DISEÑO

FACTORIAL
 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

Por la 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 Cantidad variable: 2x3; 2x3x4, etc.
factor

Cantidad de Diseño factorial completo

combinaciones Diseño factorial incompleto y fraccionado
de tratamientos

Diseño factorial completamente al azar

Grado de Diseño factorial de bloques
control 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. A 1B1 A1B2 A 2 B1 A2B2

S1 S1 S1 S1

Sn1 Sn2 Sn3 Sn4

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

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: ß1 = ß2 = 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

 Espeficación 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
 Cálculo de las Sumas de
Cuadrados: primera etapa
SCtotal = SCentre-grupos + SCintra-grupos

SCtotal = [(10)² + (9)² + ... + (6)²] –

[(209)²/(8)(4)] = 203.97
SCentre-grupos = [(52)²/8 + (27)²/8 + ... +(60)²/8] –
[(209)²/(32)] = 126.59
SCintra-grupos = [(10)² + (9)² + ... + (6)²] – [(52)²/8
+ (27)²/8 + ... + (60)²/8] = 77.38
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
Cálculo del valor empírico de las
Sumas de cuadrados
SCA = [(79)²/16 + (130)²/16] – [(209)²/32] =
81.28
SCB = [(122)²/16 + (87)²/16] – [(209)²/32] =
38.28
SCAB = SCentre-grupos – SCA – SCB = 126.59 –
81.28 - 38.28 = 7.03
 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
9 8,75
8
Promedio ensayos correctos

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)
 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