IQR 是什麼？一篇搞懂四分位距怎麼算與離群值判斷指南

IQR 是 Interquartile Range 的縮寫，中文叫做四分位距。它的核心用途很簡單：用來衡量一組資料中間 50% 的分散程度，並常被拿來判斷離群值。若你想知道資料是否穩定、是否偏態明顯，或哪些數值異常，IQR 是非常實用的統計指標。

相較於平均數與標準差，IQR 對極端值較不敏感，因此在薪資、消費金額、訂單金額、停留時間這類常見的偏態資料中，往往更有參考價值。以下就從定義、公式、實際計算，到 Excel 與 BI 工具應用，一次說清楚。

一、IQR 是什麼？先搞懂四分位距的意思

IQR 就是第三四分位數減去第一四分位數，代表資料中間 50% 的範圍寬度。它不是看全部資料有多分散，而是專注在中間主要分布，因此比單看最大值與最小值更穩健。

1. IQR 意思與四分位距的基本定義

IQR 的計算式是：

IQR = Q3 - Q1

其中：

• Q1：第一四分位數，代表有 25% 的資料小於或等於這個值
• Q2：第二四分位數，也就是中位數
• Q3：第三四分位數，代表有 75% 的資料小於或等於這個值

因此，Q1 到 Q3 之間，剛好涵蓋了整組資料的中間 50%。
這段範圍越大，表示中間多數資料越分散；範圍越小，表示資料越集中。

你可以把 IQR 理解成：把最極端的高低值先放一邊，只看大多數資料分布得有多開。

2. IQR 統計中扮演的角色

IQR 在統計中的主要角色，是用來描述資料的離散程度，而且屬於相對穩健的衡量方法。所謂穩健，指的是它不會因為少數極端值就被嚴重拉動。

例如同樣一組薪資資料，大多數員工落在 3 萬到 6 萬之間，但少數高階主管年薪很高。這種情況下：

• 平均數容易被高薪拉高
• 標準差也可能被極端值放大
• IQR 則仍能穩定描述中間大多數人的薪資分布

所以在以下場景中，IQR 很常被使用：

• 偏態分布資料分析
• 離群值偵測
• 盒鬚圖繪製
• 商業報表中的異常值觀察
• 資料清理前的快速檢查

3. Median IQR 與中位數的關聯

Median IQR 常一起出現，因為兩者都屬於對極端值不敏感的統計指標。中位數描述資料的中心位置，IQR 描述資料中間 50% 的分散程度，兩者搭配很適合解讀非對稱資料。

簡單來說：

• 中位數（Median）：回答「典型值大概在哪裡」
• IQR：回答「中間大多數資料分散到什麼程度」

例如某電商平台的單筆訂單金額：

• 中位數 = 850 元
• IQR = 600 元

這表示典型訂單大約在 850 元附近，而中間 50% 的訂單金額分布範圍相差約 600 元。
這種寫法在管理報表、營運分析、醫療統計與社會科學資料中都很常見。

二、IQR 怎麼算？從觀念到公式一次看懂

IQR 的計算分成三步：先排序資料、找出 Q1 與 Q3，再用 Q3 減 Q1。真正的重點不在公式難不難，而是先理解四分位數的意思。

1. IQR 計算前要先認識 Q1、Q2、Q3

在計算 IQR 之前，資料必須先由小到大排序。排序後再找出幾個關鍵位置：

• Q1：25% 位置
• Q2：50% 位置，即中位數
• Q3：75% 位置

假設有一組已排序資料：

3, 5, 7, 8, 9, 10, 12, 13, 15

這組資料的中位數 Q2 是第 5 個值，也就是 9。
再把中位數左右兩邊分成兩半，分別求中位數：

• 左半部：3, 5, 7, 8 → Q1 = (5 + 7) / 2 = 6
• 右半部：10, 12, 13, 15 → Q3 = (12 + 13) / 2 = 12.5

不同軟體對四分位數的細部算法可能略有差異，尤其在樣本數較小時更明顯。但在商業分析與一般教學中，只要使用同一套規則一致計算即可。

2. IQR 公式怎麼寫？四分位距的計算步驟

IQR 公式非常直接：

IQR = Q3 - Q1

標準步驟如下：

1. 將資料由小到大排序
2. 找出 Q1
3. 找出 Q3
4. 以 Q3 減 Q1，得到 IQR

你也可以記成一句話：
四分位距，就是上四分位和下四分位之間的距離。

若 Q1 = 18.5，Q3 = 22，那麼：

IQR = 22 - 18.5 = 3.5

這表示中間 50% 的資料，集中在寬度 3.5 的範圍內。

3. 用一組簡單資料示範 IQR 計算

下面用一組常見範例快速示範：

原始資料：

20, 22, 21, 19, 5, 18, 20, 22, 17, 19, 23, 23, 22, 17, 19, 20, 19, 22, 18, 23

先排序後得到：

5, 17, 17, 18, 18, 19, 19, 19, 19, 20, 20, 20, 21, 22, 22, 22, 22, 23, 23, 23

依常見教學算法：

• Q1 = 18.5
• Q2 = 20
• Q3 = 22

所以：

IQR = 22 - 18.5 = 3.5

這個結果代表，這組資料中間 50% 的主要分布寬度是 3.5。
而那個特別小的 5，看起來就很可能是離群值，後面會用 1.5 IQR 規則驗證。

例如在銷售數據中，若某些異常訂單未被排除，可能會誤判業績成長趨勢，此時可透過 IQR 辨識離群值，再進行趨勢分析。

延伸閱讀:趨勢分析範例一篇搞懂：5 種常見情境實務解析與圖表指南

三、IQR 如何判斷離群值？1.5 IQR 規則解析

IQR 判斷離群值最常見的方法，就是 1.5 IQR 規則。只要資料低於下界或高於上界，通常就會被視為 outlier，也就是離群值。

1. 什麼是 IQR outlier？離群值判斷邏輯

IQR outlier 指的是落在正常分布範圍外的資料點。
常見判斷方式如下：

• 下界 = Q1 - 1.5 × IQR
• 上界 = Q3 + 1.5 × IQR

只要資料值：

• 小於下界，或
• 大於上界

就可視為離群值。

這種方法的好處是不強制要求資料必須符合常態分布，因此在實務上非常常見。尤其當資料有偏態、長尾、極端交易值時，IQR 方法通常比單純看平均數更可靠。

2. 1.5 IQR 規則怎麼用在實際資料

延續上一段範例：

• Q1 = 18.5
• Q3 = 22
• IQR = 3.5

計算界線：

• 下界 = 18.5 - 1.5 × 3.5 = 13.25
• 上界 = 22 + 1.5 × 3.5 = 27.25

接著觀察原始資料：

5, 17, 17, 18, 18, 19, 19, 19, 19, 20, 20, 20, 21, 22, 22, 22, 22, 23, 23, 23

其中：

• 5 < 13.25，所以 5 是離群值
• 其餘值都落在 13.25 到 27.25 之間，因此不算離群

實務上這個規則常用於：

• 訂單金額異常偵測
• 感測器數據清洗
• 會員行為異常辨識
• 財務數據初步檢查
• 產品品質監控

但要注意，離群值不等於錯誤值。有些離群值是真實且重要的商業訊號，例如超大單客戶、異常高退貨率、突發流量等。

3. 用盒鬚圖理解 IQR 與離群值分布

盒鬚圖是理解 IQR 最直觀的圖表。它會把資料分布與離群值同時呈現，非常適合做初步探索分析。

盒鬚圖通常包含：

• 盒子的下緣：Q1
• 盒子的中線：Q2（中位數）
• 盒子的上緣：Q3
• 盒子的高度：IQR
• 上下鬚：非離群值範圍內的最小值與最大值
• 盒鬚外的點：離群值

因此，只要看到盒鬚圖，你可以快速回答幾個問題：

• 資料是否集中？
• 是否偏態？
• 離群值多不多？
• 中位數是否偏向上半部或下半部？

在 BI 工具或統計軟體中，盒鬚圖通常是檢查異常資料的第一步。像 FineBI 就支援箱型圖等進階圖表，能讓分析者不只看到數字，還能直接看到異常點落在哪些維度、哪些區間。

四、IQR 有哪些用途？常見分析情境整理

IQR 最常見的用途有三類：描述偏態資料、找出異常值，以及支援商業決策中的資料清理。若資料不夠對稱，IQR 往往比平均數更值得先看。

1. IQR 用途：為什麼比平均數更適合看偏態資料

當資料呈現偏態分布時，平均數很容易被少數極端值拉動。IQR 因為只關注中間 50%，更能反映大多數樣本的真實情況。

常見例子包括：

• 員工薪資
• 客單價
• 住院天數
• 網站停留秒數
• 廣告轉換成本

例如某商品客單價資料中，大多數客戶消費在 300 到 1200 元，但少數企業客戶一次購買數萬元。此時若只看平均數，容易高估一般消費者的消費水準；若看中位數與 IQR，會更貼近實際主體客群。

因此，當你懷疑資料有以下特徵時，應優先考慮 IQR：

• 分布不對稱
• 有長尾現象
• 可能存在極端值
• 想描述大多數資料的真實範圍

2. 在商業報表與資料清理中的實務場景

IQR 在實務上很常出現在資料前處理與營運監控。因為它容易理解，也能快速建立異常判斷門檻。

常見應用情境如下：

• 電商分析：找出異常高單價或異常低轉換率商品
• 金融風控：偵測異常交易金額
• 製造業：識別超出正常範圍的機台溫度或良率
• 客服分析：判斷異常長通話時間或等待時間
• 人資分析：觀察部門薪資結構是否有極端偏差

在資料清理階段，IQR 常被用來先標記疑似異常值，再決定後續處理方式：

• 刪除明顯錯誤值
• 保留但加註標記
• 分群分析異常資料
• 交由業務單位確認原因

這種做法比直接「看到極端值就刪除」更安全，也更符合企業分析流程。

3. 用 FineBI 快速檢視資料分布與異常值

若資料量不大，Excel 可以完成 IQR 計算；但當你面對跨部門、跨系統、需要持續監控的資料時，BI 工具會更有效率。FineBI 的實務價值，在於把資料處理、分析與可視化放在同一個平台中完成。

以 IQR 分析來說，FineBI 的優勢通常在這幾點：

• 可直接串接資料庫或 Excel

• 支援視覺化資料處理，降低前置整理門檻

• 可用圖表快速查看分布、箱型圖與異常點
• 儀表板可自動更新，不必重複手工整理
• 支援分享、權限控管與多人協作

對企業來說，Excel 比較像「展示結果」，FineBI 更適合「找到原因」。
尤其當你想追查某個離群值來自哪個產品、地區、業務員或時間區段時，互動式下鑽分析會比手動拉表快得多。

五、IQR Excel 怎麼做？工具實作與常見問題

用 Excel 算 IQR 並不難，重點是先算出 Q1 和 Q3，再建立上下界公式。若只是個人分析或小型資料集，Excel 已足夠；若需要長期監測與多人共享，則可以考慮 BI 工具。

1. IQR Excel 函數與操作流程

在 Excel 中，常見可用的函數有：

• QUARTILE.INC
• QUARTILE.EXC
• PERCENTILE.INC
• PERCENTILE.EXC

一般常見做法是用 QUARTILE.INC：

=QUARTILE.INC(A2:A21,1)

代表求 Q1。

=QUARTILE.INC(A2:A21,3)

代表求 Q3。

接著算 IQR：

=Q3儲存格-Q1儲存格

例如：

=C2-B2

若 B2 是 Q1，C2 是 Q3，則 D2 可以是 IQR。

簡單流程如下：

1. 將資料放入同一欄
2. 用函數求出 Q1
3. 用函數求出 Q3
4. 計算 IQR
5. 建立上下界
6. 判斷哪些數值超出範圍

2. 用 Excel 建立 IQR 公式與離群值判斷欄位

假設資料放在 A2:A21，你可以這樣設計：

• B2：Q1
• C2：Q3
• D2：IQR
• E2：下界
• F2：上界

對應公式如下：

B2 =QUARTILE.INC($A$2:$A$21,1)
C2 =QUARTILE.INC($A$2:$A$21,3)
D2 =C2-B2
E2 =B2-1.5*D2
F2 =C2+1.5*D2

接著在 B 欄之外新增一個「是否離群值」欄位，假設在 G2：

=IF(OR(A2<$E$2,A2>$F$2),"離群值","正常")

再往下填滿，就能快速標記每一筆資料。

這種做法很適合：

• 小型專案分析
• 教學示範
• 臨時試算
• 初步數據清理

但如果報表會反覆更新、資料筆數大、多人共同維護，Excel 常見問題也會浮現，例如版本管理困難、公式容易被改壞、檔案傳來傳去造成口徑混亂。

3. 使用 FineBI 進行儀表板監測的實務場景

若你想把 IQR 從一次性試算變成持續監控，FineBI 會比單靠 Excel 更合適。特別是在企業場景中，異常值通常不是算完一次就結束，而是要持續追蹤。

實務上可以這樣用：

• 建立每日交易金額箱型圖
• 針對各門市比較 IQR 大小
• 將超出 1.5 IQR 的訂單自動標記
• 用儀表板追蹤異常值數量變化
• 下鑽查看異常值來自哪個品類、區域、時段

這類應用的關鍵不是只有「算出 IQR」，而是把它變成可持續運作的分析流程。
Excel 是文件工具，FineBI 更像協作平台。 對需要多人查看、權限控管、看板自動更新的團隊來說，這點差異很重要。

六、IQR 與其他統計指標怎麼搭配看？

IQR 很實用，但不適合單獨看所有問題。最好的做法，是把 IQR 和平均數、中位數、標準差一起看，才能更完整理解資料分布。

1. IQR、標準差與平均數的差異

這三者處理的是不同層面的問題：

指標	主要用途	對極端值敏感度	適合情境
平均數	看整體中心位置	高	分布較對稱時
標準差	看整體波動程度	高	接近常態分布時
IQR	看中間 50% 分布	低	偏態或含離群值時

可以這樣快速理解：

• 平均數：整體平均水準
• 標準差：整體波動幅度
• IQR：主體資料的集中範圍

若資料明顯偏態，只看平均數與標準差，很可能誤判資料狀況；加入 IQR 後，判讀通常會更穩健。

2. Median IQR 報表常見於哪些分析情境

Median IQR 報表很常見，特別是在資料不對稱、極端值多、想呈現典型值與主要分布時。

常見情境包括：

• 醫療統計：住院天數、等待時間
• 營運分析：配送時間、客單價、處理工時
• 人資分析：薪資、加班時數
• 產品分析：用戶停留時間、功能使用深度
• 客服中心：通話秒數、結案時間

例如看客服處理時間時，平均值可能因少數超長案件被拉高；若改看 Median + IQR，更能反映大多數案件實際處理狀態。

所以在管理報表裡，如果你看到：

• 中位數：8 分鐘
• IQR：3 分鐘

通常意思是：大多數案件處理時間集中，核心分布不算分散；若同時有少數案件非常久，則需另外看離群值。

3. 解讀 IQR 結果時容易忽略的限制

IQR 很好用，但也有幾個限制不能忽略。

第一，不同工具對四分位數算法可能略有不同。
像 Excel、R、Python 或部分資料庫函數，在小樣本下可能算出稍微不同的 Q1、Q3，因此報表要注意口徑一致。

第二，IQR 只描述中間 50%。
如果你很在意全部資料的變異，例如高低兩端都很重要，那只看 IQR 可能不夠。

第三，1.5 IQR 規則是經驗法則，不是絕對真理。
在某些產業中，異常值本來就很多，例如金融交易、流量資料、詐欺偵測，這時不能看到離群值就直接刪除。

第四，樣本太小時，IQR 的穩定性有限。
如果資料只有幾筆，四分位數本身就容易受個別觀測值影響，解讀時要更保守。

因此，較好的做法通常是：

• 先看中位數與 IQR
• 再搭配平均數與標準差
• 補上盒鬚圖或直方圖
• 最後結合業務背景判斷異常值是否真的異常

總結來說，IQR 是一個非常適合入門也非常適合實務的統計工具。它能幫你快速理解資料中間主體的分布，並有效找出潛在離群值。若你只是處理小型資料集，用 Excel 就能完成；若你希望把異常監測與分布分析納入日常決策流程，像 FineBI 這類能整合資料、分析與儀表板的平台，會更適合長期使用。