IQR外れ値の上限・下限計算機

上限・下限の方法は、四分位範囲（IQR）を使ってデータセット内の外れ値を識別する標準的な手法です。1977年に John Tukey が探索的データ解析の枠組みの一部として提唱し、特定の分布を仮定せずに異常な観測値を検出できる、頑健でノンパラメトリックな方法を提供しました。この方法は入門統計の授業で広く教えられており、箱ひげ図での既定の外れ値検出法でもあります。 計算は、まずデータセットを並べ替えて第1四分位数と第3四分位数を求めるところから始まります。Q1（25パーセンタイル）はデータの25%がその下に位置する値、Q3（75パーセンタイル）は75%がその下に位置する値です。IQR は単純に Q3 から Q1 を引いたもので、データの中央50%の広がりを表します。IQR は分布の両端にある極端な値を無視するため、検出対象そのものの外れ値に強く、範囲ベースの手法より信頼性が高い特性があります。 IQR を求めたら、境界は Q1 の下に 1.5 × IQR（下限）、Q3 の上に 1.5 × IQR（上限）として設定します。下限より低い、または上限より高いデータ点は外れ値として分類されます。1.5 という倍率は、ほぼ正規分布のデータに対してよく機能するため Tukey が経験的に選びました。正規分布では、このルールにより観測値の約 0.7% が外れ値としてフラグされ、平均からおよそ 2.7 標準偏差以上離れた値に相当します。 より極端な外れ値には、1.5 ではなく 3 を倍率に使い、そのような点を遠い外れ値または極端外れ値と呼ぶことがあります。1.5 × IQR の境界の外側だが 3 × IQR の境界の内側にある点は、軽度の外れ値と呼ばれることもあります。この計算機は標準的な 1.5 × IQR ルールを使用しており、ほとんどの探索的分析に適しています。 外れ値の検出は、データクレンジング、品質管理、統計モデリングで重要な工程です。製造業では、境界の外にある工程測定値は不良品や測定誤差を示す可能性があります。金融では、極端なリターンがデータエラー、市場の異常、あるいは調査が必要な実際の出来事を示唆することがあります。臨床研究では、生理的にあり得ない値が特定され、確認されます。機械学習では、外れ値を処理しないとモデル学習が歪むことがあります。 統計上の外れ値が必ずしも誤った値とは限らないことを覚えておくことが重要です。外れ値とは、IQR ルールに照らしてデータの大部分から異常に離れた観測値にすぎません。それが本当の極端事象なのか、測定誤差なのか、入力ミスなのかは、文脈を踏まえて調査する必要があります。