Poikkeamat ovat epätavallisia datapisteitä, jotka poikkeavat merkittävästi suurimmasta osasta aineistoa. Ne voivat johtua tietojen syöttövirheistä, luonnollisesta vaihtelusta tai harvinaisista mutta merkittävistä tapahtumista. Poikkeamat voivat vaikuttaa huomattavasti tilastollisiin yhteenvetoihin ja mallinnukseen.

Esimerkiksi yksi suuri poikkeama voi kasvattaa keskiarvoa tai vääristää visualisointien mittakaavaa, mikä voi johtaa harhaanjohtaviin johtopäätöksiin.

Poikkeamien ymmärtäminen ja tunnistaminen on kriittinen vaihe datan esikäsittelyssä. Analyysin tavoitteesta riippuen voit päättää säilyttää, muuntaa tai poistaa poikkeamat kokonaan.

Poikkeamien visualisointi tiheyskäyrillä

Tiheyskäyrä tarjoaa tasaisen käyrän, joka kuvaa muuttujan jakaumaa. Huiput osoittavat, missä data keskittyy, kun taas pitkät hännät tai erilliset kohoumat voivat viitata poikkeamiin tai vinouteen.

ggplot(df, aes(x = placement_exam_marks)) +
  geom_density(fill = "lightgreen", alpha = 0.7) +
  labs(title = "Density Plot Of Placement Exam Marks",
       x = "Placement",
       y = "Density") +
  theme_minimal()

Vinouden mittaaminen

Vinous mittaa jakauman symmetrian tai epäsymmetrian astetta. Tämä auttaa havaitsemaan, onko muuttujalla poikkeamia jakauman toisella puolella.

skewness(df$placement_exam_marks)

Vinouman tulkinta

• Vinouma ≈ 0: suunnilleen symmetrinen jakauma;
• Vinouma > 0: oikealle vino jakauma;
• Vinouma < 0: vasemmalle vino jakauma;
• Vinouma > 1: voimakkaasti oikealle vino jakauma;
• Vinouma < -1: voimakkaasti vasemmalle vino jakauma.