Amostras é a parte da população que nos ajuda a tirar inferências sobre a população. A coleta de informações completas sobre a população não é possível e é demorada e cara. Assim, precisamos de um tamanho de amostra apropriado para que possamos fazer inferências sobre a população com base nessa amostra.

Um dos problemas mais frequentes na análise estatística é a determinação do tamanho de amostra apropriado. Pode-se perguntar por que o tamanho da amostra é tão importante. A resposta a isso é que um tamanho de amostra apropriado é necessário para a validade. Se o tamanho da amostra for muito pequeno, não produzirá resultados válidos. Um tamanho de amostra apropriado pode produzir a precisão dos resultados. Além disso, os resultados do tamanho pequeno da amostra serão questionáveis. Um tamanho de amostra muito grande resultará em desperdício de dinheiro e tempo. Também não é ético escolher um tamanho de amostra demasiado grande. Não há uma regra geral para determinar o tamanho da amostra. Alguns pesquisadores suportam, no entanto, uma regra de ouro ao usar o tamanho da amostra. Por exemplo, na análise de regressão, muitos pesquisadores dizem que deve haver pelo menos 10 observações por variável. Se estamos usando três variáveis independentes, então uma regra clara seria ter um tamanho mínimo de amostra de 30. Alguns pesquisadores seguem uma fórmula estatística para calcular o tamanho da amostra.

Tamanho da amostra com base em intervalos de confiança: Ao calcular o tamanho da amostra, estamos interessados em calcular o parâmetro população. Assim, devemos determinar os intervalos de confiança, para que todos os valores da amostra estejam dentro desse intervalo.

Cálculo do tamanho da amostra com base no tamanho do efeito

Uma abordagem alternativa para calcular o tamanho da amostra é o tamanho do efeito. O tamanho do efeito é conhecido como a diferença entre as estatísticas da amostra dividida pelo erro padrão. Mais eficientemente é o seguinte:

Após um tamanho de efeito ter sido estimado, a seguinte tabela pode ser usada para estimar uma amostra:

Como mencionado acima, o alfa é igual à probabilidade aceitável do erro tipo I e beta é a probabilidade aceitável do erro tipo dois e 1-beta igual à potência. Como a potência aumentará com diferentes níveis de alfa, o tamanho da amostra também aumentará.