Calculadora de Teste Qui-Quadrado
Calcule a estatística qui-quadrado, os graus de liberdade e o valor p para um teste de independência (tabela de contingência) ou um teste de aderência (contagens observadas vs. esperadas).
Executar um Teste Qui-Quadrado
Fórmula do Teste Qui-Quadrado
Onde:
- \(O_i\) — a contagem observada na categoria ou célula \(i\)
- \(E_i\) — a contagem esperada sob a hipótese nula
- \(k\) — o número de categorias (ou células da tabela)
A estatística mede até que ponto as contagens observadas se afastam do que a hipótese nula prevê. Desvios grandes produzem um \(\chi^2\) elevado, que por sua vez gera um valor p pequeno.
As contagens esperadas variam conforme o tipo de teste:
- Teste de aderência: \(E_i\) vem da sua distribuição teórica; os graus de liberdade são \(df = k - 1\) (menos um por cada parâmetro estimado a partir dos dados).
- Teste de independência: para uma tabela com \(r\) linhas e \(c\) colunas, a contagem esperada da célula \((i, j)\) é \(E_{ij} = \dfrac{R_i \cdot C_j}{N}\), onde \(R_i\) é o total da linha, \(C_j\) o total da coluna e \(N\) o total geral. Os graus de liberdade são \(df = (r-1)(c-1)\).
O valor p é a probabilidade na cauda superior \(P(\chi^2_{df} \ge \chi^2)\) da distribuição qui-quadrado com \(df\) graus de liberdade.
Teste Qui-Quadrado – Exemplo de Cálculo
Exemplo: um inquérito a 130 pessoas regista o género (dois grupos) e a preferência entre três produtos. A tabela de contingência das contagens observadas é:
\[ \begin{array}{c|ccc} & A & B & C \\ \hline \text{Grupo 1} & 10 & 20 & 20 \\ \text{Grupo 2} & 40 & 20 & 20 \end{array} \]
Os totais por linha são 50 e 80; os totais por coluna são 50, 40 e 40; \(N = 130\). A contagem esperada da primeira célula é \(E_{11} = \frac{50 \times 50}{130} = 19.2308\). Calculando as restantes células da mesma forma obtém-se:
\[ E = \begin{array}{ccc} 19.2308 & 15.3846 & 15.3846 \\ 30.7692 & 24.6154 & 24.6154 \end{array} \]
Agora some os desvios relativos ao quadrado:
\[ \chi^2 = \frac{(10-19.2308)^2}{19.2308} + \frac{(20-15.3846)^2}{15.3846} + \cdots + \frac{(20-24.6154)^2}{24.6154} = 11.7000 \]
Com \(df = (2-1)(3-1) = 2\), o valor p é \(p = 0.0029\).
Resultado: \(\chi^2 = 11.7000\), \(df = 2\), \(p = 0.0029\). Como \(p < 0.05\), existe uma associação estatisticamente significativa entre as duas variáveis.
Como usar a calculadora
- Selecione o Tipo de teste: "Teste de independência (tabela de contingência)" ou "Teste de aderência (observados vs. esperados)".
- Para um teste de aderência, introduza as suas contagens em Contagens observadas e os valores teóricos em Contagens esperadas, separados por espaços, ponto e vírgula ou novas linhas. Ambas as listas devem ter o mesmo número de valores e o mesmo total.
- Para um teste de independência, escreva a sua tabela em Tabela de contingência (observados): uma linha de dados por linha de texto, com as contagens de cada linha separadas por espaços. As contagens esperadas são calculadas automaticamente a partir dos totais das linhas e das colunas.
- Leia os resultados: a estatística qui-quadrado, os graus de liberdade, o valor p e uma interpretação em linguagem simples ao nível de significância \(\alpha = 0.05\).
O que é o teste qui-quadrado
O teste qui-quadrado é um teste não paramétrico para dados categóricos. Compara as contagens que observou realmente com as contagens que seria de esperar se a hipótese nula fosse verdadeira, e quantifica a discrepância num único número. Se a discrepância for maior do que o acaso plausivelmente produziria, a hipótese nula é rejeitada.
As duas variantes suportadas respondem a perguntas diferentes. O teste de aderência pergunta se uma única variável categórica segue uma distribuição especificada — por exemplo, se um dado é equilibrado (esperando-se 10 por face em 60 lançamentos) ou se as chegadas de clientes seguem um padrão teórico. O teste de independência pergunta se duas variáveis categóricas estão relacionadas: se a preferência por um produto depende do género, ou se o resultado do tratamento depende do grupo de dosagem.
O valor p apresentado é a probabilidade de obter uma estatística qui-quadrado pelo menos tão grande como a calculada, assumindo que a hipótese nula é verdadeira. Um limiar comum é \(\alpha = 0.05\): se \(p < 0.05\), os desvios observados são considerados estatisticamente significativos. Tenha em mente que a significância estatística não implica uma associação forte ou importante na prática — com amostras grandes, até desvios pequenos se tornam significativos. Para avaliar a força de uma associação entre variáveis numéricas (e não categóricas), uma ferramenta como a calculadora do coeficiente de correlação é mais adequada.
Pressupostos, limitações e dicas práticas
- Contagens, não percentagens. O teste trabalha com frequências em bruto. Introduza o número real de observações em cada categoria, nunca percentagens ou proporções.
- Observações independentes. Cada sujeito deve contribuir para exatamente uma célula. Medidas repetidas ou dados emparelhados violam este pressuposto e exigem um teste diferente.
- Contagens esperadas de pelo menos 5. A distribuição qui-quadrado aproxima bem a distribuição amostral discreta apenas quando as contagens esperadas não são demasiado pequenas. Se mais de cerca de 20% das células tiverem \(E < 5\), junte categorias adjacentes ou recolha mais dados — a calculadora assinala isto na interpretação.
- Ajuste o df para parâmetros estimados. Num teste de aderência, se os parâmetros da distribuição esperada foram estimados a partir dos mesmos dados (por exemplo, uma média de Poisson), subtraia um grau de liberdade por parâmetro estimado; a calculadora reporta \(k-1\) e espera que faça o ajuste manualmente.
- Totais iguais no modo de aderência. A soma das contagens esperadas deve ser igual à soma das contagens observadas. Se a sua distribuição teórica der proporções, multiplique-as primeiro pelo total observado.
- Para planear um estudo em vez de analisar um, a calculadora do tamanho da amostra ajuda-o a determinar de quantas observações precisa, e se as suas contagens resultarem de eventos raros, a calculadora da distribuição de Poisson é útil para derivar frequências esperadas.
Referência: valores críticos para α = 0,05
Se \(\chi^2\) exceder o valor crítico abaixo, o resultado é significativo ao nível de 5% para os graus de liberdade correspondentes:
| df | Valor crítico | df | Valor crítico |
|---|---|---|---|
| 1 | 3,841 | 6 | 12,592 |
| 2 | 5,991 | 8 | 15,507 |
| 3 | 7,815 | 10 | 18,307 |
| 4 | 9,488 | 15 | 24,996 |
| 5 | 11,070 | 20 | 31,410 |
No exemplo acima, \(\chi^2 = 11.7\) com \(df = 2\) excede claramente o valor crítico de 5,991, o que está de acordo com o valor p reportado de 0,0029.
Perguntas frequentes
Como calcular a estatística qui-quadrado à mão?
Para cada célula ou categoria, subtraia a contagem esperada à observada, eleve a diferença ao quadrado e divida pela contagem esperada: \((O - E)^2 / E\). Some estes valores em todas as células para obter \(\chi^2\). Depois compare-o com o valor crítico de uma tabela qui-quadrado, ou converta-o num valor p, usando os seus graus de liberdade. A calculadora automatiza o último passo, que é o mais fastidioso de fazer à mão.
Qual é um bom valor de qui-quadrado?
Não existe um valor absolutamente bom ou mau — depende dos graus de liberdade e do nível de significância. Um \(\chi^2\) elevado em relação ao df indica um grande afastamento da hipótese nula. Com \(\alpha = 0.05\), uma regra prática grosseira é que um \(\chi^2\) superior a cerca de duas vezes os graus de liberdade costuma ser significativo, mas verifique sempre o valor p ou uma tabela de valores críticos em vez de confiar na regra.
Porque é que o valor p importa mais do que o valor de qui-quadrado em si?
A estatística em bruto não tem uma escala fixa de interpretação, porque a sua distribuição muda com os graus de liberdade. O valor p traduz \(\chi^2\) numa probabilidade: a hipótese de observar um desvio pelo menos tão grande se a hipótese nula fosse verdadeira. É por isso que a regra de decisão comum é formulada em termos de p — tipicamente rejeitar a nula quando \(p < 0.05\), ou usar \(0.01\) para provas mais exigentes.
Devo usar a correção de Yates numa tabela 2×2?
Para uma tabela de contingência 2×2, muitos estatísticos aplicam a correção de continuidade de Yates, que subtrai 0,5 de cada diferença absoluta \(|O - E|\) antes de elevar ao quadrado. Ela reduz a estatística e torna o teste mais conservador. Esta calculadora reporta a estatística não corrigida, que é o que a maioria dos programas produz por defeito. Se a sua tabela 2×2 tiver contagens esperadas pequenas (inferiores a 5), considere antes o teste exato de Fisher.
Posso usar o teste qui-quadrado com percentagens, médias ou dados ordinais?
Não. O teste exige contagens em bruto de observações independentes classificadas em categorias mutuamente exclusivas. Percentagens ou proporções destroem a informação sobre o tamanho da amostra. Para comparar médias de grupos use um teste t ou ANOVA; para dados ordinais ou de postos use um teste não paramétrico como Mann-Whitney ou a correlação de postos de Spearman.
Como saber se o meu resultado qui-quadrado é importante na prática?
A significância estatística apenas indica que o desvio dificilmente se deve ao acaso — com uma amostra grande, até uma associação trivial se torna significativa. Para medir a força, calcule um tamanho de efeito como o V de Cramér para tabelas de contingência: \(V = \sqrt{\chi^2 / (N \cdot \min(r-1, c-1))}\), que varia de 0 a 1. Valores em torno de 0,1 são fracos, 0,3 moderados e 0,5 ou mais fortes, embora o contexto importe.
E se as minhas contagens esperadas forem demasiado pequenas?
Se as contagens esperadas forem inferiores a 5 em mais de cerca de 20% das células, a aproximação qui-quadrado torna-se pouco fiável e os valores p podem ser demasiado liberais. Os remédios incluem juntar categorias adjacentes (o que reduz o df), recolher mais dados ou — para tabelas 2×2 pequenas — usar o teste exato de Fisher, que calcula probabilidades diretamente sem a aproximação de amostra grande.