Média aritmética

A média aritmética é um dos conceitos matemáticos mais antigos e ao mesmo tempo mais mal compreendidos. Astrônomos na Babilônia e na Grécia antiga já a usavam para suavizar erros de medição — tirar a média de múltiplas observações da mesma estrela para chegar a um valor mais confiável. Karl Friedrich Gauss formalizou o porquê disso funcionar em 1809, no método dos mínimos quadrados: a média minimiza a soma dos erros quadráticos, o que a torna o estimador ótimo para dados com distribuição normal. É uma propriedade elegante, mas que quase ninguém ensina junto com a fórmula de somar e dividir.

O problema da média é que ela é sensível a valores extremos de uma forma que distorce completamente a percepção da realidade. O exemplo clássico é o de Bill Gates entrando em um bar: a renda média das pessoas no local dispara para milhões, mas ninguém ali ficou mais rico. Dados de salário, preço de imóveis, tempo de resposta de servidores e notas de avaliação costumam ter essa característica — um punhado de valores muito altos distorce tudo. Nesses casos, a mediana é uma medida mais honesta. A média funciona bem quando os dados têm distribuição razoavelmente simétrica e sem outliers brutais.

Na programação, calcular médias é uma operação onipresente: média móvel em gráficos financeiros, nota média em sistemas de avaliação, tempo médio de resposta em dashboards de monitoramento. Um bug clássico que aparece em entrevistas técnicas até hoje: divisão inteira ao calcular a média. Em linguagens tipadas como Java ou C, `(5 + 3) / 2` retorna `4`, não `4.0`. Sempre converta pelo menos um dos operandos para ponto flutuante antes de dividir. E se você estiver calculando a média incremental de um stream de dados sem guardar todos os valores, a fórmula iterativa `media += (novo_valor - media) / n` é mais estável numericamente do que acumular uma soma e dividir no final.

The arithmetic mean is one of the oldest and most widely misunderstood mathematical concepts at the same time. Astronomers in Babylon and ancient Greece already used it to smooth out measurement errors — averaging multiple observations of the same star to arrive at a more reliable value. Karl Friedrich Gauss formalized why it works in 1809 with the method of least squares: the mean minimizes the sum of squared errors, making it the optimal estimator for normally distributed data. That is an elegant property, but one that almost nobody teaches alongside the formula of sum-and-divide.

The problem with the mean is that it is sensitive to extreme values in a way that completely distorts the perception of reality. The classic example is Bill Gates walking into a bar: the average income of people in the bar shoots up to millions, but nobody there actually became richer. Salary data, property prices, server response times, and review scores all tend to have this characteristic — a handful of very high values distorts everything. In those cases, the median is a more honest measure. The mean works well when data has a reasonably symmetric distribution with no brutal outliers.

In programming, computing averages is a ubiquitous operation: moving averages in financial charts, average ratings in review systems, average response times in monitoring dashboards. A classic bug that still appears in technical interviews today: integer division when computing the mean. In typed languages like Java or C, `(5 + 3) / 2` returns `4`, not `4.0`. Always cast at least one operand to floating point before dividing. And if you are computing the running mean of a data stream without storing all values, the iterative formula `mean += (new_value - mean) / n` is numerically more stable than accumulating a sum and dividing at the end.

La media aritmética es uno de los conceptos matemáticos más antiguos y, al mismo tiempo, más malinterpretados. Los astrónomos en Babilonia y en la Grecia antigua ya la usaban para suavizar errores de medición — promediar múltiples observaciones de la misma estrella para obtener un valor más fiable. Karl Friedrich Gauss formalizó por qué esto funciona en 1809 con el método de mínimos cuadrados: la media minimiza la suma de los errores cuadráticos, lo que la convierte en el estimador óptimo para datos con distribución normal. Es una propiedad elegante que casi nadie enseña junto con la fórmula de sumar y dividir.

El problema de la media es que es sensible a los valores extremos de una manera que distorsiona completamente la percepción de la realidad. El ejemplo clásico es el de Bill Gates entrando a un bar: la renta media de las personas en el local se dispara a millones, pero nadie se volvió más rico. Los datos de salarios, precios de inmuebles, tiempos de respuesta de servidores y puntuaciones de reseñas suelen tener esta característica — un puñado de valores muy altos lo distorsiona todo. En esos casos, la mediana es una medida más honesta. La media funciona bien cuando los datos tienen una distribución razonablemente simétrica sin valores extremos brutales.

En programación, calcular medias es una operación omnipresente: media móvil en gráficos financieros, nota media en sistemas de valoración, tiempo medio de respuesta en dashboards de monitoreo. Un bug clásico que sigue apareciendo en entrevistas técnicas: la división entera al calcular la media. En lenguajes con tipos estrictos como Java o C, `(5 + 3) / 2` devuelve `4`, no `4.0`. Convierte siempre al menos uno de los operandos a punto flotante antes de dividir. Y si calculas la media incremental de un flujo de datos sin almacenar todos los valores, la fórmula iterativa `media += (nuevo_valor - media) / n` es numéricamente más estable que acumular una suma y dividir al final.