{"id":11751,"date":"2023-07-04T04:32:00","date_gmt":"2023-07-04T04:32:00","guid":{"rendered":"https:\/\/grafiti.com\/sigmaplot-details\/sigmaplot-product-features\/"},"modified":"2025-12-05T11:59:44","modified_gmt":"2025-12-05T11:59:44","slug":"sigmaplot-product-features","status":"publish","type":"page","link":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/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

SigmaPlot Caract\u00e9ristiques du produit<\/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\tAcheter<\/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\tEssayez maintenant<\/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

Fonctionnalit\u00e9s et am\u00e9liorations 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
  • Parcelles foresti\u00e8res<\/li>\n \t
  • Graphiques de densit\u00e9 du noyau<\/li>\n \t
  • 10 nouvelles gammes de couleurs<\/li>\n \t
  • Graphique de densit\u00e9 de points avec barres de moyenne et d’erreur standard<\/li>\n \t
  • L\u00e9gende Am\u00e9liorations\n
      \n \t
    • Formes de l\u00e9gende horizontales, verticales et rectangulaires\n
        \n \t
      • Curseur sur le c\u00f4t\u00e9 ou sur la poign\u00e9e sup\u00e9rieure ou inf\u00e9rieure<\/li>\n<\/ul>\n<\/li>\n \t
      • \"\"\n
          \n \t
        • \n
            \n \t
          • \n \t<\/li>
          • \"\"<\/li>\n<\/ul>\n<\/li>\n \t
          • permet des l\u00e9gendes \u00e0 plusieurs colonnes<\/li>\n<\/ul>\n<\/li>\n \t
          • Interface utilisateur permettant de d\u00e9finir le nombre de colonnes de l’\u00e9l\u00e9ment de l\u00e9gende dans la bo\u00eete de dialogue Propri\u00e9t\u00e9s. Les num\u00e9ros de colonne autoris\u00e9s sont affich\u00e9s dans la liste d\u00e9roulante<\/li>\n \t
          • Modifier le nombre de colonnes de l’\u00e9l\u00e9ment de l\u00e9gende en s\u00e9lectionnant et en faisant glisser la poign\u00e9e du milieu dans la bo\u00eete de d\u00e9limitation.<\/li>\n \t
          • R\u00e9organiser les \u00e9l\u00e9ments de la l\u00e9gende\n
              \n \t
            • Dans la bo\u00eete de dialogue des propri\u00e9t\u00e9s – d\u00e9placer un ou plusieurs \u00e9l\u00e9ments de la l\u00e9gende vers le haut ou vers le bas \u00e0 l’aide du contr\u00f4le haut\/bas situ\u00e9 en haut de la zone de liste.<\/li>\n \t
            • Par le d\u00e9placement du curseur – d\u00e9placer un ou plusieurs \u00e9l\u00e9ments de la l\u00e9gende vers le haut ou vers le bas. S\u00e9lectionnez le(s) \u00e9l\u00e9ment(s) de la l\u00e9gende et utilisez les touches fl\u00e9ch\u00e9es haut et bas du clavier pour vous d\u00e9placer \u00e0 l’int\u00e9rieur de la bo\u00eete de d\u00e9limitation.<\/li>\n \t
            • S\u00e9lection \u00e0 l’aide de la souris et d\u00e9placement du curseur pour les \u00e9l\u00e9ments situ\u00e9s dans la bo\u00eete englobante<\/li>\n<\/ul>\n<\/li>\n \t
            • Param\u00e8tres des propri\u00e9t\u00e9s des \u00e9l\u00e9ments de l\u00e9gende individuels – s\u00e9lectionnez des \u00e9l\u00e9ments de l\u00e9gende individuels et utilisez la mini-barre d’outils pour modifier les propri\u00e9t\u00e9s.\n
                \n \t
              • Contr\u00f4le de la r\u00e9gion vide de la bo\u00eete de l\u00e9gende \u00e0 l’aide du curseur<\/li>\n \t
              • Curseur sur la poign\u00e9e d’angle<\/li>\n \t
              • \"\"<\/li>\n \t
              • \"\"<\/li>\n \t
              • permet un redimensionnement proportionnel<\/li>\n<\/ul>\n<\/li>\n \t
              • Ajouter un \u00e9tiquetage direct simple\n
                  \n \t
                • Prise en charge de l’\u00e9tiquetage direct dans la bo\u00eete de dialogue des propri\u00e9t\u00e9s \u00e0 l’aide de la case \u00e0 cocher \u00ab\u00a0\u00c9tiquetage direct\u00a0\u00bb.<\/li>\n \t
                • D\u00e9grouper les \u00e9l\u00e9ments de la l\u00e9gende – les \u00e9l\u00e9ments individuels de la l\u00e9gende peuvent \u00eatre d\u00e9plac\u00e9s vers des emplacements pr\u00e9f\u00e9r\u00e9s et se d\u00e9placer en m\u00eame temps que le graphique.<\/li>\n<\/ul>\n<\/li>\n \t
                • La prise en charge du titre de la l\u00e9gende a \u00e9t\u00e9 ajout\u00e9e (pas de titre par d\u00e9faut). L’utilisateur peut ajouter un titre \u00e0 la bo\u00eete de l\u00e9gende \u00e0 l’aide du panneau des propri\u00e9t\u00e9s de la l\u00e9gende<\/li>\n \t
                • Inverser les \u00e9l\u00e9ments de la l\u00e9gende \u00e0 l’aide du menu contextuel du clic droit<\/li>\n \t
                • Ouvrez les propri\u00e9t\u00e9s de la l\u00e9gende en double-cliquant sur L\u00e9gende solide ou L\u00e9gende texte.<\/li>\n \t
                • L’option R\u00e9initialiser a \u00e9t\u00e9 ajout\u00e9e aux l\u00e9gendes pour r\u00e9initialiser les options de l\u00e9gende par d\u00e9faut.<\/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

                  Caract\u00e9ristiques de l'analyse\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
                  • Analyse en composantes principales (ACP)<\/li>
                  • Analyse de la covariance (ANCOVA)<\/li>
                  • Ajout de valeurs P aux comparaisons multiples pour les ANOVA non param\u00e9triques<\/li>
                  • Suppression des choix de la bo\u00eete combo pour les niveaux de signification des comparaisons multiples et liaison du niveau de signification des comparaisons multiples au test principal (omnibus).<\/li>
                  • Ajout du crit\u00e8re d’information d’Akaike aux rapports de l’assistant de r\u00e9gression et de l’assistant d’ajustement dynamique, ainsi qu’\u00e0 la bo\u00eete de dialogue Options des rapports.<\/li>
                  • Ajout du bouton Rerun dans le groupe SigmaStat<\/li>
                  • Mise \u00e0 jour de la biblioth\u00e8que fit standard.jfl
                    • Ajout de fonctions de probabilit\u00e9, au nombre de 24, pour l’ajustement de courbes ou la visualisation de fonctions.<\/li>
                    • La valeur de tol\u00e9rance pour toutes les \u00e9quations a \u00e9t\u00e9 modifi\u00e9e pour utiliser la \u00ab\u00a0e-notation\u00a0\u00bb au lieu de la d\u00e9cimale fixe. Cela permet \u00e0 l’utilisateur de lire la valeur sans avoir \u00e0 la faire d\u00e9filer.<\/li>
                    • Ajouter sept fonctions de pond\u00e9ration \u00e0 toutes les \u00e9quations d’ajustement de courbe dans standard.jfl. Une l\u00e9g\u00e8re variante a \u00e9t\u00e9 ajout\u00e9e pour les \u00e9quations 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

                      Caract\u00e9ristiques de l'interface utilisateur<\/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
                      • R\u00e9organiser les \u00e9l\u00e9ments du carnet de notes dans une section en les faisant glisser<\/li>
                      • SigmaPlot tutorial PDF file<\/li>
                      • Largeur des lignes \u00e0 partir d’une colonne de la feuille de calcul<\/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

                        Fonctionnalit\u00e9s d'importation\/exportation<\/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
                        • Ajout des formats de fichiers SVG et SWF pour l’exportation de graphiques vectoriels \u00e9volutifs.<\/li>
                        • Ajout d’une exportation PDF vectorielle pour am\u00e9liorer l’exportation PDF matricielle existante.<\/li>
                        • La prise en charge de l’importation et de l’exportation de fichiers a \u00e9t\u00e9 ajout\u00e9e pour les versions 13 et 14 de Minitab, la version 9 de SAS, la version 19 de SPSS et la version 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

                          SigmaPlot Caract\u00e9ristiques du produit<\/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

                          Parcelle foresti\u00e8re<\/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

                          Le diagramme forestier est une forme de \"m\u00e9ta-analyse\" utilis\u00e9e pour combiner plusieurs analyses portant sur la m\u00eame question. La m\u00e9ta-analyse combine statistiquement les \u00e9chantillons de chaque \u00e9tude pour cr\u00e9er une statistique globale plus pr\u00e9cise que l'ampleur de l'effet dans les \u00e9tudes individuelles. Les valeurs individuelles de l'\u00e9tude et leurs intervalles de confiance \u00e0 95 % sont repr\u00e9sent\u00e9s par des symboles carr\u00e9s avec des barres d'erreur horizontales et la statistique globale de synth\u00e8se par un losange dont la largeur est \u00e9gale \u00e0 son intervalle de confiance \u00e0 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

                          Densit\u00e9 du noyau<\/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 caract\u00e9ristique de densit\u00e9 du noyau g\u00e9n\u00e8re une estimation de la distribution des donn\u00e9es sous-jacentes. Ce r\u00e9sultat doit \u00eatre compar\u00e9 \u00e0 l'histogramme en escalier. Il pr\u00e9sente des avantages (pas de barres) et des inconv\u00e9nients (perte d'informations sur le comptage) par rapport \u00e0 l'histogramme et doit \u00eatre utilis\u00e9 conjointement avec ce dernier. Ils peuvent \u00eatre cr\u00e9\u00e9s simultan\u00e9ment.\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

                          Densit\u00e9 de points avec barres de moyenne et d'erreur standard<\/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

                          Le calcul de la moyenne et de la barre d'erreur standard, symbole et barres d'erreur, a \u00e9t\u00e9 ajout\u00e9 au graphique de densit\u00e9 de points. Cela permet d'am\u00e9liorer les autres statistiques possibles de l'affichage de la densit\u00e9 de points - moyenne, m\u00e9diane, percentiles et diagramme en bo\u00eete.\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

                          Sch\u00e9mas de couleurs<\/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

                          Dix nouvelles combinaisons de couleurs ont \u00e9t\u00e9 mises en place. Trois exemples sont pr\u00e9sent\u00e9s ci-dessous :<\/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

                          Am\u00e9liorations de la l\u00e9gende - Formes<\/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

                          Des formes de l\u00e9gende verticales, horizontales et rectangulaires sont d\u00e9sormais disponibles.<\/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

                          Ordre inverse de la l\u00e9gende<\/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

                          Vous pouvez maintenant choisir d'inverser l'ordre des \u00e9l\u00e9ments de la l\u00e9gende. Cela permet d'obtenir un ordre plus logique pour certains types de graphiques.<\/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

                          R\u00e9organiser les \u00e9l\u00e9ments de la l\u00e9gende<\/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

                          Il existe trois fa\u00e7ons de r\u00e9organiser les \u00e9l\u00e9ments de la l\u00e9gende. Comme illustr\u00e9 ici, vous pouvez d\u00e9placer un ou plusieurs \u00e9l\u00e9ments de l\u00e9gende vers le haut ou vers le bas \u00e0 l'aide des fl\u00e8ches haut\/bas du panneau L\u00e9gendes des Propri\u00e9t\u00e9s du graphique. Encore plus simple, il suffit de s\u00e9lectionner l'\u00e9l\u00e9ment dans la l\u00e9gende et d'utiliser les touches de d\u00e9placement vers le haut et vers le bas du clavier. Vous pouvez \u00e9galement s\u00e9lectionner l'\u00e9l\u00e9ment de l\u00e9gende et le faire glisser vers la nouvelle position \u00e0 l'aide du curseur de la souris.<\/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

                          Edition des \u00e9l\u00e9ments de la l\u00e9gende dans la mini-barre d'outils<\/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

                          Les \u00e9l\u00e9ments de la l\u00e9gende peuvent d\u00e9sormais \u00eatre modifi\u00e9s en cliquant sur l'\u00e9l\u00e9ment et en utilisant la mini-barre d'outils.<\/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

                          \u00c9tiquetage direct<\/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 l\u00e9gende peut maintenant \u00eatre d\u00e9group\u00e9e et les \u00e9l\u00e9ments individuels de la l\u00e9gende peuvent \u00eatre plac\u00e9s \u00e0 c\u00f4t\u00e9 des parcelles appropri\u00e9es. Les \u00e9tiquettes se d\u00e9placent avec le graphique pour maintenir leur position par rapport au graphique. L'\u00e9tiquette \u00e9tant adjacente \u00e0 la placette, l'identification visuelle de chaque placette est d\u00e9sormais beaucoup plus ais\u00e9e.<\/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

                          Analyse en composantes 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

                          L'analyse en composantes principales (ACP) est une technique qui permet de r\u00e9duire la complexit\u00e9 des donn\u00e9es \u00e0 haute dimension en les approximant avec moins de dimensions. Chaque nouvelle dimension est appel\u00e9e composante principale et repr\u00e9sente une combinaison lin\u00e9aire des variables originales. La premi\u00e8re composante principale tient compte de la plus grande variation possible des donn\u00e9es. Chaque composante principale suivante rend compte de la plus grande partie possible de la variation restante et est orthogonale \u00e0 toutes les composantes principales pr\u00e9c\u00e9dentes.<\/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

                          Vous pouvez examiner les composantes principales pour comprendre les sources de variation de vos donn\u00e9es. Vous pouvez \u00e9galement les utiliser pour \u00e9laborer des mod\u00e8les pr\u00e9dictifs. Si la plupart des variations de vos donn\u00e9es existent dans un sous-ensemble \u00e0 faible dimension, vous pouvez peut-\u00eatre mod\u00e9liser votre variable de r\u00e9ponse en termes de composantes principales. Vous pouvez utiliser les composantes principales pour r\u00e9duire le nombre de variables dans la r\u00e9gression, le regroupement et d'autres techniques statistiques.<\/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

                          Vous pouvez examiner les composantes principales pour comprendre les sources de variation de vos donn\u00e9es. Vous pouvez \u00e9galement les utiliser pour \u00e9laborer des mod\u00e8les pr\u00e9dictifs. Si la plupart des variations de vos donn\u00e9es existent dans un sous-ensemble \u00e0 faible dimension, vous pouvez peut-\u00eatre mod\u00e9liser votre variable de r\u00e9ponse en termes de composantes principales. Vous pouvez utiliser les composantes principales pour r\u00e9duire le nombre de variables dans la r\u00e9gression, le regroupement et d'autres techniques statistiques.<\/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 sortie graphique consiste en des diagrammes de Scree, de saturation des composantes et de scores des composantes.\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

                          Analyse de la covariance (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 mod\u00e8le d'ANOVA \u00e0 un seul facteur est bas\u00e9 sur un plan compl\u00e8tement al\u00e9atoire dans lequel les sujets d'une \u00e9tude sont \u00e9chantillonn\u00e9s au hasard dans une population et chaque sujet est ensuite assign\u00e9 au hasard \u00e0 l'un de plusieurs niveaux de facteurs ou traitements de sorte que chaque sujet a une probabilit\u00e9 \u00e9gale de recevoir un traitement. Une hypoth\u00e8se courante de ce mod\u00e8le est que les sujets sont homog\u00e8nes. Cela signifie que toute autre variable, pour laquelle il existe des diff\u00e9rences entre les sujets, ne modifie pas de mani\u00e8re significative l'effet du traitement et ne doit pas \u00eatre incluse dans le mod\u00e8le. Cependant, il y a souvent des variables, hors du contr\u00f4le de l'enqu\u00eateur, qui affectent les observations au sein d'un ou de plusieurs groupes de facteurs, ce qui conduit \u00e0 des ajustements n\u00e9cessaires des moyennes de groupe, de leurs erreurs, des sources de variabilit\u00e9 et des valeurs P de l'effet de groupe, y compris les comparaisons multiples.<\/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

                          Ces variables sont appel\u00e9es covariables. Il s'agit g\u00e9n\u00e9ralement de variables continues, mais elles peuvent \u00e9galement \u00eatre cat\u00e9goriques. \u00c9tant donn\u00e9 qu'ils sont g\u00e9n\u00e9ralement d'une importance secondaire pour l'\u00e9tude et, comme mentionn\u00e9 ci-dessus, non contr\u00f4lables par l'enqu\u00eateur, ils ne repr\u00e9sentent pas des facteurs d'effets principaux suppl\u00e9mentaires, mais peuvent n\u00e9anmoins \u00eatre inclus dans le mod\u00e8le afin d'am\u00e9liorer la pr\u00e9cision des r\u00e9sultats. Les covariables sont \u00e9galement appel\u00e9es variables de nuisance ou 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 (Analysis of Covariance) est une extension de l'ANOVA obtenue en sp\u00e9cifiant une ou plusieurs covariables comme variables suppl\u00e9mentaires dans le mod\u00e8le. Si vous organisez les donn\u00e9es ANCOVA dans une feuille de calcul SigmaPlot en utilisant le format de donn\u00e9es index\u00e9es, une colonne repr\u00e9sentera le facteur et une colonne repr\u00e9sentera la variable d\u00e9pendante (les observations) comme dans un plan ANOVA. En outre, vous aurez une colonne pour chaque covariable. L'utilisation d'un mod\u00e8le incluant les effets des covariables permet d'expliquer davantage la variabilit\u00e9 de la valeur de la variable d\u00e9pendante.\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

                          Cela r\u00e9duit g\u00e9n\u00e9ralement la variance inexpliqu\u00e9e attribu\u00e9e \u00e0 la variabilit\u00e9 al\u00e9atoire de l'\u00e9chantillonnage, ce qui augmente la sensibilit\u00e9 de l'ANCOVA par rapport au m\u00eame mod\u00e8le sans covariables (mod\u00e8le ANOVA). Une sensibilit\u00e9 de test plus \u00e9lev\u00e9e signifie que des diff\u00e9rences moyennes plus faibles entre les traitements deviendront significatives par rapport \u00e0 un mod\u00e8le ANOVA standard, augmentant ainsi la puissance statistique.<\/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

                          Pour illustrer l'utilisation de l'ANCOVA, prenons l'exemple d'une exp\u00e9rience au cours de laquelle les \u00e9l\u00e8ves sont assign\u00e9s de mani\u00e8re al\u00e9atoire \u00e0 l'un des trois types de m\u00e9thodes d'enseignement et dont les r\u00e9sultats sont mesur\u00e9s. L'objectif est de mesurer l'effet des diff\u00e9rentes m\u00e9thodes et de d\u00e9terminer si l'une d'entre elles permet d'obtenir un score moyen significativement plus \u00e9lev\u00e9 que les autres. Les m\u00e9thodes sont le cours magistral, l'auto-apprentissage et l'apprentissage coop\u00e9ratif. L'ex\u00e9cution d'une ANOVA \u00e0 une voie sur ces donn\u00e9es hypoth\u00e9tiques donne les r\u00e9sultats du tableau ci-dessous, sous l'en-t\u00eate de la colonne ANOVA. Nous concluons qu'il n'y a pas de diff\u00e9rence significative entre les m\u00e9thodes d'enseignement. Il convient \u00e9galement de noter que la variance inexpliqu\u00e9e par le mod\u00e8le ANOVA, qui est due \u00e0 la variabilit\u00e9 de l'\u00e9chantillonnage al\u00e9atoire dans les observations, est estim\u00e9e \u00e0 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

                          Il est possible que les \u00e9tudiants de notre \u00e9tude b\u00e9n\u00e9ficient davantage d'une m\u00e9thode que des autres, en fonction de leurs r\u00e9sultats scolaires ant\u00e9rieurs. Supposons que nous affinions l'\u00e9tude pour inclure une covariable qui mesure une capacit\u00e9 ant\u00e9rieure, telle qu'une \u00e9valuation bas\u00e9e sur les normes (SBA) sanctionn\u00e9e par l'\u00c9tat. En effectuant une ANCOVA \u00e0 une voie sur ces donn\u00e9es, on obtient les r\u00e9sultats figurant dans le tableau ci-dessous, sous l'intitul\u00e9 de la colonne 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 moyenne ajust\u00e9e indiqu\u00e9e dans le tableau pour chaque m\u00e9thode est une correction de la moyenne du groupe pour contr\u00f4ler les effets de la covariable. Les r\u00e9sultats montrent que les moyennes ajust\u00e9es sont significativement diff\u00e9rentes, la m\u00e9thode Lecture \u00e9tant la plus performante. Remarquez que les erreurs standard des moyennes ont diminu\u00e9 d'un facteur de presque trois, tandis que la variance due \u00e0 la variabilit\u00e9 al\u00e9atoire de l'\u00e9chantillon a diminu\u00e9 d'un facteur de dix. Une r\u00e9duction de l'erreur est la cons\u00e9quence habituelle de l'introduction de covariables et de la r\u00e9alisation d'une analyse 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

                          Il existe quatre graphiques de r\u00e9sultats d'ANCOVA - lignes de r\u00e9gression dans les groupes, diagramme de dispersion des r\u00e9sidus, moyennes ajust\u00e9es avec intervalles de confiance et diagramme de probabilit\u00e9 de normalit\u00e9 :<\/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

                          Valeurs P pour les ANOVA non param\u00e9triques<\/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

                          Les tests ANOVA non param\u00e9triques dans SigmaPlot sont le test de Kruskal-Wallis (ANOVA \u00e0 une voie sur les rangs) et le test de Friedman (ANOVA \u00e0 une voie sur les rangs \u00e0 mesures r\u00e9p\u00e9t\u00e9es). Tous deux proposent quatre proc\u00e9dures de test post-hoc pour d\u00e9terminer la source des effets significatifs dans le facteur de traitement. Les quatre proc\u00e9dures sont Tukey, SNK, Dunn et 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

                          Les trois premi\u00e8res proc\u00e9dures peuvent \u00eatre utilis\u00e9es pour tester la signification de chaque comparaison par paire des groupes de traitement, tandis que les deux derni\u00e8res peuvent \u00eatre utilis\u00e9es pour tester la signification des comparaisons par rapport \u00e0 un groupe de contr\u00f4le. La m\u00e9thode de Dunn est la seule proc\u00e9dure disponible si les groupes de traitement ont des tailles d'\u00e9chantillon in\u00e9gales.<\/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

                          Lorsqu'une proc\u00e9dure de test post-hoc est utilis\u00e9e, le rapport contient un tableau reprenant les r\u00e9sultats des comparaisons par paire des niveaux de traitement. La derni\u00e8re colonne du tableau indique si la diff\u00e9rence de classement est significative ou non. Dans les versions pr\u00e9c\u00e9dentes de SigmaPlot, il n'y a pas de valeur p ajust\u00e9e qui peut \u00eatre compar\u00e9e au niveau de signification de l'ANOVA (habituellement .05) pour d\u00e9terminer la signification.<\/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 effet, SigmaPlot d\u00e9terminait la signification en comparant la statistique de test observ\u00e9e, calcul\u00e9e pour chaque comparaison, \u00e0 une valeur critique de la distribution de la statistique obtenue \u00e0 partir d'une table de recherche. SigmaPlot disposait de deux s\u00e9ries de tables de recherche pour les distributions de probabilit\u00e9s correspondant aux quatre m\u00e9thodes post hoc, l'une pour un niveau de signification de 0,05 et l'autre pour un niveau de signification 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

                          Cette m\u00e9thode a \u00e9t\u00e9 r\u00e9cemment modifi\u00e9e pour utiliser des proc\u00e9dures analytiques afin de calculer les valeurs p de ces distributions, ce qui a rendu les tables de recherche obsol\u00e8tes. En raison de ce changement, nous sommes d\u00e9sormais en mesure de pr\u00e9senter les valeurs p ajust\u00e9es pour chaque comparaison par paire. Cette modification permet \u00e9galement de supprimer la restriction consistant \u00e0 utiliser 0,05 et 0,01 comme seuls niveaux de signification pour les comparaisons multiples. L'utilisateur peut donc saisir n'importe quel niveau de signification de la valeur P entre 0 et 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

                          Crit\u00e8re d'information d'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

                          Le crit\u00e8re d'information d'Akaike (AIC) est une m\u00e9thode permettant de mesurer la performance relative de l'ajustement d'un mod\u00e8le de r\u00e9gression \u00e0 un ensemble de donn\u00e9es donn\u00e9. Fond\u00e9 sur le concept d'entropie de l'information, le crit\u00e8re offre une mesure relative de l'information perdue lors de l'utilisation d'un mod\u00e8le pour d\u00e9crire les donn\u00e9es. Plus pr\u00e9cis\u00e9ment, il s'agit d'un compromis entre la maximisation de la vraisemblance du mod\u00e8le estim\u00e9 (ce qui revient \u00e0 minimiser la somme des carr\u00e9s r\u00e9siduels si les donn\u00e9es sont normalement distribu\u00e9es) et le maintien au minimum du nombre de param\u00e8tres libres dans le mod\u00e8le, ce qui r\u00e9duit sa complexit\u00e9. Bien que la qualit\u00e9 de l'ajustement soit presque toujours am\u00e9lior\u00e9e par l'ajout de param\u00e8tres, l'ajustement excessif augmente la sensibilit\u00e9 du mod\u00e8le aux changements des donn\u00e9es d'entr\u00e9e et peut ruiner sa capacit\u00e9 pr\u00e9dictive.\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 raison principale de l'utilisation de l'AIC est de guider la s\u00e9lection d'un mod\u00e8le. Dans la pratique, elle est calcul\u00e9e pour un ensemble de mod\u00e8les candidats et un ensemble de donn\u00e9es donn\u00e9. Le mod\u00e8le ayant la plus petite valeur AIC est s\u00e9lectionn\u00e9 comme le mod\u00e8le de l'ensemble qui repr\u00e9sente le mieux le \"vrai\" mod\u00e8le, ou le mod\u00e8le qui minimise la perte d'information, ce que l'AIC est con\u00e7u pour estimer. Une fois que le mod\u00e8le avec l'AIC minimum a \u00e9t\u00e9 d\u00e9termin\u00e9, une vraisemblance relative peut \u00e9galement \u00eatre calcul\u00e9e pour chacun des autres mod\u00e8les candidats afin de mesurer la probabilit\u00e9 de r\u00e9duire la perte d'information par rapport au mod\u00e8le avec l'AIC minimum. La vraisemblance relative peut aider l'enqu\u00eateur \u00e0 d\u00e9cider si plus d'un mod\u00e8le de la s\u00e9rie doit \u00eatre conserv\u00e9 pour un examen plus approfondi.\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

                          Le calcul de l'AIC est bas\u00e9 sur la formule g\u00e9n\u00e9rale suivante obtenue par 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\no\u00f9\"\"est le nombre de param\u00e8tres estimables dans le probl\u00e8me de r\u00e9gression, qui comprend les param\u00e8tres du mod\u00e8le et la variance inconnue des observations, et \"\"est la valeur maximis\u00e9e de la fonction de vraisemblance pour le mod\u00e8le estim\u00e9.\n\nLorsque la taille de l’\u00e9chantillon des donn\u00e9es \"\"est faible par rapport au nombre de param\u00e8tres \"\" (certains auteurs disent que \"\" n’est pas plus de quelques fois plus grand que\"\"), l’AIC n’est pas aussi efficace pour prot\u00e9ger contre l’ajustement excessif. Dans ce cas, il existe une version corrig\u00e9e de l’AIC donn\u00e9e par\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

                          On constate que l'AICc impose une p\u00e9nalit\u00e9 plus importante que l'AIC lorsqu'il y a des param\u00e8tres suppl\u00e9mentaires. La plupart des auteurs semblent s'accorder sur le fait que l'AICc devrait \u00eatre utilis\u00e9 \u00e0 la place de l'AIC dans toutes les situations et c'est l'AICc qui est impl\u00e9ment\u00e9 dans SigmaPlot. L'\u00e9quation asym\u00e9trique du graphique est nettement meilleure que l'\u00e9quation sym\u00e9trique puisque sa valeur AICc est inf\u00e9rieure de plus de 7 unit\u00e9s \u00e0 celle de l'\u00e9quation sym\u00e9trique - une r\u00e8gle empirique pour l'AICc. Si la diff\u00e9rence est sup\u00e9rieure \u00e0 2, l'\u00e9quation ayant la plus petite valeur AICc ne doit pas \u00eatre consid\u00e9r\u00e9e comme la meilleure, mais plut\u00f4t comme un candidat \u00e0 la meilleure \u00e9quation.<\/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

                          Fonctions de probabilit\u00e9 de r\u00e9gression non lin\u00e9aire\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

                          24 nouvelles fonctions d'ajustement des probabilit\u00e9s ont \u00e9t\u00e9 ajout\u00e9es \u00e0 la biblioth\u00e8que d'ajustement standard.jfl. Ces fonctions, ainsi que certaines \u00e9quations et formes graphiques, sont pr\u00e9sent\u00e9es ci-dessous.\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

                          Fonctions de pond\u00e9ration de la r\u00e9gression non lin\u00e9aire\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

                          Il existe maintenant sept fonctions de pond\u00e9ration diff\u00e9rentes int\u00e9gr\u00e9es dans chaque \u00e9quation de r\u00e9gression non lin\u00e9aire (les 3D sont l\u00e9g\u00e8rement diff\u00e9rentes). Ces fonctions sont les suivantes : y r\u00e9ciproque, y r\u00e9ciproque au carr\u00e9, x r\u00e9ciproque, x r\u00e9ciproque au carr\u00e9, pr\u00e9dictions r\u00e9ciproques, pr\u00e9dictions r\u00e9ciproques au carr\u00e9 et Cauchy. L'algorithme des moindres carr\u00e9s repond\u00e9r\u00e9s de mani\u00e8re it\u00e9rative est utilis\u00e9 pour permettre aux poids de changer au cours de chaque it\u00e9ration de r\u00e9gression non lin\u00e9aire. Ainsi, la \"pond\u00e9ration par les pr\u00e9dictions\", une m\u00e9thode couramment utilis\u00e9e, peut \u00eatre obtenue en s\u00e9lectionnant l'option de pond\u00e9ration 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

                          De m\u00eame, la pond\u00e9ration de Cauchy (s\u00e9lectionnez weight_Cauchy) peut \u00eatre utilis\u00e9e pour ajuster une \u00e9quation \u00e0 des donn\u00e9es contenant des valeurs aberrantes et l'effet des valeurs aberrantes sera minimis\u00e9. Les utilisateurs peuvent cr\u00e9er leurs propres m\u00e9thodes de pond\u00e9ration en termes de r\u00e9sidus et\/ou de param\u00e8tres pour mettre en \u0153uvre d'autres m\u00e9thodes d'ajustement robustes. La section d'\u00e9quation d'un fichier d'ajustement est pr\u00e9sent\u00e9e avec les sept fonctions de pond\u00e9ration int\u00e9gr\u00e9es.<\/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

                          Fonctionnalit\u00e9s de l'interface utilisateur - R\u00e9organisez les \u00e9l\u00e9ments de votre carnet en les faisant glisser.\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

                          Les objets d'une section de carnet ne sont pas n\u00e9cessairement cr\u00e9\u00e9s dans un ordre logique. Vous pouvez d\u00e9sormais faire glisser les \u00e9l\u00e9ments d'une section vers de nouvelles positions afin de les placer de mani\u00e8re plus logique.\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

                          Un tutoriel SigmaPlot mis \u00e0 jour\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

                          Le nouveau didacticiel facilite la cr\u00e9ation de graphiques pour la premi\u00e8re fois. Il commence par des exemples simples et se complexifie progressivement.\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

                          Sp\u00e9cifier la largeur des lignes de trac\u00e9 \u00e0 partir d'une colonne de la feuille de calcul\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

                          Les valeurs de largeur de ligne peuvent d\u00e9sormais \u00eatre saisies dans une colonne de la feuille de calcul. Ces valeurs peuvent \u00eatre utilis\u00e9es dans un graphique ou dans plusieurs graphiques de la page.\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

                          Formats de fichiers d'exportation vectorielle\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

                          Les formats de fichiers SVG (Scalable Vector Graphics), SWF (Adobe Flash Player) et Vector PDF ont \u00e9t\u00e9 ajout\u00e9s. Il s'agit de formats \u00e9volutifs dans lesquels aucune r\u00e9solution n'est perdue lorsque l'on zoome \u00e0 diff\u00e9rents niveaux. SVG est le format graphique standard pour le web et SWF peut \u00eatre utilis\u00e9 avec Adobe Flash Player. Le format PDF \u00e9tant tr\u00e8s utilis\u00e9, le format PDF vectoriel est d\u00e9sormais associ\u00e9 au bouton Cr\u00e9er un PDF du ruban Accueil.\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

                          Mise \u00e0 jour des formats des dossiers de candidature\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

                          La prise en charge de l'importation et de l'exportation de fichiers a \u00e9t\u00e9 mise \u00e0 jour pour les versions 13 et 14 de Minitab, la version 9 de SAS et la version 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":"

                          SigmaPlot Caract\u00e9ristiques du produit Acheter Essayez maintenant Fonctionnalit\u00e9s et am\u00e9liorations de SigmaPlot Parcelles foresti\u00e8res Graphiques de densit\u00e9 du noyau 10 nouvelles gammes de couleurs Graphique de densit\u00e9 de points avec barres de moyenne et d’erreur standard L\u00e9gende Am\u00e9liorations Formes de l\u00e9gende horizontales, verticales et rectangulaires Curseur sur le c\u00f4t\u00e9 ou sur la poign\u00e9e sup\u00e9rieure ou […]<\/p>\n","protected":false},"author":1773,"featured_media":0,"parent":11739,"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-11751","page","type-page","status-publish","hentry"],"yoast_head":"\nSigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel 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\/fr\/sigmaplot-details\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"SigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel SigmaPlot.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:site_name\" content=\"Grafiti LLC\" \/>\n<meta property=\"article:modified_time\" content=\"2025-12-05T11:59:44+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data1\" content=\"19 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\",\"name\":\"SigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/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\":\"2025-12-05T11:59:44+00:00\",\"description\":\"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel SigmaPlot.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/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\\\/fr\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"SigmaPlot D\u00e9tails\",\"item\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/sigmaplot-details\\\/\"},{\"@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\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\",\"name\":\"Grafiti LLC\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@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":"SigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC","description":"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel 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\/fr\/sigmaplot-details\/sigmaplot-product-features\/","og_locale":"fr_FR","og_type":"article","og_title":"SigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC","og_description":"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel SigmaPlot.","og_url":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/","og_site_name":"Grafiti LLC","article_modified_time":"2025-12-05T11:59:44+00:00","twitter_card":"summary_large_image","twitter_misc":{"Dur\u00e9e de lecture estim\u00e9e":"19 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/","url":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/","name":"SigmaPlot Caract\u00e9ristiques du produit - Grafiti LLC","isPartOf":{"@id":"https:\/\/grafiti.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/#primaryimage"},"image":{"@id":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/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":"2025-12-05T11:59:44+00:00","description":"D\u00e9couvrez les fonctionnalit\u00e9s du logiciel SigmaPlot.","breadcrumb":{"@id":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/grafiti.com\/fr\/sigmaplot-details\/sigmaplot-product-features\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/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\/fr\/sigmaplot-details\/sigmaplot-product-features\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/grafiti.com\/fr\/"},{"@type":"ListItem","position":2,"name":"SigmaPlot D\u00e9tails","item":"https:\/\/grafiti.com\/fr\/sigmaplot-details\/"},{"@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":"fr-FR"},{"@type":"Organization","@id":"https:\/\/grafiti.com\/#organization","name":"Grafiti LLC","url":"https:\/\/grafiti.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@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\/fr\/wp-json\/wp\/v2\/pages\/11751","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/users\/1773"}],"replies":[{"embeddable":true,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/comments?post=11751"}],"version-history":[{"count":0,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages\/11751\/revisions"}],"up":[{"embeddable":true,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages\/11739"}],"wp:attachment":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/media?parent=11751"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}