O que é estratificado na prática
O conceito de estratificação aparece em estatística, bancos de dados e ciência da computação com um sentido comum: dividir algo em camadas homogêneas para tratamento diferenciado. Na pesquisa amostral, o que é estratificado significa separar uma população em subgrupos (estratos) antes de extrair a amostra, garantindo que cada faixa importante esteja representada proporcionalmente. Eu trabalho com levantamentos de opinião há anos, e a primeira vez que apply estratificação foi numa pesquisa eleitoral municipal. A cidade tinha 120 mil eleitores, mas a região metropolitana concentrava 65% da população. Se eu fizesse amostragem simples aleatória, existia o risco de perder completamente o perfil dos bairros mais populosos. A solução foi estratificar por distritos eleitorais, calcular a proporção de cada um e alocar o tamanho da amostra proporcionalmente a cada estrato. O resultado final teve margem de erro de 2,1%, contra 4,8% que eu previa com a amostragem não estratificada — uma diferença que mudou completamente a confiança nos dados entregues ao cliente.
Como entender o que é estratificado passo a passo
A ideia central é simples: em vez de sortear diretamente de toda a população, você primeiro a classifica em camadas com base numa variável conhecida (faixa etária, gênero, renda, território, cargo hierárquico, entre outras), depois sorteia dentro de cada camada. O peso de cada estrato na amostra final corresponde ao seu peso na população total. Para ilustrar com números concretos, considere uma população de 50 mil colaboradores distribuídos em três níveis hierárquicos: 8% diretoria (4 mil), 22% gerência intermediária (11 mil) e 70% operacional (35 mil). Para uma amostra de 2 mil participantes com estratificação proporcional, você selecionaria 160 da diretoria, 440 da gerência e 1 400 do operaciona — mantendo a mesma proporção. Sem estratificação, haveria cerca de 1 chance em 200 de nenhum diretor cair na amostra, o que inviabilizaria qualquer análise específica daquela camada.
A vantagem principal surge quando os estratos são internalmente homogêneos, mas heterogêneos entre si. A variância dentro de cada estrato é menor que a variância global, e a precisão da estimativa melhora proporcionalmente. Em termos práticos, esse ganho costuma equivaler a reduzir o tamanho da amostra necessária em 20–40% para atingir a mesma margem de erro.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Onde a estratificação funciona mal
O método não é bala de prata. O pior cenário que eu já vi foi uma pesquisa de clima organizacional em que estratificamos por unidade da empresa, mas a variável de estratificação (distrito) tinha correlação quase zero com a variável de interesse (satisfação com benefícios). O resultado foi amostra 18% mais cara em custos operacionais que uma amostragem simples, sem qualquer ganho de precisão — literalmente dinheiro jogado fora. Outro problema frequente é a definição errada dos estratos. Eu já perdi o dia inteiro tentando identificar faixas de renda em dados censitários porque as categorias do IBGE não coincidiam com as necessidades do estudo. O workaround que funcionou foi usar regressão logística para prever a probabilidade de cada domicílio pertencer a cada estrato, e só então aplicar a estratificação — economizando 3 horas de trabalho manual de classificação.
Existem limitações técnicas que ninguém menciona: se um estrato tiver apenas 50 elementos numa população de 10 mil, a amostragem proporcional pode extrair zero elementos dele. Nesse caso, é necessário sobremplear o estrato pequeno artificialmente, o que introduz pesos desiguais e complica a análise posterior. Fórmulas padrão de erro amostral não se aplicam diretamente, e você precisa recorrer a métodos de bootstrapping ou linearização para estimar a incerteza corretamente. A estratificação também exige informação prévia confiável sobre a população — o tamanho e as características de cada estrato. Se esses dados forem desatualizados ou imprecisos, a estratificação pode produzir viés sistemático maior que o ganho de precisão. Em pesquisas com populações móveis (migração interna, turnover alto), os estratos definidos no momento do planejamento podem não refletir a realidade no momento da coleta.
Alternativas como amostragem por conglomerados ou amostragem sistemática às vezes são mais econômicas quando a informação estratificada é fraca ou indisponível. A escolha depende do trade-off entre custo, disponibilidade de informação prévia e grau de heterogeneidade esperada entre subgrupos. Se a variável de estratificação tem correlação inferior a 0,3 com o indicador de interesse, a estratificação raramente vale o esforço adicional.
