Summary  
This chapter demonstrates how to calculate the interquartile range by obtaining the 25th and 75th percentiles with a quantile function, derive upper and lower bounds using a threshold multiplier, and filter a dataset to detect and remove outliers.

General domain of usage  
Data preprocessing and cleaning

En anden effektiv metode til at identificere og fjerne outliers er ved at anvende **interkvartilafstanden (IQR)**-metoden.

## Hvad er IQR?
Interkvartilafstanden (IQR) er et mål for statistisk spredning og beregnes som:

$$
IQR = Q3−Q1
$$

Hvor:
- $$Q1$$: 25. percentil (første kvartil);
- $$Q3$$: 75. percentil (tredje kvartil).

Værdier, der ligger under $$Q1 − 1.5 \times IQR$$ eller over $$Q3 + 1.5 \times IQR$$, betragtes typisk som outliers.

## Beregning af IQR
For at beregne IQR-værdien og identificere outliers skal du først kende værdierne for 25. og 75. percentil. Disse kan opnås med funktionen `quantile()`. Derefter kan du beregne IQR-værdien ved at følge formlen.
```
q1_placement <- quantile(df$placement_exam_marks, 0.25)
q3_placement <- quantile(df$placement_exam_marks, 0.75)
iqr_placement <- q3_placement - q1_placement
```

## Identificering af outliers
Ligesom med z-score metoden skal du identificere de nedre og øvre grænser:
```
Thresh_hold <- 1.5
upper_boundary <- q3_placement + (Thresh_hold * iqr_placement)
lower_boundary <- q1_placement - (Thresh_hold * iqr_placement)
```

Derefter kan du enten vælge alle outliers for at analysere dem:
```
df[df$placement_exam_marks > upper_boundary | df$placement_exam_marks < lower_boundary,]
```

Eller oprette et datasæt uden outliers:
```
df2 <- df[df$placement_exam_marks <= upper_boundary & df$placement_exam_marks >= lower_boundary,]
```

Opnå praktisk erfaring med dataanalyse i R ved at lære at rense, transformere og visualisere datasæt. Udforsk essentielle arbejdsgange såsom udvælgelse og filtrering af data, håndtering af manglende værdier og opsummering af resultater. Opbyg selvtillid i at forberede data til indsigt, rapportering og dybere statistisk udforskning.

Udforsk grundlæggende principper for dataanalyse med R. Lær at installere værktøjer, indlæse og inspicere datasæt, udvælge og filtrere information, sortere og transformere data, håndtere manglende værdier samt opsummere resultater for dybere indsigt.

Lær at skabe overbevisende visualiseringer med ggplot2. Opbyg søjlediagrammer, histogrammer, tæthedsplot og spredningsdiagrammer, og tilpas og forfin dem med stilindstillinger og facettering for at afdække dybere indsigter i dine data.

Styrk din forståelse af statistik til dataanalyse. Anvend beskrivende mål, identificer og håndter afvigere, og brug korrelationsteknikker med visuelle værktøjer som varmekort og spredningsdiagrammer for at afdække meningsfulde sammenhænge.

Fjernelse af Outliers ved Hjælp af IQR-Metoden

Hvad er IQR?

Beregning af IQR

Identificering af outliers

Awesome!

Fjernelse af Outliers ved Hjælp af IQR-Metoden

Hvad er IQR?

Beregning af IQR

Identificering af outliers