🔒 100% privado — funciona no seu navegador, nada é enviado

Calculadora do Coeficiente de Correlação de Pearson

O r de Pearson, o r² e a reta de melhor ajuste para dados pareados — com o aviso sobre causalidade embutido.

O r de Pearson é a covariância de duas variáveis escalada pelos desvios padrão delas, o que o prende entre −1 (uma reta perfeita para baixo) e +1 (uma reta perfeita para cima), com 0 significando ausência de associação linear. É essa escala que o deixa sem unidade: horas versus notas e centímetros versus quilogramas são comparáveis no mesmo eixo. O par de exemplo desta página, X = (1, 2, 3, 4, 5) contra Y = (2, 3, 5, 4, 6), dá r = 0,9 exato — os produtos cruzados somam 9 e as duas somas de desvios quadráticos são 10 —, uma associação positiva forte, com r² = 0,81, lido como “81% da variância de Y é explicada linearmente por X”, e não “X causa 81% de Y”.

O r de Pearson mede apenas associação em linha reta, supõe que os pares são independentes, e um único valor atípico disparatado pode arrastá-lo para longe. Um r forte não é evidência de que X causa Y — e um r perto de zero não descarta uma relação curva forte. Faça um gráfico dos seus dados antes de citar o número.

Respostas rápidas

Como se calcula o coeficiente de correlação de Pearson?

Divida a soma dos produtos (x − x̄)(y − ȳ) pela raiz quadrada do produto das duas somas de desvios quadráticos. Para X = (1,2,3,4,5) e Y = (2,3,5,4,6), isso é 9 ÷ √(10 × 10) = 0,9.

r vai de −1 a +1 e mede só associação linear. Uma lista constante o torna indefinido (dispersão zero), e esta calculadora recusa esse caso explicitamente.

Uma correlação forte prova causalidade?

Não. Um r = 0,9 pode nascer de um fator de confusão empurrando as duas variáveis, de uma causalidade no sentido contrário ou, ocasionalmente, do acaso — a correlação sozinha não distingue essas hipóteses. É o desenho do estudo (controles, aleatorização, ordem temporal) que sustenta afirmações causais.

Trate um r forte como motivo para investigar uma relação, nunca como a conclusão da investigação. Esse cuidado vale para toda correlação citada em qualquer lugar, não só aqui.

Como usar

  1. Cole os valores de X na primeira caixa e os de Y na segunda, na ordem do pareamento — a linha 1 de X vai com a linha 1 de Y.
  2. Confira se as quantidades batem; a correlação trabalha com pares, e a página recusa listas desencontradas mostrando as contagens.
  3. Leia r (de −1 a +1), r² e a reta de mínimos quadrados ajustada aos pares.
  4. Antes de citar r em qualquer lugar, faça um gráfico ou pelo menos examine os pares: um valor atípico ou uma curva pode fazer o número mentir com cara séria.

Sobre esta ferramenta

As suposições merecem o mesmo destaque. O r de Pearson mede só associação em linha reta: uma parábola perfeita pode devolver r ≈ 0 sendo perfeitamente previsível. Ele supõe pares independentes, se sente em casa com dados em escala de intervalo e aproximadamente normais bivariados, e é notoriamente deslocável por um único valor atípico, capaz de fabricar ou destruir sozinho uma correlação aparente. Acima de tudo, correlação não é causalidade — uma terceira variável, causalidade reversa ou coincidência podem produzir um r vistoso. Esta página calcula r com exatidão e informa a reta ajustada; o que o número autoriza você a concluir depende de como os dados foram coletados, e isso nenhuma calculadora inspeciona.

Perguntas frequentes

O que significa um r de 0,9?

Uma associação linear positiva forte: quando X sobe, Y tende a subir, e os pares ficam perto de uma reta ascendente. O quadrado dele, 0,81, é a parcela da variância de Y explicada linearmente por X. Isso não significa que X causa Y, nem que a relação seja “90%” de coisa alguma.

r pode ser exatamente 1 ou −1?

Pode — quando todos os pares estão exatamente sobre uma reta. Y = (2, 4, 6, 8) contra X = (1, 2, 3, 4) dá r = 1; os mesmos pontos em ordem inversa dão r = −1. Dados reais medidos quase nunca ficam exatamente sobre uma reta, então um ±1 exato em dados reais costuma significar que uma variável foi derivada da outra.

Por que a página recusa uma lista constante?

Uma lista constante tem dispersão zero, e r divide pelo produto das duas dispersões — divisão por zero. Conceitualmente também faz sentido: algo que nunca varia não pode covariar. A página nomeia o problema, em vez de imprimir NaN ou um zero falso.

E se a minha relação for curva?

O r de Pearson vai subestimá-la, possivelmente até zero no caso de uma curva simétrica. Se um gráfico mostrar uma dobra, a correlação de postos de Spearman (que detecta qualquer relação monotônica) ou o ajuste da própria curva é a ferramenta certa; um r de Pearson baixo não é evidência de “nenhuma relação”.

Mais ferramentas em português