Aritmetik Ortalama: Veri Analizi İçin Temel Bir Araç

Aritmetik ortalama, yaygın olarak "ortalama" olarak bilinir ve genellikle betimsel istatistiklerin başlangıç noktasıdır. Her alanda veriyi yorumlamanın temel bir parçası olan merkezi eğilimi hızlı ve sezgisel bir şekilde ölçer. Kavram basit görünse de, aritmetik ortalamanın inceliklerini anlamak daha karmaşık veri eğilimleri ve kalıpları hakkında gerçek içgörüler sunabilir.

Bu makale, aritmetik ortalamaya genel bir bakış sunarak formülünü, kullanım alanlarını ve diğer ortalama türleriyle karşılaştırmalarını ele alır. Ekonomi, veri bilimi ve ötesinde neden sıklıkla kullanıldığını inceleyecek, ayrıca alternatif ölçülerin daha uygun olabileceği senaryoları tartışacağız.

İstatistiğe yeni başlayanlar veya bilgisini pekiştirmek isteyenler için, İstatistiğe Giriş kursumuz sağlam bir temel sunar. Betimsel İstatistikler Cheat Sheet de bu konuyla ilgili terimlerin yer aldığı yararlı bir sözlük sağlar.

Aritmetik Ortalama Nedir?

Aritmetik ortalama, bir veri kümesindeki sayıların toplamının, bu sayıların adedine bölünmesidir. Bu basit hesaplama onu en sezgisel ve en yaygın kullanılan merkezi eğilim ölçülerinden biri yapar.

Basit bir örnekle açıklayalım. Elimizde 5, 10 ve 15 sayıları olsun. Aritmetik ortalamayı hesaplamak için:

1. Sayıları toplayın: 5 + 10 + 15 = 30
2. Sayıları sayın: 3 sayı var
3. Toplamı sayıya bölün: 30 ÷ 3 = 10

Dolayısıyla, 5, 10 ve 15’in aritmetik ortalaması 10’dur.

Aritmetik Ortalamanın Temel Özellikleri

Aritmetik ortalama, daha yakından bakıldığında daha da ilgi çekici hale gelen birkaç önemli özelliğe sahiptir. 

Sapmaların toplamı sıfıra eşittir

Aritmetik ortalamanın temel bir özelliği, ondan yapılan sapmaların toplamının her zaman sıfır olmasıdır. Başka bir deyişle, her veri noktasından ortalama değeri çıkarıp bu farkları toplarsanız sonuç sıfır olur. Matematiksel olarak şu şekilde ifade edilebilir:

Burada x veri kümesindeki her bir değeri, x̄ ise aritmetik ortalamayı temsil eder.

Aykırı değerlere duyarlılık

Uç değerlere sahip veri kümelerinde, aritmetik ortalama bu aykırı değerlere doğru önemli ölçüde çekilebilir ve özellikle çarpık dağılımlarda yanıltıcı yorumlara yol açabilir. Örneğin, küçük bir şirketteki maaşlardan oluşan bir veri kümesini düşünün: {$30,000, $35,000, $40,000, $45,000, $1,000,000}. Aritmetik ortalama ($230,000), $1,000,000’lık aykırı değer nedeniyle çoğu maaştan belirgin şekilde yüksektir.

Bu duyarlılık, aykırı değerlerin varlığında veya çarpık dağılımlar için aritmetik ortalamayı medyan gibi ölçülere kıyasla daha az sağlam kılar. Ancak bu durum, ortalamayı aykırı değerlerin varlığını tespit etmek veya uç değerlerin bir veri kümesi üzerindeki etkisini anlamak için de faydalı hale getirebilir.

Verideki değişikliklerin etkisi

Aritmetik ortalama, veri kümesindeki değişikliklere öngörülebilir şekilde tepki verir; bu da çeşitli analitik senaryolarda faydalıdır:

1. Sabit Bir Değer Eklemek veya Çıkarmak: Her veri noktasına aynı değeri eklerseniz ya da çıkarırsanız, ortalama tam olarak o miktar kadar artar veya azalır. Örneğin, bir veri kümesindeki her değere 5 eklerseniz yeni ortalama, orijinal ortalamadan 5 fazladır.
2. Sabit Bir Değerle Çarpmak veya Bölmek: Her veri noktasını sıfırdan farklı aynı sabitle çarpar ya da bölerseniz, ortalama da bu sabitle çarpılır veya bölünür. Örneğin, bir veri kümesindeki her değeri iki katına çıkarırsanız, yeni ortalama da orijinal ortalamanın iki katı olur.

Bu özellikler, ekonomik verilerde enflasyona göre düzeltme yapmak veya bilimsel deneylerde ölçümleri ölçeklemek gibi bir veri kümesi genelinde tekdüze değişikliklerin söz konusu olduğu durumlarda aritmetik ortalamayı özellikle kullanışlı kılar.

Aritmetik Ortalama Ne Zaman Kullanılır?

Aritmetik ortalama çok yönlü bir istatistiksel araçtır, ancak bazı durumlarda özellikle etkilidir. Öncelikle şunu söylemeliyiz ki aritmetik ortalama, toplamsal süreçleri içeren veri kümeleri için özellikle yararlıdır. Örneğin ortalama günlük sıcaklık, bir şirketteki ortalama maaş veya ortalama sınav puanlarını hesaplarken, aritmetik ortalama merkezi değerin anlamlı bir temsilini sunar.

Ayrıca, aritmetik ortalamanın veri noktalarının dengeli dağıldığı ve aşırı aykırı değerlerin bulunmadığı durumlarda en güvenilir olduğunu söylemeliyiz. Sektöre özgü bazı örneklere bakalım:

• Finans: Finans alanında şirketler içgörü elde etmek ve kıyas ölçütleri belirlemek için aritmetik ortalamadan yararlanır. Örneğin, işletmeler ortalama maaşları, aylık giderleri ve üç aylık kârları belirlemek için kullanır.
• Ekonomi: Ekonomistler aritmetik ortalamayı tüketici eğilimlerini ve fiyat istikrarını analiz etmek için kullanır. Başlıca uygulamalar arasında ortalama hanehalkı tüketiminin hesaplanması ve zaman içinde enflasyonu izlemek için Tüketici Fiyat Endeksi (CPI) gibi endekslerin oluşturulması yer alır.
• Sağlık ve Tıbbi Araştırma: Sağlık alanında aritmetik ortalama, tedavilerin değerlendirilmesinde ve sağlık eğilimlerinin incelenmesinde kritik rol oynar. Örneğin araştırmacılar ortalama iyileşme sürelerini ve ilaç etkinliğini hesaplar; epidemiyologlar ise ortalama enfeksiyon oranlarını ve sağkalım sürelerini değerlendirir.

Aritmetik Ortalama Nasıl Hesaplanır

Temel kavramı ele almış olsak da, aritmetik ortalamayı R, Python ve Excel gibi araçlar ile nasıl hesaplayacağımızı inceleyelim; bu, daha büyük veri kümeleri için pratikte gereklidir.

Aritmetik ortalama formülü

Aritmetik ortalamanın formülü şöyledir:

Burada x̄ aritmetik ortalamayı, Σx tüm değerlerin toplamını ve n değer sayısını ifade eder.

Excel, Python ve R'de aritmetik ortalama

Daha büyük veri kümeleri için yazılım araçları hesaplamayı çok daha kolay hale getirir. İşte Excel, Python ve R’de aritmetik ortalamanın nasıl hesaplanacağı. 

Excel

Excel’de AVERAGE() işlevini kullanabilirsiniz:

1. Verinizi bir sütuna veya satıra girin.

2. Yeni bir hücreye =AVERAGE() yazın.

3. Verinizi içeren hücre aralığını seçin.

4. Parantezi kapatın ve Enter tuşuna basın.

Örneğin, veriniz A1:A10 hücrelerinde ise şu formülü kullanırsınız: =AVERAGE(A1:A10).

Python

Python’ın statistics modülü bir mean() işlevi sunar:

from statistics import mean

data = [5, 10, 15, 20, 25]

result = mean(data)
print(result)  # Output: 15

Daha büyük veri kümeleri için, NumPy’nin daha verimli mean() işlevini tercih edebilirsiniz:

import numpy as np

data = np.array([5, 10, 15])

result = np.mean(data)
print(result)  # Output: 10.0

R

R’de, temel R’de yerleşik mean() işlevini kullanabilirsiniz:

data <- c(5, 10, 15)

result <- mean(data)
print(result)  # Output: [1] 10

Bu araçlar, her boyuttaki veri kümesi için aritmetik ortalama hesaplama sürecini kolaylaştırır; böylece manuel hesaplama yerine veri yorumlamaya odaklanabilirsiniz.

Veri Bilimi, Makine Öğrenimi ve İstatistikte Aritmetik Ortalama

Aritmetik ortalamanın veri bilimi ve makine öğrenimindeki uygulamaları, veri ön işleme aşamasından model değerlendirmeye kadar uzanır. Aritmetik ortalamanın özellikle önemli olduğu bazı temel alanları inceleyelim. 

Özellik ölçekleme

Veri ön işlemeye ilişkin en yaygın uygulamalardan biri, özellikle ortalama merkezleme olmak üzere özellik ölçeklemedir:

• Ortalama Merkezleme: Bu süreç, bir özelliğin her veri noktasından aritmetik ortalamanın çıkarılmasını içerir. Sonuç, her özelliğin ortalamasının sıfır olduğu merkezlenmiş bir veri kümesidir. Şu şekilde gösterilebilir: x_centered = x - x̄; burada x orijinal değer, x̄ ise özelliğin aritmetik ortalamasıdır.

• Standardizasyon: Genellikle ortalama merkezleme ile birlikte kullanılır; ortalama çıkarıldıktan sonra standart sapmaya bölmeyi içerir: x_standardized = (x - x̄) / σ; burada σ özelliğin standart sapmasıdır.

Bu teknikler, birçok makine öğrenimi algoritması için özellikle önemli olan özelliklerin ölçeğini normalleştirmeye yardımcı olur. Normalizasyon ve standardizasyon arasındaki fark hakkında daha fazla bilgi edinmek isterseniz kapsamlı eğitimi inceleyebilirsiniz.

Model değerlendirme

Aritmetik ortalama, çeşitli model değerlendirme metriklerinde temeldir:

• Ortalama Kare Hata (MSE): Regresyon problemleri için yaygın bir metrik olup, tahmin edilen değerlerle gerçek değerler arasındaki farkların karelerinin ortalamasını hesaplar.
• Ortalama Mutlak Hata (MAE): MSE’ye benzer, ancak kare fark yerine mutlak farkı kullanır.
• Doğruluk: Sınıflandırma problemlerinde, doğruluk genellikle tüm örnekler genelinde doğru tahminlerin ortalaması olarak raporlanır.

İstatistik ve hipotez testi

İstatistiksel analizde aritmetik ortalama sıklıkla hipotez testlerinde kullanılır. Örneğin:

• T-Testleri: Aritmetik ortalama, iki grubun ortalamalarını karşılaştırarak istatistiksel olarak farklı olup olmadıklarını belirleyen t-testlerinde kritik öneme sahiptir. Örneklem ortalamalarını karşılaştırarak t-testleri, anakütle özelliklerine dair hipotezleri doğrulamaya yardımcı olur.
• Güven Aralıkları: Aritmetik ortalama, tahmin edilen ortalamanın güvenilirliğini gösteren güven aralıklarının hesaplanmasında kullanılır. Bu, örneklem ortalamasının tüm anakütleyi ne kadar temsil ettiğine dair fikir verir.

Diğer uygulamalar

• Topluluk Yöntemleri: Bagging ve boosting gibi birçok topluluk tekniği, birden fazla modelin tahminlerini birleştirmek için aritmetik ortalamayı kullanır.
• Gradyan İnişi: Aritmetik ortalama, stokastik gradyan inişinde mini yığınlar (mini-batches) genelinde ortalama gradyanı hesaplarken kullanılır.
• Anomali Tespiti: Ortalamadan sapmalar, veri kümelerinde aykırı değerleri veya anomalileri belirlemek için kullanılabilir. Örneğin, yaygın bir sezgi kuralı, üç standart sapmayı eşik olarak kullanmaktır; dolayısıyla aritmetik ortalamadan üç veya daha fazla standart sapma uzakta olan herhangi bir veri noktası aykırı değer kabul edilir.
• Boyut İndirgeme: Temel bileşen analizi (PCA) gibi teknikler, kovaryans matrisini hesaplamadan önce veriyi merkeze almak için aritmetik ortalamayı kullanır.
• Sinir Ağları: Geri yayılım algoritmasında aritmetik ortalama, eğitim örnekleri genelinde ortalama hatayı hesaplamak için kullanılır.
• Çapraz Doğrulama: k-katlı çapraz doğrulama yapılırken, tüm katlar genelinde performans metriklerinin aritmetik ortalaması genellikle genel performans tahmini olarak raporlanır.

Fark etmiş olabileceğiniz gibi, aritmetik ortalama hem verinin çıktısını yorumlamak için hem de çoğu zaman en iyi model performansı için gerekli bir ön işleme adımı olarak önemlidir. Bu kavramları ve pratik uygulamalarını derinlemesine anlamak için, bu konuları daha ayrıntılı ele alan Python ile Makine Öğrenimi Uzmanı kariyer yolumuzu düşünebilirsiniz.