Teste de Normalidade — Shapiro-Wilk e Gráfico Q-Q

Como interpretar o teste de normalidade

O teste de Shapiro-Wilk tem uma lógica invertida em relação aos testes que você conhece, e é exatamente aí que a maioria erra. A hipótese nula é "os dados provêm de uma população com distribuição normal". Logo:

• p > 0,05 — a normalidade não foi rejeitada. Você pode seguir com testes paramétricos. Aqui, p alto é o resultado desejável.
• p < 0,05 — a normalidade foi rejeitada. Use testes não paramétricos, transforme a variável, ou invoque o teorema central do limite se a amostra for grande.

Note que o teste nunca "prova" que os dados são normais — apenas indica que não há evidência suficiente para afirmar o contrário. É uma distinção lógica que vale mencionar corretamente na dissertação.

Por que testar dentro de cada grupo

Se você tem dois grupos com médias diferentes e testa a amostra inteira junta, a distribuição resultante será bimodal e falhará no Shapiro-Wilk mesmo que cada grupo seja perfeitamente normal. O pressuposto do teste t é a normalidade dentro de cada grupo, não da amostra total. Use o campo "separar por grupo" desta ferramenta.

O paradoxo das amostras grandes

Com n acima de aproximadamente 300, o Shapiro-Wilk torna-se hipersensível: detecta desvios minúsculos e sem qualquer consequência prática, rejeitando a normalidade de dados que são, para todos os efeitos, normais. Nesses casos, priorize:

• O gráfico Q-Q — inspeção visual é mais informativa que o p-valor.
• Assimetria entre −2 e +2 e curtose entre −7 e +7, faixas amplamente aceitas como indicativas de normalidade aproximada suficiente.
• O teorema central do limite: com n grande, a distribuição das médias amostrais tende à normal independentemente da distribuição original, o que torna o teste t robusto.

Inversamente, com n muito pequeno (abaixo de 15) o teste tem pouco poder e raramente rejeita a normalidade — o que não é evidência de que ela exista. Amostras pequenas favorecem a escolha conservadora do teste não paramétrico.

Alternativas quando a normalidade é violada

1. Testes não paramétricos. A rota mais direta e segura. Mann-Whitney substitui o teste t independente, Wilcoxon o pareado, Kruskal-Wallis a ANOVA e Spearman a correlação de Pearson. Custo: leve perda de poder estatístico e necessidade de reportar mediana em vez de média.

2. Transformação da variável. Para dados com assimetria positiva, a transformação logarítmica frequentemente normaliza. Raiz quadrada funciona para contagens; inverso para assimetrias severas. A desvantagem é interpretativa: os coeficientes passam a estar na escala transformada, o que dificulta a comunicação dos resultados.

3. Remoção de outliers. Legítima apenas quando há justificativa técnica documentada — erro de digitação, falha de equipamento, participante que não atendeu ao critério de inclusão. Remover pontos apenas porque atrapalham o teste é manipulação de dados e problema de integridade de pesquisa.

4. Assumir robustez. Com grupos de tamanho semelhante e n razoável, o teste t e a ANOVA são notoriamente robustos a desvios moderados de normalidade. Essa decisão é defensável, mas exige justificativa explícita e citação de referência.

Shapiro-Wilk ou Kolmogorov-Smirnov?

Shapiro-Wilk, na grande maioria dos casos. Tem poder estatístico superior para detectar desvios de normalidade, especialmente em amostras pequenas e médias, e é o teste recomendado pela literatura metodológica contemporânea. O Kolmogorov-Smirnov com correção de Lilliefors aparece por tradição em alguns manuais de SPSS, mas é menos sensível. Esta ferramenta implementa o algoritmo AS R94 de Royston (1995), o mesmo utilizado pela função shapiro.test do R.

Perguntas frequentes

Definida a abordagem, siga para a calculadora estatística, que já aplica automaticamente o teste apropriado, ou consulte o guia qual teste estatístico usar.