¿Qué es el método IQR para detección de valores atípicos?

El método IQR identifica valores atípicos usando el rango intercuartílico. Los valores por debajo de Q1 - 1.5×IQR o por encima de Q3 + 1.5×IQR se consideran valores atípicos leves. Este multiplicador de 1.5 fue elegido por John Tukey para equilibrar sensibilidad y especificidad.

¿Por qué usar 1.5 veces el IQR para detección de valores atípicos?

La regla de 1.5×IQR proporciona aproximadamente un 99.3% de cobertura para distribuciones normales mientras se mantiene robusta ante el sesgo. Es un equilibrio práctico que captura valores extremos sin marcar demasiados casos limítrofes.

¿Cuál es la diferencia entre valores atípicos leves y extremos?

Los valores atípicos leves caen entre 1.5×IQR y 3×IQR desde los cuartiles. Los valores atípicos extremos están más allá de 3×IQR. Los valores atípicos extremos son mucho más raros y es más probable que sean errores de datos o casos verdaderamente excepcionales.

¿Es el método IQR mejor que la desviación estándar para detección de valores atípicos?

IQR es mejor para datos sesgados o distribuciones no normales porque es resistente a valores extremos. Los métodos basados en desviación estándar (como z-scores) asumen normalidad y pueden ser distorsionados por los mismos valores atípicos que intentas detectar.

Cómo Encontrar Valores Atípicos Usando el Método IQR: Paso a Paso (2026)

Name: PlotNerd
Availability: InStock
Author: PlotNerd

1. ¿Qué es el Método IQR?

El método del Rango Intercuartílico (IQR) detecta valores atípicos midiendo el 50% central de un conjunto de datos. Utiliza cuartiles (Q1 y Q3) para identificar puntos de datos que caen significativamente por debajo o por encima de la mayoría de los valores.

La detección de valores atípicos basada en IQR se utiliza ampliamente porque es no paramétrica (sin supuestos de distribución) y robusta ante valores extremos.

Fórmula Clave

IQR = Q3 − Q1

Q1 es el percentil 25, Q3 es el percentil 75.

2. Cómo Calcular el IQR Paso a Paso

Flujo de Trabajo Paso a Paso

Ordena el conjunto de datos en orden ascendente.
Calcula Q1 (cuartil inferior): la mediana de la mitad inferior de los datos.
Calcula Q3 (cuartil superior): la mediana de la mitad superior de los datos.
Calcula el IQR: resta Q1 de Q3.

Conjunto de Datos de Ejemplo

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

Q1 = mediana de [12, 14, 16, 19] = (14 + 16) / 2 = 15

Q3 = mediana de [22, 24, 27, 35] = (24 + 27) / 2 = 25.5

IQR = 25.5 − 15 = 10.5

3. Vallas de Tukey y Clasificación de Outliers

Las vallas de Tukey definen los límites más allá de los cuales los puntos de datos son marcados como valores atípicos. Los multiplicadores estándar son 1.5×IQR para valores atípicos "leves" y 3.0×IQR para valores atípicos "extremos".

Vallas Estándar

Valla Inferior: Q1 − 1.5 × IQR
Valla Superior: Q3 + 1.5 × IQR
Puntos fuera de las vallas = posibles valores atípicos

Vallas Extendidas

Valla Extrema Inferior: Q1 − 3 × IQR
Valla Extrema Superior: Q3 + 3 × IQR
Puntos más allá de las vallas extremas = fuertes anomalías

Recuerda

El multiplicador 1.5×IQR es una convención, no una regla universal. Para dominios sensibles como finanzas o salud, ajusta el multiplicador o compara con métodos robustos como detección de outliers MAD.

4. Ejemplos Resueltos

Ejemplo 1: Datos de Control de Calidad

Escenario: Lecturas de sensores de fabricación (unidades: 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
Valla inferior = 10.35 − 1.5 × 0.45 = 9.675
Valla superior = 10.8 + 1.5 × 0.45 = 11.475
El valor 12.0 excede la valla superior → marcado como atípico

→ Detecta esto en PlotNerd →

Ejemplo 2: Gasto de Clientes

Escenario: Gasto mensual de 12 clientes (USD): [120, 140, 155, 160, 170, 175, 180, 190, 205, 210, 225, 500]

Q1 = 157.5, Q3 = 205 → IQR = 47.5
Valla superior = 205 + 1.5 × 47.5 = 276.25
El valor 500 es un valor atípico → investigar anomalía de gasto

→ Prueba datos de clientes en PlotNerd →

5. Ventajas y Limitaciones

Ventajas

Robusto ante valores extremos
Sin supuestos de distribución
Simple de explicar e implementar
Impulsa las visualizaciones estándar de diagramas de caja
Funciona bien con distribuciones sesgadas

Limitaciones

Asume una escala consistente en los datos
El umbral (1.5×IQR) puede necesitar ajuste
Puede pasar por alto grupos de valores extremos legítimos
No es ideal para tamaños de muestra muy pequeños

6. IQR vs Otros Métodos de Detección de Outliers

Método	Mejor Para	Fortalezas	Consideraciones
IQR (1.5×)	Propósito general, datos sesgados	Robusto a outliers, fácil de explicar	El umbral puede necesitar ajuste
MAD	Datos altamente sesgados o de cola pesada	Usa escala basada en mediana, muy robusto	Menos intuitivo, requiere Z-score modificado
Z-Score	Datos distribuidos normalmente	Cálculo simple	Sensible a outliers y sesgo
Reglas de Percentiles	Umbrales personalizados (ej. 1º/99º)	Flexible	Requiere conocimiento del dominio

Combina IQR con detección MAD o habilita diagramas de caja con muescas en PlotNerd para resaltar la significancia estadística.

7. Lista de Verificación de Implementación

Asegúrate de que los datos sean numéricos y libres de entradas inválidas
Decide si incluir/excluir outliers después de la detección
Documenta el multiplicador (1.5× o personalizado) usado en los informes
Informa la tendencia central junto con la dispersión (ver media vs mediana vs moda).
Compara los resultados de IQR con MAD para datos de cola pesada
Visualiza los resultados en PlotNerd para comunicar hallazgos

8. Preguntas Frecuentes (FAQ)

P: ¿Puedo cambiar el multiplicador 1.5×?

R: Sí. Ajusta el multiplicador según tu tolerancia a los valores atípicos. Para industrias altamente reguladas, considera 1.0×. Para análisis exploratorio, 2.0× puede reducir falsos positivos.

P: ¿El IQR funciona en conjuntos de datos pequeños?

R: El IQR es menos confiable cuando el tamaño de la muestra es < 8. En tales casos, complementa con conocimiento del dominio o recolecta más datos.

P: ¿Cómo maneja el IQR los datos sesgados?

R: El IQR funciona bien con datos sesgados porque se enfoca en los cuartiles. Para distribuciones fuertemente sesgadas, compara los resultados con detección MAD.

P: ¿Puedo automatizar la detección IQR?

R: Sí. Usa el calculador de PlotNerd o implementa la lógica IQR en código (R, Python, Excel). Siempre registra el multiplicador y las decisiones para las pistas de auditoría.

9. Conclusión

El método IQR es un punto de partida confiable para la detección de valores atípicos. Equilibra la simplicidad con la robustez, haciéndolo ideal para el análisis exploratorio de datos, informes y controles de calidad automatizados.

Combina IQR con herramientas visuales como diagramas de caja y métricas adicionales (MAD, z-scores) para validar hallazgos y comunicar ideas efectivamente.

¿Listo para Detectar Valores Atípicos?

Usa el Detector de Valores Atípicos IQR de PlotNerd para calcular cuartiles, IQR y vallas de Tukey al instante. Soporta métodos Tukey y MAD para una detección robusta de outliers.

Abrir Detector de Outliers IQR

Cómo Encontrar Valores Atípicos Usando el
Método IQR (Paso a Paso)