Tamanho da amostra: como calcular (com fórmula e exemplos)
Enviar uma pesquisa é fácil; saber quantas respostas você precisa para confiar no resultado é o que separa uma decisão baseada em dados de um chute. É aí que entra o tamanho da amostra. Neste guia você vai entender o cálculo amostral de forma direta: o que são margem de erro e nível de confiança, a fórmula que amarra tudo isso e exemplos concretos pensados para a realidade de uma PME brasileira, que raramente tem um estatístico na equipe, mas precisa decidir com segurança.
O que é tamanho da amostra (e por que ele importa)
O tamanho da amostra é o número de pessoas que precisam responder à sua pesquisa para que o resultado reflita, com segurança estatística, o que pensa toda a sua base de clientes. A ideia central é simples: você quase nunca consegue (nem precisa) ouvir todo mundo. Ouvindo o grupo certo, de tamanho adequado, você chega a conclusões válidas para o conjunto inteiro.
Por que isso importa para uma PME? Porque duas coisas caras estão em jogo. De um lado, ouvir gente demais desperdiça tempo, dinheiro e paciência dos clientes. De outro, ouvir gente de menos gera números frágeis, que oscilam a cada envio e não sustentam nenhuma decisão. O cálculo amostral é o que encontra o ponto de equilíbrio entre esses dois extremos.
Amostra pequena demais não é economia: é o risco de tomar a decisão errada achando que os dados apoiam você.
Os três ingredientes do cálculo amostral
Para calcular o tamanho da amostra, você precisa definir três coisas antes de qualquer conta. Entenda cada uma:
1. Margem de erro
A margem de erro é o quanto o resultado da amostra pode variar em relação ao valor verdadeiro da população, para mais ou para menos. Se 60% dos respondentes deram nota alta e sua margem de erro é de 5%, o número real, caso você ouvisse todo mundo, estaria entre 55% e 65%. Margens comuns são de 3%, 5% ou 10%. Quanto menor a margem de erro, mais precisa é a pesquisa e maior a amostra necessária.
2. Nível de confiança
O nível de confiança expressa o quão certo você quer estar de que o resultado real cai dentro da margem de erro. Um nível de 95% (o padrão da maioria das pesquisas) significa que, se você repetisse a pesquisa muitas vezes, em cerca de 95% delas o intervalo calculado conteria o valor verdadeiro da população. Cada nível de confiança tem um valor Z associado, que entra na fórmula:
| Nível de confiança | Valor Z | Uso típico |
|---|---|---|
| 90% | 1,645 | Pesquisas exploratórias, decisões de baixo risco |
| 95% | 1,96 | Padrão de mercado, recomendado para a maioria dos casos |
| 99% | 2,576 | Decisões críticas, onde o erro custa caro |
3. Proporção esperada e tamanho da população
A proporção esperada (p) é o percentual que você espera obter para uma resposta específica. Quando você não faz ideia, use 0,5 (50%): esse é o cenário de maior variabilidade e, portanto, o mais seguro, porque gera a maior amostra possível. Assim você nunca subestima o número de respostas. O tamanho da população (N) é o total de pessoas que você poderia pesquisar, por exemplo, o número de clientes ativos na sua base.
A fórmula do tamanho da amostra
Existem dois cenários. O primeiro é quando a população é grande ou desconhecida; o segundo é quando você conhece o tamanho exato da base e ele é relativamente pequeno, caso da maioria das PMEs.
População grande ou desconhecida
A fórmula base é:
- n = (Z² × p × (1 − p)) / e²
Onde n é o tamanho da amostra, Z é o valor do nível de confiança, p é a proporção esperada e e é a margem de erro em decimal (5% vira 0,05). Aplicando os valores mais usados (95% de confiança, p = 0,5 e margem de 5%):
- n = (1,96² × 0,5 × 0,5) / 0,05²
- n = (3,8416 × 0,25) / 0,0025
- n = 0,9604 / 0,0025 = 384,16 ≈ 385 respostas
Repare que arredondamos para cima: em tamanho de amostra, 384,16 vira 385, nunca 384, porque arredondar para baixo comprometeria a precisão prometida. Ou seja, para uma base grande, cerca de 385 respostas bastam para trabalhar com 95% de confiança e 5% de margem de erro. E note algo que surpreende muita gente: a conta nem menciona o tamanho da população. Para populações grandes, o total é praticamente irrelevante, e 385 respostas valem tanto para uma cidade de 100 mil habitantes quanto para um estado de 15 milhões.
População conhecida e pequena (correção de população finita)
Quando sua base é pequena, forçar 385 respostas seria exagero, e muitas vezes impossível. Nesse caso, aplica-se a correção de população finita sobre o n calculado acima:
- n ajustado = n / (1 + ((n − 1) / N))
Suponha uma base de 500 clientes (N = 500), partindo do n de 385:
- n ajustado = 385 / (1 + (384 / 500))
- n ajustado = 385 / 1,768 = 217,7 ≈ 218 respostas
Quanto menor a base, maior a fatia dela que você precisa ouvir, mas o número absoluto de respostas cai bastante. Isso é uma boa notícia para a PME: você não precisa de milhares de respostas para ter dados sólidos.
Tabela de referência: quantas respostas você precisa
Para não recalcular tudo a cada pesquisa, use esta tabela como atalho. Todos os valores assumem 95% de confiança, margem de erro de 5% e p = 0,5, já com a correção de população finita aplicada e o resultado arredondado para cima:
| Tamanho da base (N) | Amostra necessária (n) | % da base a ouvir |
|---|---|---|
| 200 | 132 | 66% |
| 500 | 218 | 44% |
| 1.000 | 278 | 28% |
| 2.000 | 323 | 16% |
| 5.000 | 357 | 7% |
| 10.000 | 370 | 4% |
| 100.000 ou mais | ~385 | menos de 1% |
Note como, a partir de alguns milhares de clientes, a amostra necessária estabiliza perto de 385. É por isso que empresas gigantes e negócios médios acabam trabalhando com números de resposta parecidos.
Como a margem de erro muda tudo
A margem de erro é a alavanca que mais pesa no tamanho da amostra, porque ela entra na fórmula elevada ao quadrado. Na prática, isso significa que reduzir a margem pela metade não dobra a amostra: quadruplica. Veja o impacto para uma população grande, mantendo 95% de confiança:
| Margem de erro | Amostra necessária |
|---|---|
| 10% | 97 |
| 7% | 196 |
| 5% | 385 |
| 3% | 1.068 |
| 2% | 2.401 |
| 1% | 9.604 |
Sair de 5% para 3% de margem quase triplica a amostra; cair de 5% para 1% a multiplica por 25. Por isso, defina a precisão de acordo com a decisão em jogo: pesquisas de acompanhamento de rotina toleram bem 5% ou até 10%; estudos que embasam um investimento grande justificam 3%.
Exemplo prático: uma PME calculando na vida real
Vamos ao caso da Verde Vale, uma rede de hortifrutis com 3.200 clientes cadastrados no programa de fidelidade. A gestora quer medir a satisfação da base com uma pesquisa de CSAT e decidir se vale a pena reformular o programa. Passo a passo:
- Define a população: N = 3.200 clientes ativos.
- Escolhe o nível de confiança: 95%, o padrão, porque a decisão envolve orçamento, mas não é crítica.
- Escolhe a margem de erro: 5%, aceitável para uma decisão de rotina.
- Usa p = 0,5, já que não tem histórico anterior.
- Calcula: o n base é 385; com a correção para N = 3.200, chega a cerca de 343 respostas.
Agora entra o fator mais esquecido: a taxa de resposta. Se a Verde Vale espera que 25% dos convidados respondam, precisa enviar a pesquisa para bem mais gente do que 343. A conta é: 343 ÷ 0,25 = 1.372 convites. Ignorar isso é o erro que faz muita pesquisa terminar com metade das respostas necessárias e uma margem de erro maior do que a planejada.
É justamente aqui que a escolha do canal decide o jogo. No Brasil, o WhatsApp costuma render taxas de resposta muito acima do e-mail, encurtando a distância entre convites enviados e respostas obtidas. Com a VisionCX, a Verde Vale poderia disparar a pesquisa por WhatsApp, acompanhar em tempo real quantas respostas já entraram e saber exatamente quando atingiu a amostra necessária, sem depender de planilhas paralelas.
Erros comuns no cálculo amostral
- Confundir convites com respostas. O tamanho da amostra é sobre quem respondeu, não sobre quem recebeu. Sempre divida pela taxa de resposta esperada para saber quantos convites enviar.
- Perseguir precisão desnecessária. Exigir 1% de margem para uma pesquisa interna de rotina multiplica o custo sem melhorar a decisão.
- Ignorar a correção de população finita. Bases pequenas exigem menos respostas do que a fórmula base sugere; não aplicar o ajuste desanima a equipe à toa.
- Confiar só no tamanho e esquecer o viés. Tamanho não conserta viés: se você só ouve os clientes mais engajados, mais respostas apenas confirmam uma visão distorcida. Distribua o convite de forma aleatória e representativa de toda a base.
- Esquecer os comentários abertos. O número diz "quanto"; o texto diz "por quê". Uma amostra sólida somada à análise dos comentários entrega muito mais do que o número isolado.
Resumo: o passo a passo em cinco etapas
- Defina a população (N): quantos clientes você poderia ouvir.
- Escolha a margem de erro: 5% resolve a maioria dos casos.
- Escolha o nível de confiança: 95% é o padrão.
- Calcule a amostra: use a fórmula ou a tabela de referência acima, sempre arredondando para cima.
- Ajuste pela taxa de resposta: divida a amostra pelo percentual que você espera que responda para saber quantos convites enviar.
Com esses cinco passos, o cálculo amostral deixa de ser um mistério estatístico e vira uma decisão de negócio simples. Você passa a saber, antes de apertar "enviar", se a pesquisa vai gerar dados confiáveis ou apenas números soltos.
Se você quer medir NPS, CSAT ou CES com o tamanho de amostra certo, distribuir por WhatsApp para maximizar a taxa de resposta e analisar os comentários em português com IA, vale conhecer como a VisionCX ajuda PMEs brasileiras a transformar respostas em decisões seguras.
Faz parte do tema Metodologia.
Rigor estatístico sem consultoria cara
Cotas, randomização e amostragem correta, direto na plataforma.
Conhecer os recursos