BETA.INVERSE.N (BETA.INV en anglais) calcule les quantiles (percentiles) de la distribution Beta. Tu lui donnes une probabilité, elle te retourne la valeur x telle que P(X ≤ x) = cette probabilité pour une loi Beta de paramètres alpha et beta. C'est la fonction inverse de LOI.BETA.N.
Elle est particulièrement utile pour construire des intervalles de crédibilité bayésiens sur des proportions : taux de conversion, taux de défaut, probabilité de succès. Si tu es growth manager et que tu veux dire « il y a 95 % de probabilité que le vrai taux de conversion soit entre X et Y », c'est BETA.INVERSE.N qui calcule X et Y.
Syntaxe de la fonction BETA.INVERSE.N
=BETA.INVERSE.N(probabilité; alpha; beta; [A]; [B])La probabilité doit être strictement entre 0 et 1 (exclu). alpha et beta doivent être strictement positifs. Si tu omets A et B, le résultat est entre 0 et 1.
Comprendre chaque paramètre de la fonction BETA.INVERSE.N
Les cinq arguments arrivent dans cet ordre : d'abord la probabilité que tu cherches, puis les deux paramètres de forme alpha et beta, et enfin les bornes facultatives A et B. Attention à ne pas intervertir alpha et beta : tu obtiendrais une distribution miroir avec une moyenne complètement différente.
Seuls A et B sont facultatifs, et tu dois les fournir ensemble. Sans eux, le résultat tombe entre 0 et 1, ce qui n'a de sens que pour une proportion : dès que ta variable est une durée ou un montant, tu dois les préciser.
probabilité
: la probabilité cumulée P(X ≤ x) pour laquelle tu cherches la valeur xCe nombre doit être strictement compris entre 0 et 1, 0 et 1 exclus. Par exemple, 0,5 retourne la médiane, 0,95 retourne le 95e percentile.
Pour construire un intervalle de crédibilité à 95 %, tu appelles la fonction deux fois : avec 0,025 pour la borne inférieure et avec 0,975 pour la borne supérieure.
Attention : Une probabilité égale à 0 ou à 1 (ou hors de l'intervalle) déclenche l'erreur #NOMBRE!. Vérifie que ta cellule contient bien une valeur strictement entre 0 et 1.
alpha
: le premier paramètre de forme de la distribution BetaDoit être strictement positif. En interprétation bayésienne, alpha - 1 représente le nombre de succès observés quand le prior est uniforme.
Si alpha > beta, la distribution est asymétrique à droite (les grandes valeurs sont plus probables). Si alpha = beta, elle est symétrique.
Astuce : Mnémotechnique : alpha = succès + 1, beta = échecs + 1. Une Beta(11, 4) correspond à 10 succès et 3 échecs observés avec un prior uniforme.
beta
: le second paramètre de forme de la distribution BetaDoit être strictement positif. En interprétation bayésienne, beta - 1 représente le nombre d'échecs observés quand le prior est uniforme.
Si alpha < beta, la distribution favorise les petites valeurs (borne gauche). La moyenne de la distribution est alpha / (alpha + beta).
Attention : Inverser alpha et beta change radicalement la distribution. Si tu observes 10 succès et 3 échecs, alpha = 11 et beta = 4, pas l'inverse. Un échange donne une distribution miroir avec une moyenne totalement différente.
[A]
: la borne inférieure de l'intervalle (par défaut `0`)(facultatif)Permet de transformer la distribution Beta standard [0, 1] en distribution sur [A, B]. La valeur A doit être strictement inférieure à B.
C'est utile quand ta variable n'est pas une proportion pure mais une grandeur bornée : temps de réponse entre 100 ms et 5 000 ms, durée de projet entre 10 et 40 jours.
[B]
: la borne supérieure de l'intervalle (par défaut `1`)(facultatif)Le résultat de la fonction sera une valeur entre A et B calculée par A + (B - A) × valeur_Beta_standard.
N'oublie pas de spécifier A et B ensemble quand ta variable vit sur un intervalle autre que [0, 1] : un oubli donnerait un résultat entre 0 et 1 qui n'aurait aucune signification dans tes unités métier.
Astuce : Si tu modélises une durée de projet entre 10 et 40 jours, =BETA.INVERSE.N(0,5; 3; 5; 10; 40) te retourne directement la médiane en jours, sans conversion manuelle.
Exemples pratiques pas à pas
Growth manager : intervalle de crédibilité pour un taux de conversion
Tu es growth manager et tu viens de lancer une nouvelle landing page. Sur 150 visiteurs, 18 ont converti (12 %). Avant ce test, tu avais une croyance modérée que le taux serait autour de 10 % (prior Beta(10, 90)). Tu veux construire un intervalle de crédibilité bayésien à 95 % pour le vrai taux de conversion.
La distribution postérieure combine le prior et les nouvelles observations : Beta(10 + 18, 90 + 132) = Beta(28, 222). Les quantiles 2,5 % et 97,5 % de cette distribution forment l'intervalle. Concrètement, tu peux dire : « il y a 95 % de probabilité que le vrai taux de conversion soit entre 7,82 % et 15,11 %. » L'estimation ponctuelle (moyenne postérieure) est 11,2 %. Cette analyse intègre à la fois tes connaissances préalables et les observations nouvelles.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre | Valeur | Formule |
| 2 | Prior alpha | 10 | Croyance initiale : ~10 succès |
| 3 | Prior beta | 90 | Croyance initiale : ~90 échecs |
| 4 | Conversions observées | 18 | Succès dans le test |
| 5 | Non-conversions | 132 | =150-18 |
| 6 | Posterior alpha | 28 | =B2+B4 |
| 7 | Posterior beta | 222 | =B3+B5 |
| 8 | Borne inf IC 95 % | 0,0782 | =BETA.INVERSE.N(0,025;B6;B7) |
| 9 | Borne sup IC 95 % | 0,1511 | =BETA.INVERSE.N(0,975;B6;B7) |
| 10 | Estimation ponctuelle | 0,1120 | =B6/(B6+B7) |
=BETA.INVERSE.N(0,025; 28; 222)Astuce de pro : Pour comparer deux variantes A/B, construis un intervalle de crédibilité pour chacune et vérifie si les intervalles se chevauchent. Si l'intervalle de B est entièrement au-dessus de celui de A, la variante B est statistiquement supérieure.
Chef de projet : estimation de durée par percentiles
Tu es chef de projet et tu dois estimer la durée d'une phase de développement. Basé sur ton expérience, cette phase prend entre 10 et 40 jours, avec la durée la plus probable autour de 20 jours. Tu utilises une distribution Beta avec bornes personnalisées (A = 10, B = 40) pour calculer des percentiles et communiquer l'incertitude à ta direction.
Avec alpha = 3 et beta = 5 (distribution légèrement asymétrique vers les durées courtes), et les bornes A = 10, B = 40, tu obtiens la durée médiane à 21 jours. Pour un planning conservateur (90 % de chances d'être dans les temps), il faut prévoir 30 jours. L'écart entre le 10e et le 90e percentile (15 jours) quantifie objectivement ton incertitude pour la présenter au comité de pilotage.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Percentile | Formule | Durée (jours) | Interprétation |
| 2 | 10 % | =BETA.INVERSE.N(0,10; 3; 5; 10; 40) | 14,52 | Scénario optimiste |
| 3 | 25 % (Q1) | =BETA.INVERSE.N(0,25; 3; 5; 10; 40) | 17,63 | |
| 4 | 50 % (Médiane) | =BETA.INVERSE.N(0,50; 3; 5; 10; 40) | 21,41 | Scénario moyen |
| 5 | 75 % (Q3) | =BETA.INVERSE.N(0,75; 3; 5; 10; 40) | 25,59 | |
| 6 | 90 % | =BETA.INVERSE.N(0,90; 3; 5; 10; 40) | 29,67 | Scénario pessimiste |
| 7 | 95 % | =BETA.INVERSE.N(0,95; 3; 5; 10; 40) | 32,13 | Marge de sécurité |
=BETA.INVERSE.N(0,50; 3; 5; 10; 40)Responsable qualité : seuil de décision sur un taux de défaut
Tu supervises la qualité d'une ligne de production. Sur 500 pièces contrôlées, 15 présentaient un défaut (3 %). Tu veux déterminer un seuil tel qu'il n'y ait que 5 % de chances que le vrai taux de défaut le dépasse, pour décider si la ligne nécessite un recalibrage.
Avec un prior non-informatif Beta(0,5, 0,5) (prior de Jeffreys), la distribution postérieure est Beta(15,5, 485,5). Le 95e percentile vaut 4,65 %. Règle de décision : si ta spécification exige moins de 5 % de défauts, la ligne est conforme. Si un lot futur dépasse ce seuil, une investigation est justifiée. Cette approche bayésienne est plus robuste qu'un simple ratio 15/500 = 3 % car elle quantifie l'incertitude liée à la taille d'échantillon.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre | Valeur | Description |
| 2 | Prior alpha | 0,5 | Prior de Jeffreys (non-informatif) |
| 3 | Prior beta | 0,5 | Prior de Jeffreys (non-informatif) |
| 4 | Défauts observés | 15 | |
| 5 | Pièces conformes | 485 | |
| 6 | Posterior alpha | 15,5 | =B2+B4 |
| 7 | Posterior beta | 485,5 | =B3+B5 |
| 8 | Seuil 95 % | 0,0465 | =BETA.INVERSE.N(0,95; B6; B7) |
| 9 | En pourcentage | 4,65 % | =B8*100 |
=BETA.INVERSE.N(0,95; 15,5; 485,5)Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction BETA.INVERSE.N
Deux familles de soucis : les arguments hors limites, qui renvoient une vraie erreur, et les erreurs de raisonnement, qui te donnent un nombre… mais le mauvais. Côté valeurs, une probabilité égale à 0 ou 1, ou un alpha/beta nul ou négatif, déclenche #NOMBRE!, tandis qu'un argument texte ou une cellule vide donne #VALEUR!.
Les pièges silencieux sont plus traîtres : intervertir alpha et beta te sort une distribution miroir, et oublier les bornes A et B sur une durée te rend un nombre entre 0 et 1 au lieu de jours.
Erreur #NOMBRE! sur la probabilité
La probabilité doit être strictement entre 0 et 1. Une valeur de 0, de 1, négative, ou supérieure à 1 déclenche #NOMBRE!. De même, alpha ou beta égaux à 0 ou négatifs produisent cette erreur.
Solution : Vérifie que ta cellule contient bien une valeur dans ]0 ; 1[. Si tu passes 0,025 pour une borne d'intervalle, assure-toi que la cellule n'a pas été arrondie à 0. Vérifie aussi que alpha et beta sont strictement positifs.
Erreur #VALEUR! sur les arguments
Un argument non numérique (cellule vide, texte, formule renvoyant une erreur) déclenche #VALEUR!. Par exemple, =BETA.INVERSE.N("moitié"; 2; 3) est invalide.
Solution : Assure-toi que toutes les cellules référencées contiennent bien des nombres. Utilise =ESTERREUR() ou =SIERREUR() pour diagnostiquer les cellules problématiques avant de les passer à BETA.INVERSE.N.
Inverser alpha et beta et obtenir une distribution miroir
Inverser alpha et beta produit une distribution symétrique dans l'intervalle. Si alpha = 2, beta = 5, la distribution favorise les petites valeurs (moyenne = 0,29). Si alpha = 5, beta = 2, elle favorise les grandes valeurs (moyenne = 0,71).
Solution : Mémorise la règle : alpha = succès + 1, beta = échecs + 1. Si tu as observé 10 succès et 3 échecs, alpha = 11 et beta = 4. Vérifie que la médiane calculée est cohérente avec tes données avant d'utiliser le résultat.
Oublier les bornes A et B et obtenir un résultat entre 0 et 1
Si tu modélises une variable sur un intervalle autre que [0, 1] (durée en jours, montant en euros) et que tu omets A et B, le résultat est entre 0 et 1, ce qui n'a aucune signification dans tes unités métier.
Solution : Spécifie toujours A et B quand ta variable ne vit pas sur [0, 1]. Par exemple, pour une durée entre 10 et 40 jours : =BETA.INVERSE.N(0,5; 3; 5; 10; 40) retourne directement 21,41 jours.
Questions fréquentes sur la fonction BETA.INVERSE.N
Qu'est-ce que la distribution Beta et pourquoi est-elle utile pour modéliser des proportions ?
La distribution Beta est définie sur l'intervalle [0, 1], ce qui la rend naturellement adaptée pour modéliser des proportions, des probabilités ou tout phénomène borné. Ses paramètres alpha et beta contrôlent la forme : si alpha = beta, la distribution est symétrique ; si alpha > beta, elle favorise les grandes valeurs ; si alpha < beta, elle favorise les petites.
Cette flexibilité te permet de modéliser des taux de conversion, des proportions de défauts, ou des probabilités de succès avec une distribution qui reflète réellement tes données.
Comment utiliser BETA.INVERSE.N dans le cadre de l'inférence bayésienne ?
En statistiques bayésiennes, la distribution Beta est le conjugué naturel de la loi binomiale. Si tu pars d'un prior Beta(alpha0, beta0) et que tu observes k succès sur n essais, ta posterior est Beta(alpha0 + k, beta0 + n - k).
BETA.INVERSE.N te permet alors de calculer des intervalles de crédibilité : pour un intervalle à 95 %, tu calcules =BETA.INVERSE.N(0,025; alpha; beta) pour la borne inférieure et =BETA.INVERSE.N(0,975; alpha; beta) pour la borne supérieure.
À quoi servent les paramètres A et B optionnels ?
A et B permettent de transformer une distribution Beta standard (sur [0, 1]) en une distribution sur un intervalle quelconque [A, B]. C'est utile quand ta variable n'est pas une proportion pure mais une grandeur bornée.
Par exemple, si tu modélises un temps de réponse entre 100 ms et 5 000 ms, utilise A = 100 et B = 5000. Le résultat de BETA.INVERSE.N sera directement dans les bonnes unités, sans conversion.
Comment interpréter les paramètres alpha et beta ?
Tu peux interpréter alpha et beta comme des pseudo-observations : alpha - 1 représente le nombre de succès observés, et beta - 1 le nombre d'échecs. Par exemple, Beta(11, 4) correspond à 10 succès et 3 échecs.
La moyenne est alpha / (alpha + beta), donc Beta(11, 4) a une moyenne de 11/15 = 0,73. Plus alpha + beta est grand, plus la distribution est concentrée autour de cette moyenne (faible variance).
Quelle est la différence entre BETA.INVERSE.N et LOI.BETA.N ?
Ces deux fonctions sont inverses l'une de l'autre. LOI.BETA.N calcule la probabilité cumulée P(X ≤ x) : tu donnes une valeur x et tu obtiens une probabilité. BETA.INVERSE.N fait l'inverse : tu donnes une probabilité et tu obtiens la valeur x correspondante.
Utilise LOI.BETA.N pour savoir « quelle est la probabilité d'être en dessous de cette valeur ? », et BETA.INVERSE.N pour savoir « quelle valeur correspond au Xe percentile ? »
Pour aller plus loin
Bloqué sur une formule Excel ?
Pose ta question à notre assistant Excel IA, il te sort la bonne formule en quelques secondes.
Essayer l'assistant IAGratuit · 10 questions par mois