Não existe um número universal de respostas que torne uma pesquisa “boa”. O tamanho da amostra só faz sentido depois de definir o que você quer concluir, quem forma a população, como as pessoas serão selecionadas e quanta incerteza é aceitável. Uma calculadora pode devolver um número preciso e, ainda assim, responder à pergunta errada.
O exemplo mais conhecido — cerca de 385 respostas — vem de uma situação específica: estimar uma proporção em uma população grande, com amostragem aleatória simples, 95% de confiança, margem de erro de aproximadamente 5 pontos percentuais e a hipótese conservadora de 50% para a proporção. Mudar qualquer uma dessas condições muda a conta. E, se a amostra for por conveniência, o problema principal deixa de ser apenas quantas pessoas responderam e passa a ser quem teve chance de entrar na amostra.
Antes da calculadora: defina o que a pesquisa precisa sustentar
O objetivo vem antes do tamanho da amostra
Se a intenção é levantar ideias, testar se uma pergunta é compreensível ou identificar problemas recorrentes entre usuários acessíveis, uma amostra exploratória pode ser útil sem pretender representar toda a população. Nesse caso, o número de respostas é uma decisão de cobertura prática: você quer diversidade suficiente para encontrar padrões, exceções e temas, mas não está afirmando que 37% de todos os clientes pensam de determinada forma.
Se a intenção é estimar uma proporção na população — por exemplo, a parcela de clientes que prefere uma opção — a amostra precisa sustentar inferência quantitativa. Aí entram nível de confiança, margem de erro, variabilidade esperada e desenho amostral. A American Association for Public Opinion Research, a AAPOR, recomenda deixar explícito se a seleção é probabilística ou não probabilística, porque essa diferença afeta diretamente o que pode ser dito sobre precisão.
Se a intenção é comparar grupos ou detectar uma diferença mínima entre duas versões, o cálculo muda novamente. “Quantas respostas no total?” deixa de ser a pergunta principal; você precisa de tamanho suficiente em cada grupo e, em muitos casos, de um cálculo de poder estatístico baseado no efeito que deseja detectar.
Defina a população com precisão
“Clientes” pode significar todos os clientes cadastrados, apenas compradores dos últimos 90 dias, assinantes ativos, visitantes de uma loja ou pessoas que concluíram determinada etapa do produto. O tamanho da população só entra corretamente no cálculo depois que essa definição está fechada.
Também é preciso saber qual é a moldura de amostragem: a lista, cadastro, painel ou mecanismo que permite chegar às pessoas elegíveis. Se parte da população nunca aparece nessa moldura, existe erro de cobertura. Aumentar o número de respostas dentro da mesma lista não inclui automaticamente quem ficou de fora.
De onde vem o número de 385 respostas
Para estimar uma proporção com amostragem aleatória simples, uma aproximação clássica para população grande é n = z² × p × (1 − p) / e². Nessa expressão, z representa o nível de confiança escolhido, p é a proporção esperada e e é a margem de erro absoluta desejada.
Quando não há uma boa estimativa prévia de p, usar 0,5 é a escolha conservadora porque produz a maior variância e, portanto, o maior tamanho de amostra para uma mesma margem de erro. O NIST apresenta esse raciocínio ao discutir tamanho de amostra para proporções.
Com 95% de confiança, p = 0,5 e margem de erro de 5 pontos percentuais, o cálculo para uma população muito grande resulta em cerca de 385 respostas. Se você aceitar 10 pontos de margem, o número cai para aproximadamente 97. Se quiser 3 pontos, sobe para cerca de 1.068. A relação é quadrática: reduzir a margem de erro pela metade exige aproximadamente quatro vezes mais respostas, mantidas as demais condições.
Isso ajuda a enxergar o custo da precisão. Pedir “mais confiança” ou “menos erro” não é um ajuste cosmético na calculadora; é uma exigência que pode multiplicar o trabalho de campo.
População pequena muda a conta; população grande, muito menos
Quando a população é finita e a seleção é feita sem reposição, pode-se aplicar a correção para população finita. Ela importa principalmente quando a amostra representa uma fração relevante de toda a população.
Mantendo o exemplo de 95% de confiança, 5 pontos de margem e p = 0,5, uma população muito grande pede cerca de 385 respostas. Se a população tiver 10.000 pessoas, a correção leva o alvo para cerca de 370. Com 1.000 pessoas, para aproximadamente 278. Com 500, para cerca de 218. Com 200, para aproximadamente 132.
Por isso, o tamanho da população não cresce na mesma proporção que o tamanho da amostra. Passar de 10 mil para 1 milhão de pessoas quase não altera o alvo nesse cenário, porque a incerteza passa a ser dominada pelo tamanho da amostra e não pelo tamanho total da população.
Há uma ressalva importante: essa correção pressupõe um desenho compatível com a lógica probabilística. Não faz sentido usar uma fórmula de população finita para dar aparência de precisão a uma seleção por conveniência.
Margem de erro não mede todos os erros da pesquisa
A margem de erro é uma medida ligada à variabilidade amostral. Ela não resume todos os riscos de uma pesquisa. Uma pergunta enviesada, uma lista que exclui parte do público, uma taxa de não resposta concentrada em determinado perfil, respostas apressadas ou um erro de programação podem deslocar o resultado sem aparecer na margem de erro calculada.
A própria AAPOR chama atenção para isso ao tratar qualidade de pesquisa como algo maior que tamanho de amostra. Em levantamentos probabilísticos, a organização recomenda informar a margem de erro e considerar efeitos do desenho, como ponderação e agrupamento. Em desenhos mais complexos, a variância pode ser maior que na amostragem aleatória simples, e o tamanho necessário precisa ser ajustado pelo efeito de desenho ou por métodos apropriados de estimação.
Em outras palavras, “±5 pontos” não significa “o resultado total está certo dentro de 5 pontos”. Significa algo mais limitado: sob o modelo de amostragem e as condições usadas no cálculo, existe uma faixa de incerteza atribuível à seleção amostral. Outros componentes de erro continuam existindo.
O limite das amostras por conveniência não é resolvido com mais respostas
Uma amostra por conveniência reúne quem estava disponível, se voluntariou, clicou em um link, respondeu a um convite aberto ou foi recrutado por um canal que não dá a cada pessoa da população uma probabilidade conhecida de seleção. Esse método pode ser rápido e útil, mas limita a inferência.
A AAPOR orienta que estudos não probabilísticos só apresentem medidas de precisão quando elas forem definidas dentro de um modelo explícito, com pressupostos descritos e validados. Portanto, pegar 385 respostas de um link aberto e anexar automaticamente “margem de erro de ±5%” mistura dois raciocínios incompatíveis.
O tamanho grande reduz a flutuação aleatória dentro da amostra observada, mas não corrige automaticamente viés de seleção. Dez mil respostas de seguidores altamente engajados ainda podem descrever mal uma base formada também por clientes silenciosos, inativos ou pouco conectados ao canal de recrutamento.
Isso não torna a amostra por conveniência inútil. Ela pode servir para explorar linguagem, levantar hipóteses, identificar falhas, testar um questionário ou compreender experiências de um grupo acessível. O cuidado é alinhar a conclusão ao método: “entre as pessoas que responderam” é diferente de “entre todos os clientes”.
Número de respostas desejadas não é número de convites necessários
Depois de calcular quantas respostas válidas você precisa para a análise, ainda falta planejar o campo. O alvo estatístico é o número de respostas utilizáveis; o volume operacional depende de quantas pessoas elegíveis realmente concluem o questionário e de quantas respostas serão descartadas por duplicidade, inelegibilidade ou falhas de qualidade.
Uma forma simples de planejamento é estimar convites ≈ respostas válidas desejadas / (taxa esperada de conclusão × taxa esperada de validade). Se o alvo for 385 respostas válidas, 40% dos convidados elegíveis costumarem concluir e 95% das conclusões forem utilizáveis, o planejamento aponta para cerca de 1.014 convites.
Essa conta é uma projeção operacional, não uma definição formal de “taxa de resposta”. A AAPOR mantém definições padronizadas de response rate, cooperation rate e outros indicadores, com tratamento específico para elegibilidade, contatos e respostas parciais. Para planejar uma campanha simples, a taxa histórica de conclusões por convite pode ser suficiente; para reportar metodologia, vale usar a definição adequada ao desenho.
O melhor insumo para essa projeção é o histórico de pesquisas semelhantes no mesmo canal, com público e extensão parecidos. Se não houver histórico, um piloto pequeno ajuda a estimar abertura, início, abandono e conclusão antes de disparar toda a amostra.
Subgrupos podem transformar uma amostra “grande” em várias amostras pequenas
Um total de 400 respostas pode parecer confortável até a análise ser dividida por quatro regiões, cinco faixas de uso ou diferentes tipos de cliente. A precisão de cada resultado depende do número de pessoas no subgrupo, não apenas do total da pesquisa.
Em um cenário idealizado de amostragem aleatória simples, um grupo com 100 respostas tem, no pior caso para uma proporção, uma margem de amostragem próxima de 9,8 pontos percentuais a 95% de confiança. O mesmo conjunto total de 400 respostas teria cerca de 4,9 pontos para uma proporção calculada sobre todos os respondentes. Por isso, o plano de análise precisa existir antes do campo.
Se uma comparação entre segmentos é central para a decisão, dimensione os segmentos antes de coletar. Pode ser necessário sobreamostrar grupos menores, estratificar a seleção ou prolongar a coleta até atingir mínimos por grupo. Depois, a ponderação pode ser necessária para reconstruir a composição da população no resultado agregado.
Um fluxo prático antes de usar qualquer calculadora
Primeiro: escreva a conclusão que você gostaria de poder publicar
Transforme o objetivo em uma frase verificável. “Quero entender reclamações comuns” pede um desenho diferente de “quero estimar a porcentagem de clientes satisfeitos com margem de 4 pontos”. Quanto mais específica for a conclusão desejada, mais claro fica qual cálculo é necessário.
Segundo: defina população e método de seleção
Registre quem é elegível, qual período conta e como cada pessoa poderá entrar na amostra. Se a seleção for probabilística, descreva a moldura e as probabilidades de seleção. Se for por conveniência, assuma desde o início que a generalização será mais limitada e evite prometer uma margem de erro clássica sem um modelo que a sustente.
Terceiro: escolha a precisão que realmente muda a decisão
Não peça ±2 pontos apenas porque parece melhor do que ±5. Pergunte qual diferença seria relevante para agir. Se uma decisão mudaria somente quando duas opções estivessem separadas por 10 pontos, gastar quatro vezes mais para apertar a margem de 5 para 2,5 pode não ser o melhor uso de recursos.
Quarto: dimensione a análise, não só o total
Verifique os cortes que serão publicados. Se você precisa de resultados por região, faixa etária, plano ou canal, calcule se cada grupo terá tamanho suficiente. Para testes de diferença, use cálculo de poder apropriado em vez de tratar a margem de erro do total como substituto.
Quinto: converta respostas em esforço de campo
Só depois transforme o alvo de respostas válidas em convites, contatos ou interceptações necessárias. Use taxas históricas de elegibilidade, conclusão e validade, e acompanhe o funil durante a coleta. Se o perfil dos respondentes estiver se afastando da população desejada, simplesmente “buscar mais respostas” no mesmo canal pode piorar o desequilíbrio em vez de corrigi-lo.
A resposta curta: o número certo é consequência do desenho
Para uma estimativa simples de proporção em uma população grande, 385 respostas é uma referência comum para 95% de confiança e ±5 pontos de margem sob amostragem aleatória simples e p = 0,5. Esse número não é uma regra universal.
A pergunta mais segura não é “quantas respostas eu preciso?”, isoladamente. É “qual conclusão eu quero sustentar, sobre qual população, com qual método de seleção e qual precisão?”. Quando essas quatro respostas estão definidas, a calculadora finalmente deixa de ser um gerador de número mágico e passa a ser a última etapa de um desenho de pesquisa coerente.
