IQR-Ausreißer Detektor Anomalien mit der Interquartilsbereich-Methode identifizieren
Erkennen Sie Ausreißer mit der robusten Interquartilsbereich (IQR) Methode. Unterstützt sowohl Tukey-Grenzen als auch MAD-Erkennung mit 100% clientseitiger Verarbeitung für vollständigen Datenschutz.
🚀 Schnellstart
Daten eingeben
Erkennungsmethode wählen
Erkannte Ausreißer anzeigen
Dateneingabe
Unterstützte Datenformate:
- Kommagetrennt: 1.5, 2.8, 9.1, 16.2
- Leerzeichengetrennt: 1.5 2.8 9.1 16.2
- Zeilenumbruch: eine Zahl pro Zeile
- Wissenschaftliche Notation: 1.23e-4, 5.67E+8
- Serien-Modus: Verwenden Sie "Gruppenname: Wert1, Wert2..." pro Zeile zum Vergleich
- Ignoriert automatisch Text und Sonderzeichen
Ausreißer-Erkennungsergebnisse
Ausreißer-Werte:
Interpretation: Geben Sie Daten ein, um die Interpretation zu sehen
Datenverteilung & Ausreißer
Daten eingeben um Box-Plot zu generieren
Bitte geben Sie oben mindestens 4 Zahlen ein, um zu beginnen
Box-Plot Visualisierung
Dieser Box-Plot visualisiert Ihre Datenverteilung. Die Box zeigt den Interquartilsabstand (IQR), der die mittleren 50% der Daten enthält. Die Linie in der Box repräsentiert den Median. Antennen (Whiskers) zeigen den Bereich, und rote Punkte markieren Ausreißer.
Ausreißer-Methode: Tukey (1.5×IQR)
Box (IQR) / Legend
- Box (IQR)
- Median-Linie
- Antenne
- Ausreißer
Kombinierte Zusammenfassung
Ergebnisse exportieren
Erkennungsmethode
Die Ausreißererkennung identifiziert Datenpunkte, die deutlich außerhalb des erwarteten Bereichs liegen. Wir unterstützen zwei robuste Methoden:
Tukey-Methode (1,5×IQR)
Verwendet den Interquartilsbereich (IQR) zur Definition von Grenzen. Jeder Punkt jenseits von Q1 - 1,5×IQR oder Q3 + 1,5×IQR wird als Ausreißer markiert. Dies ist die Standardmethode für Boxplots.
MAD-Methode
Verwendet Median Absolute Deviation für robuste Ausreißererkennung. Besser geeignet für schiefe Verteilungen oder wenn die Daten viele Ausreißer enthalten.
Weitere Informationen
Vollständiger Leitfaden zur IQR-Methode der Ausreißererkennung
Erfahren Sie, wie die IQR-Methode funktioniert, verstehen Sie Tukey-Grenzen und sehen Sie Beispiele aus der Praxis.
MAD vs. Tukey: Die richtige Ausreißer-Erkennungsmethode wählen
Vergleichen Sie MAD- und Tukey-Methoden, um zu verstehen, wann welcher Ansatz für verschiedene Datenverteilungen geeignet ist.
Verwandte Tools
Häufig gestellte Fragen
Was ist die IQR-Methode zur Ausreißererkennung?
Die IQR (Interquartilsbereich) Methode verwendet Quartile zur Identifizierung von Ausreißern. Jeder Datenpunkt, der mehr als 1,5 mal den IQR von Q1 oder Q3 entfernt ist, wird als Ausreißer betrachtet. Dies ist die Standardmethode für Boxplots.
Wann sollte ich die Tukey- vs. MAD-Methode verwenden?
Verwenden Sie die Tukey-Methode für allgemeine Ausreißererkennung bei normalverteilten oder mäßig schiefen Daten. Verwenden Sie die MAD-Methode, wenn Ihre Daten stark schief sind oder viele Ausreißer enthalten, da MAD robuster gegenüber Extremwerten ist.
Was bedeutet es, wenn keine Ausreißer erkannt werden?
Wenn keine Ausreißer erkannt werden, liegen alle Ihre Datenpunkte innerhalb des erwarteten Bereichs (innerhalb der Grenzen). Dies deutet darauf hin, dass Ihre Daten relativ konsistent sind, garantiert aber nicht, dass es keine ungewöhnlichen Werte gibt – nur dass sie die statistischen Schwellenwerte nicht überschreiten.
Sollte ich Ausreißer aus meinem Datensatz entfernen?
Nicht unbedingt. Ausreißer können gültige Extremwerte darstellen (z.B. Spitzenleistungen, seltene Ereignisse) oder Datenfehler. Untersuchen Sie Ausreißer immer, bevor Sie sie entfernen. Berücksichtigen Sie den Kontext und ob sie aussagekräftige Erkenntnisse liefern oder auf Datenqualitätsprobleme hinweisen.
Sind meine Daten mit diesem Detektor sicher?
Ja! Alle Berechnungen erfolgen in Ihrem Browser. Ihre Daten verlassen niemals Ihr Gerät und werden nicht an Server gesendet. Das Tool funktioniert komplett offline.
Aktuelle Updates
MAD-Ausreißererkennung hinzugefügt
Unterstützt jetzt sowohl Tukey- als auch MAD-Methoden für robuste Ausreißererkennung
Verbesserte Visualisierung
Ausreißer werden jetzt deutlich in der Boxplot-Visualisierung hervorgehoben