La detección de anomalías en el dominio de las aplicaciones inteligentes puede mejorar significativamente la calidad del procesamiento de datos, especialmente cuando el tamaño de un conjunto de datos es demasiado pequeño. Internet de las cosas (IoT) permite el desarrollo de numerosas aplicaciones donde las anomalías conscientes de los datos del sensor pueden afectar la toma de decisiones del sistema subyacente. En este documento, proponemos un esquema: IoTDixon, que trabaja en la prueba Q de Dixon para identificar anomalías puntuales en un conjunto de datos simulado distribuido normalmente. La técnica propuesta implica estadísticas Q, prueba de Kolmogorov-Smirnov y particionamiento de un conjunto de datos dado en un paquete de datos específico. Las técnicas propuestas utilizan la prueba Q para detectar anomalías puntuales. Encontramos que el valor 76.37 es estadísticamente significativo, por lo tanto, se rechaza la hipótesis nula para un paquete de datos de prueba. En otros paquetes de datos, no se observa tal significado; por lo tanto, no se detecta estadísticamente ningún valor atípico. El enfoque propuesto de IoTDixon puede ayudar a mejorar la detección de anomalías puntuales a pequeña escala para un conjunto de datos de tamaño pequeño, como se muestra en los experimentos realizados.