Baixe o app para aproveitar ainda mais
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.
Compartilhar