Ausreißer finden mit IQR

Der Interquartilsbereich (IQR) ist eine weitere Methode zur Messung der Streuung, die weniger von Ausreißern beeinflusst wird. IQR wird auch oft verwendet, um Ausreißer zu finden. Wenn ein Wert kleiner als \(\text{Q1} - 1.5 \times \text{IQR}\) oder größer als \(\text{Q3} + 1.5 \times \text{{4}}\) ist, wird er als Ausreißer betrachtet. So werden die Längen der Whisker in einem ggplot2-Box-Plot berechnet.

Diagramm eines Box-Plots mit Median, Quartilen und Ausreißern

In dieser Aufgabe berechnest du den IQR und verwendest es, um Ausreißer zu finden. Die beiden Bibliotheken dplyr und ggplot2 sind geladen und food_consumption ist verfügbar.

Diese Übung ist Teil des Kurses

Einführung in die Statistik in R

Kurs anzeigen

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Compute the 25th percentile and 75th percentile of co2_emission
q1 <- quantile(___$___, ___)
q3 <- ___

# Compute the IQR of co2_emission
iqr <- ___
iqr

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in die Statistik in R

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

762 reviews

Kurs kostenlos starten

Die deskriptive Statistik gibt dir die Werkzeuge an die Hand, die du brauchst, um große Datensätze auf die wichtigsten Punkte zu reduzieren. In diesem Kapitel lernst du die deskriptive Statistik kennen, einschließlich des Mittelwerts, Medians und der Standardabweichung, und lernst, wie man sie richtig interpretiert. Außerdem entwickelst du deine Fähigkeiten zum kritischen Denken, damit du die beste deskriptive Statistik für deine Daten auswählen kannst.

Exercise 1: Was ist Statistik?Exercise 2: Deskriptive und Inferenzstatistik Exercise 3: Datentyp-Klassifizierung Exercise 4: Maße der Mitte Exercise 5: Mittelwert und Median Exercise 6: Mittelwert vs. Median Exercise 7: Maße der Ausbreitung Exercise 8: Varianz und Standardabweichung Exercise 9: Quartile, Quantile und Quintile Exercise 10: Ausreißer finden mit IQR

Aktuelle Übung

In diesem Kapitel lernst du, wie du Zufallsstichproben erstellst und den Zufall mithilfe der Wahrscheinlichkeitsrechnung misst. Du arbeitest mit realen Verkaufsdaten, um die Erfolgswahrscheinlichkeit eines Verkäufers zu berechnen. Schließlich wirst du die Binomialverteilung verwenden, um Ereignisse mit binären Ergebnissen zu modellieren.

Exercise 1: Wie stehen die Chancen?Exercise 2: Mit oder ohne Zurücklegen?Exercise 3: Wahrscheinlichkeiten berechnen Exercise 4: Stichproben von Geschäften Exercise 5: Diskrete Verteilungen Exercise 6: Erstellen einer Wahrscheinlichkeitsverteilung Exercise 7: Identifizierung von Verteilungen Exercise 8: Erwarteter Wert vs. Stichprobenmittelwert Exercise 9: Kontinuierliche Verteilungen Exercise 10: Welche Verteilung?Exercise 11: Daten Back-ups Exercise 12: Wartezeiten simulieren Exercise 13: Die Binomialverteilung Exercise 14: Verkaufsgeschäfte simulieren Exercise 15: Berechnung der binomialen Wahrscheinlichkeiten Exercise 16: Wie viele Verkäufe werden getätigt?

Es ist an der Zeit, eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Statistik zu erkunden, die Normalverteilung. Du erstellst Histogramme, um Normalverteilungen darzustellen und lernst den zentralen Grenzwertsatz kennen, bevor du dein Wissen über statistische Funktionen erweiterst, indem du die Poisson-, Exponential- und t-Verteilung zu deinem Repertoire hinzufügst.

Exercise 1: Die Normalverteilung Exercise 2: Verteilung der Verkäufe von Amir Exercise 3: Wahrscheinlichkeiten aus der Normalverteilung Exercise 4: Verkäufe unter neuen Marktbedingungen simulieren Exercise 5: Welcher Markt ist besser?Exercise 6: Das zentrale Grenzwertsatztheorem Exercise 7: Visualisierung von Stichprobenverteilungen Exercise 8: Die CLT in Aktion Exercise 9: Der Mittelwert der Mittel Exercise 10: Die Poisson-Verteilung Exercise 11: Lambdas identifizieren Exercise 12: Antworten auf Leads verfolgen Exercise 13: Mehr Wahrscheinlichkeitsverteilungen Exercise 14: Zu viele Verteilungen Exercise 15: Modellierung der Zeit zwischen den Leads Exercise 16: Die t-Verteilung

In diesem Kapitel lernst du, wie du die Stärke einer linearen Beziehung zwischen zwei Variablen quantifizieren kannst und wie Störvariablen die Beziehung zwischen zwei anderen Variablen beeinflussen können. Du erfährst auch, wie das Design einer Studie die Ergebnisse beeinflussen kann, wie die Daten analysiert werden sollten und wie sich das auf die Zuverlässigkeit deiner Schlussfolgerungen auswirken kann.

Exercise 1: Korrelation Exercise 2: Errate die Korrelation Exercise 3: Beziehungen zwischen Variablen Exercise 4: Vorbehalte bei der Korrelation Exercise 5: Was kann die Korrelation nicht messen?Exercise 6: Variablen umwandeln Exercise 7: Macht Zucker glücklicher?Exercise 8: Störfaktoren Exercise 9: Planung von Experimenten Exercise 10: Studienarten Exercise 11: Längsschnittstudien vs. Querschnittstudien Exercise 12: Herzlichen Glückwunsch!