estadísticacalculadoraguía

Calculadora de ANOVA de dos vías: guía paso a paso con un ejemplo resuelto completo

August 13, 2026·13 min read·Solvify Team

Una calculadora de ANOVA de dos vías comprueba si dos factores categóricos independientes —y la interacción entre ellos— afectan de forma significativa a una variable de resultado continua, todo en un mismo análisis. En lugar de ejecutar pruebas ANOVA de una vía por separado para cada factor y pasar por alto cómo podrían combinarse, un ANOVA de dos vías reparte la variabilidad total en cuatro piezas: la variación del Factor A, la variación del Factor B, la variación de la interacción entre A y B, y el error aleatorio restante. Esta guía construye la tabla ANOVA completa a mano —sumas de cuadrados, grados de libertad, cuadrados medios y razones F— usando un ejemplo resuelto completo con números reales, y después explica cómo leer los resultados, los errores que más confunden a los estudiantes y problemas de práctica con respuestas comprobadas.

Contenido

01¿Qué es una calculadora de ANOVA de dos vías y cuándo la necesitas?
02¿Cómo funciona paso a paso una calculadora de ANOVA de dos vías?
03¿Qué son los efectos principales y los efectos de interacción en el ANOVA de dos vías?
04¿Cómo se construye la tabla ANOVA completa?
05¿Cómo debes interpretar los resultados de un ANOVA de dos vías?
06¿Qué errores debes evitar al calcular un ANOVA de dos vías?
07Problemas de práctica: ¿puedes resolver estos planteamientos de ANOVA de dos vías?
08¿Cómo puede ayudarte Solvify a comprobar un problema de ANOVA de dos vías?

¿Qué es una calculadora de ANOVA de dos vías y cuándo la necesitas?

Una calculadora de ANOVA de dos vías (Análisis de la Varianza) determina si dos variables categóricas independientes —llamadas factores— tienen cada una un efecto estadísticamente significativo sobre una variable dependiente continua, y si esos dos factores interactúan. "De dos vías" significa simplemente que se están probando dos factores a la vez, a diferencia de un ANOVA de una vía, que solo examina un factor. Cada ANOVA de dos vías responde a tres preguntas distintas a partir del mismo conjunto de datos: ¿el Factor A afecta al resultado (el efecto principal de A)? ¿El Factor B afecta al resultado (el efecto principal de B)? ¿Y el efecto de un factor depende del nivel del otro (el efecto de interacción)? Un ANOVA de una vía ejecutado dos veces, por separado, nunca puede detectar esa tercera pregunta: la interacción solo es visible cuando ambos factores se analizan juntos. Necesitas un ANOVA de dos vías siempre que un experimento tenga un diseño factorial: dos entradas categóricas cruzadas entre sí, que producen una cuadrícula de combinaciones de tratamiento. Ejemplos habituales incluyen probar la dosis de un fármaco (Factor A) en distintos grupos de edad (Factor B) sobre la presión arterial, comparar el método de enseñanza (Factor A) y el tamaño de la clase (Factor B) sobre las notas de un examen o —como en el ejemplo resuelto de más abajo— comparar el tipo de fertilizante y la frecuencia de riego sobre el crecimiento de las plantas. Una calculadora de ANOVA de dos vías automatiza la aritmética, pero entender las sumas de cuadrados que hay debajo es lo que te permite verificar el resultado e interpretar correctamente una interacción significativa.

Un ANOVA de dos vías pone a prueba tres hipótesis a la vez: el efecto principal del Factor A, el efecto principal del Factor B y el efecto de interacción A×B, usando un mismo término de error compartido para las tres.

¿Cómo funciona paso a paso una calculadora de ANOVA de dos vías?

Detrás de cada calculadora de ANOVA de dos vías hay la misma secuencia de cálculos de sumas de cuadrados. El ejemplo resuelto que recorre el resto de esta guía usa este conjunto de datos: un investigador mide el crecimiento de las plantas (cm) bajo dos tipos de fertilizante (Orgánico, Químico) cruzados con dos calendarios de riego (Diario, Semanal), con 3 plantas por combinación (n = 3, N = 12 en total). Orgánico + Diario: 8, 10, 9 — Orgánico + Semanal: 5, 7, 6 Químico + Diario: 12, 14, 13 — Químico + Semanal: 9, 11, 10

1. Paso 1 — Halla todos los totales de celda, fila y columna

Totales de celda: Orgánico-Diario = 8+10+9 = 27, Orgánico-Semanal = 5+7+6 = 18, Químico-Diario = 12+14+13 = 39, Químico-Semanal = 9+11+10 = 30. Totales de fila (Fertilizante): Orgánico = 27+18 = 45, Químico = 39+30 = 69. Totales de columna (Riego): Diario = 27+39 = 66, Semanal = 18+30 = 48. Total general G = 45+69 = 114, y media general = 114 ÷ 12 = 9.5.

2. Paso 2 — Calcula el factor de corrección

El factor de corrección (CF), también escrito G²/N, se resta de cada término de suma de cuadrados. CF = 114² ÷ 12 = 12996 ÷ 12 = 1083.

3. Paso 3 — Calcula SS_total

SS_total = Σ(cada valor − media general)². Al elevar al cuadrado cada desviación respecto de 9.5 y sumar los 12 valores se obtiene SS_total = 83. Esta es la variabilidad total que el ANOVA repartirá entre el Factor A, el Factor B, la interacción y el error.

4. Paso 4 — Calcula SS_A (Fertilizante, el factor de fila)

SS_A = Σ(total de fila)² ÷ (b·n) − CF, donde b·n = número de observaciones por fila = 6. SS_A = (45² + 69²) ÷ 6 − 1083 = (2025 + 4761) ÷ 6 − 1083 = 1131 − 1083 = 48.

5. Paso 5 — Calcula SS_B (Riego, el factor de columna)

SS_B = Σ(total de columna)² ÷ (a·n) − CF, donde a·n = 6. SS_B = (66² + 48²) ÷ 6 − 1083 = (4356 + 2304) ÷ 6 − 1083 = 1110 − 1083 = 27.

6. Paso 6 — Calcula SS_AB (la interacción)

Primero halla SS_celdas = Σ(total de celda)² ÷ n − CF = (27² + 18² + 39² + 30²) ÷ 3 − 1083 = 3474 ÷ 3 − 1083 = 1158 − 1083 = 75. Después SS_AB = SS_celdas − SS_A − SS_B = 75 − 48 − 27 = 0.

7. Paso 7 — Calcula SS_error por sustracción

SS_error = SS_total − SS_celdas = 83 − 75 = 8. Esta es la variabilidad dentro de cada grupo de tratamiento que el Factor A, el Factor B y su interacción no pueden explicar.

Comprueba tu aritmética en cada etapa: SS_A + SS_B + SS_AB + SS_error siempre debe ser igual a SS_total. Aquí, 48 + 27 + 0 + 8 = 83 — cuadra.

¿Qué son los efectos principales y los efectos de interacción en el ANOVA de dos vías?

Un efecto principal es el efecto de un factor promediado sobre todos los niveles del otro factor: responde por separado a "¿el tipo de Fertilizante cambia el crecimiento, ignorando el riego?" y a "¿el calendario de Riego cambia el crecimiento, ignorando el fertilizante?". Un efecto de interacción plantea una pregunta distinta: ¿el efecto del Fertilizante depende de qué calendario de Riego se use? Si el fertilizante Orgánico ayuda mucho con riego Diario pero no hace nada con riego Semanal, las líneas de un gráfico de interacción se cruzan o divergen: eso es una interacción. En el ejemplo resuelto, las medias de fila son Orgánico = 45÷6 = 7.5 y Químico = 69÷6 = 11.5, una diferencia de exactamente 4.0 cm. Las medias de columna son Diario = 66÷6 = 11.0 y Semanal = 48÷6 = 8.0, una diferencia de exactamente 3.0 cm. Como SS_AB resultó ser exactamente 0, los dos factores actúan de forma aditiva: el fertilizante Químico añade la misma ventaja de 4 cm independientemente del calendario de riego, y el riego Diario añade la misma ventaja de 3 cm independientemente del fertilizante. Puedes verificarlo directamente: crecimiento previsto Orgánico-Diario = media general + (efecto Orgánico) + (efecto Diario) = 9.5 + (7.5−9.5) + (11.0−9.5) = 9.5 − 2.0 + 1.5 = 9.0, que coincide exactamente con la media de celda real de 27÷3 = 9.0.

1. ¿Por qué importa más un gráfico de interacción que la tabla en bruto?

Representar las medias de celda con el Riego en el eje x y una línea por cada tipo de Fertilizante convierte los números en una forma. Líneas paralelas significan que no hay interacción (el caso de aquí). Líneas que se cruzan o se abren en abanico significan que el efecto de un factor depende realmente del otro, lo que cambia la forma de reportar el resultado: describirías primero la interacción, ya que los efectos principales por sí solos serían engañosos.

Líneas paralelas en un gráfico de interacción significan que los factores actúan de forma independiente; líneas no paralelas significan que debes interpretar la interacción antes de fiarte de cualquiera de los efectos principales por separado.

¿Cómo se construye la tabla ANOVA completa?

Con todas las sumas de cuadrados calculadas, la tabla se completa con los grados de libertad (df), los cuadrados medios (MS = SS ÷ df) y las razones F (F = MS ÷ MS_error). Con a = 2 niveles de fertilizante, b = 2 niveles de riego, n = 3 réplicas y N = 12 observaciones totales:

1. Paso 1 — Grados de libertad

df_A = a − 1 = 1. df_B = b − 1 = 1. df_AB = (a−1)(b−1) = 1×1 = 1. df_error = N − ab = 12 − 4 = 8. df_total = N − 1 = 11. Comprobación: 1+1+1+8 = 11. ✓

2. Paso 2 — Cuadrados medios

MS_A = SS_A ÷ df_A = 48 ÷ 1 = 48. MS_B = SS_B ÷ df_B = 27 ÷ 1 = 27. MS_AB = SS_AB ÷ df_AB = 0 ÷ 1 = 0. MS_error = SS_error ÷ df_error = 8 ÷ 8 = 1.

3. Paso 3 — Razones F

F_A = MS_A ÷ MS_error = 48 ÷ 1 = 48.0. F_B = MS_B ÷ MS_error = 27 ÷ 1 = 27.0. F_AB = MS_AB ÷ MS_error = 0 ÷ 1 = 0.0. Cada razón F compara el cuadrado medio de una fuente con el mismo MS_error, ya que la varianza de error es la línea base compartida de "cuánta variación cabría esperar solo por azar".

4. Paso 4 — Compara con el valor F crítico

Con α = 0.05, el valor crítico F(1, 8) ≈ 5.32 (de una tabla de la distribución F). F_A = 48.0 y F_B = 27.0 superan ambos 5.32, así que los dos efectos principales son estadísticamente significativos. F_AB = 0.0 está muy por debajo de 5.32, así que la interacción no es significativa, lo que concuerda con el patrón aditivo encontrado en la sección anterior.

Fuente | SS | df | MS | F Fertilizante (A) | 48 | 1 | 48 | 48.0 Riego (B) | 27 | 1 | 27 | 27.0 Interacción A×B | 0 | 1 | 0 | 0.0 Error | 8 | 8 | 1 | — Total | 83 | 11 | — | —

¿Cómo debes interpretar los resultados de un ANOVA de dos vías?

La interpretación siempre empieza por la fila de la interacción, no por los efectos principales. Como aquí F_AB = 0.0 no es significativo, es seguro interpretar los efectos principales directamente: el fertilizante Químico produce significativamente más crecimiento que el fertilizante Orgánico (F(1,8) = 48.0, p < 0.05), y el riego Diario produce significativamente más crecimiento que el riego Semanal (F(1,8) = 27.0, p < 0.05), y estos dos efectos no dependen el uno del otro. Si la interacción hubiera resultado significativa, el siguiente paso correcto sería un análisis de efectos simples —probar el efecto del Fertilizante por separado dentro del riego Diario y por separado dentro del riego Semanal— porque una interacción significativa implica que los promedios de los efectos principales pueden ocultar o incluso invertir el patrón real en algún subgrupo.

Comprueba siempre primero la interacción. Una interacción significativa implica que los efectos principales, tomados por separado, pueden ser engañosos: describe la interacción antes de reportar cualquiera de los efectos principales.

¿Qué errores debes evitar al calcular un ANOVA de dos vías?

Un puñado de errores explica la mayoría de los resultados incorrectos en un ANOVA de dos vías, tanto si se calcula a mano como si se comprueba con una calculadora de ANOVA de dos vías.

1. Error 1 — Tamaños de celda desiguales sin ajuste

Las fórmulas de esta guía suponen un diseño equilibrado (el mismo n en cada celda). Con tamaños de grupo desiguales, las fórmulas ordinarias de sumas de cuadrados se vuelven sesgadas y necesitas sumas de cuadrados de Tipo II o Tipo III, que la mayoría del software estadístico calcula automáticamente pero las calculadoras sencillas a menudo no.

2. Error 2 — Interpretar los efectos principales antes de comprobar la interacción

Reportar que "el fertilizante Químico es mejor" sin comprobar primero si esa ventaja se mantiene en todos los calendarios de riego puede tergiversar el resultado siempre que la interacción sea significativa.

3. Error 3 — Confundir qué cuadrado medio va en el denominador

En un ANOVA de dos vías estándar con un modelo de efectos fijos, MS_error es el denominador de todas las razones F: A, B y A×B se dividen todos entre MS_error, no entre el cuadrado medio de los demás.

4. Error 4 — Olvidar comprobar los supuestos del ANOVA

El ANOVA de dos vías supone que los residuos se distribuyen de forma aproximadamente normal, que las varianzas son más o menos iguales en las cuatro celdas (homogeneidad de la varianza) y que las observaciones son independientes. Saltarse estas comprobaciones y ejecutar la prueba F igualmente puede producir un valor p que no significa lo que dice significar.

Antes de fiarte de cualquier razón F, verifica: SS_A + SS_B + SS_AB + SS_error = SS_total. Si esa identidad falla, alguna suma de cuadrados se calculó mal en algún punto anterior.

Problemas de práctica: ¿puedes resolver estos planteamientos de ANOVA de dos vías?

Intenta plantear la tabla ANOVA de cada escenario antes de mirar la respuesta. Los tres reutilizan las mismas fórmulas del Paso 4 anterior.

1. Problema 1 — Identifica el diseño

Un estudio mide las notas de un examen según el Método de enseñanza (Clase magistral, Aula invertida) y el Tamaño de la clase (Pequeña, Grande), con 4 estudiantes por combinación. ¿Cuáles son a, b, n y N? Respuesta: a = 2, b = 2, n = 4, N = 16, lo que da df_error = N − ab = 16 − 4 = 12.

2. Problema 2 — Calcula una suma de cuadrados que falta

Si SS_total = 120, SS_A = 40, SS_B = 25 y SS_AB = 15, halla SS_error. Respuesta: SS_error = SS_total − SS_A − SS_B − SS_AB = 120 − 40 − 25 − 15 = 40.

3. Problema 3 — Decide la significación

Con df_A = 2, df_error = 24, MS_A = 18 y MS_error = 3, ¿es significativo el Factor A con α = 0.05 dado un valor crítico F(2,24) ≈ 3.40? Respuesta: F_A = MS_A ÷ MS_error = 18 ÷ 3 = 6.0, que supera 3.40 — el Factor A es estadísticamente significativo.

Resolver un ANOVA de dos vías a mano una sola vez —incluso un diseño pequeño de 2×2 como el ejemplo del fertilizante— hace que después cualquier resultado de una calculadora sea fácil de verificar en lugar de tener que confiar en una caja negra.

¿Cómo puede ayudarte Solvify a comprobar un problema de ANOVA de dos vías?

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 tu tabla ANOVA y recorrer paso a paso esos mismos cálculos de SS_A, SS_B, SS_AB y SS_error, para que puedas comparar su trabajo con tu resultado hecho a mano y detectar deslices aritméticos antes de que acaben en un informe de laboratorio.

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.

Etiquetas:

estadísticacalculadoraguía

Solucionadores matemáticos

📸

Solucionador Smart Scan

Haz una foto de cualquier conjunto de datos estadísticos 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 cada razón F, no solo el resultado final de significación.

📚

Soporte multiasignatura

Resuelve problemas de estadística, álgebra, cálculo, física, química y más.

Materias relacionadas

Ayuda con tareas de estadística

Explora la varianza, las pruebas de hipótesis 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 el mismo método sistemático de comprobar tu trabajo que se usa en las tablas ANOVA a los ejercicios de física.

Volver al blog