Calculateur de Covariance Cov(X,Y) et Corrélation de Pearson
Calculez la covariance entre deux séries statistiques X et Y, le coefficient de corrélation r de Pearson et la droite de régression. Résultat instantané et gratuit.
Calculateur de Covariance
Covariance et corrélation de Pearson : guide expert complet
La covariance Cov(X,Y) mesure la tendance de deux variables aléatoires à varier ensemble. Positive : elles varient dans le même sens. Négative : en sens inverse. Nulle : pas de liaison linéaire. Mais la covariance brute dépend des unités — c'est pourquoi on lui préfère souvent le coefficient de corrélation r de Pearson, sans unité.
Formules de référence
Cov(X,Y) = E(XY) - E(X)·E(Y) = (1/n)·Σ(xᵢ - x̄)(yᵢ - ȳ)
r de Pearson = Cov(X,Y) / (σX · σY), avec r ∈ [-1 ; +1]
Droite de régression Y en X : Y = a·X + b
a = Cov(X,Y) / Var(X) — b = ȳ - a·x̄
Interprétation du coefficient r de Pearson
| Valeur de |r| | Interprétation | Exemple pratique |
|---|---|---|
| 0,00 - 0,10 | Absence de corrélation | Taille et QI |
| 0,10 - 0,30 | Corrélation faible | Revenu et bonheur déclaré |
| 0,30 - 0,70 | Corrélation modérée | Âge et tension artérielle |
| 0,70 - 0,90 | Corrélation forte | Taille parents/enfants |
| 0,90 - 1,00 | Corrélation très forte | Poids et IMC |
Exemple numérique détaillé pas à pas
Données : X = {2, 4, 6, 8, 10} et Y = {1, 3, 5, 7, 9}.
x̄ = 6, ȳ = 5. Σ(xᵢ - x̄)(yᵢ - ȳ) = (-4)(-4) + (-2)(-2) + (0)(0) + (2)(2) + (4)(4) = 16+4+0+4+16 = 40.
Cov(X,Y) = 40/5 = 8. Var(X) = σX² = [(4+1+0+1+4)/5] × 4 = 8. Var(Y) = idem = 8. σX = σY = 2√2.
r = 8 / (2√2 × 2√2) = 8/8 = 1. Corrélation parfaite — logique car Y = X - 1 (relation linéaire exacte).
Droite de régression : a = Cov(X,Y)/Var(X) = 8/8 = 1. b = ȳ - a·x̄ = 5 - 1×6 = -1. Équation : Y = X - 1.
Corrélation vs causalité : le piège classique
Une corrélation forte entre X et Y ne prouve pas que X cause Y. Exemples célèbres de corrélations fallacieuses : la vente de glaces et les noyades (variable confondante : la chaleur estivale). Le nombre de cigognes en Alsace et le taux de natalité (variable confondante : la ruralité). Ces situations illustrent le concept de variable confondante — une troisième variable qui influence à la fois X et Y.
En statistiques modernes (études cliniques, économétriques), on contrôle les variables confondantes par la régression multiple et les études randomisées (RCT) pour établir la causalité.
Limites de la covariance de Pearson
Le coefficient r de Pearson ne mesure que la liaison linéaire. Pour une relation Y = X², r peut être proche de 0 même si la relation est parfaite. Le coefficient rho de Spearman (corrélation sur les rangs) est plus robuste pour les relations monotones non linéaires et résistant aux valeurs aberrantes. Le tau de Kendall est préférable pour les petits échantillons.
Applications en finance : la covariance en gestion de portefeuille
La covariance est au cœur de la théorie moderne du portefeuille (Markowitz, 1952). Pour deux actifs X et Y avec des rendements rX et rY, la variance du portefeuille est : Var(P) = w²X·Var(X) + w²Y·Var(Y) + 2·wX·wY·Cov(rX,rY). Si Cov < 0 (actifs décorrélés ou anti-corrélés), le risque total du portefeuille est réduit — c'est le principe de diversification. Un portefeuille optimal minimise le ratio risque/rendement.
3 erreurs fréquentes avec la covariance
Erreur 1 — Confondre covariance et corrélation
La covariance est sensible aux unités de mesure : Cov(taille en cm, poids en kg) ≠ Cov(taille en m, poids en g). Elle ne permet pas de comparer deux paires de variables. Le coefficient r de Pearson, sans unité, est la bonne mesure comparative. Règle : si vous voulez comparer des intensités de liaison entre différentes études, utilisez toujours r et non Cov brute.
Erreur 2 — Cov = 0 ne signifie pas indépendance
Si X et Y sont indépendants, alors Cov(X,Y) = 0. Mais l'inverse est faux. Exemple : X suit une loi symétrique centrée (ex : normale), Y = X². Alors Cov(X,Y) = E(X³) - E(X)·E(X²) = 0 (par symétrie), pourtant Y dépend entièrement de X. La covariance nulle signifie absence de liaison linéaire, pas absence de liaison tout court.
Erreur 3 — Diviser par n ou par (n-1) ?
Il existe deux formules : la covariance de la population (diviseur n) et la covariance de l'échantillon (diviseur n-1). En statistiques descriptives (vous avez la population entière), divisez par n. En inférence statistique (l'échantillon doit estimer la covariance de la population), divisez par n-1 pour un estimateur sans biais. Excel utilise n-1 dans COVARIANCE.S() et n dans COVARIANCE.P(). Notre calculateur utilise n (covariance descriptive).
Pack Examens 2026 — Maths Bac : probabilités + statistiques + loi normale
- Proba binomiale/normale/poisson + cas classiques Bac
- Statistiques : moyenne, médiane, écart-type, quartiles
- Sujets Bac 2024-2025 corrigés + annales ciblées
Coefficients officiels · Éducation Nationale 2026
Questions fréquentes sur la covariance
Peut-on calculer une covariance avec des variables qualitatives ?
Non, la covariance de Pearson exige des variables quantitatives (numériques). Pour les variables ordinales, utilisez le rho de Spearman (corrélation sur les rangs). Pour les variables nominales, d'autres mesures d'association (phi, V de Cramer) sont appropriées. En pratique, si vos variables sont "niveau d'éducation" ou "satisfaction sur 5", le rho de Spearman sera plus pertinent que Cov(X,Y).
Quelle différence entre Cov(X,Y) et Var(X) ?
La variance est un cas particulier de la covariance : Var(X) = Cov(X,X). Formellement, Var(X) = E(X²) - [E(X)]². Cov(X,Y) mesure la co-variation entre deux variables distinctes, Var(X) mesure la dispersion d'une seule variable autour de sa moyenne. L'écart-type σX est la racine carrée de Var(X).
Comment interpréter une covariance négative ?
Une covariance négative signifie que quand X augmente, Y tend à diminuer (et inversement). Exemple : le prix d'un billet d'avion et le nombre de jours à l'avance où on l'achète (plus on achète tôt, moins c'est cher en général → Cov négative). Une covariance très négative correspond à un r de Pearson proche de -1 (corrélation négative forte).
Comment la covariance entre dans le calcul du coefficient beta en finance ?
Le bêta d'une action en modèle CAPM est : β = Cov(Ri, Rm) / Var(Rm), où Ri est le rendement de l'action et Rm le rendement du marché. β > 1 = l'action amplifie les mouvements du marché (plus risquée). β < 1 = l'action amortit les mouvements (moins risquée). β ≈ 0 = l'action est décorrélée du marché. La covariance est donc l'outil fondamental du pricing du risque en finance de marché.
Peut-on calculer la covariance avec des données en séries temporelles ?
Oui, avec précaution. Pour des séries temporelles, on utilise souvent la covariance sur les rendements (différences premières) plutôt que sur les niveaux, car les séries de niveaux sont souvent non stationnaires (trend). On peut aussi calculer la covariance glissante (rolling window) pour observer son évolution dans le temps — cette approche est courante dans les modèles de risque dynamique (DCC-GARCH).
Quelle est la propriété de bilinéarité de la covariance ?
La covariance est bilinéaire : Cov(aX+bY, Z) = a·Cov(X,Z) + b·Cov(Y,Z). Cette propriété est fondamentale pour calculer la variance d'une somme : Var(X+Y) = Var(X) + Var(Y) + 2·Cov(X,Y). Si X et Y sont indépendants, Cov(X,Y) = 0 et Var(X+Y) = Var(X) + Var(Y). C'est le principe sur lequel repose la diversification de portefeuille.
La covariance est-elle au programme du lycée ?
La covariance apparaît au programme de Terminale (spécialité Mathématiques) dans le cadre de la droite des moindres carrés et de la régression linéaire. Elle est approfondie en BTS, DUT, L1 de mathématiques/économie. En pratique, le coefficient r de Pearson est plus souvent calculé explicitement que la covariance brute dans les examens lycée — mais comprendre Cov(X,Y) est indispensable pour maîtriser la régression.
Comment calculer la covariance sur Excel ?
Excel propose deux fonctions : COVARIANCE.P(plage_X ; plage_Y) pour la covariance population (diviseur n) et COVARIANCE.S(plage_X ; plage_Y) pour la covariance échantillon (diviseur n-1). Pour le coefficient r de Pearson : COEFFICIENT.CORRELATION(plage_X ; plage_Y). Pour la droite de régression, la fonction DROITEREG(plage_Y ; plage_X) renvoie les coefficients a et b de Y = aX + b.