Você já olhou pra dois conjuntos de números na sua planilha — gasto com marketing e vendas, horas de treinamento e produtividade, temperatura e consumo de energia — e ficou na dúvida se um realmente influencia o outro, ou se é só impressão sua olhando o gráfico?
Confiar só no “olho” pra isso é arriscado: às vezes duas variáveis parecem andar juntas em um gráfico, mas na prática a relação é fraca ou não existe. E fazer essa análise sem uma métrica objetiva torna difícil justificar uma decisão de negócio baseada nisso.
Neste artigo vamos mostrar como a função CORREL resolve isso, calculando um número exato que mede o quanto duas variáveis estão relacionadas, sem depender de interpretação visual de gráfico.
O que é a função CORREL
CORREL é uma função estatística que calcula o coeficiente de correlação de Pearson entre dois conjuntos de números — uma medida de quão forte é a relação linear entre eles.
A sintaxe é:
=CORREL(matriz1; matriz2)
- matriz1: o primeiro conjunto de valores
- matriz2: o segundo conjunto de valores, com a mesma quantidade de itens que a matriz1
O resultado é sempre um número entre -1 e 1:
- Perto de +1: correlação positiva forte — quando uma variável sobe, a outra também sobe
- Perto de -1: correlação negativa forte — quando uma variável sobe, a outra desce
- Perto de 0: pouca ou nenhuma relação linear entre as duas variáveis
Exemplo prático
Imagine uma planilha com o investimento mensal em marketing e o total de vendas no mesmo mês:
Para calcular a correlação entre as duas colunas, a fórmula fica:
=CORREL(B2:B7; C2:C7)
O resultado, algo como 0,91, indica uma correlação positiva forte: nos meses em que o investimento em marketing foi maior, as vendas também foram maiores, de forma bem consistente.
Como interpretar o número
Não existe uma régua oficial única, mas a interpretação mais usada na prática é:
- 0,7 a 1 (ou -0,7 a -1): correlação forte
- 0,4 a 0,7 (ou -0,4 a -0,7): correlação moderada
- 0,1 a 0,4 (ou -0,1 a -0,4): correlação fraca
- Próximo de 0: praticamente nenhuma correlação linear
Vale notar que essa escala é uma referência, não uma regra rígida — o que conta como “forte” pode variar dependendo da área (em ciências sociais, por exemplo, correlações mais fracas já costumam ser consideradas relevantes).
Correlação não é causalidade
Esse é o ponto mais importante ao usar CORREL, e o mais fácil de interpretar errado: a função mostra que duas variáveis se movem juntas, não que uma causa a outra. Investimento em marketing e vendas altas podem estar correlacionados porque o marketing realmente gera vendas — ou porque os dois sobem juntos em meses de alta temporada, sem uma causar a outra diretamente.
✅ CORREL é útil para identificar padrões que merecem investigação mais a fundo
❌ CORREL não prova, sozinha, que uma variável é a causa da outra — isso exige uma análise mais completa, considerando outros fatores
CORREL vs PEARSON
Vale saber que o Excel também tem a função PEARSON, que calcula exatamente o mesmo valor que CORREL, com a mesma sintaxe. As duas são intercambiáveis — a diferença é só histórica, PEARSON existe desde versões mais antigas do Excel e CORREL foi introduzida depois, mas ambas continuam disponíveis e retornam o mesmo resultado.
Confirmando visualmente com um gráfico de dispersão
O número que a CORREL retorna fica ainda mais claro quando acompanhado de um gráfico de dispersão (Inserir > Gráfico > Dispersão) com as duas variáveis nos eixos. Uma correlação forte aparece como pontos formando uma linha bem definida, subindo ou descendo; uma correlação fraca aparece como uma nuvem de pontos espalhada, sem padrão visível.
Usar os dois juntos — o número exato da CORREL e a confirmação visual do gráfico — deixa a análise mais sólida do que confiar em só um dos dois.
Comparando várias variáveis de uma vez
Quando você tem mais de duas colunas para comparar entre si — por exemplo, marketing, preço médio e sazonalidade, todas em relação às vendas — calcular CORREL par a par manualmente fica repetitivo. Nesse caso, vale usar a ferramenta de Análise de Dados > Correlação, disponível em Dados > Análise de Dados (é preciso ativar o suplemento “Ferramentas de Análise” primeiro, em Arquivo > Opções > Suplementos). Ela gera automaticamente uma matriz de correlação com todos os pares de variáveis de uma vez, sem precisar escrever uma fórmula CORREL para cada combinação.
Erro comum
O erro mais comum é usar matriz1 e matriz2 com quantidades diferentes de valores — por exemplo, incluir uma linha a mais em uma das colunas. Nesse caso, a função retorna o erro #N/D.
Outro ponto de atenção: se todos os valores de uma das matrizes forem iguais (sem nenhuma variação), o desvio padrão é zero e a função retorna o erro #DIV/0!, porque matematicamente não há como calcular correlação sem variação nos dados.
Disponibilidade
CORREL é uma função clássica, disponível desde o Excel 2003 e presente em todas as versões desde então — 365, Online, Mac e Google Sheets (com o mesmo nome).
Um exemplo de correlação negativa
Nem toda correlação relevante é positiva. Um exemplo clássico de correlação negativa forte é preço e quantidade vendida: quanto mais alto o preço de um produto, menor tende a ser a quantidade vendida (mantendo os outros fatores constantes). Se você calcular =CORREL(preço; quantidade) para esse tipo de dado, é comum encontrar um resultado perto de -0,8 ou -0,9 — próximo de -1, indicando que as duas variáveis se movem em direções opostas de forma bem consistente. O sinal negativo não é um problema nem indica erro na fórmula: ele é justamente a informação relevante, mostrando o sentido da relação entre as duas variáveis.
Correlação é sensível a valores fora do padrão
Uma limitação importante da CORREL, pouco discutida, é que o resultado pode ser fortemente distorcido por um único valor muito fora do padrão dos demais (um outlier). Um mês excepcional — uma promoção agressiva que gerou vendas muito acima da média, por exemplo — pode inflar ou reduzir artificialmente o coeficiente de correlação calculado para o período inteiro, mesmo que os outros meses não tenham relação nenhuma entre si. Antes de confiar totalmente no resultado da CORREL, vale visualizar os dados em um gráfico de dispersão e verificar se existe algum ponto isolado, muito distante dos demais, que pode estar carregando o resultado sozinho.
Um exemplo completo de decisão apoiada em CORREL
Imagine uma equipe de RH que quer saber se as horas de treinamento oferecidas aos vendedores realmente se relacionam com o desempenho de vendas de cada um. Com uma tabela de horas de treinamento e vendas por vendedor, =CORREL(B2:B20;C2:C20) pode retornar, por exemplo, 0,62 — uma correlação moderada a forte. Isso não prova sozinho que o treinamento causa o aumento nas vendas (pode haver outros fatores, como tempo de casa do vendedor), mas é um indício sólido o bastante para justificar um teste controlado: expandir o treinamento para mais vendedores e acompanhar se o padrão se mantém. Esse é o uso mais responsável da CORREL — como ponto de partida para investigação, não como prova definitiva de causa e efeito.
Compartilhe ou Comente
Se você curtiu esse artigo aonde mostramos como usar a função CORREL para medir a relação entre duas variáveis na sua planilha, compartilhe com as suas redes sociais e não se esqueça de deixar um comentário aqui embaixo caso você tenha ficado com alguma dúvida.
Quais duas variáveis você tem curiosidade de testar a correlação na sua planilha? Já usou CORREL ou PEARSON antes? Conta para nós nos comentários!