Yeşil önlüklü Green Belt kilidi büyüteçle inceliyor: elinde yeşil parlayan uygun anahtar, yerde kırmızı parlayan eğri reddedilmiş anahtar. Anahtarı çevirmeden önce kilide bak — normallik, testin kilididir.

Yeşil Kuşak · Modül 7 · Hipotez Testleri

Normal ve Normal Olmayan Veri — Aletin Kilidine Bakmak

t-testi ve ANOVA gibi güçlü araçlar öğrendik. Ama hepsinin küçük puntolarla yazılmış bir koşulu vardı: "verinin kabaca normal dağıldığını varsayar." Bu derste o koşulun ne anlama geldiğini, neden önemli olduğunu ve — bu çok önemli — onunla ilgili çoğu kişinin yaptığı abartılı takıntıyı konuşacağız. Çünkü normalliği yanlış anlamak, ya seni yanlış teste, ya da gereksiz bir paniğe sürükler.

HİKÂYE AKIŞI

Önce Kilide Bak

Kilit ve anahtar

Normallik varsayımı, bir aletin çalışması için gereken kilit gibidir. Yanlış kilide anahtarı zorlarsan ya anahtar kırılır ya kapı açılmaz. Bir testi kullanmadan önce, verinin o testin kilidine uyup uymadığını kontrol et: önce kilide bak, sonra anahtarı çevir.

Çan: doğanın varsayılan kostümü

Bir sonuç birçok küçük rastgele etkinin toplamıysa çan şekline yönelir. Ama gerçek verilerin büyük kısmı normal DEĞİLDİR ve bu doğaldır: süreler hep sağa çarpıktır (alt sınır sıfır, kuyruk sonsuz), yüzdeler sınırlıdır, sayımlar çan değildir. Normal olmayan veri hastalık değil — sürecin doğal karakteridir.

Tek p-değerine değil, şekle bak

Normallik testlerinin sinsi zaafı: çok büyük örneklemde en zararsız sapmayı bile 'normal değil' der; çok küçük örneklemde gerçek sapmayı kaçırır. Çok daha güvenilir yol: histograma ya da normal olasılık grafiğine bak — noktalar kabaca düz çizgideyse veri yeterince normaldir. Şekil, tek sayıdan daha dürüst konuşur.

İNTERAKTİF

Dağılım Şekli Tanıyıcı

Bir dağılım şekline tıkla → L6S örneğini ve önerilen testi gör.

Normal (Çan Eğrisi)

Simetrik, ortada tepe

Sağa Çarpık

Uzun sağ kuyruk, sol yüksek

Sola Çarpık

Uzun sol kuyruk, sağ yüksek

Bimodal (İki Tepeli)

İki farklı yoğunlaşma noktası

NASIL KONTROL EDİLİR

Normallik Kontrolü — Dört Yöntem

Shapiro-Wilk Testi

n < 50 için idealdir. p > 0.05 → normal dağılım reddedilemez.

Ne zaman: Küçük örneklemlerde altın standarttır.

Anderson-Darling Testi

Kuyruklara daha duyarlı. n > 50 için daha güçlü.

Ne zaman: Büyük örneklem veya kuyruk davranışı önemliyse.

Q-Q Plot (Quantile-Quantile)

Noktalar çapraz çizgiye yakınsa normal. Sistematik sapma normallik yokluğuna işaret eder.

Ne zaman: Görsel tanı — hızlı ve sezgisel.

Histogram + Normal Eğri Bindirme

Veriyi histogram olarak çiz, üstüne normal eğriyi ekle.

Ne zaman: Sunum ve raporlama için güçlü görsel.

MODÜLÜN İMZASI

Normal Olmayan Veri, Hastalık Değil — Doğal Karakterdir

Gerçek dünyadaki verilerin büyük kısmı normal değildir ve bu gayet doğaldır. Süreler neredeyse her zaman sağa çarpıktır — en kısa süre sıfırla sınırlıdır ama uzun kuyruk sonsuza gidebilir. Yüzdeler sınırlıdır; sıfırın altına, yüzün üstüne çıkamaz. Sayımlar, nadir olaylar, gelir dağılımları — hiçbiri çan değildir. 'Verim normal değil' bir kusur değil; çoğu zaman sürecin parmak izidir: çarpıklık bir sınırı, iki tepe karışan iki süreci, aykırı kuyruk özel nedenleri ele verir.

Normal dağılımı kural sanmak en yaygın yanılgılardan biridir. Normal olmayan veri, bazen normal olandan daha çok şey söyler.

PANİK YOK

Normal Değilse Ne Yaparsın? — Dört Yol

Parametrik Olmayan Testler

Mann-Whitney U (t-testi yerine, 2 grup)
Kruskal-Wallis (ANOVA yerine, 3+ grup)
Wilcoxon signed-rank (paired t yerine)

Veri Dönüşümü

Log dönüşümü: sağa çarpık veriler için
√x dönüşümü: sayım verileri için
1/x dönüşümü: yoğunluk verileri için

Merkezi Limit Teoremi Kurtarır

n ≥ 30 ise örneklem ortalaması yaklaşık normal
Büyük n'de parametrik testler güvenilir
Ancak çok aşırı çarpıklıkta dikkatli ol

Bootstrap Yöntemi

Dağılımsız güven aralığı hesabı
Modern istatistik yazılımları desteği
Küçük n + normal olmayan: en güçlü yol

🏭 Üretim

Ölçü normal mi? Test seçimini belirler

🏥 Sağlık

Süre dağılımı çarpık mı?

📞 Hizmet

Bekleme genelde sağa çarpık

SAHADAN

Çağrı Merkezi: Şekle Bakmak Yanlış Testten Kurtardı

Ekrandaki iki tepeli eğri fiziksel olarak ikiye ayrılıyor: teal 'bilgi' eğrisi ve amber 'şikâyet' eğrisi — karışan iki grup ayrılınca her biri temiz ve test edilebilir oldu. — İki tepe = karışan iki grup; ayırınca her biri temiz test edilebilir oldu.

Bir çağrı merkezi, iki ekibin çağrı sürelerini karşılaştırmak istiyor ve doğrudan t-testi uyguluyor. Ama sonuç tuhaf. Green Belt duruyor: "Önce şekle bakalım."

Histograma bakıyorlar: çağrı süreleri çok sağa çarpık — birçok kısa çağrı, az sayıda çok uzun çağrı. Üstelik bir değil, iki tepe var; meğer "bilgi" çağrıları ile "şikâyet" çağrıları karışmış. Bu veride doğrudan t-testi yanıltıcı olurdu.

İki şey yapıyorlar: önce iki çağrı türünü ayırıyorlar, sonra her türü kendi içinde uygun yöntemle karşılaştırıyorlar. Şekle bakmak, onları yanlış bir testten ve yanlış bir sonuçtan kurtardı; üstelik gizli bir içgörü — iki çağrı türü — bonus olarak geldi.

Örnek: çağrı süresi karşılaştırması; histogram sağa çarpık + bimodal çıktı → bilgi/şikâyet çağrıları ayrıldı → her tür kendi içinde uygun yöntemle test edildi.

SIK YAPILAN HATALAR

Normallik Tuzakları

Varsayımı hiç kontrol etmeden t-testi/ANOVA basmak

Önce kilide bak: histogram ya da Q-Q plot ile şekli kontrol et, sonra anahtarı çevir.

Tek bir normallik testi p-değerine güvenmek

Büyük örneklemde zararsız sapmayı 'anormal' der, küçükte gerçek sapmayı kaçırır — şekle ve p'ye birlikte bak.

'Verim normal değil' diye panik yapmak

Doğal ve yaygın: dönüştür, parametrik olmayana geç ya da n≥30 ise merkezi limit teoremine güven — bilinçle seç.

Bimodal veriyi tek grup gibi analiz etmek

İki tepe = karışan iki alt grup (ör. iki vardiya). Ayır, ayrı analiz et — birleşik analiz yanıltır.

Normal olmayan şekli çöp bilgi saymak

Şekil sürecin parmak izidir: çarpıklık sınırı, çift tepe karışan süreci, aykırı kuyruk özel nedeni gösterir.

DMAIC İÇİNDE YERİ

Analyze'ın Kapı Kontrolü

Normallik kontrolü, Analyze'daki her parametrik testin kapısında durur: veri kilide uyuyorsa t-testi/ANOVA ile ilerlersin; uymuyorsa dönüşüm, parametrik olmayan test ya da büyük örneklem dayanıklılığıyla yoluna bilinçle devam edersin.

Şekle bak

Histogram + Q-Q plot; gerekiyorsa Shapiro-Wilk/Anderson-Darling — ama tek p'ye teslim olma.

Yolu seç

Normal → parametrik. Değil → dönüştür / parametrik olmayan / n≥30 CLT / bootstrap. Bimodal → önce grupları ayır.

İpucu topla → sıradaki ders

Şeklin anlattığını kök neden defterine yaz. Sırada modül finali: istatistiği gerçek iş kararına çevirmek — pratik iş yorumu.

AI KÖŞESİ

Yapay Zekâ Kilidi Okur — Doğru Anahtarı Bilinçle Sen Seçersin

Verini verip "bu veri yaklaşık normal mi; histogramına ve şekline bak, sadece bir normallik testi p-değerine güvenme; çarpık mı, çift tepeli mi, aykırı değerli mi?" diye sorabilirsin. Yapay zekâ hem görsel hem sayısal kontrolü birlikte yapıp seni 'tek p-değeri' tuzağına karşı uyarır; veri normal değilse durumuna göre dönüştürme, parametrik olmayan test ya da büyük örneklem dayanıklılığı önerir. Ama o çarpıklığın senin sürecinde bir sınırdan mı yoksa iki karışan gruptan mı geldiğini ve hangi yaklaşımın projenin gerçeğine uyduğunu, sahayı bilen sen yargılarsın — yorum takımla birlikte yapılır.

AI Asistanı

Verini yükle (ör. çağrı süreleri); şeklini değerlendireyim (çarpık? çift tepeli? aykırılar?), tek-p tuzağına karşı uyarayım ve durumuna uygun yolu (dönüşüm / parametrik olmayan / CLT) önereyim. Şeklin süreç hikâyesini sahayı bilen sen yorumlarsın.

Bir Yalın Altı Sigma istatistik mentoru gibi davran. Aşağıdaki veriyle bir t-testi/ANOVA yapmadan ÖNCE normallik kontrolü yap. (1) Verinin ŞEKLİNİ değerlendir: histogram ve dağılım açısından kabaca normal mi, sağa/sola çarpık mı, çift tepeli mi, aykırı değerli mi? (2) UYARI: Sadece bir 'normallik testi' p-değerine güvenme — büyük örneklemde önemsiz sapmaları 'normal değil' der, küçük örneklemde gerçek sapmayı kaçırır. Şekle ve p-değerine BİRLİKTE bak.

Devam et: (3) Veri normalden ciddi sapıyorsa üç seçeneği değerlendir: (a) dönüştürme (örn. log), (b) parametrik olmayan (medyan temelli) test, (c) örneklem yeterince büyükse merkezi limit teoremine güvenip t-testini kullanmak. Benim durumuma hangisi uygun? (4) Çift tepe veya çarpıklık görürsen, bunun bir kök neden ipucu (sınır, iki karışan grup) olup olmadığını söyle. (5) Sonuç olarak hangi testi kullanmalıyım?

AI kilidi okur — doğru anahtarı bilinçle seçen sensin.

KENDİNİ SINA

Hızlı Kontrol

Veri normal dağılımdan anlamlı şekilde ayrılıyor — p < 0.05 olduğundan normallik H₀'ı reddedildi. Parametrik test öncesinde dönüşüm veya parametrik olmayan test düşünülmeli.

Evet, büyük olasılıkla — merkezi limit teoremi gereği n ≥ 30 için örneklem ortalaması yaklaşık normaldir. Hafif çarpıklıkta t-testi güvenilir sonuç verir. Çok aşırı çarpıklıkta dikkatli ol.

Karışık iki farklı alt grup — örneğin gece ve gündüz vardiyası birlikte analiz edilmiş olabilir. Gruplar ayrılıp ayrı analiz edilmeli. Birleşik analiz yanıltıcı sonuç verir.

Çoğu parametrik test onu varsayar — t-testi/ANOVA gibi yöntemler normallik varsayar; veri normal değilse uygun (parametrik olmayan) test seçilir.

Parametrik olmayan yöntem kullan — normal olmayan veride dönüşüm veya non-parametrik testler (ör. Mann-Whitney) kullanılır.

SON SÖZ

Test seçmeden önce dağılıma bak. Normal ise parametrik, normal değilse parametrik olmayan veya dönüştür. n > 30 ise merkezi limit teoremi kurtarıcı olabilir — ama körü körüne güvenme.

Bir sonraki testinden önce 30 saniyeni şekle ayır: histogramı çiz, Q-Q plot'a bak. Çan mı, çarpık mı, çift tepe mi? Kilit belli olunca anahtar kolay: parametrik, dönüşüm, parametrik olmayan ya da CLT. Ve şeklin fısıldadığı süreç hikâyesini not et. Sıradaki ders — modülün finali: pratik iş yorumu — istatistiksel sonuçları gerçek iş kararına çevirmenin sanatı.