Avaliando a efetividade do gráfico de controle ZICOMP‑Shewhart para monitorar processos com inflação de zeros

Por que muitos zeros ainda importam

Fábricas modernas, hospitais e sistemas de computador frequentemente executam suas tarefas tão bem que problemas se tornam raros. Registros de qualidade podem mostrar longos períodos de unidades perfeitas—zero defeitos—interrompidos por ocasionais surtos de problemas. À primeira vista isso parece uma boa notícia, mas na prática torna mais difícil detectar quando um processo está silenciosamente saindo de controle. Este artigo enfrenta esse desafio desenvolvendo e avaliando uma ferramenta estatística especializada—o gráfico de controle ZICOMP‑Shewhart—projetado para monitorar processos em que “nada acontece” a maior parte do tempo, mas nem sempre.

Observando a qualidade ao longo do tempo

No controle de qualidade, engenheiros usam gráficos de controle para acompanhar o comportamento de um processo ao longo do tempo. Cada novo lote, item ou período é representado por um ponto no gráfico. Enquanto os pontos permanecerem dentro de limites previstos, o processo é considerado estável; quando cruzam um limite, um alarme é acionado e o processo é investigado. Gráficos tradicionais funcionam bem quando o número de defeitos segue padrões simples, como a familiar distribuição de Poisson. Contudo, em muitos processos modernos de “alto rendimento”—como fabricação de discos rígidos ou monitoramento de erros em centros de dados—a maioria das observações é exatamente zero, com apenas algumas contagens não nulas. Modelos padrão subestimam esse excesso de zeros e frequentemente avaliam mal a quantidade de variação, o que pode atrasar ou mascarar alertas importantes.

Dando aos zeros um modelo próprio

Os autores partem de uma família flexível de modelos chamada distribuição Conway–Maxwell–Poisson (COMP), que pode lidar com dados mais variáveis ou menos variáveis que o caso clássico de Poisson. Eles estendem essa família para a distribuição COMP com inflação de zeros (ZICOMP), que separa explicitamente dois componentes: a probabilidade de que o resultado seja zero e o padrão das contagens não nulas quando problemas realmente aparecem. Isso permite que o modelo se adapte a três situações comuns: dados altamente assimétricos com caudas direitas longas, dados aproximadamente balanceados e dados fortemente concentrados com pouca dispersão. O gráfico de controle ZICOMP‑Shewhart usa essa descrição mais rica para definir um único limite superior ajustado a processos nos quais zeros são especialmente comuns.

Projetando limites de alarme mais inteligentes

Uma questão central na prática é quão alto posicionar a linha de alarme. Se for baixa demais, o gráfico dá muitos falsos alarmes; se for alta demais, problemas reais passam despercebidos. Os autores usam experimentos computacionais em larga escala para explorar como um “coeficiente de limite” controla esse equilíbrio. Eles estudam duas medidas de desempenho principais. Uma é o comprimento médio de execução (average run length), que é o número esperado de amostras antes do gráfico sinalizar; isso reflete com que frequência ocorrem falsos alarmes quando o processo está saudável. A outra é o erro do Tipo II, a probabilidade de o gráfico não sinalizar quando o processo realmente mudou. Ao varrer muitas combinações de parâmetros do modelo—for diferentes níveis de variabilidade e diferentes quantidades de inflação de zeros—eles mostram como escolher o coeficiente de limite para obter um comprimento médio de execução desejado mantendo os alarmes perdidos em um nível aceitável, mesmo quando a natureza discreta dos dados torna o ajuste perfeito impossível.

Testando o método

Para avaliar o comportamento do gráfico em cenários realistas, os autores o comparam com um projeto concorrente que não trata zeros de forma especial e usa apenas a distribuição COMP. Em múltiplos cenários simulados, eles constatam repetidamente que o gráfico ZICOMP‑Shewhart detecta mudanças na taxa de defeitos mais cedo e com maior frequência, seja quando os dados são altamente variáveis, moderadamente variáveis ou fortemente concentrados. Em um estudo de caso com dados reais de erros de leitura e gravação em discos rígidos—onde longos períodos de operação sem erros são pontuados por surtos de falhas—o novo gráfico detecta com sucesso uma mudança após uma sequência de zeros seguida por contagens maiores, mostrando como pode servir como um sistema de alerta precoce em ambientes de alta confiabilidade.

O que isso significa na prática

Para os profissionais, a lição é que ignorar o papel especial dos zeros pode ocultar sinais importantes sobre a saúde do processo. Ao construir um gráfico de controle em torno de um modelo que reconhece tanto zeros extras quanto padrões incomuns de variação, o gráfico ZICOMP‑Shewhart fornece uma visão mais confiável de quando um processo está realmente se desviando do comportamento pretendido. Embora seu desempenho ainda dependa da qualidade da estimação dos parâmetros subjacentes, e trabalhos futuros possam refinar essas estimativas, este estudo demonstra que adaptar ferramentas estatísticas às peculiaridades dos dados reais pode tornar o monitoramento de qualidade mais sensível, mais confiável e, em última instância, melhor na prevenção de falhas dispendiosas.

Citação: 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

Palavras-chave: dados de contagem com inflação de zeros, controle estatístico de processo, gráficos de controle de qualidade, Conway‑Maxwell‑Poisson, defeitos de fabricação