---
title: "Amostragem: O que é e por quê funciona"
description: Descubra o poder da amostragem em pesquisas de opinião e como ela pode fornecer dados precisos e confiáveis.
---

[Blog da Netquest ](https://www.netquest.com/pt-br/blog)

# [Amostragem: O que é e por quê funciona](https://www.netquest.com/pt-br/blog/amostragem-porque-funciona)

 Escrito por [Carlos Ochoa](https://www.netquest.com/pt-br/blog/author/carlos-ochoa) | 8/jul/2015 5:00:45

As estatísticas deste blog cumprem precisamente o [princípio de Pareto](https://pt.wikipedia.org/wiki/Princ%C3%ADpio_de_Pareto): 20% dos posts geram 80% das visitas. Analisando esses 20%, destaca-se os posts dedicados a forma de calcular o tamanho de uma amostra representativa de uma pesquisa de opinião.

Observando o grande interesse por esta temática, hoje damos início a uma **série de posts dedicados a [amostragem](https://www.netquest.com/blog/br/category/amostagem/)**: o que é, técnicas envolvidas,quando convêm usar uma ou outra, entre outros. Esperamos que os conteúdos sejam úteis para estudantes de pesquisa, pessoas curiosas e profissionais que desejam atualizar-se.

### O que é "amostragem"?

A amostragem é o processo de selecionar um grupo de indivíduos de uma população, a fim de estudar e caracterizar a população total.

A ideia é bastante simples. Imagine que você quer saber uma informação sobre um universo ou população, por exemplo, qual a porcentagem de fumantes no México. Uma maneira de obter essa informação é entrar em contato com todos os habitantes do México (122 milhões de pessoas) e perguntar se são fumantes.  A outra maneira é selecionar um subconjunto de indivíduos (por exemplo, 1.000 pessoas) e perguntar se eles fumam.

O grupo de 1.000 pessoas formam uma **amostra** e a maneira como eu seleciono este grupo é chamado de **amostragem**.

No trecho anterior, introduzimos dois termos-chave nessa série de posts:

- **Universo ou população:** O número total de pessoas que desejam estudar ou caracterizar. No exemplo acima, é a população do México, mas podemos pensar em todos os tipos de universos, mais gerais e mais específicos. Por exemplo, se eu quero saber quantos cigarros os mexicanos fumam, o universo, neste caso, seria "fumantes de México".
- **Amostra:** O grupo de indivíduos do universo selecionados para o estudo, geralmente através de um questionário.

###  **Por quê a amostragem funciona?**

A amostragem é útil, pois permite acompanhar um processo inverso que chamamos de **generalização.** Para conhecer um universo, o que fazemos é: (1) Extrair uma amostra do mesmo, (2) Medir um dado ou opinião, (3) Projetar no universo o resultado observado na amostra. Esta projeção ou extrapolação recebe o nome de generalização dos resultados.

A generalização dos resultados pode apresentar algumas discrepâncias. Suponhamos que temos uma amostra aleatória de 1.000 pessoas, onde 25% da amostra fuma. A simples lógica nos diz que de 1.000 mexicanos entrevistados, 25% são fumantes. Se analisarmos 112 milhões de mexicanos, o número de fumantes deveria representar a mesma porcentagem de 25%. No entanto, deve-se tomar muito cuidado, pois através do acaso, poderíamos ter selecionados mais ou menos pessoas fumantes para representar a amostra. É muito comum encontrar resultados diferentes na amostra (25,2% de fumantes, por exemplo). Ou seja, a generalização dos resultados de uma amostra permite que o universo aceite alguns erros, conforme ilustra a figura abaixo:

Felizmente, o erro cometido pela generalização de resultados pode ser limitado através de estatísticas. Para isso, usamos dois parâmetros: **a margem de erro** (diferença máxima entre os dados observados na minha amostra e os dados reais do universo)  e o **nível de confiança** (nível de certeza sobre os dados reais que está dentro da margem de erro).

Por exemplo, no caso dos fumantes mexicanos, se selecionamos uma amostra de 471 indivíduos e perguntamos se eles fumam, o resultado obtido será uma margem de erro máxima de + 5% com um nível de confiança de 97%. Esta forma de expressar os resultados é correta quando se utiliza a amostragem.

### O tamanho da amostra

Qual o tamanho da amostra que eu preciso para estudar um universo? Depende do tamanho do universo e do nível de erro que você está disposto a aceitar, [como explicamos neste post.](https://www.netquest.com/blog/br/qual-e-o-tamanho-de-amostra-que-preciso/) Quanto mais alta for a precisão, maior será a amostra necessária. Se você quiser ter absoluta certeza no resultado, até a última casa decimal, a amostra precisar ser tão grande quanto o universo.

Mas o tamanho da amostra tem uma propriedade fundamental que explica o porquê a amostragem utiliza diversas áreas do conhecimento. Esta propriedade pode ser resumida da seguinte forma: a medida que estudamos universos maiores, o tamanho da amostra cada vez mais representa uma porcentagem menor desse universo.

Este fenômeno é explicado de forma didática no website: [Gaussianos.com](http://gaussianos.com/el-tamano-de-la-muestra-importa-pero-quizas-no-de-la-manera-que-pensamos/), um blog interessante dedicado à matemática. Suponhamos que queremos fazer uma pesquisa para encontrar uma porcentagem (% de pessoas que fumam) com uma margem de erro de 5% e uma margem de confiança de 95%. Se o universo estudado englobar 100 pessoas, a amostra teria 79,5 indivíduos (ou seja, 79,5% do universo, que representa uma parte muito importante de todo o universo). Se o universo fosse de 1.000 pessoas, a minha amostra seria de 277,7 pessoas (27,7% do universo). E se o meu universo fosse 100.000, a amostra necessária seria de 382,7 pessoas (3,83% do universo).

Portanto, a medida que o universo for maior, a amostra deve crescer de forma desproporcional, com a tendência de estagnar, cada vez mais representando uma porcentagem menor do universo. Na verdade, a partir de um certo tamanho do universo (cerca de 100.000 indivíduos), o tamanho da amostra não cresce mais, conforme observamos no exemplo abaixo:

**Tamanho da amostra necessária para obter nível de erro em 5% e nível de confiança em 95%**

Os dados acima ilustram que não importa  quão grande é o tamanho do universo, por exemplo, com 385 pessoas é possível estudar todos os dados com o mesmo nível de erro (margem de 5% e 95% de confiança). Por esta razão, a amostragem é tão poderosa: podemos  afirmar dados altamente precisos de um grande número de indivíduos através de uma pequena parte do todo.

Em contrapartida, a amostragem não funciona muito bem em pequenos universos. Se eu tiver uma classe de 10 alunos, a opinião de cada um é fundamental para compreender a opinião global, não pode deixar de lado nenhum indivíduo. Para não apresentar falhas neste caso, é preciso considerar o universo de 10 indivíduos e examinar todos.

### Vantagens e inconvenientes da amostragem:

**Vantagens**:

- Necessita estudar menos indivíduos e apresenta menos recursos (tempo e dinheiro);
- A manipulação de dados é muito mais simples. Se uma amostra de 1.000 pessoas é suficiente, para que eu preciso analisar um arquivo com milhões de registros?

**Inconvenientes:**

- Existe um erro controlado no resultado, devido a própria natureza da amostragem e a necessidade de generalizar os resultados;  
  Há um risco de má seleção da amostra. Por exemplo, se eu não selecionar os indivíduos de forma aleatória, meus resultados podem ser seriamente afetados.

### A amostra aleatória simples: definição e alternativas

A teoria de amostragem baseia-se no conceito da **amostra aleatória simples**. É aquela amostra que seleciona indivíduos do universo de forma completamente aleatória. Sendo assim, todos os indivíduos devem ter a idêntica probabilidade (sem ser nula) de serem selecionados na amostra.

Um coisa é a teoria e a outra é a prática. Apenas em ambientes muito controlados é possível fazer com que as amostras sejam aleatórias. Além disso, quando temos universos compostos por grupos homogêneos (entre si) de pessoas, podemos aproveitar esse grupo para melhorar a qualidade da minha amostra (ou reduzir o tamanho dela).

- No próximo post iremos abordar quais tipos de amostragem existem, divididos por duas grandes famílias: a **amostragem probabilística** e a **amostragem não probabilística**. Esperamos por você!

 

**ÍNDICE: [Série "Amostragem"](https://www.netquest.com/blog/br/category/amostagem/)**

1. Amostragem: O que é e por quê funciona
2. [Amostragem probabilística e não probabilística](https://www.netquest.com/blog/br/amostragem-probabilistica-nao-probabilistica)
3. [Amostragem probabilística: Amostar aleatória simples](https://www.netquest.com/blog/br/amostra-probabilistica-aleatoria-simples)
4. [Amostragem probabilística: Amostra estratificada](https://www.netquest.com/blog/br/amostragem-probabilistica-amostra-estratificada/)
5. [Amostragem probabilística: Amostra sistemática](https://www.netquest.com/blog/br/amostra-sistematica/)
6. [Amostragem probabilística: Amostra por conglomerados](https://www.netquest.com/blog/br/amostra-conglomerados)
7. [Amostragem não probabilística: Amostra por conveniência](https://www.netquest.com/blog/br/amostra-conveniencia/)
8. [Amostragem  não probabilística: Amostra por quotas](https://www.netquest.com/blog/br/amostra-quotas/)
9. [Amostragem não probabilística: Amostra por bola de neve](https://www.netquest.com/blog/br/amostra-bola-de-neve/)

[Visualizar publicação completa](https://www.netquest.com/pt-br/blog/amostragem-porque-funciona)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Carlos Ochoa"
  },
  "dateModified" : "2024-09-25T08:39:41.260Z",
  "datePublished" : "2015-07-08T05:00:45Z",
  "headline" : "Amostragem: O que é e por quê funciona",
  "image" : {
    "@type" : "ImageObject",
    "height" : 470,
    "url" : "https://www.netquest.com/hubfs/panel-sampling-hero-sm.jpg",
    "width" : 1440
  },
  "mainEntityOfPage" : "https://www.netquest.com/pt-br/blog/amostragem-porque-funciona",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "Blog da Netquest"
  }
}
```