La fonction COVARIANCE.PEARSON mesure comment deux variables évoluent ensemble. Elle répond à la question : « Ces deux séries de données varient-elles dans le même sens, en sens inverse, ou de manière indépendante ? »
Que tu travailles en finance pour analyser des portefeuilles, en contrôle de gestion pour comprendre l'élasticité-prix, en data science pour détecter des corrélations ou en contrôle qualité pour identifier des relations entre variables de production, COVARIANCE.PEARSON te permet de quantifier ces relations de façon précise et de les comparer dans le temps.
Syntaxe de la fonction COVARIANCE.PEARSON
=COVARIANCE.PEARSON(matrice1; matrice2)COVARIANCE.PEARSON divise par n (taille de la population complète). Si tu travailles sur un échantillon représentatif d'une population plus large, utilise COVARIANCE.STANDARD qui divise par n-1.
Comprendre chaque paramètre de la fonction COVARIANCE.PEARSON
Les deux séries matrice1 et matrice2 sont obligatoires et doivent contenir exactement le même nombre de valeurs, chaque ligne de l'une faisant face à une ligne de l'autre pour former une paire. Bon à savoir : leur ordre n'a aucune incidence, =COVARIANCE.PEARSON(A; B) te donne le même résultat que =COVARIANCE.PEARSON(B; A).
matrice1
: ta première série de donnéesIl peut s'agir de rendements financiers, de températures, de ventes, de notes ou de n'importe quelle série de valeurs numériques que tu veux analyser en relation avec une autre variable. Les cellules vides sont ignorées lors du calcul.
La plage peut être une colonne, une ligne, ou une zone rectangulaire, du moment que matrice2 couvre exactement la même forme et le même nombre de cellules.
Astuce : Assure-toi que tes données sont propres et complètes. Les cellules vides sont ignorées, mais si les deux matrices n'ont pas le même nombre de valeurs après nettoyage, Excel retourne une erreur.
matrice2
: ta deuxième série de données, celle que tu veux mettre en relation avec la premièreLes deux séries doivent avoir exactement le même nombre de valeurs : chaque ligne de matrice1 doit correspondre à une ligne de matrice2 pour former une paire de données cohérente.
L'ordre des matrices n'influe pas sur la valeur absolue du résultat. =COVARIANCE.PEARSON(A; B) et =COVARIANCE.PEARSON(B; A) donnent le même résultat.
Astuce : Pour construire une matrice de covariance complète entre plusieurs variables, utilise des références mixtes : =COVARIANCE.PEARSON($A$2:$A$10; B$2:B$10). En copiant cette formule dans un tableau, tu obtiens toutes les covariances croisées en une seule fois.
Exemples pratiques pas à pas
Commercial : analyser la relation température-ventes
Tu es commercial ou responsable magasin et tu vends des produits saisonniers. Tu veux prouver à ta direction que les ventes sont directement liées à la météo pour justifier un budget marketing qui varie selon les prévisions météorologiques.
| A | B | |
|---|---|---|
| 1 | Température (°C) | Ventes (€) |
| 2 | 25 | 450 |
| 3 | 28 | 520 |
| 4 | 22 | 380 |
| 5 | 30 | 580 |
| 6 | 26 | 470 |
=COVARIANCE.PEARSON(A2:A6; B2:B6)La fonction confronte température et ventes ligne par ligne pour mesurer dans quel sens elles varient ensemble. Le résultat positif (132) confirme l'intuition : plus il fait chaud, plus tu vends, une preuve chiffrée pour négocier un budget publicitaire indexé sur les prévisions météo.
Contrôleur de gestion : comprendre l'élasticité-prix
Tu es contrôleur de gestion et tu analyses l'impact du prix sur la demande. Ton directeur commercial veut augmenter les prix de 15 %, mais tu veux d'abord quantifier la relation prix-volume pour évaluer le risque sur le chiffre d'affaires total.
| A | B | |
|---|---|---|
| 1 | Prix (€) | Quantité vendue |
| 2 | 10 | 500 |
| 3 | 12 | 450 |
| 4 | 15 | 380 |
| 5 | 18 | 320 |
| 6 | 20 | 280 |
=COVARIANCE.PEARSON(A2:A6; B2:B6)Ici, la fonction met en regard le prix et la quantité vendue pour chaque palier afin de voir comment l'un évolue quand l'autre bouge. Le résultat nettement négatif (-220) illustre la loi de la demande : quand le prix monte, les volumes chutent, une base solide pour modéliser l'effet d'une hausse de prix sur le chiffre d'affaires.
Data analyst : analyser un portefeuille financier
Tu es data analyst en finance et tu construis un portefeuille d'investissement. Tu veux savoir si deux actions évoluent ensemble ou si elles offrent une vraie diversification pour réduire le risque global du portefeuille.
| A | B | |
|---|---|---|
| 1 | Rendement Action A (%) | Rendement Action B (%) |
| 2 | 2,5 | 1,8 |
| 3 | -1,2 | -0,8 |
| 4 | 3,1 | 2,4 |
| 5 | 0,8 | 0,5 |
| 6 | 1,5 | 1,2 |
=COVARIANCE.PEARSON(A2:A6; B2:B6)La fonction compare les rendements des deux actions période par période pour voir si elles bougent ensemble. La covariance positive (2,16) signale qu'elles évoluent dans le même sens (quand A monte, B monte aussi) : un signal défavorable pour la diversification, qui réclamerait plutôt des actifs à covariance faible ou négative.
Astuce de pro : La valeur absolue de la covariance dépend de l'échelle de tes données. Pour comparer des relations entre différents actifs ou différentes variables, normalise avec =COEFFICIENT.CORRELATION(A2:A6; B2:B6) qui donne toujours un résultat entre -1 et 1, indépendamment des unités.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction COVARIANCE.PEARSON
Le gros du temps, ce qui coince n'est pas la formule mais tes données. Le #DIV/0! tombe dès que tes deux plages n'ont pas le même nombre de cellules (une qui va jusqu'à la ligne 10, l'autre jusqu'à la 8), et le #VALEUR! surgit dès qu'un seul texte ou une erreur #N/A se glisse dans une matrice.
Les deux derniers pièges sont plus sournois car ils ne déclenchent aucun message : une valeur aberrante ou une covariance proche de 0 te renvoient un nombre parfaitement valide mais trompeur.
Erreur #DIV/0! : matrices de tailles différentes
C'est l'erreur la plus courante : tes deux plages n'ont pas le même nombre de valeurs. =COVARIANCE.PEARSON(A2:A10; B2:B8) génère l'erreur car une plage fait 9 valeurs et l'autre en fait 7.
Solution : Vérifie que les deux plages couvrent le même nombre de cellules et commencent et finissent aux mêmes lignes : =COVARIANCE.PEARSON(A2:A10; B2:B10). Utilise CTRL+G (Atteindre) pour vérifier rapidement les dimensions de chaque plage.
Erreur #VALEUR! : données non numériques dans les matrices
Excel ignore les cellules vides mais génère #VALEUR! si tes matrices contiennent du texte ou des erreurs comme #N/A ou #REF!. Un seul caractère parasite dans la plage suffit à faire échouer le calcul.
Solution : Nettoie tes données avant le calcul, ou encapsule dans =SIERREUR(COVARIANCE.PEARSON(A2:A10; B2:B10); "Données invalides") pour afficher un message clair en cas de problème.
Résultat biaisé par des valeurs aberrantes
La covariance est très sensible aux valeurs extrêmes. Une seule donnée atypique peut complètement fausser le résultat, même dans une plage de 100 observations. C'est un piège classique dans les analyses financières avec des crises ou des pics inhabituels.
Solution : Avant d'interpréter ta covariance, inspecte tes données avec =MIN(plage) et =MAX(plage) pour détecter les valeurs suspectes. Crée un graphique en nuage de points des deux variables pour visualiser la forme réelle de la relation.
Comparer des covariances d'échelles différentes sans normaliser
La covariance entre température et ventes (132) et celle entre rendements boursiers (2,16) ne sont pas comparables : elles ont des unités différentes. Comparer ces valeurs directement n'a pas de sens statistique.
Solution : Pour comparer des relations entre différentes paires de variables, normalise en divisant par le produit des écarts-types : =COVARIANCE.PEARSON(A2:A10; B2:B10) / (ECARTYPE.PEARSON(A2:A10) * ECARTYPE.PEARSON(B2:B10)). Ou utilise directement =COEFFICIENT.CORRELATION(A2:A10; B2:B10) qui fait ce calcul automatiquement.
Conclure à l'absence de relation sur une covariance nulle
Une covariance proche de 0 signifie « pas de relation linéaire », pas « pas de relation du tout ». Deux variables peuvent avoir une relation en U (quadratique) ou en courbe et afficher une covariance nulle, car les effets positifs et négatifs se compensent.
Solution : Combine toujours l'analyse numérique avec un graphique en nuage de points. Si tu observes une courbe ou un motif en U, la covariance seule est insuffisante : explore des méthodes de corrélation non linéaires.
COVARIANCE.PEARSON vs COVARIANCE.STANDARD vs COEFFICIENT.CORRELATION
Choisis COVARIANCE.PEARSON quand tes données couvrent toute la population que tu étudies, car elle divise par n. Dès que tu travailles sur un simple échantillon représentatif d'un ensemble plus large, bascule sur COVARIANCE.STANDARD qui divise par n-1.
Et si ton but est de comparer la force de plusieurs relations entre elles, aucune des deux covariances ne convient : leur valeur dépend des unités. Passe alors par COEFFICIENT.CORRELATION, qui ramène tout entre -1 et 1.
| Critère | COVARIANCE.PEARSON | COVARIANCE.STANDARD | COEFFICIENT.CORRELATION |
|---|---|---|---|
| Formule de calcul | Divise par n (population) | Divise par n-1 (échantillon) | Covariance normalisée par écarts-types |
| Résultat | Valeur réelle quelconque | Valeur réelle quelconque | Toujours entre -1 et 1 |
| Comparaison entre datasets | Difficile (dépend des unités) | Difficile (dépend des unités) | Directe (normalisée) |
| Cas d'usage | Population complète connue | Échantillon représentatif | Comparaison de relations |
Astuces avancées avec COVARIANCE.PEARSON
Passe directement à COEFFICIENT.CORRELATION pour comparer
La covariance dépend des unités de mesure, ce qui la rend difficile à interpréter seule. Pour savoir si une relation est forte ou faible, normalise : divise la covariance par le produit des deux écarts-types, ou utilise directement =COEFFICIENT.CORRELATION(A2:A10; B2:B10) qui retourne toujours une valeur entre -1 et 1.
Une corrélation supérieure à 0,7 (ou inférieure à -0,7) est généralement considérée comme forte.
Construis une matrice de covariance avec des références mixtes
Pour analyser plusieurs variables simultanément, crée un tableau carré avec les noms de variables en en-tête. Dans la première cellule, entre =COVARIANCE.PEARSON($A$2:$A$100; B$2:B$100) puis copie-colle vers la droite et vers le bas : les références mixtes font varier automatiquement les colonnes et les lignes analysées.
C'est la base d'une analyse de portefeuille multi-actifs ou d'une étude de corrélation entre plusieurs métriques.
Utilise la covariance pour décomposer la variance d'un portefeuille
En finance, la variance d'un portefeuille à deux actifs vaut w1² × Var(A) + w2² × Var(B) + 2 × w1 × w2 × Cov(A,B), où w1 et w2 sont les pondérations. =COVARIANCE.PEARSON(A2:A10; B2:B10) te donne directement le terme Cov(A,B) pour ce calcul.
Une covariance négative entre les deux actifs réduit la variance totale du portefeuille : c'est le bénéfice mathématique de la diversification.
Questions fréquentes sur la fonction COVARIANCE.PEARSON
Quelle différence entre COVARIANCE.PEARSON et COVARIANCE.STANDARD ?
Ces deux fonctions mesurent la même chose, comment deux variables évoluent ensemble, mais avec une formule légèrement différente. COVARIANCE.PEARSON divise par n (pour une population complète) et COVARIANCE.STANDARD divise par n-1 (pour un échantillon). En pratique, utilise PEARSON si tu analyses l'intégralité de tes données, et STANDARD si tu travailles sur un sous-ensemble représentatif.
Comment savoir si ma covariance est forte ou faible ?
C'est le problème central de la covariance brute : sa valeur dépend de l'échelle de tes données, donc il n'y a pas de seuil universel. Une covariance de 100 peut être énorme pour certaines données et minuscule pour d'autres. Pour une interprétation facile et comparable, calcule le coefficient de corrélation avec =COEFFICIENT.CORRELATION() qui retourne toujours une valeur entre -1 et 1.
Combien de données faut-il au minimum ?
Techniquement, COVARIANCE.PEARSON fonctionne dès 2 paires de valeurs. Mais pour des résultats fiables et interprétables, un minimum de 20 à 30 paires est recommandé. Avec moins de données, une ou deux valeurs aberrantes peuvent complètement biaiser le résultat.
COVARIANCE.PEARSON fonctionne-t-elle sur Google Sheets ?
Oui, la syntaxe est identique. La seule différence possible est le séparateur d'arguments (virgule ou point-virgule selon tes paramètres régionaux). Sur Google Sheets, tu peux aussi utiliser COVARIANCE sans suffixe, qui est un alias de COVARIANCE.PEARSON.
Covariance nulle signifie-t-il absence de relation ?
Pas forcément. Une covariance proche de zéro signifie « pas de relation linéaire ». Tes deux variables peuvent avoir une relation en U, en courbe ou toute autre forme non linéaire, et afficher une covariance nulle. Combine toujours ton analyse chiffrée avec des graphiques en nuage de points pour voir la vraie nature de la relation.
Peut-on calculer la covariance avec des données manquantes ?
COVARIANCE.PEARSON ignore les cellules vides, mais les deux plages doivent avoir le même nombre de valeurs non vides pour que le calcul soit cohérent. Si tu as des valeurs manquantes asymétriques (une donnée présente dans une plage mais absente dans l'autre), nettoie tes données d'abord : une paire incomplète fausse toute l'analyse.
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