Fonction VARVariance d'échantillon – Guide 2026

Confusion entre VAR et VAR.P

L'erreur la plus courante est d'utiliser VAR.P (population) sur un échantillon. Cela sous-estime la variance réelle de la population et invalide les inférences statistiques. VAR divise par N-1, VAR.P divise par N.

Solution : Utilisez VAR pour les échantillons (cas le plus fréquent) et VAR.P uniquement quand vous avez vraiment toutes les données de la population complète.

Interprétation difficile de l'unité

La variance s'exprime en unité au carré (€², kg², secondes²), ce qui est contre-intuitif. Une variance de 100 €² signifie un écart-type de 10 €. Beaucoup confondent ces deux mesures.

Solution : Pour l'interprétation et la communication, préférez l'écart-type (=RACINE(VAR(...))) qui s'exprime dans l'unité originale et est plus facile à comprendre.

Échantillon trop petit

VAR fonctionne à partir de 2 valeurs, mais un échantillon si petit donne une estimation très imprécise de la variance de la population. En statistiques, on recommande au moins 30 observations pour des estimations fiables.

Solution : Assurez-vous d'avoir un échantillon suffisamment grand pour vos besoins. Utilisez NB() pour vérifier la taille de votre échantillon.

Cellules vides non détectées

VAR ignore automatiquement les cellules vides, ce qui peut réduire votre échantillon sans que vous le remarquiez. Une plage de 100 cellules avec 20 vides ne calculera la variance que sur 80 valeurs.

Solution : Vérifiez toujours avec NB(plage) combien de valeurs sont réellement prises en compte. Nettoyez vos données ou utilisez des formules conditionnelles si nécessaire.

Données avec valeurs extrêmes

La variance est très sensible aux valeurs extrêmes (outliers) car elle élève les écarts au carré. Une seule valeur aberrante peut fortement augmenter la variance et fausser l'analyse.

Solution : Identifiez et analysez les valeurs extrêmes avant de calculer la variance. Utilisez des graphiques (boîtes à moustaches) ou le test de Grubbs pour détecter les outliers. Considérez des mesures de dispersion plus robustes comme l'écart interquartile pour des données avec outliers.

Comparaison directe de variances d'échelles différentes

Comparer une variance de salaires (variance de plusieurs millions €²) avec une variance d'âges (variance de quelques dizaines d'années²) n'a aucun sens car les échelles sont incomparables.

Solution : Utilisez le coefficient de variation (CV = écart-type/moyenne) pour comparer la variabilité relative de données d'échelles différentes.

Quelle est la différence entre VAR et VAR.P ?

VAR calcule la variance d'un échantillon (division par N-1) et est utilisée quand vos données représentent un sous-ensemble d'une population plus large. VAR.P calcule la variance d'une population complète (division par N) quand vous avez accès à toutes les données. Pour la plupart des analyses statistiques, VAR est préférable car on travaille rarement avec des populations complètes.

Comment interpréter une variance élevée ou faible ?

Une variance élevée indique que les valeurs sont très dispersées autour de la moyenne, suggérant une grande hétérogénéité des données. Une variance faible signifie que les valeurs sont proches de la moyenne. Attention : la variance s'exprime en unité au carré (€² pour des euros, kg² pour des kilos), ce qui la rend moins intuitive que l'écart-type. C'est pourquoi on préfère souvent l'écart-type pour la communication.

Pourquoi utiliser la variance plutôt que l'écart-type ?

La variance est mathématiquement plus pratique pour certains calculs statistiques avancés (ANOVA, régression, tests statistiques) car ses propriétés algébriques sont plus simples. Pour la communication et l'interprétation, l'écart-type (racine carrée de la variance) est préférable car il s'exprime dans la même unité que les données. En pratique, variance et écart-type sont complémentaires.

VAR peut-elle traiter des données négatives ?

Oui, VAR fonctionne parfaitement avec des valeurs négatives. La variance mesure la dispersion autour de la moyenne, quelle que soit la valeur de cette moyenne. Par exemple, vous pouvez calculer la variance de températures négatives, de profits/pertes, ou de variations de stock.

Comment calculer la variance pondérée ?

Excel n'a pas de fonction native pour la variance pondérée. Vous devez la calculer manuellement : 1) Calculez la moyenne pondérée avec SOMME.SI.ENS, 2) Pour chaque valeur, calculez (valeur - moyenne)² × poids, 3) Divisez la somme de ces produits par (somme des poids - 1) pour un échantillon. Formule : =SOMME((A2:A10-moyenne_pondérée)²*B2:B10)/(SOMME(B2:B10)-1)