1	Identification des données extrêmes Transformation en z : Z = (x-µ)/s. si z > 3 valeur suspecte Transformation en u (z modifiée) : si u>3.5 valeur suspecte MAD la médiane des valeurs absoluesí x_i -`xý.
2	Identification des données extrêmes par graphique : Box-plot et Q-Q plot
3	Choix du test adéquat 1. Test de la valeur extrême ou test de Dixon
4	Conditions pour le test de Dixon Nombre de mesures : ≤25 Risque a utilisé : 5% Type de distribution : la distribution des autres données est supposée être normale. Nombre de données aberrantes : 1
5	Formule du test de Dixon
6	Choix du test adéquat 2. Test de discordance ou test de Grubbs
7	Conditions pour le test de Grubbs Nombre de mesures : entre 10 et 50 Risque a utilisé : 5% Type de distribution : la distribution des autres données est supposée être normale. Nombre de données aberrantes : 1 (test simple) ou 2 (test double)
8	Test de Grubbs simple
9	Test de Grubbs double Calcul de la somme des carrés des écarts par rapport à la moyenne : SCE Calcul de la moyenne sans les 2 données suspectes Calcul de la somme des carrés des écarts par rapport à la moyenne après élimination : SCEss Calcul du rapport : Q = SCE/SCEss Si Q < Q table : données aberrantes
10	Choix du test adéquat 3. Test de Rosner
11	Conditions pour le test de Rosner Nombre de mesures : ≥25 Risque a utilisé : 5% Type de distribution : la distribution des autres données est normale. Nombre de données aberrantes : maximum 10
12	Etapes moyenne et l’écart-type pour toutes les données : la moyenne et l’écart-type après élimination de la donnée la plus écartée : moyennes et les écarts-types en enlevant 1 à 1 les r données suspectes : Effectuer le rapport : Si R est > Rtable : r valeurs aberrantes.
13	Exemple
14	Exemple (suite)