# Calculadora de media aparada Calcula uma media aparada removendo a mesma porcentagem de valores baixos e altos > Página canônica: https://elysiatools.com/pt/tools/trimmed-mean-calculator - **Categoria:** Math & Numbers - **Palavras-chave:** media aparada, estatistica, outliers, robusta ## Visão geral Ordena os dados, remove a mesma porcentagem nas duas pontas e calcula a media restante. Util para excluir outliers em notas, pesquisas e medicoes. ## Entradas - **Conjunto de dados** (textarea): e.g. 10, 12, 14, 16, 18, 100 - **Percentual aparado por cauda** (number) - **Casas decimais** (number) - **Incluir valores aparados** (checkbox) ## Quando usar - Quando você precisa calcular a média de notas ou avaliações e deseja descartar pontuações extremas que não refletem o desempenho geral. - Ao analisar resultados de pesquisas ou medições científicas onde erros de leitura podem gerar valores muito altos ou muito baixos. - Para obter uma métrica de tendência central mais robusta do que a média aritmética simples em conjuntos de dados com grande variação. ## Como funciona - Insira seu conjunto de dados numéricos separados por vírgula no campo principal. - Defina o percentual de corte que será removido de cada extremidade (ex: 10% remove os 10% menores e os 10% maiores valores). - Ajuste o número de casas decimais desejado e escolha se deseja incluir os valores descartados no resultado final. - A ferramenta processa os dados e retorna a média aparada em formato JSON. ## Casos de uso - Avaliação de desempenho esportivo ou competições onde a maior e a menor nota dos juízes são descartadas. - Análise de salários em uma empresa, removendo os valores extremos para entender a remuneração média real da maioria dos funcionários. - Processamento de dados de sensores de IoT, filtrando picos de leitura anômalos antes de calcular a média diária. ## Perguntas frequentes ### O que é uma média aparada? É uma média calculada após a remoção de uma porcentagem igual dos valores mais baixos e mais altos de um conjunto de dados ordenado, ajudando a eliminar distorções causadas por outliers. ### Qual é a diferença entre média aparada e média comum? A média comum considera todos os valores do conjunto, enquanto a média aparada exclui as extremidades antes do cálculo, tornando-a menos sensível a valores extremos. ### Como o percentual de corte é aplicado? O percentual definido é aplicado a cada cauda da distribuição. Por exemplo, um corte de 10% em 100 números removerá os 10 menores e os 10 maiores valores. ### Qual é o limite máximo para o percentual de corte? A ferramenta permite um corte de até 45% em cada extremidade, garantindo que pelo menos 10% dos dados centrais sejam mantidos para o cálculo da média. ### Posso ver quais valores foram removidos? Sim, basta marcar a opção 'Incluir valores aparados' para que o resultado JSON mostre exatamente quais números foram excluídos do cálculo. ## Ferramentas relacionadas - [Remover Linhas Duplicadas](https://elysiatools.com/pt/tools/remove-duplicate-lines): Remove duplicatas de linhas em uma lista ou bloco de texto. Mantém a primeira ou última ocorrência, com opções de diferenciação de maiúsculas, corte de espaços e ignorar linhas vazias. - [Desinfetante de Nome de Arquivo](https://elysiatools.com/pt/tools/filename-sanitizer): Limpa e desinfeta nomes de arquivo removendo caracteres ilegais para Windows, Linux e Mac - [Removedor de lama](https://elysiatools.com/pt/tools/audio-mud-remover): Detecta e reduz o acúmulo de graves-médios em 150–500 Hz — a lama de fundamentais empilhadas que deixa um mix abafado — com um corte paramétrico medido e focado. - [Limpeza de Dados](https://elysiatools.com/pt/tools/data-cleaner): Limpar e padronizar dados corrigindo erros de ortografia, padronizando formatos, removendo duplicatas e preenchendo valores ausentes - [Processador de Outliers de Dados](https://elysiatools.com/pt/tools/data-outlier-processor): Ferramenta avançada de detecção e processamento de outliers que identifica, remove ou substitui valores anômalos em dados numéricos usando múltiplos métodos estatísticos. Perfeita para limpeza de dados, análise estatística e preparação de dados para machine learning. Recursos: - Múltiplos métodos de detecção (IQR, Z-score, Z-score modificado, Isolation Forest) - Estratégias flexíveis de manejo (Remover, Substituir por média/mediana/moda, Limitar) - Otimização automática de limiares - Detecção de outliers multidimensional - Estatísticas e relatórios visuais de outliers - Capacidades de processamento em lote - Níveis de sensibilidade personalizáveis - Análise de impacto abrangente Casos de Uso Comuns: - Limpeza e pré-processamento de dados - Preparação para análise estatística - Limpeza de conjuntos de dados para machine learning - Controle de qualidade na manufatura - Detecção de anomalias financeiras - Validação de dados de sensores - [Limitador de Faixa de Dados](https://elysiatools.com/pt/tools/data-range-limiter): Limitar valores numéricos a faixas específicas através de recorte, filtragem ou marcação de valores fora da faixa. Perfeito para controle de qualidade de dados, limpeza de sensores, execução de regras de negócio e pré-processamento de dados. Recursos: - Recorte de faixa (recorta valores para limites mínimo/máximo) - Filtragem de faixa (remove linhas fora dos limites) - Marcação de faixa (marca valores modificados) - Configuração de faixa por coluna - Detecção automática de colunas numéricas - Múltiplas estratégias de processamento - Relatório detalhado de modificações - Análise estatística de alterações - Execução de regras de negócio Casos de Uso Comuns: - Validação e limpeza de dados de sensores - Preparação de entrada para machine learning - Controle e validação de qualidade de dados - Execução de restrições de negócio - Gerenciamento e controle de valores anômalos - Pipelines de pré-processamento de dados - [Normalizador Z-Score](https://elysiatools.com/pt/tools/data-zscore-normalizer): Normalizar dados numéricos usando Z-Score (pontuação padrão) para transformar valores com média=0 e desvio padrão=1. Perfeito para análise estatística, pré-processamento de machine learning, detecção de anomalias e comparação de dados em diferentes escalas. Recursos: - Normalização Z-Score (média=0, desvio padrão=1) - Opção de Z-Score Robusto (usando mediana e MAD) - Escalonamento personalizado para faixa alvo - Seleção de múltiplas colunas - Detecção automática de tipo de dados - Processamento inteligente de valores ausentes - Preservação de colunas não numéricas - Resumo estatístico abrangente - Detecção e relatório de anomalias Casos de Uso Comuns: - Preparação de características para machine learning - Testes de hipóteses estatísticas - Detecção e remoção de anomalias - Comparação de dados em diferentes unidades - Pré-processamento para Análise de Componentes Principais (PCA) - [Removedor de Cabeçalhos](https://elysiatools.com/pt/tools/header-remover): Remover cabeçalhos de dados CSV para criar arquivos limpos sem cabeçalhos. Perfeito para importações de banco de dados, pipelines de processamento de dados. ## Exemplos - [Exemplos de Linhas Duplicadas](https://elysiatools.com/pt/samples/text-duplicate-line-samples): Arquivos de exemplo com vários tipos de linhas duplicadas para testar ferramentas de remoção de duplicatas - [Exemplos de Caracteres Especiais](https://elysiatools.com/pt/samples/text-special-characters-samples): Arquivos de texto de amostra com vários caracteres especiais, sinais de pontuação e símbolos para testar a remoção de caracteres não alfanuméricos - [Exemplos de Comentários de Código](https://elysiatools.com/pt/samples/code-comment-samples): Arquivos de código de exemplo com vários estilos de comentários para testar a remoção de comentários - [Exemplos de Estruturas de Dados Android Java](https://elysiatools.com/pt/samples/android-datastructures-java): Exemplos de estruturas de dados Android Java incluindo operações comuns com arrays, tabelas hash e listas ligadas ## Conteúdo relacionado - [Fluxos de qualidade de dados e investigacao de anomalias](https://elysiatools.com/pt/hubs/data-quality-anomaly-workflows): Perfilhe dados tabulares, isole duplicatas, faltas, quebras referenciais, outliers e anomalias temporais e transforme os achados em evidencia de qualidade.