Métodos e Técnicas de Investigação em Psicologia - Parte 5

Prévia do material em texto

Métodos e Técnicas em Psicologia
Métodos e Técnicas em Investigação
AMOSTRAGEM EM PESQUISA
A pergunta-chave feita em pesquisa é sempre a mesma:
“como é possível descobrir o que pensa a totalidade das
pessoas quando se interroga apenas um pequeno número
delas?”
Uma explicação completa da teoria matemática pode ser
encontrada em livros sobre estatística e probabilidades.
AMOSTRAGEM EM PESQUISA
Princípio I: Probabilidade
Quando a dona de casa quer saber se colocou bastante sal
na sopa, toma uma colherada, prova-a, e tira as suas
conclusões, que não se referem apenas à pequena amostra,
mas à totalidade. Ela não precisa comer um prato nem a
sopa toda para se assegurar do paladar.
Analogamente, quando se precisa fazer um exame de
sangue, obviamente não será necessário retirar o sangue
todo. Uma pequena amostra colhida num tubo de ensaio é
suficiente para qualquer laboratório de análises clínicas.
AMOSTRAGEM EM PESQUISA
Princípio I: Probabilidade
O que fizeram essas pessoas?
Confiaram no primeiro princípio da teoria da amostragem:
a probabilidade dos eventos acontecerem.
É possível que a dona de casa tenha experimentado justo
aquela parte da sopa que tinha mais ou menos sal que o
restante da sopa na panela.
É possível que o sangue colhido contenha mais ou menos
glóbulos vermelhos que o restante do sangue no corpo do
paciente.
AMOSTRAGEM EM PESQUISA
Princípio I: Probabilidade
Mas, a probabilidade de que isto aconteça é pequena:
quantas vezes o teste da sopa ou o exame de sangue falham?
Poucas.
A proporção entre os sucessos e o número total de testes ou
exames representa o que na teoria se chama de “grau de
confiança”.
O grau de confiança indica a probabilidade de que a amostra
escolhida representa bem o todo que se queria estudar ou
inferir.
AMOSTRAGEM EM PESQUISA
Princípio II: Casualidade
Ao desenvolver o trabalho de investigação, a escolha dos
elementos da amostra deve ser aleatória: por outras palavras, a
probabilidade de escolher cada pessoa para fazer parte da
amostra deve ser a mesma.
Logo, para não sermos tendenciosos, a escolha deve se feita ao
acaso.
O acaso pode ser baseado em tabelas de números aleatórios
(disponíveis em livros sobre estatística), em programas de
computador ou em métodos ao alcance de qualquer pessoa
(como por exemplo, o uso de sacos ou caixas numeradas e um
método de sorteio – bingo, dados – para a escolha dos sacos ou
caixas).
AMOSTRAGEM EM PESQUISA
Princípio II: Casualidade
O fundamental é que a amostra represente bem o conjunto
todo, então é necessário garantir a casualidade da escolha.
Simplificando, cada saco tem que ter a mesma probabilidade 
de ser escolhido, sem tendenciosidade.
Outra pergunta que muitas pessoas fazem é: 
“Por que nunca fui escolhido para uma entrevista com tantas 
pesquisas de mercado e de opinião existentes?” 
AMOSTRAGEM EM PESQUISA
Princípio II: Casualidade
As respostas a esta pergunta são:
· Se a pessoa nunca foi escolhida, isto é fruto do acaso.
· Todas as pessoas têm a mesma probabilidade de serem
escolhidas.
Mas, se a população é de 180 milhões de pessoas e as
amostras construídas nunca excedem uns poucos milhares de
pessoas, a probabilidade de ser escolhido é semelhante a de
ganhar na loteria.
AMOSTRAGEM EM PESQUISA
Princípio III: a Lei dos Grandes Números
Ao desenvolver investigações, partimos sempre da suposição
de que os entrevistados são honestos, corretos e dispostos a
colaborar quando respondem às nossas perguntas. Mas
sabemos que há sempre os chamados “não respostas”, ou
seja, respostas erradas.
Suponha que é uma das pessoas que forneceu uma resposta
errada: numa entrevista perguntaram-lhe sobre qual era a cor
da última camisa que comprou.
Suponhamos que a camisa que comprou era azul, mas nesse
dia está mal-humorado e diz ao entrevistador que a camisa
era vermelha.
AMOSTRAGEM EM PESQUISA
Princípio III: a Lei dos Grandes Números
Segundo a Lei dos Grandes Números, respostas falsas serão
compensadas. Isto é, há uma alta probabilidade de outras
respostas erradas compensem a sua mentira (por exemplo,
uma pessoa envergonhada por ter comprado uma camisa
vermelha, vai responder que comprou uma camisa azul).
Mas, a Lei dos Grandes Números só se aplica se as mentiras
dos interrogados ocorrem ao acaso.
AMOSTRAGEM EM PESQUISA
Princípio III: a Lei dos Grandes Números
Por exemplo, se a investigação aborda apenas homens
homosexuais em um país onde estes são discriminados, o
número de respostas mentirosas tende a ser maior, por
exemplo, para as cores de camisa comumente associadas às
mulheres (como o rosa).
Por isso, é preciso tomar cuidado com as perguntas: há um
limite para o que se pode perguntar às pessoas, se deseja
respostas honestas e corretas!
Entretanto, pode tornar-se evidente, somente durante o
desenvolvimento da investigação, que as respostas a uma
dada pergunta se desvia da verdade para um número muito
grande de interrogados.
AMOSTRAGEM EM PESQUISA
Princípio III: a Lei dos Grandes Números
Resumindo, a Lei dos Grandes Números pressupõe que os
desvios da verdade devem ocorrer ao acaso: algumas vezes
em uma direção e outras na direção oposta.
Assim, na totalidade da amostra os desvios acabam por se
anular. Se esta premissa não for satisfeita, então os resultados
da pesquisa serão distorcidos.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
Ao desenvolver estudos de mercado, a amostra é uma parte
pequena da população. Mas, exatamente de qual
“população” a falar?
No caso de estudos eleitorais, a “população” é limitada aos
cidadãos com direito a voto.
Se a investugação é sobre técnicas de realização de exames
de sangue, então a “população” é composta pelos técnicos
em exames de sangue que trabalham em laboratórios clínicos
e hospitais.
O conjunto de pessoas ou empresas que formam o alvo da
pesquisa é chamado de universo da pesquisa.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
Por outras palavras, universo significa o conjunto de todas as
espécies que entram no foco da investigação.
A amostra é o subconjunto extraído ao acaso deste universo.
Note que o universo pode ser constituído por pessoas, mas
pode ser também constituído de lares, casas novas, um
determinado tipo de empresas, etc.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
O último conceito associado à investigação é a margem de
erro.
Considere este exemplo:
Foi encomendada um estudo com o objetivo de descobrir
quantas residências dispõem de forno microondas na nossa
cidade. Se interrogarmos todas as donas de casa, não haveria
margem de erro (ou, diremos, a margem de erro será zero),
porque nossa amostra terá sido exaustiva: a amostra seria
igual ao universo do estudo.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
Obviamente, as despesas geradas com pesquisas exaustivas
são muito grandes (a menos que o universo seja muito
pequeno).
Se a pesquisa exaustiva for financeiramente inviável, então
optamos por entrevistar apenas uma amostra aleatória das
residências.
Então, os nossos resultados serão semelhantes, mas não iguais,
aos resultados obtidos na pesquisa exaustiva.
A diferença entre estes resultados é chamada de margem de
erro.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
Na prática, quando a pesquisa exaustiva não é feita, então
não é possível determinar a margem de erro com precisão;
ainda assim, gostaríamos de ter ao menos uma estimativa da
margem de erro.
Como o valor real pode ficar acima ou abaixo do obtido na
nossa pesquisa, as margens de erro costumam ser indicadascom o sinal ± e um percentual: isto indica que o valor real,
comparado com o resultado da pesquisa está no máximo x
pontos percentuais acima ou abaixo do resultado obtido na
pesquisa.
AMOSTRAGEM EM PESQUISA
Universo, amostras e margens de erro
Por exemplo, se interrogamos duas mil donas de casa e 1.725
afirmarem ter de um forno microondas, a pesquisa resulta em
86% (1725/2000).
Qual é a margem de erro?
É intuitivo (é justificado teoricamente pela Lei dos Grandes
Números) que o uso de amostras maiores, embora implique em
despesas maiores, permite obter margens de erros menores do
que o uso de amostras pequenas.
Mas, a relação entre o tamanho da amostra, a margem de
erro e o tamanho do universo só pode ser descrita por uma
função matemática complexa.
AMOSTRAGEM EM PESQUISA
Determinação estatística do tamanho das amostras
Normalmente oscila entre dois extremos: por um lado, não se
deseja uma amostra grande por causa do custo que
acarreta, por outro não se acredita na amostra é demasiado
pequena.
O problema do tamanho da amostra não pode ser
subestimado, mas é menos importante do que a composição
da amostra.
Quanto mais uniforme for o universo do qual é extraída a
amostra, menor pode ser a amostra.
Amostra Aleatória Simples 
 “Quando cada membro da população tem a mesma
probabilidade de ser escolhido” (Mann, 1970, p.110).
 Evitam-se possíveis erros tendenciosos ou sistemáticos.
 Faz-se uma lista da população e sorteiam-se os elementos
que farão parte da amostra.
 Pode-se utilizar uma tabela de números aleatórios; o uso de
sorteio com papéis numerados.
Amostra Aleatória Estratificada
 Usada quando a população se divide em sub-populações
(estratos) razoavelmente homogenios.
 A amostragem estratificada consiste em se especificar
quantos itens da amostra serão retirados de cada estrato.
 A seleção em cada estrato deve ser aleatóia
Ex: Uma investigação feita em vários bairros numa cidade.
Amostra Aleatória Estratificada
Com número igual de elementos por estrato.
 Dimensão feita pela partilha ótima.
 Dimensão feita pela partilha proporcional.
 Por porcentagem fixa de elementos.
Amostra Aleatória Sistemática
 Elementos escolhidos não por acaso, mas por um sistema
ou método.
Ex: Último de cada 50 registos até 2% do total de registos.
Sorteia-se o primeiro registo, e os restantes serão escolhidos de 10 em
10.
O método exige uma certa organização da população.
Os elementos da população apresentam-se ordenados e
são retirados periodicamente (cada k elementos, um é
escolhido)
Maior distribuição uniforme e consequente maior
representatividade da população e precisão dos
resultados.