Saltar al contenido
Volver a los resultados

Diseño Compuesto Central — Diseño Experimental de Superficie de Respuesta

Propuesto por
George E. P. Box and K. B. Wilson
Año
1951
Tipo
Response surface experimental design
Familia
Engineering methods

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Diseño Compuesto Central (CCD) es un diseño de superficie de respuesta de segundo orden que permite a los investigadores ajustar eficientemente un modelo cuadrático completo que relaciona múltiples factores de entrada continuos con una o más variables de respuesta.

Introducido por Box y Wilson en 1951, combina un núcleo factorial (o factorial fraccionado), puntos axiales (estrella) y réplicas de puntos centrales en un único diseño unificado, lo que lo convierte en el diseño más utilizado para la optimización de procesos en ingeniería, química y manufactura.

La intuición detrás del método

Supongamos que está optimizando el rendimiento de una reacción química variando la temperatura y la presión. Un diseño factorial simple le informa sobre los efectos principales y las interacciones en solo dos niveles por factor, pero omite la superficie curva que a menudo existe cerca de un óptimo. El CCD añade dos puntos adicionales más allá de las esquinas factoriales a lo largo de cada eje factorial —los puntos axiales o estrella—, de modo que el experimento se extiende lo suficiente en cada dirección para estimar la curvatura. Se añaden algunas ejecuciones de puntos centrales para medir el error experimental puro y verificar que la relación es realmente curva en lugar de lineal. Juntos, estos tres conjuntos de puntos permiten mapear toda la superficie de respuesta con muchas menos ejecuciones de las que requeriría un factorial completo de tres niveles.

Historia

El Diseño Compuesto Central fue introducido por George E. P. Box y K. B. Wilson en su trascendental artículo de 1951 en el Journal of the Royal Statistical Society, que simultáneamente introdujo el concepto de metodología de superficie de respuesta. Box y Wilson demostraron que la combinación de un diseño factorial con puntos axiales permitía estimar la curvatura de la superficie de respuesta y localizar un óptimo con muchos menos experimentos de los que requerían los métodos existentes. El diseño se convirtió en un elemento central de la optimización de procesos industriales durante las décadas de 1950 y 1960 y fue popularizado por el libro de texto de Box y Draper, Empirical Model-Building and Response Surfaces (1987). Hoy en día, el CCD sigue siendo el diseño experimental de segundo orden más citado y aplicado en ingeniería, química y ciencias de la vida.

Cuándo usarlo

Utilice el CCD cuando necesite ajustar un modelo de segundo orden (cuadrático) para mapear y optimizar una respuesta continua en una región de k factores cuantitativos (típicamente k = 2–6). Es la elección estándar en estudios de optimización de procesos en ingeniería química, desarrollo farmacéutico, ciencia de los alimentos y manufactura cuando se espera curvatura en la relación factor-respuesta o cuando un modelo de primer orden ya ha mostrado una falta de ajuste significativa. El CCD se prefiere sobre el diseño de Box-Behnken cuando se pueden permitir (o se necesitan) ajustes de factores en los puntos axiales extremos más allá del rango factorial, y sobre un factorial completo 3^k cuando la economía de las ejecuciones es importante. NO utilice el CCD con factores categóricos, variables de respuesta binarias o de conteo, o cuando la región experimental está geométricamente restringida de tal manera que los puntos axiales caen fuera de los rangos operativos factibles (en cuyo caso un diseño de Box-Behnken o D-óptimo es más apropiado). También evite el CCD si un modelo de primer orden con una estrategia de ascenso más pronunciado aún no se ha utilizado para mover el diseño a la vecindad del óptimo — ajustar una cuadrática lejos del óptimo desperdicia ejecuciones.

Limitaciones y consideraciones

  • Requiere que todos los factores sean continuos y cuantitativos; no puede manejar factores categóricos sin modificación.
  • Los puntos axiales a una distancia alfa > 1 se extienden más allá del cubo factorial, lo que puede ser inviable cuando los niveles de los factores están físicamente restringidos.
  • A medida que k crece (k > 5), el recuento total de ejecuciones aumenta rápidamente y las demandas de recursos se vuelven sustanciales.
  • El modelo cuadrático es una aproximación local; si la verdadera superficie de respuesta tiene no linealidad de orden superior, el modelo CCD aún puede mostrar falta de ajuste cerca del óptimo.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Estima eficientemente todos los coeficientes de un polinomio completo de segundo orden con menos ejecuciones que un diseño factorial 3^k.
  • Rotatabilidad: el CCD centrado en la cara o rotatable proporciona una varianza de predicción igual en todos los puntos equidistantes del centro del diseño, lo que brinda una precisión predictiva uniforme.
  • Las réplicas de puntos centrales proporcionan una estimación independiente del error puro, lo que permite una prueba válida de falta de ajuste.
  • Flexible: puede construirse secuencialmente — ejecute primero el núcleo factorial (como un diseño de cribado), luego aumente con puntos axiales y centrales si se detecta curvatura.
  • Bien soportado en software estadístico estándar (JMP, Minitab, paquete rsm de R, SAS PROC RSREG).

Aplicaciones

  • Desarrollo de procesos farmacéuticos: optimización de la fuerza de compresión de tabletas, la humedad de granulación y la concentración de aglutinante para maximizar simultáneamente la tasa de disolución y la dureza.
  • Ingeniería química: mapeo del rendimiento y la selectividad en función de la temperatura de reacción, la presión y la carga del catalizador para encontrar óptimos operativos.
  • Ciencia de los alimentos: optimización de las condiciones de horneado o fermentación (tiempo, temperatura, proporciones de ingredientes) para la textura y la calidad sensorial.
  • Ingeniería ambiental: modelado de la eficiencia de eliminación de contaminantes en función del pH, el tiempo de contacto y la dosis de adsorbente en estudios de tratamiento de agua.
  • Manufactura: optimización de los parámetros de mecanizado (velocidad de corte, avance, profundidad de corte) para minimizar la rugosidad de la superficie y el desgaste de la herramienta.
  • Ciencia de los materiales: ajuste de la resistencia o conductividad en función de la composición y las condiciones de procesamiento para guiar la formulación de aleaciones o polímeros.

Cómo funciona

Cómo funciona

1

Identifique los k factores cuantitativos continuos a estudiar y establezca sus niveles factoriales bajo y alto (codificados como -1 y +1). Elija la distancia axial alfa — para rotatabilidad alfa = (2^k)^(1/4); para CCD centrado en la cara alfa = 1. Determine el número de réplicas de puntos centrales n0 (típicamente 3–6) para estimar el error puro y estabilizar la varianza.

2

Ensamble los tres componentes: (1) un factorial completo 2^k o un núcleo factorial fraccionado 2^(k-p) adecuado que proporcione 2^k (o menos) ejecuciones en las esquinas; (2) 2k puntos axiales (estrella) colocados a una distancia alfa del centro a lo largo de cada eje factorial; y (3) n0 ejecuciones de puntos centrales en el origen. El recuento total de ejecuciones es N = 2^k + 2k + n0. Para k=2 factores, esto es típicamente 13 ejecuciones; para k=3, aproximadamente 20 ejecuciones.

Fórmula
N = 2^k + 2k + n_0
3

Realice las N ejecuciones experimentales en un orden aleatorio para evitar sesgos sistemáticos debidos a tendencias temporales o deriva del equipo. Registre el(los) valor(es) de respuesta para cada ejecución. Si los recursos lo permiten, el bloqueo de las porciones factorial y axial en sesiones experimentales separadas preserva la rotatabilidad mientras controla la variación diaria.

4

Utilice la regresión por mínimos cuadrados para ajustar el polinomio completo de segundo orden: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon. Este modelo captura los efectos principales, los efectos cuadráticos puros (curvatura) y las interacciones de dos factores. La estructura de puntos del CCD asegura que todos los coeficientes de segundo orden sean estimables.

Fórmula
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilon
5

Evalúe la adecuación del modelo mediante análisis de varianza (ANOVA), el coeficiente de determinación (R^2 y R^2 ajustado), gráficos de residuos y una prueba de falta de ajuste (habilitada por las réplicas de puntos centrales). Confirme que el modelo cumple con los supuestos de regresión —normalidad y varianza constante de los residuos— antes de sacar conclusiones.

6

Utilice la superficie de respuesta ajustada para localizar el óptimo —un máximo, mínimo o punto de silla— mediante análisis canónico, gráficos de contorno u optimización numérica de la función de deseabilidad. Verifique el óptimo predicho con una o más ejecuciones de confirmación en los ajustes óptimos de los factores antes de comprometerse con cambios operativos.

Errores comunes

  • Ejecutar el diseño lejos del verdadero óptimo — el CCD es un diseño de segundo orden destinado a un ajuste fino cerca de un óptimo, no a una exploración amplia; use diseños de cribado y ascenso más pronunciado primero.
  • Ignorar la prueba de falta de ajuste — los puntos centrales están precisamente para probar si el modelo cuadrático se ajusta; una señal significativa de falta de ajuste significa que el modelo es inadecuado y las conclusiones de optimización no son fiables.
  • No aleatorizar el orden de las ejecuciones — la ejecución sistemática del bloque factorial seguida de las ejecuciones axiales y centrales sin aleatorización confunde los efectos del tiempo con los efectos de los factores.
  • Elegir alfa sin verificar la viabilidad — un CCD rotatable (alpha = (2^k)^(1/4)) coloca los puntos axiales mucho más allá del rango factorial; siempre verifique que los niveles de los factores resultantes sean físicamente alcanzables antes de finalizar el diseño.
  • Sobreinterpretar la superficie lejos de la región de diseño — la cuadrática ajustada es fiable solo dentro de la región experimental; extrapolar para encontrar un óptimo global fuera de esa región no está justificado estadísticamente.

Preguntas frecuentes

¿Cuál es la diferencia entre un CCD centrado en la cara y un CCD rotatable?

En un CCD centrado en la cara (alpha = 1), los puntos axiales se encuentran en las caras del cubo factorial, por lo que todos los ajustes de los factores permanecen dentro del rango [-1, +1] — útil cuando las excursiones axiales no son factibles. En un CCD rotatable, alpha = (2^k)^(1/4), colocando los puntos axiales más lejos; esto da una varianza de predicción igual en todos los puntos a la misma distancia del centro (rotatabilidad) pero requiere niveles de factores más allá del rango factorial. Elija centrado en la cara cuando las restricciones físicas impidan ajustes extremos; elija rotatable cuando la precisión predictiva uniforme en toda la esfera del diseño sea la prioridad.

¿Cuántas réplicas de puntos centrales debo usar?

La recomendación estándar es de 3 a 6 réplicas de puntos centrales. Tres es el mínimo práctico para obtener una prueba de falta de ajuste significativa y una estimación estable del error puro. El uso de 5 a 6 puntos centrales mejora la estabilidad de la estimación de la varianza y es aconsejable cuando se espera que el ruido experimental sea alto. Más de seis puntos centrales rara vez añaden un valor proporcional y aumentan el recuento total de ejecuciones.

¿Puedo usar CCD cuando tengo más de seis factores?

Sí, pero la economía de las ejecuciones se deteriora. Para k > 5, el núcleo factorial completo 2^k se vuelve costoso, por lo que los profesionales suelen sustituirlo por un factorial fraccionado de resolución V, creando un diseño compuesto central fraccionado. Software como JMP o Minitab automatiza esta construcción. Para k > 6, un diseño generado por computadora D-óptimo o I-óptimo a menudo proporciona una alternativa más eficiente en ejecuciones que cualquier CCD clásico.

¿Cómo se compara el CCD con el diseño de Box-Behnken?

Ambos son diseños de superficie de respuesta de segundo orden para k >= 3 factores. El CCD incluye puntos de esquina (factoriales) más puntos axiales más puntos centrales; Box-Behnken utiliza solo los puntos medios de los bordes y los puntos centrales, por lo que nunca requiere combinaciones de factores en las esquinas extremas del espacio de diseño. Box-Behnken se prefiere cuando los ajustes de las esquinas son físicamente peligrosos o inviables y cuando no se pueden lograr puntos axiales alpha > 1. El CCD se prefiere cuando los ajustes de las esquinas son factibles y cuando se desea la estrategia secuencial (aumento), porque el bloque factorial puede servir como un experimento de cribado anterior.

¿Qué software puedo usar para configurar y analizar un CCD?

Todos los principales paquetes estadísticos soportan el CCD: Minitab (Response Surface > Central Composite), JMP (Custom Design o plataforma Response Surface), SAS PROC RSREG y R con el paquete rsm (función ccd()). El paquete rsm está disponible gratuitamente y proporciona generación completa del diseño, ajuste del modelo y trazado de superficies en un solo flujo de trabajo.

Métodos relacionados

Fuentes

  1. Box, G. E. P., & Wilson, K. B. (1951). On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society: Series B, 13(1), 1–45.

    Abrir referencia DOI
    Copiado.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiado.