--- title: "Quais são as diferenças entre os testes unicaudais e bicaudais?" url: https://www.blog.psicometriaonline.com.br/quais-sao-as-diferencas-entre-os-testes-unicaudais-e-bicaudais canonical: https://www.blog.psicometriaonline.com.br/quais-sao-as-diferencas-entre-os-testes-unicaudais-e-bicaudais language: pt-BR published: 2025-09-30T15:53:37.000Z updated: 2026-03-30T13:49:06.031Z modified: 2026-03-30T13:49:06.031Z author: "Marcos Lima" categories: ["Análises bi e multivariadas"] tags: ["teste de hipótese"] description: "Entenda as diferenças entre testes unicaudais e bicaudais, quando usar cada um e como essa escolha afeta o valor p na pesquisa científica." source: Blog Psicometria Online --- # Quais são as diferenças entre os testes unicaudais e bicaudais? > Neste post, exploraremos as diferenças entre os testes unicaudais e bicaudais. Nosso objetivo é relacionar esses tipos de testes com diferentes definições da hipótese alternativa, o impacto da escolha do teste no valor crítico da estatística, nas regiões de rejeição da hipótese nula e no cálculo do... Neste post, exploraremos as diferenças entre os testes unicaudais e bicaudais. Nosso objetivo é relacionar esses tipos de testes com diferentes definições da hipótese alternativa, o impacto da escolha do teste no valor crítico da estatística, nas regiões de rejeição da hipótese nula e no cálculo do valor *p*. ## Um exemplo A fim de entendermos a lógica do teste de hipóteses, considere uma situação cotidiana: o trânsito. Alguém sai do supermercado e entra no carro. Ao ligá-lo para sair do estacionamento, essa pessoa percebe que há outro carro aguardando sua saída para ocupar sua vaga. A presença (ou ausência) de outra pessoa aguardando influencia o tempo que ela leva para deixar a vaga do estacionamento? Suponha que criamos uma situação estruturada com 20 motoristas divididos em dois grupos: aqueles que tinham alguém esperando pela vaga (com espera) e aqueles que não tinham (sem espera). Registramos o tempo que cada motorista levou para sair da vaga. Com base nesse delineamento, podemos examinar se há diferenças significativas nos tempos médios entre os grupos com e sem espera (Figura 1). É nesse ponto que entra o teste de hipóteses. ![exemplo do tempo para deixar a vaga em um estalcionamento para discorrer sobre testes unicaudais e bicaudais.](/uploads/2025-09_testes-unicaudais-e-bicaudais-exemplo-do-motorista.jpg) *Figura 1. Exemplo do tempo para deixar a vaga em um estacionamento.* ## Revisitando o teste de hipóteses O [teste de hipóteses](/teste-de-hipotese) — forma curta para *teste de significância da hipótese nula* — é um procedimento de tomada de decisão. Em síntese, na abordagem de Neyman–Pearson, os proponentes dessa perspectiva, contrastamos duas proposições: - **Hipótese nula (*H*0):** é a hipótese que queremos falsear a partir dos dados. Em geral, ela afirma que não existe um efeito ou relação entre variáveis. - **Hipótese alternativa (*H*1):** é a hipótese complementar à hipótese nula. Em geral, ela afirma que existe um efeito ou relação entre variáveis. Como veremos mais adiante, essa hipótese pode ou não explicitar a direção da relação entre variáveis. No exemplo dos motoristas, nossa hipótese nula seria: *não existem diferenças nos tempos médios para deixar a vaga do estacionamento entre motoristas dos grupos com e sem espera*. No teste de hipóteses, nós também definimos um nível de significância (α), que estabelece o critério para considerarmos os resultados obtidos como suficientemente improváveis sob *H*0\. Em seguida, coletamos nossos dados (tal como descrito na seção anterior) e aplicamos um teste estatístico apropriado. Em nosso exemplo, como queremos comparar médias, podemos conduzir um [*t* para amostras independentes](/teste-t-para-amostras-independentes), que gera uma estatística *t* e um valor *p*. O [valor *p*](/o-que-e-valor-de-p) expressa a probabilidade de obtermos um resultado igual ou mais extremo que o observado, assumindo que a *H*0 é verdadeira. Por convenção, *definimos* α = 0,05. Por outro lado, o valor *p* não é definido, mas, sim, *calculado* a partir dos dados. Se *p* ≤ α, então rejeitamos *H*0; se *p* > α, então não a rejeitamos. ## A estatística *t* e a distribuição *t* Anteriormente, vimos que o teste *t* produz uma estatística *t*. Considerando o exemplo anterior, a estatística *t* pode ser conceitualmente representada como: ![fórmula conceitual do teste t.](/uploads/2025-09_formula-conceitual-do-teste-t.jpg) Ou seja, a estatística *t* expressa a razão entre a diferença entre médias e a variabilidade esperada dessa diferença em amostragens repetidas. Aqui, duas observações são pertinentes. Primeiramente, a ordem das médias no numerador é arbitrária. Em outras palavras, poderíamos ter expresso o numerador, sem qualquer prejuízo, por *Msem espera – Mcom espera*. O único impacto dessa escolha será no sinal da estatística *t*. Em segundo lugar, vamos entender o significado da fórmula. Valores de *t* muito positivos ou muito negativos indicam diferenças elevadas entre as médias nos tempos para sair da vaga em função do grupo (com vs. sem espera) — o sinal do *t* indicará somente a direção dessa diferença; por outro lado, valores próximos de zero sugerem médias semelhantes entre os dois grupos. A vantagem é que essa estatística segue uma distribuição *t*. Sob *H*0, essa distribuição mostra os valores *t*s esperados em repetições infinitas do mesmo estudo (Figura 2). Em nosso exemplo, ela tem 18 [graus de liberdade](/o-que-sao-graus-de-liberdade), pois temos 20 participantes e dois grupos (*gl* = 20 – 2 = 18). ![exemplo de distribuição t.](/uploads/2025-09_distribuicao-t.jpg) *Figura 2. Distribuição t (gl = 18).* A lógica do teste é a seguinte: comparamos o *t* empírico obtido com regiões críticas definidas pela distribuição teórica. Essas regiões correspondem a α, que delimita os valores considerados raros sob *H*0\. Se o *t* empírico cair nessas áreas, rejeitamos a *H*0\. Já o valor *p* representa a área acumulada da distribuição além do *t* empírico. Assim, estatística *t*, valor *p* e região α estão interligados: todos servem para avaliarmos se a evidência contra *H*0 é ou não suficiente para decidirmos rejeitá-la. ## O que são testes unicaudais e bicaudais? Agora que revisamos o básico, podemos avançar para os testes unicaudais e bicaudais. Embora ambos sigam a mesma lógica geral, a diferença está na *direção da hipótese alternativa*. Em outras palavras, a maneira como formulamos a hipótese de pesquisa determina se é adequado aplicar um teste unicaudal ou bicaudal. Em seguida, discutiremos cada um desses casos. ### O que é o teste unicaudal? O *teste unicaudal*, também chamado de *unilateral* ou *direcional* (*one-tailed test*), é utilizado **quando a hipótese alternativa prevê um efeito em apenas uma direção**. Por exemplo, imagine que, em nosso experimento, acreditamos que a presença de outro motorista esperando gera empatia e induz comportamentos pró-sociais. Nesse caso, hipotetizamos que os motoristas **demorarão menos tempo** para sair da vaga na condição com espera (vs. sem espera). Como definimos o numerador da estatística *t* como *Msem espera – Mcom espera*, apenas valores *t*s **negativos** corroborariam essa hipótese (Figura 3). ![testes unicaudais e bicaudais: distribuição t e teste unicaudal à esquerda.](/uploads/2025-09_teste-unicaudal-a-esquerda.jpg) *Figura 3. Distribuição t com região de rejeição em um teste unicaudal à esquerda.* Em resumo, o teste unicaudal concentra **toda a região crítica (α)** em apenas uma cauda da distribuição. Isso o torna mais sensível para detectar efeitos na direção prevista, mas ignora completamente a possibilidade de efeito no sentido contrário. Eis outra possibilidade: podemos supor que ser observado gera ansiedade ou até mesmo reatância — termo da psicologia social que descreve a tendência a resistir a pressões externas. Nesse caso, esperaríamos que motoristas **demorassem mais** para sair da vaga na condição com espera (vs. sem espera). Como o numerador é o mesmo que antes, apenas valores *t*s **positivos** corroborariam essa hipótese (Figura 4). ![testes unicaudais e bicaudais: distribuição t e teste unicaudal à direita.](/uploads/2025-09_teste-unicaudal-a-direita.jpg) *Figura 4. Distribuição t com região de rejeição em um teste unicaudal à direita.* ### O que é o teste bicaudal? O *teste* *bicaudal*, também chamado de *bilateral* ou *não direcional* (*two-tailed test*), é usado quando a hipótese alternativa **não prevê a direção do efeito**. No exemplo dos motoristas, poderíamos apenas supor que há diferença nos tempos de saída da vaga, mas sem especificar se o grupo com espera ou o grupo sem espera será o mais rápido. O teste, então, avalia **ambas as extremidades da distribuição** (Figura 5). ![testes unicaudais e bicaudais: teste bicaudal, exemplo.](/uploads/2025-09_teste-bicaudal.jpg) *Figura 5. Distribuição t com regiões de rejeição em um teste bicaudal.* Nesse caso, o nível de significância (α) é **subdividido igualmente entre as duas caudas**. Se adotamos α = 0,05, cada extremidade concentra α/2 = 0,025. Assim, rejeitamos a hipótese nula se o valor *t* empírico cair na região crítica da esquerda (valores muito negativos) ou na da direita (valores muito positivos). Portanto, o teste bicaudal é mais abrangente: ele permite rejeitar *H*0 tanto para valores *t*s muito positivos quanto para valores muito negativos. Isso pode ser interessante, por exemplo, se estamos contrastando duas intervenções e não temos expectativas sobre qual delas terá um efeito superior à outra. ## Testes unicaudais e bicaudais: como a escolha afeta o valor *p*? Escolher entre testes unicaudais e bicaudais *não altera* a estatística *t* observada, mas altera o valor *p* e o valor *t* crítico usado como referência. Para examinarmos como isso acontece, consideraremos a Figura 6. ![testes unicaudais e bicaudais com distribuições e regiões críticas associadas.](/uploads/2025-09_tipos-de-hipoteses-com-setas.jpg) *Figura 6. Distribuições t com hipóteses unicaudal à esquerda, bicaudal e unicaudal à direita.* Nos testes unicaudais, o α se concentra em uma única cauda da distribuição. Por exemplo, na Figura 6, o valor *t* crítico é –1,73 (unicaudal à esquerda) e 1,73 (unicaudal à direita) — os valores são simétricos. Ou seja, em nosso estudo, se nossa estatística *t* for maior ou igual a esse valor, e com o sinal na direção prevista, rejeitaremos *H*0. Já nos testes bicaudais, α é dividido entre as duas caudas (α/2 em cada lado). Consequentemente, isso torna o critério mais rigoroso: precisamos de um valor de *t* mais extremo para rejeitarmos *H*0. Por exemplo, na Figura 6, o *t* crítico é ±2,10, um valor maior que os *t*s dos testes unicaudais. Isso ocorre porque estamos “distribuindo nossas apostas” nas duas direções. Logo, precisamos de um *t* mais elevado (não importando o sinal), para rejeitarmos *H*0. Testes unicaudais têm maior [poder estatístico](/qual-a-importancia-do-poder-estatistico) quando a hipótese direcional está correta. No entanto, há um risco: se a diferença ocorrer na direção oposta, o teste unicaudal **não detectará** esse efeito. Em síntese: - No teste bicaudal, investigamos tanto se os motoristas do grupo com espera se saem **mais devagar** quanto **mais rápido** que os motoristas do grupo sem espera. - No teste unicaudal, só olhamos para uma dessas possibilidades. Assim, estatística *t*, valor *p* e regiões críticas estão interligados: comparamos a estatística *t* com os valores críticos da distribuição; o valor *p* expressa a probabilidade acumulada além de *t*; e α define os limites de rejeição da *H*0. ## Testes unicaudais e bicaudais e práticas questionáveis de pesquisa A escolha entre testes unicaudais e bicaudais também se conecta ao tópico de *práticas questionáveis de pesquisa*. Um exemplo clássico é aplicar inicialmente um teste bicaudal. Caso o resultado seja “marginalmente significativo” (*p* ≈ 0,06), o pesquisador refaz a análise como unicaudal e, de repente, encontra *p* = 0,03. *Voilà*! Eis um resultado estatisticamente significativo! Mas isso é [*p-hacking*](/o-que-e-p-hacking). Ainda pior: o pesquisador pode, depois, reescrever a introdução para sugerir que sempre teve uma hipótese direcional em mente. Essa prática é conhecida como [HARKing](/o-que-e-harking) (formular hipóteses após conhecer os resultados). Essas duas práticas questionáveis de pesquisa aumentam o risco de conclusões enganosas, elevam a probabilidade de erro do Tipo I e incentivam a perseguição de efeitos frágeis e [não replicáveis](/o-que-e-um-estudo-de-replicacao) por outros pesquisadores. Por isso, a decisão entre testes unicaudais e bicaudais deve ser feita **antes da análise dos dados**, com base em fundamentação teórica clara. ## Por que o teste bicaudal é preferido na pesquisa científica? De modo geral, a comunidade científica prefere os **testes bicaudais**, pois eles são mais conservadores e reduzem o risco de interpretações equivocadas. Um dos motivos é que, em muitos estudos, não temos uma hipótese clara sobre qual a direção dos efeitos. O teste bicaudal, nesse caso, garante que tanto aumentos quanto diminuições sejam considerados. Além disso, mesmo quando existe uma expectativa de direção, erros nessas expectativas são comuns. O teste bicaudal evita que um efeito inesperado, mas com relevância teórica ou prática, passe despercebido. Outro ponto é a integridade do processo. Anteriormente, dissemos que a escolha do teste deve ser feita antes da coleta de dados. Mudar de bicaudal para unicaudal depois dos resultados é como apostar em “cara” no lançamento de moeda e, ao ver “coroa”, decidir que quer apostar em “coroa”. Ou seja, o procedimento deixa de ser justo. Por isso, muitas vezes, o uso de testes unicaudais se baseiam em justificativas frágeis e que aparentam ser *a posteriori*. No entanto, existem maneiras de fornecer justificativas para tais testes, a saber, forte sustentação teórica associada ao pré-registro das decisões analíticas que serão adotadas em um projeto de pesquisa. ## Testes unicaudais e bicaudais na ANOVA e no qui-quadrado? Apesar da preferência pelo teste bicaudal, há situações em que não faz sentido a discussão sobre qual teste escolher, tal como na pergunta que dá nome a esta seção. Por exemplo, testes como a [ANOVA](/analise-de-variancia-anova) e o [qui-quadrado de independência](/qui-quadrado-teste-de-independencia) produzem as estatísticas *F* e χ2, respectivamente, que assumem valores entre 0 e +∞. Nesses testes, a região da rejeição está sempre concentrada apenas na cauda direita da distribuição (Figura 7). ![distribuições F e de qui-quadado.](/uploads/2025-09_f-chi2.jpg) *Figura 7. Distribuições F (gl1 = 3, gl2 = 27) e* χ2 (gl = 1) com regiões de rejeição destacadas à direita. Outros exemplos importantes ocorrem em *testes de não inferioridade ou superioridade*, muito usados em [ensaios clínicos randomizados](/o-que-e-ensaio-clinico-randomizado). Nesses casos, o interesse está restrito a uma única direção: verificar se um tratamento novo *não é pior* que o convencional ou se é, de fato, melhor. Em síntese, nessas situações, não faz sentido usar um teste bicaudal, pois a hipótese contrária não está em jogo. Portanto, o teste unicaudal é a escolha obrigatória. ## Resumo das diferenças entre testes unicaudais e bicaudais A Tabela 1 sumariza as principais diferenças entre os testes unicaudais e bicaudais. Vale ressaltar que, embora o exemplo ao longo do post tenha se focado em um teste *t* para amostras independentes, a discussão é mais ampla e abrange diferentes testes de hipóteses utilizados na pesquisa quantitativa. Base de comparação Teste unicaudal Teste bicaudal Significado Um teste de hipótese em que a hipótese alternativa tem apenas uma extremidade é conhecido como teste unicaudal Um teste de hipótese em que a hipótese alternativa tem duas extremidades é chamado de teste bicaudal Hipótese Direcional Não direcional Exemplo O tempo médio para deixar a vaga do estacionamento será maior no grupo com espera (vs. sem espera) O tempo médio para deixar a vaga do estacionamento será diferente entre os grupos com espera e sem espera Região de rejeição À esquerda **ou** à direita À esquerda **e** à direita Determina Se existe uma relação entre variáveis em uma única direção Se existe uma relação entre variáveis em quaisquer das direções Sinal na hipótese alternativa \> ou < ≠ *Tabela 1. Diferenças entre testes unicaudais e bicaudais (baseado em Key Differences, n.d.).* ## Conclusão Gostou desse conteúdo? Se você precisa aprender análise de dados, então faça parte da [**Psicometria Online Academy**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post), a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura [**aqui**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post) e nunca mais passe trabalho sozinho(a). ## Referências Howell, D. C. (2013). *Statistical methods for psychology* (8th ed.). Wadsworth Cengage Learning. Key Differences. (n.d.). Difference between one-tailed and two-tailed test. *Key Differences*. https://keydifferences.com/difference-between-one-tailed-and-two-tailed-test.html Triola, M. F. (2015). *Essentials of statistics* (5th ed.). Pearson. ## Como citar este post > **Como citar este artigo:** Lima, M. (2025, 30 de setembro). Quais são as diferenças entre os testes unicaudais e bicaudais? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/quais-sao-as-diferencas-entre-os-testes-unicaudais-e-bicaudais