Estatistica Media Moda Mediana

Calculando medidas de tendência central na prática

A estatística media moda mediana é o trio básico que qualquer analista enfrenta desde o primeiro dia de trabalho. A média calcula a soma dos valores dividida pela quantidade. A mediana encontra o ponto central quando os dados estão ordenados. A moda identifica o valor que mais se repete. Cada uma serve para algo diferente, e usar a errada nos leva a conclusões totalmente equivocadas sobre os dados. O erro mais comum que vejo é as pessoas pegarem um conjunto de dados e calcularem apenas a média, sem olhar para a distribuição. Eu perdi uma semana inteira num projeto de salário porque confiei na média. O setor tinha 47 funcionários ganhando entre 1800 e 2800 reais, mais um gerente ganhando 45000. A média ficou em cerca de 5600, mas nenhum dos 47 funcionárioas ganhava isso. A mediana era 2350. A diferença entre essas duas números mudou completamente a narrativa do relatório que eu apresentava para a diretoria. Quando os dados são simétricos, sem outliers significativos, a média funciona bem. Ela usa todos os valores e é sensível a cada alteração no conjunto. O problema é exatamente essa sensibilidade. Um único valor extremo distorce completamente o resultado. A mediana não sofre tanto com isso porque ela depende apenas da posição central, não da magnitude dos valores nas pontas. Se você trabalha com dados de renda, preço de imóveis ou tempo de resposta de servidores, a mediana quase sempre conta mais a verdade.

A moda é a menos usada, mas tem casos onde é a única resposta útil. Classificações categóricas, como cor favorita de um produto ou frequência de defeitos por tipo, não têm média ou mediana que façam sentido. Nesses cenários, a moda entrega o valor mais frequente de forma direta. O problema é que conjuntos multimodais — com dois ou mais picos — geram duas ou mais modas, o que complica a interpretação. Nesses casos, a distribuição bimodal ou multimodal já é o achado em si, indicando que você está lidando com grupos diferentes misturados na mesma amostra. Para calcular a mediana manualmente, você precisa ordenar os dados primeiro. Com quantidade ímpar de observações, o valor central é a mediana. Com quantidade par, você faz a média aritmética dos dois valores centrais. Já a média é soma total dividida pelo número de elementos. A moda exige contar frequências e identificar o pico. Esses cálculos parecem triviais, mas a parte difícil é decidir qual delas aplicar e justificar a escolha em relatórios técnicos. Uma coisa que poucos mencionam é que a média geométrica resolve um problema que a aritmética não consegue: crescimento composto ou taxas de variação percentual ao longo do tempo. Se um investimento rendeu 20% num ano e perdeu 10% no seguinte, a média aritmética daria 5%, mas o retorno real é de cerca de 4,4%. A média geométrica capta isso corretamente. Isso importa muito em análise financeira e em métricas de desempenho contínuo.

A outra armadilha que as pessoas ignoram é o viés de truncamento. Quando seus dados têm limites de detecção — como medições abaixo de um certo limite que ficam registradas como "indetectável" — a média e a mediana ficam distorcidas sem você perceber. Nesse caso, métodos de regressão por censura ou modelos Tobit são mais adequados do que simplesmente substituir os valores faltantes por metade do limite de detecção, que é o que eu via muita gente fazer na prática. Resumindo, a escolha entre média, mediana e moda depende do formato dos seus dados, da presença de valores extremos e do que você realmente quer comunicar. Numa planilha simples com dados limpos, calcule as três e compare. Se a média e a mediana forem próximas, os dados provavelmente são simétricos. Se houver distância grande entre elas, os outliers estão trabalhando contra você e a mediana deve ser sua referência principal.