Entendendo as três medidas de tendência central na prática
A média aritmética é o que todo mundo calcula primeiro, mas raramente é a mais útil. Soma tudo e divide pela quantidade de observações. Simples. O problema é que outliers destroem a média com facilidade. Um salário de 50 mil distorcendo a média de uma equipe de 20 pessoas com salário médio de 2.800 é o exemplo clássico. A média vira 3.700 e passa a não representar ninguém do grupo. Já a mediana é mais resistente a valores extremos. Você ordena os dados e pega o valor do meio. Se tiver um número par de observações, tira a média dos dois centrais. É por isso que relatórios de renda sempre usam mediana e não média. A moda complemente o trio: é o valor que mais se repete. Parece trivial, mas em dados categóricos ou discretos ela é a única medida que faz sentido.
Como calcular estatística moda mediana e média passo a passo
Na prática, vocêraramente calcula isso à mão. Abre o Excel, coloca os dados numa coluna e usa as fórmulas =MÉDIA(), =MEDIANA() e =MODA.S(). Se estiver no Google Sheets, as funções são idênticas. Para quem prefere Python, pandas resolve em duas linhas: df['coluna'].mean(), .median() e .mode(). O modo retorna uma Série porque pode haver multimodalidade. Cuidado com um detalhe que eu aprendi na hard: a função MODA.S do Excel só retorna a primeira moda quando há dois ou mais valores com a mesma frequência máxima. Já a MODA.V retornava todas as vezes que aparecia no Excel antigo, mas foi descontinuada. Se você precisa de todas as modas, use Python ou conte manualmente com um pivot table. Eu perdi duas horas num relatório de satisfação do cliente porque a moda estava duplicada e o Excel só mostrava uma. A solução foi um groupby no pandas com value_counts e filtrar pelo count máximo.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outro ponto que os manuais não destacam: a mediana em dados agrupados em classes usa interpolação linear dentro da classe mediana. A fórmula é Em = Li + ((n/2 - Fanterior) / fa) * a, onde Li é o limite inferior da classe mediana, n é o total de observações, Fanaterior é a frequência acumulada anterior e fa é a frequência absoluta da classe mediana. Isso não é teoria abstrata. No meu trabalho com dados de tempo de atendimento hospitalar, os dados vinham em faixas de 0-5, 5-10, 10-15 minutos. A média dos pontos médios das classes dava um resultado sistematicamente 12% menor que a mediana calculada com interpolação. A diferença parecia pequena mas mudava a decisão sobre alocação de leitos. A moda tem uma limitação prática que poucos mencionam: em dados contínuos ela quase não existe como medida útil. Se você mede altura com precisão de centímetro, provavelmente cada valor é único e a moda não aparece. O remendo é agrupar em classes ou usar densidade kernel, mas isso já sai do escopo de uma análise descritiva básica.
O que vale a pena lembrar: não existe uma medida "melhor" de forma absoluta. A escolha depende da distribuição. Se os dados são simétricos e sem outliers, média e mediana convergem e qualquer uma serve. Se há assimetria à direita, como renda ou tempo de permanência em ICU, a mediana é mais informativa. Se os dados são nominais, como cor de olho ou tipo sanguíneo, a moda é a única opção válida. Um erro comum que eu vejo o tempo todo é calcular a média de dados que já estão agregados. Se você tem a média de vendas por região e quer a média nacional, não faça uma média simples das médias regionais. Use uma média ponderada pelo volume de vendas de cada região. Ponderar por conta própria já resolve 80% dos casos problemáticos que aparecem em análises rápidas.
