{"id":7429,"date":"2026-04-25T14:02:06","date_gmt":"2026-04-25T14:02:06","guid":{"rendered":"https:\/\/www.usinadepesquisa.com\/?p=7429"},"modified":"2026-04-25T14:20:42","modified_gmt":"2026-04-25T14:20:42","slug":"a-amostra-de-30-e-magica-origem-limites-e-riscos-de-uma-regra-estatistica-mal-interpretada-na-pesquisa-clinica","status":"publish","type":"post","link":"https:\/\/www.usinadepesquisa.com\/?p=7429","title":{"rendered":"A amostra de 30 \u00e9 m\u00e1gica? Origem, limites e riscos de uma regra estat\u00edstica mal interpretada na pesquisa cl\u00ednica"},"content":{"rendered":"
\n

O n\u00famero 30 n\u00e3o \u00e9 m\u00e1gico, \u00e9 uma regra pr\u00e1tica mal aplicada ao c\u00e1lculo amostral<\/p>\n<\/blockquote>\n

Aldemar Araujo Castro
\nCria\u00e7\u00e3o: 25\/04\/2026
\nAtualiza\u00e7\u00e3o: 25\/04\/2026
\nPalavras: 1823
\nTempo de leitura: 9 minutos<\/p>\n

Resumo<\/h2>\n

A ideia de que uma amostra com 30 participantes seria suficiente para qualquer pesquisa tornou se uma cren\u00e7a frequente no meio acad\u00eamico. Sua origem est\u00e1 relacionada ao Teorema Central do Limite, \u00e0 tradi\u00e7\u00e3o do teste t de Student e \u00e0 simplifica\u00e7\u00e3o did\u00e1tica que separa amostras pequenas de amostras grandes. No entanto, em pesquisa cl\u00ednica, o n\u00famero 30 n\u00e3o garante validade, precis\u00e3o, poder estat\u00edstico ou relev\u00e2ncia cl\u00ednica. O tamanho da amostra deve ser definido pela pergunta de pesquisa, pelo desenho do estudo, pelo desfecho principal, pela diferen\u00e7a clinicamente relevante, pela variabilidade dos dados e pelas perdas esperadas.<\/p>\n

 <\/p>\n

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

 <\/p>\n

Em muitas apresenta\u00e7\u00f5es acad\u00eamicas, uma frase aparece com frequ\u00eancia surpreendente: \u201ca amostra ser\u00e1 composta por 30 participantes.\u201d<\/strong> O n\u00famero surge como se tivesse uma autoridade pr\u00f3pria. Muitas vezes, n\u00e3o vem acompanhado de c\u00e1lculo, n\u00e3o se relaciona claramente ao objetivo do estudo e n\u00e3o explica qual desfecho sustentou sua escolha. Ainda assim, parece confort\u00e1vel. Parece aceit\u00e1vel. Parece cient\u00edfico.<\/p>\n

O problema \u00e9 que o n\u00famero 30 ganhou, em muitos ambientes acad\u00eamicos, uma esp\u00e9cie de aura metodol\u00f3gica. Ele passou a funcionar como um n\u00famero seguro, quase ritual\u00edstico. Quando o pesquisador n\u00e3o sabe exatamente como justificar o tamanho da amostra, 30 aparece como solu\u00e7\u00e3o r\u00e1pida. Quando o orientador deseja uma proposta vi\u00e1vel, 30 parece razo\u00e1vel. Quando o aluno precisa entregar um projeto dentro do prazo, 30 parece suficiente.<\/p>\n

Mas a pergunta central \u00e9 simples: 30 \u00e9 realmente um n\u00famero m\u00e1gico?<\/strong><\/p>\n

A resposta \u00e9 n\u00e3o.<\/p>\n

O n\u00famero 30 n\u00e3o \u00e9 m\u00e1gico. Ele \u00e9 uma regra pr\u00e1tica<\/strong>, nascida de conceitos estat\u00edsticos leg\u00edtimos, mas frequentemente transportada de maneira inadequada para contextos em que n\u00e3o deveria ser usada como crit\u00e9rio universal.<\/p>\n

A origem dessa ideia est\u00e1 fortemente associada ao Teorema Central do Limite<\/strong>. Esse teorema afirma que, sob determinadas condi\u00e7\u00f5es, a distribui\u00e7\u00e3o das m\u00e9dias amostrais tende a se aproximar de uma distribui\u00e7\u00e3o normal conforme o tamanho da amostra aumenta. Em termos simples, quando coletamos muitas amostras de uma popula\u00e7\u00e3o e calculamos a m\u00e9dia de cada uma, essas m\u00e9dias tendem a se organizar de modo aproximadamente normal, especialmente quando o n\u00famero de observa\u00e7\u00f5es por amostra cresce. Um artigo de revis\u00e3o em estat\u00edstica m\u00e9dica destaca justamente essa rela\u00e7\u00e3o entre tamanho amostral, distribui\u00e7\u00e3o das m\u00e9dias e aproxima\u00e7\u00e3o normal.<\/p>\n

A partir desse racioc\u00ednio, muitos cursos introdut\u00f3rios passaram a ensinar que, com amostras em torno de 30 observa\u00e7\u00f5es, algumas aproxima\u00e7\u00f5es estat\u00edsticas come\u00e7am a se tornar mais aceit\u00e1veis. Essa ideia tamb\u00e9m aparece em materiais did\u00e1ticos de estat\u00edstica, nos quais n igual a 30 \u00e9 frequentemente apresentado como regra de bolso, embora se ressalte que a qualidade da aproxima\u00e7\u00e3o depende da distribui\u00e7\u00e3o original dos dados.<\/p>\n

Aqui come\u00e7a a confus\u00e3o.<\/p>\n

O Teorema Central do Limite n\u00e3o afirma que 30 pacientes s\u00e3o suficientes para uma pesquisa cl\u00ednica<\/strong>. Ele tamb\u00e9m n\u00e3o afirma que 30 participantes garantem validade cient\u00edfica<\/strong>. O que ele sugere \u00e9 algo mais espec\u00edfico: em certas condi\u00e7\u00f5es, a distribui\u00e7\u00e3o da m\u00e9dia amostral pode se aproximar da normalidade quando a amostra aumenta. Isso \u00e9 muito diferente de dizer que 30 participantes bastam para responder qualquer pergunta cient\u00edfica.<\/p>\n

Normalidade aproximada da m\u00e9dia n\u00e3o \u00e9 o mesmo que sufici\u00eancia amostral.<\/strong><\/p>\n

Outra influ\u00eancia hist\u00f3rica importante vem do teste t de Student<\/strong>. William Sealy Gosset, que publicava sob o pseud\u00f4nimo \u201cStudent\u201d, desenvolveu o teste t no in\u00edcio do s\u00e9culo XX para lidar com amostras pequenas, em um contexto em que os m\u00e9todos baseados em grandes amostras eram inadequados para muitos problemas reais. A Britannica registra que Gosset desenvolveu o teste t e a distribui\u00e7\u00e3o t em 1908, justamente diante da necessidade de trabalhar com amostras pequenas.<\/p>\n

A hist\u00f3ria do teste t tamb\u00e9m ajudou a consolidar uma distin\u00e7\u00e3o did\u00e1tica entre amostras pequenas e grandes. H\u00e1 registros de que Gosset publicou tabelas estendidas para valores de n de 2 a 30, o que refor\u00e7ou historicamente a presen\u00e7a desse n\u00famero na pr\u00e1tica estat\u00edstica. \u00a0Com o tempo, n menor que 30 passou a ser associado a \u201camostra pequena\u201d, enquanto n igual ou maior que 30 passou a ser tratado, em muitos contextos did\u00e1ticos, como \u201camostra grande\u201d ou suficiente para aproxima\u00e7\u00f5es normais.<\/p>\n

O erro n\u00e3o est\u00e1 na origem estat\u00edstica. O erro est\u00e1 na transforma\u00e7\u00e3o de uma refer\u00eancia did\u00e1tica em uma regra universal.<\/p>\n

Em pesquisa cl\u00ednica, o tamanho da amostra n\u00e3o pode ser definido por tradi\u00e7\u00e3o. Ele deve ser definido pela pergunta de pesquisa<\/strong>. Um estudo de preval\u00eancia, um ensaio cl\u00ednico, uma coorte, um estudo caso controle, um estudo de acur\u00e1cia diagn\u00f3stica, uma valida\u00e7\u00e3o de instrumento e um consenso Delphi exigem racioc\u00ednios amostrais diferentes. Aplicar o mesmo n\u00famero a todos esses desenhos \u00e9 metodologicamente fr\u00e1gil.<\/p>\n

Imagine um estudo que deseja estimar a preval\u00eancia de \u00falcera venosa em uma popula\u00e7\u00e3o. Nesse caso, o tamanho da amostra depender\u00e1 da preval\u00eancia esperada, da margem de erro aceit\u00e1vel e do n\u00edvel de confian\u00e7a. Agora imagine um ensaio cl\u00ednico que deseja comparar dois curativos quanto \u00e0 taxa de cicatriza\u00e7\u00e3o em 12 semanas. Nesse caso, ser\u00e1 necess\u00e1rio considerar a propor\u00e7\u00e3o esperada de cicatriza\u00e7\u00e3o em cada grupo, a diferen\u00e7a clinicamente relevante, o n\u00edvel de signific\u00e2ncia, o poder estat\u00edstico e as perdas previstas. S\u00e3o perguntas diferentes. Portanto, exigem c\u00e1lculos diferentes.<\/p>\n

Uma amostra de 30 participantes pode ser aceit\u00e1vel em alguns cen\u00e1rios. Pode ser \u00fatil em um estudo piloto. Pode servir para testar log\u00edstica, treinar equipe, avaliar instrumentos, estimar tempo de coleta ou verificar a viabilidade de recrutamento. Tamb\u00e9m pode ser aceit\u00e1vel em estudos explorat\u00f3rios claramente declarados como explorat\u00f3rios. Nesses casos, o n\u00famero 30 n\u00e3o \u00e9 usado para provar efic\u00e1cia ou estimar com alta precis\u00e3o. Ele \u00e9 usado para aprender sobre o processo de pesquisa.<\/p>\n

O problema surge quando 30 \u00e9 usado como justificativa autom\u00e1tica para estudos que pretendem produzir conclus\u00f5es cl\u00ednicas fortes.<\/p>\n

Se um estudo pretende demonstrar que uma interven\u00e7\u00e3o reduz amputa\u00e7\u00f5es, melhora cicatriza\u00e7\u00e3o, diminui mortalidade ou aumenta a acur\u00e1cia diagn\u00f3stica, o n\u00famero 30 provavelmente ser\u00e1 insuficiente, salvo em situa\u00e7\u00f5es muito espec\u00edficas e bem justificadas. Desfechos raros, diferen\u00e7as pequenas e grande variabilidade exigem amostras maiores. Por outro lado, estudos qualitativos podem necessitar de menos de 30 participantes quando atingem satura\u00e7\u00e3o te\u00f3rica. Portanto, o n\u00famero isolado n\u00e3o resolve a quest\u00e3o.<\/p>\n

A pergunta errada \u00e9:<\/p>\n

\u201cTenho pelo menos 30 participantes?\u201d<\/strong><\/p>\n

A pergunta correta \u00e9:<\/p>\n

\u201cQuantos participantes s\u00e3o necess\u00e1rios para responder ao objetivo principal com precis\u00e3o, poder estat\u00edstico e relev\u00e2ncia cl\u00ednica?\u201d<\/strong><\/p>\n

Essa mudan\u00e7a de pergunta \u00e9 decisiva.<\/p>\n

O c\u00e1lculo amostral n\u00e3o \u00e9 uma formalidade burocr\u00e1tica. Ele \u00e9 uma ponte entre a pergunta cient\u00edfica e a validade da resposta. Uma amostra pequena demais pode levar a falso negativo, ou seja, o estudo pode n\u00e3o detectar uma diferen\u00e7a que realmente existe. Uma amostra grande demais pode expor mais participantes do que o necess\u00e1rio, consumir recursos excessivos e detectar diferen\u00e7as estatisticamente significativas, por\u00e9m sem import\u00e2ncia cl\u00ednica.<\/p>\n

Por isso, o tamanho da amostra deve considerar pelo menos sete elementos: o tipo de estudo, a popula\u00e7\u00e3o alvo, o desfecho principal, a medida de efeito ou estimativa desejada, a diferen\u00e7a clinicamente relevante, a variabilidade esperada e as perdas previstas. Em estudos comparativos, entram tamb\u00e9m o n\u00edvel de signific\u00e2ncia e o poder estat\u00edstico. Em estudos diagn\u00f3sticos, entram sensibilidade, especificidade, preval\u00eancia da condi\u00e7\u00e3o e precis\u00e3o desejada. Em estudos de regress\u00e3o, importa o n\u00famero de eventos por vari\u00e1vel e a estabilidade do modelo.<\/p>\n

O n\u00famero 30 n\u00e3o consegue carregar sozinho toda essa complexidade.<\/p>\n

Talvez o mito dos 30 tenha sobrevivido justamente porque oferece uma resposta simples para uma pergunta dif\u00edcil. Ele tranquiliza o pesquisador, facilita a aula, simplifica o projeto e evita discuss\u00f5es metodol\u00f3gicas mais profundas. Mas essa tranquilidade pode ser ilus\u00f3ria. Em ci\u00eancia, um n\u00famero n\u00e3o deve apenas parecer razo\u00e1vel. Ele precisa ser justific\u00e1vel.<\/p>\n

A cr\u00edtica ao n\u00famero 30 n\u00e3o significa que ele nunca possa ser usado. Significa apenas que ele n\u00e3o deve ser usado como argumento final. O n\u00famero pode aparecer, desde que venha acompanhado de uma justificativa coerente com o objetivo do estudo. Se for estudo piloto, que se declare como piloto. Se for estudo explorat\u00f3rio, que se declare como explorat\u00f3rio. Se for amostra de conveni\u00eancia, que isso seja assumido como limita\u00e7\u00e3o. Se houver c\u00e1lculo formal, que os par\u00e2metros sejam apresentados com clareza.<\/p>\n

O verdadeiro problema n\u00e3o \u00e9 ter 30 participantes. O verdadeiro problema \u00e9 ter 30 participantes sem pergunta clara, sem desfecho principal, sem c\u00e1lculo, sem justificativa e sem consci\u00eancia das limita\u00e7\u00f5es<\/strong>.<\/p>\n

Na pesquisa cl\u00ednica, o compromisso do pesquisador n\u00e3o \u00e9 encontrar um n\u00famero confort\u00e1vel. \u00c9 encontrar um n\u00famero necess\u00e1rio. Esse n\u00famero pode ser 30, pode ser 300 ou pode ser 3.000. Depende da pergunta. Depende do desenho. Depende do desfecho. Depende do efeito que se deseja detectar. Depende da precis\u00e3o que se deseja alcan\u00e7ar.<\/p>\n

Portanto, a amostra de 30 n\u00e3o \u00e9 m\u00e1gica. Ela \u00e9 uma mem\u00f3ria hist\u00f3rica da forma como a estat\u00edstica foi ensinada, simplificada e, muitas vezes, mal aplicada. Quando usamos 30 sem justificativa, trocamos m\u00e9todo por costume. Quando calculamos a amostra a partir da pergunta, protegemos o participante, fortalecemos o projeto e aumentamos a chance de produzir conhecimento clinicamente \u00fatil.<\/p>\n

A frase final poderia ser esta:<\/p>\n

Em pesquisa cl\u00ednica, o tamanho da amostra n\u00e3o deve nascer da tradi\u00e7\u00e3o. Deve nascer da pergunta.<\/strong><\/p>\n

 <\/p>\n

Fontes comentadas<\/strong><\/h2>\n

Teorema Central do Limite<\/h2>\n