O Que É Mediana Geometria

O que é mediana geométrica na prática

A mediana geométrica é o ponto que minimiza a soma das distâncias euclidianas até um conjunto de pontos dados. Não confunda com a média geométrica, que é outra coisa completamente diferente. Ela também não é o centróide — o centróide minimiza a soma dos quadrados das distâncias, então ele é mais sensível a outliers. A mediana geométrica, pelo contrário, aguenta valores extremos muito melhor. Na estatística espacial, isso faz diferença concreta. Se você está posicionando um depósito ou uma estação de atendimento e quer minimizar o tempo total de deslocamento de todos os seus pontos de demanda, a mediana geométrica é o lugar certo. O centróide pode te enganar se um dos pontos estiver muito longe do resto.

O que é mediana geometria e como calcular

Na prática, calcular a mediana geométrica de dois pontos é trivial — qualquer ponto no segmento entre eles funciona. Com três pontos que formam um triângulo cujos ângulos são todos menores que 120 graus, o resultado é o chamado ponto de Fermat-Torricelli. A partir daí, não existe fórmula fechada. Você precisa usar um método iterativo. O algoritmo padrão é o de Weiszfeld, publicado em 1937. Ele funciona assim: começa com uma estimativa inicial (geralmente o centróide), calcula o peso de cada ponto como o inverso da distância até a estimativa atual, e atualiza a posição como uma média ponderada. Repete até convergir. Veja a estrutura básica:

Ponto inicial: (x, y) Para cada iteração n: x_{n+1} = ( x / d) / ( 1 / d)

y_{n+1} = ( y / d) / ( 1 / d) Onde d é a distância do ponto i até a estimativa na iteração n. Esse esquema converge rapidamente na maioria dos casos — normalmente em 20 a 50 iterações para conjuntos de até algumas centenas de pontos, dependendo da dispersão dos dados. Se os pontos estão muito espalhados, pode levar um pouco mais.

O problema prático é quando um ponto do seu conjunto cai exatamente na estimativa atual. Aí a distância é zero, o peso explode, e o algoritmo trava. Em produção eu resolvo isso com uma variante modificada: quando a distância cai abaixo de uma tolerância muito pequena, eu aplico um passo deNewton diretamente na função objetivo, ou simplesmente empurro a estimativa com um vetor aleatório de magnitude minúscula e continuo. Funciona em mais de 99% dos casos reais. Outra armadilha que muita gente não leva em conta: se todos os pontos são colineares, a mediana geométrica não é única. Qualquer ponto no segmento mediano (o que fica entre os dois pontos centrais, no sentido estatístico) é solução. Nesse cenário, o algoritmo de Weiszfeld convencional não sabe para onde ir. A solução é detectar colinearidade antes de rodar — uma verificação simples de posto da matriz de coordenadas resolve. Se você quer implementar do zero, em Python eu costumo usar scipy.optimize com a função objetivo sendo a soma das distâncias, e usar o centróide como chute inicial. Mas se o conjunto de pontos for grande demais — tipo milhares ou mais — o custo computacional da soma bruta por iteração fica pesado. Aí eu recomendo olhar para aproximações como o método de centro de massa iterativo com truncamento, ou bibliotecas como pygmia, que implementam otimizações de geometria computacional específicas para esse problema.

Um insight que ninguém conta em material introdutório: a mediana geométrica em dimensões mais altas não tem nenhuma propriedade especial de simetria como no plano. Em 3D ou mais, ela ainda minimiza a soma das distâncias, mas o comportamento numérico fica bem mais instável porque o espaço de soluções cresce e o gradiente fica menos informativo perto de mínimos locais. Eu já vi casos em que pontos com coordenadas na casa de milhões causavam overflow nos pesos invertidos simplesmente por precisão de ponto flutuante. A dica é normalizar sempre as coordenadas antes de rodar o algoritmo — subtrair a média e dividir pelo desvio padrão. Depois basta transformar o resultado de volta para a escala original. Se o seu objetivo é simplesmente encontrar um ponto central para visualização ou para um resumo rápido, e não precisa dessa robustez extrema contra outliers, o centróide ainda é mais rápido e previsível. A mediana geométrica vale a pena mesmo quando você tem um motivo concreto para isso — tipo localizar uma infraestrutura crítica onde custo de deslocamento é linear, não quadrático. Para quem quer uma implementação pronta, o módulo scipy.spatial tem suporte limitado, mas a biblioteca scikit-learn não implementa diretamente. O mais prático hoje em dia é usar a função geom.median disponível no pacote pygam, ou escrever um wrapper simples em torno do algoritmo de Weiszfeld modificado. O código típico leva menos de 100 linhas e roda em poucos segundos para conjuntos médios.

O que eu ainda vejo gente errando frequentementee é confundir o problema da mediana geométrica com o da mediana de Fermat-Weber com pesos. Se cada ponto tem um peso diferente — digamos, volume de demanda ou população — a fórmula se mantém a mesma, só que os pesos entram na média ponderada. Sem os pesos, todos os pontos contribuem igualmente, o que raramente é realista em aplicações de logística. Resumindo de forma direta: a mediana geométrica é um conceito sólido e útil quando você precisa de robustez contra outliers em localização deFacilidades. Não é uma bala de prata — converge mal em configurações degeneradas, exige tratamento numérico cuidadoso, e não é necessária na maioria dos casos onde uma média simples basta. Mas quando ela é necessária, não há substituto confiável.