---
title: "O que é um mapa de calor de correlação?"
url: https://www.blog.psicometriaonline.com.br/o-que-e-um-mapa-de-calor-de-correlacao
canonical: https://www.blog.psicometriaonline.com.br/o-que-e-um-mapa-de-calor-de-correlacao
language: pt-BR
published: 2026-02-06T12:00:00.000Z
updated: 2026-03-30T13:48:58.083Z
modified: 2026-03-30T13:48:58.083Z
author: "Marcos Lima"
categories: ["Análises bi e multivariadas"]
tags: ["correlação", "gráficos"]
description: "Entenda o que é um mapa de calor de correlação, como interpretá-lo, escolher cores adequadas e quando usá-lo na análise de dados."
source: Blog Psicometria Online
---
# O que é um mapa de calor de correlação?

> Neste post, explicamos o que é um mapa de calor de correlação e por que ele é amplamente utilizado em análise quantitativa de dados. Primeiramente, apresentamos o conceito de correlação. Em seguida, comparamos duas formas de apresentar um conjunto de correlações bivariadas: a matriz de correlação e...

Neste post, explicamos o que é um **mapa de calor de correlação** e por que ele é amplamente utilizado em análise quantitativa de dados. Primeiramente, apresentamos o conceito de correlação. Em seguida, comparamos duas formas de apresentar um conjunto de correlações bivariadas: a matriz de correlação e o mapa de calor. Depois, descrevemos algumas classes de paletas de cores adequadas para esse tipo de representação. Por fim, mostramos quando usar o mapa de calor de correlação, incluindo limitações e cuidados de interpretação.

## O que é correlação?

A [correlação](/o-que-e-correlacao) se refere à interdependência estatística entre duas variáveis. Trata-se de um conceito fundamental para diversas técnicas de análise quantativas de dados, incluindo, por exemplo, a regressão linear, a análise fatorial confirmatória e vários modelos de [*machine learning*](/o-que-e-machine-learning).

Esse conceito se expressa por meio dos coeficientes de correlação, que consistem em estimativas numéricas da força e da direção da relação entre variáveis. Entre os coeficientes mais conhecidos, destacam-se o *r* de Pearson, o rhô de Spearman e o tau de Kendall. Em geral, pesquisadores utilizam esses coeficientes para verificar se variáveis tendem a aumentar ou diminuir juntas.

Por exemplo considere dois traços de personalidade: neuroticismo e extroversão. Se a correlação entre eles, em um determinado estudo, é de *r* = –0,35, podemos interpretar que, à medida que os níveis de neuroticismo aumentam, os níveis de extroversão tendem a diminuir. Essa associação é moderada (Cohen, 1992).

## Matriz de correlação e mapa de calor de correlação

A **matriz de correlação** é uma tabela que apresenta os coeficientes de correlação entre pares de variáveis. Uma matriz com *p* variáveis conterá \[*p*(*p* – 1)\]/2 correlações únicas.

Por exemplo, considere um banco de dados que contém escores nos cinco fatores de personalidade do Big Five: neuroticismo, extroversão, abertura a novas experiências, agradabilidade e conscienciosidade. A Tabela 1 representa a matriz de correlação dessas variáveis.

Variável

Neuroticismo

Extroversão

Abertura

Agradabilidade

Conscienciosidade

Neuroticismo

—

Extroversão

–0,35

—

Abertura

–0,01

0,27

—

Agradabilidade

–0,13

0,05

0,16

—

Conscienciosidade

–0,37

0,06

–0,01

0,16

—

*Tabela 1. Exemplo de uma matriz de correlação.*

Como a matriz contém cinco variáveis, temos \[5(4)\]/2 = 10 correlações únicas. Os travessões na diagonal principal omitem as correlações das variáveis consigo mesmas, que são, por definição, iguais a 1. Além disso, omitimos os valores acima da diagonal principal porque a matriz é simétrica, tornando essas informações redundantes.

Embora a matriz da Tabela 1 seja simples, sua leitura se torna progressivamente mais difícil à medida que o número de variáveis aumenta.

Nesse contexto, o **mapa de calor de correlação** (***correlation heatmap***) surge como uma solução visual. Ele projeta a matriz de correlação em uma grade de cores, na qual cada célula recebe uma cor de acordo com o valor do coeficiente de correlação, com base em uma paleta predefinida (Figura 1).

![mapa de calor de correlação, paleta viridis.](/uploads/2026-01_mapa-de-calor-de-correlacao-1.jpg)

*Figura 1. Exemplo de mapa de calor (paleta de cores: viridis).*

Assim, diferentes cores indexam diferentes valores de correlação. Consequentemente, padrões globais tornam-se mais fáceis de identificar. Além disso, quando desejável, podemos incluir os coeficientes nas células do mapa de calor (Figura 2).

![mapa de calor de correlação com anotações.](/uploads/2026-01_mapa-de-calor-de-correlacao-2.jpg)

*Figura 2. Mapa de calor com valores das correlações.*

Em síntese, a diferença central entre matriz e mapa de calor não é conceitual, mas visual. O mapa de calor transforma números em informação visual, facilitando a exploração inicial dos dados.

## A escolha da paleta de cores no mapa de calor de correlação

A escolha da paleta de cores pode facilitar ou dificultar a interpretação do mapa de calor. Portanto, essa decisão não deve ser arbitrária. Em seguida, descrevemos três categorias de paletas de cores.

### Paletas sequenciais

Primeiramente, as *paletas sequenciais* apresentam uma mudança gradual na luminosidade e, frequentemente, na saturação da cor, geralmente usando uma única tonalidade. Elas são úteis para representar informações ordenadas (e.g., coeficientes de [correlação phi](/o-que-e-o-coeficiente-phi)).

As Figuras 1 e 2 usam a paleta **viridis**, que é contínua, perceptualmente uniforme e amigável para pessoas com daltonismo. Outros exemplos das paletas sequenciais são a **magma** e a **Greys** (Figura 3). Esta última pode ser especialmente útil em contextos que exigem impressão em preto e branco.

![mapas de calor de correlação, com as paletas uniformes magma_r e Greys.](/uploads/2026-01_mapas-de-calor-de-correlacao-paletas-sequenciais.jpg)

*Figura 3. Mapas de calor com as paletas sequenciais magma\_r e Greys.*

### Paletas divergentes

Em segundo lugar, as *paletas divergente*s utilizam duas cores contrastantes para destacar desvios em relação a um valor central, como a correlação nula. No caso do coeficiente de correlação de Pearson, uma cor (e.g., azul) pode representar correlações positivas, enquanto outra (e.g., vermelho) pode indicar correlações negativas. Exemplos comuns incluem **coolwarm** e **RdBu** (Figura 4).

![mapas de calor de correlação, com as paletas divergentes coolwarm e RdBu.](/uploads/2026-01_mapas-de-calor-de-correlacao-paletas-divergentes.jpg)

*Figura 4. Mapas de calor com as paletas divergentes coolwarm e RdBu.*

### Paletas qualitativas

Por fim, as *paletas qualitativas* utilizam cores distintas em passos discretos. Elas são apropriadas para dados categóricos ou para destacar grupos previamente definidos, mas **não são adequadas para representar coeficientes de correlação contínuos**, como o *r* de Pearson.

Em mapas de calor de correlação, seu uso pode ser justificável apenas em situações muito específicas, como quando as cores representam **classes de correlação previamente categorizadas** (e.g., fraca, moderada e forte ou algum outro esquema de categorias), e não os valores contínuos em si (Figura 5).

![mapas de calor de correlação, com as paletas qualitativas Paired e Set1.](/uploads/2026-01_mapas-de-calor-de-correlacao-paletas-qualitativas.jpg)

*Figura 5. Mapas de calor com as paletas qualitativas Paired e Set1.*

Portanto, sempre que possível, prefira paletas contínuas e acessíveis. Além disso, inclua uma barra de cores bem definida para orientar a interpretação do leitor.

## Quando usar o mapa de calor de correlação?

O mapa de calor de correlação é especialmente útil na [análise exploratória de dados](/explorando-as-etapas-da-analise-de-dados). Ele permite identificar rapidamente padrões, agrupamentos de variáveis e possíveis redundâncias.

Em psicometria, por exemplo, pesquisadores podem utilizá-lo para examinar relações entre traços latentes ou entre itens de um instrumento de autorrelato, antes de aplicar técnicas como a [análise fatorial](/analise-fatorial-confirmatoria).

Além disso, o mapa de calor é especialmente vantajoso quando lidamos com um número maior de variáveis. Em uma matriz de correlações com 15 variáveis, por exemplo, torna-se difícil identificar rapidamente associações relevantes. Em contrapartida, o mapa de calor facilita essa inspeção visual, como ilustrado na Figura 6.

![](/uploads/2026-02_mapa-de-calor-15-variaveis.jpg)

*Figura 6. Mapa de calor ilustrando as correlações bivariadas de 15 variáveis.*

Aqui, nós facilmente notamos que apenas três variáveis têm relações importantes entre si: K e N estão positivamente relacionadas entre si (*r* = 0,74) e ambas estão negativamente relacionadas com B (*rs* = –0,75 e –0,79, respectivamente).

Apesar dessas vantagens, o mapa de calor não resolve todos os problemas. Ele não informa, por exemplo, se as relações entre variáveis são lineares ou monotônicas — pressupostos das correlações de Pearson e [de Spearman](/o-que-e-correlacao-de-spearman), respectivamente.

Além disso, ele resume apenas associações bivariadas. Embora possa sugerir variáveis candidatas à remoção em modelos, o mapa de calor não substitui procedimentos mais adequados para avaliar relações multivariadas, como [diagnósticos formais de multicolinearidade](/diagnostico-de-multicolinearidade).

## Onde criar mapas de calor de correlação?

No JASP, a opção **mapa de calor** está disponível no teste de correlação, na aba **Regressão** (Figura 7). No entanto, essa implementação oferece poucas opções de customização, como alteração de rótulos, remoção de coeficientes das células ou escolha da paleta de cores.

![heatmap no JASP.](/uploads/2026-02_mapa-de-calor-jasp.jpg)

*Figura 7. Screenshot do JASP, no teste de correlação. O mapa de calor é solicitado marcando a caixa na parte inferior da guia.*

No **jamovi**, o mapa de calor aparece na análise de fidedignidade, no módulo **Fator** (Figura 8). Nesse caso, a principal limitação é o uso exclusivo da correlação de Pearson para gerar a representação.

![heatmap no jasp.](/uploads/2026-02_mapa-de-calor-jamovi.jpg)

*Figura 8. Screenshot do jamovi, na análise de fidedignidade. O mapa de calor é solicitado marcando a caixa na parte inferior da guia (mapa térmico de correlação).*

Por fim, linguagens de programação oferecem opções altamente customizáveis. Em Python, bibliotecas como **matplotlib** e **seaborn** permitem criar mapas de calor flexíveis e reprodutíveis. De modo semelhante, no R, pacotes como [**ggplot2**](/como-criar-graficos-no-r-com-o-ggplot2) possibilitam a criação de gráficos de alta qualidade, incluindo mapas de calor de correlação.

Quer aprender a criar mapas de calor e outras visualizações avançadas no R? A [Psicometria Online Academy](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post) ensina passo a passo como fazer isso com rigor estatístico e clareza visual.

## Referências

Cohen, J. (1992). Statistical power analysis. *Current Directions in Psychological Science*, *1*(3), 98–101. https://doi.org/10.1111/1467-8721.ep10768783

Dudáš, A. (2024). Graphical representation of data prediction potential: Correlation graphs and correlation chains. *The Visual Computer*, *40*, 6969–6982. https://doi.org/10.1007/s00371-023-03240-y

Matplotlib. (n.d.). *Choosing colormaps in Matplotlib* \[website\]. https://matplotlib.org/stable/users/explain/colors/colormaps.html

Rougier, N. P., Droettboom, & Bourne, P. E. (2014). Ten simple rules for better figures \[Editorial\]. *PLoS Computational Biology*, *10*(9), Article e1003833. https://doi.org/10.1371/journal.pcbi.1003833

VanderPlas, J. (2017). *Python data science handbook: Essential tools for working with data*. O’Reilly.

## Como citar este post

> **Como citar este artigo:** Lima, M. (2026, 6 de fevereiro). O que é um mapa de calor de correlação? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/o-que-e-um-mapa-de-calor-de-correlacao