Estatística Descritiva vs Inferencial na Tese: Quando Usar 2026
A análise de dados de uma tese quantitativa começa invariavelmente pela mesma questão: que estatísticas devo apresentar? A resposta depende da natureza dos dados, do nível de medição das variáveis e — fundamentalmente — das perguntas de investigação e hipóteses formuladas. Estatística descritiva e estatística inferencial não são alternativas competitivas: são complementares. A descritiva caracteriza os dados que foram recolhidos; a inferencial generaliza ou testa hipóteses para além da amostra. Saber qual usar, em que momento e como reportar os resultados é uma das competências metodológicas mais práticas que um investigador pode desenvolver.
Este guia explica a lógica de cada ramo da estatística, os indicadores mais utilizados em dissertações de mestrado e teses de doutoramento, os pressupostos a verificar e um guia de decisão para escolher o teste mais adequado ao tipo de dados e à pergunta de investigação.
Use estatística descritiva para caracterizar a amostra e as variáveis (frequências, médias, desvio padrão, medianas). Use estatística inferencial para testar hipóteses, verificar diferenças entre grupos ou quantificar relações entre variáveis — e para generalizar conclusões além da amostra recolhida. Toda a tese quantitativa precisa de ambas: a descritiva na caracterização da amostra e das variáveis; a inferencial na análise principal para responder às hipóteses.
O Que É a Estatística Descritiva
A estatística descritiva organiza, resume e apresenta os dados de forma eficiente, sem fazer generalizações além da amostra observada. O seu objetivo é dar ao leitor uma visão clara das características dos dados recolhidos. Na tese, a estatística descritiva aparece tipicamente em dois momentos: na caracterização sociodemográfica da amostra e na descrição das variáveis em estudo antes da análise inferencial.
Medidas de Tendência Central
As medidas de tendência central descrevem o valor típico ou central de uma distribuição:
- Média aritmética (M): soma de todos os valores dividida pelo número de observações. Sensível a valores extremos (outliers). Adequada para variáveis contínuas com distribuição aproximadamente simétrica.
- Mediana (Md): valor que divide a distribuição em duas metades iguais. Robusta a outliers. Preferível quando a distribuição é assimétrica ou quando os dados são ordinais.
- Moda (Mo): valor mais frequente. Única medida de tendência central adequada para variáveis nominais.
Medidas de Dispersão
As medidas de dispersão quantificam a variabilidade dos dados em torno do valor central:
- Desvio padrão (DP ou SD): a medida de dispersão mais usada em conjunto com a média. Indica o afastamento típico dos valores em relação à média. Deve sempre ser reportado junto à média.
- Variância (σ²): quadrado do desvio padrão; base dos testes paramétricos.
- Amplitude interquartil (AIQ / IQR): diferença entre o terceiro e primeiro quartis; reportada com a mediana em distribuições assimétricas.
- Amplitude total: diferença entre o valor máximo e mínimo; útil para contextualizar a escala de resposta.
Como Apresentar: o Que Incluir Sempre na Tese
A caracterização da amostra deve incluir, para variáveis contínuas: M, DP, mínimo e máximo. Para variáveis categóricas: frequências absolutas (n) e relativas (%). Uma tabela de caracterização da amostra bem estruturada demonstra competência metodológica logo nos primeiros parágrafos do capítulo de resultados.
O Que É a Estatística Inferencial
A estatística inferencial utiliza os dados de uma amostra para fazer inferências — estimativas ou testes de hipóteses — sobre uma população mais vasta. A lógica subjacente é probabilística: os resultados da amostra podem diferir dos parâmetros populacionais por efeito do acaso; os testes inferenciais quantificam a probabilidade de que as diferenças ou relações observadas sejam devidas ao acaso (valor p) ou a uma associação real.
O Valor p e o Erro de Tipo I
O valor p (p-value) é a probabilidade de obter os resultados observados — ou resultados ainda mais extremos — se a hipótese nula for verdadeira. A convenção mais comum em ciências sociais e da saúde é α = 0,05: se p < 0,05, rejeita-se a hipótese nula e conclui-se que a diferença ou relação é estatisticamente significativa. O erro de Tipo I (falso positivo) é a probabilidade de rejeitar a hipótese nula quando ela é verdadeira — exatamente α.
Estimação por Intervalo de Confiança
O intervalo de confiança (IC 95%) fornece um intervalo de valores plausíveis para o parâmetro populacional, complementando e por vezes substituindo o teste de significância. A maioria dos guias de publicação científica modernos (APA 7.ª edição incluída) recomenda o reporte sistemático de intervalos de confiança como alternativa ou complemento ao valor p.
Níveis de Medição e Escolha de Estatísticas
O nível de medição das variáveis é o principal determinante da escolha de estatísticas descritivas e do teste inferencial adequado:
| Nível | Exemplos | Descritivas Adequadas | Testes Inferenciais Típicos |
|---|---|---|---|
| Nominal | Sexo, área científica, resposta sim/não | Frequências, percentagens, moda | Qui-quadrado (χ²), teste exato de Fisher |
| Ordinal | Escala Likert, posição em ranking | Mediana, AIQ, frequências | Mann-Whitney U, Kruskal-Wallis, Spearman |
| Intervalar | Temperatura em graus Celsius, notas escolares | Média, desvio padrão | t-test, ANOVA, correlação de Pearson |
| Rácio | Peso, altura, rendimento, tempo | Média, DP, coeficiente de variação | t-test, ANOVA, regressão linear |
Pressupostos a Verificar Antes da Análise Inferencial
Os testes paramétricos — t-test, ANOVA, Pearson — baseiam-se em pressupostos sobre a distribuição dos dados que devem ser verificados antes da sua aplicação. Os principais são:
Normalidade
Os dados devem seguir uma distribuição normal (gaussiana). Testa-se com o teste de Shapiro-Wilk (recomendado para amostras pequenas, n < 50) ou Kolmogorov-Smirnov (para amostras maiores). Em amostras grandes (n > 30), o Teorema do Limite Central garante que a distribuição das médias se aproxima da normal mesmo que os dados não sejam normais, o que permite o uso de testes paramétricos com mais segurança.
Homogeneidade de Variâncias
Para testes de diferença entre grupos (t-test, ANOVA), as variâncias populacionais dos grupos devem ser homogéneas. Testa-se com o teste de Levene. Se o pressuposto for violado, utilizam-se versões robustas dos testes (t-test de Welch, ANOVA com correção de Brown-Forsythe).
Independência das Observações
As observações devem ser independentes entre si. Este pressuposto é violado quando os dados incluem medições repetidas do mesmo sujeito (desenho intrasujeito) — caso em que se usam testes para amostras emparelhadas ou ANOVA de medidas repetidas.
Guia de Decisão: Que Teste Usar
O fluxograma de decisão mais prático organiza-se em torno de três questões:
- Qual o objetivo da análise? (Diferença entre grupos / Relação entre variáveis / Previsão)
- Quantos grupos ou variáveis?
- Os pressupostos paramétricos estão satisfeitos?
| Objetivo | Situação | Teste Paramétrico | Alternativa Não-Paramétrica |
|---|---|---|---|
| Diferença entre grupos | 2 grupos independentes | t-test independente | Mann-Whitney U |
| 2 grupos emparelhados | t-test emparelhado | Wilcoxon | |
| 3+ grupos independentes | ANOVA one-way | Kruskal-Wallis | |
| Relação entre variáveis | 2 variáveis contínuas | Correlação de Pearson (r) | Correlação de Spearman (ρ) |
| 2 variáveis categóricas | — | Qui-quadrado; V de Cramer | |
| Previsão | VD contínua, 1 preditor | Regressão linear simples | — |
| VD contínua, múltiplos preditores | Regressão linear múltipla | Regressão não-paramétrica |
Para análises que envolvem construtos latentes e múltiplas variáveis observadas (por exemplo, validação de escalas ou testes de modelos teóricos), recorre-se à Modelação de Equações Estruturais (SEM). Ver o nosso artigo sobre modelagem de equações estruturais com AMOS e lavaan na tese 2026.
Para o cálculo do tamanho amostral necessário para garantir potência estatística adequada antes de recolher dados, ver o artigo sobre como calcular o tamanho da amostra com G*Power 2026.
Como Reportar os Resultados na Tese
O reporte dos resultados estatísticos deve seguir normas precisas. A APA 7.ª edição, a norma mais utilizada em ciências sociais e da saúde em Portugal e no Brasil, define as convenções de reporte:
Para Estatística Descritiva
M = 14.3, DP = 2.1, n = 85. Para medianas: Md = 3.0 (AIQ = 1.5). Nas tabelas, incluir sempre n, M (ou Md), DP (ou AIQ) e os percentis ou amplitudes relevantes.
Para Testes Inferenciais
- t-test: t(gl) = valor, p = valor, d de Cohen = valor, IC 95% [LL, UL]
- ANOVA: F(gl entre grupos, gl dentro dos grupos) = valor, p = valor, η² = valor
- Correlação de Pearson: r(n) = valor, p = valor
- Qui-quadrado: χ²(gl, N = n) = valor, p = valor, V de Cramer = valor
O reporte por extenso deve acompanhar sempre as tabelas — nunca substitua a interpretação escrita pelo conteúdo das tabelas. Para execução da análise em SPSS, R ou Python e para a interpretação dos outputs, consulte o nosso guia sobre análise de dados na tese com R, SPSS e Python 2026.
Erros Frequentes na Análise Estatística de Dissertações
- Usar médias em variáveis ordinais — escala Likert de 5 pontos é ordinal; reportar médias sem verificar os pressupostos de distribuição é metodologicamente discutível.
- Não verificar os pressupostos — aplicar ANOVA sem verificar normalidade e homogeneidade de variâncias invalida as conclusões se os pressupostos forem violados.
- Confundir significância estatística com relevância prática — um p < 0,001 não significa que o efeito seja grande. Reporte sempre o tamanho do efeito (d, η², r).
- Comparações múltiplas sem correção — realizar múltiplos testes t independentes infla a taxa de erro de Tipo I. Use ANOVA com testes post-hoc corrigidos (Bonferroni, Tukey HSD) quando compara mais de dois grupos.
- Omitir a direção da correlação ou da diferença — um resultado significativo sem indicar a direção e a magnitude do efeito é informativamente incompleto.
Perguntas Frequentes
Preciso de usar estatística inferencial se a minha tese é descritiva?
Não necessariamente. Se a pergunta de investigação é descritiva — caracterizar um fenómeno numa população definida — e a amostra é uma census (inclui todos os elementos da população), a estatística descritiva é suficiente e a inferencial é desnecessária. Se a amostra é uma parte da população e o objetivo é generalizar, a inferencial é necessária.
O que é o d de Cohen e quando devo reportá-lo?
O d de Cohen é a medida de tamanho do efeito para diferenças entre médias. Calcula-se como a diferença entre as médias dividida pelo desvio padrão combinado. A convenção de Cohen (1988) classifica: d = 0,2 (efeito pequeno), d = 0,5 (efeito médio), d = 0,8 (efeito grande). Deve ser reportado em todo o teste t e em comparações post-hoc de ANOVA, especialmente quando o resultado é estatisticamente significativo — para contextualizar a relevância prática do efeito.
Escala Likert é ordinal ou intervalar?
Tecnicamente, uma escala Likert de resposta único item é ordinal, porque os intervalos entre categorias não são necessariamente iguais. No entanto, quando múltiplos itens Likert são combinados numa escala total (score compósito), muitos metodólogos aceitam o tratamento da pontuação total como intervalar para fins de análise estatística paramétrica — desde que a escala tenha sido validada e apresente boa consistência interna. Esta é uma questão de debate ativo na literatura metodológica.
Posso usar R em vez de SPSS para a análise da tese?
Sim. R é gratuito, open-source, e aceite por todas as revistas científicas e instituições académicas. Oferece maior flexibilidade estatística e facilita a reprodutibilidade da análise. A curva de aprendizagem é mais acentuada do que o SPSS, mas pacotes como o {psych}, {car}, {lavaan} e {ggplot2} cobrem a maioria das análises necessárias numa dissertação. O RStudio e o Quarto facilitam a produção de relatórios estatísticos integrados com o texto da tese.
O que é o p-hacking e por que é um problema?
P-hacking é a prática de explorar os dados de múltiplas formas — removendo outliers, testando diferentes variáveis de controlo, dividindo subgrupos — até obter p < 0,05, sem que estas escolhas estivessem pré-especificadas. Infla artificialmente a taxa de falsos positivos e compromete a integridade científica da investigação. A solução é o pré-registo da análise (especificar hipóteses e procedimentos antes de recolher dados) e a transparência sobre todas as análises realizadas, incluindo as que não foram significativas.
Apoio na Análise Estatística da Sua Tese
A Tesify apoia estudantes na análise e interpretação estatística dos dados da tese — desde a verificação dos pressupostos até ao reporte dos resultados. Conheça os nossos planos de apoio metodológico.
Fontes: Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.ª ed.). Lawrence Erlbaum. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5.ª ed.). Sage. APA (2020). Publication Manual of the American Psychological Association (7.ª ed.). Para escolha de testes estatísticos: Qual teste estatístico devo usar? — Sobrevivendo na Ciência. Para contextualização metodológica: Formatos alternativos de teses e dissertações — Ciência Prática.
Escreve a tua tese ou TCC com IA
Editor inteligente, bibliografia automática (APA e ABNT) e verificação antiplágio num só sítio. Mais de 9.000 estudantes já escrevem em metade do tempo.