La contaminación del aire, especialmente a nivel del suelo, representa un alto riesgo para la salud humana ya que puede tener efectos negativos graves en la población de ciertas áreas. La alta variabilidad de este tipo de datos, que se ven afectados por las condiciones climáticas y las actividades humanas, dificulta que los métodos convencionales detecten de manera precisa valores anómalos u outliers. En este documento, se comparan el análisis clásico, el control estadístico de procesos y el análisis de datos funcionales con este fin. Los resultados obtenidos motivan el desarrollo de un nuevo detector de outliers basado en el concepto de excentricidad direccional funcional. La validación de este algoritmo se realiza en datos reales de calidad del aire de la ciudad de Gijón, España, con el objetivo de detectar la comprobada reducción en los niveles durante el confinamiento por COVID-19 en esa ciudad. Tres variables más (, , y ) son estudiadas con esta técnica. Los resultados demuestran que el análisis de datos funcionales supera a los otros dos métodos, y que el detector de outliers propuesto es adecuado para la detección precisa de outliers en datos con alta variabilidad.