Nas estatísticas, uma amostra é um subconjunto de uma população usada para representar o grupo inteiro como um todo. Ao fazer pesquisas, muitas vezes é impraticável pesquisar cada membro de uma determinada população porque o número de pessoas é simplesmente muito grande. Para fazer inferências sobre as características de uma população, os pesquisadores podem usar uma amostra aleatória.
Por que os pesquisadores usam amostras?
Ao pesquisar um aspecto da mente ou comportamento humano, os pesquisadores simplesmente não podem coletar dados de cada indivíduo na maioria dos casos. Em vez disso, eles escolhem uma amostra menor de indivíduos que representam o grupo maior.Se a amostra for realmente representativa da população em questão, os pesquisadores podem pegar seus resultados e generalizá-los para o grupo maior.
Tipos de Amostragem
Na pesquisa psicológica e em outros tipos de pesquisa social, os experimentadores geralmente contam com alguns métodos de amostragem diferentes.
1. Amostragem de probabilidade
A amostragem probabilística significa que cada indivíduo em uma população tem uma chance de ser selecionado. Como a amostragem probabilística envolve seleção aleatória, ela garante que cada subconjunto da população tenha uma chance igual de ser representado na amostra. Isso torna as amostras de probabilidade mais representativas e os pesquisadores são mais capazes de generalizar seus resultados para o grupo como um todo.
Existem alguns tipos diferentes de amostragem probabilística:
- Amostragem aleatória simples é, como o nome sugere, o tipo mais simples de amostragem probabilística. Os pesquisadores pegam cada indivíduo de uma população e selecionam aleatoriamente sua amostra, geralmente usando algum tipo de programa de computador ou gerador de números aleatórios.
- Amostragem aleatória estratificada envolve separar a população em subgrupos e, em seguida, obter uma amostra aleatória simples de cada um desses subgrupos. Por exemplo, a pesquisa pode dividir a população em subgrupos com base na raça, sexo ou idade e, em seguida, obter uma amostra aleatória simples de cada um desses grupos. A amostragem aleatória estratificada geralmente fornece maior precisão estatística do que a amostragem aleatória simples e ajuda a garantir que certos grupos sejam representados com precisão na amostra.
- Amostras agrupadas envolve a divisão de uma população em grupos menores, muitas vezes com base na localização geográfica ou limites. Uma amostra aleatória desses grupos é então selecionada e todos os assuntos dentro do grupo são medidos. Por exemplo, imagine que você está tentando fazer um estudo sobre diretores de escolas em seu estado. A coleta de dados de cada diretor de escola teria um custo proibitivo e demoraria. Usando um método de amostragem por conglomerado, você seleciona aleatoriamente cinco condados de seu estado e, em seguida, coleta dados de cada sujeito em cada um desses cinco condados.
2. Amostragem de não probabilidade
A amostragem de não probabilidades, por outro lado, envolve a seleção de participantes usando métodos que não dão a cada subconjunto de uma população uma chance igual de ser representado. Por exemplo, um estudo pode recrutar participantes de voluntários. Um problema com esse tipo de amostra é que os voluntários podem diferir dos não voluntários em certas variáveis, o que pode dificultar a generalização dos resultados para toda a população.
Existem também alguns tipos diferentes de amostragem de não probabilidade:
- Amostragem de conveniência envolve o uso de participantes em um estudo porque são convenientes e estão disponíveis. Se você já se apresentou como voluntário para um estudo de psicologia conduzido pelo departamento de psicologia de sua universidade, então você participou de um estudo que se baseou em uma amostra de conveniência. Os estudos que contam com a solicitação de voluntários ou com a utilização de amostras clínicas disponíveis ao pesquisador também são exemplos de amostras de conveniência.
- Amostragem propositiva envolve a busca de indivíduos que atendam a certos critérios. Por exemplo, os profissionais de marketing podem estar interessados em saber como seus produtos são percebidos por mulheres entre 18 e 35 anos. Eles podem contratar uma empresa de pesquisa de mercado para conduzir entrevistas por telefone que procuram e entrevistam intencionalmente mulheres que atendam aos critérios de sua idade.
- Amostragem de cota envolve a amostragem intencional de proporções específicas de cada subgrupo dentro de uma população. Por exemplo, pesquisadores políticos podem estar interessados em pesquisar as opiniões de uma população sobre uma determinada questão política. Se eles usarem uma amostragem aleatória simples, eles podem perder certos subconjuntos da população por acaso. Em vez disso, eles estabelecem critérios para atribuir a cada subgrupo uma certa porcentagem da amostra. Ao contrário da amostragem estratificada, os pesquisadores usam métodos não aleatórios para preencher as cotas de cada subgrupo.
Saiba mais sobre algumas das maneiras pelas quais as amostras de probabilidade e não probabilidade diferem.
Erros de amostragem
Como a amostragem naturalmente não pode incluir todos os indivíduos de uma população, podem ocorrer erros.
As diferenças entre o que está presente em uma população e o que está presente em uma amostra são conhecidas como erros de amostragem.
Embora seja impossível saber exatamente quão grande pode ser a diferença entre a população e a amostra, os pesquisadores são capazes de estimar estatisticamente o tamanho dos erros de amostragem. Em pesquisas políticas, por exemplo, você costuma ouvir falar da margem de erros expressa por certos níveis de confiança.
Em geral, quanto maior o tamanho da amostra, menor o nível de erro. Isso ocorre simplesmente porque, à medida que a amostra se torna mais perto de atingir o tamanho da população total, mais provável é que capture com precisão todas as características do população. A única maneira de eliminar completamente o erro de amostragem é coletar dados de toda a população, o que geralmente é muito caro e demorado. Erros de amostragem podem ser minimizados, no entanto, usando testes de probabilidade aleatórios e um grande tamanho de amostra.
