那是因为这样的算法不存在。您需要一个假设分布，以便能够将某物分类为超出预期值范围。

即使您确实假设一个正态分布，将数据点声明为异常值也是一项令人担忧的事情。一般来说，您不仅需要对真实分布的良好估计，这通常是不可用的，而且还需要一个很好的理论支持理由来做出决定（即受试者以某种方式破坏了实验设置）。这种判断通常不可能在算法中编码。

这不会直接回答您的问题，但您可以通过查看 R 包中的outliers数据集TeachingDemos并通过帮助页面上的示例来学习一些东西。这可能会让您更好地了解自动异常值检测的一些问题。

R 将吐出异常值，如

dat <- c(6,8.5,-12,1,rnorm(40),-1,10,0)
boxplot(dat)$out

这将绘制箱线图并给出

[1]   6.0   8.5 -12.0  10.0

正如其他人所说，您在信心方面提出的问题很糟糕。有异常值的统计测试，例如我在另一篇文章中提到的 Grubbs 测试和 Dixon 比率测试。他们假设总体分布是正态的，尽管 Dixon 的检验对小样本中的正态假设是稳健的。箱线图是一种很好的非正式方式来发现数据中的异常值。通常，晶须设置在第 5 和第 95 个百分位，绘制在晶须之外的观测值通常被认为是可能的异常值。然而，这不涉及正式的统计测试。