การตรวจจับค่าผิดปกติด้วยส่วนเบี่ยงเบนมาตรฐาน

เรียนรู้วิธีระบุค่าผิดปกติในข้อมูลของคุณโดยใช้ส่วนเบี่ยงเบนมาตรฐาน เชี่ยวชาญกฎ 3-ซิกมา วิธี IQR และทำความเข้าใจว่าเมื่อไหร่ควรลบค่าผิดปกติ

ค่าผิดปกติคืออะไร?

ค่าผิดปกติ คือจุดข้อมูลที่แตกต่างอย่างมีนัยสำคัญจากข้อสังเกตอื่นๆ อาจเกิดจากข้อผิดพลาดในการวัด ข้อผิดพลาดในการป้อนข้อมูล หรืออาจเป็นกรณีที่ผิดปกติอย่างแท้จริงที่ควรตรวจสอบ

จุดสีส้มที่ (10, 50) เป็นค่าผิดปกติ

กฎ 3-ซิกมา

สำหรับข้อมูลที่มีการแจกแจงปกติ จุดที่เกิน 3 ส่วนเบี่ยงเบนมาตรฐาน จากค่าเฉลี่ยถือเป็นค่าผิดปกติ เกิดขึ้นน้อยกว่า 0.3% ของเวลาโดยบังเอิญ

เป็นค่าผิดปกติถ้า

x < μ - 3σ OR x > μ + 3σ

ตัวอย่าง

ถ้าคะแนนสอบมี μ = 75 และ σ = 10: - ขอบเขตล่าง: 75 - 30 = 45 - ขอบเขตบน: 75 + 30 = 105 - คะแนนใดก็ตามที่ต่ำกว่า 45 หรือสูงกว่า 105 เป็นค่าผิดปกติ

วิธีคะแนน Z

คำนวณคะแนน z สำหรับจุดข้อมูลแต่ละจุด ถ้า |z| > 3 (หรือบางครั้ง 2.5) ถือว่าเป็นค่าผิดปกติ

คะแนน Z

z = (x - μ) / σ

ตัวเลือกเกณฑ์

- |z| > 3: อนุรักษ์นิยม (จับค่าผิดปกติน้อยกว่า) - |z| > 2.5: ปานกลาง - |z| > 2: เสรีนิยม (จับค่าผิดปกติมากกว่า)

วิธี IQR (ทางเลือก)

วิธีพิสัยระหว่างควอร์ไทล์ (IQR) ทนทานต่อค่าผิดปกติมากกว่าเพราะไม่ใช้ค่าเฉลี่ยหรือส่วนเบี่ยงเบนมาตรฐาน

ขั้นตอนที่ 1

หา Q1 (เปอร์เซ็นไทล์ที่ 25) และ Q3 (เปอร์เซ็นไทล์ที่ 75)

ขั้นตอนที่ 2

คำนวณ IQR = Q3 - Q1

ขั้นตอนที่ 3

รั้วล่าง = Q1 - 1.5 × IQR

ขั้นตอนที่ 4

รั้วบน = Q3 + 1.5 × IQR

ขั้นตอนที่ 5

จุดที่อยู่นอกรั้วเป็นค่าผิดปกติ

การจัดการค่าผิดปกติ

อย่าลบอัตโนมัติ!

ค่าผิดปกติไม่ได้เป็นข้อผิดพลาดเสมอไป ก่อนลบออก ให้ตรวจสอบ: - เป็นข้อผิดพลาดในการป้อนข้อมูลหรือการวัดหรือไม่? - เป็นค่าสุดโต่งที่แท้จริงหรือไม่? - มันเป็นกรณีขอบเขตที่สำคัญหรือไม่?

เมื่อควรลบ

- ยืนยันว่าเป็นข้อผิดพลาดในการป้อนข้อมูล - อุปกรณ์วัดทำงานผิดปกติ - อยู่นอกช่วงค่าที่เป็นไปได้

เมื่อควรเก็บ

- แสดงถึงความแปรผันที่แท้จริง - สำคัญต่อการวิเคราะห์ของคุณ - การลบจะทำให้ผลลัพธ์เอนเอียง

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.