Correlação entre variáveis: o que o número mede e o que ele não prova

Uma equipe de melhoria de um hospital passou três semanas coletando dados de dois indicadores: o tempo de espera na recepção e a nota de satisfação dada pelo paciente na saída. Ao final, calculou a correlação entre os dois e encontrou um valor de -0,90. A relação era clara e forte: quanto maior a espera, menor a nota.

A proposta que saiu da reunião seguinte foi contratar mais um recepcionista. A predição registrada pela equipe era direta: reduzindo a espera média de 18 para 11 minutos, a nota subiria de 6,5 para algo perto de 8,5 — foi exatamente o que a relação medida sugeria. O recepcionista foi contratado, a espera caiu para 10 minutos, e a nota de satisfação ficou em 6,8.

A predição falhou. E o mais útil desse caso não é o erro em si, mas o que ele revela: o número estava certo, a coleta estava correta, a leitura do coeficiente estava correta. O que estava errado era a conclusão de que mexer em x moveria y. Entender correlação entre variáveis é, antes de tudo, entender exatamente onde essa fronteira fica.

O que é correlação entre variáveis

Correlação é a medida do grau em que duas variáveis variam juntas. Quando os valores de uma tendem a subir enquanto os da outra também sobem, existe correlação positiva. Quando uma sobe e a outra tende a descer, a correlação é negativa. Quando não há padrão de variação conjunta, não há correlação linear.

Três características descrevem qualquer relação entre duas variáveis numéricas:

• Direção: positiva (as duas caminham no mesmo sentido) ou negativa (caminham em sentidos opostos).
• Forma: a relação pode ser aproximada por uma reta (linear) ou segue uma curva (não linear).
• Força: quanto mais próximos os pontos estão da forma identificada, mais forte é a relação.

Essa distinção entre forma e força é onde a maior parte dos erros de interpretação começa, e vamos voltar a ela adiante.

O coeficiente de correlação linear

A força e a direção de uma relação linear são resumidas em um único número: o coeficiente de correlação linear, representado por r. Ele sempre fica entre -1 e 1.

A fórmula compara o quanto cada ponto se afasta da média de x e da média de y, ao mesmo tempo:

r = Σ(xᵢ − x̄)(yᵢ − ȳ) / [ √Σ(xᵢ − x̄)² · √Σ(yᵢ − ȳ)² ]

A lógica por trás dela é mais simples do que a notação sugere. Quando um ponto está acima da média em x e também acima da média em y, o produto dos dois desvios é positivo. Quando está acima em x e abaixo em y, o produto é negativo. Somando esses produtos em todos os pontos, o resultado revela se o padrão dominante é de variação no mesmo sentido ou em sentidos opostos. O denominador apenas padroniza o resultado para a escala de -1 a 1, o que permite comparar correlações de variáveis medidas em unidades completamente diferentes.

Como ler o valor de r

Duas observações são obrigatórias na leitura desse número, e as duas são frequentemente ignoradas.

Primeira: r baixo não significa que as variáveis não têm relação. Significa que elas não têm relação linear. Uma relação em forma de U — em que y cai, atinge um mínimo e volta a subir conforme x aumenta — pode produzir um r próximo de zero mesmo sendo uma relação fortíssima e perfeitamente previsível. É por isso que o valor de r nunca deve ser interpretado sem olhar o gráfico. A leitura visual da nuvem de pontos tem regras próprias, detalhadas no diagrama de dispersão.

Segunda: o que conta como “alto” depende do contexto. Um r de 0,6 entre duas medições do mesmo instrumento em condições controladas é um resultado ruim, sinal de um sistema de medição instável. O mesmo 0,6 entre uma variável de processo e um indicador de satisfação do cliente, num ambiente com dezenas de fatores em jogo, pode ser um achado relevante. Não existe tabela universal de corte — existe julgamento técnico sobre o contexto.

Correlação não é causalidade

Entre 1920 e 1935 foram coletados dados na Inglaterra sobre o número de aparelhos de rádio e o número de doentes mentais por 100.000 habitantes. A relação encontrada era positiva, linear e forte: quanto mais rádios, mais doentes mentais registrados. Nenhuma pessoa razoável concluiria que ouvir rádio provoca doença mental — e é exatamente esse absurdo que torna o exemplo útil, porque a estrutura estatística dele é idêntica à de conclusões que empresas tiram todos os dias sem estranhar.

O caso das cegonhas de Oldenburgo é o mesmo mecanismo. Entre 1930 e 1936, o número de cegonhas na cidade e a população humana subiram juntos, com correlação forte. A explicação real: conforme a população crescia, crescia o número de casas, e com elas o número de chaminés — que atraem cegonhas. As duas variáveis subiam juntas porque uma terceira empurrava as duas.

Quando duas variáveis aparecem correlacionadas, há pelo menos cinco explicações possíveis, e apenas uma delas é a que costuma ser assumida:

• x é causa direta de y;
• y é causa direta de x (a direção é o inverso da suposta);
• x contribui para a variação de y, mas está longe de ser a única causa;
• uma terceira variável provoca a variação nas duas — o caso das chaminés;
• as duas mudam ao longo do tempo por motivos independentes, e a associação é coincidência.

A regra que decorre disso é firme: em estudos observacionais não se atribui relação de causa e efeito a variáveis correlacionadas. Para estabelecer causa é preciso experimento planejado — mudar deliberadamente x, controlando as demais condições, e observar o que acontece com y.

Voltando ao hospital da abertura: a espera e a satisfação estavam genuinamente correlacionadas em -0,90. Mas o que empurrava as duas era uma terceira coisa — os dias de maior movimento eram os dias em que a espera crescia e em que o atendimento ficava mais apressado, o contato menos atencioso, a explicação sobre o procedimento mais curta. Reduzir a espera sem tocar no que acontecia depois dela mexeu na variável medida e não no mecanismo. A mudança aconteceu; a melhoria, não.

Por que a correlação importa em um projeto de melhoria

Em um projeto estruturado, o indicador que se quer melhorar é a variável resposta, chamada de Y. As variáveis de entrada e de processo, candidatas a explicar o comportamento de Y, são os X. O trabalho da fase de análise é justamente entender quais X influenciam o Y — e a correlação é a ferramenta que dá o primeiro sinal.

Esse primeiro sinal tem uma função específica e limitada: ele orienta onde investir esforço de investigação, não onde agir. Uma equipe que mede 12 variáveis de processo contra o indicador de defeitos e encontra correlação relevante em três delas acaba de reduzir o espaço de busca de doze para três. Isso é muito valioso — e é diferente de ter descoberto a causa.

A escolha da técnica correta depende da natureza das variáveis:

O coeficiente r, especificamente, só se aplica ao primeiro caso: duas variáveis numéricas. Quando uma delas é categórica — turno, fornecedor, tipo de material — o estudo da associação é feito por estratificação, não por r.

Medir a força da relação é uma coisa; escrever a equação que permite prever y a partir de x é outra — esse é o trabalho da regressão linear, que começa onde a correlação termina.

A armadilha da estratificação

Uma equipe de qualidade analisou a relação entre a rigidez de um componente e a força necessária para rompê-lo, com 16 amostras vindas de dois fornecedores. O coeficiente global deu -0,54: uma correlação negativa moderada, sugerindo que mais rigidez significa menos força de ruptura — um resultado tecnicamente estranho, que gerou uma discussão longa sobre a qualidade do material.

Ao separar os dados por fornecedor, o quadro se inverteu. Dentro do fornecedor A, a correlação era +0,96. Dentro do fornecedor B, +0,94. Nos dois casos, positiva e forte: mais rigidez, mais força de ruptura, exatamente como a engenharia previa.

O que produziu o -0,54 global foi o fato de o fornecedor B trabalhar numa faixa de rigidez mais alta e entregar peças com força de ruptura menor. Os dois grupos, sobrepostos no mesmo gráfico, formam uma nuvem que desce da esquerda para a direita — enquanto cada grupo, isoladamente, sobe. O sinal do coeficiente global era o sinal da diferença entre fornecedores, não o da relação entre as variáveis.

Esse padrão aparece em várias combinações: há relação no geral e em cada estrato, na mesma direção; há relação no geral e em cada estrato, em direções opostas; há relação no geral e nenhuma dentro dos estratos; há relação dentro dos estratos e nenhuma no geral. A conclusão prática é uma só: antes de interpretar qualquer correlação, pergunte quais grupos distintos estão misturados naquele conjunto de dados. Turno, operador, fornecedor, linha, período — se existe uma variável de estratificação plausível, ela precisa ser testada antes de a conclusão ser fechada.

O que fazer com uma correlação encontrada

Encontrar uma correlação relevante não encerra a análise: abre a próxima etapa. O caminho que separa o achado da ação passa por quatro passos.

1. Olhar o gráfico. Sempre. O coeficiente resume; o gráfico mostra a forma, os pontos discrepantes e os agrupamentos que o número esconde.
2. Testar a estratificação. Separar por grupos plausíveis e recalcular. Se o quadro muda, o quadro global estava enganando.
3. Levantar as explicações concorrentes. Para cada correlação, listar as terceiras variáveis capazes de produzir aquele mesmo padrão. Se nenhuma for descartável com o que se tem, o dado ainda não sustenta ação.
4. Testar a mudança em pequena escala, com predição registrada antes. Escrever o que se espera que aconteça, executar em escala reduzida, comparar o resultado com a predição. É o único passo que transforma associação em conhecimento sobre causa.

O quarto passo é o que teria poupado três meses ao hospital do começo. Testar a hipótese com um recepcionista extra durante duas semanas, em vez de contratar, teria produzido o mesmo aprendizado — e teria produzido a pergunta certa: se a espera caiu e a nota não subiu, o que mais está acontecendo entre a chegada e a saída do paciente?

Quando não usar correlação

A correlação linear não é a ferramenta adequada quando:

• A relação é claramente não linear. O r vai subestimar ou zerar uma relação forte. O gráfico revela; o número, não.
• Uma das variáveis é categórica. Use estratificação, boxplot ou tabela de contingência.
• Há poucos pontos. Com 5 ou 6 observações, um único ponto discrepante move o coeficiente drasticamente.
• Os dados vêm de faixas muito estreitas. Restringir a variação de x artificialmente reduz o r, mesmo quando a relação real é forte fora daquela faixa.
• O objetivo é prever. Correlação mede associação; previsão exige um modelo.

O erro que a leitura deste artigo evita na próxima segunda-feira é específico: receber uma planilha com uma correlação alta destacada em vermelho, e tratar aquele número como autorização para mudar o processo. Ele não é. Ele é autorização para investigar aquele X com prioridade sobre os outros onze — e para desenhar o teste que vai dizer se mexer nele muda alguma coisa. A distância entre essas duas leituras é a distância entre um projeto que entrega resultado e um que entrega relatório.

Esse raciocínio — separar o que os dados mostram do que eles provam, e testar antes de implementar — é o núcleo do que se aprende na formação Green Belt, onde a análise de relação entre variáveis aparece dentro do método que a torna útil.

Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua. Nesta revisão, o foco foi a fronteira entre associação medida e relação causal, e o que ela exige antes de qualquer decisão de processo.

Perguntas frequentes

Qual a diferença entre correlação e causalidade?

Correlação é a constatação de que duas variáveis variam juntas. Causalidade é a afirmação de que uma provoca a variação da outra. Toda relação causal produz correlação, mas o inverso não vale: duas variáveis podem estar fortemente correlacionadas porque uma terceira empurra as duas, porque a direção é o contrário da suposta, ou por coincidência. Só experimento planejado estabelece causa.

O que significa um coeficiente de correlação igual a zero?

Significa ausência de relação linear entre as variáveis — não ausência de relação. Uma relação em forma de curva pode produzir r próximo de zero e ainda assim ser forte e previsível. Por isso o coeficiente nunca deve ser interpretado sem o gráfico de dispersão correspondente.

A partir de que valor a correlação é considerada forte?

Não existe corte universal. A interpretação depende do contexto: em medições repetidas de um mesmo instrumento, espera-se algo acima de 0,95 e um valor de 0,7 indicaria problema; em variáveis de processo influenciadas por dezenas de fatores, 0,6 pode ser um achado relevante. O julgamento é técnico, não tabelado.

Correlação negativa é um resultado ruim?

Não. O sinal indica apenas a direção da relação: negativa significa que quando uma variável sobe, a outra tende a descer. Uma correlação de -0,9 é tão forte quanto uma de +0,9. Em muitos contextos a relação negativa é exatamente o que se procura, como entre horas de manutenção preventiva e número de paradas não programadas.

Posso calcular correlação entre uma variável numérica e uma categórica?

Não com o coeficiente r, que exige duas variáveis numéricas. Quando uma das variáveis é categórica — turno, fornecedor, tipo de defeito — o estudo da associação é feito por estratificação, com boxplot, dotplot estratificado ou gráfico de tendência estratificado. Quando as duas são categóricas, usa-se tabela de contingência.

Por que a correlação muda quando separo os dados por grupo?

Porque o coeficiente calculado sobre dados misturados captura tanto a relação entre as variáveis quanto a diferença entre os grupos. Se dois fornecedores operam em faixas diferentes, a nuvem combinada pode apontar numa direção oposta à de cada grupo isolado. Testar a estratificação antes de concluir é parte obrigatória da análise.

Quantos pontos são necessários para calcular uma correlação confiável?

Não há número mágico, mas com menos de 10 a 15 observações o coeficiente fica muito sensível a pontos isolados — um único valor discrepante pode inverter a leitura. Mais importante que a quantidade é a faixa coberta: dados concentrados em um intervalo estreito de x subestimam a relação real, mesmo com muitas observações.