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

Toinen tehokas tapa havaita ja poistaa poikkeavia arvoja on käyttää **kvartiiliväliä (IQR)**.

## Mikä on IQR?
Kvartiiliväli (IQR) on tilastollisen hajonnan mittari ja se lasketaan seuraavasti:

$$
IQR = Q3−Q1
$$

Missä:
- $$Q1$$: 25. prosenttipiste (ensimmäinen kvartiili);
- $$Q3$$: 75. prosenttipiste (kolmas kvartiili).

Arvot, jotka ovat alle $$Q1 − 1.5 \times IQR$$ tai yli $$Q3 + 1.5 \times IQR$$, katsotaan tyypillisesti poikkeaviksi arvoiksi.

## IQR:n laskeminen
Jotta voit laskea IQR-arvon ja havaita poikkeavat arvot, sinun on ensin tiedettävä 25. ja 75. prosenttipisteen arvot. Ne voidaan saada `quantile()`-funktiolla. Tämän jälkeen voit laskea IQR-arvon kaavan mukaisesti.
```
q1_placement <- quantile(df$placement_exam_marks, 0.25)
q3_placement <- quantile(df$placement_exam_marks, 0.75)
iqr_placement <- q3_placement - q1_placement
```

## Poikkeavien arvojen tunnistaminen
Samoin kuin z-pistemäärämenetelmässä, sinun tulee määrittää ala- ja ylärajat:
```
Thresh_hold <- 1.5
upper_boundary <- q3_placement + (Thresh_hold * iqr_placement)
lower_boundary <- q1_placement - (Thresh_hold * iqr_placement)
```

Tämän jälkeen voit joko valita kaikki poikkeavat arvot analysoitavaksi:
```
df[df$placement_exam_marks > upper_boundary | df$placement_exam_marks < lower_boundary,]
```

Tai luoda poikkeamattoman aineiston:
```
df2 <- df[df$placement_exam_marks <= upper_boundary & df$placement_exam_marks >= lower_boundary,]
```

Hanki käytännön kokemusta datan analysoinnista R:llä oppimalla, kuinka puhdistaa, muuntaa ja visualisoida aineistoja. Tutustu keskeisiin työnkulkuihin, kuten datan valintaan ja suodatukseen, puuttuvien arvojen käsittelyyn sekä tulosten tiivistämiseen. Vahvista osaamistasi datan valmistelussa oivalluksia, raportointia ja syvällisempää tilastollista tarkastelua varten.

Tutustu R:n avulla tehtävän data-analyysin perusteisiin. Opiskele työkalujen asentaminen, aineistojen lataaminen ja tarkastelu, tietojen valinta ja suodatus, datan lajittelu ja muuntaminen, puuttuvien arvojen käsittely sekä tulosten tiivistäminen syvällisempien oivallusten saavuttamiseksi.

Opi luomaan vaikuttavia visualisointeja ggplot2-kirjastolla. Rakenna pylväsdiagrammeja, histogrammeja, tiheyskäyriä ja hajontakuvioita sekä mukauta ja viimeistele niitä tyylivalinnoilla ja facettauksella syvempien oivallusten saavuttamiseksi datasta.

Syvennä tilastollisen analyysin ymmärrystä data-analyysissä. Sovella kuvailevia mittareita, tunnista ja käsittele poikkeavia havaintoja sekä hyödynnä korrelaatiotekniikoita visuaalisten työkalujen, kuten lämpökarttojen ja hajontakuvioiden, avulla merkityksellisten yhteyksien löytämiseksi.

Poikkeavien Arvojen Poistaminen IQR-menetelmällä

Mikä on IQR?

IQR:n laskeminen

Poikkeavien arvojen tunnistaminen

Awesome!

Poikkeavien Arvojen Poistaminen IQR-menetelmällä

Mikä on IQR?

IQR:n laskeminen

Poikkeavien arvojen tunnistaminen