Wykres rozrzutu (ang. scatterplot) – nazywany inaczej wykresem punktowym,  służy do obrazowania danych na kartezjańskim (czyli posiadającym dwie osie X i Y) układzie współrzędnych, reprezentowanych przez co najmniej dwie zmienne ilościowe.  Wykres ten jest przydatny do analizy relacji między dwiema zmiennymi i ilustruje, jak zmieniają się wartości jednej zmiennej w zależności od drugiej.

Na wykresie punktowym wartość jednej zmiennej jest reprezentowana przez współrzędną na osi poziomej (oś X), podczas gdy wartość drugiej zmiennej jest reprezentowana przez współrzędną na osi pionowej (oś Y).  Każdy punkt na wykresie reprezentuje jedną obserwację i można go interpretować jako punkt danych. Wykres rozrzutu posiada wiele zastosowań w analizach statystycznych. Oto przykładowe z nich :

• Analiza korelacji: Wykres rozrzutu może być wykorzystywany do prezentacji danych, których związek bada się w analizie korelacji liniowej. W ten sposób można zobrazować daną korelacją, a także ocenić czy poszczególne zmienne są ze sobą skorelowane dodatnio czy ujemnie.
• Eksploracja danych i ocena rozkładu: Wykres punktowy może dostarczyć informacji na temat rozkładu danych. Przykładowo, na wykresie punktowym można łatwo zidentyfikować obserwacje odstające (tzw. outliery), czyli takie które znacząco różnią się od reszty. Brak obserwacji odstających jest istotnym warunkiem dla przeprowadzenia różnych testów statystycznych, takich jak analiza korelacji czy analiza regresji liniowej.
• Testowanie założeń: Za pomocą wykresu punktowe można testować założenia niektórych testów statystycznych. Przykładowo, przy pomocy wykresu rozrzutu można testować założenie dotyczące homoskedastyczności w analizie regresji
• Analiza skupień: Wykres punktowy może być również stosowany w analizie skupień (ang. clustering). Możemy użyć go do wizualizacji grup lub skupień, które powstają na podstawie podobieństwa między obserwacjami. Punkty w bliskim sąsiedztwie na wykresie wskazują na przynależność do jednego klastra.
• Analiza interakcji: Wykresy punktowe mogą być używane do wizualizowania efektów interakcji, testowanych na przykład w wieloczynnikowej analizie wariancji lub analizie moderacji. W takiej sytuacji na osiach X i Y przedstawia się obserwacja dla poszczególnych grup, a kolory lub kształty punktów mogą reprezentować trzecią zmienną. To pozwala zobrazować, czy interakcja między dwiema zmiennymi zależy od trzeciej zmiennej.