{"id":7970,"date":"2026-10-14T18:02:18","date_gmt":"2026-10-14T18:02:18","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-utiliser-la-distribution-triangulaire-dans-excel-avec-exemples\/"},"modified":"2026-10-14T18:02:18","modified_gmt":"2026-10-14T18:02:18","slug":"comment-utiliser-la-distribution-triangulaire-dans-excel-avec-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-utiliser-la-distribution-triangulaire-dans-excel-avec-exemples","title":{"rendered":"Comment utiliser la distribution triangulaire dans Excel (avec exemples)"},"content":{"rendered":"

La mod\u00e9lisation stochastique et l’ing\u00e9nierie de la d\u00e9cision financi\u00e8re reposent historiquement sur la quantification rigoureuse des al\u00e9as. Dans les environnements corporatifs contemporains, les analystes de risques, les gestionnaires de portefeuille et les ing\u00e9nieurs d’affaires sont constamment confront\u00e9s \u00e0 des situations o\u00f9 les s\u00e9ries chronologiques historiques se r\u00e9v\u00e8lent soit inexistantes, soit structurellement caduques en raison de ruptures de paradigme \u00e9conomique. Lorsque les m\u00e9thodes inf\u00e9rentielles traditionnelles fond\u00e9es sur la loi normale \u00e9chouent faute d’un volume suffisant de donn\u00e9es empiriques, la recherche op\u00e9rationnelle et la statistique bay\u00e9sienne pr\u00e9conisent le recours \u00e0 des lois de probabilit\u00e9 subjectives capables de capturer l’expertise humaine sous forme de jugements d’intervalles et de valeurs pr\u00e9f\u00e9rentielles. C’est pr\u00e9cis\u00e9ment dans ce cadre m\u00e9thodologique que s’impose la loi triangulaire<\/a>.<\/p>\n

Pourtant, malgr\u00e9 son omnipr\u00e9sence dans les m\u00e9thodologies de gestion de projet, l’\u00e9valuation des co\u00fbts d’ing\u00e9nierie et l’analyse quantitative des risques de cr\u00e9dit, Microsoft Excel ne propose nativement aucune fonction d\u00e9di\u00e9e \u00e0 cette loi, \u00e0 la diff\u00e9rence des fonctions standardis\u00e9es telles que LOI.NORMALE.N ou LOI.EXPONENTIELLE.N. Cette lacune fonctionnelle oblige les analystes financiers et les consultants en mod\u00e9lisation \u00e0 d\u00e9river, formuler et programmer manuellement les \u00e9quations de densit\u00e9, de r\u00e9partition cumulative et de quantiles au sein de leurs classeurs. L’absence de standardisation logicielle engendre fr\u00e9quemment des approximations inad\u00e9quates, des erreurs de calcul matriciel ou des incoh\u00e9rences th\u00e9oriques majeures, particuli\u00e8rement lors de la transition entre la branche ascendante et la branche descendante de la distribution.<\/p>\n

Ce guide propose un trait\u00e9 d’ing\u00e9nierie quantitative sous Microsoft Excel, alliant rigueur statistique et techniques de mod\u00e9lisation financi\u00e8re. De la d\u00e9monstration math\u00e9matique de ses moments d’ordre sup\u00e9rieur jusqu’\u00e0 l’automatisation de simulations de Monte-Carlo \u00e0 grande \u00e9chelle sans macro, en passant par le d\u00e9veloppement de modules VBA optimis\u00e9s et la conception de tableaux de bord graphiques interactifs, cet article d\u00e9cortique chaque dimension analytique de la distribution triangulaire. L’objectif est de doter les professionnels de la d\u00e9cision d’un cadre conceptuel complet et op\u00e9rationnel pour ma\u00eetriser l’incertitude dans leurs feuilles de calcul.<\/p>\n

1. Fondements th\u00e9oriques de la distribution triangulaire<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et morphologie de la fonction de densit\u00e9 (PDF)<\/h3>\n

La distribution triangulaire est une distribution de probabilit\u00e9 continue d\u00e9finie formellement sur un support compact ferm\u00e9 not\u00e9 [a, b], o\u00f9 les scalaires r\u00e9els a et b repr\u00e9sentent respectivement les bornes inf\u00e9rieure et sup\u00e9rieure du domaine de d\u00e9finition. Sa morphologie g\u00e9om\u00e9trique fondamentale se caract\u00e9rise par une fonction de densit\u00e9 de probabilit\u00e9 (PDF, ou Probability Density Function<\/em>) continue par morceaux, dont l’allure forme un triangle sur le plan cart\u00e9sien. Contrairement aux distributions asymptotiques telles que la loi normale ou la distribution de Cauchy dont le domaine s’\u00e9tend sur la droite r\u00e9elle tout enti\u00e8re, la distribution triangulaire pr\u00e9sente l’avantage analytique d’annuler strictement toute probabilit\u00e9 en dehors de son intervalle fondamental, garantissant ainsi l’impossibilit\u00e9 structurelle de g\u00e9n\u00e9rer des valeurs aberrantes ou th\u00e9oriquement irr\u00e9alisables.<\/p>\n

Sur le plan de l’analyse math\u00e9matique, la fonction de densit\u00e9 f(x) est r\u00e9gie par deux \u00e9quations lin\u00e9aires distinctes qui se rejoignent en un point singulier not\u00e9 c, commun\u00e9ment d\u00e9sign\u00e9 comme le mode de la distribution. L’expression analytique de f(x) est rigoureusement d\u00e9finie par la structure par morceaux suivante : pour toute valeur de x comprise entre la borne minimale a et le mode c (au sens large a ≤ x ≤ c), la densit\u00e9 s’accro\u00eet de mani\u00e8re affine selon l’\u00e9quation f(x) = 2(x – a) \/ ((b – a)(c – a)). Inversement, sur le segment descendant reliant le mode c \u00e0 la borne maximale b (au sens large c ≤ x ≤ b), la densit\u00e9 d\u00e9cro\u00eet lin\u00e9airement selon l’expression f(x) = 2(b – x) \/ ((b – a)(b – c)). Enfin, pour tout x strictement inf\u00e9rieur \u00e0 a ou strictement sup\u00e9rieur \u00e0 b, la fonction f(x) est identiquement nulle.<\/p>\n

\"Triangular
Triangular distribution<\/figcaption><\/figure>\n

L’interpr\u00e9tation g\u00e9om\u00e9trique de cette formulation r\u00e9side dans l’int\u00e9gration de la surface sous la courbe, laquelle doit imp\u00e9rativement ob\u00e9ir au premier axiome de Kolmogorov stipulant que l’int\u00e9grale de la densit\u00e9 sur l’ensemble du support r\u00e9el est \u00e9gale \u00e0 l’unit\u00e9. La base du triangle pr\u00e9sentant une longueur g\u00e9om\u00e9trique mesur\u00e9e par l’\u00e9cart (b – a), l’\u00e9l\u00e9vation au sommet c correspond n\u00e9cessairement \u00e0 la hauteur h du triangle. En appliquant la formule de l’aire d’un polygone triangulaire, Surface = (Base × Hauteur) \/ 2 = ((b – a) × h) \/ 2 = 1, on d\u00e9duit par inversion directe que la hauteur de la densit\u00e9 au point modale atteint une valeur critique immuable \u00e9gale \u00e0 h = f(c) = 2 \/ (b – a). Cette propri\u00e9t\u00e9 d’invariance d’\u00e9chelle assure la continuit\u00e9 g\u00e9om\u00e9trique au sommet c, bien que la d\u00e9riv\u00e9e premi\u00e8re de la fonction de densit\u00e9 pr\u00e9sente en ce point une discontinuit\u00e9 de saut caract\u00e9ristique.<\/p>\n

1.2 Param\u00e8tres constitutifs fondamentaux : minimum (a), maximum (b) et mode (c)<\/h3>\n

L’architecture de la loi triangulaire repose int\u00e9gralement sur une param\u00e9trisation parcimonieuse \u00e0 trois facteurs d’entr\u00e9e scalaires not\u00e9s usuellement a, b et c. Le param\u00e8tre a incarne la borne inf\u00e9rieure absolue du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. Dans le contexte de la gestion des risques et de l’ing\u00e9nierie financi\u00e8re, il repr\u00e9sente le sc\u00e9nario du pire envisageable (worst-case scenario<\/em>) ou la fronti\u00e8re physique en de\u00e7\u00e0 de laquelle le syst\u00e8me ne peut mat\u00e9riellement pas \u00e9voluer. Loin d’\u00eatre une simple construction abstraite, cette borne est souvent d\u00e9termin\u00e9e par des contraintes juridiques, des limites budg\u00e9taires infranchissables ou des seuils thermodynamiques stricts.<\/p>\n

Le param\u00e8tre c constitue le mode ou la valeur la plus probable de la distribution. Sur le plan topologique, il localise l’abscisse correspondant \u00e0 l’apex de la fonction de densit\u00e9, c’est-\u00e0-dire le point o\u00f9 la concentration de probabilit\u00e9 marginale est maximale. Contrairement \u00e0 la moyenne arithm\u00e9tique qui subit l’influence m\u00e9canique des valeurs extr\u00eames, le mode traduit l’intuition centrale des experts m\u00e9tier quant \u00e0 la trajectoire la plus plausible d’un \u00e9v\u00e9nement op\u00e9rationnel ou macro\u00e9conomique. Le param\u00e8tre b, quant \u00e0 lui, formalise la borne sup\u00e9rieure maximale admissible, correspondant au sc\u00e9nario le plus optimiste ou \u00e0 la capacit\u00e9 plafond th\u00e9orique du syst\u00e8me mod\u00e9lis\u00e9.<\/p>\n

\"PDF
PDF for triangular distribution<\/figcaption><\/figure>\n

La validit\u00e9 math\u00e9matique du triplet de param\u00e8tres impose le respect strict de la condition d’ordre a ≤ c ≤ b. Deux cas d’in\u00e9galit\u00e9s doivent \u00eatre m\u00e9thodologiquement distingu\u00e9s. Lorsque l’on impose des in\u00e9galit\u00e9s strictes a < c < b, la distribution forme un triangle non d\u00e9g\u00e9n\u00e9r\u00e9 dot\u00e9 d’une phase d’acc\u00e9l\u00e9ration et d’une phase de d\u00e9c\u00e9l\u00e9ration de probabilit\u00e9. En revanche, lorsque les contraintes s’affaiblissent vers des \u00e9galit\u00e9s partielles, la distribution adopte des formes sp\u00e9cifiques remarquables : si le mode co\u00efncide avec la borne inf\u00e9rieure (c = a), la distribution triangulaire devient strictement d\u00e9croissante sur tout son support, formant un triangle rectangle orient\u00e9 vers la droite ; sym\u00e9triquement, si le mode s’aligne sur la borne sup\u00e9rieure (c = b), la distribution devient strictement croissante de a vers b, cr\u00e9ant un triangle rectangle orient\u00e9 vers la gauche.<\/p>\n

1.3 Propri\u00e9t\u00e9s statistiques fondamentales : esp\u00e9rance, variance et asym\u00e9trie<\/h3>\n

L’exploitation op\u00e9rationnelle d’une variable al\u00e9atoire continue X suivant une distribution triangulaire not\u00e9e X ~ Triang(a, b, c) requiert l’\u00e9valuation analytique de ses moments statistiques d’ordre sup\u00e9rieur. L’esp\u00e9rance math\u00e9matique, not\u00e9e E(X), repr\u00e9sente le centre de gravit\u00e9 probabiliste de la distribution. Elle s’obtient par l’int\u00e9gration de la fonction x × f(x) sur les deux sous-intervalles [a, c] et [c, b]. Au terme des simplifications alg\u00e9briques, l’esp\u00e9rance s’exprime sous une forme synth\u00e9tique \u00e9l\u00e9gante : E(X) = (a + b + c) \/ 3. Cette relation fondamentale d\u00e9montre que l’esp\u00e9rance math\u00e9matique d’une loi triangulaire \u00e9quivaut exactement \u00e0 la moyenne arithm\u00e9tique de ses trois param\u00e8tres constitutifs, accordant un poids identique d’un tiers \u00e0 chaque estimation d’entr\u00e9e.<\/p>\n

Le moment centr\u00e9 d’ordre deux, correspondant \u00e0 la variance th\u00e9orique not\u00e9e Var(X), quantifie la dispersion quadratique moyenne des r\u00e9alisations al\u00e9atoires autour de l’esp\u00e9rance. Son calcul par l’int\u00e9grale du produit (x – E(X))\u00b2 × f(x) conduit \u00e0 la formulation polynomiale suivante : Var(X) = (a\u00b2 + b\u00b2 + c\u00b2 – ab – ac – bc) \/ 18. L’\u00e9cart-type th\u00e9orique σ(X) s’en d\u00e9duit par l’extraction de la racine carr\u00e9e de cette quantit\u00e9. Le diviseur 18, sp\u00e9cifique \u00e0 la g\u00e9om\u00e9trie triangulaire continue, traduit une concentration de masse probabiliste structurellement plus \u00e9lev\u00e9e autour du centre de masse que celle observ\u00e9e au sein d’une distribution uniforme continue d\u00e9finie sur les m\u00eames bornes [a, b], dont le diviseur de variance s’\u00e9tablit \u00e0 12.<\/p>\n

Le troisi\u00e8me moment centr\u00e9 normalis\u00e9 permet d’\u00e9valuer le coefficient d’asym\u00e9trie de Pearson, ou skewness<\/em>, dont le signe et l’amplitude r\u00e9gissent la d\u00e9formation structurelle de la distribution. L’expression analytique du coefficient d’asym\u00e9trie s’\u00e9tablit selon le ratio suivant : Skewness = [sqrt(2) × (a + b – 2c) × (2a – b – c) × (a – 2b + c)] \/ [5 × (a\u00b2 + b\u00b2 + c\u00b2 – ab – ac – bc)^(3\/2)]. Si le mode c se positionne rigoureusement au centre g\u00e9om\u00e9trique des bornes, c’est-\u00e0-dire si c = (a + b) \/ 2, le terme (a + b – 2c) s’annule, rendant la distribution parfaitement sym\u00e9trique avec un coefficient d’asym\u00e9trie nul. D\u00e8s lors que c s’\u00e9carte du point m\u00e9dian vers la gauche (c < (a + b) \/ 2), la distribution s’\u00e9tire vers la droite et pr\u00e9sente une asym\u00e9trie positive (right-skewed<\/em>) ; inversement, lorsque c bascule vers la droite (c > (a + b) \/ 2), la distribution d\u00e9veloppe une queue allong\u00e9e vers la gauche et affiche une asym\u00e9trie n\u00e9gative (left-skewed<\/em>).<\/p>\n

2. La fonction de r\u00e9partition cumulative (CDF) et ses formulations<\/h2>\n

2.1 Comportement analytique pour le segment inf\u00e9rieur au mode (x ≤ c)<\/h3>\n

La fonction de r\u00e9partition cumulative, universellement d\u00e9sign\u00e9e sous l’acronyme CDF (Cumulative Distribution Function)<\/a> et not\u00e9e F(x), mesure la probabilit\u00e9 qu’une variable al\u00e9atoire continue X prenne une valeur inf\u00e9rieure ou \u00e9gale \u00e0 un seuil r\u00e9el x donn\u00e9, soit formellement F(x) = P(X ≤ x). Pour d\u00e9terminer le comportement analytique de cette fonction sur le premier segment du support compact, il convient de proc\u00e9der \u00e0 l’int\u00e9gration d\u00e9finie de la branche ascendante de la fonction de densit\u00e9 f(t) depuis la borne minimale a jusqu’\u00e0 la valeur d’\u00e9valuation x, dans l’hypoth\u00e8se o\u00f9 x demeure strictement inf\u00e9rieur ou \u00e9gal au mode c.<\/p>\n

L’int\u00e9gration s’ex\u00e9cute selon l’expression : F(x) = ∫ [2(t – a) \/ ((b – a)(c – a))] dt, calcul\u00e9e entre les bornes a et x. En factorisant les constantes d’\u00e9chelle situ\u00e9es au d\u00e9nominateur et en appliquant le th\u00e9or\u00e8me fondamental de l’analyse sur la primitive \u00e9l\u00e9mentaire (t – a)\u00b2 \/ 2, on obtient la formulation de la probabilit\u00e9 cumul\u00e9e : F(x) = (x – a)\u00b2 \/ ((b – a)(c – a)). Cette fonction pr\u00e9sente une nature quadratique pure, ce qui lui conf\u00e8re une concavit\u00e9 dirig\u00e9e vers le haut et une acc\u00e9l\u00e9ration strictement positive sur l’intervalle [a, c]. Au point d’inflexion morphologique o\u00f9 la variable x atteint exactement la valeur modale c, l’\u00e9valuation de la formule donne F(c) = (c – a)\u00b2 \/ ((b – a)(c – a)) = (c – a) \/ (b – a). Ce ratio scalaire repr\u00e9sente la proportion exacte de l’espace probabiliste total couverte par la branche ascendante.<\/p>\n

Cette d\u00e9composition d\u00e9montre que la probabilit\u00e9 cumul\u00e9e au mode ne d\u00e9pend aucunement de la hauteur absolue de la distribution, mais correspond exclusivement \u00e0 la position relative du mode par rapport \u00e0 l’envergure totale du support. Dans le cas d’une distribution sym\u00e9trique o\u00f9 c = (a + b) \/ 2, la substitution alg\u00e9brique confirme imm\u00e9diatement que F(c) = ((a + b)\/2 – a) \/ (b – a) = ((b – a)\/2) \/ (b – a) = 0,5, signifiant que la m\u00e9diane co\u00efncide parfaitement avec le mode et l’esp\u00e9rance math\u00e9matique. Pour toute distribution asym\u00e9trique, la valeur F(c) constitue le point pivot d\u00e9terminant le choix de la branche analytique lors des calculs d’inversion quantile.<\/p>\n

2.2 Formulation math\u00e9matique pour le segment sup\u00e9rieur au mode (x > c)<\/h3>\n

Lorsque la variable d’\u00e9valuation x d\u00e9passe le mode c pour se positionner dans le segment sup\u00e9rieur du support [c, b], le calcul de la fonction de r\u00e9partition cumulative n\u00e9cessite l’int\u00e9gration de la densit\u00e9 sur l’ensemble de la branche ascendante, compl\u00e9t\u00e9e par l’int\u00e9gration partielle de la branche descendante entre c et x. Sur le plan conceptuel et calculatoire, il est infiniment plus \u00e9l\u00e9gant et robuste d’op\u00e9rer par soustraction probabiliste en exploitant le principe de la mesure compl\u00e9mentaire de la queue sup\u00e9rieure de distribution. En vertu des r\u00e8gles de l’analyse stochastique, la probabilit\u00e9 cumul\u00e9e s’obtient en retranchant \u00e0 l’unit\u00e9 la surface r\u00e9siduelle situ\u00e9e entre x et la borne sup\u00e9rieure b : F(x) = 1 – P(X > x).<\/p>\n

L’int\u00e9grale de survie P(X > x) correspond \u00e0 l’aire sous la courbe descendante calcul\u00e9e de x jusqu’\u00e0 b : ∫ [2(b – t) \/ ((b – a)(b – c))] dt. L’\u00e9valuation de cette primitive produit le ratio g\u00e9om\u00e9trique direct (b – x)\u00b2 \/ ((b – a)(b – c)). En r\u00e9injectant cette composante dans l’\u00e9quation compl\u00e9mentaire, la fonction de r\u00e9partition pour le segment sup\u00e9rieur prend la forme canonique : F(x) = 1 – (b – x)\u00b2 \/ ((b – a)(b – c)). Cette expression quadratique invers\u00e9e conf\u00e8re \u00e0 la courbe de r\u00e9partition une concavit\u00e9 orient\u00e9e vers le bas, caract\u00e9ris\u00e9e par une croissance marginale d\u00e9c\u00e9l\u00e9r\u00e9e au fur et \u00e0 mesure que la variable x converge asymptotiquement vers la borne b.<\/p>\n

La v\u00e9rification des conditions aux limites confirme l’exactitude formelle du mod\u00e8le math\u00e9matique : lorsque x tend vers b, le num\u00e9rateur (b – x)\u00b2 s’annule rigoureusement, assurant que F(b) = 1 – 0 = 1. De surcro\u00eet, la continuit\u00e9 globale de la fonction F(x) sur l’ensemble du domaine ferm\u00e9 [a, b] est pr\u00e9serv\u00e9e sans aucune discontinuit\u00e9. En r\u00e9\u00e9valuant l’expression de la branche sup\u00e9rieure au niveau du mode en posant x = c, on obtient F(c) = 1 – (b – c)\u00b2 \/ ((b – a)(b – c)) = 1 – (b – c) \/ (b – a) = ((b – a) – (b – c)) \/ (b – a) = (c – a) \/ (b – a), ce qui confirme la concordance absolue avec le r\u00e9sultat obtenu via la branche inf\u00e9rieure.<\/p>\n

2.3 D\u00e9rivation de la fonction quantile ou transform\u00e9e inverse<\/h3>\n

Dans l’arsenal m\u00e9thodologique de l’\u00e9conom\u00e9trie appliqu\u00e9e et des simulations stochastiques, la fonction quantile, \u00e9galement d\u00e9sign\u00e9e sous le terme de fonction de r\u00e9partition inverse not\u00e9e Q(u) ou F^(-1)(u), joue un r\u00f4le pr\u00e9pond\u00e9rant. Elle permet de d\u00e9terminer avec une pr\u00e9cision d\u00e9terministe la valeur exacte de la variable al\u00e9atoire x correspondant \u00e0 un niveau de probabilit\u00e9 cumul\u00e9e fix\u00e9 u ∈ [0, 1]. Pour d\u00e9river analytiquement cette fonction, il est indispensable d’inverser s\u00e9par\u00e9ment les deux branches de la fonction de r\u00e9partition cumulative F(x) en utilisant le seuil pivot u_critique = F(c) = (c – a) \/ (b – a) comme crit\u00e8re de bifurcation algorithmique.<\/p>\n

Pour tout fractile de probabilit\u00e9 u v\u00e9rifiant la condition 0 ≤ u ≤ (c – a) \/ (b – a), la variable x se situe n\u00e9cessairement dans le segment inf\u00e9rieur [a, c]. En posant l’\u00e9quivalence u = (x – a)\u00b2 \/ ((b – a)(c – a)), on isole la variable x par multiplication scalaire du d\u00e9nominateur suivie de l’extraction de la racine carr\u00e9e positive, le domaine garantissant que (x – a) ≥ 0. L’\u00e9quation quantile pour le r\u00e9gime inf\u00e9rieur s’\u00e9crit formellement : x = Q(u) = a + sqrt(u × (b – a) × (c – a)). Cette formulation quadratique inverse montre que le quantile cro\u00eet avec une d\u00e9riv\u00e9e seconde positive sur ce premier sous-espace.<\/p>\n

R\u00e9ciproquement, pour tout niveau de probabilit\u00e9 u situ\u00e9 dans le r\u00e9gime sup\u00e9rieur, soit (c – a) \/ (b – a) < u ≤ 1, la variable x appartient au segment [c, b]. L’inversion de la formule compl\u00e9mentaire u = 1 – (b – x)\u00b2 \/ ((b – a)(b – c)) d\u00e9bute par l’isolement du terme quadratique r\u00e9siduel : 1 – u = (b – x)\u00b2 \/ ((b – a)(b – c)). En extrayant \u00e0 nouveau la racine carr\u00e9e et en transposant la borne maximale b, on d\u00e9duit l’expression de la fonction quantile sup\u00e9rieure : x = Q(u) = b – sqrt((1 – u) × (b – a) × (b – c)). Cette d\u00e9rivation bi-r\u00e9gime constitue le moteur math\u00e9matique fondamental indispensable pour la programmation des g\u00e9n\u00e9rateurs al\u00e9atoires et le calcul des valeurs \u00e0 risque (VaR) dans les logiciels de calcul matriciel.<\/p>\n

3. Pertinence de la loi triangulaire dans la mod\u00e9lisation cognitive et d\u00e9cisionnelle<\/h2>\n

3.1 Repr\u00e9sentation de l’incertitude subjective en psychologie math\u00e9matique<\/h3>\n

Dans les processus d’allocation de capital et d’ing\u00e9nierie pr\u00e9visionnelle, les d\u00e9cideurs op\u00e8rent fr\u00e9quemment sous un r\u00e9gime d’incertitude knightienne<\/a>, caract\u00e9ris\u00e9 par l’incapacit\u00e9 d’assigner des distributions de probabilit\u00e9 objectives bas\u00e9es sur des fr\u00e9quences d’occurrence observ\u00e9es. En psychologie cognitive et en th\u00e9orie de la d\u00e9cision, la collecte de jugements experts constitue la m\u00e9thode primaire pour param\u00e9trer les mod\u00e8les d’anticipation. Or, solliciter d’un cadre dirigeant, d’un g\u00e9ologue p\u00e9trolier ou d’un chef de projet informatique qu’il explicite une variance statistique ou une distribution log-normale engendre presque syst\u00e9matiquement des distorsions conceptuelles et des erreurs d’incompr\u00e9hension terminologique.<\/p>\n

La distribution triangulaire r\u00e9sout ce d\u00e9fi cognitif en sollicitant des experts uniquement des notions imm\u00e9diatement intuitives et perceptibles : une borne pessimiste (a), une valeur modale la plus fr\u00e9quente (c), et une borne optimiste (b). En traduisant ces trois estimations scalaires en une distribution de probabilit\u00e9 continue coh\u00e9rente et ferm\u00e9e, la loi triangulaire formalise un \u00e9tat de connaissance partielle sans introduire d’hypoth\u00e8ses injustifi\u00e9es sur les queues de distribution infinies. Elle permet de structurer math\u00e9matiquement la m\u00e9moire \u00e9pisodique et le jugement heuristique des sp\u00e9cialistes m\u00e9tier, transformant des intuitions qualitatives \u00e9parses en vecteurs num\u00e9riques directement exploitables dans des calculs stochastiques complexes.<\/p>\n

Cette approche est particuli\u00e8rement vertueuse lors de l’\u00e9laboration de sc\u00e9narios contrast\u00e9s en planification strat\u00e9gique. Plut\u00f4t que de contraindre la r\u00e9flexion pr\u00e9dictive au sein d’une moyenne d\u00e9terministe statique, l’expert est invit\u00e9 \u00e0 explorer les limites extr\u00eames de son mod\u00e8le mental tout en affirmant son ancrage op\u00e9rationnel par l’interm\u00e9diaire du sommet modale. La loi triangulaire agit alors comme un r\u00e9ceptacle \u00e9pist\u00e9mologique structurant, fournissant un compromis math\u00e9matique optimal entre l’arbitraire complet d’une distribution uniforme et la complexit\u00e9 param\u00e9trique d’une distribution b\u00eata g\u00e9n\u00e9ralis\u00e9e.<\/p>\n

3.2 Biais cognitifs d’estimation : effet d’ancrage et surconfiance sur les bornes<\/h3>\n

Bien que la distribution triangulaire facilite grandement l’\u00e9licitation d’avis d’experts, son utilisation expose la mod\u00e9lisation \u00e0 des distorsions psychologiques syst\u00e9matiques amplement document\u00e9es par l’\u00e9conomie comportementale. Le premier de ces \u00e9cueils cognitifs est l’effet d’ancrage<\/a>, th\u00e9oris\u00e9 par Daniel Kahneman et Amos Tversky. Dans la pratique, lorsqu’un \u00e9liciteur sollicite en premier lieu la valeur la plus probable (c), cette estimation initiale agit comme un point d’ancrage psychologique puissant. Par la suite, l’expert aura tendance \u00e0 ajuster les bornes a et b de mani\u00e8re sym\u00e9trique et trop resserr\u00e9e autour de ce mode, sous-estimant dramatiquement l’\u00e9ventail des possibles sous-jacent.<\/p>\n

Le second \u00e9cueil, encore plus critique dans la quantification financi\u00e8re, est le biais de surconfiance (overconfidence effect<\/em>). Lorsqu’on demande \u00e0 des sp\u00e9cialistes d’\u00e9tablir un minimum absolu et un maximum absolu, la recherche empirique d\u00e9montre qu’ils fournissent en r\u00e9alit\u00e9 des quantiles correspondant approximativement aux percentiles 10 % et 90 %, voire 20 % et 80 %, plut\u00f4t que les fronti\u00e8res r\u00e9elles \u00e0 0 % et 100 %. Cette compression cognitive des intervalles r\u00e9duit artificiellement la variance th\u00e9orique du mod\u00e8le, instillant un sentiment illusoire de ma\u00eetrise et occultant la vuln\u00e9rabilit\u00e9 de l’organisation face aux \u00e9v\u00e9nements rares mais d\u00e9vastateurs.<\/p>\n

Pour immuniser les classeurs Excel contre ces biais m\u00e9thodologiques, il est fortement recommand\u00e9 d’adopter des protocoles de calibration psychologique \u00e9prouv\u00e9s. L’analyste doit imp\u00e9rativement forcer l’\u00e9licitation s\u00e9quentielle en inversant l’ordre traditionnel : questionner d’abord la borne minimale absolue en incitant l’expert \u00e0 imaginer des sc\u00e9narios de crise syst\u00e9mique impr\u00e9vus, questionner ensuite la borne maximale absolue en formulant des hypoth\u00e8ses de synergies exceptionnelles, et enfin, seulement apr\u00e8s avoir born\u00e9 l’espace d’\u00e9tats, solliciter le mode c. Des ajustements math\u00e9matiques correctifs, tels que l’extension proportionnelle des bornes d\u00e9clar\u00e9es par des facteurs multiplicatifs de s\u00e9curit\u00e9 de 10 % \u00e0 20 %, peuvent \u00e9galement \u00eatre int\u00e9gr\u00e9s directement dans l’architecture des formules de calcul afin de compenser structurellement la surconfiance \u00e9pist\u00e9mique.<\/p>\n

3.3 Comparaison critique avec la distribution B\u00eata-PERT dans l’\u00e9licitation d’experts<\/h3>\n

Dans l’ing\u00e9nierie de mod\u00e9lisation quantitative, la distribution triangulaire est r\u00e9guli\u00e8rement mise en concurrence directe avec la distribution B\u00eata-PERT (Program Evaluation and Review Technique<\/em>). Bien que ces deux lois de probabilit\u00e9 partagent exactement la m\u00eame interface de param\u00e9trisation par trois points (a, c, b), leurs fondements analytiques et leurs comportements morphologiques divergent significativement. La distribution B\u00eata-PERT repr\u00e9sente une version restreinte et recalcul\u00e9e de la loi b\u00eata continue sur support born\u00e9, caract\u00e9ris\u00e9e par une fonction de densit\u00e9 diff\u00e9rentiable sur l’ensemble de son domaine, formant une cloche arrondie d\u00e9nu\u00e9e de tout sommet anguleux.<\/p>\n

Sur le plan math\u00e9matique, l’esp\u00e9rance de la distribution B\u00eata-PERT classique s’\u00e9tablit selon l’expression pond\u00e9r\u00e9e E_PERT(X) = (a + 4c + b) \/ 6, alors que celle de la distribution triangulaire \u00e9quivaut \u00e0 E_TRIANG(X) = (a + c + b) \/ 3 = (2a + 2c + 2b) \/ 6. Cette divergence de pond\u00e9ration montre que la distribution B\u00eata-PERT accorde un coefficient d’influence quatre fois sup\u00e9rieur au mode c par rapport aux valeurs extr\u00eames, tandis que la loi triangulaire attribue une pond\u00e9ration strictement \u00e9gale \u00e0 chaque point d’estimation. Par cons\u00e9quent, la distribution triangulaire accorde une probabilit\u00e9 substantiellement plus forte aux zones d’extr\u00e9mit\u00e9s situ\u00e9es pr\u00e8s des bornes a et b, ce qui en fait un outil plus conservateur et pr\u00e9cautionneux pour l’\u00e9valuation des risques op\u00e9rationnels s\u00e9v\u00e8res.<\/p>\n

Le choix entre ces deux instruments math\u00e9matiques sous Excel repose sur des compromis de mise en \u0153uvre. La distribution B\u00eata-PERT exige l’appel \u00e0 la fonction complexe et num\u00e9riquement exigeante LOI.BETA.N(), laquelle repose sur des calculs d’int\u00e9grales eul\u00e9riennes incompl\u00e8tes susceptibles de provoquer des ralentissements lors de simulations massives ou de g\u00e9n\u00e9rer des instabilit\u00e9s dans les versions ant\u00e9rieures d’Excel. En contrepartie, la distribution triangulaire se pr\u00eate \u00e0 une impl\u00e9mentation alg\u00e9brique \u00e9l\u00e9mentaire bas\u00e9e exclusivement sur des op\u00e9rations d’addition, de multiplication et de d\u00e9rivation polynomiale, garantissant une clart\u00e9 logique imm\u00e9diate et une vitesse d’ex\u00e9cution computationnelle in\u00e9galable.<\/p>\n

4. Impl\u00e9mentation manuelle des formules de la distribution triangulaire dans Excel<\/h2>\n

4.1 Structuration m\u00e9thodologique de la feuille de calcul et nommage des plages<\/h3>\n

L’impl\u00e9mentation de mod\u00e8les math\u00e9matiques dans un tableur professionnel exige une rigueur architecturale absolue afin de pr\u00e9venir les erreurs d’adressage et de faciliter la maintenance logicielle par des tiers. La conception d’un module d’analyse de distribution triangulaire sous Microsoft Excel d\u00e9bute obligatoirement par la s\u00e9paration herm\u00e9tique entre le bloc des hypoth\u00e8ses exog\u00e8nes et le bloc des calculs fonctionnels. Dans une feuille de travail d\u00e9di\u00e9e, il convient de r\u00e9server les cellules B2, B3 et B4 pour recevoir respectivement les valeurs num\u00e9riques des param\u00e8tres a, c et b, accompagn\u00e9es de libell\u00e9s clairs en colonne A.<\/p>\n

\"Triangular
Triangular distribution in Excel<\/figcaption><\/figure>\n

L’utilisation de r\u00e9f\u00e9rences absolues de cellules de type $B$<\/span>2 au milieu de formules conditionnelles complexes alourdit consid\u00e9rablement la syntaxe et multiplie le risque d’omission du signe dollar lors des recopies incr\u00e9mentales. Il est par cons\u00e9quent imp\u00e9ratif d’utiliser le Gestionnaire de noms<\/strong> d’Excel (accessible via le ruban Formules > D\u00e9finir un nom<\/em> ou le raccourci clavier Ctrl+F3) pour assigner une variable s\u00e9mantique \u00e0 chaque param\u00e8tre :<\/p>\n