En las industrias manufactureras y de servicios, monitorear procesos con variables de entrada correlacionadas y características de calidad distribuidas de forma inversa gaussiana (IG) es un desafío debido a las limitaciones de los gráficos de control basados en el estimador de máxima verosimilitud (MLE). Cuando las variables de entrada presentan multicolinealidad, los gráficos de control del modelo de regresión gaussiana inversa basados en MLE tradicionales se vuelven poco confiables. Este estudio presenta nuevos gráficos de control de Shewhart utilizando residuos de Pearson y desviación basados en el modelo de regresión de cresta gaussiana inversa (IGRR) para abordar este problema. Los gráficos propuestos basados en IGRR manejan eficazmente la multicolinealidad, ofreciendo una alternativa robusta para el monitoreo de procesos. Su rendimiento se evalúa a través de simulaciones de Monte Carlo utilizando la longitud promedio de carrera () como el criterio principal, demostrando que los gráficos basados en residuos de Pearson superan a los gráficos basados en residuos de desviación y a los métodos basados en , especialmente bajo alta multicolinealidad. Una aplicación del mundo real a un conjunto de datos de calidad del aire de Pakistán confirma su sensibilidad superior para detectar picos de contaminación, lo que permite negociaciones ambientales oportunas. Estos hallazgos establecen los gráficos de control basados en residuos de Pearson IGRR como una herramienta práctica y confiable para monitorear procesos complejos con variables correlacionadas.