Diseño Box-Behnken — Metodología de Superficie de Respuesta de Tres Niveles
- Propuesto por
- George E. P. Box and Donald W. Behnken
- Año
- 1960
- Tipo
- Response surface design (incomplete three-level factorial)
- Familia
- Engineering methods
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El diseño Box-Behnken (BBD) es un diseño eficiente de metodología de superficie de respuesta que ajusta un modelo polinomial de segundo orden completo utilizando tres niveles de cada factor.
Introducido por Box y Behnken en 1960, coloca puntos experimentales en los puntos medios de los bordes de un hipercubo y en el centro, evitando los puntos de las esquinas donde todos los factores están simultáneamente en sus niveles extremos. Esta estructura hace que el BBD sea particularmente atractivo cuando las combinaciones de niveles extremos son físicamente imposibles, costosas o inseguras de probar.
La intuición detrás del método
Suponga que está optimizando una reacción química y tiene tres factores controlables —temperatura, presión y concentración de catalizador— cada uno con un ajuste bajo, medio y alto. Un diseño factorial completo a tres niveles requeriría 27 corridas. El diseño Box-Behnken logra el mismo objetivo de ajuste de segundo orden con solo 15 corridas (más puntos centrales) seleccionando inteligentemente qué combinaciones de niveles de factores probar: siempre mantiene al menos un factor en su nivel medio, por lo que ningún experimento empuja simultáneamente todos los factores a sus extremos. Piense en ello como una muestra estratégica del espacio experimental que utiliza muchas menos corridas y, al mismo tiempo, captura la curvatura y las interacciones.
Historia
George Box y Donald Behnken introdujeron el diseño en su influyente artículo de 1960 en Technometrics, donde propusieron una familia de diseños de tres niveles que podían estimar todos los coeficientes de un polinomio de segundo orden evitando los vértices extremos del cubo de diseño. Su motivación fue tanto económica —las corridas en las esquinas pueden ser caras— como práctica, ya que muchos procesos industriales y químicos no pueden soportar condiciones operativas de niveles totalmente extremos. El diseño se convirtió en un estándar en la metodología de superficie de respuesta, ampliamente difundido a través de los libros de texto de Box y Draper (1987) y Myers, Montgomery y Anderson-Cook, y ahora se implementa rutinariamente en software estadístico como JMP, Minitab y el paquete rsm de R.
Cuándo usarlo
Utilice el diseño Box-Behnken cuando necesite ajustar un modelo de superficie de respuesta cuadrático (de segundo orden) completo con 3 a 7 factores continuos y los puntos de las esquinas del espacio experimental sean inseguros, infactibles o prohibitivamente costosos de probar —por ejemplo, cuando las configuraciones extremas de múltiples variables de proceso simultáneamente podrían dañar el equipo o plantear peligros de seguridad. El BBD es apropiado cuando el número de corridas experimentales debe mantenerse moderado y todos los factores pueden alcanzar individualmente sus ajustes altos y bajos. NO utilice el BBD si necesita un diseño que admita términos de orden superior a cuadrático, si tiene factores categóricos, si el objetivo es la extrapolación a puntos de vértice extremos, o si solo se estudian dos factores (un diseño compuesto central es más eficiente para k = 2). Evite también el BBD cuando una corrida en un punto de esquina sea realmente necesaria para cumplir un requisito de especificación posterior.
Limitaciones y consideraciones
- No es adecuado para experimentación secuencial: a diferencia de los diseños compuestos centrales, el BBD no se puede construir a partir de un experimento de cribado factorial previo de dos niveles.
- No estima interacciones en las combinaciones de factores extremas, ya que faltan los puntos de esquina; si el comportamiento en las esquinas es crítico, se necesita un diseño compuesto central o factorial completo.
- La cobertura de la región experimental no es uniforme — las esquinas del hipercubo no se muestrean en absoluto, lo que puede introducir sesgo de predicción si el óptimo real se encuentra cerca de una esquina.
- Para cinco o más factores, el número de corridas puede crecer sustancialmente, reduciendo su ventaja de eficiencia sobre los diseños compuestos centrales.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Requiere menos corridas experimentales que un diseño factorial completo de tres niveles, lo que lo hace eficiente en costos y tiempo para ajustar modelos de segundo orden.
- Sin corridas en puntos de esquina — particularmente valioso cuando las configuraciones simultáneamente extremas de todos los factores son físicamente peligrosas, prohibitivamente costosas o no factibles en el proceso.
- Todas las combinaciones de niveles de factores en la matriz de diseño están cerca del centro o en posiciones de punto medio de borde, que a menudo son las condiciones operativas más seguras y representativas.
- Casi rotatabilidad: la varianza de predicción es aproximadamente constante a distancias iguales del centro del diseño, lo que proporciona una precisión de estimación uniforme en toda la región experimental.
- Fácil de aumentar con réplicas de puntos centrales que proporcionan una estimación pura del error experimental y admiten una prueba de falta de ajuste.
Aplicaciones
- Optimización de formulaciones farmacéuticas, donde concentraciones de excipientes simultáneamente extremas pueden hacer que una tableta sea incompresible o inestable.
- Optimización de parámetros de proceso en ingeniería química —temperatura del reactor, presión y tasa de alimentación— donde los extremos combinados podrían exceder los márgenes de seguridad.
- Experimentos de ciencia de alimentos que optimizan la textura, el color o los atributos sensoriales en función de las proporciones de ingredientes y las condiciones de procesamiento.
- Estudios de ciencia de materiales que ajustan la relación entre la temperatura de sinterización, la presión y el tiempo en las propiedades de piezas cerámicas o de metal en polvo.
- Experimentos de campo agrícola que optimizan las tasas de fertilizantes, los niveles de riego y la densidad de siembra cuando las restricciones logísticas impiden probar todas las combinaciones extremas.
- Estudios de remediación ambiental que optimizan el pH, la dosis de oxidante y el tiempo de contacto para la degradación de contaminantes, donde las combinaciones extremas podrían ser corrosivas o peligrosas.
Cómo funciona
Cómo funciona
El experimentador identifica k factores cuantitativos continuos (típicamente de 3 a 7) y establece tres niveles codificados para cada uno: bajo (−1), centro (0) y alto (+1). La variable de respuesta debe ser medible y continua. Un requisito clave es que los niveles extremos de cada factor sean individualmente factibles —el diseño evita los vértices de las esquinas pero prueba cada factor en sus extremos mientras los otros factores se mantienen en su centro.
La matriz del BBD se construye combinando factores en bloques incompletos de dos en dos. Para cada par de factores, se crea un diseño factorial de dos niveles (cuatro corridas) mientras los factores restantes se mantienen en su nivel central. Se añaden réplicas de puntos centrales (típicamente 3–5) al diseño completo. Para tres factores, esto produce 15 corridas; para cuatro factores, 27 corridas. El diseño resultante es rotatorio o casi rotatorio y no tiene puntos de esquina donde todos los factores estén simultáneamente en sus configuraciones extremas.
Los experimentos se realizan en orden aleatorio para proteger contra variables ocultas y tendencias temporales. Cada fila del diseño especifica las configuraciones de los factores para una corrida experimental. La medición cuidadosa de la respuesta en cada corrida, junto con la aleatorización adecuada y el bloqueo si es necesario, es esencial para la estimación válida del modelo.
Se ajusta un modelo de regresión polinomial de segundo orden a los datos: la respuesta se modela como una función de los efectos lineales de todos los factores, sus términos cuadráticos (al cuadrado) y todos los términos de interacción de dos factores. La estimación por mínimos cuadrados ordinarios (o mínimos cuadrados ponderados) proporciona los coeficientes de regresión. El análisis de varianza y las pruebas de falta de ajuste evalúan la adecuación del modelo.
Fórmula
\hat{y} = \beta_0 + \sum_{i=1}^{k}\beta_i x_i + \sum_{i=1}^{k}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_i x_jUna vez confirmado un modelo satisfactorio, se explora la superficie de respuesta ajustada para localizar el óptimo —la combinación de configuraciones de factores que maximiza, minimiza o alcanza un valor objetivo de la respuesta. Los métodos incluyen análisis canónico, ascenso/descenso más pronunciado y optimización numérica de la función de deseabilidad cuando intervienen múltiples respuestas.
Errores comunes
- Confundir el BBD con un diseño compuesto central (CCD): el CCD incluye un bloque factorial (de esquina) de dos niveles más puntos axiales (estrella) que se extienden más allá del rango del factor; el BBD no tiene ninguno. Elegir el diseño incorrecto en relación con las restricciones experimentales conduce a corridas desperdiciadas o experimentos infactibles.
- Aplicar el BBD a menos de tres factores: para k = 2, el BBD se reduce a un diseño mucho menos eficiente que un CCD; prefiera siempre un CCD o un diseño rotatorio simple para estudios de dos factores.
- Réplicas insuficientes de puntos centrales: usar solo 1 o 2 puntos centrales deja la estimación del error puro mal definida, socavando la prueba de falta de ajuste y el ANOVA general. Se recomiendan encarecidamente al menos 3 puntos centrales.
- Ignorar la necesidad de aleatorización: ejecutar el BBD en un orden no aleatorio (por ejemplo, agrupar todas las corridas a baja temperatura) confunde los efectos de los factores con variables de molestia relacionadas con el tiempo, invalidando el modelo.
Preguntas frecuentes
¿En qué se diferencia el diseño Box-Behnken del diseño compuesto central?
Ambos diseños ajustan un modelo polinomial de segundo orden para el análisis de superficies de respuesta, pero difieren en su estructura. El diseño compuesto central (CCD) incluye un bloque factorial (de esquina) de dos niveles más puntos axiales (estrella) que se extienden más allá del rango del factor, y puede construirse secuencialmente a partir de un experimento de cribado previo. El BBD no tiene puntos de esquina ni puntos fuera del rango del factor — solo utiliza tres niveles por factor. Elija BBD cuando las corridas en las esquinas sean infactibles; elija CCD cuando la construcción secuencial o las propiedades en las esquinas extremas sean importantes.
¿Cuántas corridas requiere un diseño Box-Behnken?
El número de corridas depende del número de factores k. Para k = 3: 15 corridas (12 puntos medios de borde + 3 puntos centrales); para k = 4: 27 corridas; para k = 5: 46 corridas. Estos recuentos incluyen un número estándar de réplicas de puntos centrales. Compárelo con un diseño factorial completo de tres niveles, que requeriría 27, 81 y 243 corridas para k = 3, 4 y 5 respectivamente — el BBD ofrece ahorros drásticos.
¿Puedo usar el diseño Box-Behnken con más de siete factores?
El BBD se utiliza generalmente para 3 a 7 factores. Para más de siete factores, el número de corridas crece sustancialmente y suelen ser más eficientes enfoques alternativos como los diseños de cribado definitivos o los diseños óptimos generados por computadora. El artículo original de Box y Behnken (1960) describió diseños de hasta siete factores.
¿Qué software puede ejecutar un análisis Box-Behnken?
El BBD es compatible con la mayoría de los paquetes estadísticos importantes: JMP (módulo Design of Experiments), Minitab (sección Response Surface de DOE), SAS (PROC OPTEX o PROC RSREG) y R (el paquete rsm con la función bbd()). Los usuarios de Python pueden usar la biblioteca pyDOE2. Todos ellos generan la matriz de diseño, ajustan el modelo de segundo orden y proporcionan ANOVA, gráficos de superficie de respuesta y resultados de optimización.
¿Es el diseño Box-Behnken rotatorio?
El BBD es aproximadamente rotatorio, lo que significa que la varianza de predicción es casi constante a distancias iguales del centro del diseño, pero la rotatabilidad estricta depende del número de factores. Para k = 3, el BBD estándar es exactamente rotatorio con el recuento de puntos centrales comúnmente utilizado. Para otros valores de k, la rotatabilidad es aproximada. En la práctica, esta casi rotatabilidad es suficiente para la mayoría de las aplicaciones de ingeniería y científicas.
Métodos relacionados
Fuentes
Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475.
Abrir referencia DOICopiado.Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments (4th ed.). Wiley.
ISBN: 978-1118916025Copiado.