Calculateur de coefficient de corrélation

Calculateur de coefficient de corrélation

Émergent AI Skill PRO

Entrez le calcul

Formule

r=∑(xi−x‾)(yi−y‾)∑(xi−x‾)2∑(yi−y‾)2où{xi=Valeurs de Xyi=Valeurs de Yx‾=1n∑xiy‾=1n∑yi\begin{gathered} r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \; \sum (y_i - \bar{y})^2}} \\[1.5em] \text{où}\quad \left\{ \begin{aligned} x_i &= \text{Valeurs de X} \\ y_i &= \text{Valeurs de Y} \\ \bar{x} &= \tfrac{1}{n}\textstyle\sum x_i \\ \bar{y} &= \tfrac{1}{n}\textstyle\sum y_i \end{aligned} \right. \end{gathered}
Statistiques d'utilisation

Publicité

Résultats

Coefficient de corrélation de Pearson (r)
0,7746
intervalle de −1 à +1
Coefficient de détermination (r²) 0,6
Nombre de paires de données (n) 5
Moyenne de X 3
Moyenne de Y 4
Covariance 1,2
Pente de la régression 0,6
Ordonnée à l'origine de la régression 2,2

Signaler une erreur sur cette page

Qu'est-ce que le coefficient de corrélation ?

Le coefficient de corrélation de Pearson, noté r, mesure la force avec laquelle deux variables évoluent ensemble selon une relation linéaire. Il est toujours compris entre −1 et +1. Une valeur proche de +1 traduit une forte relation linéaire positive (lorsque X augmente, Y augmente aussi), une valeur proche de −1 indique une forte relation négative, tandis qu'une valeur proche de 0 signale une relation linéaire faible, voire inexistante.

Trois nuages de points montrant une corrélation positive, négative et nulle entre deux variables
Nuages de points pour une corrélation positive (r proche de +1), négative (r proche de -1) et nulle (r voisin de 0).

Comment utiliser ce calculateur

Saisissez vos valeurs de X, puis les valeurs de Y correspondantes, chaque liste étant séparée par des virgules ou des espaces. Les deux listes doivent contenir le même nombre d'éléments ; si leurs longueurs diffèrent, seules les premières paires correspondantes sont prises en compte. Le calculateur affiche \(r\), le coefficient de détermination \(r^2\), la covariance, la moyenne de chaque série, ainsi que la pente et l'ordonnée à l'origine de la droite de régression la mieux ajustée.

La formule expliquée

Pour chaque paire, on calcule l'écart de x par rapport à sa moyenne \((x - \bar{x})\) et celui de y par rapport à sa moyenne \((y - \bar{y})\). Le numérateur additionne les produits de ces écarts ; le dénominateur correspond à la racine carrée du produit des sommes des écarts au carré. Cette division ramène le résultat sur l'intervalle −1 à +1 : son amplitude devient ainsi indépendante des unités de mesure utilisées.

$$ r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \; \sum (y_i - \bar{y})^2}} $$ $$ \text{where}\quad \left\{ \begin{aligned} x_i &= \text{X values} \\ y_i &= \text{Y values} \\ \bar{x} &= \tfrac{1}{n}\textstyle\sum x_i \\ \bar{y} &= \tfrac{1}{n}\textstyle\sum y_i \end{aligned} \right. $$

Publicité
Nuage de points divisé en quatre quadrants par les droites des moyennes, montrant la contribution de chaque point à la corrélation
Les écarts aux moyennes de x et de y se combinent pour former la covariance, au cœur de la formule.

Exemple concret

Prenons X = 1, 2, 3, 4, 5 et Y = 2, 4, 5, 4, 5. Les moyennes valent \(\bar{x} = 3\) et \(\bar{y} = 4\). La somme des produits des écarts est égale à 6, avec \(\sum (x - \bar{x})^2 = 10\) et \(\sum (y - \bar{y})^2 = 6\). On obtient donc $$ r = \frac{6}{\sqrt{10 \times 6}} = \frac{6}{\sqrt{60}} \approx 0{,}7746 $$ soit \(r^2 \approx 0{,}6\). Cela révèle une relation linéaire positive assez forte.

Publicité
Nuage de points de données traversé par une droite de régression d'ajustement optimal
La droite de régression résume la relation linéaire qui sous-tend la valeur de r calculée.

Questions fréquentes

La corrélation implique-t-elle un lien de cause à effet ? Non. Un \(r\) élevé montre seulement que les variables évoluent de concert ; il ne prouve pas que l'une est la cause de l'autre.

Qu'est-ce qu'une corrélation « forte » ? À titre indicatif, un \(|r|\) supérieur à 0,7 est considéré comme fort, entre 0,3 et 0,7 comme modéré, et inférieur à 0,3 comme faible — mais le contexte reste déterminant.

Pourquoi r² est-il important ? Le \(r^2\) indique la part de la variation de Y expliquée par la relation linéaire avec X ; un \(r^2\) de 0,6 signifie que 60 % de la variance de Y est expliquée.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques