TEMA VIII

ESQUEMA GENERAL

Definición general

Clasificación
Diseño factorial A x B completamente al azar
Representación de los efectos factoriales
Modelo estructural, análisis y componentes de
variación
Diseño factorial de bloques y diseño factorial
de medidas repetidas
DISEÑO FACTORIAL
 Concepto

El diseño factorial, como estructura de

investigación, es la combinación de dos o más
diseños simples (o unifactoriales); es decir, el
diseño factorial requiere la manipulación
simultánea de dos o más variables
independientes (llamados factores), en un
mismo experimento. ..//..
En función de la cantidad de factores o
variables de tratamiento, los formatos
factoriales se denominan, también, diseños de
tratamientos x tratamientos, tratamientos x
tratamientos x tratamientos, etc, y se
simbolizan por AxB, AxBxC, etc.
 Criterios de clasificación

Cantidad de niveles

Criterios Cantidad de combinaciones

Tipo de control
Clasificación del diseño factorial por
criterio
A) Según la cantidad de niveles o valores por factor,
el diseño factorial se clasifica en:

Cantidad constante

Cantidad de valores

Cantidad variable

..//..
La notación del diseño es más sencilla cuando
la cantidad de niveles por factor es igual (es
decir, constante). Así, el diseño factorial de
dos factores a dos niveles se representa por 2²,
el de tres factores por 23, etc. En términos
generales, los diseños a dos niveles y con k
factores se representan por 2k; a tres niveles,
por 3k; a cuatro niveles por 4k, etc. ..//..
Cuando los factores actúan a más de dos
niveles (es decir, cuando la cantidad de valores
por factor es variable), el diseño se representa
por 2 x 3, 2 x 3 x 4, etc. A su vez, cabe
considerar la posibilidad que, tanto en un caso
como en otro, el diseño sea balanceado
(proporcionado) o no balanceado (no
proporcionado); es decir, diseños con igual
cantidad de sujetos por casilla y diseños con
desigual cantidad de sujetos por casilla. ..//..
B) El segundo criterio hace hincapié en la cantidad
de combinaciones de tratamiento realizadas o
ejecutadas. Con base a este criterio, el diseño
factorial se clasifican en:

Diseño factorial completo

Cantidad de
combinaciones
de tratamiento

Diseño factorial incompleto

y fraccionado ..//..
Si el diseño factorial es completo, se realizan
todas las posibles combinaciones entre los
valores de las variables. Así, cada
combinación de tratamientos determina un
grupo experimental (grupo de tratamiento o
casilla). Por ejemplo, el diseño factorial
completo 2x2 determina cuatro grupos de
tratamiento; un diseño 3x3 nueve grupos, etc.
..//..
Asumiendo que sólo se ejecute una parte del
total de las combinaciones, el diseño factorial
es incompleto o fraccionado, según el
procedimiento seguido. ..//..
 C) En función del control de variables extrañas.

Diseño factorial
completamente al azar
Diseño factorial de bloques
aleatorizados
Diseño factorial de Cuadrado
Grado de control Latino
Diseño factorial jerárquico o
anidado
Diseño factorial de medidas
repetidas

..//..
Según el control de los factores extraños y la
reducción de la variancia del error, el diseño
factorial puede ser, en primer lugar,
completamente al azar; es decir, aquel
formato donde sólo se aplica el azar como
técnica de control y donde los grupos se
forman mediante la asignación aleatoria de los
sujetos. ..//..
En segundo lugar, el diseño factorial de
bloques aleatorizados permite el control de una
variable extraña. Según esa estrategia, cada
bloque es un réplica completa del experimento,
y los grupos intra bloque (dentro de cada
bloque) se forman al azar. ..//..
Siguiendo con el criterio de bloques, el diseño
factorial de Cuadrado Latino o de doble
sistema de bloques controla dos fuentes de
variación extrañas, aunque sólo se realiza una
parte del total de combinaciones. ..//..
El diseño factorial jerárquico o anidado
requiere la manipulación experimental de la
variable y, al mismo tiempo, la anidación (o
inclusión) de una variable dentro de las
combinaciones de tratamientos de los factores.
..//..
Por último, el diseño factorial de medidas
repetidas incorpora la técnica intra-sujeto; es
decir, el sujeto actúa de control propio y recibe
todas las combinaciones de tratamiento
generados por la estructura factorial.
Criterios Diseño

Cantidad de Igual cantidad de valores: 2k, 3k, etc.

valores por factor Cantidad variable: 2x3; 2x3x4, etc.

Cantidad de Diseño factorial completo

combinaciones de Diseño factorial incompleto y fraccionado
tratamientos

Diseño factorial completamente al azar

Grado de control Diseño factorial de bloques
Diseño factorial de Cuadrado Latino
Diseño factorial jerárquico
Diseño factorial de medidas repetidas
 Efectos factoriales estimables

1. Efectos simples
2. Efectos principales
3. Efectos secundarios
 Efectos factoriales simples

Es posible definir el efecto factorial simple

como el efecto puntual de una variable
independiente o factor para cada valor de la
otra.
 Efectos factoriales principales

Los efectos factoriales principales, a diferencia

de los simples, son el impacto global de cada
factor considerado de forma independiente, es
decir, el efecto global de un factor se deriva
del promedio de los dos efectos simples.
 Efectos factoriales secundarios

El efecto secundario o de interacción se define

por la relación entre los factores o variables
independientes, es decir, el efecto cruzado.
Diseño factorial al azar 2x2
Estructura del diseño
Combinación de tratamientos por
grupo o casilla

Diseño factorial 2x2

A1B1 A1B2

A2B1 A2B2
 Formato del diseño factorial
completamente al azar
V.E. Z1 Z2 Z3 Z4
V.I. A1B1 A1B2 A2B1 A2B2

S1 S1 S1 S1

s Sn1 Sn2 Sn3 Sn4

e
l
e
c Asignación al azar
c M
i
P ó
n
 Caso paramétrico. Ejemplo 1

Se pretende probar, en una situación de

aprendizaje discriminante animal, si la magnitud
del incentivo (variable incentivo) actúa según el
aprendizaje sea simple o complejo (variable
dificultad de aprendizaje o variable tarea). En esta
hipótesis se afirma que a mayor incentivo, más
acusada es la diferencia entre las dos tareas (simple
o compleja) ..//..
Para ello, se registra la cantidad de
discriminaciones correctas (variable
dependiente) en función de un criterio general
de aprendizaje, que asume como suficientes 15
ensayos. Se toma, como medida de la variable
dependiente o de respuesta, la cantidad de
respuestas correctas, para un máximo de 15,
bajo el supuesto de que cada discriminación
correcta tiene la misma dificultad de
aprendizaje. ..//..
Para probar la hipótesis propuesta se asignan
32 sujetos, de una muestra experimental, a las
combinaciones de tratamientos o casillas (ocho
sujetos por casilla), de forma totalmente
aleatoria.
 Modelo de prueba de hipótesis

Paso 1. Según la estructura del diseño son

estimables tres efectos. Por esa razón, se plantean
tres hipótesis de nulidad relativas a la variable A,
variable B e interacción:
H0: α1 = α2 = 0
H 0: ß 1 = ß 2 = 0
H0: (αß)11 = (αß)12 = (αß)21 = (αß)22 = 0
Paso 2. Por hipótesis experimental, se espera
que los efectos principales y el de la
interacción sean significativos. Estas hipótesis
se representan, al nivel estadístico, por
H1: α1  α2, o no todas las α son cero
H1: ß1  ß2, o no todas las ß son cero
H1: (αß)11  (αß)12  (αß)21  (αß)22, o no
todas las αß son cero.
Paso 3. El estadístico de la prueba es la F de
Snedecor, con un α de 0.05, para las tres
hipótesis de nulidad. El tamaño de la muestra
experimental es N = 32 y el de las submuestras
n = 8.

Paso 4. Cálculo del valor empírico de las

razones F. Para ello, se toma la matriz de datos
del experimento.
Matriz de datos del diseño
 DISEÑO FACTORIAL 2X2
A1B1 A1B2 A2B1 A2B2
10 4 7 8
9 3 9 6
4 4 10 9
8 5 8 9
8 2 10 8
4 3 9 7
3 4 10 7
6 2 7 6
Totales: 52 27 70 60 209
Medias: 6.5 3.375 8.75 7.5 6.53
ANOVA factorial
 Modelo estructural del ANOVA:
Diseño factorial 2X2

Yijk     j   k  ( ) jk   ijk

 Especificación del modelo

Yijk = la puntuación del i sujeto bajo la combinación

del j valor del factor A y el k valor del factor B.
μ = la media común a todos los datos del
experimento.
αj = el efecto o impacto del j nivel de la variable de
tratamiento A.
ßk = efecto del k valor de la variable de tratamiento B.
(αß)jk = efecto de la interacción entre el j valor de
A y el k valor de B.
εijk = error experimental o efecto aleatorio de
muestreo.
Descomposición polietápica de las
Sumas de cuadrados
SCA

SCentre-grupos SCB

SCtotal SCAB

SCintra-grupos SCS/AB
 Cuadro resumen del ANOVA primera
etapa: Diseño factorial 2X2
F.V. SC g.l. CM F p

Entre G 126.59 ab-1=3 42.19 15.28 <0.05

Intra G (E) 77.38 ab(n-1)=28 2.76
Total (T) 203.97 abn-1=31

F0.95(3/28) = 2.95
 Inferencia del primer análisis

Del primer análisis se concluye que los grupos

de tratamiento o experimentales difieren
significativamente entre sí; la probabilidad de
que un valor F de 15.28 ocurra al azar es
menor que el riesgo asumido (α = 0.05)
..//..
En consecuencia, se procede a determinar las
causas de esa significación. Nótese que este
análisis no obedece a ningún propósito de
investigación, ya que sólo sirve para detectar
si, en términos globales, hay o no diferencia
entre los grupos. De hecho, es como si se
hubiera aplicado un modelo uni-factorial de la
variancia.
Cálculo de las Sumas de Cuadrados:
segunda etapa
SCentre-grupos = SCfactor A + SCfactor B +
SCinteracción AxB

El cálculo de estas Sumas de Cuadrados

requiere la previa construcción de la tabla
de los totales por columnas.
 Matriz de datos acumulados

B1 B2 TOTALES
A1 52 27 79
A2 70 60 130
TOTALES 122 87 209
 Cuadro resumen del ANOVA segunda
etapa: Diseño factorial 2X2
F.V. SC g.l CM F p

Factor A 81.28 (a-1)=1 81.28 29.94 <0.05

Factor B 38.28 (b-1)=1 38.28 13.87 <0.05
Inter AxB 7.03 (a-1)(b-1)=1 7.03 2.55 >0.05
Entre-g 126.59 ab-1=3 42.19 15.28 <0.05
Intra-g 77.37 ab(n-1)=28 2.76
Total (T) 203.97 abn-1=31
F0.95(3/28) = 2.95; F0.95(1/28) = 4.20
 Inferencia del segundo análisis

Paso 5. De los resultados del análisis se infiere

la no-aceptación de las hipótesis de nulidad
para los efectos principales de A y B, con
riesgo de error del 5 por ciento. En cambio, se
acepta la hipótesis de nulidad para la
interacción. En suma, sólo se deriva la
significación de los efectos principales.
No interacción (nula)

A1

A2

B1 B2
Interacción positiva
A1

A2

B1 B2
Interacción negativa

A1
A2

B1 B2
Interacción inversa

A2

A1

B1 B2
Representación gráfica de la interacción
Interacción nula Interacción positiva Interacción negativa

B1 B1
B1
B2 B2

B2
A1 A2 A1 A2 A1 A2

B2

B1 Interacción inversa
A1 A2
Medias de grupos de tratamiento

B1 B2
A1 6.5 3.38
A2 8.75 7.5
 Gráfico de interacción
10
Promedio ensayos correctos

9 8,75
8
7,5
7
6,5
6
A1 (Incentivo bajo)
5
A2 (Incentivo alto)
4
3 3,38
2
1
0
B1 (Tarea simple) B2 (Tarea compleja)
 Caso paramétrico. Ejemplo 2

Se ha puesto de manifiesto que cuando las

personas se sienten molestas ante la presencia de
estímulos ambientales adversos incrementan su
comportamiento agresivo. Berkowitz y Frodi
(1979) realizaron un experimento para estudiar si
el comportamiento agresivo depende no sólo de
la presencia de estímulos ambientales adversos
sino también del atractivo físico de la persona
que supuestamente va a recibir la agresión.
 Procedimiento
Se seleccionó una muestra de 56 mujeres y se
formaron 4 grupos al azar. En el laboratorio, se
informó a los sujetos de que iban a participar
en un estudio sobre la dinámica paterno-filial.
Así, en un primer momento, sólo la mitad de
las participantes interactuaron con un cómplice
del experimentador (que ejercía el rol de
padre), entrenado para provocarles irritación.
En un segundo momento, a todas se les pasó
un vídeo en que una niña (que ejercía el rol
filial) realizaba una tarea. ..//..
En esta segunda parte, para la mitad de las
participantes el vídeo mostraba una niña con
un aspecto físico atractivo y para la otra mitad
la niña tenía un aspecto físico poco atractivo.
Durante la presentación del vídeo las
participantes debían corregir los errores que la
niña cometía en la tarea mediante un estímulo
auditivo que podía variar de 1 a 10 en una
escala de intensidad.
 Estadísticos descriptivos

Estadí sticos descripti vos

Variable dependiente: Cast igo

Irri tacion At racti vo Media Desv. típ. N
sí atracti vo 3.8985 1.30023 14
no atractivo 5.6585 1.27211 14
Total 4.7785 1.54797 28
no atracti vo 3.5199 .76323 14
no atractivo 4.6254 .73157 14
Total 4.0726 .92467 28
Total atracti vo 3.7092 1.06379 28
no atractivo 5.1419 1.14610 28
Total 4.4256 1.31258 56
 Prueba de homogeneidad

Contraste de Levene sobre la igualdad de las varianzas errora

Variable dependiente: Castigo

F gl1 gl2 Significación
2.309 3 52 .087
Contrasta la hipótes is nula de que la varianza error de la
variable dependiente es igual a lo largo de todos los grupos.
a. Diseño: Intercept+Irritacion+Atractivo+Irritacion *
Atractivo
 ANOVA

Pruebas de los efectos inter-sujetos

Variable dependiente: Castigo

Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Modelo corregido 37.213 a 3 12.404 11.209 .000
Intersección 1096.794 1 1096.794 991.096 .000
Irritacion 6.976 1 6.976 6.303 .015
Atractivo 28.738 1 28.738 25.969 .000
Irritacion * Atractivo 1.499 1 1.499 1.355 .250
Error 57.546 52 1.107
Total 1191.552 56
Total corregida 94.758 55
a. R cuadrado = .393 (R cuadrado corregida = .358)
Gráfico de interacción
 Ventajas del diseño factorial
Se ha descrito, a lo largo de ese tema, los
conceptos básicos del diseño factorial o
estructura donde se manipulan, dentro de una
misma situación experimental, dos o más
variables independientes (o factores). En aras a
una mejor exposición del modelo se ha
descrito, básicamente, el diseño bifactorial a
dos niveles, dentro del contexto de grupos
completamente al azar. ..//..
La disposición bifactorial aporta información
no sólo de cada factor (efectos principales),
sino de su acción combinada (efecto de
interacción o efecto secundario). De esta
forma, con la misma cantidad de sujetos
requerida para experimentos de una sola
variable independiente o factor, el investigador
puede estudiar simultáneamente la acción de
dos o más variables manipuladas. ..//..
Ello supone un enorme ahorro de tiempo y
esfuerzo. Si se tiene en cuenta la posibilidad de
analizar la acción conjunta o cruzada de las
variables, se concluye que el diseño factorial
es una de las mejores herramientas de trabajo
del ámbito psicológico, puesto que la conducta
es función de muchos factores que actúan
simultáneamente sobre el individuo. ..//..
Formato del diseño factorial 2 x 2 de bloques

A1B1 A2B1 A1B2 A2B2

Bloque 1 S11 S12 S13 S14

Bloque 2 S21 S22 S23 S24

………………………………………….
………………………………………….

Bloque k Sk1 Sk2 Sk3 Sk4

 Formato del diseño factorial de medidas repetidas,
S xAxB
Tratamientos
A1 A2 … Aj
B1 … Bk B1 … Bk … B1 … Bk Medias
S1 Y111 .. Y11k Y121 .. Y12k … Y1j1 .. Y1jk Y1..
S2 Y211 .. Y22k Y221 .. Y22k … Y2j1 .. Y2jk Y2..
Sujetos

. …………………………………………… .
. …………………………………………… .
. …………………………………………… .
Sn Yn11 .. Yn1k Yn21 ..Yn2k … Ynj1 ..Ynjk Yn..

Medias Y.11 .. Y.12 Y.21 .. Y.2k … Y.j1 .. Y.jk Y…