Calculadora ANOVA: guía paso a paso de la prueba ANOVA de un factor
Una calculadora anova determina si las medias de tres o más grupos difieren más de lo que predeciría el puro azar, condensando en una sola prueba limpia con una única tasa de error compartida lo que de otro modo sería una larga serie de pruebas t por pares. En lugar de comparar el grupo A con el B, luego el A con el C y después el B con el C por separado —e inflar la probabilidad de un falso positivo con cada comparación adicional—, un ANOVA de un factor divide la variabilidad total en dos partes: la variación entre las medias de los grupos y la variación dentro de cada grupo. Esta guía construye la tabla ANOVA completa a mano —sumas de cuadrados, grados de libertad, cuadrados medios y la razón F— usando un ejemplo resuelto completo con números reales, y luego explica cómo leer el resultado, las pruebas post hoc, los supuestos de los que depende el ANOVA, los errores más comunes y problemas de práctica con respuestas verificadas.
Contenido
- 01¿Qué es una calculadora ANOVA y cuándo la necesitas?
- 02¿Cómo funciona una calculadora ANOVA paso a paso?
- 03¿Qué miden realmente SS_between y SS_within?
- 04¿Cómo se construye la tabla ANOVA completa de un factor?
- 05¿Cómo se interpreta una razón F y se lee la tabla ANOVA?
- 06¿Qué son las pruebas post hoc y por qué las necesitas tras un ANOVA significativo?
- 07ANOVA frente a la prueba t: ¿por qué no hacer simplemente varias pruebas t?
- 08¿Qué supuestos exige el ANOVA?
- 09¿Qué errores debes evitar al calcular un ANOVA a mano?
- 10Problemas de práctica: ¿puedes resolver estos planteamientos de ANOVA de un factor?
- 11¿Cómo puede ayudarte Solvify a revisar un problema de ANOVA?
¿Qué es una calculadora ANOVA y cuándo la necesitas?
Una calculadora ANOVA (análisis de la varianza) comprueba si las medias de tres o más grupos independientes son estadísticamente distintas entre sí, usando una única prueba en lugar de una serie de comparaciones separadas. "De un factor" significa que los grupos están definidos por una sola variable categórica —como el método de tutoría, el tipo de fertilizante o la sección de clase—, a diferencia del ANOVA de dos factores, que cruza dos factores a la vez y además puede contrastar la interacción entre ellos. Necesitas un ANOVA de un factor siempre que tengas un resultado continuo medido en tres o más grupos y quieras saber si las medias de los grupos difieren más de lo esperable por azar. Algunos ejemplos habituales son comparar las notas de un examen entre métodos de enseñanza, comparar el crecimiento de plantas entre marcas de fertilizante o comparar tiempos de reacción entre grupos de edad. Si solo tienes dos grupos, basta con una prueba t simple: el ANOVA demuestra su utilidad en el momento en que entra un tercer grupo en la comparación, porque es justo ahí donde las pruebas t repetidas empiezan a fallar.
El ANOVA de un factor responde a una sola pregunta —¿difieren las medias de tres o más grupos?— comparando la variación entre grupos con la variación dentro de los grupos, usando un único término de error compartido.
¿Cómo funciona una calculadora ANOVA paso a paso?
El ejemplo resuelto que recorre el resto de esta guía compara tres métodos de tutoría en un cuestionario de 20 puntos. Doce estudiantes fueron asignados al azar a uno de los tres métodos (n = 4 por grupo, N = 12 en total) y se registraron sus puntuaciones. Método A: 8, 9, 11, 12 — Método B: 13, 14, 14, 15 — Método C: 17, 18, 18, 19
1. Paso 1 — Halla el total de cada grupo y el total general
Suma del grupo A = 8+9+11+12 = 40, media = 40÷4 = 10. Suma del grupo B = 13+14+14+15 = 56, media = 56÷4 = 14. Suma del grupo C = 17+18+18+19 = 72, media = 72÷4 = 18. Total general = 40+56+72 = 168, y media general = 168÷12 = 14.
2. Paso 2 — Calcula SS_total
SS_total = Σ(cada valor − media general)². Desviaciones del grupo A respecto de 14: (8−14)²=36, (9−14)²=25, (11−14)²=9, (12−14)²=4, subtotal = 74. Desviaciones del grupo B: (13−14)²=1, (14−14)²=0, (14−14)²=0, (15−14)²=1, subtotal = 2. Desviaciones del grupo C: (17−14)²=9, (18−14)²=16, (18−14)²=16, (19−14)²=25, subtotal = 66. SS_total = 74+2+66 = 142.
3. Paso 3 — Calcula SS_between (variación explicada por la pertenencia al grupo)
SS_between = Σ n_i(media del grupo − media general)² = 4(10−14)² + 4(14−14)² + 4(18−14)² = 4(16) + 4(0) + 4(16) = 64+0+64 = 128.
4. Paso 4 — Calcula SS_within (variación que queda dentro de cada grupo)
SS_within = Σ(cada valor − la media de su propio grupo)². Grupo A (media 10): (8−10)²=4, (9−10)²=1, (11−10)²=1, (12−10)²=4, subtotal = 10. Grupo B (media 14): (13−14)²=1, (14−14)²=0, (14−14)²=0, (15−14)²=1, subtotal = 2. Grupo C (media 18): (17−18)²=1, (18−18)²=0, (18−18)²=0, (19−18)²=1, subtotal = 2. SS_within = 10+2+2 = 14.
5. Paso 5 — Comprueba la identidad
SS_between + SS_within debe ser igual a SS_total: 128 + 14 = 142, que coincide exactamente con el SS_total calculado en el paso 2. Esta identidad es la forma más rápida de detectar un error aritmético antes de construir el resto de la tabla.
En un ANOVA de un factor, SS_total siempre se divide exactamente en dos partes: SS_between (diferencias entre las medias de los grupos) y SS_within (ruido dentro de cada grupo). Aquí, 128 + 14 = 142: la cuenta cuadra.
¿Qué miden realmente SS_between y SS_within?
SS_between mide cuán lejos está la media de cada grupo de la media general, ponderada por el tamaño del grupo: crece cuando los grupos son genuinamente distintos entre sí. SS_within mide cuánto oscilan las puntuaciones individuales dentro de su propio grupo, ignorando por completo a los demás grupos: refleja la variabilidad natural que no tiene nada que ver con el método que usó cada estudiante. En el ejemplo resuelto, SS_between (128) es aproximadamente nueve veces mayor que SS_within (14), lo cual es una señal temprana muy fuerte —incluso antes de calcular la razón F— de que los tres métodos de tutoría están produciendo resultados realmente distintos y no solo ruido. Si, por el contrario, SS_within hubiera eclipsado a SS_between, eso indicaría que los grupos se solapan mucho y que cualquier diferencia entre medias probablemente se deba al azar.
Un SS_between grande en relación con SS_within es la firma visual de un efecto real; un SS_within grande en relación con SS_between suele significar que los grupos se solapan demasiado como para distinguirlos.
¿Cómo se construye la tabla ANOVA completa de un factor?
Con SS_between, SS_within y SS_total ya calculados, la tabla se arma a partir de los grados de libertad (df), los cuadrados medios (MS = SS ÷ df) y la razón F (F = MS_between ÷ MS_within). Con k = 3 grupos y N = 12 observaciones en total:
1. Paso 1 — Grados de libertad
df_between = k − 1 = 3 − 1 = 2. df_within = N − k = 12 − 3 = 9. df_total = N − 1 = 11. Comprobación: 2 + 9 = 11. ✓
2. Paso 2 — Cuadrados medios
MS_between = SS_between ÷ df_between = 128 ÷ 2 = 64. MS_within = SS_within ÷ df_within = 14 ÷ 9 ≈ 1,56. A MS_within también se le llama cuadrado medio del error (MSE): es la mejor estimación disponible de la variabilidad puramente aleatoria.
3. Paso 3 — La razón F
F = MS_between ÷ MS_within = 64 ÷ 1,56 ≈ 41,1. Esta razón compara cuánta variación explica la pertenencia al grupo frente a cuánta variación cabría esperar solo por azar.
4. Paso 4 — Compara con el valor crítico de F
Con α = 0,05, el valor crítico F(2, 9) ≈ 4,26 (según una tabla de la distribución F). Como F ≈ 41,1 supera con mucho a 4,26, el resultado es estadísticamente significativo: los tres métodos de tutoría no producen puntuaciones medias iguales.
Fuente | SS | df | MS | F Entre grupos | 128 | 2 | 64 | 41,1 Dentro de los grupos | 14 | 9 | 1,56 | — Total | 142 | 11 | — | —
¿Cómo se interpreta una razón F y se lee la tabla ANOVA?
Una razón F cercana a 1,0 significa que la variación entre grupos es aproximadamente del mismo tamaño que el ruido natural dentro de los grupos: no hay evidencia de un efecto real. Una razón F muy por encima de 1,0, como el 41,1 obtenido aquí, significa que las diferencias entre las medias de los grupos son mucho mayores de lo que produciría la variabilidad aleatoria por sí sola, y por eso supera el valor crítico con tanta facilidad. El valor p cuenta la misma historia en otra unidad: es la probabilidad de observar una razón F así de grande (o mayor) si las tres medias poblacionales fueran realmente iguales. Con F(2,9) = 41,1, el valor p queda muy por debajo de 0,001, así que se rechaza la hipótesis nula —que los métodos A, B y C producen la misma puntuación media—. Pero una razón F significativa solo te dice que al menos un grupo difiere de al menos otro; no dice qué grupos difieren, y eso es exactamente lo que responden a continuación las pruebas post hoc.
Una razón F significativa responde a '¿son diferentes los grupos?', pero nunca responde a '¿qué grupos son diferentes?'. Esa segunda pregunta corresponde a las pruebas post hoc.
¿Qué son las pruebas post hoc y por qué las necesitas tras un ANOVA significativo?
Una vez que la prueba F global resulta significativa, una prueba post hoc compara cada par de grupos controlando la tasa de error combinada; la opción más común es la prueba de la diferencia honestamente significativa (HSD) de Tukey. Realizar en su lugar tres pruebas t separadas (A vs. B, A vs. C, B vs. C) sin ninguna corrección haría que la verdadera tasa de error de tipo I subiera bastante por encima del 5 % previsto, porque cada comparación adicional añade su propia probabilidad de falso positivo. En el ejemplo resuelto, las tres medias de grupo —10, 14 y 18— están separadas de forma uniforme por exactamente 4 puntos, y con un MS_within tan pequeño (1,56) una comparación HSD de Tukey señalaría con mucha probabilidad como significativas las tres diferencias por pares (A vs. B, B vs. C y A vs. C). El valor crítico exacto del HSD depende de una tabla del rango studentizado, pero el patrón aquí —tres medias muy separadas apoyadas sobre muy poco ruido intragrupo— es un caso de manual en el que todos los pares difieren.
Nunca interpretes las diferencias por pares directamente a partir de una tabla ANOVA: la prueba F por sí sola no puede decirte qué pares concretos difieren. Eso requiere una prueba post hoc específica.
ANOVA frente a la prueba t: ¿por qué no hacer simplemente varias pruebas t?
Una prueba t de dos muestras compara exactamente dos medias a la vez. Con tres grupos, hacer tres pruebas t por separado (A-B, A-C, B-C) parece un atajo, pero cada prueba individual arrastra su propio 5 % de probabilidad de falso positivo. Si realizas tres pruebas independientes con α = 0,05, la probabilidad de que al menos una salga "significativa" por puro azar sube hasta aproximadamente 1 − (0,95)³ ≈ 14,3 %: casi el triple de la tasa de error prevista. Con cinco grupos y diez comparaciones por pares, esa tasa de error inflada sube todavía más. El ANOVA resuelve esto contrastando todas las medias de los grupos en una única prueba F, manteniendo la tasa global de error de tipo I en el nivel α declarado sin importar cuántos grupos haya. Solo después de que esa única prueba resulte significativa se pasa a las comparaciones post hoc, que usan valores críticos corregidos diseñados específicamente para mantener bajo control la tasa de error por familia. ¿Vale la pena la preparación adicional? Para cualquier comparación con tres o más grupos, sí: la alternativa es una tasa de falsos positivos inflada en silencio.
Hacer k(k−1)/2 pruebas t separadas en lugar de un solo ANOVA infla tu tasa de error real muy por encima del 5 %: cuantos más grupos compares, peor es la inflación.
¿Qué supuestos exige el ANOVA?
El ANOVA de un factor descansa sobre tres supuestos, y violarlos puede producir un valor p que no signifique lo que afirma significar.
1. Independencia de las observaciones
Cada dato debe proceder de un sujeto o una medición distinta y no relacionada. Por ejemplo, medir repetidamente al mismo estudiante con distintos métodos violaría la independencia y exigiría en su lugar un ANOVA de medidas repetidas.
2. Normalidad dentro de cada grupo
Las puntuaciones dentro de cada grupo deben distribuirse de forma aproximadamente normal, algo especialmente importante con muestras pequeñas como los grupos de n = 4 usados aquí. En la práctica, un histograma, un gráfico Q-Q o la prueba de Shapiro-Wilk permiten comprobarlo.
3. Homogeneidad de la varianza
Todos los grupos deben tener una dispersión (varianza) aproximadamente igual. La prueba de Levene es la comprobación estándar; si las varianzas difieren mucho entre grupos, el ANOVA de Welch —que no asume varianzas iguales— es la opción más segura.
El ANOVA es bastante robusto ante violaciones leves de la normalidad cuando los grupos tienen el mismo tamaño, pero la combinación de varianzas desiguales con tamaños de grupo desiguales es la que más probablemente produce una razón F engañosa.
¿Qué errores debes evitar al calcular un ANOVA a mano?
Un puñado de errores explica la mayoría de los resultados incorrectos en un ANOVA de un factor, tanto si se calcula a mano como si se verifica con una calculadora anova.
1. Error 1 — Confundir SS_between y SS_within en la razón F
F siempre es MS_between ÷ MS_within, nunca al revés. Invertir la razón produce un número inferior a 1,0 que parece irrelevante en lugar de una razón F grande que señala un efecto real.
2. Error 2 — Usar los grados de libertad equivocados
df_between usa el número de grupos (k − 1), mientras que df_within usa el tamaño total de la muestra menos el número de grupos (N − k). Intercambiarlos cambia cada búsqueda de valor crítico y toda conclusión posterior.
3. Error 3 — Interpretar una razón F significativa como "cada grupo difiere de todos los demás"
Una F global significativa solo garantiza que al menos un par de grupos difiere. Concluir que los tres métodos de tutoría difieren entre sí sin realizar una prueba post hoc se salta un paso obligatorio.
4. Error 4 — Omitir la comprobación de la identidad de SS_total
SS_between + SS_within debe ser igual a SS_total. Si no lo es, alguna suma de cuadrados se calculó mal en algún punto anterior, antes de que el error se propague y produzca una razón F equivocada.
Antes de fiarte de cualquier razón F, verifica que SS_between + SS_within = SS_total. Si esa identidad falla, corrige las sumas de cuadrados antes de tocar los grados de libertad o los cuadrados medios.
Problemas de práctica: ¿puedes resolver estos planteamientos de ANOVA de un factor?
Intenta resolver cada escenario antes de mirar la respuesta. Los tres reutilizan las mismas fórmulas del ejemplo resuelto anterior.
1. Problema 1 — Halla la suma de cuadrados que falta
Si SS_total = 200 y SS_between = 150, halla SS_within. Respuesta: SS_within = SS_total − SS_between = 200 − 150 = 50.
2. Problema 2 — Calcula los grados de libertad y los cuadrados medios
Un estudio compara cuatro métodos de enseñanza (k = 4) con 5 estudiantes en cada grupo (N = 20). Si SS_between = 60 y SS_within = 40, halla df_between, df_within, MS_between y MS_within. Respuesta: df_between = k−1 = 3, df_within = N−k = 16, MS_between = 60÷3 = 20, MS_within = 40÷16 = 2,5.
3. Problema 3 — Decide la significación
Usando los valores del problema 2, calcula F y decide la significación con α = 0,05 dado un valor crítico F(3,16) ≈ 3,24. Respuesta: F = MS_between ÷ MS_within = 20 ÷ 2,5 = 8,0, que supera 3,24: los cuatro métodos de enseñanza son estadísticamente diferentes de forma significativa.
Resolver un ANOVA de un factor a mano una sola vez —aunque sea un ejemplo pequeño de tres grupos como la comparación de métodos de tutoría— hace que después sea fácil verificar cualquier resultado de una calculadora en lugar de confiar ciegamente en una caja negra.
¿Cómo puede ayudarte Solvify a revisar un problema de ANOVA?
Una vez que entiendes la lógica de las sumas de cuadrados de esta guía, el solucionador con IA de Solvify puede tomar una foto de tu conjunto de datos o de una tabla ANOVA parcialmente completada y recorrer paso a paso esos mismos cálculos de SS_between, SS_within y la razón F, de modo que puedas comparar su desarrollo con tu resultado hecho a mano y detectar errores aritméticos antes de que acaben en un informe de laboratorio o en una tarea entregada.
La forma más rápida de ganar confianza en estadística es resolver un problema a mano y usar la calculadora solo para verificarlo, no al revés.
Artículos relacionados
Calculadora ANOVA de dos factores: guía paso a paso con un ejemplo resuelto completo
Cuando ya domines el ANOVA de un factor, aprende cómo un segundo factor y un término de interacción cambian el análisis.
Resolución de problemas matemáticos paso a paso: un método repetible para cualquier problema
El mismo enfoque disciplinado de comprobar tu trabajo que se usa para verificar sumas de cuadrados sirve para cualquier problema matemático de varios pasos.
Solucionador de problemas matemáticos con enunciado: un método paso a paso con ejemplos resueltos
Descubre el mismo método estructurado —plantear, calcular, verificar— aplicado a problemas con enunciado fuera de la estadística.
Solucionadores matemáticos
Solucionador Smart Scan
Haz una foto de cualquier conjunto de datos o tabla ANOVA y obtén al instante un desglose paso a paso.
Soluciones paso a paso
Obtén explicaciones detalladas de cada suma de cuadrados y de la razón F, no solo el resultado final de significación.
Tutor de matemáticas con IA
Haz preguntas de seguimiento sobre pruebas post hoc, supuestos o cualquier paso de la tabla ANOVA hasta que todo encaje.
Materias relacionadas
Ayuda con tareas de estadística
Explora el contraste de hipótesis, la varianza y otros temas de estadística que se apoyan en el marco del ANOVA.
Ayuda con cálculo
Las sumas de cuadrados y la minimización del error conectan directamente con los conceptos de optimización que se enseñan en cálculo.
Resolución de problemas de física
Aplica a los ejercicios de física el mismo método sistemático de comprobar tu trabajo que se usa en las tablas ANOVA.