Os tipos de amostragem dividem-se em dois grupos. Na amostragem probabilística (aleatória simples, sistemática, estratificada e por conglomerados), toda unidade tem chance conhecida de ser escolhida, e o erro pode ser calculado. Na não probabilística (conveniência, intencional, por cotas e bola de neve), a escolha depende de quem coleta, e o erro não tem medida.
A distribuidora de hortifrúti do exemplo trocou a caixa de tomate por um modelo com divisória. No mês seguinte, a avaria medida na conferência caiu de 12% para 5%. Houve comemoração, foto no mural e a caixa nova virou padrão. Três meses depois, o supermercado cliente mandou fotos de tomate amassado e uma pergunta educada: o que tinha mudado? Nada tinha mudado. A melhoria nunca existiu. O que mudou foi o jeito de escolher as caixas conferidas.
Antes, o conferente abria o palete inteiro. Depois da troca, para ganhar tempo, passou a abrir 20 caixas: as das duas camadas de cima, que estão à mão. Só que tomate amassa embaixo, onde o peso cai. A amostra encontrou o que a forma de escolher deixava encontrar.
Quais são os tipos de amostragem?
São oito os mais usados: quatro probabilísticos (aleatória simples, sistemática, estratificada e por conglomerados) e quatro não probabilísticos (conveniência, intencional ou por julgamento, por cotas e bola de neve). A diferença entre os grupos não é de sofisticação. É saber se a regra de escolha permite calcular o erro.
Para que serve cada tipo de amostragem
Em vez de decorar nomes, vale perguntar o que cada tipo resolve. A amostragem existe porque medir tudo custa caro, demora ou destrói o item (ninguém testa a resistência de todos os parafusos de um lote). Cada tipo responde a um obstáculo diferente para escolher bem.
Aleatória simples resolve o problema da escolha viciada: todas as unidades têm a mesma chance, por sorteio. Exige uma lista completa da população, o que nem sempre existe.
Sistemática resolve o problema da lista longa: escolhe-se uma unidade a cada k (a cada 5 caixas, a cada 30 notas fiscais), a partir de um início sorteado. Funciona bem enquanto a população não tem um ciclo que coincida com o intervalo. Se a máquina troca de molde a cada 5 peças e você amostra de 5 em 5, verá sempre a mesma cavidade.
Estratificada resolve o problema dos grupos diferentes entre si: divide-se a população em estratos (camadas do palete, turnos, filiais) e sorteia-se dentro de cada um. Garante que nenhum grupo fique de fora e, quando os estratos diferem, dá estimativas mais precisas com o mesmo tamanho de amostra. É a mesma lógica da estratificação de dados na análise.
Por conglomerados resolve o problema do custo de deslocamento: sorteiam-se grupos inteiros (quarteirões, lojas, paletes) e mede-se tudo, ou uma parte, dentro deles. A PNAD Contínua do IBGE combina estratificação e conglomerados em vários estágios, com seleção de setores e depois de domicílios, segundo a descrição metodológica publicada pelo próprio IBGE (2023).
Do lado não probabilístico, conveniência pega quem está à mão; intencional escolhe os casos que um especialista considera típicos ou extremos; por cotas fixa proporções (tantos homens, tantos jovens) e preenche cada cota como der; bola de neve pede a cada participante que indique o próximo, útil para populações difíceis de achar.
A amostra de conveniência erra sempre para o mesmo lado
O leitor prático já tem a objeção pronta: 20 caixas são 20 caixas, tanto faz se vieram de cima ou de baixo. Seria verdade se o palete fosse homogêneo. Ele não é, e quase nenhum processo é.
Veja o mesmo palete amostrado de quatro jeitos. Ele tem 12 caixas avariadas em 100, concentradas embaixo.
Nenhuma das três amostras aleatórias acertou os 12% em cheio. Deram 10%, 15% e 15%. Isso é variabilidade amostral, e ela tem tamanho conhecido: dá para calcular um intervalo de confiança em volta de cada número. A amostra de conveniência deu 5% e daria 5% de novo amanhã, e depois de amanhã. Isso é viés. Repetir não corrige; aumentar a amostra para 40 caixas das camadas de cima também não.
O mesmo leitor insiste: e se eu não souber onde as avarias se concentram? Justamente por isso se sorteia. O sorteio protege contra o que você não sabe sobre o processo. Quem já sabe tudo dispensa a amostra.
Como escolher o tipo de amostragem
Três perguntas resolvem a maioria dos casos de rotina:
1. Existe lista ou sequência das unidades? Se existe (notas fiscais numeradas, prontuários, peças em linha), aleatória simples ou sistemática. Se não existe, conglomerados: sorteie paletes, dias ou lojas e meça dentro deles.
2. Há grupos que podem ser diferentes? Turnos, fornecedores, camadas, máquinas. Se a resposta for sim ou talvez, estratifique. Você ganha precisão e, de quebra, descobre se os grupos diferem, o que costuma ser a pista da causa raiz.
3. O dado será usado para estimar ou para explorar? Para estimar uma proporção e tomar decisão, amostra probabilística. Para gerar ideias (entrevistar cinco operadores experientes sobre onde a caixa amassa), a amostra intencional é legítima, desde que ninguém tire um percentual dela.
Depois do tipo vem o tamanho. Quantas unidades são necessárias depende da precisão desejada e da variabilidade do processo; o cálculo está em tamanho de amostra.
Exemplo de amostragem no tempo: o processo não para para ser medido
Há um quarto ingrediente que os livros de estatística costumam deixar para depois: o tempo. Em melhoria de processos, a pergunta raramente é “qual a avaria deste palete”, e sim “a avaria mudou depois da caixa nova?”. Para responder, a regra de amostragem precisa ser a mesma antes e depois da mudança. A distribuidora comparou 100% do palete antes com as duas camadas de cima depois. Mudou a régua e atribuiu a diferença à caixa.
Refeita a coleta com estratificação por camada, 2 caixas por camada em cada palete, durante oito semanas, a avaria da caixa nova ficou em torno de 11%. A divisória não fez diferença mensurável. O que fez foi reduzir a altura do palete de 10 para 8 camadas, testado em seguida, num ciclo PDSA com predição registrada antes da coleta.
Na fase Medir do DMAIC, esse cuidado tem nome: plano de coleta de dados, com definição operacional, estratos, frequência e responsável. É um dos pontos em que a formação Green Belt mais insiste, porque é onde a maioria dos projetos de melhoria erra sem perceber.
Tipos de amostragem: quadro-síntese
| Tipo | Como escolhe | Quando usar | Risco principal |
|---|---|---|---|
| Aleatória simples | Sorteio na lista completa | População listada e homogênea | Exige lista; pode sub-representar grupos pequenos |
| Sistemática | 1 a cada k, início sorteado | Fluxo contínuo (linha, notas, atendimentos) | Ciclo do processo coincidir com k |
| Estratificada | Sorteio dentro de cada grupo | Grupos que podem diferir (turno, camada, filial) | Estratos mal definidos |
| Por conglomerados | Sorteio de grupos inteiros | Sem lista; deslocamento caro | Grupos parecidos por dentro reduzem a precisão |
| Conveniência | O que está à mão | Teste piloto de formulário | Viés que não se mede |
| Intencional | Julgamento do especialista | Explorar ideias, casos extremos | Tomar como estimativa |
| Por cotas | Proporções fixas, preenchidas à mão | Pesquisa de opinião rápida | Viés dentro de cada cota |
| Bola de neve | Indicação entre participantes | População oculta ou rara | Rede de amizade vira amostra |
Escolher o tipo é fácil; manter a regra é que dá trabalho
Qualquer pessoa aprende os oito nomes numa tarde, e a tabela acima cabe numa folha. O difícil é outro: sustentar a mesma regra de escolha por semanas, com conferentes diferentes, pressa no fim do turno e a tentação de abrir só as caixas de cima. Ferramenta estatística sem método vira ritual: a planilha de amostragem existe, os números entram, e ninguém sabe dizer se a melhoria é do processo ou da régua.
A distribuidora não errou na estatística. Errou ao trocar a forma de medir sem perceber que estava trocando. A pergunta que protege é simples: se eu repetir esta coleta amanhã, com outra pessoa, ela escolheria as mesmas unidades pela mesma regra?
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua.
Nesta revisão, o foco foi o viés de seleção quando a regra de amostragem muda entre o antes e o depois de uma mudança no processo.
Para praticar essa leitura com dados do seu trabalho, comece pelo curso gratuito White Belt, que apresenta variabilidade, coleta de dados e o Modelo de Melhoria antes de qualquer ferramenta avançada.
Perguntas frequentes sobre tipos de amostragem
Qual a diferença entre amostragem estratificada e por conglomerados?
Na estratificada, sorteiam-se unidades dentro de todos os grupos; cada grupo está representado. Na por conglomerados, sorteiam-se alguns grupos inteiros e os outros ficam de fora. A estratificada ganha precisão quando os grupos diferem entre si; a por conglomerados ganha em custo quando os grupos são parecidos.
Amostragem por conveniência é sempre errada?
Não. Serve para testar um questionário, levantar hipóteses ou ouvir quem conhece o processo. É errada quando se tira dela um percentual e se toma decisão como se representasse a população.
Amostragem sistemática é probabilística?
Sim, desde que o ponto de partida seja sorteado. O cuidado é verificar se o processo tem um ciclo que coincide com o intervalo escolhido.
Qual o tipo de amostragem mais usado em controle de qualidade?
Em linha contínua, a sistemática e a estratificada por turno ou máquina são as mais comuns. Para aceitar ou rejeitar lotes de fornecedor existe um procedimento próprio, descrito em amostragem de aceitação.
Escolher o tipo de amostragem é suficiente sozinho?
Não. Um bom desenho de amostra garante que o número represente o processo naquele momento. Para saber se o processo mudou, os dados precisam ser vistos no tempo, com a mesma regra de coleta antes e depois. Na Escola EDTI, a amostragem é ensinada junto com gráficos de tendência e o ciclo PDSA, porque separadas elas produzem números bem coletados e conclusões erradas. O ponto de partida está em estatística básica.