συναρτήσεις στο excel

52
24 ΚΕΦΑΛΑΙΟ 2 Συναρτήσεις Στόχοι Στο κεφάλαιο αυτό παρουσιάζονται συναρτήσεις του Excel που έχουν εφαρμογή σε οικονομικά και επιχειρησιακά προβλήματα. Προσδοκώμενα αποτελέσματα Με βάση το υλικό που παρουσιάζεται σε αυτό το κεφάλαιο θα πρέπει να είστε σε θέση να: Εκτελείτε μαθηματικούς υπολογισμούς χρησιμοποιώντας τις ενσωματωμένες συναρτήσεις Αναλύετε δεδομένα χρησιμοποιώντας τις στατιστικές συναρτήσεις του Excel Εντοπίζετε καταχωρήσεις σε μεγάλα σύνολα δεδομένων χρησιμοποιώντας τις συναρτήσεις Αναζήτησης και αναφοράς Ελέγχετε την ορθότητα εκφράσεων μέσω των Λογικών συναρτήσεων Χρησιμοποιείτε οικονομικές συναρτήσεις για να αξιολογείτε επιχειρηματικά σχέδια, να υπολογίζετε την εξόφληση δανείου κλπ. Έννοιες - κλειδιά Συνάρτηση Μαθηματικές & Τριγωνομετρικές συναρτήσεις Στατιστικές συναρτήσεις Συναρτήσεις Αναζήτησης και Αναφοράς Λογικές συναρτήσεις Οικονομικές συναρτήσεις Εισαγωγικές παρατηρήσεις Το Excel περιλαμβάνει ένα μεγάλο αριθμό συναρτήσεων φύλλου εργασίας, οι οποίες εκτελούν υπολογισμούς με συγκεκριμένη σειρά ή δομή. Οι συναρτήσεις δέχονται τιμές εισόδου οι οποίες ονομάζονται ορίσματα της συνάρτησης και επιστρέφουν το αποτέλεσμα απλών ή πολύπλοκων υπολογισμών. Οι συναρτήσεις φύλου εργασίας του Excel είναι οργανωμένες στις εξής κατηγορίες

description

συναρτήσεις στο excel

Transcript of συναρτήσεις στο excel

  • 24

    2

    Excel

    .

    :

    Excel

    , .

    -

    &

    Excel ,

    .

    .

    Excel

  • 25

    Financial () Logical () Text () Date & Time ( ) Lookup & Reference ( ) Math & Trig ( ) Statistical () Engineering () Database ( ) Cube () Information () User defined ( )

    .

    2.1 :

    =, .

    Insert Function ( ):

    Insert Function

    .

  • 26

    (=),

    , ,

    .

    , , , TRUE FALSE, , ,

    #/ .

    . ,

    .

    ,

    , .

    Insert Function ( ) ,

    , ,

    ,

    ( 2 ). ,

    .

    64 .

    &

    COMBIN. COMBIN

  • 27

    . Function Arguments (

    ) .

    (Number, Number_chosen),

    (The number of combinations for a given number of items),

    (Number_chosen is the number of items in each combination)

    (6) (Formula result = 6)

    COMBIN .

    ..

    . Help on this function

    ( ).

    2

    .

    , com

    com,

  • 28

    .

    .

    , .. Number, Number_chosen

    ( 2 ) ,

    ,

    .

    , ;

    .

    .

    2.2 & .

    .

    1 :

    1

    ABS(number) .

    COMBIN(number, number_chosen)

    .

    COMBIN,

    number_chosen

    number.

    EXP(number) e

    .

  • 29

    (

    )

    .

    FACT(number) .

    1*2*3*...*.

    GCD(number1, number2,)

    number1, number2, .

    (number) ,

    LCM(number1, number2,)

    number1, number2,

    LN(number), LOG10(number) .

    ,

    number .

    LOG10(number)

    .

    RAND()

    0 1,

    .

    ,

    .

    RANDBETWEEN(bottom,top)

    .

    ROUND(number, number_digits) number

    number_digits.

    SQRT(number)

    . ,

  • 30

    number.

    SUM(number1, number2,)

    /

    .

    SUMIF(number1, number2,)

    / .

    SUMPRODUCT(array1, array2,)

    .

    3 Excel.

  • 31

    3

    1 / 2

    . A, B, C, D

    wA, wB, wC, wD

    rA, rB, rC, rD , :

    p A A B B C C D Dr w r w r w r w r= + + +

    SUMPRODUCT.

  • 32

    2.2.1 , .

    Excel.

    :

    CTRL+SHIFT+ENTER

    .

    .

    MDETERM

    .

    .

    { }

    CTRL+SHIFT+ENTER.

    :

    1: ( )

    2: / .. TRANSPOSE

  • 33

    ,

    3: /

    4:

    CTRL+SHIFT+ENTER

    2

    MDETERM(array)

    TRANSPOSE(array)

    MMULT(array1, array2) .

    array1

    array2.

    MINVERSE(array)

    .

  • 34

    4

    2 / 2

    .

    Excel .

    :

    1234273316643

    321

    32

    321

    =++=+=++

    xxxxxxxx

    :

  • 35

    =

    =

    171

    23421330

    6643

    3

    2

    1

    xxx

    BXA

    (detA 0) :

    BAXBXA == 1 =MMULT(MINVERSE(A37:C39),E37:E39) .

    2.3

    .

    :

    Data

    Analysis ( ).

    :

    ,

    ,

    More

    Functions ( ).

  • 36

    2.3.1

    /, , ,

    .

    3

    (number1,number2,)

    ( )

    (number1,number2,)

    (

    )

    AVERAGE(number1,number2,)

    MEDIAN(number1,number2,)

    MODE(number1,number2,)

    PERCENTILE(array,k) k ,

    .

    QUART(array,quart)

    array. quart

    0,1,2,3, 4

    , 25%, 50%, 75%

    .

    STDEV(number1,number2,)

    (

    ).

    SKEW(number1,number2,) .

  • 37

    KURT(number1,number2,) .

    FREQUENCY(data_array, bins_array)

    . ,

    .

    FREQUENCY :

    1:

    .

    bins_array.

    .

    2: FREQUENCY

    3:

    (data_array)

    (bins_array)

    4:

    CTRL+SHIFT+ENTER

  • 38

    5

    3 / 2

    1994 2007

    ( ) .

    1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

    $/15.53 16.86 20.29 18.68 12.28 17.48 27.6 23.12 24.36 28.1 36.05 50.64 61.08 63.34

    1994 2007.

  • 39

    2.3.2

    .

    Excel

    ,

    ,

    , .. , ,

    , 2 , t Student, F .. 4

    .

    4

    BINOMDIST(number_s,trials,proba

    bility_s,cumulative)

    ,

    CRITBINOM

    (trials,probability_s,alpha)

    ,

    .

  • 40

    HYPGEOMDIST(sample_s,

    number_sample,population_s,numbe

    r_pop)

    POISSON(x, mean, cumulative) Poisson

    NORMDIST(x, mean, standard_dev,

    cumulative), NORMSDIST(x)

    NORMSINV(probability)

    ,

    EXPONDIST(x, lambda,

    cumulative)

    CHIDIST(x,deg_freedom) 2

    TDIST(x,deg_freedom, tails) t Student

    FDIST(x, x,deg_freedom1,

    x,deg_freedom2)

    F

  • 41

    6

    2.3.3

    . Excel

    .

    5

    TEST(array, x, sigma) p z.

    z

    x,

    (),

    .

    TTEST(array1, array2, tails, type)

  • 42

    t Student. T array1,

    array2 .

    tails

    (1 2

    ). ype

    t : 1,

    , 2, (

    ) , 3,

    .

    FTEST(array1, array2) F,

    ,

    .

    CHTEST(actual_range,

    expected_range)

    .

    2

    .

  • 43

    7

    2.3.4 Excel

    .

    :

    . Excel

    .

    6

    INTERCEPT(known_y's,

    known_x's)

    y,

    known_y's known_x's.

    SLOPE(known_y's, known_x's)

  • 44

    known_y's

    known_x's.

    RSQ(known_y's, known_x's)

    .

    PEARSON(array1, array2) Pearson

    FORECAST(x, known_y's,

    known_x's)

    y

    x ,

    .

    STEYX(known_y's, known_x's)

    y x

    .

    8

    LINEST(known_y's, known_x's, const,

  • 45

    stats) .

    :

    Excel

    LINEST.

    61:J65 H61:H65 K61:K65

    LINEST.

    , Alpha ( ) Beta ( ),

    [Beta (SE), Alpha (SE)], R2 (RSQ)

    y (STEYX), F,

    (N-K), (Regression SS)

    (Residual SS).

  • 46

    LINEST(known_y's, known_x's, const, stats)

    ,

    5x2

    CTRL+SHIFT+ENTER

    LINEST(known_y's, known_x's, const, stats)

    LOGEST(known_y's, known_x's, const, stats)

    . ,

    .

    2.4

    .

    7

    VLOOKUP(lookup_value,

    table_array, col_index_num,

    range_lookup)

    .

    VLOOKUP,

  • 47

    .

    LOOKUP(lookup_value,

    table_array, col_index_num,

    range_lookup)

    .

    HLOOKUP,

    ,

    .

    MATCH(lookup_value,

    lookup_array, match_type)

    ,

    .

    LOOKUP

    .

    INDEX(array, row_num,

    column_num)

    ,

    .

  • 48

    9

    4 / 2

    (.. 8,000 15%

    ).

    =VLOOKUP(B7,A2:B5,2)

    A2:B5 7 (=15,000 )

    2. A2:B5

    . range_lookup

    TRUE

    FALSE .

    =MATCH(B10,B2:B5).

    =INDEX(A2:B5,B11,B12).

  • 49

    10

    2.5

    .

    8

    AND(logical1, logical2,...) TRUE ()

    TRUE ()

    IF(logical_test, value_if_true,

    value_if_false)

    ,

    TRUE (), ,

    FALSE ().

    IFERROR(value,value_if_error)

    .

    OR(logical1, logical2,...) TRUE

  • 50

    FALSE FALSE

    FALSE.

    11

    5 / 2

    3 .

    : ( ),

    ,

    .

    ,

    .

    IF : =IF($B11

  • 51

    2.6

    Excel.

    ( ), (

    ), , ( )

    .

    2.6.1 ,

    . To Excel

    .

  • 52

    9

    PV(rate, nper, pmt, fv, type)

    . Rate

    . Nper

    . Pmt

    . Fv

    .

    Type 0 1

    . 0

    , 1

    .

    FV(rate, nper, pmt, fv, type) FV(rate, nper, pmt, pv, type)

    ,

    . rate, nper

    .type PV. Pv

    .

    pmt,

    pv .

    PV FV,

    ,

    ,

    .

  • 53

    4%

    4 ,

    4%/12 rate

    4*12 nper.

    PMT(rate, nper, pv, fv, type)

    -

    .

    PV FV.

    IPMT(rate, per, nper, pv, fv, type) .

    , per,

    (

    1 nper).

    PPMT(rate, per, nper, pv, fv, type) nper.

    12

  • 54

    6 / 2

    1,000

    3% ,

    5 .

    :

    FV(3%,5,-1000) 5,309.14

    7 / 2

    1,000

    . 1,2,3

    4.

    5 .

    :

    12

    345

    %)31(000,1%)31(000,1 %)31(000,1%)31(000,1%)31(000,1

    +++++++++=

    FV(rate, nper, pmt, pv,

    type). .

    0 30 type

    FV D38 1

    .

    pv FV C18. type

    .

    8 / 2

    10,000

    7% .

    6 .

    PMT ( ),

    IPMT (), PPMT (). rate

    7%

    7%/4. pv

    .

  • 55

    .

    0, .

    :

    2,097.96

    .

    .

    9 / 2

    :

    $10,000 10 8%

    $50,000 18 .

    6%.

    :

    PMT(8%/12, 10, 10000) -$1,037.03

    PMT(8%/12, 10, 10000, 0, 1) -$1,030.16

  • 56

    PMT(6%/12, 18*12, 0, 50000) -$129.08. ,

    $129.08 6% 18

    $50,000.

    10 / 2

    :

    2000 2 10%

    10 200000 10 8%:

    :

    PPMT(10%/12, 1, 24, 2000) -$75.62

    PPMT(8%, 10, 10, 200000) -$27,598.05

    2.6.2 Excel

    .

    .

    .

    SLN(cost, salvage, life)

    (straight line depreciation).

    (cost),

    (salvage)

    ( ).

    SYD(cost, salvage, life, per)

    ,

    . per

    life.

    DDB(cost, salvage, life, period, factor)

    -

    .

  • 57

    factor .

    factor, 2.

    10

    SLN(cost, salvage, life)

    (straight line depreciation).

    (cost),

    (salvage)

    (

    ).

    SYD(cost, salvage, life, per)

    ,

    . per

    life.

    DDB(cost, salvage, life, period,

    factor)

    -

    .

    factor

    .

    factor,

    2.

  • 58

    13

    11 / 2

    100,000 10 .

  • 59

    =SLN($C$2,$C$3,$B$19) C10:C19,

    =SYD($C$2,$C$3,$C$4,B10) D10 D11:D19

    =DDB($C$2,$C$3,$C$4,B10) E10

    E11:E19.

    . C22 (=SUM(C10:C19)), D22 (=SUM(D10:D19).

    . 20 =C2-SUM(E10:E19).

    2.6.3 :

    (Net Present Value, NPV)

  • 60

    (Internal Rate of Return, IRR).

    .

    11

    NPV(rate, value1, value2, )

    ( )

    ( ).

    value1

    .

    0.

    NPV

    .

    XNPV(rate, values, dates)

    IRR(values, guess)

    . Values

    ( ),

    .

    . Guess

    IRR.

  • 61

    MIRR(values,

    finance_rate,reinvest_rate)

    .

    MIRR

    .

    IRR(values, dates, guess)

    .

    NPV PV .

    PV

    . PV

    NPV.

    Excel

    guess, IRR ,

    0,00001. IRR

    20 ,

    #!. ,

    guess IRR ( 10%).

  • 62

    14

    12 / 2

    5

    100 , .

    .. , 4%

    5 .

    4%.

    100 PV NPV.

    . .

    Excel

    , NPV(rate, value1, value2, ...)

    ( ) ( ).

    0.

    .

  • 63

    445.18 .

    460 ,

    .

    :

    , .

    :

  • 64

    13 / 2

    .

    $70,000

    : $12,000, $15,000, $18,000, $21,000, $26,000 .

    2, 4 5 ..

    1 6 .

    :

    IRR(B1:B3,-10%) -44.35%

    :

    IRR(B1:B5) -2.12%

    , :

    IRR(B1:B6) 8.66%

    14 / 2

    145, 100

    - 275 .

    0% 40% 2.5%.

    .

    ( )

    r.

  • 65

    .

    IRR(values, guess), guess,

    .

  • 66

    15 / 2

    5 .

    $120,000 10%

    . $39,000, $30,000, $21,000, $37,000,

    $46,000 .

    12% .

    3 5 .

    14%

    .

    :

    MIRR(B1:B6, 10%, 12%) 12.61 %

    :

    MIRR(B1:B4, 10%, 12%) -4.80 %

    14% :

    MIRR(B1:B6, 10%, 14%) 13.48 %

    2.7

    . Excel

    Formulas

    Formula Auditing ( ).

    .

    Trace Precendents ( ),

    D12.

  • 67

    Trace Dependents ( ),

    D5.

    Remove

    Arrows ( ) .

    Show Formulas ( )

    Error Checking ( )

    . Evaluate Formula ( )

    . Watch Window (

    )

  • 68

    .

    .

    :

    ,

    , .

  • 69

    1 / 2

    50 .

    .

    21,111 9.43 20,191 7.68

    19,970 8.50 20,892 5.85

    19,450 6.85 20,375 9.73

    22,193 9.70 18,646 7.83

    19,698 6.75 21,924 8.50

    21,434 8.40 23,644 8.90

    20,706 6.43 21,572 6.85

    23,325 9.53 19,188 5.10

    20,936 6.75 22,540 9.03

    20,818 8.23 20,719 6.55

    18,673 7.43 19,324 5.80

    21,043 5.40 22,626 5.88

    20,279 7.10 23,164 6.75

    20,410 6.33 24,302 9.73

    20,543 6.98 23,419 6.30

    21,189 9.53 24,898 8.38

    19,629 5.45 24,394 7.78

    20,847 5.63 25,061 9.30

    20,930 8.60 23,941 5.65

    20,655 7.60 26,332 5.58

    23,456 9.45 23,650 6.48

    19,484 5.08 23,471 5.48

    18,951 5.38 23,701 6.83

    23,241 9.73 24,891 7.40

    20,424 6.65 24,560 6.65

  • 70

    , , ,

    ,

    .

    1,000 ,

    19,000 26,000 0.5

    , 6 9.5.

    .

    2 / 2

    .

    2010-2024:

    2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

    . . 8 8.6 9 9 9 7.2 7 5 5 5 3 2 2 2 2

    :

    2007 2008 2009 2010

    . $ -20 -60 -120 -20

    :

    - 10%

    - $2.5/

    5% .

    - .

    - :

    o . o $50,000,000 35%. o $50,000,000 50%.

  • 71

    1 .

    25%.

  • 72

    1 / 2

    .

    2:51.

    .

    3:F13

    . , , ,

    , .

    ,

    . 3:13

    F3:F13.

  • 73

    .

    FREQUENCY

    . FREQUENCY

    , CTRL+SHIFT+ENTER.

    :

    = + +

    .

    SLOPE,

    =SLOPE(A2:A51,B2:B51) 37.

    315

    .

    2 / 2

    . 2:9

    .

    .

    D, E, F . G

    . G5 =(1-

    $B$2)*E5. B2

    G6:G19

    2. 5

    3 6 =(1+$B$4)*H5.

    7:19.

    . $ 5 =H5*G5

    6:19. J5 . $

    =G5*$B$8-I5 J6:J19

    .

    6 . IF :

    =IF(J5

  • 74

    ,

    . ,

    .., .

    : ..

    .. .. ..

    2007 L2 =F2+J2-K2,

    20025 2004

    L3:L20.

    22

    =NPV(B9,L2:L20) $ 430 .

    .

    15%, 9 15%

    $ 789 .

  • 75