Os 10 tipos de amostragem (características e usos) - Médico - 2023

Contente

Imagine que você queira fazer um estudo de mercado para ver quantas pessoas usam fones de ouvido sem fio e precisa ter dados sobre toda a população de um país com uma população de, digamos, 50 milhões de pessoas. O que você faria? Ir de pessoa para pessoa para ver se eles usam fones de ouvido sem fio até que tenham 50 milhões?

Isso é ineficiente. Mais do que tudo, quando você terminasse, eles já teriam inventado os fones de ouvido quânticos. O que você certamente terá que fazer é selecione uma pequena amostra representativa da população total e ver se eles usam ou não esses fones de ouvido.

Ou seja, você pegaria, por exemplo, 1.000 pessoas e analisaria os resultados enquanto espera poder extrapolá-los para a população em geral. Se desses 1.000, 230 usam fones de ouvido sem fio, você aplica a proporção e tem a dos 50 milhões, com certeza e de acordo com o estudo estatístico, você tem que 11 milhões e meio de pessoas usam esses fones de ouvido.

Isso é conhecido nas estatísticas como amostragem. E no artigo de hoje, depois de ver este exemplo para entender o que é, vamos analisar suas utilidades nas ciências sociais e da saúde e ver que tipos existem.

Recomendamos que você leia: "Os 5 principais tipos de diagnóstico médico (e suas características)"

O que é uma amostra?

A amostragem é uma técnica estatística que consiste em selecionar uma pequena amostra dentro de uma população total para obter resultados mensuráveis que podem ser extrapolados para toda a população.. Ou seja, escolhemos uma amostra aleatória representativa de todo o grupo.

Com isso, não só economizam-se recursos e tempo, mas também permitem estudos estatísticos que seriam impossíveis de realizar tentando tomar o total de uma população, seja de pessoas ou de qualquer outro fator que precisemos quantificar.

Evidentemente, um resultado 100% confiável não será obtido, mas é representativo. E com isso, já temos mais que o suficiente para fazer aproximações, ter uma imagem bastante fiel da realidade total e iniciar os processos tecnológicos, sociais, mercadológicos ou científicos de que necessitamos.

Se uma amostragem for bem feita (muitos fatores de matemática e estatística entram em jogo que escapam ao aspecto informativo deste artigo), podemos estar convencidos de que a probabilidade de a amostra representar bem a população total é muito alta.

Para isso, devemos ter muita clareza sobre o tamanho da amostra que vamos coletar, qual deve ser a diversidade entre os elementos, quais fatores podem distorcer os resultados e a extrapolação, se teremos que fazer várias amostragens ou se é o suficiente para nós com um, etc. É por esta razão que amostragens bem conduzidas devem atender a muitos requisitos para garantir que seja uma amostra representativa e extrapolada.

Neste sentido, a amostragem é uma parte fundamental da estatística inferencial, que, ao contrário do descritivo, permite extrapolar os resultados de um subconjunto da população para a população total.

Em resumo, amostragem é um procedimento estatístico que consiste em selecionar e analisar um subconjunto representativo e mais ou menos aleatório (mais adiante entraremos nisso) de uma população para extrapolar os resultados à totalidade dela.

Você pode estar interessado: "Os 10 tipos de exames de sangue (e seus usos)"

Como as amostras são classificadas?

Uma vez que entendemos o que é uma amostragem e por que eles são tão importantes na estatística inferencial, podemos agora começar a analisar as particularidades dos diferentes tipos. A primeira divisão é feita com base no fato de a amostragem ser aleatória ou não aleatória.. E dentro de cada um desses ramos, existem subtipos. Vamos lá.

1. Amostragem aleatória ou probabilística

A amostragem aleatória, também conhecida como probabilística, é a que melhor atende à definição que demos de “amostragem”. Neste caso, todos os indivíduos ou elementos da população podem fazer parte do subconjunto ou amostra. Ou seja, qualquer pessoa pode ser selecionada.

Como podemos imaginar, é o mais fiel à realidade, pois é realmente aleatório e, portanto, representativo. Portanto, essa amostragem probabilística é quantitativa (dá números muito fiéis à realidade), mas requer um maior investimento de tempo e recursos financeiros e materiais.

Dependendo de como a amostragem é feita, esta técnica aleatória ou probabilística pode ser de diferentes subtipos: simples, estratificada, agrupada ou sistemática. Vamos ver suas peculiaridades.

1.1. Amostragem simples

Amostragem simples é aquela em que tudo é deixado ao acaso, por isso é a que garante uma maior representatividade da amostra em relação ao total da população. Nós nos explicamos. Pegamos toda a população e, a partir dela, selecionamos uma amostra.

Pense em quando você fez um amigo invisível. Todos os seus amigos colocam seus nomes em papéis dentro de uma sacola e, assim que estão todos, cada um tira um pedaço de papel. Tudo depende do acaso. De toda a população (todos os amigos), apenas uma amostra (um nome) é sorteada.

Este é o princípio seguido com a amostragem simples. Sua vantagem é que é a técnica que dá maior aleatoriedade, mas já foi visto que só eficaz quando a população total é pequena. Se for muito grande, esta amostra simples não é mais representativa.

1.2. Amostragem estratificada

Amostragem estratificada é aquela em que, como o próprio nome sugere, dividimos a população total em estratos. Ou seja, pegamos uma população e Nós o dividimos em segmentos ou grupos, fazendo com que os membros de cada um desses estratos compartilhem características comuns. As propriedades a serem compartilhadas dependerão do estudo que você está fazendo. Sexo, idade, renda mensal, bairro, cidade, profissão, estudos ... Vale tudo.

Depois de ter a população dividida, você seleciona amostras de cada um desses estratos para analisá-los individualmente e, posteriormente, extrapolar a soma de todos eles para a população geral. Isso é útil em grandes populações, quando você precisa que todos os grupos sejam representados, evitando assim que a amostra seja representativa apenas de um determinado segmento da população.

1.3. Amostras agrupadas

A amostragem de cluster é uma modificação da anterior. Dividimos a população em estratos e a analisamos, mas não extrapolamos essa amostra para a população total. Ou seja, segmentamos a população como no anterior, mas não colocamos todos esses grupos juntos, mas ficamos com apenas alguns em particular.

Neste sentido, clusters são um subconjunto da população que foi selecionado aleatoriamente como um grupo representativo. Imagine que você queira analisar a aptidão dos professores de uma universidade. Você os divide em departamentos e seleciona um (ou alguns) aleatoriamente. Esse será o seu conglomerado. Sua amostra para estudar.

1.4. Amostragem sistemática

A amostragem sistemática é uma variação da simples que torna a aleatoriedade total possível dentro de uma população sem ter que segmentá-la em estratos ou clusters. O princípio matemático parece mais complexo, mas a verdade é que é bastante simples.

Imagine que você queira estudar os hábitos alimentares das crianças em uma escola. Para ter uma amostra confiável sem ter que criar estratos, você precisa de 200 alunos. Digamos que a escola tenha 2.000 alunos e você tenha acesso a uma lista com todos eles.

Com a amostragem sistemática, o que fazemos é dividir o número total de alunos (N) pelo número de alunos que você deseja em sua amostra (n), obtendo o que é conhecido nas estatísticas como o valor k. Nesse caso, 2.000 dividido por 200 nos dá um valor k de 10.

Agora, escolheríamos um número aleatoriamente entre 1 e k. Ou seja, entre 1 e 10, neste caso. Digamos que o número aleatório seja 7. Quando você tem esse valor, você sabe que o primeiro aluno da amostra será o sétimo da lista. E o segundo, o 14 (7 +7). E o terceiro, o 21. E assim por diante até ter um total de 200 alunos selecionados aleatoriamente entre esses 2.000.

2. Amostragem não aleatória ou não probabilística

A amostragem não aleatória, também conhecida como amostragem não probabilística, se afasta um pouco mais da definição que demos de “amostragem”. O nome é um pouco injusto, pois não há aleatoriedade alguma, mas é menos aleatório que o anterior.

Neste caso, nem todos os membros da população podem ser selecionados. Ou seja, não partimos de uma população total da qual selecionamos uma amostra, mas partimos de uma população tendenciosa.

Isso acontece ou porque há influências das pessoas que fazem a amostragem (querem que os resultados sejam sorteados para um local específico), porque é impossível coletar toda a população para tirar amostras totalmente aleatórias ou porque é simplesmente mais confortável .

Como nem tudo é deixado ao acaso, a amostragem não é tão rigorosa. Portanto, apesar de esses estudos estatísticos não exigirem tantos recursos financeiros ou tempo, os resultados obtidos são qualitativos, mas não quantitativos. Ou seja, permite uma aproximação às características da população total, mas não é possível (exceto em casos muito específicos quando temos quase toda a população) fornecer dados numéricos.

Dentro da amostragem não probabilística temos a amostragem por conveniência, cota, discricionária e "bola de neve". Vamos ver as particularidades de cada um deles.

2.1. Amostragem de conveniência

A amostragem de conveniência é, para nós entendermos, o tipo preguiçoso de amostragem. Neste caso, da população total, Nós apenas coletamos uma amostra do grupo que temos mais próximo. A conveniência e velocidade são muito maiores, mas a amostra nunca será representativa da população total.

Imagine que você queira fazer uma pesquisa para ver quantas pessoas fumam na sua cidade. Você vai fazer isso em toda a sua cidade, bairro por bairro, ou vai apenas dar uma volta pela sua vizinhança para obter os resultados rapidamente? Certamente a segunda opção. Portanto, na amostragem de conveniência, estamos distorcendo a população total e coletando uma amostra dentro de um subconjunto selecionado não aleatoriamente, mas por conveniência.

2.2. Amostragem de cota

A amostragem de cota é, para nós entendermos, o tipo de amostragem em que parece que muito está dominado mas que esconde preguiça. Imagine que queremos fazer o mesmo estudo com pessoas que fumam, mas você deseja investigá-lo apenas em um grupo específico da população.

Vamos colocar menores de 18 anos sem estudos. A amostragem é muito específica, o que é bom. O problema é que não só esse viés populacional depende do autor do estudo, mas, novamente, você não vai reunir toda a população de menores de 18 anos sem estudos em sua cidade, muito menos em seu país. . Como antes, apesar de ter feito estratos (como fizemos na amostragem probabilística), a seleção da amostra não é aleatória.

2.3. Amostragem discricionária

Em amostragem discricionária é diretamente o pesquisador que decide quais critérios seguir para selecionar sua amostra. Não partimos de uma população total e também se baseia em uma premissa subjetiva, mas se o pesquisador tem experiência em estudos estatísticos e sabe muito bem de qual população precisa, ele pode ser útil em alguns estudos.

2.4. Amostragem de bola de neve

Amostragem em bola de neve ou cadeia é o tipo de amostragem que realizada quando é difícil acessar toda a população. Um exemplo é como isso é melhor entendido. Imagine que você queira fazer um estudo sobre os padrões de sono entre usuários de cocaína. Levando em conta não só a periculosidade de entrar nessa comunidade, mas também que as pessoas nunca diriam que usam drogas, existe um problema.

O acesso é resolvido se você consegue entrar em contato com um usuário de cocaína, que confia em você e quer lhe dar informações. Eles poderão entrar em contato com outros consumidores, a quem farão as perguntas de que você precisa. Obviamente, os resultados não são verdadeiros. Já que você não só faz parte de uma população de 1 consumidor (seu "infiltrado"), mas isso só vai falar com pessoas em quem você tem confiança. Não há aleatoriedade em lugar nenhum, mas é o último recurso quando certas populações são de difícil acesso.