ESCUELA PROFESIONAL DE

INDUSTRIAS ALIMENTARIAS
SEMANAS 12 – 13 - 14

Dr. Ing. Nicodemo Jamanca Gonzáles

DEFINICIÓN
Un diseño experimental es el plan, arreglo o secuencia de
pasos para organizar, llevar a cabo y analizar los resultados
de un experimento. Este es formulado según los objetivos
del proyecto y de la prueba sensorial, los procedimientos y
las condiciones de prueba. De su acertada elección
dependerá la confiabilidad de los datos y resultados de tal
prueba.
CARACTERÍSTICAS
1. Aleatorización. Permite minimizar los efectos de fuentes
incontrolables de variación o error y se elimina el sesgo.
2. Bloques. Controla los efectos de variación conocidas y
se mejora la eficiencia.
3. Repeticiones. Proporciona un estimado del error
experimental y aumenta la confiabilidad y validez de los
resultados de la prueba.
ALEATORIZACIÓN
Se consigue una adecuada aleatorización al ordenar las
muestras para su presentación de tal manera que cualquiera
de ellas pueden tener la misma oportunidad de ser escogidas
para la aplicación de un determinado tratamiento durante el
ensayo. Las tablas de números aleatorios son de gran ayuda
para lograr una adecuada aleatorización.
BLOQUES
El agrupamiento en bloques de las unidades experimentales
permite una medición más exacta del error puro o
experimental, ya que permite tomar en cuenta la varianza
debido a los factores incluidos en el bloque, separándola de
las fuentes no controlables de error experimental.

Ejemplos de bloques serían: los jueces, las repeticiones y el

ordenamiento de presentación de muestras.
REPETICIONES
Al reproducir un experimento bajo condiciones idénticas
obtenemos una repetición. Por lo general, mientras mayor es
el número de repeticiones, mejor será el estimado del error
experimental y más confiables los resultados de las pruebas.
Este número de variable es determinado por el tiempo y
costo del ensayo y la selección de muestras.
TIPOS DE DISEÑOS
EXPERIMENTALES
Los más usados en la evaluación sensorial de alimentos son:

 Bloques Completamente Randomizados (BCR)

 Bloques Incompletos (BI)
 Cuadrado Latino (CL)
 Diseño Factorial (DF)
SELECCIÓN DE DISEÑOS
EXPERIMENTALES
Para determinar cuál es el diseño más apropiado para el
estudio sensorial es necesario se conozcan y presenten
adecuadamente las medidas a ser hechas (sensoriales,
físicas o químicas), las variables de las muestras y nivel de
las variables (cuando sea apropiado), número de
repeticiones, variabilidad inherente y limitaciones físicas
(población disponible para muestrear, naturaleza y número
de muestras evaluadas en una sesión de ensayo), así como
el esfuerzo hecho para reducir el error experimental.
1. BLOQUE COMPLETAMENTE
RANDOMIZADO (BCR)
En comparaciones sensoriales donde varios jueces en una
sola sesión degustan y califican cada una de varias muestras
de un producto alimenticio, el arreglo de las calificaciones es
conocido como un diseño de Bloque Completamente
Randomizado (BCR). Cada puntuación es determinada en el
diseño para cada una de las muestras (tratamientos) y por
cada uno de los jueces (bloques).

Este diseño está dado por la siguiente tabla y por el modelo

matemático:
Xij = u + Bi + tj + eij

Donde :
Xij = Es la observación del i-ésimo juez (bloque) asignada a la j-ésima muestra (tratamiento)
u = Es la medida de todas las observaciones
Bi = Es el efecto de los jueces
tj = Es el efecto de las muestras
eij = Es el error experimental
TABLA DEL DISEÑO DE BLOQUES
COMPLETAMENTE RANDOMIZADO
El análisis de datos se hará hallando la suma de cuadrados para
realizar el ANVA (Análisis de varianza), con el que se espera
encontrar, usando la prueba de “f”, si hay o no diferencias
significativas entre muestras. El esquema del ANVA para el diseño
Bloques Completo al Azar se muestra en la siguiente tabla.

El F calculado (Fc) se compara con el F tabular (Ft) que se halla en

la respectiva tabla. Para un nivel de significancia dado y los grados
de libertad del error, siendo los criterios para determinar si la
hipótesis planteada es rechazada o aceptada los siguientes:

Si Fc < F tb se rechaza la hipótesis

Si Fc > F tb se acepta la hipótesis
ANVA PARA UN DISEÑO DE BLOQUES COMPLETAMENTE RANDOMIZADO
2. DISEÑO CUADRADO LATINO
Los diseños en cuadrados latinos son apropiados cuando es
necesario controlar dos fuentes de variabilidad. En dichos diseños
el número de niveles del factor principal tiene que coincidir con el
número de niveles de las dos variables de bloque o factores
secundarios y además hay que suponer que no existe interacción
entre ninguna pareja de factores.
Supongamos que el número de niveles de cada uno de los factores
es K. El diseño en cuadrado latino utiliza K2 bloques, cada uno de
estos bloques corresponde a una de las posibles combinaciones
de niveles de los dos factores de control. En cada bloque se aplica
un solo tratamiento de manera que cada tratamiento debe aparecer
con cada uno de los niveles de los dos factores de control.
Si consideramos una tabla de doble entrada donde las filas y las
columnas representan cada uno de los dos factores de bloque y las
celdillas los niveles del factor principal o tratamientos, el
requerimiento anterior supone que cada tratamiento debe aparecer
una vez y sólo una en cada fila y en cada columna.
Recibe el nombre de cuadrado latino de orden K a una disposición
en filas y columnas de K letras latinas, de tal forma que cada letra
aparece una sola vez en cada fila y en cada columna.
A continuación vamos a dar una forma simple de construcción de
cuadrados latinos. Se parte de una primera fila con las letras
latinas ordenadas alfabéticamente.

Las sucesivas filas se obtienen moviendo la primera letra de la fila

anterior a la última posición (construcción por permutación
cíclica), el cuadrado así obtenido es un cuadrado latino estándar.
Un cuadrado latino se denomina estándar cuando las letras de la
primera fila y la primera columna están ordenadas
alfabéticamente. A parte de los cuadrados latinos así obtenidos
existen otros cuadrados latinos diferentes, estándares y no
estándares.
El procedimiento para construir un diseño en cuadrado latino es el
siguiente:

1) Se elige aleatoriamente un cuadrado latino de los disponibles.

2) Se asigna aleatoriamente el orden de las filas y columnas.
3) Se asignan aleatoriamente los tres factores a las filas, columnas y
letras, respectivamente.

Ilustremos este procedimiento con el ejemplo de producción de néctar.

Al plantear este experimento se pensó que podría conseguirse mayor
optimización, considerando nivel de estabilizante y edulcorante.
El instituto de experimentación está interesado en estudiar 4 tipos de néctar,
(s1,s2,s3,s4) y decide realizar el experimento utilizando un diseño en
cuadrado latino. Para ello selecciona 4 niveles para cada una de las
variables de bloque: estabilizante, (a1,a2,a3,a4), y edulcorante, (i1,i2,i3,i4).
La selección de uno de los cuadrados se hace al azar. Supongamos que el
cuadrado latino elegido es el siguiente:
ABCD
BADC
CDAB
DCBA
A continuación, se asigna también al azar, el orden de las filas y las columnas.
Supongamos que el orden seleccionado para las filas sea (2, 3, 1, 4), entonces
el cuadrado latino anterior se convierte en:
BADC
CDAB
ABCD
DCBA
Se vuelven a generar otros 4 números aleatorios que se identifican con el
orden de las columnas de este último cuadrado. Supongamos que los
números obtenidos son (4, 3, 1, 2), obteniéndose el siguiente cuadrado latino
CDBA
BACD
DCAB
ABDC
Por último, se asignan al azar las filas, las columnas y las letras
latinas a los tres factores. Por ejemplo, supongamos que las
filas, las columnas y las letras se asignan, respectivamente, a los
tipos de insecticidas, semillas y abonos, de tal forma que el
diseño resultante es:

NECTAR
EDULCORANTE s1 s2 s3 s4
I1 A3 A4 A2 A1
I2 A2 A1 A3 A4
I3 A4 A3 A1 A2
I4 A1 A2 A4 A3

Por convenio, se suele situar el factor principal, en este caso

el tipo de semilla, en las celdillas. Reordenando el diseño
anterior se obtiene la siguiente tabla:
 ESTABILIZANTE
EDULCORANTE A1 A2 A3 A4
I1 S4 S3 S1 S2
I2 S2 S1 S3 S4
I3 S3 S4 S2 S1
I4 S1 S2 S4 S3

En resumen, podemos decir que un diseño en cuadrado latino tiene las

siguientes características:

1) Se controlan tres fuentes de variabilidad, un factor principal y dos factores

de bloque.
2) Cada uno de los factores tiene el mismo número de niveles, K.
3) Cada nivel del factor principal aparece una vez en cada fila y una vez en
cada columna.
4) No hay interacción entre los factores.
3. 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

Sn1 Sn2 Sn3 Sn4

S
E
L Asignación al azar
E
C
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
H0 : 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…

GRACIAS