Desigualdade das médias: o que é e como aplicar de verdade
As desigualdades entre médias são um conjunto de resultados clássicos da álgebra e análise. Elas afirmam que, para qualquer conjunto de números reais positivos, existe uma ordem fixa entre as principais médias aritmética, geométrica, harmônica e quadrática. O nome formal mais usado em português é exatamente desigualdade das médias, e ele aparece em livros de análise, olimpiadas de matemática e também em disciplinas de economia e engenharia.
Desigualdade das médias: o essencial para funcionar no dia a dia
Vou começar pelo lado prático, porque muitas vezes a teoria não ensina onde as pessoas tropeçam. A desigualdade básica funciona assim. Dados $a_1, a_2, \dots, a_n$ positivos, temos:
$H_n \leq G_n \leq A_n \leq Q_n$ Onde $H_n$ é a média harmônica, $G_n$ a geométrica, $A_n$ a aritmética e $Q_n$ a quadrática ou raiz da média dos quadrados. A igualdade ocorre se e somente se todos os termos forem iguais. Isso é simples na definição, mas a aplicação exige cuidado com as hipóteses.
A condição de positividade é obrigatória. Se algum valor for zero ou negativo, várias das médias deixam de estar bem definidas no contexto real, e a cadeia de desigualdades pode simplesmente quebrar. Em problemas de otimização isso costuma ser ignorado na pressa, e o erro aparece depois, quando o resultado não fecha. O caso mais comum na prática é a versão para dois termos: $\frac{a+b}{2} \geq \sqrt{ab}$. Ela aparece em quase tudo, desde estimativas de erro até demostração de propriedades de funções convexas. Conheço muitos estudantes que decoram a fórmula para dois números e depois tentam aplicá-la cegamente para três, quatro ou mais termos sem verificar se a estrutura permite. Funciona sim, mas você precisa usar a forma completa, não a versão de dois elementos solta.
Um detalhe que pouca gente destaca é a questão do peso. A desigualdade vale perfeitamente na forma ponderada, e é aí que as coisas ficam úteis de verdade. Para pesos $w_i > 0$ com $\sum w_i = 1$: $\sum w_i a_i \geq \prod a_i^{w_i}$
Isso é a versão geral da desigualdade entre as médias aritmética e geométrica ponderadas, e ela resolve uma classe enorme de problemas que a versão não ponderada não consegue encostar. Usei essa forma ponderada num exercício de otimização de portfólio onde os retornos esperados vinham com pesos desiguais. Tentar resolver com a versão padrão teria dado um limitante muito mais fraco, e o resultado final ficaria longe da realidade. Outro ponto que as pessoas subestimam é a conexão com convexidade. A função $f(x) = -\ln x$ é estritamente convexa em $(0, \infty)$. Aplicar a desigualdade de Jensen a essa função produz diretamente a desigualdade entre as médias aritmética e geométrica. Isso não é só elegância teórica. Quando você vê um problema que envolve produtos ou logaritmos, saber que ali há convexidade por baixo costuma apontar o caminho da demonstração em dez segundos. A alternativa seria tentar manipulações algébricas que levam trinta minutos e ainda assim podem deixar passagens não justificadas.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A média harmônica merece atenção especial. Ela é amplamente mal compreendida porque a definição parece abstrata, mas na prática ela surge sempre que você lida com taxas e razões. Velocidade média de um percurso com trechos de comprimentos diferentes, resistência equivalente em resistores em paralelo, taxa média de crescimento anual quando os períodos têm durações diferentes. Tudo isso exige $H_n$, não $A_n$. Usar a aritmética nesses casos distorce o resultado de forma sistemática e crescente conforme a variabilidade dos dados aumenta. Um problema real que encontrei recentemente foi o seguinte. Tinha uma planilha de dados de desempenho de servidores onde cada um tinha tempos de resposta diferentes ao longo de quatro quarters, e eu precisava calcular uma métrica agregada que refletisse a "velocidade típica" do conjunto. Os dados tinham uma variabilidade grande entre servidores. A média aritmética dos tempos dava um número claramente otimista. A média geométrica era mais conservadora, mas ainda assim não capturava o efeito dos outliers do lado dos valores mais altos. A solução foi usar a média harmônica sobre os inversos dos tempos. O resultado fechava muito mais próximo do comportamento observado na operação. Isso economizou cerca de duas semanas de retrabalho e ajustes manuais na modelagem.
Se quiser calcular rapidamente essas médias, existe uma procedure simples no Derive, que é um sistema de álgebra computacional. Você pode baixar a versão adequada para o seu sistema operacional a partir do site oficial do Derive. Não é necessário configurar nada complexo. A execução é direta.
Armadilhas comuns e como evitá-las
O erro mais frequente é tentar usar a desigualdade das médias em variáveis que não satisfazem as hipóteses. Isso inclui casos em que os termos podem ser nulos, negativos ou complexos. A desigualdade entre $A_n$ e $G_n$ exige estritamente $a_i \geq 0$ para todos os índices, e $a_i > 0$ se você quer evitar igualdade trivial com zero. Se tiver dúvida sobre os sinais, resolva primeiro o problema de domínio antes de aplicar qualquer desigualdade. Outro erro comum é confundir a direção da desigualdade. A média aritmética é sempre maior ou igual à geométrica, não o contrário. Já a harmônica é sempre menor ou igual à geométrica. Misturar essa ordem leva a conclusões invertidas que parecem plausíveis à primeira vista, mas que são falsas. Verifique sempre qual par de médias você está comparando.
A desigualdade também não se aplica diretamente a sequências ordenadas de forma arbitrária. Se o problema pede para comparar médias de subconjuntos com cardinalidades diferentes, você precisa tratar cada um separadamente. Não existe regra mágica que permita "comparar médias de tamanhos diferentes" sem passar pela definição. Na prática, isso significa montar a soma ou o produto e depois aplicar a desigualdade dentro de cada bloco. Uma limitação importante da desigualdade das médias é que ela fornece apenas cotas. Ela diz que $A_n \geq G_n$, mas não informa quão distante $A_n$ está de $G_n$. Quando você precisa de controle quantitativo do gap, a desigualdade sozinha não basta. Nesse cenário, é mais útil recorrer a variações refinadas, como a desigualdade de Hadwaller-Diudeanu ou estimativas baseadas em variância. Essas versões dão limites superiores para a diferença $A_n - G_n$ em função dos desvios dos termos em relação à média.
Para aplicações numéricas em código, a média geométrica pode sofrer de underflow ou overflow quando os termos são muito pequenos ou muito grandes. A solução prática é calcular usando logaritmos: $\ln G_n = \frac{1}{n}\sum \ln a_i$. Isso é padrão em bibliotecas numéricas e evita problemas de precisão. Se estiver implementando algo do zero, não pule essa etapa. Outra situação em que a desigualdade tradicional falha completamente é quando os dados incluem zeros. Nesse caso, $G_n = 0$ e a desigualdade vira $A_n \geq 0$, que é verdadeira mas inútil para qualquer fins de otimização. A saída comum é adicionar um termo de regularização ou trabalhar no domínio logarítmico. Em análise de risco financeiro, por exemplo, isso significa usar a média geométrica dos retornos brutos em vez dos preços absolutos, porque os preços podem zerar em cenários de default.
Quando NÃO usar a desigualdade das médias
Existem cenários onde tentar forçar a desigualdade das médias é pior do que não fazer nada. Um deles é quando a estrutura do problema é discreta e os valores não são naturalmente positivos. Em problemas de combinatória com inteiros negativos, por exemplo, a aplicação cega leva a conclusões sem sentido. Outro caso é quando você está lidando com dados empíricos com distribuição muito assimétrica e cauda pesada. A média aritmética já é sensível a outliers; usar a desigualdade para "corrigir" isso gerando um limitante mais forte pode mascarar o problema real em vez de resolvê-lo. Se o seu objetivo é estimativa estatística e não prova teórica, considere métodos alternativos. Bootstrap, intervalos de confiança baseados em transformações ou modelos robustos costumam ser mais adequados do que aplicar desigualdades determinísticas a dados ruidosos. A desigualdade das médias é uma ferramenta de análise, não um substituto para inferência estatística.
No fim das contas, a desigualdade das médias é simples na declaração e profunda nas consequências. O desafio não é lembrar a fórmula, mas saber quando ela se aplica, qual versão usar e o que fazer quando ela não chega longe o suficiente. Com prática, esses critérios viram instinto, e o tempo gasto em problemas que envolvem médias cai consideravelmente.
