Depuis 2010 · Plus de 2 millions d’utilisations d’outils par mois
Depuis 2010
Ajouter à Chrome

Ma Boîte à Outils

Mode Automatique

Aucun outil enregistré pour l’instant.

Passer à la Version Premium
Outils associés
Calculatrice de Coefficient de CorrélationCalculateur de Corrélation de Rang de SpearmanCalculateur d’Équation de DroiteCalculateur de Forme Point-PenteConvertisseur Forme Standard vers Forme Pente-Ordonnée
Page d'accueil > Mathématiques > Statistiques et analyse de données
 

Calculatrice de régression linéaire

Calculez l'équation de régression linéaire, la pente, l'ordonnée à l'origine, le coefficient de détermination et faites des prédictions avec une visualisation interactive en nuage de points et une explication étape par étape.

Utilisation gratuiteSans inscriptionMis à jour janv. 2026
Calculatrice de régression linéaireEssayez maintenant — gratuit ▼
Essayez des ensembles de données d'exemple

Embed Calculatrice de régression linéaire Widget

Calculatrice de régression linéaire

Bienvenue sur la Calculatrice de régression linéaire, un outil statistique complet qui calcule la ligne de régression des moindres carrés, le coefficient de corrélation, le coefficient de détermination, et fournit une visualisation interactive en nuage de points avec des explications étape par étape des formules. Que vous analysiez des données pour la recherche, les prévisions commerciales ou les études académiques, cette calculatrice offre une analyse statistique professionnelle.

Qu'est-ce que la régression linéaire ?

La régression linéaire est une méthode statistique fondamentale utilisée pour modéliser la relation entre une variable dépendante (Y) et une variable indépendante (X) en ajustant une équation linéaire aux données observées. La méthode trouve la meilleure ligne droite à travers les points de données en minimisant la somme des carrés des résidus (différences entre les valeurs observées et prédites).

L'équation de régression

Modèle de régression linéaire simple
$$\hat{Y} = b_0 + b_1 X$$

Où :

Comment calculer la régression linéaire

Calcul de la pente (b₁)

Formule de la pente
$$b_1 = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2}$$

Calcul de l'ordonnée à l'origine (b₀)

Formule de l'ordonnée à l'origine
$$b_0 = \bar{y} - b_1 \bar{x}$$

Où x-barre et y-barre sont les moyennes de X et Y respectivement.

Comprendre la corrélation et le coefficient de détermination

Coefficient de corrélation (r)

Le coefficient de corrélation mesure la force et la direction de la relation linéaire entre X et Y. Il varie de -1 à +1 :

Valeur de rInterprétation
0.9 à 1.0Corrélation positive très forte
0.7 à 0.9Corrélation positive forte
0.5 à 0.7Corrélation positive modérée
0.3 à 0.5Corrélation positive faible
-0.3 à 0.3Peu ou pas de corrélation
-0.5 à -0.3Corrélation négative faible
-0.7 à -0.5Corrélation négative modérée
-0.9 à -0.7Corrélation négative forte
-1.0 à -0.9Corrélation négative très forte

Coefficient de détermination (R²)

Le coefficient de détermination (R²) indique la proportion de variance de Y qui est expliquée par X. Par exemple, R² = 0,85 signifie que 85 % de la variance de Y peut être expliquée par la relation linéaire avec X.

Formule du coefficient de détermination
$$R^2 = r^2 = 1 - \frac{SS_{residuel}}{SS_{total}}$$

Comment utiliser cette calculatrice

  1. Entrez les valeurs X : Entrez vos données de variable indépendante dans la première zone de texte, séparées par des virgules, des espaces ou des sauts de ligne.
  2. Entrez les valeurs Y : Entrez vos données de variable dépendante dans la deuxième zone de texte. Le nombre de valeurs Y doit correspondre aux valeurs X.
  3. Prédiction (facultatif) : Entrez une valeur X pour prédire la valeur Y correspondante en utilisant l'équation de régression.
  4. Définir la précision : Choisissez le nombre de décimales pour les résultats.
  5. Calculer : Cliquez sur le bouton Calculer pour voir l'équation de régression, le graphique de dispersion, les statistiques de corrélation et les calculs étape par étape.

Comprendre vos résultats

Résultats principaux

Statistiques supplémentaires

Applications de la régression linéaire

Commerce et finance

Science et recherche

Économie

Sciences sociales

Hypothèses de la régression linéaire

Pour des résultats fiables, la régression linéaire suppose :

  1. Linéarité : La relation entre X et Y est linéaire
  2. Indépendance : Les observations sont indépendantes les unes des autres
  3. Homoscédasticité : Les résidus ont une variance constante pour toutes les valeurs X
  4. Normalité : Les résidus sont approximativement distribués normalement
  5. Pas de multicolinéarité : (Pour la régression multiple) Les variables indépendantes ne sont pas fortement corrélées

Questions fréquemment posées

Qu'est-ce que la régression linéaire ?

La régression linéaire est une méthode statistique utilisée pour modéliser la relation entre une variable dépendante (Y) et une variable indépendante (X) en ajustant une équation linéaire aux données observées. L'équation prend la forme Y = b₀ + b₁X, où b₀ est l'ordonnée à l'origine et b₁ est la pente. Elle trouve la meilleure ligne d'ajustement qui minimise la somme des carrés des différences entre les valeurs observées et prédites.

Comment j'interprète la pente en régression linéaire ?

La pente (b₁) représente le changement de la variable dépendante Y pour chaque augmentation d'une unité de la variable indépendante X. Une pente positive indique que Y augmente lorsque X augmente, tandis qu'une pente négative indique que Y diminue lorsque X augmente.

Qu'est-ce que le coefficient de détermination (R²) et que signifie-t-il ?

Le coefficient de détermination (R²), également appelé coefficient de détermination, mesure la qualité de l'ajustement de la ligne de régression aux données. Il varie de 0 à 1, où 0 signifie que le modèle n'explique aucune variabilité et 1 signifie qu'il explique toute la variabilité. Généralement, R² supérieur à 0,7 indique un bon ajustement.

Quelle est la différence entre la corrélation (r) et le coefficient de détermination (R²) ?

Le coefficient de corrélation (r) mesure la force et la direction de la relation linéaire, allant de -1 à +1. Le coefficient de détermination (R²) est r², représentant la proportion de variance expliquée. Alors que r vous indique la direction (relation positive ou négative), R² vous dit uniquement quelle proportion de variance est expliquée.

Combien de points de données ai-je besoin pour la régression linéaire ?

Techniquement, vous avez besoin d'au moins 2 points de données, mais pour une analyse statistique significative, vous devriez avoir au moins 10 à 20 points de données. Plus de points de données conduisent généralement à des estimations plus fiables.

Que sont les résidus en régression linéaire ?

Les résidus sont les différences entre les valeurs Y observées et les valeurs Y prédites (résidu = Y observé - Y prédit). L'analyse des résidus aide à évaluer la qualité de l'ajustement du modèle. Idéalement, les résidus doivent être dispersés aléatoirement autour de zéro sans schéma clair.

Ressources supplémentaires

Citez ce contenu, cette page ou cet outil comme suit :

"Calculatrice de régression linéaire" sur https://MiniWebtool.com/fr/calculatrice-de-régression-linéaire/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe miniwebtool. Mise à jour : 17 jan 2026

API développeur disponible: Exécutez cet outil depuis votre app, automatisation ou agent avec une requête HTTP JSON. Voir la documentation API

Vous pouvez également essayer notre Résolveur Mathématique IA GPT pour résoudre vos problèmes mathématiques grâce à des questions-réponses en langage naturel.

Statistiques et analyse de données:

Outils populaires et mis à jour:

Solveur d'Équations LinéairesSolveur de Systèmes d'Équations LinéairesSolveur de Programmation LinéaireTout voir →
Page d'accueil > Mathématiques > Statistiques et analyse de données > Calculatrice de régression linéaire