{"id":7387,"date":"2026-04-09T12:09:02","date_gmt":"2026-04-09T12:09:02","guid":{"rendered":"https:\/\/www.usinadepesquisa.com\/?p=7387"},"modified":"2026-04-09T13:44:50","modified_gmt":"2026-04-09T13:44:50","slug":"tamanho-da-amostra-em-pesquisas-quantitativas-fundamentos-modelos-de-definicao-e-aplicacoes-praticas","status":"publish","type":"post","link":"https:\/\/www.usinadepesquisa.com\/?p=7387","title":{"rendered":"Tamanho da amostra em pesquisas quantitativas, fundamentos, modelos de defini\u00e7\u00e3o e aplica\u00e7\u00f5es pr\u00e1ticas"},"content":{"rendered":"
\n

Tamanho amostral em pesquisa quantitativa, c\u00e1lculo formal, pragmatismo, precis\u00e3o e validade.<\/span><\/h3>\n<\/blockquote>\n

 <\/p>\n

Aldemar Araujo Castro
\nCria\u00e7\u00e3o: 09\/04\/2026
\nAtualiza\u00e7\u00e3o: 09\/04\/2026
\nPalavras: 3990
\nTempo de leitura: 20 minutos<\/p>\n

 <\/p>\n

\"\"<\/a><\/p>\n

Resumo\u00a0<\/b><\/p>\n

Este cap\u00edtulo discute o tamanho da amostra em pesquisas quantitativas como decis\u00e3o central para a qualidade metodol\u00f3gica do estudo. Apresenta dois grandes modelos de defini\u00e7\u00e3o amostral, o formal e o pragm\u00e1tico. No modelo formal, o c\u00e1lculo varia conforme o objetivo principal da pesquisa, podendo ser orientado para estimativa, compara\u00e7\u00e3o entre grupos, correla\u00e7\u00e3o ou regress\u00e3o. No modelo pragm\u00e1tico, a amostra pode ser definida por viabilidade, disponibilidade de casos, bancos de dados existentes ou refer\u00eancia em estudos anteriores. O texto tamb\u00e9m aborda fatores que modificam o tamanho da amostra, erros frequentes e formas adequadas de justificar essa decis\u00e3o no m\u00e9todo.<\/span><\/p>\n

 <\/p>\n

1. Introdu\u00e7\u00e3o<\/b><\/h2>\n

O <\/span>tamanho da amostra<\/b> \u00e9 uma das decis\u00f5es mais importantes no planejamento de uma pesquisa quantitativa. Embora, \u00e0 primeira vista, possa parecer apenas uma escolha num\u00e9rica, na verdade ele interfere diretamente na <\/span>for\u00e7a metodol\u00f3gica<\/b>, na <\/span>credibilidade dos resultados<\/b> e na <\/span>capacidade do estudo de responder \u00e0 pergunta de pesquisa<\/b>. Uma amostra mal dimensionada pode comprometer todo o trabalho, mesmo quando a pergunta cient\u00edfica \u00e9 relevante, a coleta de dados \u00e9 cuidadosa e a an\u00e1lise estat\u00edstica \u00e9 sofisticada.<\/span><\/p>\n

Em pesquisas quantitativas, a l\u00f3gica central \u00e9 produzir resultados que permitam <\/span>estimar par\u00e2metros<\/b>, <\/span>comparar grupos<\/b>, <\/span>identificar associa\u00e7\u00f5es<\/b> ou <\/span>construir modelos explicativos<\/b> com base em dados observ\u00e1veis. Para que isso ocorra de forma confi\u00e1vel, \u00e9 necess\u00e1rio que o n\u00famero de participantes, registros, exames ou unidades analisadas seja compat\u00edvel com o objetivo do estudo. Quando a amostra \u00e9 pequena demais, o estudo pode n\u00e3o conseguir detectar diferen\u00e7as reais, produzindo resultados estatisticamente n\u00e3o significativos mesmo quando existe um efeito verdadeiro. Quando a amostra \u00e9 excessivamente grande, pode haver desperd\u00edcio de tempo, dinheiro e esfor\u00e7o, al\u00e9m do risco de identificar diferen\u00e7as estatisticamente significativas, mas clinicamente irrelevantes.<\/span><\/p>\n

Essa discuss\u00e3o \u00e9 especialmente importante porque muitos estudantes e pesquisadores iniciantes ainda tratam o tamanho da amostra de modo simplificado. \u00c0s vezes, escolhem um n\u00famero por tradi\u00e7\u00e3o da \u00e1rea, por facilidade operacional ou por semelhan\u00e7a com estudos anteriores, sem avaliar se esse n\u00famero realmente atende \u00e0 finalidade do trabalho. Em outras situa\u00e7\u00f5es, utilizam programas de c\u00e1lculo amostral sem compreender os par\u00e2metros inseridos, o que gera uma apar\u00eancia de rigor estat\u00edstico, mas n\u00e3o necessariamente uma justificativa metodol\u00f3gica s\u00f3lida.<\/span><\/p>\n

Por isso, discutir o tamanho da amostra n\u00e3o significa apenas apresentar f\u00f3rmulas. Significa compreender a rela\u00e7\u00e3o entre a <\/span>pergunta de pesquisa<\/b>, o <\/span>desfecho principal<\/b>, o <\/span>tipo de an\u00e1lise estat\u00edstica<\/b> e a <\/span>quantidade de dados necess\u00e1ria<\/b> para produzir uma resposta cientificamente defens\u00e1vel. O c\u00e1lculo amostral, quando poss\u00edvel e adequadamente realizado, representa a forma mais robusta de fundamentar essa decis\u00e3o. Entretanto, a pr\u00e1tica cient\u00edfica tamb\u00e9m convive com situa\u00e7\u00f5es em que a defini\u00e7\u00e3o amostral depende de crit\u00e9rios mais pragm\u00e1ticos, como disponibilidade de casos, bancos de dados existentes, viabilidade operacional ou estudos pr\u00e9vios semelhantes.<\/span><\/p>\n

Dessa forma, o estudo do tamanho da amostra exige uma vis\u00e3o equilibrada. De um lado, \u00e9 preciso reconhecer que o <\/span>modelo formal<\/b>, baseado em c\u00e1lculo estat\u00edstico, constitui a estrat\u00e9gia metodologicamente preferencial. De outro, \u00e9 necess\u00e1rio admitir que muitos estudos reais operam com limita\u00e7\u00f5es pr\u00e1ticas e utilizam crit\u00e9rios pragm\u00e1ticos, os quais devem ser explicitados com honestidade e avaliados criticamente. O erro n\u00e3o est\u00e1 apenas em usar uma estrat\u00e9gia pragm\u00e1tica, mas em apresent\u00e1,la como se tivesse o mesmo grau de robustez de um c\u00e1lculo formal bem fundamentado.<\/span><\/p>\n

Neste cap\u00edtulo, o objetivo \u00e9 explicar de forma did\u00e1tica como o tamanho da amostra pode ser definido em pesquisas quantitativas, destacando dois grandes modelos, o <\/span>modelo formal<\/b>, baseado em c\u00e1lculo estat\u00edstico, e o <\/span>modelo pragm\u00e1tico<\/b>, baseado em viabilidade e refer\u00eancias emp\u00edricas. No interior do modelo formal, ser\u00e1 enfatizado que o c\u00e1lculo varia conforme o objetivo principal do estudo, podendo ser voltado para <\/span>estimativa<\/b>, <\/span>diferen\u00e7a entre grupos<\/b>, <\/span>correla\u00e7\u00e3o<\/b> ou <\/span>regress\u00e3o<\/b>. A partir dessa organiza\u00e7\u00e3o, o leitor poder\u00e1 compreender n\u00e3o apenas como se escolhe um n\u00famero, mas por que esse n\u00famero precisa estar alinhado \u00e0 l\u00f3gica cient\u00edfica da investiga\u00e7\u00e3o.<\/span><\/p>\n

\n

Em pesquisas quantitativas, o tamanho da amostra pode ser definido por m\u00e9todos formais ou por crit\u00e9rios pragm\u00e1ticos, mas o c\u00e1lculo estat\u00edstico permanece como a estrat\u00e9gia metodologicamente mais robusta sempre que houver dados suficientes para realiz\u00e1-lo.<\/p>\n<\/blockquote>\n

2. O que \u00e9 tamanho da amostra e por que ele importa<\/b><\/h2>\n

Em sentido simples, o tamanho da amostra corresponde ao <\/span>n\u00famero de unidades observacionais inclu\u00eddas na pesquisa<\/b>. Essas unidades podem ser pessoas, pacientes, prontu\u00e1rios, exames laboratoriais, escolas, munic\u00edpios, domic\u00edlios, artigos cient\u00edficos ou qualquer outro elemento que componha o conjunto analisado. Em termos pr\u00e1ticos, trata,se do <\/span>n<\/b> do estudo.<\/span><\/p>\n

Apesar dessa defini\u00e7\u00e3o aparentemente simples, o tamanho da amostra tem implica\u00e7\u00f5es metodol\u00f3gicas profundas. Ele influencia, ao mesmo tempo, a <\/span>precis\u00e3o das estimativas<\/b>, o <\/span>poder estat\u00edstico<\/b>, a <\/span>largura dos intervalos de confian\u00e7a<\/b>, a <\/span>capacidade de detectar diferen\u00e7as reais<\/b> e a <\/span>estabilidade de modelos anal\u00edticos mais complexos<\/b>. Em outras palavras, o tamanho da amostra afeta n\u00e3o apenas a quantidade de dados dispon\u00edvel, mas a pr\u00f3pria qualidade inferencial do estudo.<\/span><\/p>\n

Uma das fun\u00e7\u00f5es mais importantes da amostra \u00e9 permitir que o pesquisador fa\u00e7a infer\u00eancias sobre uma popula\u00e7\u00e3o de interesse. Como, na maioria das vezes, n\u00e3o \u00e9 vi\u00e1vel examinar todos os indiv\u00edduos de uma popula\u00e7\u00e3o, seleciona,se uma parte dela para an\u00e1lise. O problema \u00e9 que essa parte precisa ser suficientemente informativa. Se a amostra for muito pequena, a estimativa obtida poder\u00e1 oscilar bastante e n\u00e3o representar adequadamente o par\u00e2metro populacional. Se for adequadamente dimensionada, a estimativa tende a ser mais est\u00e1vel e confi\u00e1vel.<\/span><\/p>\n

Essa ideia fica mais clara quando se pensa em <\/span>precis\u00e3o<\/b>. Suponha um estudo transversal cujo objetivo seja estimar a preval\u00eancia de hipertens\u00e3o em determinada comunidade. Se a amostra for pequena, o intervalo de confian\u00e7a ao redor da preval\u00eancia observada tender\u00e1 a ser mais largo, indicando maior incerteza. Se a amostra for maior, esse intervalo tende a se estreitar, tornando a estimativa mais precisa. Portanto, em estudos de estimativa, o tamanho da amostra est\u00e1 diretamente relacionado \u00e0 margem de erro aceit\u00e1vel.<\/span><\/p>\n

Al\u00e9m da precis\u00e3o, o tamanho da amostra interfere no chamado <\/span>poder estat\u00edstico<\/b>. O poder representa a probabilidade de o estudo detectar um efeito verdadeiro quando ele realmente existe. Em estudos comparativos, por exemplo, uma amostra muito pequena pode levar a um resultado n\u00e3o significativo simplesmente porque faltou sensibilidade estat\u00edstica para identificar a diferen\u00e7a. Nesse caso, o problema n\u00e3o est\u00e1 necessariamente na inexist\u00eancia do efeito, mas na insufici\u00eancia do estudo para revel\u00e1,lo. Por isso, amostras subdimensionadas aumentam o risco de erro do tipo II, isto \u00e9, de concluir que n\u00e3o h\u00e1 diferen\u00e7a quando, na realidade, ela existe.<\/span><\/p>\n

Outro ponto importante \u00e9 que o tamanho da amostra se relaciona com a <\/span>magnitude do efeito que se deseja detectar<\/b>. Efeitos muito pequenos costumam exigir amostras maiores. Efeitos grandes podem ser detectados com amostras menores. Isso mostra que n\u00e3o existe tamanho de amostra \u201cbom\u201d ou \u201cruim\u201d em abstrato. Um n\u00famero pode ser suficiente para um objetivo e insuficiente para outro. O que define a adequa\u00e7\u00e3o da amostra n\u00e3o \u00e9 o valor isolado do n, mas sua rela\u00e7\u00e3o com a pergunta de pesquisa e com a an\u00e1lise planejada.<\/span><\/p>\n

Tamb\u00e9m \u00e9 importante destacar que amostras muito grandes n\u00e3o s\u00e3o automaticamente melhores. Esse \u00e9 um erro comum. Em um primeiro olhar, pode parecer que quanto mais participantes houver, melhor ser\u00e1 o estudo. Mas isso n\u00e3o \u00e9 sempre verdadeiro. Uma amostra excessivamente grande pode elevar custos, aumentar o tempo de coleta, dificultar a log\u00edstica e, em certas situa\u00e7\u00f5es, produzir signific\u00e2ncia estat\u00edstica para diferen\u00e7as t\u00e3o pequenas que n\u00e3o tenham relev\u00e2ncia pr\u00e1tica, cl\u00ednica ou cient\u00edfica. Em outras palavras, uma amostra superdimensionada pode tornar o estudo ineficiente e at\u00e9 distorcer a interpreta\u00e7\u00e3o da import\u00e2ncia dos achados.<\/span><\/p>\n

O tamanho da amostra ainda influencia a <\/span>robustez de an\u00e1lises multivariadas<\/b>, como regress\u00f5es e modelos preditivos. Nesses casos, n\u00e3o basta pensar apenas no n\u00famero total de participantes. \u00c9 preciso considerar tamb\u00e9m o n\u00famero de vari\u00e1veis inclu\u00eddas no modelo, a frequ\u00eancia do desfecho e a estabilidade das estimativas produzidas. Modelos muito complexos aplicados a amostras pequenas tendem a gerar resultados inst\u00e1veis, com maior risco de sobreajuste e menor capacidade de generaliza\u00e7\u00e3o.<\/span><\/p>\n

Na pr\u00e1tica, definir o tamanho da amostra \u00e9, portanto, uma decis\u00e3o que envolve equil\u00edbrio. O pesquisador precisa buscar um n\u00famero que seja suficiente para produzir respostas confi\u00e1veis, mas sem desperd\u00edcio desnecess\u00e1rio de recursos. Essa decis\u00e3o n\u00e3o deve ser tomada por intui\u00e7\u00e3o, h\u00e1bito ou imita\u00e7\u00e3o acr\u00edtica de estudos anteriores. Ela deve ser justificada de acordo com a finalidade principal da pesquisa.<\/span><\/p>\n

\u00c9 justamente por isso que a metodologia quantitativa distingue diferentes formas de fundamentar o tamanho da amostra. A mais robusta \u00e9 o <\/span>modelo formal<\/b>, em que o n\u00famero \u00e9 calculado com base em par\u00e2metros estat\u00edsticos e no objetivo anal\u00edtico principal do estudo. Mas h\u00e1 tamb\u00e9m o <\/span>modelo pragm\u00e1tico<\/b>, em que o tamanho da amostra \u00e9 definido por viabilidade, disponibilidade de dados ou refer\u00eancia em estudos semelhantes. Entender essa distin\u00e7\u00e3o \u00e9 essencial para que o pesquisador saiba n\u00e3o apenas quantos participantes incluir, mas tamb\u00e9m como justificar essa escolha com clareza e rigor.<\/span><\/p>\n

Fechamento de transi\u00e7\u00e3o<\/span><\/h3>\n

Se o tamanho da amostra \u00e9 uma decis\u00e3o t\u00e3o central, surge a seguinte pergunta: como<\/span> ele pode ser definido na pr\u00e1tica<\/b>? A resposta passa pela compreens\u00e3o de dois grandes modelos, o <\/span>formal<\/b> e o <\/span>pragm\u00e1tico<\/b>. O pr\u00f3ximo t\u00f3pico tratar\u00e1 exatamente dessa divis\u00e3o, mostrando a l\u00f3gica geral de cada modelo e a hierarquia metodol\u00f3gica entre eles.<\/span><\/p>\n

3. Dois grandes modelos de defini\u00e7\u00e3o do tamanho da amostra<\/b><\/h2>\n

Depois de compreender o que \u00e9 o tamanho da amostra e por que ele interfere tanto na qualidade da pesquisa quantitativa, o passo seguinte \u00e9 entender <\/span>como esse tamanho pode ser definido<\/b>. Do ponto de vista did\u00e1tico, essa defini\u00e7\u00e3o pode ser organizada em <\/span>dois grandes modelos<\/b>, o <\/span>modelo formal<\/b> e o <\/span>modelo pragm\u00e1tico<\/b>.<\/span><\/p>\n

Essa divis\u00e3o \u00e9 \u00fatil porque permite ao pesquisador distinguir situa\u00e7\u00f5es em que o tamanho da amostra decorre de um <\/span>c\u00e1lculo estat\u00edstico fundamentado<\/b> daquelas em que ele \u00e9 estabelecido por <\/span>crit\u00e9rios operacionais, contextuais ou comparativos<\/b>. Os dois modelos existem na pr\u00e1tica cient\u00edfica, mas n\u00e3o t\u00eam o mesmo peso metodol\u00f3gico. O modelo formal \u00e9, em regra, a estrat\u00e9gia preferencial. O modelo pragm\u00e1tico \u00e9 uma alternativa real, frequente e por vezes inevit\u00e1vel, mas deve ser reconhecido como tal.<\/span><\/p>\n

3.1 Modelo formal<\/b><\/h3>\n

O <\/span>modelo formal<\/b> \u00e9 aquele em que o tamanho da amostra \u00e9 definido por meio de um <\/span>c\u00e1lculo estat\u00edstico<\/b>, orientado pelo objetivo principal do estudo. Aqui, o pesquisador n\u00e3o escolhe o n\u00famero de participantes com base em h\u00e1bito, conveni\u00eancia ou simples aproxima\u00e7\u00e3o. Ele utiliza par\u00e2metros quantitativos que traduzem a pergunta de pesquisa em uma exig\u00eancia num\u00e9rica.<\/span><\/p>\n

Esse c\u00e1lculo n\u00e3o \u00e9 \u00fanico. Ao contr\u00e1rio, ele muda conforme a finalidade anal\u00edtica do estudo. Em algumas pesquisas, o objetivo central \u00e9 <\/span>estimar um par\u00e2metro<\/b>, como uma preval\u00eancia ou uma m\u00e9dia. Em outras, o interesse \u00e9 <\/span>comparar grupos<\/b>, avaliar uma <\/span>correla\u00e7\u00e3o<\/b> ou construir um <\/span>modelo de regress\u00e3o<\/b>. Em cada uma dessas situa\u00e7\u00f5es, o c\u00e1lculo amostral assume estrutura pr\u00f3pria, porque a exig\u00eancia estat\u00edstica \u00e9 diferente.<\/span><\/p>\n

Em s\u00edntese, o modelo formal parte da seguinte l\u00f3gica: para responder adequadamente a uma pergunta quantitativa, \u00e9 necess\u00e1rio determinar quantas observa\u00e7\u00f5es s\u00e3o necess\u00e1rias para produzir uma resposta confi\u00e1vel, precisa e estatisticamente consistente.<\/span><\/p>\n

3.2 Modelo pragm\u00e1tico<\/b><\/h3>\n

O <\/span>modelo pragm\u00e1tico<\/b> \u00e9 aquele em que o tamanho da amostra n\u00e3o resulta prioritariamente de c\u00e1lculo estat\u00edstico, mas de <\/span>condi\u00e7\u00f5es pr\u00e1ticas da pesquisa<\/b>. Isso pode ocorrer quando o pesquisador trabalha com todos os casos dispon\u00edveis em determinado per\u00edodo, utiliza um banco de dados j\u00e1 existente, realiza um estudo piloto, depende de uma popula\u00e7\u00e3o rara ou adota como refer\u00eancia estudos anteriores semelhantes.<\/span><\/p>\n

Esse modelo \u00e9 muito comum na pr\u00e1tica, especialmente em pesquisas com limita\u00e7\u00f5es de tempo, recursos, acesso a participantes ou disponibilidade de registros. Tamb\u00e9m aparece em estudos explorat\u00f3rios, investiga\u00e7\u00f5es iniciais e an\u00e1lises retrospectivas de bases secund\u00e1rias.<\/span><\/p>\n

Contudo, \u00e9 importante fazer uma distin\u00e7\u00e3o conceitual importante. O fato de o modelo pragm\u00e1tico ser comum n\u00e3o significa que ele tenha a mesma robustez do c\u00e1lculo formal. Seu valor metodol\u00f3gico depende da clareza com que \u00e9 apresentado e da coer\u00eancia entre a justificativa usada e o objetivo do estudo. O problema n\u00e3o est\u00e1 em utiliz\u00e1,lo, mas em ocultar sua natureza ou apresent\u00e1,lo como se fosse equivalente a um c\u00e1lculo estat\u00edstico plenamente fundamentado.<\/span><\/p>\n

3.3 Hierarquia metodol\u00f3gica entre os dois modelos<\/b><\/h3>\n

Do ponto de vista cient\u00edfico, o <\/span>modelo formal ocupa posi\u00e7\u00e3o hierarquicamente superior<\/b>, porque oferece justificativa mais objetiva, transparente e reproduz\u00edvel para a defini\u00e7\u00e3o do tamanho da amostra. Sempre que houver condi\u00e7\u00f5es para realizar um c\u00e1lculo estat\u00edstico adequado, essa deve ser a via preferencial.<\/span><\/p>\n

O modelo pragm\u00e1tico, por sua vez, deve ser entendido como uma solu\u00e7\u00e3o contextual. Ele pode ser aceit\u00e1vel, e at\u00e9 a \u00fanica alternativa poss\u00edvel em certas circunst\u00e2ncias, mas exige maior cautela interpretativa. Em alguns casos, seus limites podem reduzir a precis\u00e3o das estimativas, enfraquecer a capacidade comparativa do estudo ou restringir a generaliza\u00e7\u00e3o dos resultados.<\/span><\/p>\n

Essa hierarquia \u00e9 importante porque ajuda a evitar um erro frequente na reda\u00e7\u00e3o cient\u00edfica. Muitos estudos utilizam amostras definidas pragmaticamente, mas apresentam a justificativa de modo gen\u00e9rico, dando a impress\u00e3o de que houve um c\u00e1lculo formal quando isso n\u00e3o ocorreu. Em termos metodol\u00f3gicos, isso empobrece o estudo. \u00c9 prefer\u00edvel declarar com clareza que a amostra foi definida por disponibilidade de casos, por banco de dados existente ou por caracter\u00edsticas de um estudo piloto, do que utilizar linguagem imprecisa para simular um rigor inexistente.<\/span><\/p>\n

3.4 A utilidade dessa divis\u00e3o para o pesquisador<\/b><\/h3>\n

A distin\u00e7\u00e3o entre modelo formal e modelo pragm\u00e1tico tem grande utilidade pedag\u00f3gica e pr\u00e1tica. Ela permite que o pesquisador:<\/span><\/p>\n

    \n
  1. identifique a estrat\u00e9gia mais adequada ao seu desenho de estudo,<\/span><\/li>\n
  2. compreenda o grau de robustez da justificativa amostral que est\u00e1 utilizando,<\/span><\/li>\n
  3. reconhe\u00e7a as limita\u00e7\u00f5es do pr\u00f3prio m\u00e9todo,<\/span><\/li>\n
  4. redija de forma honesta e precisa a se\u00e7\u00e3o metodol\u00f3gica.<\/span><\/li>\n<\/ol>\n

    Essa organiza\u00e7\u00e3o tamb\u00e9m ajuda o leitor cr\u00edtico a interpretar melhor um artigo, uma disserta\u00e7\u00e3o ou uma tese. Ao examinar a justificativa da amostra, ele pode avaliar se o estudo realmente utilizou um c\u00e1lculo estat\u00edstico compat\u00edvel com seu objetivo ou se trabalhou com uma defini\u00e7\u00e3o pragm\u00e1tica que deve ser lida com maior cautela.<\/span><\/p>\n

    Em resumo, os dois grandes modelos de defini\u00e7\u00e3o do tamanho da amostra n\u00e3o s\u00e3o apenas duas formas de escolher um n\u00famero. Eles representam <\/span>duas l\u00f3gicas distintas de fundamenta\u00e7\u00e3o metodol\u00f3gica<\/b>. Conhecer essa diferen\u00e7a \u00e9 essencial para que o pesquisador tome decis\u00f5es mais s\u00f3lidas e para que o leitor interprete os resultados com maior rigor.<\/span><\/p>\n

    4. Modelo formal de defini\u00e7\u00e3o do tamanho da amostra<\/b><\/h2>\n

    O <\/span>modelo formal<\/b> \u00e9 o eixo central da defini\u00e7\u00e3o amostral em pesquisas quantitativas. Nele, o tamanho da amostra \u00e9 estabelecido por meio de <\/span>c\u00e1lculo estat\u00edstico<\/b>, constru\u00eddo a partir da pergunta principal do estudo e dos par\u00e2metros necess\u00e1rios para responder a essa pergunta de forma confi\u00e1vel. N\u00e3o se trata, portanto, de escolher um n\u00famero arbitr\u00e1rio, mas de traduzir a l\u00f3gica da investiga\u00e7\u00e3o em exig\u00eancia matem\u00e1tica.<\/span><\/p>\n

    Esse ponto merece destaque porque muitos pesquisadores associam o c\u00e1lculo amostral apenas a um procedimento t\u00e9cnico executado em software ou em calculadoras online. Na realidade, o c\u00e1lculo \u00e9 a express\u00e3o num\u00e9rica de decis\u00f5es metodol\u00f3gicas anteriores. Antes de calcular o tamanho da amostra, o pesquisador precisa saber com clareza <\/span>o que deseja demonstrar, estimar ou testar<\/b>. Sem essa defini\u00e7\u00e3o, o c\u00e1lculo pode at\u00e9 ser executado, mas ser\u00e1 conceitualmente vazio.<\/span><\/p>\n

    4.1 L\u00f3gica geral do modelo formal<\/b><\/h3>\n

    A l\u00f3gica do modelo formal pode ser resumida da seguinte maneira: o pesquisador define o objetivo anal\u00edtico principal do estudo e, com base nele, estabelece qual quantidade de observa\u00e7\u00f5es \u00e9 necess\u00e1ria para atingir um grau adequado de precis\u00e3o ou de capacidade de detec\u00e7\u00e3o estat\u00edstica.<\/span><\/p>\n

    Em termos pr\u00e1ticos, isso significa que o c\u00e1lculo depende do tipo de pergunta formulada. Se o estudo quer <\/span>estimar uma preval\u00eancia<\/b>, a amostra ser\u00e1 determinada com foco na precis\u00e3o da estimativa. Se quer <\/span>comparar dois grupos<\/b>, o c\u00e1lculo ser\u00e1 orientado pela diferen\u00e7a que se deseja detectar. Se quer avaliar <\/span>correla\u00e7\u00e3o<\/b>, a amostra depender\u00e1 da for\u00e7a de associa\u00e7\u00e3o esperada. Se quer construir <\/span>modelo de regress\u00e3o<\/b>, entram em cena a complexidade do modelo, o n\u00famero de vari\u00e1veis e a frequ\u00eancia do desfecho.<\/span><\/p>\n

    Portanto, o modelo formal n\u00e3o \u00e9 um c\u00e1lculo \u00fanico aplicado indistintamente a qualquer pesquisa. Ele \u00e9 um conjunto de estrat\u00e9gias de c\u00e1lculo, todas pertencentes \u00e0 mesma l\u00f3gica estat\u00edstica, mas adaptadas \u00e0 finalidade anal\u00edtica dominante.<\/span><\/p>\n

    4.2 Elementos gerais que participam do c\u00e1lculo formal<\/b><\/h3>\n

    Embora cada tipo de c\u00e1lculo tenha particularidades, alguns elementos aparecem com frequ\u00eancia na maior parte dos modelos formais.<\/span><\/p>\n

    a) Objetivo principal do estudo<\/b><\/h4>\n

    O primeiro elemento \u00e9 o <\/span>objetivo principal<\/b>. Ele define a natureza do c\u00e1lculo. Um estudo de estimativa exige um racioc\u00ednio diferente de um estudo comparativo. Um estudo correlacional exige outra l\u00f3gica, e um estudo com regress\u00e3o demanda outra ainda. Quando o objetivo principal n\u00e3o est\u00e1 claro, todo o c\u00e1lculo amostral tende a ficar comprometido.<\/span><\/p>\n

    b) N\u00edvel de signific\u00e2ncia<\/b><\/h4>\n

    Outro elemento importante \u00e9 o <\/span>n\u00edvel de signific\u00e2ncia<\/b>, geralmente representado por alfa. Esse par\u00e2metro expressa a toler\u00e2ncia do pesquisador ao erro do tipo I, isto \u00e9, \u00e0 probabilidade de considerar que existe um efeito quando ele n\u00e3o existe. Em muitas pesquisas biom\u00e9dicas e em grande parte das ci\u00eancias da sa\u00fade, adota,se com frequ\u00eancia o valor de 5%, mas esse n\u00famero n\u00e3o deve ser tratado como ritual autom\u00e1tico. Ele precisa fazer sentido dentro da estrat\u00e9gia anal\u00edtica do estudo.<\/span><\/p>\n

    c) Poder estat\u00edstico<\/b><\/h4>\n

    O <\/span>poder estat\u00edstico<\/b> representa a capacidade do estudo de detectar um efeito verdadeiro. Em termos simples, \u00e9 a chance de o estudo encontrar uma diferen\u00e7a, associa\u00e7\u00e3o ou efeito se esse fen\u00f4meno realmente existir. Estudos com baixo poder podem falhar em identificar efeitos reais, produzindo resultados falsamente negativos. Por isso, o poder costuma ser elemento central nos c\u00e1lculos voltados \u00e0 compara\u00e7\u00e3o entre grupos, correla\u00e7\u00e3o e alguns modelos de regress\u00e3o.<\/span><\/p>\n

    d) Tamanho do efeito esperado<\/b><\/h4>\n

    O <\/span>tamanho do efeito<\/b> corresponde \u00e0 magnitude m\u00ednima de diferen\u00e7a, associa\u00e7\u00e3o ou rela\u00e7\u00e3o que o pesquisador considera relevante detectar. Esse \u00e9 um dos componentes mais decisivos do c\u00e1lculo formal. Efeitos pequenos exigem amostras maiores. Efeitos grandes podem ser detectados com menos observa\u00e7\u00f5es. A dificuldade pr\u00e1tica est\u00e1 em estimar, de modo plaus\u00edvel, qual efeito esperar. Para isso, frequentemente se utilizam estudos pr\u00e9vios, conhecimento cl\u00ednico, resultados piloto ou julgamento de relev\u00e2ncia cient\u00edfica.<\/span><\/p>\n

    e) Variabilidade da medida<\/b><\/h4>\n

    Nos estudos que trabalham com vari\u00e1veis cont\u00ednuas, a <\/span>variabilidade<\/b>, frequentemente expressa pelo desvio padr\u00e3o, tem grande influ\u00eancia sobre a amostra. Quanto maior a dispers\u00e3o dos dados, maior tende a ser o n\u00famero necess\u00e1rio de observa\u00e7\u00f5es para estimar ou comparar com precis\u00e3o. Em outras palavras, dados mais heterog\u00eaneos exigem maior esfor\u00e7o amostral.<\/span><\/p>\n

    f) Frequ\u00eancia esperada do desfecho<\/b><\/h4>\n

    Em estudos com desfechos bin\u00e1rios ou categ\u00f3ricos, a <\/span>frequ\u00eancia esperada do evento<\/b> tamb\u00e9m influencia o c\u00e1lculo. Eventos raros costumam exigir amostras maiores, especialmente quando o objetivo \u00e9 comparar grupos ou ajustar modelos multivariados. Essa \u00e9 uma raz\u00e3o pela qual pesquisas sobre desfechos incomuns frequentemente demandam longos per\u00edodos de inclus\u00e3o ou m\u00faltiplos centros de coleta.<\/span><\/p>\n

    g) Precis\u00e3o desejada<\/b><\/h4>\n

    Nos c\u00e1lculos orientados para <\/span>estimativa<\/b>, a precis\u00e3o \u00e9 elemento central. O pesquisador precisa definir qual margem de erro considera aceit\u00e1vel e qual n\u00edvel de confian\u00e7a pretende obter ao redor da estimativa. Quanto maior a precis\u00e3o desejada, maior tende a ser a amostra necess\u00e1ria.<\/span><\/p>\n

    h) Perdas e recusas previstas<\/b><\/h4>\n

    Nenhum planejamento amostral realista pode ignorar a possibilidade de <\/span>perdas, recusas, exclus\u00f5es ou dados incompletos<\/b>. Por isso, mesmo ap\u00f3s o c\u00e1lculo do n m\u00ednimo necess\u00e1rio, costuma,se acrescentar uma margem de seguran\u00e7a. Esse ajuste \u00e9 essencial para evitar que o estudo termine com n\u00famero efetivo de observa\u00e7\u00f5es inferior ao necess\u00e1rio.<\/span><\/p>\n

    4.3 O modelo formal como express\u00e3o de coer\u00eancia metodol\u00f3gica<\/b><\/h3>\n

    Uma das maiores virtudes do modelo formal \u00e9 que ele obriga o pesquisador a alinhar quatro elementos centrais do estudo:<\/span><\/p>\n

      \n
    1. a pergunta de pesquisa,<\/span><\/li>\n
    2. o desfecho principal,<\/span><\/li>\n
    3. a an\u00e1lise estat\u00edstica,<\/span><\/li>\n
    4. a justificativa do tamanho da amostra.<\/span><\/li>\n<\/ol>\n

      Quando esse alinhamento existe, a metodologia ganha coer\u00eancia interna. O n\u00famero de participantes deixa de ser um detalhe perif\u00e9rico e passa a ser entendido como parte estrutural do desenho do estudo. Isso fortalece a credibilidade da investiga\u00e7\u00e3o e melhora a qualidade do relato cient\u00edfico.<\/span><\/p>\n

      Al\u00e9m disso, o modelo formal facilita a avalia\u00e7\u00e3o cr\u00edtica por parte de leitores, revisores e bancas examinadoras. Ao apresentar os par\u00e2metros do c\u00e1lculo, o pesquisador permite que outros compreendam a l\u00f3gica utilizada e avaliem sua adequa\u00e7\u00e3o. Essa transpar\u00eancia \u00e9 um componente importante do rigor cient\u00edfico.<\/span><\/p>\n

      4.4 O modelo formal n\u00e3o elimina a necessidade de julgamento<\/b><\/h3>\n

      Apesar de sua robustez, o modelo formal n\u00e3o transforma a defini\u00e7\u00e3o amostral em procedimento puramente mec\u00e2nico. O c\u00e1lculo depende de escolhas que exigem julgamento metodol\u00f3gico. \u00c9 preciso decidir qual desfecho principal ser\u00e1 priorizado, qual efeito \u00e9 realmente relevante, qual variabilidade \u00e9 plaus\u00edvel, qual margem de erro \u00e9 aceit\u00e1vel e qual taxa de perdas deve ser considerada.<\/span><\/p>\n

      Portanto, o c\u00e1lculo formal n\u00e3o substitui o racioc\u00ednio cient\u00edfico. Ele o organiza. Um c\u00e1lculo estat\u00edstico bem executado, mas baseado em premissas inadequadas, pode gerar um tamanho de amostra aparentemente preciso, mas metodologicamente fr\u00e1gil. Por isso, a qualidade do modelo formal depende tanto da matem\u00e1tica quanto da consist\u00eancia conceitual que a antecede.<\/span><\/p>\n

      4.5 Transi\u00e7\u00e3o para os tipos de c\u00e1lculo dentro do modelo formal<\/b><\/h3>\n

      Uma vez compreendida a l\u00f3gica geral do modelo formal, torna,se poss\u00edvel detalhar seus principais subtipos. Como j\u00e1 visto, o c\u00e1lculo estat\u00edstico da amostra varia conforme o objetivo dominante da pesquisa. Didaticamente, quatro grandes categorias merecem destaque:<\/span><\/p>\n

        \n
      1. c\u00e1lculo para <\/span>estimativa<\/b>,<\/span><\/li>\n
      2. c\u00e1lculo para <\/span>diferen\u00e7a entre grupos<\/b>,<\/span><\/li>\n
      3. c\u00e1lculo para <\/span>correla\u00e7\u00e3o<\/b>,<\/span><\/li>\n
      4. c\u00e1lculo para <\/span>regress\u00e3o ou modelagem<\/b>.<\/span><\/li>\n<\/ol>\n

        Cada uma dessas modalidades apresenta uma l\u00f3gica intr\u00ednseca e particular. Tendo isso em vista, a pr\u00f3xima se\u00e7\u00e3o deste documento ser\u00e1 dedicada \u00e0 an\u00e1lise detalhada de cada uma dessas abordagens.<\/span><\/p>\n

         <\/p>\n

        \"\"<\/a><\/p>\n

        5. Principais tipos de c\u00e1lculo dentro do modelo formal<\/b><\/h2>\n

        Como visto na se\u00e7\u00e3o anterior, o <\/span>modelo formal<\/b> de defini\u00e7\u00e3o do tamanho da amostra n\u00e3o \u00e9 homog\u00eaneo. Ele abriga diferentes modalidades de c\u00e1lculo, determinadas pelo <\/span>objetivo anal\u00edtico principal<\/b> da pesquisa. Essa distin\u00e7\u00e3o \u00e9 fundamental, porque um estudo voltado para estimar uma preval\u00eancia n\u00e3o exige a mesma l\u00f3gica de um ensaio cl\u00ednico comparativo, nem de uma investiga\u00e7\u00e3o correlacional ou de um estudo com regress\u00e3o.<\/span><\/p>\n

        Do ponto de vista did\u00e1tico, quatro grupos principais merecem destaque:<\/span><\/p>\n

          \n
        1. c\u00e1lculo para <\/span>estimativa<\/b>,<\/span><\/li>\n
        2. c\u00e1lculo para <\/span>diferen\u00e7a entre grupos<\/b>,<\/span><\/li>\n
        3. c\u00e1lculo para <\/span>correla\u00e7\u00e3o<\/b>,<\/span><\/li>\n
        4. c\u00e1lculo para <\/span>regress\u00e3o ou modelagem<\/b>.<\/span><\/li>\n<\/ol>\n

          5.1 C\u00e1lculo para estimativa<\/b><\/h3>\n

          O c\u00e1lculo para <\/span>estimativa<\/b> \u00e9 utilizado quando o objetivo principal do estudo n\u00e3o \u00e9 comparar grupos nem testar a superioridade de uma interven\u00e7\u00e3o, mas <\/span>estimar um par\u00e2metro populacional<\/b> com determinado grau de precis\u00e3o. Aqui, o foco central est\u00e1 na qualidade da estimativa produzida.<\/span><\/p>\n

          Esse tipo de c\u00e1lculo \u00e9 muito comum em estudos transversais e em investiga\u00e7\u00f5es descritivas. O pesquisador quer saber, por exemplo, qual \u00e9 a preval\u00eancia de hipertens\u00e3o em uma comunidade, qual \u00e9 a m\u00e9dia de glicemia em determinada popula\u00e7\u00e3o, qual \u00e9 a sensibilidade de um teste diagn\u00f3stico ou qual propor\u00e7\u00e3o de indiv\u00edduos apresenta determinada caracter\u00edstica cl\u00ednica.<\/span><\/p>\n

          Nessas situa\u00e7\u00f5es, a pergunta principal n\u00e3o \u00e9 \u201ch\u00e1 diferen\u00e7a entre A e B?\u201d, mas sim \u201cqual \u00e9 o valor esperado desse par\u00e2metro na popula\u00e7\u00e3o e com que precis\u00e3o consigo estim\u00e1-lo?\u201d. Por isso, a l\u00f3gica estat\u00edstica muda. O centro do racioc\u00ednio passa a ser a <\/span>margem de erro<\/b> aceit\u00e1vel e a <\/span>largura do intervalo de confian\u00e7a<\/b> ao redor da estimativa.<\/span><\/p>\n

          5.1.1 Elementos centrais do c\u00e1lculo para estimativa<\/b><\/h4>\n

          Em linhas gerais, o c\u00e1lculo para estimativa costuma depender dos seguintes elementos:<\/span><\/p>\n

            \n
          1. par\u00e2metro a ser estimado<\/b>, como m\u00e9dia, propor\u00e7\u00e3o, preval\u00eancia ou incid\u00eancia,<\/span><\/li>\n
          2. n\u00edvel de confian\u00e7a<\/b> desejado,<\/span><\/li>\n
          3. margem de erro<\/b> considerada aceit\u00e1vel,<\/span><\/li>\n
          4. variabilidade esperada<\/b>, quando se trata de m\u00e9dia,<\/span><\/li>\n
          5. propor\u00e7\u00e3o esperada do evento<\/b>, quando se trata de preval\u00eancia ou propor\u00e7\u00e3o.<\/span><\/li>\n<\/ol>\n

            O princ\u00edpio \u00e9 intuitivo. Quanto maior a precis\u00e3o desejada, maior tende a ser a amostra necess\u00e1ria. Se o pesquisador aceitar margem de erro mais ampla, a amostra pode ser menor. Se deseja um intervalo de confian\u00e7a mais estreito, precisa aumentar o n\u00famero (n).<\/span><\/p>\n

            5.1.2 Exemplo pr\u00e1tico de c\u00e1lculo para estimativa<\/b><\/h4>\n

            Imagine um estudo transversal cujo objetivo seja estimar a preval\u00eancia de \u00falcera venosa em uma popula\u00e7\u00e3o acompanhada em unidades b\u00e1sicas de sa\u00fade. O pesquisador precisa decidir qual margem de erro considera aceit\u00e1vel. Se quiser estimativa muito precisa, a amostra tender\u00e1 a crescer. Se aceitar uma faixa mais ampla de incerteza, o tamanho necess\u00e1rio ser\u00e1 menor.<\/span><\/p>\n

            Outro exemplo seria um estudo que deseja estimar a m\u00e9dia da press\u00e3o arterial sist\u00f3lica em pacientes diab\u00e9ticos. Nesse caso, a variabilidade esperada da press\u00e3o arterial ser\u00e1 decisiva. Quanto maior a dispers\u00e3o das medidas, maior precisar\u00e1 ser a amostra para obter uma m\u00e9dia com precis\u00e3o adequada.<\/span><\/p>\n

            5.1.3 Import\u00e2ncia metodol\u00f3gica desse tipo de c\u00e1lculo<\/b><\/h4>\n

            O c\u00e1lculo para estimativa \u00e9 particularmente importante porque muitos pesquisadores, equivocadamente, associam c\u00e1lculo amostral apenas \u00e0 compara\u00e7\u00e3o entre grupos. Isso reduz a compreens\u00e3o da metodologia quantitativa. Em muitos estudos epidemiol\u00f3gicos e cl\u00ednicos, o objetivo principal \u00e9 descritivo ou estimativo, e n\u00e3o comparativo. Nesses casos, o c\u00e1lculo formal continua sendo necess\u00e1rio, mas sua l\u00f3gica est\u00e1 centrada na <\/span>precis\u00e3o da estimativa<\/b>, n\u00e3o no poder de detectar diferen\u00e7as.<\/span><\/p>\n

            Assim, essa modalidade de c\u00e1lculo refor\u00e7a uma ideia fundamental, <\/span>nem todo estudo quantitativo \u00e9 desenhado para testar hip\u00f3tese comparativa<\/b>, e nem todo c\u00e1lculo de amostra depende diretamente de contraste entre grupos.<\/span><\/p>\n

            5.2 C\u00e1lculo para diferen\u00e7a entre grupos<\/b><\/h3>\n

            O c\u00e1lculo para <\/span>diferen\u00e7a entre grupos<\/b> \u00e9 uma das formas mais conhecidas de c\u00e1lculo amostral. Ele \u00e9 utilizado quando a pesquisa busca verificar se existe <\/span>diferen\u00e7a estatisticamente detect\u00e1vel entre dois ou mais grupos<\/b>, seja em rela\u00e7\u00e3o a m\u00e9dias, propor\u00e7\u00f5es, riscos ou outros desfechos.<\/span><\/p>\n

            Esse tipo de c\u00e1lculo aparece com frequ\u00eancia em ensaios cl\u00ednicos, estudos experimentais, coortes comparativas e pesquisas observacionais anal\u00edticas. O pesquisador deseja saber, por exemplo, se um tratamento reduz mais a press\u00e3o arterial que outro, se a preval\u00eancia de um desfecho \u00e9 diferente entre expostos e n\u00e3o expostos, ou se dois grupos apresentam m\u00e9dias distintas em determinado indicador.<\/span><\/p>\n

            5.2.1 A l\u00f3gica central do c\u00e1lculo comparativo<\/b><\/h4>\n

            Nesse tipo de c\u00e1lculo, o ponto decisivo \u00e9 a <\/span>diferen\u00e7a m\u00ednima de interesse<\/b> que o estudo pretende detectar. Em outras palavras, o pesquisador precisa definir qual magnitude de diferen\u00e7a entre os grupos seria cientificamente, clinicamente ou praticamente relevante.<\/span><\/p>\n

            Essa decis\u00e3o \u00e9 central porque influencia diretamente o tamanho da amostra. Diferen\u00e7as grandes podem ser detectadas com menor n\u00famero de participantes. Diferen\u00e7as pequenas exigem amostras maiores. Isso ocorre porque efeitos discretos s\u00e3o mais dif\u00edceis de distinguir do acaso.<\/span><\/p>\n

            Al\u00e9m disso, o c\u00e1lculo comparativo costuma depender de:<\/span><\/p>\n

              \n
            1. n\u00edvel de signific\u00e2ncia<\/b>,<\/span><\/li>\n
            2. poder estat\u00edstico<\/b>,<\/span><\/li>\n
            3. variabilidade da medida<\/b>, nos desfechos cont\u00ednuos,<\/span><\/li>\n
            4. frequ\u00eancia esperada do desfecho<\/b>, nos desfechos bin\u00e1rios,<\/span><\/li>\n
            5. raz\u00e3o entre grupos<\/b>, quando os grupos n\u00e3o t\u00eam o mesmo tamanho.<\/span><\/li>\n<\/ol>\n

              5.2.2 Compara\u00e7\u00e3o de m\u00e9dias e compara\u00e7\u00e3o de propor\u00e7\u00f5es<\/b><\/h4>\n

              Do ponto de vista did\u00e1tico, dois cen\u00e1rios s\u00e3o especialmente importantes.<\/span><\/p>\n

              O primeiro \u00e9 a <\/span>compara\u00e7\u00e3o de m\u00e9dias<\/b>. Ocorre quando o desfecho principal \u00e9 cont\u00ednuo, como n\u00edvel de dor, press\u00e3o arterial, \u00edndice de massa corporal ou tempo de interna\u00e7\u00e3o. Aqui, entram em cena a diferen\u00e7a m\u00ednima de interesse entre as m\u00e9dias e a variabilidade esperada da medida.<\/span><\/p>\n

              O segundo \u00e9 a <\/span>compara\u00e7\u00e3o de propor\u00e7\u00f5es<\/b>. Ocorre quando o desfecho \u00e9 categ\u00f3rico, como presen\u00e7a ou aus\u00eancia de infec\u00e7\u00e3o, cura ou n\u00e3o cura, \u00f3bito ou sobrevida, ades\u00e3o ou n\u00e3o ades\u00e3o. Nesse contexto, o c\u00e1lculo depende da propor\u00e7\u00e3o esperada em cada grupo e da diferen\u00e7a que se considera relevante detectar.<\/span><\/p>\n

              5.2.3 Exemplo pr\u00e1tico de c\u00e1lculo para diferen\u00e7a entre grupos<\/b><\/h4>\n

              Imagine um ensaio cl\u00ednico em que o pesquisador pretende comparar um novo curativo com o tratamento padr\u00e3o para cicatriza\u00e7\u00e3o de feridas. O desfecho pode ser a propor\u00e7\u00e3o de cicatriza\u00e7\u00e3o completa em 12 semanas. O tamanho da amostra depender\u00e1 da taxa esperada de cicatriza\u00e7\u00e3o em cada grupo e da diferen\u00e7a m\u00ednima que se deseja identificar com confian\u00e7a.<\/span><\/p>\n

              Em outro cen\u00e1rio, um estudo pode querer comparar a m\u00e9dia de dor entre pacientes submetidos a duas t\u00e9cnicas anest\u00e9sicas diferentes. Nesse caso, ser\u00e1 necess\u00e1rio definir qual diferen\u00e7a m\u00e9dia de dor seria relevante e qual \u00e9 o desvio padr\u00e3o esperado desta vari\u00e1vel.<\/span><\/p>\n

              5.2.4 Relev\u00e2ncia cl\u00ednica e relev\u00e2ncia estat\u00edstica<\/b><\/h4>\n

              Um ponto metodol\u00f3gico importante \u00e9 que a diferen\u00e7a usada no c\u00e1lculo n\u00e3o deve ser escolhida arbitrariamente. Ela precisa ter <\/span>relev\u00e2ncia cient\u00edfica ou cl\u00ednica<\/b>. N\u00e3o basta selecionar qualquer diferen\u00e7a apenas para facilitar o c\u00e1lculo. Uma diferen\u00e7a muito grande pode reduzir artificialmente a amostra necess\u00e1ria, mas produzir um estudo incapaz de detectar efeitos clinicamente importantes, por\u00e9m menores. De modo oposto, definir diferen\u00e7as muito pequenas pode gerar amostras impratic\u00e1veis ou estudos voltados para detectar efeitos irrelevantes.<\/span><\/p>\n

              Por esta raz\u00e3o, o c\u00e1lculo comparativo requer um equil\u00edbrio cuidadoso e bem ponderado entre a plausibilidade do ponto de vista estat\u00edstico e a relev\u00e2ncia no que diz respeito ao conte\u00fado substantivo da quest\u00e3o.<\/span><\/p>\n

              5.3 C\u00e1lculo para correla\u00e7\u00e3o<\/b><\/h3>\n

              O c\u00e1lculo para <\/span>correla\u00e7\u00e3o<\/b> \u00e9 utilizado quando o objetivo principal da pesquisa \u00e9 avaliar a <\/span>for\u00e7a e a dire\u00e7\u00e3o da rela\u00e7\u00e3o entre vari\u00e1veis<\/b>. Aqui, o interesse n\u00e3o est\u00e1 em estimar uma preval\u00eancia nem em comparar grupos, mas em examinar se duas medidas variam conjuntamente de modo sistem\u00e1tico.<\/span><\/p>\n

              Esse tipo de c\u00e1lculo \u00e9 muito utilizado em estudos observacionais, psicom\u00e9tricos, cl\u00ednicos e epidemiol\u00f3gicos. O pesquisador pode querer avaliar, por exemplo, a correla\u00e7\u00e3o entre \u00edndice de massa corporal e glicemia, entre escore de gravidade cl\u00ednica e qualidade de vida, entre idade e press\u00e3o arterial, ou entre dois m\u00e9todos de mensura\u00e7\u00e3o.<\/span><\/p>\n

              5.3.1 L\u00f3gica do c\u00e1lculo correlacional<\/b><\/h4>\n

              A l\u00f3gica do c\u00e1lculo para correla\u00e7\u00e3o depende, em ess\u00eancia, de tr\u00eas elementos:<\/span><\/p>\n

                \n
              1. for\u00e7a da correla\u00e7\u00e3o esperada<\/b>,<\/span><\/li>\n
              2. n\u00edvel de signific\u00e2ncia<\/b>,<\/span><\/li>\n
              3. poder estat\u00edstico<\/b>.<\/span><\/li>\n<\/ol>\n

                O princ\u00edpio \u00e9 semelhante ao de outras formas de c\u00e1lculo formal. Correla\u00e7\u00f5es fortes tendem a ser detectadas com amostras menores. Correla\u00e7\u00f5es fracas exigem amostras maiores. Isso ocorre porque rela\u00e7\u00f5es discretas podem se confundir mais facilmente com flutua\u00e7\u00f5es aleat\u00f3rias dos dados.<\/span><\/p>\n

                5.3.2 Exemplo pr\u00e1tico de c\u00e1lculo para correla\u00e7\u00e3o<\/b><\/h4>\n

                Imagine uma pesquisa com pacientes vasculares cujo objetivo seja avaliar a correla\u00e7\u00e3o entre escore funcional de membros inferiores e qualidade de vida. Se o pesquisador espera rela\u00e7\u00e3o apenas moderada ou fraca, a amostra precisar\u00e1 ser suficientemente ampla para detectar essa associa\u00e7\u00e3o com seguran\u00e7a estat\u00edstica. Se superestimar a for\u00e7a da correla\u00e7\u00e3o esperada, corre o risco de subdimensionar o estudo.<\/span><\/p>\n

                5.3.3 Limite importante<\/b><\/h4>\n

                \u00c9 importante distinguir c\u00e1lculo para correla\u00e7\u00e3o de simples an\u00e1lise explorat\u00f3ria entre vari\u00e1veis. Se a correla\u00e7\u00e3o constitui o <\/span>objetivo principal<\/b> do estudo, ela deve orientar formalmente o c\u00e1lculo amostral. Se for apenas an\u00e1lise secund\u00e1ria, o c\u00e1lculo pode estar baseado em outro desfecho principal. Essa distin\u00e7\u00e3o precisa ficar clara no desenho metodol\u00f3gico.<\/span><\/p>\n

                5.4 C\u00e1lculo para regress\u00e3o ou modelagem<\/b><\/h3>\n

                O c\u00e1lculo para <\/span>regress\u00e3o ou modelagem<\/b> \u00e9 utilizado quando o objetivo principal da pesquisa \u00e9 construir um <\/span>modelo explicativo, associativo ou preditivo<\/b>, envolvendo uma ou mais vari\u00e1veis independentes e um desfecho de interesse.<\/span><\/p>\n

                Esse cen\u00e1rio \u00e9 muito comum em epidemiologia, cl\u00ednica, ci\u00eancias sociais aplicadas e pesquisa em servi\u00e7os de sa\u00fade. O pesquisador pode desejar identificar fatores associados \u00e0 \u00falcera venosa, prever risco de complica\u00e7\u00f5es cir\u00fargicas, modelar determinantes de ades\u00e3o ao tratamento ou estimar o efeito ajustado de m\u00faltiplas vari\u00e1veis sobre um desfecho.<\/span><\/p>\n

                5.4.1 Complexidade maior desse tipo de c\u00e1lculo<\/b><\/h4>\n

                O c\u00e1lculo amostral para regress\u00e3o costuma ser mais complexo do que nos casos anteriores, porque n\u00e3o depende apenas do desfecho e do efeito esperado. Ele tamb\u00e9m sofre influ\u00eancia de:<\/span><\/p>\n

                  \n
                1. n\u00famero de vari\u00e1veis preditoras<\/b>,<\/span><\/li>\n
                2. frequ\u00eancia do desfecho<\/b>, especialmente em regress\u00e3o log\u00edstica,<\/span><\/li>\n
                3. magnitude esperada das associa\u00e7\u00f5es<\/b>,<\/span><\/li>\n
                4. estrutura do modelo<\/b>,<\/span><\/li>\n
                5. risco de sobreajuste<\/b>,<\/span><\/li>\n
                6. estabilidade das estimativas<\/b>.<\/span><\/li>\n<\/ol>\n

                  Por isso, em muitos contextos, al\u00e9m de f\u00f3rmulas formais, o pesquisador recorre a <\/span>regras pr\u00e1ticas complementares<\/b>, como rela\u00e7\u00f5es m\u00ednimas entre n\u00famero de eventos e n\u00famero de vari\u00e1veis do modelo. Essas regras n\u00e3o substituem totalmente o racioc\u00ednio estat\u00edstico, mas ajudam a evitar modelos excessivamente ambiciosos para a quantidade de dados dispon\u00edvel.<\/span><\/p>\n

                  5.4.2 Exemplo pr\u00e1tico de c\u00e1lculo para regress\u00e3o<\/b><\/h4>\n

                  Imagine um estudo que pretende identificar fatores associados \u00e0 ocorr\u00eancia de p\u00e9 diab\u00e9tico complicado. O pesquisador deseja incluir idade, sexo, tempo de diabetes, controle glic\u00eamico, presen\u00e7a de neuropatia, tabagismo e doen\u00e7a arterial perif\u00e9rica em um modelo de regress\u00e3o log\u00edstica. Nesse cen\u00e1rio, n\u00e3o basta conhecer o n\u00famero total de participantes. \u00c9 necess\u00e1rio avaliar quantos <\/span>eventos<\/b> do desfecho ocorrer\u00e3o, porque modelos log\u00edsticos dependem fortemente da quantidade de casos com o evento de interesse.<\/span><\/p>\n

                  Se o n\u00famero de vari\u00e1veis for alto e o n\u00famero de eventos for baixo, o modelo tende a ficar inst\u00e1vel. Isso pode gerar coeficientes imprecisos, intervalos de confian\u00e7a muito amplos e baixa capacidade preditiva.<\/span><\/p>\n

                  5.4.3 Valor metodol\u00f3gico desse tipo de c\u00e1lculo<\/b><\/h4>\n

                  O c\u00e1lculo para regress\u00e3o ensina ao pesquisador uma li\u00e7\u00e3o importante, <\/span>nem sempre o n\u00famero total de participantes \u00e9 a melhor medida da sufici\u00eancia amostral<\/b>. Em alguns estudos, o que realmente limita a an\u00e1lise \u00e9 o n\u00famero de eventos, a complexidade do modelo e a rela\u00e7\u00e3o entre vari\u00e1veis e observa\u00e7\u00f5es. Isso exige planejamento cuidadoso e forte coer\u00eancia entre ambi\u00e7\u00e3o anal\u00edtica e viabilidade amostral.<\/span><\/p>\n

                  Fechamento de transi\u00e7\u00e3o<\/span><\/h3>\n

                  Os quatro subtipos apresentados mostram que o <\/span>modelo formal<\/b> de defini\u00e7\u00e3o do tamanho da amostra \u00e9 um conjunto articulado de estrat\u00e9gias, e n\u00e3o uma f\u00f3rmula \u00fanica. O c\u00e1lculo adequado depende da finalidade central da pesquisa. Estudos voltados para <\/span>estimativa<\/b> precisam de precis\u00e3o. Estudos voltados para <\/span>compara\u00e7\u00e3o entre grupos<\/b> precisam de poder para detectar diferen\u00e7as relevantes. Estudos de <\/span>correla\u00e7\u00e3o<\/b> dependem da for\u00e7a esperada da associa\u00e7\u00e3o. Estudos com <\/span>regress\u00e3o<\/b> exigem aten\u00e7\u00e3o \u00e0 complexidade do modelo e \u00e0 estabilidade das estimativas.<\/span><\/p>\n

                  Essa compreens\u00e3o evita um erro frequente, usar qualquer c\u00e1lculo amostral apenas para \u201cpreencher a metodologia\u201d, sem alinhamento com o verdadeiro objetivo do estudo.<\/span><\/p>\n

                  O pr\u00f3ximo passo \u00e9 examinar o <\/span>modelo pragm\u00e1tico de defini\u00e7\u00e3o do tamanho da amostra<\/b>, mostrando como ele funciona, em que situa\u00e7\u00f5es aparece e quais s\u00e3o seus limites.<\/span><\/p>\n

                   <\/p>\n

                  6. Modelo pragm\u00e1tico de defini\u00e7\u00e3o do tamanho da amostra<\/b><\/h2>\n

                  Embora o <\/span>modelo formal<\/b> seja a estrat\u00e9gia metodologicamente mais robusta para definir o tamanho da amostra, a pr\u00e1tica cient\u00edfica mostra que nem toda pesquisa quantitativa consegue operar integralmente com essa l\u00f3gica. Em muitas situa\u00e7\u00f5es, o pesquisador trabalha com restri\u00e7\u00f5es concretas de tempo, acesso, financiamento, raridade do fen\u00f4meno, disponibilidade de registros ou estrutura institucional. \u00c9 nesse contexto que surge o <\/span>modelo pragm\u00e1tico<\/b> de defini\u00e7\u00e3o do tamanho da amostra.<\/span><\/p>\n

                  No modelo pragm\u00e1tico, o n\u00famero de observa\u00e7\u00f5es n\u00e3o decorre prioritariamente de um c\u00e1lculo estat\u00edstico constru\u00eddo a partir da hip\u00f3tese ou do par\u00e2metro de interesse. Em vez disso, ele \u00e9 estabelecido com base em <\/span>condi\u00e7\u00f5es reais de viabilidade<\/b>. Isso n\u00e3o significa, necessariamente, aus\u00eancia de rigor. Significa que a justificativa do n nasce de outra l\u00f3gica, mais operacional do que inferencial.<\/span><\/p>\n

                  Esse ponto \u00e9 importante porque muitos trabalhos utilizam amostras definidas pragmaticamente, mas n\u00e3o reconhecem isso de forma clara. Em vez de explicitar a limita\u00e7\u00e3o ou a estrat\u00e9gia adotada, usam linguagem vaga e produzem uma apar\u00eancia de formalidade metodol\u00f3gica que o estudo, de fato, n\u00e3o possui. Do ponto de vista cient\u00edfico, \u00e9 prefer\u00edvel assumir uma justificativa pragm\u00e1tica coerente do que simular um c\u00e1lculo formal inexistente.<\/span><\/p>\n

                  6.1 O que caracteriza o modelo pragm\u00e1tico<\/b><\/h3>\n

                  O modelo pragm\u00e1tico pode ser entendido como aquele em que o tamanho da amostra \u00e9 definido por um dos seguintes caminhos:<\/span><\/p>\n

                    \n
                  1. viabilidade operacional<\/b>,<\/span><\/li>\n
                  2. disponibilidade de participantes ou registros<\/b>,<\/span><\/li>\n
                  3. uso de todos os casos eleg\u00edveis em um per\u00edodo<\/b>,<\/span><\/li>\n
                  4. banco de dados secund\u00e1rio j\u00e1 existente<\/b>,<\/span><\/li>\n
                  5. estudo piloto<\/b>,<\/span><\/li>\n
                  6. refer\u00eancia em estudos semelhantes<\/b>.<\/span><\/li>\n<\/ol>\n

                    Nessas situa\u00e7\u00f5es, a pergunta principal deixa de ser \u201cqual \u00e9 o n ideal calculado estatisticamente?\u201d e passa a ser \u201cqual \u00e9 o n poss\u00edvel, justific\u00e1vel e metodologicamente aproveit\u00e1vel neste contexto espec\u00edfico?\u201d.<\/span><\/p>\n

                    6.2 Principais formas do modelo pragm\u00e1tico<\/b><\/h3>\n

                    6.2.1 Amostra por viabilidade operacional<\/b><\/h4>\n

                    Essa \u00e9 uma das formas mais comuns. O pesquisador define a amostra com base no n\u00famero de participantes que consegue recrutar durante certo per\u00edodo, dentro dos recursos humanos, financeiros e log\u00edsticos dispon\u00edveis.<\/span><\/p>\n

                    Exemplo, um estudo em ambulat\u00f3rio universit\u00e1rio pode incluir todos os pacientes eleg\u00edveis atendidos entre mar\u00e7o e agosto. O n\u00famero final n\u00e3o resulta de c\u00e1lculo formal, mas da capacidade real de inclus\u00e3o durante aquele intervalo.<\/span><\/p>\n

                    Esse modelo \u00e9 frequente em pesquisas acad\u00eamicas de gradua\u00e7\u00e3o, resid\u00eancia, especializa\u00e7\u00e3o e em muitos estudos institucionais.<\/span><\/p>\n

                    6.2.2 Inclus\u00e3o de todos os casos dispon\u00edveis<\/b><\/h4>\n

                    Outra forma importante do modelo pragm\u00e1tico \u00e9 a inclus\u00e3o de <\/span>todos os casos eleg\u00edveis<\/b>. Aqui, o pesquisador n\u00e3o seleciona uma amostra a partir de universo maior, mas utiliza integralmente o conjunto de casos acess\u00edveis dentro de um crit\u00e9rio temporal ou institucional.<\/span><\/p>\n

                    Exemplo, um estudo retrospectivo pode incluir todos os pacientes submetidos a determinado procedimento cir\u00fargico em um hospital entre 2021 e 2025. Nesse caso, o tamanho da amostra \u00e9 dado pela realidade do servi\u00e7o, e n\u00e3o por c\u00e1lculo pr\u00e9vio.<\/span><\/p>\n

                    Essa estrat\u00e9gia \u00e9 muito comum em s\u00e9ries hist\u00f3ricas, estudos retrospectivos e an\u00e1lises institucionais.<\/span><\/p>\n

                    6.2.3 Uso de banco de dados secund\u00e1rio<\/b><\/h4>\n

                    Em pesquisas baseadas em bancos de dados j\u00e1 existentes, o tamanho da amostra muitas vezes \u00e9 determinado pela pr\u00f3pria base. O pesquisador trabalha com o conjunto de registros dispon\u00edveis que atendem aos crit\u00e9rios de elegibilidade.<\/span><\/p>\n

                    Exemplo, um estudo pode utilizar todos os prontu\u00e1rios com diagn\u00f3stico de trombose venosa profunda registrados em um sistema hospitalar nos \u00faltimos cinco anos. O n final decorre da base acess\u00edvel.<\/span><\/p>\n

                    Nesses casos, o foco metodol\u00f3gico geralmente se desloca da pergunta \u201cquantos participantes preciso?\u201d para a pergunta \u201cquantos registros v\u00e1lidos e utiliz\u00e1veis tenho?\u201d. Ainda assim, isso n\u00e3o dispensa an\u00e1lise cr\u00edtica sobre sufici\u00eancia, perdas de dados e limita\u00e7\u00f5es inferenciais.<\/span><\/p>\n

                    6.2.4 Estudo piloto<\/b><\/h4>\n

                    O <\/span>estudo piloto<\/b> tamb\u00e9m costuma operar com l\u00f3gica pragm\u00e1tica. Seu objetivo principal n\u00e3o \u00e9 produzir infer\u00eancia definitiva sobre a popula\u00e7\u00e3o, mas testar instrumentos, procedimentos, log\u00edstica, ades\u00e3o, aceitabilidade ou viabilidade do projeto principal.<\/span><\/p>\n

                    Por isso, a amostra do piloto costuma ser definida por conveni\u00eancia planejada, e n\u00e3o por c\u00e1lculo voltado \u00e0 hip\u00f3tese principal. O importante \u00e9 que o pesquisador deixe claro que se trata de um piloto e n\u00e3o de um estudo confirmat\u00f3rio.<\/span><\/p>\n

                    6.2.5 Similaridade com estudos anteriores<\/b><\/h4>\n

                    Outra forma bastante difundida \u00e9 utilizar como refer\u00eancia o tamanho da amostra de pesquisas semelhantes. O pesquisador observa que estudos sobre tema pr\u00f3ximo trabalharam com determinado n e decide adotar n\u00famero parecido.<\/span><\/p>\n

                    Essa pr\u00e1tica \u00e9 comum, mas precisa ser manejada com cuidado. Ela pode servir como orienta\u00e7\u00e3o inicial, mas n\u00e3o deve ser automaticamente tratada como equivalente a c\u00e1lculo formal. Esse ponto ser\u00e1 aprofundado na pr\u00f3xima se\u00e7\u00e3o.<\/span><\/p>\n

                    6.3 Vantagens do modelo pragm\u00e1tico<\/b><\/h3>\n

                    O modelo pragm\u00e1tico tem algumas vantagens pr\u00e1ticas importantes.<\/span><\/p>\n

                      \n
                    1. Viabiliza pesquisas reais<\/b>, especialmente em cen\u00e1rios com limita\u00e7\u00e3o de recursos.<\/span><\/li>\n
                    2. Permite aproveitar bases j\u00e1 existentes<\/b>, o que reduz custo e tempo.<\/span><\/li>\n
                    3. \u00c9 adequado para estudos preliminares<\/b>, explorat\u00f3rios e pilotos.<\/span><\/li>\n
                    4. Facilita a pesquisa em contextos de raridade<\/b>, quando n\u00e3o h\u00e1 como ampliar artificialmente o n\u00famero de casos.<\/span><\/li>\n
                    5. Reflete honestamente a realidade de muitos servi\u00e7os e institui\u00e7\u00f5es<\/b>.<\/span><\/li>\n<\/ol>\n

                      Essas vantagens mostram que o modelo pragm\u00e1tico n\u00e3o deve ser tratado como erro metodol\u00f3gico autom\u00e1tico. Ele \u00e9, muitas vezes, uma resposta leg\u00edtima a contextos reais de pesquisa.<\/span><\/p>\n

                      6.4 Limita\u00e7\u00f5es do modelo pragm\u00e1tico<\/b><\/h3>\n

                      Apesar de sua utilidade, o modelo pragm\u00e1tico tem limites evidentes.<\/span><\/p>\n

                        \n
                      1. Pode gerar amostras insuficientes<\/b> para detectar efeitos reais.<\/span><\/li>\n
                      2. Pode produzir estimativas imprecisas<\/b>, com intervalos de confian\u00e7a amplos.<\/span><\/li>\n
                      3. Pode reduzir a robustez de compara\u00e7\u00f5es entre grupos<\/b>.<\/span><\/li>\n
                      4. Pode comprometer modelos multivariados<\/b>, especialmente quando h\u00e1 poucos eventos.<\/span><\/li>\n
                      5. Pode ampliar o risco de vi\u00e9s de sele\u00e7\u00e3o<\/b>, dependendo da forma de inclus\u00e3o dos casos.<\/span><\/li>\n
                      6. Pode fragilizar a generaliza\u00e7\u00e3o dos resultados<\/b>.<\/span><\/li>\n<\/ol>\n

                        Essas limita\u00e7\u00f5es n\u00e3o invalidam automaticamente o estudo, mas exigem cautela na interpreta\u00e7\u00e3o e transpar\u00eancia na reda\u00e7\u00e3o metodol\u00f3gica.<\/span><\/p>\n

                        6.5 O ponto metodol\u00f3gico central<\/b><\/h3>\n

                        O principal crit\u00e9rio de qualidade no modelo pragm\u00e1tico \u00e9 a <\/span>honestidade metodol\u00f3gica<\/b>. O pesquisador precisa declarar com clareza:<\/span><\/p>\n

                          \n
                        1. por que a amostra foi definida pragmaticamente,<\/span><\/li>\n
                        2. qual foi a l\u00f3gica adotada,<\/span><\/li>\n
                        3. quais s\u00e3o os limites dessa escolha,<\/span><\/li>\n
                        4. como isso afeta a interpreta\u00e7\u00e3o dos resultados.<\/span><\/li>\n<\/ol>\n

                          Em termos cient\u00edficos, uma justificativa pragm\u00e1tica bem apresentada \u00e9 mais respeit\u00e1vel do que um c\u00e1lculo formal mal compreendido ou artificialmente anexado ao estudo apenas para dar apar\u00eancia de sofistica\u00e7\u00e3o.<\/span><\/p>\n

                          7. O uso da similaridade com estudos anteriores<\/b><\/h2>\n

                          Entre todas as formas do modelo pragm\u00e1tico, a <\/span>similaridade com estudos anteriores<\/b> merece aten\u00e7\u00e3o especial, porque \u00e9 extremamente frequente e, ao mesmo tempo, frequentemente mal utilizada. Muitos pesquisadores observam que trabalhos parecidos com o seu inclu\u00edram determinado n\u00famero de participantes e concluem que podem usar o mesmo n.<\/span><\/p>\n

                          \u00c0 primeira vista, essa pr\u00e1tica parece razo\u00e1vel. Se estudos semelhantes utilizaram 120 participantes, por que n\u00e3o repetir esse n\u00famero? O problema \u00e9 que a semelhan\u00e7a aparente nem sempre significa equival\u00eancia metodol\u00f3gica verdadeira. Dois estudos podem tratar do mesmo tema geral, mas difere em aspectos decisivos:<\/span><\/p>\n

                            \n
                          1. desfecho principal,<\/span><\/li>\n
                          2. variabilidade da medida,<\/span><\/li>\n
                          3. frequ\u00eancia do evento,<\/span><\/li>\n
                          4. efeito esperado,<\/span><\/li>\n
                          5. n\u00famero de grupos,<\/span><\/li>\n
                          6. tipo de an\u00e1lise estat\u00edstica,<\/span><\/li>\n
                          7. perfil da popula\u00e7\u00e3o,<\/span><\/li>\n
                          8. perdas previstas.<\/span><\/li>\n<\/ol>\n

                            Por isso, o uso de estudos anteriores pode ocorrer em dois n\u00edveis muito diferentes.<\/span><\/p>\n

                            7.1 Uso fraco da similaridade<\/b><\/h3>\n

                            O <\/span>uso fraco da similaridade<\/b> ocorre quando o pesquisador simplesmente reproduz o n\u00famero de participantes de outro estudo porque ele parece parecido com o seu.<\/span><\/p>\n

                            Exemplo, um artigo sobre qualidade de vida em pacientes com insufici\u00eancia venosa cr\u00f4nica utilizou 150 participantes, e o novo estudo decide adotar o mesmo n apenas por essa raz\u00e3o.<\/span><\/p>\n

                            Esse uso \u00e9 metodologicamente fr\u00e1gil. Ele pode ser aceito, em certos contextos, como justificativa preliminar ou pragm\u00e1tica, mas n\u00e3o equivale a c\u00e1lculo formal. O risco \u00e9 copiar um n\u00famero sem saber se ele \u00e9 adequado ao novo objetivo do estudo.<\/span><\/p>\n

                            7.2 Uso forte da similaridade<\/b><\/h3>\n

                            O <\/span>uso forte da similaridade<\/b> \u00e9 mais sofisticado e metodologicamente muito mais defens\u00e1vel. Aqui, o pesquisador n\u00e3o copia o n do estudo anterior. Ele usa o estudo pr\u00e9vio para obter <\/span>par\u00e2metros que alimentam o c\u00e1lculo formal<\/b>.<\/span><\/p>\n

                            Por exemplo, estudos anteriores podem fornecer:<\/span><\/p>\n

                              \n
                            1. preval\u00eancia esperada<\/b> do desfecho,<\/span><\/li>\n
                            2. desvio padr\u00e3o<\/b> de uma vari\u00e1vel cont\u00ednua,<\/span><\/li>\n
                            3. diferen\u00e7a m\u00e9dia plaus\u00edvel<\/b> entre grupos,<\/span><\/li>\n
                            4. propor\u00e7\u00f5es esperadas<\/b> em cada grupo,<\/span><\/li>\n
                            5. coeficiente de correla\u00e7\u00e3o esperado<\/b>,<\/span><\/li>\n
                            6. taxa de perdas ou recusas<\/b>,<\/span><\/li>\n
                            7. frequ\u00eancia do evento em regress\u00e3o log\u00edstica<\/b>.<\/span><\/li>\n<\/ol>\n

                              Nesse caso, a literatura anterior deixa de ser fonte para copiar o n\u00famero final e passa a ser fonte para estimar os par\u00e2metros do c\u00e1lculo formal. Essa \u00e9 uma forma muito superior de usar a similaridade.<\/span><\/p>\n

                              7.3 Quando a similaridade ajuda de verdade<\/b><\/h3>\n

                              O uso de estudos anteriores pode ser \u00fatil em pelo menos quatro situa\u00e7\u00f5es:<\/span><\/p>\n

                                \n
                              1. quando faltam dados locais para estimar par\u00e2metros,<\/span><\/li>\n
                              2. quando o estudo \u00e9 pioneiro no pr\u00f3prio servi\u00e7o,<\/span><\/li>\n
                              3. quando se quer testar a plausibilidade de um c\u00e1lculo formal,<\/span><\/li>\n
                              4. quando se deseja comparar se o n planejado est\u00e1 em faixa coerente com a literatura.<\/span><\/li>\n<\/ol>\n

                                Nesses casos, a literatura funciona como <\/span>refer\u00eancia de calibra\u00e7\u00e3o<\/b>, e n\u00e3o como substituto autom\u00e1tico do racioc\u00ednio metodol\u00f3gico.<\/span><\/p>\n

                                7.4 Risco de copiar o n sem cr\u00edtica<\/b><\/h3>\n

                                Copiar o n\u00famero de outro artigo sem an\u00e1lise cr\u00edtica pode gerar dois tipos de erro.<\/span><\/p>\n

                                  \n
                                1. Subdimensionamento<\/b>, quando o novo estudo precisaria de amostra maior, mas herda um n pequeno de pesquisa anterior.<\/span><\/li>\n
                                2. Superdimensionamento<\/b>, quando o pesquisador adota um n\u00famero muito alto sem necessidade real, apenas porque outro trabalho o utilizou.<\/span><\/li>\n<\/ol>\n

                                  Ambos os erros decorrem do mesmo problema, a aus\u00eancia de alinhamento entre o tamanho da amostra e o objetivo anal\u00edtico espec\u00edfico do novo estudo.<\/span><\/p>\n

                                  7.5 S\u00edntese metodol\u00f3gica desta se\u00e7\u00e3o<\/b><\/h3>\n

                                  Em termos did\u00e1ticos, vale fixar a seguinte regra:<\/span><\/p>\n

                                    \n
                                  1. copiar o n de outro estudo \u00e9 justificativa fraca<\/b>,<\/span><\/li>\n
                                  2. usar estudos anteriores para obter par\u00e2metros do c\u00e1lculo \u00e9 justificativa forte<\/b>.<\/span><\/li>\n<\/ol>\n

                                    Essa distin\u00e7\u00e3o \u00e9 extremamente \u00fatil para ensinar metodologia de forma madura. Ela preserva a relev\u00e2ncia da literatura pr\u00e9via, mas impede que a semelhan\u00e7a superficial seja tratada como substituta do c\u00e1lculo formal.<\/span><\/p>\n

                                    Fechamento de transi\u00e7\u00e3o<\/span><\/h3>\n

                                    Compreendidos o modelo pragm\u00e1tico e o papel da similaridade com estudos anteriores, o cap\u00edtulo pode avan\u00e7ar para um ponto igualmente importante, os <\/span>fatores adicionais que modificam o tamanho da amostra<\/b>. Isso \u00e9 necess\u00e1rio porque, mesmo quando o c\u00e1lculo ou a justificativa b\u00e1sica parecem corretos, diversos elementos ainda podem ampliar ou reduzir o n necess\u00e1rio.<\/span><\/p>\n

                                     <\/p>\n

                                    8. Fatores adicionais que modificam o tamanho da amostra<\/b><\/h2>\n

                                    Mesmo quando o pesquisador escolhe corretamente entre o <\/span>modelo formal<\/b> e o <\/span>modelo pragm\u00e1tico<\/b>, ou quando define de modo adequado o tipo de c\u00e1lculo dentro do modelo formal, a determina\u00e7\u00e3o final do tamanho da amostra ainda pode sofrer influ\u00eancia de v\u00e1rios fatores adicionais. Esses fatores funcionam como modificadores do n inicialmente pensado e, em muitos casos, s\u00e3o decisivos para evitar erros de planejamento.<\/span><\/p>\n

                                    Ignor\u00e1,los \u00e9 um problema comum. Muitos estudos apresentam um c\u00e1lculo aparentemente correto, mas esquecem de considerar perdas, subgrupos, raridade do desfecho ou a complexidade da an\u00e1lise. O resultado \u00e9 um projeto com apar\u00eancia metodol\u00f3gica adequada, por\u00e9m com risco concreto de insufici\u00eancia pr\u00e1tica.<\/span><\/p>\n

                                    8.1 Perdas e recusas<\/b><\/h3>\n

                                    Um dos fatores mais importantes \u00e9 a possibilidade de <\/span>perdas e recusas<\/b>. Em praticamente toda pesquisa com seres humanos existe o risco de que parte dos participantes eleg\u00edveis n\u00e3o aceite participar, abandone o estudo, apresente dados incompletos ou precise ser exclu\u00edda posteriormente.<\/span><\/p>\n

                                    Por isso, o tamanho da amostra calculado ou inicialmente planejado raramente deve ser entendido como o n\u00famero exato a recrutar. Em geral, \u00e9 necess\u00e1rio acrescentar uma margem de seguran\u00e7a para compensar essas perdas previs\u00edveis. Quanto maior a chance de evas\u00e3o, seguimento incompleto ou falha na coleta, maior deve ser o ajuste.<\/span><\/p>\n

                                    Esse ponto \u00e9 especialmente importante em estudos longitudinais, coortes, ensaios cl\u00ednicos e pesquisas com acompanhamento prolongado.<\/span><\/p>\n

                                    8.2 Corre\u00e7\u00e3o para popula\u00e7\u00e3o finita<\/b><\/h3>\n

                                    Quando a popula\u00e7\u00e3o de interesse \u00e9 muito grande, a maior parte dos c\u00e1lculos pode ser feita sem preocupa\u00e7\u00e3o pr\u00e1tica com seu tamanho total. No entanto, quando o universo \u00e9 <\/span>pequeno e conhecido<\/b>, pode ser necess\u00e1rio aplicar <\/span>corre\u00e7\u00e3o para popula\u00e7\u00e3o finita<\/b>.<\/span><\/p>\n

                                    Isso ocorre, por exemplo, em estudos realizados com todos os alunos de uma turma, todos os profissionais de um setor, todos os residentes de um programa ou todos os pacientes cadastrados em um servi\u00e7o espec\u00edfico. Nesses casos, a propor\u00e7\u00e3o entre amostra e popula\u00e7\u00e3o total deixa de ser desprez\u00edvel, e o c\u00e1lculo precisa ser ajustado.<\/span><\/p>\n

                                    Esse fator \u00e9 particularmente relevante em pesquisas institucionais e acad\u00eamicas locais.<\/span><\/p>\n

                                    8.3 Efeito do desenho amostral<\/b><\/h3>\n

                                    Nem toda pesquisa quantitativa trabalha com amostragem aleat\u00f3ria simples. Algumas utilizam conglomerados, m\u00faltiplos est\u00e1gios ou outras estrat\u00e9gias complexas de sele\u00e7\u00e3o. Nesses cen\u00e1rios, entra em cena o chamado <\/span>efeito do desenho<\/b>, que pode aumentar a necessidade amostral.<\/span><\/p>\n

                                    A raz\u00e3o \u00e9 simples. Em amostras complexas, indiv\u00edduos do mesmo conglomerado tendem a se parecer mais entre si do que indiv\u00edduos escolhidos aleatoriamente em toda a popula\u00e7\u00e3o. Isso reduz a variabilidade efetiva da amostra e pode exigir amplia\u00e7\u00e3o do n para manter a precis\u00e3o desejada.<\/span><\/p>\n

                                    Ignorar esse fator em inqu\u00e9ritos populacionais, estudos escolares, pesquisas multic\u00eantricas ou levantamentos por unidades agregadas pode gerar subestima\u00e7\u00e3o do tamanho amostral.<\/span><\/p>\n

                                    8.4 N\u00famero de grupos comparados<\/b><\/h3>\n

                                    Quando a pesquisa compara mais de dois grupos, o planejamento amostral pode se tornar mais exigente. Em alguns casos, o aumento do n\u00famero de grupos demanda amplia\u00e7\u00e3o do total de participantes para preservar o poder estat\u00edstico das compara\u00e7\u00f5es relevantes.<\/span><\/p>\n

                                    Al\u00e9m disso, nem sempre basta saber quantos participantes ser\u00e3o inclu\u00eddos no total. \u00c9 preciso considerar tamb\u00e9m como eles ser\u00e3o distribu\u00eddos entre os grupos, e se essa distribui\u00e7\u00e3o ser\u00e1 equilibrada ou n\u00e3o. Raz\u00f5es muito desiguais entre os grupos podem reduzir a efici\u00eancia estat\u00edstica.<\/span><\/p>\n

                                    8.5 Raridade do desfecho<\/b><\/h3>\n

                                    A <\/span>raridade do desfecho<\/b> \u00e9 outro fator decisivo. Quando o evento de interesse \u00e9 raro, o pesquisador pode precisar de amostras muito maiores para obter n\u00famero suficiente de casos.<\/span><\/p>\n

                                    Isso \u00e9 particularmente importante em estudos progn\u00f3sticos, regress\u00f5es log\u00edsticas, eventos adversos, desfechos graves e doen\u00e7as pouco frequentes. Em algumas situa\u00e7\u00f5es, o tamanho total da amostra parece grande, mas o n\u00famero de eventos efetivos \u00e9 pequeno demais para sustentar a an\u00e1lise planejada.<\/span><\/p>\n

                                    Esse problema ensina uma li\u00e7\u00e3o importante, em muitos estudos, especialmente os anal\u00edticos, o que realmente importa n\u00e3o \u00e9 apenas o n\u00famero total de participantes, mas a quantidade de ocorr\u00eancias do desfecho principal.<\/span><\/p>\n

                                    8.6 An\u00e1lises ajustadas e multivariadas<\/b><\/h3>\n

                                    Quando o estudo prev\u00ea an\u00e1lises multivariadas, o tamanho da amostra precisa ser pensado de forma mais cautelosa. Modelos com m\u00faltiplos preditores exigem volume de dados suficiente para gerar estimativas est\u00e1veis.<\/span><\/p>\n

                                    Quanto maior o n\u00famero de vari\u00e1veis no modelo, maior tende a ser a exig\u00eancia amostral. Se essa rela\u00e7\u00e3o n\u00e3o for respeitada, o pesquisador corre o risco de construir modelos inst\u00e1veis, com sobreajuste, coeficientes imprecisos e baixo valor preditivo.<\/span><\/p>\n

                                    Esse ponto \u00e9 especialmente relevante em regress\u00e3o log\u00edstica, regress\u00e3o linear m\u00faltipla, modelos de sobreviv\u00eancia e valida\u00e7\u00e3o de modelos preditivos.<\/span><\/p>\n

                                    8.7 Subgrupos de interesse<\/b><\/h3>\n

                                    Muitas pesquisas n\u00e3o pretendem apenas analisar o total da amostra. Elas desejam comparar <\/span>subgrupos<\/b>, como homens e mulheres, jovens e idosos, expostos e n\u00e3o expostos, tipos diferentes de tratamento ou faixas cl\u00ednicas distintas.<\/span><\/p>\n

                                    Quando essa inten\u00e7\u00e3o existe desde o in\u00edcio, ela precisa entrar no planejamento amostral. Uma amostra que parece suficiente para a an\u00e1lise global pode se tornar pequena demais quando dividida em subgrupos. Isso reduz a precis\u00e3o e o poder estat\u00edstico.<\/span><\/p>\n

                                    Por isso, an\u00e1lises de subgrupos n\u00e3o devem ser tratadas como detalhe posterior. Se s\u00e3o parte importante do objetivo do estudo, devem influenciar a defini\u00e7\u00e3o do n desde o planejamento.<\/span><\/p>\n

                                    8.8 Estudos de valida\u00e7\u00e3o e testes diagn\u00f3sticos<\/b><\/h3>\n

                                    Pesquisas de <\/span>valida\u00e7\u00e3o de instrumentos<\/b>, <\/span>acur\u00e1cia diagn\u00f3stica<\/b> e <\/span>desempenho de testes<\/b> tamb\u00e9m podem exigir racioc\u00ednio amostral espec\u00edfico. Nesses estudos, o c\u00e1lculo pode depender da sensibilidade, especificidade, preval\u00eancia da condi\u00e7\u00e3o, erro aceit\u00e1vel e objetivo principal da valida\u00e7\u00e3o.<\/span><\/p>\n

                                    Mais uma vez, isso refor\u00e7a a ideia de que o c\u00e1lculo da amostra n\u00e3o pode ser improvisado. Ele precisa acompanhar a natureza metodol\u00f3gica do estudo.<\/span><\/p>\n

                                    8.9 S\u00edntese desta se\u00e7\u00e3o<\/b><\/h3>\n

                                    Os fatores adicionais apresentados mostram que o tamanho da amostra n\u00e3o \u00e9 definido apenas por uma f\u00f3rmula inicial ou por uma escolha pragm\u00e1tica simples. Ele pode ser ampliado, corrigido ou reinterpretado conforme:<\/span><\/p>\n

                                      \n
                                    1. perdas previstas,<\/span><\/li>\n
                                    2. tamanho da popula\u00e7\u00e3o,<\/span><\/li>\n
                                    3. estrutura da amostragem,<\/span><\/li>\n
                                    4. raridade do evento,<\/span><\/li>\n
                                    5. complexidade da an\u00e1lise,<\/span><\/li>\n
                                    6. interesse em subgrupos,<\/span><\/li>\n
                                    7. caracter\u00edsticas espec\u00edficas do desenho.<\/span><\/li>\n<\/ol>\n

                                      Em outras palavras, o c\u00e1lculo ou a justificativa inicial do n \u00e9 apenas o come\u00e7o. O planejamento amostral maduro exige refinamento.<\/span><\/p>\n

                                      9. Erros frequentes na defini\u00e7\u00e3o do tamanho da amostra<\/b><\/h2>\n

                                      Se a defini\u00e7\u00e3o do tamanho da amostra \u00e9 uma etapa central da pesquisa quantitativa, ela tamb\u00e9m \u00e9 um dos pontos em que mais ocorrem erros metodol\u00f3gicos. Muitos desses erros n\u00e3o surgem por m\u00e1 f\u00e9, mas por simplifica\u00e7\u00e3o excessiva, uso mec\u00e2nico de ferramentas estat\u00edsticas ou repeti\u00e7\u00e3o de h\u00e1bitos mal fundamentados.<\/span><\/p>\n

                                      Conhecer esses erros \u00e9 importante porque ajuda o pesquisador a evit\u00e1-los e melhora sua capacidade de leitura cr\u00edtica de artigos, disserta\u00e7\u00f5es, teses e projetos.<\/span><\/p>\n

                                      9.1 Escolher o n por tradi\u00e7\u00e3o ou costume da \u00e1rea<\/b><\/h3>\n

                                      Um erro muito comum \u00e9 selecionar o tamanho da amostra com base em frases como:<\/span><\/p>\n

                                        \n
                                      1. \u201cnessa \u00e1rea os estudos costumam ter cerca de 100 pacientes\u201d,<\/span><\/li>\n
                                      2. \u201cgeralmente trabalhos assim usam 30 por grupo\u201d,<\/span><\/li>\n
                                      3. \u201cesse n\u00famero costuma ser aceito\u201d.<\/span><\/li>\n<\/ol>\n

                                        Esse racioc\u00ednio \u00e9 fr\u00e1gil. O fato de determinado n\u00famero ser habitual em uma \u00e1rea n\u00e3o significa que ele seja adequado para o objetivo espec\u00edfico do novo estudo. O tamanho da amostra precisa ser coerente com a pergunta de pesquisa, e n\u00e3o apenas com a cultura informal do campo.<\/span><\/p>\n

                                        9.2 Copiar o n de outro artigo sem cr\u00edtica<\/b><\/h3>\n

                                        Outro erro frequente \u00e9 copiar diretamente o n\u00famero de participantes de um estudo anterior. Como j\u00e1 discutido, isso representa um uso fraco da similaridade. Dois estudos podem parecer parecidos e, ainda assim, exigir tamanhos amostrais diferentes. O problema n\u00e3o est\u00e1 em consultar a literatura anterior, mas em substituir o racioc\u00ednio metodol\u00f3gico pela simples reprodu\u00e7\u00e3o de um n\u00famero.<\/span><\/p>\n

                                        9.3 N\u00e3o declarar os par\u00e2metros usados no c\u00e1lculo<\/b><\/h3>\n

                                        Em muitos textos cient\u00edficos, o autor afirma que \u201co tamanho da amostra foi calculado\u201d, mas n\u00e3o informa:<\/span><\/p>\n

                                          \n
                                        1. qual foi o desfecho principal,<\/span><\/li>\n
                                        2. qual valor de alfa foi usado,<\/span><\/li>\n
                                        3. qual poder foi adotado,<\/span><\/li>\n
                                        4. qual efeito esperado foi considerado,<\/span><\/li>\n
                                        5. qual margem de erro foi definida,<\/span><\/li>\n
                                        6. se houve corre\u00e7\u00e3o para perdas.<\/span><\/li>\n<\/ol>\n

                                          Sem esses par\u00e2metros, o c\u00e1lculo n\u00e3o pode ser avaliado criticamente. A justificativa fica opaca e metodologicamente pobre.<\/span><\/p>\n

                                          9.4 Ignorar perdas e recusas<\/b><\/h3>\n

                                          Um c\u00e1lculo amostral pode estar teoricamente correto e ainda assim falhar na pr\u00e1tica se o pesquisador esquecer de adicionar margem para perdas. Esse erro \u00e9 particularmente grave em estudos com seguimento, interven\u00e7\u00f5es, popula\u00e7\u00f5es vulner\u00e1veis ou coleta complexa.<\/span><\/p>\n

                                          Sem esse ajuste, o estudo pode terminar com n\u00famero efetivo menor do que o necess\u00e1rio, comprometendo poder e precis\u00e3o.<\/span><\/p>\n

                                          9.5 Confundir signific\u00e2ncia estat\u00edstica com relev\u00e2ncia cl\u00ednica ou cient\u00edfica<\/b><\/h3>\n

                                          Na defini\u00e7\u00e3o do tamanho da amostra, especialmente em estudos comparativos, o pesquisador precisa escolher a diferen\u00e7a m\u00ednima de interesse. Um erro importante \u00e9 selecionar diferen\u00e7as estatisticamente detect\u00e1veis, mas sem relev\u00e2ncia cl\u00ednica, pr\u00e1tica ou cient\u00edfica.<\/span><\/p>\n

                                          O resultado pode ser um estudo desenhado para encontrar diferen\u00e7as pequenas demais para importar de verdade. Isso leva a uma pesquisa tecnicamente correta na estat\u00edstica, mas pobre em sentido cient\u00edfico.<\/span><\/p>\n

                                          9.6 Superdimensionar a amostra sem necessidade<\/b><\/h3>\n

                                          Existe a falsa ideia de que amostra maior \u00e9 sempre melhor. N\u00e3o \u00e9. Superdimensionar um estudo pode desperdi\u00e7ar recursos, tempo e esfor\u00e7o, al\u00e9m de favorecer a detec\u00e7\u00e3o de diferen\u00e7as muito pequenas, sem import\u00e2ncia pr\u00e1tica.<\/span><\/p>\n

                                          Em pesquisa com seres humanos, esse problema ganha tamb\u00e9m dimens\u00e3o \u00e9tica. Recrutar mais participantes do que o necess\u00e1rio, especialmente em contextos de risco, custo ou inc\u00f4modo, n\u00e3o \u00e9 uma decis\u00e3o neutra.<\/span><\/p>\n

                                          9.7 Usar amostra de conveni\u00eancia e apresent\u00e1,la como se fosse c\u00e1lculo formal<\/b><\/h3>\n

                                          Esse \u00e9 um erro metodol\u00f3gico e redacional. O pesquisador trabalha com os casos dispon\u00edveis, por conveni\u00eancia, mas descreve a amostra de forma vaga, sugerindo que houve defini\u00e7\u00e3o estat\u00edstica robusta.<\/span><\/p>\n

                                          A melhor conduta \u00e9 declarar claramente a natureza pragm\u00e1tica da amostra, reconhecer seus limites e interpretar os resultados de forma coerente com essa escolha.<\/span><\/p>\n

                                          9.8 N\u00e3o alinhar a amostra com o objetivo principal do estudo<\/b><\/h3>\n

                                          \u00c0s vezes o pesquisador calcula a amostra com base em um par\u00e2metro, mas o desfecho principal real do estudo \u00e9 outro. Exemplo, calcula o n para estimar preval\u00eancia, mas o objetivo principal da an\u00e1lise \u00e9 comparar grupos. Ou calcula para compara\u00e7\u00e3o simples, mas o foco final do artigo \u00e9 regress\u00e3o multivariada complexa.<\/span><\/p>\n

                                          Esse desalinhamento compromete a coer\u00eancia interna da metodologia.<\/span><\/p>\n

                                          9.9 Tratar o c\u00e1lculo como ritual e n\u00e3o como racioc\u00ednio<\/b><\/h3>\n

                                          Talvez o erro mais profundo seja transformar o c\u00e1lculo amostral em formalidade burocr\u00e1tica. O pesquisador insere n\u00fameros em um software, obt\u00e9m um n e o inclui no m\u00e9todo, mas n\u00e3o compreende a l\u00f3gica do que fez. Quando isso acontece, o c\u00e1lculo deixa de ser instrumento de planejamento e vira ornamento metodol\u00f3gico. O cap\u00edtulo inteiro que estamos construindo procura justamente combater essa pr\u00e1tica.<\/span><\/p>\n

                                          Fechamento de transi\u00e7\u00e3o<\/span><\/h3>\n

                                          Com a base conceitual sobre fatores que modificam o tamanho da amostra e erros de defini\u00e7\u00e3o estabelecida, o pr\u00f3ximo passo \u00e9 abordar a justifica\u00e7\u00e3o do tamanho amostral na reda\u00e7\u00e3o do m\u00e9todo, com exemplos pr\u00e1ticos.<\/span><\/p>\n

                                           <\/p>\n

                                          10. Como justificar o tamanho da amostra no m\u00e9todo<\/b><\/h2>\n

                                          Uma das maiores dificuldades dos pesquisadores n\u00e3o est\u00e1 apenas em definir o tamanho da amostra, mas em <\/span>justific\u00e1,lo adequadamente na reda\u00e7\u00e3o metodol\u00f3gica<\/b>. Em muitos trabalhos, a decis\u00e3o amostral at\u00e9 poderia ser aceit\u00e1vel, mas \u00e9 mal descrita. Em outros, o texto usa linguagem gen\u00e9rica, sem deixar claro se houve c\u00e1lculo formal, defini\u00e7\u00e3o pragm\u00e1tica ou combina\u00e7\u00e3o de estrat\u00e9gias.<\/span><\/p>\n

                                          Uma boa justificativa metodol\u00f3gica deve responder, de modo claro, a quatro perguntas:<\/span><\/p>\n

                                            \n
                                          1. qual foi a l\u00f3gica usada para definir a amostra<\/b>,<\/span><\/li>\n
                                          2. quais par\u00e2metros ou crit\u00e9rios foram considerados<\/b>,<\/span><\/li>\n
                                          3. qual foi o n\u00famero final planejado<\/b>,<\/span><\/li>\n
                                          4. como esse n\u00famero se relaciona com o objetivo principal do estudo<\/b>.<\/span><\/li>\n<\/ol>\n

                                            Em termos pr\u00e1ticos, o ideal \u00e9 que o leitor consiga entender n\u00e3o apenas quantos participantes foram inclu\u00eddos, mas <\/span>por que esse n\u00famero foi escolhido<\/b>.<\/span><\/p>\n

                                            10.1 Quando houve c\u00e1lculo formal para estimativa<\/b><\/h3>\n

                                            Quando o estudo utiliza c\u00e1lculo formal voltado para <\/span>estimativa<\/b>, a reda\u00e7\u00e3o deve informar:<\/span><\/p>\n

                                              \n
                                            1. o par\u00e2metro a ser estimado,<\/span><\/li>\n
                                            2. o n\u00edvel de confian\u00e7a adotado,<\/span><\/li>\n
                                            3. a margem de erro desejada,<\/span><\/li>\n
                                            4. a propor\u00e7\u00e3o ou variabilidade esperada,<\/span><\/li>\n
                                            5. eventual acr\u00e9scimo para perdas.<\/span><\/li>\n<\/ol>\n

                                              Um modelo de reda\u00e7\u00e3o poss\u00edvel seria:<\/span><\/p>\n

                                              \u201cO tamanho da amostra foi calculado para estimar a preval\u00eancia de hipertens\u00e3o arterial na popula\u00e7\u00e3o estudada, considerando n\u00edvel de confian\u00e7a de 95%, margem de erro de 5% e preval\u00eancia esperada de 30%, com acr\u00e9scimo de 10% para perdas e recusas.\u201d<\/span><\/p>\n

                                              Esse tipo de descri\u00e7\u00e3o permite ao leitor compreender a l\u00f3gica da estimativa e avaliar se os par\u00e2metros foram plaus\u00edveis.<\/span><\/p>\n

                                              10.2 Quando houve c\u00e1lculo formal para compara\u00e7\u00e3o entre grupos<\/b><\/h3>\n

                                              Nos estudos comparativos, a justificativa precisa indicar:<\/span><\/p>\n

                                                \n
                                              1. qual foi o desfecho principal,<\/span><\/li>\n
                                              2. qual diferen\u00e7a m\u00ednima de interesse foi considerada,<\/span><\/li>\n
                                              3. qual n\u00edvel de signific\u00e2ncia foi adotado,<\/span><\/li>\n
                                              4. qual poder estat\u00edstico foi definido,<\/span><\/li>\n
                                              5. qual variabilidade ou propor\u00e7\u00f5es esperadas foram utilizadas,<\/span><\/li>\n
                                              6. se houve ajuste para perdas.<\/span><\/li>\n<\/ol>\n

                                                Um exemplo de reda\u00e7\u00e3o seria:<\/span><\/p>\n

                                                \u201cO tamanho da amostra foi calculado para detectar diferen\u00e7a m\u00ednima de 15 pontos no escore de dor entre os grupos, considerando desvio padr\u00e3o de 25 pontos, poder de 80%, n\u00edvel de signific\u00e2ncia de 5% e acr\u00e9scimo de 15% para perdas.\u201d<\/span><\/p>\n

                                                Se o desfecho for bin\u00e1rio, a formula\u00e7\u00e3o pode usar propor\u00e7\u00f5es esperadas em cada grupo.<\/span><\/p>\n

                                                10.3 Quando houve c\u00e1lculo formal para correla\u00e7\u00e3o<\/b><\/h3>\n

                                                Quando o objetivo principal \u00e9 avaliar correla\u00e7\u00e3o, o texto deve deixar expl\u00edcito:<\/span><\/p>\n

                                                  \n
                                                1. qual associa\u00e7\u00e3o se pretendeu avaliar,<\/span><\/li>\n
                                                2. qual coeficiente de correla\u00e7\u00e3o esperado foi considerado,<\/span><\/li>\n
                                                3. qual poder foi adotado,<\/span><\/li>\n
                                                4. qual alfa foi utilizado.<\/span><\/li>\n<\/ol>\n

                                                  Exemplo:<\/span><\/p>\n

                                                  \u201cO tamanho da amostra foi estimado para detectar correla\u00e7\u00e3o m\u00ednima de 0,30 entre o escore funcional e a qualidade de vida, com poder de 80% e n\u00edvel de signific\u00e2ncia de 5%.\u201d<\/span><\/p>\n

                                                  Essa reda\u00e7\u00e3o \u00e9 breve, mas metodologicamente suficiente, desde que reflita com fidelidade o c\u00e1lculo realizado.<\/span><\/p>\n

                                                  10.4 Quando houve c\u00e1lculo formal para regress\u00e3o<\/b><\/h3>\n

                                                  Nos estudos com regress\u00e3o, a justificativa metodol\u00f3gica costuma ser mais delicada. O pesquisador deve indicar:<\/span><\/p>\n

                                                    \n
                                                  1. qual modelo ser\u00e1 utilizado,<\/span><\/li>\n
                                                  2. qual \u00e9 o desfecho principal,<\/span><\/li>\n
                                                  3. quantas vari\u00e1veis independentes pretende incluir,<\/span><\/li>\n
                                                  4. qual frequ\u00eancia esperada do evento foi considerada, se aplic\u00e1vel,<\/span><\/li>\n
                                                  5. qual crit\u00e9rio orientou a sufici\u00eancia amostral.<\/span><\/li>\n<\/ol>\n

                                                    Uma reda\u00e7\u00e3o poss\u00edvel seria:<\/span><\/p>\n

                                                    \u201cO tamanho da amostra foi planejado para an\u00e1lise por regress\u00e3o log\u00edstica, considerando a frequ\u00eancia esperada do desfecho e o n\u00famero de vari\u00e1veis independentes previstas no modelo, de modo a assegurar estabilidade das estimativas.\u201d<\/span><\/p>\n

                                                    Em alguns casos, quando se utilizam regras pr\u00e1ticas complementares, isso deve ser explicitado com honestidade.<\/span><\/p>\n

                                                    10.5 Quando a amostra foi definida pragmaticamente<\/b><\/h3>\n

                                                    Se a pesquisa n\u00e3o utilizou um c\u00e1lculo formal para a determina\u00e7\u00e3o do tamanho da amostra, isso tamb\u00e9m pode e deve ser redigido na metodologia do trabalho de forma tecnicamente correta e transparente. O ponto crucial \u00e9 garantir que n\u00e3o haja qualquer tentativa de mascarar a realidade metodol\u00f3gica empregada no estudo, apresentando fielmente a abordagem utilizada.<\/span><\/p>\n

                                                    a) Todos os casos dispon\u00edveis – <\/b>\u201cForam inclu\u00eddos todos os pacientes eleg\u00edveis atendidos no servi\u00e7o entre janeiro de 2023 e dezembro de 2025, totalizando 184 casos.\u201d<\/span><\/h4>\n

                                                    b) Banco de dados secund\u00e1rio – <\/b>\u201cO estudo utilizou todos os registros dispon\u00edveis no banco institucional referentes ao per\u00edodo de 2020 a 2024 que atenderam aos crit\u00e9rios de elegibilidade.\u201d<\/span><\/h4>\n

                                                    c) Amostra por viabilidade – <\/b>\u201cA amostra foi definida por viabilidade operacional, incluindo os participantes eleg\u00edveis recrutados durante o per\u00edodo de coleta previsto no projeto.\u201d<\/span><\/h4>\n

                                                    d) Estudo piloto – <\/b>\u201cPor se tratar de estudo piloto, a amostra foi definida com base na viabilidade de aplica\u00e7\u00e3o dos instrumentos e na avalia\u00e7\u00e3o dos procedimentos de coleta.\u201d<\/span><\/h4>\n

                                                    10.6 Quando foram usados estudos anteriores como refer\u00eancia<\/b><\/h3>\n

                                                    Se a literatura pr\u00e9via foi usada apenas como apoio pragm\u00e1tico, isso deve ser dito com precis\u00e3o. Exemplo:<\/span><\/p>\n

                                                    \u201cO n\u00famero de participantes foi definido com base em estudos pr\u00e9vios sobre a mesma tem\u00e1tica, que utilizaram amostras de magnitude semelhante.\u201d<\/span><\/p>\n

                                                    Contudo, se os estudos anteriores foram usados para alimentar o c\u00e1lculo formal, a reda\u00e7\u00e3o deve refletir esse uso mais robusto:<\/span><\/p>\n

                                                    \u201cO c\u00e1lculo amostral utilizou como refer\u00eancia a preval\u00eancia esperada observada em estudo anterior conduzido em popula\u00e7\u00e3o semelhante.\u201d<\/span><\/p>\n

                                                    Essa diferen\u00e7a \u00e9 muito importante, porque separa o uso fraco da similaridade do uso forte e metodologicamente mais adequado.<\/span><\/p>\n

                                                    10.7 Regra pr\u00e1tica para uma boa reda\u00e7\u00e3o metodol\u00f3gica<\/b><\/h3>\n

                                                    Uma regra simples ajuda bastante: <\/span>n\u00e3o basta informar o n\u00famero final, \u00e9 preciso informar a l\u00f3gica que produziu esse n\u00famero<\/b>.<\/span><\/p>\n

                                                    Quanto mais claro for esse caminho, maior a qualidade metodol\u00f3gica do texto.<\/span><\/p>\n

                                                    11. Exemplos pr\u00e1ticos de aplica\u00e7\u00e3o<\/b><\/h2>\n

                                                    Para consolidar o conte\u00fado do cap\u00edtulo, vale apresentar alguns exemplos sint\u00e9ticos de aplica\u00e7\u00e3o dos diferentes modelos e subtipos de defini\u00e7\u00e3o amostral.<\/span><\/p>\n

                                                    11.1 Exemplo de c\u00e1lculo para estimativa<\/b><\/h3>\n

                                                    Imagine um estudo transversal que deseja estimar a <\/span>preval\u00eancia de hipertens\u00e3o arterial<\/b> em adultos acompanhados por unidades b\u00e1sicas de sa\u00fade de um munic\u00edpio.<\/span><\/p>\n

                                                    O objetivo principal n\u00e3o \u00e9 comparar grupos, mas obter uma estimativa confi\u00e1vel da preval\u00eancia. Nesse caso, o c\u00e1lculo amostral deve ser orientado pela <\/span>precis\u00e3o da estimativa<\/b>, considerando:<\/span><\/p>\n

                                                      \n
                                                    1. preval\u00eancia esperada,<\/span><\/li>\n
                                                    2. margem de erro aceit\u00e1vel,<\/span><\/li>\n
                                                    3. n\u00edvel de confian\u00e7a,<\/span><\/li>\n
                                                    4. poss\u00edvel acr\u00e9scimo para perdas.<\/span><\/li>\n<\/ol>\n

                                                      Aqui, o modelo formal \u00e9 do tipo <\/span>estimativa<\/b>.<\/span><\/p>\n

                                                      11.2 Exemplo de c\u00e1lculo para diferen\u00e7a entre grupos<\/b><\/h3>\n

                                                      Agora imagine um ensaio cl\u00ednico que compara <\/span>dois tipos de curativo<\/b> em pacientes com feridas cr\u00f4nicas. O desfecho principal \u00e9 a propor\u00e7\u00e3o de cicatriza\u00e7\u00e3o completa ap\u00f3s 12 semanas.<\/span><\/p>\n

                                                      Nesse caso, o objetivo \u00e9 identificar se existe diferen\u00e7a entre os grupos. O c\u00e1lculo depender\u00e1 de:<\/span><\/p>\n

                                                        \n
                                                      1. propor\u00e7\u00e3o esperada de cicatriza\u00e7\u00e3o em cada grupo,<\/span><\/li>\n
                                                      2. diferen\u00e7a m\u00ednima de interesse,<\/span><\/li>\n
                                                      3. alfa,<\/span><\/li>\n
                                                      4. poder,<\/span><\/li>\n
                                                      5. perdas previstas.<\/span><\/li>\n<\/ol>\n

                                                        Aqui, o modelo formal \u00e9 do tipo <\/span>diferen\u00e7a entre grupos<\/b>.<\/span><\/p>\n

                                                        11.3 Exemplo de c\u00e1lculo para correla\u00e7\u00e3o<\/b><\/h3>\n

                                                        Considere um estudo que pretende avaliar a rela\u00e7\u00e3o entre <\/span>\u00edndice de massa corporal<\/b> e <\/span>press\u00e3o arterial sist\u00f3lica<\/b> em adultos jovens.<\/span><\/p>\n

                                                        O foco n\u00e3o \u00e9 estimar preval\u00eancia nem comparar tratamento, mas examinar a for\u00e7a da associa\u00e7\u00e3o entre duas vari\u00e1veis quantitativas. O c\u00e1lculo da amostra ser\u00e1 baseado na correla\u00e7\u00e3o esperada, no alfa e no poder.<\/span><\/p>\n

                                                        Aqui, o modelo formal \u00e9 do tipo <\/span>correla\u00e7\u00e3o<\/b>.<\/span><\/p>\n

                                                        11.4 Exemplo de c\u00e1lculo para regress\u00e3o<\/b><\/h3>\n

                                                        Suponha um estudo sobre <\/span>fatores associados \u00e0 ocorr\u00eancia de \u00falcera venosa recidivante<\/b>. O pesquisador deseja ajustar modelo com idade, sexo, obesidade, tempo de doen\u00e7a, mobilidade reduzida e ades\u00e3o ao tratamento compressivo.<\/span><\/p>\n

                                                        Nesse caso, a preocupa\u00e7\u00e3o n\u00e3o se limita ao n\u00famero total de participantes. \u00c9 necess\u00e1rio considerar:<\/span><\/p>\n

                                                          \n
                                                        1. n\u00famero de vari\u00e1veis do modelo,<\/span><\/li>\n
                                                        2. frequ\u00eancia do desfecho,<\/span><\/li>\n
                                                        3. estabilidade das estimativas,<\/span><\/li>\n
                                                        4. risco de sobreajuste.<\/span><\/li>\n<\/ol>\n

                                                          Aqui, o modelo formal \u00e9 do tipo <\/span>regress\u00e3o ou modelagem<\/b>.<\/span><\/p>\n

                                                          11.5 Exemplo de modelo pragm\u00e1tico por todos os casos dispon\u00edveis<\/b><\/h3>\n

                                                          Agora imagine um estudo retrospectivo sobre <\/span>aneurisma de aorta abdominal<\/b> em um hospital de refer\u00eancia. O servi\u00e7o possui 126 casos registrados nos \u00faltimos seis anos, e o pesquisador decide incluir todos os pacientes eleg\u00edveis.<\/span><\/p>\n

                                                          Nesse cen\u00e1rio, o tamanho da amostra n\u00e3o foi definido por c\u00e1lculo estat\u00edstico pr\u00e9vio, mas pela disponibilidade integral dos casos. Trata-se de <\/span>modelo pragm\u00e1tico<\/b>, com inclus\u00e3o de todos os registros eleg\u00edveis.<\/span><\/p>\n

                                                          11.6 Exemplo de modelo pragm\u00e1tico com base em banco secund\u00e1rio<\/b><\/h3>\n

                                                          Considere uma pesquisa que usa base administrativa do SUS para analisar interna\u00e7\u00f5es por p\u00e9 diab\u00e9tico em determinado estado ao longo de cinco anos.<\/span><\/p>\n

                                                          O n\u00famero de observa\u00e7\u00f5es decorre dos registros existentes na base, ap\u00f3s aplica\u00e7\u00e3o dos crit\u00e9rios de sele\u00e7\u00e3o. Mais uma vez, trata-se de <\/span>modelo pragm\u00e1tico<\/b>, agora baseado em banco secund\u00e1rio.<\/span><\/p>\n

                                                          11.7 Exemplo de uso fraco e uso forte da similaridade<\/b><\/h3>\n

                                                          Uso fraco<\/b><\/h4>\n