Média e mediana são medidas de tendência central. As duas tentam resumir onde os dados se concentram, mas fazem isso de maneiras diferentes. Por isso, escolher entre média ou mediana não é uma decisão estética nem uma etapa automática do relatório. É uma decisão de interpretação.
A pergunta correta não é “qual medida é melhor?”. A pergunta correta é: qual medida representa melhor a variável, a distribuição observada e o objetivo da análise? Em muitos casos, a média é perfeitamente adequada. Em outros, especialmente com assimetria ou valores extremos, a mediana comunica melhor a observação típica.
O que cada uma mede
A média é a soma dos valores dividida pelo número de observações. Ela usa todos os valores da amostra e, por isso, é sensível a observações extremas. Quando a distribuição é aproximadamente simétrica e sem outliers relevantes, a média costuma representar bem o centro dos dados.
A mediana é o valor central depois que os dados são ordenados. Metade das observações fica abaixo dela e metade fica acima. Como depende da posição dos valores, e não diretamente da magnitude de todos eles, a mediana é mais robusta a valores extremos.
O problema das distribuições assimétricas
Em distribuições aproximadamente simétricas, média e mediana tendem a ser próximas. Em distribuições assimétricas, elas podem se afastar bastante. Isso acontece, por exemplo, com renda, tempo de internação, tempo de resposta, número de atendimentos e gastos de saúde. Nessas variáveis, poucos valores muito altos podem puxar a média para cima.
Quando isso acontece, a média pode deixar de representar a experiência típica. Ela continua sendo matematicamente correta, mas pode comunicar uma ideia enganosa sobre onde a maior parte dos dados se concentra. A mediana, nesses casos, frequentemente descreve melhor o centro da distribuição.
O efeito de um outlier
Considere os valores: 8, 9, 10, 10, 11, 12, 13, 14 e 100. A mediana é 11. A média é aproximadamente 20,8. A diferença não é erro de cálculo; é consequência do valor extremo 100, que puxa a média para cima.
Isso não significa que a média esteja “errada”. Ela responde a uma pergunta específica: qual é o valor médio aritmético? O problema aparece quando esse número é usado para representar a observação típica, embora a maioria dos valores esteja muito abaixo dele.
Tabela comparativa: média ou mediana?
| Situação | Média | Mediana |
|---|---|---|
| Distribuição aproximadamente simétrica | Geralmente adequada e fácil de interpretar. | Também pode ser informativa, sobretudo como complemento. |
| Presença de outliers | Pode ser distorcida por valores extremos. | Mais robusta, pois depende da posição dos valores. |
| Distribuição assimétrica | Pode não representar bem o centro típico dos dados. | Frequentemente mais adequada para descrever a observação típica. |
| Dados ordinais | Exige cautela, porque pressupõe intervalos comparáveis entre categorias. | Muitas vezes é mais coerente com a natureza ordinal da escala. |
| Objetivo de resumir total ou valor esperado aritmético | Mais adequada, pois usa todos os valores no cálculo. | Pode não responder à pergunta substantiva nesses casos. |
Quando a média é mais adequada
A média costuma ser adequada quando a variável é quantitativa, a distribuição é aproximadamente simétrica e não há valores extremos capazes de distorcer a interpretação. Ela também é importante quando o objetivo substantivo envolve soma, total ou valor esperado aritmético.
Além disso, muitos modelos e testes paramétricos trabalham diretamente com médias, como o teste t, a ANOVA e a regressão linear. Isso não significa que a média deva ser usada automaticamente, mas mostra por que ela continua sendo uma medida central em estatística aplicada.
Quando a mediana é mais adequada
A mediana tende a ser mais adequada quando a distribuição é assimétrica, quando há outliers reais que não devem ser removidos ou quando a variável tem natureza ordinal. Em escalas de dor, satisfação ou concordância, por exemplo, pode ser metodologicamente mais cauteloso resumir a tendência central pela mediana, dependendo de como os dados serão analisados.
A mediana também é útil quando o objetivo é comunicar a experiência típica. Em uma variável como tempo de internação, a média pode ser puxada por poucos casos muito longos, enquanto a mediana mostra melhor o tempo em torno do qual a maior parte dos casos se organiza.
Qual medida de dispersão usar com cada uma
A escolha entre média e mediana afeta a medida de dispersão que costuma acompanhá-la. A média geralmente é reportada com desvio padrão, que resume a variação dos dados em torno da média. A mediana geralmente é reportada com intervalo interquartil, isto é, com o primeiro e o terceiro quartil, ou com o IQR.
Esse alinhamento facilita a interpretação. Em distribuições aproximadamente simétricas, média e desvio padrão podem resumir bem centro e dispersão. Em distribuições assimétricas, mediana e intervalo interquartil costumam ser mais robustos. Ainda assim, a decisão deve considerar o objetivo da análise e as convenções da área.
Relação com boxplot e análise descritiva
Antes de decidir o resumo principal, vale olhar gráficos como histograma e boxplot. O boxplot ajuda a observar mediana, quartis, dispersão e possíveis valores extremos. Essa leitura visual evita que a escolha entre média e mediana seja feita de forma mecânica.
Em uma análise estatística bem estruturada, a etapa descritiva prepara a etapa inferencial. Se a distribuição é muito assimétrica, se há valores extremos ou se os grupos têm dispersões muito diferentes, isso pode afetar a escolha dos testes, dos modelos e da forma de reportar os resultados.
Conclusão
A escolha entre média e mediana não é uma formalidade. Ela define qual ideia de “valor típico” será comunicada no relatório, no TCC, na dissertação, na tese ou no artigo científico. Quando essa escolha é feita sem olhar a distribuição, o resumo pode até estar matematicamente correto, mas metodologicamente pouco informativo.
Antes de qualquer teste, comece pela análise descritiva. Observe a forma dos dados, a presença de outliers, a escala de medida e o objetivo da interpretação. Estatística bem feita não é apenas calcular a medida; é entender o que aquela medida permite concluir.