માઇક્રોસ .ફ્ટ એક્સેલમાં આગાહીનાં સાધનો

અર્થશાસ્ત્રથી લઈને એન્જિનિયરિંગ સુધીના લગભગ કોઈપણ ક્ષેત્રના ક્ષેત્રનું અનુમાન એ ખૂબ જ મહત્વપૂર્ણ તત્વ છે. આ ક્ષેત્રમાં વિશિષ્ટતા ધરાવતા સોફ્ટવેરની મોટી સંખ્યા છે. દુર્ભાગ્યવશ, બધા વપરાશકર્તાઓને ખબર નથી કે સામાન્ય એક્સેલ સ્પ્રેડશીટ પ્રોસેસર પાસે આગાહી માટેના શસ્ત્રાગાર સાધનો હોય છે, જે તેમની કાર્યક્ષમતામાં વ્યાવસાયિક પ્રોગ્રામથી ખૂબ હલકી ગુણવત્તાવાળા નથી. ચાલો જોઈએ કે આ સાધનો શું છે અને વ્યવહારમાં આગાહી કેવી રીતે કરવી.

આગાહી પ્રક્રિયા

કોઈપણ આગાહીનો હેતુ વર્તમાન વલણને ઓળખવાનો છે, અને ભવિષ્યમાં સમયના ચોક્કસ તબક્કે અભ્યાસ કરેલી objectબ્જેક્ટના સંબંધમાં અપેક્ષિત પરિણામ નક્કી કરે છે.

પદ્ધતિ 1: વલણની રેખા

એક્સેલમાં ગ્રાફિકલ આગાહીનો સૌથી લોકપ્રિય પ્રકાર એ ટ્રેન્ડ લાઇન બનાવીને એક્સ્ટ્રાપોલેશન છે.

ચાલો પાછલા 12 વર્ષ માટે આ સૂચકના ડેટાના આધારે 3 વર્ષમાં એન્ટરપ્રાઇઝના નફાની રકમની આગાહી કરવાનો પ્રયાસ કરીએ.

1. આપણે દલીલો અને ફંકશન વેલ્યુવાળા ટેબ્યુલર ડેટાના આધારે નિર્ભરતા ગ્રાફ બનાવીએ છીએ. આ કરવા માટે, ટેબલ ક્ષેત્ર પસંદ કરો અને પછી ટેબમાં હોવું દાખલ કરો, ઇચ્છિત પ્રકારનાં ચાર્ટનાં ચિહ્ન પર ક્લિક કરો, જે બ્લોકમાં સ્થિત છે ચાર્ટ્સ. પછી અમે કોઈ ચોક્કસ પરિસ્થિતિ માટે યોગ્ય પ્રકાર પસંદ કરીએ છીએ. સ્કેટર ચાર્ટ પસંદ કરવાનું શ્રેષ્ઠ છે. તમે બીજો દૃશ્ય પસંદ કરી શકો છો, પરંતુ તે પછી, જેથી ડેટા યોગ્ય રીતે પ્રદર્શિત થાય, તમારે સંપાદન કરવું પડશે, ખાસ કરીને, દલીલની લાઇનને દૂર કરવી અને આડી અક્ષનો બીજો સ્કેલ પસંદ કરવો પડશે.



2. હવે આપણે ટ્રેન્ડ લાઇન બનાવવાની જરૂર છે. અમે આકૃતિના કોઈપણ મુદ્દા પર જમણું-ક્લિક કરીએ છીએ. સક્રિય સંદર્ભ મેનૂમાં, આઇટમ પરની પસંદગીને રોકો ટ્રેન્ડ લાઇન ઉમેરો.



3. ટ્રેન્ડ લાઇન ફોર્મેટિંગ વિંડો ખુલે છે. તેમાં તમે આશરે છ પ્રકારોમાંથી એક પસંદ કરી શકો છો:
   • રેખીય;
   • લોગરીધમિક;
   • ઘાતાંકીય;
   • પાવર;
   • બહુપદી;
   • રેખીય ફિલ્ટરિંગ.

   ચાલો એક રેખીય અંદાજ પસંદ કરીને પ્રારંભ કરીએ.

   સેટિંગ્સ બ્લોકમાં "આગાહી" ક્ષેત્રમાં "આગળ મોકલો" નંબર સેટ કરો "3,0", કારણ કે આપણે ત્રણ વર્ષ અગાઉથી આગાહી કરવાની જરૂર છે. આ ઉપરાંત, તમે સેટિંગ્સની બાજુમાં બ checkક્સને ચકાસી શકો છો. "આકૃતિમાં સમીકરણ બતાવો" અને "આકૃતિ પર અંદાજિત આત્મવિશ્વાસ મૂલ્ય (આર ^ 2) મૂકો". છેલ્લું સૂચક વલણની લાઇનની ગુણવત્તા દર્શાવે છે. સેટિંગ્સ થઈ ગયા પછી, બટન પર ક્લિક કરો બંધ કરો.



4. વલણની લાઇન બનાવવામાં આવે છે અને તેમાંથી અમે ત્રણ વર્ષમાં આશરે નફો નક્કી કરી શકીએ છીએ. જેમ આપણે જોઈએ છીએ, તે સમય સુધીમાં તે 4500 હજાર રુબેલ્સથી વધુ હોવું જોઈએ. ગુણાંક ર 2ઉપર જણાવ્યા મુજબ, વલણની લાઇનની ગુણવત્તા દર્શાવે છે. અમારા કિસ્સામાં, મૂલ્ય ર 2 બનાવે છે 0,89. Coંચા ગુણાંક, લાઇનની વિશ્વસનીયતા .ંચી છે. તેનું મહત્તમ મૂલ્ય બરાબર હોઈ શકે છે 1. તે સામાન્ય રીતે સ્વીકૃત છે કે ઉપરના ગુણાંક સાથે 0,85 ટ્રેન્ડ લાઇન વિશ્વસનીય છે.



5. જો આત્મવિશ્વાસનું સ્તર તમને અનુકૂળ નથી, તો પછી તમે ટ્રેન્ડ લાઇન ફોર્મેટ વિંડો પર પાછા આવી શકો છો અને અન્ય કોઈપણ પ્રકારનો અંદાજ પસંદ કરી શકો છો. તમે સૌથી વધુ સચોટ શોધવા માટે બધા ઉપલબ્ધ વિકલ્પો અજમાવી શકો છો.

   

   એ નોંધવું જોઇએ કે જો અનુમાન અવધિ પીરિયડ્સના વિશ્લેષિત આધારના 30% કરતા વધુ ન હોય તો ટ્રેન્ડ લાઇન દ્વારા એક્સ્ટ્રાપોલેશનનો ઉપયોગ કરવાની આગાહી અસરકારક થઈ શકે છે. એટલે કે, જ્યારે 12 વર્ષના સમયગાળાનું વિશ્લેષણ કરવામાં આવે છે, ત્યારે અમે 3-4 વર્ષથી વધુ સમય માટે અસરકારક આગાહી કરી શકીએ નહીં. પરંતુ આ કિસ્સામાં પણ, તે પ્રમાણમાં વિશ્વસનીય રહેશે જો આ સમયગાળા દરમિયાન કોઈ બળનો અભાવ ન હોય અથવા, તેનાથી વિપરિત, અત્યંત અનુકૂળ સંજોગો, જે અગાઉના સમયગાળામાં ન હતા.

પાઠ: એક્સેલમાં ટ્રેન્ડ લાઇન કેવી રીતે બનાવવી

પદ્ધતિ 2: ફોરેકાસ્ટ operatorપરેટર

ટેબલ્યુલર ડેટા માટે એક્સ્ટ્રાપolaલેશન, ધોરણ એક્સેલ ફંક્શન દ્વારા થઈ શકે છે પૂર્વસૂચન. આ દલીલ આંકડાકીય સાધનોની શ્રેણીની છે અને તેમાં નીચેનો વાક્યરચના છે:

= પ્રીડિકટ (X; જાણીતી_વાય_મૂલ્યો; જાણીતા_ x_ મૂલ્યો)

"X" એક એવી દલીલ છે કે જેના માટે ફંકશન મૂલ્ય નક્કી કરવું જરૂરી છે. અમારા કિસ્સામાં, દલીલ તે વર્ષ હશે જેના માટે આગાહી કરવી જોઈએ.

વાય મૂલ્યો જાણીતા છે - જાણીતા કાર્ય મૂલ્યોનો આધાર. અમારા કિસ્સામાં, તેની ભૂમિકા પાછલા સમયગાળા માટેના નફાની માત્રા દ્વારા ભજવવામાં આવે છે.

જાણીતા x મૂલ્યો ફંક્શનના જાણીતા મૂલ્યોને અનુરૂપ દલીલો છે. તેમની ભૂમિકામાં, અમારી પાસે વર્ષોની સંખ્યા છે જેના માટે પાછલા વર્ષોના નફા પર માહિતી એકત્રિત કરવામાં આવી હતી.

સ્વાભાવિક રીતે, દલીલનો સમયગાળો હોવો જરૂરી નથી. ઉદાહરણ તરીકે, તે તાપમાન હોઈ શકે છે, અને જ્યારે કાર્ય ગરમ થાય છે ત્યારે કાર્યનું મૂલ્ય પાણીના વિસ્તરણનું સ્તર હોઈ શકે છે.

આ પદ્ધતિની ગણતરી કરતી વખતે, રેખીય રીગ્રેસન પદ્ધતિનો ઉપયોગ થાય છે.

ચાલો operatorપરેટરનો ઉપયોગ કરવાની ઘોંઘાટ જોઈએ પૂર્વસૂચન નક્કર ઉદાહરણ પર. આખું ટેબલ લો. આપણે 2018 માટેના નફાની આગાહી જાણવાની જરૂર રહેશે.

1. શીટ પર ખાલી સેલ પસંદ કરો જ્યાં તમે પ્રક્રિયા પરિણામ પ્રદર્શિત કરવાની યોજના ઘડી રહ્યા છો. બટન પર ક્લિક કરો "કાર્ય સામેલ કરો".



2. ખુલે છે લક્ષણ વિઝાર્ડ. કેટેગરીમાં "આંકડાકીય" નામ પસંદ કરો "પૂર્વસૂચન"અને પછી બટન પર ક્લિક કરો "ઓકે".



3. દલીલ વિંડો શરૂ થાય છે. ક્ષેત્રમાં "X" દલીલનું મૂલ્ય સૂચવો કે જેના માટે તમે કાર્યનું મૂલ્ય શોધવા માંગો છો. અમારા કિસ્સામાં, આ 2018 છે. તેથી, અમે લખીએ છીએ "2018". પરંતુ શીટ પરના કોષમાં અને ક્ષેત્રમાં આ સૂચક સૂચવવું વધુ સારું છે "X" ફક્ત તેને એક લિંક આપો. આ ભવિષ્યમાં ગણતરીઓને સ્વચાલિત કરવાની મંજૂરી આપશે અને, જો જરૂરી હોય તો, વર્ષને સરળતાથી બદલી શકશે.

   ક્ષેત્રમાં વાય મૂલ્યો જાણીતા છે ક columnલમના કોઓર્ડિનેટ્સનો ઉલ્લેખ કરો "એન્ટરપ્રાઇઝનો નફો". આ ક્ષેત્રમાં કર્સર મૂકીને, અને પછી ડાબી માઉસ બટનને પકડીને અને શીટ પર અનુરૂપ સ્તંભને પ્રકાશિત કરીને કરી શકાય છે.

   એ જ રીતે ક્ષેત્રમાં જાણીતા x મૂલ્યો ક columnલમ સરનામું દાખલ કરો "વર્ષ" પાછલા સમયગાળા માટેના ડેટા સાથે.

   બધી માહિતી દાખલ થયા પછી, બટન પર ક્લિક કરો "ઓકે".



4. ઓપરેટર દાખલ કરેલા ડેટાના આધારે ગણતરી કરે છે અને પરિણામ સ્ક્રીન પર પ્રદર્શિત કરે છે. 2018 માટે, 4,564.7 હજાર રુબેલ્સના ક્ષેત્રમાં નફો કરવાની યોજના છે. પરિણામી કોષ્ટકના આધારે, અમે ઉપર ચર્ચા કરેલા ચાર્ટિંગ ટૂલ્સનો ઉપયોગ કરીને આલેખ બનાવી શકીએ છીએ.



5. જો તમે દલીલ દાખલ કરવા માટે વપરાયેલ સેલમાં વર્ષ બદલો છો, તો પરિણામ તે મુજબ બદલાશે, અને શેડ્યૂલ આપમેળે અપડેટ થશે. ઉદાહરણ તરીકે, 2019 માં આગાહી અનુસાર, નફાની રકમ 4637.8 હજાર રુબેલ્સ હશે.

પરંતુ ભૂલશો નહીં કે, ટ્રેન્ડ લાઇનના નિર્માણની જેમ, આગાહીના સમયગાળા પહેલાંનો સમયગાળો સમગ્ર સમયગાળાના 30% કરતા વધુ ન હોવો જોઈએ, જેના માટે ડેટાબેઝ સંચયિત હતા.

પાઠ: એક્સેલ માં એક્સ્ટ્રાપોલેશન

પદ્ધતિ 3: TREND operatorપરેટર

આગાહી કરવા માટે, તમે બીજો કાર્ય વાપરી શકો છો - ટ્રેન્ડ. તે આંકડાકીય operaપરેટર્સની શ્રેણીથી પણ સંબંધિત છે. તેનું સિન્ટેક્સ ખૂબ ટૂલ સિંટેક્સ જેવું છે પૂર્વસૂચન અને આના જેવો દેખાય છે:

= TREND (જાણીતા મૂલ્યો_ y; જાણીતા મૂલ્યો_ x; નવા_મૂલક_ x; [કોન્સ્ટ])

જેમ તમે જોઈ શકો છો, દલીલો વાય મૂલ્યો જાણીતા છે અને જાણીતા x મૂલ્યો theપરેટરના સમાન તત્વોને સંપૂર્ણપણે અનુરૂપ છે પૂર્વસૂચન, અને દલીલ "નવી x કિંમતો" દલીલ સાથે મેળ ખાય છે "X" પાછલું સાધન આ ઉપરાંત, ટ્રેન્ડ વધારાની દલીલ છે "સતત", પરંતુ તે વૈકલ્પિક છે અને જો ત્યાં સતત પરિબળો હોય તો જ તેનો ઉપયોગ થાય છે.

આ operatorપરેટરનો ઉપયોગ ફંક્શનની રેખીય અવલંબનની હાજરીમાં સૌથી અસરકારક રીતે થાય છે.

ચાલો જોઈએ કે આ સાધન સમાન ડેટા એરે સાથે કેવી રીતે કાર્ય કરશે. પરિણામોની તુલના કરવા માટે, અમે આગાહી બિંદુને 2019 તરીકે વ્યાખ્યાયિત કરીએ છીએ.

1. પરિણામ દર્શાવવા અને ચલાવવા માટે અમે સેલ નિયુક્ત કરીએ છીએ લક્ષણ વિઝાર્ડ સામાન્ય રીતે. કેટેગરીમાં "આંકડાકીય" નામ શોધો અને પ્રકાશિત કરો "ટ્રેન્ડ". બટન પર ક્લિક કરો "ઓકે".



2. Ratorપરેટર દલીલ વિંડો ખુલે છે ટ્રેન્ડ. ક્ષેત્રમાં વાય મૂલ્યો જાણીતા છે ઉપર વર્ણવેલ પદ્ધતિ દ્વારા આપણે કોલમના કોઓર્ડિનેટ્સ દાખલ કરીએ છીએ "એન્ટરપ્રાઇઝનો નફો". ક્ષેત્રમાં જાણીતા x મૂલ્યો ક columnલમ સરનામું દાખલ કરો "વર્ષ". ક્ષેત્રમાં "નવી x કિંમતો" અમે સેલની લિંક દાખલ કરીએ છીએ જ્યાં વર્ષ નંબર સ્થિત છે જેના માટે આગાહી સૂચવી હોવી જોઈએ. અમારા કિસ્સામાં, આ 2019 છે. ક્ષેત્ર "સતત" ખાલી છોડી દો. બટન પર ક્લિક કરો "ઓકે".



3. Operatorપરેટર ડેટા પર પ્રક્રિયા કરે છે અને પરિણામ સ્ક્રીન પર પ્રદર્શિત કરે છે. જેમ તમે જોઈ શકો છો, રેખીય અવલંબન પદ્ધતિ દ્વારા ગણતરી કરવામાં આવતા 2019 માટેના અનુમાનિત નફાની રકમ, અગાઉની ગણતરી પદ્ધતિની જેમ, 4637.8 હજાર રુબેલ્સ જેટલી હશે.

પદ્ધતિ 4: GROWTH ઓપરેટર

એક્સેલની આગાહી માટે ઉપયોગમાં લઈ શકાય તેવું બીજું ફંક્શન એ GROWTH ઓપરેટર છે. તે સાધનોના આંકડાકીય જૂથને પણ અનુસરે છે, પરંતુ, અગાઉના લોકોની જેમ, તેની ગણતરી કરતી વખતે, તે રેખીય અવલંબન પદ્ધતિનો ઉપયોગ કરતું નથી, પરંતુ ઘાતાંકીય છે. આ ટૂલનો સિન્ટેક્સ નીચે મુજબ છે:

= GROWTH (જાણીતા મૂલ્યો_ y; જાણીતા મૂલ્યો_ x; નવા_મૂલક_ x; [કોન્સ્ટ])

જેમ તમે જોઈ શકો છો, આ કાર્યની દલીલો exactlyપરેટરની દલીલોને બરાબર પુનરાવર્તિત કરે છે ટ્રેન્ડ, તેથી અમે બીજી વાર તેમના વર્ણન પર ધ્યાન આપીશું નહીં, પરંતુ તરત જ આ ટૂલની વ્યવહારિક એપ્લિકેશન પર આગળ વધો.

1. પરિણામને આઉટપુટ કરવા માટે અમે કોષ પસંદ કરીએ છીએ અને તેને સામાન્ય રીતે બોલાવીએ છીએ લક્ષણ વિઝાર્ડ. આંકડાકીય operaપરેટર્સની સૂચિમાં, આઇટમ જુઓ રોસ્ટ, તેને પસંદ કરો અને બટન પર ક્લિક કરો "ઓકે".



2. ઉપરોક્ત કાર્યની દલીલ વિંડો સક્રિય થયેલ છે. આ વિંડોના ક્ષેત્રોમાં ડેટાને તે જ રીતે દાખલ કરો, જેમ કે અમે તેમને operatorપરેટર દલીલો વિંડોમાં દાખલ કર્યા છે ટ્રેન્ડ. માહિતી દાખલ થયા પછી, બટન પર ક્લિક કરો "ઓકે".



3. અગાઉ સૂચવેલા કોષમાં ડેટા પ્રોસેસીંગનું પરિણામ મોનિટર પર પ્રદર્શિત થાય છે. જેમ તમે જોઈ શકો છો, આ સમયે પરિણામ 4682.1 હજાર રુબેલ્સનું છે. Operatorપરેટર ડેટા પ્રોસેસીંગ પરિણામોથી તફાવત ટ્રેન્ડ તુચ્છ, પરંતુ તે ઉપલબ્ધ છે. આ એ હકીકતને કારણે છે કે આ સાધનો વિવિધ ગણતરી પદ્ધતિઓનો ઉપયોગ કરે છે: રેખીય અવલંબન પદ્ધતિ અને ઘાતક પરાધીનતા પદ્ધતિ.

પદ્ધતિ 5: લાઇનર operatorપરેટર

Ratorપરેટર લાઇન ગણતરીમાં રેખીય આશરે પદ્ધતિનો ઉપયોગ થાય છે. તે સાધન દ્વારા ઉપયોગમાં લેવામાં આવતી રેખીય અવલંબન પદ્ધતિથી મૂંઝવણમાં હોવું જોઈએ નહીં. ટ્રેન્ડ. તેનું વાક્યરચના નીચે મુજબ છે:

= લાઇન (જાણીતા મૂલ્યો_ y; જાણીતા મૂલ્યો_ x; નવા_મૂલક_ x; [કોન્સ્ટ]; [આંકડા])

છેલ્લા બે દલીલો વૈકલ્પિક છે. પ્રથમ બે સાથે, અમે પહેલાની પદ્ધતિઓથી પરિચિત છીએ. પરંતુ તમે કદાચ નોંધ્યું છે કે આ કાર્યમાં કોઈ દલીલ નથી જે નવા મૂલ્યો તરફ ધ્યાન દોરે છે. હકીકત એ છે કે આ સાધન ફક્ત સમયગાળાના એકમ દીઠ આવકના બદલાવને નિર્ધારિત કરે છે, જે આપણા કિસ્સામાં એક વર્ષ સમાન છે, પરંતુ આપણે કુલ પરિણામની અલગ ગણતરી કરવી પડશે, ઓપરેટરની ગણતરીના પરિણામને છેલ્લા વાસ્તવિક નફાના મૂલ્યમાં ઉમેરીને. લાઇનવર્ષ સંખ્યા વખત.

1. અમે સેલ પસંદ કરીએ છીએ જેમાં ગણતરી કરવામાં આવશે અને ફંક્શન વિઝાર્ડ ચલાવીશું. નામ પસંદ કરો લાઈન વર્ગમાં "આંકડાકીય" અને બટન પર ક્લિક કરો "ઓકે".



2. ક્ષેત્રમાં વાય મૂલ્યો જાણીતા છે, દલીલોની ખુલી વિંડો, ક columnલમના કોઓર્ડિનેટ્સ દાખલ કરો "એન્ટરપ્રાઇઝનો નફો". ક્ષેત્રમાં જાણીતા x મૂલ્યો ક columnલમ સરનામું દાખલ કરો "વર્ષ". બાકીના ક્ષેત્રો ખાલી બાકી છે. પછી બટન પર ક્લિક કરો "ઓકે".



3. પ્રોગ્રામ પસંદ કરેલા સેલમાં રેખીય વલણ મૂલ્યની ગણતરી કરે છે અને દર્શાવે છે.



4. હવે આપણે 2019 માટેના અંદાજિત નફાના કદને શોધવા પડશે. સાઇન સેટ કરો "=" શીટ પરના કોઈપણ ખાલી સેલ પર. અમે તે સેલ પર ક્લિક કરીએ છીએ જેમાં છેલ્લા અભ્યાસ કરેલા વર્ષ (2016) માટે નફાની વાસ્તવિક રકમ શામેલ છે. અમે એક નિશાની મૂકી "+". આગળ, પહેલા ગણતરી કરેલા રેખીય વલણવાળા સેલ પર ક્લિક કરો. અમે એક નિશાની મૂકી "*". અભ્યાસ સમયગાળાના છેલ્લા વર્ષ (૨૦૧)) અને તમે જે આગાહી કરવા માંગો છો તે વર્ષ (૨૦૧)), ત્રણ વર્ષનો સમયગાળો હોવાથી, અમે સેલમાં નંબર સેટ કર્યો "3". ગણતરી કરવા માટે બટન પર ક્લિક કરો દાખલ કરો.

જેમ તમે જોઈ શકો છો, 2019 માં રેખીય અંદાજીત પદ્ધતિ દ્વારા ગણતરી કરેલ અનુમાનિત નફાના ગાળાની રકમ 4,614.9 હજાર રુબેલ્સ જેટલી હશે.

પદ્ધતિ 6: LGRFPPRIBLE operatorપરેટર

છેલ્લું સાધન આપણે જોઈશું LGRFPPRIBLE. આ operatorપરેટર ઘાતક અંદાજીકરણ પદ્ધતિના આધારે ગણતરીઓ કરે છે. તેના વાક્યરચનામાં નીચેની રચના છે:

= LGRFPRIBLE (જાણીતા મૂલ્યો_ y; જાણીતા મૂલ્યો_ x; નવા_મૂલક_ x; [કોન્સ્ટ]; [આંકડા])

જેમ તમે જોઈ શકો છો, બધી દલીલો પાછલા ફંક્શનના અનુરૂપ તત્વોને સંપૂર્ણપણે પુનરાવર્તન કરે છે. આગાહી ગણતરી અલ્ગોરિધમનો થોડો બદલાશે. ફંક્શન ખાતાકીય વલણની ગણતરી કરે છે, જે બતાવે છે કે એક સમયગાળા માટે, એટલે કે એક વર્ષ માટે કેટલી વાર આવકની રકમ બદલાશે. આપણે છેલ્લા વાસ્તવિક સમયગાળા અને પ્રથમ આયોજિત સમયગાળાની વચ્ચે નફામાં તફાવત શોધવાની જરૂર પડશે, તેને આયોજિત સમયગાળાની સંખ્યા દ્વારા વધારીશું. (3) અને પરિણામમાં છેલ્લા વાસ્તવિક સમયગાળાનો સરવાળો ઉમેરો.

1. ફંક્શન વિઝાર્ડના operaપરેટર્સની સૂચિમાં, નામ પસંદ કરો LGRFPPRIBL. બટન પર ક્લિક કરો "ઓકે".



2. દલીલ વિંડો શરૂ થાય છે. તેમાં, આપણે ફંકશનનો ઉપયોગ કરીને, ડેટા બરાબર તે રીતે દાખલ કરીએ છીએ લાઇન. બટન પર ક્લિક કરો "ઓકે".



3. ઘાતાંકીય વલણના પરિણામની ગણતરી અને નિયુક્ત સેલમાં દર્શાવવામાં આવે છે.



4. અમે એક નિશાની મૂકી "=" ખાલી કોષમાં. કૌંસ ખોલો અને છેલ્લા વાસ્તવિક સમયગાળા માટે આવકનું મૂલ્ય ધરાવતું સેલ પસંદ કરો. અમે એક નિશાની મૂકી "*" અને ઘાતાંકીય વલણવાળા કોષને પસંદ કરો. અમે બાદબાકી ચિહ્ન મૂકીએ છીએ અને ફરીથી તે તત્વ પર ક્લિક કરીએ છીએ જેમાં છેલ્લા સમયગાળાની આવકનું મૂલ્ય સ્થિત છે. અક્ષરોમાં કૌંસ બંધ કરો અને ડ્રાઇવ કરો "*3+" અવતરણ વિના. ફરીથી, તે જ કોષ પર ક્લિક કરો કે જે છેલ્લી વખત પસંદ કરાયો હતો. ગણતરી હાથ ધરવા માટે, બટન પર ક્લિક કરો દાખલ કરો.

2019 માં નફાની અંદાજિત રકમ, જે ઘાતક અંદાજની પદ્ધતિ દ્વારા ગણતરી કરવામાં આવી હતી, તે 4639.2 હજાર રુબેલ્સ હશે, જે પાછલા ગણતરીમાં મેળવેલા પરિણામોથી ફરીથી ખૂબ અલગ નથી.

પાઠ: એક્સેલમાં અન્ય આંકડાકીય કાર્યો

એક્સેલ પ્રોગ્રામમાં આગાહીઓ કેવી રીતે કરવી તે અમને મળ્યું. આ ટ્રેન્ડ લાઇનના ઉપયોગ દ્વારા અને વિશ્લેષણાત્મક રીતે સંખ્યાબંધ બિલ્ટ-ઇન સ્ટેટિસ્ટિકલ કાર્યોનો ઉપયોગ કરીને ગ્રાફિકલી રીતે કરી શકાય છે. આ torsપરેટર્સ દ્વારા સમાન ડેટાની પ્રક્રિયાના પરિણામ રૂપે, એક અલગ પરિણામ મેળવી શકાય છે. પરંતુ આ આશ્ચર્યજનક નથી, કારણ કે તે બધા ગણતરીની જુદી જુદી પદ્ધતિઓનો ઉપયોગ કરે છે. જો વધઘટ ઓછી હોય, તો પછી કોઈ ચોક્કસ કેસમાં લાગુ આ બધા વિકલ્પો પ્રમાણમાં વિશ્વસનીય ગણી શકાય.