1. 课程导入与异常值认知

食品检测数据与一般工业测量数据有一个显著差别：它往往同时受“样品本身不均匀”“前处理操作差异”“仪器状态波动”“标准曲线漂移”四类因素影响，且很多指标（如菌落总数、农药残留、重金属含量）本身分布偏态明显。这意味着在食品检测中，一个看起来“离群”的数值，既可能是操作失误或仪器故障造成的错误数据，也可能是样品真实存在的污染热点。异常值处理的第一步不是删除，而是判断它属于哪一类。

一、食品检测数据的三个典型特点

第一是小样本、重复次数有限。理化检测常做双平行或三平行，微生物检测的平行样更少，统计上可用的样本量很小，任何一次粗差都会显著拉偏均值与标准差。第二是量纲与数量级跨度大，水分含量以百分数计，兽药残留可能以 μg/kg 计，铅镉以 mg/kg 计，同一张报告里并存多个数量级，直接比较绝对偏差没有意义，必须结合相对偏差与检出限判断。第三是结果与判定限强相关，很多检测项目的结论是“合格/不合格”，异常值是否保留会直接改变判定方向，因此处理过程必须可追溯、有依据。

二、异常值的定义与分类

在统计学上，异常值指与同一总体中其余观测值不一致的观测。落到食品检测场景，可按成因分为三类，处理策略完全不同：

• 粗差（错误值）：由记录错误、单位换算错误、稀释倍数算错、进样瓶放错、天平未归零等造成。这类值没有统计意义，应核实原始记录后更正或剔除，并留下更正说明。
• 离群值（可疑值）：数值偏离同组其他结果，但无法确认是错误。需要用格拉布斯（Grubbs）检验、狄克逊（Dixon）检验或 ISO 5725 相关方法做统计判定，再决定取舍。
• 真实极端值：样品本身不均匀（如霉变颗粒、局部污染）、加工环节引入的局部高浓度，属于客观事实，不能剔除，应通过增加取样点、加大样本量来表征。

三、异常值对检测结论的影响

以一个教学示例说明：某实验室测定一批酱腌菜样品的亚硝酸盐含量（以 NaNO₂ 计），三次平行结果为 2.1、2.3、8.6 mg/kg，方法定量限 0.5 mg/kg，限量要求 ≤ 20 mg/kg。若直接取均值，结果为 4.33 mg/kg；若 8.6 属粗差并剔除，均值为 2.2 mg/kg。两者都判合格，但报告值相差近一倍，若用于趋势分析或批次一致性评价，结论会完全不同。反过来，若限量为 5 mg/kg，保留 8.6 会判不合格，剔除后判合格——此时异常值处理直接决定判定方向，必须有统计依据和复核记录支撑。

更隐蔽的影响在于精密度评价。平行样相对偏差是实验室内部质量控制的核心指标，一个错误值会把相对偏差从 5% 抬到 60% 以上，触发质控报警，导致整批数据被误判为失控而重做。因此异常值处理不仅是“删不删”的问题，还关系到质控数据的可信度。

四、课程学习路径与实战项目

本课程按“认知—判定—处理—验证—落地”推进，共 30 节。前段建立异常值分类与判定意识；中段进入具体方法：格拉布斯与狄克逊检验的手算与软件实现、稳健统计量（中位数、MAD）的使用、检出限附近数据的处理规则、平行样与质控样异常的分开处理；后段覆盖实验室信息管理系统（LIMS）中的数据审核流程、异常值处理记录的规范写法，以及如何应对评审与复现要求。

贯穿全程的实战项目是：给定一批酱腌菜样品的亚硝酸盐检测原始数据（含平行样、加标回收、质控样），要求学员完成从数据核查、异常值识别与统计判定、处理决策到最终报告与处理记录的全流程。项目数据为教学构造的示例数据，用于训练判断逻辑，不作为真实检测结论。完成项目后，学员应能独立回答三个问题：这个值为什么可疑、我依据什么决定取舍、我的处理过程能否被第三方复核。