1. Was sind Quartile?

Quartile sind statistische Werte, die einen geordneten Datensatz in vier gleiche Teile teilen. Jeder Teil enthält 25% der Datenpunkte. Stellen Sie sich diese als natürliche Trennlinien vor, die Ihnen helfen zu verstehen, wie Ihre Daten verteilt sind.

Die drei Quartilswerte sind:

Q1 (Erstes Quartil): Das 25. Perzentil - 25% der Daten liegen unter diesem Wert.
Q2 (Zweites Quartil): Das 50. Perzentil, besser bekannt als der Median.
Q3 (Drittes Quartil): Das 75. Perzentil - 75% der Daten liegen unter diesem Wert.

5-Punkte-Zusammenfassung (Five-Number Summary)

Zusammen mit dem Minimum und dem Maximum bilden die Quartile die 5-Punkte-Zusammenfassung, die einen kompletten Überblick über die Datenverteilung bietet.

Historischer Hintergrund

Das Konzept der Quartile wurde vom Statistiker John Tukey in seinem bahnbrechenden Buch "Exploratory Data Analysis" (1977) popularisiert. Tukey erfand auch den auf Quartilen basierenden Box-Plot (Kastengrafik).

Die Verbindung zwischen Quartilen und Box-Plots

Jeder Box-Plot ist eine visuelle Darstellung von Quartilen:

Die Box reicht von Q1 bis Q3 (auch IQR genannt).
Eine Linie innerhalb der Box markiert den Median (Q2).
Whisker (Antennen) reichen bis zum Minimum und Maximum.
Ausreißer werden als einzelne Punkte außerhalb der Whisker dargestellt.

2. Warum Quartile wichtig sind

Quartile sind weit mehr als nur eine akademische Übung – sie sind ein mächtiges Werkzeug für die Analyse realer Daten.

Robustheit gegenüber Ausreißern

Im Gegensatz zum Mittelwert und der Standardabweichung sind Quartile resistent gegen Ausreißer:

Datensatz: [10, 12, 15, 18, 20, 22, 25, 1000]

Mittelwert: 140.25 (stark durch den Ausreißer verzerrt)
Median (Q2): 19 (stabil und repräsentativ)
Q1: 13.5, Q3: 23.5 (robuste Grenzen)

Das macht Quartile ideal für die Analyse von:

Einkommensdaten (Milliardäre verzerren Ihre Analyse nicht)
Immobilienpreisen (Luxus-Penthouses werden ignoriert)
Testergebnisse (Umgang mit extrem guten oder schlechten Noten)

Intuitive Interpretation

Quartile beantworten praktische Fragen direkt:

"Was verdienen die obersten 25% der Arbeitnehmer?" → Q3 und höher
"Was ist der normale Bereich für Blutdruck?" → Zwischen Q1 und Q3
"Wie stark streuen meine Daten?" → IQR (Q3 - Q1)

Branchenanwendungen

Bildung

Universitäten nutzen Quartile, um die Verteilung von SAT/ACT-Ergebnissen zu berichten.

Finanzen

Portfoliomanager verfolgen die Renditen von Vermögenswerten nach Quartilen.

Gesundheit

Medizinische Referenzbereiche werden oft durch Q1-Q3 definiert.

Wirtschaft

Vertriebsteams analysieren Leistungsquartile, um Top-Performer zu identifizieren.

3. Wie man Quartile berechnet (Schritt für Schritt)

Lassen Sie uns ein vollständiges Beispiel mit der Tukey Hinges-Methode (der häufigsten Lehrbuchmethode) durchgehen.

Beispieldatensatz

SAT Mathe-Ergebnisse: [480, 510, 530, 560, 600, 620, 650, 680, 710, 750]

Schritt 1: Daten sortieren

Sortiert:

Schritt 2: Median (Q2) finden

Bei 10 Werten ist der Median der Durchschnitt des 5. und 6. Wertes:

Q2 = (600 + 620) / 2 = 610

Schritt 3: Q1 (Median der unteren Hälfte) finden

Untere Hälfte: [480, 510, 530, 560, 600]

Q1 = 530 (mittlerer Wert)

Schritt 4: Q3 (Median der oberen Hälfte) finden

Obere Hälfte: [620, 650, 680, 710, 750]

Q3 = 680 (mittlerer Wert)

Schritt 5: IQR berechnen

IQR = Q3 - Q1 = 680 - 530 = 150 Punkte

Interpretation

25% der Studenten erzielten weniger als 530
50% der Studenten erzielten weniger als 610 (Median)
75% der Studenten erzielten weniger als 680
Die mittleren 50% der Ergebnisse erstrecken sich über 150 Punkte

🎯 Probieren Sie es selbst

Nutzen Sie unseren Tukey Hinges Rechner, um diese Ergebnisse zu überprüfen und verschiedene Berechnungsmethoden zu erforschen.

Tukey Rechner öffnen

4. Vergleich der Berechnungsmethoden

Es gibt mehrere Methoden zur Quartilsberechnung, und verschiedene Software verwendet unterschiedliche Methoden. Hier ist die Hyndman-Fan-Klassifizierung, die 9 Typen definiert.

Die großen drei Methoden

Methode	Typ	Verwendet von	Wann benutzen
Tukey Hinges	Typ 6	Lehrbücher, Bildung	Hausaufgaben, manuelle Berechnung
R/Python Standard	Typ 7	R, Julia, NumPy	Data Science, Forschung
Excel QUARTILE.INC	Typ 8	Excel, Google Sheets	Geschäftsanalyse

Gleiche Daten, unterschiedliche Ergebnisse

Datensatz: [1, 3, 5, 7, 9, 11, 13]

Methode	Q1	Q2	Q3
Typ 6 (Tukey)	3	7	11
Typ 7 (R/Python)	4	7	10
Typ 8 (Excel)	3.5	7	10.5

Hinweis: Diese Unterschiede sind bei kleinen Datensätzen (N < 20) am deutlichsten. Bei großen Datensätzen konvergieren alle Methoden zu ähnlichen Werten.

Welche Methode sollten Sie verwenden?

Typ 6 (Tukey)

Statistik-Hausaufgaben
Lehrbuchbeispiele
Manuelle Berechnungen
Wenn Einfachheit zählt

Typ 7 (R/Python)

Data Science Code
Veröffentlichte Forschung
Höchste Präzision
Moderner Standard

Typ 8 (Excel)

Geschäftsberichte
Excel/Google Sheets
Nicht-technische Teams
Industriestandard

5. Quartile vs. Perzentile vs. Zehntel

Diese Begriffe verwirren Anfänger oft, aber sobald man ihre Beziehung versteht, ist es einfach:

Hierarchie

Quantile (Überbegriff)

├── Quartile (4 Teile)

├── Dezile (Zehntel) (10 Teile)

├── Perzentile (100 Teile)

└── Terzile, Quintile, etc.

Umrechnungstabelle

Quartil	Perzentil	Dezil
Q1	25. Perzentil	2,5. Dezil
Q2 (Median)	50. Perzentil	5. Dezil
Q3	75. Perzentil	7,5. Dezil

6. Anwendungen in der realen Welt

Fallstudie 1: SAT-Ergebnisanalyse

Hochschulzulassungsstellen nutzen Quartile, um Standards zu setzen:

Hypothetische SAT Mathe-Ergebnisse einer Universität:

Minimum: 450
Q1: 580
Median (Q2): 650
Q3: 710
Maximum: 800

Wettbewerbsfähiger Bewerber: Über Q3 (710+) | Durchschnittlicher Zulassungsbereich: Q1 bis Q3 (580-710)

Fallstudie 2: Einkommensverteilung

Haushaltseinkommen (Hypothetisch):

Q1: $45.000
Median: $75.000
Q3: $120.000

Der Durchschnitt würde durch Milliardäre verzerrt. Quartile zeigen die reale Erfahrung verschiedener Einkommensgruppen.

Fallstudie 3: Qualitätskontrolle

Schraubenlänge (mm):

Ziel: 50mm | Q1: 49,7mm | Q2: 50,0mm | Q3: 50,3mm | IQR: 0,6mm

Wenn der IQR 1mm überschreitet, wird der Prozess zur Überprüfung markiert. Quartile erkennen Produktionsabweichungen, bevor Defekte entstehen.

7. Häufige Fehler vermeiden

Fehler 1: Verwechslung von Quartilen und Vierteln

❌ Falsch: "Q1 ist die oberen 25% meiner Daten"

✅ Richtig: "Q1 ist der Wert, unter dem 25% der Daten liegen"

Fehler 2: Verwendung zu kleiner Stichproben

Quartile sind für N < 4 Datenpunkte undefiniert. Empfehlung: Verwenden Sie Quartile, wenn N ≥ 10.

Fehler 3: Ignorieren der Berechnungsmethode

Szenario: Ihr Python-Skript gibt Q1 = 4.5, aber Ihr Excel-Kollege erhält Q1 = 4.0.

Lösung: Dokumentieren Sie immer die verwendete Methode oder nutzen Sie einen universellen Rechner.

Fehler 4: Annahme, dass Quartile eine Normalverteilung bedeuten

Quartile funktionieren für jede Verteilung: schief, bimodal, diskret, nicht-parametrisch. Im Gegensatz zu Mittelwert/Standardabweichung erfordern Quartile keine Annahmen über die Form der Verteilung.

8. Fortgeschrittene Themen

Gewichtete Quartile

Wenn Datenpunkte unterschiedliche Wichtigkeit (Gewichte) haben, wie z.B. bei der GPA-Berechnung mit unterschiedlichen Kurs-Credits. Dies erfordert spezialisierte Software oder benutzerdefiniertes Coding.

Quartile für gruppierte Daten

Wenn Sie nur eine Häufigkeitstabelle haben (häufig bei Zensusdaten), verwenden Sie Interpolation, um die Quartile zu schätzen.