TEMA VII

ESQUEMA GENERAL
Definicin general

Clasificacin
Diseo factorial A x B, completamente
al azar
Representacin de los efectos
factoriales
Modelo estructural, anlisis y
componentes de variacin
DISEO FACTORIAL

Concepto
El diseo factorial, como estructura de
investigacin, es la combinacin de dos o
ms diseos simples (o unifactoriales); es
decir, el diseo factorial requiere la
manipulacin simultnea de dos o ms
variables
independientes
(llamados
factores), en un mismo experimento.
..//..

En funcin de la cantidad de factores o

variables de tratamiento, los formatos
factoriales se denominan, tambin,
diseos de tratamientos x tratamientos,
tratamientos x tratamientos x tratamientos,
etc, y se simbolizan por AxB, AxBxC, etc.

Criterios de clasificacin

Por la cantidad de niveles

Criterios

Cantidad de combinaciones
Tipo de control

Clasificacin del diseo factorial

por criterio
A) Segn la cantidad de niveles o valores
por factor, el diseo factorial se clasifica en:

Cantidad constante
Cantidad de valores
Cantidad variable

La notacin del diseo es ms sencilla

cuando la cantidad de niveles por factor
es igual (es decir, constante). As, el
diseo factorial de dos factores a dos
niveles se representa por 2, el de tres
factores por 23, etc. En trminos
generales, los diseos 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 actan a ms de dos

niveles (es decir, cuando la cantidad de
valores por factor es variable), el diseo
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
diseo sea balanceado (proporcionado) o
no balanceado (no proporcionado); es
decir, diseos con igual cantidad de
sujetos por casilla y diseos con desigual
cantidad de sujetos por casilla.

B) El segundo criterio hace hincapi en la

cantidad de combinaciones de tratamiento
realizadas o ejecutadas. Con base a este
criterio, el diseo factorial se clasifican en:
Diseo factorial completo
Cantidad de
combinaciones
de tratamiento
Diseo factorial incompleto
y fraccionado

Si el diseo factorial es completo, se

realizan todas las posibles combinaciones
entre los valores de las variables. As,
cada
combinacin
de
tratamientos
determina un grupo experimental (grupo
de tratamiento o casilla). Por ejemplo, el
diseo factorial completo 2x2 determina
cuatro grupos de tratamiento; un diseo
3x3 nueve grupos, etc.
..//..

Asumiendo que slo se ejecute una parte

del total de las combinaciones, el diseo
factorial es incompleto o fraccionado,
segn el procedimiento seguido.

C) En funcin del control de variables extraas.

Grado de control

Diseo factorial
completamente al azar
Diseo factorial de bloques
aleatorizados
Diseo factorial de Cuadrado
Latino
Diseo factorial jerrquico o
anidado
Diseo factorial de medidas
repetidas

Segn el control de los factores extraos

y la reduccin de la variancia del error, el
diseo factorial puede ser, en primer
lugar, completamente al azar; es decir,
aquel formato donde slo se aplica el
azar como tcnica de control y donde los
grupos se forman mediante la asignacin
aleatoria de los sujetos.
..//..

En segundo lugar, el diseo factorial de

bloques aleatorizados permite el control
de una variable extraa. Segn esa
estrategia, cada bloque es un rplica
completa del experimento, y los grupos
intra bloque (dentro de cada bloque) se
forman al azar.
..//..

Siguiendo con el criterio de bloques, el

diseo factorial de Cuadrado Latino o de
doble sistema de bloques controla dos
fuentes de variacin extraas, aunque
slo se realiza una parte del total de
combinaciones.
..//..

El diseo factorial jerrquico o anidado

requiere la manipulacin experimental de
la variable y, al mismo tiempo, la
anidacin (o inclusin) de una variable
dentro de las combinaciones de
tratamientos
de
los
factores.
..//..

Por ltimo, el diseo factorial de medidas

repetidas incorpora la tcnica intra-sujeto;
es decir, el sujeto acta de control propio
y recibe todas las combinaciones de
tratamiento generados por la estructura
factorial.

Criterios

Diseo

Cantidad de
valores por
factor

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

Cantidad variable: 2x3; 2x3x4, etc.

Cantidad de
combinaciones
de tratamientos

Diseo factorial completo

Diseo factorial incompleto y fraccionado

Grado de
control

Diseo factorial completamente al azar

Diseo factorial de bloques
Diseo factorial de Cuadrado Latino
Diseo factorial jerrquico
Diseo 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 interaccin se

define por la relacin entre los factores o
variables independientes, es decir, el
efecto cruzado.

Diseo factorial al azar 2x2

Estructura del diseo

Combinacin de tratamientos
por grupo o casilla
Diseo factorial 2x2
A1B1

A1B2

A2B1

A2B2

Formato del diseo factorial

completamente al azar
V.E.
V.I.

Z1
A1B1

s
e

Z2
A1B2

Z3
A2B1

Z4
A2B2

S1

S1

S1

S1

Sn1

Sn2

Sn3

Sn4

l
e

Asignacin al azar
c

M
i

Caso paramtrico. Ejemplo

Se pretende probar, en una situacin de
aprendizaje discriminante animal, si la
magnitud del incentivo (variable incentivo)
acta segn el aprendizaje sea simple o
complejo (variable dificultad de aprendizaje o
variable tarea). En esta hiptesis se afirma
que a mayor incentivo, ms acusada es la
diferencia entre las dos tareas (simple o
compleja).
..//..

Para ello, se registra la cantidad de

discriminaciones
correctas
(variable
dependiente) en funcin 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 mximo de 15, bajo el
supuesto de que cada discriminacin
correcta tiene la misma dificultad de
aprendizaje.
..//..

Para probar la hiptesis 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 hiptesis

Paso 1. Segn la estructura del diseo son
estimables tres efectos. Por esa razn, se
plantean tres hiptesis de nulidad relativas a
la variable A, variable B e interaccin:
H0: 1 = 2 = 0
H0: 1 = 2 = 0
H0: ()11 = ()12 = ()21 = ()22 = 0

Paso 2. Por hiptesis experimental, se

espera que los efectos principales y el de
la interaccin sean significativos. Estas
hiptesis se representan, al nivel
estadstico, por
H1: 1 2, o no todas las son cero
H1: 1 2, o no todas las son cero
H1: ()11 ()12 ()21 ()22, o
no todas las son cero.

Paso 3. El estadstico de la prueba es la F

de Snedecor, con un de 0.05, para las
tres hiptesis de nulidad. El tamao de la
muestra experimental es N = 32 y el de las
submuestras n = 8.
Paso 4. Clculo del valor emprico de las
razones F. Para ello, se toma, de nuevo,
la matriz de datos del experimento.

DISEO FACTORIAL 2X2

A1B1
10
9
4
8
8
4
3
6
Totales:
Medias:

52
6.5

A1B2
4
3
4
5
2
3
4
2
27
3.375

A2B1
7
9
10
8
10
9
10
7
70
8.75

A2B2
8
6
9
9
8
7
7
6
60
7.5

209
6.53

ANOVA factorial

MODELO ESTRUCTURAL DEL AVAR:

DISEO FACTORIAL 2X2

Yijk = + j + k + ( ) jk + ijk

Espeficacin del modelo

Yijk = la puntuacin del i sujeto bajo la combinacin
del j valor del factor A y el k valor del factor B.
= la media comn a todos los datos del
experimento.
j = el efecto o impacto de j nivel de la variable de
tratamiento A.
k = efecto del k valor de la variable de tratamiento B.
()jk = efecto de la interaccin entre el i valor de
A y el k valor de B.
ij = error experimental o efecto aleatorio de
muestreo.

Descomposicin polietpica de
las Sumas de cuadrados
SCA
SCentre-grupos
SCtotal

SCB
SCAB

SCintra-grupos

SCS/AB

Clculo de las Sumas de

Cuadrados: primera etapa
SCtotal = SCentre-grupos + SCintra-grupos
SCtotal = [(10) + (9) + ... + (6)]
[(209)/(8)(4)] = 203.97
SCentre-grupos = [(52)/8 + (27)/8 + ... +(60)/8]
[(209)/(32)] = 126.59
SCintra-grupos = [(10) + (9) + ... + (6)] [(52)/8
+ (27)/8 + ... + (60)/8] = 77.38

CUADRO RESUMEN DEL AVAR PRIMERA ETAPA:

DISEO FACTORIAL 2X2

F.V.

SC

g.l.

Entre G
Intra G (E)

126.59
77.38

ab-1=3
ab(n-1)=28

Total (T)

203.97

abn-1=31

F0.95(3/28) = 2.95

CM

42.19 15.28 <0.05

2.76

Inferencia del primer anlisis

Del primer anlisis se concluye que los
grupos de tratamiento o experimentales
difieren significativamente entre s; la
probabilidad de que un valor F de 15.28
ocurra al azar es menor que el riesgo
asumido ( = 0.05).
..//..

En
consecuencia,
se
procede
a
determinar
las
causas
de
esa
significacin. Ntese que este anlisis no
obedece
a
ningn
propsito
de
investigacin, ya que slo sirve para
detectar si, en trminos globales, hay o no
diferencia entre los grupos. De hecho, es
como si se hubiera aplicado un modelo
uni-factorial de la variancia.

Clculo de las Sumas de

Cuadrados: segunda etapa
SCentre-grupos = SCfactor A + SCfactor B +
SCinteraccin AxB
El clculo de estas Sumas de
Cuadrados
requiere
la
previa
construccin 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

Clculo del valor emprico de las

Sumas de cuadrados
SCA = [(79)/16 + (130)/16] [(209)/32] =
81.28
SCB = [(122)/16 + (87)/16] [(209)/32] =
38.28
SCAB = SCentre-grupos SCA SCB = 126.59
81.28 - 38.28 = 7.03

CUADRO RESUMEN DEL AVAR SEGUNDA ETAPA:

DISEO FACTORIAL 2X2

F.V.

SC

g.l

Factor A
Factor B
Inter AxB

81.28
38.28
7.03

(a-1)=1

Entre-g
Intra-g

126.59
ab-1=3
42.19 15.28 <0.05
77.37 ab(n-1)=28 2.76

Total (T)

203.97

(b-1)=1
(a-1)(b-1)=1

CM

81.28 29.94 <0.05

38.28 13.87 <0.05
>0.05
7.03 2.55

abn-1=31

F0.95(3/28) = 2.95; F0.95(1/28) = 4.20

Inferencia del segundo anlisis

Paso 5. De los resultados del anlisis se
infiere la no-aceptacin de las hiptesis de
nulidad para los efectos principales de A y
B, con riesgo de error del 5 por ciento. En
cambio, se acepta la hiptesis de nulidad
para la interaccin. En suma, slo se
deriva la significacin de los efectos
principales.

No interaccin (nula)
A1
A2

B1

B2

Interaccin positiva
A1

A2
B1

B2

Interaccin negativa

A1
A2
B1

B2

Interaccin inversa
A2

A1
B1

B2

Representacin grfica de la interaccin

Interaccin nula

Interaccin positiva

Interaccin negativa

B1

B1

B1
B2

B2
B2
A1

A2

A1

A2

A1

A2

B2

B1
A1

A2

Interaccin inversa

MEDIAS DE GRUPOS DE TRATAMIENTO

A1
A2

B1
6.5
8.75

B2
3.38
7.5

Promedio ensayos correctos

GRFICO INTERACCIN
10
9
8
7
6
5
4
3
2
1
0

8,75
7,5
6,5
A1 (Incentivo bajo)
A2 (Incentivo alto)
3,38

B1 (Tarea simple)

B2 (Tarea compleja)

Ventajas del diseo factorial

Se ha descrito, a lo largo de ese tema, los
conceptos bsicos del diseo factorial o
estructura donde se manipulan, dentro de
una misma situacin experimental, dos o
ms variables independientes (o factores).
En aras a una mejor exposicin del
modelo se ha descrito, bsicamente, el
diseo bifactorial a dos niveles, dentro del
contexto de grupos completamente al
azar.
..//..

La
disposicin
bifactorial
aporta
informacin no slo de cada factor
(efectos principales), sino de su accin
combinada (efecto de interaccin 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 simultneamente la accin
de dos o ms variables manipuladas. ..//..

Ello supone un enorme ahorro de tiempo y

esfuerzo. Si se tiene en cuenta la
posibilidad de analizar la accin conjunto
o cruzada de las variables, se concluye
que el diseo factorial es una de las
mejores herramientas de trabajo del
mbito psicolgico, puesto que la
conducta es funcin de muchos factores
que actan simultneamente sobre el
individuo.
..//..

Diseos 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
Definicin general
Clasificacin
Diseo de medidas repetidas simple. Modelo
estructural y componentes de variacin
Diseo de medidas repetidas de Cuadrado
Latino. Modelo estructural y componentes de
variacin
Diseo de medidas repetidas factorial. Modelo
estructural y componentes de variacin

DISEOS DE MEDIDAS REPETIDAS

Diseo de medidas repetidas

El diseo de medidas repetidas es una
extensin del diseo de bloques, en que el
sujeto sustituye al bloque y acta de control
propio. Con este formato, los sujetos de la
muestra reciben todos los tratamientos y
repiten medidas o registros de respuesta;
asimismo,
la
comparacin
de
los
tratamientos es intra-sujeto.
..//..

De este modo, el uso del procedimiento

de medidas repetidas proporciona un
control ms efectivo de las fuentes de
variacin extraas asociadas, por lo
general, a las caractersticas individuales;
es decir, se consigue una reduccin de la
variancia del error.
..//..

Esto es as porque, al actuar el sujeto de

bloque, la variabilidad debida a las
diferencias individuales es eliminada del
error. De este modo, el diseo de medidas
repetidas una estructura ms potente que
los diseos completamente aleatorizados.

Efectos de orden

Los efectos de orden (order effects) se

derivan de la propia estructura del diseo
de medidas repetidas, y deben ser
neutralizados para que confundan los
efectos de los tratamientos.

Tipos de efectos de orden

A) Efecto de perodo (period effect)

B) Efecto residual (carry-over effect)

Efecto de perodo
Los efectos de perodo ocurren cuando,
independientemente
del
tratamiento
aplicado, el sujeto responde al perodo o
posicin que, en la secuencia, ocupa el
tratamiento (perodo de administracin).
Cabe, por lo tanto, la posibilidad de que el
sujeto responda mejor al perodo que al
tratamiento en s mismo. Cuando esto
ocurre, el efecto de perodo confunde la
accin del tratamiento

Efecto residual
El efecto residual, conocido por error
progresivo, se caracteriza por la
persistencia de la accin de un
tratamiento ms all del perodo o tiempo
de aplicacin. Representa tanto la
progresiva acumulacin tanto de los
efectos facilitadores de la respuesta
(efecto de la prctica, aprendizaje, etc.)
como de los efectos obstaculizadores
(como la fatiga mental, cansancio fsico,
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.

Clasificacin del diseo en

funcin de los factores
Simple (SxA)
Diseos
de medidas
repetidas

Factorial (SxAxB,
SxAxBxC, etc.)

Clasificacin del diseo en

funcin de los grupos
De un grupo o muestra
(SxA)
Diseos
de medidas
repetidas
Multimuestra (S(A)xB)

Diseo de medidas repetidas

simple de un grupo

Concepto
El diseo simple de medidas repetidas es
prototpico en esa clase de experimentos, al
incorporar la estrategia de comparacin intrasujeto. Lindquist (1953) se refiere a estas
estructuras como diseos de Tratamientos x
Sujetos, ya que los sujetos se cruzan o
combinan con los tratamientos. As mismo, es
un diseo simple o unifactorial porque slo se
evala
la
accin
de
una
variable
independiente o de tratamientos.
..//..

La principal ventaja del diseo, dada su

especial disposicin, es la posibilidad de
extraer del error una de sus fuentes de
variacin ms importante: la variacin
atribuida a las diferencias individuales.

Estructura del diseo

La estructura el diseo de medidas repetidas
simple es similar al formato factorial de dos
variables independientes. A diferencia del
diseo factorial, la variable de sujetos no es
manipulada ya que se trata de un pseudofactor. La variable de tratamientos est
manipulada por del experimentador y es
considerada como un autntico factor. ..//..

Supngase, por ejemplo, que la variable

sujetos, simbolizada por S, acta 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. Ntese la similitud
entre este diseo y el diseo bifactorial
dado que, analticamente, la variable de
sujetos acta como si fuera un factor. La
diferencia estriba slo 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 dimensin de variacin
manipulada por el investigador. El
propsito del experimento sigue siendo el
anlisis del posible impacto de la variable
de tratamiento sobre la variable de
respuesta.
..//..

Con este formato, no slo se controlan las

diferencias individuales, por el pseudofactor de sujetos, sino que se minimiza la
variancia del error al sustraer una de sus
principales fuentes.
..//..

As, el diseo de medidas repetidas

simple es el procedimiento ms eficaz
para probar el efecto del tratamiento. Al
controlar las diferencias interindividuales,
este diseo es, tambin, un potente
procedimiento de anlisis, porque al
reducir el error se aumenta la precisin y
efectividad en probar los efectos de la
variable de tratamiento.

Formato del diseo de medidas repetidas. Diseo

de medidas repetidas simple, S x A.
A1

Tratamientos
A2
A3 Aj

Medias

Sujetos

S1

Y11

Y12

Y13 Y1j

Y1.

S2

Y21

Y22 Y23 Y2j

Y2.

.
.
.
Sn

Yn1

Medias Y.1

.
.
.

Yn2 Yn3 Ynj

Yn.

Y.3

Y..

Y.2

Y.j

Caso paramtrico. Ejemplo

Sea, al nivel ilustrativo, la siguiente
situacin 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 reaccin, en
milsimas de segundos, a la presentacin
de los tonos. De la variable independiente
-frecuencia de tono-, se eligen tres
valores: 300 cps. (condicin A1), 600 cps.
(condicin A2) y 1200 cps. (condicin A3).

Modelo de prueba de hiptesis

Paso 1. Se asume, por hiptesis de

nulidad, que los efectos de los
tratamientos son nulos. Es decir,
H0: 1 = 2 = 3

Paso 2. Segn la hiptesis experimental o

hiptesis de efectividad se asume que,
uno o ms tratamientos o efectos es
significativo
(distinto de cero). En
trminos estadsticos se afirma que:
H1: 1 2, o 1 3, o 2 3
H1: por lo menos una desigualdad

Paso 3. Se asume un modelo ANOVA de

aditividad. El estadstico de la prueba es la
F normal, a un nivel de significacin de
= 0.05. El tamao de la muestra
experimental es N = n = 3.
Paso 4. El clculo del valor emprico de F
se realiza a partir de la correspondiente
matriz de datos, una vez ejecutado el
experimento.

DISEO DE MEDIDAS REPETIDAS

TRATAMIENTOS
N. Sujeto

A1

A2

A3

TOTALES

1
2
3
TOTALES

3.8
4.4
6.9
15.1

3.6
5.0
4.5
13.1

2.5
2.3
3.0
7.8

9.90
11.70
14.40
36

MEDIAS

5.03

4.37

2.6

ANOVA de medidas repetidas

MODELO ESTRUCTURAL
MODELO ADITIVO

Yij i j ij

Descripcin y supuestos
Yij = la puntuacin del i sujeto bajo la j
condicin experimental o tratamiento
= la media global de todos los datos del
experimento
i = i = el efecto asociado al isimo
sujeto
j = j = el efecto de jsimo nivel de la
variable de tratamiento A
ij = el error experimental asociado al i
sujeto bajo el j tratamiento

Asimismo, para que el modelo sea vlido,

se asume que:
a) i NID(0,)
b) ij NID(0,)
c) = 11' + I

Clculo de las sumas de

cuadrados
SCtotal = SCsuj. + SCtrat. + SCsuj.xtrat.
Con los datos del ejemplo, se tiene:
SCtotal = [(3.8) + (4.4) + ... + (3)] [(36)/9] = 16.16
SCsuj. = [(9.9)/3 + (11.7)/3 + (14.4)/3] [(36)/9] =
3.42
SCtrat. = [(15.1)/3 + (13.1)/3 + ... + (7.8)/3] [(36)/9]
= 9.49
SCsuj.xtrat. = SCtotal SCsuj. SCtrat = 16.16 3.42
9.49 = 3.25

CUADRO RESUMEN DEL ANOVA: DISEO MEDIDAS

REPETIDAS

F.V.
Suj (S)
Trat (A)
SujxTrat (SxA)

Total (T)
F0.95(2/4) = 6.94

SC

g.l

CM

3.42
(n-1)=2
1.71
9.49
(a-1)=2
4.75 5.86 >0.05
3.25 (n-1)(a-1)=4 0.81

16.16

an-1=8

Modelo de prueba de hiptesis

Paso 5. Dado que el valor emprico de F
es menor que el terico, se acepta la
hiptesis 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
simetra compuesta
Segn esta restriccin, conocida por
condicin de uniformidad o simetra
compuesta, se asume una variancia
comn para las distintas medidas
repetidas y una covariancia comn para
los diferentes pares de medidas (prueba
de Box (1950)).

=S

H0 :

= Matriz poblacional
S = Matriz muestral

12 12 13
21 22 23

2
31 32 3

s12
s
21
s31

s12
s 22
s32
S1

s13
s 23

s32

s12
s
21
s31

s12
s 22
s32
S2

s13
s12
s 23 . . . s 21

s31
s32

s12
s 22
s32
Sn

s13
s 23

s32

Prueba de ajuste
Prueba de simetra combinada (Box, 1950)

H0: S =

Pasos de la prueba de Box

(1950)

Paso 1. Se calculan, en primer lugar, las

variancias y covariancias de los datos
muestrales; es decir, se obtiene la matriz
S.

Clculo de las variancias

(Yij)
Yij --------n
VarAj = ---------------------------n1

Valor emprico de las variancias

81.41 (15.1)/3
VarA1 = ------------------------- = 2.70
31
58.21 (13.1)/3
VarA2 = -------------------------- = 0.50
31

20.54 (7.8)/3
VarA3 = ------------------------- = 0.13
31

Clculo de las covariancias

(Yij)(Yik)
(YijYik) ---------------n
CovAjAk = ----------------------------------n1

Valor emprico de las covariancias

66.73 (15.1)(13.1)/3
CovAjAk = -------------------------------- = 0.396
31
40.32 (15.1)(7.8)/3
CovAjAk = --------------------------------- = 0.53
31
34.00 (13.1)(7.8)/3
CovAjAk = --------------------------------- = -0.03
31

Matriz de variancia/covariancia
muestral

S =

2.70 0.39 0.53

0.39 0.50 -0.03
0.53 -0.03 0.13

Valores estimados
Paso 2. Se estima de y jk elementos de la matriz S0-, asumiendo la
igualdad de las variancias y covariancias.
Su estimacin es la media de las
variancias y covariancias muestrales.
_
s0 = 1/3[2.70 + 0.50 + 0.13] = 1.11
_
s00 = 1/3[0.39 + 0.53 - 0.03] = 0.29

Matriz poblacional estimada

Con estos valores se forma la matriz S0, que
es la mejor estimacin de :
1.11 0.29 0.29
S0 =

0.29 1.11 0.29

0.29 0.29 1.11

Clculo del valor del estadstico

Paso 3. Asumiendo n sujetos y a niveles
de tratamiento o medidas repetidas, la
prueba de Box (1950) requiere el cmputo
del estadstico B cuya distribucin es
aproximada al chi-cuadrado.
B = (1 C)M

donde

|S|
M = (n 1) ln---------|S0|

Valor del estadstico M

|S| = (2.7)(0.5)(.13) + (0.39)( 0.03)(0.53) +
(0.53)(0.39)(0.03)(0.53)(0.5)(0.03)(2.7)
(0.13)(0.39) = 0.0006
|S0| = (1.11) + (0.29) + (0.29) 3(1.11)(0.29) =
1.1119
Con ello,
0.0006
M = (3 1) ln------------- = 15.2
1.1119

Clculo de C
Paso 4. El clculo de C es,
a(a+1)(2a-3)
C = -----------------------------6(n-1)(a-1)(a+a-4)
Con los datos del ejemplo, se tiene

3(4)(6-3)
C = ---------------------- = 0.75
6(2)(2)(9+3-4)

Decisin estadstica
Paso 5. Por ltimo, se computa B con
distribucin aproximada a chi-cuadrado con
[a + a - 4]/2 grados de libertad:
B = (1 - C)M = (1 - 075)(15.2) = 3.8
y

[3 + 3 - 4]/2 = 4 g.l.

El valor terico de chi-cuadrado es

0.95 (4) = 9.49
Puesto que este valor es mayor que el
valor emprico, 3.8 < 9.49, se infiere la
aceptacin de la hiptesis de nulidad y,
por tanto, que la matriz de variancia y
covariancia muestral se ajusta al patrn
especfico asumido en la poblacin.

Supuesto de esfericidad
Huynh y Feldt (1970) y Rouanet y Lepine
(1970) han mostrado que es suficiente el
cumplimento de una condicin ms dbil o
condicin de esfericidad (circularidad).
Esta condicin slo 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
Box(1950)
o2 = 3.8
g.l.= [p2+p-4]/2 =4
20.95(4) =9.49

Circularidad
Mauchley (1940)
o2 = 0.479
g.l.=[p(p-1)/2]-1=2
20.95(2) =5.99

A(H0)--------> p>0.05

Alternativas de anlisis del diseo de

medidas repetidas
F normal
ANOVA

F conservadora
F ajustada

Diseo de
medidas
repetidas
MANOVA

Frmulas para el clculo de los grados

de libertad de las F's.

Grados de
libertad de F

F normal

Numerador

(a-1)

Denominador (n-1)(a-1)

F
F
conservadora ajustada
1

(a-1)

n-1

(n-1)(a-1)

Factores de ajuste

Epsiln de:
Greenhouse y Geisser (1959)
Huynh y Feldt (1970)

psilon de Greeenhouse y
Geisser (1959).

= 0.72

Valores tericos de las F's de las distintas

pruebas, a un nivel de significacin de 0.05.

Tipo de
de
prueba

Grados de libertad
Numerador Denominador

Valor terico
F para = 0.05

Normal

6.94

Ajustada

10.13

Conservadora

18.51

Formatos del diseo de medidas repetidas: Diseo

de medidas repetidas de cuadrado latino, S x A

O1

Orden
O2
O3

O4

Sujetos

S1

S2

S3

S4

Formatos del diseo de medidas repetidas: Diseo 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..

Sujetos

S2 Y211 ..Y22k

Y221 .. Y22k

Y2j1 ..Y2jk

.
.
.
Sn Yn11 .. Yn1k

Medias Y.11 .. Y.12

Yn21 ..Yn2k

Ynj1 ..Ynjk

Y.21 .. Y.2k

Y.j1 .. Y.jk

Y2..
.
.
.
Yn..
Y

TEMA IX

ESQUEMA GENERAL
Definicin general
Clasificacin
Diseo factorial mixto con una variable entre y
otra intra. Modelo estructural y componentes de
variacin
Diseo split-plot
Comparacin de las fuentes de variacin del
Diseo mixto con el de medidas repetidas simple
y el completamente al azar

DISEOS FACTORIALES MIXTOS

Diseo de medidas repetidas

multigrupo
o
factorial mixto

Diseo de medidas repetidas

multigrupo
El diseo de medidas repetidas multigrupo,
conocido tambin por diseo factorial
mixto, incorpora dos estrategias de
inferencia de hiptesis: estrategia de
comparacin entre grupos y estrategia de
comparacin 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 diseo mixto integra, en un

mismo estudio, dos enfoques de
investigacin se aplica a aquellas
situaciones donde estn presentes, por lo
menos, dos variables independientes.
As, los valores o niveles de la primera
variable independiente genera grupos
separados y su efecto se infiere por la
comparacin 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 carcter de
repeticin, esa segunda variable recibe el
nombre de variable intra. De esto se
concluye que el diseo mixto requiere
siempre una estructura factorial. O sea,
son experimentos donde intervienen como
mnimo dos variables.

Clasificacin

Diseo factorial
mixto
Diseo de
medidas
repetidas
multigrupo
Diseo split-plot

1 V.E. y 1 V.I. S(A)xB

2 V.E. y 1 V.I. S(AxB)xC
......................................
......................................
N V.E. y N V.I

Una variable categrica

y una intra S(A)xB
Dos variables categricas
y una intra S(AxB)xC
Etc.

Formato del diseo de medidas

repetidas de dos grupos
Grupo

Tratamientos
A1

A2

...........

Ak

S1

Y11

Y12

............

Y1k

Sn1

YN1

YN2

............

YNk

S1

Y11

Y12

............

Y1k

Sn2

YN1

YN2

............

YNk

G1

G2

Ejemplo prctico
Un experimentador pretende estudiar el
efecto que sobre la memoria icnica tienen
dos variables: campo pos-exposicin y
tiempo de presentacin. De la primera
variable, selecciona dos valores: campo posexposicin brillante (A1) y campo posexposicin 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 mxima
cantidad de letras. A su vez, decide que
cada sujeto ejecute 40 ensayos (diez
tarjetas por tiempo de presentacin). La
variable dependiente es la cantidad de
identificaciones correctas en bloques de
10 ensayos.

Modelo de prueba estadstica

Paso 1. Formulacin de las hiptesis de
nulidad:
H0: 1 = 2 = 0
H0: 1 = 2 = 3 = 4 = 0
H0: 11 = 12 = 13 = 14 = 21 =
22 = 23 = 24 = 0

Paso 2. A cada hiptesis de nulidad est

asociada la siguiente hiptesis alternativa:
H1: por lo menos una desigualdad

Paso 3. Se asume el modelo ANOVA

lineal. El estadstico de la prueba es la F
normal
(bajo
el
supuesto
de
homogeneidad y simetra), con un nivel de
significacin de = 0.05. El tamao de la
muestra experimental es N = an = 8 y la
cantidad de observaciones abn = 32.
Paso 4. Se calcula el valor emprico de F
a partir de la correspondiente matriz de
datos del experimento.

DISEO FACTORIAL MIXTO

TRATAMIENTOS

TOTALES

N Suj.

B1

B2

B3

B4

Suj.

1
2
3
4
5
6
7
8

25
31
24
21
13
16
31
21
182

26
35
33
30
14
19
34
22
213

27
37
28
31
20
30
36
33
242

34
39
40
35
30
38
41
38
295

112
142
125
117
77
103
142
114
932

A1

A2

TOTALES

V.A

496

436

Modelo estructural del diseo

Yijk = + [j + i/j] + [k + ()jk +

()ik/j ] + ijk

Supuestos del anova

Yij = la puntuacin del i sujeto bajo el j valor A y
el k valor de B
= la media comn a todos los datos del
experimento.
j = es el efecto de j nivel de la variable A.
i/j = el efecto asociado al i sujeto dentro de j nivel
de A.
k = el efecto del k nivel de B.
()jk = el efecto de la interaccin de Aj y Bk.
()ik/j = el efecto de la interaccin de Si y Bk, intra Aj.
ijk = el error de medida.

Dado que slo hay un dato por casilla

combinacin de S, A y B, no hay
variabilidad intra-casilla, As, SxB/A estima
la variancia del error.
Se asume que:
a) i NID(0,)
b) ()ik/j NID(0,)
b) ijk NID(0,)

Descomposicin de la Suma de
cuadrados
SCtotal = SCentre-sujetos + SCintra-sujetos
A su vez, cada componente se subdivide
en:
SCentre-sujetos = SCA + SCS/A
y
SCintra-sujetos = SCB + SCAB + SCSxB/A

Resumen de las fuentes de variacin del

diseo factorial mixto
Entre sujetos
Variable A
Sujetos intra A
Intra sujetos
Variable B
Interaccin A x B
Sujetos x B intra A

Clculo de la sumas de
cuadrados
SCtotal = [25 + 31 + ... + 38] [932/32] =
1871.50
SCE.S. = [112/4 + 142/4 + ... + 114/4]
[932/32] = 785.50
SCI.S. = SCtotal - SCE.S. = 1871.50 - 785.50 =
1086

Suma de Cuadrados entresujetos

La Suma de Cuadrados entre-sujetos se
divide en
SCA = [496/16 + 436/16] [932/32] =
112.50
SCS/A = SCE.S. - SCA = 785.50 - 112.50 =
673

Suma de Cuadrados intrasujetos (a)

La Suma de cuadrados intra sujetos se
divide en
SCB = [182/8 + 213/8 + ... + 295/8]
[932/32] = 865.75
SCAxB (se requiere tabla de totales)
SCSxB/A = SCI.S. - SCB - SCAxB

Tabla de totales
Datos de la interaccin AxB
B1
B2
B3 B4 Totales
A1

101

124

123 148

496

A2

81

89

119 147

436

Totales 182

213

242

932

295

Suma de Cuadrados intrasujetos (b)

SCAxB = [101/4 + 81/4 + ... + 147/4]
[938/32] - SCA - SCB = 92.75

SCSxB/A = SCI.S. - SCB - SCAxB = 1086

865.75 - 92.75 = 127.50

CUADRO RESUMEN DEL AVAR. DISEO FACTORIAL MIXTO

F.V.

SC

g.l

Entre sujetos
Variable A
S/A (e. entre)
Intra sujetos
Variable B
Inter AxB
SxB/A (e. Intra)

785.5
112.5
673
1086
865.75
92.75
127.5

an-1=7
a-1=1
a(n-1)=6
an(b-1)=24
b-1=3
(a-1)(b-1)=3
a(n-1)(b-1)=18

Total

1871.5

abn-1=31

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

CM
112.50
112.17
288.58

40.76
30.92 4.37
7.08

p
>0.05

<0.05
<0.05

Modelo de prueba estadstica

Paso 5. De los resultados del anlisis, se
infiere la aceptacin de la hiptesis de
nulidad para la variable A y su noaceptacin para la variable B y la
interaccin AxB, con una probabilidad de
error del 5 por ciento.

MEDIAS DE GRUPOS DE TRATAMIENTO

A1
A2

B1
25.25
20.25

B2
31
22.75

B3
30.75
30.5

B4
37
37

37
30,75

31

A1 (Campo brillante)
A2 (Campo oscuro)

30,5

25,25
22,75

)
/sg
(2
40
c
B4

B3

(1
80
c

/sg

g)
(9
0c
/s
B2

(4
5c
/s

20,25

g)

40
38
36
34
32
30
28
26
24
22
20
18
16
14

B1

Identificaciones correctas

GRFICO INTERACCIN

Fin de los diseos

experimentales clsicos