Se está a seguir os mesmos passos de teses aprovadas há 5 anos, prepare-se para uma surpresa desagradável.

Deixe-me ser honesto consigo: o cenário mudou. E mudou drasticamente. As bancas portuguesas em 2025 estão mais exigentes, mais informadas e, francamente, menos tolerantes com erros que antes passavam despercebidos. A investigação quantitativa para teses académicas tornou-se um campo minado para estudantes desprevenidos.

Não estou aqui para o assustar — estou aqui para o preparar. Durante as últimas décadas, tenho acompanhado de perto a evolução das exigências académicas em Portugal, e o que vejo em 2025 é preocupante: estudantes brilhantes, com ideias excelentes, a verem as suas teses quantitativas reprovadas por erros que poderiam ter sido evitados.

Por que teses quantitativas reprovam em 2025?
As principais causas incluem: amostras insuficientes, testes estatísticos inadequados, hipóteses mal formuladas, interpretação incorreta de p-values, falta de reprodutibilidade, software mal utilizado e inconsistência entre objetivos e métodos.

Neste artigo, vou revelar os 7 erros fatais que estão a destruir teses quantitativas em universidades portuguesas — e, mais importante, como pode corrigi-los antes que seja tarde demais. Se a sua investigação segue uma abordagem qualitativa, também temos um guia específico para si.

Mas se escolheu o caminho quantitativo, continue a ler. O que vai descobrir pode salvar meses — ou até anos — de trabalho.

O Que Mudou na Avaliação de Teses Quantitativas em Portugal

Recordo-me perfeitamente de quando um estudante podia apresentar uma análise estatística básica, com uma amostra de conveniência de 50 pessoas, e a banca acenava com aprovação. Esses tempos acabaram.

Nos últimos 3 a 5 anos, assistimos a uma revolução silenciosa nas exigências académicas portuguesas. E esta revolução tem nome: Open Science.

As universidades portuguesas estão cada vez mais alinhadas com diretrizes internacionais. O que significa isto na prática? Três palavras: reprodutibilidade, transparência e rigor.

• Reprodutibilidade: Outra pessoa deve conseguir replicar a sua análise e obter os mesmos resultados
• Transparência metodológica: Cada decisão deve ser justificada e documentada
• Rigor estatístico: Não basta fazer o teste — é preciso verificar pressupostos e reportar efeitos

E há mais um fator que muitos estudantes subestimam: a inteligência artificial. As bancas estão cada vez mais atentas a inconsistências que ferramentas de IA conseguem detetar em segundos. Aquele truque de “ajustar” os dados até o p-value ficar abaixo de 0.05? Esqueça. Em 2025, isso é receita garantida para reprovação.

Se sente que precisa de formação adicional, considere o Curso de Metodologia Quantitativa da Universidade de Coimbra como exemplo de formação complementar credível.

Erro #1 — Hipóteses Mal Formuladas Que Destroem Toda a Investigação

Vou contar-lhe um segredo que aprendi ao longo dos anos: uma tese quantitativa vive ou morre nas suas hipóteses. Pode ter o melhor software estatístico do mundo, a maior amostra da sua área, mas se as hipóteses estiverem mal formuladas, está condenado desde o início.

É como construir uma casa sobre areia. Por mais bonita que seja a estrutura, vai desabar.

Deixe-me ser direto: uma hipótese não é uma pergunta vaga ou uma esperança otimista. Uma hipótese é uma afirmação testável e mensurável sobre a relação entre variáveis específicas.

Exemplo de hipótese fraca:
“O marketing digital influencia as vendas.”

O que significa “influencia”? Positiva ou negativamente? Em que magnitude? Como vamos medir isso?

Exemplo de hipótese forte:
“Existe uma correlação positiva significativa entre o investimento em marketing digital (medido em euros/mês) e o volume de vendas online (medido em unidades vendidas) em PMEs portuguesas do setor têxtil.”

Consegue ver a diferença? A segunda hipótese é específica, mensurável e testável. A banca consegue avaliar exatamente o que vai ser investigado.

Como formular hipóteses quantitativas corretamente:

1. Identifique claramente as variáveis dependente e independente
2. Estabeleça uma relação testável e mensurável
3. Alinhe com os objetivos específicos da investigação
4. Defina a direção esperada (hipótese direcional) quando justificável
5. Garanta que existe teste estatístico adequado para testá-la

E não se esqueça: as suas hipóteses devem decorrer logicamente dos seus objetivos. Se há descontinuidade entre objetivos e hipóteses, a banca vai notar. Para aprofundar este tema da coerência metodológica, recomendo vivamente a leitura complementar.

Erro #2 — Amostragem Insuficiente ou Enviesada

Aqui está uma verdade inconveniente que muitos orientadores evitam dizer claramente: a maioria das teses quantitativas reprovadas em 2025 tem problemas de amostragem.

Sei que é tentador. Está com pressa, o prazo aproxima-se, e de repente aquele grupo de Facebook com 200 membros parece a solução perfeita. “Vou só partilhar o questionário aqui…”

Pare. Respire. Pense.

Uma amostra de conveniência não é automaticamente problemática, mas precisa de ser justificada e reconhecida nas limitações. O erro fatal é tratá-la como se fosse representativa da população quando claramente não é.

Antes de recolher um único questionário, precisa de responder a esta pergunta: quantos participantes são suficientes para detetar um efeito estatisticamente significativo?

Esta é a power analysis — e em 2025, não fazer este cálculo é praticamente suicídio académico. Ferramentas como o G*Power (gratuito) permitem calcular o tamanho amostral necessário com base em:

• Tipo de teste estatístico que vai usar
• Tamanho do efeito esperado
• Nível de significância (α = 0.05, geralmente)
• Poder estatístico desejado (β = 0.80, tipicamente)

Lembre-se: uma amostra pequena demais significa que mesmo efeitos reais podem não ser detetados. Uma amostra enviesada significa que os resultados não se aplicam à população que pretende estudar. Ambos os cenários terminam em reprovação.

Erro #3 — Escolha Errada de Testes Estatísticos

Confesso que este é o erro que mais me frustra. Não porque seja difícil de evitar, mas porque é absurdamente comum e completamente desnecessário.

Imagine que precisa de abrir uma garrafa de vinho e, em vez do saca-rolhas, usa uma chave de fendas. Funciona? Talvez. É a ferramenta certa? Definitivamente não.

Escolher o teste estatístico correto não é magia negra — é seguir uma lógica simples baseada nas suas variáveis e objetivos.

Mas atenção — escolher o teste certo é apenas metade da batalha. A outra metade é verificar se os pressupostos do teste estão cumpridos.

Usar um t-test quando os dados não seguem distribuição normal? Aplicar correlação de Pearson quando a relação é claramente não-linear? Estes são erros que as bancas em 2025 identificam em segundos — e que destroem a credibilidade de toda a sua análise.

Para um aprofundamento sobre escolha de testes estatísticos e as suas armadilhas, recomendo vivamente este artigo complementar.

Erro #4 — Interpretação Incorreta de P-Values e Significância

Se há um único conceito estatístico que gostaria que todos os estudantes compreendessem profundamente, seria este: o que um p-value realmente significa.

Porque, francamente, a quantidade de interpretações erradas que vejo é assustadora.

Vamos esclarecer alguns mitos persistentes:

• ❌ Não é a probabilidade da sua hipótese estar correta
• ❌ Não é a probabilidade de os resultados serem “reais”
• ❌ Não é uma medida da importância prática do efeito
• ❌ Não é um indicador da qualidade da sua investigação

O p-value é simplesmente a probabilidade de obter resultados tão extremos (ou mais) quanto os observados, assumindo que a hipótese nula é verdadeira.

Parece complicado? Pense assim: se não houvesse nenhum efeito real, qual seria a probabilidade de ver estes dados por mero acaso?

E aqui está a mudança crucial que muitos estudantes ainda não interiorizaram: reportar apenas p-values já não é aceitável.

As bancas querem ver o effect size (tamanho do efeito). Porque um resultado pode ser estatisticamente significativo mas praticamente irrelevante. Imagine descobrir que um novo método de ensino melhora as notas em 0.1 pontos — estatisticamente significativo com uma amostra grande, mas quem se importa?

O Cohen’s d, o R², o odds ratio — aprenda a calcular e reportar estas medidas. Em 2025, é a diferença entre aprovação e reprovação. Para mais detalhes sobre interpretação de resultados, não deixe de consultar este recurso.

Erro #5 — Problemas nos Modelos de Regressão

A regressão é provavelmente a técnica estatística mais utilizada em teses quantitativas. E também é onde vejo mais estudantes a tropeçarem espetacularmente.

Não porque a regressão seja particularmente difícil, mas porque tem pressupostos específicos que precisam de ser verificados — e a maioria dos estudantes simplesmente ignora este passo.

5 pressupostos da regressão linear que a banca vai verificar:

1. Linearidade da relação entre variáveis
2. Normalidade dos resíduos (teste Shapiro-Wilk)
3. Homoscedasticidade (teste Breusch-Pagan)
4. Ausência de multicolinearidade (VIF < 5)
5. Independência dos resíduos (Durbin-Watson)

Cada um destes pressupostos pode ser violado, e cada violação tem consequências específicas para a validade das suas conclusões. Ignorá-los é como dirigir de olhos fechados — pode ter sorte, mas provavelmente não vai acabar bem.

Outro problema comum é não investigar os outliers. Um único ponto de dados extremo pode distorcer completamente os resultados da sua regressão. Ferramentas como a distância de Cook permitem identificar estes pontos problemáticos.

Para aprofundar conceitos estatísticos relacionados com regressão, esta referência pode ser útil como ponto de partida.

Erro #6 — Uso Inadequado de Software Estatístico

Ter acesso a software estatístico poderoso é simultaneamente uma bênção e uma maldição. Uma bênção porque automatiza cálculos complexos. Uma maldição porque permite cometer erros sofisticados com apenas alguns cliques.

Não existe resposta universal sobre qual software escolher, mas existe a resposta certa para a sua situação específica.

Em 2025, a reprodutibilidade é palavra de ordem. Isso significa que deve guardar não apenas os resultados, mas também os scripts, a sintaxe, os passos exatos que usou. Se usar SPSS, exporte a sintaxe. Se usar R, mantenha os scripts organizados. Se usar JASP, guarde os ficheiros de projeto.

Uma banca moderna pode pedir-lhe para demonstrar como chegou aos resultados. Se não conseguir reproduzir a sua própria análise, está com um problema sério.

Erro #7 — Falta de Coerência Metodológica Global

Este é, possivelmente, o erro mais devastador de todos. E também o mais subtil, porque pode não ser óbvio até à defesa — quando já é tarde demais.

Estou a falar do fio condutor que deve atravessar toda a sua investigação quantitativa. Sem ele, a sua tese parece uma coleção de peças desconectadas, não um trabalho coeso.

Uma tese quantitativa bem construída flui logicamente de um ponto para o outro:

Problema → Objetivos → Hipóteses → Método → Análise → Conclusões

Cada elemento deve decorrer naturalmente do anterior. Se identificou um problema específico, os seus objetivos devem abordá-lo diretamente. Se traçou objetivos claros, as hipóteses devem operacionalizá-los. Se formulou hipóteses testáveis, o método deve permitir testá-las. E assim por diante.

Quando a banca deteta uma quebra nesta cadeia — e acredite, vai detetar — toda a credibilidade do trabalho é posta em causa. Não importa quão sofisticadas sejam as suas análises estatísticas se não respondem às perguntas que disse que ia responder.

Próximos Passos: Proteja a Sua Tese Quantitativa

Se chegou até aqui, já está um passo à frente da maioria dos seus colegas. Conhecer os erros é o primeiro passo para os evitar.

Mas conhecimento sem ação é inútil. Por isso, deixo-lhe um desafio: reveja a sua tese à luz destes 7 erros fatais. Seja honesto consigo mesmo. Se identificar problemas, resolva-os agora — não na véspera da entrega, não durante a defesa.

A sua tese quantitativa pode ser aprovada com distinção. Ou pode juntar-se às estatísticas de reprovação. A escolha, como dizem, é sua.

E se precisar de ajuda adicional com a metodologia da sua tese, estamos aqui para ajudar. Porque ninguém deveria reprovar por erros que poderia ter evitado.