binstorlek

Binstorlek, eller binstorlek, är storleken på varje ruta i ett histogram eller i andra binade representationer av data. Den definieras vanligtvis som avståndet mellan två intilliggande bingränser och bestämmer upplösningen i visualiseringen. En liten binstorlek fångar små variationer men ökar brus och kräver större antal observationer; en stor binstorlek ger en översiktlig bild men döljer detaljer.

Inom datavisualisering och dataanalys används olika regler för att välja binstorlek baserat på antal observationer och spridningen i datan. Omfånget R = max(X) − min(X) relaterar till antalet bin k via h = R/k. Vanliga tumregler inkluderar: Sturges formel – antal bin k = 1 + log2(n) och därmed binstorlek h ≈ R/k. Scotts regel – h = 3.5 × s × n^(−1/3) där s är standardavvikelsen. Freedman–Diaconis-regeln – h = 2 × IQR × n^(−1/3) med IQR = interkvartilavståndet. Dessa regler skiljer sig i känslighet för extremvärden och distributionens form.

Praktiskt påverkar binstorleken histogramets utseende och tolkning; för små n kan variationer överdrivas men bruset ökar, medan stora n riskerar överlagring och förlorad översikt. I vissa tillämpningar används variabla binstorlekar (adaptive binning) eller kerneltäthetsestimering för en jämnare representation.

Binstorleken är en av flera faktorer som påverkar tolkningen av data, och vid jämförelser mellan olika dataset bör man i mån av möjlighet använda samma eller jämförbara binstorlekar.