GAMMAINV เป็นฟังก์ชันเก่าที่ใช้หาค่า x จากความน่าจะเป็นของการแจกแจงแบบ Gamma ในปัจจุบันแนะนำให้ใช้ GAMMA.INV แทน
=GAMMAINV(probability, alpha, beta)
=GAMMAINV(probability, alpha, beta)
| Argument | Type | Required | Default | Description |
|---|---|---|---|---|
| probability | Number | Yes | ความน่าจะเป็นของการแจกแจงแบบ Gamma ต้องเป็นค่าระหว่าง 0 ถึง 1 | |
| alpha | Number | Yes | พารามิเตอร์รูปร่าง (shape parameter) ของการแจกแจงแบบ Gamma ต้องเป็นค่าบวก | |
| beta | Number | Yes | พารามิเตอร์มาตราส่วน (scale parameter) ของการแจกแจงแบบ Gamma ต้องเป็นค่าบวก |
GAMMAINV(0.05, 9, 2)=GAMMAINV(0.05, 9, 2)
11.109
GAMMAINV(0.5, 3, 1.5)=GAMMAINV(0.5, 3, 1.5)
4.405
GAMMAINV(0.95, 2, 0.5)=GAMMAINV(0.95, 2, 0.5)
3.457
GAMMA.INV(0.05, 9, 2)=GAMMA.INV(0.05, 9, 2)
11.109
GAMMAINV คือฟังก์ชันเก่า (legacy function) ในขณะที่ GAMMA.INV เป็นฟังก์ชันใหม่ที่ Microsoft แนะนำ ถ้าคุณเขียนสูตรใหม่ให้ใช้ GAMMA.INV ดีกว่า GAMMAINV ยังคงใช้ได้เพื่อความเข้ากันได้กับสูตรเก่า
alpha (รูปร่าง) และ beta (มาตราส่วน) เป็นพารามิเตอร์ของการแจกแจงแบบ Gamma ที่ปรับรูปร่างและขนาดของเส้นโค้ง ค่าทั้งคู่ต้องเป็นบวก ค่า alpha ที่เล็กหมายถึงการแจกแจงจะเบ้ไปทางขวา ค่า beta มากขึ้นจะทำให้ตัวเลขทั้งหมดมีค่าเพิ่มขึ้น
ความน่าจะเป็นต้องเป็นตัวเลขระหว่าง 0 ถึง 1 เท่านั้น ถ้าใส่ค่านอกช่วงนี้ ฟังก์ชันจะคืนค่าความผิดพลาด #NUM! ตัวอย่าง: 0.05 คือ 5%, 0.5 คือ 50%, 0.95 คือ 95%
GAMMAINV ใช้ในการวิเคราะห์สถิติเพื่อหาค่ากำหนด หรืออ้างอิง (percentile) ของการแจกแจง Gamma เช่น การวิเคราะห์ความน่าเชื่อถือ (reliability analysis) การศึกษาเวลาอายุชีวิต (lifetime analysis) หรือการสร้างแบบจำลองเวลาประมวลผล
ข้อผิดพลาด #NUM! มักเกิดเมื่อค่า probability อยู่นอกช่วง 0-1 หรือ alpha/beta เป็นค่าลบ ตรวจสอบว่าค่าทั้งหมดเป็นค่าบวกที่ถูกต้อง
GAMMAINV คือฟังก์ชันที่ใช้หาค่าผกผัน (inverse) ของการแจกแจงแบบ Gamma
ฟังก์ชันนี้ใช้ในการวิเคราะห์ทางสถิติเมื่อคุณรู้ความน่าจะเป็นแล้ว และต้องการหาค่า x ที่สอดคล้องกับความน่าจะเป็นนั้น เหมือนการทำงานแบบย้อนกลับจากการแจกแจง
แต่ที่ต้องระวังคือ GAMMAINV เป็นฟังก์ชันเก่า (legacy function) และ Microsoft แนะนำให้ใช้ GAMMA.INV แทน ฟังก์ชันใหม่นี้มีการปรับปรุงแล้ว เพิ่มความแม่นยำและความเสถียร