Fonction COVARIANCE.STANDARD ExcelGuide Complet 2026
La fonction COVARIANCE.STANDARD te permet de mesurer comment deux variables évoluent ensemble dans un échantillon de données. En clair, elle répond à la 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 ou en analyse de données, cette fonction t'aide à détecter des relations entre tes indicateurs et à prendre des décisions éclairées.
Syntaxe de la fonction COVARIANCE.STANDARD
La syntaxe de COVARIANCE.STANDARD est simple : tu lui donnes deux plages de données, et elle te retourne la covariance d'échantillon qui mesure leur relation.
=COVARIANCE.STANDARD(matrice1; matrice2)Comprendre chaque paramètre de la fonction COVARIANCE.STANDARD
matrice1
(obligatoire)C'est ta première série de données. Il peut s'agir de budgets publicitaires, de températures de production, de scores de satisfaction client... Bref, n'importe quelle série de valeurs numériques dont tu veux analyser la relation avec une autre variable.
Conseil : Assure-toi que tes données sont propres et bien alignées. Les cellules vides seront ignorées, mais si tes deux matrices n'ont pas exactement le même nombre de valeurs, Excel te retournera une erreur #N/A.
matrice2
(obligatoire)Ta deuxième série de données, celle que tu veux comparer à la première. Elle doit avoir exactement le même nombre de valeurs que matrice1. Excel va analyser chaque paire de valeurs (première ligne de matrice1 avec première ligne de matrice2, etc.) pour calculer la covariance.
Astuce : COVARIANCE.STANDARD utilise la correction de Bessel (division 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 plupart des analyses pratiques.
Comment interpréter le résultat ?
COVARIANCE.STANDARD te retourne un nombre qui peut être positif, négatif ou proche de zéro. Voici comment lire ce résultat pour prendre de bonnes décisions :
Covariance positive
Les deux variables évoluent dans le même sens. Quand l'une augmente, l'autre a tendance à augmenter aussi. Exemple : budget pub et ventes.
Covariance négative
Les deux variables évoluent en sens inverse. Quand l'une augmente, l'autre tend à diminuer. Exemple : température de cuisson et taux de défauts.
Proche de zéro
Pas de relation linéaire claire entre les deux variables. Elles varient de façon indépendante. Attention : ça ne signifie pas qu'il n'y a aucune relation, juste pas de relation linéaire.
Attention : La valeur brute de la covariance dépend de l'échelle de tes données. Une covariance de 100 n'est pas nécessairement "plus forte" qu'une covariance de 10. Pour comparer l'intensité de relations entre différentes paires de variables, utilise plutôt le coefficient de corrélation (COEFFICIENT.CORRELATION).
Exemples pratiques pas à pas
Exemple 1 – Responsable marketing : analyser l'impact du budget publicitaire
Tu es responsable marketing dans une entreprise. Tu as testé différents budgets publicitaires sur les 5 derniers mois et tu veux savoir s'il existe vraiment une relation entre tes investissements pub et tes ventes. Cette analyse va t'aider à justifier ton budget pour les prochains mois.
Échantillon de 5 campagnes représentant ton activité marketing récente
| 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 covariance positive de 27,75 te confirme que dans ton échantillon, les ventes augmentent effectivement avec le budget pub. La division par 4 (n-1) au lieu de 5 te donne une estimation non biaisée que tu peux utiliser pour prédire les performances de tes futures campagnes.
Exemple 2 – Responsable qualité : optimiser la température de production
Tu es responsable qualité dans une usine de fabrication. 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 de fabrication, ou si c'est juste une impression.
Données de production sur 5 lots tests avec différents réglages
| 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)La covariance négative de -7,75 te donne la réponse : oui, augmenter la température réduit significativement les défauts dans ton échantillon. Cette relation inverse est claire et tu peux maintenant optimiser tes paramètres de production en toute confiance.
Exemple 3 – 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 ton modèle prédictif, tu veux vérifier s'il existe bien une relation entre l'expérience de tes commerciaux et leur productivité. COVARIANCE.STANDARD est ton premier indicateur.
Échantillon de 5 commerciaux représentatif de ton équipe
| A | B | |
|---|---|---|
| 1 | Années 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)Une covariance de 15,5 te confirme que l'expérience et la productivité évoluent bien ensemble dans ton échantillon. C'est exactement ce que tu cherchais : tu peux maintenant construire ton modèle de régression pour prédire les performances et optimiser tes politiques de recrutement.
Exemple 4 – Analyste financier : relation entre risque et rendement
Tu es analyste financier ou gestionnaire de portefeuille. Tu analyses la relation entre la volatilité (risque) et le rendement de différents actifs pour construire un portefeuille optimisé. La covariance te permet de comprendre comment ces deux dimensions évoluent ensemble.
Données historiques sur 5 classes d'actifs différentes
| 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)La covariance positive de 19,35 te montre le principe classique : plus le risque est élevé, plus le rendement espéré est important. Cette relation t'aide à calibrer tes recommandations d'investissement en fonction du profil de risque de tes clients.
STANDARD vs PEARSON : quelle différence ?
Excel te propose deux fonctions de covariance : STANDARD et PEARSON. Voici comment choisir la bonne en fonction de ta situation.
Avec les mêmes données
COVARIANCE.STANDARD(A2:A6; B2:B6) → 27,75COVARIANCE.PEARSON(A2:A6; B2:B6) → 22,2STANDARD te donne toujours une valeur absolue plus élevée (27,75 vs 22,2) car elle divise par 4 au lieu de 5. Le ratio est exactement n/(n-1) = 5/4 = 1,25.
Quelle fonction choisir ?
| Ta situation | Fonction à utiliser |
|---|---|
| Tu as toutes les données de la population | COVARIANCE.PEARSON |
| Tu travailles avec un échantillon | COVARIANCE.STANDARD |
| Tu veux faire de l'inférence statistique | COVARIANCE.STANDARD |
| Tu analyses une population fermée complète | COVARIANCE.PEARSON |
Conseil pratique : Dans le doute, utilise COVARIANCE.STANDARD. Dans 90% des cas en entreprise, tu travailles avec des échantillons (quelques mois de ventes, un échantillon de clients, etc.) et non avec toute la population possible.
Aller plus loin avec la covariance
La covariance est souvent une première étape. Voici comment la combiner avec d'autres fonctions pour des analyses plus poussées.
Calculer le coefficient de corrélation
La covariance dépend de l'échelle de tes données. Pour obtenir un indicateur normalisé entre -1 et 1, calcule le coefficient de corrélation :
=COVARIANCE.STANDARD(A2:A10; B2:B10) / (ECARTYPE.STANDARD(A2:A10) * ECARTYPE.STANDARD(B2:B10))Ou plus simplement : =COEFFICIENT.CORRELATION(A2:A10; B2:B10)
Calculer la pente d'une régression linéaire
Si tu veux prédire Y à partir de X, la pente de ta droite de régression se calcule ainsi :
=COVARIANCE.STANDARD(A2:A10; B2:B10) / VAR.S(A2:A10)Ou directement : =PENTE(B2:B10; A2:A10)
Astuce d'expert : Pour une analyse complète de régression, utilise la fonction DROITEREG() qui te donne d'un coup la pente, l'ordonnée à l'origine, le R² et bien plus encore !
Les erreurs fréquentes et comment les éviter
Erreur #N/A : matrices de tailles différentes
Tes deux matrices doivent avoir exactement le même nombre de valeurs. Si tu sélectionnes A2:A10 (9 valeurs) et B2:B8 (7 valeurs), Excel te retourne une erreur.
Erreur #DIV/0! : échantillon trop petit
Avec seulement 1 valeur, la division par n-1 = 0 provoque une erreur. Tu as besoin d'au minimum 2 paires de valeurs pour que COVARIANCE.STANDARD fonctionne. Mais attention : 2 valeurs, c'est le strict minimum technique. Pour des résultats fiables, vise au moins 15-20 paires.
Confondre corrélation et causalité
Une covariance élevée ne signifie pas qu'une variable cause l'autre. Elle indique simplement qu'elles évoluent ensemble. Les ventes de glaces et les noyades ont une covariance positive... mais ce n'est pas la glace qui cause les noyades : c'est l'été !
Oublier les valeurs aberrantes
Dans les petits échantillons, une seule valeur extrême peut complètement fausser ta covariance. Avant de calculer COVARIANCE.STANDARD, crée un nuage de points pour repérer visuellement les outliers. Parfois, une erreur de saisie peut ruiner toute ton analyse !
Questions fréquentes
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. Ça te donne une estimation non biaisée, plus fiable pour tes analyses.
Quand utiliser COVARIANCE.STANDARD vs COVARIANCE.PEARSON ?
Utilise STANDARD quand tu travailles avec un échantillon représentatif d'une population plus large (par exemple : un sondage de 100 clients sur 10 000). Utilise PEARSON quand tu as toutes les données de la population complète (par exemple : tous les employés de ton entreprise).
Peut-on avoir une covariance élevée mais pas de corrélation ?
Non, mais l'inverse est possible. Une covariance élevée implique généralement une corrélation forte, mais la valeur brute de la covariance dépend de l'échelle de tes données. C'est pourquoi tu préféreras souvent calculer le coefficient de corrélation qui est normalisé entre -1 et 1.
Combien de valeurs faut-il au minimum ?
Techniquement, COVARIANCE.STANDARD fonctionne dès 2 valeurs. Mais pour des résultats fiables, je te recommande au moins 15-20 paires de valeurs. Avec moins, ton estimation sera très instable et peu représentative de la population.
COVARIANCE.STANDARD fonctionne-t-il 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). Google Sheets gère parfaitement cette fonction statistique.
Les fonctions similaires à COVARIANCE.STANDARD
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