Calculateur du coefficient de corrélation de Pearson (r)

Calculateur du coefficient de corrélation de Pearson (r)

Émergent AI Skill PRO

Entrez le calcul

Résultats

Coefficient de corrélation de Pearson
0,774597
r (entre -1 et +1)
Taille de l'échantillon (n) 5
Coefficient de détermination (r²) 0,6
Pente de la régression 0,6
Ordonnée à l'origine 2,2
Covariance (population) 1,2

Formule

r=∑(xi−x‾)(yi−y‾)∑(xi−x‾)2∑(yi−y‾)2r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \, \sum (y_i - \bar{y})^2}}
Statistiques d'utilisation

Publicité

Signaler une erreur sur cette page

Qu'est-ce que le coefficient de corrélation de Pearson ?

Le coefficient de corrélation de Pearson, noté \(r\), mesure l'intensité avec laquelle deux variables numériques évoluent ensemble de façon linéaire (en ligne droite). Il est toujours compris entre -1 et +1. Une valeur proche de +1 signifie que les deux variables augmentent conjointement, une valeur proche de -1 indique que l'une augmente quand l'autre diminue, et une valeur proche de 0 traduit une relation linéaire faible, voire inexistante. Cet outil est universel : il s'applique à toute donnée numérique appariée, quel que soit le domaine.

Trois nuages de points montrant une corrélation linéaire positive, négative et nulle
Nuages de points pour \(r\) proche de +1, de -1 et de 0.

Comment utiliser ce calculateur

Saisissez vos valeurs X puis vos valeurs Y, séparées par des virgules ou des espaces. Chaque X doit être associé au Y situé à la même position : les deux listes doivent donc comporter le même nombre d'éléments. Cliquez sur Calculer pour obtenir \(r\), ainsi que le coefficient de détermination (\(r^2\)), la pente et l'ordonnée à l'origine de la droite de régression des moindres carrés, et la covariance.

La formule expliquée

Pour chaque point de données, on calcule l'écart de x à sa moyenne \((x - \bar{x})\) et celui de y à sa moyenne \((y - \bar{y})\). Le numérateur est la somme des produits de ces écarts. Le dénominateur correspond à la racine carrée du produit des sommes des carrés des écarts de chaque variable. Cette division standardise le résultat : il devient sans unité et reste borné entre -1 et +1.

$$ r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \, \sum (y_i - \bar{y})^2}} $$

$$ \text{où}\quad \left\{ \begin{aligned} x_i &= \text{valeurs X} \\ y_i &= \text{valeurs Y} \\ \bar{x} &= \tfrac{1}{n}\textstyle\sum x_i,\quad \bar{y} = \tfrac{1}{n}\textstyle\sum y_i \end{aligned} \right. $$

Publicité
Nuage de points avec des lignes de moyenne divisant les points en quatre quadrants
L'écart de chaque point aux moyennes de X et Y détermine la somme de corrélation.

Exemple résolu

Prenons X = 1, 2, 3, 4, 5 et Y = 2, 4, 5, 4, 5. Les moyennes sont \(\bar{x} = 3\) et \(\bar{y} = 4\). La somme des produits croisés \(\sum (x-\bar{x})(y-\bar{y}) = 6\), \(\sum (x-\bar{x})^2 = 10\) et \(\sum (y-\bar{y})^2 = 6\). On obtient donc

$$ r = \frac{6}{\sqrt{10 \times 6}} = \frac{6}{\sqrt{60}} \approx 0{,}7746 $$

ce qui révèle une relation linéaire positive assez forte.

Foire aux questions

Que m'indique \(r^2\) ? C'est le carré de \(r\) ; il représente la proportion de la variation de Y expliquée par la relation linéaire avec X. Un \(r\) de 0,7746 donne un \(r^2 \approx 0{,}6\), soit environ 60 % de la variance expliquée.

La corrélation prouve-t-elle la causalité ? Non. Un \(r\) élevé montre que deux variables évoluent ensemble, mais n'établit pas que l'une est la cause de l'autre.

Et si \(r\) vaut exactement 0 ? Il n'y a aucune association linéaire, même si une relation non linéaire peut subsister : le \(r\) de Pearson est incapable de la détecter.

Publicité

Interpréter votre coefficient de corrélation

Le coefficient de Pearson \(r\) se situe toujours entre \(-1\) et \(+1\). Le signe indique le sens : positif signifie que Y tend à augmenter lorsque X augmente, et négatif signifie que Y tend à diminuer lorsque X augmente. La grandeur \(|r|\) indique à quel point les points suivent de près une droite. Une valeur de 0 signifie l'absence de relation linéaire, ce qui n'équivaut pas à l'absence totale de relation.

|r| Qualificatif usuel
0.00 – 0.19 Très faible
0.20 – 0.39 Faible
0.40 – 0.59 Modérée
0.60 – 0.79 Forte
0.80 – 1.00 Très forte

Ces seuils constituent une règle empirique, et les conventions varient selon les domaines. Les repères de Cohen, largement cités en sciences du comportement, considèrent 0,1 comme petit, 0,3 comme moyen et 0,5 comme grand. La physique et l'ingénierie attendent souvent un |r| supérieur à 0,95, tandis que les sciences sociales et la médecine peuvent juger significatives des valeurs bien plus faibles. Évaluez une valeur au regard des normes de votre discipline.

Variance expliquée : \(r^2\), le coefficient de détermination, est la proportion de la variance de Y expliquée par une relation linéaire avec X. Par exemple, \(r = 0.775\) donne \(r^2 \approx 0.60\), soit environ 60 % de la variation de Y qui est liée linéairement à X. Notez que \(r^2\) n'a pas de signe.

Mises en garde

  • Valeurs aberrantes : un seul point extrême peut augmenter ou diminuer fortement r. Examinez toujours un nuage de points.
  • Relations non linéaires : une relation parfaitement en forme de U ou courbe peut donner un r proche de 0.
  • Étendue restreinte : si vous n'échantillonnez qu'une plage étroite de valeurs de X, r est généralement plus petit que sur l'étendue complète.
  • Petits échantillons : avec peu de paires, r peut être grand purement par hasard. Avec n = 3, par exemple, presque toute valeur est possible. Les tests de significativité ou les intervalles de confiance aident ici.
  • Quartet d'Anscombe : quatre jeux de données différents qui partagent presque les mêmes statistiques descriptives (r ≈ 0,816, mêmes moyennes et variances, même droite ajustée), mais qui semblent totalement différents lorsqu'on les représente graphiquement. Cela montre que r seul ne suffit jamais.
  • La corrélation n'implique pas la causalité : une forte valeur de r peut provenir d'une variable de confusion, d'une causalité inverse ou d'une simple coïncidence.

Termes clés et définitions

Coefficient de corrélation (r)
Un nombre sans unité compris entre −1 et +1 qui mesure la force et le sens de la relation linéaire entre deux variables.
Coefficient de détermination (r²)
Le carré de r. C'est la part de la variance de Y expliquée linéairement par X, comprise entre 0 et 1.
Covariance
Une mesure de la manière dont deux variables varient ensemble, exprimée en unités de X multipliées par unités de Y. La covariance d'échantillon divise \(S_{xy}\) par \(n-1\). La covariance de population divise par \(n\).
Pente de régression
La variation de Y prédit pour une augmentation d'une unité de X : \(b = S_{xy}/S_{xx}\).
Ordonnée à l'origine
La valeur prédite de Y lorsque X = 0 : \(a = \bar{y} - b\bar{x}\).
Droite des moindres carrés
La droite \(\hat{y} = a + bx\) qui minimise la somme des carrés des distances verticales entre les points observés et la droite.
Données appariées
Observations où chaque valeur de X est associée à une valeur de Y provenant du même sujet ou du même cas. Les deux listes doivent avoir la même longueur.
Valeur aberrante
Un point de données éloigné de la tendance générale. Il peut fortement fausser r, la pente et l'ordonnée à l'origine.
Relation linéaire ou monotone
Une relation linéaire suit une droite. Une relation monotone croît ou décroît de façon constante, mais pas nécessairement à un rythme constant, elle peut donc être courbe.
Corrélation de rangs de Spearman
L'alternative au r de Pearson pour des données monotones mais non linéaires, ou comportant des valeurs aberrantes ou ordinales. Elle est calculée sur les rangs des valeurs plutôt que sur les valeurs brutes.
Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques