Divisões De Classe

pode ser algo que aparece em qualquer curso de estatística básica, mas o que os livros não contam é como lidar com casos reais. Dados de sobrevivência de pacientes, por exemplo, costumam ter valores muito espalhados. Quando eu tentei aplicar divisões de classe com apenas 5 classes num conjunto de dados de 200 observações, a amplitude ficou tão grande que perdi toda a informação sobre variações sutis. O resultado foi uma tabela com classes tão largas que não serviam para nada útil.

Primeiro, você calculam o range, que é a diferença entre o valor máximo e o mínimo. Depois divide pelo número de classes que você deseja. A regra geral é tentar manter entre 5 e 15 classes, dependendo do tamanho da amostra. Para amostras menores que 50, eu costumo usar 5 classes. Acima de 200, posso chegar a 12 ou 15.

Quando a divisão não sai exata, você arredonda a amplitude para cima. Se deu 7,2, use 8. Não use 7, porque isso pode deixar alguns dados de fora da última classe. Esse é um erro comum que todo mundo cometee na primeira vez.

Para definir os limites das classes, você começa pelo valor mínimo e vai somando a amplitude. A primeira classe vai de 20 a 28, a segunda de 28 a 36, e assim por diante. Note que o limite superior de uma classe é o mesmo que o inferior da próxima. Isso pode parecer estranho, mas é o padrão.

Uma vez, trabalhando com dados de tempo de resposta de servidores, eu tinha uma observação exatamente igual ao limite superior de uma classe. A classe ia de 100 a 150 ms, e um dos dados era exatamente 150 ms. A pergunta era: esse valor pertence à classe 100-150 ou à classe 150-200?

A convenção mais usada é considerar que o limite superior pertence à classe seguinte. Ou seja, 150 ms vai para a classe 150-200, não para a 100-150. Isso evita que a primeira classe tenha contagem inflada artificialmente. Algumas software permitem você escolher, mas eu sempre prefiro usar a convenção de que o limite superior fica com a classe de baixo.

Outro detalhe importante: quando o range divide exatamente pelo número de classes, o último limite superior cai exatamente sobre um valor dos seus dados. Nesses casos, eu estendo o limite superior da última classe em meio unidade. Se a última classe terminava em 200, eu transformo em 200,5. Isso resolve a ambiguidade sem criarClasses extras.

Existe uma diferença técnica que muita gente esquece. A amplitude aparente é a distância entre os limites inferiores ou superiores das classes. A amplitude real considera os limites reais, que para dados contínuos ficam exatamente no meio entre os limites declarados.

Se uma classe é declarada como 30-39, os limites reais são 29,5 e 39,5. A amplitude real é 10, não 9. Isso importa quando você precisa calcular a marca de classe, que é a média dos limites reais. Para essa classe, a marca seria 34,5, não 34,5 ou 35 dependendo de como você olha.

Existem situações onde essa abordagem simplesmente não serve. Dados com muitos valores repetidos, também chamados de dados discretos com alta frequência, podem acabar com classes vazias ou com contagens muito desbalanceadas. Se você tem 1000 dados mas 80% deles estão concentrados em 5 valores diferentes, as divisões de classe vão esvaziar a maior parte das classes.

Nesses casos, vale a pena considerar alternativas. Um histograma com bins definidos automaticamente por algoritmos pode ser mais adequado. Ou simplesmente listar os valores únicos com suas frequências, se o número de valores distintos for pequeno. Divisões de classe são melhores para dados contínuos com distribuição relativamente uniforme.

Também existe o problema das classes abertas, aquelas sem limite superior definido, como "60 ou mais". Nesse caso, você não consegue calcular a marca de classe corretamente. A solução prática é atribuir a mesma amplitude da classe anterior e usar o limite inferior mais a amplitude como marca estimada. Funciona, mas é uma estimativa, não um valor exato.

Depois de montar as classes, faça uma verificação rápida. Some todas as frequências e confirme que o total bate com o número de observações. Se faltou algum dado, provavelmente foi para uma classe não considerada ou ficou de fora por causa de um erro de arredondamento na amplitude.

Eu costumo contar duas vezes: uma usando intervalos fechados à esquerda e abertos à direita, e outra verificando se algum valor crítico nas bordas foi contabilizado corretamente. Leva dois minutos a mais, mas evita retrabalho depois.