binstorleken

Binstorleken, eller binbredden, är ett begrepp inom statistik och data‑visualisering som beskriver hur bred varje bin i ett histogram eller i en annan binning av kontinuerliga data är. Den påverkar hur detaljerad histogramets bild blir och hur mycket brus som framträder. Binstorleken hänger samman med hur data fördelar sig över de olika binarna och därmed hur känslig analysen är för små avvikelser.

Valet av binstorlek påverkar histogramets uppfattning. En stor binbredd ger en jämnare, mindre detaljerad bild och kan dölja struktur i data; en liten binbredd avslöjar fler detaljer men ökar bruset och kan göra tolkningen svår. Vid histogram över skilda mätdata är det viktigt att binbredden anpassar sig till skalan och datafördelningen.

Vanliga metoder för att välja binstorlek inkluderar Freedman–Diaconis‑regeln, Scott’s rule och Sturges’ formel. Freedman–Diaconis-regeln ger binbredden h = 2 × IQR(x) / n^(1/3). Scott’s rule ger h = 3.5 × s / n^(1/3), där s är standardavvikelsen. Sturges’ formel beräknar antalet bins som k = ⌈log2(n) + 1⌉ och binbredden blir (max − min)/k.

Praktiska tips: i stora datamängder kan små förändringar i binbredden ge märkbara skillnader i histogrammets utseende. Det kan vara bra att försöka flera inställningar och jämföra resultaten. Vid skeva fördelningar eller när data innehåller outliers kan adaptiv binning eller kernel‑densitetsestimering vara mer lämpliga alternativ.