Free one-way ANOVA calculator — F-statistic, p-value, critical F, eta-squared and omega-squared effect sizes, and pairwise post-hoc comparisons across 2-4 groups.
Group data
Sample datasets
Enter each group's measurements separated by commas, spaces, or semicolons. Live recalculation — no submit needed.
F-statistic
—
Enter data for at least two groups to compute ANOVA.
p-value
—
Critical F
—
Decision
—
η² (effect size)
—
Omega-squared (less biased)
—
df (between, within)
—
Groups (k) · Total (N)
—
F = MS_between / MS_withinη² = SS_between / SS_total
Group summary
Group
n
Mean
Std Dev
Variance
The accessible table generated below contains the exact group means, standard deviations, and sample sizes represented by this chart.
ANOVA summary table
Source-of-variation breakdown. The F-ratio compares between-groups mean square (variance explained by group membership) to within-groups mean square (residual variance). If F exceeds the critical F at your chosen alpha, the means differ more than chance alone would predict.
Source
SS
df
MS
F
p
F-critical
Between groups
—
—
—
—
—
—
Within groups
—
—
—
—
—
—
Total
—
—
—
—
—
—
SS_total = SS_between + SS_withindf_between = k − 1df_within = N − k
Pairwise comparisons (Bonferroni-corrected)
Once ANOVA rejects the null hypothesis you still need to know which groups differ. This table reports every pair, using the pooled within-groups variance for the t-statistic and multiplying each raw p-value by the number of comparisons (Bonferroni correction). Adjusted p < α flags a significant pair.
Comparison
Mean diff
t
Raw p
Adjusted p
Significant?
Adjusted p is min(1, raw p × number of comparisons). With k groups there are k·(k−1)/2 comparisons.
Peer-Reviewed Academic Tool
Last Verified: May 2026·Next Scheduled Review: May 2027
Methodology & Academic References
This calculator has been verified for numerical precision and statistical validity. Calculations for the F-distribution probability density function and regularized incomplete beta functions are built using the Lanczos approximation, matching output from premium statistical software (SAS, R, and SPSS).
Academic Sources & Citations
Fisher, R. A. (1925).Statistical Methods for Research Workers. Oliver and Boyd. (The foundational paper introducing Analysis of Variance and the F-distribution.)
Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007).Numerical Recipes: The Art of Scientific Computing (3rd ed.). Cambridge University Press. (Algorithm reference for Lanczos log-gamma and Lentz's incomplete beta continued fractions.)
Bonferroni, C. E. (1936).Teoria delle assicurazioni sociali. Istituto Superiore di Scienze Economiche e Commerciali di Firenze. (Basis for the pairwise multiple-comparison correction used on the post-hoc tab.)
Professional Guidance Disclaimer: This utility is designed for educational, research, and general analytical purposes. It should not be used as the sole basis for clinical trials, structural engineering safety calculations, or final financial risk assessments without professional secondary validation from a certified statistician.
5 min de lectura4 steps8 terms2 examples5 FAQsF = MS_between / MS_within where MS_between = SS_between / …
El ANOVA de un factor prueba si las medias de tres o más grupos independientes difieren más de lo que explicaría la variación del muestreo aleatorio por sí sola.
📋
Paso a paso
Cómo usar esta calculadora
4 pasos▸
01
Ingresa las mediciones de cada grupo
Pega o escribe las mediciones de tres o cuatro grupos independientes, un grupo por cuadro. Los números pueden separarse con comas, espacios, punto y coma o saltos de línea. Cada grupo necesita al menos dos valores para que su varianza esté definida; el cuarto grupo es opcional para un ANOVA de tres grupos.
02
Nombra tus grupos
Reemplaza las etiquetas predeterminadas «Grupo 1, 2, 3» con las condiciones que estás comparando — «Placebo», «10 mg», «20 mg», etcétera. Las etiquetas se propagan a la tarjeta de resultados, la tabla ANOVA, el gráfico de barras y cada fila de comparación por pares.
03
Elige un nivel alfa
Alfa es el riesgo de falso positivo que estás dispuesto a aceptar. 0.05 (5%) es el valor convencional en la mayoría de los campos; elige 0.01 para decisiones de mayor riesgo donde una falsa significancia resulta costosa, o 0.10 para trabajo exploratorio. El valor F crítico y la decisión de rechazar/no rechazar se actualizan según tu elección.
04
Lee el estadístico F y revisa la pestaña post-hoc
Si F supera el F crítico (equivalentemente, si p < alfa) las medias difieren más de lo que el muestreo aleatorio por sí solo explicaría — rechaza la hipótesis nula de medias iguales. Luego abre la pestaña Comparación Post-Hoc para ver qué pares de grupos específicos impulsan la diferencia; las filas resaltadas en verde son significativas tras la corrección de Bonferroni.
⚡
Referencia
Fórmula y metodología
4 fórmulas▸
Estadístico F (ANOVA de un factor)
F = MS_between / MS_within where MS_between = SS_between / (k - 1) and MS_within = SS_within / (N - k)
F compara la varianza explicada por la pertenencia al grupo (cuadrado medio entre grupos) contra la varianza residual dentro de los grupos (cuadrado medio dentro). Un F grande significa que las medias de los grupos están muy separadas en relación con la dispersión dentro de cada grupo, por lo que la diferencia difícilmente se debe al azar.
Partición de sumas de cuadrados
SS_total = SS_between + SS_within; SS_between = sum n_i * (x_i_bar - x_bar)^2; SS_within = sum sum (x_ij - x_i_bar)^2
La variabilidad total se descompone de forma aditiva en la varianza entre grupos (la desviación de cada media de grupo respecto a la media global, ponderada por el tamaño de la muestra) y la varianza dentro de los grupos (la desviación de cada observación respecto a la media de su propio grupo). La misma partición sustenta el R-cuadrado en regresión.
Eta-squared (tamaño del efecto)
eta^2 = SS_between / SS_total
Eta-squared es la proporción de la variabilidad total explicada por la pertenencia al grupo. Va de 0 (sin efecto de grupo) a 1 (los grupos lo explican todo). Referencias aproximadas de Cohen: 0.01 pequeño, 0.06 mediano, 0.14 grande. Reporta eta-squared junto con p — un p diminuto con un eta-squared diminuto suele señalar una N grande en lugar de un efecto significativo.
t por pares con corrección de Bonferroni (post-hoc)
Una vez que el ANOVA rechaza, la pestaña post-hoc prueba cada par usando la varianza combinada dentro de los grupos para el error estándar y los grados de libertad dentro de los grupos. Multiplicar cada p-value crudo por el número total de comparaciones (Bonferroni) controla la tasa de error familiar para que el riesgo global de falsos positivos se mantenga en alfa.
📖
Glosario
Términos clave explicados
8 términos▸
Estadístico FLa razón entre el cuadrado medio entre grupos y el cuadrado medio dentro de los grupos. Los valores cercanos a 1 son consistentes con grupos de medias iguales; valores mayores indican que las medias de los grupos están muy dispersas en relación con el ruido dentro de cada grupo.
Suma de cuadrados entre grupos (SS_between)La suma ponderada de las desviaciones al cuadrado de cada media de grupo respecto a la media global. Captura la variación atribuible a la pertenencia al grupo — la señal que el ANOVA intenta detectar.
Suma de cuadrados dentro de los grupos (SS_within)La suma de las desviaciones al cuadrado de cada observación respecto a la media de su propio grupo. Captura la variación que la pertenencia al grupo no explica — el ruido residual contra el que la razón F compara la señal.
Grados de libertaddf_between es k menos 1 (uno menos que el número de grupos). df_within es N menos k (observaciones totales menos el número de medias de grupo estimadas). La distribución F que da el p-value se indexa por este par, escrito F(df_between, df_within).
F críticoEl menor valor de F que provoca el rechazo con el alfa que elegiste. Si tu F observado supera el F crítico, p es menor que alfa; si no, p supera alfa y no rechazas la hipótesis nula. El F crítico depende de alfa y de ambos grados de libertad.
Eta-squaredProporción de la varianza total explicada por la pertenencia al grupo: SS_between dividido entre SS_total. Es el análogo en ANOVA del R-cuadrado en regresión. Repórtalo siempre — un p diminuto con eta-squared por debajo de 0.01 típicamente significa que encontraste un efecto real pero trivialmente pequeño en una muestra muy grande.
Comparación post-hocUna prueba de seguimiento que se ejecuta después de un ANOVA ómnibus significativo para identificar qué par de grupos específico difiere. La corrección de Bonferroni protege contra falsos positivos multiplicando los p-values crudos por pares por el número de comparaciones.
Error de Tipo IRechazar la hipótesis nula cuando en realidad es verdadera (un falso positivo). Alfa es la tasa a largo plazo con la que esto ocurre — elegir alfa = 0.05 significa que 1 de cada 20 comparaciones sobre poblaciones de medias iguales señalará falsamente una diferencia.
👥
Escenarios
Ejemplos del mundo real
2 ejemplos▸
🌾
Investigador agrícola
Rendimiento de cultivos con tres regímenes de fertilizante
Grupo A (Control) 48, 49, 50, 49Grupo B (Fertilizante X) 47, 49, 48, 48Grupo C (Fertilizante Y) 49, 51, 50, 50Nivel alfa 0.05
La media global es 49 bushels por parcela; SS_between = 8 y SS_within = 6 dan F(2, 9) = 6.0 con p alrededor de 0.022, justo dentro del umbral del 5%. Eta-squared = 0.57 indica que la elección de fertilizante explica el 57% de la variación del rendimiento. El post-hoc reporta Grupo B vs Grupo C como el único par significativo tras la corrección de Bonferroni — el Fertilizante Y supera al Fertilizante X pero ninguno supera significativamente al control con este tamaño de muestra.
Cuatro brazos de n=5 producen medias monotónicamente crecientes (13, 19, 24, 29). F(3, 16) es aproximadamente 116 con p muy por debajo de 0.0001 — un efecto de dosis enormemente significativo, y eta-squared es de alrededor de 0.96, atribuyendo casi toda la variación de la respuesta a la dosis. Cada par corregido por Bonferroni resulta significativo, así que cada escalón de dosis añade respuesta medible. Un revisor del ensayo aún señalaría que el ANOVA asume varianzas iguales y observaciones independientes; si cualquiera está en duda, ejecuta un ANOVA de Welch o la alternativa no paramétrica de Kruskal-Wallis.
El ANOVA de un factor prueba si las medias de tres o más grupos independientes difieren más de lo que explicaría la variación del muestreo aleatorio por sí sola. Esta calculadora computa el estadístico F, su p-value, eta-squared como tamaño del efecto y comparaciones por pares corregidas por Bonferroni, para que puedas identificar qué grupos específicos impulsan cualquier diferencia global significativa.
Cómo funciona el ANOVA
▸
El ANOVA divide la variabilidad total de tus datos en dos piezas: la variabilidad entre grupos (qué tan lejos está cada media de grupo de la media global) y la variabilidad dentro de los grupos (qué tan lejos están las observaciones individuales de la media de su propio grupo). Si la pertenencia al grupo importa, la pieza entre grupos debería superar con creces la pieza dentro de los grupos. El estadístico F es exactamente esa razón — el cuadrado medio entre grupos dividido entre el cuadrado medio dentro de los grupos — y la distribución F da la probabilidad de ver un F así de grande por azar si todos los grupos realmente tuvieran la misma media. Un p-value pequeño (menor que el alfa que elegiste) significa que eso es improbable, así que rechazas la hipótesis nula de medias iguales.
Por qué ANOVA en lugar de múltiples pruebas t
▸
Ejecutar pruebas t por pares entre k grupos implica k(k-1)/2 comparaciones separadas, cada una con alfa = 0.05. Con cuatro grupos son seis pruebas, y la probabilidad de al menos un falso positivo sube a aproximadamente el 26%. El ANOVA realiza una única prueba ómnibus que mantiene la tasa de error familiar en alfa para la pregunta global de si alguna media difiere. Solo después de que esa prueba rechaza, pasas a las comparaciones por pares — e incluso entonces aplicas una corrección por multiplicidad como Bonferroni para que el riesgo global de falsos positivos permanezca controlado.
Límites y casos especiales
▸
El ANOVA de un factor asume que los grupos son independientes, que los residuales se distribuyen aproximadamente de forma normal dentro de cada grupo, y que los grupos tienen varianzas aproximadamente iguales (homocedasticidad). La prueba F es bastante robusta ante violaciones leves, pero si las varianzas difieren por un factor de más de 3 o 4, usa el ANOVA de Welch. Si los datos están muy sesgados o son ordinales, usa en su lugar la prueba no paramétrica de Kruskal-Wallis. El ANOVA tampoco puede informarte sobre mediciones repetidas en los mismos sujetos — eso requiere un modelo de medidas repetidas o de efectos mixtos. Finalmente, eta-squared es la medida de tamaño del efecto más simple pero está ligeramente sesgada al alza en muestras pequeñas; reporta omega-squared para trabajo con calidad de publicación.
❓
Preguntas
Preguntas frecuentes
5 preguntas▸
¿Qué es el ANOVA y qué prueba?+
El análisis de varianza (ANOVA) prueba si tres o más grupos independientes tienen medias diferentes. La hipótesis nula es que cada grupo proviene de una población con la misma media; rechazarla significa que al menos la media de un grupo difiere, aunque el ANOVA por sí solo no dice cuál — para eso está la pestaña post-hoc.
¿Cuándo debo usar ANOVA en lugar de una prueba t?+
Usa una prueba t cuando tienes exactamente dos grupos; usa un ANOVA de un factor cuando tienes tres o más grupos independientes y quieres una única prueba de si alguna media difiere. Ejecutar múltiples pruebas t por pares entre muchos grupos infla la tasa de falsos positivos, así que un ANOVA ómnibus seguido de comparaciones por pares corregidas es el patrón correcto.
¿Cómo interpreto el estadístico F?+
F es la razón entre la varianza entre grupos y la varianza dentro de los grupos. Los valores cercanos a 1 significan que los grupos no se separan más de lo que el ruido aleatorio predeciría. Cuanto más arriba de 1 esté F, más fuerte es la evidencia de un efecto de grupo. Acompaña siempre F con su p-value y un tamaño del efecto como eta-squared — un F gigante en una muestra diminuta dice menos que un F moderado en una muestra grande.
¿Cuál es la diferencia entre el ANOVA de uno y de dos factores?+
El ANOVA de un factor prueba el efecto de un solo factor categórico (la configuración de esta calculadora). El ANOVA de dos factores prueba dos factores a la vez y te permite medir su interacción — por ejemplo, dosis del fármaco Y grupo de edad del paciente, con la pregunta de si la respuesta a la dosis depende de la edad. El ANOVA de dos factores no está soportado aquí; para eso, usa un paquete estadístico dedicado.
¿Qué significa el p-value?+
El p-value es la probabilidad de observar un estadístico F al menos tan extremo como el que calculaste si la hipótesis nula (todas las medias de grupo iguales) fuera verdadera. Un p pequeño — típicamente por debajo de tu umbral alfa de 0.05 — es motivo para rechazar la nula. Un p de 0.03 significa que hay un 3% de probabilidad de ver esta separación entre grupos solo por muestreo aleatorio.