Calculateur de classes selon la règle de Sturges

Indiquez le nombre d’observations : il calcule un plus le logarithme en base deux de ce nombre, puis arrondit le résultat à l’entier supérieur afin d’obtenir un nombre entier de classes. La valeur non arrondie est également fournie pour que vous puissiez vérifier précisément comment la recommandation a été établie.

Transformez la taille de l’échantillon en choix reproductible

L’apparence d’un histogramme varie fortement selon le nombre de classes retenu. Un nombre trop faible peut masquer des groupes, des lacunes ou une asymétrie, tandis qu’un nombre excessif peut faire passer le bruit d’échantillonnage ordinaire pour une structure significative. La règle de Sturges fournit une référence simple fondée uniquement sur le nombre d’observations. Saisissez n, soit l’effectif de l’échantillon, et le calculateur évalue 1 + log2(n). Puisqu’une classe ne peut pas être fractionnaire, la recommandation est arrondie à l’entier supérieur. Les puissances de deux donnent un résultat entier exact ; les autres tailles produisent généralement une valeur intermédiaire décimale. La réponse présente à la fois le nombre final de classes et cette valeur intermédiaire arrondie à six décimales. Vous pouvez ainsi configurer immédiatement votre graphique tout en conservant une justification explicite pour les rapports, carnets et contrôles. Cette méthode constitue un premier choix cohérent lorsque plusieurs personnes ou traitements automatisés doivent créer des histogrammes comparables.

Comprenez la formule et ses limites

La règle de Sturges s’écrit k = 1 + log2(n), où n désigne la taille de l’échantillon et k le nombre de classes. Chaque doublement de l’échantillon ajoute une classe à la recommandation. Un échantillon d’une observation conduit donc à une classe, un effectif de huit à quatre classes et un effectif de 128 à huit. Ce calculateur applique la convention usuelle de l’arrondi supérieur afin de rendre un résultat non entier directement exploitable sans abandonner sa partie fractionnaire. L’entrée doit être un entier fini, car elle compte des observations, et valoir au moins un, car le logarithme ne fournit aucune recommandation pertinente pour un échantillon vide. La règle de Sturges augmente lentement avec la taille des données. Cette retenue donne souvent des synthèses lisibles, mais peut effacer des détails dans les grands échantillons ou les distributions très asymétriques, multimodales ou à queues lourdes. Le résultat reste une suggestion méthodique, et non la garantie que toutes les caractéristiques importantes seront visibles.

Prenez le résultat comme référence, puis examinez la distribution

Commencez par saisir le nombre d’observations valides qui figureront réellement dans l’histogramme. Si votre table brute contient des valeurs manquantes ou des lignes exclues, comptez uniquement les observations conservées ; sinon la recommandation décrira un échantillon plus grand que celui du graphique. Appliquez le nombre obtenu dans votre bibliothèque de visualisation, votre tableur ou votre chaîne de rapports, puis examinez une ou deux valeurs voisines. La comparaison avec des nombres proches permet de déterminer si une forme apparente est stable ou résulte simplement d’un découpage particulier. Gardez aussi à l’esprit que le nombre de classes ne fixe pas la position de leurs bornes : deux histogrammes comportant autant de classes peuvent différer si leur étendue ou leurs limites changent. Pour des données très variables, comparez cette référence à une méthode fondée sur la largeur, comme la règle de Freedman-Diaconis. Dans un traitement automatisé, consignez la méthode et le résultat avec le graphique afin que les réviseurs puissent reproduire votre choix.