Parte do todo
Quando eu cozinho, gosto de seguir receitas, mas também gosto de prepará-las. Então, sigo os passos - picar, misturar, mexer, assar, ferver, etc. Mas, ao longo do caminho, posso adicionar um pouco disso ou uma colher de sopa daquilo para tornar o prato um pouco mais interessante. Eu não apenas despejo em um saco inteiro de tempero, no entanto; Eu adiciono um pouco até que tenha o gosto certo. Como posso saber quando parar? Bem, eu continuo provando até que tenha o sabor certo.
Esses pequenos sabores me permitem testar as mudanças no prato sem ter que comer tudo. Quer dizer, isso seria uma coisa muito boba de se fazer, certo? Posso presumir que minha pequena colher representa o resto da panela no fogão - não há razão para que eu tenha que continuar testando o sabor, a menos que acrescente algo novo. Caso contrário, posso apostar com segurança que o que tenho para minha refeição terá o mesmo gosto que aquela pequena amostra em minha colher.
Os cientistas costumam fazer os mesmos tipos de suposições sobre uma população , que são todos os membros de um grupo em estudo. Uma população pode ser composta de qualquer coisa: pessoas, árvores, famílias, carros, frascos de xampu ... tudo o que você está estudando.
As suposições sobre a população baseiam-se em uma amostra , que é uma pequena porção que representa as características da população geral. Assim como minha colher aleatória de comida deve representar o sabor do resto do prato, uma amostra científica aleatória deve representar o que o resto da população é.
Amostragem Aleatória Simples
A aleatoriedade da amostragem é muito importante. Se sua amostra não for aleatória, ela não representará de maneira justa as características da população.
Vamos pensar sobre isso em termos de seu jantar. Se, por exemplo, o prato que você fez era uma sopa de legumes, há muitas características diferentes para representar. Há o caldo, os vegetais individuais, como cenoura, aipo e cebola e, claro, qualquer queijo ou macarrão que você possa ter misturado. Se você pegasse uma colher de sopa para provar, uma amostra aleatória significaria que você apenas mergulhou sua colher aleatoriamente, dando a cada pedaço de vegetal, queijo e macarrão uma boa chance de ser selecionado todas as vezes.
Mas se você evitasse as cenouras propositalmente cada vez que amostrasse, isso não seria aleatório. Sua amostra não seria uma representação verdadeira da população geral de sopa porque nenhuma cenoura jamais seria amostrada!
Uma maneira de evitar enviesar sua amostra dessa maneira é usar uma técnica chamada amostragem aleatória simples . Para que a amostra seja aleatória, cada indivíduo deve ter oportunidades iguais de ser selecionado, e cada seleção individual é independente das outras. O que isso significa é que cada indivíduo na população tem uma chance razoável de ser selecionado, mas que as seleções não influenciam umas às outras de forma alguma.
Amostragem Sistemática
Outro tipo útil de amostragem é a amostragem sistemática . É quando as amostras são selecionadas em intervalos específicos e predeterminados. Isso é freqüentemente usado quando a amostragem aleatória simples seria muito demorada.
Por exemplo, uma mercearia pode fazer uma pesquisa a cada décimo cliente a fim de coletar informações sobre suas experiências de compra. Dessa forma, a amostra ainda é aleatória, mas também é definida em um determinado intervalo para coletar informações sobre a população.
O segredo da amostragem sistemática é que, embora o intervalo seja predeterminado, o ponto inicial deve ser aleatório. Você não deseja que o primeiro ponto de amostragem seja sempre o primeiro cliente do dia, porque a loja provavelmente terá mais compradores à noite do que de manhã, o que pode influenciar sua amostra. Se, no entanto, você selecionar aleatoriamente uma hora do dia para iniciar a amostragem, isso garante que sua amostra seja igualmente distribuída ao longo do tempo que sua loja estiver aberta.
Amostragem Estratificada
Às vezes, em vez de escolher um indivíduo aleatório, é mais apropriado selecionar entre diferentes categorias da população. Quando isso é feito, chamamos de amostragem estratificada . Essas categorias são chamadas de 'estratos', daí o nome desse tipo de método de seleção. Cada categoria, ou estrato, é considerada uma subpopulação da qual os indivíduos são amostrados.
A amostragem estratificada é usada quando as características da população não podem ser amostradas aleatoriamente como um todo. Você já respondeu a uma pesquisa em que lhe perguntaram a qual faixa etária você pertence? Que tal sua corrida? Você provavelmente também foi questionado sobre seu gênero, certo?
Quando você seleciona uma faixa etária de 20-29, 30-39, 40-49; marque uma caixa para 'Caucasiano,' 'Nativo americano' ou 'Hispânico;' e indique se você é 'homem' ou 'mulher', permite aos autores da pesquisa agrupar indivíduos em certas categorias antes de selecionar indivíduos aleatórios para uma amostra. Provavelmente não faz muito sentido agrupar pessoas de 20 anos com pessoas de 70 ao perguntar sobre cuidados de saúde, nem sempre é benéfico combinar homens e mulheres ao estudar empregos, salários ou outras informações de emprego. É dessa forma que a amostragem estratificada permite a seleção de amostras aleatórias, mas de populações menores e mais comparáveis.
Amostras agrupadas
Semelhante à amostragem estratificada, mas categorizada de forma mais ampla, é a amostragem por conglomerados . É quando as populações são divididas em grupos, que são então amostrados aleatoriamente. Portanto, em vez de amostrar indivíduos aleatoriamente de cada subconjunto da população, os próprios subconjuntos são amostrados.
Digamos, por exemplo, que você deseja fazer uma pesquisa política em uma grande cidade como Atlanta. Seria muito demorado e caro usar uma amostragem aleatória simples, porque você pode selecionar aleatoriamente indivíduos que estão espalhados por toda a cidade, e você teria que dirigir até cada casa individual para obter suas informações.
Se, no entanto, você usasse a amostragem por conglomerados, definiria os conglomerados dentro da cidade, digamos um tamanho de uma milha quadrada cada, e então selecionaria aleatoriamente quais conglomerados visitar. E em vez de amostrar indivíduos aleatórios, você visitaria cada uma das casas dentro de cada agrupamento. Quando selecionados aleatoriamente, os clusters podem representar o todo (como a cidade de Atlanta), mas com muito menos tempo e esforço.
Resumo da lição
Como qualquer bom chef sabe, você só precisa de uma pequena colherada para entender o gosto de uma panela inteira de sopa. Os cientistas também sabem disso e usam uma variedade de técnicas de amostragem para fazer inferências sobre uma população.
Para que uma amostra seja representativa da população, ela deve ser aleatória. A amostragem aleatória simples leva isso a sério e, nessa técnica, cada indivíduo deve ter a mesma oportunidade de ser selecionado, e cada seleção individual é independente das outras.
A amostragem sistemática tem uma abordagem mais ordenada porque as amostras são selecionadas em intervalos específicos. Contanto que o ponto de partida seja selecionado aleatoriamente, a amostragem sistemática pode ser a cada 100º cliente, a cada 3ª árvore ou a cada 140º pacote de ração para cães na fábrica.
A amostragem estratificada é usada para selecionar diferentes categorias dentro da população. Ao agrupar indivíduos em categorias relevantes (como idade ou sexo), os cientistas podem selecionar aleatoriamente amostras de populações menores que são mais semelhantes entre si.
Finalmente, a amostragem por conglomerados é usada para dividir as populações em conglomerados, que são então amostrados aleatoriamente. Em vez de amostrar indivíduos, os próprios conglomerados são selecionados aleatoriamente para representar a população como um todo.
Resultado de aprendizagem
Você deve ser capaz de descrever quatro técnicas de amostragem que permitem aos cientistas fazer inferências sobre uma população depois de concluir esta lição.