O teste de normalidade verifica se a sua variável numérica tem distribuição aproximadamente normal — condição que os testes paramétricos assumem. Os dois mais usados são o Shapiro-Wilk e o Kolmogorov-Smirnov com correção de Lilliefors, e a lógica deles é invertida: p maior que 0,05 significa que você não rejeitou a normalidade, ou seja, está liberado para seguir com o teste paramétrico. Se o resultado der significativo, o TCC não acaba ali — existem quatro saídas legítimas, e este guia percorre cada uma.
Por que a banca cobra a verificação de normalidade
Teste t, ANOVA, correlação de Pearson e regressão linear são procedimentos paramétricos: a validade deles depende de suposições sobre a distribuição dos dados. A normalidade é a mais conhecida dessas suposições e também a mais frequentemente ignorada em trabalhos de graduação. Quando ela não se sustenta e ninguém verifica, o número que aparece na tabela de resultados continua existindo — só deixa de significar o que o autor diz que significa.
Ghasemi e Zahediasl, em comentário estatístico publicado no International Journal of Endocrinology and Metabolism (2012;10(2):486-489), abrem o texto lembrando que erros estatísticos são comuns na literatura científica e que cerca de metade dos artigos publicados contém ao menos um. A verificação de pressupostos é justamente a etapa que separa uma análise conduzida de uma análise improvisada — e ela é barata: leva dois minutos em qualquer programa.
Antes de chegar aqui, você já precisa ter definido quais são as suas variáveis e de que tipo elas são; se essa parte ainda está aberta, vale revisar variáveis da pesquisa: dependente, independente e interveniente. A escolha do teste que virá depois está mapeada em qual teste estatístico usar no TCC, e este artigo cobre o passo intermediário que aquele guia deixa em aberto: como se testa a normalidade, com qual teste, e o que fazer quando o resultado é ruim.
Shapiro-Wilk ou Kolmogorov-Smirnov: qual usar
Os dois aparecem lado a lado na mesma tabela de saída do SPSS, o que gera a dúvida mais comum do capítulo de resultados. Eles não são equivalentes.
O Kolmogorov-Smirnov é um teste de função de distribuição empírica: compara a distribuição acumulada teórica da distribuição de referência com a distribuição acumulada observada nos seus dados. Ele tem uma sensibilidade alta a valores extremos, e a correção de Lilliefors — publicada por Hubert Lilliefors no Journal of the American Statistical Association (1967;62(318):399-402) — existe justamente para torná-lo menos conservador quando a média e o desvio padrão são estimados a partir da própria amostra. Ainda assim, a literatura registra que o K-S tem poder baixo e que não é recomendado quando os parâmetros são estimados dos dados, independentemente do tamanho da amostra.
O Shapiro-Wilk, proposto por Samuel Shapiro e Martin Wilk na Biometrika (1965;52(3-4):591-611), funciona por outro caminho: baseia-se na correlação entre os dados observados e os escores normais correspondentes. O ponto prático é que ele oferece poder maior do que o K-S mesmo depois da correção de Lilliefors — e é por isso que boa parte dos autores o recomenda como primeira escolha para testar normalidade.
| Critério | Shapiro-Wilk | Kolmogorov-Smirnov (Lilliefors) |
|---|---|---|
| Como funciona | Correlação entre os dados e os escores normais esperados | Distância entre a distribuição acumulada observada e a teórica |
| Poder para detectar não normalidade | Maior | Menor, mesmo com a correção |
| Sensibilidade a valores extremos | Moderada | Alta |
| Parâmetros estimados da amostra | Previsto no teste | Exige a correção de Lilliefors |
| Recomendação prática | Primeira escolha na maioria dos TCCs | Relatar apenas como complemento |
Regra operacional: relate o Shapiro-Wilk. Se o seu programa imprime os dois, não há problema em mostrar a tabela inteira, mas a decisão deve ser justificada pelo Shapiro-Wilk, e essa escolha precisa aparecer escrita. O SPSS, aliás, recomenda esses testes sobretudo para amostras com menos de 50 casos — um detalhe que quase nenhum TCC menciona e que a banca de programas quantitativos costuma conhecer.
Como ler o resultado sem inverter a lógica
Aqui está o erro mais frequente do capítulo inteiro. Nos testes de normalidade, a hipótese nula é que a distribuição da amostra é normal. A leitura, portanto, é ao contrário do que a intuição sugere:
- p > 0,05 — você não rejeita a hipótese nula. Não há evidência de afastamento relevante da normalidade, e o caminho paramétrico segue aberto.
- p < 0,05 — você rejeita a hipótese nula. A distribuição difere significativamente de uma normal.
Repare que “não rejeitar” não é o mesmo que “provar que é normal”. O teste nunca confirma a normalidade; ele apenas deixa de encontrar evidência contra ela. Essa distinção parece filosófica, mas tem uma consequência prática imediata: com poucos casos, quase todo conjunto passa no teste, e passar não significa que os dados sejam bem comportados.
Um segundo detalhe que derruba análises: a normalidade é verificada por grupo, não na amostra inteira, sempre que o teste seguinte comparar grupos. Se você vai aplicar um teste t entre dois setores da empresa, precisa de dois testes de normalidade — um para cada setor. Rodar um único teste sobre a variável misturando os grupos responde a uma pergunta diferente da que você fez.
O paradoxo do tamanho da amostra
Esta é a parte que mais confunde, e é também a que resolve a maioria dos desesperos de véspera. O teste de normalidade responde de forma diferente conforme o tamanho da amostra, e nas duas pontas ele engana:
- Amostras pequenas. Os testes de normalidade têm pouco poder para rejeitar a hipótese nula, de modo que amostras pequenas quase sempre passam. Um “p = 0,42” com 15 casos não é um atestado de normalidade — é a constatação de que 15 casos não dizem grande coisa sobre a forma da distribuição.
- Amostras grandes. Resultados significativos aparecem mesmo diante de um desvio pequeno da normalidade, ainda que esse desvio não afete o resultado do teste paramétrico. Com 600 respondentes, é esperado que o Shapiro-Wilk dê significativo.
Some a isso o teorema central do limite. Com amostras suficientemente grandes — a literatura de referência trabalha com o patamar de mais de 30 ou 40 casos —, a violação da suposição de normalidade não costuma causar problemas maiores, porque a distribuição amostral das médias tende à normalidade independentemente da forma dos dados brutos. Em amostras da casa das centenas, a distribuição dos dados pode ser praticamente ignorada para essa finalidade.
A conclusão prática é desconfortável para quem quer uma regra automática, mas é a correta: o p-valor do teste de normalidade é uma informação, não uma sentença. Ele precisa ser lido junto com o tamanho da amostra e com o gráfico. Isso também explica por que o cálculo do seu n importa tanto para esta etapa — o assunto está detalhado em população e amostra no TCC.
A inspeção visual continua obrigatória
Os testes são complementares à avaliação gráfica, não substitutos dela. Quatro recursos resolvem a inspeção e todos saem de qualquer programa estatístico em poucos cliques:
- Histograma. Mostra a forma geral, revela lacunas nos dados e denuncia valores atípicos de imediato.
- Gráfico Q-Q. Plota os quantis observados contra os esperados sob normalidade. Se os pontos acompanham a diagonal, a distribuição é compatível com a normal; desvios sistemáticos nas pontas indicam caudas pesadas.
- Gráfico P-P. Mesma lógica, mas com probabilidades acumuladas em vez de quantis.
- Boxplot. Traz a mediana como linha dentro da caixa e a amplitude interquartil como a altura da caixa, o que torna a assimetria visível em um relance.
Coloque pelo menos o histograma ou o Q-Q no apêndice. É a evidência de que a verificação aconteceu de fato, e custa uma página.
Assimetria e curtose: o critério alternativo
Quando a amostra é grande e o teste formal fica hipersensível, uma alternativa aceita é avaliar a assimetria e a curtose padronizadas. Em uma distribuição normal, os dois valores seriam zero. Converte-se cada um em escore z dividindo o valor pelo respectivo erro padrão, e a leitura segue os limiares usuais: acima de 1,96 em módulo é significativo a 5%, acima de 2,58 a 1% e acima de 3,29 a 0,1%.
O critério de decisão, porém, muda com o n. Em amostras pequenas, ultrapassar 1,96 já basta para questionar a normalidade. Em amostras grandes — a partir de cerca de 200 casos, em que os erros padrão ficam muito pequenos —, o limiar deve subir para 2,58. E em amostras muito grandes recomenda-se não aplicar critério nenhum: testes de significância de assimetria e curtose deixam de ser informativos nessa escala, e a inspeção gráfica volta a ser o instrumento principal.
Falhou. E agora? As quatro saídas
Rejeitar a normalidade não invalida a pesquisa nem obriga a recomeçar a coleta. Existem quatro caminhos legítimos, e o critério para escolher entre eles é o desenho do estudo, não a conveniência.
1. Verificar se o n dispensa a exigência
Se você tem bem mais de 30 ou 40 casos por grupo e o afastamento observado no gráfico é discreto, o procedimento paramétrico continua defensável pelo teorema central do limite. Neste caso, escreva isso: informe o resultado do teste, informe o n e justifique a manutenção do procedimento. O que a banca não aceita é o silêncio.
2. Transformar a variável
Distribuições com assimetria à direita — renda, tempo de espera, faturamento, contagens — costumam responder bem à transformação logarítmica; a raiz quadrada funciona para contagens de valores pequenos. A transformação é aplicada antes da análise, e os resultados passam a ser interpretados na escala transformada, o que precisa ficar explícito no texto. É uma solução elegante e frequentemente subutilizada em TCC.
3. Migrar para o equivalente não paramétrico
É a rota mais comum, e cada teste paramétrico tem o seu correspondente. A tabela de correspondência completa está em qual teste estatístico usar no TCC, que traz a coluna de alternativas não paramétricas para cada desenho. O custo é uma sensibilidade um pouco menor para detectar diferenças reais; o ganho é um resultado que se sustenta na arguição.
4. Reconhecer que a variável nunca foi contínua
Vale a pena verificar se a pergunta faz sentido. Itens isolados de escala de concordância são ordinais, e testar normalidade em um item Likert individual é responder a uma pergunta mal formulada — a discussão sobre quando somar itens em um escore e quando tratá-los separadamente está em escala Likert no TCC.
Como redigir isso na metodologia
A banca espera uma frase objetiva, com o teste nomeado, o critério adotado e a consequência da decisão. Dois modelos, um para cada desfecho:
“A normalidade das distribuições foi verificada pelo teste de Shapiro-Wilk, aplicado separadamente a cada grupo, complementado por inspeção de histogramas e gráficos Q-Q. Como as distribuições não apresentaram afastamento significativo da normalidade (p > 0,05 em ambos os grupos), adotou-se o teste t para amostras independentes, com nível de significância de 5%.”
“A normalidade foi verificada pelo teste de Shapiro-Wilk. Tendo em vista o afastamento significativo da distribuição normal na variável X (p = 0,003), optou-se pelo teste de Mann-Whitney, alternativa não paramétrica ao teste t para amostras independentes, adotando-se nível de significância de 5%.”
Repare que a segunda frase não pede desculpas. Declarar a mudança de rota é sinal de rigor metodológico: mostra que o pressuposto foi verificado antes da análise, e não depois de o resultado sair. O restante da redação do capítulo segue o padrão descrito em análise de dados quantitativos no TCC.
Erros que a banca identifica na hora
- Inverter a leitura do p-valor e escrever que “os dados são normais (p = 0,001)”. É o erro mais visível de todos.
- Testar a amostra inteira quando a análise compara grupos. A suposição é sobre a distribuição dentro de cada grupo.
- Relatar apenas o Kolmogorov-Smirnov por ser o primeiro da tabela, sem citar o Shapiro-Wilk que está ao lado e diz outra coisa.
- Verificar a normalidade e mudar de teste sem escrever isso, deixando a metodologia prometer um teste t e os resultados entregarem um Mann-Whitney.
- Tratar o teste como veredito final em amostras de centenas de casos, migrando para o não paramétrico por causa de um desvio irrelevante.
- Não guardar a saída do programa. Se a banca pedir o valor da estatística W, ele precisa estar em algum lugar.
Sobre onde rodar tudo isso, a decisão do programa vem depois da decisão do teste — a comparação entre as opções disponíveis está em SPSS, R, Jamovi ou Excel para analisar dados do TCC. Em qualquer um deles a verificação leva o mesmo tempo; o que muda é o número de cliques.
Se o problema não é rodar o teste, mas transformar tudo isso em capítulo escrito e coerente com o que você prometeu na metodologia, o Tesify ajuda a estruturar o texto do TCC a partir do seu próprio material, com referências ABNT geradas automaticamente e autoverificação de originalidade. Os números continuam sendo calculados por você, no seu programa estatístico — o que a ferramenta acelera é a escrita ao redor deles.
Perguntas frequentes
O que significa p maior que 0,05 no teste de normalidade?
Significa que não há evidência suficiente para rejeitar a hipótese de que a distribuição é normal. Como a hipótese nula desses testes é a de normalidade, um p acima de 0,05 libera o uso de procedimentos paramétricos. Não é uma prova de que a distribuição seja normal, apenas a ausência de evidência contrária.
Shapiro-Wilk ou Kolmogorov-Smirnov: qual devo relatar?
O Shapiro-Wilk, na maioria dos casos. Ele se baseia na correlação entre os dados e os escores normais esperados e oferece poder maior do que o Kolmogorov-Smirnov, mesmo depois da correção de Lilliefors. O K-S pode aparecer na tabela como complemento, mas a decisão deve ser justificada pelo Shapiro-Wilk.
Meus dados não passaram no teste de normalidade. Preciso refazer a coleta?
Não. Há quatro caminhos: verificar se o tamanho da amostra dispensa a exigência pelo teorema central do limite, transformar a variável, migrar para o teste não paramétrico equivalente ou reconhecer que a variável é ordinal e nunca deveria ter sido tratada como contínua. Qualquer um deles precisa ser declarado na metodologia.
Preciso testar normalidade em cada grupo separadamente?
Sim, sempre que o teste seguinte comparar grupos. A suposição de normalidade dos testes paramétricos se refere à distribuição dentro de cada grupo, não ao conjunto misturado. Para uma comparação entre dois grupos, são dois testes de normalidade.
Com amostra grande o teste sempre dá significativo. O que fazer?
Em amostras grandes, o teste detecta desvios pequenos que não afetam o resultado do procedimento paramétrico. Nesse cenário, avalie a assimetria e a curtose padronizadas com limiar de 2,58 a partir de cerca de 200 casos, examine o gráfico Q-Q e justifique a decisão no texto em vez de migrar automaticamente para o não paramétrico.
Preciso colocar o teste de normalidade no TCC de graduação?
Se o trabalho aplica qualquer teste paramétrico, sim — a verificação é parte da justificativa do teste escolhido. Se a análise é apenas descritiva, com frequências, médias e desvios padrão, não há pressuposto a verificar e o teste é dispensável.