Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Helena Monteiro
Gabriel Manuel
Universidade Rovuma
Extensão do Niassa
2019
1
Helena Monteiro
Gabriel Manuel
Universidade Rovuma
Extensão do Niassa
2019
2
Índice
1. Introdução................................................................................................................................. 3
7. Cálculo do tamanho da amostra para populações infinitas (> 100.000 elementos) ................. 8
9. Conclusão ............................................................................................................................... 12
1. Introdução
No estudo da estatística, vimos que população é o conjunto de elementos para os quais se deseja
estudar determinada(s) característica(s). Vimos também que uma amostra é um subconjunto da
população. No estudo da inferência estatística, o objectivo principal é obter informações sobre
uma população a partir das informações de uma amostra e aqui vamos precisar de definições mais
formais de população e amostra. Para facilitar a compreensão destes conceitos, iremos apresentar
alguns exemplos a título de ilustração. População, o grupo inteiro de objectos (unidades) dos
quais se pretende obter informações. A população deve ser definida claramente e em termos
daquilo que se pretende conhecer. Amostra uma parte ou subconjunto da população usada para
obter informação acerca do todo.
1.1.Objectivos:
1.1.1. Geral:
Conciliar o estudo da amostragem por meio da inferência estatística;
1.1.2. Específicos:
Dar o conceito de População, amostra e unidade estatística;
Descrever o processo de amostragem a partir de uma população;
Mostrar a obtenção da inferência estatística por meio da população e amostra;
Descrever a distribuição de amostragem com respectivos métodos;
Definir o tamanho de uma população seja ela, finita ou infinita;
4
2. CONCEITOS BÁSICOS
População objecto: É a população total de interesse sobre a qual desejamos obter
informações.
Característica populacional: Este é o aspecto da população que interessa ser medido.
Unidade amostral: Deve ser definida de acordo com o interesse do estudo, podendo ser
uma peça, um indivíduo, uma família, uma fazenda, etc. A escolha deve ser feita no início
da investigação.
Erro amostral: É a diferença entre um resultado amostral e o verdadeiro resultado
populacional.
Amostra: Conjunto formado por um subconjunto da população.
Censo: Exame de todos os elementos da população.
3. Amostragens probabilísticas
Os métodos de amostragem probabilística servem para assegurar uma certa precisão na estimação
dos parâmetros da população, reduzindo o erro amostral. A principal característica dos métodos
de amostragem probabilística reside no facto de que cada elemento da população tem uma
probabilidade conhecida e diferente de zero, de ser escolhida, aquando da tiragem ao acaso para
fazer parte da amostra.
3.1.Tipos de Amostragem
A Amostragem Aleatória Simples;
A Amostragem Aleatória Estratificada;
A Amostragem em Cachos;
A Amostragem Sistemática.
5
estatístico. Geralmente essa conveniência representa uma maior facilidade operacional e baixo
custo de amostragem, porém tem como consequência a incapacidade de fazer afirmações gerais
com rigor estatístico sobre a população.
Por exemplo, suponhamos que queremos saber a opinião de estudantes universitários da
Unirovuma. Para realizar uma amostra probabilística, seria necessário ter acesso a todos os
estudantes universitários da Unirovuma, seleccionar um grupo aleatório e realizar a pesquisa. Já
para realizar uma amostra por conveniência, poderíamos abordar três universidades próximas,
simplesmente porque representam o local onde a população da pesquisa "reside" e perguntar a
alguns estudantes do período matutino que concordam em participar.
As limitações desse tipo de amostragem são óbvias. Analisando o exemplo anterior, poderia
ocorrer que as universidades tenham diferentes estratos sociais e pontos de vista políticos. Além
disso, se eu seleccionar 3 estudantes no período da manhã, pode ser que eles tenham opiniões
distintas dos estudantes do período vespertino e nocturno.
60% das mulheres e 40% homens, e queremos obter uma amostra de 1.000 pessoas, definimos
uma meta de 600 mulheres e 400 homens. Estes objetivos são conhecidos como quotas. Neste
exemplo, teríamos uma quota de gênero de 600 mulheres e 400 homens. Em algumas ocasiões, se
definem quotas não proporcionais à população, para poder aprofundar a análise de um grupo
específico.
Este método apresenta dois inconvenientes: (1) a impossibilidade de limitar o erro neste tipo de
amostragem e (2) evitar o risco de uma parte significativa do estudo. Por exemplo, se num estudo
eleitoral não existia uma quota por regiões, provavelmente irá existir tendências de voto
diferentes em algumas regiões, distorcendo fortemente os resultados globais do estudo.
novos participantes. A bola de neve é usada com frequência para acessar a populações de baixa
incidências e indivíduos de difícil acesso por parte do pesquisador.
Amostra lineal: Cada indivíduo participante deve recomendar outro indivíduo, de forma
que a amostra cresça num ritmo linear.
Amostra exponencial: Cada indivíduo precisa convidar dois ou mais indivíduos a
participar da amostra. Dessa forma, quanto mais gente participar do estudo, mais pessoas
serão adicionadas.
Falta de controle sobre como se constitui a amostra, já que está nas mãos dos próprios
respondentes e seu critério para seleccionar os indivíduos.
Como toda técnica não probabilística, a bola de neve não garante a representatividade, nem
permite saber o grau de precisão.
Do Nível de Confiança;
Fórmula:
𝝈𝟐 (𝒑𝒒)
𝒏=
𝒆𝟐
Onde:
n= Tamanho da amostra
q = % complementar (100-p)
Se desejarmos um nível de confiança bastante alto – superior a 99% aplica-se a fórmula dos três
desvios.
Exemplo: Se for possível admitir que o número de captações de água em profundidade se situam
por volta dos 50%, não ultrapassando esta %, então p=50 e, consequentemente, q=100-50 ou seja
50. Assim, tem-se a equação:
9(500)
𝑛= = 5625
4
Isto é, para atender às exigências estabelecidas, o n.º de captações a analisar seria 5625. Se
todavia, for aceite o nível de confiança de 95% (2 desvios) e um erro máximo de 5% o n.º de
elementos será bem menor. os cálculos.
𝜎2 (𝑝𝑞)
𝑛= 𝑒2
4. (50.50)
𝑛= = 400
25
Convém lembrar que sempre que não seja possível estimar uma percentagem do fenómeno, deve
utilizar-se sempre p=50.
Extensão do universo;
Do Nível de Confiança;
𝝈𝟐 𝒑𝒒𝑵
𝒏=
𝒆𝟐 (𝑵 − 𝟏) + 𝝈𝟐 𝒑𝒒
Onde:
n = Tamanho da amostra;
N = tamanho da população;
σ = nível de confiança escolhido, expresso em números de desvios padrão;
11
p = percentagem do fenómeno;
q = percentagem complementar;
𝒆𝟐 = erro máximo permitido.
Exemplo: Verificar quantos dos 100 empregados de uma cantina cumprem correctamente as
normas de higiene e segurança do trabalho.
Presume-se que esse n.º não seja superior a 30% do total; deseja-se um nível de confiança de 95%
(2 desvios) e tolera-se um erro até 3%. Então, n=90,4 Logo deverão ser pesquisados 90
empregados.
4. (30.70). 1000
𝑛= = 400
(9.9999) + 4. (30.70)
O tamanho "óptimo" de uma amostra, não depende tanto do tamanho da população mas sim de
dois parâmetros estatísticos: a margem de erro e o nível de confiança Margem de erro – Uma
amostra representa aproximadamente (e nunca exactamente) uma população. A medida deste
"aproximadamente" é a chamada margem de erro, e é lido assim: se uma pesquisa tem uma
margem de erro de 2% e a Doença Cardíaca teve 25% de prevalência na amostra recolhida,
podemos dizer que, naquele instante, na população, ela terá uma prevalência entre 23% e 27%
(25% menos 2% e 25% mais 2%).
Nível de confiança, as pesquisas são feitas com um parâmetro chamado nível de confiança,
geralmente de 95%. Estes 95% querem dizer o seguinte: se realizarmos uma outra pesquisa, com
uma amostra do mesmo tamanho, nas mesmas datas e locais e com o mesmo instrumento de
recolha de dados, há uma probabilidade de 95% de que os resultados sejam os mesmos (e uma
probabilidade de 5%, é claro, de que tudo difira).
12
9. Conclusão
Este contexto pretende arrolar as últimas considerações finais ao desafio reconstrutivo da
inferência estatística, particularmente na amostragem. Que contra partida, a palavra estatística
apareceu pela primeira vez no século XVIII e foi sugerida pelo alemão Gottfried Achemmel
(1719-1772). A palavra estatística vem de Status (estado, em latim). As primeiras técnicas
estatísticas surgiram para responder o desenvolvimento social, pela necessidade de tomar
decisões que exigiam o conhecimento numérico dos recursos disponíveis.
Os métodos de amostragem probabilística servem para assegurar uma certa precisão na
estimação dos parâmetros da população, reduzindo o erro amostral. A principal característica dos
métodos de amostragem probabilística reside no facto de que cada elemento da população tem
uma probabilidade conhecida e diferente de zero, de ser escolhida, aquando da tiragem ao acaso
para fazer parte da amostra.
13
10. Bibliografia
CHISTINE, Dancey. Estatística sem Matemática para Psicologia. 3.ed. São Paulo, Artmed
Editora, 2006.
LEVIN, J. Fox James. Estatística para Ciências Humanas. São Paulo, Prentice Hall, 2000.
PESTANA Maria e GAGEIRO, João. Análise de Dados para Ciências Sociais- A
complementaridade do SPSS. 3 ed. Edições Sílabo, 2000.