Categorías

← View All Tools

Detector de anomalias en series temporales

Sube datos de series temporales en CSV o JSON, detecta anomalías con Z-Score e IQR y devuelve un informe con grafico

Resultados de ejemplo

2 Ejemplos

Marcar un pico sospechoso en ingresos diarios

Carga una serie temporal simple y resalta un valor atipico con grafico y resumen

Time series report with one highlighted anomaly and a rendered chart.
Ver parámetros de entrada
{ "rawInput": "timestamp,value\n2026-03-01,110\n2026-03-02,112\n2026-03-03,109\n2026-03-04,315\n2026-03-05,111", "timestampColumn": "timestamp", "valueColumn": "value", "detectionMethod": "both", "zScoreThreshold": 2.5, "seasonalityWindow": 0 }

Revisar deriva de latencia con contexto estacional

Analiza datos de monitoreo con Z-Score y ventana estacional para separar ruido de incidentes

Time series report with anomaly markers, trend slope, and contiguous anomaly segments.
Ver parámetros de entrada
{ "rawInput": "timestamp,value\n2026-03-01T00:00:00Z,122\n2026-03-01T01:00:00Z,121\n2026-03-01T02:00:00Z,119\n2026-03-01T03:00:00Z,165\n2026-03-01T04:00:00Z,120\n2026-03-01T05:00:00Z,118", "timestampColumn": "timestamp", "valueColumn": "value", "detectionMethod": "zscore", "zScoreThreshold": 2, "seasonalityWindow": 3 }

Click to upload file or drag and drop file here

Maximum file size: 25MB Supported formats: text/csv, application/json, application/vnd.ms-excel, application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

Datos clave

Categoría
Data Analysis
Tipos de entrada
textarea, file, text, select, number
Tipo de salida
html
Cobertura de muestras
4
API disponible
Yes

Resumen

Sube datos de series temporales en CSV, JSON o Excel para detectar valores atípicos automáticamente mediante métodos estadísticos (Z-Score e IQR). La herramienta genera un informe HTML interactivo con gráfico que resalta anomalías en métricas como ingresos, latencia o consumo energético, permitiendo ajustar umbrales y ventanas estacionales para reducir falsos positivos.

Cuándo usarlo

  • •Cuando necesitas identificar picos o caídas repentinas en métricas de negocio sin revisar manualmente miles de registros.
  • •Para monitorear la salud de sistemas detectando comportamientos anómalos en logs de rendimiento, tráfico o temperatura.
  • •Al analizar datos con patrones cíclicos (diarios, semanales) donde un umbral fijo generaría alertas constantes y requieres contexto estacional.

Cómo funciona

  • •Importa tu archivo (CSV, Excel o JSON) o pega los datos directamente en el campo de texto, especificando los nombres exactos de las columnas de tiempo y valor.
  • •Selecciona el método de detección (Z-Score, IQR o ambos) y configura el umbral de sensibilidad; activa la ventana estacional si tus datos presentan ciclos repetitivos.
  • •El motor calcula estadísticas sobre la serie, compara cada punto contra los umbrales configurados y marca las anomalías detectadas.
  • •Descarga o visualiza el informe HTML con el gráfico de la serie temporal donde se resaltan los puntos atípicos junto con métricas de desviación.

Casos de uso

Detección de fraudes en transacciones financieras identificando montos atípicos en series de pagos diarios.
Monitoreo de infraestructura IT para alertar sobre latencias anormales en servidores o redes antes de que afecten usuarios.
Análisis de consumo energético industrial para detectar fugas o picos de demanda fuera de los patrones históricos estacionales.

Ejemplos

1. Detección de pico sospechoso en ingresos diarios

Analista financiero
Contexto
Revisa reportes diarios de ventas donde un error de procesamiento o un evento excepcional puede generar valores atípicos que distorsionan el análisis de tendencias mensuales.
Problema
Identificar rápidamente un día con ingresos anormalmente altos entre datos de ventas regulares sin revisar fila por fila.
Cómo usarlo
Pega los datos CSV en el campo de entrada, selecciona método 'both' (Z-Score + IQR) y ajusta el umbral Z-Score a 2.5 para mayor sensibilidad.
Configuración de ejemplo
timestamp,value
2026-03-01,110
2026-03-02,112
2026-03-03,109
2026-03-04,315
2026-03-05,111
Resultado
El informe resalta el valor 315 del 2026-03-04 como anomalía detectada por ambos métodos, mostrándolo en el gráfico con su desviación respecto a la media del período.

2. Revisión de deriva en latencia de servidores

Ingeniero de DevOps
Contexto
Monitorea métricas de latencia horaria donde los picos ocasionales son normales por carga, pero necesita detectar cuando la latencia se desvía del patrón estacional habitual.
Problema
Distinguir entre picos normales por carga diaria y verdaderas anomalías que indican problemas de infraestructura o degradación del servicio.
Cómo usarlo
Sube el archivo con timestamps en formato ISO, selecciona método Z-Score con umbral 2 y configura ventana estacional de 3 horas para suavizar el análisis respecto a ciclos cortos.
Configuración de ejemplo
timestamp,value
2026-03-01T00:00:00Z,122
2026-03-01T01:00:00Z,121
2026-03-01T02:00:00Z,119
2026-03-01T03:00:00Z,165
2026-03-01T04:00:00Z,120
2026-03-01T05:00:00Z,118
Resultado
El sistema identifica el valor 165 como anomalía significativa, filtrando el ruido habitual y mostrando el segmento contiguo afectado en el informe visual con gráfico de tendencia.

Probar con muestras

json, csv, xml
Ejemplos CSV
Archivos CSV de muestra con varios tipos de datos, tamaños y niveles de complejidad
preferred input family json,csv
json, csv
Ejemplos Python
Ejemplos de código Python y demostraciones Hello World
preferred input family json,csv
json, csv
Muestras XLSX
Muestras XLSX para pruebas de analisis de hojas y extraccion de datos
preferred input family xls,xlsx
xls, xlsx
Muestras de Comunicación en Tiempo Real WebRTC
Muestras completas de WebRTC para comunicación de audio/video P2P, canales de datos, compartir pantalla y servidor de señalización
title token time
json

Hubs relacionados

Herramientas de Json
Explora 44 herramientas de json para flujos de utility y encuentra utilidades cercanas con rapidez.
Herramientas de Json para Convert
Explora 100 herramientas de json para flujos de convert y encuentra utilidades cercanas con rapidez.
Herramientas de Text para Convert
Explora 80 herramientas de text para flujos de convert y encuentra utilidades cercanas con rapidez.
Herramientas de Csv para Convert
Explora 37 herramientas de csv para flujos de convert y encuentra utilidades cercanas con rapidez.

Preguntas frecuentes

¿Qué formatos de archivo admite la herramienta?

CSV, JSON, Excel (.xls y .xlsx) y entrada directa por texto. El límite de tamaño es de 25 MB por archivo.

¿Cuál es la diferencia entre Z-Score e IQR?

Z-Score detecta valores que se desvían varias desviaciones estándar de la media; IQR identifica puntos fuera del rango intercuartílico (1.5×IQR por debajo del primer cuartil o por encima del tercero).

¿Para qué sirve la ventana estacional?

Permite ignorar patrones repetitivos (como picos diarios de tráfico) comparando cada punto solo contra datos equivalentes de períodos anteriores, evitando falsos positivos en datos cíclicos.

¿Cómo interpreto el gráfico resultante?

Los puntos anómalos aparecen resaltados sobre la línea de tendencia; el informe indica el timestamp exacto, el valor detectado y qué método (Z-Score o IQR) lo identificó.

¿Puedo analizar series temporales sin subir archivo?

Sí, puedes pegar los datos directamente en el campo de entrada de texto en formato CSV con cabeceras, indicando los nombres de las columnas de tiempo y valor.

Documentación de la API

Punto final de la solicitud

POST /es/api/tools/time-series-anomaly-detector

Parámetros de la solicitud

Nombre del parámetro Tipo Requerido Descripción
rawInput textarea No -
dataFile file (Subida requerida) No -
timestampColumn text No -
valueColumn text No -
detectionMethod select No -
zScoreThreshold number No -
seasonalityWindow number No -

Los parámetros de tipo archivo necesitan ser subidos primero vía POST /upload/time-series-anomaly-detector para obtener filePath, luego pasar filePath al campo de archivo correspondiente.

Formato de respuesta

{
  "result": "
Processed HTML content
",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}
HTML: HTML

Documentación de MCP

Agregue este herramienta a su configuración de servidor MCP: 

{
  "mcpServers": {
    "elysiatools-time-series-anomaly-detector": {
      "name": "time-series-anomaly-detector",
      "description": "Sube datos de series temporales en CSV o JSON, detecta anomalías con Z-Score e IQR y devuelve un informe con grafico",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=time-series-anomaly-detector",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Puede encadenar múltiples herramientas, por ejemplo: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, máximo 20 herramientas.

Soporte para enlaces de archivos URL o codificación Base64 para parámetros de archivo.

Si encuentra algún problema, por favor, póngase en contacto con nosotros en [email protected]