Şimdiye kadarki tüm grafikler tek bir şeye baktı. Ama gerçek dünyada en yakıcı soru genellikle iki şey arasındadır: sıcaklık arttıkça hata artıyor mu? Bekleme uzadıkça memnuniyet azalıyor mu? İşte iki değişken arasındaki bu gizli ilişkiyi gözle görmenin aracı: serpme grafiği (scatter plot). Birini yatay, diğerini dikey eksene koyar, her gözlemi kesiştiği yere bir nokta olarak işaretlersin — ve noktaların deseni, iki değişkenin birlikte dans edip etmediğini gösterir. Kök neden avının en güçlü görsel silahıdır.
Hikâye Storyboard
İki Değişkenin Dansı: Üç Kare
1
Kök neden avını tahminden gözleme taşır
Analiz fazındasın; Balık Kılçığı'ndan bir sürü şüpheli var. Hangisi gerçekten çıktıyı etkiliyor? Scatter plot her şüpheliyi tek tek 'çıktıyla birlikte hareket ediyor mu?' diye sınamanın yoludur. 'Bence sıcaklık etkiliyor'dan 'işte, veride sıcaklık arttıkça hata da artıyor'a geçiş.
2
Üç desen: pozitif, negatif, ilişkisiz
Pozitif: noktalar sol-alttan sağ-üste yükselir (biri artarken diğeri artar). Negatif: sol-üstten sağ-alta iner (biri artarken diğeri azalır). İlişki yok: rastgele bulut, hiçbir yöne eğilmez — bu da değerlidir, bir şüpheliyi listeden eler. Not: gücü belirleyen eğim değil, noktaların bir çizgiye ne kadar sıkı toplandığıdır.
3
Birlikte hareket, sebep değildir
Dersin en önemli cümlesi: birlikte dans etmek, birinin diğerine sebep olduğu anlamına gelmez. Dondurma satışı arttıkça boğulma vakaları artar — ama dondurma boğulmaya sebep olmaz; ikisini birden yaz sıcağı artırır. Scatter bir ilişki gösterir, bir kanıt değil; bir ipucudur, bir hüküm değil.
Üç Desen
Scatter'da Görebileceğin Desenler
Pozitif
r = +0.8 ~ +1.0
X arttıkça Y artar. Noktalar sol-alttan sağ-üste gider.
Örnek: Sıcaklık ↑ → Hata ↑
Negatif
r = −0.8 ~ −1.0
X arttıkça Y azalır. Noktalar sol-üstten sağ-alta gider.
Örnek: Bakım ↑ → Arıza ↓
Yok
r ≈ 0
İlişki yok. Noktalar rastgele dağılmış.
Örnek: Saç rengi ile hata
İnteraktif
Korelasyon Tahmincisi
Bir grafik seç, scatter plot'a bak — korelasyonun yönünü ve şiddetini tahmin et, sonra doğrula.
Bu grafik ne gösteriyor?
İki İncelik
Acemilerin Kaçırdığı İki Şey
Güç = Sıkılık, Eğim Değil
İlişkinin gücü, noktaların bir çizgiye ne kadar yakın toplandığıdır — eğimi değil. Dağınık bulanık bulut = zayıf; ince sıkı şerit = güçlü. Dik eğim, güçlü ilişki demek değildir. Güçlü ilişki: 'birini bilirsem diğerini iyi tahmin ederim' demektir.
Ters U ve Gizli Yapı
İlişki her zaman düz çizgi değildir. Hız arttıkça kalite önce iyileşir sonra bozulursa, bu bir ters U'dur — en iyi noktanın ortada olduğunu gösterir. Ya da noktalar iki kümeye ayrılmışsa gizli bir grup farkını (iki makine/vardiya) ele verir. Tek korelasyon sayısı bunları kaçırır; scatter yakalar.
Sayısal Ölçüt
Pearson r Katsayısı Yorumu
r, ilişkinin yönünü (işaret) ve gücünü (0'a uzaklık) birlikte söyler.
0.9 – 1.0
Çok güçlü pozitif
0.7 – 0.9
Güçlü pozitif
0.4 – 0.7
Orta güçlü pozitif
−0.4 – 0.4
Zayıf veya yok
−0.7 – −0.4
Orta güçlü negatif
−1.0 – −0.7
Güçlü negatif
En Kritik Uyarı
İlişki ≠ Sebep
Scatter plot sana iki şeyin birlikte dans ettiğini gösterir; ama hangisinin lider olduğunu, ya da ikisini birden başka birinin yönetip yönetmediğini göstermez.
🍦 Dondurma satışı ↑
+
🌊 Boğulma vakaları ↑
☀️ Gizli faktör: Yaz sıcağı ikisini birden artırır
Dondurma boğulmaya sebep olmaz. Bu, korelasyon ve nedensellik ayrımıdır — o kadar önemli ki sonraki ders tamamen ona ayrılmıştır. Aklına kazı: scatter bir ipucudur, bir hüküm değil.
Hikâye
Döküm Fabrikası: Tek Grafik Hem Suçluyu Buldu Hem Çözümü Gösterdi
Nem elendi, kalıp sıcaklığı ters U çizdi — ideal aralık.
Green seviyesinin özü: scatter plot, kök neden avını tahminden gözleme taşır ve çoğu aracın kaçırdığı doğrusal olmayan yapıları da gösterir. Her olası nedeni bir şüpheli gibi çıktıya karşı sınarsın; ilişkisiz olanı elersin, güçlü olanı derinleştirirsin. Ama unutma: bulduğun her ilişki bir ipucudur, nedensellik değil.
Bir döküm fabrikasında parça kusurları artıyor. Ekip Balık Kılçığı'ndan birkaç şüpheli çıkarıyor: kalıp sıcaklığı, metal bekleme süresi, nem. Her birini scatter plot'la sınıyorlar. Nem ile kusur: rastgele bulut, ilişki yok — nem elendi. Bekleme süresi: zayıf, dağınık bir yükseliş — belki. Kalıp sıcaklığı ile kusur: çarpıcı — noktalar bir ters U çiziyor: sıcaklık çok düşükken kusur yüksek, optimum bölgede düşük, çok yüksekken yine yüksek.
Bu sadece 'sıcaklık etkiliyor' demiyor; 'ideal bir sıcaklık aralığı var ve ondan sapınca kusur artıyor' diyor. Tek bir grafik, hem suçluyu buldu hem de çözümün yönünü gösterdi: sıcaklığı o ideal aralıkta tut. Ders: ilişkiyi gör, ama sebep sanma — ve düz çizgiden fazlasını aramayı unutma.
Dans / eş hareket metaforu (iki değişken iki dansçı), dedektif-şüpheliler yüzleştirmesi, üç desen (pozitif/negatif/yok), güç=sıkılık (eğim değil), ters U/gizli yapı, ilişki≠sebep (dondurma-boğulma-yaz sıcağı) uyarısı ve döküm fabrikası (nem elenir, kalıp sıcaklığı ters U ideal aralık) örneği; scatter'ı kök neden avının görsel silahı olarak somutlaştırmak içindir.
Sık Hatalar
Scatter Plot'ta Yaygın Tuzaklar
Korelasyonu nedensellik sanmak
Birlikte hareket, sebep değildir. Güçlü ilişki bulunca gizli bir üçüncü faktör (dondurma-boğulma / yaz sıcağı) olup olmadığını sahada araştır.
Gücü eğimle karıştırmak
İlişkinin gücü noktaların sıkılığıdır, eğimi değil. Dik ama dağınık bir bulut zayıf, yatık ama sıkı bir şerit güçlü olabilir.
Sadece düz çizgi ilişkisi aramak
Ters U gibi doğrusal olmayan desenler en değerli içgörüyü verir (ideal aralık). Noktaların şekline bak, sadece bir r sayısına değil.
İlişkisizliği değersiz saymak
Rastgele bulut da bilgidir: bir şüpheliyi listeden eler, seni yanlış yoldan kurtarır.
Gizli kümeleri gözden kaçırmak
Noktalar iki ayrı kümeye ayrılmışsa gizli bir grup farkı (iki makine/vardiya) vardır; kırılıma göre incele.
DMAIC Bağı
Analiz Fazının Görsel Silahı
Scatter plot, Analyze'ın kalbidir: Balık Kılçığı'ndan gelen şüpheli girdileri (X'ler) çıktıyla (Y) karşılaştırıp gerçek ilişkiyi gözle bulur.
Balık Kılçığı ile
Beyin fırtınasından gelen her olası nedeni scatter ile çıktıya karşı sınarsın — 'bence'yi 'işte veride'ye çevirir.
Doğrulama ile
Bulduğun ilişki bir hipotezdir; nedenselliği deney/sahayla, anlamlılığı hipotez testiyle kesinleştirirsin.
Sonraki ders
Tüm istatistiğin en kritik ayrımına — korelasyon ile nedensellik farkına — geçiyoruz.
AI Köşesi
AI Dansı Gösterir, Gerçek Lideri Sahada Sen Bulursun
Verini verip birden çok değişkeni çıktıyla karşılaştıran scatter plot'lar oluşturmasını isteyebilirsin: 'hangi değişkenler çıktıyla güçlü ilişki gösteriyor, hangileri ilişkisiz, doğrusal olmayan bir desen ya da gizli küme var mı?' Yapay zekâ çok sayıda olası ilişkiyi hızla tarayıp en umut verenleri öne çıkarmakta — ve ters U gibi desenleri yakalamakta — özellikle iyidir. Ama her zaman seni o kritik uyarıyla hatırlatır: bu ilişki nedensellik değildir. Ve ilişkinin gerçek anlamını insan yargılar: bunun gerçek bir sebep-sonuç mu, yoksa ikisini birden etkileyen gizli bir üçüncü faktör mü olduğunu, sahayı ve süreci bilen sen sorgularsın. Yapay zekâ dansı gösterir; kimin gerçekten lider olduğunu sahada araştıran sensin.
AI Asistanı
Bir çıktı problemin mi var? Çıktı ve olası nedenleri (girdileri) içeren veriyi ver; ben her girdiyi çıktıyla scatter mantığıyla karşılaştırayım, ilişkisizleri eleyeyim, ters U/gizli küme gibi desenleri yakalayayım ve her güçlü ilişki için nedensellik uyarısı + olası gizli üçüncü faktörleri vereyim — gerçek lideri sahada sen doğrula.
Bir Yalın Altı Sigma Analiz mentoru gibi davran. Ekteki veride çıktım [ÇIKTI]. Her diğer değişkeni çıktıyla SCATTER mantığıyla karşılaştır. (1) Her ilişkiyi tanımla: pozitif/negatif/ilişkisiz. (2) İlişkinin GÜCÜNÜ değerlendir (noktalar ne kadar sıkı) — eğimle karıştırma. (3) DOĞRUSAL OLMAYAN desen (ters U) veya gizli küme var mı, ne anlama gelir? (4) Hangi değişkenleri elemeli, hangilerini en güçlü şüpheli olarak derinleştirmeliyim? (5) KRİTİK: Her ilişkinin nedensellik OLMADIĞINI hatırlat; her güçlü ilişki için ikisini birden etkileyebilecek gizli bir üçüncü faktör neler olabilir? [Veriyi ekle.]
Şu iki değişkenin ilişkisini yorumla: [X ve Y verilerini gir]. Pozitif mi negatif mi ilişkisiz mi, gücü ne (sıkılık)? Ters U ya da gizli küme var mı? Bu ilişkiyi nedensellik sanırsam hangi gizli faktörü atlamış olurum?
AI dansı gösterir — gerçek lideri sahada sen bulursun.
Anlayalım
Tıkla, Cevabı Gör
İki sürekli değişken arasındaki ilişkiyi. Her gözlemi (X, Y) bir nokta olarak koyar; noktaların deseni pozitif/negatif/ilişkisiz eğilimi ve gizli yapıları (ters U, kümeler) gösterir.
Noktaların bir çizgiye ne kadar sıkı toplandığı — eğim DEĞİL. Sıkı ince şerit = güçlü; dağınık bulanık bulut = zayıf. Güçlü ilişki: 'birini bilirsem diğerini iyi tahmin ederim'.
Biri diğerinin nedeni demek değildir. Korelasyon nedensellik değildir; ilişki, ikisini birden etkileyen gizli bir üçüncü faktörden de kaynaklanabilir (dondurma-boğulma / yaz sıcağı). Scatter bir ipucudur, kanıt değil.
Cebine Koymalık
Scatter plot iki değişkenin birlikte dans edip etmediğini gösterir ve kök neden avını tahminden gözleme taşır — ama birlikte hareket, sebep değildir; bir ipucudur, bir hüküm değil.
Scatter plot iki değişken arasındaki ilişkiyi gözle gösterir ve kök neden avını tahminden gözleme taşır. Pozitif/negatif/ilişkisiz desenleri; gücü (noktaların sıkılığını, eğimi değil); ve ters U gibi doğrusal olmayan zengin yapıları okursun. Ama en önemlisi: birlikte hareket etmek, sebep olmak değildir — scatter bir ipucudur, bir hüküm değil. Altın kural: her şüpheliyi scatter ile çıktıya karşı sına; ilişki bulursan gizli üçüncü faktörü sor. Sıradaki: korelasyon ve nedensellik.
