Contexto empresarial
Una planta de fabricación monitoriza la temperatura de miles de máquinas a través de sensores IoT. Para prevenir fallos, es crucial detectar lecturas de temperatura anómalas que caen fuera de un rango operativo normal pero no extremo. Se necesita un análisis que identifique valores atípicos definidos por un umbral de percentil específico (ej. 5% y 95%).
Sobre el conjunto : percentile
Cálculo preciso de percentiles y cuantiles.
Descubrir todas las acciones de percentile Preparación de datos
Genera una tabla voluminosa de lecturas de sensores para múltiples máquinas. La mayoría de las lecturas son normales, pero se inyectan valores atípicos sutiles y extremos para probar la detección.
¡Copiado!
| 1 | DATA casuser.lecturas_sensores(promote=yes); |
| 2 | call streaminit(456); |
| 3 | DO id_maquina = 1 to 200; |
| 4 | DO i = 1 to 10000; |
| 5 | temperatura = 80 + rand('NORMAL', 0, 2.5); |
| 6 | /* Inyectar outliers sutiles */ |
| 7 | IF rand('UNIFORM') < 0.04 THEN temperatura = 80 + (rand('UNIFORM')*15); |
| 8 | /* Inyectar outliers extremos */ |
| 9 | IF rand('UNIFORM') < 0.005 THEN temperatura = 150 + (rand('UNIFORM')*20); |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | END; |
| 13 | RUN; |
Étapes de réalisation
1
Ejecución de boxPlot con detección de outliers y personalización de los bigotes al 5% y 95%. Se limita el número de outliers reportados para evitar una salida masiva.
¡Copiado!
| 1 | PROC CAS; |
| 2 | percentile.boxPlot |
| 3 | TABLE={name='lecturas_sensores', groupBy={'id_maquina'}}, |
| 4 | inputs={{name='temperatura'}}, |
| 5 | outliers=true, |
| 6 | whiskerPercentile=5, |
| 7 | nOutLimit=50, |
| 8 | casOut={name='analisis_temperatura', replace=true}; |
| 9 | RUN; |
| 10 | QUIT; |
Resultado esperado
La tabla 'analisis_temperatura' debe contener las estadísticas de diagrama de caja para cada 'id_maquina'. Los bigotes deben corresponder a los percentiles 5 y 95. La salida de outliers debe listar hasta 50 lecturas de temperatura por encima del percentil 95 y por debajo del percentil 5, permitiendo a los ingenieros identificar máquinas con comportamientos anómalos sutiles, no solo los extremos.