Amostra na pesquisa científica: tipos, tamanho e escolha

A amostra não é só quem concordou em participar

Um dos erros mais comuns em projetos de pesquisa: descrever a amostra como “quem concordou em participar” sem declarar como as pessoas foram selecionadas ou convidadas. Isso não é amostragem. É descrição de quem compareceu.

Amostra é o subconjunto da população que você efetivamente estuda, definido por um critério de seleção explícito. O critério de seleção é o que determina o que você pode concluir sobre a população a partir dos dados coletados.

Entender a diferença entre tipos de amostragem e saber qual usar para cada tipo de pesquisa é uma competência metodológica que a banca vai cobrar.

População e amostra: a distinção fundamental

População é o conjunto completo de pessoas, casos, documentos ou elementos sobre os quais você quer fazer afirmações. Pode ser grande (todos os professores de ensino fundamental do Brasil) ou pequena (todos os alunos de uma turma específica).

Amostra é o subconjunto da população que você efetivamente investiga. A relação entre amostra e população é o que determina o alcance das suas conclusões.

Em alguns estudos, você estuda a população inteira (censo), especialmente quando ela é pequena. Em outros, estudar a população completa é inviável, e você trabalha com uma amostra.

Parâmetro é a característica da população (ex: média de notas de TODOS os estudantes). Estatística é a estimativa dessa característica calculada a partir da amostra (ex: média calculada nos 100 estudantes que você estudou).

Amostragem probabilística: quando e como

Na amostragem probabilística, cada elemento da população tem uma probabilidade conhecida de ser selecionado. Isso permite fazer inferências estatísticas sobre a população a partir dos resultados da amostra.

Amostragem aleatória simples: cada elemento tem igual probabilidade de ser selecionado. Você lista todos os elementos da população (lista de nomes, cadastro) e sorteia os participantes. Exige uma lista completa da população.

Amostragem sistemática: você seleciona cada k-ésimo elemento da lista. Por exemplo: a cada 10 nomes da lista, sorteia 1. Mais prático que a aleatória simples quando a lista é longa.

Amostragem estratificada: divide a população em grupos (estratos) por alguma característica relevante (área de graduação, turno, sexo) e faz amostragem dentro de cada estrato. Garante representação proporcional de grupos que seriam sub-representados numa seleção puramente aleatória.

Amostragem por conglomerados: quando a população está organizada em grupos naturais (escolas, turmas, bairros), seleciona-se grupos ao acaso e estuda-se todos os elementos dentro dos grupos selecionados. Mais eficiente logisticamente para populações geograficamente dispersas.

Amostragem não probabilística: quando e como

Na amostragem não probabilística, a seleção não é aleatória. Não é possível calcular a probabilidade de cada elemento ser selecionado, e portanto não é possível fazer inferências estatísticas rigorosas sobre a população.

Isso não significa que a pesquisa não seja válida. Significa que o tipo de conclusão é diferente.

Amostragem por conveniência: seleciona os elementos disponíveis e acessíveis. Comum em pesquisas com restrições de acesso, tempo ou recursos. Adequada para pesquisas exploratórias e qualitativas, mas não para pesquisas que precisam de representatividade estatística.

Amostragem intencional ou proposital: o pesquisador seleciona os participantes com base em critérios específicos relacionados ao objeto de pesquisa. Você escolhe quem pode oferecer informações mais ricas sobre o fenômeno estudado. Muito usada em pesquisa qualitativa.

Amostragem em bola de neve: participante indica outros participantes. Útil quando a população é de difícil acesso (grupos específicos, populações vulneráveis). Cada entrevistado indica outros potenciais participantes.

Amostragem por cotas: define cotas baseadas em características conhecidas da população (20% homens, 80% mulheres, por exemplo) e seleciona participantes até preencher cada cota. Tenta ter alguma representatividade sem aleatoriedade formal.

Tamanho da amostra em pesquisa quantitativa

Em pesquisa quantitativa, o tamanho da amostra não é uma escolha arbitrária. Ele é calculado com base em:

• Nível de confiança: geralmente 95% (z = 1,96) ou 99% (z = 2,58)
• Margem de erro: quanto de erro você aceita (geralmente 5%)
• Variabilidade estimada da população: se você não sabe, assume 50% (máxima variabilidade)

Fórmula básica para população grande: n = (z² × p × (1-p)) / e²

Para populações finitas e conhecidas, há fator de correção. Calculadoras online de tamanho de amostra facilitam o cálculo sem precisar resolver a fórmula manualmente.

O tamanho calculado é o mínimo para o poder estatístico pretendido. Na prática, amostras menores por atrito (não-respostas, exclusões) reduzem o poder. É comum calcular com uma margem adicional de 10 a 20% para compensar perdas.

Tamanho da amostra em pesquisa qualitativa

Em pesquisa qualitativa, o critério de tamanho da amostra não é estatístico. É a saturação teórica: o ponto em que novas entrevistas, observações ou casos não acrescentam informações novas e relevantes.

Não existe número mágico. A literatura indica que pesquisas com entrevistas qualitativas tipicamente chegam à saturação entre 8 e 30 participantes, dependendo da homogeneidade ou heterogeneidade do grupo e da profundidade das entrevistas.

Para estudos de caso único, a “amostra” é o próprio caso, e a profundidade substitui a amplitude.

O que precisa estar declarado na metodologia não é um número justificado por fórmula, mas o critério de seleção dos participantes (intencional, por conveniência, bola de neve) e o critério de encerramento da coleta (saturação, limite de tempo, número de casos conforme protocolo).

Como declarar a amostra na dissertação

A seção de metodologia precisa informar:

• Quem é a população de referência
• Qual é o tamanho da amostra
• Qual foi o método de seleção (tipo de amostragem)
• Quais foram os critérios de inclusão e exclusão
• Como os participantes foram recrutados
• Para pesquisa quantitativa: como o tamanho foi calculado

Exemplo de declaração adequada:

“Participaram do estudo 45 enfermeiras assistenciais de três hospitais públicos do município de X. A seleção foi intencional (amostragem proposital), com inclusão de profissionais com no mínimo dois anos de atuação em serviços de urgência. Foram excluídos profissionais em licença no período de coleta. A coleta foi encerrada após a constatação de saturação teórica, verificada quando novas entrevistas não acrescentavam elementos novos às categorias de análise.”

Declarações vagas como “a amostra foi composta por 45 enfermeiras de um hospital” sem informar o método de seleção não atendem ao rigor metodológico exigido.

Representatividade e transferibilidade

Representatividade é um conceito quantitativo: a amostra reflete fielmente as proporções e características da população? Em pesquisa probabilística, a representatividade é garantida pelo método de seleção. Em amostras grandes e aleatórias, é possível fazer inferências sobre a população com margem de erro controlada.

Transferibilidade é o conceito equivalente em pesquisa qualitativa. Não é a afirmação de que os resultados se aplicam a qualquer contexto, mas a descrição suficientemente detalhada do contexto estudado para que outros pesquisadores avaliem se o que foi encontrado pode ser relevante para outros casos semelhantes.

Pesquisas qualitativas com amostras pequenas e intencionais não são “menos representativas” do que pesquisas quantitativas: são diferentes. Elas buscam profundidade e compreensão do fenômeno em um contexto específico, não generalização estatística. A banca espera que você saiba distinguir e justificar qual critério se aplica ao seu estudo.

Critérios de inclusão e exclusão: o que são e por que importam

Os critérios de inclusão descrevem as características que os participantes devem ter para entrar na amostra. Os de exclusão descrevem as que os eliminam, mesmo que atendam aos critérios de inclusão.

Por que isso importa: critérios claros de inclusão e exclusão tornam a pesquisa replicável e deixam claro o alcance das conclusões. Um estudo feito com estudantes de pós-graduação de uma universidade federal do Sul do Brasil não pode generalizar para estudantes de todo o Brasil sem justificativa.

Exemplos de critérios de inclusão: “professores do ensino fundamental público, com vínculo efetivo, no município de X”. Critérios de exclusão: “profissionais em licença no período de coleta” ou “participantes com menos de um ano de experiência na função”.

Quanto mais específicos os critérios, mais clara é a fronteira do estudo. Critérios vagos geram amostras inconsistentes e dificultam a replicação.