Es habitual en toda empresa que se precie de buena la busqueda de la mejora continua en la calidad de los bienes y servicios. La evidencia de la importancia de la calidad se encuentra en la publicidad y en el gran número de libros y artículos que se enfocan en el tema de la calidad.

La mejora continua en la calidad de la producción y servicios es consecuencia de la eficientización de los procesos productivos. A su vez la eficiencia de los procesos puede y suele medirse para controlar, mejorar y evitar desvíos.

El tema de gráficos estadísticos de control se sitúa principalmente en la estadística descriptiva, ya que se utilizan para describir y visualizar el comportamiento de un proceso a lo largo del tiempo mediante la observación de patrones, tendencias, y variaciones. Los gráficos de control muestran cómo un proceso se comporta en términos de su tendencia central y su variabilidad. Sin embargo, también hay un componente de estadística inferencial involucrado. Esto se debe a que los gráficos de control utilizan límites de control calculados a partir de datos históricos para hacer inferencias sobre si las variaciones observadas en el proceso son debidas al azar (causas comunes) o a algún cambio específico (causas especiales). Estos límites de control se establecen para hacer juicios sobre la estabilidad del proceso con cierto nivel de confianza. Así que podria decirse que los gráficos de control ocupan una posición **intermedia** entre la estadística descriptiva y la estadística inferencial.

Herramientas para el control estadístico

Existen algunas herramientas básicas que se utilizan comúnmente para controlar la la calidad. En su mayoría estas herramientas basan su utilidad en la visualización de los indicadores de eficiencia y calidad en los procesos. Las gráficas de control son un buen ejemplo de los maravillosos recursos gráficos que nos permiten ver y comprender algunas propiedades de los datos que, de otra forma, serían muy difíciles o imposibles de entender.

Para la creación y monitoreo de gráficos de control tanto en tiempo real como  en tiempo diferido o no real, existen varias herramientas de software especializadas y bibliotecas que ofrecen un amplio conjunto de funciones para analizar y visualizar datos de procesos. Aquí te muestro algunas de las mejores opciones, agrupadas por sus capacidades y niveles de complejidad:

1. Herramientas para Gráficos de Control en Tiempo Real

Estas herramientas son útiles para sistemas de manufactura y procesos industriales donde se necesita monitoreo en tiempo real:

• Tableau: Una herramienta de visualización de datos altamente interactiva que puede conectarse a bases de datos y fuentes de datos en tiempo real. Puedes crear gráficos de control y monitorear las tendencias en un tablero dinámico.

• Power BI: Ideal para análisis en tiempo real cuando se integra con bases de datos y servicios como Azure. Permite crear gráficos de control y actualizar datos automáticamente.

• Minitab: Aunque es más conocida para el análisis estadístico, ofrece módulos de gráficos de control. Minitab también puede automatizar informes y actualizarse con datos en tiempo real mediante la integración con sistemas de bases de datos.

• Qlik Sense: Ofrece paneles interactivos que permiten visualizar y monitorear gráficos de control con datos actualizados en tiempo real.

• Ignition by Inductive Automation: Una herramienta de software industrial que es muy potente para monitoreo y control en tiempo real. Permite crear gráficos de control avanzados conectados a sistemas SCADA.

2. Herramientas para Gráficos de Control Diferido (No en Tiempo Real)

Estas herramientas son útiles para análisis históricos y reportes:

• Minitab: Excelente para crear gráficos de control de control de rango o desviación estándar. Ofrece plantillas predefinidas y opciones de análisis detallado.

• JMP: Similar a Minitab, es una herramienta estadística que permite crear gráficos de control y realizar un análisis profundo de los datos.

• SPC for Excel: Un complemento de Excel que agrega funcionalidades específicas para realizar análisis de control estadístico de procesos. Es ideal para usuarios que prefieren trabajar en un entorno de hoja de cálculo.

• SigmaXL: Otro complemento de Excel diseñado para el análisis de Six Sigma y gráficos de control. Ofrece una interfaz fácil de usar para la creación de gráficos y análisis.

• R: Con paquetes como `qcc` y `spc`, R es una excelente opción para crear gráficos de control personalizados. Es muy flexible, pero requiere conocimiento de programación estadística.

• Python: Usando bibliotecas como `matplotlib`, `pandas`, y `scipy`, puedes crear gráficos de control de manera personalizada. Aunque requiere más esfuerzo en comparación con herramientas visuales, es muy potente para automatizar procesos y manejar grandes conjuntos de datos.

3. Bibliotecas de Python para Gráficos de Control

• matplotlib: Permite crear gráficos de control básicos con personalización avanzada. Se usa en combinación con `pandas` para manipulación de datos.

• seaborn: Ofrece gráficos más estilizados y es útil para realizar análisis exploratorios que complementen los gráficos de control.

• plotly: Ideal para crear gráficos interactivos, que pueden ser útiles para análisis no en tiempo real pero muy visuales.

• Dash (de Plotly): Permite crear aplicaciones web interactivas para monitoreo de gráficos de control en tiempo real. Es excelente si quieres tener un tablero que se actualice automáticamente.

• Bokeh: Muy útil para crear gráficos de control dinámicos e interactivos que se pueden integrar en aplicaciones web.

4. Herramientas Industriales Especializadas

• Statgraphics: Ofrece gráficos de control avanzados y un análisis estadístico profundo, útil para entornos industriales.

• MESA MES Solutions: Se integra con sistemas de fabricación para proporcionar gráficos de control y análisis de procesos en tiempo real.

5. Herramientas para Desarrollo Personalizado

• Custom Dashboards (Node.js y JavaScript Frameworks): Si se requiere una solución muy específica, desarrollar un panel personalizado usando tecnologías como Node.js y bibliotecas de gráficos como D3.js o Chart.js puede ser una excelente opción.

Aplicación de herramientas según el caso

• Para monitorear un proceso en tiempo real, es frecuente la utilización de herramientas como Ignition, Power BI, o Dash (en Python).

• Para un análisis detallado y preparación de informes, herramientas como Minitab, JMP, o SPC for Excel son frecuentemente utilizadas.

• Para análisis personalizados y automatización, utilizar Python con matplotlib y Dash es una opción poderosa.

Tipos de Gráficos de Control y sus Características

Existen varios tipos de gráficos de control, cada uno diseñado para monitorear diferentes aspectos de un proceso, como la ubicación (media), la dispersión (variabilidad), o el número de defectos. En github se comparten ejemplos de los tipos de graficos que se muestran en las figuras y se describen a continuación. Para esto hay tres archivos jupyter notebook en dónde se contruyen estos gráficos: 1, 2, 3.

1. Gráfico de la Media (Xˉ)

• Propósito: Monitorea la media de un proceso en subgrupos.

• Uso: Se utiliza cuando los datos se pueden dividir en subgrupos, y queremos analizar si hay cambios en la tendencia central del proceso.

• Límites de Control: Se establecen límites de control superior (UCL) e inferior (LCL) basados en la media y la desviación estándar del proceso.

2. Gráfico R (Rango)

• Propósito: Evalúa la variabilidad dentro de subgrupos de un proceso.

• Uso: Utilizado junto con el gráfico de la media, para monitorear la dispersión.

• Límites de Control: Se basan en el rango promedio y las tablas de control estadístico.

3. Gráfico de Desviación Estándar (Gráfico S)

• Propósito: Similar al gráfico R, pero usa la desviación estándar en lugar del rango para medir la variabilidad.

• Uso: Se prefiere cuando los subgrupos son más grandes (usualmente más de 10 observaciones por subgrupo).

4. Gráfico P (Proporción)

• Propósito: Monitorea la proporción de elementos defectuosos en muestras de tamaño variable.

• Uso: Ideal para procesos donde se mide la calidad en términos de defectos (por ejemplo, porcentaje de productos defectuosos).

5. Gráfico np

• Propósito: Monitorea el número de elementos defectuosos en muestras de tamaño constante.

• Uso: Similar al gráfico P, pero se usa cuando el tamaño de las muestras es constante.

6. Gráfico C

• Propósito: Monitorea el número de defectos en una unidad de inspección, asumiendo un tamaño de muestra constante.

• Uso: Usado en casos donde los defectos pueden ocurrir múltiples veces en una unidad, como inspeccionar un área determinada.

7. Gráfico U

• Propósito: Monitorea el número de defectos por unidad en muestras de tamaño variable.

• Uso: Se usa cuando el tamaño de la muestra puede variar y queremos analizar la cantidad de defectos por unidad.

8. Gráfico de Rachas

• Propósito: Monitorea la aleatoriedad de una secuencia de datos. Es útil para visualizar si hay patrones específicos en los datos que sugieran que el proceso no es aleatorio.

• Uso: Usado en conjunto con la prueba de rachas (Run Test) para evaluar si los datos siguen un patrón aleatorio o si hay rachas significativas que sugieran una tendencia o ciclo subyacente. Es especialmente útil en aplicaciones como: Verificar si los resultados de un proceso siguen un patrón aleatorio y detectar tendencias ascendentes o descendentes en los datos. Supongamos que tienes datos sobre el rendimiento diario de una máquina. El gráfico de rachas ayuda a identificar si hay períodos con un rendimiento consistentemente alto o bajo, lo que podría indicar un problema en el proceso.