📊 statistics

Improved MGLR control charts based on Klein’s sensitizing rules for joint mean and dispersion monitoring under measurement error

Este artículo propone y evalúa dos gráficos de control de razón de verosimilitud generalizada multivariante (MGLR) mejorados que integran las reglas de sensibilización 2 de 2 y 2 de 3 de Klein para monitorear eficazmente cambios simultáneos en la media y la dispersión del proceso, contabilizando explícitamente el impacto perjudicial del error de medición.

Autores originales: Mohammad Reza Maleki, Mohammad Nikoogoftar, Hossein Eghbali, Majid Jafari

Publicado 2026-09-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mohammad Reza Maleki, Mohammad Nikoogoftar, Hossein Eghbali, Majid Jafari

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el zumbido silencioso de una fábrica moderna, la calidad de un producto rara vez se define por un solo número. En cambio, es un tapiz complejo tejido con muchos hilos diferentes: el grosor de una lámina de metal, la tensión de un cable, la suavidad de una superficie y la alineación de un componente. Estas características no existen de forma aislada; están profundamente conectadas, cambiando y reaccionando entre sí a medida que la maquinaria funciona. Para mantener la producción en marcha, los ingenieros utilizan herramientas estadísticas llamadas gráficos de control. Estos son, esencialmente, monitores que vigilan el proceso, haciendo sonar una alarma si los números se desvían de sus objetivos previstos. Durante décadas, las herramientas estándar han sido excelentes para detectar problemas masivos y obvios, como cuando una máquina se avería por completo. Sin embargo, a menudo pasan por alto los cambios sutiles y progresivos —el ligero alabeo de una pieza o un diminuto aumento en la vibración— que ocurren lentamente con el tiempo. Estos pequeños cambios son peligrosos porque pueden arruinar un lote de productos antes de que alguien lo note, pero son demasiado tenues para que las herramientas antiguas los detecten.

A este desafío se suma la realidad de que las mediciones en sí mismas nunca son perfectas. Los instrumentos utilizados para revisar los productos, las personas que los operan y el entorno que los rodea introducen todos pequeños errores. Una regla podría estar ligeramente doblada, un sensor podría desviarse con la temperatura o un operador humano podría leer un calibre una fracción de milímetro erróneamente. Estos errores de medición actúan como estática en una señal de radio, empañando la imagen real de lo que está sucediendo en la planta de producción. Cuando esta estática se ignora, los sistemas de monitoreo se vuelven lentos, tardando mucho más en darse cuenta de que algo anda mal. La pregunta que enfrentan los investigadores ha sido cómo construir un sistema de monitoreo que sea lo suficientemente agudo como para detectar estos cambios diminutos y simultáneos en múltiples características, incluso cuando los datos que se le suministran son imperfectos.

Un equipo de investigadores ha abordado este problema perfeccionando un método de monitoreo sofisticado conocido como el gráfico de razón de verosimilitud multivariante. Esta herramienta está diseñada para vigilar varias características de calidad relacionadas a la vez, observando cambios en sus valores promedio y en cuánto varían. Aunque es potente, la versión estándar de este gráfico aún puede ser lenta para reaccionar ante perturbaciones pequeñas. Para solucionar esto, los investigadores introdujeron dos nuevas capas de lógica, inspiradas en un conjunto de reglas desarrolladas por un estadístico llamado Klein. Estas reglas actúan como un segundo par de ojos. En lugar de esperar a un pico único y dramático para activar una alarma, el nuevo sistema busca patrones. Una versión, llamada la regla "2 de 2", hace sonar la alarma si dos mediciones consecutivas muestran signos de problemas. La otra, la regla "2 de 3", es un poco más matizada, activando una alerta si dos de las últimas tres mediciones indican un problema. Al añadir estos pasos de reconocimiento de patrones, el sistema se vuelve mucho más sensible a las señales de advertencia temprana de que un proceso se está desviando de su curso.

Los investigadores no se detuvieron simplemente en hacer el gráfico más inteligente; también lo reconstruyeron para tener en cuenta el ruido inevitable del error de medición. En el mundo real, los números registrados por los inspectores suelen ser una mezcla del valor real del producto y el error introducido por el proceso de medición. El equipo desarrolló un marco matemático que trata estos errores como un factor conocido, permitiendo que el gráfico separe la señal del ruido de manera más efectiva. Luego, pusieron a prueba sus nuevos diseños utilizando una vasta cantidad de simulaciones por computadora. Estas simulaciones crearon miles de escenarios de fábrica imaginarios, introduciendo pequeños cambios en la media y la variabilidad del proceso, y añadiendo diferentes niveles de error de medición para ver cómo se desempeñaban los gráficos.

Los resultados fueron claros y consistentes. En cada escenario probado, la presencia de error de medición hizo que los sistemas de monitoreo reaccionaran más lentamente, aumentando el tiempo necesario para detectar un problema. Este retraso ocurrió incluso cuando los errores de medición eran bastante pequeños, confirmando que ignorar este factor conduce a una falsa sensación de seguridad. Sin embargo, los gráficos equipados con las nuevas reglas de reconocimiento de patrones superaron significamente a la versión tradicional. Detectaron los cambios sutiles mucho más rápido, reduciendo el tiempo que un proceso defectuoso podía funcionar sin ser detectado. Entre las dos nuevas versiones, la regla "2 de 3" funcionó ligeramente mejor que la regla "2 de 2", ofreciendo la respuesta más rápida a los cambios tanto en los valores promedio como en la variabilidad del proceso. El estudio encontró que estas mejoras se mantuvieron constantes, ya fuera que el problema fuera un cambio en el tamaño promedio de una pieza, un cambio en cuánto variaban las piezas, o un cambio simultáneo en ambos.

Este trabajo demuestra que, combinando un reconocimiento de patrones más inteligente con una comprensión realista de las limitaciones de medición, es posible crear una red de seguridad mucho más vigilante para la fabricación. Los nuevos gráficos no solo reaccionan ante fallos grandes; están afinados para escuchar el susurro de un pequeño cambio antes de que se convierta en un grito. Para las industrias donde la precisión es primordial, desde la aeroespacial hasta la farmacéutica, esta capacidad de detectar errores de manera temprana y precisa, incluso cuando los datos son imperfectos, se traduce directamente en menos productos defectuosos y una calidad más confiable. Los investigadores sugieren que, si bien su modelo actual se centra en un tipo específico de error de medición, el trabajo futuro podría expandir estos métodos para manejar fuentes de incertidumbre aún más complejas, afilando aún más las herramientas que mantienen nuestro mundo moderno funcionando sin problemas.

Resumen Técnico: Gráficos de Control MGLR Mejorados Basados en las Reglas de Sensibilización de Klein para el Monitoreo Conjunto de Media y Dispersión bajo Error de Medición

Planteamiento del Problema
En los sistemas modernos de fabricación y servicios, la calidad del producto se define a menudo mediante múltiples características correlacionadas. Si bien los gráficos de control multivariantes son esenciales para el monitoreo simultáneo, los métodos existentes enfrentan tres limitaciones principales. Primero, los gráficos tradicionales de tipo Shewhart, aunque simples, carecen de sensibilidad ante pequeños desplazamientos del proceso. Segundo, muchas causas asignables afectan simultáneamente tanto a la ubicación del proceso (vector de medias) como a la dispersión (matriz de covarianza), pero muchos esquemas existentes monitorean estos parámetros por separado. Tercero, a pesar de los avances en la recopilación de datos, los errores de medición (debidos a la calibración de instrumentos, la inconsistencia del operador o factores ambientales) siguen siendo inevitables. Estos errores introducen una variabilidad adicional que contamina las observaciones, lo que a menudo conduce a una reducción significativa en el desempeño de los gráficos de control estadístico de procesos, un factor que con frecuencia se pasa por alto en el diseño de los gráficos.

Metodología
El artículo propone un marco unificado para abordar estos desafíos mediante el desarrollo de gráficos de control de la Razón de Verosimilitud General Multivariante (MGLR) mejorados. La metodología procede en tres etapas:

Desarrollo de Gráficos MGLR Mejorados: Los autores integran las reglas de sensibilización de Klein (específicamente las reglas 2-de-2 y 2-de-3) en el estadístico MGLR estándar. Estas reglas están diseñadas para detectar patrones no aleatorios y pequeños desplazamientos de manera más rápida sin aumentar la complejidad estructural del estadístico del gráfico.
- Regla 2-de-2: Señala una condición fuera de control si dos puntos consecutivos exceden el límite de control.
- Regla 2-de-3: Señala una condición fuera de control si dos de tres puntos consecutivos exceden el límite de control.
- Los gráficos están diseñados para monitorear el vector de medias ( $\boldsymbol{\mu}$ ) y la matriz de covarianza ( $\boldsymbol{\Sigma}$ ) simultáneamente.
Incorporación del Error de Medición: Para reflejar condiciones industriales realistas, los gráficos mejorados se rediseñan bajo un modelo de covariables aditivas. En este modelo, el valor observado ( $\boldsymbol{y}_{tj}$ ) se expresa como una función lineal de la característica de calidad real ( $\boldsymbol{x}_{tj}$ ) más un vector de error aleatorio ( $\boldsymbol{\epsilon}_{tj}$ ):
$\boldsymbol{y}_{tj} = \boldsymbol{A} + \boldsymbol{B}\boldsymbol{x}_{tj} + \boldsymbol{\epsilon}_{tj}$
Se asume que el vector de error sigue una distribución normal multivariante con media cero y matriz de covarianza $\boldsymbol{\Sigma}_e$ . Los gráficos propuestos utilizan observaciones estandarizadas derivadas de este modelo para calcular el estadístico MGLR, contabilizando así explícitamente la varianza introducida por los sistemas de medición.
Evaluación del Desempeño: La efectividad de los esquemas propuestos (MGLR Clásico, MGLR-2-de-2 y MGLR-2-de-3) se evalúa mediante extensas simulaciones de Monte Carlo. El estudio considera:
- Escenarios: Desplazamientos separados en el vector de medias, desplazamientos separados en la matriz de covarianza y desplazamientos simultáneos en ambos.
- Niveles de Error: Cuatro niveles de varianza de error de medición ( $\sigma^2_\epsilon \in \{0, 0.10, 0.15, 0.20\}$ ).
- Métricas: Longitud de Carrera Promedio (ARL), Desviación Estándar de la Longitud de Carrera (SDRL) y Longitud de Carrera Mediana (MRL). Los límites de control para todos los gráficos se calibran para lograr un $ARL_0$ (longitud de carrera en control) de aproximadamente 200.

Resultados Clave
Los resultados de la simulación arrojan los siguientes hallazgos:

Impacto del Error de Medición: El error de medición degrada consistentemente el desempeño de todos los gráficos de control. Incluso en niveles bajos de varianza de error, la presencia de error aumenta los valores de ARL, lo que indica un retraso en la detección de señales fuera de control. Este impacto negativo se intensifica a medida que aumenta la varianza del error y, en el caso del gráfico clásico, a medida que aumenta la magnitud del desplazamiento.
Superioridad de las Reglas de Sensibilización: Los gráficos mejorados que incorporan las reglas de Klein (2-de-2 y 2-de-3) superan sustancialmente al gráfico MGLR clásico en todos los escenarios de desplazamiento y niveles de varianza de error. Logran longitudes de carrera más cortas, lo que significa una detección más rápida de las perturbaciones del proceso.
Comparación de Reglas: Aunque ambos esquemas mejorados son superiores al gráfico clásico, el esquema 2-de-3 demuestra un desempeño general ligeramente mejor que el esquema 2-de-2 en términos de velocidad de detección.
Comportamiento Bajo Error: Curiosamente, el comportamiento de los gráficos mejorados difiere ligeramente del gráfico clásico respecto a la interacción entre la magnitud del desplazamiento y el error. Para los gráficos mejorados, el porcentaje de aumento en el ARL debido al error de medición tiende a aumentar para desplazamientos de pequeño a moderado, pero puede disminuir para desplazamientos muy grandes, mientras que el gráfico clásico muestra un aumento constante en el porcentaje de ARL a medida que crece la magnitud del desplazamiento.

Significancia y Reivindicaciones
El artículo afirma que ningún estudio previo ha integrado el monitoreo conjunto multivariante de media y dispersión, las reglas de sensibilización de Klein y los efectos del error de medición dentro de un solo marco. La significancia de este trabajo radica en:

Realismo Práctico: Al modelar explícitamente el error de medición mediante un modelo de covariables aditivas, los gráficos propuestos ofrecen una representación más realista de las condiciones de monitoreo industrial donde los datos rara vez están libres de error.
Sensibilidad Mejorada: La incorporación de las reglas de Klein logra acelerar la detección de pequeños y moderados desplazamientos tanto en la ubicación como en la dispersión del proceso, abordando una debilidad conocida de los gráficos multivariantes de tipo Shewhart estándar.
Robustez: El estudio demuestra que, si bien el error de medición reduce inevitablemente la sensibilidad, los esquemas mejorados propuestos mantienen una ventaja de desempeño significativa sobre los métodos clásicos, convirtiéndolos en opciones más robustas para entornos con sistemas de medición imperfectos.

Los autores concluyen que omitir el error de medición puede conducir a evaluaciones erróneas del desempeño de los gráficos de control y que el gráfico MGLR 2-de-3 propuesto ofrece una solución particularmente efectiva para el monitoreo simultáneo en presencia de ruido de medición. Las direcciones de investigación futura sugeridas por los autores incluyen extender el modelo a una estructura de error de cuatro componentes e investigar el diseño económico y económico-estadístico de estos gráficos.

Más como este