SigmaStat, el software de análisis Estadístico ha regresado.

¿Qué es SigmaStat? 

SigmaStat proporciona una amplia gama de análisis estadísticos poderosos y fáciles de usar diseñados específicamente para satisfacer las necesidades de los científicos e ingenieros de investigación.

Con las características del programa, se le guía por el proceso de elegir la prueba adecuada para analizar sus datos, ejecutar la prueba e interpretar los resultados en el informe de la prueba.

Para muchas pruebas, los gráficos están disponibles para resumir los resultados de la prueba.

Las funciones de edición del programa le permiten personalizar la apariencia de los informes y gráficos.Sus resultados finales se pueden distribuir utilizando la gran variedad de formatos de archivo disponibles para la exportación.

SigmaStat: Nuevas herramientas para estadísticas.

¿Deseas adquirir SigmaStat en México?

Da clic aquí para solicitar una cotización.

Nuevas Pruebas Estadísticas:

– Principal Components Analysis (PCA).

Puede examinar los componentes principales para comprender las fuentes de variación de sus datos. También puede utilizarlos en la formación de modelos predictivos. Si la mayor parte de la variación en sus datos existe en un subconjunto de baja dimensión, podría modelar su variable de respuesta en términos de los componentes principales. Puede utilizar los componentes principales para reducir el número de variables en la regresión, el agrupamiento y otras técnicas estadísticas. El principal objetivo del Análisis de Componentes Principales es explicar las fuentes de variabilidad en los datos y representar los datos con menos variables, preservando al mismo tiempo la mayor parte de la varianza total. 

– Analysis of Covariance (ANCOVA)  

Analysis of Covariance es una extensión de ANOVA obtenida especificando una o más covariables como variables adicionales en el modelo. Además, tendrá una columna para cada covariable. Si organiza los datos ANCOVA en una hoja de trabajo SigmaPlot utilizando el formato de datos indexados, una columna representará el factor y una columna representará la variable dependiente (las observaciones) como en un diseño ANOVA. 

Nuevas funciones estadísticas:

– Mejoras de Comparación Múltiple:  

 Se ha realizado una mejora significativa en el cálculo del valor de P de comparación múltiple. Los siguientes procedimientos de comparación múltiples, Tukey (pruebas no paramétricas), SNK (pruebas no paramétricas), Dunnett, Dunn (no paramétrico solamente) y Duncan.

El análisis de componentes principales es una técnica para reducir la complejidad de los datos de alta dimensión al aproximar los datos con menos dimensiones. Cada nueva dimensión se denomina componente principal y representa una combinación lineal de las variables originales. El primer componente principal explica la mayor variación posible de los datos. Cada componente principal posterior representa la mayor parte de la variación restante posible y es ortogonal a todos los componentes principales anteriores.

– Akaike Information Criterion (AICc)

 Se ha agregado a los informes Asistente de Regresión y Asistente para ajuste dinámico y al cuadro de diálogo Opciones de informe.Proporciona un método para medir el rendimiento relativo al ajustar un modelo de regresión a un conjunto dado de datos.

– Probability Fit Functions

– Weight Functions in Nonlinear Regression

 Los elementos de la ecuación SigmaPlot usan a veces una variable de peso con el propósito de asignar un peso a cada observación (o respuesta) en un conjunto de datos de regresión. El peso de una observación mide su incertidumbre en relación con la distribución de probabilidad de la que es muestreada. Un peso mayor indica una observación que varía poco de la verdadera media de su distribución, mientras que un peso menor se refiere a una observación que se muestrea más de la cola de su distribución. Bajo los supuestos estadísticos para estimar los parámetros de un modelo de ajuste usando el método de mínimos cuadrados, los pesos son, hasta un factor de escala, igual al recíproco de las varianzas poblacionales de las distribuciones (gaussianas) de las que se toman las observaciones.