A escolha do teste estatístico depende de três respostas: que tipo de variável você tem, quantos grupos está comparando e se os dados atendem aos pressupostos do teste. Definidas essas três coisas, o teste praticamente se escolhe sozinho — qui-quadrado para categorias, teste t para dois grupos, ANOVA para três ou mais, correlação para relação entre variáveis numéricas.
Antes de tudo: você precisa mesmo de um teste?
Boa parte dos TCCs de graduação não precisa de estatística inferencial. Se o objetivo é descrever o que a sua amostra respondeu, a estatística descritiva — frequência, média, mediana, desvio padrão — já responde ao problema, e o caminho está em análise de dados quantitativos no TCC.
O teste estatístico entra quando você quer generalizar para além da amostra ou testar formalmente uma hipótese: afirmar que existe diferença entre dois grupos, ou associação entre duas variáveis, com uma margem de erro calculada. Aplicar um teste sem essa necessidade — só para o trabalho parecer mais científico — costuma produzir o efeito oposto na banca.
As três perguntas que decidem
1. Que tipo são as suas variáveis?
- Categórica (qualitativa): sexo, curso, setor, “sim/não”. Você conta quantos caem em cada categoria.
- Numérica (quantitativa): idade, nota, tempo, faturamento. Você calcula média.
- Ordinal: escala do tipo Likert. É um caso intermediário e a área diverge sobre o tratamento — a discussão está em escala Likert no TCC.
2. Quantos grupos você compara?
Nenhum (só quer relação entre variáveis), dois (homens e mulheres; antes e depois) ou três ou mais (três turnos, quatro setores).
3. Os grupos são independentes ou pareados?
Independentes: pessoas diferentes em cada grupo. Pareados: as mesmas pessoas medidas duas vezes — antes e depois de um treinamento, por exemplo. É a distinção mais esquecida, e ela muda o teste.
Para nomear corretamente o que é causa e o que é efeito nesse desenho, veja variáveis da pesquisa.
Tabela de decisão
| O que você quer saber | Variáveis | Teste paramétrico | Alternativa não paramétrica |
|---|---|---|---|
| Se duas variáveis categóricas estão associadas | Categórica × categórica | Qui-quadrado de independência | Exato de Fisher (amostras pequenas) |
| Se dois grupos independentes diferem | Categórica (2 grupos) × numérica | Teste t para amostras independentes | Mann-Whitney |
| Se houve mudança nas mesmas pessoas | Numérica, medida 2 vezes | Teste t pareado | Wilcoxon |
| Se três ou mais grupos diferem | Categórica (3+) × numérica | ANOVA de um fator | Kruskal-Wallis |
| Se duas variáveis numéricas variam juntas | Numérica × numérica | Correlação de Pearson | Correlação de Spearman |
| Quanto uma variável prevê outra | Numérica × numérica | Regressão linear | — |
Duas leituras práticas da tabela. A coluna da direita existe porque quase todo teste paramétrico tem um equivalente que não exige distribuição normal — e em amostras pequenas de TCC essa coluna costuma ser a correta. E ANOVA responde apenas “há diferença entre os grupos?”; para saber entre quais, é preciso um teste post hoc complementar.
Pressupostos: o que checar antes
Testes paramétricos assumem condições sobre os dados. Ignorá-las é o erro que mais invalida análises de TCC:
- Normalidade — a variável numérica deve ter distribuição aproximadamente normal em cada grupo. Verifica-se por histograma e por testes específicos de normalidade.
- Homogeneidade de variâncias — a dispersão deve ser semelhante entre os grupos.
- Independência das observações — a resposta de um participante não pode influenciar a de outro.
- Frequência mínima esperada, no caso do qui-quadrado: com contagens esperadas muito baixas em várias casas, o resultado deixa de ser confiável e a alternativa é o teste exato.
Se os pressupostos não se sustentam, você não precisa abandonar a análise: usa a alternativa não paramétrica correspondente e declara isso na metodologia. Escrever “optou-se por Mann-Whitney em razão da não normalidade verificada” é sinal de rigor, não de fraqueza.
Quando usar os testes não paramétricos
Prefira a coluna não paramétrica quando:
- A amostra é pequena — situação comum em TCC de graduação.
- A distribuição é claramente assimétrica.
- Há valores extremos que distorcem a média.
- A variável é ordinal, como uma escala de concordância.
O custo é uma sensibilidade um pouco menor para detectar diferenças reais. Em compensação, o resultado é defensável — o que importa mais em um trabalho que será arguido por uma banca.
Como relatar o resultado (e o que o p-valor não diz)
Ao relatar, informe: o teste aplicado, a estatística do teste, os graus de liberdade quando houver, o p-valor e o nível de significância adotado (usualmente 0,05). E, sempre que possível, uma medida de tamanho de efeito.
Três esclarecimentos que evitam a interpretação errada mais comum:
- O p-valor não mede a importância do achado. Ele indica a probabilidade de observar um resultado ao menos tão extremo caso a hipótese nula seja verdadeira — não o tamanho nem a relevância prática da diferença.
- “Não significativo” não é o mesmo que “não existe diferença”. Pode simplesmente significar que a amostra foi pequena demais para detectá-la.
- Correlação não é causalidade. Duas variáveis podem variar juntas sem que uma cause a outra.
Por isso o tamanho de efeito importa: com amostra grande, diferenças triviais viram estatisticamente significativas; com amostra pequena, diferenças relevantes podem não alcançar significância. Relatar apenas o p-valor esconde as duas situações.
Erros que invalidam a análise
- Aplicar teste paramétrico sem verificar pressupostos.
- Usar teste t três vezes para comparar três grupos, em vez de ANOVA — isso infla a chance de falso positivo.
- Tratar grupos pareados como independentes, ou o inverso.
- Rodar vários testes até um dar significativo e relatar só esse.
- Concluir causalidade a partir de correlação.
- Não informar o tamanho da amostra em cada comparação.
Vale registrar a decisão de teste já no capítulo de metodologia, e não apenas nos resultados — junto com o desenho da pesquisa e o cálculo da amostra, tratados em população e amostra no TCC e em validade e confiabilidade da pesquisa.
Sobre qual programa usar para rodar esses testes — Excel, SPSS, Jamovi ou R —, a comparação está em SPSS, R, Jamovi ou Excel para analisar dados do TCC. A escolha do software é posterior à escolha do teste, e não o contrário.
Perguntas frequentes
Qual teste estatístico usar no TCC?
Depende de três coisas: o tipo das variáveis, o número de grupos comparados e se os pressupostos são atendidos. Em linhas gerais: qui-quadrado para duas variáveis categóricas, teste t para dois grupos, ANOVA para três ou mais e correlação para duas variáveis numéricas.
Quando usar qui-quadrado?
Quando as duas variáveis são categóricas e você quer saber se há associação entre elas — por exemplo, entre setor de trabalho e intenção de permanecer na empresa. Com frequências esperadas muito baixas, a alternativa é o teste exato de Fisher.
Qual a diferença entre teste t e ANOVA?
O teste t compara dois grupos; a ANOVA compara três ou mais. Aplicar vários testes t em vez de uma ANOVA aumenta indevidamente a chance de encontrar diferença por acaso.
O que fazer se meus dados não são normais?
Use a alternativa não paramétrica correspondente — Mann-Whitney no lugar do teste t independente, Wilcoxon no lugar do pareado, Kruskal-Wallis no lugar da ANOVA, Spearman no lugar de Pearson — e declare essa escolha na metodologia.
O que significa p menor que 0,05?
Que a probabilidade de observar um resultado ao menos tão extremo, caso a hipótese nula fosse verdadeira, é inferior a 5%. Não indica a importância prática do achado, e por isso convém relatar também uma medida de tamanho de efeito.
Preciso de estatística inferencial no TCC de graduação?
Na maioria dos casos, não. Quando o objetivo é descrever o que a amostra respondeu, a estatística descritiva basta. A inferencial entra quando se pretende testar hipótese formal ou generalizar para uma população maior.