Teste qui-quadrado de aderência (Chi-Square Goodness of Fit)

O teste qui-quadrado de aderência determina se a distribuição de frequências observada de uma variável categórica corresponde a uma distribuição esperada específica. Ele compara a frequência com que cada categoria realmente ocorre nos seus dados com a frequência esperada para cada categoria com base em um modelo teórico ou em uma premissa anterior.

Última revisão

Conclusão principal

O teste qui-quadrado de aderência determina se a distribuição de frequências observada de uma variável categórica corresponde a uma distribuição esperada específica.

Nesta página
  1. O que é o teste qui-quadrado de aderência?
  2. Quando usar o teste qui-quadrado de aderência?
  3. Diretrizes para o uso correto do teste qui-quadrado de aderência
  4. Alternativas: quando não usar o teste qui-quadrado de aderência
  5. Exemplo de teste qui-quadrado de aderência
  6. Como fazer o teste qui-quadrado de aderência

O que é o teste qui-quadrado de aderência?

O teste qui-quadrado de aderência (Chi-Square Goodness of Fit) determina se a distribuição de frequências observada de uma variável categórica corresponde a uma distribuição esperada específica. Ele compara a frequência com que cada categoria realmente ocorre nos seus dados com a frequência esperada para cada categoria com base em um modelo teórico ou em uma premissa anterior.

Por exemplo, você pode testar se uma linha de produção gera defeitos de forma igual em todos os turnos, ou se as reclamações de clientes se distribuem entre as categorias nas proporções previstas pelo seu modelo.

Definição simples: Um teste que verifica se as contagens reais observadas nas categorias correspondem às contagens esperadas — indicando se os seus dados se ajustam ao padrão que você previu.

Quando usar o teste qui-quadrado de aderência?

  • Use quando a sua variável de resposta for categórica e você quiser testar se a sua distribuição observada corresponde a uma distribuição esperada ou teórica.
  • Use para verificar se um processo gera defeitos ou resultados nas proporções esperadas entre categorias como turno, máquina ou tipo de produto.
  • Use quando você tiver um modelo teórico ou uma distribuição prévia e quiser testar o quanto os seus dados reais se conformam a ele.
  • Use em auditorias por amostragem, verificações de conformidade e revisões de qualidade em que as frequências esperadas são conhecidas a partir de especificações ou de dados históricos.

Diretrizes para o uso correto do teste qui-quadrado de aderência

  • Cada categoria deve ter uma frequência esperada de pelo menos 5 — categorias com contagens esperadas muito pequenas tornam o teste pouco confiável. Combine categorias, se necessário.
  • As observações devem ser independentes — a contagem em uma categoria não deve influenciar a contagem em outra.
  • As proporções ou contagens esperadas devem ser especificadas antes de examinar os dados — derivá-las do mesmo conjunto de dados que está sendo testado é circular e inválido.
  • Um valor-p abaixo de 0.05 indica que a distribuição observada difere significativamente da esperada — investigue quais categorias apresentam os maiores desvios.
  • Colete uma amostra total suficientemente grande para garantir que todas as frequências esperadas das células atendam ao limite mínimo de 5.

Alternativas: quando não usar o teste qui-quadrado de aderência

  • Se for testar a relação entre duas variáveis categóricas, use o Teste Qui-Quadrado de Independência
  • Se a variável de resposta for contínua, use o Teste de Normalidade ou a Identificação de Distribuição Individual
  • Se os dados de contagem seguirem um processo de Poisson (eventos raros ao longo do tempo ou de uma área), use a Aderência de Poisson

Exemplo de teste qui-quadrado de aderência

Um gerente de compras quer comparar a proporção de camisetas de cada tamanho vendidas com a proporção que foi encomendada. O gerente conta o número de camisetas de cada tamanho vendidas em uma semana. O comprador realiza um teste qui-quadrado de aderência para determinar se as proporções de tamanhos de camisetas vendidas são consistentes com as proporções de tamanhos encomendados. O teste segue estes passos:

  1. Reuniu os dados necessários.
Chi Square Goodness Of Fit — figure 1
  1.  Agora analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
  2.  Para encontrar o Chi Square Goodness Of Fit, escolha Statistical module> Hypothesis Test> Chi Square Goodness Of Fit.
  3.  Dentro da ferramenta, insere os dados junto com as demais entradas, da seguinte forma:
Chi Square Goodness Of Fit — figure 2

5. Depois de usar a ferramenta acima, obtém a saída da seguinte forma:

Chi Square Goodness Of Fit — figure 3

Como fazer o teste qui-quadrado de aderência

O guia é o seguinte:

  1. Faça login no Zometric Statistical Software em https://statsai.zometric.com/
  2. Na página inicial, escolha Statistical Tool> Hypothesis Test >Chi Square Goodness Of Fit .
  3. Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui.
  4. Preencha as opções necessárias.
  5. Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.

No painel (dashboard) do teste qui-quadrado de aderência, a janela é dividida em duas partes.

Chi Square Goodness Of Fit — figure 4

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.

Load example: Os dados de exemplo serão carregados.

Load File: É usado para carregar diretamente os dados do Excel.

Na parte direita, há várias opções, descritas a seguir:

  • Observed Counts Selecione a coluna com as contagens reais registradas para cada categoria nos seus dados — por exemplo, o número de defeitos observados em cada turno, o número de reclamações de clientes por categoria ou o número de ocorrências em cada grupo. Esta é a entrada principal que o teste usa para comparar o que realmente aconteceu com o que era esperado. Este campo é obrigatório.
  • Category Names; Selecione a coluna com os rótulos ou nomes de cada categoria — por exemplo, Shift 1, Shift 2, Shift 3 ou Scratch, Dent, Tear. É opcional, mas recomendado, pois deixa os gráficos e a tabela de resultados claramente identificados e mais fáceis de interpretar e de apresentar em relatórios.
  • Test: Define com qual distribuição esperada as contagens observadas são comparadas. Há três opções:
  • Equal Proportions — testa se todas as categorias ocorrem com a mesma frequência. Use quando a sua hipótese nula for que cada categoria deve aparecer o mesmo número de vezes — por exemplo, testar se os defeitos se distribuem igualmente por todos os dias da semana.
  • Specific Proportions — testa se as categorias ocorrem em proporções específicas, predefinidas, que você informa manualmente. Use quando tiver uma distribuição esperada baseada em teoria, dados históricos ou especificações — por exemplo, testar se 60% dos resultados caem na Categoria A, 30% na Categoria B e 10% na Categoria C.
  • Properties Specified by Historical Counts (Input Column) — testa em relação a proporções esperadas derivadas de uma coluna de referência de contagens históricas, e não de valores informados manualmente. Use quando tiver um conjunto de dados anterior ou um período de referência cuja distribuição você queira comparar com os seus dados atuais.
  • Specific Proportion: Selecione a coluna com as proporções esperadas ou contagens de referência de cada categoria ao usar a opção de teste Specific Proportions ou Historical Counts. Os valores dessa coluna definem como a distribuição deveria ser sob a hipótese nula — a proporção esperada de cada categoria deve corresponder, na mesma ordem, às categorias da coluna Observed Counts.
  • Bar Chart of Observed and Expected Values: Quando ativado, exibe um gráfico de barras lado a lado que compara as contagens observadas com as contagens esperadas de cada categoria. É uma das saídas visuais mais úteis — mostra de imediato quais categorias têm as maiores diferenças entre o observado e o esperado, ajudando a localizar onde a distribuição mais se desvia.
  • Bar Chart of Each Category Contribution to the Chi-Square Value: Quando ativado, exibe um gráfico de barras que mostra quanto cada categoria contribui para a estatística qui-quadrado total. As categorias com as barras mais altas são as que determinam o resultado significativo — isso ajuda a identificar exatamente quais categorias são mais responsáveis pelo afastamento da distribuição esperada, em vez de apenas saber que existe uma diferença geral.
  • Display Bars from Largest to Smallest: Quando ativado, ordena as barras dos gráficos em ordem decrescente , da maior contribuição ou contagem para a menor. Isso facilita priorizar quais categorias são mais importantes e concentrar a atenção primeiro nos maiores desvios — especialmente útil quando há muitas categorias e você quer identificar rapidamente as mais significativas.
  • Display Test Results: Quando ativado, mostra a saída estatística completa do teste diretamente no gráfico ou ao lado dele — incluindo a estatística qui-quadrado, os graus de liberdade e o valor-p. Isso permite ver os resultados visuais e estatísticos juntos, em um só lugar, sem precisar consultar uma tabela de saída separada.

Perguntas frequentes

O que um teste qui-quadrado de aderência informa?

Ele informa se a distribuição de frequências observada de uma variável categórica corresponde a uma distribuição esperada específica, comparando a frequência com que cada categoria realmente ocorre com a frequência esperada sob um modelo teórico ou uma premissa anterior. Um valor-p abaixo de 0.05 indica uma diferença significativa; nesse caso, investigue quais categorias apresentam os maiores desvios.

Quais são as premissas do teste qui-quadrado de aderência?

Cada categoria deve ter frequência esperada de pelo menos 5; combine categorias, se necessário, e colete uma amostra total grande o bastante. As observações devem ser independentes, de modo que a contagem em uma categoria não influencie outra. As proporções esperadas devem ser especificadas antes de examinar os dados, pois derivá-las do mesmo conjunto de dados é circular e inválido.

Com quais distribuições esperadas é possível testar?

No Zometric Statistical Software, a opção Test oferece três escolhas: Equal Proportions, em que todas as categorias devem ocorrer com a mesma frequência; Specific Proportions, informadas manualmente a partir de teoria, dados históricos ou especificações; e proporções especificadas por contagens históricas em uma coluna de referência, para comparar os dados atuais com um conjunto de dados anterior ou um período de referência.

Quando usar, em vez disso, o teste qui-quadrado de independência?

Use o teste de aderência para uma variável categórica comparada com uma distribuição esperada. Para testar a relação entre duas variáveis categóricas, use o teste qui-quadrado de independência. Se a resposta for contínua, use um teste de normalidade ou a identificação de distribuição individual e, se as contagens seguirem um processo de Poisson, use a aderência de Poisson.