Você precisa descobrir se duas variáveis se relacionam na sua pesquisa, mas sem uma ferramenta adequada qualquer conclusão seria apenas especulação. O coeficiente de correlação de Pearson resolve exatamente esse problema: é o teste estatístico mais utilizado para medir a força e a direção de uma relação linear entre duas variáveis contínuas, com resultados interpretáveis em uma escala de -1 a +1.
Neste artigo, você vai entender como calcular esse coeficiente, como interpretar os resultados corretamente e em quais situações outras medidas de correlação são mais adequadas.
O coeficiente de correlação de Pearson pode ter um intervalo de valores de +1 a -1. Um valor de 0 indica que não há associação entre as duas variáveis. Um valor maior que 0 indica uma associação positiva. Isto é, à medida que o valor de uma variável aumenta, o mesmo acontece com o valor da outra variável. Um valor menor que 0 indica uma associação negativa. Isto é, à medida que o valor de uma variável aumenta, o valor da outra diminui.
Para realizar a correlação de Pearson, é necessário cumprir o seguinte:
- A escala de medição deve ser uma escala ou relação de intervalo;
- As variáveis devem ser aproximadamente distribuídas;
- A associação deve ser linear;
- Não deve haver valores atípicos nos dados.
Veja e aprenda: Termos estatísticos utilizados em relatórios
O que é a correlação de Pearson?
A correlação de Pearson, formalmente chamada de coeficiente de correlação produto-momento de Pearson (r), é uma medida estatística que quantifica o grau de associação linear entre duas variáveis quantitativas contínuas. Desenvolvida pelo matemático Karl Pearson no final do século XIX, ela permanece como a técnica de correlação mais difundida em pesquisas científicas de diversas áreas do conhecimento.
Aqui está o ponto central que muitos pesquisadores esquecem: a correlação de Pearson mede apenas relações lineares. Se as duas variáveis se associam de forma curvilínea ou exponencial, o coeficiente r não captura essa relação adequadamente. Usar o r de Pearson sem verificar a linearidade dos dados é um dos erros mais comuns em análise bivariada.
Além da linearidade, o coeficiente pressupõe que os dados de ambas as variáveis seguem distribuição aproximadamente normal e que não há outliers significativos. Quando essas condições não são atendidas, um r baixo não significa necessariamente ausência de relação entre as variáveis. Para esses casos, a correlação de Spearman ou de Kendall são alternativas mais robustas, e vale entender melhor o que é uma pesquisa correlacional para escolher o método certo.
“A técnica mais difundida para a avaliação da correlação entre duas variáveis quantitativas é o coeficiente de correlação produto-momento de Pearson, que pressupõe distribuição normal das duas amostras e comportamento linear da relação entre as variáveis.”
Miot, HA. Análise de correlação em estudos clínicos e experimentais. J Vasc Bras., 2018
Em termos práticos, o r de Pearson é frequentemente complementado pela regressão linear quando o objetivo não é só medir a associação, mas também prever valores. Enquanto o coeficiente r diz “quão forte e em que direção as variáveis se movem juntas”, a regressão diz “quanto uma variável muda quando a outra aumenta em uma unidade”. Os dois métodos se complementam, e uma boa análise de correlação frequentemente precede a construção de modelos preditivos.
Como o coeficiente de Correlação de Pearson é calculado
A fórmula do coeficiente de correlação de Pearson é a seguinte:
O Departamento de Estatística da UFMG descreve o coeficiente de Pearson como “uma medida da intensidade de associação linear existente entre duas variáveis quantitativas”, destacando que seu valor é sempre adimensional (independente das unidades de medida), o que facilita a comparação entre estudos diferentes.

Imagem: Fórmula de Correlação de Pearson
Onde:
- “X” é igual à variável número um
- “Y” pertence à variável número dois
- “ZX” é o desvio padrão da variável um
- “ZY” é o desvio padrão da variável dois
- “N” é número de dados.
Interpretação do coeficiente
O coeficiente de correlação de Pearson tem o objetivo de indicar como as duas variáveis associadas estão entre si, assim:
Escala de interpretação do coeficiente r de Pearson
-1,0
Negativa perfeita
-0,99 a -0,70
Negativa forte
-0,30 a +0,30
Fraca ou nula
+0,70 a +0,99
Positiva forte
+1,0
Positiva perfeita
- Correlação menor que zero: se a correlação é menor que zero, significa que é negativo, isto é, que as variáveis são inversamente relacionadas. Quando o valor de alguma variável é alto, o valor da outra variável é baixo. Quanto mais próximo você estiver de -1, mais clara será a covariação extrema. Se o coeficiente é igual a -1, nos referimos a uma correlação negativa perfeita.
- Correlação maior que zero: se a correlação for igual a +1, significa que é perfeito positivo. Neste caso, significa que a correlação é positiva, isto é, que as variáveis estão diretamente correlacionadas. Quando o valor de uma variável é alto, o valor da outra variável também é alto, o mesmo acontece quando eles são baixos. Se estiver próximo de +1, o coeficiente será covariado.
- Correlação igual a zero: Quando a correlação é igual a zero, significa que não é possível determinar qualquer senso de covariação. No entanto, isso não significa que não haja relação não linear entre as variáveis. Quando as variáveis são independentes, significa que elas estão correlacionadas, mas isso significa que o resultado é verdadeiro.
-1 a +1
Intervalo completo do coeficiente r de Pearson. Valores iguais a 0 indicam ausência de correlação linear; valores nos extremos representam correlação perfeita positiva ou negativa.
Fonte: Miot, HA. J Vasc Bras., 2018
Sabe o que isso significa na prática? Que um r de 0,45 não é “ruim” ou “bom” em termos absolutos. O que define sua utilidade é o contexto: em ciências sociais, onde as variáveis humanas são naturalmente complexas, um r de 0,40 pode ser considerado relevante. Em controle de qualidade industrial, onde as relações físicas são mais previsíveis, o mesmo valor pode indicar que a correlação é fraca demais para fundamentar decisões.
Leia também: Melhores Práticas para fazer pesquisa de mercado
Vantagens e desvantagens do coeficiente de correlação de Pearson
Entre as principais vantagens estão:
- O valor é independente de qualquer unidade usada para medir as variáveis.
- Se a amostra for grande, a precisão da estimativa é mais provável.
Algumas das desvantagens são:
- É necessário que as duas variáveis sejam medidas em um nível quantitativo contínuo.
- A distribuição das variáveis deve ser semelhante à curva normal.
Aplicação da Correlação de Pearson em diferentes áreas
A Correlação de Pearson é uma medida amplamente utilizada em diversas áreas do conhecimento, como a psicologia, medicina, economia e engenharia. A seguir, alguns exemplos de sua aplicação nessas áreas:
Psicologia
A correlação de Pearson é utilizada para avaliar a relação entre variáveis psicológicas, como a relação entre o desempenho em um teste de inteligência e o desempenho em uma tarefa de memória. Também é utilizada para investigar a relação entre comportamentos e características psicológicas, como a relação entre a ansiedade e a frequência de comportamentos compulsivos.
Confira: Dicas para um teste de personalidade online
Medicina
Na medicina, a correlação de Pearson é utilizada para avaliar a relação entre variáveis clínicas, como a relação entre a pressão arterial e o risco de doenças cardiovasculares. Além disso, é utilizada para avaliar a eficácia de tratamentos, como por exemplo, a relação entre a dosagem de um medicamento e a melhora dos sintomas de uma doença.
Leia também: Como elaborar uma pesquisa de satisfação do paciente?
Economia
Na economia, a correlação de Pearson é utilizada para avaliar a relação entre variáveis econômicas, como a relação entre o nível de emprego e o crescimento econômico. É possível aplicá-la para avaliar a relação entre variáveis financeiras, como a relação entre o preço das ações e o desempenho de uma empresa.
Engenharia
Na engenharia, a correlação de Pearson é utilizada para avaliar a relação entre variáveis técnicas, como a relação entre a temperatura e a pressão em um processo industrial. Também é possível avaliar a relação entre variáveis físicas, como a relação entre a resistência de um material e sua capacidade de suportar cargas mecânicas.
Conheça outros tipos de correlações
A Correlação de Pearson é uma das medidas mais comuns de correlação utilizadas na análise de dados, mas não é a única. Outras medidas de correlação incluem a correlação de Spearman, a correlação de Kendall e a correlação de ponto bisserial.
Correlação de Spearman
A correlação de Spearman é uma medida de correlação não paramétrica que avalia a relação monotônica entre duas variáveis, ou seja, não assume que as variáveis estão distribuídas normalmente. É comumente usada quando as variáveis apresentam uma relação não-linear ou quando há presença de outliers.
Aprenda mais: Saiba do que se trata coeficiente de correlação de Spearman
Correlação de Kendall
Assim como a de Spearman, também é uma medida de correlação não paramétrica, que avalia a relação monotônica entre duas variáveis. É especialmente útil quando há dados categóricos ou ordinais.
Correlação de ponto bisserial
A correlação de ponto bisserial é uma medida de correlação bivariada que avalia a relação entre uma variável contínua e uma variável dicotômica (binária). É comumente usada em pesquisas que avaliam a relação entre variáveis psicológicas e de saúde.
É importante considerar qual medida de correlação é mais adequada para uma determinada análise, levando em conta a natureza das variáveis, a distribuição dos dados e o objetivo da análise. Cada medida de correlação tem suas vantagens e limitações, e a escolha da medida mais apropriada pode ajudar a garantir uma análise mais precisa e confiável.
Conclusão
O coeficiente de correlação de Pearson é uma das ferramentas mais poderosas e acessíveis da estatística descritiva. Um único número resume a direção e a intensidade de uma associação linear, permitindo comparar relações entre variáveis em áreas tão diferentes quanto medicina, economia e pesquisa de mercado.
Mas sua utilidade depende de um uso consciente. Verificar os pressupostos de normalidade e linearidade antes de aplicá-lo não é burocracia, é metodologia sólida. E saber quando escolher Spearman ou Kendall em vez de Pearson faz a diferença entre uma conclusão válida e uma conclusão enganosa. Vale lembrar também que correlação não implica causalidade: um r alto indica que as variáveis variam juntas, mas não explica por quê.
Quer aplicar a análise de dados de correlação em pesquisas de satisfação, clima organizacional ou comportamento do consumidor? A QuestionPro oferece ferramentas completas de coleta e análise para tornar esse processo mais eficiente. Fale com nossa equipe e descubra como podemos ajudar.
O coeficiente de correlação de Pearson mede a força e a direção de uma relação linear entre duas variáveis quantitativas contínuas. Seus valores variam de -1 a +1: valores próximos de +1 indicam correlação linear positiva forte, próximos de -1 indicam correlação negativa forte, e valores próximos de 0 indicam ausência de correlação linear. É importante lembrar que o coeficiente mede apenas relações lineares e não implica causalidade entre as variáveis.
Para aplicar o coeficiente de Pearson de forma válida, é necessário atender a quatro pressupostos principais: as variáveis devem ser quantitativas contínuas; a distribuição de ambas deve ser aproximadamente normal; a associação entre elas deve ser linear; e não devem existir outliers significativos nos dados. Quando um ou mais pressupostos não são atendidos, alternativas não paramétricas como a correlação de Spearman são mais adequadas.
A principal diferença está nos pressupostos e no tipo de dado. O r de Pearson exige variáveis contínuas com distribuição normal e relação linear entre elas. Já a correlação de Spearman é não paramétrica: substitui os valores originais por postos ordenados (ranks), tornando-a mais adequada para dados ordinais, distribuições não normais ou relações monotônicas não lineares. Para dados normalmente distribuídos, Pearson é mais preciso; nos demais casos, Spearman é mais seguro.
Não. Um dos equívocos mais comuns em estatística é confundir correlação com causalidade. Um r alto significa que as duas variáveis variam de forma associada, mas isso não prova que uma causa a outra. Pode haver uma terceira variável que influencia ambas, ou a relação pode ser puramente coincidente. Para estabelecer causalidade, são necessários delineamentos experimentais controlados ou análises causais específicas.
O r de Pearson é amplamente utilizado em psicologia (relação entre variáveis cognitivas e comportamentais), medicina (associação entre indicadores clínicos), economia (relação entre variáveis financeiras e macroeconômicas), engenharia (associação entre variáveis técnicas) e pesquisa de mercado (correlação entre satisfação do cliente e retenção). Em qualquer área onde se trabalhe com variáveis quantitativas contínuas normalmente distribuídas, o coeficiente de Pearson é uma ferramenta fundamental de análise de dados.




