Γραμμική παρεμβολή στο Excel | Πώς να κάνετε γραμμική παρεμβολή με παραδείγματα

Γραμμική παρεμβολή του Excel

Η γραμμική παρεμβολή στο excel σημαίνει πρόβλεψη ή μαντέψτε την επερχόμενη επόμενη τιμή οποιασδήποτε συγκεκριμένης μεταβλητής που δίνεται στα τρέχοντα δεδομένα, εδώ δημιουργούμε μια ευθεία γραμμή που συνδέει δύο τιμές και εκτιμούμε τη μελλοντική τιμή μέσω αυτής, στο excel χρησιμοποιούμε τη λειτουργία πρόβλεψης και μια αναζήτηση Λειτουργεί για να κάνει μια γραμμική παρεμβολή.

Η παρεμβολή είναι ένα μαθηματικό ή στατιστικό εργαλείο που χρησιμοποιείται για την πρόβλεψη των τιμών μεταξύ 2 σημείων σε μια καμπύλη ή γραμμή. Αυτό το εργαλείο δεν χρησιμοποιείται μόνο στα στατιστικά στοιχεία, αλλά και σε πολλούς άλλους τομείς όπως οι επιχειρήσεις, η επιστήμη κ.λπ. όπου υπάρχει η ευκαιρία να προβλέψουμε τιμές μεταξύ δύο σημείων δεδομένων.

Πώς να κάνετε γραμμική παρεμβολή στο Excel;

Μπορείτε να κατεβάσετε αυτό το Πρότυπο γραμμικής παρεμβολής Excel εδώ - Πρότυπο γραμμικής παρεμβολής Excel

Παράδειγμα # 1

Εκτελεί παρεμβολή για να γνωρίζει τη θερμοκρασία του καιρού σε διαφορετικές ζώνες ώρας

Κατ 'αρχάς, καταγράψτε τα στοιχεία θερμοκρασίας της περιοχής Μπανγκαλόρ για κάθε ώρα και τα δεδομένα θα έχουν ως εξής:

Τα δεδομένα δείχνουν ότι έχουμε κάποια στιγμή τις λεπτομέρειες θερμοκρασίας της περιοχής Μπανγκαλόρ. Στη στήλη εγκαίρως έχουμε τις ζώνες ώρας για ολόκληρη τη στήλη ημέρας και ώρας που αναφέραμε τον αριθμό των ωρών από την αρχή της ημέρας, όπως 12:00 π.μ. θα ήταν 0 ώρες, 1:00 π.μ. θα ήταν 1 ώρα, και έτσι επί.

Τώρα πρόκειται να πραγματοποιήσουμε παρεμβολή για τα δεδομένα προκειμένου να βγάλουμε την τιμή θερμοκρασίας για την απαιτούμενη ζώνη ώρας, η οποία μπορεί να είναι ανά πάσα στιγμή όχι μόνο την ακριβή ώρα.

Προκειμένου να εκτελέσουμε παρεμβολή, πρέπει να χρησιμοποιήσουμε μερικούς τύπους στο Excel όπως FORECAST, OFFSET, MATCH. Ας δούμε εν συντομία αυτούς τους τύπους προτού προχωρήσουμε.

FORECAST () - Αυτή η συνάρτηση Forecast excel υπολογίζει ή προβλέπει τη μελλοντική τιμή με βάση τις υπάρχουσες τιμές μαζί με μια γραμμική τάση.

  • X - Αυτή είναι η τιμή για την οποία θέλουμε να προβλέψουμε.
  • Known_ys - Πρόκειται για τις εξαρτημένες τιμές από τα δεδομένα και ένα υποχρεωτικό πεδίο προς συμπλήρωση
  • Known_xs - Πρόκειται για τις ανεξάρτητες τιμές από τα δεδομένα και ένα υποχρεωτικό πεδίο προς συμπλήρωση.

MATCH () - Αυτή η συνάρτηση Match excel θα επιστρέψει τη σχετική θέση μιας τιμής αναζήτησης σε μια σειρά, στήλη ή πίνακα που ταιριάζει με την καθορισμένη τιμή σε μια καθορισμένη σειρά.

  • Lookup_value - Αυτή είναι η τιμή που πρέπει να αντιστοιχιστεί από το lookup_array
  • Lookup_array - Αυτό είναι το εύρος αναζήτησης

[match_type] - Μπορεί να είναι 1,0, -1. Η προεπιλογή θα ήταν 1. Για 1 - Το Match θα βρει τη μεγαλύτερη τιμή που είναι μικρότερη ή ίση με την τιμή look_up και η τιμή θα πρέπει να είναι σε αύξουσα σειρά. Για 0 - Ο αγώνας βρίσκει την πρώτη τιμή ακριβώς ίση με την τιμή_αναζήτησης και δεν χρειάζεται να ταξινομηθεί. Για -1 - Το Match θα βρει τη μικρότερη τιμή που είναι μεγαλύτερη ή ίση με την τιμή look_up και θα πρέπει να ταξινομηθεί με φθίνουσα σειρά.

OFFSET () - Αυτή η συνάρτηση Offset θα επιστρέψει ένα κελί ή ένα εύρος κελιών που είναι καθορισμένος αριθμός σειρών και στηλών. Το κελί ή το εύρος των κελιών θα εξαρτηθεί από το ύψος και το πλάτος σε σειρές και στήλες που καθορίζουμε.

  • Αναφορά - Αυτό είναι το σημείο εκκίνησης από το οποίο θα γίνει η μέτρηση των γραμμών και των στηλών.
  • Σειρές - Όχι. Σειρές προς αντιστάθμιση κάτω από το αρχικό κελί αναφοράς.
  • Στήλες - Όχι στήλες για αντιστάθμιση απευθείας από το αρχικό κελί αναφοράς.
  • [ύψος] - Το ύψος σε σειρές από την επιστρεφόμενη αναφορά. Αυτό είναι προαιρετικό.
  • [πλάτος] - Το πλάτος σε στήλες από την επιστρεφόμενη αναφορά. Αυτό είναι προαιρετικό.

Όπως έχουμε δει εν συντομία τους τύπους που θα χρησιμοποιήσουμε για να εκτελέσουμε την παρεμβολή. Τώρα ας εκτελέσουμε την παρεμβολή ως εξής:

Πληκτρολογήστε τον τύπο σε ένα κελί που πρέπει να δούμε τη θερμοκρασία για διαφορετική ζώνη ώρας. Αυτό σημαίνει ότι πρέπει να επιλέξουμε το κελί που πρέπει να προβλεφθεί και η λειτουργία αντιστάθμισης και αντιστοίχισης χρησιμοποιείται για την επιλογή των γνωστών_ys και γνωστών_xs.

ΠΡΟΒΛΕΨΗ ($ 5 $ - Επιλέξτε το κελί που έχει τη ζώνη ώρας που θα προβλεφθεί.

OFFSET ($ C $ 3: $ C $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - Χρησιμοποιείται για την επιλογή του είναι οι εξαρτημένες τιμές. Η συνάρτηση αντιστοίχισης χρησιμοποιείται για τη δημιουργία της θέσης της τιμής που πρέπει να προβλέψουμε και να υπολογίσουμε τον αριθμό των σειρών. Οι στήλες πρέπει να είναι 0, επειδή θέλουμε την εξαρτημένη τιμή στην ίδια στήλη που επιλέχθηκε και το ύψος είναι 2 καθώς πρέπει να εκτελέσουμε την πρόβλεψη με βάση τις 2 τελευταίες τιμές.

OFFSET ($ B $ 3: $ B $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - Χρησιμοποιείται για την επιλογή των γνωστών_xs καθώς μια στήλη αναφοράς λαμβάνεται ως ώρα επειδή αυτά είναι ανεξάρτητες τιμές και το υπόλοιπο είναι το ίδιο όπως είχαμε κάνει για τον αριθμό των σειρών.

Τώρα δώστε κάποια ζώνη ώρας στο κελί που είχαμε σκεφτεί να προβλέψουμε. Εδώ η τιμή που έχει εισαχθεί είναι 19,5 η οποία είναι 7:30 μ.μ. και θα λάβουμε τη θερμοκρασία 30 η οποία προβλέπεται από τις τιμές θερμοκρασίας που δίνονται ανά ώρα.

Ομοίως, μπορούμε να δούμε θερμοκρασίες για διαφορετικές ζώνες ώρας από αυτόν τον τύπο.

Παράδειγμα # 2

Εκτελεί Γραμμική Παρεμβολή για να γνωρίζει τις πωλήσεις ενός οργανισμού το 2018

Ας υποθέσουμε ότι έχουμε τα στοιχεία πωλήσεων για έναν οργανισμό το 2018 όπως παρακάτω. Έχουμε δεδομένα σε όρους ημερών και τις πωλήσεις τους αθροιστικά. Πήραμε πωλήσεις 7844 μονάδων τις πρώτες 15 ημέρες του έτους, 16094 μονάδες σε 50 ημέρες του έτους και ούτω καθεξής.

Μπορούμε να χρησιμοποιήσουμε τον ίδιο τύπο που χρησιμοποιήσαμε στην παρεμβολή για να προβλέψουμε την αξία των πωλήσεων για διαφορετικές ημέρες που δεν αναφέρεται στα δεδομένα που θεωρούμε. Εδώ οι πωλήσεις είναι σε ευθεία γραμμή (γραμμική) όπως είχαμε λάβει σωρευτικά.

Αν θέλουμε να δούμε τον αριθμό των πωλήσεων που είχαμε επιτύχει σε 215 ημέρες, τότε μπορούμε να πάρουμε τον προβλεπόμενο αριθμό πωλήσεων για 215 ημέρες όπως παρακάτω, λαμβάνοντας υπόψη τα δεδομένα στοιχεία πωλήσεων.

Ομοίως, μπορούμε να μάθουμε τον αριθμό των πωλήσεων εκείνο το έτος, προβλέποντας μεταξύ των πόντων που δίνονται.

Πράγματα που πρέπει να θυμάστε

  • Είναι η λιγότερο ακριβής μέθοδος, αλλά είναι γρήγορη και ακριβής εάν οι τιμές του πίνακα βρίσκονται σε στενή απόσταση.
  • Αυτό μπορεί επίσης να χρησιμοποιηθεί για τον υπολογισμό τιμών για ένα σημείο γεωγραφικών δεδομένων, βροχοπτώσεων, επιπέδων θορύβου κ.λπ.
  • Είναι πολύ εύκολο στη χρήση και όχι πολύ ακριβές για μη γραμμικές συναρτήσεις.
  • Εκτός από τη Γραμμική παρεμβολή του Excel έχουμε επίσης διαφορετικούς τύπους μεθόδων όπως Πολυωνυμική παρεμβολή, Spline Interpolation κ.λπ.