Οταν θελεις να παρακολουθεις διακυμανση σε κλησεις ή αποδοσεις, τα διαγραμματα ελεγχου ειναι ιδανικα. Τα στατιστικα ορια βοηθουν στον αμεσο εντοπισμο ανωμαλιων.
import numpy as np
import matplotlib.pyplot as plt
rng = np.random.default_rng(5)
values = 45 + rng.normal(0, 3, size=28)
values[[6, 18]] += np.array([12, -10]) # Εισαγωγη ανωμαλιων
mean = values.mean()
std = values.std(ddof=1)
ucl = mean + 3 * std
lcl = mean - 3 * std
fig, ax = plt.subplots(figsize=(6.4, 3.6))
ax.plot(values, marker="o", color="#0ea5e9")
ax.axhline(mean, color="#334155", linewidth=1.3, label="Μεσος ορος")
ax.axhline(ucl, color="#ef4444", linestyle="--", label="UCL")
ax.axhline(lcl, color="#ef4444", linestyle="--", label="LCL")
ax.set_xticks(range(0, len(values), 4), labels=[f"W{i+1}" for i in range(0, len(values), 4)])
ax.set_title("Διαγραμμα ελεγχου χρονου εξυπηρετησης κλησεων")
ax.set_ylabel("Μεσος χρονος (δευτ.)")
ax.grid(alpha=0.2)
for idx, val in enumerate(values):
if val > ucl or val < lcl:
ax.annotate(
"Ανωμαλια",
(idx, val),
xytext=(idx + 0.5, val + 4),
arrowprops=dict(arrowstyle="->", color="#ef4444"),
color="#ef4444",
)
ax.legend(loc="upper right")
fig.tight_layout()
plt.show()

Συμβουλες αναγνωσης #
- Τραβηξε ορια (±3σ) γυρω απο τον μεσο ορο για να εντοπιζεις ανωμαλα σημεια.
- Αν οι ανωμαλιες επιμενουν, μπορει να εχει αλλαξει η διαδικασια· ψαξε την αιτια.
- Ρυθμισε στυλ γραμμης και markers για να ταιριαζει με τον τονο της αναφορας.