Tamanho amostra correlação
- Criado por
- Renato Passos, Eng. de Software
- Revisado por
- Renato Passos, Eng. de Software
Última atualização: 18 de abr. de 2026
Sobre esta calculadora
A calculadora de tamanho de amostra para correlação estima o número mínimo de observações necessárias para detectar uma correlação estatisticamente significativa com potência adequada. Ela usa a fórmula ((z_a + z_b)/0,5·ln((1+r)/(1−r)))² +3, onde 'r' é o coeficiente de correlação esperado, e 'z_a' e 'z_b' correspondem aos valores críticos para os níveis de significância (alfa) e potência (1-beta).
O cálculo incorpora a transformação de Fisher, que normaliza a correlação para facilitar a análise. A fórmula ajusta a amostra com base na magnitude do efeito (r) e na tolerância a erros (alfa e beta). É ideal para estudos planejados que buscam verificar se uma correlação entre duas variáveis é estatisticamente válida.
Ao usar esse cálculo, é fundamental definir corretamente o valor esperado de 'r' e os níveis de significância. Subestimar 'r' pode sobrecarregar a amostra, enquanto superestimá-lo reduz a confiabilidade dos resultados. Recomenda-se revisar literatura científica para valores de referência antes de aplicar a calculadora.
Perguntas frequentes
Por que usar a transformação de Fisher nesse cálculo?
A transformação de Fisher normaliza o coeficiente de correlação, tornando-o mais estável para cálculos estatísticos. Isso evita vieses em amostras menores e melhora a precisão do tamanho da amostra estimado.
Quais valores de alfa e beta são recomendados?
Os níveis comuns são alfa = 0,05 (5% de risco de erro) e beta = 0,20 (80% de potência). Ajustar esses valores depende do contexto do estudo e da tolerância a erros aceitáveis no campo.
O que acontece se a correlação real for menor que a esperada?
Se a correlação for menor que o valor de 'r' definido, a amostra calculada será insuficiente. Recomenda-se aumentar a amostra ou revisar a hipótese inicial para garantir validade.
Essa fórmula vale para amostras pequenas?
A fórmula pressupõe amostras moderadas a grandes. Para amostras muito pequenas (n < 10), métodos não paramétricos como Spearman podem ser mais adequados.