Tamanho da Amostra em Pesquisa: Como Pensar Sobre Isso
Entenda o que é tamanho de amostra, por que ele importa em pesquisas quantitativas e quais conceitos você precisa conhecer antes de calcular qualquer número.
O problema com a pergunta “quantos participantes eu preciso?”
Vamos ser diretos desde o início: a pergunta “quantos participantes eu preciso para minha pesquisa?” parece simples mas não tem uma resposta simples.
Existe uma resposta certa para essa pergunta, mas ela não é um número fixo. É o resultado de um raciocínio que envolve o tipo de pesquisa que você está fazendo, a análise que você pretende realizar, o poder estatístico que você quer garantir e a variabilidade esperada nos dados.
Esse post não vai te dar uma fórmula para copiar. Vai te ajudar a entender o que está em jogo, o que cada conceito significa e por que a decisão sobre tamanho de amostra é metodológica, não mecânica.
O conceito de amostra e para que ela serve
Em pesquisa quantitativa, você raramente consegue estudar toda a população que interessa. Se você quer saber o nível de ansiedade de estudantes universitários no Brasil, não vai poder coletar dados de todos os milhões de estudantes matriculados. Então você coleta dados de uma parcela (a amostra) e usa técnicas estatísticas para fazer inferências sobre a população maior.
Para que essa inferência seja válida, a amostra precisa ter duas características: ser representativa da população e ter tamanho suficiente para detectar o fenômeno que você está investigando com confiança adequada.
Representatividade depende do método de seleção da amostra. Amostra aleatória simples, estratificada, por conglomerados são alguns dos métodos. Tamanho adequado é o que vamos discutir aqui.
Os conceitos que você precisa conhecer
Antes de falar em cálculo, você precisa entender quatro conceitos:
Nível de confiança
O nível de confiança é a probabilidade de que o intervalo de confiança calculado a partir da sua amostra contenha o valor verdadeiro do parâmetro na população. Os valores mais comuns são 90%, 95% e 99%.
Quando você vê “com 95% de confiança, o resultado está entre X e Y”, significa que se você repetisse a mesma pesquisa muitas vezes com amostras diferentes da mesma população, 95% dessas repetições produziria um intervalo que inclui o valor real.
Nível de confiança mais alto exige amostra maior.
Margem de erro
A margem de erro é o quanto você aceita que o resultado da amostra se afaste do valor verdadeiro da população. Uma margem de erro de 5% significa que o resultado da amostra pode estar 5 pontos percentuais acima ou abaixo do valor real.
Margem de erro menor exige amostra maior.
Poder estatístico (1 - β)
O poder estatístico é a probabilidade de que seu estudo detecte um efeito real, quando ele de fato existe. Um poder de 80% significa que, se há um efeito real, você tem 80% de chance de detectá-lo.
Poder insuficiente é um dos problemas mais comuns em pesquisas acadêmicas: o estudo não encontra diferença ou correlação, mas isso pode ser porque a amostra era pequena demais para detectar um efeito que existe.
Poder estatístico mais alto exige amostra maior.
Tamanho do efeito
O tamanho do efeito é a magnitude do fenômeno que você quer detectar. Se você espera uma diferença grande entre dois grupos, precisa de menos participantes para detectá-la com segurança. Se você espera uma diferença pequena, precisa de mais.
Em pesquisas com histórico de literatura, você pode usar os efeitos encontrados em estudos anteriores como referência. Em pesquisas exploratórias, você usa estimativas conservadoras.
Por que “n=30” não é uma resposta
O mito do n=30 é persistente na metodologia de pesquisa. A ideia de que 30 participantes é o mínimo para qualquer pesquisa quantitativa vem de uma simplificação do Teorema Central do Limite, que descreve como a distribuição das médias amostrais se aproxima de uma distribuição normal conforme a amostra aumenta.
Mas o Teorema Central do Limite fala sobre a distribuição de médias, não sobre o poder para detectar efeitos específicos. Para muitas análises, 30 participantes têm poder estatístico muito baixo. Para outras análises mais simples com efeitos grandes esperados, 30 pode ser adequado.
Usar “n=30 porque é o mínimo” sem calcular o poder estatístico específico para a sua análise é metodologicamente frágil. Se a banca ou os revisores perguntarem como você chegou ao tamanho de amostra, “30 é o mínimo” não é uma justificativa suficiente.
Como o cálculo é feito na prática
O cálculo de tamanho de amostra varia conforme o tipo de análise estatística que você vai realizar. Correlação de Pearson, teste t, ANOVA, regressão linear, qui-quadrado, cada um tem sua própria fórmula ou procedimento de cálculo de poder.
A ferramenta mais usada para isso é o G*Power, um software gratuito que calcula tamanho de amostra ou poder estatístico para dezenas de tipos de análise. Você informa o tipo de teste, o nível de significância (α, geralmente 0.05), o poder desejado (geralmente 0.80) e o tamanho de efeito esperado, e o programa calcula o tamanho de amostra necessário.
Para estudos de prevalência ou surveys, há calculadoras online específicas que usam a fórmula clássica com nível de confiança, margem de erro e proporção esperada.
Para análises mais complexas (modelos de equações estruturais, análise fatorial), softwares como o R têm pacotes específicos para cálculo de poder.
Tamanho de amostra em pesquisa qualitativa
Pesquisa qualitativa funciona com uma lógica diferente. Você não está buscando representatividade estatística. Está buscando compreensão aprofundada de experiências, perspectivas ou fenômenos.
O critério principal de adequação do número de participantes em pesquisa qualitativa não é um cálculo, mas a saturação teórica: o ponto em que novas entrevistas ou observações não acrescentam informações significativamente novas ao que já foi coletado.
Isso significa que você não determina o número de participantes antes de começar da mesma forma que numa pesquisa quantitativa. Você parte com um número razoável (geralmente entre 8 e 30 dependendo do método e da homogeneidade do grupo) e segue coletando até atingir saturação.
Estudos de caso únicos, fenomenologias com poucos participantes, estudos etnográficos de longa duração: todos têm critérios próprios de adequação que não passam por cálculo de amostra no sentido quantitativo.
O que escrever na metodologia sobre tamanho de amostra
Na seção de metodologia, você precisa justificar o tamanho da amostra com os parâmetros que usou para chegar a ele.
Para pesquisa quantitativa, o mínimo esperado é: citar a ferramenta ou fórmula usada para o cálculo, informar os parâmetros inseridos (nível de confiança, poder, tamanho de efeito), e apresentar o resultado do cálculo. Se você usou uma amostra por conveniência menor do que o calculado, precisa reconhecer isso como limitação e discutir o impacto no poder do estudo.
Para pesquisa qualitativa, a justificativa é diferente: explica o método de amostragem (proposital, bola de neve, teórica) e descreve como foi avaliada a saturação.
O Método V.O.E. enfatiza a importância de validar a metodologia antes de executar a coleta. Isso se aplica diretamente ao tamanho de amostra: definir e justificar o número antes de começar evita o problema de coletar dados e só depois perceber que o poder é insuficiente.
Para aprofundar o entendimento sobre metodologia quantitativa e ferramentas de análise, os recursos para pesquisadores do site têm indicações práticas para cada etapa do processo.
Perguntas que o orientador vai fazer
Quando você apresentar a metodologia, esteja preparado para responder:
Como você chegou ao tamanho de amostra? Qual o poder estatístico do estudo? Qual o tamanho de efeito que você está usando como referência e de onde vem essa estimativa? Se a amostra disponível for menor do que o calculado, o que isso implica para as conclusões?
Essas perguntas não são armadilhas. São parte do processo de validar que a pesquisa foi planejada com rigor. Saber responder demonstra domínio metodológico, que é exatamente o que uma banca avalia.
Um ponto final sobre amostra e qualidade de pesquisa
Amostra grande não garante pesquisa boa. Amostra adequada, com dados coletados de forma rigorosa e análise apropriada ao design do estudo, é o que produz resultados confiáveis.
Pesquisas com amostras pequenas e metodologia sólida contribuem mais ao conhecimento do que pesquisas com amostras gigantes e erros de design. O tamanho de amostra importa, mas ele é uma entre várias decisões metodológicas que precisam ser consistentes entre si.