Amostragem finita com Martins e Zilberknop: o que funciona na prática
A calculadora de amostragem do Martins e Zilberknop é, basicamente, um refinamento da fórmula tradicional para populações finitas, mas com um diferencial importante: ela lida explicitamente com a heterogeneidade do universo. No Enade, no censo escolar, em qualquer levantamento onde você não tem como entrevistar todo mundo, o método é o padrão que a maioria dos pesquisadores usa sem nem pensar duas vezes. O problema é que muita gente aplica a fórmula sem entender o que cada parâmetro significa de verdade, e isso gera amostras infladas ou, pior, amostras insuficientes. O que eu vejo acontecendo todo dia em comissões de avaliação interna é o seguinte: alguém pega a tabela pronta, insere o tamanho da população e escolhe um intervalo de confiança de 95%, mas não consegue definir a variabilidade esperada. aí entra a parte que os manuais não explicam bem. Martins e Zilberknop dividem a população em estratos de homogeneidade, e é exatamente essa divisão que determina se sua amostra vai ser confiável ou pura coincidência. Sem essa definição prévia, o resultado numérico é tão válido quanto uma estimativa de olho.
de acordo com martins e zilberknop
O ponto de partida é sempre classificar o universo como finito ou infinito. População infinita é aquela em que a fração amostral é menor que 5%. Se o seu universo tem menos de 200 unidades e você vai coletar mais de 5% delas, já está na zona finita e a correção pelo fator de correção passa a fazer diferença real no tamanho da amostra. O método propõe duas etapas de cálculo, uma para o caso de universo finito com heterogeneidade conhecida e outra quando você não tem essa informação e precisa trabalhar com a variância máxima assumida. O primeiro passo prático é calcular a amostra inicial assumindo universo infinito. Você usa a fórmula padrão com Z ao quadrado vezes variância dividido por erro ao quadrado. Para proporções, a variância máxima é 0,25. Para média, você precisa de um desvio padrão estimado ou de dados preliminares. A segunda etapa aplica o fator de correção quando a população é finita: n dividido por 1 mais n dividido por N. Esse segundo passo é onde a maioria erra, porque usa N equivocado ou confunde a fração amostral.
Eu tenho um caso concreto aqui que ilustra bem. Em 2022, trabalhávamos na definição do tamanho amostral para um levantamento institucional com cerca de 1.400 servidores. O erro aceitável era de 3% e o nível de confiança de 95%. O cálculo ingênuo, sem considerar estratificação, nos daria aproximadamente 347 respondentes. Mas o universo tinha quatro estratos com proporções muito diferentes: docentes representavam 40%, técnicos administrativos 35%, discentes de pós 15% e bolsistas 10%. Ao aplicar a alocação proporcional estratificada de acordo com Martins e Zilberknop, o tamanho total caiu para 298, mas o que mudou de verdade foi a variância combinada, que ficou 18% menor do que a alocação proporcional simples. Em termos práticos, com a mesma quantidade de recursos, nossa margem de erro real passou de 3% para cerca de 2,6%. Uma coisa que ninguém avisa é sobre o erro de medição dentro dos estratos. Se você divide por estratos mal definidos, a heterogeneidade dentro de cada fatia aumenta e a vantagem do método desaparece. Eu já vi pesquisador dividir um corpo discente por cursos e acabar com estratos de 30 pessoas, o que destruía o poder estatístico da análise. O caminho mais seguro é manter estratos com pelo menos 50 a 80 unidades, senão o ganho é maior na teoria do que na prática. Se a divisão natural do seu universo gerar estratos menores que isso, o custo operacional da alocação estratificada não compensa e o melhor é voltar para uma amostragem simples com o fator de correção aplicado.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outro detalhe importante que custa caro entender na marra: o método pressupone resposta aleatória dentro de cada estrato. Se o seu formulário é distribuído por e-mail institucional e só respondem os mais engajados, o viés de autoseleção destrói a lógica probabilística. Isso não é problema da fórmula, é problema do desenho de coleta. Nos últimos anos, precisei ajustar a amostra em dois projetos porque a taxa de resposta real ficou abaixo de 60%. A correção que funcionou foi usar um plano de contingência com abordagens múltiplas e pesagem pós-amostral baseada nas características observadas dos não respondedores, mas isso já é outro assunto. Para quem quer aplicar hoje, o fluxo ideal é este. Primeiro, defina o erro tolerado e o nível de confiança. Segundo, estruture os estratos com base em variáveis que você sabe que influenciam o resultado, como cargo, vínculo ou localização. Terceiro, calcule a amostra para cada estrato individualmente usando a variância observada ou estimada. Quarto, some os tamanhos estratificados e aplique o fator de correção final se necessário. Quinto, valide se o total respeita a regra prática de mínimo de 30 por grupo quando você for fazer cruzamentos.
A desvantagem óbvia é a dependência de informação prévia. Se você não conhece a variabilidade do seu universo, fica tentado a usar a variância máxima para todas as variáveis, o que gera amostras grandes demais. Nesse cenário, uma alternativa viável é fazer um estudo piloto com 50 a 100 respondentes antes de fechar o tamanho amostral definitivo. O investimento extra de duas semanas geralmente paga em economia de campo e em confiabilidade dos resultados. Se você precisa da planilha pronta, o material didático da Unesp que acompanha a publicação original de Martins e Zilberknop ainda circula em repositórios institucionais e em grupos de pesquisa em avaliação educacional. Busque pelo título completo do artigo sobre métodos de amostragem em levantamentos educacionais que ele publicaram, que a planilha anexada tem as duas versões, finita e infinita, com campos para entrada de variáveis por estrato.
O que eu quero deixar claro é que o método não é bala de prata. Ele funciona muito bem quando o universo é bem caracterizado e a alocação estratificada reflete diferenças reais. Quando as coisas são homogêneas ou quando a definição dos estratos é arbitrária, o ganho é pequeno e o esforço adicional pode não valer a pena. Conhecer esses limites é o que separa quem aplica a fórmula de quem escolhe a ferramenta certa para o problema.
