અંદાજિત વાંચન સમય: 12 મિનુટી
Forecast
એક્સેલનું ફોરકાસ્ટ ફંક્શન રેખીય ટ્રેન્ડલાઇન પરના ભાવિ બિંદુની આગાહી કરે છે જે x અને y મૂલ્યોના આપેલ સેટમાં ફિટ છે.
વાક્યરચના
= FORECAST( x, known_y's, known_x's )
વિષયો
x
: એક આંકડાકીય x-મૂલ્ય કે જેના માટે તમે નવા y-મૂલ્યની આગાહી કરવા માંગો છો.known_y's
: જાણીતા y મૂલ્યોની શ્રેણીknown_x's
: જાણીતા x મૂલ્યોની એરેનોંધ કરો કે એરેની લંબાઈ known_x
ની જેમ જ હોવું જોઈએ known_y
અને ના તફાવત known_x
તે શૂન્ય હોવું જરૂરી નથી.
ઉદાહરણ
નીચેની સ્પ્રેડશીટમાં, કાર્ય FORECAST
એક્સેલનો ઉપયોગ જાણીતા x અને y મૂલ્યોની શ્રેણી (કોષો F2:F7 અને G2:G7માં સંગ્રહિત) દ્વારા શ્રેષ્ઠ-ફિટિંગ સીધી રેખા સાથે વધારાના બિંદુની આગાહી કરવા માટે થાય છે.
સ્પ્રેડશીટના સેલ F7 માં બતાવ્યા પ્રમાણે, x=7 પર અપેક્ષિત y મૂલ્યની ગણતરી કરવા માટેનું કાર્ય છે :=FORECAST( 7, G2:G7, F2:F7 )
આ પરિણામ આપે છે 32.666667 .
Intercept
એક્સેલના આગાહી કાર્યોમાં આપણે શોધીએ છીએ Intercept
. એક્સેલનું ઇન્ટરસેપ્ટ ફંક્શન x અને y મૂલ્યોના આપેલ સેટમાં રેખીય રીગ્રેશન લાઇનના ઇન્ટરસેપ્ટ (y-અક્ષના આંતરછેદ પરની કિંમત) ની ગણતરી કરે છે.
વાક્યરચના
= INTERCEPT( known_y's, known_x's )
વિષયો
known_y's
: જાણીતા y મૂલ્યોની શ્રેણીknown_x's
: જાણીતા x મૂલ્યોની એરેનોંધ કરો કે એરેની લંબાઈ known_x
ની જેમ જ હોવું જોઈએ known_y
અને ના તફાવત known_x
તે શૂન્ય હોવું જરૂરી નથી.
ઉદાહરણ
નીચેની સ્પ્રેડશીટ ફંક્શનનું ઉદાહરણ બતાવે છે Intercept
એક્સેલનો ઉપયોગ બિંદુની ગણતરી કરવા માટે થાય છે જ્યાં રેખીય રીગ્રેસન રેખા દ્વારા known_x
અને known_y
(કોષો F2:F7 અને G2:G7 માં સૂચિબદ્ધ) y-અક્ષને છેદે છે.
Le known_x
અને known_y
સ્પ્રેડશીટમાં ગ્રાફ પર પ્લોટ કરવામાં આવે છે.
સ્પ્રેડશીટના સેલ F9 માં બતાવ્યા પ્રમાણે, ઇન્ટરસેપ્ટ ફંક્શન માટેનું સૂત્ર છે :=INTERCEPT( G2:G7, F2:F7 )
જે પરિણામ આપે છે 2.4 .
Slope
અન્ય ખૂબ જ રસપ્રદ આગાહી કાર્ય છે ઢાળ (Slope
) એક્સેલ આપેલ x અને y મૂલ્યોના સમૂહ દ્વારા રેખીય રીગ્રેસન રેખાના ઢોળાવની ગણતરી કરે છે.
ફંક્શનનું સિન્ટેક્સ છે:
વાક્યરચના
= SLOPE( known_y's, known_x's )
વિષયો
known_y's
: જાણીતા y મૂલ્યોની શ્રેણીknown_x's
: જાણીતા x મૂલ્યોની એરેનોંધ કરો કે એરેની લંબાઈ known_x
ની જેમ જ હોવું જોઈએ known_y
અને ના તફાવત known_x
તે શૂન્ય હોવું જરૂરી નથી.
ઉદાહરણ
નીચેની સ્પ્રેડશીટ ફંક્શનનું ઉદાહરણ બતાવે છે Slope
એક્સેલનો (સ્લોપ) ઉપયોગ રેખીય રીગ્રેશન લાઇનના ઢાળની ગણતરી કરવા માટે known_x
અને known_y
, કોષો F2:F7 અને G2:G7 માં.
Le known_x
અને known_y
સ્પ્રેડશીટમાં ગ્રાફ પર પ્લોટ કરવામાં આવે છે.
સ્પ્રેડશીટના સેલ F9 માં બતાવ્યા પ્રમાણે, ઇન્ટરસેપ્ટ ફંક્શન માટેનું સૂત્ર છે :=SLOPE( G2:G7, F2:F7 )
જે પરિણામ આપે છે 4.628571429.
Trend
એક ખૂબ જ રસપ્રદ એક્સેલ આગાહી કાર્ય છે ટ્રેન્ડ એક્સેલ (ટ્રેન્ડ) y મૂલ્યોના આપેલ સેટ દ્વારા અને (વૈકલ્પિક રીતે), x મૂલ્યોના આપેલ સમૂહ દ્વારા રેખીય વલણ રેખાની ગણતરી કરે છે.
ફંક્શન પછી નવા x મૂલ્યોના વધારાના સેટ માટે વધારાના y મૂલ્યોની ગણતરી કરવા માટે રેખીય વલણ રેખાને વિસ્તૃત કરે છે.
ફંક્શનનું સિન્ટેક્સ છે:
વાક્યરચના
= TREND( known_y's, [known_x's], [new_x's], [const] )
વિષયો
known_y's
: જાણીતા y મૂલ્યોની શ્રેણીknown_x's
]: જાણીતા x મૂલ્યોની એક અથવા વધુ એરે. આ એક વૈકલ્પિક દલીલ છે કે, જો પૂરી પાડવામાં આવે, તો તેના સમૂહ જેટલી લંબાઈ હોવી જોઈએ known_y's
. જો અવગણવામાં આવે તો, [નો સમૂહ]known_x's
] મૂલ્ય {1, 2, 3, …} લે છે.known_x's
]. જો દલીલ [new_x's] અવગણવામાં આવે છે, તે સમાન પર સેટ છે [known_x's
]ઉદાહરણ
નીચેની સ્પ્રેડશીટમાં, એક્સેલ ટ્રેન્ડ ફંક્શનનો ઉપયોગ x અને y મૂલ્યોની શ્રેણીને વિસ્તારવા માટે થાય છે જે સીધી રેખા y = 2x + 10 પર આવેલા છે. જાણીતા x અને y મૂલ્યો કોષ A2-B5 માં સંગ્રહિત થાય છે સ્પ્રેડશીટ અને સ્પ્રેડશીટ ગ્રાફમાં પણ પ્રદર્શિત થાય છે.
નોંધ કરો કે તે જરૂરી નથી કે આપેલ બિંદુઓ સીધી રેખા y = 2x + 10 સાથે બરાબર બંધબેસે છે (જોકે આ ઉદાહરણમાં તેઓ કરે છે). એક્સેલનું ટ્રેન્ડ ફંક્શન તમે પ્રદાન કરો છો તે મૂલ્યોના કોઈપણ સેટ માટે શ્રેષ્ઠ-ફિટિંગ લાઇન મળશે.
ટ્રેન્ડ ફંક્શન શ્રેષ્ઠ ફિટ લાઇન શોધવા માટે ઓછામાં ઓછી ચોરસ પદ્ધતિનો ઉપયોગ કરે છે અને પછી પ્રદાન કરેલા નવા x મૂલ્યો માટે નવા y મૂલ્યોની ગણતરી કરવા માટે તેનો ઉપયોગ કરે છે.
આ ઉદાહરણમાં, મૂલ્યો [new_x's] કોષો A8-A10 માં સંગ્રહિત થાય છે, અને નવા અનુરૂપ y મૂલ્યો શોધવા માટે, કોષો B8-B10 માં એક્સેલના ટ્રેન્ડ ફંક્શનનો ઉપયોગ કરવામાં આવ્યો છે. ફોર્મ્યુલા બારમાં બતાવ્યા પ્રમાણે, ફોર્મ્યુલા છે := ટ્રેન્ડ ( B2:B5, A2:A5, A8:A10 )
તમે જોશો કે ફોર્મ્યુલા બારમાં Trend ફંક્શન કૌંસ { } માં બંધ છે. આ સૂચવે છે કે કાર્ય તરીકે દાખલ કરવામાં આવ્યું હતું એરે ફોર્મ્યુલા .
Growth
એક્સેલના આગાહી કાર્યોમાં આપણે શોધીએ છીએ
. કાર્ય Growth
Growth
એક્સેલ આપેલ y મૂલ્યોના સમૂહ અને (વૈકલ્પિક), x મૂલ્યોના એક અથવા વધુ સેટ દ્વારા ઘાતાંકીય વૃદ્ધિ વળાંકની ગણતરી કરે છે. ફંક્શન પછી નવા x મૂલ્યોના વધારાના સેટ માટે વધારાના y મૂલ્યોની ગણતરી કરવા માટે વળાંકને વિસ્તૃત કરે છે.
ફંક્શનનું સિન્ટેક્સ છે:
વાક્યરચના
= GROWTH( known_y's, [known_x's], [new_x's], [const] )
વિષયો
known_y's
: જાણીતા y મૂલ્યોની શ્રેણીknown_x's
]: જાણીતા x મૂલ્યોની એક અથવા વધુ એરે. આ એક વૈકલ્પિક દલીલ છે કે, જો પૂરી પાડવામાં આવે, તો તેના સમૂહ જેટલી લંબાઈ હોવી જોઈએ known_y's
. જો અવગણવામાં આવે તો, [નો સમૂહ]known_x's
] મૂલ્ય {1, 2, 3, …} લે છે.known_x's
] અને ફંક્શન y મૂલ્યો આપે છે જે ગણતરી કરેલ ઘાતાંકીય વૃદ્ધિ વળાંક પર આવેલા છે.y = b * m^x
, 1 ની બરાબર હોવું ફરજિયાત હોવું જોઈએ. જો [ખર્ચ] એ સાચું છે (અથવા જો આ દલીલ અવગણવામાં આવે તો) સ્થિર b સામાન્ય રીતે ગણવામાં આવે છે; સ્વ [ખર્ચ] FALSE છે અચલ b 1 પર સેટ છે અને સીધી રેખા સમીકરણ બને છે y = mx
.ઉદાહરણ
નીચેની સ્પ્રેડશીટમાં, એક્સેલ ગ્રોથ ફંક્શનનો ઉપયોગ x અને y મૂલ્યોની શ્રેણીને વિસ્તારવા માટે થાય છે જે ઘાતાંકીય વૃદ્ધિ વળાંક y = 5 * 2^x પર આવેલા છે. આ સ્પ્રેડશીટના A2-B5 કોષોમાં સંગ્રહિત થાય છે અને સ્પ્રેડશીટ ચાર્ટમાં પણ દેખાય છે.
ગ્રોથ ફંક્શન ઘાતાંકીય વૃદ્ધિ વળાંકની ગણતરી કરે છે જે આપેલા જાણીતા x અને y મૂલ્યોને શ્રેષ્ઠ રીતે બંધબેસે છે. આ સરળ ઉદાહરણમાં, શ્રેષ્ઠ ફિટિંગ વળાંક એ ઘાતાંકીય વળાંક y = 5 * 2^x છે.
એકવાર એક્સેલ ઘાતાંકીય વૃદ્ધિ વળાંક સમીકરણની ગણતરી કરી લે, તે કોષો A8-A10 માં પ્રદાન કરેલ નવા x મૂલ્યો માટે નવા y મૂલ્યોની ગણતરી કરવા માટે તેનો ઉપયોગ કરી શકે છે.
આ ઉદાહરણમાં, મૂલ્યો [new_x's
] કોષો A8-A10 અને કાર્યમાં સંગ્રહિત થાય છે Growth
એક્સેલ B8-B10 કોષોમાં દાખલ કરવામાં આવ્યું છે. ફોર્મ્યુલા બારમાં બતાવ્યા પ્રમાણે, આ માટેનું સૂત્ર છે:=Growth
( B2:B5, A2:A5, A8:A10 )
તમે જોઈ શકો છો કે ફોર્મ્યુલા બારમાં ગ્રોથ ફંક્શન કૌંસ { } માં બંધ છે. આ સૂચવે છે કે કાર્ય તરીકે દાખલ કરવામાં આવ્યું હતું એરે ફોર્મ્યુલા .
નોંધ કરો કે ઉપરોક્ત ઉદાહરણમાંના બિંદુઓ વળાંક y = 5 * 2^x સાથે બરાબર બંધબેસતા હોવા છતાં, આ આવશ્યક નથી. કાર્ય Growth
તમે પ્રદાન કરો છો તે મૂલ્યોના કોઈપણ સમૂહ માટે Excel શ્રેષ્ઠ-યોગ્ય વળાંક મેળવશે.
કાર્ય Effect
એક્સેલ આપેલ નજીવા વ્યાજ દર અને દર વર્ષે આપેલ ચક્રવૃદ્ધિ સમયગાળાની સંખ્યા માટે અસરકારક વાર્ષિક વ્યાજ દર પરત કરે છે.
અસરકારક વાર્ષિક વ્યાજ દર
અસરકારક વાર્ષિક વ્યાજ દર એ વ્યાજનું એક માપ છે જે વ્યાજના મૂડીકરણને સમાવિષ્ટ કરે છે અને તેનો ઉપયોગ ઘણીવાર વિવિધ મૂડીકરણની શરતો સાથે નાણાકીય લોનની તુલના કરવા માટે થાય છે.
અસરકારક વાર્ષિક વ્યાજ દરની ગણતરી નીચેના સમીકરણનો ઉપયોગ કરીને કરવામાં આવે છે:
કબૂતર nominal_rate
નજીવા વ્યાજ દર છે e npery
પ્રતિ વર્ષ સંયોજન સમયગાળાની સંખ્યા છે.
ફંક્શનનું સિન્ટેક્સ છે:
વાક્યરચના
= EFFECT( nominal_rate, npery )
વિષયો
nominal_rate
: નજીવા વ્યાજ દર (0 અને 1 ની વચ્ચેનું આંકડાકીય મૂલ્ય હોવું આવશ્યક છે)npery
: પ્રતિ વર્ષ સંયોજન સમયગાળાની સંખ્યા (એક ધન પૂર્ણાંક હોવો જોઈએ).ઉદાહરણ
નીચેની સ્પ્રેડશીટ એક્સેલ ઇફેક્ટ ફંક્શનના ત્રણ ઉદાહરણો બતાવે છે:
જો કાર્યનું પરિણામ Effect
દશાંશ તરીકે દર્શાવે છે અથવા 0% બતાવે છે, આ બંને સમસ્યાઓ ફંક્શન ધરાવતા કોષના ફોર્મેટિંગને કારણે છે. Effect
.
તેથી દશાંશ સ્થાનો સાથે ટકાવારીમાં સેલને ફોર્મેટ કરીને સમસ્યા હલ કરી શકાય છે.
આ કરવા માટે:
Nominal
કાર્ય Nominal
એક્સેલ આપેલ અસરકારક વ્યાજ દર અને પ્રતિ વર્ષ ચક્રવૃદ્ધિ સમયગાળાની આપેલ સંખ્યા માટે નજીવા વ્યાજ દર પરત કરે છે.
ફંક્શનનું સિન્ટેક્સ છે:
વાક્યરચના
= NOMINAL( effect_rate, npery )
વિષયો
effect_rate
: અસરકારક વ્યાજ દર (0 અને 1 વચ્ચેનું આંકડાકીય મૂલ્ય).npery
: પ્રતિ વર્ષ સંયોજન સમયગાળાની સંખ્યા (એક ધન પૂર્ણાંક હોવો જોઈએ).ઉદાહરણ
નીચેની સ્પ્રેડશીટમાં, કાર્ય Nominal
એક્સેલનો ઉપયોગ વિવિધ શરતો સાથે ત્રણ લોનના નજીવા વ્યાજ દરની ગણતરી કરવા માટે થાય છે.
Ercole Palmeri
એપલ વિઝન પ્રો કોમર્શિયલ વ્યુઅરનો ઉપયોગ કરીને કેટેનિયા પોલીક્લીનિક ખાતે ઓપ્થેલ્મોપ્લાસ્ટી ઓપરેશન કરવામાં આવ્યું હતું…
રંગ દ્વારા સુંદર મોટર કૌશલ્ય વિકસાવવાથી બાળકોને લેખન જેવી વધુ જટિલ કુશળતા માટે તૈયાર કરવામાં આવે છે. રંગ કરવા માટે…
નૌકાદળ ક્ષેત્ર એ સાચી વૈશ્વિક આર્થિક શક્તિ છે, જેણે 150 અબજના બજાર તરફ નેવિગેટ કર્યું છે...
ગયા સોમવારે, ફાઇનાન્શિયલ ટાઇમ્સે OpenAI સાથેના સોદાની જાહેરાત કરી હતી. FT તેના વિશ્વ કક્ષાના પત્રકારત્વને લાઇસન્સ આપે છે...