seychellesartprojects.org

Lineární interpolace aplikace Excel

Lineární interpolace v aplikaci Excel znamená předpovídání nebo hádání nadcházející další hodnoty jakékoli určité proměnné dané na aktuálních datech, zde vytvoříme přímku, která spojuje dvě hodnoty a prostřednictvím ní odhadujeme budoucí hodnotu, v aplikaci Excel použijeme funkci prognózy a vyhledávání funkce k provedení lineární interpolace.

Interpolace je matematický nebo statistický nástroj, který se používá k předpovědi hodnot mezi 2 body na křivce nebo přímce. Tento nástroj se používá nejen ve statistikách, ale také v mnoha dalších oblastech, jako je obchod, věda atd. Všude tam, kde existuje příležitost předpovídat hodnoty mezi dvěma datovými body.

Jak provést lineární interpolaci v aplikaci Excel?

Tuto šablonu aplikace Lineární interpolace Excel si můžete stáhnout zde - Šablona aplikace Lineární interpolace Excel

Příklad č. 1

Provádíme interpolaci, abychom poznali teplotu počasí v různých časových pásmech

Nejprve odečtěte teplotní údaje regionu Bangalore pro každou hodinu a data budou následující: -

Data ukazují, že pro určité datum máme podrobnosti o teplotě v oblasti Bangalore. V časovém sloupci máme časová pásma pro celý den a ve sloupci hodin jsme zmínili počet hodin od začátku dne, například 12:00 bude 0 hodin, 1:00 bude 1 hodina, a tak na.

Nyní provedeme interpolaci dat, abychom vytáhli hodnotu teploty pro požadované časové pásmo, což může být kdykoli nejen přesná hodina.

Abychom mohli provést interpolaci, musíme v Excelu použít několik vzorců jako FORECAST, OFFSET, MATCH. Než se pustíme do toho, podívejme se stručně na tyto vzorce.

FORECAST () - Tato funkce Forecast excel vypočítá nebo předpovídá budoucí hodnotu na základě existujících hodnot spolu s lineárním trendem.

• X - Toto je hodnota, pro kterou chceme předpovědět.
• Known_ys - Toto jsou závislé hodnoty z údajů a povinné pole, které je třeba vyplnit
• Known_xs - Toto jsou nezávislé hodnoty z údajů a povinné pole, které je třeba vyplnit.

MATCH () - Tato funkce excel Match vrátí relativní pozici vyhledávací hodnoty v řádku, sloupci nebo tabulce, která odpovídá zadané hodnotě v zadaném pořadí.

• Lookup_value - Toto je hodnota, kterou je třeba porovnat z lookup_array
• Lookup_array - Toto je rozsah pro vyhledávání

[match_type] - Může to být 1,0, -1. Výchozí hodnota by byla 1. Pro 1 - shoda najde největší hodnotu, která je menší nebo rovna hodnotě look_up a hodnota by měla být vzestupně. Pro 0 - shoda najde první hodnotu přesně rovnou lookup_value a není třeba ji třídit. Pro -1 - shoda najde nejmenší hodnotu, která je větší nebo rovna hodnotě look_up a měla by být tříděna v sestupném pořadí.

OFFSET () - Tato funkce Offset vrátí buňku nebo oblast buněk, které mají zadaný počet řádků a sloupců. Buňka nebo rozsah buněk bude záviset na výšce a šířce v řádcích a sloupcích, které zadáme.

• Reference - Toto je výchozí bod, odkud se bude počítat počet řádků a sloupců.
• Rows - Numberof lines to offset below the starting reference cell.
• Sloupce - počet sloupců k odsazení přímo od počáteční referenční buňky.
• [výška] - výška v řádcích od vráceného odkazu. Toto je volitelné.
• [width] - Šířka ve sloupcích z vráceného odkazu. Toto je volitelné.

Jak jsme stručně viděli vzorce, které použijeme k provedení interpolace. Nyní provedeme interpolaci následujícím způsobem:

Zadejte vzorec do buňky, kterou potřebujeme k zobrazení teploty pro různé časové pásmo. To říká, že musíme vybrat buňku, kterou je třeba předpovídat, a k výběru funkce known_ys a known_xs se používá funkce offset & match.

FORECAST ($ F $ 5 - Vyberte buňku, která má časové pásmo, které se má předpovědět.

OFFSET ($ C $ 3: $ C $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - Slouží k výběru parametru known_ys, protože se používá dočasný sloupec reference, protože tyto jsou závislé hodnoty. Funkce shody se používá ke generování pozice hodnoty, kterou potřebujeme předpovědět a vypočítat počet řádků. Sloupce by měly být 0, protože chceme závislou hodnotu na stejném sloupci, který je vybrán a výška je 2, protože potřebujeme provést předpověď na základě posledních 2 hodnot.

OFFSET ($ B $ 3: $ B $ 26, MATCH ($ F $ 5, $ B $ 3: $ B $ 26,1) -1,0,2) - Používá se k výběru sloupce known_xs, protože je považován za sloupec hodin, protože tyto jsou nezávislé hodnoty a zbytek je stejný jako jsme udělali pro počet řádků.

Nyní dejte do buňky nějaké časové pásmo, které jsme považovali za předpovědní. Zde je zadaná hodnota 19,5, což je 19:30, a dostaneme teplotu 30, která se předpovídá z hodnot teploty, které jsou uvedeny za hodinu.

Podobně můžeme z tohoto vzorce vidět dočasné údaje pro různé časové pásmo.

Příklad č. 2

Provedení lineární interpolace za účelem zjištění prodejů organizace v roce 2018

Předpokládejme, že jsme v roce 2018 získali podrobnosti o prodeji organizace, jak je uvedeno níže. Údaje máme k dispozici v počtu dnů a jejich prodej kumulativně. Získali jsme prodej 7844 jednotek za prvních 15 dní v roce, 16094 jednotek za 50 dní v roce atd.

Můžeme použít stejný vzorec, který jsme použili při interpolaci k předpovědi hodnoty prodeje pro různé dny, což nebylo uvedeno v údajích, které zvažujeme. Zde jsou prodeje v přímce (lineární), jak jsme kumulovali.

Pokud chceme vidět počet prodejů, které jsme dosáhli za 215 dní, můžeme získat předpokládaný počet prodejů za 215 dní, jak je uvedeno níže, s ohledem na dané údaje o prodeji.

Podobně můžeme zjistit počet prodejů v daném roce předpovědí mezi uvedenými body.

Věci k zapamatování

• Jedná se o nejméně přesnou metodu, ale je rychlá a přesná, pokud jsou hodnoty tabulky blízko sebe.
• To lze také použít při odhadu hodnot pro geografický datový bod, srážky, hladiny hluku atd.
• Je to velmi snadné použití a ne příliš přesné pro nelineární funkce.
• Kromě lineární interpolace aplikace Excel máme také různé typy metod, jako je polynomiální interpolace, spline interpolace atd.