ΜέτριοιΕφαρμογές·9 min

Ανίχνευση Ακραίων Τιμών με Τυπική Απόκλιση

Μάθετε πώς να εντοπίζετε ακραίες τιμές στα δεδομένα σας χρησιμοποιώντας τυπική απόκλιση. Κατακτήστε τον κανόνα 3-σίγμα, τη μέθοδο IQR και κατανοήστε πότε πρέπει να αφαιρούνται οι ακραίες τιμές.

Τι είναι οι Ακραίες Τιμές;

Οι ακραίες τιμές (outliers) είναι σημεία δεδομένων που διαφέρουν σημαντικά από τις υπόλοιπες παρατηρήσεις. Μπορεί να οφείλονται σε σφάλματα μέτρησης, λάθη καταχώρησης δεδομένων ή να αντιπροσωπεύουν πραγματικά ασυνήθιστες περιπτώσεις που αξίζει να διερευνηθούν.

Το πορτοκαλί σημείο στο (10, 50) είναι ακραία τιμή

Ο Κανόνας 3-Σίγμα

Για κανονικά κατανεμημένα δεδομένα, σημεία πέρα από 3 τυπικές αποκλίσεις από τον μέσο θεωρούνται ακραίες τιμές. Εμφανίζονται λιγότερο από 0,3% του χρόνου τυχαία.

Outlier if

x < μ - 3σ OR x > μ + 3σ

Παράδειγμα

Αν οι βαθμολογίες τεστ έχουν μ = 75 και σ = 10: - Κάτω όριο: 75 - 30 = 45 - Άνω όριο: 75 + 30 = 105 - Οποιαδήποτε βαθμολογία κάτω από 45 ή πάνω από 105 είναι ακραία τιμή

Μέθοδος Z-Score

Υπολογίστε το z-score για κάθε σημείο δεδομένων. Αν |z| > 3 (ή μερικές φορές 2,5), θεωρείται ακραία τιμή.

Z-Score

z = (x - μ) / σ

Επιλογές Κατωφλίου

- |z| > 3: Συντηρητικό (εντοπίζει λιγότερες ακραίες τιμές) - |z| > 2,5: Μέτριο - |z| > 2: Φιλελεύθερο (εντοπίζει περισσότερες ακραίες τιμές)

Μέθοδος IQR (Εναλλακτική)

Η μέθοδος Ενδοτεταρτημοριακού Εύρους (IQR) είναι πιο ανθεκτική σε ακραίες τιμές επειδή δεν χρησιμοποιεί τον μέσο ούτε την τυπική απόκλιση.

Βήμα 1

Βρείτε Q1 (25ο εκατοστημόριο) και Q3 (75ο εκατοστημόριο)

Βήμα 2

Υπολογίστε IQR = Q3 - Q1

Βήμα 3

Κάτω φράγμα = Q1 - 1,5 × IQR

Βήμα 4

Άνω φράγμα = Q3 + 1,5 × IQR

Βήμα 5

Σημεία εκτός φραγμάτων θεωρούνται ακραίες τιμές

Χειρισμός Ακραίων Τιμών

Μην τις Διαγράφετε Αυτόματα!

Οι ακραίες τιμές δεν είναι πάντα σφάλματα. Πριν τις αφαιρέσετε, διερευνήστε: - Πρόκειται για σφάλμα καταχώρησης ή μέτρησης; - Είναι πραγματικά ακραία τιμή; - Αντιπροσωπεύει μια σημαντική ακραία περίπτωση;

Πότε να Αφαιρέσετε

- Επιβεβαιωμένα σφάλματα καταχώρησης - Δυσλειτουργία εξοπλισμού μέτρησης - Εκτός του πιθανού εύρους τιμών

Πότε να Διατηρήσετε

- Αντιπροσωπεύει πραγματική μεταβλητότητα - Σημαντική για την ανάλυσή σας - Η αφαίρεση θα μεροληπτούσε τα αποτελέσματα

How to Read This Article

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.