更新时间：2024-09-16 15:58
拉依达准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。这种判别处理原理及方法仅局限于对正态或近似正态分布的样本数据处理，它是以测量次数充分大为前提的，当测量次数少的情形用准则剔除粗大误差是不够可靠的。因此，在测量次数较少的情况下，最好不要选用该准则。
设对被测量进行等精度测量，独立得到x1，x2...,xn,算出其算术平均值x及剩余误差vi=xi-x（i=1,2，...,n）,并按贝塞尔公式算出标准偏差σ，若某个测量值xb的剩余误差vb（1＜=b＜=n）,满足下式
|vb|=|xb-x|＞3σ
则认为xb是含有粗大误差值的坏值，应予剔除。
在整理试验数据时，往往会遇到这样的情况，即在一组试验数据里，发现少数几个偏差特别大的可疑数据，这类数据称为Outlier或Exceptional Data，他们往往是由于过失误差引起。
对于可疑数据的取舍要慎重。在试验进行中时，若发现异常数据，应立即停止试验，分析原因并及时纠正错误；当为试验结束后时，应先找原因，在对数据进行取舍。如发现生产（施工）、试验过程中，有可疑的变异时，该测量值则应予舍弃。
这类数据的不能清楚地判定原因时，可以借助一些统计方法格拉布斯准则t检验法，F检验法等。这些方法，都有各自的特点，例如，拉依达准则不能检验样本量较小（显著性水平为0.1时，n必须大于10）的情况，格拉布斯准则则可以检验较少的数据。在国际上，常推荐格拉布斯准则和狄克逊准则。
但对于异常数据一定要慎重，不能任意的抛弃和修改。往往通过对异常数据的观察，可以发现引起系统误差的原因，进而改进过程和试验。