Desvio-Padrão Geométrico: Guia Completo

Quando Utilizar o Desvio-Padrão Geométrico

O desvio-padrão geométrico (DPG) é a medida de dispersão apropriada para dados que são multiplicativos e não aditivos — como taxas de crescimento, rácios, concentrações ou quaisquer medições com distribuição log-normal.

Considera os retornos de ações: um ganho de 10% seguido de uma perda de 10% não te devolve ao ponto de partida (ficarias com 99% do original). Estas relações multiplicativas requerem estatísticas geométricas em vez de aritméticas.

Ideia Fundamental

Se os teus dados abrangem várias ordens de grandeza, são sempre positivos e parecem assimétricos à direita quando representados normalmente mas simétricos numa escala logarítmica — estás perante dados log-normais que necessitam de estatísticas geométricas.

Compreender Dados Log-Normais

Os dados têm distribuição log-normal quando o seu logaritmo natural segue uma distribuição normal. Exemplos comuns incluem:

Preços de ações e retornos de investimento ao longo do tempo
Distribuições de rendimento e riqueza
Dimensões de partículas em aerossóis e produtos farmacêuticos
Contagens de colónias bacterianas e cargas virais
Concentrações de poluentes ambientais
Títulos de anticorpos e concentrações de fármacos

A característica principal: processos que envolvem multiplicação repetida geram distribuições log-normais, tal como a adição repetida gera distribuições normais.

Fórmula e Cálculo

Desvio-Padrão Geométrico

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

Ou mais simplesmente: calcula o logaritmo natural de todos os valores, calcula o desvio-padrão regular e depois aplica a exponencial.

Transformar os Dados

Calcular o logaritmo natural de cada valor: yᵢ = ln(xᵢ)

Calcular a Média

Encontrar a média aritmética dos valores logaritmizados: ȳ = Σyᵢ/n

Calcular o DP

Encontrar o desvio-padrão dos valores logaritmizados: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Transformar de Volta

Aplicar a exponencial para obter o DPG: GSD = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

Interpretar Valores de DPG

Ao contrário do DP aritmético que está nas mesmas unidades dos dados, o DPG é um fator multiplicativo — um rácio. Um DPG de 2,0 significa que os dados variam tipicamente por um fator de 2.

DPG = 1,0:Sem variação (impossível na prática)
DPG ≈ 1,2:Baixa variabilidade (±20% típico)
DPG ≈ 2,0:Variabilidade moderada (os dados duplicam/reduzem para metade)
DPG ≈ 3,0:Alta variabilidade (abrange uma ordem de grandeza)

Intervalos de Confiança

Para dados log-normais, o intervalo de 95% é aproximadamente: Média Geométrica ÷ DPG² a Média Geométrica × DPG². Para MG=100 e DPG=2, o intervalo é 25 a 400.

Aplicações no Mundo Real

Ciências Farmacêuticas

Distribuição do tamanho de partículas (D50, DPG) · Variabilidade da concentração de fármacos · Estudos de biodisponibilidade · Caracterização de aerossóis

Finanças e Economia

Volatilidade dos retornos de investimento · Análise de taxas de crescimento · Estudos de distribuição de rendimento · Modelação de preços de ativos

DPG vs. DP Regular

Utilizar o DP aritmético em dados log-normais produz resultados enganadores:

Exemplo: Dados de Carga Viral

Valores: 1.000; 5.000; 10.000; 50.000; 100.000 cópias/mL Média Aritmética ± DP: 33.200 ± 41.424 Média Geométrica × DPG: 10.000 × 4,5 → Intervalo: 2.222 a 45.000 O DP aritmético sugeriria que valores negativos são possíveis — impossível para cargas virais!

Verifica Sempre a Distribuição

Antes de calcular qualquer medida de dispersão, visualiza os teus dados. Se forem assimétricos à direita com uma cauda longa, experimenta uma transformação logarítmica. Se isso os tornar simétricos, utiliza estatísticas geométricas.

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.