seychellesartprojects.org

Exceli lineaarne interpoleerimine

Lineaarne interpoleerimine Excelis tähendab praegustel andmetel antud mis tahes kindla muutuja järgmise väärtuse prognoosimist või äraarvamist, siin loome sirgjoone, mis seob kaks väärtust ja hindame selle kaudu tulevast väärtust, excelis kasutame prognoosifunktsiooni ja otsingut funktsioon lineaarse interpolatsiooni tegemiseks.

Interpoleerimine on matemaatiline või statistiline tööriist, mida kasutatakse kõvera või joone 2 punkti vaheliste väärtuste ennustamiseks. Seda tööriista ei kasutata mitte ainult statistikas, vaid ka paljudes muudes valdkondades, nagu ettevõtlus, teadus jne, kus on võimalus kahe andmepunkti vahelisi väärtusi ennustada.

Kuidas teha Excelis lineaarset interpoleerimist?

Selle Lineaarse Interpoleerimise Exceli malli saate alla laadida siit - Lineaarse Interpoleerimise Exceli mall

Näide 1

Interpoleerimise teostamine ilmastikutemperatuuri tundmiseks erinevates ajavööndites

Esiteks võtke Bangalore piirkonna temperatuuri näitajad iga tunni kohta alla ja andmed oleksid järgmised:

Andmed näitavad, et Bangalore piirkonna temperatuuri üksikasjad on meil mõneks kuupäevaks kätte saadud. Õigeaegne veerg, millel on ajavööndid kogu päeva ja tunni veerus, mainisime tundide arvu alates päeva algusest, näiteks kell 12:00 oleks 0 tundi, 1:00 oleks 1 tund ja nii peal.

Nüüd teostame andmete interpoleerimise, et tõmmata temperatuuri väärtus vajaliku ajavööndi jaoks, mis võib olla mitte ainult täpne tund.

Interpoleerimise teostamiseks peame Excelis kasutama mõnda valemit nagu PROGNOOS, NÕUETE MATCH. Vaatame neid valemeid lühidalt, enne kui jätkame.

PROGNOOS () - see funktsioon Prognoos Exceli arvutab või ennustab tulevase väärtuse olemasolevate väärtuste ja lineaarse suuna põhjal.

• X - see on väärtus, mille jaoks me tahame ennustada.
• Known_ys - see on andmetest sõltuvad väärtused ja kohustuslik väli, mis tuleb täita
• Tuntud_xs - need on andmetest sõltumatud väärtused ja kohustuslik väli, mis tuleb täita.

MATCH () - see funktsioon Exceli tagastab otsingu väärtuse suhtelise positsiooni reas, veerus või tabelis, mis vastab määratud väärtusele määratud järjekorras.

• Otsinguväärtus - see on väärtus, mis tuleb otsingu_kaardilt sobitada
• Lookup_array - see on otsingu ulatus

[match_type] - see võib olla 1,0, -1. Vaikimisi oleks see 1. Üksuse - Sobivus leiab suurima väärtuse, mis on väiksem või võrdne otsingu_väärtusega ja väärtus peaks olema kasvavas järjekorras. For 0 - Match leiab, et esimene väärtus on täpselt võrdne otsingu_väärtusega ja seda pole vaja sortida. Valiku -1 puhul - vaste leiab väikseima väärtuse, mis on suurem või võrdne otsingu_väärtusega ja peaks olema järjestatud kahanevas järjekorras.

OFFSET () - see nihkefunktsioon tagastab lahtri või lahtrivahemiku, mis on määratud arvu ridade ja veergudega. Lahter või lahtrivahemik sõltub meie määratud ridade ja veergude kõrgusest ja laiusest.

• Viide - see on alguspunkt, kust ridade ja veergude loend tehakse.
• Ridad - ridade arv, mis nihutatakse algse võrdlusraku alla.
• Veerud - veergude arv, mis nihutatakse otse algsest võrdlusrakust.
• [kõrgus] - kõrgus ridades tagastatud viitest. See on vabatahtlik.
• [laius] - tagastatava viite veergude laius. See on vabatahtlik.

Nagu nägime lühidalt valemeid, mida me interpolatsiooni teostamiseks kasutame. Nüüd teostame interpoleerimise järgmiselt:

Sisestage lahtrisse valem, mida peame nägema erinevate ajavööndite temperatuuri jaoks. See ütleb, et peame valima prognoositava lahtri ja tuntud_s ja tuntud_x-de valimiseks kasutatakse funktsiooni offset & match.

PROGNOOS ($ F $ 5 - valige lahter, millel on prognoositav ajavöönd.

NÕUETE ($ C $ 3: $ C $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - seda kasutatakse valitud_ys valimiseks, kuna viitena võetakse temp veerg, kuna need on sõltuvad väärtused. Funktsiooni Vaste kasutatakse väärtuse positsiooni genereerimiseks, mida peame prognoosima ja ridade arvu arvutama. Veerud peaksid olema 0, kuna soovime, et sõltuv väärtus oleks samast valitud veerust ja kõrgus on 2, kuna peame prognoosi tegema viimase 2 väärtuse põhjal.

NÕUETE ($ B $ 3: $ B $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - seda kasutatakse tuntud_x-de valimiseks, kuna viitena võetakse tunniveerg, kuna need on sõltumatud väärtused ja puhkus on sama, mida olime teinud ridade loendamisel.

Andke nüüd lahtrisse mõni ajavöönd, mille prognoosimist pidasime silmas. Siin on sisestatud väärtus 19,5, mis on 19:30, ja saame temperatuuri 30, mis on prognoositud tunni alusel antud temperatuuri väärtustest.

Samamoodi näeme sellest valemist erineva ajavööndi temperatuuri näitajaid.

Näide 2

Lineaarse interpoleerimise teostamine organisatsiooni 2018. aasta müügi tundmiseks

Oletame, et saime 2018. aastal organisatsiooni müügi üksikasjad nagu allpool. Meil on andmeid päevade ja nende müügi kohta kumulatiivselt. Saime aasta esimese 15 päevaga 7844 ühikut, aasta 50 päevaga 16094 ühikut jne.

Erinevate päevade müügiväärtuse prognoosimiseks võime kasutada sama valemit, mida kasutasime interpoleerimisel, mida meie andmetes ei mainitud. Siin on müük sirgjooneline (lineaarne), nagu olime kumulatiivselt võtnud.

Kui tahame näha 215 päeva jooksul saavutatud müügi arvu, siis saame antud müügiandmeid arvestades prognoositud müügiarvu 215 päevaks allpool.

Samamoodi saame teada selle aasta müügi arvu, prognoosides antud punktide vahel.

Asjad, mida meeles pidada

• See on kõige vähem täpne meetod, kuid see on kiire ja täpne, kui tabeli väärtused asuvad tihedalt üksteise kõrval.
• Seda saab kasutada ka geograafilise andmepunkti, sademete, mürataseme jms väärtuste hindamisel.
• Seda on väga lihtne kasutada ja mittelineaarsete funktsioonide jaoks pole see eriti täpne.
• Lisaks Exceli lineaarsele interpoleerimisele on meil ka erinevat tüüpi meetodeid, nagu polünoomide interpoleerimine, splineinterpoleerimine jne.