Classificação é uma técnica de aprendizado de má-quina supervisionado para sintetizar modelos que podem predizer a classe de um objeto, a partir dos valores de seus atributos. Tais modelos preditivos podem ser aplicados em várias áreas como, por exemplo, medicina, economia, negócios e biologia. Há diversas abordagens que podem ser empregadas para predizer a classe de um objeto (e.g., árvores de decisão e redes neurais); porém, a abordagem estatística, além de predizer a classe do objeto, também pode informar a probabilidade de sua predição estar correta (i.e., sua acurácia). Particularmente, classificadores bayesianos são algoritmos estatísticos que classificam objetos analisando a probabilidade de sua pertinência em cada uma das possíveis classes predefinidas e escolhendo aquela mais provável. Objetos podem ser descritos por atributos discretos ou contínuos. Quando um atributo é discreto, o classificador bayesiano calcula a sua probabilidade usando frequência relativa; por outro lado, quando um atributo é contínuo, o classificador bayesiano calcula a sua probabilidade supondo que ele segue uma distribuição normal. Na prática, porém, essa suposição nem sempre se aplica e pode gerar uma diminuição da acurácia da classificação. Uma forma de resolver esse problema é discretizar os atributos contínuos, antes de classificar os objetos. Neste contexto, o principal objetivo deste trabalho é investigar como três métodos distintos de discretização (descritos na literatura da área) afetam a acurácia de um classificador bayesiano.