Ящичная диаграмма

Ящичная диаграмма (также известная как ящик с усами, коробчатая диаграмма, диаграмма размаха, англ. box plot) — это графический способ представления распределения количественных данных, основанный на пяти числах: минимальном значении, первом квартиле (Q1), медиане (Q2), третьем квартиле (Q3) и максимальном значении. Она позволяет компактно визуализировать центральную тенденцию, разброс, асимметрию и наличие выбросов в наборе данных.

История

Ящичная диаграмма была разработана американским статистиком Джоном Тьюки (John Tukey) в 1970 году. Тьюки, известный своим вкладом в разведочный анализ данных (EDA), предложил этот метод как простой и наглядный способ быстрой оценки характеристик распределения без сложных математических вычислений. Первоначально диаграмма называлась «box-and-whiskers plot» (ящик с усами). Идея Тьюки заключалась в том, чтобы заменить громоздкие гистограммы и графики плотности более компактным представлением, особенно при сравнении нескольких выборок. В 1977 году Тьюки подробно описал метод в своей книге «Exploratory Data Analysis», после чего ящичная диаграмма стала стандартным инструментом в статистике и анализе данных.

Структура и элементы

Ящичная диаграмма строится на основе пяти ключевых статистических показателей, которые делят упорядоченный набор данных на четыре равные части (квартили).

Основные компоненты

• Ящик (box) — прямоугольник, нижняя и верхняя границы которого соответствуют первому (Q1) и третьему (Q3) квартилям. Высота ящика равна межквартильному размаху (IQR = Q3 — Q1), который содержит 50% центральных наблюдений.
• Линия внутри ящика — медиана (Q2), то есть значение, делящее выборку пополам. Если медиана расположена не по центру ящика, это указывает на асимметрию распределения.
• Усы (whiskers) — линии, отходящие от ящика вверх и вниз до крайних значений, не являющихся выбросами. Обычно верхний ус простирается до максимального значения, не превышающего Q3 + 1.5 × IQR, а нижний — до минимального значения, не ниже Q1 — 1.5 × IQR.
• Выбросы (outliers) — точки, расположенные за пределами усов. Они обозначаются отдельными маркерами (чаще всего кружками или звёздочками). Значения, выходящие за пределы Q3 + 3 × IQR или Q1 — 3 × IQR, иногда называют экстремальными выбросами и могут обозначаться иным символом (например, крестиком).

Вариации

В некоторых реализациях (например, в библиотеке Matplotlib для Python) усы могут быть построены до минимального и максимального значений выборки без учёта выбросов. В других вариантах (например, в «notched box plot») на ящике делается сужение в районе медианы, чтобы визуально сравнивать достоверность различий между медианами двух выборок.

Интерпретация

Ящичная диаграмма позволяет быстро оценить несколько характеристик распределения:

• Центральная тенденция — положение медианы указывает на типичное значение.
• Разброс — длина ящика (IQR) показывает, насколько разбросаны центральные 50% данных. Чем длиннее ящик, тем больше вариативность.
• Асимметрия — если медиана смещена к нижней границе ящика, распределение скошено вправо (положительная асимметрия); если к верхней — влево (отрицательная асимметрия). Несимметричная длина усов также указывает на асимметрию.
• Выбросы — наличие точек за пределами усов сигнализирует о редких или аномальных значениях, которые могут быть результатом ошибок измерения или указывать на неоднородность данных.
• Сравнение групп — при построении нескольких ящичных диаграмм рядом на одной оси можно легко сравнивать медианы, разброс и асимметрию разных выборок.

Применение

Ящичные диаграммы широко используются в различных областях, где требуется анализ количественных данных:

• Статистика и наука о данных — для первичного разведочного анализа, выявления выбросов и проверки предположений о распределении перед применением параметрических тестов.
• Биология и медицина — для визуализации результатов экспериментов, например, сравнения уровней экспрессии генов в разных группах, распределения артериального давления у пациентов или концентрации веществ в образцах.
• Экономика и финансы — для анализа доходов, цен акций, волатильности, сравнения финансовых показателей компаний по отраслям.
• Инженерия и контроль качества — для оценки стабильности технологических процессов, выявления дефектов и анализа результатов измерений.
• Социология и психология — для представления результатов опросов, тестов и экспериментальных данных, например, распределения баллов по шкалам.

Пример построения

Рассмотрим простой набор данных: [3, 5, 7, 8, 9, 10, 12, 15, 18, 20, 25]. Упорядочим его:

• Минимум = 3
• Q1 (25-й процентиль) = 7
• Медиана (Q2) = 10
• Q3 (75-й процентиль) = 18
• Максимум = 25
• IQR = 18 — 7 = 11
• Верхняя граница усов = Q3 + 1.5 × IQR = 18 + 16.5 = 34.5 (максимальное значение в пределах — 25)
• Нижняя граница усов = Q1 — 1.5 × IQR = 7 — 16.5 = -9.5 (минимальное значение в пределах — 3)

Выбросов нет, так как все значения лежат внутри интервала от -9.5 до 34.5. Ящик будет простираться от 7 до 18, с медианой на 10, усы — от 3 до 25.

Достоинства и недостатки

Достоинства

• Компактность — позволяет представить большой объём данных на одном графике, особенно при сравнении множества групп.
• Устойчивость к выбросам — медиана и квартили менее чувствительны к экстремальным значениям, чем среднее и стандартное отклонение.
• Наглядность — легко интерпретируется даже неспециалистами.
• Информативность — даёт представление о форме распределения, разбросе и асимметрии.

Недостатки

• Потеря деталей — не показывает мультимодальность (наличие нескольких пиков) и точную форму распределения (например, не отличает равномерное распределение от бимодального).
• Зависимость от выбора границ выбросов — стандартное правило 1.5 × IQR является эмпирическим и может не подходить для всех типов данных.
• Не подходит для малых выборок — при очень малом объёме данных (менее 5-10 наблюдений) диаграмма теряет информативность.

Связанные понятия

• Гистограмма — показывает частотное распределение данных, но не даёт информации о квартилях и выбросах.
• Диаграмма размаха (range plot) — упрощённая версия, показывающая только минимум, максимум и медиану.
• Violin plot (скрипичная диаграмма) — комбинирует ящичную диаграмму с оценкой плотности распределения, что позволяет видеть мультимодальность.

Источники

• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.
• McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of Box Plots. The American Statistician, 32(1), 12–16.
• Wickham, H., & Stryjewski, L. (2011). 40 years of boxplots. The American Statistician.
• Chambers, J. M., Cleveland, W. S., Kleiner, B., & Tukey, P. A. (1983). Graphical Methods for Data Analysis. Wadsworth.