Bilgisayar Mühendisliği maaşları Test 1

🎓 Bilgisayar Mühendisliği maaşları Test 1 - Ders Notu

Bu ders notu, "Bilgisayar Mühendisliği maaşları Test 1" sınavında karşılaşabileceğiniz temel istatistiksel analiz, veri yorumlama ve ekonomik kavramları sade bir dille özetlemektedir. Amacımız, maaş verilerini anlamak ve yorumlamak için gerekli olan araçları size sunmaktır.

📌 Temel İstatistiksel Kavramlar

Bir veri setini anlamanın ilk adımı, onun merkezini ve yayılımını gösteren temel istatistikleri bilmektir. Maaş verilerini incelerken bu kavramlar çok işinize yarayacaktır.

• Ortalama (Aritmetik Ortalama): Bir veri setindeki tüm değerlerin toplamının, veri sayısına bölünmesiyle bulunur. Genellikle $\bar{x}$ sembolüyle gösterilir.

  💡 İpucu: Maaş ortalaması, genellikle genel bir fikir verir ancak uç değerlerden (çok yüksek veya çok düşük maaşlar) etkilenebilir.
• Medyan (Ortanca): Bir veri seti küçükten büyüğe sıralandığında tam ortada yer alan değerdir. Eğer veri sayısı çift ise ortadaki iki değerin ortalaması alınır.

  ⚠️ Dikkat: Medyan, uç değerlerden ortalama kadar etkilenmez. Maaş verilerinde, ortalama maaşın çok yüksek olduğu durumlarda medyan, "tipik" maaşı daha iyi yansıtabilir.

• Mod (Tepe Değer): Bir veri setinde en sık tekrar eden değerdir.

  📝 Örnek: Eğer en çok kişi 50.000 TL maaş alıyorsa, mod 50.000 TL'dir.

• Standart Sapma: Verilerin ortalamadan ne kadar uzaklaştığını, yani veri setinin yayılımını gösteren bir ölçüdür. Yüksek standart sapma, verilerin ortalamadan daha dağınık olduğunu gösterir.

📌 Veri Türleri ve Ölçekleri

Verileri doğru analiz edebilmek için ne tür bir veriyle çalıştığımızı bilmek önemlidir. Maaş verileri genellikle sayısal olsa da, maaşı etkileyen faktörler farklı veri türlerinde olabilir.

• Sayısal (Kantitatif) Veriler: Sayılarla ifade edilen ve matematiksel işlemlerin yapılabileceği verilerdir.
  • Sürekli Veriler: Belirli bir aralıktaki herhangi bir değeri alabilen verilerdir (Örn: Maaş, yaş, boy).
  • Kesikli Veriler: Sadece belirli tam sayı değerlerini alabilen verilerdir (Örn: Çalışan sayısı, proje sayısı).
• Kategorik (Kalitatif) Veriler: Nitelikleri veya özellikleri tanımlayan, sayısal olmayan verilerdir.
  • Nominal Veriler: Sadece farklı kategorileri belirten, sıralama veya büyüklük ilişkisi olmayan verilerdir (Örn: Şehirler, cinsiyet, departman adı).
  • Ordinal Veriler: Kategoriler arasında bir sıralama veya düzen olan ancak aralarındaki farkın ölçülemeyen verilerdir (Örn: Eğitim seviyesi (lise, lisans, yüksek lisans), kıdem (junior, mid, senior)).

📌 Korelasyon ve Nedensellik

İki değişken arasında bir ilişki olup olmadığını anlamak, maaşları etkileyen faktörleri belirlemek için kritik öneme sahiptir.

• Korelasyon: İki değişken arasındaki ilişkinin yönünü ve gücünü gösterir. Korelasyon katsayısı ($r$), -1 ile +1 arasında bir değer alır.
  • $r = +1$: Mükemmel pozitif korelasyon (biri artarken diğeri de artar).
  • $r = -1$: Mükemmel negatif korelasyon (biri artarken diğeri azalır).
  • $r = 0$: Korelasyon yok (ilişki yok).

  📝 Örnek: Tecrübe yılı arttıkça maaşın artması pozitif korelasyona bir örnektir.

• Nedensellik (Causation): Bir değişkenin diğerine doğrudan neden olduğunu ifade eder.

  ⚠️ Dikkat: "Korelasyon nedensellik değildir!" İki değişken arasında güçlü bir korelasyon olması, birinin diğerine kesinlikle neden olduğu anlamına gelmez. Üçüncü bir faktör her ikisini de etkiliyor olabilir.

  💡 İpucu: Bilgisayar mühendisliği maaşları ile tecrübe arasında güçlü bir korelasyon vardır, ancak tecrübe tek başına maaşın nedeni değildir; uzmanlık, şirket, lokasyon gibi başka faktörler de etkilidir.

📌 Basit Doğrusal Regresyon

Bir değişkenin (bağımlı değişken) değerini, başka bir değişkenin (bağımsız değişken) değerine dayanarak tahmin etmek için kullanılan istatistiksel bir yöntemdir.

• Amaç: İki sayısal değişken arasındaki doğrusal ilişkiyi modelleyerek, bağımsız değişkenin değerine göre bağımlı değişkenin değerini tahmin etmektir.

  📝 Örnek: Tecrübe yılına göre bilgisayar mühendisliği maaşını tahmin etmek.

• Regresyon Denklemi: Genellikle $y = \beta_0 + \beta_1 x$ şeklinde ifade edilir.
  • $y$: Tahmin edilmek istenen bağımlı değişken (Örn: Maaş).
  • $x$: Bağımsız değişken (Örn: Tecrübe yılı).
  • $\beta_0$ (Sabit Terim): $x=0$ olduğunda $y$'nin tahmini değeridir.
  • $\beta_1$ (Eğim Katsayısı): $x$ bir birim arttığında $y$'nin ne kadar değiştiğini gösterir.
• Uygulama: Bir Bilgisayar Mühendisinin tecrübe yılına göre ortalama ne kadar maaş alabileceğini tahmin etmek için kullanılabilir.

📌 Veri Görselleştirme Temelleri

Verileri grafikler ve çizelgeler aracılığıyla sunmak, karmaşık bilgileri hızlı ve anlaşılır bir şekilde aktarmanın en etkili yollarından biridir.

• Amaç: Veri setlerindeki kalıpları, eğilimleri, ilişkileri ve aykırı değerleri kolayca fark etmeyi sağlamak.
• Grafik Türleri:
  • Çubuk Grafikler (Bar Charts): Kategorik verilerin frekansını veya toplamını karşılaştırmak için kullanılır (Örn: Farklı şehirlerdeki ortalama maaşlar).
  • Histogramlar: Sayısal verilerin dağılımını göstermek için kullanılır (Örn: Maaş aralıklarının dağılımı).
  • Serpilme Grafikleri (Scatter Plots): İki sayısal değişken arasındaki ilişkiyi (korelasyonu) görselleştirmek için kullanılır (Örn: Tecrübe yılına göre maaşlar).
• Grafik Yorumlama:
  • Eksen etiketlerini ve birimlerini kontrol edin.
  • Grafiğin başlığını okuyun.
  • Verilerdeki genel eğilimi, zirveleri ve düşüşleri gözlemleyin.
  • Aykırı değerlerin (outliers) olup olmadığına dikkat edin.