Ящик с усами¶

Ящик с усами (англ. box-and-whisker plot, box plot) — это стандартизированный способ графического представления числовых данных, основанный на пяти числах: минимальном значении, первом квартиле (Q1), медиане (Q2), третьем квартиле (Q3) и максимальном значении. Диаграмма позволяет наглядно оценить разброс, центральную тенденцию и асимметрию распределения, а также выявить выбросы. Является одним из основных инструментов описательной статистики и разведочного анализа данных.

¶История

Метод визуализации данных с помощью «ящика» был предложен американским статистиком Джоном Тьюки в 1970 году в его книге «Exploratory Data Analysis» (рус. «Разведочный анализ данных»). Тьюки стремился создать простой и наглядный способ представления распределения, который не требовал бы сложных вычислений и был устойчив к выбросам. В первоначальной версии «ящик» отображал только квартили и медиану, а «усы» простирались до крайних точек данных, не являющихся выбросами. Позднее, в 1977 году, Тьюки уточнил правила построения, введя формальное определение выбросов как точек, лежащих за пределами 1,5 межквартильных размахов от квартилей. С тех пор «ящик с усами» стал одним из наиболее распространённых графиков в статистике, аналитике и научных публикациях.

¶Структура и элементы

Основу диаграммы составляет прямоугольник («ящик»), который охватывает центральную половину данных — от первого квартиля (Q1) до третьего квартиля (Q3). Внутри ящика линией отмечается медиана (Q2). От ящика отходят отрезки («усы»), которые простираются до минимального и максимального значений, не являющихся выбросами. Точки, выходящие за пределы усов, обычно изображаются отдельно (например, кружками или звёздочками) и считаются потенциальными выбросами.

¶Ключевые статистические показатели

• Минимум — наименьшее значение в наборе данных, не являющееся выбросом.
• Максимум — наибольшее значение в наборе данных, не являющееся выбросом.
• Первый квартиль (Q1) — значение, ниже которого находится 25% данных.
• Медиана (Q2) — значение, разделяющее набор данных на две равные половины (50% данных ниже, 50% выше).
• Третий квартиль (Q3) — значение, ниже которого находится 75% данных.
• Межквартильный размах (IQR) — разность между третьим и первым квартилями (IQR = Q3 − Q1). Характеризует разброс центральной половины данных.

¶Определение выбросов

По стандартному правилу Тьюки, выбросами считаются значения, которые:

• меньше Q1 − 1,5 × IQR (нижний внутренний забор);
• больше Q3 + 1,5 × IQR (верхний внутренний забор).

Значения, выходящие за пределы 3 × IQR от квартилей, иногда называют «крайними выбросами» (или «далёкими выбросами») и могут обозначаться иным символом (например, звёздочкой). Границы усов проводятся до последнего значения, не являющегося выбросом, а не до самих заборов.

¶Разновидности

¶Вертикальный и горизонтальный ящик

Наиболее распространён вертикальный «ящик с усами», где ось Y отображает значения данных, а ось X — категории (если сравниваются несколько групп). Горизонтальная ориентация используется реже, обычно для удобства подписей длинных названий категорий.

¶Ящик с выемкой (notched box plot)

В этой модификации вокруг медианы делается сужение («выемка»), которое показывает 95%-й доверительный интервал для медианы. Если выемки двух ящиков не перекрываются, это свидетельствует о статистически значимом различии медиан на уровне значимости 0,05.

¶Ящик с переменной шириной (variable-width box plot)

Ширина ящика может быть пропорциональна квадратному корню из объёма выборки или другому показателю, что позволяет визуально сравнивать размеры групп.

¶Ящик с дополнительными элементами

Иногда на диаграмму наносят среднее арифметическое (например, в виде ромба), точки всех наблюдений (strip plot) или сглаженное распределение (violin plot). Комбинация «ящика с усами» и скрипичной диаграммы даёт более полное представление о форме распределения.

¶Применение

«Ящик с усами» широко используется в различных областях, где требуется анализ числовых данных:

• Статистика и эконометрика — для первичного анализа распределений, сравнения нескольких выборок, выявления выбросов и асимметрии.
• Биология и медицина — для визуализации результатов экспериментов, клинических испытаний, сравнения групп пациентов.
• Инженерия и контроль качества — для анализа технологических процессов, оценки стабильности параметров, выявления дефектов.
• Финансы и экономика — для анализа доходности активов, сравнения показателей компаний, оценки рисков.
• Социология и маркетинг — для обработки опросов, изучения распределения ответов, сегментации аудитории.

¶Преимущества и недостатки

¶Преимущества

• Наглядность — позволяет быстро оценить разброс, центральную тенденцию и асимметрию.
• Устойчивость к выбросам — медиана и квартили нечувствительны к экстремальным значениям, в отличие от среднего и стандартного отклонения.
• Компактность — один ящик заменяет гистограмму или таблицу с пятью числами.
• Сравнимость — удобно отображать несколько групп на одном графике.

¶Недостатки

• Потеря информации — не показывает форму распределения (например, мультимодальность), количество наблюдений и плотность данных.
• Субъективность в определении выбросов — правило 1,5 × IQR может быть неоптимальным для некоторых типов данных.
• Непригодность для малых выборок — при малом объёме данных (менее 5–10 наблюдений) ящик теряет информативность.
• Сложность интерпретации для неподготовленного читателя — требуется понимание квартилей и межквартильного размаха.

¶Пример построения

Рассмотрим набор данных: 3, 5, 7, 8, 9, 10, 12, 15, 18, 20, 25.

1. Сортировка: 3, 5, 7, 8, 9, 10, 12, 15, 18, 20, 25.
2. Медиана (Q2): 11-е значение — 10 (среднее между 5-м и 6-м: (9+10)/2 = 9,5? Нет, для нечётного числа медиана — 6-й элемент: 10).

• Правильно: 11 значений, медиана — 6-й элемент: 10.

1. Первый квартиль (Q1): медиана нижней половины (3, 5, 7, 8, 9) — 3-й элемент: 7.
2. Третий квартиль (Q3): медиана верхней половины (12, 15, 18, 20, 25) — 3-й элемент: 18.
3. IQR: 18 − 7 = 11.
4. Нижний забор: 7 − 1,5 × 11 = 7 − 16,5 = −9,5. Минимум данных (3) больше −9,5, поэтому нижний ус идёт до 3.
5. Верхний забор: 18 + 1,5 × 11 = 18 + 16,5 = 34,5. Максимум данных (25) меньше 34,5, поэтому верхний ус идёт до 25.
6. Выбросы: отсутствуют.

Таким образом, «ящик» будет от 7 до 18, линия медианы на 10, «усы» от 3 до 7 и от 18 до 25.

¶Интересные факты

• Термин «box-and-whisker plot» ввёл сам Джон Тьюки, хотя похожие графики (например, «range bar») использовались и ранее.
• В некоторых реализациях (например, в программе R) по умолчанию «усы» простираются до максимального/минимального значения, не превышающего 1,5 × IQR, а выбросы отмечаются точками.
• В 2010-х годах получил распространение «violin plot» (скрипичная диаграмма), который сочетает ящик с усами и оценку плотности распределения, что даёт более полную информацию.
• «Ящик с усами» часто используется в статистических пакетах (SPSS, SAS, R, Python с библиотекой matplotlib) и в системах бизнес-аналитики (Tableau, Power BI).

¶Критика

Несмотря на популярность, «ящик с усами» подвергается критике за то, что он может скрывать важные особенности распределения, такие как мультимодальность или наличие кластеров. Статистики рекомендуют дополнять его гистограммой или точечным графиком, особенно при малых выборках. Кроме того, правило 1,5 × IQR для выбросов является эмпирическим и может быть неадекватным для данных с сильной асимметрией или зашумлённостью.

¶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. Technical Report, Hadley Wickham.
• Chambers, J. M., Cleveland, W. S., Kleiner, B., & Tukey, P. A. (1983). Graphical Methods for Data Analysis. Wadsworth.
• Статистические пакеты: R (функция boxplot), Python (matplotlib.pyplot.boxplot), SPSS, SAS.