SigmaPlot: analisi statistica e grafici scientifici, guida 2026

Un grafico scientifico deve fare qualcosa di più che apparire gradevole in una presentazione: deve permettere di capire che cosa è stato misurato, quanto variano i risultati e fin dove si può spingere la conclusione. Quando questi dettagli contano, uno strumento specializzato aiuta a passare da una tabella di numeri a una figura che sia possibile spiegare e sottoporre a verifica.

SigmaPlot riunisce grafici scientifici, analisi statistica e adattamento di curve in un unico ambiente. Il suo valore sta nel collegare queste attività: esplorare i dati, scegliere un'analisi coerente e rappresentare il risultato senza perdere di vista le osservazioni originali. Questa guida spiega come impostare il percorso attraverso esempi numerici ipotetici e scelte pratiche per il lavoro in laboratorio, l'ingegneria, la ricerca e la didattica.

Il 2026 è l'anno della guida; la licenza di cui si parla è SigmaPlot 14. Non si tratta di due nomi della stessa versione, né vengono attribuite a questa licenza le novità introdotte nelle edizioni successive.

1. Che cosa offre SigmaPlot nel lavoro scientifico

Il vantaggio di un programma specializzato emerge quando devi controllare dettagli che influiscono sull'interpretazione: un asse logaritmico, barre di errore asimmetriche, più serie sulle stesse coordinate o una curva adattata ai dati accanto alle misurazioni. È utile anche quando devi mantenere uno stile leggibile in numerose figure, senza dover ricostruire ogni volta il grafico da zero.

SigmaPlot consente di lavorare con fogli di dati, grafici e report. La documentazione descrive procedure guidate per creare grafici ed eseguire analisi, personalizzazione degli assi e delle legende, regressione e adattamento di curve. Queste funzioni sono utili, per esempio, per confrontare materiali, studiare la risposta di un campione a diverse concentrazioni o mostrare come varia un segnale nel tempo.

Non è necessario contrapporre SigmaPlot a un foglio di calcolo. Puoi organizzare inizialmente le registrazioni in una tabella e usare poi l'ambiente scientifico per esplorare i dati, costruire un modello e preparare la figura finale. L'importante è mantenere un collegamento chiaro tra i valori originali, le eventuali trasformazioni applicate e il risultato che pubblichi.

Se il tuo lavoro richiede questo tipo di attività, la licenza di SigmaPlot 14 su Licendi è l'offerta specifica da esaminare. La scelta ha più senso quando risponde a un'esigenza di analisi ricorrente, piuttosto che basarsi soltanto sul numero di tipi di grafico pubblicizzati.

2. SigmaPlot 14 e una guida all'uso nel 2026

È opportuno distinguere tre aspetti: la versione del programma, la revisione installata e la data di una guida. Un articolo aggiornato può spiegare metodi validi per una versione precedente, senza per questo renderla l'edizione più recente. Grafiti mantiene una pagina dedicata a SigmaPlot 14.0 e una sezione degli aggiornamenti che distingue le revisioni delle diverse versioni.

Per seguire una procedura, consulta la guida relativa alla tua installazione. Un video su un'altra edizione può essere utile per capire un concetto, ma pulsanti, disposizione dei menu e funzioni aggiuntive potrebbero non corrispondere esattamente. Segui quindi la sequenza di lavoro e cerca nella guida della tua versione le opzioni equivalenti. Capire quali dati devono entrare in ciascuna analisi è più utile che memorizzare la posizione di un pulsante.

L'offerta consultata descrive una licenza permanente per un PC, in inglese, per Windows a 64 bit e con consegna digitale. Questa descrizione non trasforma l'acquisto in un abbonamento e, da sola, non dimostra il diritto agli aggiornamenti alle versioni future. La versione e l'ambiente di lavoro devono essere verificati separatamente.

3. Preparare i dati prima di scegliere un test

Inizia formulando la domanda in una frase: «La resistenza media cambia tra questi due materiali?» è più utile di «voglio fare un'analisi statistica». Identifica poi la variabile di risposta, le sue unità di misura, il fattore da confrontare e ciò che costituisce un'unità sperimentale indipendente. Questa definizione determinerà sia l'analisi sia la numerosità del campione.

Una struttura pratica prevede una riga per osservazione e colonne per identificativo, gruppo, risposta, data ed eventuali condizioni rilevanti. Se ci sono misurazioni ripetute, conserva l'identificativo del campione. Quando importi dati da Excel o da un file di testo, controlla il separatore decimale, le intestazioni e che le colonne numeriche non siano state interpretate come testo.

Non sostituire automaticamente i valori mancanti con zero: lo zero può essere un risultato valido e modificherebbe medie, dispersioni e pendenze. Non trasformare neppure un valore inferiore al limite di rilevabilità in una misura esatta senza giustificare come verrà trattato. Conserva una copia dei dati originali e registra le correzioni effettuate.

Quando trovi un valore estremo, torna alla registrazione di origine. Potrebbe trattarsi di un errore di trascrizione, di un problema dello strumento oppure di un'osservazione autentica. Correggere un errore accertato non equivale a eliminare un dato scomodo. Se esiste una ragione valida per escluderlo, documentala e valuta quanto cambia la conclusione includendo comunque quel dato.

Un ultimo controllo evita molti errori: conta quante unità indipendenti hai davvero. Misurare tre volte lo stesso provino non equivale ad avere tre provini. Le repliche tecniche servono a studiare la precisione della misurazione, ma trattarle come campioni indipendenti può far apparire l'incertezza inferiore a quella reale.

4. Dal file di dati al primo grafico

Prima di avviare un test statistico, prepara una rappresentazione semplice. L'obiettivo iniziale è individuare valori inattesi, gruppi etichettati in modo errato o cambiamenti di scala; non serve ancora una figura pronta per la pubblicazione. In SigmaPlot, il percorso generale passa dal foglio di dati alla selezione delle colonne, fino alla procedura guidata del tipo di grafico scelto.

1. Controlla l'importazione. Confronta alcune righe con il file originale, prestando particolare attenzione ai decimali, ai segni negativi e alle osservazioni mancanti.
2. Assegna correttamente le variabili. Per una relazione tra concentrazione e risposta, la concentrazione va sull'asse X e la risposta sull'asse Y.
3. Mostra prima le osservazioni. Un diagramma di dispersione rende visibile la struttura dei dati che una linea o una barra potrebbe nascondere.
4. Indica unità di misura e gruppi. «Tempo (min)» è più informativo di «Variabile 1»; una legenda breve evita di dover aggiungere spiegazioni in seguito.
5. Salva una versione esplorativa. Potrai così confrontare l'aspetto dei dati prima e dopo l'analisi.

Se alcuni punti si sovrappongono, un piccolo spostamento orizzontale può aiutare nei gruppi categorici, purché non cambi il valore della risposta. In un grafico con una X quantitativa, invece, non spostare le coordinate senza spiegarlo: rischieresti di alterare visivamente la relazione che stai studiando.

Quando passi all'analisi, distingui le colonne delle osservazioni originali da quelle delle medie già calcolate. Selezionare sei medie come se fossero sei misurazioni individuali cambia l'unità di analisi. Conserva i risultati descrittivi in una posizione separata e controlla nel report il numero di osservazioni utilizzate: questo conteggio permette di scoprire intervalli selezionati solo in parte e celle omesse.

La prima figura serve anche per discuterne con un collega: se non è chiaro che cosa rappresenta ciascun punto, è meglio risolvere il dubbio prima di interpretare qualsiasi risultato numerico.

5. Un esempio completo con due gruppi indipendenti

Immagina di confrontare la resistenza, in megapascal, di due formulazioni. Hai a disposizione sei provini indipendenti per ciascuna formulazione e ottieni i seguenti dati, inventati per esercitarsi. Non sono risultati di una prova reale né una dimostrazione sperimentale delle prestazioni di un prodotto.

Le righe non rappresentano coppie: il primo provino di A non è collegato al primo di B. Le medie sono rispettivamente 10 e 12 MPa. La differenza B meno A è pari a 2 MPa, equivalente a un aumento del 20 % rispetto alla media di A. Questa percentuale descrive le due medie; non significa che tutti i provini migliorino del 20 %.

Per A, gli scarti dalla media sono −2, −1, 0, 0, 1 e 2. La somma dei loro quadrati è 10. La varianza campionaria divide questa somma per cinque, non per sei: si ottengono 2 MPa². La deviazione standard è la radice di 2, circa 1,41 MPa. B presenta esattamente la stessa dispersione.

Quando inserisci i dati dell'esempio, controlla prima di ritrovare questi valori. È una verifica semplice delle colonne selezionate e dell'uso della deviazione standard campionaria. Rappresenta poi i dodici punti e aggiungi la sintesi che risponde alla tua domanda, senza nascondere i dati dietro due barre opache.

6. Deviazione standard, SEM e intervallo di confidenza

Queste tre misure non sono intercambiabili. La deviazione standard, abbreviata DS o SD, descrive la dispersione delle osservazioni attorno alla loro media. Nell'esempio vale 1,41 MPa per gruppo. È adatta quando vuoi mostrare quanto variano i provini tra loro.

L'errore standard della media, SEM, quantifica l'incertezza della media stimata secondo le ipotesi del campionamento. Si calcola dividendo la SD per la radice quadrata di n. In questo caso, 1,414 diviso per la radice di sei dà circa 0,577 MPa. Il fatto che sia inferiore alla SD non significa che i provini siano più uniformi.

Un intervallo di confidenza al 95 % aggiunge un margine intorno alla stima. Per una media con deviazione standard della popolazione sconosciuta e il consueto modello di osservazioni indipendenti con distribuzione normale, si usa la distribuzione t. Con sei osservazioni, il moltiplicatore è circa 2,571: il margine risulta pari a 1,484 MPa. Gli intervalli sono 8,52–11,48 MPa per A e 10,52–13,48 MPa per B.

Esegui i calcoli con la precisione disponibile e arrotonda al momento di presentare i risultati. Se sostituisci troppo presto 0,577 con 0,6, piccole differenze si accumulano nei limiti. In una figura possono bastare due decimali; nel file di calcolo, conserva i valori senza questo arrotondamento.

L'interpretazione del 95 % riguarda la procedura: ripetendo il campionamento molte volte sotto le stesse ipotesi, circa il 95 % degli intervalli costruiti in questo modo conterrebbe la media della popolazione. Non significa che il 95 % dei provini rientri nell'intervallo.

7. Confrontare le medie senza affidarsi all'aspetto del grafico

Per due gruppi indipendenti con una risposta quantitativa, il confronto delle medie può essere impostato con un test t. La variante di Welch non richiede di assumere l'uguaglianza delle varianze delle popolazioni. La scelta deve rispecchiare il disegno sperimentale e le ipotesi, non favorire la procedura che produce il valore p più basso.

Nell'esempio delle formulazioni A e B, l'errore standard della differenza è la radice quadrata di 2/6 + 2/6: circa 0,816 MPa. Dividendo la differenza di 2 MPa per questo valore si ottiene una statistica t pari a 2,449. Il confronto bilaterale di Welch ha in questo caso dieci gradi di libertà e restituisce p ≈ 0,0343. L'intervallo di confidenza al 95 % per B meno A è circa 0,18–3,82 MPa.

Gli intervalli individuali di A e B si sovrappongono, ma l'intervallo della differenza non comprende lo zero. Non c'è contraddizione: sono intervalli relativi a parametri diversi. Per questo non è opportuno decidere se una differenza è significativa guardando soltanto se le barre delle due medie si toccano.

Con campioni piccoli, esamina con particolare attenzione le osservazioni estreme e la plausibilità del modello. Un test di normalità che non rileva problemi non dimostra che la distribuzione sia normale. In SigmaPlot, leggi i controlli e il report completo, ma mantieni il ragionamento su come sono stati ottenuti i dati: nessuna procedura guidata può ricostruire un disegno sperimentale che non è stato documentato.

8. Quando i dati sono appaiati

Se misuri gli stessi campioni prima e dopo un trattamento, la domanda cambia. Ora interessa quanto cambia ciascun campione, non semplicemente confrontare due insiemi come se fossero indipendenti. Le osservazioni sono appaiate perché esiste una corrispondenza reale, stabilita dal disegno sperimentale.

Organizza le colonne con un identificativo e le due misurazioni. Calcola la variazione di ogni unità mantenendo sempre la stessa direzione, per esempio dopo meno prima. Un test t per dati appaiati analizza la media di queste variazioni; l'ipotesi di normalità riguarda le differenze, mentre le diverse coppie devono essere indipendenti tra loro.

Un grafico con punti collegati mostra qualcosa che le medie possono nascondere: alcuni campioni migliorano molto, altri poco e qualcuno può peggiorare. Se manca una delle due misurazioni, non appaiare l'osservazione rimasta a un altro campione per completare la riga. Documenta il dato mancante e il criterio di analisi.

Avere lo stesso numero di dati in due colonne non li rende appaiati. Non basta neppure che entrambi i gruppi siano stati misurati nello stesso giorno. Al contrario, ignorare un appaiamento reale può far perdere informazioni utili. Se ci sono più tempi di osservazione, raggruppamenti per centro o più osservazioni per soggetto, il disegno richiede una strategia che rappresenti questa dipendenza.

9. Più di due gruppi: ANOVA e confronti pianificati

Con tre formulazioni, eseguire un test t per ogni coppia sembra un'estensione naturale dell'esempio, ma moltiplica le occasioni di ottenere per caso risultati apparentemente significativi. Un'ANOVA a un fattore pone prima una domanda globale: se le medie delle popolazioni dei diversi gruppi siano uguali.

Un risultato globale significativo non identifica da solo quali gruppi differiscano. Per rispondere a questa seconda domanda bisogna definire contrasti o confronti multipli appropriati. Se interessa soltanto confrontare ogni formulazione con un controllo, l'obiettivo non è lo stesso di un confronto fra tutte le coppie. È meglio deciderlo prima di osservare i risultati.

L'ANOVA classica comprende ipotesi sull'indipendenza, sulla distribuzione degli errori e sull'omogeneità delle loro varianze. Esaminare i residui aiuta a valutare l'adeguatezza del modello. Quando le ipotesi non sono appropriate, considera metodi per varianze diverse, trasformazioni giustificate o alternative basate sui ranghi, in funzione della domanda e degli strumenti disponibili.

Neppure i metodi non parametrici sono una soluzione automatica per qualsiasi insieme di dati. Mantengono requisiti legati al disegno e non sempre verificano la stessa proprietà di un confronto tra medie. Nel report, identifica quale parametro o aspetto della distribuzione stai confrontando: cambiare test senza rivedere l'interpretazione può portare a rispondere a una domanda diversa da quella iniziale.

10. Che cosa significa un valore p e che cosa manca da raccontare

Un valore p riassume quanto siano incompatibili i dati con un'ipotesi nulla e con il modello utilizzato: esprime la probabilità, sotto queste condizioni, di ottenere una statistica almeno altrettanto estrema di quella osservata. Non è la probabilità che l'ipotesi nulla sia vera, né una misura diretta dell'importanza dell'effetto.

Nell'esempio, p ≈ 0,0343 accompagna una differenza stimata di 2 MPa. Se un miglioramento inferiore a 1 MPa non ha utilità tecnica, l'intervallo 0,18–3,82 MPa lascia aperta la questione: comprende valori sia inferiori sia superiori alla soglia di rilevanza pratica. Nel quadro del modello emerge evidenza di una differenza, ma la sua entità resta stimata con scarsa precisione.

Per lo stesso motivo, un valore p superiore a 0,05 non dimostra equivalenza. Può riflettere una differenza piccola, un campione insufficiente o dati molto variabili. Dimostrare l'equivalenza richiede la definizione di un margine rilevante e di una procedura specifica; non basta che un confronto convenzionale non risulti significativo.

Una formulazione informativa potrebbe essere: «In questo esempio ipotetico, B ha superato A di 2 MPa; IC al 95 % della differenza: 0,18–3,82 MPa; test t bilaterale di Welch, p = 0,0343; sei provini indipendenti per gruppo». Il lettore riceve la dimensione dell'effetto, la sua incertezza e il disegno sperimentale, non soltanto un asterisco.

11. Regressione: osservare la curva e anche i residui

Quando la domanda riguarda il modo in cui una risposta cambia al variare di una variabile quantitativa, la regressione è più informativa della suddivisione artificiale di quella variabile in gruppi. Parti da un diagramma di dispersione e da un modello compatibile con il fenomeno. In una retta, la pendenza esprime la variazione attesa di Y per ogni unità aggiuntiva di X.

Considera un altro esempio costruito per esercitarsi: X assume i valori 0, 1, 2, 3, 4 e 5; Y vale 1,2; 2,8; 4,8; 7,2; 9 e 11. L'adattamento con i minimi quadrati ordinari è Y stimata = 1 + 2X. I residui, osservazione meno previsione, sono 0,2; −0,2; −0,2; 0,2; 0 e 0. R² è circa 0,9977.

Questo valore riassume l'adattamento, ma non sostituisce la diagnostica. Una curvatura nei residui suggerisce una forma funzionale inadeguata; una disposizione a ventaglio può indicare variabilità non costante; una sequenza temporale può rivelare dipendenza o deriva. Sei punti offrono informazioni limitate: neppure un andamento apparentemente pulito certifica tutte le ipotesi.

Un'associazione, inoltre, non dimostra causalità. Se temperatura e risposta aumentano insieme, potrebbe esserci un meccanismo diretto, una terza variabile o una tendenza temporale condivisa. L'interpretazione dipende dal disegno, dai controlli e dalla conoscenza del processo, non soltanto dalla pendenza. La regressione descrive relazioni; un esperimento ben progettato permette di indagarne le cause.

Per vedere il problema, usa ora X = 0, 1, …, 10 e calcola Y = 2 + 3X + 0,6X². Una retta ottiene R² ≈ 0,9665, anche se i residui disegnano una U evidente: i dati sono stati costruiti con una relazione quadratica. È un esempio del perché «R² elevato» non equivalga a «modello adeguato».

12. Adattamento non lineare senza inseguire la curva più bella

Una risposta che si avvicina a un plateau, un decadimento esponenziale o una relazione dose-risposta possono richiedere modelli non lineari. SigmaPlot dispone di strumenti per l'adattamento di curve; la documentazione di Grafiti spiega sia la procedura guidata di regressione sia la ricerca dei valori iniziali mediante adattamento dinamico.

Il passaggio decisivo resta la scelta di un'equazione sensata. Aggiungere parametri spesso rende più facile avvicinare la curva ai punti, ma può produrre stime instabili e previsioni poco affidabili. Se, per esempio, non hai effettuato misurazioni vicino a un plateau, il valore asintotico potrebbe essere molto incerto anche quando la curva appare convincente.

Annota l'equazione, le unità dei parametri, i valori iniziali, i vincoli e le eventuali ponderazioni. Prova più punti di partenza ragionevoli quando il problema lo richiede. La convergenza numerica significa che l'algoritmo ha raggiunto una soluzione secondo i propri criteri; non dimostra che sia l'unica né che il modello descriva correttamente il processo.

La ponderazione merita una decisione esplicita. Se alcune osservazioni hanno una varianza maggiore di altre, assegnare a tutte lo stesso peso potrebbe non essere appropriato. I pesi devono riflettere un modello di incertezza difendibile, non servire ad avvicinare la curva ai punti preferiti. Spiega da dove provengono e controlla i residui in modo coerente.

Distingui anche tra interpolazione ed estrapolazione. Una stima all'interno dell'intervallo misurato ha un fondamento diverso dal prolungamento di una curva verso concentrazioni o tempi mai osservati. Se presenti una previsione, spiegane il dominio di validità. Non confondere l'intervallo di confidenza della risposta media con l'intervallo di previsione di una nuova osservazione: quest'ultimo incorpora variabilità aggiuntiva.

13. Scegliere il grafico che risponde alla domanda

Per confrontare gruppi piccoli, i singoli punti sono spesso più informativi di una barra con la media. Con più osservazioni, un diagramma a scatola può riassumere la distribuzione, purché tu spieghi che cosa rappresentano la scatola e i baffi. Un istogramma aiuta a esplorare forma e asimmetria, ma il suo aspetto dipende dagli intervalli scelti.

Per due variabili quantitative, usa un diagramma di dispersione. Per un andamento nel tempo, una linea può aiutare a seguire l'ordine, ma non deve suggerire misurazioni che non sono mai state effettuate. Nei disegni appaiati, collegare le osservazioni della stessa unità rende visibile il suo percorso. In tutti i casi, la rappresentazione deve rispettare il modo in cui sono stati raccolti i dati.

I grafici tridimensionali hanno senso quando la terza dimensione aggiunge informazioni reali. Se servono soltanto a dare volume alle barre, introducono prospettiva e rendono più difficile confrontarne le altezze. Per più condizioni sperimentali, piccoli pannelli con scale coerenti possono funzionare meglio di un'unica figura sovraccarica.

Prima di scegliere uno strumento, pensa a due o tre figure che produci abitualmente. Esaminare le possibilità di SigmaPlot 14 per i grafici scientifici e l'analisi dei dati tenendo presenti questi esempi aiuta a valutarne l'utilità concreta: non è necessario usare tutte le opzioni per trarre vantaggio da un ambiente specializzato.

14. Assi, barre di errore e legende che non ingannano

Gli assi sono parte dell'argomentazione. In un grafico a barre, far partire l'asse verticale lontano dallo zero può esagerare le differenze, perché confrontiamo lunghezze. In un diagramma di dispersione, un intervallo ristretto può essere ragionevole per studiare piccole variazioni, purché la scala sia chiara e non nasconda informazioni rilevanti.

Una scala logaritmica aiuta quando i valori positivi coprono diversi ordini di grandezza o quando interessano variazioni moltiplicative. Deve essere identificata correttamente e, nella forma abituale, non ammette zero né valori negativi. Cambiare la scala visiva, inoltre, non equivale necessariamente a trasformare la variabile per l'analisi: registra separatamente le due decisioni.

Specifica sempre che cosa mostrano le barre di errore: SD, SEM, intervallo di confidenza o un'altra misura. Se inserisci un limite inferiore e uno superiore, verifica se la finestra di dialogo richiede limiti assoluti oppure distanze dal valore centrale. Confondere i due formati sposta le barre anche quando i numeri di partenza sono corretti.

Usa colori distinguibili e abbinali a simboli o stili di linea. Verifica che la figura sia comprensibile anche in scala di grigi. Una legenda utile identifica gruppi, numerosità campionaria e sintesi rappresentata; non deve ripetere l'intera sezione dei metodi. Elimina decimali inutili, sfondi decorativi e griglie che competono visivamente con le osservazioni.

15. Esportare e conservare un'analisi riproducibile

Pensa alla destinazione prima di esportare: una diapositiva, una relazione e una rivista possono richiedere dimensioni diverse. Quando la destinazione e l'installazione lo permettono, un formato vettoriale mantiene nitide linee ed etichette durante il ridimensionamento. Se ti serve un'immagine bitmap, imposta dimensioni sufficienti per il suo formato finale, non soltanto un valore di risoluzione.

Riapri il file esportato fuori dal programma. Controlla caratteri speciali, unità, apici, spessore delle linee ed eventuali elementi tagliati. Un'etichetta che sembra ben leggibile sullo schermo può diventare illeggibile quando la figura viene ridotta alla larghezza di una colonna. Verifica anche che la versione inviata corrisponda all'ultima revisione dei dati.

Per poter ripetere il lavoro, conserva i dati originali, la tabella preparata, il file modificabile, i report e la figura finale. Aggiungi un breve registro con versione e revisione del software, esclusioni giustificate, trasformazioni, test utilizzato e opzioni rilevanti. Per l'adattamento di curve, conserva anche l'equazione e le decisioni su parametri e ponderazione.

Una cartella ordinata non è burocrazia: permette di rispondere a una revisione senza ricostruire l'esperimento a memoria. Se un'altra persona riceve il progetto, dovrebbe poter identificare l'origine di ogni pannello e capire che cosa è cambiato tra due consegne. Riproducibilità significa conservare le decisioni, non soltanto generare di nuovo un'immagine simile.

16. Come scegliere la licenza con criterio

L'acquisto diventa più semplice quando sai che cosa devi produrre. Prepara un elenco breve: tipi di grafico abituali, test statistici necessari, scambio di file e computer su cui lavorerai. Se collabori con un laboratorio, verifica anche quale versione utilizza e di quale formato ha bisogno per esaminare i risultati.

L'offerta di Licendi identificata per questa guida è SigmaPlot 14: licenza permanente per un PC, lingua inglese, Windows a 64 bit e consegna digitale. La lingua conta per seguire menu e documentazione; il numero di computer conta per organizzare la postazione di lavoro. La compatibilità di un sistema specifico deve essere verificata rispetto ai requisiti della relativa versione.

«Permanente» descrive la durata della licenza offerta, non promette nuove versioni, compatibilità con qualsiasi sistema futuro o servizi illimitati. Se hai bisogno di condizioni particolari per l'installazione, il trasferimento o l'uso su più postazioni, chiariscile prima dell'acquisto, invece di dedurle dal nome del prodotto. In questo modo scegli in base a esigenze reali, senza confondere modalità di licenza diverse.

Puoi consultare la scheda di SigmaPlot 14 e le condizioni su Licendi per valutare questa configurazione. L'obiettivo finale non è accumulare funzioni: è avere un percorso chiaro tra dati, analisi e figura. Quando ogni punto, barra e conclusione ha una spiegazione, il programma diventa un aiuto concreto per comunicare meglio il tuo lavoro.

17. Fonti e documentazione per approfondire

Documentazione ufficiale consultata per le funzioni generali, la distinzione tra versioni e i fondamenti statistici:

• Grafiti: pagina dedicata a SigmaPlot 14.0 e aggiornamenti suddivisi per versione.
• Grafiti: funzioni per grafici e analisi e adattamento di curve e regressione.
• NIST: intervalli di confidenza per la media e confronto di due medie.
• NIST: ANOVA a un fattore, validazione mediante i residui e regressione non lineare.