Calculadora de classes pela regra de Sturges

Informe o número de observações; ela calcula um mais o logaritmo de base dois desse número e arredonda o resultado para cima, produzindo uma quantidade inteira de classes. O valor antes do arredondamento também é exibido, permitindo que você confira exatamente como a recomendação foi obtida.

Transforme o tamanho da amostra em uma escolha reproduzível

Um histograma pode mudar bastante conforme a quantidade de classes usada. Poucas classes podem esconder agrupamentos, lacunas ou assimetria; classes demais podem fazer o ruído normal da amostragem parecer uma estrutura importante. A regra de Sturges fornece uma referência simples baseada apenas no número de observações. Informe n, a contagem de observações da amostra, e a calculadora avaliará 1 + log2(n). Como não existe uma fração de classe, a sugestão é arredondada para cima até o próximo inteiro. Potências de dois geram resultados inteiros exatos, enquanto outros tamanhos normalmente produzem um valor intermediário fracionário. A resposta inclui a quantidade final de classes e esse valor intermediário arredondado para seis casas decimais. Assim, você pode configurar o gráfico imediatamente e manter o raciocínio visível em relatórios, cadernos e validações. Use a recomendação como primeira versão consistente, sobretudo quando várias pessoas ou tarefas automatizadas precisarem criar histogramas comparáveis para conjuntos de tamanhos diferentes.

Entenda a fórmula e seus limites

A regra de Sturges é escrita como k = 1 + log2(n), em que n é o tamanho da amostra e k é o número de classes. Cada duplicação da amostra acrescenta uma classe à recomendação. Portanto, uma amostra de um sugere uma classe, uma amostra de oito sugere quatro e uma de 128 sugere oito. A calculadora aplica a convenção comum de arredondar para cima, tornando um resultado fracionário utilizável sem descartar parte da recomendação. A entrada deve ser um inteiro finito porque o tamanho amostral conta observações, e precisa ser pelo menos um porque o logaritmo não gera uma recomendação válida para uma amostra vazia. A regra cresce lentamente em conjuntos maiores. Essa moderação costuma produzir resumos legíveis, mas pode suavizar detalhes em amostras grandes, muito assimétricas, multimodais ou de caudas pesadas. A saída é uma sugestão baseada em regra, e não uma prova de que as classes selecionadas mostram todas as características relevantes da distribuição.

Use o resultado como referência e examine a distribuição

Comece informando o número de observações válidas que realmente aparecerão no histograma. Se a tabela original tiver valores ausentes ou excluídos, conte somente os dados mantidos no gráfico; caso contrário, a sugestão descreverá uma amostra maior que a exibida. Aplique o número retornado à biblioteca gráfica, planilha ou fluxo de relatórios e depois examine uma ou duas alternativas próximas. Comparar a contagem de Sturges com valores vizinhos ajuda a revelar se uma forma aparente é estável ou apenas efeito de determinados limites. Lembre-se também de que a quantidade de classes não determina onde começam suas bordas; dois histogramas com a mesma contagem podem diferir quando o intervalo total ou a posição dos limites muda. Para dados muito variáveis, compare esta referência com um método baseado em largura, como a regra de Freedman-Diaconis. Em fluxos automatizados, registre o método e o resultado junto ao gráfico para que os revisores possam reproduzir a escolha em vez de tentar adivinhar o padrão do programa.