Evaluación de la eficacia del diagrama de control ZICOMP‑Shewhart para el monitoreo de procesos con inflación de ceros

Por qué muchos ceros siguen importando

Las fábricas modernas, los hospitales y los sistemas informáticos a menudo hacen su trabajo tan bien que los problemas son raros. Los registros de calidad pueden mostrar largos periodos de unidades perfectas—ceros defectos—interrumpidos por estallidos ocasionales de problemas. A primera vista esto parece una buena noticia, pero en realidad dificulta saber cuándo un proceso se desvía silenciosamente. Este artículo aborda ese reto desarrollando y evaluando una herramienta estadística especializada—el diagrama de control ZICOMP‑Shewhart—diseñada para vigilar procesos en los que “no ocurre nada” la mayor parte del tiempo, pero no siempre.

Vigilar la calidad a lo largo del tiempo

En control de calidad, los ingenieros usan gráficos de control para seguir el comportamiento de un proceso a lo largo del tiempo. Cada nuevo lote, elemento o periodo de tiempo se resume como un punto en el gráfico. Mientras los puntos permanezcan dentro de límites esperados, el proceso se considera estable; cuando cruzan un límite, se activa una alarma y se investiga el proceso. Los gráficos tradicionales funcionan bien cuando el número de defectos sigue patrones simples, como la conocida distribución de Poisson. Sin embargo, en muchos procesos «de alto rendimiento» modernos—como la fabricación de discos duros o el monitoreo de errores en centros de datos—la mayoría de las observaciones son exactamente cero, con solo unos pocos conteos distintos de cero. Los modelos estándar subestiman este exceso de ceros y con frecuencia juzgan mal la cantidad de variación, lo que puede retrasar o enmascarar advertencias importantes.

Darle a los ceros su propio modelo

Los autores se basan en una familia flexible de modelos llamada distribución Conway–Maxwell–Poisson (COMP), que puede manejar datos más variables o menos variables que el caso clásico de Poisson. La amplían a la distribución COMP con inflación de ceros (ZICOMP), que separa explícitamente dos ingredientes: la probabilidad de que el resultado sea cero en absoluto, y el patrón de los conteos no nulos cuando aparecen problemas. Esto permite que el modelo se adapte a tres situaciones comunes: datos muy variables con colas largas a la derecha, datos aproximadamente equilibrados y datos fuertemente agrupados con poca dispersión. El diagrama de control ZICOMP‑Shewhart usa esta descripción más rica para fijar un único límite superior ajustado a procesos donde los ceros son especialmente frecuentes.

Diseñar límites de alarma más inteligentes

Una cuestión central en la práctica es qué tan alto colocar la línea de alarma. Si está demasiado baja, el gráfico da falsas alarmas; si está demasiado alta, se pasan por alto problemas reales. Los autores emplean experimentos computacionales a gran escala para explorar cómo un «coeficiente de límite» controla este compromiso. Estudian dos medidas clave de desempeño. Una es la longitud media de corrida, que es el número esperado de muestras antes de que el gráfico señale; esto refleja la frecuencia de las falsas alarmas cuando el proceso está sano. La otra es el error de Tipo II, la probabilidad de que el gráfico no señale cuando el proceso realmente ha cambiado. Al barrer muchas combinaciones de parámetros del modelo—para distintos niveles de variabilidad y distintas cantidades de inflación de ceros—muestran cómo elegir el coeficiente de límite para obtener una longitud media de corrida deseada mientras se mantienen bajas las alarmas perdidas, incluso cuando la naturaleza discreta de los datos hace imposible un ajuste perfecto.

Poner el método a prueba

Para ver cómo se comporta su gráfico en escenarios realistas, los autores lo comparan con un diseño competidor que no trata los ceros de forma especial y usa únicamente la distribución COMP. A través de múltiples escenarios simulados, encuentran repetidamente que el diagrama ZICOMP‑Shewhart detecta cambios en la tasa de defectos antes y con más frecuencia, ya sean los datos muy variables, moderadamente variables o fuertemente agrupados. En un estudio de caso con datos reales de errores de lectura‑escritura de discos duros—donde largos periodos sin errores se ven interrumpidos por ráfagas de fallos—el nuevo gráfico logra detectar un cambio tras una racha de ceros seguida de conteos mayores, mostrando cómo puede servir como un sistema de alerta temprana en entornos de alta fiabilidad.

Qué significa esto en la práctica

Para los profesionales, el mensaje es que ignorar el papel especial de los ceros puede ocultar señales importantes sobre la salud del proceso. Al construir un gráfico de control alrededor de un modelo que reconoce tanto los ceros extra como patrones inusuales de variación, el diagrama ZICOMP‑Shewhart ofrece una imagen más fiable de cuándo un proceso se está desviando realmente de su comportamiento previsto. Aunque su rendimiento sigue dependiendo de lo bien que se estimen los parámetros subyacentes, y trabajos futuros podrían refinar estas estimaciones, este estudio demuestra que adaptar las herramientas estadísticas a las peculiaridades de datos reales puede hacer que la monitorización de la calidad sea más sensible, más fiable y, en última instancia, mejor para prevenir fallos costosos.

Cita: Sattar, A., Raza, M.A., AL-Essa, L.A. et al. Assessing the effectiveness of the ZICOMP-Shewhart control chart for monitoring zero-inflated processes. Sci Rep 16, 8269 (2026). https://doi.org/10.1038/s41598-025-32581-y

Palabras clave: datos de conteo con inflación de ceros, control estadístico de procesos, gráficas de control de calidad, Conway‑Maxwell‑Poisson, defectos de fabricación