Um intervalo de confiança é um intervalo de valores que provavelmente contém o verdadeiro parâmetro populacional (média, proporção, diferença entre grupos, etc.) com base em uma amostra - e entender o que os intervalos de confiança realmente significam é um dos conceitos mais comumente mal compreendidos em estatísticas. Um intervalo de confiança de 95% não significa que há 95% de chance de o valor verdadeiro estar dentro do intervalo (uma distorção comum); isso significa que se você repetisse o processo de amostragem muitas vezes, cerca de 95% dos intervalos resultantes conteriam o parâmetro verdadeiro. As seções abaixo cobrem o que os intervalos de confiança quantificam e por que eles são essenciais para relatórios científicos honestos, como o tamanho da amostra e o nível de confiança se comparam à largura do intervalo e as fórmulas específicas para intervalos de confiança médios e proporcionais com suas suposições.
O que os intervalos de confiança realmente significam
Um intervalo de confiança quantifica a incerteza em uma estimativa derivada de uma amostra. Quando calculamos um IC de 95% de [48,2, 51,8] para uma média, a interpretação técnica é esta: o procedimento utilizado para gerar este intervalo tem a propriedade de que, em muitas amostras hipotéticas repetidas, 95% dos intervalos produzidos por este procedimento conterão a verdadeira média populacional. O intervalo em si é uma variável aleatória - ele muda conforme a amostra muda - enquanto a verdadeira média da população é fixa e desconhecida.
Essa distinção é importante porque a frase comum "há 95% de probabilidade de a verdadeira média estar neste intervalo" é tecnicamente incorreta nas estatísticas clássicas (frequentistas) - depois de calcular um intervalo específico, ele contém a média verdadeira (probabilidade 1) ou não contém (probabilidade 0), e não sabemos qual. Os 95% aplicam-se ao comportamento de longo prazo do procedimento, e não a qualquer intervalo único. Intervalos de credibilidade bayesianos, uma construção matemática diferente, apoiam a interpretação intuitiva de "probabilidade no intervalo", mas exigem a especificação de uma distribuição anterior. Para o trabalho prático, os ICs frequentistas são adequados e amplamente compreendidos, apesar do sutil problema de interpretação.
Tamanho da amostra, nível de confiança e compensações de largura
A largura de um intervalo de confiança é determinada por três fatores: o tamanho da amostra (n), a variabilidade nos dados (desvio padrão s) e o nível de confiança escolhido (90%, 95%, 99%, etc.). Amostras maiores produzem intervalos mais estreitos porque o erro padrão da média (s/√n) diminui à medida que n cresce – duplicar o tamanho da amostra reduz a largura do intervalo em cerca de 30% (fator de √2). Quadruplicar o tamanho da amostra reduz pela metade a largura. Essa relação de retornos decrescentes é a razão pela qual o planejamento do tamanho da amostra é importante: passar de n=100 para n=400 é um grande ganho, mas de n=400 para n=1600 adiciona menos precisão incremental para 4x o custo de coleta de dados.
Níveis de confiança mais altos produzem intervalos mais amplos porque você precisa de uma margem de erro maior para ter mais certeza de que o intervalo captura o parâmetro verdadeiro. Um IC de 99% é cerca de 31% mais amplo do que um IC de 95% dos mesmos dados; um IC de 99,9% é cerca de 59% mais amplo. Escolha o nível de confiança com base nas consequências de estar errado – pesquisas médicas e aprovações regulatórias normalmente usam 95% ou 99%, enquanto a análise exploratória de negócios pode usar 80% ou 90% para intervalos mais apertados e acionáveis. A calculadora mostra como a largura do intervalo responde a essas escolhas para que você possa escolher um equilíbrio apropriado ao seu contexto de decisão específico.
Fórmulas e suposições
O IC para uma média populacional usa a fórmula x̄ ± t*(s/√n), onde t* é o valor t crítico da distribuição t com n−1 graus de liberdade no nível de confiança escolhido. Para n ≥ 30, a distribuição t é essencialmente idêntica à distribuição normal e você pode usar valores z (1,96 para IC de 95%, 2,576 para IC de 99%). Para amostras menores, os valores t são ligeiramente maiores que os valores z, ampliando o intervalo para levar em conta a incerteza adicional sobre o verdadeiro desvio padrão.
Para uma proporção populacional, a fórmula é p̂ ± z*·√(p̂(1−p̂)/n), onde p̂ é a proporção da amostra. Esta fórmula de proporção requer np̂ ≥ 10 AND n(1−p̂) ≥ 10 para que a aproximação normal funcione - viole isso e use métodos binomiais exatos. Ambas as fórmulas assumem amostragem aleatória independente da população; vieses sistemáticos (amostras de conveniência, autosseleção) invalidam a interpretação do IC, independentemente do tamanho da amostra. Quando as suposições são violadas, o resultado da calculadora pode ser tecnicamente válido, mas enganoso em relação à incerteza real. Sempre verifique as suposições antes de confiar no intervalo.
Intervalos de confiança: quantificando a incerteza
O que realmente significa um intervalo de confiança
Um intervalo de confiança de 95% não significa que há uma probabilidade de 95% de que o parâmetro verdadeiro esteja dentro do intervalo específico que você calculou. Em vez disso, descreve o desempenho do procedimento: se você repetisse o mesmo estudo 100 vezes, aproximadamente 95 dos intervalos resultantes conteriam o valor verdadeiro. Qualquer intervalo único contém o valor verdadeiro ou não — a aleatoriedade está na amostragem, não no parâmetro.
Quando usar Z vs T
Use a distribuição Z quando o desvio padrão da população (σ) for conhecido ou quando n for grande (≥ 30). Para amostras pequenas com σ desconhecido, a distribuição T leva em conta a incerteza adicional ao produzir intervalos ligeiramente mais amplos. Os valores t críticos convergem para valores z à medida que df aumenta — em df = 30, a diferença é menor que 1%.
Tamanho e precisão da amostra
A margem de erro é proporcional a 1/√n. Para reduzir pela metade a margem de erro, você deve quadruplicar o tamanho da amostra. Esta relação explica por que razão as sondagens políticas entrevistam cerca de 1.000 a 1.500 pessoas: para além desse ponto, os ganhos em precisão diminuem rapidamente em relação ao custo da recolha de dados adicionais. O Solucionador de Tamanho de Amostra acima mostra exatamente o que você precisa para qualquer margem de erro desejada.