Amostra em Pesquisa: o que é e como definir a sua

Amostra não é sobre pegar um pedaço qualquer

Vamos lá. Uma das confusões mais comuns em metodologia de pesquisa começa com a palavra “amostra”. Muita gente entende que amostra é só “um grupo de pessoas que eu vou entrevistar” ou “os participantes da pesquisa”. Não está errado, mas é incompleto. E a diferença importa na hora de defender a metodologia.

Amostra é um conceito metodológico com implicações diretas para a validade dos seus resultados. Entender o que é, como se define e o que justifica as escolhas que você fez é o que separa uma metodologia sólida de uma metodologia que a banca vai questionar.

A diferença entre população e amostra

Antes de falar de amostra, precisa estar claro o que é população. Em pesquisa, população não é o total de habitantes de um lugar. É o conjunto de todos os elementos que compartilham as características relevantes para o seu estudo.

Se você está estudando o estresse de docentes do ensino superior em universidades públicas do Brasil, a população do seu estudo é “todos os docentes do ensino superior de universidades públicas do Brasil”. Esse grupo pode ser de dezenas de milhares de pessoas. Estudar todos eles seria inviável financeiramente e operacionalmente.

A amostra é o subconjunto desse grupo que você efetivamente vai estudar. Se você conseguir recrutar 300 docentes com perfil compatível, esses 300 são sua amostra.

A questão central da amostragem é: como garantir que esses 300 docentes representam adequadamente os dezenas de milhares que você não vai conseguir alcançar?

Tipos de amostragem que você precisa conhecer

Existem dois grandes grupos: amostragem probabilística e não probabilística. A escolha entre eles não é arbitrária. Depende da natureza da sua pesquisa.

Amostragem probabilística

Na amostragem probabilística, cada elemento da população tem uma probabilidade conhecida de ser incluído na amostra. Isso é o que permite generalizar os resultados com base estatística.

Os tipos mais comuns são:

Amostragem aleatória simples: cada indivíduo da população tem a mesma chance de ser selecionado. Você precisa ter acesso a uma lista completa da população (o que nem sempre é possível).

Amostragem estratificada: a população é dividida em subgrupos (estratos) com características específicas, e a amostra é retirada proporcionalmente de cada estrato. Útil quando você quer garantir representação de grupos minoritários.

Amostragem por conglomerados: quando a população está naturalmente organizada em grupos (escolas, hospitais, bairros), você seleciona os grupos primeiro e depois os indivíduos dentro deles. Reduz o custo operacional da coleta.

Amostragem não probabilística

Na amostragem não probabilística, a seleção não é aleatória. Isso não significa que é descuidada. Significa que ela segue critérios de relevância para a questão de pesquisa.

Amostragem por conveniência: você seleciona participantes que estão acessíveis. É a mais criticada do ponto de vista estatístico, mas é a mais comum em pesquisas exploratórias e em contextos com restrições de acesso.

Amostragem por julgamento (intencional ou purposiva): você seleciona deliberadamente os participantes com base em características que os tornam relevantes para o seu estudo. Muito usada em pesquisas qualitativas.

Amostragem por bola de neve: um participante indica outros com o perfil desejado, criando uma rede de inclusão. Útil para populações de difícil acesso.

Pesquisa qualitativa e o conceito de saturação

Na pesquisa qualitativa, a lógica de definição do tamanho da amostra é completamente diferente da pesquisa quantitativa. Não existe um cálculo estatístico para chegar a um número.

O critério é a saturação teórica. Você continua coletando dados (realizando entrevistas, observações, grupos focais) até que as novas informações parem de acrescentar perspectivas novas às categorias que você já identificou. Quando os dados começam a se repetir e você não encontra mais nada que modifique sua análise, a amostra está saturada.

Na prática, pesquisas qualitativas com entrevistas em profundidade costumam trabalhar com amostras pequenas: entre 8 e 30 participantes, dependendo da homogeneidade da população estudada e da complexidade do fenômeno. Mas esse número é uma consequência da saturação, não um ponto de partida.

Dizer “minha amostra tem 12 participantes porque calculei o tamanho amostral” numa pesquisa qualitativa é um erro de fundamentação. Dizer “minha amostra alcançou saturação teórica com 12 participantes” é metodologicamente correto.

O que vai para a metodologia do seu trabalho

Quando você escreve a seção de metodologia, precisa explicar e justificar:

Qual é a população do estudo. Não de forma vaga (“os profissionais de saúde”), mas com precisão (“enfermeiros atuantes em UTIs de hospitais públicos na cidade de X”).

Qual o tipo de amostragem usado e por quê. A escolha precisa ser coerente com o design da pesquisa.

Quais são os critérios de inclusão e exclusão. Quem entrou na amostra e por que, e quem foi excluído e por que.

Como o tamanho da amostra foi definido. Por cálculo estatístico, por saturação teórica ou por outro critério justificado.

Se você não consegue responder essas questões com clareza, é sinal de que a definição da amostra ainda precisa de trabalho.

No Método V.O.E., a amostra é uma decisão, não um dado

Um dos erros mais comuns que vejo em trabalhos acadêmicos é tratar a amostra como se fosse um dado fixo, dado pelas circunstâncias. “Consegui entrevistar 15 pessoas, então minha amostra é 15.”

No Método V.O.E., a amostra é uma decisão metodológica consciente que precisa ser justificada. Você define primeiro os critérios (quem é sua população? qual tipo de amostragem faz sentido para sua questão? quais critérios de inclusão e exclusão?) e depois vai a campo para recrutar participantes que atendam esses critérios.

Parece sutil, mas muda completamente como você apresenta a metodologia na escrita. E muda como a banca avalia.

O tamanho da amostra e a potência estatística

Para quem está em pesquisa quantitativa, o tamanho da amostra tem uma relação direta com a potência estatística do estudo. Potência, em termos simples, é a capacidade do estudo de detectar um efeito real quando ele existe.

Amostras muito pequenas tendem a ter potência baixa: o estudo pode não detectar diferenças reais entre grupos, gerando falsos negativos. Amostras muito grandes podem detectar diferenças estatisticamente significantes que têm pouca relevância prática.

O cálculo do tamanho amostral adequado é feito com base na potência desejada (geralmente 80%), no nível de significância (geralmente 5%), e em uma estimativa do tamanho do efeito esperado.

Se você está em área de saúde ou ciências sociais empíricas e vai fazer análise estatística, vale muito a pena consultar alguém com formação em estatística ou usar softwares específicos para o cálculo. Essa decisão feita sem critério é um dos problemas mais frequentes que chegam na defesa.

Fechando com clareza

Amostra é uma decisão metodológica que você vai ter que justificar. Não é o grupo que você conseguiu recrutar por conveniência sem pensar. Não é uma seção da metodologia para preencher depois.

É o ponto em que você mostra que entende os limites e as possibilidades do que está estudando. Uma amostra bem definida e bem justificada é mais forte do que uma amostra grande sem critério.

Faz sentido a distinção? Porque a banca vai perguntar exatamente isso. Não “quantas pessoas você entrevistou?”, mas “por que esse número? por que esse critério? como você garante que essa amostra é adequada para responder sua questão?” São perguntas diferentes, e as respostas precisam ser diferentes também.

Se você está no início do processo de definição metodológica, o post sobre metodologia de pesquisa tem mais orientações sobre como construir essa seção do trabalho de forma coerente com sua questão de pesquisa.