Khám Phá Các Phương Pháp Thống Kê Hiệu Quả

Thống kê là một lĩnh vực quan trọng trong nghiên cứu và phân tích dữ liệu. 69 trang · 2023.

• Trường học: Trường Đại Học
• Chuyên ngành: Thống Kê
• Đề tài: Các Phương Pháp Thống Kê Hiệu Quả
• Loại tài liệu: Bài Giảng
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. THỐNG KÊ MÔ TẢ
• 1.1. Hàm thống kê thông dụng
• 1.2. Hàm thống kê chuyên dụng
• 1.3. Thống kê bằng công cụ Descriptive statistics
• 2. BÁO CÁO TỔNG HỢP NHÓM VỚI SUBTOTAL
• 3. HỢP NHẤT DỮ LIỆU VỚI CONSOLIDATE
• 4. TỔNG HỢP DỮ LIỆU ĐA CHIỀU VỚI PIVOTTABLE
• 5. PHÂN TÍCH DỰ BÁO
• 5.1. Phương pháp: trung bình trượt (Moving Average)
• 5.2. Phương pháp: San bằng mũ (Exponential Smoothing)
• 5.3. Phương pháp: Hồi quy (Regression)

Tóm tắt

I. Tổng Quan Về Các Phương Pháp Thống Kê Hiệu Quả

Thống kê là một lĩnh vực quan trọng trong nghiên cứu và phân tích dữ liệu. Các phương pháp thống kê hiệu quả giúp tổ chức và phân tích thông tin một cách chính xác. Việc áp dụng các phương pháp này không chỉ giúp đưa ra quyết định đúng đắn mà còn tối ưu hóa quy trình làm việc. Trong bài viết này, sẽ khám phá các phương pháp thống kê phổ biến và ứng dụng của chúng trong thực tiễn.

1.1. Định Nghĩa và Vai Trò Của Thống Kê

Thống kê là quá trình thu thập, phân tích và diễn giải dữ liệu. Nó đóng vai trò quan trọng trong việc ra quyết định dựa trên dữ liệu thực tế.

1.2. Lợi Ích Của Việc Sử Dụng Phương Pháp Thống Kê

Sử dụng phương pháp thống kê giúp cải thiện độ chính xác trong phân tích dữ liệu, từ đó nâng cao hiệu quả công việc và giảm thiểu rủi ro.

II. Các Thách Thức Trong Việc Áp Dụng Phương Pháp Thống Kê

Mặc dù có nhiều lợi ích, việc áp dụng phương pháp thống kê cũng gặp phải nhiều thách thức. Các vấn đề như chất lượng dữ liệu, sự phức tạp trong phân tích và thiếu hụt kiến thức chuyên môn có thể gây khó khăn cho người sử dụng.

2.1. Chất Lượng Dữ Liệu và Ảnh Hưởng Đến Kết Quả

Dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến kết quả thống kê sai lệch, ảnh hưởng đến quyết định cuối cùng.

2.2. Thiếu Kiến Thức Chuyên Môn Trong Phân Tích

Nhiều người dùng không có đủ kiến thức về thống kê mô tả và thống kê suy diễn, dẫn đến việc áp dụng sai phương pháp.

III. Phương Pháp Thống Kê Mô Tả Cách Thực Hiện Hiệu Quả

Phương pháp thống kê mô tả là bước đầu tiên trong phân tích dữ liệu. Nó giúp tóm tắt và mô tả các đặc điểm chính của dữ liệu thông qua các chỉ số như trung bình, trung vị và độ lệch chuẩn.

3.1. Các Chỉ Số Thống Kê Cơ Bản

Các chỉ số như trung bình, trung vị, và độ lệch chuẩn là những công cụ quan trọng trong thống kê mô tả.

3.2. Sử Dụng Công Cụ Excel Để Thống Kê Mô Tả

Excel cung cấp nhiều hàm thống kê hữu ích như AVERAGE, MEDIAN, và STDEV để thực hiện thống kê mô tả một cách dễ dàng.

IV. Phân Tích Dự Báo Các Phương Pháp Hiệu Quả

Phân tích dự báo là một phần quan trọng trong thống kê, giúp dự đoán các xu hướng tương lai dựa trên dữ liệu hiện tại. Các phương pháp như trung bình trượt và hồi quy thường được sử dụng.

4.1. Phương Pháp Trung Bình Trượt

Phương pháp trung bình trượt giúp làm mượt dữ liệu và dự đoán xu hướng trong tương lai bằng cách tính toán trung bình của các giá trị trong một khoảng thời gian nhất định.

4.2. Phương Pháp Hồi Quy Đơn Giản

Hồi quy là một phương pháp mạnh mẽ để phân tích mối quan hệ giữa các biến. Nó giúp xác định cách mà một biến phụ thuộc vào một hoặc nhiều biến độc lập.

V. Phân Tích Tối Ưu Giải Quyết Vấn Đề Hiệu Quả

Phân tích tối ưu giúp tìm ra giải pháp tốt nhất cho các vấn đề phức tạp trong kinh doanh. Sử dụng công cụ như SOLVER trong Excel có thể giúp tối ưu hóa lợi nhuận và tài nguyên.

5.1. Lập Mô Hình Tối Ưu

Lập mô hình tối ưu là quá trình xác định các biến quyết định và hàm mục tiêu để tối đa hóa hoặc tối thiểu hóa một giá trị nào đó.

5.2. Sử Dụng Công Cụ SOLVER Để Giải Mô Hình

Công cụ SOLVER trong Excel cho phép người dùng thiết lập và giải quyết các bài toán tối ưu một cách hiệu quả.

VI. Kết Luận Tương Lai Của Các Phương Pháp Thống Kê

Các phương pháp thống kê sẽ tiếp tục đóng vai trò quan trọng trong việc phân tích dữ liệu và ra quyết định trong tương lai. Sự phát triển của công nghệ và phần mềm sẽ giúp cải thiện khả năng phân tích và dự báo.

6.1. Xu Hướng Phát Triển Trong Thống Kê

Sự phát triển của trí tuệ nhân tạo và học máy sẽ mang lại những thay đổi lớn trong cách thức phân tích và dự đoán dữ liệu.

6.2. Tầm Quan Trọng Của Đào Tạo Trong Thống Kê

Đào tạo và nâng cao kiến thức về thống kê cho nhân viên sẽ là yếu tố quyết định trong việc áp dụng hiệu quả các phương pháp thống kê.

Nội dung chính

TỔNG QUAN HỌC THUẬT: GIÁO TRÌNH PHƯƠNG PHÁP THỐNG KÊ VÀ PHÂN TÍCH DỮ LIỆU TRÊN EXCEL

---

Tổng quan về giáo trình (250-300 từ)

Giáo trình Phương pháp Thống kê thuộc khối kiến thức cơ sở ngành và chuyên ngành trong chương trình đào tạo bậc Đại học và Cao học các ngành Kinh tế, Quản trị kinh doanh, Tài chính - Ngân hàng, Hệ thống thông tin quản lý và Khoa học dữ liệu ứng dụng. Học phần cung cấp hệ thống kiến thức nền tảng và kỹ thuật xử lý dữ liệu định lượng, đặt trọng tâm vào việc khai thác công cụ bảng tính Microsoft Excel để giải quyết các bài toán thống kê thực nghiệm trong doanh nghiệp.

Mục tiêu học tập (Learning Outcomes) của giáo trình bao gồm:

1. Xác định và vận dụng chính xác hệ thống hàm thống kê mô tả từ cơ bản đến chuyên dụng để tóm tắt các đặc trưng đo lường của dữ liệu mẫu và tổng thể.
2. Thiết lập quy trình xử lý, tổng hợp và cấu trúc hóa dữ liệu lớn thông qua các công cụ Subtotal, Consolidate, và PivotTable.
3. Xây dựng và tính toán các mô hình dự báo chuỗi thời gian định lượng bằng kỹ thuật Trung bình trượt (Moving Average), San bằng mũ (Exponential Smoothing), và Phân tích hồi quy (Regression).
4. Thiết lập mô hình toán kinh tế và vận hành công cụ SOLVER để tìm phương án tối ưu có ràng buộc.

Giáo trình được cấu trúc thành ba mảng nội dung chính: Thống kê mô tả (Descriptive Statistics), Phân tích dự báo (Forecasting Analysis), và Phân tích tối ưu (Optimization Analysis). Điểm đặc thù của tài liệu là phương pháp tiếp cận trực quan hóa thao tác kỹ thuật: kết hợp công thức toán học với các bước thực thi hộp thoại lệnh (Data Analysis, Data Tools, Outline), định dạng cú pháp hàm và phân tích trực tiếp trên các bộ dữ liệu bán hàng, quản trị thực tế.

---

Nội dung kiến thức cốt lõi (500-600 từ)

Các chương/chủ đề chính

Nội dung giáo trình được triển khai qua 5 module chuyên đề chính:

                            TIẾN TRÌNH NỘI DUNG GIÁO TRÌNH
[Chuyên đề 1 & 2: Thống kê mô tả]     [Chuyên đề 3 & 4: Phân tích dự báo]      [Chuyên đề 5: Phân tích tối ưu]

1. Hàm thống kê mô tả thông dụng và chuyên dụng:

   • Nhóm hàm cơ bản: MIN, MAX, SUM, AVERAGE, COUNT, COUNTA, COUNTBLANK, RANK.
   • Nhóm hàm thống kê theo điều kiện đơn và đa điều kiện: SUMIF, SUMIFS, AVERAGEIF, AVERAGEIFS, COUNTIF, COUNTIFS.
   • Nhóm hàm thống kê chuyên dụng xác định số trung vị (MEDIAN), số yếu vị (MODE, MODE.SNGL, MODE.MULT), phương sai mẫu và tổng thể (VAR.S, VAR.P, VARA, VARPA), độ lệch chuẩn mẫu và tổng thể (STDEV.S, STDEV.P, STDEVA, STDEVPA).

2. Công cụ tự động hóa và tổng hợp dữ liệu đa chiều:

   • Descriptive Statistics: Trích xuất bảng 13 chỉ tiêu đặc trưng phân phối dữ liệu (Mean, Standard Error, Median, Mode, Standard Deviation, Sample Variance, Kurtosis, Skewness, Range, Minimum, Maximum, Sum, Count, Confidence Level).
   • Subtotal: Gom nhóm dữ liệu theo trường phân loại (At each change in) và áp dụng các phép tính tổng hợp trên cột giá trị.
   • Consolidate: Hợp nhất dữ liệu đa bảng theo vị trí cố định hoặc theo tiêu đề hàng/cột (Top row, Left column) kèm tùy chọn tạo liên kết dữ liệu nguồn (Create links to source data).
   • PivotTable: Tổng hợp dữ liệu đa chiều từ nguồn nội bộ hoặc kết nối cơ sở dữ liệu ngoài (MS Access, MS SQL Server), phân bổ trường vào 4 khu vực (FILTERS, ROWS, COLUMNS, VALUES) và điều chỉnh phép toán qua Value Field Settings.

3. Phương pháp dự báo chuỗi thời gian:

   • Trung bình trượt (Moving Average): Tính giá trị dự báo $F_t$ dựa trên trung bình các giá trị thực tế của $w$ kỳ trước đó ($F_t = \frac{1}{w}\sum_{n=1}^{w} D_{t-n}$). Khai báo tham số cửa sổ trượt Interval, xuất biểu đồ Chart Output và sai số chuẩn Standard Errors.
   • San bằng mũ (Exponential Smoothing): Điều chỉnh dự báo dựa trên giá trị kỳ trước kết hợp hệ số san bằng (Damping factor $1-a = 0.3$, với $0 \le a \le 1$).

4. Phân tích hồi quy và tương quan (Regression Analysis):

   • Nghiên cứu mô hình phụ thuộc tuyến tính $Y = f(X_1, X_2, \dots, X_n)$.
   • Hệ thống hàm tính toán: TREND (ngoại suy đường hồi quy), FORECAST (dự báo giá trị tương lai), INTERCEPT (hệ số chặn $a$), SLOPE (hệ số góc $b$), và CORREL (hệ số tương quan giữa $X$ và $Y$).
   • Trực quan hóa đường xu hướng (Add Trendline) dạng Linear, hiển thị phương trình hồi quy và hệ số xác định $R^2$ (R-squared value) trên biểu đồ Scatter.
   • Phân tích hồi quy nâng cao qua công cụ Data Analysis -> Regression.

5. Phân tích mô hình tối ưu hóa:

   • Phương pháp lập mô hình toán học: Xác định hàm mục tiêu (Objective Function), hệ biến quyết định (Changing Variable Cells), và hệ thống ràng buộc (Constraints).
   • Khai báo và giải bài toán tối ưu hóa thông qua công cụ SOLVER.

Kiến thức nền tảng được xây dựng

Giáo trình củng cố ba khối lý thuyết định lượng:

• Lý thuyết thống kê mô tả: Đo lường xu hướng tập trung (Mean, Median, Mode), đo lường độ biến thiên phân tán (Range, Variance, Standard Deviation), và hình dạng phân phối (Skewness biểu thị độ bất đối xứng, Kurtosis biểu thị độ nhọn).
• Nguyên lý phân tích dự báo: Kỹ thuật làm mịn chuỗi thời gian để triệt tiêu dao động ngẫu nhiên và phương pháp bình phương bé nhất (OLS - Ordinary Least Squares) trong thiết lập đường hồi quy mẫu.
• Quy hoạch tối ưu: Nguyên lý tìm cực trị hàm mục tiêu (Max/Min) thỏa mãn hệ phương trình và bất phương trình giới hạn nguồn lực.

Kỹ năng phát triển

• Kỹ năng kỹ thuật (Technical skills): Cú pháp hàm mảng (như Ctrl + Shift + Enter với MODE.MULT), cấu hình tham số trong bảng điều khiển Data Analysis, thiết lập cấu trúc trường dữ liệu đa chiều PivotTable, xây dựng báo cáo phân tầng Subtotal.
• Kỹ năng phân tích (Analytical skills): Đọc hiểu và phân tích ý nghĩa tham số kinh tế lượng, sai số chuẩn (Standard Error), hệ số tương quan tuyến tính $r$ và hệ số $R^2$, đánh giá độ lệch giữa số liệu mẫu và tổng thể.
• Kỹ năng ứng dụng thực tế (Practical competencies): Xử lý các nghiệp vụ dữ liệu thực tiễn như thống kê doanh số bán hàng theo nhân viên (Salesperson/Order Amount), tính toán định mức và dự báo sản lượng tiêu thụ hàng hóa (ví dụ: lượng tiêu thụ thịt Heo, thịt Bò tại siêu thị ABC).

---

Phương pháp giảng dạy và học tập (300-350 từ)

Giáo trình được thiết kế theo phương pháp sư phạm thực nghiệm (Data-Driven and Task-Based Learning), lấy bài toán thực tế làm trung tâm để dẫn dắt công thức lý thuyết và quy trình thao tác máy tính.

                                  QUY TRÌNH HỌC TẬP VÀ THỰC HÀNH

• Quy trình bài tập và thực hành (Practical Exercises): Mọi module đều được cấu trúc hóa theo 3 bước chuẩn:

  1. Bước 1: Chuẩn bị bảng số liệu (Định dạng kiểu dữ liệu số, phân định vùng nhãn cột và hàng).
  2. Bước 2: Kích hoạt công cụ hoặc nhập hàm (Chọn lệnh từ thanh Ribbon: Data -> Data Analysis, Data -> Outline -> Subtotal, Data -> Data Tools -> Consolidate, hoặc Insert -> PivotTable).
  3. Bước 3: Khai báo tham số và xuất kết quả (Cấu hình Input Range, Output Range, Interval, Damping factor, các tùy chọn nhãn Labels in First Row, Summary below data, Create links to source data).

• Nghiên cứu tình huống (Case Studies): Tài liệu tích hợp các tập dữ liệu mô phỏng hoạt động kinh doanh:

  • Bài toán phân tích tổng kết quả bán hàng theo nhóm nhân viên (Salesperson) để đánh giá hiệu suất kinh doanh qua công cụ Subtotal.
  • Bài toán tổng hợp số liệu chi nhánh độc lập có cấu trúc đồng nhất hoặc dị biệt thông qua Consolidate.
  • Bài toán thống kê phân phối sản lượng thịt heo bán ra trong tháng 03 tại hệ thống siêu thị ABC qua Descriptive Statistics.
  • Bài toán dự báo nhu cầu tiêu thụ thịt bò ngày tiếp theo dựa trên chuỗi dữ liệu lịch sử bằng Exponential Smoothing với hệ số $a = 0$ (cho kết quả dự báo 29 kg).

• Phương pháp đánh giá và tự học:

  • Đánh giá năng lực: Kiểm tra khả năng xử lý lỗi tính toán (như lỗi #N/A khi thiếu dữ liệu kỳ trước trong Moving Average hoặc khi dãy số không có giá trị lặp trong hàm MODE), tính chính xác trong khai báo đối số hàm điều kiện (SUMIFS, COUNTIFS), và kỹ năng thiết lập mô hình bài toán Solver.
  • Hướng dẫn tự học: Sinh viên thực hành trực tiếp trên tệp bảng tính mẫu, đối chiếu kết quả hàm đơn lẻ với kết quả trích xuất tự động từ hộp thoại Data Analysis để kiểm chứng độ chính xác thuật toán.

---

Điểm nổi bật và cập nhật (250-300 từ)

Tài liệu thể hiện tính chuẩn hóa và cập nhật kỹ thuật theo các tiêu chuẩn phân tích dữ liệu hiện đại trên nền tảng Microsoft Excel:

1. Chuẩn hóa hệ thống hàm số thống kê: Phân định rõ ràng giữa các hàm thống kê truyền thống và các hàm cập nhật theo chuẩn ISO của Excel:

   • Phân biệt hàm tính toán phương sai cho mẫu (VAR.S, VAR, VARA) và tổng thể (VAR.P, VARP, VARPA).
   • Phân biệt hàm tính độ lệch chuẩn cho mẫu (STDEV.S, STDEV, STDEVA) và tổng thể (STDEV.P, STDEVP, STDEVPA).
   • Cập nhật cú pháp hàm yếu vị đơn giá trị MODE.SNGL và đa giá trị MODE.MULT thay thế cho hàm MODE cũ.
   • Xử lý giá trị logic (True = 1, False = 0) và chuỗi ký tự (= 0) thông qua các biến thể hàm mở rộng ký tự A (VARA, VARPA, STDEVA, STDEVPA).

2. Mở rộng kết nối cơ sở dữ liệu doanh nghiệp:

   • PivotTable được cập nhật khả năng tích hợp nguồn dữ liệu đa dạng, cho phép kết nối trực tiếp với các hệ quản trị cơ sở dữ liệu ngoài như Microsoft Access và Microsoft SQL Server, không giới hạn trong bảng tính nội bộ.

3. Tích hợp đồng bộ phương pháp định lượng và trực quan hóa:

   • Kết hợp phương pháp giải tích (nhóm hàm INTERCEPT, SLOPE, TREND, FORECAST) với phương pháp trực quan hóa đồ thị phân tán (Scatter Plot) tích hợp tùy chọn hiển thị tức thời phương trình hồi quy tuyến tính và giá trị $R^2$.

---

Đối tượng sử dụng giáo trình (200-250 từ)

Tiêu chí	Mô tả chi tiết
Bậc đào tạo	Sinh viên năm 2, năm 3 bậc Đại học và học viên Cao học các ngành khối Kinh tế, Quản trị, Thống kê kinh doanh, Hệ thống thông tin.
Yêu cầu tiên quyết (Prerequisites)	- Kiến thức Tin học cơ sở (quản lý bảng tính, kiểu dữ liệu, địa chỉ ô tương đối/tuyệt đối). - Kiến thức Lý thuyết Thống kê cơ bản (khái niệm mẫu, tổng thể, trung bình, phương sai, hồi quy).
Phạm vi sử dụng của Giảng viên	- Sử dụng làm khung tài liệu giảng dạy học phần Phương pháp Thống kê / Phân tích Dữ liệu Ứng dụng. - Khai thác bộ bài tập mẫu (Subtotal, PivotTable, Regression, Solver) để xây dựng đề thi thực hành phòng máy.
Phạm vi tự học và tham khảo	- Tài liệu tra cứu cú pháp và tham số hộp thoại cho chuyên viên phân tích kinh doanh (Data/Business Analyst), kế toán, quản lý bán hàng. - Hướng dẫn chuẩn hóa quy trình xử lý báo cáo định kỳ trong doanh nghiệp.

---

Câu hỏi thường gặp (250-300 từ)

1. Giáo trình này phù hợp với ai?

Giáo trình phục vụ sinh viên đại học, học viên cao học chuyên ngành kinh tế, tài chính, quản trị kinh doanh, cũng như các chuyên viên đang làm công tác xử lý số liệu, phân tích dự báo kinh doanh cần tài liệu chuẩn hóa quy trình thao tác trên Excel.

2. Cần kiến thức nền nào trước khi học?

Người học cần có kỹ năng thao tác bảng tính cơ bản (nhập liệu, tham chiếu vùng địa chỉ) và nắm được các khái niệm thống kê học căn bản như kỳ vọng, trung bình, phương sai, độ lệch chuẩn và tương quan tuyến tính.

3. Điểm khác biệt của tài liệu này so với các giáo trình khác là gì?

Tài liệu liên kết trực tiếp giữa công thức toán - thống kê với 3 phương thức giải quyết trên máy tính: sử dụng hàm số (Functions), sử dụng công cụ phân tích tự động (Data Analysis Tools), và mô hình hóa trực quan (Charts & Solver).

4. Làm sao để tự học và kiểm soát các lỗi tính toán phổ biến?

Người học cần chú ý các quy tắc đối số: nhận diện lỗi #N/A khi dùng MODE (nếu không có số lặp) hoặc Moving Average (ở các dòng đầu do chưa đủ số kỳ $w$), kết thúc lệnh mảng bằng tổ hợp phím Ctrl + Shift + Enter đối với hàm MODE.MULT, và phân biệt chính xác tập dữ liệu mẫu (.S) với tổng thể (.P).

5. Có tài liệu và dữ liệu thực hành nào đi kèm giáo trình?

Giáo trình đi kèm hệ thống bài tập thực hành phòng máy với các bộ dữ liệu mô phỏng nghiệp vụ thực tế như: bảng dữ liệu bán hàng nhân viên (Salesperson), bảng số liệu tiêu thụ mặt hàng tại siêu thị ABC, và các tệp dữ liệu mẫu để thực hành liên kết cơ sở dữ liệu MS Access và MS SQL Server.

---

Kết luận (150 từ)

Giáo trình Phương pháp Thống kê cung cấp một hệ thống kiến thức hoàn chỉnh về xử lý dữ liệu định lượng, bao quát toàn bộ tiến trình từ thống kê mô tả, phân tích tổng hợp đa chiều, dự báo chuỗi thời gian cho đến quy hoạch tối ưu hóa.

Lộ trình học tập khuyến nghị:

1. Giai đoạn 1: Nắm vững cú pháp hệ thống hàm thống kê mô tả mẫu/tổng thể và hàm tính toán có điều kiện.
2. Giai đoạn 2: Thành thạo các công cụ tóm tắt và hợp nhất dữ liệu đa chiều (Subtotal, Consolidate, PivotTable).
3. Giai đoạn 3: Xây dựng mô hình dự báo định lượng (Moving Average, Exponential Smoothing, Regression) và phân tích tối ưu hóa với SOLVER.

Hệ thống tài liệu đi kèm các biểu mẫu thực hành thực tế tại phòng máy, phục vụ việc tra cứu cú pháp và ứng dụng giải quyết các bài toán phân tích dữ liệu kinh tế.

Trích đoạn nội dung tài liệu

BUỔI 2 PHƯƠNG PHÁP THỐNG KÊ NỘI DUNG ▪ Thống kê mô tả • Hàm, công cụ thống kê • Báo cáo tổng hợp nhóm với Subtotal • Hợp nhất dữ liệu với Consolidate • Tổng hợp dữ liệu đa chiều với PivotTable ▪ Phân tích dự báo • Trung bình trượt (Moving Average) • San bằng mũ (Exponential Smoothing) • Hồi quy (Regression) ▪ Phân tích tối ưu • Lập mô hình tối ưu • Sử dụng công cụ SOLVER để giải mô hình tối ưu THỐNG KÊ MÔ TẢ Hàm thống kê thông dụng Tên hàm Cú pháp và công dụng MIN MIN(danh-sách) : trả về giá trị nhỏ nhất của các số trong danh-sách Ví dụ: = MIN(6,4,2,8) → Kết quả: 2 MAX MAX(danh-sách) : trả về giá trị lớn nhất của các số trong danh-sách Ví dụ: = MAX(6,4,2,8) → Kết quả: 8 SUM SUM(x1 , x2 , … , xn): trả về tổng các số x1 , x2 , … , xn SUMIF SUMIF(vùng-chứa-điều-kiện, điều-kiện, [vùng-tính-tổng]): trả về tổng các ô trong vùng-tính-tổng tương ứng theo thứ tự với các ô trong vùng- chứa-điều-kiện thỏa điều-kiện. Nếu bỏ qua tham số vùng-tính-tổng nghĩa là vùng-tính-tổng = vùng-chứa-điều-kiện. SUMIFS SUMIFS(vùng-tính-tổng, vùng-chứa-điều-kiện-1,điều-kiện-1, [vùng-chứa- điều-kiện-2,điều-kiện-2],…) : trả về tổng các ô trong vùng-tính-tổng ứng với thứ tự các ô trong vùng-chứa-điều-kiện-1 thỏa điều-kiện-1 và các ô trong vùng-chứa-điều-kiện-2 thỏa điều-kiện-2,… Hàm thống kê thông dụng Tên hàm Cú pháp và công dụng AVERAGE AVERAGE(danh-sách): trả về giá trị trung bình của các số trong danh-sách. Ví dụ: = AVERAGE (6,4,2,8) → Kết quả: 5.75 AVERAGEIF AVERAGEIF(vùng-chứa-điều-kiện, điều–kiện, [vùng-tính-trung- bình]): trả về giá trị trung bình của các ô trong vùng-tính-trung- bình tương ứng theo thứ tự với các ô trong vùng-chứa-điều-kiện thỏa điều-kiện.

Nếu bỏ qua tham số vùng-tính-trung-bình nghĩa là vùng-tính-trung-bình = vùng-chứa-điều-kiện AVERAGEIFS AVERAGEIFS(vùng-tính-trung-bình,vùng-chứa-điều-kiện-1,điều- kiện-1, [vùng-chứa-điều-kiện-2,điều-kiện-2],…): trả về trung bình của các ô trong vùng-tính-trung-bình ứng với thứ tự các ô trong vùng-chứa-điều-kiện-1 thỏa điều-kiện-1 và các ô trong vùng-chứa- điều-kiện-2 thỏa điều-kiện-2,… Hàm thống kê thông dụng Tên hàm Cú pháp và công dụng COUNT COUNT(danh-sách): trả về số lượng các ô có kiểu số trong danh-sách Ví dụ: =COUNT(2,4,7, “A”) → Kết quả: 3 COUNTA COUNTA(danh-sách): trả về số lượng các ô có nội dung khác rỗng trong danh-sách. Ví dụ: =COUNTA(2,4,7, “A”) → Kết quả: 4 COUNTBLANK COUNTBLANK(danh-sách): trả về số lượng các ô có nội dung rỗng trong danh-sách. COUNTIF COUNTIF(vùng-chứa-điều-kiện, điều-kiện): trả về số lượng các ô trong vùng-chứa-điều-kiện thỏa điều-kiện. COUNTIFS COUNTIFS(vùng-chứa-điều-kiện-1, điều-kiện-1, [vùng-chứa-điều- kiện-2, điều-kiện-2],…) : trả về số lượng các ô trong vùng-chứa- điều-kiện-1 thỏa điều-kiện-1 và các ô trong vùng-chứa-điều-kiện-2 thỏa điều-kiện-2,… RANK RANK(ô, vùng, kiểu): trả về thứ tự xếp hạng của ô trong vùng; kiểu = 1: xếp hạng tăng dần, kiểu = 0 hoặc lờ đi: xếp hạng giảm dần Hàm thống kê chuyên dụng Tên hàm Cú pháp và công dụng COUNT COUNT(danh-sách): trả về số lượng các ô có kiểu số trong danh-sách Ví dụ: =COUNT(2,4,7, “A”) → Kết quả: 3 COUNTA COUNTA(danh-sách): trả về số lượng các ô có nội dung khác rỗng trong danh-sách.

Ví dụ: =COUNTA(2,4,7, “A”) → Kết quả: 4 COUNTBLANK COUNTBLANK(danh-sách): trả về số lượng các ô có nội dung rỗng trong danh-sách. COUNTIF COUNTIF(vùng-chứa-điều-kiện, điều-kiện): trả về số lượng các ô trong vùng-chứa-điều-kiện thỏa điều-kiện. 𝑛+1 • Nếu số phần tử N của dãy số là lẻ thì số trung vị là số ở vị trí thứ 2 • Nếu số phần tử N của dãy số là chẳn thì số trung vị là giá trị trung 𝑛 𝑛 bình của 2 số ở vị trí thứ 2 và 2 + 1 Cú pháp: MEDIAN(Số-thứ-1, Số-thứ-2,…) Trong đó: • Số-thứ-1: bắt buộc. • Số-thứ-2,…: tùy chọn.

Ví dụ: = MEDIAN(1,3,4,8,2) → Kết quả là 3 = MEDIAN(1,3,4,8,2,5) → Kết quả là 3.5 Hàm thống kê chuyên dụng Tên hàm Cú pháp và công dụng Số yếu vị Số yếu vị là số có tần số xuất hiện nhiều nhất trong một dãy số. Cú pháp: Có 3 cách dùng MODE(Số-thứ-1, Số-thứ-2,…) MODE.SNGL(Số-thứ-1, Số-thứ-2,…) Trong đó: • Số-thứ-1: bắt buộc. • Số-thứ-2,…: tùy chọn.