3. 离群值排查的统计学基础

在岩土试验成果统计中，离群值排查并不是“凭经验挑出看着别扭的数”，而是先用描述统计把一批数据的分布形态刻画清楚，再据此判断某个值偏离到什么程度才算异常。均值、标准差、变异系数、分位数和箱线图，是完成这一判断最基础也最常用的五个工具。理解它们各自的含义与局限，尤其是正态分布与非正态分布对判定规则的影响，是后续所有排查方法能够正确使用的前提。

一、五个描述统计工具各自回答什么问题

均值反映数据的集中位置，是岩土参数标准值计算的起点。但均值对极端值非常敏感：一组含水率数据中若混入一个明显偏大的值，均值会被直接拉高，进而影响后续标准差和变异系数的计算。标准差刻画数据围绕均值的离散程度，单位与原始数据一致，是“3σ准则”等判定方法的直接依据；它的平方即方差，在推导中常用，但量纲不便直接解读。变异系数是标准差与均值之比（常用百分数表示），它把离散程度标准化，使不同量纲、不同量级指标之间可以横向比较，例如黏聚力与内摩擦角的变异性谁更大，用变异系数比用标准差更合理。

分位数把数据按大小排序后切分，中位数即第50百分位数，四分位数Q1、Q3分别对应第25、第75百分位数。分位数不依赖均值和标准差，对极端值不敏感，属于稳健统计量。箱线图正是建立在分位数之上的可视化工具：箱体上下边为Q3与Q1，箱内横线为中位数，箱体高度即四分位距IQR=Q3−Q1，须线通常延伸至1.5倍IQR范围内的最远观测值，超出须线的点单独标出，即为箱线图意义上的可疑离群点。

二、正态分布与非正态分布对判定的影响

很多经典离群值判定规则隐含了正态性假设。以常用的3σ准则为例：若数据近似服从正态分布，则落在均值±3σ之外的观测概率约为0.27%，因此把超出±3σ的点视为异常是合理的。格拉布斯检验、狄克逊检验等也建立在正态或近似正态的假定之上。问题在于，岩土试验数据并不总是正态的：含水率、压缩模量、某些强度指标常呈右偏分布，即大部分值集中在较小一侧，少数大值把右尾拉长。此时均值和标准差本身已被长尾影响而偏大，直接用3σ判定会“放宽”阈值，把真正的异常值漏掉；反过来，若分布左偏或存在多个子总体混合，规则又可能把正常的高值误判为离群。

因此，判定前应先看分布形态。样本量较小时（岩土试验中常见n=6～20），可结合直方图、箱线图、正态概率图（Q-Q图）粗略判断；样本量足够时可用偏度、峰度或夏皮罗—威尔克检验辅助。若明显偏离正态，应优先采用不依赖分布假设的稳健方法：以中位数和IQR为基础的箱线图规则、以中位数绝对偏差MAD构造的稳健Z分数（|x−中位数|/MAD大于约3.5视为可疑），或直接采用分位数截尾。这些方法受极端值影响小，更适合偏态数据。

三、一个可复算的示例

假设某土层12组含水率试验（示例数据，非实测）：16.2、17.0、17.5、18.1、18.4、18.8、19.0、19.3、19.7、20.2、21.0、26.5（%）。排序后中位数约18.9，Q1约17.4，Q3约19.9，IQR≈2.5，上须线阈值Q3+1.5×IQR≈23.65，26.5明显超出，箱线图判为可疑离群点。若改用均值±3σ：均值约19.3，标准差约2.6，上限约27.1，26.5落在范围内，反而不会被判为异常。同一组数据、两种规则结论不同，根源正是26.5这个值把均值和标准差都抬高了，说明在偏态或含疑似异常值时，基于均值—标准差的规则不够稳健。

需要强调，统计判定只给出“可疑”信号，不等于直接剔除。发现可疑点后，应回到原始记录核查试验过程、取样扰动、仪器状态、数据录入等环节，结合专业判断决定保留、修正或剔除，并在成果中记录处理依据。统计工具的作用是把注意力集中到真正需要复核的点上，而不是替代工程判断。

把上述工具用对，离群值排查才有可靠的统计起点：先描述分布，再判断形态，最后选择与分布相匹配的判定规则，并对可疑点逐一回溯核查。