Dr.

Mehmet Ekrem Çakmak

 Verilerimiz arasındaki ilişki bir doğru denklemi ile
ifade edilemiyorsa lineer olmayan regresyonu
kullanırız.
 Bu ders kapsamında üç farklı lineer olmayan
durumu inceleyeceğiz:
𝑦 = 𝑎0 𝑒 𝑎1 𝑥 the exponential model – üssel model

𝑦 = 𝑎0 𝑥 𝑎1 the simple power equation – güç denklemi

𝑥
𝑦 = 𝑎0 the saturation-growth rate equation
𝑎1 + 𝑥 Doygunluk-Büyüme hızı denklemi
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Bir soğutucu sistemdeki evaporatör çıkışındaki soğutucu sıvının sıcaklığının

zamanla değişimi ölçülmüştür. Tabloda verilen sonuçlara göre sıcaklık ve
zaman arasındaki lineer olmayan ilişkiyi veren denklemi ve bu denkleme ait
regresyon katsayısını bulunuz. Ölçümlerde olmayan onbeşinci saniyedeki
sıcaklığı bulacağınız denklem ile hesaplayınız.

t (saniye) T(⁰C)
2 36
Burada saniye bağımsız değişken,
9 25
sıcaklık bağımlı değişken olarak
12 23 kabul edilir.
20 20
25 19
27 18
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Bir soğutucu sistemdeki evaporatör çıkışındaki soğutucu sıvının sıcaklığının

zamanla değişimi ölçülmüştür. Tabloda verilen sonuçlara göre sıcaklık ve
zaman arasındaki lineer olmayan ilişkiyi veren denklemi ve bu denkleme ait
regresyon katsayısını bulunuz. Ölçümlerde olmayan onbeşinci saniyedeki
sıcaklığı bulacağınız denklem ile hesaplayınız.

t (saniye) T(⁰C)
2 36
Lineer regresyonda kullandığımız
9 25
formülleri bu veri setinde kullanırsak
12 23 bulacağımız doğrusal denklem ve bu
20 20 denkleme ait belirleme katsayısı:
25 19
27 18 y = -0,6234x + 33,37
R² = 0,8401
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Ama veriler arasındaki ilişkinin üssel modele daha iyi uyacağını düşünüyorsak
öncelikle elimizdeki ”y” verilerinin ln(y) değerlerini alarak lineer hale getiririz.
“x” değerleri aynen kalır:

t T t ln(T)
2,000 36,000 2,000 3,584
9,000 25,000 9,000 3,219
12,000 23,000 12,000 3,135
20,000 20,000 20,000 2,996
25,000 19,000 25,000 2,944
27,000 18,000 27,000 2,890
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni hallerine

uygularız:

t ln(T)
2,000 3,584
9,000 3,219
12,000 3,135
20,000 2,996
25,000 2,944
27,000 2,890
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Daha sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni

hallerine uygularız:
t ln(T) xi*yi xi2 yi2 ei^2 (yi-y)^2
2,000 3,584 7,167038 4,000 12,842 0,012869 0,207
9,000 3,219 28,96988 81 10,36116 0,006106 0,008245
12,000 3,135 37,62593 144 9,831324 0,00763 5,51E-05
20,000 2,996 59,91465 400 8,974412 0,00086 0,017514
25,000 2,944 73,61097 625 8,669721 0,001849 0,033721
27,000 2,890 78,04004 729 8,354249 0,001473 0,056501

95,000 18,768 285,3285 1983,000 59,032 0,030786 0,323469

15,833 3,128

n 6
a1 -0,0247
a0 3,5195
r^2 0,9048
ÖRNEK-2: 𝑦 = 𝑎 0 𝑒 𝑎1 𝑥 the exponential model – üssel model

Daha sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni

hallerine uygularız ve lineer edilmiş veriler arasındaki ilişkiyi veren denklemi
ve bu denkleme ait belirleme katsayısını buluruz:
y = -0,0247x + 3,5195
R² = 0,9048

• Peki madem verilerimizin ilk hallerindeki ilişkinin üssel modele

uyduğundan şüphelenirken neden sonuçta doğrusal bir denklem elde ettik?
• Ve bu doğrusal denklemi üssel hale nasıl getireceğiz?
 𝑦 = 𝑎0 𝑒 𝑎1 𝑥 the exponential model – üssel model

y = -0,0247x + 3,5195
R² = 0,9048

• Peki madem verilerimizin ilk hallerindeki ilişkinin üssel modele

uyduğundan şüphelenirken neden sonuçta doğrusal bir denklem elde ettik?
• Ve bu doğrusal denklemi üssel hale nasıl getireceğiz?
• Aslında ilk başta ham verilerden bağımlı değişken olarak (y) kabul ettiğimiz
T(sıcaklık) değerlerinin ln(T) değerlerini alıp, bağımsız değişken olan (x)
t(zaman) değerlerini olduğu gibi bırakmamızın matematiksel bir alt yapısı
var. Şöyle ki:

𝑦 = 𝑎0 𝑒 𝑎1𝑥 ln(𝑦) = ln(𝑎0 𝑒 𝑎1𝑥 )

ln(𝑦) = ln(𝑎0 ) + ln(𝑒 𝑎1 𝑥 )
 𝑦 = 𝑎0 𝑒 𝑎1 𝑥 the exponential model – üssel model
y = -0,0247x + 3,5195
R² = 0,9048

• Yani lineer hale getirirken sadece «y» değerlerinin ln ifadelerini almamız

aşağıdaki sadeleşmeye uygun olarak gerçekleşmektedir.

ln(𝑦) = ln(𝑎0 ) + ln(𝑒 𝑎1 𝑥 )

ln(𝑦) = ln(𝑎0 ) + 𝑎1 x
• Doğrusal regresyon formülleri ile bulduğumuz denklemin katsayıları
aslında doğrusal olmayan denklemin katsayıları ile ilişkilidir:

ln(𝑦) = ln(𝑎0 ) + 𝑎1 𝑥
𝑦 = 3,5195 − 0,0247x
 𝑦 = 𝑎0 𝑒 𝑎1 𝑥 the exponential model – üssel model
y = -0,0247x + 3,5195
R² = 0,9048

• Diğer bir ifadeyle:

ln(𝑦) = ln(𝑎0 ) + 𝑎1 𝑥 𝑎1 = −0,0247

𝑦 = 3,5195 − 0,0247x 𝑎0 = 𝑒 3,5195
𝑎1 = −0,0247
𝑎1 = −0,0247
ln(𝑎0 ) = 3,5195
𝑎0 = 33,768
𝑦 = 𝑎0 𝑒 𝑎1 𝑥 → 𝑦 = 33,768 𝑒 −0,0247𝑥
ÖRNEK-2:
𝑦 = 𝑎0 𝑒 𝑎1 𝑥 the exponential model – üssel model

𝑠𝑜𝑛𝑢ç: 𝑦 = 33,768 𝑒 −0,0247𝑥

• 15. saniyedeki sıcaklık:

𝑇(𝑡) = 33,768 𝑒 −0,0247𝑡

𝑇(15) = 33,768 𝑒 −0,0247∗15
𝑇(15) = 23,305
Belirleme katsayısı değişmez; aynen kullanılır:
R² = 0,9048
ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0
Ama veriler arasındaki ilişkinin güç denklemi modeline daha iyi uyacağını
düşünüyorsak öncelikle elimizdeki hem «x» değerlerinin hem de «y»
değerlerinin log( ) değerlerini alarak lineer hale getiririz:

t T log(t) log(T)
2,000 36,000 0,301 1,556
9,000 25,000 0,954 1,398
12,000 23,000 1,079 1,362
20,000 20,000 1,301 1,301
25,000 19,000 1,398 1,279
27,000 18,000 1,431 1,255
 ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0
Sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni hallerine
uygularız:
log(t) log(T)
000 0,301 1,556
000 0,954 1,398
000 1,079 1,362
000 1,301 1,301
000 1,398 1,279
000 1,431 1,255
ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0
Sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni hallerine
uygularız: log(t) log(T) xi*yi xi2 yi2 ei^2 (yi-y)^2
0,301 1,556 0,468494 0,091 2,422 1,97E-05 0,039
0,954 1,398 1,333974 0,910579 1,954236 5,39E-05 0,001555
1,079 1,362 1,469551 1,164632 1,854303 1,35E-05 1,04E-05
1,301 1,301 1,692679 1,692679 1,692679 5,74E-07 0,003303
1,398 1,279 1,787621 1,954236 1,635211 1,39E-05 0,00636
1,431 1,255 1,796752 2,048802 1,575709 0,000122 0,010657

6,465 8,151 8,54907 7,862 11,134 0,000224 0,06101

1,077 1,359

n 6
a1 -0,2605
a0 1,6392
r^2 0,9963
ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0
Daha sonra lineer regresyonda kullandığımız formülleri verilerimizin yeni
hallerine uygularız ve lineer edilmiş veriler arasındaki ilişkiyi veren denklemi
ve bu denkleme ait belirleme katsayısını buluruz:
y = -0,2605x + 1,6392
R² = 0,9963

• Bu doğrusal denklemi güç denklemi hale nasıl getireceğiz?

𝑦 = 𝑎0 𝑥 𝑎1 log(𝑦) = l𝑜𝑔(𝑎0 𝑥 𝑎1 )
log(𝑦) = log(𝑎0 ) + l𝑜𝑔(𝑥 𝑎1 )
log(𝑦) = log(𝑎0 ) + 𝑎1 l𝑜𝑔(𝑥)
ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0

• Bu doğrusal denklemi güç denklemi hale nasıl getireceğiz?

y = -0,2605x + 1,6392
log(𝑦) = 𝑙𝑜𝑔(𝑎0 ) + 𝑎1 l𝑜𝑔(𝑥)
𝑙𝑜𝑔(𝑎0 ) = 1,6392
𝑎1 = −0,2605
𝒔𝒐𝒏𝒖ç: 𝒚 = 𝟒𝟑, 𝟓𝟔𝟔𝟑𝒙−𝟎,𝟐𝟔𝟎𝟓
ÖRNEK-3: 𝑦 = 𝑎 𝑥 𝑎1 the simple power equation – güç denklemi
0

• 15. saniyedeki sıcaklık:

𝑇(𝑡) = 43,5663 𝑡 −0,2605

𝑇(15) = 43,5663 15−0,2605
𝑇(15) = 21,5187
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Ama veriler arasındaki ilişkinin doygunluk-büyüme denklemi modeline daha
iyi uyacağını düşünüyorsak öncelikle elimizdeki hem «x» değerlerinin hem de
«y» değerlerinin 1Τ𝑥 𝑣𝑒 1Τ𝑦 değerlerini alarak lineer hale getiririz:

t T 1/x 1/y
2,000 36,000 0,500 0,028
9,000 25,000 0,111 0,040
12,000 23,000 0,083 0,043
20,000 20,000 0,050 0,050
25,000 19,000 0,040 0,053
27,000 18,000 0,037 0,056
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Yine lineer regresyonda kullandığımız formülleri verilerimizin yeni hallerine
uygularız:

1/x 1/y
36,000 0,500 0,028
25,000 0,111 0,040
23,000 0,083 0,043
20,000 0,050 0,050
19,000 0,040 0,053
18,000 0,037 0,056
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Yine lineer regresyonda kullandığımız formülleri verilerimizin yeni hallerine
uygularız:
1/x 1/y xi*yi xi2 yi2 ei^2 (yi-y)^2
0,500 0,028 0,013889 0,250 0,001 1,89095E-06 0,000
0,111 0,040 0,004444 0,012346 0,0016 3,87159E-05 0,000
0,083 0,043 0,003623 0,006944 0,00189 1,73025E-05 0,000
0,050 0,050 0,0025 0,0025 0,0025 4,39958E-07 0,000
0,040 0,053 0,002105 0,0016 0,00277 7,75749E-06 0,000
y = -0,051x + 0,0519
0,037 0,056 0,002058 0,001372 0,003086 3,08936E-05 0,000
R² = 0,8129

0,821 0,269 0,028619 0,275 0,013 9,70003E-05 0,001

0,137 0,045

n 6
a1 -0,0510
a0 0,0519
r^2 0,8129
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Bulduğumuz doğrusal (lineer) denklemi şimdi doygunluk-büyüme hız
denklemi haline dönüştürmemiz gerekli:
y = -0,051x + 0,0519
R² = 0,8129

𝑥 1 1 1 𝑎1 + 𝑥
𝑦 = 𝑎0 = =
𝑎1 + 𝑥 𝑦 𝑎0 𝑥 𝑦 𝑎0 𝑥
𝑎1 + 𝑥
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Bulduğumuz doğrusal (lineer) denklemi şimdi doygunluk-büyüme hız
denklemi haline dönüştürmemiz gerekli:

1 𝑎1 + 𝑥 1 𝑎1 1 𝑥
= = +
𝑦 𝑎0 𝑥 𝑦 𝑎0 𝑥 𝑎0 𝑥
1 𝑎1 1 1
= +
𝑦 𝑎0 𝑥 𝑎0
y = -0,051x + 0,0519
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
Bulduğumuz doğrusal (lineer) denklemi şimdi doygunluk-büyüme hız
denklemi haline dönüştürmemiz gerekli:

𝑎1 𝑎1 = −0,9827
= −0,051
𝑎0 𝑎0 = 19,2678

1 𝑥
= 0,0519 𝑦 = 19,2678
𝑎0 −0,9827 + 𝑥
 𝑥 the saturation-growth rate equation
ÖRNEK-4: 𝑦 = 𝑎0 𝑎 + 𝑥 Doygunluk-Büyüme hızı denklemi
1
• 15. saniyedeki sıcaklık:

15
𝑇(15) = 19,2678
−0,9827 + 15
𝑇(15) = 20,619
Karşılaştırma:

Model Denklem Belirleme Katsayısı

Doğrusal T(t) = -0,6234t + 33,37 0,8401
Üssel 𝑇(𝑡) = 33,768 𝑒 −0,0247𝑡 0,9048
Güç 𝑇(𝑡) = 43,5663 𝑡 −0,2605 0,9963
𝑡
Doygunluk-büyüme 𝑇(𝑡) = 19,2678 0,8129
−0,9827 + 𝑡

Karşılaştırma tablosundan da anlaşıldığı üzere elimizdeki sıcaklık-zaman

ilişkisini en doğru veren denklemin güç denklemi olduğunu bulmuş olduk.