--- title: "O que é correlação?" url: https://www.blog.psicometriaonline.com.br/o-que-e-correlacao canonical: https://www.blog.psicometriaonline.com.br/o-que-e-correlacao language: pt-BR published: 2021-02-02T19:38:34.000Z updated: 2026-03-30T16:50:19.671Z modified: 2026-03-30T16:50:19.671Z author: "Marcos Lima" categories: ["Análises bi e multivariadas"] tags: ["correlação"] description: "O que é correlação? Entenda o que é correlação, quais os seus diferentes tipos e como se interpreta os valores obtidos." source: Blog Psicometria Online --- # O que é correlação? > Você sabe o que é correlação? Neste post, explicaremos esse importante conceito de metodologia científica. Qual é a definição de correlação? Pesquisadores quantitativos frequentemente apresentam resultados que indicam correlação entre variáveis. Por exemplo, considere o construto consciência f... Você sabe o que é correlação? Neste post, explicaremos esse importante conceito de metodologia científica. ## Qual é a definição de correlação? Pesquisadores quantitativos frequentemente apresentam resultados que indicam correlação entre variáveis. Por exemplo, considere o construto consciência fonológica, a capacidade de perceber e manipular os sons da linguagem falada. Psicólogos do desenvolvimento têm demonstrado que a consciência fonológica se correlaciona positivamente com escores em tarefas de vocabulário em crianças de 4 anos. Isto é, crianças com níveis mais altos de consciência fonológica também têm maiores vocabulários. Mas o que é correlação? Em síntese, a correlação pode ser entendida como um conceito estatístico que se refere à relação ou dependência estatística entre duas variáveis. Quando duas variáveis estão correlacionadas, a mudança em uma variável se associa a mudanças na outra variável (e vice-versa). Retomando o exemplo anterior, aumentos nos níveis de consciência fonológica levam à predição de que também observaremos aumentos nos vocabulários das crianças. Contudo, é importante notar que a correlação não indica qual é a [direção teórica da relação](/correlacao-nao-implica-causalidade) entre as variáveis. Por exemplo, maior consciência fonológica facilita a aprendizagem de novas palavras? Ou, por outro lado, é um vocabulário mais rico leva a uma maior consciência fonológica? Apenas com base na correlação, no entanto, somos incapazes de distinguir qual dessas possibilidades (ou se alguma outra) é a resposta correta. Em outras palavras, uma correlação é insuficiente para justificar afirmações de relações causais entre variáveis. ## O que é correlação de Pearson? ### O que é? Como já vimos, a correlação é um conceito estatístico. A magnitude da correlação entre variáveis pode quantificada, por exemplo, por meio de diferentes técnicas estatísticas. Entre elas, a mais conhecida é o [**coeficiente de correlação de Pearson**](/o-que-e-correlacao-de-pearson), que quantifica a dependência linear entre variáveis. Essa técnica também pode ser chamada de *r* de Pearson, correlação produto–momento de Pearson ou, mais coloquialmente, de correlação de Pearson. Esse coeficiente é padronizado de modo a gerar uma medida cujos valores estão entre –1 e +1. **Veja também:** ### Quais são as informações fornecidas pelo coeficiente de correlação? Um coeficiente de correlação pode indicar uma relação: - **Positiva:** quando o aumento em uma variável está associado ao aumento na outra variável. Por exemplo, altura e peso: quanto maior é a altura, maior tende a ser o peso de uma pessoa; - **Negativa:** quando o aumento em uma variável está associado ao decréscimo na outra variável. Por exemplo, exercício e nível de estresse: quanto maior é o engajamento em exercícios, menor tende a ser o nível de estresse; - **Nula:** quando as duas variáveis são estatisticamente independentes. Por exemplo, tamanho do pé e inteligência: não existe uma relação (quer positiva ou negativa) entre tamanho do pé e inteligência. Além de informar sobre a presença e a direção (positiva ou negativa) das variáveis, o valor absoluto do coeficiente informa sobre a força da dependência estatística entre variáveis: valores mais próximos dos extremos (quer –1 ou +1) indicam correlações mais fortes, enquanto valores mais próximos de 0 indicam correlações mais fracas ou inexistentes. Isso significa que, quando as variáveis estão fortemente relacionadas, a mudança em uma variável é altamente preditiva da magnitude da mudança na outra variável. Por outro lado, relações mais fracas contêm maior ruído, isto é, levam a uma maior incerteza sobre o aumento correspondente na outra variável. Um coeficiente igual a 1 indicaria uma correlação perfeita, onde o aumento em uma variável é totalmente preditivo do valor observado na outra variável. Por exemplo, um caso de correlação perfeita é o das idades de duas pessoas, coletadas sempre no primeiro dia de cada ano. Na prática, contudo, correlações perfeitas são inexistentes em ciências humanas e sociais. ### Qual é a relação do coeficiente de correlação com o diagrama de dispersão dos dados? Os painéis da Figura 1 contêm diagramas de dispersão ilustrando diferentes magnitudes de correlação. Nesse contexto, o eixo *x* representa uma variável, o eixo *y* representa outra variável. Além disso, cada ponto representa os escores de um caso nas variáveis apresentadas nos dois eixos. Portanto, um diagrama de dispersão é útil por indicar visualmente se há alguma tendência na relação entre duas variáveis. ![](/uploads/1774889385452-906573934.jpg) *Figura 1. Diagramas de dispersão e suas respectivas correlações*. Note que, no caso de correlações perfeitas (–1 e +1), os pontos se alinham em uma reta diagonal. À medida que o valor do coeficiente de correlação vai diminuindo, os pontos tendem a se desalinhar cada vez mais, até formar um padrão elíptico quando *r* = 0, o que sugere a ausência de relação linear entre variáveis. ### Como interpretar a força da correlação? Não existe consenso sobre como interpretar a força da correlação, mas existem algumas recomendações gerais disponíveis na literatura. Cohen (1992) sugere os seguintes pontos de corte: - *r* = |±0,10| → correlação fraca; - *r* = |±0,30| → correlação moderada; - *r* = |±0,50| → correlação forte. Por outro lado, Rumsey (2023) traz a seguinte sugestão de tamanhos de efeito: - *r* = |±1| → relação linear perfeita; - *r* = |±0,70| → relação linear forte; - *r* = |±0,50| → relação linear moderada; - *r* = |±0,30| → relação linear fraca; - *r* = 0 → ausência de relação linear. Note que as interpretações são simétricas, independentemente de o coeficiente ser positivo ou negativo. Além disso, as sugestões acima não são prescritivas. Isto quer dizer, portanto, que pesquisadores devem sempre interpretar seus coeficientes à luz da literatura de suas respectivas áreas de pesquisa. ## Como avaliar a correlação através do coeficiente de determinação? O valor bruto do coeficiente de correlação, *r*, indica a força da relação entre variáveis. Entretanto, podemos ter uma melhor noção de seu significado através do coeficiente de determinação, dado por *r*2\. Em outras palavras, podemos pensar nesse coeficiente como uma medida de tamanho de efeito da correlação. Além disso, o *r*2, se multiplicado por 100, fornece uma medida percentual de quanta variância uma variável explica da outra. Essa medida é chamada de variãncia explicada ou compartilhada entre variáveis. Por exemplo, se *r* = 0,10, então 1% da variância de uma variável pode ser explicada pela outra, pois *r*2 = 0,102 = 0,01. Por outro lado, se *r* = 0,30, então 9% da variância de uma variável pode ser explicada pela outra, pois *r*2 = 0,302 = 0,09. Outros valores são apresentados na Figura 2. ![](/uploads/1774889404577-664045690.jpg) *Figura 2. Relação entre o r de Pearson e o coeficiente de determinação (r2)*. Em síntese, interpretar o *r*2 pode trazer maior clareza sobre o quanto os construtos encontram-se relacionados. Reforçando, é importante que se tenha em mente que sugestões de interpretação são sempre arbitrárias. É possível que, em um contexto de competições esportivas de alto rendimento, um *r*2 = 0,09 tenha relevância prática, enquanto em um contexto de treinamento cognitivo, um *r*2 = 0,36 seja de pouca aplicabilidade, devido aos custos financeiros e de tempo para implementação do treinamento. A mensagem final é que, para determinar se o tamanho de efeito é forte ou não, é preciso sempre olhar o contexto de pesquisa ou de aplicação no qual ele está inserido. ## Conclusão Neste post, você aprendeu o que é correlação, um conceito fundamental de metodologia científica, sobre o qual se alicerçam diversas técnicas estatísticas mais sofisticadas, como, por exemplo, a [análise de regressão múltipla](/o-que-e-regressao-linear-multipla) e a [modelagem por equações estruturais](/modelagem-por-equacoes-estruturais-sem-e-analise-de-caminho-path-analysis). Por fim, você aprendeu o que é e como interpretar os coeficientes de correlação e de determinação. No entanto, o coeficiente de correlação de Pearson apresentado nesse post não é o único existente. Algumas alternativas não paramétricas à correlação de Pearson incluem, por exemplo, os coeficientes [ρ (letra grega rho) de Spearman](/o-que-e-correlacao-de-spearman) e [τ (letra grega tau) de Kendall](/o-que-e-correlacao-tau-de-kendall), que mensuram a relação monotônica entre variáveis. ## Referências Cohen, J. (1992). Statistical power analysis. *Current Directions in Psychological Science*, *1*(3), 98–101. https://doi.org/10.1111/1467-8721.ep10768783 Rumsey, D. J. (2023, 6 de fevereiro). What is r value correlation? *Dummies*. https://www.dummies.com/article/academics-the-arts/math/statistics/how-to-interpret-a-correlation-coefficient-r-169792/ ## Como citar este post > **Como citar este artigo:** Lima, M. (2021, 2 de fevereiro). O que é correlação? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/o-que-e-correlacao