Imagina passar meses — talvez mais de um ano — a recolher dados, a analisar resultados, a escrever capítulo após capítulo… para depois ouvires o júri dizer: “O dimensionamento da amostra não está adequadamente justificado.” Parece um pesadelo? Pois é mais comum do que pensas.

Sabias que um erro no cálculo da amostra pode invalidar meses de trabalho? Os dados das universidades portuguesas revelam que uma percentagem significativa das reprovações em teses está diretamente relacionada com falhas metodológicas — e o dimensionamento de amostra é frequentemente o calcanhar de Aquiles dos estudantes.

Definição: O dimensionamento de amostra é o processo de determinar o número mínimo de participantes necessários para obter resultados estatisticamente válidos, considerando nível de confiança, margem de erro e características da população.

Neste artigo, vou revelar-te os 5 erros específicos que os júris portugueses identificam repetidamente — e, mais importante, como evitá-los. Não são erros obscuros ou técnicos demais. São erros que destroem o trabalho de alunos brilhantes que simplesmente não sabiam que estavam a cometê-los.

Se já te perguntaste “quantos participantes preciso para a minha tese?” ou “como justifico o tamanho da minha amostra?”, este guia foi escrito especificamente para ti.

Antes de mergulharmos nos erros, é importante entenderes que o cálculo amostral faz parte de um conjunto mais amplo de decisões metodológicas que determinam a credibilidade do teu trabalho.

O Papel Central da Amostra na Investigação Académica

Quando fazes investigação, raramente consegues estudar toda a população que te interessa. Se queres perceber os hábitos de estudo dos estudantes universitários portugueses, não vais conseguir entrevistar os mais de 400 mil inscritos no ensino superior. Por isso, recolhes dados de uma amostra — um subconjunto dessa população.

Aqui está o ponto crucial: para que possas generalizar as conclusões da tua amostra para a população toda, essa amostra precisa de ser suficientemente grande e representativa. É aqui que entra o conceito de validade externa.

O dimensionamento de amostra não é apenas uma formalidade burocrática. É o alicerce que sustenta toda a tua argumentação científica. Sem ele bem fundamentado, as tuas conclusões ficam suspensas no ar.

Parâmetros Fundamentais do Cálculo

Para calculares corretamente o tamanho da tua amostra, precisas de definir quatro elementos essenciais:

• Nível de confiança: Tipicamente 95%, significa que se repetisses o estudo 100 vezes, em 95 delas obterias resultados semelhantes.
• Margem de erro: A precisão que desejas. Uma margem de 5% significa que os teus resultados podem variar até 5% em relação ao valor real.
• Proporção esperada (p): A estimativa da característica que estudas na população. Quando desconhecida, usa-se p=0,5.
• Tamanho da população: Se é finita (conhecida e limitada) ou infinita (muito grande ou desconhecida).

O artigo técnico da Clinical and Biomedical Research da UFRGS explica detalhadamente como estes parâmetros se relacionam matematicamente.

A Diferença Entre Estimar e Comparar

Aqui está algo que apanha muitos alunos desprevenidos: existem dois cenários fundamentalmente diferentes para calcular o tamanho da amostra.

O primeiro é quando queres estimar algo — por exemplo, “qual a percentagem de estudantes que preferem aulas presenciais?”. Neste caso, usas fórmulas baseadas na margem de erro e nível de confiança.

O segundo é quando queres comparar grupos — por exemplo, “os estudantes que usam técnicas de estudo ativo têm melhores notas?”. Aqui, precisas de uma abordagem completamente diferente: a análise de poder estatístico.

A documentação do Minitab sobre poder e tamanho de amostra para teste t de 2 amostras ilustra perfeitamente como fazer este cálculo.

O Que os Júris em Portugal Estão a Exigir em 2025

O panorama académico não é estático. O que era aceite há dez anos pode já não passar no crivo dos júris atuais.

Os tempos em que podias simplesmente escrever “a amostra foi constituída por 50 participantes” e avançar acabaram. Os júris portugueses esperam ver uma justificação explícita de todos os parâmetros usados no cálculo. Já não basta apresentares o número final — precisas de defender cada escolha.

Outra tendência clara é a expectativa de que os alunos utilizem ferramentas validadas. Software como G*Power, Minitab, ou calculadoras online especializadas tornaram-se referências. É cada vez mais comum os júris perguntarem: “Que software utilizou para calcular o tamanho da amostra?”

A dimensão ética também ganhou relevância. A página da CEUA/UFV sobre Cálculo do Tamanho da Amostra aborda este ponto: amostras excessivamente grandes representam desperdício de recursos, enquanto amostras demasiado pequenas produzem resultados inválidos.

Os 5 Erros na Amostra Que Reprovam Alunos

Chegamos ao coração deste artigo. Identifiquei padrões claros nos erros que levam às reprovações. Aqui estão os cinco mais fatais.

Erro #1 — Usar “Regras de Bolso” Sem Justificação Técnica

Quantas vezes já ouviste alguém dizer “30 participantes é suficiente para qualquer estudo”? Estas “regras de bolso” circulam nos corredores das universidades como se fossem verdades absolutas. A realidade? Estes números são frequentemente tirados do contexto ou mal interpretados.

Quando o júri te pergunta “porque é que a tua amostra é de 30 participantes?” e a tua resposta é “li algures que era o mínimo”, perdes credibilidade instantaneamente.

A Solução: Apresenta sempre a fórmula utilizada e os parâmetros escolhidos. O guia da Morrison Kühlsen sobre a fórmula de Cochran exemplifica como documentar um cálculo de forma fundamentada.

Erro #2 — Ignorar a Correção para População Finita

As fórmulas básicas assumem populações infinitas. Mas e se a tua população for de apenas 200 enfermeiros de um hospital específico? Quando a população é conhecida e limitada, aplicar a fórmula básica vai sobrestimar o tamanho de amostra necessário.

A Solução: Considera aplicar a correção quando N é inferior a 10.000:

Erro #3 — Confundir Estimação com Comparação de Grupos

Este é talvez o erro mais técnico. O aluno quer comparar dois grupos mas calcula o tamanho da amostra como se estivesse apenas a estimar uma proporção. São situações fundamentalmente diferentes.

Um estudo subdimensionado para comparação de grupos significa falta de poder estatístico. Podes concluir “não houve diferença significativa” quando na verdade a diferença existe — simplesmente não tinhas amostra suficiente para a detetar.

A Solução: Para estudos comparativos, usa análise de poder estatístico. O software G*Power é gratuito e amplamente aceite. A obra clássica de Jacob Cohen, Statistical Power Analysis for the Behavioral Sciences, continua a ser a referência fundamental.

Este erro não se corrige depois. Se dimensionaste mal a amostra, os problemas vão aparecer quando tentares analisar os resultados.

Erro #4 — Assumir Valores Padrão Sem Contextualizar

É tentador usar p=0,5, margem de erro de 5%, confiança de 95%… “porque toda a gente usa”. O júri percebe imediatamente quando um aluno não pensou criticamente sobre os seus parâmetros.

A Solução: Pensa em cada parâmetro no contexto do teu estudo. Se não tens estimativa prévia de p, explica que usas p=0,5 porque maximiza o tamanho de amostra — é uma abordagem conservadora e justificável. Se existem estudos anteriores, usa o valor de p desses estudos e cita a fonte.

Erro #5 — Justificar Amostra Apenas por Conveniência

“A amostra foi de 50 participantes porque era o que tínhamos acesso.” Esta frase aparece em demasiadas teses. É uma justificação puramente prática, sem qualquer fundamento estatístico.

A Solução: Mesmo com limitações práticas, faz três coisas: calcula qual seria o n ideal; calcula o poder estatístico real com o n que conseguiste obter; discute as limitações explicitamente nas conclusões.

Este erro liga-se a problemas mais amplos da investigação quantitativa que explorámos noutro artigo.

O Futuro do Rigor Metodológico nas Teses em Portugal

Uma prática cada vez mais comum é o pré-registo de estudos — declarar publicamente, antes de recolher dados, as tuas hipóteses e metodologia. Algumas universidades portuguesas já começam a encorajar esta prática. A implicação? Não poderás “ajustar” o teu cálculo de amostra depois de ver os resultados.

Com o avanço da inteligência artificial, é provável que vejamos ferramentas automáticas para verificação de cálculos metodológicos. Qualquer discrepância será facilmente detetável — reforçando a importância da transparência total.

A crise de replicabilidade nas ciências sociais trouxe nova consciência sobre a importância de estudos bem documentados. Detalhar minuciosamente o teu cálculo amostral torna o teu estudo replicável, aumentando o seu valor científico.

Checklist Final

O dimensionamento de amostra pode parecer apenas mais um detalhe técnico numa tese já cheia de detalhes. Mas como viste, é um detalhe que pode fazer a diferença entre a aprovação e a reprovação. Investe o tempo necessário para fazê-lo bem — o teu eu do futuro vai agradecer-te.