Monitoring Multivariate Categorical Processes in Phase II: An Economic–Statistical Design of the GLT Control Chart

Resumen Técnico: Monitoreo de Procesos Categóricos Multivariantes en la Fase II: Un Diseño Económico–Estadístico del Gráfico de Control GLT

Planteamiento del Problema
Los sistemas de manufactura contemporáneos dependen cada vez más de múltiples variables categóricas interrelacionadas (por ejemplo, clasificaciones de defectos, grados de producto) para caracterizar la calidad del producto. Si bien el Control Estadístico de Procesos (SPC) es un estándar para mantener la estabilidad, los gráficos de control tradicionales suelen estar diseñados para variables continuas univariantes y pueden fallar al capturar las estructuras de dependencia inherentes a los datos categóricos multivariantes. Además, la literatura existente sobre el monitoreo de tales procesos, particularmente aquellos que utilizan tablas de contingencia y Pruebas de Modelos Lineales Generalizados (GLT), se ha centrado predominantemente en métricas de desempeño estadístico (por ejemplo, la Longitud de Corrida Promedio o Average Run Length) mientras descuida las consideraciones económicas. En consecuencia, existe una falta de marcos integrados que aborden simultáneamente la sensibilidad estadística requerida para detectar cambios pequeños y graduales en las estructuras de dependencia y la eficiencia económica necesaria para la implementación industrial práctica.

Metodología
El estudio propone un marco integrado económico–estadístico para el monitoreo de la Fase II de procesos categóricos multivariantes representados por tablas de contingencia. La metodología consta de tres componentes primarios:

1. Modelado Estadístico y Monitoreo:

   • Modelado Log-Lineal: La estructura de dependencia entre las variables categóricas se modela mediante modelos log-lineales para establecer las frecuencias de celda esperadas bajo condiciones de control.
   • Estadístico GLT: Se deriva un estadístico de Prueba de Modelos Lineales Generalizados (GLT), denotado como $F^*$, para cuantificar la desviación entre las frecuencias de celda observadas y aquellas predichas por el modelo log-lineal. Este estadístico sirve como la medida principal para detectar cambios estructurales en la tabla de contingencia.
   • Integración EWMA: Para mejorar la sensibilidad ante cambios pequeños y graduales, el estadístico GLT se incorpora en una estructura de Promedio Móvil Exponencialmente Ponderado (EWMA). El estadístico EWMA ($Z_t$) combina información actual e histórica, con un parámetro de suavizado ($L$) que determina el peso asignado a los datos pasados. El gráfico de control señala un estado fuera de control cuando $Z_t$ excede un Límite de Control Superior (UCL) calculado.

2. Formulación Económica:

   • El estudio adopta una función de Costo Total Esperado (ETC) para evaluar el desempeño económico del gráfico. El ETC agrega los costos asociados con el muestreo, la inspección, las falsas alarmas, la búsqueda y remoción de causas asignables, y las pérdidas de producción durante los periodos fuera de control.
   • El modelo de costos tiene en cuenta la probabilidad de falsas alarmas (derivada de la Longitud de Corrida Promedio en control, $ARL_0$) y el tiempo de retraso esperado en la detección de cambios.

3. Marco de Optimización:

   • Se desarrolla un procedimiento de optimización para determinar conjuntamente los parámetros de diseño: tamaño de muestra ($n$), intervalo de muestreo ($h$), coeficiente del límite de control ($K$), parámetro de suavizado ($L$) y el UCL resultante.
   • El objetivo es minimizar el ETC sujeto a una restricción sobre el Tiempo Promedio de Señal en control ($ATS_0$), asegurando un nivel predefinido de desempeño estadístico (objetivo $ARL_0 \approx 200$).
   • La optimización asume una tasa de inspección fija ($r$), donde $h = n/r$, para reflejar las restricciones operativas comunes en entornos industriales.

Contribuciones Clave
El artículo identifica cuatro contribuciones específicas al campo de la ingeniería de la calidad:

1. Extensión a Datos Categóricos: Extiende el paradigma de diseño económico–estadístico a procesos categóricos multivariantes representados por tablas de contingencia, un área previamente subrepresentada en la literatura.
2. Marco Unificado: Establece un enfoque unificado que integra modelos log-lineales, estadísticos GLT y estructuras de memoria EWMA, en lugar de tratar estos componentes de forma aislada.
3. Optimización Simultánea: Considera simultáneamente los objetivos económicos y estadísticos durante el proceso de optimización de parámetros para derivar configuraciones de gráficos eficientes.
4. Herramienta Práctica: Proporciona una estrategia de monitoreo práctica para entornos industriales caracterizados por múltiples características de calidad categóricas correlacionadas.

Resultos
El marco propuesto fue evaluado utilizando simulaciones de Monte Carlo en MATLAB con una tabla de contingencia de $4 \times 4$ y un tamaño de muestra total de $N=500$. Los hallazgos clave incluyen:

• Sensibilidad a Efectos de Interacción: El gráfico EWMA–GLT demostró una sensibilidad significativamente mayor a los cambios en los parámetros de interacción del modelo log-lineal (que representan la estructura de dependencia) en comparación con los efectos generales o principales. El "Índice de Efecto" para los cambios de interacción fue sustancialmente mayor, confirmando la capacidad del gráfico para detectar cambios estructurales en las dependencias de las variables.
• Parámetros de Diseño Óptimos: La optimización económico–estadística identificó la configuración óptima como un tamaño de muestra de $n=50$, un intervalo de muestreo de $h=1$, un parámetro de suavizado de $L=0.30$ y un coeficiente de límite de control de $K=1.50$. Esta configuración produjo un Costo Total Esperado (ETC) mínimo de 77.786, manteniendo un $ARL_0$ en control de 201.42.
• Desempeño Comparativo:
  • En comparación con un diseño puramente estadístico, el diseño económico–estadístico logró costos operativos más bajos cumpliendo con las restricciones estadísticas.
  • En comparación con un diseño puramente económico (que minimizaba el costo sin restricciones estadísticas), el marco propuesto evitó falsas alarmas excesivas ($ARL_0$ de 45.95 en el caso económico no restringido frente a 201.42 en el diseño propuesto).
  • El gráfico EWMA–GLT superó tanto al gráfico GLT independiente como al gráfico EWMA clásico en la detección de cambios pequeños a moderados, como lo evidencian los valores más bajos de Tiempo Promedio de Señal (ATS).
• Análisis de Sensibilidad: Se encontró que el modelo es más sensible a las variaciones en el costo de producción fuera de control ($C_d$) y en el costo de muestreo variable ($C_1$). El parámetro de suavizado ($L$) tuvo un impacto más significativo en la velocidad de detección y el costo que el coeficiente del límite de control ($K$); aumentar $L$ redujo tanto el $ARL_1$ como el ETC.

Significancia y Reivindicaciones
El artículo sostiene que el marco EWMA–GLT propuesto ofrece una estrategia efectiva y práctica para el monitoreo de procesos categóricos multivariantes. Al equilibrar los objetivos económicos y estadísticos, el enfoque proporciona una solución más robusta para aplicaciones industriales que los diseños que dependen exclusivamente de un solo criterio. El estudio concluye que el marco integrado detecta con éxito los cambios estructurales en las tablas de contingencia, particularmente aquellos que involucran efectos de interacción, mientras minimiza los costos operativos. Los autores posicionan este trabajo como una herramienta de apoyo a la decisión para entornos con datos categóricos correlacionados y sugieren direcciones de investigación futuras que involucren tablas de mayor dimensión, modelado de incertidumbre (enfoques difusos/robustos) y el uso de conjuntos de datos industriales reales.