Calculadora de Correlação de Pearson

O que esta calculadora de correlação resolve

A calculadora de correlação mede a intensidade e a direção da relação linear entre duas variáveis numéricas. O resultado principal é o coeficiente de correlação de Pearson, representado por r. Ele varia de -1 a 1: valores positivos indicam que as variáveis tendem a aumentar ou diminuir juntas; valores negativos mostram que, em geral, uma aumenta quando a outra diminui; e valores próximos de zero apontam ausência de relação linear relevante na amostra.

A ferramenta é útil quando se deseja examinar pares de dados, como investimento em anúncios e leads, preço e quantidade vendida, horas de treinamento e produtividade, temperatura e consumo de energia ou nota de campanha e conversão. Cada linha de X precisa representar exatamente a mesma unidade, período ou caso da linha correspondente de Y. Não basta comparar duas listas com o mesmo tamanho: os pares precisam ser conceitualmente compatíveis.

Além de r, o cálculo apresenta o coeficiente de determinação R², obtido por r². Em uma análise linear simples, ele informa a proporção da variação que é compartilhada pelas duas séries, sem provar que uma variável seja causa da outra. A calculadora também mostra o número de pares considerados e uma classificação descritiva da força da associação.

Como usar a calculadora, campo a campo

Variável X

Insira os valores da primeira variável, com um número por linha. X pode ser uma medida explicativa, uma métrica de esforço ou apenas a primeira série que se quer comparar. Por exemplo, podem ser os investimentos mensais em mídia, em reais, ou o número de visitas a uma página. Números como 1.250,50 são aceitos no padrão brasileiro.

Variável Y

Informe a segunda variável seguindo a mesma ordem das observações de X. Se a primeira linha de X representa janeiro, a primeira linha de Y também deve representar janeiro. Se X contém o investimento da campanha A, Y deve conter o resultado da campanha A, e assim sucessivamente. Linhas vazias ao fim do campo são ignoradas, mas linhas vazias entre valores geram erro para evitar pareamentos equivocados.

Calcular correlação

Clique no botão para validar os dados e calcular r. As duas listas devem ter o mesmo número de valores, conter pelo menos dois pares e não podem ter uma variável constante. Por exemplo, se todos os valores de X forem 10, não existe variação em X e o coeficiente de Pearson fica matematicamente indefinido.

Interpretando o resultado

O sinal mostra a direção; o valor absoluto mostra a intensidade linear. Não existe uma régua universal para todos os campos. Em marketing, ciências sociais, saúde e engenharia, o significado prático de um mesmo valor pode ser muito diferente. Use a classificação apenas como orientação inicial e analise o contexto, o tamanho da amostra, gráficos de dispersão e eventuais fatores externos.

Fórmula da correlação de Pearson e passo a passo

Para n pares de observações (xᵢ, yᵢ), a fórmula usada é:

r = [nΣ(xᵢyᵢ) − ΣxᵢΣyᵢ] ÷ √{[nΣxᵢ² − (Σxᵢ)²][nΣyᵢ² − (Σyᵢ)²]}

O procedimento começa pela soma dos valores de X e Y. Depois são calculadas as somas dos quadrados, Σxᵢ² e Σyᵢ², e a soma dos produtos de cada par, Σ(xᵢyᵢ). O numerador mede a covariação ajustada pelo número de pares. O denominador padroniza essa medida pela dispersão das duas variáveis. Essa padronização faz o resultado permanecer entre -1 e 1, independentemente da unidade usada.

O coeficiente de determinação é calculado como R² = r². Se r for 0,80, por exemplo, R² será 0,64, ou 64%. Essa conversão não transforma correlação em causalidade e não substitui uma regressão com diagnóstico adequado. Ela apenas resume a parcela de variação linear compartilhada entre as duas variáveis naqueles dados.

Faixas de leitura para o coeficiente r

As faixas são convenções didáticas. Uma associação de 0,30 pode ser importante em fenômenos naturalmente variáveis; em controle industrial, o mesmo resultado talvez seja insuficiente. O sinal não altera a força: r = -0,75 tem a mesma intensidade linear de r = 0,75, mas direção oposta.

Leitura de r e R²

Exemplos resolvidos

Exemplo 1: investimento e leads

Considere investimentos de R$ 1.000,00, R$ 2.000,00, R$ 3.000,00 e R$ 4.000,00, com 20, 40, 60 e 80 leads, respectivamente. Cada aumento no investimento acompanha aumento proporcional dos leads. O coeficiente calculado é r = 1,0000 e R² = 100,00%. É uma relação linear positiva perfeita nesses quatro pares, mas ainda seria necessário avaliar se outros fatores, como segmentação e sazonalidade, também influenciaram o resultado.

Exemplo 2: preço e unidades vendidas

Suponha preços de R$ 10,00, R$ 12,00, R$ 14,00 e R$ 16,00, com vendas de 100, 90, 80 e 70 unidades. O cálculo gera r = -1,0000. A relação observada é negativa perfeita: conforme o preço aumenta, as unidades diminuem de maneira linear na amostra. Isso não permite concluir automaticamente qual preço maximiza a receita, pois receita depende simultaneamente de preço e volume.

Exemplo 3: visitas e conversões

Em quatro períodos, uma página registrou 100, 150, 200 e 250 visitas, com 8, 10, 17 e 16 conversões. O coeficiente é aproximadamente r = 0,9045 e R² = 81,81%. Há associação linear positiva muito forte nos dados, embora a última observação mostre que mais visitas não asseguram crescimento proporcional das conversões. A taxa de conversão, a origem do tráfego e mudanças na página devem ser analisadas separadamente.

Base técnica aplicável

O coeficiente calculado é o coeficiente produto-momento de Pearson, formalizado por Karl Pearson para quantificar associação linear entre variáveis quantitativas. Ele é um indicador descritivo da amostra. Para inferir uma associação na população, normalmente se complementa a análise com tamanho amostral, intervalo de confiança, teste de hipótese para correlação e avaliação dos pressupostos do método.

A interpretação responsável exige observar um gráfico de dispersão. Uma nuvem de pontos curva pode produzir r próximo de zero, embora as variáveis tenham relação forte não linear. Valores extremos também podem aumentar, reduzir ou inverter a correlação. Quando os dados forem ordinais, tiverem forte assimetria, muitos empates ou relação monotônica não linear, a correlação de Spearman pode ser mais apropriada.

Em métricas de marketing, há ainda risco de correlação espúria por tendência temporal. Duas séries podem crescer no mesmo período sem que uma determine a outra. Comparar meses consecutivos, por exemplo, pode refletir expansão do orçamento, sazonalidade, datas comerciais ou alterações no mix de canais. Sempre registre a definição da métrica, a janela observada e alterações operacionais ocorridas durante a coleta.

Erros comuns ao calcular correlação

• Trocar a ordem dos períodos ou das unidades em uma das listas, formando pares que não existem.
• Interpretar correlação como prova de causa e efeito.
• Usar poucos dados e tirar conclusões definitivas a partir de uma amostra instável.
• Ignorar valores atípicos que distorcem substancialmente o coeficiente.
• Aplicar Pearson a uma relação visualmente curva e concluir que não há associação porque r ficou baixo.
• Comparar valores acumulados ao longo do tempo sem considerar tendência e sazonalidade.
• Arredondar os dados excessivamente antes do cálculo.

Limites do resultado

Esta calculadora entrega uma medida de associação linear para os pares informados; não testa causalidade, não projeta resultados futuros e não substitui análise estatística completa. O coeficiente pode ser enganoso quando existem subgrupos diferentes, observações extremas, dependência entre períodos ou erros de medição. Um r alto pode ocorrer por influência de uma terceira variável, e um r baixo pode esconder padrão curvilíneo ou segmentado.

O resultado também não informa sozinho se a correlação é estatisticamente significativa. A significância depende, entre outros fatores, de r e do número de observações. Para decisões de alto impacto, combine o indicador com gráfico de dispersão, descrição da amostra, análise de regressão quando pertinente e conhecimento do processo que gerou os dados.