O que realmente acontece quando você calcula razões em processos seletivos
Eu passei três semanas tentando ajustar um sistema de quotas para uma conferência acadêmica internacional no Brasil. A exigência era clara: garantir que a proporção entre homens e mulheres nas palestras refletisse os dados do setor. O problema não era o cálculo em si — em uma seleção a razão entre o número de homens e mulheres submetidas era algo que dava pra fazer de olhos fechados. O problema era o que acontecia depois. Vou te explicar direto, sem rodeios. Quando você tem 120 proposals e precisa manter uma razão fixa, digamos 60% homens e 40% mulheres, a matemática é simples: divide o total pelo denominador da proporção, multiplica pela parte correspondente. Mas aí entramos na zona onde os dados reais não obedecem aos modelos.
Quando a razão não funciona como você espera
Na prática, a maioria dos sistemas de seleção que eu já vi usam amostragem estratificada proporcional. Você divide a população em estratos (nesse caso, por gênero), calcula a fração de cada estrato no total, e então aplica essa fração ao tamanho da amostra final. Funciona bem quando os tamanhos são grandes e as proporções não são extremas. Eu descobri na marra que quando a proporção entre os grupos é menor que 15%, o método padrão começa a gerar resultados estranhos. No meu caso, uma subcategoria técnica tinha apenas 18 proposals de mulheres num total de 85 submissions. A razão 18/103 dá aproximadamente 0,174. Aplicando à amostra de 40 palestras, a cota seria 6,96. Arredondar para 7 mulheres significava cortar um homem da lista de espera, mas o sistema simplesmente rejeitava porque a soma das cotas ultrapassava o total.
A solução que eu encontrei, e que recomendo sem medo, é usar o método de maior resto. Você calcula a cota exata para cada estrato (nesse exemplo, 7,2 para mulheres e 32,8 para homens), arredonda para baixo (7 e 32, totalizando 39), e então distribui o restante (1 vaga) para o estrato com o maior resto decimal. Mulheres tinham resto 0,2, homens 0,8. A vaga extra ia para homens. Resultado final: 7 mulheres, 33 homens. Soma: 40. Cotas razoáveis. Sem quebras.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Detalhes que ninguém conta
O primeiro detalhe importante: a razão entre números absolutos e a razão entre percentuais não são a mesma coisa em processos com tamanhos amostrais diferentes. Se você está selecionando 40 pessoas de uma população de 103, a razão 60:40 aplicada ao total dá resultados diferentes de aplicar 60% e 40% separadamente sobre os subtotais de cada grupo. O segundo detalhe, e esse eu aprendi custa caro: em datasets pequenos, o arredondamento pode distorcer a proporção final de forma significativa. Com 40 assentos, um erro de arredondamento de uma unidade representa 2,5% de desvio. Com 200 assentos, o mesmo erro é apenas 0,5%. Se o seu processo seletivo lida com turmas pequenas, considere usar métodos de alocação que minimizem o desvio absoluto, como o método de Hamilton ou o método de Webster, em vez do simples arredondamento.
Também é crucial verificar se a razão que você está usando reflete a proporção desejada ou a proporção observada nos dados brutos. Muitos sistemas cometem o erro de calcular a razão com base nos inscritos (que podem ter viés de autoseleção) em vez da população-alvo real. No meu caso, os dados setoriais mostravam 55% homens e 45% mulheres, mas as submissions mostravam 68% homens. Usar a razão das submissions geraria uma representação distorcida em relação ao mercado.
O que fazer quando a razão colapsa
Existem cenários onde o cálculo da razão entre o número de homens e mulheres simplesmente não funciona. O principal é quando um dos estratos tem tamanho zero na população fonte. Neste caso, a razão é indefinida, e qualquer método baseado nela falha. Uma alternativa viável é usar quota mínima fixa combinada com preenchimento proporcional dos restantes. Defina um piso (digamos, 20% do total para cada gênero), calcule as cotas acima desse piso usando a razão observada, e verifique se o resultado atende aos critérios. Se não atender, ajuste o piso iterativamente até encontrar um ponto viável.
Outra abordagem, mais robusta mas computacionalmente mais cara, é usar otimização por programação linear. Você define a função objetivo como minimizar o desvio entre a proporção final e a proporção alvo, sujeito a restrições de integridade (números inteiros) e de capacidade (não exceder o total de vagas). Isso resolve automaticamente os problemas de arredondamento que eu descrevi acima, mas exige ferramentas especializadas. No final das contas, calcular em uma seleção a razão entre o número de homens e mulheres é só o começo. A parte difícil é decidir o que fazer quando os números não se encaixam, e saber quando aceitar uma aproximação razoável versus quando buscar uma solução exata. Na minha experiência, a maioria dos casos se resolve com o método de maior resto e uma revisão manual dos resultados extremos.
