Calculadora de limites IQR para outliers

O método dos limites superior e inferior é a técnica padrão para identificar outliers em um conjunto de dados usando o intervalo interquartil (IQR). Desenvolvido como parte da estrutura de análise exploratória de dados de John Tukey em 1977, ele oferece uma forma robusta e não paramétrica de sinalizar observações incomuns sem assumir que os dados sigam qualquer distribuição específica. O método é amplamente ensinado em cursos introdutórios de estatística e é a abordagem padrão de detecção de outliers em boxplots. O cálculo começa classificando o conjunto de dados e encontrando o primeiro e o terceiro quartis. Q1 (percentil 25) é o valor abaixo do qual 25% dos dados se encontram, enquanto Q3 (percentil 75) é o valor abaixo do qual 75% se encontram. O IQR é simplesmente Q3 menos Q1, representando a dispersão da metade central dos dados. Como o IQR ignora os valores extremos nas duas pontas da distribuição, ele é resistente aos próprios outliers que tenta detectar — uma propriedade que torna o método dos limites mais confiável do que métodos baseados em amplitude. Depois que o IQR é calculado, os limites são definidos em 1.5 × IQR abaixo de Q1 (limite inferior) e 1.5 × IQR acima de Q3 (limite superior). Qualquer ponto de dados abaixo do limite inferior ou acima do limite superior é classificado como outlier. O multiplicador 1.5 foi escolhido empiricamente por Tukey porque funciona bem para dados aproximadamente normais: em uma distribuição normal, essa regra marca cerca de 0.7% das observações como outliers, o que corresponde a valores a mais de aproximadamente 2.7 desvios padrão da média. Para outliers mais extremos, algumas aplicações usam um multiplicador de 3 em vez de 1.5, chamando esses pontos de outliers distantes ou extremos. Pontos fora do limite de 1.5 × IQR, mas dentro do de 3 × IQR, às vezes são chamados de outliers leves. Esta calculadora usa a regra padrão de 1.5 × IQR, adequada para a maioria das análises exploratórias. A detecção de outliers é uma etapa crítica em limpeza de dados, controle de qualidade e modelagem estatística. Na manufatura, uma medição de processo fora do limite pode indicar uma unidade defeituosa ou um erro de medição. Em finanças, retornos extremos podem sinalizar erros de dados, anomalias de mercado ou eventos reais que exigem investigação. Em pesquisa clínica, valores fisiologicamente impossíveis são identificados e revisados. Em aprendizado de máquina, outliers podem distorcer o treinamento do modelo se não forem tratados. É importante lembrar que outliers estatísticos não são necessariamente valores errados. Um outlier é apenas uma observação inusitadamente distante do conjunto principal dos dados segundo a regra do IQR. É preciso investigar se o valor representa um evento extremo real, um erro de medição ou um erro de digitação.