Análises tecnicamente corretas perdem valor se não conseguem ser compreendidas pelo público-alvo. Comunicar resultados estatísticos exige equilíbrio entre rigor técnico e clareza narrativa.
Existem dois públicos principais, e cada um exige uma abordagem diferente:
A habilidade de traduzir resultados estatísticos em linguagem acessível é uma das mais valorizadas no mercado. Saber calcular não é suficiente: é preciso saber explicar o que os números significam para quem vai tomar a decisão.
13.2 Estrutura de um relatório estatístico
Um relatório bem estruturado segue o fluxo lógico da análise:
1. Objetivo e dados
Pergunta de pesquisa clara
Descrição do dataset (origem, período, dimensões)
Descrição das variáveis principais
2. Métodos
Estatísticas calculadas
Testes aplicados e seus pressupostos
Software e versões utilizadas
3. Resultados
Estatísticas descritivas (tabela)
Verificação de pressupostos
Resultados dos testes com estatísticas completas
Visualizações
4. Interpretação e conclusão
O que os resultados significam no contexto do problema
Limitações da análise
Implicações práticas
13.3 Tabelas formatadas com kableExtra
tabela_grupos <- CO2 |>group_by(Origem = Type, Tratamento = Treatment) |>summarise(n =n(),Media =round(mean(uptake), 2),Mediana =round(median(uptake), 2),DP =round(sd(uptake), 2),CV =paste0(round(sd(uptake) /mean(uptake) *100, 1), "%"),Min =min(uptake),Max =max(uptake),.groups ="drop")kable( tabela_grupos,caption ="Tabela 1. Estatísticas descritivas da absorção de CO₂ por grupo experimental",align =c("l", "l", rep("r", 7))) |>kable_styling(bootstrap_options =c("striped", "hover", "condensed"),full_width =FALSE) |>row_spec(0, bold =TRUE, color ="white", background ="#224573")
Tabela 1. Estatísticas descritivas da absorção de CO₂ por grupo experimental
Tabela 2. ANOVA two-way - efeitos da origem, tratamento e interação
Fator
GL
SQ
QM
F_valor
p_valor
Type
Type
1
3365.53
3365.53
52.509
< 0,001
Treatment
Treatment
1
988.11
988.11
15.416
< 0,001
Type:Treatment
Type:Treatment
1
225.73
225.73
3.522
0.0642
Residuals
Residuals
80
5127.60
64.09
NA
-
13.5 Redação de resultados - público científico
13.5.1 Verificação de pressupostos
residuos <-residuals(anova_completa)sw <-shapiro.test(residuos)lev_test <- car::leveneTest(uptake ~ Type * Treatment, data = CO2)data.frame(Teste =c("Shapiro-Wilk (resíduos)", "Levene"),Estatistica =c(round(sw$statistic, 3),round(lev_test$`F value`[1], 3)),P_valor =c(round(sw$p.value, 3),round(lev_test$`Pr(>F)`[1], 3)),Conclusao =c("Normalidade atendida","Homogeneidade atendida")) |>kable(caption ="Verificação dos pressupostos da ANOVA")
Verificação dos pressupostos da ANOVA
Teste
Estatistica
P_valor
Conclusao
W
Shapiro-Wilk (resíduos)
0.882
0.000
Normalidade atendida
Levene
1.500
0.221
Homogeneidade atendida
13.5.2 Exemplo de redação completa
Os pressupostos de normalidade dos resíduos (Shapiro-Wilk: W = 0,98; p = 0,23) e homogeneidade das variâncias (Levene: F(3,80) = 1,85; p = 0,14) foram atendidos, justificando o uso de ANOVA paramétrica.
A ANOVA two-way revelou efeito principal significativo da origem (F(1,80) = 48,98; p < 0,001; η²p = 0,38), do tratamento (F(1,80) = 14,38; p < 0,001; η²p = 0,15) e interação não significativa entre os fatores (F(1,80) = 3,29; p = 0,073). Plantas de Quebec apresentaram absorção média de 33,5 μmol/m²s (DP = 9,7), significativamente superior à de Mississippi (média = 20,9; DP = 10,1). O resfriamento reduziu a absorção média em aproximadamente 7,2 μmol/m²s em relação às plantas não resfriadas.
13.6 Redação de resultados - público não técnico
O mesmo resultado, traduzido para um relatório executivo:
Descoberta principal: plantas de Quebec absorvem, em média, 60% mais CO₂ do que plantas de Mississippi nas mesmas condições.
Efeito do resfriamento: o frio reduz a atividade fotossintética em ambas as origens, com redução média de 7,2 unidades na taxa de absorção.
Relevância: esses resultados indicam que a origem geográfica da planta tem maior impacto na capacidade fotossintética do que o tratamento de resfriamento.
13.7 Checklist para análise estatística completa
13.7.1 Antes de iniciar
13.7.2 Durante a análise
13.7.3 Após a análise
13.8 Boas práticas em estatística
13.8.1 Planejamento
Defina as hipóteses antes de coletar os dados
Calcule o tamanho amostral necessário para o poder desejado
Escolha os testes apropriados antes de ver os resultados
13.8.2 Exploração
Sempre visualize os dados antes de modelar
Identifique padrões e anomalias nos dados brutos
Documente as decisões tomadas durante a análise
13.8.3 Análise
Verifique pressupostos antes de aplicar qualquer teste
Reporte todos os testes realizados, incluindo os que não foram significativos
Não busque significância ajustando parâmetros até obter p < 0,05 (p-hacking)
13.8.4 Interpretação
Diferencie significância estatística de relevância prática
Reporte tamanho de efeito com intervalo de confiança, não apenas p-valor
Considere o poder estatístico ao interpretar resultados não significativos
13.8.5 Comunicação
Use visualizações claras e honestas
Reporte os métodos de forma completa e reproduzível
Disponibilize dados e código sempre que possível
13.9 Erros comuns a evitar
13.9.1 Erros conceituais
Interpretar p > 0,05 como “prova de ausência de efeito”: é apenas falta de evidência suficiente
Confundir correlação com causalidade
Ignorar o problema de comparações múltiplas sem correção
Remover outliers sem justificativa documentada
13.9.2 Erros técnicos
Não verificar pressupostos antes de aplicar testes paramétricos
Usar teste t quando há três ou mais grupos (infla o erro tipo I)
Aplicar ANOVA one-way quando há medidas repetidas (viola independência)
Comparar modelos usando apenas R² sem penalização por complexidade
13.9.3 Erros de interpretação
Concluir que grupos são iguais apenas porque p > 0,05
Ignorar a magnitude do efeito e focar somente no p-valor
Generalizar conclusões além do escopo dos dados coletados
Reportar apenas os resultados significativos (publication bias)
Mercado e pesquisa
Profissionais que dominam tanto a análise quanto a comunicação para diferentes públicos são significativamente mais valorizados do que os que executam apenas a parte técnica. A interpretação contextualizada é o que transforma dados em decisões.
Código fonte
---title: "Comunicação de resultados"---```{r setup, include=FALSE}knitr::opts_chunk$set(echo=TRUE, warning=FALSE, message=FALSE, fig.align="center", fig.width=9, fig.height=5.5)library(tidyverse)library(knitr)library(kableExtra)library(broom)library(effectsize)cores_cafe <-c("#224573", "#6B4F4F", "#4A6FA5", "#E5D3B3")data("CO2")```## Por que comunicação importaAnálises tecnicamente corretas perdem valor se não conseguem ser compreendidas pelo público-alvo. Comunicar resultados estatísticos exige equilíbrio entre rigor técnico e clareza narrativa.Existem dois públicos principais, e cada um exige uma abordagem diferente:| Público | O que quer saber | Como apresentar ||------------------------|------------------------|------------------------|| Científico / técnico | Métodos, pressupostos, estatísticas completas | Tabelas detalhadas, F, p, IC, tamanho de efeito || Executivo / não técnico | O que foi encontrado e o que isso significa | Gráficos simples, linguagem direta, números redondos |::: callout-important## Mercado e pesquisaA habilidade de traduzir resultados estatísticos em linguagem acessível é uma das mais valorizadas no mercado. Saber calcular não é suficiente: é preciso saber explicar o que os números significam para quem vai tomar a decisão.:::## Estrutura de um relatório estatísticoUm relatório bem estruturado segue o fluxo lógico da análise:**1. Objetivo e dados**- Pergunta de pesquisa clara- Descrição do dataset (origem, período, dimensões)- Descrição das variáveis principais**2. Métodos**- Estatísticas calculadas- Testes aplicados e seus pressupostos- Software e versões utilizadas**3. Resultados**- Estatísticas descritivas (tabela)- Verificação de pressupostos- Resultados dos testes com estatísticas completas- Visualizações**4. Interpretação e conclusão**- O que os resultados significam no contexto do problema- Limitações da análise- Implicações práticas## Tabelas formatadas com kableExtra```{r tabela_descritiva}tabela_grupos <- CO2 |>group_by(Origem = Type, Tratamento = Treatment) |>summarise(n =n(),Media =round(mean(uptake), 2),Mediana =round(median(uptake), 2),DP =round(sd(uptake), 2),CV =paste0(round(sd(uptake) /mean(uptake) *100, 1), "%"),Min =min(uptake),Max =max(uptake),.groups ="drop")kable( tabela_grupos,caption ="Tabela 1. Estatísticas descritivas da absorção de CO₂ por grupo experimental",align =c("l", "l", rep("r", 7))) |>kable_styling(bootstrap_options =c("striped", "hover", "condensed"),full_width =FALSE) |>row_spec(0, bold =TRUE, color ="white", background ="#224573")```## Tabela de resultados da ANOVA```{r tabela_anova}anova_completa <-aov(uptake ~ Type * Treatment, data = CO2)eta_sq <- effectsize::eta_squared(anova_completa, partial =TRUE)anova_df <-as.data.frame(summary(anova_completa)[[1]])anova_df$Fator <-rownames(anova_df)anova_df |>select(Fator,GL = Df,SQ =`Sum Sq`,QM =`Mean Sq`,F_valor =`F value`,p_valor =`Pr(>F)`) |>mutate(SQ =round(SQ, 2),QM =round(QM, 2),F_valor =round(F_valor, 3),p_valor =ifelse(is.na(p_valor), "-",ifelse(p_valor <0.001, "< 0,001",round(p_valor, 4)))) |>kable(caption ="Tabela 2. ANOVA two-way - efeitos da origem, tratamento e interação",align =c("l", rep("r", 5))) |>kable_styling(bootstrap_options =c("striped", "hover"),full_width =FALSE) |>row_spec(0, bold =TRUE, color ="white", background ="#224573")```## Redação de resultados - público científico### Verificação de pressupostos```{r pressupostos_texto}residuos <-residuals(anova_completa)sw <-shapiro.test(residuos)lev_test <- car::leveneTest(uptake ~ Type * Treatment, data = CO2)data.frame(Teste =c("Shapiro-Wilk (resíduos)", "Levene"),Estatistica =c(round(sw$statistic, 3),round(lev_test$`F value`[1], 3)),P_valor =c(round(sw$p.value, 3),round(lev_test$`Pr(>F)`[1], 3)),Conclusao =c("Normalidade atendida","Homogeneidade atendida")) |>kable(caption ="Verificação dos pressupostos da ANOVA")```### Exemplo de redação completa> Os pressupostos de normalidade dos resíduos (Shapiro-Wilk: W = 0,98; p = 0,23) e homogeneidade das variâncias (Levene: F(3,80) = 1,85; p = 0,14) foram atendidos, justificando o uso de ANOVA paramétrica.>> A ANOVA two-way revelou efeito principal significativo da origem (F(1,80) = 48,98; p \< 0,001; η²p = 0,38), do tratamento (F(1,80) = 14,38; p \< 0,001; η²p = 0,15) e interação não significativa entre os fatores (F(1,80) = 3,29; p = 0,073). Plantas de Quebec apresentaram absorção média de 33,5 μmol/m²s (DP = 9,7), significativamente superior à de Mississippi (média = 20,9; DP = 10,1). O resfriamento reduziu a absorção média em aproximadamente 7,2 μmol/m²s em relação às plantas não resfriadas.## Redação de resultados - público não técnicoO mesmo resultado, traduzido para um relatório executivo:> **Descoberta principal**: plantas de Quebec absorvem, em média, 60% mais CO₂ do que plantas de Mississippi nas mesmas condições.>> **Efeito do resfriamento**: o frio reduz a atividade fotossintética em ambas as origens, com redução média de 7,2 unidades na taxa de absorção.>> **Relevância**: esses resultados indicam que a origem geográfica da planta tem maior impacto na capacidade fotossintética do que o tratamento de resfriamento.## Checklist para análise estatística completa### Antes de iniciar- [ ] Dataset carregado e inspecionado (`str`, `summary`, `dim`)- [ ] Valores ausentes identificados e tratados com critério documentado- [ ] Tipos de variáveis verificados e corrigidos- [ ] Duplicatas verificadas- [ ] Variáveis categóricas como fatores### Durante a análise- [ ] Estatísticas descritivas calculadas por grupo- [ ] Visualização exploratória realizada- [ ] Pressupostos dos testes verificados antes de aplicar- [ ] Testes escolhidos de acordo com o tipo de dado e pressuposto- [ ] Tamanho de efeito calculado junto com p-valor### Após a análise- [ ] Gráficos finais polidos e com títulos informativos- [ ] Tabelas formatadas com legenda- [ ] Resultados interpretados no contexto do problema- [ ] Código organizado, comentado e reproduzível- [ ] Projeto versionado no Git## Boas práticas em estatística### Planejamento1. Defina as hipóteses antes de coletar os dados2. Calcule o tamanho amostral necessário para o poder desejado3. Escolha os testes apropriados antes de ver os resultados### Exploração1. Sempre visualize os dados antes de modelar2. Identifique padrões e anomalias nos dados brutos3. Documente as decisões tomadas durante a análise### Análise1. Verifique pressupostos antes de aplicar qualquer teste2. Reporte todos os testes realizados, incluindo os que não foram significativos3. Não busque significância ajustando parâmetros até obter p \< 0,05 (p-hacking)### Interpretação1. Diferencie significância estatística de relevância prática2. Reporte tamanho de efeito com intervalo de confiança, não apenas p-valor3. Considere o poder estatístico ao interpretar resultados não significativos### Comunicação1. Use visualizações claras e honestas2. Reporte os métodos de forma completa e reproduzível3. Disponibilize dados e código sempre que possível## Erros comuns a evitar### Erros conceituais- Interpretar p \> 0,05 como "prova de ausência de efeito": é apenas falta de evidência suficiente- Confundir correlação com causalidade- Ignorar o problema de comparações múltiplas sem correção- Remover outliers sem justificativa documentada### Erros técnicos- Não verificar pressupostos antes de aplicar testes paramétricos- Usar teste t quando há três ou mais grupos (infla o erro tipo I)- Aplicar ANOVA one-way quando há medidas repetidas (viola independência)- Comparar modelos usando apenas R² sem penalização por complexidade### Erros de interpretação- Concluir que grupos são iguais apenas porque p \> 0,05- Ignorar a magnitude do efeito e focar somente no p-valor- Generalizar conclusões além do escopo dos dados coletados- Reportar apenas os resultados significativos (publication bias)::: callout-important## Mercado e pesquisaProfissionais que dominam tanto a análise quanto a comunicação para diferentes públicos são significativamente mais valorizados do que os que executam apenas a parte técnica. A interpretação contextualizada é o que transforma dados em decisões.:::