AP Statistics çalışırken “deneysel tasarım” konusu seni zorluyor mu? C-R-R (Control, Randomize, Replicate) üçlüsü kafanda tam oturmadıysa, yalnız değilsin. Bu alan hem kavramsal hem de sınav dilinde net açıklama gerektirdiği için birçok öğrenci burada puan kaybediyor.
İyi haber şu: deneysel tasarım kuralları 2026 AP Statistics sınavı için büyük ölçüde aynı kaldı. College Board, 2027 ve sonrası için daha yapılandırılmış bir kurs duyurdu, ama sen 2026’da hâlâ şu anki formatla karşılaşacaksın. Yani temeli iyi kuran öğrenci, ciddi avantaj elde eder.
Bu rehberde, “AP Statistics Experimental Design Explained (2026 Guide)” seviyesinde ama Türkçe bir çerçeve bulacaksın. Şunları netleştireceğiz:
- C-R-R ilkeleri
- Temel deney tasarımı türleri
- Önemli terimler ve kavramlar
- FRQ (free-response) yazım stratejileri ve yaygın hatalar
AP Statistics’e yeni başlıyorsan, önce seviyeni görmek için şu yazıdaki AP Statistics Prerequisite Checklist ile kendini hızlıca test etmen de faydalı olur.
Deneysel Tasarımın Temel Taşları: Kontrol, Randomizasyon ve Tekrarlama
AP Statistics’te deney sorularının kalbinde hep aynı üç fikir var: Control, Randomize, Replicate. Bu üçlü, hem çoktan seçmeli hem de FRQ sorularında açıkça aranır.
Kısaca anlamları:
- Control (Kontrol): Diğer değişkenleri olabildiğince sabit tutmak
- Randomize (Randomizasyon): Denekleri tedavilere rastgele atamak
- Replicate (Tekrarlama): Yeterli sayıda denek kullanmak
Bu bölümde her birini tek tek sade örneklerle görelim.
Kontrol: Diğer Değişkenleri Sabit Tutmak Neden Gerekli?
Kontrolün amacı, “etkiyi gerçekten tedavi mi yarattı?” sorusuna net cevap verebilmektir. Tedavi dışındaki etmenler değiştiğinde, sonuç kayar ve nedensel yorum zayıflar.
Örnek düşün: Domates bitkilerine iki farklı gübreyi karşılaştırıyorsun.
Kontrol etmen gerekenler neler olabilir?
- Işık miktarı
- Sıcaklık
- Sulama sıklığı
- Saksı büyüklüğü
Eğer bir grup bitki güneş alan pencerede, diğer grup gölgede durursa, daha hızlı büyümenin gübreden mi, ışıktan mı geldiğini söyleyemezsin. Aynı mantık, bir eğitim uygulaması deneyi için de geçerli. Bir sınıf sabah dersi, diğeri akşam yorgun saatte ise, uygulamanın etkisini ayırt etmek zorlaşır.
Kontrol, “her şey aynı, sadece tedavi farklı” hedefidir. Sınavda deney tasarlarken çevresel koşulları özellikle belirtmek puan kazandırır.
Randomizasyon: Denekleri Tedavilere Rastgele Atamak
Randomizasyon, grupları başlangıçta olabildiğince benzer hale getirmeye yarar. Böylece gözlenmeyen farklar (çalışkanlık, genetik yapı, motivasyon gibi) tedaviler arasında dengelenir ve bias azalır.
Basit rastgele atama yöntemleri:
- Rastgele sayı tablosu kullanmak
- Bilgisayar randomizer (örneğin “random number generator”)
- Kura çekmek (isimleri kağıtlara yazıp karıştırmak)
AP Statistics FRQ’lerinde “randomly assign” ifadesini açıklarken, yöntemi net yazman beklenir. Örneğin:
“Öğrencilerin isimlerini listeledik, bilgisayarda rastgele karıştırdık ve ilk 20 kişiyi uygulama grubuna, kalan 20 kişiyi kontrol grubuna atadık.”
Sadece “öğrencileri rastgele dağıttık” demek tam puan için çoğu zaman yeterli değildir. Yöntemi bir cümleyle somutlaştır.
Tekrarlama (Replication): Yeterli Sayıda Denek Kullanmak
Birçok öğrenci “replication” kelimesini “deneyi tekrar tekrar yapmak” gibi anlar. AP bağlamında asıl anlam çoğu zaman şudur: yeterli sayıda denekle deneyi yürütmek.
Neden önemli?
- Büyük örneklem, doğal değişkenliği daha iyi gösterir.
- Aşırı uç sonuçlar tek bir deneğe takılıp kalmaz.
- Ortalama etki daha kararlı hale gelir.
Örneğin sadece 2 kişiyle bir diyet deneyi yaparsan, kişisel özellikler (metabolizma, sağlık durumu) sonucu kuşkulu hale getirir. 50 kişilik bir grupta ise aynı diyetin etkisi daha güvenilir görünür.
Sınavda tasarımını yazarken, “Her grupta en az 30 öğrenci olacak” gibi net bir ifade kullanmak, tekrarlamayı gösteren güçlü bir sinyaldir.
AP Statistics İçin Temel Deney Türleri: Tasarımları Nasıl Tanırsın?
Deney türünü doğru tanımak, soru kökünü hızla çözmeni sağlar. AP Statistics’te en sık karşılaştığın üç yapı:
- Completely randomized design
- Randomized block design
- Matched pairs design
Bu üç tasarımı, zihninde kutu diyagramı gibi canlandırmak işini çok kolaylaştırır.
Tamamen Rastgele Tasarım: En Basit ve En Yaygın Model
Bu tasarımda tüm denekler tek bir büyük havuzda durur. Sonra her biri rastgele bir tedaviye atanır.
Metinle hayal et:
- “Tüm 60 öğrenciyi bir listeye yazdık.”
- “Rastgele sayı üreteci ile 30’unu yeni uygulamaya, 30’unu geleneksel yönteme atadık.”
İki ya da daha fazla tedavi olabilir. Örneğin üç farklı gübre türü de kullanılabilir; tüm bitkiler tek havuzda, sonra rastgele üç tedaviden birine atanır.
Ne zaman iyi fikir?
- Denekler birbirine oldukça benzerken
- Cinsiyet, yaş, seviye gibi büyük farklılıklar çok belirgin değilken
- Tasarımı kısa ve sade tutmak istediğinde
Dezavantajı, çok heterojen gruplarda sonuç değişkenliğinin yüksek kalabilmesidir. Bu durumda bloklama daha iyi çalışır.
Randomize Blok Tasarımı: Benzerleri Aynı Blokta Toplamak
Blok, içinde birbirine benzer denekler olan gruptur. Amaç, büyük farklılıkları blok içinde sabitleyip, tedavinin etkisini daha net görmektir.
Yaygın blok örnekleri:
- Cinsiyet (kadın / erkek)
- Yaş grubu (genç / orta yaş / ileri yaş)
- Başlangıç seviye testi sonucu (düşük / orta / yüksek)
- Farklı sınıflar (10-A, 10-B gibi)
Önemli nokta: Her blok içinde ayrı ayrı rastgele atama yapılır. Yani önce bloklara ayırırsın, sonra her blok içinde “completely randomized” mantığıyla tedavilere atarsın.
AP sorularında “block” kelimesini gördüğünde şu soruları kendine sor:
- Blok değişkeni nedir ve neden seçildi?
- Her blok içinde rastgele atama açıkça tarif edildi mi?
Cevabında “Önce öğrencileri cinsiyete göre iki bloğa ayırdık, sonra her blok içinde rastgele olarak uygulama ve kontrol gruplarına atadık” gibi net ifadeler kullanman beklenir.
Eşleştirilmiş Çiftler (Matched Pairs): Aynı veya Çok Benzer Denekleri Karşılaştırmak
Matched pairs, özel bir blok tasarımı türü olarak düşünebilirsin. İki temel biçimi vardır.
- Aynı kişi, önce-sonra ölçümü
- Aynı denek önce kontrol, sonra tedavi alır (ya da tersi).
- Örneğin, öğrencinin uygulama öncesi ve sonrası test puanlarını karşılaştırmak.
- Çok benzer iki denek çifti
- Her çiftteki iki kişi, yaş, cinsiyet, başlangıç seviyeleri gibi özelliklerde çok benzer seçilir.
- Çiftin biri tedavi, diğeri kontrol alır.
Bu tasarımın gücü, kişisel farklılıkları azaltmasıdır. İki tamamen farklı kişi yerine, “neredeyse aynı iki kişi” veya “aynı kişi” arasında fark ölçersin. Bu da daha hassas bir karşılaştırma sunar.
Sınavda matched pairs gördüğünde, aklında şu cümle oluşsun: “Bu, aslında 2’li bloklardan oluşan özel bir block design.”
Bir Deneyin Parçalarını Okur Gibi Çözmek: Terimler ve Kavramlar
Photo by Christina Morillo
Bir AP Statistics deney sorusunu çözerken, metni sanki bir “akış şeması” gibi parçalara ayırmak işini kolaylaştırır. Aşağıdaki terimleri net görürsen, hem yorum hem de FRQ yazımın güçlenir.
Denekler, Deney Birimleri ve Tedaviler
- Experimental units (deney birimleri): Üzerinde ölçüm yaptığın birimlerdir.
- Subjects (denekler): Eğer bu birimler insan ise, özel adı “subjects” olur.
- Treatments (tedaviler): Uyguladığın koşulların tümü. Genelde bir ya da daha fazla faktör düzeyinin birleşimidir.
Örnek:
Bir ilaç deneyinde faktör “doz” olsun. Düzeyler 0 mg, 10 mg, 20 mg. Tedaviler bu doz düzeyleridir. Eğer bir de “kullanım süresi” faktörü eklenirse, her doz-süre kombinasyonu ayrı bir tedavi sayılır.
Kısa kontrol listesi:
- Deney birimlerini açıkça tanımladın mı? (Öğrenciler mi, bitkiler mi, sınıflar mı?)
- Tedavilerin kaç tür olduğunu net yazdın mı?
- Bir tedaviyi oluşturan faktörleri ve düzeylerini belirttin mi?
Cevap Değişkeni ve Açıklayıcı Değişken: Neyi Ölçüyor, Neyi Değiştiriyorsun?
- Response variable (cevap değişkeni): Ölçtüğün sonuçtur.
- Explanatory variable / factor (açıklayıcı değişken): Deneyde kontrol ettiğin, değiştirdiğin değişkendir.
Sebep-sonuç çerçevesi kurarken önce şu soruyu sor:
“Hangi sayı veya ölçüm bu deneyin sonucudur?”
Bu genelde test puanı, kan basıncı, bitki boyu ya da reaksiyon süresi gibi bir nicel ölçümdür. Sonra şunu sorarsın:
“Bu sonuca etki etmesini beklediğim değişken ne?”
Bu da çoğu zaman uygulanan tedavidir. Korelasyon sorularında “neden-sonuç” yorumu dikkat gerektirir, ama deneylerde amaç, açıklayıcı değişkenin response üzerindeki etkisini görmek olduğu için, nedensel yorum daha güçlüdür.
Karıştırıcı Değişkenler ve Yanlılık: Sonuçları Bozan Etkenler
- Confounding variables (karıştırıcı değişkenler): Hem tedaviyle, hem sonuçla ilişkili olup, tedavinin gerçek etkisini gölgeleyen etkenlerdir.
- Bias (yanlılık): Sonucu sistematik olarak kaydıran hatalı tasarım ya da yöntemdir.
Gündelik örnek: Kahve tüketimi ile kalp sağlığı arasında bir ilişki buldun. Spor yapan kişiler hem daha çok kahve içiyor, hem de genel olarak daha sağlıklı olabilir. Spor alışkanlığı burada karıştırıcı değişken rolü oynayabilir.
AP Statistics bağlamında şunu bilmelisin:
- Kontrol, çevresel faktörleri sabit tutarak karıştırıcıları azaltır.
- Randomizasyon, gözlenmeyen farkların gruplara dengeli dağılmasına yardım eder.
- Bloklama, bilinen büyük farkları (yaş, cinsiyet gibi) kendi grupları içinde tutar.
Karıştırıcıları iyi anlamak, özellikle “Bu deneyin sınırlılıkları nelerdir?” tarzı FRQ sorularında seni öne çıkarır.
Gerçek Sınav Odaklı Bakış: AP Statistics 2026 İçin Deneysel Tasarım Stratejileri
College Board’ın AP Statistics Exam sayfasına göre 2026 sınavının yapısı büyük ölçüde aynı kalıyor. Daha sonraki yıllar için, “Collect Data” başlığı altında veri toplama ve deney tasarımı becerilerine daha da fazla vurgu planlanıyor.
Senin için anlamı şu: 2026’da da deneysel tasarım, hem çoktan seçmeli hem FRQ kısmında güçlü bir ağırlığa sahip olacak. Bu yüzden:
- Tasarım türlerini hızlı tanıyabilmeli
- C-R-R ilkelerini sınav dilinde açıkça yazabilmeli
- FRQ cevaplarında tam yapıyı gösterebilmelisin
Kapsamlı bir genel sınav planı için, AP Statistics Mini-Guide (2026) gibi özet kılavuzlar da programını destekleyebilir.
AP Sorularında Deneysel Tasarım Nasıl Tanımlanır ve Açıklanır?
Tam puan alan bir FRQ deney tasarımı cevabında genelde şu öğeler açıkça yer alır:
- Deneklerin tanımı
- “Denekler, okulun 10. sınıfında okuyan 80 öğrenciden oluşmaktadır.”
- Random atama yöntemi
- “Öğrencilerin isimleri listeye yazıldı, bilgisayar programında rastgele karıştırıldı ve ilk 40’ı uygulama grubuna, kalan 40’ı kontrol grubuna atandı.”
- Tedavi ve kontrol grupları
- “Uygulama grubuna yeni çevrim içi platform verilecek, kontrol grubu mevcut yöntemle devam edecektir.”
- Cevap değişkeni
- “Her öğrencinin dönem sonu test puanı cevap değişkeni olarak kaydedilecektir.”
- C-R-R’nin açık ifadesi
- Kontrol: “Tüm dersler aynı öğretmen tarafından, aynı sınıfta ve aynı süreyle yapılacaktır.”
- Randomizasyon: Yukarıdaki atama açıklaması.
- Tekrarlama: “Her grupta 40 öğrenci bulunması, deneyi yeterli tekrarlama ile yürütmemizi sağlar.”
Kullanabileceğin bazı kısa kalıp cümleler:
- “Deney birimleri …’dir ve hepsi deneyde kullanılacaktır.”
- “Denekleri tedavilere rastgele atamak için … yöntemi kullanılacaktır.”
- “Cevap değişkeni, … ölçümüdür.”
- “Diğer faktörler sabit tutulacak, yalnızca … faktörü değişecektir.”
Bu kalıpları ezberlemeye değil, kendi cümlelerin için iskelet olarak kullanmaya çalış.
Sık Yapılan Hatalar: Karıştırılan Kavramlar ve Puan Kayıpları
Aynı kavramları karıştıran binlerce öğrenci var. Sen bu hataları bilerek onlardan ayrılabilirsin.
1. Sampling ile experiment’i karıştırmak
- Yanlış ifade: “Öğrencileri iki gruba ayırıp anket yaptık, bu bir experimenttir.”
- Doğru ifade: “Eğer sadece gözlem yapıp tedavi uygulamadıysak, bu bir survey veya observational study’dir, experiment değildir.”
2. Random selection ile random assignment farkını unutmak
- Yanlış: “Örneklemi rastgele seçtiğimiz için nedensel yorum yapabiliriz.”
- Doğru: “Nedensel yorum için random assignment gerekir. Random selection, genellenebilirlik ile ilgilidir.”
3. Blocking ile stratified sampling’i karıştırmak
- Yanlış: “Öğrencileri cinsiyete göre bloklara ayırıp survey yaptık, bu stratified sampling’dir.”
- Doğru: “Bloklama, deney tasarımında kullanılır. Stratified sampling ise örnekleme tasarımında kullanılır. İkisinde de benzer gruplar vardır, ama amaç ve bağlam farklıdır.”
4. Yetersiz açıklama ile puan kaçırmak
- Yanlış: “Öğrencileri rastgele gruplara ayırdık.”
- Doğru: “Öğrencilerin isimlerini listeye yazdık, rastgele sayı üreteci ile sırayı karıştırdık ve ilk 30’u tedavi, kalan 30’u kontrol grubuna atadık.”
Kendi yazını kontrol ederken şu kısa listeyi kullan:
- Deney mi anlatıyorum, yoksa sadece gözlem mi?
- Random selection mı, random assignment mı yazdım?
- “Block” kelimesini kullanıyorsam, bunun bir deney tasarımı içinde olduğundan emin miyim?
- Randomizasyon yöntemini somut bir cümle ile anlattım mı?
Sonuç: C-R-R'ı Kur, Tasarımı Oku, FRQ'de Net Yaz
Bu yazıda C-R-R ilkeleri, temel deney tasarımı türleri, önemli terimler ve FRQ yanıt stratejilerini özetledik. Artık bir deney sorusunu okurken, “denekler kim, tedaviler ne, randomizasyon nasıl yapılmış, kontrol ve tekrarlama yeterli mi” sorularını sistemli biçimde sorabilirsin.
Kendine küçük bir görev ver: Bugün en az bir gerçek AP FRQ deney sorusu bul ve bu yazıdaki adımlarla çöz. Deneyin parçalarını tek tek işaretle, sonra kendi tasarım cevabını kısa ama eksiksiz yaz.
Deneysel tasarımı iyi anlamak, ileride güven aralıkları ve anlamlılık testleriyle çalışırken de büyük kolaylık sağlar. Çünkü çıkarımsal istatistikte yorumladığın sonuçlar, genelde nasıl veri topladığın ile başlar.
Şimdi sırada, öğrendiğin bu çerçeveyi bol pratikle kalıcı hale getirmek var.