População e Amostra: Guia Completo para Pesquisadores

O que é população em pesquisa e por que isso importa para você

Vamos lá. Uma das primeiras perguntas que uma banca de defesa vai fazer sobre a sua metodologia é: “Como você definiu sua população e justificou sua amostra?” Se você travar nessa resposta, vai parecer que não domina o básico da pesquisa, mesmo que o resto do trabalho seja excelente.

E a verdade é que muita gente confunde ou mistura esses conceitos sem perceber, porque ninguém explicou direito na graduação. Então vamos resolver isso agora.

População, no contexto da pesquisa científica, não é “todo mundo no Brasil” ou “todas as pessoas do mundo”. É o conjunto total de elementos que compartilham características relevantes para o seu objeto de estudo. Pode ser:

• Todos os estudantes matriculados em programas de pós-graduação em Educação no Brasil em 2025
• Todos os artigos publicados sobre machine learning em periódicos Qualis A1 entre 2020 e 2024
• Todos os pacientes diagnosticados com determinada condição em um hospital específico nos últimos 3 anos

A população é definida pelos critérios de inclusão e exclusão do seu estudo. Ela existe no papel antes de qualquer coleta de dados.

Amostra é o subconjunto dessa população que você vai de fato estudar. A lógica é simples: se a população for muito grande ou geograficamente dispersa, você não consegue estudar todo mundo. Então seleciona uma parte, com o objetivo de que os resultados encontrados nessa parte sejam generalizáveis para o conjunto maior.

Faz sentido? Ótimo. Agora vamos ao que realmente complica.

Os tipos de amostragem que você precisa conhecer

Existem duas grandes famílias de técnicas de amostragem: as probabilísticas e as não probabilísticas. A diferença fundamental é que nas probabilísticas, cada elemento da população tem uma chance conhecida (e calculável) de ser incluído na amostra. Nas não probabilísticas, não.

Amostragem probabilística

Amostragem aleatória simples: Cada elemento da população tem a mesma probabilidade de ser selecionado. Funciona como um sorteio. Exige que você tenha acesso à lista completa da população (a chamada “moldura amostral”). É o tipo mais básico, mas nem sempre viável.

Amostragem sistemática: Você escolhe um ponto de partida aleatório e depois seleciona elementos em intervalos regulares. Se sua população tem 1000 pessoas e você quer 100, seleciona a 1ª, a 11ª, a 21ª, e assim por diante.

Amostragem estratificada: A população é dividida em subgrupos (estratos) com características comuns, e a seleção aleatória ocorre dentro de cada estrato. Garante representatividade de grupos específicos. Muito usada em pesquisas educacionais, quando você quer garantir que diferentes regiões ou faixas etárias estejam representadas.

Amostragem por conglomerados: A unidade de seleção não é o indivíduo, mas um grupo (turmas, escolas, bairros). Você sorteia grupos e estuda todos ou parte dos seus membros. Útil quando a moldura amostral individual não existe ou é inviável de construir.

Amostragem não probabilística

Amostragem por conveniência: Seleciona quem está mais acessível. Rápida e barata, mas com sérias limitações de generalização. Muito comum em estudos exploratórios e em TCC com recursos limitados.

Amostragem intencional (ou proposital): O pesquisador seleciona casos específicos por julgamento, porque acredita que são os mais relevantes para o fenômeno estudado. Muito usada em pesquisa qualitativa, quando o objetivo é profundidade, não representatividade estatística.

Amostragem snowball (bola de neve): Um participante indica outros, que indicam outros. Funciona bem para populações difíceis de identificar ou de acesso restrito, como grupos marginalizados, pessoas com condições raras ou comunidades fechadas.

Amostragem por cotas: Parecida com a estratificada, mas sem aleatoriedade. O pesquisador define cotas para determinadas características e seleciona quem encontrar dentro dessas cotas.

Como escolher o tipo de amostragem certo para seu estudo

Olha só, essa decisão depende de três perguntas:

1. Qual é o objetivo da pesquisa? Se você quer fazer inferências estatísticas e generalizar resultados para uma população maior, precisa de amostragem probabilística. Se o objetivo é explorar, compreender em profundidade, ou estudar casos específicos, a amostragem não probabilística é adequada e metodologicamente defensável.

2. O que é a sua população? Você consegue listar todos os elementos? Tem acesso a um cadastro, banco de dados, ou registro? Se sim, técnicas probabilísticas ficam mais viáveis. Se a população é difusa, invisível ou sem registro formal, técnicas não probabilísticas são a alternativa real.

3. Quais são seus recursos? Tempo, dinheiro e acesso são variáveis reais. Uma amostragem aleatória simples de alcance nacional pode ser metodologicamente impecável, mas totalmente inviável para um mestrando com prazo de dois anos e sem financiamento.

O que a banca vai cobrar não é que você escolheu o método “mais poderoso”, mas que você fez uma escolha coerente com seus objetivos e justificou ela com clareza.

Tamanho da amostra: o quanto é suficiente?

Essa é a pergunta que mais gera ansiedade. “Quantas pessoas preciso entrevistar? Quantos questionários precisam responder?”

Para pesquisas quantitativas com amostragem probabilística, o cálculo é matemático e depende de:

• Nível de confiança: geralmente 95% (z = 1,96)
• Margem de erro: geralmente 5%
• Variabilidade da população: quando você não sabe, usa 50% (máxima variabilidade)

A fórmula básica para populações grandes: n = (z² × p × q) / e²

Para uma população grande com 95% de confiança, margem de erro de 5% e variabilidade máxima, o resultado é aproximadamente 384 participantes. Esse número aparece em muitas pesquisas de survey justamente por isso.

Para populações finitas, existe uma correção: n_corrigido = n / (1 + (n-1)/N), onde N é o tamanho da população total.

Ferramentas como o G*Power (gratuito) ajudam a calcular o tamanho necessário considerando o tipo de análise estatística que você vai usar, o tamanho de efeito esperado e o poder estatístico desejado.

Para pesquisas qualitativas, a lógica é diferente. Aqui o critério é a saturação teórica: você continua coletando dados até que novos participantes deixem de trazer informações novas e relevantes. Em entrevistas em profundidade, isso frequentemente acontece entre 10 e 30 participantes, dependendo da heterogeneidade do grupo.

Os erros mais comuns que comprometem a amostragem

Vou ser direta aqui porque esses erros aparecem muito e comprometem a defesa de maneiras desnecessárias.

Confundir amostragem com acesso: “Minha amostra foram os estudantes que responderam o questionário” não é uma justificativa metodológica. É uma descrição de quem você conseguiu atingir. Você precisa dizer como selecionou, não apenas quem apareceu.

Não definir a população com precisão: “Estudantes universitários” é amplo demais. “Estudantes matriculados em cursos de graduação em Ciências da Saúde em universidades federais do Sudeste do Brasil no segundo semestre de 2025” é uma população definida.

Usar amostragem por conveniência sem justificar: Está tudo bem usar se for adequado ao seu objetivo, mas você precisa reconhecer as limitações que isso impõe à generalização dos resultados. A banca não vai reprovar você por usar conveniência, vai questionar se você não admitiu as implicações.

Subestimar a taxa de não resposta: Se você precisa de 200 respondentes e envia para 200 pessoas, vai ter problema. Sempre calcule com uma margem para recusas e perdas. Uma taxa de resposta de 40-60% é comum em surveys online.

Misturar critérios de inclusão e exclusão com critérios de seleção: Os primeiros definem quem pertence à população, os segundos definem como você vai escolher dentro da população. São etapas distintas do raciocínio metodológico.

Critérios de inclusão e exclusão: como definir direito

Critérios de inclusão são as características que um elemento precisa ter para fazer parte da população do estudo. Critérios de exclusão são os fatores que eliminam alguém mesmo que ele atenda aos critérios de inclusão.

Por exemplo, num estudo sobre experiência de orientação na pós-graduação:

Inclusão:

• Estudantes matriculados em programas de pós-graduação stricto sensu
• Com pelo menos 6 meses de vínculo com o programa atual
• Que tenham orientador ativo

Exclusão:

• Estudantes em licença ou afastamento no momento da coleta
• Estudantes que nunca tiveram contato direto com o orientador (casos de co-orientação exclusiva)

Esses critérios precisam ser definidos antes da coleta, não depois. Definir critérios após ver os dados é uma prática que compromete a validade interna do estudo.

Como apresentar amostra e população na sua dissertação

No capítulo metodológico, a apresentação segue uma lógica de afunilamento:

1. Definição da população: Quem são todos os elementos que poderiam fazer parte do estudo e por quê eles são relevantes para o seu problema de pesquisa?

2. Critérios de inclusão e exclusão: O que define pertencer ou não pertencer a essa população para fins do seu estudo?

3. Justificativa do tipo de amostragem: Por que você escolheu probabilística ou não probabilística? Por que esse subtipo específico?

4. Cálculo ou justificativa do tamanho: Como você chegou ao número de participantes?

5. Descrição da amostra obtida: Quantas pessoas efetivamente participaram, e como esse resultado se compara ao planejado?

No Método V.O.E., essa seção é trabalhada na fase de estruturação, quando você alinha objetivos, questões e procedimentos antes de escrever. Não é o tipo de decisão que você toma enquanto escreve, é uma decisão que embasa toda a escrita.

Representatividade: o que a palavra realmente significa

Representatividade não significa que sua amostra é uma cópia em miniatura da população em todas as suas dimensões. Significa que as características relevantes para o seu objeto de estudo estão presentes na amostra de forma proporcional.

Se você estuda evasão no mestrado e sua amostra tem 95% de estudantes que não evadiram, ela não é representativa do fenômeno, independentemente do tamanho.

Representatividade é um critério de qualidade, não de quantidade. Uma amostra pequena pode ser mais representativa do que uma grande, dependendo de como foi selecionada.

Fechando: o que a banca vai querer ver

A banca não espera que você seja estatístico. Ela espera coerência. Quando você diz que fez uma pesquisa qualitativa com abordagem interpretativa e depois fala em “representatividade estatística”, há uma contradição que precisa ser resolvida.

O que sustenta sua metodologia é a consistência entre:

• Seu problema de pesquisa
• Seus objetivos
• Sua abordagem (quantitativa, qualitativa ou mista)
• Seu tipo de amostragem
• Seu tamanho de amostra
• Suas análises

Se todos esses elementos conversam entre si e você consegue justificar cada escolha, você passa por essa parte da defesa com tranquilidade.

E se você ainda está na fase de planejamento e não sabe por onde começar para organizar essa coerência metodológica, o Método V.O.E. foi pensado justamente para isso: estruturar antes de escrever, de forma que cada decisão tenha fundamento e cada seção se sustente.