Como ler os números de uma pesquisa sem tirar a conclusão errada

Análise descritiva é o conjunto de números e gráficos que resumem o que você coletou, nada além disso. Ela não explica por que as pessoas responderam assim, e não diz nada sobre quem você não entrevistou. Essa fronteira decide quase todo o resto deste guia.

A maior parte dos relatórios de pesquisa começa e termina numa média. É rápido de calcular e fácil de colocar num slide, só que também é a forma mais comum de esconder o que os dados realmente dizem. Este guia trata direto desse ponto: como escolher a estatística certa depois de fechar um questionário, como ler a dispersão que a média apaga, e onde a leitura para de ser descrição e vira suposição sobre gente que você nunca ouviu.

Análise descritiva: o que ela descreve, e onde ela para

Análise descritiva é o processo de resumir os dados de uma pesquisa através de números e gráficos, sem inferir nada além do que foi coletado. Ela responde à pergunta "o que aconteceu": qual foi a nota mais comum, quantas pessoas escolheram cada opção, quanto os resultados variam entre si. Nada nessa lista pede uma causa, e nada nela fala sobre quem ficou de fora da amostra.

Essa fronteira separa a análise descritiva de tudo que vem depois dela. Dizer "a nota média de satisfação foi 3,8" é descrição pura, você só está relatando o que coletou. Dizer "então a maioria dos nossos clientes está satisfeita" já é outra coisa: você está generalizando de uma amostra para uma população, e essa generalização carrega uma margem de erro que a estatística descritiva sozinha não calcula. A primeira frase quase nunca está errada, porque não afirma nada além do óbvio. A segunda pode estar, e com frequência está.

Guarde essa regra. A análise descritiva conta o que está na sua planilha. Ela não explica por que as pessoas responderam assim, e não fala sobre ninguém que não respondeu à sua pesquisa. Toda vez que uma frase ultrapassar esse limite, você deixou de descrever e começou a concluir. Vale a pena saber o momento exato em que isso acontece, porque o resto deste guia mora quase inteiro do lado de dentro dessa linha.

Média, mediana e moda: qual delas está mentindo

As três medidas de tendência central respondem à mesma pergunta, qual é o valor típico, só que chegam lá de jeitos diferentes. E nem sempre concordam.

A média soma todos os valores e divide pelo total de respostas. É a conta mais familiar, e também a mais frágil: um punhado de valores extremos puxa a média para longe de onde a maioria das respostas realmente está. A mediana é o valor do meio depois de ordenar todas as respostas, metade fica abaixo dela e metade acima. Ela ignora o tamanho dos extremos e só olha para a posição, por isso sobrevive a outliers que destroem a média. A moda é a resposta mais frequente, e é a única das três que continua fazendo sentido quando a pergunta não tem números de verdade, como qual canal alguém usou ou qual plano contratou.

Para escalas assimétricas, a mediana quase sempre conta a história mais honesta. Imagine um time de suporte que mede quanto tempo leva para responder um chamado. Num dia qualquer, nove chamados foram resolvidos em cerca de dez minutos cada. Um décimo ficou parado durante o fim de semana por um erro de encaminhamento, e levou trinta horas para ser respondido. A média de atendimento daquele dia sobe para quase três horas. A mediana continua em dez minutos.

A decisão muda dependendo de qual número alguém leva para a reunião de planejamento. Com a média na mão, o argumento natural é contratar mais gente, porque "o atendimento está demorando três horas". Com a mediana e o caso isolado à vista, o problema aparece onde realmente está: um processo de encaminhamento que falha silenciosamente aos finais de semana, não uma equipe pequena demais. A mesma planilha, duas leituras, duas decisões de orçamento completamente diferentes.

Para uma pergunta de escolha única, tipo qual funcionalidade um cliente usa mais, nem média nem mediana fazem sentido algum. Só a moda descreve o que a maioria escolheu. E ela é a medida certa, não uma alternativa mais fraca, sempre que a resposta é uma categoria e não um número.

A dispersão é a parte que os relatórios pulam

A média mede o centro, mas sozinha ela não diz nada sobre o quanto as respostas concordam entre si. É a parte que a maioria dos relatórios de pesquisa simplesmente pula. E é geralmente onde mora a descoberta de verdade.

A amplitude é a diferença entre o maior e o menor valor, simples de calcular e sensível demais a um único ponto fora da curva. O intervalo interquartil corta os 25% mais baixos e os 25% mais altos e mede a distância que sobra no meio, então descreve onde está a metade central dos dados sem deixar um outlier isolado distorcer o número. O desvio padrão é o mais usado dos três: pega a distância de cada resposta até a média, eleva ao quadrado para que distâncias positivas e negativas não se cancelem, tira a média dessas distâncias ao quadrado e depois extrai a raiz para voltar à escala original. Quanto maior o desvio padrão, mais as respostas se espalham ao redor do centro.

Para ver por que isso importa, imagine dois times de sete pessoas avaliando o mesmo treinamento numa escala de zero a dez. No primeiro time, todo mundo deu nota sete. No segundo, três pessoas deram nota três e quatro pessoas deram nota dez. As duas médias são exatamente sete. Nada nesse número deixa transparecer que o segundo time está dividido entre quem odiou o treinamento e quem amou.

O desvio padrão do primeiro time é zero, porque nenhuma resposta se afasta da média. No segundo, ele fica perto de 3,5, quase metade da escala inteira. Um relatório que só menciona "nota média sete" trata os dois times como se fossem o mesmo resultado, quando na verdade um precisa de um ajuste pontual e o outro precisa de uma conversa sobre por que a experiência foi tão diferente para metade do grupo.

Regra prática: toda vez que você reportar uma média, reporte também alguma medida de dispersão ao lado dela. Sem isso, o número sozinho não deixa quem lê distinguir consenso de divisão.

A forma da distribuição diz o que fazer a seguir

Olhar a forma da distribuição, não só os números que a resumem, é o jeito mais rápido de saber se dá para confiar na média. Quatro formatos aparecem o tempo todo em dados de pesquisa, mais um quinto que qualquer pesquisa de satisfação encontra cedo ou tarde.

Uma distribuição aproximadamente normal tem um pico no meio e caudas parecidas dos dois lados. Aqui média, mediana e moda ficam próximas, e a média pode ser reportada sem ressalvas. Uma distribuição assimétrica à direita tem a maioria dos valores baixos e uma cauda longa de valores altos e raros, comum em tempo de resposta, valor de compra e qualquer coisa medida em dinheiro. A média fica puxada para cima da mediana, e o conselho é simples: reporte a mediana, e investigue a cauda separadamente em vez de deixá-la contaminar o número central. Uma distribuição assimétrica à esquerda é o espelho, com a maioria dos valores altos e uma cauda de valores baixos, e o mesmo conselho vale ao contrário.

Uma distribuição bimodal, com dois picos separados, quase sempre significa que você está descrevendo dois grupos diferentes como se fossem um só. Isso aparece com frequência quando usuários novos e usuários antigos respondem à mesma pergunta de satisfação a partir de experiências completamente diferentes. A ação aqui não é calcular uma média melhor. É segmentar a pergunta pelos dois grupos que a compõem e descrever cada um separadamente.

E existe o efeito teto. Quando quase todo mundo escolhe as duas opções mais altas da escala, a distribuição inteira se empilha contra o topo, e o desvio padrão despenca não porque as opiniões sejam uniformes, mas porque a escala parou de discriminar entre "bom" e "excelente". Esse efeito é comum em pesquisas de CSAT, e quando ele aparece, comparar médias entre dois períodos vira ruído, porque a escala já não tem espaço para subir. A saída prática é olhar a distribuição das notas mais altas, o percentual de notas máximas, e não só a média, ou trocar para uma escala mais larga na próxima rodada.

Tipos de dado: qual estatística tem permissão de existir

Cada estatística até agora funciona só para certos tipos de dado, e usá-la fora do lugar certo não é um erro sutil. É sem sentido, mesmo quando a planilha calcula o número sem reclamar.

Dados nominais são categorias sem ordem: canal de aquisição, cidade, plano contratado. Não existe "canal médio", então a única estatística de centro que faz sentido é a moda, junto de frequências e percentuais. Dados ordinais têm ordem, mas a distância entre as posições não é garantidamente igual, e o exemplo mais comum numa pesquisa é uma escala de "discordo totalmente" até "concordo totalmente". Aqui a mediana e a moda descrevem o centro de forma honesta, e os tipos de pergunta que você escolhe no desenho da pesquisa já determinam qual tipo de dado vai sair do outro lado.

Dados intervalares têm distâncias iguais entre os pontos, mas não têm um zero absoluto, então diferenças fazem sentido e razões não. E dados de razão têm um zero real, como idade, número de compras ou tempo de uso, então toda a caixa de ferramentas está liberada: média, mediana, desvio padrão, e comparações do tipo "o dobro de".

Tipo de dado	Exemplo numa pesquisa	Estatística legítima	Evite
Nominal	Canal, cidade, plano contratado	Moda, frequência, percentual	Média, mediana, desvio padrão
Ordinal	Escala Likert, satisfação de 1 a 5	Moda, mediana, frequência	Média isolada, sem a distribuição ao lado
Intervalar	Ano de fundação, temperatura, um índice construído	Média, mediana, desvio padrão	Comparações do tipo "o dobro de"
De razão	Idade, número de compras, tempo de uso	Toda a caixa de ferramentas, incluindo razões	Nenhuma restrição especial

É aqui que mora a discussão mais espinhosa deste guia. Uma escala de concordância de um a cinco é, tecnicamente, dado ordinal, e calcular a média dela é uma aproximação, não um cálculo correto no sentido estrito. Ainda assim, quase todo mundo faz isso, inclusive pesquisadores sérios, porque reportar só medianas para cada pergunta de uma pesquisa longa é impraticável. O compromisso é aceitável, mas tem um custo: uma média de 3,8 numa escala Likert trata a distância entre "neutro" e "concordo" como igual à distância entre "concordo" e "concordo totalmente", o que provavelmente não é verdade para quem respondeu.

Se você vai usar a média de uma escala Likert, e provavelmente vai, pague o preço certo. Reporte a distribuição completa ao lado dela, não só o número isolado. Nosso guia sobre escalas Likert detalha como construir a escala e como ler o resultado sem cair nessa armadilha.

Porcentagens que escondem mais do que mostram

Uma porcentagem parece mais sólida do que um número bruto, e é exatamente por isso que ela engana com tanta facilidade. Duas armadilhas aparecem o tempo todo em relatórios de pesquisa.

A primeira é a base pequena demais. "60% dos clientes preferem o plano anual" soa como uma maioria confortável, até você descobrir que a pergunta foi respondida por cinco pessoas, e 60% delas são três. Três pessoas não sustentam uma decisão de precificação para toda a base de clientes, mas a porcentagem, isolada, parece igualmente confiante em qualquer tamanho de amostra. O quanto uma base pequena compromete essa leitura está detalhado na nossa calculadora de tamanho de amostra.

A segunda armadilha é a base escondida. "80% dos respondentes disseram que comprariam de novo" é uma frase que some com uma informação crítica: 80% de quem, exatamente? De todo mundo que abriu a pesquisa, ou só de quem chegou até o final dela? Se metade abandonou antes dessa pergunta, e quem abandona tende a estar menos satisfeito, aquele 80% já começa inflado antes de qualquer análise.

A conta por trás de uma porcentagem é só isto: o número de pessoas que deram determinada resposta, dividido pelo total de pessoas que responderam àquela pergunta, multiplicado por cem. A parte que costuma sumir do relatório é o denominador. Sempre reporte o n, o número de respondentes por trás de cada porcentagem, entre parênteses ou numa nota de rodapé da tabela. "80% (n=42)" já avisa quem lê para calibrar a confiança de acordo com o tamanho real da amostra, enquanto "80%" sozinho não avisa nada.

Essa disciplina fica ainda mais importante quando você corta os dados por segmento. Uma porcentagem por região, por plano ou por faixa etária que parece impressionante numa fatia pequena da amostra costuma ser ruído estatístico com roupa de descoberta.

Qual gráfico usar, e os eixos que mentem

A escolha do gráfico não é estética, é parte da análise. O gráfico errado esconde exatamente o padrão que o certo revelaria em um segundo.

Para dados nominais e ordinais, um gráfico de barras ordenado por frequência é quase sempre a escolha certa, porque o olho compara o comprimento das barras muito mais rápido do que lê uma lista de números. Para dados numéricos, um histograma mostra a forma da distribuição, o que nenhuma tabela de frequência transmite de relance. E quando a pergunta é comparar a dispersão entre grupos, um boxplot encaixa mediana, quartis e outliers numa única imagem compacta.

O gráfico de pizza funciona bem para duas ou três categorias, e piora rápido depois disso. A partir de quatro ou cinco fatias, comparar ângulos vira um exercício de adivinhação, e fatias parecidas em tamanho ficam praticamente indistinguíveis. Se a sua pergunta tem seis ou oito opções de resposta, o gráfico de barras não é uma alternativa mais bonita. É a única que ainda comunica alguma coisa.

Vale também escolher entre gráfico e tabela pela tarefa, não por hábito. Um gráfico de barras vence quando o objetivo é comparar valores entre si, porque o olho faz essa comparação sem esforço. Uma tabela vence quando o objetivo é consultar um valor exato, porque ninguém lê "32,7%" com precisão olhando para o comprimento de uma barra.

E existe um jeito fácil de fazer uma diferença pequena parecer enorme sem inventar nenhum número: cortar o eixo vertical para não começar em zero. Uma diferença de dois pontos entre 91% e 93% ocupa a tela inteira quando o eixo vai de 90 a 94, e vira quase invisível quando o eixo vai de 0 a 100. Nenhuma das duas versões mente nos números, mas uma delas engana visualmente quem só bate o olho no gráfico. Comece o eixo em zero para proporções e contagens, e se precisar cortar por algum motivo legítimo, deixe isso visualmente óbvio.

O roteiro numa pesquisa real

Na prática, a ordem quase nunca muda, só os dados. Cinco passos levam da planilha bruta a um parágrafo que alguém de fora consegue entender, e o mesmo roteiro funciona seja a pesquisa montada num modelo pronto ou construída do zero.

• Limpe antes de calcular qualquer coisa. Remova respostas em branco, duplicadas ou visivelmente inválidas, e confira se a mesma opção não está escrita de duas formas diferentes na planilha. Se a bagunça vier de uma pergunta mal redigida, vale revisar o desenho na próxima rodada com o nosso guia de perguntas para formulário de feedback.
• Rode as frequências primeiro. Antes de qualquer média, veja quantas vezes cada resposta apareceu e em qual percentual. É aqui que você nota respostas concentradas de um jeito estranho, ou uma opção que ninguém escolheu.
• Calcule centro e dispersão juntos. Para cada pergunta numérica ou ordinal, some média ou mediana com desvio padrão ou intervalo interquartil. Nunca reporte um sem o outro.
• Cruze com os segmentos que importam. Uma tabela cruzada divide a pergunta principal por outra variável, como plano, região ou tempo de uso, e é onde a maioria das descobertas úteis realmente aparece.
• Escreva a leitura em prosa. Números sem uma frase ao lado viram um anexo que ninguém abre. Diga o que é típico, quanto as respostas variam, e se existe um grupo relevante nas bordas.

O passo das tabelas cruzadas merece um cuidado à parte. Cruzar satisfação por plano é útil. Cruzar satisfação por plano, por região e por faixa etária ao mesmo tempo, numa amostra de duzentas pessoas, deixa algumas células com três ou quatro respondentes, e qualquer percentual calculado ali é ruído travestido de padrão. Antes de aprofundar um cruzamento, olhe o tamanho da célula, não só o resultado dela.

Um exemplo do início ao fim, com números inventados

Para ver os passos acima funcionando juntos, vamos por um exemplo com números totalmente inventados para esta ilustração. Não é um dado de mercado real, nem uma pesquisa que alguém rodou de verdade.

Imagine uma loja online que enviou uma pesquisa de satisfação depois da entrega, e 240 pessoas responderam à pergunta "de 1 a 5, quão satisfeito você ficou com a entrega?". A tabela de frequências fica assim.

Nota	Respostas	Percentual
5	90	38%
4	72	30%
3	36	15%
2	24	10%
1	18	7%

A moda é 5, a nota mais escolhida. A mediana é 4: ordenando as 240 respostas, a posição do meio cai exatamente onde a nota é 4. A média sai em 3,8, e o desvio padrão fica perto de 1,2. Nenhum desses quatro números sozinho conta a história inteira. Mas juntos eles dizem algo específico: a maioria está satisfeita, um grupo minoritário mas real, cerca de 17%, deu nota 1 ou 2, e a média de 3,8 esconde essa divisão atrás de um número que parece morno.

Agora cruze essa nota com o canal de entrega, digamos transportadora própria contra parceira terceirizada. Suponha que, entre quem recebeu pela transportadora própria, 90% deu nota 4 ou 5, e entre quem recebeu pela parceira, esse número cai para 58%. Essa diferença é exatamente o tipo de padrão que a média geral de 3,8 apaga por completo. E é também exatamente o tipo de achado que justifica investigar o contrato com a parceira antes de qualquer outra ação.

Por fim, imagine que a mesma pesquisa também perguntou o valor do pedido. Se a mediana do valor do pedido for algo como 85 e a média for 140, isso já denuncia uma distribuição assimétrica à direita: a maioria dos pedidos é pequena, mas alguns pedidos grandes e raros puxam a média para cima. Para descrever o pedido típico, a mediana de 85 é mais honesta. Para somar a receita total, a média ainda serve, porque nesse caso o total é exatamente o que importa.

Note o que este exemplo não permite dizer. Ele não explica por que a transportadora parceira tem nota mais baixa, isso pede uma pergunta aberta ou uma investigação operacional. E ele não autoriza a frase "a maioria dos clientes desta loja está satisfeita com a entrega", porque isso generaliza para clientes que nunca responderam à pesquisa. Generalizar é trabalho da análise inferencial, não da descritiva.

Fazendo isso numa planilha

Quase tudo isso cabe em meia dúzia de funções, tanto no Excel quanto no Google Sheets, com nomes praticamente idênticos nos dois.

• MÉDIA (AVERAGE) calcula a média aritmética de um intervalo.
• MED (MEDIAN) devolve o valor do meio depois de ordenar os dados.
• MODO.ÚNICO (MODE.SNGL) devolve o valor mais frequente.
• DESVPAD.A (STDEV.S) calcula o desvio padrão de uma amostra.
• QUARTIL (QUARTILE) devolve qualquer um dos quatro quartis de um intervalo.
• CONT.SE (COUNTIF) conta quantas respostas atendem a uma condição, a base de qualquer frequência calculada na mão.

Essas seis funções cobrem a maior parte do trabalho descritivo do dia a dia. O que elas não fazem bem é cruzamento entre variáveis, e é aí que entra a tabela dinâmica (pivot table). Arraste a pergunta principal para linhas, arraste a variável de segmento, tipo plano ou canal, para colunas, e configure o valor como contagem. Em poucos cliques você tem a mesma tabela cruzada do passo anterior, com os percentuais calculados ao trocar a exibição de valor para "% do total da linha".

O ponto fraco do caminho manual não é a fórmula, é a manutenção. Toda vez que chegam novas respostas, alguém precisa atualizar o intervalo, recalcular e reconferir. Os relatórios do SurveyNinja já entregam frequências, médias e cruzamentos prontos conforme as respostas chegam, o que elimina essa parte repetitiva e deixa a planilha livre só para as perguntas que realmente exigem investigação manual.

Erros que passam despercebidos

Os erros de leitura descritiva raramente vêm de uma conta errada. Eles vêm de um número verdadeiro colocado no contexto errado.

• Reportar a média sem a dispersão. Um 3,8 sozinho pode descrever um grupo unânime ou um grupo dividido ao meio, e sem o desvio padrão ou o intervalo interquartil ao lado, quem lê não tem como saber qual dos dois é o seu caso.
• Comparar grupos de tamanhos muito diferentes. Uma nota de 4,5 vinda de 8 respondentes não pesa o mesmo que uma nota de 4,1 vinda de 400, mesmo que a primeira pareça "melhor" num gráfico de barras lado a lado.
• Cortar uma amostra pequena em cruzamentos até as células ficarem vazias. Cruzar satisfação por plano, região e faixa etária ao mesmo tempo numa base de 150 pessoas produz células de três ou quatro respondentes, e qualquer percentual ali é praticamente aleatório.
• Tratar um top-two-box como se fosse uma média. "85% deram nota 4 ou 5" é uma proporção sobre uma pergunta ordinal, útil e legítima, mas comparar esse número entre trimestres exige o mesmo cuidado com o n que qualquer outra porcentagem, e não vira uma média só porque parece um resumo.
• Reportar uma diferença menor que o ruído. A satisfação subiu de 82% para 84% entre duas ondas de pesquisa com bases pequenas, e o relatório chama isso de melhora, quando essa oscilação de dois pontos está inteiramente dentro da margem de erro esperada para o tamanho da amostra.

Nenhum desses erros aparece como um número errado na planilha. Eles aparecem como um número verdadeiro contando uma história que os dados, sozinhos, não sustentam.

Onde a descritiva termina e a inferencial começa

Existe um teste simples para saber se uma frase ainda é descritiva ou já virou outra coisa. Pergunte: essa afirmação fala só de quem respondeu, ou fala de gente que não respondeu?

"67% dos 240 respondentes desta pesquisa deram nota 4 ou 5" fala só de quem respondeu. É descrição, e dificilmente está errada. "67% dos nossos clientes estão satisfeitos com a entrega" fala de todos os clientes, incluindo os que nunca viram a pesquisa. No instante em que essa segunda frase é dita, a conversa saiu da análise descritiva e entrou na análise inferencial, que estima o que provavelmente é verdade para uma população inteira a partir de uma amostra dela.

A inferência exige duas coisas que a descrição não pede: uma amostra que represente a população de interesse, o assunto da nossa nota sobre amostragem probabilística, e uma estimativa de quanto essa amostra pode errar, expressa como margem de erro e intervalo de confiança. Sem essas duas peças, generalizar de 240 pessoas para toda a base de clientes é uma aposta, não uma conclusão.

Essa linha divisória é também onde estudantes escrevendo um trabalho de conclusão de curso mais tropeçam, porque a tentação de transformar uma amostra de conveniência numa afirmação sobre toda uma população é forte demais para ignorar. O material sobre pesquisa para trabalhos acadêmicos trata exatamente desse ponto. Na prática empresarial o risco é o mesmo, só que quem paga pela conclusão errada é uma decisão de orçamento, não uma banca examinadora.

Fique do lado descritivo sempre que puder. Ele quase nunca erra, porque não promete nada além do que está na tela. Só na hora de dizer algo sobre quem você não ouviu vale a pena parar, checar o desenho da amostra e, se for o caso, chamar a estatística inferencial para o resto do trabalho.

Perguntas frequentes

O que é análise descritiva?

É o resumo dos dados de uma pesquisa em números e gráficos que descrevem o que foi coletado: valores típicos, dispersão e frequência de cada resposta. Ela responde "o que aconteceu" e não explica causas nem generaliza para quem não respondeu.

Qual a diferença entre análise descritiva e inferencial?

A descritiva fala só da amostra que você coletou. A inferencial usa essa amostra para estimar algo sobre uma população inteira, com margem de erro e intervalo de confiança. A frase muda de descritiva para inferencial no momento em que passa a falar de quem não respondeu à pesquisa.

Quando usar a mediana em vez da média?

Quando a distribuição é assimétrica ou tem outliers, como tempo de resposta, valor de compra ou salário. Alguns valores extremos puxam a média para longe do típico, enquanto a mediana continua descrevendo honestamente o meio da distribuição.

Posso calcular a média de uma escala Likert de 1 a 5?

Pode, e a maioria das pesquisas faz isso, mas é um compromisso, não um cálculo tecnicamente exato, porque a escala é ordinal. Reporte a distribuição completa das respostas ao lado da média para que quem lê veja o que o número esconde.

O que o desvio padrão me diz que a média não diz?

Diz o quanto as respostas concordam entre si. Duas notas médias iguais podem vir de um grupo unânime ou de um grupo dividido entre extremos, e só o desvio padrão, ou o intervalo interquartil, distingue essas duas situações.

Por que o gráfico de pizza não funciona com muitas categorias?

Porque o olho humano compara mal ângulos parecidos. Com mais de três ou quatro fatias, categorias de tamanho próximo ficam indistinguíveis, e um gráfico de barras ordenado por frequência comunica a mesma informação com muito menos esforço de leitura.

Quantas respostas preciso para confiar numa porcentagem?

Não existe um número mágico, mas sempre reporte o n ao lado de qualquer percentual. Uma porcentagem calculada sobre cinco ou dez respondentes carrega uma incerteza enorme que o número sozinho não deixa transparecer.

O que é o efeito teto numa pesquisa de satisfação?

É quando quase todo mundo escolhe as duas notas mais altas da escala, fazendo a distribuição inteira se empilhar contra o topo. Nesse ponto a escala perdeu a capacidade de discriminar entre bom e excelente, e comparar médias entre períodos vira ruído.