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?
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.
- Columns - Numberof columns to offset right from the starting reference cell.
- (height) - 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 použije 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 dnů roku, 16094 jednotek za 50 dní roku 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, hladinu 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.
