O tamanho da amostra é o fator mais controlável na qualidade da pesquisa. Muito pequeno e você desperdiça recursos coletando dados inconclusivos. Muito grande e você gasta desnecessariamente em uma questão que um estudo menor poderia ter respondido. Determinar o tamanho da amostra antes do início da coleta de dados é uma das decisões estatísticas mais importantes que um pesquisador toma.
Por que o tamanho da amostra é importante
Um estudo subdimensionado não tem poder estatístico para detectar efeitos reais – desperdiça recursos e produz falsos negativos que podem atrasar descobertas importantes. Em ensaios clínicos, um estudo com fraca potência pode não conseguir detectar um tratamento genuinamente eficaz, fazendo com que seja abandonado prematuramente. Por outro lado, um estudo sobredimensionado é desnecessariamente caro e, na investigação clínica, expõe mais participantes a condições experimentais do que o necessário – levantando preocupações éticas sob o princípio do equilíbrio. Para inquéritos e sondagens de opinião, uma amostra demasiado pequena produz margens de erro tão amplas que os resultados são ininterpretáveis: uma sondagem de n = 30 com 95% de confiança tem uma margem de ±18%, tornando estatisticamente indistinguíveis mesmo grandes oscilações políticas. O cálculo adequado do tamanho da amostra equilibra a precisão estatística, o poder e as restrições práticas - e o cálculo deve ser feito antes do início da coleta de dados, e não depois, porque ajustes post-hoc no tamanho da amostra introduzem vieses. Os padrões de replicação modernos exigem agora o pré-registro dos cálculos do tamanho da amostra, tornando esta etapa um requisito metodológico e uma obrigação ética na pesquisa financiada.
Os retornos decrescentes de amostras maiores
A margem de erro diminui com a raiz quadrada do tamanho da amostra. Quadruplicar n apenas reduz a margem pela metade. Passar de n = 100 para n = 400 reduz pela metade a margem de erro, mas passar de n = 400 para n = 1.600 apenas a reduz pela metade novamente, e o custo quadruplicou a cada vez. Esta relação de raiz quadrada significa que as melhorias de precisão se tornam progressivamente mais caras à medida que as amostras crescem. Para a fórmula de proporção padrão n = z²p(1−p)/E², reduzir E pela metade requer 4× os respondentes. Com 95% de confiança e margem de ±5%: n ≈ 384. Com ±2,5% (duas vezes a precisão): n ≈ 1.537. A ±1% (cinco vezes a precisão): n ≈ 9.604. A implicação prática é que geralmente existe um ponto ideal — muitas vezes em torno de n = 400–1.500 para pesquisas — além do qual ganhos adicionais de precisão custam mais do que valem. A compreensão dessa curva ajuda os pesquisadores a definir metas realistas e econômicas, em vez de buscar a perfeição teórica.
Análise de potência – a etapa frequentemente esquecida
Muitos pesquisadores concentram-se apenas na confiança e na margem de erro, ignorando o poder estatístico. Potência (1 − β) é a probabilidade de detectar um efeito real de um determinado tamanho. Um estudo pode ter um IC restrito de 95% e ainda assim ter pouco poder se o tamanho do efeito medido for pequeno em relação ao tamanho da amostra. A análise de poder funciona em ambas as direções: dado um orçamento fixo (tamanho da amostra), qual é o menor efeito que você pode detectar com segurança? Ou, dado o tamanho do efeito alvo (da literatura anterior ou importância prática), de quantos assuntos você precisa para obter 80% de poder? O d de Cohen padroniza os tamanhos dos efeitos para que possam ser comparados entre os estudos: d = 0,2 (pequeno), 0,5 (médio), 0,8 (grande). Com n = 50 por grupo, um estudo tem apenas 40% de poder para detectar um efeito pequeno (d = 0,2), mas 98% de poder para detectar um efeito grande (d = 0,8). Não levar em conta o poder significa que estudos de baixa potência são publicados com resultados negativos que descartam incorretamente os efeitos reais – contribuindo para a crise de replicação na psicologia e na medicina.
Populações Finitas e o Mito do Censo
Um equívoco comum é pensar que é necessário pesquisar uma grande fração da população para obter resultados confiáveis. Na realidade, para populações acima de cerca de 10.000 habitantes, o tamanho da amostra exigido quase não muda porque o factor de correcção da população finita se aproxima de 1. A precisão de um inquérito é determinada quase inteiramente pelo tamanho absoluto da amostra e não pela fracção amostrada. Uma pesquisa de n = 1.068 atinge uma margem de ±3% com 95% de confiança, quer a população seja de 100.000 ou 330 milhões. A correção de população finita n_adj = nN/(n + N − 1) só importa quando se amostra mais de 5–10% da população total — por exemplo, pesquisando 100 entre 500 funcionários. Para populações pequenas (N = 500), a amostragem 50 requer n_adj ≈ 44 em vez de 384 — uma redução substancial. Entender quando aplicar essa correção evita amostragem excessiva (desperdício de recursos) e amostragem insuficiente (precisão insuficiente) em contextos como controle de qualidade, pesquisas em pequenas comunidades ou pesquisas de população animal.