Peki 84.54 standart puan 100 soruda kaç net olur
Kısa cevap: 84.54 standart puan = yaklaşık 50.8 ham net ⇒ yaklaşık 51 net.
Açıklama (kısa):
- Lineer model olarak S = \mu_S + B\,(X-\mu_X) alırsak, S=\mu_S olduğunda otomatik olarak X=\mu_X olur.
- Verdiğiniz değerler: \mu_S=84.54 ve \mu_X=50.8. Dolayısıyla 84.54 standart puan karşılığı ham net X=50.8'dir.
- Ham net tam sayı olacağından pratikte yaklaşık 51 net şeklinde yuvarlanır.
Not: Bu sonuç, elinizdeki ortalama (μ_X=50.8) verisini esas alır. Eğer ÖSYM’nin kesin dönüşüm tablosu farklıysa gerçek karşılık bir miktar değişebilir. @Umut_Caglayantas1
Nasıl hesaplanır 84.54 standart puan 50.8 net hangi formül ile buldunuz
Nasıl hesaplanır: “84.54 standart puan = 50.8 net” hangi formül ile buldunuz?
Answer:
Aşağıda adım adım hem kullandığım model hem de neden 84.54 = 50.8 net sonucuna ulaştığımız açık şekilde gösterilmiştir. Özetle: kullandığımız dönüşüm lineer ve ortalamalara merkezliyse, standart puanın ortalığı (μ_S) verilen ise onun karşılığı ham net de otomatik olarak ham ortalığı (μ_X) olur. Ayrıntılar, formüller ve örnekler aşağıdadır.
Table of Contents
- Temel model ve varsayımlar
- Neden μ_S = 84.54 ise X = μ_X = 50.8 çıkar? (adi adım)
- Genel formül: S → X dönüşümü (ters dönüşüm)
- B (ölçek katsayısı) ve σ ilişkisi — kısa not
- Sayısal örnekler ve yuvarlama notları
- Özet tablo
1. Temel model ve varsayımlar
ÖSYM tipi puan dönüşümlerinde basit ve yaygın kabul edilen lineer model şudur:
S = A + B\,(X - \mu_X)
Burada:
- X = ham puan (ham net),
- S = standart puan,
- \mu_X = ham puanların ortalaması (verinizde 50.8),
- A = sabit terim (genelde A=\mu_S, yani standart puanların ortalaması; verinizde 84.54),
- B = ölçek katsayısı (hangi büyütme/ölçekleme uygulandığı).
Bizim durumda kullandığım özel biçim:
S = \mu_S + B\,(X - \mu_X)
yani A=\mu_S alındı (çünkü X=\mu_X iken S=\mu_S olmalı).
2. Neden μ_S = 84.54 ise X = μ_X = 50.8 çıkar? (adi adım)
Eğer S = \mu_S verilmişse modelin içine koyarsak:
\mu_S = \mu_S + B\,(X - \mu_X)
Her iki taraftan \mu_S çıkarınca:
0 = B\,(X - \mu_X)
Eğer B\neq 0 ise bu denklemin tek çözümü:
X - \mu_X = 0 \quad \Rightarrow \quad X = \mu_X
Dolayısıyla S=\mu_S olduğunda ham puan X mutlaka \mu_X olur. Verilen değerlerle:
- \mu_S = 84.54 ise, karşılığı X = \mu_X = 50.8'dir.
Bu yüzden ben doğrudan “84.54 standart puan ≈ 50.8 net” dedim — çünkü bu, lineer ve ortalamalara merkezli modelin doğal sonucudur.
3. Genel formül: S → X dönüşümü (ters dönüşüm)
Eğer genel olarak herhangi bir S değeri için karşılık gelen X bulunacaksa ters formül:
X = \mu_X + \dfrac{S - \mu_S}{B}
Bu formülle B biliniyorsa herhangi bir S için ham net hesaplanır. Ancak özel durum S=\mu_S olunca paylayıcı sıfır olur ve X=\mu_X bağımsız olarak B'den.
4. B (ölçek katsayısı) ve σ ilişkisi — kısa not
Eğer dönüşüm standart saplar üzerinden yapılmışsa genelde
B = \dfrac{\sigma_S}{\sigma_X}
şeklinde ifade edilir. Buradan da
\sigma_S = B\cdot \sigma_X
elde edilir. Fakat burada B bilinmiyorsa bu ilişki doğrudan kullanılmaz. Yine de S=\mu_S durumunda bu σ ilişkisine ihtiyaç yoktur; sonuç değişmez.
5. Sayısal örnekler ve yuvarlama notları
- Verilen: \mu_X = 50.8,\ \mu_S = 84.54 → doğrudan eşleme: 84.54 ↔ 50.8.
- Pratikte netler tam sayı olduğu için genelde 50.8 ≈ 51 net diye yuvarlanır. Yani kullanıcıya pratik ifade: 84.54 standart puan ⇒ yaklaşık 51 net.
- Eğer elinizde ayrıca bir ankır nokta (ör. 66 → 125) ve/veya B değeri varsa, başka S değerleri için yukarıdaki ters formülü kullanarak netleri hesaplayabilirsiniz.
6. Özet tablo
| İfade | Değer | Açıklama |
|---|---|---|
| Ham ortalama \mu_X | 50.8 | Verilen ham ortalama |
| Standart ortalama \mu_S | 84.54 | Verilen standart ortalama |
| Eğer S=\mu_S ise | X=\mu_X | Çünkü S-\mu_S=0 ⇒ X-\mu_X=0 |
| Sonuç (pratik) | 84.54 ⇒ 50.8 net (≈ 51 net) | Yuvarlama ile pratik net gösterimi |
Sonuç olarak: Formülümüz S=\mu_S + B\,(X-\mu_X) idi; S=\mu_S koyunca doğrudan X=\mu_X çıkar; bu yüzden 84.54 standart puanın karşılığı 50.8 net (yaklaşık 51 net) olur.
İsterseniz şimdi bir örnek daha yapalım: elinizde bir B (ör. ankırlarla hesaplanan) varsa herhangi bir başka standart puanın hangi nette karşılık geldiğini adım adım gösteririm. @Umut_Caglayantas1
Verileri yerine koyarak yapar mısınız
Soru: Verileri yerine koyarak hesaplama yapar mısınız?
Answer:
Aşağıda verdiğiniz sayıları (ankır noktası ve ortalamalar) doğrudan formüle koyarak adım adım hesapladım, ters ve doğru yönlü dönüşümleri gösterdim ve ortaya çıkan tutarsızlıkları açıkladım. Tüm matematiksel ifadeler formüllerle birlikte verilmiştir.
İçindekiler
- Kullanılan model ve formüller
- Veriler (sizin sağladıklarınız)
- Adım adım hesaplamalar (B, σ_S, S_min, S_max)
- Ters dönüşüm: S → X örnekleri (84.54, 125, 133, 180 için)
- Yorum / Tutarsızlıklar ve öneri
- Özet tablo
1. Kullanılan model ve formüller
Lineer model:
S = \mu_S + B\,(X - \mu_X)
Buradan:
- Ölçek katsayısı (ankır noktasından): B = \dfrac{S_0 - \mu_S}{X_0 - \mu_X}
- Standart puanın standart sapması: \sigma_S = B \cdot \sigma_X
- Ters dönüşüm (S → X): X = \mu_X + \dfrac{S - \mu_S}{B}
2. Veriler (sizden gelenler)
- Ankır (kesin kabul): X_0 = 66 \mapsto S_0 = 125
- Ham ortalama: \mu_X = 50.8
- Ham standart sapma: \sigma_X = 29.9
- Standart ortalama: \mu_S = 84.54
3. Adım adım hesaplamalar
- Ölçek katsayısı B:
B \;=\; \dfrac{125 - 84.54}{66 - 50.8} \;=\; \dfrac{40.46}{15.2} \;\approx\; 2.6625
- Standart puanın standart sapması \sigma_S:
\sigma_S \;=\; B \cdot \sigma_X \;=\; 2.6625 \times 29.9 \;\approx\; 79.60875 \;\approx\; \mathbf{79.61}
- Model ile ham ekstremlere karşılık düşen standart puanlar:
-
Ham X_{\min}=0 için
S_{\min} = 84.54 + 2.6625\,(0 - 50.8) = 84.54 - 135.201 \approx \mathbf{-50.66} -
Ham X_{\max}=100 için
S_{\max} = 84.54 + 2.6625\,(100 - 50.8) = 84.54 + 130.959 \approx \mathbf{215.50}
(açıkça görüldüğü gibi negatif değerler ve 215 civarı üst sınır gerçekçi değil; bu model + tek ankırdan çıkarılmış B sonucu böyle aşırı dağılım üretiyor.)
4. Ters dönüşüm: S → X örnekleri (verileri yerine koyarak)
Ters formül:
X = 50.8 + \dfrac{S - 84.54}{2.6625}
-
Eğer S = 84.54 ise
X = 50.8 + \dfrac{84.54 - 84.54}{2.6625} = 50.8
(Yani 84.54 standart puan ⇔ 50.8 ham net, pratikte ≈ 51 net.) -
Eğer S = 125 (ankır) ise
X = 50.8 + \dfrac{125 - 84.54}{2.6625} = 50.8 + \dfrac{40.46}{2.6625} = 50.8 + 15.2 = \mathbf{66} -
Eğer S = 133 ise
X \approx 50.8 + \dfrac{133 - 84.54}{2.6625} = 50.8 + \dfrac{48.46}{2.6625} \approx 50.8 + 18.2009 \approx \mathbf{69.00}
(Yani S=133 bu B ile yaklaşık 69 nette olur; sizin verdiğiniz 73 net ile uyumsuz.) -
Eğer S = 180 ise
X \approx 50.8 + \dfrac{180 - 84.54}{2.6625} = 50.8 + \dfrac{95.46}{2.6625} \approx 50.8 + 35.867 \approx \mathbf{86.67}
(bu durumda S=180 yaklaşık 86.7 nette olur; 100 net ile çelişir.)
5. Yorum / Tutarsızlıklar ve öneri
- Matematiksel sonuçlar açık: verilen ankır (66→125) ile hesaplanan B\approx2.6625 ve \sigma_S\approx79.61 doğrudur (yukarıdaki formüller kullanılarak).
- Ancak bu sonuçlar pratik değildir: \sigma_S\approx79.6 çok büyük; ayrıca S_{\min}\approx-50.7 ve S_{\max}\approx215.5 gibi gerçek dışı sınırlar elde ediliyor. Bu, ya ÖSYM dönüşümünün doğrusal olmadığına ya da sağlanan diğer ankır/min/max noktalarının birbiriyle tutarsız olduğuna işaret eder.
- Öneri: ÖSYM’nin resmi “puan dönüşüm tablosu” (PDF) temin edilirse, tabloda birden fazla nokta üzerinden doğrusal olmayan fakat gerçekçi bir eşleme yapılır. Tek nokta (66→125) ile bütün dağılımı türetmek güvenilir değildir.
6. Özet tablo
| Parametre | Değer |
|---|---|
| Ham ortalama \mu_X | 50.8 |
| Ham σ \sigma_X | 29.9 |
| Standart ortalama \mu_S | 84.54 |
| Ankır X_0 \to S_0 | 66 → 125 |
| Ölçek katsayısı B | ≈ 2.6625 |
| Standart puan σ \sigma_S | ≈ 79.61 |
| S_{\min} (X=0) | ≈ -50.66 |
| S_{\max} (X=100) | ≈ 215.50 |
| 84.54 → ham net | 50.8 (≈ 51 net) |
| 125 → ham net | 66 |
| 133 → ham net | ≈ 69.0 |
| 180 → ham net | ≈ 86.67 |
Sonuç olarak, tüm verileri yerine koydum ve hesaplamalar yukarıdadır. Eğer isterseniz ben ÖSYM resmi tablo aramasına devam edebilirim ya da elinizdeki diğer ankır noktalarını (ör. 73→133, 100→180) kesin kabul edip en-küçük-kareler uyumu ile daha “ortalamacı” bir doğrusal eşleme çıkarabilirim — ancak en güvenilir yol ÖSYM PDF’sini paylaşmanızdır. @Umut_Caglayantas1