Was ist die IQR-Methode zur Ausreißererkennung?

Die IQR-Methode nutzt den Interquartilsabstand, um Ausreißer zu finden. Werte unter Q1 - 1,5×IQR oder über Q3 + 1,5×IQR gelten als mäßige Ausreißer. Der Faktor 1,5 wurde von John Tukey gewählt, um Sensitivität und Spezifität zu balancieren.

Warum 1,5 mal IQR für Ausreißer?

Die 1,5×IQR-Regel deckt bei einer Normalverteilung etwa 99,3% der Daten ab und bleibt bei Schiefe robust. Es ist ein pragmatischer Kompromiss, um Extremwerte zu finden, ohne zu viele Randfälle zu markieren.

Unterschied zwischen mäßigen und extremen Ausreißern?

Mäßige Ausreißer liegen zwischen 1,5×IQR und 3×IQR von den Quartilen entfernt. Extreme Ausreißer liegen jenseits von 3×IQR. Letztere sind seltener und deuten oft auf Datenfehler oder echte Anomalien hin.

Ist IQR besser als Standardabweichung für Ausreißer?

Bei schiefen oder nicht-normalen Daten ist IQR besser, da es robust gegenüber Extremwerten ist. Standardabweichungs-Methoden (wie Z-Score) setzen Normalverteilung voraus und können von den Ausreißern selbst verzerrt werden.

Ausreißer finden mit der IQR-Methode (Schritt-für-Schritt)

Name: PlotNerd
Availability: InStock
Author: PlotNerd

1. Was ist die IQR-Methode?

Die Interquartilsabstands-Methode (IQR) erkennt Ausreißer, indem sie die mittleren 50% eines Datensatzes misst. Sie nutzt Quartile (Q1 und Q3), um Datenpunkte zu identifizieren, die signifikant unter oder über dem Großteil der Werte liegen.

Die IQR-basierte Erkennung ist weit verbreitet, da sie nicht-parametrisch ist (keine Normalverteilung voraussetzt) und robust gegenüber Extremwerten ist.

Wichtige Formel

IQR = Q3 - Q1

Q1 ist das 25. Perzentil, Q3 ist das 75. Perzentil.

2. Schritt-für-Schritt-Berechnung

Der Arbeitsablauf

Datensatz sortieren: Aufsteigend ordnen.
Q1 berechnen (Unteres Quartil): Der Median der unteren Datenhälfte.
Q3 berechnen (Oberes Quartil): Der Median der oberen Datenhälfte.
IQR berechnen: Subtrahieren Sie Q1 von Q3.

Beispieldaten

Daten: [12, 14, 16, 19, 22, 24, 27, 35]

Q1 = Median von [12, 14, 16, 19] = (14 + 16) / 2 = 15

Q3 = Median von [22, 24, 27, 35] = (24 + 27) / 2 = 25,5

IQR = 25,5 - 15 = 10,5

3. Tukey-Zäune und Klassifizierung

Tukey-Zäune definieren die Grenzen, jenseits derer Datenpunkte als Ausreißer gelten. Der Standardmultiplikator ist 1,5×IQR für "mäßige" Ausreißer und 3,0×IQR für "extreme" Ausreißer.

Standard-Zäune (Mäßig)

Unterer Zaun: Q1 - 1,5 × IQR
Oberer Zaun: Q3 + 1,5 × IQR
Punkte außerhalb = Potenzielle Ausreißer

Erweiterte Zäune (Extrem)

Unterer extremer Zaun: Q1 - 3 × IQR
Oberer extremer Zaun: Q3 + 3 × IQR
Punkte außerhalb = Extreme Ausreißer

Hinweis

Der 1,5×IQR Multiplikator ist eine Konvention, keine feste Regel. Für sensible Bereiche wie Finanzen oder Medizin sollten Sie den Multiplikator anpassen oder mit robusten Methoden wie der MAD-Ausreißererkennung vergleichen.

4. Rechenbeispiele

Beispiel 1: Qualitätskontrolle

Szenario: Sensor-Messwerte (in mm): [10,1; 10,3; 10,4; 10,5; 10,6; 10,7; 10,9; 12,0]

Q1 = 10,35; Q3 = 10,8 → IQR = 0,45
Unterer Zaun = 10,35 - 1,5 × 0,45 = 9,675
Oberer Zaun = 10,8 + 1,5 × 0,45 = 11,475
Wert 12,0 ist größer als Oberer Zaun → Ausreißer

→ Diese Daten in PlotNerd prüfen →

Beispiel 2: Kundenausgaben

Szenario: Monatsausgaben von 12 Kunden (USD): [120, 140, 155, 160, 170, 175, 180, 190, 205, 210, 225, 500]

Q1 = 157,5; Q3 = 205 → IQR = 47,5
Oberer Zaun = 205 + 1,5 × 47,5 = 276,25
Wert 500 ist ein Ausreißer → Auffällige Ausgabe untersuchen

→ Kundendaten in PlotNerd testen →

5. Vorteile & Grenzen

Vorteile

Robust gegenüber Extremwerten
Keine Verteilungsannahmen (nicht-parametrisch)
Einfach zu interpretieren und implementieren
Basis für Standard-Box-Plots
Funktioniert bei schiefen Verteilungen

Grenzen

Setzt konsistente Skalierung voraus
Schwellenwert (1,5×IQR) muss evtl. angepasst werden
Kann gültige Cluster von Extremwerten verfehlen
Nicht ideal für sehr kleine Stichproben

6. IQR vs. Andere Methoden

Methode	Ideal für	Stärke	Hinweis
IQR (1,5×)	Allzweck, schiefe Daten	Robust, verständlich	Schwellenwert anpassbar
MAD	Stark schiefe Daten	Sehr robust (Median-basiert)	Weniger intuitiv, benötigt Z-Score-Korrektur
Z-Score	Normalverteilte Daten	Einfach zu berechnen	Empfindlich gegenüber Ausreißern
Perzentil-Regel	Feste Grenzen (z.B. 1%/99%)	Flexibel	Benötigt Fachwissen

Kombinieren Sie IQR mit MAD-Erkennung, oder aktivieren Sie gekerbte Box-Plots in PlotNerd, um statistische Signifikanz hervorzuheben.

7. Checkliste zur Umsetzung

Stellen Sie sicher, dass Daten numerisch und valide sind
Entscheiden Sie: Ausreißer behalten oder ausschließen?
Dokumentieren Sie den verwendeten Multiplikator (1,5× oder anders)
Berichten Sie zentrale Tendenz und Streuung (siehe Mittelwert vs Median vs Modus).
Vergleichen Sie bei "Heavy-Tail"-Daten IQR mit MAD
Visualisieren Sie Ergebnisse in PlotNerd

8. Häufig gestellte Fragen (FAQ)

Frage: Kann ich den 1,5× Multiplikator ändern?

Antwort: Ja. Passen Sie ihn basierend auf Ihrer Toleranz an. Für stark regulierte Branchen eventuell 1,0×. Für explorative Analysen kann 2,0× Fehlalarme reduzieren.

Frage: Funktioniert IQR bei kleinen Datensätzen?

Antwort: Bei Stichproben unter 8 ist IQR weniger zuverlässig. Nutzen Sie hier besser Fachwissen oder sammeln Sie mehr Daten.

Frage: Wie geht IQR mit schiefen Daten um?

Antwort: IQR funktioniert gut bei Schiefe, da es auf Quartilen basiert. Bei extremer Schiefe vergleichen Sie die Ergebnisse mit der MAD-Erkennung.

Frage: Kann ich die IQR-Erkennung automatisieren?

Antwort: Ja. Nutzen Sie PlotNerds Rechner oder implementieren Sie IQR-Logik in Code (R, Python, Excel). Dokumentieren Sie Multiplikatoren für Audits.

9. Fazit

Die IQR-Methode ist ein verlässlicher Startpunkt für die Ausreißererkennung. Sie balanciert Einfachheit mit Robustheit und ist ideal für explorative Datenanalyse, Berichte und automatisierte Qualitätschecks.

Kombinieren Sie IQR mit Visualisierungen wie Box-Plots und anderen Metriken (MAD, Z-Score), um Erkenntnisse effektiv zu validieren und zu kommunizieren.

Bereit, Ausreißer zu erkennen?

Nutzen Sie PlotNerds IQR-Ausreißer-Rechner, um Quartile, IQR und Zäune sofort nach der Tukey-Methode zu berechnen. Unterstützt auch die robuste MAD-Methode.

IQR-Ausreißer-Rechner öffnen

Ausreißer finden mit der
IQR-Methode (Anleitung)