rine konularak, P(X=2), P(X=6), 

İpucu: Bir soruya verilebilecek çoklu 

P(2

5 


Yığılmış çubuk grafik üç hokey takımının 4 

yılda kazandıkları oyun sayılarını gösterir. 

Hangi iki takım aynı sezonda aynı sayıda 

maç kazanmıştır? 

6 

Veri Çözümleme ve 

Yorumlama 

Aşağıdakilerden hangisi ham veri olarak 

kabul edilemez? 

a) Bir kelimenin sözlük tanımı. 

b) Bir nehir ağzındaki su sıcaklığının 

ölçümü. 

c) Atlantik Okyanusu’ndaki bir fırtınanın 

uydu görüntüsü. 

d) Belirli bir ağaç türünün dağılımının 

enlem ve boylam bilgileri. 

Bilim insanları gözlemleri ve veriler için 

bir açıklama geliştirdiklerinde, aşağıdaki 

şıklardan hangisi yanlıştır? 

a) Sezgilerini kullanmamalıdır. 

b) Varsayım yapmaktan kaçınmalıdır. 

c) Bilgi birikimlerini kullanmalıdır. 

d) Yaratıcı olmamaya çalışmalıdır. 

Neden farklı bilim insanları sıcaklık verisini 

farklı yorumlamıştır? 

a) Verinin niteliği düşüktür 

b) Hiçbir bilim insanı veriyi anlamamıştır 

c) Farklı bilim insanları veriyi farklı 

çözümlemiştir 

d) Çünkü yorumların çoğu yanlıştır 

10 Bir grup bilim insanı çalışmalarını bir 

makale haline getirmeye çalışmaktadır. 

100 veri noktası toplamalarına rağmen, 

son tahlilde bunların yalnızca 87 tanesini 13 Aşağıdaki grafik 36 yıllık bir sürede 

84 

7 Veri çözümleme bir çok evreden oluşur. 

Bunlardan biri, 

a) İstatistikî çözümlemedir, 

kullanmışlardır. Verilerini yayınlarken 

aşağıdaki yaklaşımlardan hangisini 

kullanmaları gerekir? 

a) Bütün veriyi yayınlayıp, bazı verileri 

toplanmış atmosferdeki CO ölçümlerini 

2 

gösterir. Bu grafiğe göre, atmosferdeki 

CO konsantrasyonu ile ilgili olarak nasıl 

2 

bir eğilim gözlüyorsunuz? 

85 

b) Filtrelemedir, 

neden kullanmadıklarını açıklamalılar. 

a) Çıtalar ve Ayılar, 1997 

b) Ayılar ve Şahinler, 1998 

c) Hatalı verinin ayıklanmasıdır, 

d) Yukarıdakilerin hepsidir. 

b) Bütün veriyi yayınlayıp, 

kullanmadıkları veriyi neden 

kullanmadıklarını okurların 

c) Şahinler ve Çıtalar, 1999 

bulmalarına izin vermeliler. 

d) Ayılar ve Çıtalar, 2000 

c) Sadece çözümlemede kullanılan veriyi 

İpucu: Aynı sayıda maç kazanan takımların 

eşit uzunlukta çubukları olmalıdır. 

yayınlayıp, bazı verileri 

kullanmadıklarını belirtmeliler. 

d) Sadece çözümlemede kullanılan 

veriyi yayınlayıp, kullanmadıkları 

a) CO konsantrasyonları azalmaktadır. 

2 

veriden bahsetmemeliler 

b) CO konsantrasyonları artmaktadır. 

2 

Dev kalamar 37 santimlik gözüyle bu 

alanda rekoru elinde bulundurmaktadır. 


8 

9 

11 

Eğer veriler dikkatlice ve sistematik olarak 

toplandıysa, çözümleme tek bir sonucu 

doğrular ve her türlü anlaşmazlığı ortadan 

kaldırır. 

a) Doğru 

b) Yanlış 

12 

Bilim insanları hangi durumlarda verisini 

yeniden inceleyebilir? 

a) Bir başkası kendi verisini birleştirmek 

istediğinde. 

b) Yeni çözümleme teknikleri ortaya 

çıktığında 

c) Benzer bir çalışma yapma kararı 

aldığında. 

d) Veriyi bir makalede kullanmak 

istediğinde. 

c) CO konsantrasyonları geniş 

2 

salınımlar yapmaktadır. 

d) CO konsantrasyonları sabit 

2 

kalmaktadır.



16 Bir oto raportörü, arabasını yeni almış 

18 Bir örneklem dört gözlemden 

10.000 müşterlik bir örneklem arasından, 

oluşmaktadır: {1, 3, 5, 7}. Bu durumda 

bir müşteri tatmin anketi yürütmektedir. 

standart sapma nedir? 

Bu 10.000 kişi arasında Ford, GM, Honda 

ve Toyota alanlar eşit sayıdadır (2.500). 

a) 2 

Raportör her markadan 100’er olmak 

b) 2.58 

üzere 400 müşterilik bir örneklem seçiyor. 

c) 6 

Bu durum basit rastgele örneğe (simple 

random sample) bir örnek teşkil eder mi? 

d) 6.67 

Kutup ayılarının kürkleri beyaz değil şeffaf, 

derileri yine beyaz değil siyahtır. Sıcak ve 

a) Evet, çünkü örnekteki her müşteri 

rastgele seçilmiştir. 

e) Hiçbiri 

nemli ortamlarda yaşadıklarında kutup 

ayılarının kürkleri algler yüzünden yeşile 

döner. 

b) Evet, çünkü örnekteki her müşterinin 

örneğe seçilme olasılığı eşittir. 

c) Evet, çünkü her markanın müşterisi 

El sıkıştığımızda, öpüştüğümüzden daha 

fazla mikrop bulaştırırız. 

14 Aşağıdaki önermelerden hangileri 

örnekte eşit olarak temsil edilmiştir. 


doğrudur? 

I. Kategorik değişkenler nitel 

değişkenlerden farksızdır. 

d) Hayır, muhtemel her 400-müşteri 

örnekleminin seçilme olasılığı eşit 

değildir. 

19 Hilesiz bir kart destesinden bir kart 

rastgele seçiliyor. A card is drawn 

randomly from a deck of ordinary playing 

doğrudur: 

I. Standart hata sadece örneklem özellikleri 

ile hesaplanabilir. 

86 

II. Kategorik değişkenler nicel 

değişkenlerden farksızdır. 

III. Nicel değişkenler sürekli değişken 

olabilir. 

e) Hayır, çünkü örnek dört markanın da 

müşterilerinden oluşmaktadır. 

cards. Eğer seçtiğiniz kart maça ya da 

as ise, 10 TL kazanıyorsunuz. Oyunu 

kazanma olasılığınız nedir? 

a) 1/13 

II. Standart sapma sadece örneklem 

özellikleri ile hesaplanabilir. 

III. Standart hata merkezi eğilim (central 

tendency) ölçüsüdür. 

87 

a) Sadece I 

b) 13/52 

a) Sadece I 

b) Sadece II 

c) 4/13 

b) Sadece II 

c) Sadece III 

d) 17/52 

c) Sadece III 

d) I ve II 


e) Hiçbiri. 

d) I ve II 

e) I ve III 

doğrudur: 

I. Hata payı (margin of error) küçükse, 

güven seviyesi (confidence level) yüksektir. 

II. Hata payı küçükse, güven seviyesi de 

e) I ve III 

küçüktür. 

III. Güven aralığı noktasal kestirim (point 

estimate) örneğidir. 

21 Ulusal çapta bir araştırma için liseye 

başlayan 900 öğrenci rastgele seçiliyor. 

Araştırmaya katılanların ders notları 

15 Bir para üç kere yazı tura atılıyor. Sadece 

bir kere yazı gelme olasılığı nedir? 

a) 0.125 

b) 0.250 

c) 0.333 

d) 0.375 

e) 0.500 

IV. Popülasyon ortalaması (population 

mean) bir noktasal kestirim örneğidir. 

a) Sadece I 

b) Sadece II 

c) Sadece III 

d) Sadece IV 

e) Hiçbiri. 

Bir televizyonun yayın olmadığında yaydığı 

gürültü, Büyük Patlamadan kalma arka 

plan ışımasının izlerini taşır. 

ortalaması 2.7, standart sapması ise 

0.4’tür. Buna göre, yüzde 95’lik güven 

seviyesinde hata payı nedir? 

a) 0.013 

b) 0.025 

c) 0.500 

d) 1.960 

e) Hiçbiri.

22 

23 


Her yıl üçüncü sınıflara ulusal çapta 

bir başarı testi yapılmaktadır. Bu testin 

ortalaması 100, standart sapması ise 

15’tir. Günay’ın z-değeri 1.20 ise, testten 

aldığı not kaçtır? 

a) 82 

b) 88 

c) 100 

d) 112 

e) 118 

Aşağıdakilerde hangileri süreksiz (discrete) 

rastgele değişkendir? 

I. Rastgele seçilen bir grup çocuğun 

ortalama boy uzunlukları. 

II. Yıllık olarak Ankaralı Milli Piyango 

talihlilerinin sayısı. 

III. 20. Yüzyıldaki cumhurbaşkanlığı 

seçimleri sayısı. 

a) Sadece I 

b) Sadece II 

c) Sadece III 

d) I ve II 

e) II ve III 

istatistik soruları 

24 

Aşağıdaki önermelerden hangileri 

doğrudur? 

I. Anket çalışması deneysel bir çalışmadır. 

II. Gözlemsel çalışma bir deneyden daha 

az kaynağa ihtiyaç duyar. 

III. Neden sonuç ilişkilerini araştırmanın en 

iyi yolu gözlemsel çalışmalardır. 

a) Sadece I 

b) Sadece II 

c) Sadece III 

d) Hepsi. 

e) Hiçbiri. 

88 89 

İstatistik sorularının cevaplarını 

1 Aralık 2012 tarihinden itibaren 

www.ndennyegezinti.com.tr 

adresinden öğrenebilirsiniz. 

Her yıl yıldırımlar yüzünden yaklaşık bin 

kişi hayatını kaybetmektedir. 

Dinamiti Alfred Nobel 1866 yılında icat 

etmiştir.


paradoks paradoks 

Prof. Dr. Timur KARAÇAY 


Bilgisayar ne kadar hızlı? 

yazıda, sonlu sayıda bazı işlemleri bitirebilmesi 

için bilgisayarın hayal edemeyeceğimiz uzun zamanlar 

boyunca çalışması gerektiğini göstereceğiz. 

Başka bir deyişle, sonlu sayılar çoğumuzun 

hayal edemeyeceği kadar büyüktür, o kadar ki 

onlara erişmeye bilgisayarın hızı bile yetmez. 

Gezgin satıcı problemi 

Bu problem, bilgisayar öğrenimine yeni başlayan 

üniversite öğrencilerine “hesaplanabilme” olgusunun 

mantık ve matematiğe ne denli dayalı olduğunu, 

bilgisayarın her sorunu çözemeyeceğini 

anlatmak için verilen iyi örneklerden birisidir. 

Problemi biraz basite indirelim. Gezgin bir satıcı, 

helikopterle 70 ilimizi dolaşarak bir ürünü tanıtacaktır. 

Şirket, ona istediği ilden başlama yetkisini 

vermiştir. Ama her ile yalnızca bir kez uğrayacak, 

sonunda ilk başladığı ile dönecektir. Elbette, tasarruf 

nedeniyle, ilden ile gezerken, toplam olarak 

en kısa yolu seçmesi de istenmiştir. Kısa yolun 

ne olduğunu biraz açıklamak gerekiyor. Problemi 

gidebileceği 4 il, yani 4 seçeneği vardır. Adana 

→ Kars yolunu seçsin. Ankara’dan Kars’a gelmek 

için seçtiği yol 6.5.4=120 seçenekten yalnızca 

birisidir. Kullanmadığı 119 seçenek daha 

vardır. Satıcımızın Kars’tan sonra gidebileceği 3 

il kalmıştır; yani 3 seçeneği vardır. Kars → Edirne 

yolunu seçmiş olsun. Edirne’ye ulaştığında 

6.5.4.3=360 mümkün yoldan yalnızca birisini 

seçmiş olacaktır. Kullanmadığı 359 yol vardır. 

Edirne’den hareket ederken elinde iki seçenek 

kalmıştır. Edirne → İzmir yolunu seçsin. İzmir’e 

kadar 6.5.4.3.2=720 seçenekten yalnızca birisini 

kullanmıştır; geride 719 seçenek daha vardır. 

İzmir’den hareket ederken elinde artık tek seçenek 

kalmıştır: İzmir → İstanbul. Buraya kadar 

olan mümkün seçeneklerin sayısı 6.5.4.3.2.1=6! 

= 720 idi. Satıcımız bunlardan yalnızca birisini 

kullandı, geriye 719 seçenek kaldı. 7 ili dolaşan 

satıcımız artık Ankara’ya dönebilir. 

Mevcut 720 seçenek arasından satıcının tercih 

ettiği yol şudur: 

90 daha da basitleştirmek için, 70 il yerine, önce 7 il 

düşünelim: {Ankara, Edirne, İzmir, İstanbul, Kars, 

Ankara → Adana → Kars → Edirne → İzmir → 

İstanbul → Ankara. 

91 

Bilgisayarlar harika araçlardır. O, kendisini sürmeyi 

bilmeyenleri, asil bir atın acemi binicisini 

sırtından atışı gibi yere serer. Ama onun dilinden 

anlayanlara sadık bir uşak gibi hizmet eder. Hepimiz 

bilgisayarların çok hızlı işlem yaptığını biliriz. 

Bir insanın bir ömür boyu bitiremeyeceği zor 

hesapları saniyeler içinde yapabilir. O, hızlı işlem 

Burada hemen bir soru aklımıza gelir. İnsan aklının 

çözüm yolunu bulabildiği her problemi bilgisayar 

çözebilir mi? Yazık ki bu sorunun yanıtı 

“hayır”dır. Bilgisayarlar, bir sorunu çözerken, ancak 

sonlu sayıda işlem yapar. Çünkü, bilgisayar 

sonlu sayıda işlem sonunda problemi çözmüş 

olmalıdır; sonsuz sayıda işlemi bitiremez. Yan- 

Sivas, Adana}. Satıcımız gezisine Ankara’dan 

başlasın ve şu sırayı izlesin: Ankara → Kars → 

Edirne → Sivas → İstanbul → Adana → İzmir 

→ Ankara. Bu yol, satıcımızı eğlendirmiş olabilir, 

ama patronların hoşuna gitmeyecektir; çünkü 

olası yollar arasından muhtemelen en uzun olanını 

seçmiştir. Onun yerine, örneğin, Edirne → 

İstanbul → Ankara → Sivas → Kars → Adana → 

İzmir → Edirne yolu çok daha kısa olurdu. Bunu 

anlamak için, lütfen haritaya bakınız, ya da kentlerin 

yerlerini kabaca bir kağıda işaretleyerek bir 

çizem (şema) oluşturunuz. 

Buna benzer 719 tane farklı yol izlenebilirdi. Öteki 

yolları da isterseniz listeleyebilirsiniz. Ama bu 

iş epeyce bir zamanınızı alacaktır. Bir ilden öteki 

ile olan uzaklık bilindiğine göre, 6 sayı içeren basit 

bir toplama işlemiyle her bir yolun (seçeneğin) 

uzunluğunu buluruz. Böylece elimizde yolların 

(seçeneklerin) uzunluklarını veren 720 sayı olur. 

Bu sayılar arasından en küçük olanı seçeriz. Bu 

en küçük sayıya karşılık gelen yol en kısa yoldur. 

Ne kadar zaman alırsa alsın, bu işi yapmanın yolunu 

biliyoruz. 

yapmakla kalmaz, doğru programlandığında daima 

doğru iş yapar, belleğine kaydedilenleri daima 

doğru anımsar, gerektiğinde onları yeniden 

ve tekrar tekrar kullanır… 

Ünlü bir düşünür, “övgü ikinci sınıf insanların işidir,” 

der… Onun için övmeyi bırakıp, bilgisayara 

eleştirel bir gözle yaklaşalım. Öncelikle şunu belirtmeliyiz: 

Bilgisayar, insan aklının çözüm yolunu 

bulamadığı hiçbir problemi çözemez. Ona çözüm 

yolunu gösteren insan aklıdır. Onun bütün 

hüneri, insan aklının erişemediği korkunç hızı ve 

yanılmaz belleğidir. 

lış programlama nedeniyle, bilgisayarın sonsuz 

döngüye girme olasılığı, her programcının 

kâbusudur. Oysa, lise matematik derslerinde limit, 

dizi, seri vb. kavramlarla tanışan öğrenciler, 

insan aklının, sonsuz işlemlerin nasıl yapılacağını 

ortaya koyduğunu iyi bilirler. Bu olgu, yavaş insan 

aklının, hızlı bilgisayara büyük üstünlüğünün 

kanıtıdır. 

Tabii, bunun yanında, her problemi çözecek bir 

yol, yordam, yöntem (algoritma) olamayacağını 

matematikçiler kanıtlamışlardır. Ama bu önemli 

mantıksal vargı, bu yazının konusu dışındadır. Bu 

Şimdi probleme biraz matematik katalım. Satıcımız 

Ankara’dan yola çıkacak olsun. İlk gideceği 

il olarak, geriye kalan 6 ilden istediği birini seçebilir. 

Demek ki geziye başlarken elinde 6 seçenek 

vardır. Bunlardan birisini, örneğin Ankara → Sivas 

seçeneğini kullansın. Sivas’tan gidebileceği 5 

il vardır. Sivas → Adana yolunu seçmiş olsun. 

Başa dönersek, Ankara’da 6 seçeneği vardı, birisini 

kullandı. Sivas’ta 5 seçeneği vardı birisini 

kullandı. O halde, Adana’ya gelişi 6.5 = 30 seçenekten 

birisidir. Geriye kalan 29 seçenek kullanılmamıştır. 

Geziye devam edelim. Adana’dan 

Artık gezinin nasıl yapıldığını bildiğimize göre, 

gerçek probleme dönüp, satıcımızın 70 ili dolaşması 

için mümkün yolların sayısını hesaplayabiliriz. 

70 ilden birisinden harekete başlayacak 

satıcının gidebileceği 69 il vardır. Bunlardan birisini 

seçip herhangi bir ile (ilk il) gittiğinde elinde 

68 seçenek kalır. Bunlardan birisini seçip ikinci 

ile gittiğinde elinde 67 seçenek kalır… Bu işlem 

son ile gidene kadar sürdürülürse, satıcının 70 

ili gezmek için seçebileceği yolların sayısı 69! = 

69.68.67…3.2.1 = 1,71122E+98 (yaklaşık 17 

nin sağına 97 sıfır koyunuz; burada E+98 sim-


gesi bilimsel hesaplarda büyük sayıları kolay yazmak 

için kullanılır; önündeki sayının 10 üzeri 98 

ile çarpılacağı anlamındadır.) 

Şimdi, bu 69! farklı yoldan hangisinin en kısa Böyle bir durumda, elimizin altındaki bilgisayar- 

92 yol olduğunu yukarıdaki yöntemle bulabileceğiz. 

Her birisinin uzunluğunu hesaplayacak ve sonra 

dan medet umabiliriz. Acaba, bilgisayar, yukarıdaki 

basit hesabı yapıp bize en kısa yolu seçebilir 

93 

en kısa olanı seçeceğiz. Her yol 69 ilden geçtiği- mi? Bilgisayarımızın çok hızlı olduğunu varsayane 

göre, bir yolun uzunluğunu hesaplamak için lım. Saniyede E+10 tane yolun uzunluğunu he- 

69 toplama işlemi yapacağız. Sonra bulduğumuz saplasın. (Bu hız şimdi bilgisayarların ulaşamadığı 

sayıları bir listeye yazacağız. Çok hızlı işlem yapı- bir hızdır.) Bilgisayar saniyede E+10 yolun uzunyor 

olalım ve bir yolun uzunluğunu hesaplayıpluğunu hesapladığına göre, bütün yolların uzunlisteye 

yazmak için 1 dakika harcayalım. Listeyi luğunu hesaplayabilmesi için 1,71122E+88 

bitirmemiz için gereken zamanı kolayca hesap- saniye gereklidir. Gene yukarıdaki gibi bir hesap 

layabiliriz. Bir yolun işlemlerini 1 dakikada bitir- yapabiliriz. Bilgisayarın hesabı bitirebilmesi için 

diğimize göre, bütün yollar için 1,71122E+98 

dakika gerekecektir. Bunu 60 a bölersek kaç saat 

gereken yaklaşık zamanlar aşağıdaki tablodadır. 

geçeceğini buluruz. Çıkan saat sayısını 24 e bö- 1,71E+88 saniye 

lersek gün sayısını, çıkan gün sayısını 365 ‘e bölersek 

yıl sayısını, onu da 100 ‘e bölersek yüzyıl 

2,85E+86 dakika 

sayısını buluruz: 

4,75E+84 saat 

1,71122E+98 dakika 

2,85203E+96 saat 

1,18835E+95 gün 

3,25575E+92 yıl 

3,25575E+90 yüzyıl 

Bu basit hesabı bitirmek için 3,25E+90 yüzyıl 

(325 in sağına 88 sıfır yazınız) dan daha çok 

paradoks 

zaman gerekecektir. Görülüyor ki, hesabı nasıl 

yapacağımızı çok iyi biliyoruz, ama hesabı yapmaya 

ömrümüz yetmiyor. 

1,98E+83 gün 

5,43E+80 yıl 

5,43E+78 yüzyıl 

Büyük bir hayal kırıklığı ile görüyoruz ki, çok hızlı 

bilgisayarımız bile, zavallı satıcının basit problemini 

5,43E+78 yüzyılda (543 ün sağına 76 sıfır 

koyunuz) ancak bitirebilecektir. 

Gelecek, verileri ürüne çevirebilen, 

kişi ve kuruluşların olacaktır. 

Mike Loukides


bulmaca 

Rogo Bulmaca Nedir? 

bulmaca 

Rogo tamamen yeni bir bulmaca türüdür. 

Christchurch’da (Yeni Zellanda) bulunan Canterbury 

Üniversitesi’nde Dr. Nicola Ward Petty ve 

Dr. Shane Dye tarafından oluşturulmuştur. Sayıları 

tanıma, toplama, hesaplama, problem çözme, geometri, 

yol-bulma, ve bulunan yolda ısrar gibi konularda 

becerileri geliştirir ve her yaşa hitap eder. 

Açıklamalar: 

l Amaç verili sayıda kareyi kullanarak ve başlangıç 

noktasına dönerek mümkün olan en çok puanı 

toplamaktır. 

l Üzerinde puan olan ya da olmayan, istediği 

niz kareden başlayabilirsiniz. 

Rotayı tamamlamak 

İşte tam bir rota. 12 karede 

toplam 4+3+2+2 = 11 

puan toplandı. 

Bu “İyi” puan toplamında 

iyi ama “En iyi” puan 

toplamından kötü bir 

puandır. 

Oyunun amacı, belirli sayıda hamle ile mümkün l Yatay ya da dikey hareket edebilirsiniz, ama 

olan en yüksek puanı toplamaktır. Bir oyunda elde çapraz hareket edemezsiniz. 

edilebilecek en yüksek puan, oyunla birlikte verilmiştir. 

Bu nedenle oyunu başarı ile çözüp çözmediğinizi 

kendi başınıza kontrol edebilirsiniz. Rogo 

l Siyah karelerin üzerinden geçemezsiniz. 

l Başlangıç noktasına geri dönmelisiniz. 

oyunlarında döngünüzde yer vermememiz gereken 

yasaklanmış kareler de bulunabilir. 

l Her kareden yalnızca bir kez geçebilirsiniz. 

Yeniden deneyelim 

Şimdi diğer taraftan 

Adım adım örnekler 

yeniden başlayalım ve nasıl 

çözebileceğimizi görelim. 

12 karede 14 puan 

toplamak, yapılabilecek en 

Adım: 12 

iyi puandır. 

94 İyi Puan: 9 

95 

En İyi Puan: 14 

Başlangıç 

Bu Rogo oyunu için 12 

karelik bir rota verilmiş 

En üst sıradaki 4 ile başlayıp 

onun hemen sağ altındaki 

3 ile devam edelim. 

Bir rota bulmak 

Bu rota şimdiden 5 kareyi 

tüketti, elde edilen puan ise 

7 oldu. Başlangış noktasına 

dönmek için 7 kare daha 

kullanabiliriz. 

Dikkat 

Yandaki rota uygun değildir 

çünkü aynı kareden iki kere 

geçiliyor. 

Dikkat 

Yandaki rota uygun değildir 

çünkü başlangıç noktasına 

geri dönülmüyor.

96 


12 Adım 

İyi 

6 

En İyi 

8 

12 Adım 

İyi 

12 

En İyi 

14 

16 Adım 

İyi 

19 

En İyi 

21 

Rogo bulmacaların cevaplarını 1 Aralık 2012 tarihinden itibaren 

www.ndennyegezinti.com.tr adresinden öğrenebilirsiniz. 

Dr. Nicola Ward Petty 

Dr. Shane Dye 

bulmaca 

12 Adım 

İyi 

10 

12 Adım 

İyi 

19 

8. sayıda sorduğumuz 

şifrenin cevabı: 

En İyi 

12 

En İyi 

21 

KISA 

ZAMANDA

Sayi9kasimaralik

Create successful ePaper yourself

Delete template?

Save as template?