TEMA VII

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
 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 de 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, de nuevo, la
matriz de datos del experimento.
 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 AVAR:
DISEÑO FACTORIAL 2X2

Yijk = μ + α j + βk + (αβ ) jk + ε 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 de 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 i valor de
A y el k valor de B.
εij = 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 AVAR 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 AVAR 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
(a-1)(b-1)=1 >0.05
Inter AxB 7.03 7.03 2.55
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 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 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.
 Sigue…

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.
 Resultados del análisis

Estadí sticos descripti vos

Variable dependiente: Cast igo

Irritacion At ractivo Media Desv. típ. N
sí atractivo 3.8985 1.30023 14
no atractivo 5.6585 1.27211 14
Total 4.7785 1.54797 28
no atractivo 3.5199 .76323 14
no atractivo 4.6254 .73157 14
Total 4.0726 .92467 28
Total atractivo 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)
 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 conjunto 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.
..//..
 Diseños factoriales 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

TEMA VIII
 ESQUEMA GENERAL

Definición general

Clasificación
Diseño de medidas repetidas simple. Modelo
estructural y componentes de variación
Diseño de medidas repetidas de Cuadrado Latino.
Modelo estructural y componentes de variación
Diseño de medidas repetidas factorial. Modelo
estructural y componentes de variación

DISEÑOS DE MEDIDAS REPETIDAS

 Diseño de medidas repetidas

El diseño de medidas repetidas es una extensión

del diseño de bloques, en que el sujeto sustituye
al bloque y actúa de control propio. Con este
formato, los sujetos de la muestra reciben todos
los tratamientos y repiten medidas o registros de
respuesta; asimismo, la comparación de los
tratamientos es intra-sujeto. ..//..
De este modo, el uso del procedimiento de
medidas repetidas proporciona un control más
efectivo de las fuentes de variación extrañas
asociadas, por lo general, a las características
individuales; es decir, se consigue una
reducción de la variancia del error.
..//..
Esto es así porque, al actuar el sujeto de
bloque, la variabilidad debida a las diferencias
individuales es eliminada del error. De este
modo, el diseño de medidas repetidas una
estructura más potente que los diseños
completamente aleatorizados.
 Efectos de orden

Los efectos de orden (order effects) se derivan

de la propia estructura del diseño de medidas
repetidas, y deben ser neutralizados para que
confundan los efectos de los tratamientos.
 Tipos de efectos de orden

A) Efecto de período (period effect)

B) Efecto residual (carry-over effect)

 Efecto de período

Los efectos de período ocurren cuando,

independientemente del tratamiento aplicado,
el sujeto responde al período o posición que,
en la secuencia, ocupa el tratamiento (período
de administración). Cabe, por lo tanto, la
posibilidad de que el sujeto responda mejor al
período que al tratamiento en sí mismo.
Cuando esto ocurre, el efecto de período
confunde la acción del tratamiento.
 Efecto residual

El efecto residual, conocido por error

progresivo, se caracteriza por la persistencia de
la acción de un tratamiento más allá del
período o tiempo de aplicación. Representa
tanto la progresiva acumulación tanto de los
efectos facilitadores de la respuesta (efecto de
la práctica, aprendizaje, etc.) como de los
efectos obstaculizadores (como la fatiga
mental, cansancio físico, etc.). ..//..
Cuando, como es frecuente en esos casos, se
produce una persistencia del efecto del
tratamiento anterior sobre el tratamiento
siguiente, se corre el riesgo de que los efectos
queden contaminados.
 Clasificación del diseño en función
de los factores

Simple (SxA)

Diseños
de medidas
repetidas
Factorial (SxAxB,
SxAxBxC, etc.)
 Clasificación del diseño en función
de los grupos

De un grupo o muestra
(SxA)
Diseños
de medidas
repetidas
Multimuestra (S(A)xB)
Diseño de medidas repetidas simple
de un grupo
 Concepto
El diseño simple de medidas repetidas es
prototípico en esa clase de experimentos, al
incorporar la estrategia de comparación intra-
sujeto. Lindquist (1953) se refiere a estas
estructuras como diseños de Tratamientos x
Sujetos, ya que los sujetos se cruzan o combinan
con los tratamientos. Así mismo, es un diseño
simple o unifactorial porque sólo se evalúa la
acción de una variable independiente o de
tratamientos. ..//..
La principal ventaja del diseño, dada su
especial disposición, es la posibilidad de
extraer del error una de sus fuentes de
variación más importante: la variación
atribuida a las diferencias individuales.
 Estructura del diseño

La estructura el diseño de medidas repetidas

simple es similar al formato factorial de dos
variables independientes. A diferencia del diseño
factorial, la variable de sujetos no es manipulada
ya que se trata de un pseudo-factor. La variable
de tratamientos está manipulada por del
experimentador y es considerada como un
auténtico factor. ..//..
Supóngase, por ejemplo, que la variable
sujetos, simbolizada por S, actúa a n valores, y
que el factor A -variable de tratamiento-, a a
valores que son aplicados, de forma
secuencial, a los sujetos de la muestra. Nótese
la similitud entre este diseño y el diseño
bifactorial dado que, analíticamente, la
variable de sujetos actúa como si fuera un
factor. La diferencia estriba sólo en la
naturaleza y objetivo de las dos variables.
..//..
La variable S representa la variabilidad entre
sujetos y no es, por lo tanto, un factor
manipulado sino de control. La variable A es
una dimensión de variación manipulada por el
investigador. El propósito del experimento
sigue siendo el análisis del posible impacto de
la variable de tratamiento sobre la variable de
respuesta. ..//..
Con este formato, no sólo se controlan las
diferencias individuales, por el pseudo-factor
de sujetos, sino que se minimiza la variancia
del error al sustraer una de sus principales
fuentes. ..//..
Así, el diseño de medidas repetidas simple es
el procedimiento más eficaz para probar el
efecto del tratamiento. Al controlar las
diferencias interindividuales, este diseño es,
también, un potente procedimiento de análisis,
porque al reducir el error se aumenta la
precisión y efectividad en probar los efectos de
la variable de tratamiento.
Formato del diseño de medidas repetidas. Diseño de
medidas repetidas simple, S x A.

Tratamientos Medias
A1 A2 A3 … Aj
S1 Y11 Y12 Y13 … Y1j Y1.
S2 Y21 Y22 Y23 … Y2j Y2.
Sujetos

. ……………………………… .
. ……………………………… .
. ……………………………… .
Sn Yn1 Yn2 Yn3 … Ynj Yn.

Medias Y.1 Y.2 Y.3 … Y.j Y..

 Caso paramétrico. Ejemplo 1

Sea, al nivel ilustrativo, la siguiente situación

experimental. Se pretende estudiar el efecto de
la frecuencia de tres tonos auditivos, o variable
A, de igual intensidad (65 db). Para ello, se
decide registrar los tiempos de reacción, en
milésimas de segundos, a la presentación de
los tonos. De la variable independiente -
frecuencia de tono-, se eligen tres valores: 300
cps. (condición A1), 600 cps. (condición A2) y
1200 cps. (condición A3).
Modelo de prueba de hipótesis

Paso 1. Se asume, por hipótesis de nulidad,

que los efectos de los tratamientos son nulos.
Es decir,

H0: μ1 = μ2 = μ3
Paso 2. Según la hipótesis experimental o
hipótesis de efectividad se asume que, uno o
más tratamientos o efectos es significativo
(distinto de cero). En términos estadísticos se
afirma que:
H1: μ1  μ2, o μ1  μ3, o μ2  μ3
H1: por lo menos una desigualdad
Paso 3. Se asume un modelo ANOVA de
aditividad. El estadístico de la prueba es la F
normal, a un nivel de significación de α = 0.05.
El tamaño de la muestra experimental es N = n
= 3.

Paso 4. El cálculo del valor empírico de F se

realiza a partir de la correspondiente matriz de
datos, una vez ejecutado el experimento.
 DISEÑO DE MEDIDAS REPETIDAS

TRATAMIENTOS

N. Sujeto A1 A2 A3 TOTALES

1 3.8 3.6 2.5 9.90

2 4.4 5.0 2.3 11.70
3 6.9 4.5 3.0 14.40
TOTALES 15.1 13.1 7.8 36

MEDIAS 5.03 4.37 2.6 4

ANOVA de medidas repetidas
MODELO ESTRUCTURAL
MODELO ADITIVO

Yij    i   j   ij
 Descripción y supuestos

Yij = la puntuación del i sujeto bajo la j

condición experimental o tratamiento
μ = la media global de todos los datos del
experimento
ηi = μi – μ = el efecto asociado al iésimo
sujeto
αj = μj – μ = el efecto de jésimo nivel de la
variable de tratamiento A
εij = el error experimental asociado al i
sujeto bajo el j tratamiento
Asimismo, para que el modelo sea válido, se
asume que:

a) ηi  NID(0,ση²)
b) εij  NID(0,σε²)
c) Σ = ση²11' + σε²I
 CUADRO RESUMEN DEL ANOVA: DISEÑO MEDIDAS
REPETIDAS

F.V. SC g.l CM F p

Suj (S) 3.42 (n-1)=2 1.71

Trat (A) 9.49 (a-1)=2 4.75 5.86 >0.05
SujxTrat (SxA) 3.25 (n-1)(a-1)=4 0.81

Total (T) 16.16 an-1=8

F0.95(2/4) = 6.94
Modelo de prueba de hipótesis

Paso 5. Dado que el valor empírico de F es

menor que el teórico, se acepta la hipótesis de
nulidad relativa a la variable de sujetos y a la
de tratamiento, a un nivel del riesgo del cinco
por ciento.
Supuesto de uniformidad o simetría
compuesta

Según esta restricción, conocida por condición

de uniformidad o simetría compuesta, se
asume una variancia común para las distintas
medidas repetidas y una covariancia común
para los diferentes pares de medidas (prueba
de Box (1950)).
  = Matriz poblacional
H0 : =S
S = Matriz muestral

  12  12  13 
   21  22  23 
 
 31  32  3 
2

 s12 s12 s13   s12 s12 s13   s12 s12 s13 

s s 22 s 23  s s 22 s 23  . . .  s 21 s 22 s 23 
 21   21   
 s31 s32 s32   s31 s32 s32   s31 s32 s32 
S1 S2 Sn
 Prueba de ajuste
Prueba de simetría combinada (Box, 1950)

H0: S = Σ
 Decisión estadística

Se calcula el valor del estadístico B con

distribución aproximada a chi-cuadrado y con [a²
+ a - 4]/2 grados de libertad:

B = (1 - C)M = (1 - 075)(15.2) = 3.8

[3² + 3 - 4]/2 = 4 g.l.

El valor teórico de chi-cuadrado es
χ0.95 (4) = 9.49
Puesto que este valor es mayor que el valor
empírico calculado, 3.8 < 9.49, se infiere la
aceptación de la hipótesis de nulidad y, por
tanto, que la matriz de variancia y covariancia
muestral se ajusta al patrón específico asumido
en la población.
 Supuesto de esfericidad

Huynh y Feldt (1970) y Rouanet y Lepine

(1970) han mostrado que es suficiente el
cumplimento de una condición más débil o
condición de esfericidad (circularidad). Esta
condición sólo requiere que las variancias de
las diferencias entre todos los pares de
medidas repetidas sean iguales (prueba de
esfericidad de Mauchley (1940))
 Supuesto de homogeneidad del
ejemplo
Uniformidad Circularidad
Box(1950) Mauchley (1940)
χo2 = 3.8 χo2 = 0.479
g.l.= [p2+p-4]/2 =4 g.l.=[p(p-1)/2]-1=2
χ20.95(4) =9.49 χ20.95(2) =5.99

A(H0)--------> p>0.05
 Alternativas de análisis del diseño de medidas
repetidas

F normal
ANOVA F conservadora
F ajustada
Diseño de
medidas
repetidas

MANOVA
Fórmulas para el cálculo de los grados de
libertad de las F's.
 Grados de F normal F F ajustada
libertad de F conservadora

Numerador (a-1) 1 (a-1)

Denominador (n-1)(a-1) n-1 (n-1)(a-1)

 Factores de ajuste

Epsilón de:

Greenhouse y Geisser (1959)

Huynh y Feldt (1970)
Épsilon de Greeenhouse y Geisser
(1959).

 = 0.72
 Valores teóricos de las F's de las distintas
pruebas, a un nivel de significación de 0.05.

Tipo de Grados de libertad Valor teórico de

prueba Numerador Denominador F para α = 0.05

Normal 2 4 6.94

Ajustada 1 3 10.13

Conservadora 1 2 18.51
 Caso paramétrico. Ejemplo 2

Rauscher, Show y Ky (1993) estudiaron si la audición

de la sonata K488 de Mozart incrementaba el
rendimiento en tareas cognitivas. Se pidió a un total
de 36 estudiantes que ejecutaran tres tareas de
razonamiento espacial. Previo a las tareas los sujetos
escuchaban, por un periodo de diez minutos, una de
las siguientes piezas: (a) la sonata para dos pianos
K488 de Mozart, (b) música de relajación y (c)
silencio. Los efectos de orden se controlaron
mediante contrabalanceo entresujetos de las tres
audiciones. La variable dependiente fue la puntuación
obtenida en la tarea de razonamiento espacial.
 Estadísticos descriptivos

Estimaciones

Medida: MEASURE_1
Intervalo de confianza al
95%.
Límite
Periodo Media Error típ. Límite inferior superior
Mozart 58.723 1.769 55.131 62.315
Relajación 56.252 1.302 53.607 58.896
Silencio 52.853 2.009 48.775 56.931
 Prueba de esfericidad

b
Prueba de esfericida d de Ma uchly

Medida: MEASURE_1

a
Epsilon
Chi-cuadrado Greenhous
Efecto intra-sujetos W de Mauchly aprox. gl Significación e-Geisser Huynh-Feldt Límite-inferior
Música .964 1.230 2 .541 .966 1.000 .500
Contrasta la hipótesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significación promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseño: Intercept
Diseño intra sujetos: Música
 ANOVARM

Pruebas de efectos intra-sujetos.

Medida: MEASURE_1
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Música Esfericidad asumida 625.440 2 312.720 3.547 .034
Greenhouse-Geisser 625.440 1.931 323.834 3.547 .036
Huynh-Feldt 625.440 2.000 312.720 3.547 .034
Límite-inferior 625.440 1.000 625.440 3.547 .068
Error(Música) Esfericidad asumida 6172.125 70 88.173
Greenhouse-Geisser 6172.125 67.598 91.307
Huynh-Feldt 6172.125 70.000 88.173
Límite-inferior 6172.125 35.000 176.346
Formatos del diseño de medidas repetidas: Diseño de
medidas repetidas de cuadrado latino, S x A

Orden
O1 O2 O3 O4

S1 A B C D

S2 B C D A
Sujetos

S3 C D A B

D A B C
S4
 Formatos del diseño de medidas repetidas: Diseño de
medidas repetidas factorial, S x A x B.
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…

TEMA IX
 ESQUEMA GENERAL

Definición general

Clasificación
Diseño factorial mixto con una variable entre y
otra intra. Modelo estructural y componentes de
variación
Diseño split-plot
Comparación de las fuentes de variación del Diseño
mixto con el de medidas repetidas simple y el
completamente al azar
DISEÑOS FACTORIALES MIXTOS
Diseño de medidas repetidas
multigrupo
o
factorial mixto
 Diseño de medidas repetidas
multigrupo
El diseño de medidas repetidas multigrupo,
conocido también por diseño factorial mixto,
incorpora dos estrategias de inferencia de
hipótesis: estrategia de comparación entre
grupos y estrategia de comparación intra
sujetos. La estructura mixta combina, en un
mismo experimento, el procedimiento de
grupos independientes y el procedimiento con
sujetos de control propio. ..//..
Puesto que el diseño mixto integra, en un
mismo estudio, dos enfoques de investigación
se aplica a aquellas situaciones donde están
presentes, por lo menos, dos variables
independientes. Así, los valores o niveles de la
primera variable independiente genera grupos
separados y su efecto se infiere por la
comparación entre grupos o entre sujetos. ..//..
Esta variable independiente es conocida como
variable entre. Los valores de la segunda
variable se administran a todos los sujetos, en
cuyo caso los sujetos repiten medidas. Dado el
carácter de repetición, esa segunda variable
recibe el nombre de variable intra. De esto se
concluye que el diseño mixto requiere siempre
una estructura factorial. O sea, son
experimentos donde intervienen como mínimo
dos variables.
Clasificación
 1 V.E. y 1 V.I. S(A)xB
2 V.E. y 1 V.I. S(AxB)xC
Diseño factorial ......................................
mixto ......................................
Diseño de N V.E. y N V.I
medidas
repetidas Una variable categórica
multigrupo y una intra S(A)xB
Diseño split-plot Dos variables categóricas
y una intra S(AxB)xC
Etc.
Formato del diseño de medidas
repetidas de dos grupos
Grupo Tratamientos

A1 A2 ........... Ak

S1 Y11 Y12 ............ Y1k

G1

Sn1 YN1 YN2 ............ YNk

S1 Y11 Y12 ............ Y1k

G2

Sn2 YN1 YN2 ............ YNk

 Ejemplo práctico 1

Un experimentador pretende estudiar el efecto

que sobre la memoria icónica tienen dos
variables: campo pos-exposición y tiempo de
presentación. De la primera variable, selecciona
dos valores: campo pos-exposición brillante (A1)
y campo pos-exposición oscuro (A2). De la
segunda, elige cuatro valores: B1 = 45 c/sg, B2 =
90 c/sg, B3 = 180 c/sg, y B4 = 240 c/sg.
Para ejecutar este experimento, confecciona
tarjetas donde aparecen letras consonantes,
seleccionadas al azar, y las dispone en matrices
3 x 4. La tarea a realizar por los sujetos, va a
consistir en identificar, de forma correcta, la
máxima cantidad de letras. A su vez, decide
que cada sujeto ejecute 40 ensayos (diez
tarjetas por tiempo de presentación). La
variable dependiente es la cantidad de
identificaciones correctas en bloques de 10
ensayos.
 Modelo de prueba estadística

Paso 1. Formulación de las hipótesis de

nulidad:
H0: α1 = α2 = 0
H0: ß1 = ß2 = ß3 = ß4 = 0
H0: αß11 = αß12 = αß13 = αß14 = αß21 =
αß22 = αß23 = αß24 = 0
Paso 2. A cada hipótesis de nulidad está
asociada la siguiente hipótesis alternativa:

H1: por lo menos una desigualdad

Paso 3. Se asume el modelo ANOVA lineal. El
estadístico de la prueba es la F normal (bajo el
supuesto de homogeneidad y simetría), con un
nivel de significación de α = 0.05. El tamaño
de la muestra experimental es N = an = 8 y la
cantidad de observaciones abn = 32.

Paso 4. Se calcula el valor empírico de F a

partir de la correspondiente matriz de datos del
experimento.
 DISEÑO FACTORIAL MIXTO
TRATAMIENTOS TOTALES
Nº Suj. B1 B2 B3 B4 Suj. V.A
A1 1 25 26 27 34 112
2 31 35 37 39 142
3 24 33 28 40 125
4 21 30 31 35 117 496
A2 5 13 14 20 30 77
6 16 19 30 38 103
7 31 34 36 41 142
8 21 22 33 38 114 436
TOTALES 182 213 242 295 932
 Modelo estructural del diseño

Yijk = μ + [αj + ηi/j] + [βk + (αβ)jk +

(ηβ)ik/j ] + εijk
 Supuestos del anova

Yij = la puntuación del i sujeto bajo el j valor A y

el k valor de B
μ = la media común a todos los datos del
experimento.
αj = es el efecto de j nivel de la variable A.
ηi/j = el efecto asociado al i sujeto dentro de j nivel
de A.
ßk = el efecto del k nivel de B.
(αß)jk = el efecto de la interacción de Aj y Bk.
(ηß)ik/j = el efecto de la interacción de Si y Bk, intra Aj.
εijk = el error de medida.
Dado que sólo hay un dato por casilla
–combinación de S, A y B–, no hay
variabilidad intra-casilla, Así, SxB/A estima la
variancia del error.
Se asume que:
a) ηi  NID(0,ση²)
b) (ηß)ik/j  NID(0,σηß²)
b) εijk  NID(0,σε²)
Resumen de las fuentes de variación del
diseño factorial mixto

Entre sujetos
Variable A
Sujetos intra A
Intra sujetos
Variable B
Interacción A x B
Sujetos x B intra A
 Tabla de totales
Datos de la interacción AxB
B1 B2 B3 B4 Totales

A1 101 124 123 148 496

A2 81 89 119 147 436

Totales 182 213 242 295 932

CUADRO RESUMEN DEL AVAR. DISEÑO FACTORIAL MIXTO

F.V. SC g.l CM F p
Entre sujetos 785.5 an-1=7
Variable A 112.5 a-1=1 112.50 1 >0.05
S/A (e. entre) 673 a(n-1)=6 112.17
Intra sujetos 1086 an(b-1)=24
Variable B 865.75 b-1=3 288.58 <0.05
40.76
Inter AxB 92.75 (a-1)(b-1)=3 30.92 <0.05
4.37
SxB/A (e. Intra) 127.5 a(n-1)(b-1)=18 7.08

Total 1871.5 abn-1=31

F0.95(1/6) = 5.99; F0.95(3/18) = 3.16

 Modelo de prueba estadística

Paso 5. De los resultados del análisis, se

infiere la aceptación de la hipótesis de nulidad
para la variable A y su no-aceptación para la
variable B y la interacción AxB, con una
probabilidad de error del 5 por ciento.
MEDIAS DE GRUPOS DE TRATAMIENTO

B1 B2 B3 B4
A1 25.25 31 30.75 37
A2 20.25 22.75 30.5 37
 GRÁFICO INTERACCIÓN

40
Identificaciones correctas

38 37
36
34 31 30,75
32
30
28 25,25 30,5 A1 (Campo brillante)
26 A2 (Campo oscuro)
24
22 22,75
20
18 20,25
16
14
g)

g)
g)

g)

c/s

c/s
c/s

c/s

80

40
5

0
(4

(9

(1

(2
B1

B2

B3

B4
 Ejemplo práctico 2
Jones et al. (2003) estudiaron el efecto que tiene el
consumo de alcohol sobre la valoración del
atractivo de personas no conocidas. En el
experimento, participaron 40 varones a los que se
les presentaron caras de hombres y de mujeres y
tenían que valorar su atractivo físico en una escala
del 1 al 7 (de menor a mayor). Antes de la
presentación de los estímulos, la mitad de los
participantes ingirió una dosis de alcohol, mientras
que la otra mitad ingirió una bebida refrescante. Se
trata de un diseño factorial mixto 2 x 2 con una
variable intrasujeto (el sexo de la persona cuya
cara se ha de valorar) y una variable entresujeto (el
consumo de alcohol).
 Prueba efectos intra-sujetos

Pruebas de efectos intra-sujetos.

Medida: MEASURE_1
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
cara Esfericidad asumida 2.960 1 2.960 8.841 .005
Greenhouse-Geisser 2.960 1.000 2.960 8.841 .005
Huynh-Feldt 2.960 1.000 2.960 8.841 .005
Límite-inferior 2.960 1.000 2.960 8.841 .005
cara * consumo_alcohol Esfericidad asumida 2.150 1 2.150 6.422 .016
Greenhouse-Geisser 2.150 1.000 2.150 6.422 .016
Huynh-Feldt 2.150 1.000 2.150 6.422 .016
Límite-inferior 2.150 1.000 2.150 6.422 .016
Error(cara) Esfericidad asumida 12.724 38 .335
Greenhouse-Geisser 12.724 38.000 .335
Huynh-Feldt 12.724 38.000 .335
Límite-inferior 12.724 38.000 .335
Prueba efectos inter-sujetos

Pruebas de los efectos inter-sujetos

Medida: MEASURE_1
Variable transformada: Promedio
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Intersección 1006.698 1 1006.698 3054.816 .000
consumo_alcohol 4.767 1 4.767 14.466 .001
Error 12.523 38 .330
Gráfico interacción
 Fin de los diseños
experimentales clásicos