Tahmin Yöntemleri

Nedensel Modeller
• X1, X2,...,Xn şeklinde tanımlanan n değişkenin
Y ile ilgili olmakta;
 Y=f(X1, X2,...,Xn) şeklinde bir Y fonksiyonu
tanımlanmaktadır.
 Fonksiyon genellikle aşağıdaki şekilde verilir
(Ekonometrik modeller için):
Y  0  1 X1  2 X 2  ...  n X n

 Burada 1, ..., n katsayılardır.

 Bu katsayıların belirlenmesinde en yaygın olarak
kullanılan yöntem en küçük kareler yöntemidir.

1
 Örnek 1
YIL xi yi YIL xi yi
1 9.098 5.492 12 11.307 5.907
2 9.138 5.540 13 11.432 6.124
3 9.094 5.305 14 11.449 6.186
4 9.282 5.507 15 11.697 6.224
5 9.229 5.418 16 11.871 6.496
6 9.347 5.320 17 12.018 6.718
7 9.525 5.538 18 12.523 6.921
8 9.756 5.692 19 12.053 6.471
9 10.282 5.871 20 12.088 6.394
10 10.662 6.157 21 12.215 6.555
11 11.019 6.342 22 12.494 6.755

xi ile hane başına gelir

yi ile de satışlar gösterilmiştir.

2
 Örnek 1
• Amaç yi=+xi doğrusunun tespit edilmesidir.
• Bunun için  ve  nın tahminleri olan a ve b en
küçük kareler yöntemi ile tahmin edilmeye
çalışılır.
n
y  a  bx
 x y  nxy
i i y  1922,39  0,3815 x
b n
1

x  nx 
2 2
i x y (tahmin)
1 15 1928,113
a  y  bx 20
25
1930,020
1931,928

3
 Doğrusal Regresyon
• Regresyon kullanılarak yapılan tahminin iyi bir tahmin
olması için nedensellik ilişkisi kurulan bağımlı ve
bağımsız değişkenler arasında regresyonun açıklama
gücünün yüksek olması gerekir. Bunun tespiti için
aşağıdaki tanımlamalar yapılır:
n
BKT    yi  y 
2
Bütün Kareler Toplamı
i 1 BKT  RKT  HKT
n
RKT    yˆi  y 
2
Regresyon Kareleri Toplamı RKT HKT
i 1
R 
2
=1-
n
BKT BKT
HKT   ei 2 Hata Kareleri Toplamı 0  R2  1
i 1

4
 Örnek 1
BKT 436.283
• Örneğimizde R2 değeri; RKT 4.961.977
HKT 5.397.561

HKT 436283
R2  1   1  0,919  0,92
BKT 5397561

• Bu değerin anlamı;
 yi’lerin
%92’si, xi’ler ile açıklanabilmektedir.
 Bu açıklama hayli başarılıdır.

5
 Zaman Serileri
• Zaman serisi, ilgilenilen bir büyüklüğün
(ekonomik veya fiziksel) zaman içinde
sıralanmış ölçümlerinin (geçmişteki) bir
kümesi olarak tanımlanır.
• Çoğunlukla kullanılan zaman serisi biçimleri:
 Trend (eğilim)
 Dönemsellik

 Döngüler

 Rasgelelik

6
 Zaman Serileri
Artan
Talep

Talep
Rasgelelik doğrusal
trend

Zaman Zaman

Eğrisel Dönemsel,
Talep

Talep
Kareli, üstel doğrusal

Zaman Zaman

7
 Notasyonları
• Dönemler : 1,2,…,t,…
• Talepler : D1,D2,…,Dt,…
• t. dönemde tahmin çalışması yapılıyor ise
Dt ve Dt-1,… dönemleri gözlenmiş, Dt+1 dönemi
ise henüz gözlenmemiştir.
• Bir tahmin iki dönemin tanımlanmasını
gerektirir:
 Tahmininyapıldığı dönem ve
 Tahmin edilen dönem.

8
 Notasyonları
• Buna göre;
 Ft,t+ : t.dönemde tahmin çalışmasının yapıldığı,
(t+).dönemin ise tahmin edildiğini gösterir.
  değeri 1,2,3,… gibi değerler alır ve “tahmin ufku”
olarak adlandırılır.
• Genellikle bir dönem sonraki dönem tahmin
edilmeye çalışılacağından;
Ft=Ft-1,t

9
 Notasyonları
• Zaman serisi yöntemleri gelecek değerlerin
tahmin edilmesinde geçmiş verileri
kullandığından birçok yöntem için aşağıdaki
eşitlik yazılabilir:


Ft ,t    an Dt n a0 , a1 ,... ağırlık setleri için.
n 0

10
 Tahminin Duyarlılığı
• Öncelikle t.dönemdeki tahmin hatası et’nin
nasıl hesaplandığını görelim:
• Çoklu adım sonrası için;
 et=Ft-,t-Dt

• Tek adım sonrası için aynı formül;

 et=Ft-Dt şekline dönüşür.
• e1, e2,..., en ile n dönem için her bir dönemde
yapılan tahmin hatası gösterilsin.

11
 Tahminin Duyarlılığı
• Tahminin etkinliğinin gösterilmesinde iki
önemli gösterge bulunur. Bunlar;
 MAD : Ortalama Mutlak Sapma
(Mean Absolute Deviation)
 MSE : Ortalama Hatanın Karesi
(Mean Squared Error)

 
1 n
 
1 n
MAD     ei MSE     ei 2
 n  i 1  n  i 1

12
 Tahminin Duyarlılığı
• MAD yöntemi, kare almaya gerek olmadığı için genellikle
tercih edilen bir yöntemdir.
• Ayrıca genellikle kabul gördüğü gibi tahmin hatalarının normal
dağıldığı kabulünden hareketle tahmin hatasının standart
sapması e MAD’ın yaklaşık 1,25 katıdır.
• MAD ve MSE haricinde yaygın olarak kullanılan bir diğer
tahmin etkinlik ölçüsü de MAPE yani Ortalama Mutlak Hata
Yüzdesi’dir. (Mean Absolute Percentage Error).

 1 n ei 
MAPE     *100
 n i 1 Di 

13
 Örnek 2
• DDR ram üreten bir firmanın iki üretim merkezi
vardır. Üretim merkezleri yöneticilerinden 6 hafta
boyunca tek adımlık tahminler yapması istenmiştir.
Elde edilen sonuçlar aşağıda sunulmuştur.
• Hangi yönetici daha etkili bir tahminde bulunmuştur?

Hafta P1 O1 P2 O2
1 92 88 96 91
2 87 88 89 89
3 95 97 92 90
4 90 83 93 90
5 85 91 90 86
6 93 93 85 89

14
 Örnek 2
• MAD, MSE ve MAPE için hesaplanan sonuçlar
aşağıda verilmiştir.

Yön1 Yön2
MAD 2,8333 3,0000
Neden MSE
MSE 13,1667 11,6667
farklı?
MAPE 0,0325 0,0336

15
 Tahminin Duyarlılığı
• Tahminlerin taraflı (biased) olmaması istenir. Matematiksel olarak
E(ei)=0 şeklinde gösterilir.
• Bu durum yapılan tahmin hatalarının sıfırın altında ve üstünde
dalgalanmasını gerektirir.
10
8
6
4
2
0
-2
-4
-6
Rasgele Taraflı
-8
-10
16
 Problem 1
• Aşağıda bilgisayarlar için Blu-Ray sürücü üreten bir firmanın
geçmiş 12 haftalık satışları verilmiştir.
Hafta 1 2 3 4 5 6 7 8 9 10 11 12
Satış 86 75 72 83 132 65 110 90 67 92 98 73

• Buna göre;
 Tek adım sonrası için 3. haftadan 12.haftaya kadar tahminleri yapınız.
(Tahminler en son iki dönemin ortalaması şeklinde yapılacaktır.)
 Tahmin hatalarını hesaplayınız.
 MAD, MSE ve MAPE’nin değerini hesaplayınız.

17
 Problem 2
• Aşağıda iki farklı tahmin yöntemi ile elde edilen tahmin
sonuçları ile gerçekleşen veriler verilmiştir.
• Buna göre hangi yöntemin daha etkili olduğunu MAD, MSE ve
MAPE kullanarak bulunuz. Sonuçları yorumlayınız.

Yöntem1 Tahmini Yöntem2 Tahmini Gerçek Sonuç

223 210 256
289 320 340
430 390 375
134 112 110
190 150 225
550 490 525

18
 Sabit Seri Tahmin Yöntemleri
• Bu kapsamda iki önemli teknik bulunur:
 HareketliOrtalamalar
 Üstel Düzeltme

• Bir sabit zaman serisi, her bir gözlemi temsilen

bir sabit ve bir rasgele dalgalanmanın
toplamından oluşur:

Dt     t  : Seri ortalamasına karşılık2 gelen bilinmeyen sabit

t : Ortalaması 0, varyansı  olan rasgele hata

19
 Hareketli Ortalamalar
• Basit ama bir o kadar da popülerdir.
• N sıralı bir hareketli ortalama, basitçe en son N
gözlemin aritmetik ortalaması olarak
tanımlanabilir.
• Ft, dönem (t-1)’de dönem t için hesaplanan
tahmin değeri ise;
 1  t 1 1
Ft     Di     Dt 1  Dt 2  ...  Dt  N 
 N  i t  N N
• Kısaca MA(N) şeklinde gösterilir.
20
 Örnek 3
• Bir hava üssünde son 2 yıl için kayıt altına alınmış 3’er
aylık (dönemlik) motor arızaları; 200, 250, 175, 186,
225, 285, 305, 190 şeklindedir. 3 dönemlik ve 6
dönemlik hareketli ortalamalar kullanılarak sonraki
döneme ait tahminlerin hesaplanması istenmektedir.
• 4.dönemden 8.döneme kadar tek adım sonrası
tahminleri MA(3) ile, 7. ve 8. döneme ait tek adım
sonrası tahminleri ise MA(6) ile hesaplayınız.

21
 Örnek 3
• 200,250,175,186,225,285,305,190
• MA(3)
 F4=(1/3)(200+250+175)=208
 F5=(1/3)(250+175+186)=204
 F6=(1/3)(175+186+225)=195
 F7=(1/3)(186+225+285)=232
 F8=(1/3)(225+285+305)=272

• MA(6)
 F7=(1/6)(200+250+175+186+225+285)=220
 F8=(1/6)(250+175+186+225+285+305)=238

22
 Örnek 3
• Tartışma sorusu:
 Hareketliortalama yöntemi ile çoklu adım sonrası
tahmin üretilebilir mi?
 Örnek-2’de 3.dönemde 6.dönem arızalarını
tahmin edin.

23
 Hareketli Ortalamalar
• Hareketli ortalamaların bir diğer dezavantajı
da, her bir yeni gözlem değeri elde edildikçe
en son N gözlemin ortalamasının yeniden
hesaplanma zorunluluğudur.
• Özellikle N değerinin çok büyük sayılara
ulaşması durumunda bu durum çok sıkıcı
olabilir. Hesaplamayı biraz kolaylaştırmak için;
1
Ft 1  Ft     Dt  Dt  N  İlk terimi çıkarıp, yeni terimi ilave et.
N

24
 Hareketli Ortalamalar
• Belirli bir dönem boyunca taleplerin
2,4,6,8,10,12,14,16,18,20,22,24 gibi kesin bir
trend oluşturduğu bir durumu göz önüne
alalım.
• Böyle bir durumda tek adım sonrası için MA(3)
ve MA(6) tahminlerini hesaplayalım.

25
 Hareketli Ortalamalar
Dönem Talep MA(3) MA(6)
1 2 - -
2 4 - -
3 6 - -
4 8 4 -
5 10 6 -
6 12 8 -
7 14 10 7
8 16 12 9
9 18 14 11
10 20 16 13
11 22 18 15
12 24 20 17

26
 Hareketli Ortalamalar
24
22
20
18
16 Seride bir trend özelliği
keşfedilirse, basit hareketli
14 ortalama yöntemi ortaya
12 çıkan tahmin gecikmesinden
10 dolayı uygun bir yöntem
olmaz.
8
6
4
2
1 2 3 4 5 6 7 8 9 10 11 12
Talep MA(3) MA(6)

27
 Ağırlıklı Hareketli Ortalamalar
• Ağırlıklı ortalamalar yöntemi, hareketli
ortalamalar yöntemine çok benzer.
 Temel fark, ağırlıklı ortalamalar yönteminde en
güncel verilere daha fazla ağırlık verir.
• Örneğin;
 En gücel veri %40, daha önceki en güncel veri
%30, daha önceki en güncel veri %20 ve daha
önceki en güncel veri %10 ağırlık alır.
 Dikkat edilecek olursa ağırlıklar toplamı %100 olur.

28
 Örnek 4
• Yanda verilen veriler ışığında
en güncel veriye %50 ve Dönem Talep
geçmişe doğru %30 ve %20 1 42
ağırlık vererek ağırlıklı
ortalamayı hesaplayınız. 2 40
3 43
4 40
5 41

29
 Örnek 4
Dönem Talep MA(3) Ağırlıklı MA(3)

1 42 -
2 40 -
3 43 -
4 40 (43+40+42)/3=41,6 0,50*43+0,30*40+0,20*42=41,9
5 41 (40+43+40)/3=41,0 0,50*40+0,30*43+0,20*40=40,9
6 (41+40+43)/3=41,3 0,50*41+0,30*40+0,20*43=41,1

Son gerçekleşen talebe verilen ağırlık fazla olduğundan tahmin bu

veriye çok bağımlıdır. Bu sebeple ağırlıkların çok dikkatli seçilmesi
gereklidir.
30
 Problem 3
• Bir yedek parça deposundan 2009 yılında aylar
bazında talep üzerine gönderilen parça
miktarları aşağıdaki tabloda verilmiştir:
Ay Talep (adet) Ay Talep (adet)
Ocak 89 Temmuz 223
Şubat 57 Ağustos 286
Mart 144 Eylül 212
Nisan 221 Ekim 275
Mayıs 177 Kasım 188
Haziran 280 Aralık 312

31
 Problem 3
1. Tek adım sonrası için MA(3), MA(6) ve MA(12) ile Ocak 2010 ayının
gönderi miktarını tahmin ediniz.
2. MA(4) ile tek adım sonrası tahminleri Temmuz 2009’dan Aralık
2009’a kadar hesaplayınız.
3. MA(4) ile Temmuz 2009’dan Aralık 2009’a kadar iki adım sonrası
tahminleri hesaplayınız. (Ft,t+ = Ft+1 bütün   1 için.)
4. 2. ve 3. sorularda hesaplanan tahminle için MAD değerlerini
hesaplayınız. Hangisinin daha iyi tahminler olduğunu belirleyiniz.
(Tahmin teorisine göre hangisinin daha iyi sonuç vermesi
gerekirdi?)
5. Temmuz 2009’dan Aralık 2009’a kadar MA(3) ve MA(6)
tahminlerini hesaplayınız. (N değerinin 3’ten 6’ya çıkarılmasının
nasıl bir etkisi oldu?)
6. MA(1) ne anlama gelir? Temmuz 2009’dan Aralık 2009’a kadar olan
verileri kullanarak MA(1) ve MA(4) tahminlerinin etkinliklerini
hesaplayınız.

32
 Üstel Düzeltme
• Diğer çok kullanılan bir yöntem de üstel
düzeltmedir. Tahmin genel olarak aşağıdaki
gibi formüle edilir:
Ft   Dt 1  1    Ft 1

•  , talebin gözlenen değerinin bağıl (relative)

ağırlığıdır.
• (1-) ise geçmiş gözlenen talep değerlerinin
bir ağırlığı olarak düşünülebilir.

33
 Üstel Düzeltme
• Formül küçük bir düzenleme ile aşağıdaki şekilde
yazılabilir:

Ft   Dt 1  1    Ft 1
 Ft 1    Ft 1  Dt 1 
 Ft 1   et 1 0  1  düzeltme sabiti

• (t-1). dönemde kestirim sonucu yüksek ise et-1 pozitif

olacağından yeni tahmin değeri düşer.
• (t-1). dönemde kestirim sonucu düşük ise et-1 negatif
olacağından yeni tahmin değeri yükselir.

34
 Örnek 5
• Örnek-3’de verilen geçmiş 2 yıllık uçak motoru arıza
sayılarını ele alalım:
 200,250,175,186,225,285,305,190
• Daha önce hareketli ortalama ile hesaplanan
tahminleri bu sefer üstel düzeltme ile kestirmeye
çalışalım. Bunun için =0,1 alalım. Ayrıca 2.dönem
tahminini hesaplamak için 1.dönem tahminine
ihtiyaç duyulduğundan, 1.dönem tahminini bu
dönemin gerçek değeri olan 200 olarak kabul edelim.
 Hesaplama kolaylığı sağlayan bu kabul, aslında önemli bir etkiye sahiptir.
Bu etkiyi göz önüne alarak aslında birkaç dönemin gerçekleşen verilerinin
aritmetik ortalamasının alınarak bu ortalamanın başlangıç tahmini olarak
kullanılması daha uygun bir hareket tarzı olarak literatürde yerini almıştır.

35
 Örnek 5
Motor Arıza Tahmin Hesaplama
Dönem
Sayısı =0,1 Ft=Ft-1-*(Ft-1-Dt-1)
1 200 200 F1 değeri D1 değerine eşit seçilir.
2 250 200 F2=200-0,1*(200-200)
3 175 205 F3=200-0,1*(200-250)
4 186 202 F4=205-0,1*(205-175)
5 225 200 F5=202-0,1*(202-186)
6 285 203 F6=200-0,1*(200-225)
7 305 211 F7=203-0,1*(203-285)
8 190 220 F8=211-0,1*(211-305)

 düzeltme sabitinin etkisine dikkat

ediniz. Gerçek değerler yüksek  düzeltme sabitinin 0,4 olması
farklılıklar barındırsa da, tahmin durumunda tahminler nasıl olur?
değerleri daha stabildir.

36
 Örnek 5

Motor Arıza Tahmin Tahmin

Dönem
Sayısı =0,1 =0,4
1 200 200 200
2 250 200 200
 düzeltme sabitinin 0,4 olması
3 175 205 220 durumunda tahminler nasıl olur?
4 186 202 202
Bu durumda tahmin farklılıkları
5 225 200 196 artar.
6 285 203 207
7 305 211 238
8 190 220 265

37
 Örnek 5
350

300

Arıza
250
alfa=0,1
alfa=0,4
200

150
1 2 3 4 5 6 7 8

=0,1 ve =0,4 tahmin üzerinde farklı etkilere sahiptir. 0,1 değeri daha düzgün bir
tahmin profili verirken, 0,4 değeri daha büyük tahmin farklılıklarına neden olur.
Planlama amaçlarına uygun olarak küçük  değerleri daha caziptir.

38
 Örnek 5
• Şimdi ise aynı arıza sayıları kullanılarak MA(3) ve
ES(0,1) tahmin yöntemlerinin performanslarını
inceleyelim.
• MA(3) 4.dönemden başladığından karşılaştırma
4.dönemden itibaren başlayacaktır.
Dönem Arıza MA(3) |Hata| ES(0,1) |Hata|
4 186 208 22 202 16
5 225 204 21 201 24
6 285 195 90 203 82
7 305 232 73 211 94
8 190 272 82 220 30

39
 Örnek 5
1 n 1 n 2
MAD     ei MSE     ei
 n  i 1  n  i 1

Sonuç
Ölçüt
MA(3) ES(0,1)
MAD 57,6 49,2
MSE 4215,6 3458,4
MAPE 24,0 18,9

Görüldüğü gibi ES(0,1) yöntemi çok daha iyi sonuçlar vermiştir.

Ancak bu durum her zaman bu şekilde gerçekleşmeyebilir.

40
 Tahmin Duyarlılığı Karşılaştırma
• Örneğimizde karşılaştırılan yöntemlerde kullanılan N=3 ve
=0,1 parametreleri birbirleri ile karşılaştırılmak için tutarlı
mıdır?

300

270
Görüldüğü gibi, MA(3) daha büyük
240 farklılıklar oluşturur. Bu sebeple bir
tutarlılıktan bahsetmek doğru
210 olmayacaktır.

180
4 5 6 7 8
MA(3) ES(0,1)

41
 Tahmin Duyarlılığı Karşılaştırma
•  ve N için tutarlı değerlerin tespit edilmesi
için kullanılan iki farklı yol vardır:
• Ortalama Yaş Hesabı
 Hareketli Ortalama için;
• Ort.Yaş=(1/N)(1+2+3+…+N)=(N+1)/2
 Üstel Düzeltme için;
 i 1
• Ort.Yaş  i 1     1

i 1 

N 1 1 2 2  =0,1 için N=19

   veya N  N=3 için =0,5
2  N  1 
olmalıdır.
42
 Üstel Düzeltme ve Hareketli Ortalamaların
Karşılaştırılması
• Benzerlikler
1. Her iki yöntem de talep sürecinin sabit olduğunu
kabul eder.
• Dt=+t
2. Her iki yöntemde de tek bir parametre bulunur.
• N ve 
• Küçük N veya büyük  son veriye daha fazla ağırlık verirken
büyük N veya küçük  geçmiş veriye daha fazla ağırlık verir.
3. Her ikisi de, gözlenen veride bir trend özelliği
bulunuyorsa gecikmeye sebep olur.
4. =2/(N+1) olduğunda her iki yöntemin tahmin
hataları aynı dağılıma sahiptir. Bu durum her iki
yöntemin de aynı tahminleri üreteceği anlamına
gelmez.

43
 Üstel Düzeltme ve Hareketli Ortalamaların
Karşılaştırılması
• Farklılıklar
1. Üstel düzeltme ile hesaplanan kestirimler geçmiş
bütün verilerin ağırlıklı bir ortalaması iken hareketli
ortalamalar sadece son N dönemin ağırlıklı
ortalamasıdır.
• Bu durum, hareketli ortalamalar açısından bir üstünlük
sağlar. Neden?
2. Hareketli ortalama yönteminin kullanılması için
sistemde N geçmiş verinin saklanması gerekir. Üstel
düzeltme için sadece en son tahminin saklanması
yeterlidir.
• Bu durum, üstel düzeltme açısından önemli bir avantaj
sağlar. Neden?

44
 Problem 4
• Güneş enerjisi ile çalışan hesap makineleri üreten
bir firma geçmiş dört aylık satış rakamlarını
aşağıdaki gibi açıklamıştır.
Ay Satışlar Ay Satışlar
Ocak 23,3 Mart 30,3
Şubat 72,3 Nisan 15,5

a. Eğer Ocak için yapılan tahmin 25 ise, tek adım

sonrası için Şubat – Mayıs arası için üstel düzeltme
yöntemi ile tahminleri hesaplayınız
(=0,15 ve =0,40).
b. =0,15 ve =0,40 ile yapılan tahminler için MSE
değerini hesaplayınız. Hangi seçeneğin daha etkili bir
tahminde bulunulduğunu belirtiniz.

45
 Trend Analizi Temelli Yöntemler
• Eğer gözlenen verilerde bir trend varsa
hareketli ortalama ve üstel düzeltme
yöntemlerinin bir gecikmeye sebep olduğu
belirtilmişti.
• Bu sebeple bu tür bir durumda kullanılmak
üzere iki farklı yöntemden bahsedilecektir.
 Regression Analizi
 İkili Düzeltme (Holt) Yöntemi

46
 Regression Analizi
• (x1,y1), (x2,y2), ..., (xn,yn) X ve Y değişkenlerine
ait veri noktalarını temsil etsin.
• xi X’in yi de Y’nin geçmişte gözlenen verilerdir.
Y bağımlı, X ise bağımsız değişkendir.
• Yöntemde, X ve Y arasında doğrusal bir ilişki
olduğu varsayılır.

Ŷ  a  bX
Yˆ  Y nin tahmin değeridir.

47
 Regression Analizi
• Yöntemin amacı tahmin hatasının karelerinin
toplamını en küçükleyen a ve b değerlerinin
hesaplanmasıdır.
• Tahmin hatası ile trend doğrusu arasındaki
hatalar aşağıdaki grafikte gösterilmiştir.

48
 Regression Analizi
• Regression analizi uygulandığında, bağımsız
değişken genellikle zaman olarak alınır. Bağımlı
değişken ise tahminin kendisidir.
• Dönemler : 1,2,…,n
• Talepler : D1,D2,…,Dn
• a ve b nin en iyi (optimal) değeleri (yöntem-1)
S xy n
n(n  1) n
b S xy  n iDi   Di
S xx i 1 2 i 1

a  D b
 n  1 n 2 (n  1)(2n  1) n 2 (n  1) 2
S xx  
2 6 4
49
 Regression Analizi
• a ve b nin en iyi (optimal) değeleri ayrıca
aşağıdaki şekilde de hesaplanabilir
(yöntem-2).

n xy   x  y  y  b x
b a  y  bx
n x    x 
2
2 n

• Tahmin için aşağıdaki eşitlik kullanılır:

Dˆ t  a  b * t

50
 n
n(n  1) n
Örnek 6 S xy  n iDi 
i 1 2
i 1
Di

n 2 (n  1)(2n  1) n 2 (n  1) 2
S xx  
• Uçak arızaları: 6 4
 200,250,175,186,225,285,305,190

 İlkbeş periyodu regression analizi için kullanacağız

 Sxy = 5*(1*200+2*250+3*175+4*186+5*225)

-15*(200+250+175+186+225) = -70
 Sxx = ((25*6*11)/6)-(25*36)/4 = 50
S xy 70 7
b    7
S xx 50 5 ˆ
Dt  211, 4     * t
 n  1  7
 5
a  D b  207, 2   *3  211, 4
 
2  5 
51
 Örnek 6
• Regression analizi sonucu elde edilen trend
denklemi, 5 ve daha ilerisi periyotlardaki
arızaların tahmin edilmesi için kullanılır.
• Örneğin 8.dönem tahminini aşağıdaki şekilde
tespit edebiliriz;
ˆ 7
D8  211, 4  *8
5
 200, 2
• Ancak 7.dönemde, 8.dönem tahmini istenirse bu
durumda daha önce yapılan hesaplamaların 7
dönem için tekrarlanması gerekir.
52
 Problem 5
• Bir otopark işletmesi, Ocak 2010’dan başlamak
üzere altı aylık devamlı müşteri sayılarını kayıt
altına almıştır.
Ay Satışlar Ay Satışlar
Ocak 133 Nisan 640
Şubat 183 Mayıs 1876
Mart 285 Haziran 2550

a. Regression eşitlikleri yardımıyla a ve b değerlerini

bulunuz.
b. Temmuz 2010 için hesaplanan tahmin ne kadardır?
c. Elde ettiğiniz sonucu grafik üzerinde tartışınız.

53