exce简单l函数简介

习题9 常用函数的用法
AVEDEV 函数
返回一组数据与其均值的绝对偏差的平均值，AVEDEV 用于评测这组数据的离散度。

AVEDEV(number1, [number2], ...)
Number1, number2, ... Number1 是必需的，后续数值是可选的。

这是用于计算绝对偏差平均值的一组参数。

平均偏差的公式为：
举例：
STDEV 函数
STDEV(number1,[number2],...])
Number1 必需。

对应于总体样本的第一个数值参数。

Number2, ... 可选。

对应于总体样本的 2 到 255 个数值参数。

也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

函数 STDEV 的计算公式如下：
其中 x 为样本平均值AVERAGE(number1,number2,…)，n 为样本大小。

举例：
STEYX 函数
返回通过线性回归法计算每个 x 的 y 预测值时所产生的标准误差。

标准误差用来度量根据单个 x 变量计算出的 y 预测值的误差量。

STEYX(known_y's, known_x's)
Known_y's 必需。

因变量数据点数组或区域。

Known_x's 必需。

自变量数据点数组或区域。

预测值 y 的标准误差计算公式如下：
其中 x 和 y 是样本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)，且 n 是样本大小。

实例：
VAR 函数
计算基于给定样本的方差。

VAR(number1,[number2],...])
Number1 必需。

对应于总体样本的第一个数值参数。

Number2, ... 可选。

对应于总体样本的 2 到 255 个数值参数。

函数 VAR 的计算公式如下：
其中 x 为样本平均值AVERAGE(number1,number2,…)，n 为样本大小。

CONFIDENCE 函数
使用正态分布返回总体平均值的置信区间。

CONFIDENCE(alpha,standard_dev,size)
Alpha 必需。

用于计算置信度的显著水平参数。

置信度等于 100*(1 - alpha)%，亦即，如果 alpha 为 0.05，则置信度为 95%。

Standard_dev 必需。

数据区域的总体标准偏差，假设为已知。

Size 必需。

样本容量。

布曲线之下的面积。

其面积值为±1.96。

因此置信区间为：
CORREL 函数
返回 array1 和 array2 单元格区域的相关系数。

使用相关系数确定两个属性之间的关系。

CORREL(array1, array2)
Array1 必需。

值的单元格区域。

Array2 必需。

值的第二个单元格区域。

相关系数的计算公式为：
是样本平均值 AVERAGE(array1) 和 AVERAGE(array2)。

示例
FORECAST 函数
根据已有的数值计算或预测未来值。

此预测值为基于给定的 x 值推导出的 y 值。

已知的数值为已有的 x 值和 y 值，再利用线性回归对新值进行预测。

可以使用该函数对未来销售额、库存需求或消费趋势进行预测。

FORECAST(x, known_y's, known_x's)
X 必需。

需要进行值预测的数据点。

Known_y's 必需。

因变量数组或数据区域。

Known_x's 必需。

自变量数组或数据区域。

函数 FORECAST 的计算公式为 a+bx，式中：
且其中 x 和 y 是样本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)。

示例
TREND 函数
返回一条线性回归拟合线的值。

即找到适合已知数组 known_y's 和 known_x's 的直线TREND(known_y's, [known_x's], [new_x's], [const])
Known_y's 必需。

关系表达式 y = mx + b 中已知的 y 值集合。

如果数组 known_y's 在单独一列中，则 known_x's 的每一列被视为一个独立的变量。

如果数组 known_y's 在单独一行中，则 known_x's 的每一行被视为一个独立的变量。

Known_x's 必需。

关系表达式 y = mx + b 中已知的可选 x 值集合。

实例：
GROWTH 函数
根据现有的数据预测指数增长值。

根据现有的 x 值和 y 值，GROWTH 函数返回一组新
的 x 值对应的 y 值。

可以使用 GROWTH 工作表函数来拟合满足现有 x 值和 y 值的指
数曲线。

GROWTH(known_y's, [known_x's], [new_x's], [const])
Known_y's 必需。

满足指数回归拟合曲线 y=b*m^x 的一组已知的 y 值。

Known_x's 可选。

满足指数回归拟合曲线 y=b*m^x 的一组已知的可选 x 值。

New_x's 可选。

需要通过 GROWTH 函数为其返回对应 y 值的一组新 x 值。

Const 可选。

一逻辑值，用于指定是否将常量 b 强制设为 1。

实例：
LINEST 函数
LINEST 函数可通过使用最小二乘法计算与现有数据最佳拟合的直线，来计算某直线的统计值，然后返回描述此直线的数组。

LINEST(known_y's, [known_x's], [const], [stats])
Known_y's 必需。

关系表达式 y = mx + b 中已知的 y 值集合。

Known_x's 可选。

关系表达式 y = mx + b 中已知的 x 值集合。

const 可选。

一个逻辑值，用于指定是否将常量 b 强制设为 0。

LINEST 函数使用最小二乘法来判定数据的最佳拟合。

当只有一个自变量 x 时，m
和 b 是根据下面的公式计算出的：
其中，x 和 y 是样本平均值；即，x = AVERAGE(known x's)，y = AVERAGE(known_y's)。

示例 1 - 斜率和 Y 轴截距
SLOPE 函数
返回根据 known_y's 和 known_x's 中的数据点拟合的线性回归直线的斜率。

斜率为直线上任意两点的重直距离与水平距离的比值，也就是回归直线的变化率。

SLOPE(known_y's, known_x's)
Known_y's 必需。

数字型因变量数据点数组或单元格区域。

Known_x's 必需。

自变量数据点集合。

回归直线的斜率计算公式如下：
INTERCEPT 函数
利用现有的 x 值与 y 值计算直线与 y 轴的截距。

截距为穿过已知的 known_x's 和known_y's 数据点的线性回归线与 y 轴的交点。

当自变量为 0（零）时，使用 INTERCEPT 函数可以决定因变量的值语法
INTERCEPT(known_y's, known_x's)
Known_y's 必需。

因变的观察值或数据的集合。

Known_x's 必需。

自变的观察值或数据的集合。

回归线 a 的截距公式为：
实例。