ARGO FUNCTIONS CHEAT SHEET
OP, RTA, AND VAL FUNCTIONS 

OP FUNCTIONS – These functions all start with ‘op’ and are designed to retrieve raw data or statistics from cells that have distributions or results defined 
in them.

Op(Distribution):  returns  the  probability  distribution  samples  as  an  opExpLossRation(Distribution):  returns  the  expected  loss  ratio  for  a 
array.  Distribution  is  an  Argo  probability  distribution  or  Results.  specified  indefinite  function.  Distribution  is  an  Argo  probability 
Deprecated – use OpData instead.  Distribution or Result. 

opAveDev(Distribution): returns the average of the absolute deviations  opExpValMargin(Distribution):  returns ExpGainRatio  – ExpLoss Ratio. 

of the probability distribution samples from their average. Distribution  Distribution is an Argo probability Distribution or Result. 
is an Argo probability Distribution or Result 
opFrequency(Distribution):  returns  how  often  samples  of  the 
opAverage(Distribution):  returns  the  average  of  the  probability  probability distribution occur within a range of values. Distribution is an 
distribution samples.  Argo probability Distribution or Result. Bin is an array of, or reference 
to, intervals to group the probability distribution’s samples. 
opCorr(Distribution,  Distribution,  Type[OPTIONAL]):  returns  the 
correlation  coefficient  between  two  probability  distribution  samples.  opKurt(Distribution): returns the kurtosis of the probability distribution 
Both  Distribution  parameters  are  Argo  probability  distributions  or  samples. Distribution is an Argo probability Distribution or Result. 
results. Type specifies the correlation method; True = Pearson (linear), 
False = Spearman (rank). Defaults to True if omitted.  opMax(Distribution):  returns  the  max  of  the  probability  distribution 
samples. Distribution is an Argo probability Distribution or Result. 
opCorrMat(Distributions,  Type[OPTIONAL]):  returns  the  matrix  of 
correlation  coefficients  for  two  or  more  probability  distributions.  opMedian(Distribution):  returns  the  median  of  the  probability 
Distribution is an Argo probability Distribution or Result. Type specifies  distribution samples. Distribution is an Argo probability Distribution or 
the  correlation  method;  True  =  Pearson  (linear),  False  =  Spearman  Result. 
(rank). Defaults to True if omitted.  opMin(Distribution):  returns  the  min  of  the  probability  distribution 
opCorrMatAdjusted(Matrixdefinition):  returns  the  adjusted  rank  samples. Distribution is an Argo probability Distribution or Result. 
correlation matrix. Returned matrix represents the nearest valid matrix  opMode(Distribution): returns the mode of the probability distribution 
to the defined matrix. The returned matrix will equal defined matrix if  samples. Distribution is an Argo probability Distribution or Result. 
defined  matrix  is  valid.  Matrixdefinition  is  a  cell  containing  a 
RtaCorrMatDefine formula.  opPercentile(Distribution): returns the kth percentile of the probability 
distribution samples. Distribution is an Argo probability Distribution or 
opCount(Distribution): returns the count of the probability distribution  Result. K is the kth percentile value; must be a value between 0 and 1 
samples. Distribution is an Argo probability Distribution or Result. 
opPercentInterval(Distribution, Lower, Upper): returns the percentage 
opCV(Distribution):  returns  the  coefficient  of  variation  of  the  of the distribution that falls in the provided range (Lower <= x <= Upper). 
probability  distribution  samples.  Distribution  is  an  Argo  probability  Distribution is an Argo probability Distribution or Result. Lower is the 
Distribution or Result.  lower value of the range. Upper is the upper value of the range. 
opData(Distribution, Orientation[OPTIONAL]): returns the probability  opPercentRank(Distribution,  X):  returns  the  rank  of  a  value  in  a 
distribution  samples  as  an  array.  Distribution  is  an  Argo  probability  probability  distribution’s  samples  as  a  percentage  of  the  samples. 
Distribution  or  Result.  Orientation  determines  the  orientation  of  the  Distribution is an Argo probability Distribution or Result. X is the value 
return array; True returns column array, False returns row array. True if  in question. 
omitted 
opRange(Distribution): returns the range of the probability distribution 
opExpGain(Distribution): returns the average of all values greater than  samples. Distribution is an Argo probability Distribution or Result. 
0 then multiplies the product by 1 – (percentage from 0) among all data. 
Distribution is an Argo probability Distribution or Result.  opSemiDev(Distribution,  Target,  Downside[OPTIONAL]):  returns  the 
semi deviation of the probability distribution samples. Distribution is an 
opExpGainRatio(Distribution):  returns  the  semi  variance  of  the  Argo  probability  Distribution  or  Result.  Target  is  the  threshold 
probability  distribution  samples.  Distribution  is  an  Argo  probability  delineating the scenarios that represent a risk. Downside is whether the 
Distribution or Result.  scenario of interest is below the target; True if below, False if above. 
opExpLoss(Distribution): returns the average of all values less than 0  Defaults to True if omitted. 
then multiplies the product by 1 – (percentage from 0) among all data.  opSemiVar(Distribution,  Target,  Downside[OPTIONAL]):  returns  the 
Distribution is an Argo probability Distribution or Result.  semi variance of the probability distribution samples. Distribution is an 
Argo  probability  Distribution  or  Result.  Target  is  the  threshold  an Argo probability Distribution or Result. N is the number of standard 
delineating the scenarios that represent a risk. Downside is whether the  deviations. 
scenario of interest is below the target; True if below, False if above. 
Defaults to True if omitted.  opSigmaProbDefectShift(Distribution,  Lower,  Upper,  Shift):  returns 
the  Probability  of  Defect  with  a  shift  outside  of  the  upper  and  lower 
opSigmaCP(Distribution,  Lower,  X):  returns  the  capability  of  the  limits. Distribution is an Argo probability Distribution or Result. Lower is 
process  around  a  target  value.  Distribution  is  an  Argo  probability  the smallest numbers that can belong to the different classes. Upper is 
Distribution or Result. Lower is the smallest numbers that can belong to  the largest numbers that can belong to the different classes. Shift is the 
the  different  classes.  X  is  the  largest  number  that  can  belong  to  the  shift value. 
different classes. 
opSigmaProbDefectShiftLower (Distribution, Lower, Shift): returns the 
opSigmaCPK(Distribution, Lower, Upper): returns what the process is  Probability of Defect, with a shift, outside of the lower limit. Distribution 
capable of producing if the process mean is not centered between the  is  an  Argo  probability  Distribution  or  Result.  Lower  is  the  smallest 
lower and upper limits. Distribution is an Argo probability Distribution  numbers that can belong to the different classes. Shift is the shift value. 
or  Result.  Lower  is  the  smallest  numbers  that  can  belong  to  the 
different classes. Upper is the largest numbers that can belong to the  opSigmaProbDefectShiftUpper  (Distribution,  Upper,  Shift):  returns 
different classes.  the  Probability  of  Defect,  with  a  shift,  outside  of  the  upper  limit. 
Distribution is an Argo probability Distribution or Result. Upper is the 
opSigmaCPKLower(Distribution, Lower): returns the one‐sided Process  largest numbers that can belong to the different classes. Shift is the shift 
Capability Index based on the lower specified limit. Distribution is an  value. 
Argo probability Distribution or Result. Lower is the smallest numbers 
that can belong to the different classes.  opSigmaSigmaLevel(Distribution,  Lower,  Upper,  Shift):  returns  the 
Process  Sigma  Level  with  a  shift.  Distribution  is  an  Argo  probability 
opSigmaCPKUpper(Distribution, Upper): returns the one‐sided Process  Distribution or Result. Lower is the smallest numbers that can belong to 
Capability Index based on the upper specified limit. Distribution is an  the different classes. Upper is the largest numbers that can belong to 
Argo  probability  Distribution  or  Result.  Upper  is  the  largest  numbers  the different classes. Shift is the shift value. 
that can belong to the different classes. 
opSigmaUpperbound(Distribution,  N):  returns  the  upper  bound  as  a 
opSigmaCPM(Distribution,  Lower,  Upper,  Target):  returns  the  specific number of standard deviations above the mean. Distribution is 
capability of the process around a target value. Distribution is an Argo  an Argo probability Distribution or Result. N is the number of standard 
probability Distribution or Result. Lower is the smallest numbers that  deviations. 
can belong to the different classes. Upper is the largest numbers that 
can belong to different classes. Target is the target value.  opSigmaYield(Distribution, Lower, Upper, Shift): returns the Six Sigma 
Yield, with a shift, or the fraction of the process that is free of defects. 
opSigmaDefectPPM(Distribution, Lower, Upper): returns the Defective  Distribution is an Argo probability Distribution or Result. Lower is the 
Parts  per  Million.  Distribution  is  an  Argo  probability  Distribution  or  smallest numbers that can belong to the different classes. Upper is the 
Result. Lower is the smallest numbers that can belong to the different  largest numbers that can belong to the different classes. Shift is the shift 
classes. Upper is the largest numbers that can belong to the different  value. 
classes. 
opSigmaZLower(Distribution,  N):  returns  the  number  of  standard 
opSigmaDefectShiftPPM(Distribution,  Lower,  Upper,  Shift):  returns  deviations of the process that the lower limit is below the mean of the 
the Defective Parts per Million with an added shift. Distribution is an  process. Distribution is an Argo probability Distribution or Result. N is 
Argo probability Distribution or Result. Lower is the smallest numbers  the number of standard deviations. 
that can belong to the different classes. Upper is the largest numbers 
that can belong to the different classes. Shift is the shift value.  opSigmaZMin(Distribution,  Lower,  Upper):  returns  the  minimum  of 
opSigmaZLower and opSigmaZUpper. Distribution is an Argo probability 
opSigmaDefectShiftPPMLower(Distribution, Lower, Shift): returns the  Distribution or Result. Lower is the smallest numbers that can belong to 
Defective Parts per Million with a shift below the lower specified limit.  the different classes. Upper is the largest numbers that can belong to 
Distribution is an Argo probability Distribution or Result. Lower is the  the different classes.  
smallest numbers that can belong to the different classes. . Shift is the 
shift value.  opSigmaZUpper(Distribution,  N):  returns  the  number  of  standard 
deviations of the process that the upper limit is above the mean of the 
opSigmaDefectShiftPPMUpper(Distribution, Upper, Shift): returns the  process. Distribution is an Argo probability Distribution or Result. N is 
Defective Parts per Million with a shift above the upper specified limit.  the number of standard deviations. 
Distribution is an Argo probability Distribution or Result. Upper is the 
largest numbers that can belong to the different classes. Shift is the shift  opSkew(Distribution):  returns  the  skewness  of  the  probability 
value.  distribution samples. Distribution is an Argo probability Distribution or 
Result.  
opSigmaK(Distribution,  Lower,  Upper):  returns  the  measure  of  the 
distribution  center.  Distribution  is  an  Argo  probability  Distribution  or  opStDev(Distribution):  returns  the  standard  deviation  of  the 
Result. Lower is the smallest numbers that can belong to the different  probability  distribution  samples.    Distribution  is  an  Argo  probability 
classes. Upper is the largest numbers that can belong to the different  Distribution or Result.  
classes.  opVar(Distribution): returns the variance of the probability distribution 
opSigmaLowerbound(Distribution,  N):  returns  the  lower  bound  as  a  samples.  Distribution is an Argo probability Distribution or Result.  
specific number of standard deviations below the mean. Distribution is 
 

2
RTA FUNCTIONS – These functions all start with ‘Rta’ and are used to define probability distributions in Argo.  

RtaBernoulli(Likelihood, Impact[OPTIONAL]): generates a distribution  RtaHypergeometric(Population  Successes,  Draws,  Population  Size): 

where  a  single  even  having  effect  ‘Impact’  occurring  with  chance  generates  a  discrete  probability  distribution  that  describes  the 
‘Likelihood’.  Likelihood  is  the  likelihood  of  success  for  a  single  event  probability of k successes in n draws without replacement from a finite 
(between  0.0  and  1.0  inclusive).  Impact  is  the  impact  of  the  event.  population  of  size  N  containing  exactly  K  successes.  Population 
Impact is optional and defaults to 1.0  Successes is the number of successes in population. Draws is the size of 
the  sample  taken  from  the  population.  Population  Size  is  size  of  the 
RtaBeta(Alpha, Beta, Min[], Max[OPTIONAL]): generates a continuous  population. 
probability  distribution  often  applied  to  modeling  proportions  and 
percentages.  Alpha  is  a  shape  parameter,  greater  than  0.0.  Beta  is  a  RtaInvChiSquared(Dof,  Scale[OPTIONAL]):  generates  a  continuous 
shape  parameter,  greater  than  0.0.  Min  is  the  minimum  value  in  the  probability  distribution  of  a  random  variable  whose  multiplicative 
distribution. Min is optional and defaults to 0.0. Max is the minimum  inverse has a chi‐squared distribution. Dof is the degrees of freedom of 
value in the distribution. Max is optional and defaults to 1.0.  the  chi‐squared  distribution  (integer  greater  than  0).  Scale  is  the 
dispersion of the distribution (greater than 0.0). Scale is optional and 
RtaBetaPert(Min,  Mode,  Max):  generates  a  continuous  probability  defaults to 1/Dof is omitted. 
distribution  for  the  ease  of  modeling  expert  opinion.  Min  is  the 
minimum value in the distribution. Mode is the most likely value in the  RtaInvGamma(Alpha,  Beta):  generates  a  continuous  probability 
distribution. Max is the maximum value in the distribution.  distribution  of  a  random  variable  whose  multiplicative  inverse  has  a 
gamma distribution. Alpha is the shape parameter (greater than 0.0). 
RtaBinomial(Trials,  Likelihood):  generates  a  discrete  probability  Beta is the measure of dispersion of the distribution (greater than 0.0). 
distribution for the number of successes in a sequence of independent 
Bernoulli  experiments.  Trials  is  the  number  of  experiments  in  the  RtaInvNormal(Mean,  Scale):  generates  a  continuous  probability 
sequence of experiments. Likelihood is the likelihood of success for a  distribution of a random variable that describes the distribution of the 
single experiment (between 0.0 and 1.0 inclusive)  time  a  Brownian  Motion  with  positive  drift  takes  to  reach  a  fixed 
positive level. Mean is the mean of the distribution. Scale is the measure 
RtaCauchy(Location, Scale): generates a continuous distribution that is  of dispersion of the distribution (greater than 0.0). 
often  used  to  model  the  ratio  of  two  independent  standard  normal 
random variables. Location is the location of the peak of the distribution.  RtaLaplace(Location, Scale): generates a continuous distribution often 
Scale is the dispersion of the distribution (greater than 0.0).  used  to  model  the  difference  between  two  independent,  identically 
distributed (i.i.d.) exponential random variables. Location is the location 
RtaChiSquared(Dof): generates a continuous distribution that is often  of the peak of the distribution. Scale is the measure of dispersion of the 
used  to  model  a  sum  of  the  squares  of  ‘Dof’  independent  standard  distribution (greater than 0.0). 
normal random variables. Dof (degrees of freedom) is the number of 
sum of squares modeled by this distribution (integer greater than 0)  RtaLogistic(Location, Scale): generates a continuous distribution with 
cumulative  distribution  function  (CDF)  equal  to  the  logistic  function; 
RtaCorrMatDefine(MatrixRange,  MatrixName,  LowerTriangular):  resembles  the  normal  distribution  in  shape  but  has  heavier  tails. 
Defines a rank correlation matrix and returns matrix name if input is a  Location  is  the  location  of  the  peak  of  the  distribution.  Scale  is  the 
valid correlation matrix. If input is not valid, the nearest valid matrix is  measure of dispersion of the distribution (greater than 0.0). 
automatically determined and applied in the model. MatrixRange is an 
excel  range  containing  rank  correlation  coefficients.  MatrixName  is  a  RtaLogNormal(Mean,  StDev):  generates  a  continuous  probability 
unique  name  for  the  matrix.  LowerTriangular  is  True  is  the  matrix  is  distribution  of  a  random  variable  whose  logarithm  is  normally 
lower triangular and False otherwise. Lower Triangular is optional and  distributed.  Mean  is  the  mean  of  the  distribution.  StDev  is  the 
defaults to True if omitted.  dispersion of the distribution (greater than 0.0). 

RtaExponential(Rate): generates a continuous distribution often used  RtaNegBinomial(Successes,  Likelihood):  generates  a  discrete 

to  model  the  time  between  events  in  a  poisson  process.  Rate  is  the  probability distribution of a random variable that models the number 
inverse  scale  parameter  specifying  the  dispersion  of  the  distribution  of successes in a sequence of Bernoulli experiments before a specified 
(greater than 0.0).  number of failures occurs. Successes is the total number of successes 
(integer  greater  than  0).  Likelihood  is  the  likelihood  of  success  for  a 
RtaExtremeValue(Location, Scale): generates a continuous distribution  single experiment (between 0.0 and 1.0). 
often used to model the limit distribution of maxima of a sequence of 
independent, identically distributed (i.i.d.) random variables. Location  RtaNonCentralBeta(Alpha,  Beta,  Lambda):  generates  a  continuous 
is the location of the peak of the distribution. Scale is the dispersion of  distribution  defined  as  the  ratio   where   is  a 

the distribution (greater than 0.0) 
noncentral  random variable with m degrees of freedom, and   is a 
RtaFisherF(Dof1, Dof2): generates a continuous distribution often used  central   random  variable  with  n  degrees  of  freedom.  Alpha  is  the 
to model the ratio of two independent chi squared random variables.  shape  of  the  distribution  (greater  than  0.0).  Beta  specifies  the 
Dof1 is the degrees of freedom of the numerator chi squared random  dispersion  of  the  distribution  (greater  than  0.0).  Lambda  is  the  non‐
variable (integer greater than 0). Dof2 is the degrees of freedom of the  centrality parameter (greater than 0.0). 
denominator chi squared random variable (integer value greater than 
0)  RtaNonCentralChiSquared(Dof,  Lambda):  generates  a  continuous 
distribution that often arises in the power analysis of statistical tests in 
RtaGamma(Alpha,  Beta):  generates  a  continuous  probability  which  the  null  distribution  is  a  chi‐squared  distribution.  Dof  is  the 
distribution often applied to modeling waiting times. Alpha is the shape  degrees  of  freedom  (integer  greater  than  0).  Lambda  is  the  non‐
parameter (greater than 0.0). Beta is the scale parameter specifying the  centrality parameter (greater than or equal to 0.0) 
dispersion of the distribution (greater than 0.0) 
RtaNonCentralFisherF(Dof1,  Dof2,  Lambda):  generates  a  continuous 
RtaGeometric(Likelihood): generates a discrete probability distribution  distribution of the test statistic in ANOVA where the null hypothesis is 
often used to model the number of Bernoulli experiments needed to  false.  Dof1  is  the  degrees  of  freedom  of  the  numerator  chi  squared 
achieve one success. Likelihood is the likelihood of success for a single  random variable (integer > 0). Dof2  is the degrees  of freedom  of the 
experiment (between 0.0 and 1.0)  denominator  chi  squared  random  variable  (integer  greater  than  0). 
Lambda is the non‐centrality parameter (greater than or equal to 0.0). 
3
 
RtaNonCentralStudent(Dof,  Lambda):  generates  a  continuous  RtaStudent(Dof): generates a continuous distribution that arises when 
distribution that is a generalization of the Students T Distribution. Dof  estimating the mean of a normally distributed population in situations 
is the degrees of freedom (integer greater than 0). Lambda is the non‐ where  the  sample  size  is  small  and  population  standard  deviation  is 
centrality parameter (greater than or equal to 0.0).  unknown. Dof is the degrees of freedom (integer greater than 0). 

RtaNormal(Mean,  StDev):  generates  a  symmetric  continuous  RtaTriangular(Min,  Mode,  Max):  generates  a  continuous  probability 
distribution that is often used to model the sum of many independent  distribution  used  for  modeling  expert  opinion.  Min  is  the  minimum 
random  variables.  Mean  is  the  mean  parameter  of  the  distribution.  value  in  the  distribution.  Mode  is  the  most  likely  value  in  the 
StDev is the measure of the dispersion of the distribution.  distribution. Max is the maximum value of the distribution.  

RtaPareto(Scale,  Shape):  generates  a  continuous  power  law  RtaTriangularAlt(Min,  Mode,  Max,  MinPercentile,  MaxPercentile): 
distribution often used to describe the larger compared to the smaller.  generates  a  continuous  probability  distribution  used  for  modeling 
Scale is the dispersion of the distribution (greater than 0.0). Shape is the  expert  opinion  taking  over‐  and  under‐estimation  into  consideration. 
shape of the distribution (greater than 0.0).  Min is the minimum value in the distribution. Mode is the most likely 
value in the distribution. Max is the maximum value of the distribution. 
RtaPoisson(Rate):  generates  a  discrete  distribution  describing  the  MinPercentile  is  the  perceived  percentile  of  the  expert‐provided 
probability of a given number of events occurring in a fixed interval of  minimum  value.  MaxPercentile  is  the  perceived  percentile  of  the 
time and/or space if these events occur with a known average rate and  expert‐provided maximum value. 
independently of the time since the last event. Rate is the average rate 
of time between event occurrences.  RtaTriGen(Min,  Mode,  Max,  Captured‐uncertainty):  an  alternative 
Triangular distribution; generates a continuous probability distribution 
RtaRayleigh(Sigma): generates a continuous distribution often used to  used  for  modeling  expert  opinion  taking  over‐  and  under‐estimation 
model two orthogonal components that have an absolute value. Sigma  into consideration.  Min is the minimum value in the distribution. Mode 
is the shape parameter (greater than 0.0).  is the most likely value in the distribution. Max is the maximum value of 
RtaResult(Function, Name): Argo function that captures the results of  the distribution. Captured‐uncertainty is the percentage of uncertainty 
a  function  or  cell  value.  Function  is  the  function  of  a  distribution,  or  captured between the min and max value (between 0.0 and 1.0). 
another function that depends on a distribution. Name is the name that  RtaUniform(Min,  Max):  generates  a  continuous  distribution  that 
should be stored for this result. Name is optional and will be blank if  models all values in a range as equally likely. Min is the minimum value 
omitted.  of the distribution. Max is the maximum value of the distribution. 
RtaSkewNormal(Location,  Scale,  Shape):  generates  a  continuous  RtaUniformDiscrete(Min, Max): generates a discrete distribution that 
distribution  that  is  a  variation  of  the  normal  distribution  with  a  models all values in a range as equally likely. Min is the minimum value 
noncentrality  parameter.  Location  is  the  location  of  the  distribution  of the distribution. Max is the maximum value of the distribution. 
(greater  than  0.0).  Scale  specifies  the  dispersion  of  the  distribution 
(greater than 0.0). Shape is the shape of the distribution (greater than  RtaWeibull(Shape,  Scale):  generates  a  continuous  distribution  often 
0.0).  used to model failure rates that vary over time. Shape is the shape of 
the  distribution  (greater  than  0.0).  Scale  is  the  dispersion  of  the 
distribution (greater than 0.0). 

VAL FUNCTIONS – These functions all start with ‘val’ and are designed to change the behavior of the distribution or result functions in Argo.

ValCorrMatApply(MatrixDefinition, Position): an additional parameter  ValPointEstimate(PointEstimate): an additional parameter that forces 
that  includes  this  distribution  in  a  defined  rank  correlation  matrix.  the RTA function to return a single value to the worksheet instead of a 
MatrixDefinition  is  a  cell  containing  a  RtaCorrMatDefine  formula.  random draw. PointEstimate is the real number value to be returned by 
Position is this distribution’s index in the rank correlation matrix.  the function to the worksheet. 

ValLikelihood(Likelihood):  an  additional  parameter  that  specifies  the  ValShift(Shift): an additional parameter that shifts the uncertain input’s 

uncertain input’s likelihood of occurrence. Likelihood is the likelihood  location along the unit axis. Shift is the real number value to shift the 
that the uncertain input will occur (between 0.0 and 1.0).  location of the uncertain input. 

ValLowerBound(Lowerbound): an additional parameter that specifies  ValUpperBound(Upperbound): an additional parameter that specifies 
the  uncertain  input’s  lowerbound.  Lowerbound  is  the  real  number  the  uncertain  input’s  upperbound.  Upperbound  is  the  real  number 
lowerbound of the uncertain input.   upperbound of the uncertain input. 

ValName(Name): an additional parameter that specifies the uncertain 
input’s name. Name is the name of the uncertain input.