Como determinar o tamanho da amostra em pesquisas: base estatística e diretrizes práticas

"Quantas respostas eu realmente preciso para esta pesquisa?". Se você já conduziu pesquisa, ou fez essa pergunta ou foi alguém te fez. A resposta honesta é "existe uma fórmula estatística bem definida, mas a decisão real sobre tamanho de amostra envolve mais do que só a matemática". Muitos projetos são lançados no "vamos com 100" ou "o que o orçamento permitir", para depois, na revisão, serem empurrados para trás por amostra insuficiente. Um modo de falha comum e discreto.

Este texto cobre a base estatística para dimensionar uma pesquisa (fórmula de Cochran, nível de confiança, margem de erro), as regras de bolso do setor que fornecedores usam na prática e os riscos de rodar com amostras pequenas. Objetivo: você entra na próxima conversa de dimensionamento com uma resposta defensável, não um palpite.

1. O que o tamanho da amostra realmente controla

Antes da conta, uma imagem clara do que o tamanho da amostra está trocando:

Nível de confiança: se você rodasse a mesma pesquisa 100 vezes, com que frequência o resultado cairia dentro da faixa-alvo. 95% é o default do setor
Margem de erro: a diferença aceitável entre o resultado da amostra e o valor "verdadeiro" da população. ±5% é o padrão
Representatividade: o quão bem sua amostra reflete a distribuição da população subjacente

Mais amostra → confiança maior, margem mais estreita, representatividade melhor. Também custa proporcionalmente mais, então a decisão é onde a amostra extra deixa de valer a pena. É aí que entra a estatística.

2. A base estatística — fórmula de Cochran

A fórmula clássica para determinação de tamanho de amostra é a fórmula de Cochran, apresentada por William G. Cochran em 1977. Ela segue como referência em livros-texto e guias profissionais como a metodologia padrão para essa decisão.

A fórmula

Para uma população infinita (ou desconhecida):

n_0 = \frac{Z^2 \cdot p(1 - p)}{e^2}

Em que:

$n_0$ : tamanho de amostra necessário
$Z$ : escore Z para o nível de confiança escolhido ( $Z = 1{,}96$ para 95%, $Z = 2{,}58$ para 99%)
$p$ : proporção populacional assumida. Use $p = 0{,}5$ quando desconhecida — é a escolha mais conservadora (produz a maior estimativa de amostra)
$e$ : margem de erro (tipicamente $e = 0{,}05$ = ±5%)

Substituindo com 95% de confiança ( $Z = 1{,}96$ ), $p = 0{,}5$ , $e = 0{,}05$ :

n_0 = \frac{1.96^2 \times 0.5 \times 0.5}{0.05^2} = 384.16

Cerca de 384 respostas bastam para 95% de confiança a ±5% de erro, numa população infinita.

Correção para população finita

Se sua população é finita — digamos, seus 1.000 clientes —, você aplica a Correção para População Finita (FPC):

n = \frac{n_0}{1 + \dfrac{n_0 - 1}{N}}

Em que $N$ é o tamanho da população. Populações menores precisam de proporcionalmente menos respostas.

Tabela canônica de tamanho de amostra

Com 95% de confiança, ±5% de erro, p = 0,5:

População (N)	Amostra necessária (n)
100	80
500	217
1.000	278
10.000	370
100.000+ / infinita	384

Para a derivação completa, veja o explicador da fórmula de Cochran no Statistics How To e a determinação de tamanho de amostra em pesquisa aplicada no ResearchGate.

3. Regras de bolso do setor

A fórmula de Cochran dá um mínimo estatístico. Na prática, outros fatores também guiam decisões de tamanho de amostra, então os guias dos fornecedores publicam regras de bolso. Elas devem ser tratadas como valores de referência amplamente compartilhados no setor, em vez de benchmarks rigorosamente validados.

Faixas de erro por tamanho de amostra

Entre os comentários dos fornecedores, as faixas abaixo são as mais citadas:

Amostra	Margem de erro aproximada	Interpretação prática
50	~±15%	Leitura direcional aproximada apenas
100	~±10%	Confiabilidade razoável
400	~±5%	Precisão padrão de pesquisa profissional
1.000	~±3%	Alta precisão, detecta pequenas diferenças

A convenção do setor de que "N=400 é a linha de base" vem do fato de que ~384 é o mínimo estatístico para ±5% de erro a 95% de confiança.

Equilíbrio custo-precisão — por que "em torno de 400 é o ponto ideal"

Ao plotar essa relação, a curva tem uma clara parte inicial íngreme e uma cauda plana. Uma imagem torna todo o trade-off óbvio.

信頼度 95% (Z=1.96)、p=0.5 での計算

Indo de N=100 para N=400, a margem de erro cai de cerca de 9,8% para 4,9% — a metade. Indo de N=400 para N=1.000, ela cai apenas de 4,9% para 3,1% — 1,8 ponto para 2,5× de amostra. Isso vem do $\sqrt{n}$ na fórmula $e = 1.96 \sqrt{p(1-p)/n}$ : para cortar a margem de erro pela metade, você precisa quadruplicar a amostra.

A convenção do setor de N=400 não é arbitrária — ela fica exatamente no ponto em que os ganhos de precisão começam a achatar. Depois desse ponto, cada respondente adicional compra bem menos precisão por unidade monetária. Em torno de 400 é onde o trade-off preço-precisão de fato atinge o pico.

Calculadoras de tamanho de amostra de fornecedores

Vários fornecedores hospedam calculadoras online gratuitas com os mesmos campos de entrada (população, confiança, margem):

Todas implementam a fórmula de Cochran por baixo, então os resultados são essencialmente idênticos. A matemática já está resolvida; o julgamento humano está nos insumos — qual nível de confiança e qual margem de erro você realmente precisa?

4. Tamanho de amostra por caso de uso

Tipos diferentes de estudo precisam de precisões diferentes. Padrões comuns no setor:

Estudos exploratórios / de screening

Objetivo: leitura direcional antes da hipótese
Faixa: 30–100 respostas
Quando serve: quando ±10–15% de erro não muda a decisão

Estudos de nível decisão

Objetivo: decisões de produto, serviço ou nível executivo
Faixa: 300–500 respostas no total
Quando se aplica: padrão profissional a 95% de confiança, ±5%

Estudos de comparação entre segmentos

Objetivo: comparar demografias, regiões, cargos etc.
Faixa: pelo menos 100 por segmento, com totais frequentemente de 800 a 2.000+
Por quê: a margem de erro dentro de cada segmento também precisa ser ±10% ou mais estreita

Estudos longitudinais / de tracking

Objetivo: repetir a mesma pesquisa ao longo do tempo e acompanhar mudanças
Faixa: 400–1.000 por onda
Por quê: é preciso poder estatístico para detectar diferenças onda a onda

O pior antipadrão é decidir o número da amostra antes do propósito. Propósito primeiro, número depois.

5. O que acontece com amostras pequenas

Às vezes o orçamento só permite N=50. Entender exatamente o que isso custa a você permite tomar uma decisão informada.

Risco 1: intervalos de confiança amplos

Em N=50, a margem de erro é de cerca de ±15%. Um resultado de "40% de intenção de compra" na verdade quer dizer "algo entre 25% e 55%". É, em geral, largo demais para sustentar uma afirmação firme em qualquer direção.

Risco 2: a segmentação perde sentido

Divida N=50 em masculino/feminino (25/25) e depois por faixa etária — cada célula acaba com 5 a 10 respostas. Comparação estatística entre segmentos desse tamanho é basicamente ruído.

Risco 3: outliers dominam o sinal

Um único respondente extremo move todo o score de forma relevante. Na codificação de texto aberto, visões minoritárias podem parecer "a opinião da maioria" só porque a maioria é pequena.

Quando amostras pequenas são legitimamente aceitáveis

Geração de insights qualitativos: "que tipos de queixa existem?" funciona bem em N=30
Validação de hipóteses antes de um estudo maior: pilotos
Complementação direcionada: você já tem dados em larga escala e quer um mergulho pequeno

A regra em amostras pequenas: não deixe os números andarem sozinhos. Sempre declare a margem.

6. A visão da redação — quatro erros de tamanho de amostra que vemos sempre

Depois de acompanhar estudos de caso publicados e comentários do setor ao longo do tempo, quatro falhas de tamanho de amostra aparecem de novo e de novo. Vamos chamá-las direto pelo nome.

1. "Vamos só fazer 100" é mais arriscado do que parece. Em N=100, a margem de erro é ±10%. Um resultado de "40% de intenção de compra" pode estar facilmente em qualquer lugar entre 30% e 50% — uma faixa larga o suficiente para mudar completamente uma decisão. Se você vai enviar com 100, deixe a margem explícita no relatório. Relatórios que, em silêncio, apresentam N=100 sem faixas de incerteza são os que depois são contestados como "pouco rigorosos".

2. Definir o tamanho total da amostra ignorando as células por segmento. "Vamos coletar 500 no total" está ok, até você abrir os dados e descobrir que seus segmentos críticos têm 30 respostas cada. Se a segmentação faz parte da análise, dimensione a partir da menor célula. Quer comparar o Top-2 Box de mulheres de 40 a 59 anos? Fixe o mínimo por segmento em 100 primeiro; o total decorre disso.

3. Confundir "amostra necessária" com "envios necessários". Ainda vemos gente mirar 384 envios quando precisa de 384 respostas. Isso está sempre errado. Se sua taxa de resposta em e-mail é 10%, você precisa enviar 3.840 — não 384. Incorpore a taxa de resposta desde o começo. Veja os fundamentos de taxa de resposta para mais.

4. "Amostra maior = mais precisão" é uma intuição comum, mas errada. Tamanho de amostra controla precisão, mas uma amostra enviesada continua enviesada em qualquer tamanho. 10.000 respostas dos seus usuários mais pesados não é um estudo representativo. A representatividade importa mais que o volume bruto. Um estudo de 300 respostas bem direcionado em geral bate uma amostra de conveniência de 10.000 para decisão real.

7. Projetando pesquisas na ferramenta de pesquisa Kicue

O Kicue inclui os recursos necessários para executar as decisões de tamanho de amostra:

Gerenciamento de cotas — defina amostras-alvo por segmento e feche automaticamente quando a meta for atingida (detalhes)
Monitoramento de coleta em tempo real — acompanhe o progresso por segmento em um dashboard ao vivo (detalhes)
Roteamento por parâmetros de URL — receba atributos de painéis externos para segmentar a distribuição com precisão
Recursos de taxa de resposta — otimização mobile, lógica de pulo, barra de progresso para maximizar a conclusão em relação aos envios

Envie um arquivo de questionário e o Kicue cuida da distribuição, das cotas e da infraestrutura de análise que você, de outra forma, estaria emendando com arame.

Escolher a ferramenta certa — Os limites do plano gratuito, suporte a ramificação, capacidades IA e exportação CSV variam muito entre ferramentas. Confira nosso comparativo de ferramentas de pesquisa gratuitas para encontrar a ideal para esta abordagem.

Recapitulando

Um checklist para decisões de tamanho de amostra:

A fórmula de Cochran é a base estatística — 95% de confiança a ±5% ≈ 384 para populações infinitas
Aplique a correção para população finita — uma população de N=100 precisa de 80, N=1.000 precisa de 278
Dimensione a partir do caso de uso — screening 30–100, nível decisão 300–500, comparação entre segmentos 100+ por célula
Saiba o que amostras pequenas custam — margens de ±15%, sem análise de segmento, sensibilidade a outliers
Representatividade bate volume — uma amostra enviesada de 10.000 não vence uma representativa de 300

A pergunta "de quantas a gente precisa?" é respondida trabalhando para trás a partir do propósito e da precisão requerida. Quando isso vira hábito, você consegue defender o tamanho da amostra em qualquer reunião — inclusive naquela em que o orçamento está sendo negociado.

Referências

Metodologia acadêmica e estatística

Guias e calculadoras de tamanho de amostra do setor (tratados como referência do setor)

Cuide de tamanho de amostra, gerenciamento de cotas e distribuição em um só lugar com Kicue — uma ferramenta de pesquisa online grátis, com cotas e monitoramento ao vivo.