Como calcular tamanho da amostra em pesquisa quantitativa

O que ninguém te explica sobre tamanho de amostra

Olha só: a maioria das pessoas que chega até mim com dúvida sobre tamanho de amostra na verdade não tem um problema de cálculo. Tem um problema de conceito.

Elas querem saber “qual o número certo” antes de entender o que essa pergunta significa. E sem entender o conceito, qualquer número que você calcule vai parecer arbitrário. Você coloca na planilha, sai um resultado, e fica torcendo para a banca não perguntar de onde veio.

Vamos mudar isso aqui.

Por que o tamanho da amostra importa

Quando você faz pesquisa quantitativa, está tentando dizer algo sobre uma população a partir de um pedaço dela. Você não entrevista todos os estudantes de pós-graduação do Brasil. Você entrevista uma parcela e, a partir dessa parcela, tira conclusões.

O tamanho da amostra determina o quanto você pode confiar nessas conclusões.

Uma amostra pequena demais produz resultados instáveis. Se você pesquisar 10 pessoas e 7 responderem “sim”, isso é 70%. Se você pesquisar 400 e 280 responderem “sim”, também é 70%, mas o segundo resultado é muito mais confiável. A diferença está na margem de erro.

Os três fatores que determinam o n mínimo

Faz sentido pensar assim: o tamanho da amostra não é um número mágico. É uma consequência de três decisões metodológicas que você toma antes de calcular qualquer coisa.

Nível de confiança. A convenção nas ciências sociais e da saúde é 95%. Isso significa que, se você repetisse o estudo 100 vezes com amostras diferentes, em 95 delas o resultado estaria dentro da sua margem de erro. É uma convenção, não uma lei da natureza. Algumas áreas usam 90%, outras (medicina clínica, por exemplo) usam 99%.

Margem de erro. Também chamada de erro amostral ou precisão. Quanto você aceita errar? Uma margem de 5% é a mais comum em pesquisas sociais. Em estudos clínicos ou eleitorais, costuma ser menor. Em pesquisas exploratórias, pode ser maior.

Variabilidade esperada. É a estimativa de quão heterogênea é a sua população em relação à variável que você está medindo. Quando você não tem ideia prévia, usa-se 50% como estimativa conservadora, porque é o valor que maximiza o tamanho de amostra necessário.

Esses três fatores juntos determinam o n. Não existe “tamanho ideal” no vácuo.

Fórmula básica para população infinita (ou muito grande)

Para quando sua população é tão grande que não faz sentido calcular como proporção (acima de 100.000 pessoas, por exemplo), a fórmula mais usada é:

n = (Z² × p × q) / e²

Onde:

• Z = valor crítico do nível de confiança (para 95%, Z = 1,96)
• p = proporção estimada da característica na população (use 0,5 se não souber)
• q = 1 - p (complemento)
• e = margem de erro em proporção (5% = 0,05)

Substituindo com os valores padrão:

n = (1,96² × 0,5 × 0,5) / 0,05²
n = (3,8416 × 0,25) / 0,0025
n = 0,9604 / 0,0025
n = 384,16 → arredonda para 385

Por isso você vê tanto “n = 384” ou “n = 385” em pesquisas com população indefinida ou muito grande. Não é acidente. É esse cálculo sendo aplicado com os valores padrão.

Fórmula para população finita

Quando sua população tem um tamanho definido e não é enorme, você usa a correção para população finita:

n_ajustado = n / (1 + (n - 1) / N)

Onde N é o tamanho da população e n é o resultado da fórmula anterior (384 ou o valor que você calculou).

Exemplo prático: você quer pesquisar os 2.000 alunos de pós-graduação de uma universidade específica. Seu n inicial dá 384. Com a correção:

n_ajustado = 384 / (1 + (384 - 1) / 2000)
n_ajustado = 384 / (1 + 0,1915)
n_ajustado = 384 / 1,1915
n_ajustado ≈ 322

Você precisaria de 322 respondentes, não 384. A correção reduz o n porque sua população é finita e relativamente pequena.

Calculadoras online e quando usá-las

Você não precisa fazer esse cálculo na mão. Existem calculadoras confiáveis que fazem isso com precisão. O importante é entender o que você está digitando nelas.

Algumas opções bastante usadas em pesquisas brasileiras são as calculadoras do SurveyMonkey, da Raosoft e do Software G*Power (mais completo, gratuito, recomendado para dissertações e teses).

O G*Power é particularmente útil porque permite calcular o poder estatístico do seu teste, não só o n. Isso é relevante quando seu orientador pede justificativa metodológica detalhada.

O que fazer quando o n calculado é inviável

Esse é o problema real que a maioria enfrenta. Você calcula, dá 400. Você tem acesso a 80 pessoas. O que fazer?

Algumas saídas legítimas:

Primeiro, revise sua pergunta de pesquisa. Às vezes o problema não é o n, é o escopo. Uma pesquisa com população menor e bem delimitada pode ser mais honesta que uma pesquisa superficial com amostra grande.

Segundo, negocie a margem de erro. Se você trabalhar com 10% em vez de 5%, o n cai para aproximadamente 96. Em pesquisas exploratórias, isso pode ser metodologicamente defensável desde que você declare e justifique.

Terceiro, considere mudar a abordagem. Se o acesso à população é muito restrito, uma pesquisa qualitativa com saturação teórica pode responder sua pergunta com mais profundidade e mais honestidade do que uma pesquisa quantitativa com amostra insuficiente.

O Método V.O.E. trabalha exatamente com esse tipo de decisão: alinhar a pergunta de pesquisa ao método antes de começar a coletar, não depois.

O erro mais caro: confundir amostra com validade

Uma das confusões mais comuns é pensar que amostra grande equivale a pesquisa válida. Não é assim.

Validade tem a ver com se você está medindo o que diz estar medindo. Um questionário com 5 perguntas mal formuladas aplicado a 1.000 pessoas produz dados inválidos sobre 1.000 pessoas. Uma amostra pequena com instrumentos bem construídos e coleta rigorosa pode ser muito mais defensável.

Amostra trata de representatividade e poder estatístico. Validade trata de construção teórica e coerência metodológica. São questões diferentes e ambas precisam estar respondidas no seu projeto.

Tamanho de amostra em pesquisa qualitativa

Já que o tema surgiu: em pesquisa qualitativa, o critério não é estatístico.

O conceito central é saturação teórica, proposto por Glaser e Strauss. Você para de coletar quando os dados novos param de acrescentar categorias ou nuances relevantes à análise. Na prática, isso costuma acontecer entre 8 e 20 entrevistas, mas pode variar bastante conforme a diversidade da população e a profundidade das questões.

Em estudos de caso, você pode ter 1 caso (estudo de caso único) ou poucos casos (estudo de casos múltiplos). O número não é o critério. A profundidade e a representatividade teórica são.

Se o seu orientador pede um “tamanho de amostra” para pesquisa qualitativa, a resposta correta é explicar o critério de saturação, não dar um número sem respaldo teórico.

Para finalizar

O tamanho da amostra em pesquisa quantitativa é uma consequência das suas decisões metodológicas, não um palpite. Quando você entende os três fatores (nível de confiança, margem de erro e variabilidade), o cálculo vira uma formalização de algo que você já decidiu conceitualmente.

Se ainda estiver com dúvida sobre como justificar suas escolhas metodológicas na escrita, a seção de recursos tem materiais que podem ajudar. E se quiser entender mais sobre como o método se encaixa em cada etapa da sua pesquisa, a página sobre o Método V.O.E. explica a lógica por trás de cada decisão.

Faz sentido por onde você está na sua pesquisa agora?