四分位距異常值上下界計算器

上下界方法是使用四分位距（IQR）辨識資料集中異常值的標準技術。它由 John Tukey 於 1977 年作為探索性資料分析架構的一部分提出，提供了一種穩健、非參數的方法來標記異常觀測值，而不必假設資料符合任何特定分布。這種方法廣泛用於入門統計課程，也是箱型圖預設的異常值偵測方式。 計算時，先將資料集排序並找出第一、第三四分位數。Q1（第 25 百分位）是 25% 資料落在其下方的值，而 Q3（第 75 百分位）則是 75% 資料落在其下方的值。IQR 就是 Q3 減去 Q1，代表中間 50% 資料的離散程度。由於 IQR 會忽略分布兩端的極端值，它對自己要偵測的異常值具有抗干擾性，因此這種界限法比基於極差的方法更可靠。 計算出 IQR 後，界限會設為 Q1 下方 1.5 × IQR（下界）以及 Q3 上方 1.5 × IQR（上界）。任何低於下界或高於上界的資料點都會被判定為異常值。Tukey 經驗性地選擇了 1.5 這個倍數，因為它對近似常態的資料表現良好：在常態分布中，這條規則會將約 0.7% 的觀測值標記為異常值，相當於比平均數遠約 2.7 個標準差以上的值。 對於更極端的異常值，有些應用會將倍數從 1.5 提高到 3，並把這類點標記為遠異常值或極端異常值。位於 1.5 × IQR 界限之外但仍在 3 × IQR 界限之內的點，有時稱為輕微異常值。本計算器使用標準的 1.5 × IQR 規則，適合大多數探索性分析。 異常值偵測是資料清理、品質控管與統計建模中的關鍵步驟。在製造業中，落在界限之外的製程測量值可能代表產品有缺陷或量測錯誤。在金融領域，極端報酬可能暗示資料錯誤、市場異常或需要調查的真實事件。在臨床研究中，生理上不可能的數值會被識別並複核。在機器學習中，若不處理異常值，它們會扭曲模型訓練。 需要記住的是，統計異常值不一定就是錯誤值。異常值只是根據 IQR 規則來看，明顯遠離大部分資料的觀測值。是否代表真實極端事件、量測誤差還是輸入錯誤，都需要結合上下文進一步調查。