{"id":11723,"date":"2023-07-04T04:32:00","date_gmt":"2023-07-04T04:32:00","guid":{"rendered":"https:\/\/grafiti.com\/sigmaplot-product-features\/"},"modified":"2025-12-05T11:59:39","modified_gmt":"2025-12-05T11:59:39","slug":"sigmaplot-product-features","status":"publish","type":"page","link":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/","title":{"rendered":"sigmaplot-product-features"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Caracter\u00edsticas del producto SigmaPlot<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tComprar ahora<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tPrueba ahora<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Caracter\u00edsticas y mejoras de SigmaPlot <\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
    \n \t
  • Parcelas forestales<\/li>\n \t
  • Gr\u00e1ficos de densidad del n\u00facleo<\/li>\n \t
  • 10 nuevas combinaciones de colores<\/li>\n \t
  • Gr\u00e1fico de densidad de puntos con barras de error medio y est\u00e1ndar<\/li>\n \t
  • Leyenda Mejoras\n
      \n \t
    • Leyendas horizontales, verticales y rectangulares\n
        \n \t
      • Cursor sobre lateral o asa superior o inferior<\/li>\n<\/ul>\n<\/li>\n \t
      • \"\"\n
          \n \t
        • \n
            \n \t
          • \n \t<\/li>
          • \"\"<\/li>\n<\/ul>\n<\/li>\n \t
          • permite leyendas de varias columnas<\/li>\n<\/ul>\n<\/li>\n \t
          • Interfaz de usuario para establecer el n\u00famero de columnas de elementos de leyenda en el cuadro de di\u00e1logo Propiedades. Los n\u00fameros de columna permitidos se muestran en la lista combinada<\/li>\n \t
          • Cambie el n\u00famero de columnas de la leyenda seleccionando y arrastrando el asa central del cuadro delimitador.<\/li>\n \t
          • Reordenar los elementos de la leyenda\n
              \n \t
            • A trav\u00e9s del cuadro de di\u00e1logo de propiedades: desplace uno o varios elementos de la leyenda hacia arriba o hacia abajo mediante el control arriba\/abajo situado en la parte superior del cuadro de lista.<\/li>\n \t
            • Mediante el movimiento del cursor: desplaza uno o varios elementos de la leyenda hacia arriba o hacia abajo. Seleccione el elemento o elementos de la leyenda y utilice las flechas arriba y abajo del teclado para desplazarse por el cuadro delimitador.<\/li>\n \t
            • Mediante la selecci\u00f3n con el rat\u00f3n y el movimiento del cursor de los elementos del cuadro delimitador<\/li>\n<\/ul>\n<\/li>\n \t
            • Ajustes de las propiedades de los elementos individuales de la leyenda: seleccione elementos individuales de la leyenda y utilice la minibarra de herramientas para cambiar las propiedades.\n
                \n \t
              • Control de la regi\u00f3n en blanco del cuadro de leyenda mediante el cursor<\/li>\n \t
              • Cursor sobre asa de esquina<\/li>\n \t
              • \"\"<\/li>\n \t
              • \"\"<\/li>\n \t
              • permite un redimensionamiento proporcional<\/li>\n<\/ul>\n<\/li>\n \t
              • A\u00f1adir etiquetado directo sencillo\n
                  \n \t
                • Admite \u00abEtiquetado directo\u00bb en el cuadro de di\u00e1logo de propiedades mediante el control de casilla de verificaci\u00f3n \u00abEtiquetado directo\u00bb.<\/li>\n \t
                • Desagrupar los elementos de la leyenda: los elementos individuales de la leyenda pueden desplazarse a las ubicaciones preferidas y moverse junto con el gr\u00e1fico.<\/li>\n<\/ul>\n<\/li>\n \t
                • Se ha a\u00f1adido soporte para Leyenda T\u00edtulo (sin t\u00edtulo por defecto). El usuario puede a\u00f1adir un t\u00edtulo al cuadro de leyenda utilizando el panel de propiedades de la leyenda<\/li>\n \t
                • Invertir los elementos de la leyenda mediante el men\u00fa contextual del bot\u00f3n derecho del rat\u00f3n<\/li>\n \t
                • Para abrir las Propiedades de la Leyenda, haga doble clic en Leyenda S\u00f3lida o Leyenda Texto.<\/li>\n \t
                • Se ha a\u00f1adido Restablecer a las leyendas para restablecer las opciones de leyenda a los valores predeterminados.<\/li>\n<\/ul>\n<\/li>\n<\/ul> \t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                  \n\t\t\t\t\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t
                  \n\t\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t

                  An\u00e1lisis Caracter\u00edsticas\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t
                  • An\u00e1lisis de componentes principales (ACP)<\/li>
                  • An\u00e1lisis de covarianza (ANCOVA)<\/li>
                  • A\u00f1adidos valores P a comparaciones m\u00faltiples para ANOVAs no param\u00e9tricos.<\/li>
                  • Se han eliminado las opciones del cuadro combinado para los niveles de significaci\u00f3n de las comparaciones m\u00faltiples y se ha vinculado el nivel de significaci\u00f3n de las comparaciones m\u00faltiples a la prueba principal (general).<\/li>
                  • Se ha a\u00f1adido el criterio de informaci\u00f3n de Akaike a los informes del Asistente de regresi\u00f3n y del Asistente de ajuste din\u00e1mico y al cuadro de di\u00e1logo Opciones de informe.<\/li>
                  • Se ha vuelto a a\u00f1adir el bot\u00f3n Reejecutar en el grupo SigmaStat.<\/li>
                  • Actualizada la biblioteca de ajuste standard.jfl
                    • Se han a\u00f1adido funciones de probabilidad, que ahora incluyen 24, para el ajuste de curvas o la visualizaci\u00f3n de funciones.<\/li>
                    • El valor de tolerancia de todas las ecuaciones se ha modificado para utilizar \u00abe-notaci\u00f3n\u00bb en lugar de decimal fijo. Esto permite al usuario leer el valor sin desplazarse.<\/li>
                    • A\u00f1adir siete funciones de ponderaci\u00f3n a todas las ecuaciones de ajuste de curvas en standard.jfl. Se ha a\u00f1adido una ligera variante para las ecuaciones 3D.<\/li><\/ul><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                      \n\t\t\t\t\t\t
                      \n\t\t\t\t\t
                      \n\t\t\t
                      \n\t\t\t\t\t\t
                      \n\t\t\t\t
                      \n\t\t\t\t\t

                      Funciones de la interfaz de usuario<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                      \n\t\t\t\t
                      \n\t\t\t\t\t\t\t\t\t
                      • Reorganizar los elementos de Notebook en una secci\u00f3n arrastr\u00e1ndolos<\/li>
                      • Archivo PDF del tutorial SigmaPlot<\/li>
                      • Anchos de l\u00ednea de una columna de la hoja de c\u00e1lculo<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                        \n\t\t\t\t\t\t
                        \n\t\t\t\t\t
                        \n\t\t\t
                        \n\t\t\t\t\t\t
                        \n\t\t\t\t
                        \n\t\t\t\t\t

                        Funciones de importaci\u00f3n\/exportaci\u00f3n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t
                        • Se han a\u00f1adido los formatos de archivo SVG y SWF para la exportaci\u00f3n de gr\u00e1ficos vectoriales escalables.<\/li>
                        • Se ha a\u00f1adido la exportaci\u00f3n de PDF vectorial para mejorar el PDF rasterizado existente.<\/li>
                        • Se a\u00f1ade compatibilidad con la importaci\u00f3n y exportaci\u00f3n de archivos para las versiones 13 y 14 de Minitab, la versi\u00f3n 9 de SAS, la versi\u00f3n 19 de SPSS y la versi\u00f3n 13 de Symphony.<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Caracter\u00edsticas del producto SigmaPlot<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Parcela forestal<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Un diagrama de bosque es una forma de \"metaan\u00e1lisis\" que se utiliza para combinar m\u00faltiples an\u00e1lisis que abordan la misma cuesti\u00f3n. El metan\u00e1lisis combina estad\u00edsticamente las muestras de cada estudio contribuyente para crear una estad\u00edstica de resumen global que es m\u00e1s precisa que el tama\u00f1o del efecto en los estudios individuales. Los valores individuales de los estudios y sus intervalos de confianza del 95% se muestran como s\u00edmbolos cuadrados con barras de error horizontales y la estad\u00edstica de resumen global como un rombo con una anchura igual a su intervalo de confianza del 95%.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Densidad del n\u00facleo<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          La funci\u00f3n de densidad del n\u00facleo generar\u00e1 una estimaci\u00f3n de la distribuci\u00f3n de datos subyacente. Esto debe compararse con el histograma escalonado. Tiene ventajas (ausencia de barras) y desventajas (p\u00e9rdida de informaci\u00f3n de recuento) con respecto a un histograma y debe utilizarse junto con \u00e9ste. Pueden crearse simult\u00e1neamente.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Densidad de puntos con barras de error medio y est\u00e1ndar<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se ha a\u00f1adido al gr\u00e1fico Densidad de puntos el c\u00e1lculo de la media m\u00e1s barras de error est\u00e1ndar, s\u00edmbolo m\u00e1s barras de error. Esto mejora las otras estad\u00edsticas posibles de visualizaci\u00f3n de densidad de puntos: media, mediana, percentiles y boxplot.\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Esquemas de color<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se han implementado diez nuevas combinaciones de colores. A continuaci\u00f3n se muestran tres ejemplos:<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Leyenda Mejoras - Formas<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ahora hay disponibles leyendas verticales, horizontales y rectangulares.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Orden inverso de la leyenda<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ahora puede seleccionar invertir el orden de los elementos de la leyenda. Esto proporciona un orden m\u00e1s l\u00f3gico para algunos tipos de gr\u00e1ficos.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Reordenar elementos de leyenda<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Hay tres formas de reordenar los elementos de la leyenda. Como se muestra aqu\u00ed, puede mover uno o varios elementos de leyenda hacia arriba o hacia abajo utilizando los controles de flecha arriba\/abajo del panel Leyendas de Propiedades de Gr\u00e1fico. A\u00fan m\u00e1s f\u00e1cil, s\u00f3lo tienes que seleccionar el elemento en la leyenda y utilizar las teclas de flecha arriba y abajo del teclado. O seleccione el elemento de la leyenda y arr\u00e1strelo a la nueva posici\u00f3n con el cursor del rat\u00f3n.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Edici\u00f3n de elementos de leyenda en la minibarra de herramientas<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Los elementos de leyenda pueden editarse ahora haciendo clic en el elemento y utilizando la minibarra de herramientas.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Etiquetado directo<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ahora es posible desagrupar la leyenda y colocar elementos individuales de leyenda junto a las parcelas correspondientes. Las etiquetas se mover\u00e1n con el gr\u00e1fico para mantener la posici\u00f3n con respecto a \u00e9ste. Como la etiqueta est\u00e1 junto a la parcela, la identificaci\u00f3n visual de cada parcela es ahora mucho m\u00e1s f\u00e1cil.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          An\u00e1lisis de componentes principales (ACP)<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          El an\u00e1lisis de componentes principales (ACP) es una t\u00e9cnica para reducir la complejidad de los datos de alta dimensi\u00f3n mediante la aproximaci\u00f3n de los datos con menos dimensiones. Cada nueva dimensi\u00f3n se denomina componente principal y representa una combinaci\u00f3n lineal de las variables originales. El primer componente principal tiene en cuenta la mayor variaci\u00f3n posible de los datos. Cada componente principal subsiguiente explica la mayor parte posible de la variaci\u00f3n restante y es ortogonal a todos los componentes principales anteriores.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Puede examinar los componentes principales para comprender las fuentes de variaci\u00f3n de sus datos. Tambi\u00e9n puede utilizarlos para formar modelos predictivos. Si la mayor parte de la variaci\u00f3n de los datos se encuentra en un subconjunto de baja dimensi\u00f3n, es posible que pueda modelizar la variable de respuesta en t\u00e9rminos de componentes principales. Puede utilizar componentes principales para reducir el n\u00famero de variables en regresi\u00f3n, agrupaci\u00f3n y otras t\u00e9cnicas estad\u00edsticas.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Puede examinar los componentes principales para comprender las fuentes de variaci\u00f3n de sus datos. Tambi\u00e9n puede utilizarlos para formar modelos predictivos. Si la mayor parte de la variaci\u00f3n de los datos se encuentra en un subconjunto de baja dimensi\u00f3n, es posible que pueda modelizar la variable de respuesta en t\u00e9rminos de componentes principales. Puede utilizar componentes principales para reducir el n\u00famero de variables en regresi\u00f3n, agrupaci\u00f3n y otras t\u00e9cnicas estad\u00edsticas.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          El resultado gr\u00e1fico consiste en gr\u00e1ficos de Scree, Cargas de Componentes y Puntuaciones de Componentes.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          An\u00e1lisis de covarianza (ANCOVA)<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Un modelo ANOVA de un solo factor se basa en un dise\u00f1o completamente aleatorizado en el que los sujetos de un estudio se seleccionan aleatoriamente de una poblaci\u00f3n y luego cada sujeto se asigna aleatoriamente a uno de varios niveles de factor o tratamientos, de modo que cada sujeto tiene la misma probabilidad de recibir un tratamiento. Un supuesto com\u00fan de este dise\u00f1o es que los sujetos son homog\u00e9neos. Esto significa que cualquier otra variable, cuando existen diferencias entre los sujetos, no altera significativamente el efecto del tratamiento y no es necesario incluirla en el modelo. Sin embargo, a menudo hay variables, fuera del control del investigador, que afectan a las observaciones dentro de uno o m\u00e1s grupos de factores, lo que da lugar a ajustes necesarios en las medias de los grupos, sus errores, las fuentes de variabilidad y los valores P del efecto de grupo, incluidas las comparaciones m\u00faltiples.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Estas variables se denominan covariables. Suelen ser variables continuas, pero tambi\u00e9n pueden ser categ\u00f3ricas. Dado que suelen tener una importancia secundaria para el estudio y, como ya se ha dicho, no pueden ser controlados por el investigador, no representan factores adicionales de los efectos principales, pero pueden incluirse en el modelo para mejorar la precisi\u00f3n de los resultados. Las covariables tambi\u00e9n se conocen como variables molestas o variables concomitantes.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          ANCOVA (An\u00e1lisis de Covarianza) es una extensi\u00f3n de ANOVA que se obtiene especificando una o m\u00e1s covariables como variables adicionales en el modelo. Si organiza los datos ANCOVA en una hoja de trabajo de SigmaPlot utilizando el formato de datos indexados, una columna representar\u00e1 el factor y una columna representar\u00e1 la variable dependiente (las observaciones) como en un dise\u00f1o ANOVA. Adem\u00e1s, tendr\u00e1 una columna para cada covariable. Cuando se utiliza un modelo que incluye los efectos de las covariables, hay m\u00e1s variabilidad explicada en el valor de la variable dependiente.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          En general, esto reduce la varianza no explicada que se atribuye a la variabilidad aleatoria del muestreo, lo que aumenta la sensibilidad del ANCOVA en comparaci\u00f3n con el mismo modelo sin covariables (el modelo ANOVA). Una mayor sensibilidad de la prueba significa que las diferencias medias m\u00e1s peque\u00f1as entre tratamientos ser\u00e1n significativas en comparaci\u00f3n con un modelo ANOVA est\u00e1ndar, lo que aumenta la potencia estad\u00edstica.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Como ejemplo sencillo de uso de ANCOVA, considere un experimento en el que los alumnos son asignados aleatoriamente a uno de tres tipos de m\u00e9todos de ense\u00f1anza y se miden sus puntuaciones de rendimiento. El objetivo es medir el efecto de los distintos m\u00e9todos y determinar si uno de ellos consigue una puntuaci\u00f3n media significativamente m\u00e1s alta que los dem\u00e1s. Los m\u00e9todos son la clase magistral, el autoaprendizaje y el aprendizaje cooperativo. Si se realiza un ANOVA de una v\u00eda con estos datos hipot\u00e9ticos, se obtienen los resultados de la tabla siguiente, bajo el encabezamiento de la columna ANOVA. Llegamos a la conclusi\u00f3n de que no hay diferencias significativas entre los m\u00e9todos de ense\u00f1anza. Obs\u00e9rvese tambi\u00e9n que la varianza no explicada por el modelo ANOVA que se debe a la variabilidad aleatoria del muestreo en las observaciones se estima en 35,17.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es posible que los estudiantes de nuestro estudio se beneficien m\u00e1s de un m\u00e9todo que de los otros, en funci\u00f3n de su rendimiento acad\u00e9mico previo. Supongamos que refinamos el estudio para incluir una covariable que mida alguna capacidad previa, como una Evaluaci\u00f3n Basada en Est\u00e1ndares (SBA) sancionada por el estado. Si se realiza un ANCOVA de una v\u00eda con estos datos, se obtienen los resultados de la tabla siguiente, bajo el encabezamiento de la columna ANCOVA.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          La media ajustada que figura en la tabla para cada m\u00e9todo es una correcci\u00f3n de la media del grupo para controlar los efectos de la covariable. Los resultados muestran que las medias ajustadas son significativamente diferentes, siendo el m\u00e9todo Lecture el m\u00e1s exitoso. Observe c\u00f3mo los errores est\u00e1ndar de las medias han disminuido en casi un factor de tres, mientras que la varianza debida a la variabilidad aleatoria de la muestra ha disminuido en un factor de diez. Una reducci\u00f3n del error es la consecuencia habitual de introducir covariables y realizar un an\u00e1lisis ANCOVA.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Hay cuatro gr\u00e1ficos de resultados ANCOVA - L\u00edneas de Regresi\u00f3n en Grupos, Diagrama de Dispersi\u00f3n de Residuales, Medias Ajustadas con Intervalos de Confianza y Diagrama de Probabilidad de Normalidad:<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Valores P para ANOVA no param\u00e9tricos<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Las pruebas no param\u00e9tricas de ANOVA en SigmaPlot son la prueba de Kruskal-Wallis (ANOVA unidireccional en rangos) y la prueba de Friedman (ANOVA unidireccional de medidas repetidas en rangos). Ambos proporcionan cuatro procedimientos de pruebas post hoc para determinar el origen de los efectos significativos en el factor de tratamiento. Los cuatro procedimientos son Tukey, SNK, de Dunn y de Dunnett.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Los tres primeros procedimientos pueden utilizarse para comprobar la significaci\u00f3n de cada comparaci\u00f3n por pares de los grupos de tratamiento, mientras que los dos \u00faltimos pueden utilizarse para comprobar la significaci\u00f3n de las comparaciones con un grupo de control. El m\u00e9todo de Dunn es el \u00fanico procedimiento disponible si los grupos de tratamiento tienen tama\u00f1os de muestra desiguales.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Cuando se utiliza un procedimiento de prueba post hoc, se incluye en el informe una tabla con los resultados de las comparaciones por pares de los niveles de tratamiento. La \u00faltima columna de la tabla muestra si la diferencia de rango es significativa o no. En versiones anteriores de SigmaPlot no se proporciona un valor p ajustado que pueda compararse con el nivel de significaci\u00f3n del ANOVA (normalmente 0,05) para determinar la significaci\u00f3n.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Esto se debe a que SigmaPlot ha estado determinando la significaci\u00f3n comparando el estad\u00edstico de prueba observado, calculado para cada comparaci\u00f3n, con un valor cr\u00edtico de la distribuci\u00f3n del estad\u00edstico que se obtiene de una tabla de consulta. SigmaPlot ten\u00eda dos conjuntos de tablas de consulta para las distribuciones de probabilidad correspondientes a los cuatro m\u00e9todos post-hoc, donde un conjunto era para un nivel de significaci\u00f3n de 0,05 y otro conjunto era para un nivel de significaci\u00f3n de 0,01.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Esto se ha cambiado recientemente para utilizar procedimientos anal\u00edticos para calcular los valores p de estas distribuciones, con lo que las tablas de consulta han quedado obsoletas. Gracias a este cambio, ahora podemos informar de los valores p ajustados para cada comparaci\u00f3n por pares. Este cambio tambi\u00e9n permite eliminar la restricci\u00f3n de utilizar 0,05 y 0,01 como \u00fanicos niveles de significaci\u00f3n para las comparaciones m\u00faltiples. As\u00ed, el usuario puede introducir cualquier nivel de significaci\u00f3n de valor P v\u00e1lido de 0 a 1.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Criterio de informaci\u00f3n de Akaike (AICc)\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          El criterio de informaci\u00f3n de Akaike (AIC) proporciona un m\u00e9todo para medir el rendimiento relativo en el ajuste de un modelo de regresi\u00f3n a un conjunto dado de datos. Basado en el concepto de entrop\u00eda de la informaci\u00f3n, el criterio ofrece una medida relativa de la informaci\u00f3n que se pierde al utilizar un modelo para describir los datos. M\u00e1s concretamente, ofrece un compromiso entre maximizar la verosimilitud del modelo estimado (lo mismo que minimizar la suma de cuadrados residual si los datos se distribuyen normalmente) y mantener al m\u00ednimo el n\u00famero de par\u00e1metros libres del modelo, reduciendo su complejidad. Aunque la bondad del ajuste casi siempre mejora a\u00f1adiendo m\u00e1s par\u00e1metros, un ajuste excesivo aumentar\u00e1 la sensibilidad del modelo a los cambios en los datos de entrada y puede arruinar su capacidad de predicci\u00f3n.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          La raz\u00f3n b\u00e1sica para utilizar el AIC es como gu\u00eda para la selecci\u00f3n de modelos. En la pr\u00e1ctica, se calcula para un conjunto de modelos candidatos y un conjunto de datos determinado. El modelo con el valor AIC m\u00e1s bajo se selecciona como el modelo del conjunto que mejor representa el modelo \"verdadero\", o el modelo que minimiza la p\u00e9rdida de informaci\u00f3n, que es lo que el AIC est\u00e1 dise\u00f1ado para estimar. Una vez determinado el modelo con el AIC m\u00ednimo, tambi\u00e9n se puede calcular una probabilidad relativa para cada uno de los otros modelos candidatos para medir la probabilidad de reducir la p\u00e9rdida de informaci\u00f3n en relaci\u00f3n con el modelo con el AIC m\u00ednimo. La probabilidad relativa puede ayudar al investigador a decidir si debe conservar m\u00e1s de un modelo del conjunto para seguir estudi\u00e1ndolo.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          El c\u00e1lculo del AIC se basa en la siguiente f\u00f3rmula general obtenida por Akaike\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\"\"\n\ndonde\"\"es el n\u00famero de par\u00e1metros estimables en el problema de regresi\u00f3n, que incluye los par\u00e1metros del modelo y la varianza desconocida de las observaciones, y \"\"es el valor maximizado de la funci\u00f3n de verosimilitud para el modelo estimado.\n\nCuando el tama\u00f1o de la muestra de los datos \"\"es peque\u00f1o en relaci\u00f3n con el n\u00famero de par\u00e1metros \"\" (algunos autores dicen que cuando \"\" no es m\u00e1s que unas pocas veces mayor que\"\"), el AIC no funcionar\u00e1 tan bien para proteger contra el sobreajuste. En este caso, existe una versi\u00f3n corregida del AIC dada por\n\n\"\"\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se observa que el AICc impone una penalizaci\u00f3n mayor que el AIC cuando hay par\u00e1metros adicionales. La mayor\u00eda de los autores parecen estar de acuerdo en que debe utilizarse AICc en lugar de AIC en todas las situaciones y es AICc lo que se implementa en SigmaPlot. La ecuaci\u00f3n asim\u00e9trica del gr\u00e1fico es significativamente mejor que la sim\u00e9trica, ya que su valor AICc es m\u00e1s de 7 unidades inferior al de la ecuaci\u00f3n sim\u00e9trica, una regla emp\u00edrica para el AICc. Si la diferencia es superior a 2, la ecuaci\u00f3n con el valor AICc m\u00e1s peque\u00f1o no debe considerarse la mejor, sino una candidata a mejor ecuaci\u00f3n.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Funciones de probabilidad de regresi\u00f3n no lineal\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se han a\u00f1adido 24 nuevas funciones de ajuste probabil\u00edstico a la biblioteca de ajuste standard.jfl. A continuaci\u00f3n se muestran estas funciones y algunas ecuaciones y formas gr\u00e1ficas.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Funciones de ponderaci\u00f3n de regresi\u00f3n no lineal\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ahora hay siete funciones de ponderaci\u00f3n diferentes incorporadas en cada ecuaci\u00f3n de regresi\u00f3n no lineal (las 3D son ligeramente diferentes). Estas funciones son y rec\u00edproca, y rec\u00edproca al cuadrado, x rec\u00edproca, x rec\u00edproca al cuadrado, predicteds rec\u00edproca, predicteds rec\u00edproca al cuadrado y Cauchy. El algoritmo de m\u00ednimos cuadrados reponderados iterativamente se utiliza para permitir que las ponderaciones cambien durante cada iteraci\u00f3n de regresi\u00f3n no lineal. De este modo, la \"ponderaci\u00f3n por predicados\", un m\u00e9todo com\u00fanmente utilizado, puede obtenerse seleccionando la opci\u00f3n de ponderaci\u00f3n reciprocal_pred.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Adem\u00e1s, la ponderaci\u00f3n Cauchy (seleccione weight_Cauchy) se puede utilizar para ajustar una ecuaci\u00f3n a datos que contienen valores at\u00edpicos y el efecto de los valores at\u00edpicos se reducir\u00e1 al m\u00ednimo. Los usuarios pueden crear sus propios m\u00e9todos de ponderaci\u00f3n en t\u00e9rminos de residuos y\/o par\u00e1metros para aplicar otros m\u00e9todos de ajuste robustos. La secci\u00f3n de ecuaciones de un archivo de ajuste se muestra con las siete funciones de ponderaci\u00f3n incorporadas.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Caracter\u00edsticas de la interfaz de usuario - Reorganiza los elementos de tu bloc de notas arrastr\u00e1ndolos\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Los objetos de una secci\u00f3n de cuaderno no se crean necesariamente en un orden l\u00f3gico. Ahora puede arrastrar elementos dentro de una secci\u00f3n a nuevas posiciones para colocarlos de forma m\u00e1s l\u00f3gica.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Tutorial actualizado de SigmaPlot\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          El nuevo tutorial facilita la creaci\u00f3n de gr\u00e1ficos por primera vez. Empieza con ejemplos sencillos y poco a poco se va haciendo m\u00e1s complejo.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Especificar anchos de l\u00ednea de trazado desde una columna de hoja de c\u00e1lculo\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ahora es posible introducir valores de anchura de l\u00ednea en una columna de la hoja de c\u00e1lculo. Estos valores pueden utilizarse dentro de un gr\u00e1fico o en varios gr\u00e1ficos de la p\u00e1gina.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Formatos de archivo de exportaci\u00f3n vectorial\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se han a\u00f1adido los formatos de archivo SVG (Scalable Vector Graphics), SWF (Adobe Flash Player) y PDF vectorial. Se trata de formatos escalables en los que no se pierde resoluci\u00f3n al hacer zoom a distintos niveles. SVG es el formato gr\u00e1fico est\u00e1ndar para la web y SWF puede utilizarse con Adobe Flash Player. Dado que el formato PDF se utiliza con tanta frecuencia, el formato PDF vectorial est\u00e1 ahora asociado al bot\u00f3n Crear PDF de la cinta Inicio.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Formatos de solicitud actualizados\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Se ha actualizado la compatibilidad con la importaci\u00f3n y exportaci\u00f3n de archivos a las versiones 13 y 14 de Minitab, la versi\u00f3n 9 de SAS y la versi\u00f3n 19 de SPSS.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

                          Caracter\u00edsticas del producto SigmaPlot Comprar ahora Prueba ahora Caracter\u00edsticas y mejoras de SigmaPlot Parcelas forestales Gr\u00e1ficos de densidad del n\u00facleo 10 nuevas combinaciones de colores Gr\u00e1fico de densidad de puntos con barras de error medio y est\u00e1ndar Leyenda Mejoras Leyendas horizontales, verticales y rectangulares Cursor sobre lateral o asa superior o inferior permite leyendas de […]<\/p>\n","protected":false},"author":1773,"featured_media":0,"parent":11734,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"page-builder","ast-site-content-layout":"full-width-container","site-content-style":"unboxed","site-sidebar-style":"unboxed","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"class_list":["post-11723","page","type-page","status-publish","hentry"],"yoast_head":"\nCaracter\u00edsticas del producto SigmaPlot - Grafiti LLC<\/title>\n<meta name=\"description\" content=\"Explora las funciones del software SigmaPlot.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Caracter\u00edsticas del producto SigmaPlot - Grafiti LLC\" \/>\n<meta property=\"og:description\" content=\"Explora las funciones del software SigmaPlot.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:site_name\" content=\"Grafiti LLC\" \/>\n<meta property=\"article:modified_time\" content=\"2025-12-05T11:59:39+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data1\" content=\"18 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/\",\"name\":\"Caracter\u00edsticas del producto SigmaPlot - Grafiti LLC\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\",\"datePublished\":\"2023-07-04T04:32:00+00:00\",\"dateModified\":\"2025-12-05T11:59:39+00:00\",\"description\":\"Explora las funciones del software SigmaPlot.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/#primaryimage\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/sigmaplot-product-features\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/grafiti.com\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Detalles de SigmaPlot\",\"item\":\"https:\\\/\\\/grafiti.com\\\/es\\\/detalles-de-sigmaplot\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"sigmaplot-product-features\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"name\":\"Grafiti LLC\",\"description\":\"Grafiti LLC\",\"publisher\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/grafiti.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\",\"name\":\"Grafiti LLC\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/logo-2.png\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/logo-2.png\",\"width\":164,\"height\":62,\"caption\":\"Grafiti LLC\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Caracter\u00edsticas del producto SigmaPlot - Grafiti LLC","description":"Explora las funciones del software SigmaPlot.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/","og_locale":"es_ES","og_type":"article","og_title":"Caracter\u00edsticas del producto SigmaPlot - Grafiti LLC","og_description":"Explora las funciones del software SigmaPlot.","og_url":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/","og_site_name":"Grafiti LLC","article_modified_time":"2025-12-05T11:59:39+00:00","twitter_card":"summary_large_image","twitter_misc":{"Tiempo de lectura":"18 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/","url":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/","name":"Caracter\u00edsticas del producto SigmaPlot - Grafiti LLC","isPartOf":{"@id":"https:\/\/grafiti.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/#primaryimage"},"image":{"@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/#primaryimage"},"thumbnailUrl":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg","datePublished":"2023-07-04T04:32:00+00:00","dateModified":"2025-12-05T11:59:39+00:00","description":"Explora las funciones del software SigmaPlot.","breadcrumb":{"@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/#primaryimage","url":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg","contentUrl":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg"},{"@type":"BreadcrumbList","@id":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/sigmaplot-product-features\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/grafiti.com\/es\/"},{"@type":"ListItem","position":2,"name":"Detalles de SigmaPlot","item":"https:\/\/grafiti.com\/es\/detalles-de-sigmaplot\/"},{"@type":"ListItem","position":3,"name":"sigmaplot-product-features"}]},{"@type":"WebSite","@id":"https:\/\/grafiti.com\/#website","url":"https:\/\/grafiti.com\/","name":"Grafiti LLC","description":"Grafiti LLC","publisher":{"@id":"https:\/\/grafiti.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/grafiti.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/grafiti.com\/#organization","name":"Grafiti LLC","url":"https:\/\/grafiti.com\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/","url":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/logo-2.png","contentUrl":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/logo-2.png","width":164,"height":62,"caption":"Grafiti LLC"},"image":{"@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/pages\/11723","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/users\/1773"}],"replies":[{"embeddable":true,"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/comments?post=11723"}],"version-history":[{"count":0,"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/pages\/11723\/revisions"}],"up":[{"embeddable":true,"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/pages\/11734"}],"wp:attachment":[{"href":"https:\/\/grafiti.com\/es\/wp-json\/wp\/v2\/media?parent=11723"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}