La fonction COVARIANCE.STANDARD mesure comment deux variables évoluent ensemble dans un échantillon de données. Elle répond concrètement à cette question : quand ma variable X augmente, est-ce que ma variable Y a tendance à augmenter aussi, à diminuer, ou à rester stable ?
Que tu travailles en finance, en marketing, en RH ou en analyse de données, cette fonction t'aide à détecter des relations entre tes indicateurs. C'est elle qui te dit si le budget publicitaire est vraiment lié aux ventes, si l'expérience de tes commerciaux influence leur productivité, ou si la température de production réduit le taux de défauts. Elle utilise la correction de Bessel (division par n-1) pour donner une estimation non biaisée à partir d'un échantillon.
Syntaxe de la fonction COVARIANCE.STANDARD
=COVARIANCE.STANDARD(matrice1; matrice2)Si tes deux matrices n'ont pas exactement le même nombre de valeurs, Excel retourne #N/A. Avec seulement 1 paire de valeurs, la division par n-1 = 0 provoque #DIV/0! : il te faut au minimum 2 paires.
Comprendre chaque paramètre de la fonction COVARIANCE.STANDARD
matrice1
: ta première série de données : une plage de valeurs numériques dont tu veux analyser la relation avec une seconde variableIl peut s'agir de budgets publicitaires, de températures de production, de scores de satisfaction client, d'années d'expérience, ou de toute autre série mesurable.
Excel ignore les cellules vides dans le calcul, mais si les deux matrices n'ont pas exactement le même nombre de valeurs après exclusion des vides, tu obtiens #N/A. Assure-toi que tes données sont propres et bien alignées.
Astuce : Avant de calculer la covariance, crée un nuage de points (Insertion > Graphique > Nuage) pour visualiser visuellement la relation entre tes deux variables. Un pattern en nuage orienté en diagonale indique une covariance non nulle.
matrice2
: ta deuxième série de données, celle que tu veux comparer à la premièreElle doit avoir exactement le même nombre de valeurs que matrice1. Excel analyse chaque paire de valeurs : première ligne de matrice1 avec première ligne de matrice2, et ainsi de suite.
La fonction utilise la correction de Bessel en divisant par n-1 au lieu de n : c'est parfait quand tu travailles avec un échantillon représentatif d'une population plus large, ce qui est le cas dans la grande majorité des analyses pratiques en entreprise.
Astuce : Dans le doute entre COVARIANCE.STANDARD et COVARIANCE.PEARSON, utilise STANDARD. Dans 90 % des cas en entreprise, tu travailles avec des échantillons (quelques mois de ventes, un panel de clients...) et non avec l'intégralité de la population possible.
Pas envie d'écrire la formule COVARIANCE.STANDARD à la main ?
Génère-la avec notre IA
Exemples pratiques pas à pas
Responsable marketing : analyser l'impact du budget publicitaire
Tu es responsable marketing et tu dois justifier ton budget pour les prochains mois. Tu as testé différents niveaux de dépenses publicitaires sur les 5 dernières campagnes et tu veux savoir s'il existe vraiment une relation entre tes investissements et les ventes générées.
| A | B | |
|---|---|---|
| 1 | Budget pub (k€) | Ventes (k€) |
| 2 | 5 | 45 |
| 3 | 8 | 62 |
| 4 | 6 | 51 |
| 5 | 10 | 78 |
| 6 | 7 | 58 |
=COVARIANCE.STANDARD(A2:A6; B2:B6)La fonction compare les deux séries paire par paire et renvoie une covariance positive de 27,75 : dans ton échantillon, les ventes augmentent effectivement avec le budget pub. La division par 4 (n-1, soit 5 campagnes moins 1) au lieu de 5 te donne une estimation non biaisée, exploitable pour anticiper les prochaines campagnes.
Astuce de pro : Pour aller plus loin et comparer l'intensité de cette relation avec d'autres paires de variables, calcule le coefficient de corrélation : =COEFFICIENT.CORRELATION(A2:A6; B2:B6). Il normalise la covariance entre -1 et 1, ce qui te permet de comparer des relations sur des échelles très différentes.
Responsable qualité : optimiser la température de production
Tu es responsable qualité dans une usine de fabrication et tu as collecté des données sur 5 lots de production avec différentes températures de cuisson. Ton objectif : déterminer si augmenter la température permet vraiment de réduire les défauts, ou si c'est juste une impression.
| A | B | |
|---|---|---|
| 1 | Température (°C) | Taux défauts (%) |
| 2 | 180 | 8,5 |
| 3 | 185 | 6,2 |
| 4 | 190 | 4,8 |
| 5 | 195 | 3,1 |
| 6 | 200 | 2,5 |
=COVARIANCE.STANDARD(A2:A6; B2:B6)Ici, le résultat est négatif (-7,75), signe que les deux variables évoluent en sens inverse : quand la température monte, le taux de défauts baisse. Cette relation inverse est nette et te donne une base statistique solide pour optimiser tes paramètres de production.
Data analyst : préparer une analyse de régression
Tu es data analyst et tu prépares une analyse de régression pour ton équipe commerciale. Avant de construire un modèle prédictif, tu veux vérifier s'il existe bien une relation entre l'expérience de tes commerciaux et leur productivité mensuelle, sur un échantillon de 5 profils représentatifs.
| A | B | |
|---|---|---|
| 1 | Années d'expérience | Ventes/mois (unités) |
| 2 | 1 | 12 |
| 3 | 3 | 18 |
| 4 | 5 | 22 |
| 5 | 7 | 25 |
| 6 | 10 | 28 |
=COVARIANCE.STANDARD(A2:A6; B2:B6)La fonction renvoie une covariance positive de 15,5 : l'expérience et la productivité évoluent bien dans le même sens sur cet échantillon. C'est le feu vert pour passer à un modèle de régression et estimer les performances futures.
Analyste financier : relation entre risque et rendement
Tu es analyste financier ou gestionnaire de portefeuille et tu analyses la relation entre la volatilité (risque) et le rendement de différentes classes d'actifs pour construire un portefeuille optimisé selon le profil de risque de tes clients.
| A | B | |
|---|---|---|
| 1 | Volatilité (%) | Rendement annuel (%) |
| 2 | 8 | 4,5 |
| 3 | 12 | 6,8 |
| 4 | 15 | 8,2 |
| 5 | 20 | 10,5 |
| 6 | 25 | 12,1 |
=COVARIANCE.STANDARD(A2:A6; B2:B6)Le résultat positif (19,35) illustre le principe classique de la finance : plus la volatilité est élevée, plus le rendement espéré l'est aussi. Cette relation te sert à calibrer tes recommandations et à présenter des scénarios risque/rendement chiffrés.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction COVARIANCE.STANDARD
Matrices de tailles différentes : erreur #N/A
Tes deux matrices doivent avoir exactement le même nombre de valeurs. Si tu sélectionnes A2:A10 (9 valeurs) et B2:B8 (7 valeurs), les paires ne peuvent pas être constituées et Excel retourne #N/A.
Solution : Vérifie que tes deux plages couvrent exactement le même nombre de lignes : =COVARIANCE.STANDARD(A2:A8; B2:B8). Si tes données ont des cellules vides décalées, utilise EQUIV ou un nettoyage préalable pour aligner les séries.
Échantillon trop petit : erreur #DIV/0!
Avec seulement 1 paire de valeurs, la division par n-1 = 0 est impossible, ce qui provoque #DIV/0!. C'est la limite mathématique de la covariance d'échantillon.
Solution : Assure-toi d'avoir au minimum 2 paires de valeurs numériques. Sur le plan statistique, vise au moins 15 à 20 paires pour que ton estimation soit fiable et représentative : avec 2 ou 3 valeurs, le résultat est mathématiquement valide mais statistiquement très instable.
Confondre covariance élevée et relation forte
La valeur brute de la covariance dépend de l'échelle de tes données. Une covariance de 10 000 entre deux variables en euros n'est pas nécessairement plus forte qu'une covariance de 2 entre deux variables en pourcentage. Comparer des covariances de variables sur des échelles différentes n'a pas de sens.
Solution : Utilise le coefficient de corrélation pour comparer l'intensité des relations : =COEFFICIENT.CORRELATION(A2:A10; B2:B10). Il normalise la covariance entre -1 (relation négative parfaite) et 1 (relation positive parfaite), indépendamment des unités.
Valeurs aberrantes qui faussent tout le calcul
Dans un petit échantillon, une seule valeur extrême (par exemple une erreur de saisie : 10 000 au lieu de 100) peut complètement changer le signe et l'ordre de grandeur de ta covariance.
Solution : Visualise tes données avec un nuage de points avant de calculer la covariance. Repère les outliers visuellement : une valeur isolée très loin des autres mérite vérification. Corrige l'erreur de saisie à la source plutôt que de l'exclure manuellement.
COVARIANCE.STANDARD vs COVARIANCE.PEARSON vs COEFFICIENT.CORRELATION
COVARIANCE.STANDARD est le bon choix par défaut pour les données d'échantillon. COVARIANCE.PEARSON s'utilise uniquement quand tu as la population complète. Pour comparer l'intensité de différentes relations, le coefficient de corrélation est plus lisible.
| Critère | COVARIANCE.STANDARD | COVARIANCE.PEARSON | COEFFICIENT.CORRELATION |
|---|---|---|---|
| Diviseur utilisé | n-1 (correction de Bessel) | n (population entière) | Normalisé (sans unité) |
| Quand l'utiliser | Données d'échantillon | Population complète connue | Comparer l'intensité entre paires |
| Plage de résultats | Valeur brute (dépend des unités) | Valeur brute (dépend des unités) | Entre -1 et 1 |
| Cas d'usage typique | Sondage, panel, historique partiel | Tous les employés d'une entreprise | Tableau de bord de corrélations |
Astuces avancées avec COVARIANCE.STANDARD
Passer à la corrélation pour des comparaisons
La covariance dépend de l'échelle des variables : un résultat de 27,75 entre budget et ventes (en milliers d'euros) n'est pas comparable à un 0,15 entre deux indices. Pour normaliser et comparer, la formule manuelle est =COVARIANCE.STANDARD(A2:A10; B2:B10) / (ECARTYPE.STANDARD(A2:A10) * ECARTYPE.STANDARD(B2:B10)).
Ou plus simplement, utilise directement =COEFFICIENT.CORRELATION(A2:A10; B2:B10) qui effectue ce calcul en une seule étape.
Calculer la pente d'une régression linéaire
La covariance divise par la variance de X pour donner la pente de la droite de régression : =COVARIANCE.STANDARD(A2:A10; B2:B10) / VAR.S(A2:A10). C'est la relation mathématique exacte entre covariance, variance et pente de régression.
Si tu veux directement la pente sans passer par la covariance, utilise =PENTE(B2:B10; A2:A10) qui arrive au même résultat.
Questions fréquentes sur la fonction COVARIANCE.STANDARD
Pourquoi diviser par n-1 au lieu de n ?
La division par n-1 (correction de Bessel) compense le biais quand tu estimes la covariance d'une population à partir d'un échantillon. En utilisant n-1 au lieu de n, tu obtiens une estimation non biaisée, plus fiable pour tes analyses et pour l'inférence statistique.
Quand utiliser COVARIANCE.STANDARD plutôt que COVARIANCE.PEARSON ?
Utilise STANDARD quand tu travailles avec un échantillon représentatif d'une population plus large : un sondage de 100 clients sur 10 000, 6 mois de ventes sur plusieurs années, un panel de commerciaux. Utilise PEARSON quand tu as toutes les données de la population complète : tous les employés de ton entreprise, tous les produits de ton catalogue.
Peut-on avoir une covariance élevée mais une corrélation faible ?
Non. La corrélation est la covariance normalisée par les écarts-types : si la covariance est élevée, la corrélation l'est aussi. L'inverse est possible : une faible covariance peut masquer une forte corrélation si les variables ont une très petite variance. C'est pourquoi la corrélation est souvent plus utile pour comparer.
Combien de valeurs faut-il au minimum ?
COVARIANCE.STANDARD fonctionne dès 2 paires de valeurs (sinon #DIV/0!). Mais pour des résultats statistiquement fiables, vise au moins 15 à 20 paires. Avec moins, ton estimation sera très instable et peu représentative de la vraie relation entre les variables.
COVARIANCE.STANDARD fonctionne-t-elle sur Google Sheets ?
Oui. La syntaxe est identique : =COVARIANCE.STANDARD(matrice1; matrice2). La seule différence possible est le séparateur d'arguments : virgule ou point-virgule selon tes paramètres régionaux. Google Sheets gère parfaitement cette fonction statistique.
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