Fonction COVARIANCE.PEARSON ExcelGuide Complet 2026
La fonction COVARIANCE.PEARSON te permet de mesurer comment deux variables évoluent ensemble. En clair, 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 data science pour détecter des corrélations, ou en contrôle qualité pour identifier des relations entre variables de production, COVARIANCE.PEARSON t'aide à quantifier ces relations de manière précise.
Syntaxe de la fonction COVARIANCE.PEARSON
La syntaxe de COVARIANCE.PEARSON est simple : tu lui donnes deux plages de données, et elle te retourne une valeur qui mesure comment elles varient ensemble.
=COVARIANCE.PEARSON(matrice1; matrice2)Comprendre chaque paramètre de la fonction COVARIANCE.PEARSON
matrice1
(obligatoire)C'est ta première série de données. Il peut s'agir de rendements financiers, de températures, de ventes, de notes... Bref, n'importe quelle série de valeurs numériques que tu veux analyser en relation avec une autre variable.
Conseil : Assure-toi que tes données sont propres et complètes. Les cellules vides seront ignorées, mais si les deux matrices n'ont pas le même nombre de valeurs après nettoyage, Excel te retournera une erreur.
matrice2
(obligatoire)Ta deuxième série de données, celle que tu veux mettre en relation avec la première. Les deux séries doivent absolument avoir le même nombre de valeurs : chaque ligne de matrice1 doit correspondre à une ligne de matrice2 pour former une paire de données.
Astuce : Contrairement à TEST.F, l'ordre des matrices a une importance pour le signe du résultat, mais pas pour sa valeur absolue. COVARIANCE.PEARSON(A;B) et COVARIANCE.PEARSON(B;A) donnent le même résultat.
Comment interpréter le résultat ?
COVARIANCE.PEARSON te retourne une valeur numérique qui peut être positive, négative ou proche de zéro. Cette valeur te dit dans quelle mesure tes deux variables évoluent ensemble.
Covariance positive
Quand une variable augmente, l'autre tend aussi à augmenter. Elles évoluent dans le même sens, comme le prix et la demande de luxe.
Covariance négative
Quand une variable augmente, l'autre tend à diminuer. Relation inverse, comme le prix et la demande d'un produit standard.
Proche de zéro
Pas de relation linéaire détectée. Les deux variables évoluent de manière indépendante l'une de l'autre.
Attention : La valeur absolue de la covariance dépend de l'échelle de tes données. Une covariance de 100 peut être forte ou faible selon les unités de mesure. Pour des comparaisons faciles, préfère le coefficient de corrélation qui est toujours entre -1 et 1.
Exemples pratiques pas à pas
Exemple 1 – Commercial : analyser la relation température-ventes
Tu es commercial ou responsable magasinvendant des glaces. 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.
Covariance positive de 132 → forte relation positive confirmée !
| 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 covariance positive de 132 confirme ton intuition : plus il fait chaud, plus tu vends. Cette valeur prouve quantitativement la relation, ce qui te permet de négocier un budget pub flexible basé sur les prévisions météo.
Exemple 2 – 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, mais tu veux d'abord quantifier la relation prix-volume pour évaluer le risque.
Covariance négative de -220 → relation inverse forte détectée
| 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)La covariance négative de -220 illustre clairement la loi de la demande : quand tu augmentes le prix, les volumes chutent. Cette valeur te permet de modéliser l'impact d'une hausse de prix sur ton chiffre d'affaires total.
Exemple 3 – 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.
Covariance positive de 2.16 → les deux actions montent et descendent ensemble
| 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)Une covariance positive de 2.16 signifie que ces deux actions évoluent dans le même sens : quand A monte, B monte aussi. Pour ton portefeuille, ce n'est pas idéal car tu cherches des actifs qui se compensent. Tu devras chercher des actions avec une covariance faible ou négative pour vraiment diversifier ton risque.
Aller plus loin avec COVARIANCE.PEARSON
COVARIANCE.PEARSON devient encore plus puissante quand tu la combines avec d'autres fonctions Excel. Voici quelques techniques avancées qui te feront gagner un temps fou.
Calculer le coefficient de corrélation
=COVARIANCE.PEARSON(A2:A10; B2:B10) / (ECARTYPE.PEARSON(A2:A10) * ECARTYPE.PEARSON(B2:B10))Cette formule normalise ta covariance pour obtenir un coefficient entre -1 et 1, beaucoup plus facile à interpréter et à comparer entre différents datasets.
Raccourci : Tu peux aussi utiliser directement=COEFFICIENT.CORRELATION(A2:A10; B2:B10)qui fait exactement ce calcul !
Créer une matrice de covariance
=COVARIANCE.PEARSON($A$2:$A$10; B$2:B$10)Avec des références mixtes, tu peux copier cette formule dans un tableau pour créer une matrice de covariance complète entre plusieurs variables. Super utile en finance pour analyser un portefeuille multi-actifs !
Les erreurs fréquentes et comment les éviter
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. Vérifie bien que A2:A10 et B2:B10 contiennent le même nombre de cellules (ici 9).
Erreur #VALEUR! : données non numériques
Excel ignore les cellules vides, mais il plante si tes matrices contiennent du texte ou des erreurs. Nettoie tes données avant ou utilise SIERREUR pour gérer les cas problématiques.
Valeurs aberrantes qui faussent tout
La covariance est ultra-sensible aux valeurs extrêmes. Une seule donnée folle peut complètement fausser ton résultat. Avant d'interpréter ta covariance, jette un œil à tes données avec MIN(), MAX() et des graphiques pour repérer d'éventuelles anomalies.
Comparer des covariances d'échelles différentes
La covariance entre température et ventes (132) et celle entre rendements boursiers (2.16) ne sont pas comparables : elles ont des unités différentes. Pour comparer des relations, utilise toujours le coefficient de corrélation qui est normalisé entre -1 et 1.
Confondre covariance nulle et indépendance
Une covariance proche de zéro signifie "pas de relation linéaire", pas forcément "pas de relation du tout". Deux variables peuvent avoir une relation en U ou en courbe (non-linéaire) et afficher une covariance de zéro. Combine toujours l'analyse chiffrée avec des graphiques !
Questions fréquentes
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 (population complète)
- COVARIANCE.STANDARD divise par n-1 (échantillon)
En pratique, utilise PEARSON si tu analyses toutes tes données (tous tes clients, toutes tes transactions). Utilise STANDARD si tu travailles sur un échantillon représentatif d'une population plus large.
Comment savoir si ma covariance est forte ou faible ?
C'est le gros problème de la covariance : 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, calcule plutôt le coefficient de corrélation (entre -1 et 1) avec COEFFICIENT.CORRELATION.
Combien de données faut-il au minimum ?
Techniquement, COVARIANCE.PEARSON fonctionne dès 2 paires de valeurs. Mais pour des résultats fiables et interprétables, je te recommande au moins 20-30 paires. Avec moins, une ou deux valeurs aberrantes peuvent complètement fausser 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 qui est un alias de COVARIANCE.PEARSON.
Covariance nulle = pas 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 autre (relation 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.
Les fonctions similaires à COVARIANCE.PEARSON
Deviens un pro d'Excel
Rejoins Le Dojo Club pour maîtriser toutes les fonctions Excel, avec des formations complètes, des lives experts et une communauté d'entraide.
Essayer pendant 30 jours