Estatística descritiva vs. inferencial: qual usar e quando

Quase toda análise estatística cabe em uma de duas categorias: descritiva ou inferencial. A confusão entre as duas é a origem da maior parte das interpretações equivocadas que vemos em relatórios, apresentações gerenciais e matérias na imprensa. Entender a diferença não é questão de terminologia acadêmica é o que separa uma conclusão sólida de uma afirmação que desmorona na primeira pergunta difícil.

1. Estatística descritiva: o retrato dos dados

A estatística descritiva resume e organiza o que você já tem em mãos. Ela responde perguntas sobre o conjunto observado, sem nenhuma pretensão de falar sobre algo além dele. As perguntas típicas são:

• Qual a média de idade dos clientes cadastrados na base?
• Qual o produto mais vendido no último trimestre?
• Como os valores de renda estão distribuídos concentrados ou espalhados?
• Qual o percentual de formulários preenchidos com erro em determinado mês?

Os recursos clássicos são médias, medianas, modas, desvios-padrão, quartis, gráficos de barras, histogramas, boxplots e tabelas de frequência. Não há generalização: o que você descreve vale para o conjunto observado, ponto.

Exemplo prático — RH de uma empresa

Imagine que o departamento de Recursos Humanos de uma empresa com 200 funcionários quer entender o perfil salarial da equipe. Eles calculam:

• Média salarial: R$ 4.800
• Mediana salarial: R$ 3.900
• Desvio-padrão: R$ 2.100

A diferença entre média e mediana já revela algo importante: a média é puxada para cima por alguns salários altos, enquanto a mediana representa melhor o "salário típico" da empresa. Nenhuma dessas medidas diz nada sobre outras empresas do setor elas descrevem apenas esta empresa, estes 200 funcionários, neste momento. Isso é estatística descritiva: precisa, útil e honesta quanto ao seu alcance.

Outro exemplo: uma organização não governamental que aplica questionários de saúde em 350 comunidades rurais pode usar a descritiva para reportar que, entre os entrevistados, 62% não têm acesso regular a água tratada, ou que a mediana de consultas médicas por pessoa no último ano foi zero. Esses números descrevem fielmente a amostra coletada e já são informativos o suficiente para relatórios internos e prestação de contas a financiadores.

2. Estatística inferencial: do recorte para o todo

Já a inferência usa uma amostra para tirar conclusões sobre uma população maior que você não conseguiu medir inteiramente. É o que permite afirmar coisas como:

• "O candidato A tem 47% das intenções de voto, com margem de erro de 2 pontos percentuais."
• "O novo medicamento reduz a pressão arterial em 8 mmHg em média efeito estatisticamente significativo (p < 0,01)."
• "A mudança no fluxo de checkout aumentou a taxa de conversão em 12% (p < 0,05)."
• "Estima-se que 3,4 milhões de domicílios brasileiros enfrentam insegurança alimentar grave."

Aqui entram testes de hipótese, intervalos de confiança, p-valor, análise de variância (ANOVA), regressões lineares e logísticas, e uma série de modelos probabilísticos. O ponto central: você não mediu todo mundo, mas pretende dizer algo sobre todo mundo com base em quem você mediu.

Exemplo prático — pesquisa eleitoral

Uma pesquisa eleitoral entrevista 2.000 eleitores selecionados por amostragem estratificada em um estado com 8 milhões de eleitores. Os 2.000 entrevistados são a amostra; os 8 milhões são a população. A estatística inferencial usa os dados da amostra com seus intervalos de confiança e margens de erro para estimar o comportamento da população inteira. Quando o instituto divulga "47% ± 2 pontos com 95% de confiança", está dizendo: se repetíssemos essa pesquisa 100 vezes com amostras equivalentes, em 95 delas o resultado verdadeiro da população estaria dentro desse intervalo. Isso só funciona porque a amostra foi desenhada de forma probabilística. Se os entrevistados fossem apenas quem aceitou responder um formulário online, qualquer inferência seria inválida por mais sofisticado que fosse o teste estatístico aplicado.

Exemplo prático — teste A/B em e-commerce

Uma loja virtual quer saber se mudar a cor do botão "Comprar" de cinza para verde aumenta as vendas. Durante duas semanas, metade dos visitantes vê o botão cinza (grupo controle) e a outra metade vê o botão verde (grupo tratamento). Ao final, a equipe observa:

• Grupo cinza: 4,2% de conversão (n = 5.000 visitas)
• Grupo verde: 4,9% de conversão (n = 5.000 visitas)

A diferença descritiva é clara: 0,7 pontos percentuais a favor do botão verde. Mas essa diferença é real ou pode ser fruto do acaso, da variação natural do tráfego? É aí que entra a inferência. Um teste qui-quadrado ou teste Z de proporções vai calcular a probabilidade de observar uma diferença igual ou maior por puro acaso, assumindo que não há efeito real. Se p < 0,05, a equipe conclui que a diferença é estatisticamente significativa e pode generalizar: mudar o botão tende a aumentar a conversão para o público geral da loja não só para os 10.000 visitantes do experimento.

3. O erro mais comum

Aplicar conclusões inferenciais sobre dados que foram coletados sem amostragem probabilística. Se a amostra não é aleatória, generalizações são opinião disfarçada de matemática.

Esse erro aparece com frequência em pesquisas de satisfação enviadas por e-mail (respondem os mais engajados ou os mais insatisfeitos), em formulários de feedback em aplicativos (viés de seleção intenso) e em estudos com voluntários (pessoas que aceitam participar tendem a ser sistematicamente diferentes das que recusam). Nesses casos, os dados podem ser excelentes para fins descritivos "entre os 340 clientes que responderam, 78% relataram satisfação alta" mas não permitem afirmar nada sobre os outros 4.000 que não responderam.

Outro erro frequente é confundir significância estatística com relevância prática. Com amostras muito grandes, diferenças ínfimas tornam-se estatisticamente significativas. Uma rede de farmácias que analisa dados de 500.000 compras pode encontrar que clientes do sexo feminino gastam em média R$ 0,47 a mais por visita com p < 0,0001. O resultado é estatisticamente robusto, mas essa diferença de menos de cinquenta centavos tem impacto prático zero para a estratégia do negócio. Tamanho de efeito (d de Cohen, eta-quadrado, odds ratio) e intervalos de confiança sempre devem acompanhar o p-valor.

4. Principais ferramentas de cada abordagem

Estatística descritiva:

• Tendência central: média aritmética, média ponderada, mediana, moda
• Dispersão: desvio-padrão, variância, amplitude, coeficiente de variação, IQR (intervalo interquartil)
• Posição relativa: percentis, quartis, escore Z (para identificar outliers)
• Visualização: histograma, boxplot, gráfico de barras, gráfico de pizza, mapa de calor, scatter plot
• Associação descritiva: tabelas de contingência, coeficiente de correlação de Pearson ou Spearman (como medida descritiva)

Estatística inferencial:

• Estimação: intervalos de confiança para média, proporção, diferença entre grupos
• Testes para médias: teste t de Student (uma amostra, amostras independentes, amostras pareadas), ANOVA
• Testes para proporções e frequências: teste Z, qui-quadrado de Pearson, teste exato de Fisher
• Associação e previsão: regressão linear simples e múltipla, regressão logística, correlação como inferência
• Não-paramétricos: Mann-Whitney, Kruskal-Wallis, Wilcoxon (para quando os pressupostos das versões paramétricas não se sustentam)

5. Como decidir qual usar

1. Você quer entender o que tem? Descritiva basta. Relate médias, distribuições, frequências e relações dentro da sua base de dados.
2. Você quer projetar para um universo maior? Precisa de inferência — e de uma amostra desenhada de forma probabilística antes de coletar qualquer dado.
3. Você quer testar se uma diferença é real ou fruto do acaso? Inferência, com teste de hipótese adequado ao tipo de variável e à estrutura do estudo.
4. Você tem o censo completo (toda a população)? Nesse caso, a inferência é desnecessária você já tem tudo, não precisa estimar nada. Use apenas a descritiva.

O quarto ponto é frequentemente ignorado. Quando uma empresa analisa suas próprias vendas dos últimos doze meses, está analisando o universo completo não uma amostra. Aplicar testes de hipótese sobre esses dados para verificar se "o aumento de vendas em julho foi significativo" é tecnicamente incorreto: não há nada a generalizar, a variação já está toda ali. O que faz sentido nesses casos é a descritiva, complementada por análise de séries temporais se houver interesse em tendências.

6. As duas andam juntas

Em projetos reais, a descritiva sempre vem primeiro: você precisa conhecer os dados antes de testar hipóteses sobre eles. A inferência sem uma boa exploração descritiva é como diagnosticar um paciente sem nem olhar para ele você pode até acertar, mas está fazendo isso às cegas.

A sequência típica em um projeto bem conduzido é:

1. Exploração descritiva inicial: distribuições, outliers, valores ausentes, inconsistências, primeiras correlações.
2. Formulação de hipóteses: baseadas no que a exploração revelou e nas perguntas do negócio ou da pesquisa.
3. Verificação dos pressupostos: normalidade, homocedasticidade, independência — que os testes inferenciais exigem.
4. Aplicação dos testes ou modelos inferenciais.
5. Interpretação integrada: o que os descritivos mostram + o que os inferenciais confirmam ou refutam.

Um exemplo claro dessa integração: uma pesquisa sobre nutrição infantil em escolas públicas coleta dados de 800 crianças de 40 escolas diferentes. A análise descritiva revela que a mediana de consumo diário de frutas é zero porções, e que 71% das crianças não atingem a recomendação mínima. Esses números já são impactantes o suficiente para um relatório de defesa de interesse. Em seguida, a análise inferencial testa se há diferença significativa entre escolas com cantina terceirizada e sem cantina, controlando por renda familiar e o modelo de regressão logística indica que crianças em escolas com cantina terceirizada têm 1,8 vezes mais chance de consumir a porção mínima recomendada (IC 95%: 1,3–2,5, p = 0,001). Aqui, descritiva e inferencial se complementam para contar uma história completa e tecnicamente sólida.

7. Armadilhas que surgem na prática

P-hacking: testar múltiplas hipóteses no mesmo conjunto de dados até encontrar p < 0,05 infla artificialmente a taxa de falsos positivos. A correção de Bonferroni ou o método de Benjamini-Hochberg existem para lidar com isso.

HARKing (Hypothesizing After Results are Known): apresentar como hipótese original algo que foi descoberto durante a análise. Isso transforma inferência em descrição mascarada e invalida a lógica do teste de hipótese.

Confundir correlação com causalidade: um coeficiente de correlação alto (seja descritivo ou inferencial) não indica que uma variável causa a outra. Somente desenhos experimentais bem controlados ou métodos quasi-experimentais como diferença-em-diferenças e variáveis instrumentais permitem afirmações causais.

Ignorar o intervalo de confiança: reportar apenas o p-valor é insuficiente. O intervalo de confiança informa a magnitude plausível do efeito e é muito mais informativo para decisões práticas.

Conclusão

Saber qual ferramenta usar e quando parar de usar cada uma evita afirmações exageradas, protege a credibilidade da sua pesquisa e torna seus relatórios muito mais difíceis de questionar. A estatística descritiva diz o que aconteceu com clareza e sem pretensão. A inferencial, quando bem aplicada sobre amostras adequadas, estende esse conhecimento para além do que foi diretamente observado. Usadas juntas, na ordem certa e com consciência de seus limites, elas são a base de qualquer análise quantitativa séria seja em saúde pública, negócios, ciências sociais ou políticas públicas. Se restar dúvida sobre qual abordagem aplicar ao seu projeto, ou sobre como desenhar a coleta de dados para que a análise inferencial seja válida desde o início, fale conosco.

Referências

• FIELD, Andy. Discovering Statistics Using IBM SPSS Statistics. 5. ed. Londres: SAGE Publications, 2018.
• MOORE, David S.; McCABE, George P.; CRAIG, Bruce A. Introduction to the Practice of Statistics. 9. ed. Nova York: W.H. Freeman, 2017.
• WASSERSTEIN, Ronald L.; LAZAR, Nicole A. The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, v. 70, n. 2, p. 129–133, 2016. Disponível em: https://doi.org/10.1080/00031305.2016.1154108. Acesso em: 29 jan. 2026.
• COHEN, Jacob. Statistical Power Analysis for the Behavioral Sciences. 2. ed. Hillsdale: Lawrence Erlbaum Associates, 1988.
• BLAND, J. M.; ALTMAN, D. G. Statistics Notes: One and two sided tests of significance. BMJ, v. 309, p. 248, 1994. Disponível em: https://doi.org/10.1136/bmj.309.6949.248. Acesso em: 29 jan. 2026.
• SIMMONS, J. P.; NELSON, L. D.; SIMONSOHN, U. False-Positive Psychology: Undisclosed Flexibility in Data Collection and Analysis Allows Presenting Anything as Significant. Psychological Science, v. 22, n. 11, p. 1359–1366, 2011. Disponível em: https://doi.org/10.1177/0956797611417632. Acesso em: 29 jan. 2026.
• KERR, Norbert L. HARKing: Hypothesizing After the Results are Known. Personality and Social Psychology Review, v. 2, n. 3, p. 196–217, 1998. Disponível em: https://doi.org/10.1207/s15327957pspr0203_4. Acesso em: 29 jan. 2026.
• BENJAMINI, Y.; HOCHBERG, Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B, v. 57, n. 1, p. 289–300, 1995. Disponível em: https://doi.org/10.1111/j.2517-6161.1995.tb02031.x. Acesso em: 29 jan. 2026.
• INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Pesquisa Nacional por Amostra de Domicílios Contínua — PNAD Contínua: notas metodológicas. Rio de Janeiro: IBGE, 2023. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/trabalho/17270-pnad-continua.html. Acesso em: 29 jan. 2026.
• KOHAVI, Ron; TANG, Diane; XU, Ya. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge: Cambridge University Press, 2020.