Acceso usuarios
[1]
;
Bojórquez Delgado, Gilberto
[2]
;
Romero Fitch, José Humberto
[3]
México
México
México
Este estudio propone una metodología integral para la limpieza y análisis exploratorio de datos de telemetría provenientes de cuadricópteros, cuyo alto volumen y sensibilidad al ruido requieren un tratamiento riguroso para garantizar su fiabilidad. El objetivo es identificar y corregir valores faltantes y atípicos, así como caracterizar relaciones y distribuciones entre variables clave. Se emplearon técnicas estadísticas como interpolación, winsorización adaptativa y verificación visual, complementadas con análisis exploratorio mediante estadísticas descriptivas, correlaciones (Pearson, Spearman y parciales), información mutua y visualizaciones avanzadas (histogramas, scatter plots y pairplots). Los resultados muestran la eliminación total de valores extremos sin pérdida significativa de información, preservando la integridad estructural de las series temporales. El EDA reveló correlaciones moderadas a fuertes entre variables de motor y dependencias no lineales con las señales de sensores IMU, evidenciando patrones complejos relevantes para modelado posterior. Se concluye que la metodología ofrece un marco robusto, reproducible y aplicable en contextos similares, constituyendo una base sólida para estudios predictivos y de control en UAV. Futuras investigaciones integrarán modelos de aprendizaje automático explicables para capturar y explicar las interacciones detectadas.
This study presents an integrated methodology for cleaning and exploratory analysis of telemetry data from quadcopters, whose large volume and sensitivity to noise require rigorous processing to ensure reliability. The aim is to identify and correct missing and outlier values while characterizing relationships and distributions among key variables. Statistical techniques such as interpolation, adaptive winsorization, and visual verification were employed, complemented by exploratory data analysis using descriptive statistics, correlations (Pearson, Spearman, and partial), mutual information, and advanced visualizations (histograms, scatter plots, and pairplots). Results show complete removal of extreme values without significant loss of information, preserving the structural integrity of time series. The EDA revealed moderate-to-strong correlations among motor variables and nonlinear dependencies with IMU sensor signals, highlighting complex patterns relevant for subsequent modeling. The methodology provides a robust, reproducible framework applicable in similar contexts, establishing a solid foundation for predictive and control studies in UAVs. Future research will integrate explainable machine learning models to capture and interpret the detected interactions.
