Você está na página 1de 7

Amostragem em Pesquisas

A pergunta-chave feita pelos leigos em pesquisa sempre a mesma: como possvel descobrir o que pensa a totalidade das pessoas quando se interroga apenas um pequeno nmero delas? Uma explicao completa da teoria ... Uma explicao completa da teoria matemtica pode ser encontrada em livros sobre estatstica e probabilidades. Os pontos mais importantes so citados a seguir, informalmente.

Princpio I: Probabilidade

Quando a dona de casa quer saber se colocou bastante sal na sopa, toma uma colherada, prova-a, e tira suas concluses, que no se referem apenas pequena amostra, mas a totalidade. Ela no necessita tomar um prato nem a sopa toda para se assegurar do paladar. Analogamente, quando se necessita fazer um exame de sangue, obviamente no ser necessrio retirar o sangue todo. Uma pequena amostra colhida em um tubo de ensaio suficiente para qualquer laboratrio de anlises clnicas. O que fizeram essas pessoas? Confiaram no primeiro princpio da teoria da amostragem: a probabilidade dos eventos acontecerem. possvel 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. possvel que o sangue colhido contenha mais ou menos glbulos vermelhos que o restante do sangue no corpo do paciente. Mas, a probabilidade de que isto acontea pequena: quantas vezes o teste da sopa ou o exame de sangue falham? Poucas. A proporo entre os sucessos e o nmero total de testes ou exames representa o que na teoria chamado de grau de confiana. Ele indica a probabilidade de que a amostra escolhida representa bem o todo que se queria estudar ou inferir.

Princpio II: Casualidade

Ao desenvolver o trabalho de pesquisa, a escolha dos elementos da amostra precisa ser aleatria: em outras palavras, a probabilidade de escolher cada pessoa para ser parte da amostra deve ser a mesma. Logo, para no sermos tendenciosos, a escolha deve se dar ao acaso. O acaso pode ser baseado em tabelas de nmeros aleatrios (disponveis em livros sobre estatstica), em programas de computador ou em mtodos ao alcance de qualquer pessoa (como por exemplo, o uso de sacos ou caixas numeradas e um mtodo de sorteio bingo, dados para a escolha dos sacos ou caixas). O fundamental que se a amostra deve representar bem o conjunto todo, ento necessrio 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 : Por que nunca fui escolhido para uma entrevista com tantas pesquisas de mercado e de opinio existentes? As respostas a essa pergunta so: Se a pessoa nunca foi escolhida, isto fruto do acaso. Todas as pessoas tm a mesma probabilidade de serem escolhidas. Mas, se a populao de 180 milhes de pessoas e as amostras construdas nunca excedem uns poucos milhares de pessoas, a probabilidade de ser escolhido semelhante a de ganhar na loteria. Certamente voc conhece mais pessoas que participaram de alguma pesquisa do que pessoas que ganharam na loteria, porque so realizadas muito mais pesquisas do que sorteios da loteria!

Princpio III: a Lei dos Grandes Nmeros

Ao desenvolver pesquisas, sempre partimos da suposio de que os entrevistados so honestos, corretos e dispostos a colaborar quando respondem s nossas perguntas. Mas sabemos que h sempre os chamados no respostas, ou seja, respostas erradas. Suponha que voc seja uma das pessoas que forneceu uma resposta errada: numa entrevista voc perguntado sobre qual era a cor da ltima camisa

que voc comprou. Suponhamos que a camisa que voc comprou era azul, mas nesse dia voc est mal-humorado e diz ao entrevistador que a camisa era vermelha. Segundo a Lei dos Grandes Nmeros, respostas falsas sero

compensadas. Isto , h uma alta probabilidade de que outras respostas erradas compensem sua mentira (por exemplo, uma pessoa envergonhada por ter comprador uma camisa vermelha, vai responder que comprou uma camisa azul). Mas, a Lei dos Grandes Nmeros s se aplica se as mentiras dos interrogados ocorrem ao acaso. Por exemplo, se a pesquisa aborda apenas homens homossexuais em um pas onde estes so discriminados, o nmero de respostas mentirosas tende a ser maior, por exemplo, para as cores de camisa comumente associadas s mulheres (como o rosa). Por isso, preciso tomar cuidado com as perguntas: h um limite para o que se pode perguntar as pessoas, se voc deseja respostas honestas e corretas! Entretanto, pode se tornar evidente somente durante o desenvolvimento da pesquisa que a as respostas a uma dada pergunta se desvia da verdade para um nmero muito grande de interrogados. Se este desvio no ocorre ao acaso, ento a pergunta tem que ser reformulada, ou abandonada definitivamente. Resumindo, a Lei dos Grandes Nmeros pressupe que os desvios da verdade devem ocorrer ao acaso: algumas vezes em uma direo e outras na direo oposta. Assim, na totalidade da amostra os desvios acabam se anulando. Se esta premissa no for satisfeita, ento os resultados da pesquisa sero distorcidos.

Universo, amostras e margens de erro

Ao desenvolver pesquisas de mercado, a amostra uma parte pequena da populao. Mas, exatamente de qual populao estamos falando? No caso de pesquisas eleitorais, a populao limitada aos cidados com direito a voto. Se a pesquisa sobre tcnicas de realizao de exames de sangue, ento a populao composta pelos tcnicos em exames de sangue que trabalham em laboratrios clnicos e hospitais. O conjunto de pessoas ou empresas que formam o alvo da pesquisa chamado de universo da pesquisa.

(Alguns autores usam o termo populao como sinnimo de universo. Entretanto, optamos pelo uso do termo universo para evitar a associao do termo populao com as pessoas: quando a pesquisa tem como alvo o mercado empresarial, a populao composta por empresas e no por pessoas!) Em outras palavras, universo significa o conjunto de todas as espcies que entram na mira da investigao. A amostra o subconjunto extrado ao acaso deste universo. Note que o universo pode ser constitudo de pessoas, mas pode ser tambm constitudo de lares, casas novas, um determinado tipo de empresas, etc. O ltimo conceito associado a pesquisas a margem de erro. Considere este exemplo: foi encomendada uma pesquisa com o objetivo de descobrir quantas residncias dispem de forno de micro-ondas na nossa cidade. Se interrogarmos todas as donas de casa, no haveria margem de erro (ou, diremos, a margem de erro ser zero), porque nossa amostra ter sido exaustiva: nossa amostra seria igual ao universo da pesquisa. Obviamente, as despesas geradas com pesquisas exaustivas so muito grandes (a menos que o universo seja muito pequeno). Se a pesquisa exaustiva for financeiramente invivel, ento optamos por entrevistar apenas uma amostra aleatria das residncias. Ento, nossos resultados sero semelhantes, mas no iguais, aos resultados obtidos na pesquisa exaustiva. A diferena entre estes resultados chamada de margem de erro. Na prtica, quando a pesquisa exaustiva no feita, ento no possvel determinar a margem de erro com preciso; ainda assim, gostaramos 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 indicadas com o sinal e um percentual: isto indica que o valor real, comparado com o resultado da pesquisa est no mximo x pontos percentuais acima ou abaixo do resultado obtido na pesquisa. Por exemplo, se interrogamos duas mil donas de casa e 1.725 afirmarem dispor de um forno de micro-ondas, a pesquisa resulta em 86% (1725/2000). Qual a margem de erro? intuitivo ( justificado teoricamente pela Lei dos Grandes Nmeros) 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 relao entre o tamanho da amostra, a margem de erro e o tamanho do universo s pode

ser descrita por uma funo matemtica complexa. Esta relao analisada em profundidade na prxima seo.

Determinao estatstica do tamanho das amostras

O cliente normalmente oscila entre dois extremos ao encomendar uma pesquisa: de um lado, no deseja uma amostra grande por causa do custo que acarreta, do outro no acredita na amostra que, na sua opinio, demasiado pequena. O problema do tamanho da amostra no pode ser subestimado, mas menos importante do que a composio da amostra. Quanto mais uniforme for o universo do qual extrada a amostra, menor pode ser a amostra. Se o universo no for uniforme, deve ser feita uma tentativa de dividi-lo em camadas uniformes. o que chamamos de amostragem estratificada, subgrupos ou sub-amostras, para garantir que o universo seja representado apropriadamente. Em teoria, a amostra de probabilidade concede a cada um dos membros do universo exatamente a mesma oportunidade de ser escolhido. Antes de entrarmos na discusso dos vrios mtodos de amostra, importante ressaltar que o resultado est diretamente relacionado disponibilidade financeira destinada a pesquisa. Normalmente, o pagamento dos pesquisadores de campo constituem a maior parte da despesa de uma pesquisa. Eles podem ser contratados por diria (com quotas definidas de questionrios) ou por produtividade (quantidade de questionrios). O oramento a chave para se dimensionar o tamanho da amostra, assim como a metodologia utilizada. No entanto, o ponto chave da questo, representado pela relao entre o tamanho da amostra, o tamanho do universo e a margem de erro destas pesquisas, dificilmente esclarecido. Parece-nos que a razo principal para a omisso desta informao dos meios de comunicao de massa a sua aparente complexidade matemtica: o clculo da margem de erro uma funo to complexa que nem os estatsticos a utilizam diretamente. Habitualmente, os estatsticos se valem de uma tabela j pronta, contendo os resultados j prontos para as situaes mais comuns. A margem de erro depende do tamanho da amostra e do tamanho do universo. Assim, quanto maior for o tamanho do universo, o mesmo tamanho de amostra resulta em uma margem de erro menor. Inversamente, em universos

pequenos so necessrias amostras muito maiores para atingir uma margem de erro razovel. Qual o tamanho adequado? A tabela abaixo relaciona o tamanho do universo a ser estudado (populao total) com a margem de erro desejada para a pesquisa, com um coeficiente de confiana de 95,5%:

Conclumos com alguns exemplos representativos de aes de marketing em empresas da rea de informtica: - Considere o universo das empresas instaladas no Brasil com faturamento anual superior a R$ 5.000.000. Estimamos que o nmero destas empresas esteja prximo de cem mil. Uma amostra de apenas cem empresas (0,1% do total) j resulta em uma margem de erro de 10%. Para obter uma margem de erro de 5%, a amostra deve ser de 400 empresas; para uma margem de erro de 2%, a amostra deve ser de 2500 empresas. - Analise agora todas as empresas prestadoras de servios de informtica, estimado em cinco mil empresas. Para uma margem de erro de 2%, necessrio entrevistar 33% das empresas (1.667). J para uma margem de 4% suficiente uma

amostra de 11% do total, e para uma margem de 10% basta entrevistar apenas 2% do total. - Considere o universo das 500 maiores empresas do pas. Para uma margem de erro de 10%, preciso obter dados de 85 delas, ou seja, usar uma amostra de 17%. J se a margem de erro considerada razovel for de 5%, necessria uma amostra de 45% (225 empresas). - Finalmente, considere as 350 universidades e faculdades que ministram cursos superiores na rea de informtica e/ou computao. Neste caso, uma amostra de 25% resulta em uma margem de erro de 10%; para atingir uma margem de erro de 5% seria necessria uma amostra de 65%!

Material disponvel em: < http://www.mbi.com.br/mbi/biblioteca/tutoriais/amostragem/>. Acesso em 9 de maio de 2013.