IQR-Ausreißer-Grenzen Rechner

Die Methode der oberen und unteren Grenze ist die Standardtechnik, um Ausreißer in einem Datensatz mithilfe des Interquartilsabstands (IQR) zu identifizieren. Entwickelt als Teil von John Tukeys Framework der explorativen Datenanalyse im Jahr 1977, bietet sie eine robuste, nichtparametrische Möglichkeit, ungewöhnliche Beobachtungen zu markieren, ohne eine bestimmte Verteilung anzunehmen. Die Methode wird in einführenden Statistikvorlesungen breit gelehrt und ist der Standardansatz zur Ausreißererkennung in Boxplots. Die Berechnung beginnt damit, den Datensatz zu sortieren und das erste und dritte Quartil zu bestimmen. Q1 (25. Perzentil) ist der Wert, unter dem 25 % der Daten liegen, während Q3 (75. Perzentil) der Wert ist, unter dem 75 % liegen. Der IQR ist einfach Q3 minus Q1 und beschreibt die Streuung der mittleren 50 % der Daten. Weil der IQR die Extremwerte an beiden Enden der Verteilung ignoriert, ist er robust gegenüber genau den Ausreißern, die er erkennen soll — ein Merkmal, das die Grenzwertmethode zuverlässiger macht als Bereiche-basierte Verfahren. Sobald der IQR berechnet ist, werden die Grenzen auf 1.5 × IQR unterhalb von Q1 (untere Grenze) und 1.5 × IQR oberhalb von Q3 (obere Grenze) gesetzt. Jeder Datenpunkt unterhalb der unteren Grenze oder oberhalb der oberen Grenze wird als Ausreißer eingestuft. Der Faktor 1.5 wurde von Tukey empirisch gewählt, weil er für ungefähr normalverteilte Daten gut funktioniert: In einer Normalverteilung kennzeichnet diese Regel etwa 0.7 % der Beobachtungen als Ausreißer, was Werten von mehr als etwa 2.7 Standardabweichungen vom Mittelwert entspricht. Für extremere Ausreißer verwenden manche Anwendungen statt 1.5 den Faktor 3 und bezeichnen solche Punkte als weit entfernte oder extreme Ausreißer. Punkte außerhalb der 1.5 × IQR-Grenze, aber innerhalb der 3 × IQR-Grenze, werden manchmal als leichte Ausreißer bezeichnet. Dieser Rechner verwendet die Standardregel 1.5 × IQR, die für die meisten explorativen Analysen geeignet ist. Die Ausreißererkennung ist ein entscheidender Schritt bei Datenbereinigung, Qualitätskontrolle und statistischer Modellierung. In der Fertigung kann ein Messwert außerhalb der Grenze auf ein defektes Teil oder einen Messfehler hinweisen. Im Finanzbereich können extreme Renditen auf Datenfehler, Marktanomalien oder echte Ereignisse hindeuten, die untersucht werden müssen. In der klinischen Forschung werden physiologisch unmögliche Werte identifiziert und geprüft. Im maschinellen Lernen können Ausreißer das Modelltraining verzerren, wenn sie nicht behandelt werden. Wichtig ist: Statistische Ausreißer sind nicht automatisch fehlerhafte Werte. Ein Ausreißer ist lediglich eine Beobachtung, die nach der IQR-Regel ungewöhnlich weit von der Masse der Daten entfernt liegt. Es muss geprüft werden, ob der Wert ein echtes Extremereignis, ein Messfehler oder ein Eingabefehler ist.