چکیده: تحلیل سری زمانی یکی از شاخه های آمار و احتمال است، که در سایر رشته های علوم مانند ژئوفیزیک، هواشناسی، اقتصاد، جغرافیا و زمین شناسی کاربرد فراوانی دارد. نادقیق بودن یا عدم قطعیت مشاهدات ممکن است تصادفی، یا در نتیجه عوامل عینی و ذهنی باشد. هر چند داده های فازی مشکل نادقیق بودن اندازه گیری صفات را بر طرف می کنند، ولی محاسبات بر پایه آنها مشکل است. زیرا هنگام کار کردن با داده های فازی به جای یک عدد با یک مجموعه یا بی نهایت عدد سر و کار خواهیم داشت. ولی در حالت غیر فازی (دقیق) با یک مشاهده معمولی که معمولا دقیق نیست کار می کنیم. سری زمانی مجموعه ای از مشاهدات است که در طول زمان و در فواصل زمانی مساوی مرتب شده باشند. گاهی مشاهداتی که از یک سری زمانی جمع آوری می کنیم به صورت نادقیق یا اصطلاحاً فازی اندازه گیری و ثبت می شوند، طبیعی است در اینگونه موارد برای پیش بینی داده های سری زمانی از سری های زمانی فازی استفاده می کنیم.تا به حال محققین از نظریه مجموعه های فازی و منطق فازی برای مدلسازی و پیش بینی سری زمانی فازی به نحوهای مختلفی استفاده نموده اند. برخی خود داده ها را فازی گرفته اند و برخی دیگر روابط درونی داده ها یا پارا مترهای مدل را فازی فرض نموده و روشهایی را برای مدلسازی پیشنهاد نموده اند. در این پایان نامه ابتدا به بیان تعاریف اولیه و پایه ای نظریه مجموعه های فازی می پردازیم. در انتهای فصل اول نیز دو متر و یائو- ویو را برای اندازه گیری فاصله بین دو عدد فازی بیان می کنیم. در فصل دوم به برآورد پارامترهای رگرسیون خطی فازی هنگامی که مشاهدات به صورت فازی اندازه گیری شده باشند با استفاده از متر می پردازیم. برای بررسی روند یک سری زمانی فازی می توان از روش های متعددی چون روش میانگین متحرک، روش کمترین مربعات (روش رگرسیونی)،.... استفاده کرد لذا در فصل سوم با الهام گرفتن از روشهای ارائه شده در فصل دوم به برآورد منحنی روند با استفاده از روشهای رگرسیونی اشاره می کنیم. در فصل چهارم برای برازش مدل arima با پارامترهای فازی از روش رگرسیونی با پارامترهای فازی می کنیم. واژه های کلیدی: اعداد فازی، سریهای زمانی فازی، مدلهای arima ، متر ، رگرسیون فازی.