ఎక్సెల్ లో కదిలే సగటును లెక్కించండి (సాధారణ, ఘాతాంక మరియు బరువు)
కదిలే సగటు అంటే మన వద్ద ఉన్న డేటా సెట్ యొక్క సగటుల సగటును లెక్కిస్తాము, ఎక్సెల్ లో కదిలే సగటును లెక్కించడానికి మనకు అంతర్నిర్మిత లక్షణం ఉంది, ఇది విశ్లేషణ విభాగంలో డేటా విశ్లేషణ టాబ్‌లో లభిస్తుంది, ఇది ఇన్‌పుట్ పరిధి మరియు అవుట్పుట్ తీసుకుంటుంది అవుట్‌పుట్‌గా విరామాలతో పరిధి, కదిలే సగటును లెక్కించడానికి ఎక్సెల్‌లోని కేవలం సూత్రాల ఆధారంగా లెక్కలు కష్టమే కాని అలా చేయడానికి ఎక్సెల్‌లో మనకు ఇన్‌బిల్ట్ ఫంక్షన్ ఉంది.
ఎక్సెల్ లో కదిలే సగటు ఏమిటి
కదిలే సగటు అనేది భవిష్యత్తును అంచనా వేయడానికి ఉపయోగించే సమయ శ్రేణి విశ్లేషణలో విస్తృతంగా ఉపయోగించే సాంకేతికత. సమయ శ్రేణిలో కదిలే సగటులు ప్రాథమికంగా మరొక సమయ శ్రేణి డేటా యొక్క వివిధ వరుస విలువల సగటులను తీసుకొని నిర్మించబడతాయి.
మూడు రకాల కదిలే సగటులు ఉన్నాయి, అవి సాధారణ కదిలే సగటు, బరువున్న కదిలే సగటు మరియు ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు.
# 1 - ఎక్సెల్ లో సాధారణ కదిలే సగటు
డేటా కదిలే చివరి కాలాల సగటును లెక్కించడంలో సరళమైన కదిలే సగటు సహాయపడుతుంది. N కాలం ధరలు ఇవ్వబడ్డాయి అనుకుందాం. అప్పుడు సాధారణ కదిలే సగటు ఇవ్వబడుతుంది
సాధారణ కదిలే సగటు = [P1 + P2 + …………. + Pn] / n
# 2 - ఎక్సెల్ లో బరువు కదిలే సగటు
బరువున్న కదిలే సగటు చివరి n కాలాల యొక్క సగటు సగటును అందిస్తుంది. మునుపటి కాల వ్యవధి యొక్క ప్రతి డేటా పాయింట్‌తో వెయిటింగ్ తగ్గుతుంది.
బరువు కదిలే సగటు = (ధర * వెయిటింగ్ కారకం) + (మునుపటి కాలం ధర * వెయిటింగ్ కారకం -1)
# 3 - ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు
ఇది సాధారణ కదిలే సగటుతో సమానంగా ఉంటుంది, ఇది కొంత కాలానికి పోకడలను కొలుస్తుంది. సరళమైన కదిలే సగటు ఇచ్చిన డేటా యొక్క సగటును లెక్కిస్తుంది, ఎక్స్పోనెన్షియల్ కదిలే సగటు ప్రస్తుత డేటాకు ఎక్కువ బరువును జత చేస్తుంది.
ఘాతాంక కదిలే సగటు = (K x (C - P)) + P.
ఎక్కడ,
- కె = ఘాతాంక సున్నితమైన స్థిరాంకం
- సి= ప్రస్తుత ధర
- పి= మునుపటి కాలాలు ఘాతాంక కదిలే సగటు (మొదటి కాలాల గణన కోసం ఉపయోగించే సాధారణ కదిలే సగటు)
ఎక్సెల్ లో కదిలే సగటును ఎలా లెక్కించాలి?
ఎక్సెల్ లో కదిలే సగటుకు ఉదాహరణ క్రింద ఇవ్వబడింది.
మీరు ఈ కదిలే సగటు ఎక్సెల్ మూసను ఇక్కడ డౌన్‌లోడ్ చేసుకోవచ్చు - కదిలే సగటు ఎక్సెల్ మూసఉదాహరణ # 1 - ఎక్సెల్ లో సింపుల్ మూవింగ్ యావరేజ్
సరళమైన కదిలే సగటును లెక్కించడానికి, మేము 2018 సంవత్సరానికి జనవరి నుండి డిసెంబర్ వరకు ఒక సంస్థ యొక్క అమ్మకాల డేటాను తీసుకున్నాము. డేటాను సున్నితంగా మార్చడం మరియు 2019 జనవరిలో అమ్మకాల సంఖ్యను తెలుసుకోవడం మా లక్ష్యం. మేము ఇక్కడ మూడు నెలల కదిలే సగటును ఉపయోగిస్తాము.
దశ 1:కదిలే సగటు జనవరి, ఫిబ్రవరి మరియు మార్చి నెలల అమ్మకాల సంఖ్యను తీసుకొని 3 ద్వారా విభజించబడింది.
దశ 2:D5 సెల్ యొక్క మూలలో ఎంచుకుని, ఆపై లాగడం మరియు క్రిందికి వదలడం మిగిలిన కాలాలకు కదిలే సగటును ఇస్తుంది. ఇది ఎక్సెల్ యొక్క పూరక సాధనం ఫంక్షన్.
జనవరి 2019 అమ్మకాల అంచనా 10456.66667.
దశ 3:ధోరణిలో వ్యత్యాసాన్ని అర్థం చేసుకోవడానికి ఇప్పుడు మేము లైన్ గ్రాఫ్‌లో అమ్మకాల సంఖ్యను మరియు కదిలే సగటును ప్లాట్ చేసాము. చొప్పించు టాబ్ నుండి ఇది చేయవచ్చు. మొదట మేము డేటా సిరీస్‌ను ఎంచుకున్నాము, ఆపై ఇన్సర్ట్ క్రింద ఉన్న చార్ట్స్ విభాగం నుండి, మేము లైన్ గ్రాఫ్‌ను ఉపయోగించాము.
గ్రాఫ్లను సృష్టించిన తరువాత, కదిలే సగటుతో ఉన్న గ్రాఫ్ అసలు డేటా సిరీస్ కంటే చాలా సున్నితంగా ఉందని చూడవచ్చు.
ఉదాహరణ # 2 - ఎక్సెల్ లో డేటా అనాలిసిస్ టాబ్ ద్వారా సింపుల్ మూవింగ్ యావరేజ్
- విశ్లేషణ సమూహం క్రింద డేటా టాబ్ కింద, మేము డేటా విశ్లేషణను క్లిక్ చేయాలి. స్క్రీన్ షాట్ క్రింది ఉంది.
- డేటా విశ్లేషణ నుండి, కదిలే సగటును యాక్సెస్ చేయవచ్చు.
- కదిలే సగటును క్లిక్ చేసిన తరువాత, మేము అమ్మకపు సంఖ్యను ఇన్‌పుట్ పరిధిగా ఎంచుకున్నాము.
- మొదటి వరుసలోని లేబుల్స్ పేరును ఎక్సెల్ అర్థం చేసుకోవడానికి మొదటి వరుసలోని లేబుల్స్ క్లిక్ చేయబడతాయి.
- ఇంటర్వెల్ 3 ఎంచుకోబడింది ఎందుకంటే మనకు మూడు సంవత్సరాలు కదిలే సగటు కావాలి.
- మేము అమ్మకాల సంఖ్యకు ప్రక్కనే అవుట్పుట్ పరిధిని ఎంచుకున్నాము.
- మేము చార్ట్ అవుట్‌పుట్‌ను కూడా చూడాలనుకుంటున్నాము, ఇందులో వాస్తవమైన మరియు అంచనా వేసిన వాటి మధ్య వ్యత్యాసాన్ని చూడగలుగుతాము.
ఈ చార్ట్ వాస్తవ మరియు అంచనా వేసిన కదిలే సగటు మధ్య వ్యత్యాసాన్ని చూపుతుంది.
ఉదాహరణ # 3 - ఎక్సెల్ లో బరువు కదిలే సగటు
మేము మూడు సంవత్సరాల బరువున్న కదిలే సగటును ఉపయోగిస్తాము మరియు ఫార్ములా స్క్రీన్ షాట్ లో ఇవ్వబడింది.
సూత్రాన్ని ఉపయోగించిన తరువాత, మేము కొంతకాలం కదిలే సగటును పొందాము.
కింది కణాలలో విలువలను లాగడం మరియు వదలడం ద్వారా మిగతా అన్ని కాలాలకు కదిలే సగటును పొందాము.
జనవరి 2019 కోసం అంచనా, అంటే 10718.33
డేటా యొక్క సున్నితత్వాన్ని చూడటానికి ఇప్పుడు మేము లైన్ గ్రాఫ్ తీసుకున్నాము. దీని కోసం, మేము మా నెల ముందుగా అంచనా వేసిన డేటాను ఎంచుకున్నాము మరియు తరువాత లైన్ గ్రాఫ్‌ను చేర్చాము.
ఇప్పుడు మన ముందస్తు డేటాను మా వాస్తవ డేటాతో పోలుస్తాము. దిగువ స్క్రీన్షాట్లలో వాస్తవ డేటా మరియు ముందస్తు డేటా మధ్య వ్యత్యాసాన్ని మనం సులభంగా చూడవచ్చు. పైభాగంలో ఉన్న గ్రాఫ్ వాస్తవ డేటా మరియు దిగువ ఉన్న గ్రాఫ్ కదిలే సగటు మరియు అంచనా డేటా. వాస్తవ డేటాను కలిగి ఉన్న గ్రాఫ్‌తో పోలిస్తే కదిలే సగటు గ్రాఫ్ గణనీయంగా సున్నితంగా ఉందని మనం చూడవచ్చు.
ఉదాహరణ # 4 - ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ మూవింగ్ యావరేజ్
ఘాతాంక కదిలే సగటు యొక్క సూత్రంఎస్టి= α.Y.t-1+ (1- α) ఎస్t-1……(1)
ఎక్కడ,
- వైt-1 = t-1 వ కాలంలో వాస్తవ పరిశీలన
- ఎస్t-1= t-1 వ కాలంలో సాధారణ కదిలే సగటు
- α = సున్నిత కారకం మరియు ఇది .1 మరియు .3 మధ్య మారుతూ ఉంటుంది. Closer దగ్గరగా ఉన్న విలువ వాస్తవ విలువలకు చార్ట్ మరియు α యొక్క విలువను తగ్గిస్తుంది, చార్ట్ మరింత సున్నితంగా ఉంటుంది.
మొదట, ముందు చూపిన విధంగా సాధారణ కదిలే సగటును మేము లెక్కిస్తాము. ఆ తరువాత, మేము సమీకరణం (1) లో ఇచ్చిన సూత్రాన్ని వర్తింపజేస్తాము. కింది అన్ని విలువల కోసం α విలువను పరిష్కరించడానికి మేము F4 ని నొక్కి ఉంచాము.
కింది కణాలలో లాగడం మరియు వదలడం ద్వారా మేము విలువలను పొందుతాము.
ఇప్పుడు, వాస్తవ విలువలు, సాధారణ కదిలే సగటు మరియు ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు మధ్య పోలికను చూడాలనుకుంటున్నాము. మేము లైన్ చార్ట్ చేయడం ద్వారా దీన్ని చేసాము.
పై స్క్రీన్ షాట్ నుండి, వాస్తవ అమ్మకాల సంఖ్య, సాధారణ కదిలే సగటు మరియు ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు మధ్య వ్యత్యాసాన్ని మనం చూడవచ్చు.
ఎక్సెల్ లో సగటును తరలించడం గురించి గుర్తుంచుకోవలసిన విషయాలు
- ఎక్సెల్ లో AVERAGE ఫంక్షన్ ఉపయోగించి సాధారణ కదిలే సగటును లెక్కించవచ్చు
- సగటును తరలించడం డేటాను సున్నితంగా మార్చడంలో సహాయపడుతుంది
- కాలానుగుణ సగటులను తరచుగా కాలానుగుణ సూచికగా పిలుస్తారు
- ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు సాధారణ కదిలే సగటు కంటే ఇటీవలి డేటాకు ఎక్కువ బరువును ఇస్తుంది. అందువల్ల ఎక్సెల్ లో ఎక్స్పోనెన్షియల్ కదిలే సగటు విషయంలో సున్నితంగా మారడం సాధారణ కదిలే సగటు కంటే ఎక్కువ.
- స్టాక్ మార్కెట్ వంటి వ్యాపారాలలో, కదిలే సగటు వర్తకుడు ధోరణిని మరింత సులభంగా గుర్తించడానికి సహాయపడుతుంది.
