Teste Qui-Quadrado Explicado: Fórmula e Exemplos
O teste qui-quadrado é o teste mais usado para dados em categorias: ele compara o que você observou com o que esperaria se não houvesse nenhuma associação — ou nenhuma diferença. Funciona com contagens, não com médias: votos, respostas de questionário, resultados de um dado, plantas de Mendel.
Em resumo: O teste qui-quadrado compara contagens observadas com contagens esperadas: χ² = Σ(O − E)² / E. Em uma tabela 2×2 com [[10, 20], [20, 10]], χ² = 6,667 com 1 grau de liberdade e p = 0,0098 — evidência forte de associação entre as duas variáveis.
Imagine que você lança um dado 60 vezes e anota quantas vezes sai cada face. Se o dado é honesto, cada face deve aparecer cerca de 10 vezes. Mas e se uma face sair 18 vezes e outra só 10? O dado está viciado — ou foi só azar? O teste qui-quadrado responde a essa pergunta com um número.
O teste compara contagens observadas (O) com contagens esperadas (E) e resume a distância entre elas em uma única estatística, o χ². Quanto maior o χ², mais as observações se afastam do esperado. Neste artigo, você vai entender a fórmula, os três tipos de teste, resolver três exemplos completos — uma tabela 2×2, um dado e uma tabela 2×3 — e aprender quando trocar o qui-quadrado pelo teste exato de Fisher.
O que é o teste qui-quadrado?
O teste qui-quadrado (χ²) testa hipóteses sobre contagens em categorias. A hipótese nula diz que não há diferença entre o observado e o esperado — ou que duas variáveis categóricas são independentes. O teste mede o quanto os dados se afastam dessa hipótese.
χ² = Σ (O − E)² / E
Nessa fórmula, O é a frequência observada em cada célula, E é a frequência esperada sob a hipótese nula e Σ indica a soma sobre todas as células. Cada termo (O − E)² / E mede o desvio de uma célula: desvios grandes — para cima ou para baixo — aumentam o χ². O valor de χ² é sempre maior ou igual a zero: zero significa ajuste perfeito, e valores altos indicam que o observado não combina com o esperado.
O teste só trabalha com contagens (frequências), nunca com médias, proporções ou valores contínuos. Se os seus dados são medidas — alturas, notas, tempos — o qui-quadrado não é a ferramenta: use um teste t ou uma ANOVA. O teste também precisa de amostras aleatórias e de observações independentes: cada contagem entra em uma única célula.
O resultado do teste é um valor-p: a probabilidade de ver um χ² tão grande quanto o observado se a hipótese nula fosse verdadeira. Se o valor-p é menor que o nível de significância — em geral 0,05 — rejeitamos a hipótese nula.
Os três tipos de teste qui-quadrado
O mesmo χ² serve para três perguntas diferentes. O que muda é a hipótese nula — e, portanto, como se calculam as frequências esperadas.
| Tipo | Pergunta | Hipótese nula | Exemplo |
|---|---|---|---|
| Aderência | Os dados seguem uma distribuição conhecida? | As proporções observadas são iguais às esperadas | O dado é honesto? (cada face com 1/4) |
| Independência | Duas variáveis estão associadas? | As variáveis são independentes | O grupo influencia a resposta? (tabela 2×2) |
| Homogeneidade | Várias populações têm a mesma distribuição? | As distribuições são iguais entre os grupos | Três turmas têm o mesmo perfil de respostas? |
A aderência usa uma única variável e compara com proporções teóricas: 1/4 para cada face do dado tetraédrico, 9:3:3:1 para as ervilhas de Mendel. A independência e a homogeneidade usam tabelas de contingência com duas variáveis — a conta é a mesma; o que muda é a pergunta e a forma de coletar os dados.
Como calcular o qui-quadrado passo a passo
O procedimento é o mesmo nos três tipos. Vamos aplicá-lo a uma tabela 2×2 — o caso mais comum.
Exemplo: dois grupos, uma pergunta
Um estudo compara dois grupos de 30 pessoas — Grupo A e Grupo B — e pergunta se preferem a versão nova de um produto. Grupo A: 10 dizem «sim», 20 dizem «não». Grupo B: 20 dizem «sim», 10 dizem «não». Os grupos preferem de forma diferente — ou a diferença é acaso?
- Monte a tabela de contingência com as contagens observadas e os totais de cada linha e coluna.
- Calcule as frequências esperadas: E = (total da linha × total da coluna) ÷ total geral. Aqui, cada célula esperada é 15: (30 × 30) ÷ 60.
- Calcule χ² = Σ(O − E)² / E: (10 − 15)²/15 + (20 − 15)²/15 + (20 − 15)²/15 + (10 − 15)²/15 = 6,667.
- Calcule os graus de liberdade: gl = (linhas − 1) × (colunas − 1) = 1 × 1 = 1.
- Decida: compare χ² com o valor crítico ou leia o valor-p. O valor crítico para α = 0,05 e gl = 1 é 3,8415. Como 6,667 supera 3,8415 — e o valor-p é 0,0098 — rejeitamos a hipótese nula: há associação entre o grupo e a resposta.
| Sim | Não | Total | |
|---|---|---|---|
| Grupo A | 10 (15) | 20 (15) | 30 |
| Grupo B | 20 (15) | 10 (15) | 30 |
| Total | 30 | 30 | 60 |
Os números entre parênteses são as frequências esperadas: como os dois grupos têm o mesmo tamanho e as respostas se dividem meio a meio, cada célula esperada é 15. Repare que os totais marginais são iguais — é por isso que o esperado é o mesmo nas quatro células.
Os resíduos padronizados mostram onde está o desvio: (O − E) / √E = ±5 / √15 = ±1,291 em todas as células. Nenhuma célula domina sozinha — o desvio está espalhado pela tabela. Resíduos acima de 2 em módulo costumam indicar as células que mais contribuem para o χ².
O tamanho do efeito é o V de Cramér: V = √(χ² / n) = √(6,667 / 60) = 0,333 — um efeito moderado. O valor-p diz se há associação; o V diz o tamanho dela. Confira o resultado na calculadora de teste qui-quadrado: informe a tabela e veja o χ², os graus de liberdade e o valor-p.
Visualizando: observado vs esperado
O gráfico abaixo compara o observado (azul) com o esperado (cinza) em cada célula da tabela 2×2. Quando as barras azuis se afastam muito das cinzas, o χ² cresce — e o valor-p cai.
Um dado tetraédrico — com as faces 1, 2, 3 e 4 — é lançado 60 vezes. Se ele é honesto, cada face deve sair cerca de 15 vezes. Os resultados foram: 1 saiu 16 vezes, 2 saiu 18, 3 saiu 16 e 4 saiu 10. O dado está viciado?
| Face | Observado (O) | Esperado (E) | (O − E)² / E |
|---|---|---|---|
| 1 | 16 | 15 | 0,067 |
| 2 | 18 | 15 | 0,600 |
| 3 | 16 | 15 | 0,067 |
| 4 | 10 | 15 | 1,667 |
| Total | 60 | 60 | χ² = 2,400 |
Os graus de liberdade são gl = 4 − 1 = 3, e o valor crítico para α = 0,05 é 7,8147. Como 2,400 está bem abaixo de 7,8147 — e o valor-p é 0,4936 — não rejeitamos a hipótese nula: o dado parece honesto. Um valor-p de 0,4936 significa que um desvio desse tamanho aparece em quase metade das amostras de um dado honesto — nada de estranho. Repare que a face 4, com o maior desvio (10 contra 15), contribui com 1,667 — quase 70% do χ² total.
Exemplo resolvido: tabela 2×3
Dois grupos avaliam um serviço como «ruim», «regular» ou «bom». O Grupo A tem 30 pessoas e o Grupo B, 45. As avaliações dependem do grupo?
| Ruim | Regular | Bom | Total | |
|---|---|---|---|---|
| Grupo A | 10 (12) | 15 (10) | 5 (8) | 30 |
| Grupo B | 20 (18) | 10 (15) | 15 (12) | 45 |
| Total | 30 | 25 | 20 | 75 |
As frequências esperadas vêm dos totais marginais: para o Grupo A e «ruim», E = (30 × 30) ÷ 75 = 12; para o Grupo A e «regular», E = (30 × 25) ÷ 75 = 10; e assim por diante. Somando (O − E)² / E nas seis células, χ² = 6,597, com gl = (2 − 1) × (3 − 1) = 2 e valor-p 0,0369. O valor crítico para α = 0,05 e gl = 2 é 5,9915: como 6,597 supera 5,9915, rejeitamos a hipótese nula — a avaliação depende do grupo.
O V de Cramér é √(6,597 / 75) = 0,297 — um efeito moderado. Repare que o valor-p (0,0369) está perto de 0,05: a evidência é moderada, não esmagadora. É o tipo de resultado que pede uma amostra maior antes de uma conclusão forte. Para planejar a amostra, use a calculadora de tamanho de amostra.
Exemplo clássico: Mendel e a proporção 9:3:3:1
Gregor Mendel cruzou ervilhas e contou 400 plantas da segunda geração, classificadas por dois traços — o formato e a cor da semente. A teoria prevê a proporção 9:3:3:1: de 400 plantas, 225, 75, 75 e 25 em cada classe. Os números observados foram 220, 80, 70 e 30.
| Classe | Observado (O) | Esperado (E) | (O − E)² / E |
|---|---|---|---|
| Lisa e amarela | 220 | 225 | 0,111 |
| Lisa e verde | 80 | 75 | 0,333 |
| Rugosa e amarela | 70 | 75 | 0,333 |
| Rugosa e verde | 30 | 25 | 1,000 |
| Total | 400 | 400 | χ² = 1,778 |
Com gl = 3, o valor-p é 0,6198: não rejeitamos a hipótese nula — os dados são compatíveis com a proporção 9:3:3:1. É um dos testes de aderência mais famosos da ciência, e um dos primeiros usos do qui-quadrado na genética. Note que a última classe, apesar de ter só 30 plantas, contribui com 1,000 — mais da metade do χ² total — porque o esperado era apenas 25.
Quando devo usar o teste qui-quadrado?
Use o teste qui-quadrado quando os dados são contagens em categorias e você quer comparar o observado com o esperado — ou testar a associação entre duas variáveis categóricas. Quatro condições precisam estar satisfeitas:
- Dados em categorias: o teste trabalha com frequências, não com médias nem com medidas contínuas.
- Observações independentes: cada contagem entra em uma única célula; a mesma pessoa não pode aparecer duas vezes.
- Frequências esperadas grandes o bastante: pela regra de Cochran, no máximo 20% das células podem ter esperado menor que 5, e nenhuma célula pode ter esperado menor que 1.
- Amostra aleatória: os dados precisam representar a população sobre a qual você quer concluir.
Não use o qui-quadrado para comparar médias, para dados pareados — antes e depois nas mesmas pessoas, caso do teste de McNemar — nem para tabelas com células esperadas muito pequenas. E lembre-se: o teste diz se há associação, não por que ela existe.
O que fazer quando as frequências esperadas são pequenas?
Quando as frequências esperadas são pequenas, a aproximação qui-quadrado falha e o valor-p fica impreciso. Há três saídas:
| Situação | O que fazer |
|---|---|
| Tabela 2×2 com esperado pequeno | Correção de Yates — ou o teste exato de Fisher, preferido hoje |
| Esperado menor que 5 em muitas células | Teste exato de Fisher (tabelas pequenas) ou juntar categorias vizinhas |
| Esperado menor que 1 em alguma célula | Juntar categorias ou coletar mais dados — o teste não é confiável |
A correção de Yates subtrai 0,5 de cada |O − E| antes de elevar ao quadrado, deixando o teste mais conservador. Na tabela 2×2 do exemplo, ela dá χ² = 5,400 e p = 0,0201 — ainda significativo, mas menos extremo que o 6,667 sem correção.
O teste exato de Fisher calcula o valor-p exato pela distribuição hipergeométrica, sem nenhuma aproximação. Para tabelas 2×2 pequenas, é o padrão atual. Em um segundo exemplo 2×2 — [[30, 20], [15, 35]] — o qui-quadrado dá 9,091 (p = 0,0026) e Yates dá 7,919 (p = 0,0049): com ou sem correção, a conclusão é a mesma.
Regra prática: se alguma frequência esperada é menor que 5, prefira Fisher na 2×2; em tabelas maiores, junte categorias que fazem sentido juntas ou aumente a amostra.
Qual é a diferença entre qui-quadrado de aderência e de independência?
A aderência compara uma variável com uma distribuição teórica: as proporções observadas batem com as esperadas? O dado é honesto? As ervilhas de Mendel seguem 9:3:3:1? As frequências esperadas vêm da teoria — 1/4 para cada face, 9:3:3:1 para Mendel.
A independência compara duas variáveis em uma tabela de contingência: elas estão associadas? O grupo influencia a resposta? As frequências esperadas vêm dos totais marginais — E = (total da linha × total da coluna) ÷ total geral.
A fórmula é a mesma nos dois casos; o que muda é a pergunta e a origem do esperado. A homogeneidade é o terceiro tipo: mesma conta, mas compara a distribuição de uma variável entre várias populações — três turmas, mesma prova, mesmo perfil de respostas?
O valor-p é pequeno — e agora?
Um valor-p pequeno diz que o desvio é improvável sob a hipótese nula — não diz que ele é grande ou importante. Um estudo real sobre TDAH mostra a diferença.
O exemplo do TDAH
Em um conjunto de dados real sobre TDAH (transtorno de déficit de atenção e hiperatividade), o teste de independência deu χ² = 41,6 com gl = 1 e valor-p 1,117 × 10⁻¹⁰ — um valor-p minúsculo, muito abaixo de 0,05. Mas o V de Cramér foi de apenas 0,076: um efeito pequeno. Com uma amostra de mais de 7.000 participantes, até uma associação fraca fica «significativa».
A lição: valor-p pequeno não é efeito grande. Com amostras grandes, o teste detecta diferenças minúsculas. Sempre reporte o tamanho do efeito — o V de Cramér — junto com o valor-p, e pergunte se a diferença importa na prática. Para interpretar o valor-p sem cair nessa armadilha, veja o que é valor-p e a calculadora de valor-p.
Como calcular o qui-quadrado no Excel
O Excel em português tem três funções para o qui-quadrado — mas nenhuma delas monta a tabela nem calcula as frequências esperadas. Você faz a tabela à mão e usa as funções para o valor-p e o valor crítico.
| Função | O que faz | Exemplo |
|---|---|---|
| TESTE.QUIQUA(observados; esperados) | Devolve SÓ o valor-p | =TESTE.QUIQUA(B2:C3; B8:C9) = 0,0098 |
| DIST.QUIQUA.CD(x; graus_liberdade) | Valor-p da cauda direita para um χ² | =DIST.QUIQUA.CD(6,667; 1) = 0,0098 |
| INV.QUIQUA.CD(probabilidade; graus_liberdade) | Valor crítico para um α | =INV.QUIQUA.CD(0,05; 1) = 3,8415 |
Passo a passo: monte a tabela de observados (B2:C3) e a de esperados (B8:C9); em outra célula, digite =TESTE.QUIQUA(B2:C3; B8:C9) e leia o valor-p. Para o valor crítico, use =INV.QUIQUA.CD(0,05; 1). O Excel não aplica a correção de Yates nem calcula o teste de Fisher — para isso, use a calculadora de teste qui-quadrado. Os nomes das funções seguem a referência de funções estatísticas do Excel em português (Microsoft Support).
Erros comuns
- Usar o qui-quadrado com médias ou valores contínuos. Ele só trabalha com contagens em categorias; para médias, use um teste t ou uma ANOVA.
- Ignorar as frequências esperadas pequenas. Com esperado menor que 5 em muitas células, o valor-p não é confiável; use Fisher ou junte categorias.
- Ler «não rejeito» como «provei que não há efeito». Não rejeitar só diz que os dados não provam a diferença; pode faltar amostra.
- Confundir significância com importância. Um valor-p minúsculo com V = 0,076 é um efeito pequeno; reporte sempre o V de Cramér.
- Usar porcentagens em vez de contagens. O teste precisa das frequências absolutas: 50% de 10 não é o mesmo que 50% de 1.000.
- Esquecer que associação não é causalidade. O qui-quadrado mostra associação entre variáveis categóricas, não causa e efeito — veja correlação vs causalidade.
Perguntas frequentes
Ele mede a distância entre as contagens observadas e as contagens esperadas sob a hipótese nula. Um χ² alto significa que o observado se afasta muito do esperado; um χ² perto de zero significa ajuste quase perfeito.
Aderência (uma variável contra uma distribuição teórica), independência (duas variáveis em uma tabela de contingência) e homogeneidade (a mesma variável em várias populações). A fórmula χ² = Σ(O − E)² / E é a mesma nos três.
É o número de valores livres da tabela depois de fixar os totais marginais: gl = (linhas − 1) × (colunas − 1). Numa 2×2, gl = 1; numa 2×3, gl = 2. Os graus de liberdade definem a distribuição qui-quadrado usada para o valor-p e o valor crítico.
Compare o valor-p com o nível de significância (em geral 0,05): um valor-p menor que 0,05 rejeita a hipótese nula. Ou compare o χ² com o valor crítico: na tabela 2×2, o crítico é 3,8415 — acima dele, o resultado é significativo a 5%.
É um ajuste para tabelas 2×2 que subtrai 0,5 de cada |O − E| antes de elevar ao quadrado, deixando o teste mais conservador. Use-a em tabelas 2×2 com frequências esperadas pequenas; hoje, o teste exato de Fisher é a alternativa preferida.
Quando as frequências esperadas são pequenas — em geral, quando alguma é menor que 5 numa tabela 2×2 — ou quando a amostra é pequena. Fisher calcula o valor-p exato, sem a aproximação qui-quadrado.
É o tamanho do efeito do qui-quadrado, de 0 (nenhuma associação) a 1 (associação perfeita). Na tabela 2×2, V = √(χ² / n): 0,1 é pequeno, 0,3 é moderado e 0,5 é grande. No exemplo 2×2 deste artigo, V = 0,333 — moderado.
Depende: o teste usa uma aproximação que piora com amostras pequenas e frequências esperadas baixas. Com esperado menor que 5 em mais de 20% das células, ou menor que 1 em qualquer célula, prefira o teste exato de Fisher ou junte categorias.
Fontes: NIST/SEMATECH e-Handbook of Statistical Methods — teste qui-quadrado · Microsoft Support — Funções estatísticas (referência) · Nossa metodologia.
Por Afan Shafiq — BS AI student