Hàm DEVSQ - Hàm này tính tổng các bình phương độ lệch của các điểm dữ liệu so với trung độ mẫu trong Excel, giúp người dùng phân tích độ phân tán của dữ liệu.
Bài viết dưới đây sẽ giới thiệu về hàm DEVSQ - một hàm trong nhóm hàm thống kê phổ biến, rất hữu ích trong việc phân tích dữ liệu trong Excel.

Mô tả: Trả về tổng bình phương độ lệch của các điểm dữ liệu so với trung độ mẫu, hỗ trợ việc đánh giá mức độ phân tán của dữ liệu.
Cú pháp: DEVSQ(number1, [number2], ...), áp dụng để tính toán độ phân tán của dữ liệu trong các bảng tính Excel.
Trong đó:
- number1, number2: Đây là các giá trị cần tính tổng bình phương độ lệch. number1 là đối số bắt buộc, còn từ number2 trở đi là tùy chọn, có thể chứa tối đa 255 đối số number.
Chú ý:
- Các đối số nhập vào phải là số, tên hoặc mảng tham chiếu chứa các số.
- Nếu giá trị văn bản hoặc logic được nhập trực tiếp vào các đối số, chúng vẫn được tính vào trong hàm.
- Nếu đối số là tham chiếu hoặc mảng chứa giá trị logic và văn bản, chúng sẽ bị loại trừ, tuy nhiên, giá trị bằng 0 vẫn được tính vào.
- Hàm sẽ báo lỗi nếu đối số là văn bản hoặc giá trị lỗi mà không thể chuyển đổi thành số.
- Hàm áp dụng công thức tính tổng bình phương độ lệch như sau:
\[DEVSQ = \sum \left( {x - \overline x } \right)^2\]
Ví dụ:
Tính tổng bình phương độ lệch cho các điểm dữ liệu trong bảng dưới đây:

- Tại ô cần tính, nhập công thức : =DEVSQ(C6:C10)

- Nhấn Enter để nhận kết quả tổng bình phương độ lệch của các điểm dữ liệu là:

- Nếu các điểm dữ liệu không liên tiếp, ví dụ bạn muốn tính tổng bình phương độ lệch cho các ô C6, C8, C10, nhập công thức: =DEVSQ(C6,C8,C10)

Đây là hướng dẫn và một số ví dụ minh họa khi sử dụng hàm DEVSQ trong Excel.
Chúc các bạn thành công trong việc áp dụng hàm DEVSQ!
Có thể bạn quan tâm

Top 10 Địa chỉ bọc răng sứ uy tín tại TP. Quy Nhơn, Bình Định

Lux Beauty Center - Địa chỉ thẩm mỹ uy tín hàng đầu trong lĩnh vực làm đẹp

Khám Phá 14 Đặc Sản Lào Thu Hút Du Khách

15 Quán chè Sài Gòn hút khách nhất định phải thử một lần

Top 2 trường cao đẳng chất lượng nhất tại Vĩnh Long


