Amostragem em Investigação em 2026: Tipos e Como Definir a Amostra da Tese

Escolher a amostra certa é uma das decisões metodológicas mais críticas de qualquer tese de mestrado ou doutoramento. A amostragem em investigação determina quem ou o quê é estudado — e, por extensão, a quem os resultados são válidos. Uma escolha desajustada pode comprometer meses de trabalho de campo e levantar questões graves durante a defesa perante o júri.

Seja numa tese quantitativa com inquérito por questionário, seja numa investigação qualitativa com entrevistas em profundidade, a estratégia de amostragem deve ser justificada com rigor no capítulo de metodologia. Neste guia, percorra os principais tipos de amostragem, aprenda a calcular o tamanho da amostra e descubra como fundamentar as suas opções de forma convincente para o orientador e o júri.

O que é a amostragem em investigação

A amostragem é o processo pelo qual se seleciona um subconjunto — a amostra — de uma população maior para ser estudado. A população corresponde ao universo total de elementos relevantes para a questão de investigação (por exemplo, todos os estudantes de mestrado inscritos em universidades públicas portuguesas). A amostra é o grupo efetivamente observado, entrevistado ou inquirido.

A distinção entre amostra e população tem consequências diretas na validade externa dos resultados: os dados recolhidos apenas podem ser generalizados à população de origem se a amostra for representativa dessa mesma população. Em teses qualitativas, a lógica é diferente — não se visa a representatividade estatística, mas a riqueza e a profundidade da informação recolhida pelos participantes selecionados.

Conhecer o quadro completo das técnicas de amostragem, antes de avançar para o trabalho de campo, é uma das bases do capítulo de metodologia de investigação da tese. A escolha da técnica deve decorrer diretamente da pergunta de investigação, dos objetivos e da abordagem metodológica adotada.

Amostragem probabilística: tipos e quando usar

Na amostragem probabilística, cada elemento da população tem uma probabilidade conhecida e não nula de ser selecionado. Esta condição permite calcular margens de erro e fazer inferências para a população mais ampla, sendo indispensável nas abordagens quantitativas com pretensões de generalização.

Aleatória simples

É o método de referência: atribui-se um número a cada elemento da população e sorteiam-se os participantes com recurso a tabelas de números aleatórios ou software (Excel, R, SPSS). Garante a máxima imparcialidade na seleção, mas exige uma lista completa e atualizada de toda a população — condição muitas vezes difícil de satisfazer em contextos académicos reais.

Sistemática

Seleciona-se um ponto de partida aleatório e extrai-se depois cada k-ésimo elemento da lista ordenada. Se a população tem 500 elementos e se pretende uma amostra de 50, sorteia-se um elemento entre o 1.º e o 10.º e seleciona-se depois cada décimo elemento a seguir. É mais prática do que a aleatória simples quando a lista já está disponível e ordenada.

Estratificada

A população é dividida em subgrupos homogéneos (estratos) — por exemplo, por área científica, género ou escalão etário — e extrai-se uma amostra aleatória dentro de cada estrato. Garante representação proporcional de subgrupos que o investigador identifica como relevantes, sendo especialmente útil quando a variável de estudo difere entre grupos.

Por conglomerados (clusters)

A população é dividida em grupos naturais (conglomerados), como turmas, departamentos ou regiões. Selecionam-se aleatoriamente alguns conglomerados e estudam-se todos — ou uma subamostra — dos seus elementos. Reduz os custos logísticos do trabalho de campo, mas pode aumentar o erro amostral se os conglomerados forem muito homogéneos internamente.

Amostragem não probabilística: tipos e quando usar

Nas técnicas não probabilísticas, a seleção não é aleatória — o investigador intervém diretamente na escolha dos participantes com base em critérios teóricos ou práticos. Os resultados não são generalizáveis em termos estatísticos, mas são adequados para explorar fenómenos em profundidade, para populações de difícil acesso ou para fases exploratórias da investigação.

Por conveniência

Selecionam-se os participantes mais facilmente acessíveis — por exemplo, os alunos da própria universidade ou os colegas de trabalho. É a mais rápida e económica, mas também a mais suscetível de introduzir viés de seleção. Deve ser explicitamente reconhecida como limitação da investigação no capítulo de metodologia.

Intencional (purposive)

O investigador define critérios de inclusão precisos e seleciona deliberadamente os participantes que melhor representam o fenómeno em estudo. É a técnica dominante em investigação qualitativa: os critérios de inclusão e exclusão devem ser listados e justificados na metodologia, demonstrando que a seleção foi sistemática e não arbitrária.

Bola de neve (snowball)

Adequada para populações de difícil acesso — grupos marginalizados, profissionais de nicho ou redes específicas. Os primeiros participantes recrutados indicam outros potenciais participantes, criando uma cadeia crescente. A limitação central é que a amostra tende a concentrar-se nas redes sociais dos primeiros recrutados, o que pode enviesar os resultados.

Por quotas

Define-se um número-alvo de participantes por categoria (por exemplo, 50% mulheres e 50% homens; ou 30% da área de ciências e 70% de humanidades). Dentro de cada quota, a seleção é feita por conveniência. Combina alguma representação estrutural dos subgrupos com a praticidade das técnicas não probabilísticas.

Como calcular o tamanho da amostra

Para investigação quantitativa

O tamanho mínimo da amostra numa tese quantitativa depende de três parâmetros fundamentais:

• Nível de confiança — convencionalmente 95% (valor z = 1,96) ou 99% (z = 2,576)
• Margem de erro — habitualmente 5% (e = 0,05); valores acima de 10% comprometem a validade das inferências
• Proporção esperada — usa-se 0,5 quando desconhecida, por ser o cenário mais conservador (maximiza o tamanho da amostra requerido)

A fórmula de Cochran para populações muito grandes ou de dimensão desconhecida é:

Aplicando os parâmetros mais comuns em teses de mestrado — nível de confiança de 95%, proporção desconhecida (p = q = 0,5) e margem de erro de 5%:

Quando a população é finita e de dimensão N conhecida, aplica-se a correção para população finita, que reduz o tamanho necessário:

Por exemplo, numa tese sobre os 800 docentes de uma determinada faculdade, o tamanho mínimo da amostra seria: n = (800 × 384) / (800 + 384 − 1) ≈ 260 participantes. Ferramentas como o G*Power (padrão de referência para análises de poder estatístico) ou calculadoras online como a da SurveyMonkey simplificam estes cálculos e são amplamente aceites pelas comissões de teses.

Para investigação qualitativa

Em teses qualitativas não existe uma fórmula. O critério orientador é a saturação teórica: o processo de recolha de dados termina quando novas entrevistas ou observações deixam de acrescentar categorias, temas ou perspetivas novas ao corpus já recolhido.

Na prática, os orientadores e júris de mestrado em Portugal e em outros contextos lusófonos tendem a aceitar os seguintes intervalos orientadores:

• Entrevistas em profundidade: entre 8 e 20 participantes, dependendo da homogeneidade do grupo e da complexidade do fenómeno
• Grupos focais: 3 a 5 grupos compostos por 6 a 8 participantes cada
• Estudos de caso: 1 a 4 casos, com múltiplas fontes de evidência por caso (documentos, entrevistas, observação)
• Análise documental: sem número fixo; determina-se pela cobertura temática e pela relevância dos documentos selecionados

Na escrita da metodologia, justifique sempre a saturação com a progressão concreta das recolhas: indique, por exemplo, que a partir de determinada entrevista nenhum novo tema emergiu das transcrições, sinalizando que a saturação foi atingida.

Como justificar a amostra no capítulo de metodologia

O júri vai questionar a amostra — e tem razão metodológica em fazê-lo. Cada decisão amostral deve ser explicitamente fundamentada no texto da tese. Use este guião para estruturar a justificação:

1. Definir a população-alvo: quem ou o quê constitui o universo de referência? Quais são os critérios de inclusão e de exclusão? A população deve ser definida de forma clara e delimitada antes de qualquer decisão sobre a amostra.
2. Apresentar a técnica de amostragem e a sua justificação: porquê esta técnica e não outra? De que forma se articula com a pergunta de investigação, os objetivos e a abordagem metodológica escolhida?
3. Indicar o tamanho da amostra e o método de cálculo: referenciar a fórmula ou o critério utilizado (saturação teórica), os parâmetros adotados e o resultado obtido.
4. Reconhecer as limitações: toda a amostra tem limitações; antecipar e discuti-las demonstra maturidade metodológica e desativa potenciais críticas do júri antes da defesa.
5. Comparar com a literatura: citar estudos semelhantes que utilizaram amostras comparáveis reforça a credibilidade da escolha e insere a investigação num corpus de boas práticas.

Para uma visão global da estrutura completa da tese, incluindo a secção de amostragem no contexto do capítulo metodológico, consulte o guia sobre como fazer uma tese de mestrado do início ao fim.

Se a sua investigação inclui um inquérito por questionário, a validação do instrumento é complementar e indissociável da estratégia de amostragem. O guia da tesify.pt sobre como validar um questionário com escalas de Likert e alfa de Cronbach detalha esse processo passo a passo, incluindo o pré-teste e a análise de consistência interna.

Erros mais comuns na amostragem da tese

• Confundir a técnica de amostragem com o método de recolha de dados: a amostragem define quem é estudado; o instrumento (entrevista, questionário, observação) define como os dados são recolhidos. São decisões distintas e independentes, que devem ser tratadas separadamente na escrita.
• Afirmar “amostra aleatória” sem acesso a uma lista da população: sem uma lista completa e atualizada, não é possível garantir a aleatoriedade. A afirmação torna-se metodologicamente incorreta e vulnerável a críticas na defesa.
• Indicar o número de questionários sem explicar os parâmetros de cálculo: escrever apenas “foram distribuídos 100 questionários” sem referir a margem de erro, o nível de confiança ou o critério de saturação é insuficiente para qualquer júri.
• Misturar lógicas qualitativas e quantitativas sem justificação explícita: numa abordagem de métodos mistos, é necessário justificar a estratégia de amostragem de cada componente separadamente, dado que obedecem a lógicas distintas.
• Não reportar a taxa de resposta: a diferença entre os questionários distribuídos e os efetivamente devolvidos e válidos deve sempre ser indicada e discutida, pois influencia a representatividade dos dados.
• Ignorar o viés de não resposta: os participantes que não respondem podem diferir sistematicamente dos que respondem. Este potencial viés deve ser reconhecido e discutido na secção de limitações da investigação.

Perguntas frequentes sobre amostragem em investigação