1. Схиртладзе, Радкевич. Метрология, стандартизация и сертификация (со стр. 127 и далее)
2. Тейлор. Введение в теорию ошибок (148 и далее, хотя всё интересно). Здесь хорошее объяснение критерия Шовене (самого простого, который переписать в код - минут 15).

Сами книги есть в канале + всегда можно обратиться ко мне.

По поводу пакетов: есть и на R, и на Python, но стандартных не нашел. Всё сделано умельцами в своих целях. Отсюда: проверяйте, на чем основан пакет, прежде чем использовать.

Для Python из наиболее понравившегося: расширение для sklearn, PyOD и outlier_utils.

Для R нашел функцию outlierTest в car, пакеты outliers, Anomalize и AnomalyDetection. Последние два заточены для временных рядов.

Тема, естественно, поднималась не только на уровне базовой статистики, но и для машинного обучения. Поэтому существует целый класс методов препроцессинга, которые можно применять, на самом деле, где угодно.

Ссылки для Python:

• Sklearn с примерами: https://scikit-learn.org/stable/modules/outlier_detection.html
• Python Outlier Detection: https://github.com/yzhao062/pyod
• outlier_utils: https://pypi.org/project/outlier_utils/
• Do it yourself 1: http://aqibsaeed.github.io/2016-07-17-anomaly-detection/
• Do it yourself 2: https://www.datascience.com/blog/python-anomaly-detection

Ссылки для R:

• car: https://www.r-bloggers.com/outlier-detection-and-treatment-with-r/
• outliers: https://rexplorations.wordpress.com/2015/09/05/simple-outlier-detection-in-r/
• Anomalize: https://www.datacamp.com/community/tutorials/detect-anomalies-anomalize-r
• AnomalyDetection: https://www.r-bloggers.com/anomaly-detection-in-r-2/

Из опыта: если нужен метод, за который потом отвечать (на защите или просто перед совестью), берите попроще. Всё равно для корректной работы каждый требует настройки.

Удачной охоты на выбросы! :)