SigmaPlot: análise estatística e gráficos científicos, guia 2026

Um gráfico científico tem de fazer mais do que ficar bem numa apresentação: deve permitir compreender o que foi medido, quanto variam os resultados e até onde pode ir a conclusão. Quando estes pormenores importam, trabalhar com uma ferramenta especializada ajuda a passar de uma tabela de números para uma figura que se consiga explicar e verificar.

O SigmaPlot reúne gráficos científicos, análise estatística e ajustamento de curvas no mesmo ambiente. O seu interesse está na ligação entre estas tarefas: explorar os dados, escolher uma análise coerente e representar o resultado sem perder de vista as observações originais. Este guia mostra como organizar esse percurso com exemplos numéricos hipotéticos e decisões práticas para trabalho de laboratório, engenharia, investigação e ensino.

O ano de 2026 corresponde ao guia; a licença aqui apresentada é a do SigmaPlot 14. Não são dois nomes para a mesma versão, nem se atribuem a esta licença as novidades introduzidas em edições posteriores.

1. O que acrescenta o SigmaPlot ao trabalho científico

A vantagem de um programa especializado torna-se evidente quando precisas de controlar pormenores que afetam a interpretação: um eixo logarítmico, barras de erro assimétricas, várias séries nas mesmas coordenadas ou uma curva ajustada junto das medições. Também é útil quando tens de manter um estilo legível em muitas figuras, sem reconstruir cada uma de raiz.

O SigmaPlot permite trabalhar com folhas de dados, gráficos e relatórios. A documentação descreve assistentes para criar gráficos e realizar análises, personalização de eixos e legendas, regressão e ajustamento de curvas. Estas possibilidades são úteis, por exemplo, para comparar materiais, estudar a resposta de uma amostra a diferentes concentrações ou mostrar como um sinal varia ao longo do tempo.

Não é necessário colocar o SigmaPlot em oposição a uma folha de cálculo. Podes organizar inicialmente os registos numa tabela e utilizar depois o ambiente científico para explorar os dados, construir modelos e preparar a figura final. O importante é manter uma relação clara entre os valores originais, quaisquer transformações aplicadas e o resultado que publicas.

Se é este o tipo de trabalho que realizas, a licença do SigmaPlot 14 na Licendi é a oferta concreta a consultar. A escolha faz mais sentido quando responde a uma necessidade de análise habitual do que quando se baseia apenas na quantidade de tipos de gráfico anunciados.

2. SigmaPlot 14 e um guia de utilização em 2026

Convém separar três aspetos: a versão do programa, a revisão instalada e a data de um guia. Um artigo atualizado pode explicar métodos válidos para uma versão anterior sem a transformar na edição mais recente. A Grafiti mantém uma página específica do SigmaPlot 14.0 e uma secção de atualizações que distingue as revisões das diferentes versões.

Para seguir um procedimento, consulta a ajuda correspondente à tua instalação. Um vídeo de outra edição pode ser útil para compreender uma ideia, mas os botões, a organização dos menus ou as funções acrescentadas podem não coincidir exatamente. Por isso, segue a sequência de trabalho e procura na ajuda da tua versão as opções equivalentes. Compreender que dados devem entrar em cada análise é mais útil do que memorizar a posição de um botão.

A oferta consultada descreve uma licença permanente para um PC, em inglês, para Windows de 64 bits e com entrega digital. Esta descrição não transforma a compra numa subscrição nem comprova, por si só, o direito a atualizações para versões futuras. A versão e o ambiente de trabalho devem ser verificados separadamente.

3. Preparar os dados antes de escolher um teste

Começa por escrever a pergunta numa frase: «A resistência média difere entre estes dois materiais?» é mais útil do que «quero fazer estatística». Depois, identifica a variável de resposta, as respetivas unidades, o fator que pretendes comparar e o que constitui uma unidade experimental independente. Esta definição determinará tanto a análise como a dimensão da amostra.

Uma estrutura prática utiliza uma linha por observação e colunas para identificador, grupo, resposta, data e qualquer condição relevante. Se houver medições repetidas, conserva o identificador da amostra. Ao importar dados do Excel ou de um ficheiro de texto, verifica o separador decimal, os cabeçalhos e se as colunas numéricas não foram interpretadas como texto.

Não substituas automaticamente os valores em falta por zero: zero pode ser um resultado válido e alteraria médias, dispersões e declives. Também não transformes um valor abaixo do limite de deteção numa medição exata sem justificar como o vais tratar. Guarda uma cópia dos dados originais e regista as correções efetuadas.

Quando encontrares um valor extremo, volta ao registo de origem. Pode tratar-se de um erro de transcrição, de um problema no instrumento ou de uma observação genuína. Corrigir um erro comprovado não é o mesmo que eliminar um dado inconveniente. Se existir uma razão válida para o excluir, documenta-a e avalia quanto muda a conclusão quando o incluis.

Uma última verificação evita muitos erros: conta quantas unidades independentes existem realmente. Medir três vezes o mesmo provete não equivale a ter três provetes. As repetições técnicas servem para estudar a precisão da medição, mas tratá-las como amostras independentes pode fazer com que a incerteza pareça menor do que é.

4. Do ficheiro de dados ao primeiro gráfico

Antes de iniciar um teste estatístico, prepara uma representação simples. O objetivo inicial é detetar valores inesperados, grupos mal identificados ou alterações de escala; ainda não precisas de uma figura pronta para publicação. No SigmaPlot, o percurso geral passa pela folha de dados, pela seleção das colunas e pelo assistente do tipo de gráfico escolhido.

1. Verifica a importação. Compara várias linhas com o ficheiro original, sobretudo os decimais, os sinais negativos e as observações em falta.
2. Atribui corretamente as variáveis. Numa relação entre concentração e resposta, a concentração fica em X e a resposta em Y.
3. Mostra primeiro as observações. Um diagrama de dispersão permite ver a estrutura que uma linha ou uma barra poderia ocultar.
4. Identifica as unidades e os grupos. «Tempo (min)» informa mais do que «Variável 1»; uma legenda breve evita explicações posteriores.
5. Guarda uma versão exploratória. Assim, poderás comparar o aspeto dos dados antes e depois da análise.

Se aparecerem pontos sobrepostos, um pequeno deslocamento horizontal pode ajudar nos grupos categóricos, desde que não altere o valor da resposta. Num gráfico com uma variável X quantitativa, pelo contrário, não desloques as coordenadas sem o explicar: poderias alterar visualmente a relação que estás a estudar.

Ao passar à análise, distingue as colunas com observações originais das colunas com médias já calculadas. Selecionar seis médias como se fossem seis medições individuais muda a unidade de análise. Conserva os resultados descritivos num local separado e verifica no relatório o número de observações utilizadas; esta contagem permite descobrir intervalos incompletos e células omitidas.

A primeira figura também serve para conversar com um colega: se não se percebe o que representa cada ponto, convém esclarecer essa questão antes de interpretar qualquer resultado numérico.

5. Um exemplo completo com dois grupos independentes

Imagina que comparas a resistência, em megapascal, de duas formulações. Dispões de seis provetes independentes por formulação e obténs os dados seguintes, inventados para praticar. Não são resultados de um ensaio real nem uma demonstração experimental de um produto.

As linhas não representam pares: o primeiro provete de A não está ligado ao primeiro de B. As médias são 10 e 12 MPa, respetivamente. A diferença B menos A é de 2 MPa, o que equivale a um aumento de 20 % em relação à média de A. Esta percentagem descreve estas médias; não significa que todos os provetes melhorem 20 %.

Para A, os desvios em relação à média são −2, −1, 0, 0, 1 e 2. Os seus quadrados somam 10. A variância amostral divide essa soma por cinco, não por seis: o resultado é 2 MPa². O desvio-padrão é a raiz de 2, aproximadamente 1,41 MPa. B tem exatamente a mesma dispersão.

Ao introduzir o exemplo, verifica primeiro se obténs estes valores. É uma forma simples de confirmar as colunas selecionadas e a utilização do desvio-padrão amostral. Depois, representa os doze pontos e acrescenta o resumo que responde à tua pergunta, sem esconder os dados atrás de duas barras opacas.

6. Desvio-padrão, SEM e intervalo de confiança

Estas três medidas não são intercambiáveis. O desvio-padrão, abreviado DP ou SD, descreve a dispersão das observações em torno da sua média. No exemplo, vale 1,41 MPa por grupo. É adequado quando pretendes mostrar quanto variam os provetes.

O erro-padrão da média, SEM, quantifica a incerteza da média estimada sob os pressupostos da amostragem. Calcula-se dividindo o SD pela raiz quadrada de n. Aqui, 1,414 dividido pela raiz de seis dá aproximadamente 0,577 MPa. O facto de ser inferior ao SD não significa que os provetes sejam mais uniformes.

Um intervalo de confiança de 95 % acrescenta uma margem em torno da estimativa. Para uma média com desvio-padrão populacional desconhecido e o modelo habitual de observações independentes com distribuição normal, utiliza-se a distribuição t. Com seis observações, o multiplicador é aproximadamente 2,571: a margem é de 1,484 MPa. Os intervalos são 8,52–11,48 MPa para A e 10,52–13,48 MPa para B.

Calcula com a precisão disponível e arredonda apenas ao apresentar os resultados. Se substituíres demasiado cedo 0,577 por 0,6, pequenas diferenças acumulam-se nos limites. Numa figura, duas casas decimais podem ser suficientes; no ficheiro de cálculo, conserva os valores sem esse arredondamento.

A interpretação dos 95 % refere-se ao procedimento: ao repetir a amostragem muitas vezes sob os mesmos pressupostos, cerca de 95 % dos intervalos construídos desta forma conteriam a média populacional. Não significa que 95 % dos provetes estejam dentro do intervalo.

7. Comparar as médias sem depender do aspeto do gráfico

Para dois grupos independentes com uma resposta quantitativa, a comparação de médias pode ser feita através de um teste t. A variante de Welch não exige assumir a igualdade das variâncias populacionais. A escolha deve corresponder ao desenho do estudo e aos pressupostos, não ao procedimento que produz o menor valor p.

No exemplo das formulações A e B, o erro-padrão da diferença é a raiz quadrada de 2/6 + 2/6: aproximadamente 0,816 MPa. Dividir a diferença de 2 MPa por esse valor produz uma estatística t de 2,449. A comparação bilateral de Welch tem aqui dez graus de liberdade e dá p ≈ 0,0343. O intervalo de confiança de 95 % para B menos A é aproximadamente 0,18–3,82 MPa.

Os intervalos individuais de A e B sobrepõem-se, mas o intervalo da diferença não inclui zero. Não há contradição: são intervalos para parâmetros diferentes. Por isso, não convém decidir se uma diferença é significativa apenas observando se as barras de duas médias se tocam.

Com amostras pequenas, analisa com especial cuidado as observações extremas e a plausibilidade do modelo. Um teste de normalidade que não deteta problemas não demonstra que a distribuição seja normal. No SigmaPlot, lê as verificações e o relatório completo, mas mantém o raciocínio sobre a forma como os dados foram obtidos: nenhum assistente consegue reconstruir um desenho experimental que não foi documentado.

8. Quando os dados são emparelhados

Se medires as mesmas amostras antes e depois de um tratamento, a pergunta muda. Agora interessa saber quanto muda cada amostra, não apenas comparar dois conjuntos como se fossem independentes. As observações estão emparelhadas porque existe uma correspondência real, estabelecida pelo desenho do estudo.

Organiza as colunas com um identificador e as duas medições. Calcula a alteração de cada unidade mantendo sempre o mesmo sentido, por exemplo depois menos antes. Um teste t emparelhado analisa a média dessas alterações; o pressuposto de normalidade refere-se às diferenças, e os vários pares devem ser independentes entre si.

Um gráfico com pontos ligados permite ver algo que as médias podem ocultar: algumas amostras melhoram muito, outras pouco e alguma pode piorar. Se faltar uma das duas medições, não emparelhes a observação restante com outra amostra para completar a linha. Documenta a ausência e o critério de análise.

Ter o mesmo número de dados em duas colunas não os torna emparelhados. Também não basta que ambos os grupos tenham sido medidos no mesmo dia. Pelo contrário, ignorar um emparelhamento verdadeiro pode desperdiçar informação. Se existirem mais momentos de medição, agrupamentos por centro ou várias observações por participante, o desenho exige uma estratégia que represente essa dependência.

9. Mais de dois grupos: ANOVA e comparações planeadas

Com três formulações, fazer um teste t para cada par parece uma extensão natural do exemplo, mas multiplica as oportunidades de obter resultados aparentemente significativos por acaso. Uma ANOVA de um fator começa por colocar uma pergunta global: se as médias populacionais dos grupos são iguais.

Um resultado global significativo não identifica, por si só, quais os grupos que diferem. Para responder a essa segunda pergunta, é necessário definir contrastes ou comparações múltiplas adequados. Se apenas interessa comparar cada formulação com um controlo, o objetivo não é o mesmo que comparar todos os pares. Convém tomar esta decisão antes de observar os resultados.

A ANOVA clássica inclui pressupostos sobre a independência, a distribuição dos erros e a homogeneidade das suas variâncias. Examinar os resíduos ajuda a avaliar a adequação do modelo. Quando os pressupostos não são apropriados, considera métodos para variâncias diferentes, transformações justificadas ou alternativas baseadas em postos, consoante a pergunta e as ferramentas disponíveis.

Os métodos não paramétricos também não são uma solução automática para qualquer conjunto de dados. Mantêm requisitos de desenho do estudo e nem sempre testam a mesma propriedade que uma comparação de médias. No relatório, identifica o parâmetro ou o aspeto da distribuição que estás a comparar; mudar de teste sem rever a interpretação pode responder a uma pergunta diferente da inicial.

10. O que significa um valor p e o que falta explicar

Um valor p resume até que ponto os dados são incompatíveis com uma hipótese nula e com o modelo utilizado: expressa a probabilidade, nessas condições, de obter uma estatística tão extrema ou mais extrema do que a observada. Não é a probabilidade de a hipótese nula ser verdadeira, nem uma medida direta da importância do efeito.

No exemplo, p ≈ 0,0343 acompanha uma diferença estimada de 2 MPa. Se uma melhoria inferior a 1 MPa não tiver utilidade técnica, o intervalo 0,18–3,82 MPa deixa essa questão em aberto: contém valores abaixo e acima do limiar de relevância prática. Existe evidência de uma diferença dentro do modelo, mas a sua magnitude continua a ser estimada com pouca precisão.

Pela mesma razão, um valor p superior a 0,05 não demonstra equivalência. Pode refletir uma diferença pequena, uma amostra insuficiente ou dados muito variáveis. Demonstrar equivalência exige definir uma margem relevante e um procedimento específico; não basta que uma comparação convencional não seja significativa.

Uma formulação informativa seria: «Neste exemplo hipotético, B superou A em 2 MPa; IC de 95 % da diferença: 0,18–3,82 MPa; teste t bilateral de Welch, p = 0,0343; seis provetes independentes por grupo». O leitor fica a conhecer a dimensão do efeito, a sua incerteza e o desenho do estudo, não apenas um asterisco.

11. Regressão: observar a curva e também os resíduos

Quando a pergunta é como varia uma resposta com uma variável quantitativa, a regressão é mais informativa do que dividir artificialmente essa variável em grupos. Começa por um diagrama de dispersão e por um modelo compatível com o fenómeno. Numa reta, o declive expressa a alteração esperada em Y por cada unidade adicional de X.

Considera outro exemplo construído para praticar: X toma os valores 0, 1, 2, 3, 4 e 5; Y vale 1,2; 2,8; 4,8; 7,2; 9 e 11. O ajustamento por mínimos quadrados ordinários é Y estimado = 1 + 2X. Os resíduos, observação menos previsão, são 0,2; −0,2; −0,2; 0,2; 0 e 0. O R² é aproximadamente 0,9977.

Este valor resume o ajustamento, mas não substitui o diagnóstico. Uma curvatura nos resíduos sugere uma forma funcional inadequada; um padrão em leque pode indicar variabilidade não constante; uma sequência temporal pode revelar dependência ou deriva. Seis pontos oferecem informação limitada: um desenho aparentemente limpo também não confirma todos os pressupostos.

Uma associação também não estabelece causalidade. Se a temperatura e a resposta aumentarem em conjunto, pode existir um mecanismo direto, uma terceira variável ou uma tendência temporal partilhada. A interpretação depende do desenho, dos controlos e do conhecimento do processo, não apenas do declive. A regressão descreve relações; uma experiência bem planeada permite investigar as suas causas.

Para perceber o problema, utiliza agora X = 0, 1, …, 10 e calcula Y = 2 + 3X + 0,6X². Uma reta obtém R² ≈ 0,9665, embora os resíduos desenhem um U claro: os dados foram construídos com uma relação quadrática. É um exemplo de por que motivo «R² elevado» não equivale a «modelo adequado».

12. Ajustamento não linear sem procurar a curva mais bonita

Uma resposta que se aproxima de um patamar, uma degradação exponencial ou uma relação dose-resposta podem exigir modelos não lineares. O SigmaPlot dispõe de ferramentas de ajustamento de curvas; a documentação da Grafiti explica tanto o assistente de regressão como a procura de valores iniciais através de ajustamento dinâmico.

O passo decisivo continua a ser escolher uma equação que faça sentido. Acrescentar parâmetros costuma facilitar a aproximação da curva aos pontos, mas pode produzir estimativas instáveis e previsões pouco fiáveis. Se não fizeste medições perto de um patamar, por exemplo, o valor assintótico pode ficar muito mal determinado, mesmo que a curva pareça convincente.

Regista a equação, as unidades dos parâmetros, os valores iniciais, as restrições e qualquer ponderação utilizada. Experimenta vários pontos de partida razoáveis quando o problema o exigir. A convergência numérica significa que o algoritmo chegou a uma solução segundo os seus critérios; não demonstra que seja a única nem que o modelo descreva corretamente o processo.

A ponderação merece uma decisão explícita. Se algumas observações tiverem maior variância do que outras, atribuir o mesmo peso a todas pode não ser apropriado. Os pesos devem refletir um modelo de incerteza defensável, não servir para aproximar a curva dos pontos preferidos. Explica de onde vêm e analisa os resíduos de forma coerente.

Distingue também interpolação de extrapolação. Estimar dentro do intervalo medido tem um suporte diferente de prolongar uma curva para concentrações ou tempos não observados. Se apresentares uma previsão, explica o seu domínio de validade. E não confundas o intervalo de confiança da resposta média com o intervalo de previsão de uma nova observação: este último incorpora variabilidade adicional.

13. Escolher o gráfico que responde à pergunta

Para comparar grupos pequenos, os pontos individuais são geralmente mais informativos do que uma barra com a média. Com mais observações, um diagrama de caixa e bigodes pode resumir a distribuição, desde que expliques o que representam a caixa e os bigodes. Um histograma ajuda a explorar a forma e a assimetria, embora o seu aspeto dependa dos intervalos escolhidos.

Para duas variáveis quantitativas, utiliza um diagrama de dispersão. Para uma evolução temporal, uma linha pode ajudar a seguir a ordem, mas não deve sugerir medições que nunca foram realizadas. Nos desenhos emparelhados, ligar as observações da mesma unidade torna visível a sua trajetória. Em todos os casos, a representação deve respeitar a forma como os dados foram recolhidos.

Os gráficos tridimensionais fazem sentido quando uma terceira dimensão acrescenta informação real. Se apenas servirem para dar volume a barras, introduzem perspetiva e dificultam a comparação das alturas. Para várias condições experimentais, pequenos painéis com escalas coerentes podem funcionar melhor do que uma única figura sobrecarregada.

Antes de escolheres uma ferramenta, pensa em duas ou três figuras que produzas habitualmente. Consultar as possibilidades do SigmaPlot 14 para gráficos científicos e análise de dados com esses exemplos em mente permite avaliar a sua utilidade concreta: não precisas de utilizar todas as opções para tirar partido de um ambiente especializado.

14. Eixos, barras de erro e legendas que não induzem em erro

Os eixos fazem parte do argumento. Num gráfico de barras, começar o eixo vertical longe de zero pode exagerar as diferenças, porque comparamos comprimentos. Num diagrama de dispersão, um intervalo mais restrito pode ser razoável para estudar pequenas variações, desde que a escala seja clara e não se esconda informação relevante.

Uma escala logarítmica ajuda quando os valores positivos abrangem várias ordens de grandeza ou quando interessam alterações multiplicativas. Deve ser identificada corretamente e, na sua forma habitual, não admite zero nem valores negativos. Alterar a escala visual também não equivale necessariamente a transformar a variável para a análise: regista as duas decisões separadamente.

Especifica sempre o que mostram as barras de erro: SD, SEM, intervalo de confiança ou outra medida. Se introduzires limites inferior e superior, verifica se a caixa de diálogo espera limites absolutos ou distâncias em relação ao valor central. Confundir os dois formatos desloca as barras, mesmo que os números de origem estejam corretos.

Utiliza cores distinguíveis e combina-as com símbolos ou estilos de linha. Confirma que a figura também se compreende em tons de cinzento. Uma legenda útil identifica os grupos, a dimensão da amostra e o resumo representado; não precisa de repetir toda a secção dos métodos. Retira casas decimais desnecessárias, fundos decorativos e grelhas que disputem a atenção com as observações.

15. Exportar e conservar uma análise reprodutível

Pensa no destino antes de exportar: um diapositivo, um relatório e uma revista podem exigir tamanhos diferentes. Sempre que o destino e a instalação o permitam, um formato vetorial mantém as linhas e as etiquetas nítidas ao redimensionar. Se precisares de uma imagem de mapa de bits, define dimensões suficientes para o seu tamanho final, não apenas um valor de resolução.

Volta a abrir o ficheiro exportado fora do programa. Verifica os caracteres especiais, as unidades, os expoentes, a espessura das linhas e possíveis cortes. Uma etiqueta que parece confortável no ecrã pode tornar-se ilegível ao reduzir a figura à largura de uma coluna. Confirma também que a versão enviada corresponde à última revisão dos dados.

Para poderes repetir o trabalho, conserva os dados originais, a tabela preparada, o ficheiro editável, os relatórios e a figura final. Acrescenta um registo breve com a versão e a revisão do software, as exclusões justificadas, as transformações, o teste utilizado e as opções relevantes. Nos ajustamentos, guarda ainda a equação e as decisões sobre os parâmetros e a ponderação.

Uma pasta organizada não é burocracia: permite responder a uma revisão sem reconstruir a experiência de memória. Se outra pessoa receber o projeto, deverá conseguir identificar de onde vem cada painel e o que mudou entre duas entregas. Reprodutibilidade significa conservar as decisões, não apenas voltar a gerar uma imagem parecida.

16. Como escolher a licença com critério

A compra torna-se mais simples quando sabes o que precisas de produzir. Faz uma lista curta: tipos de gráfico habituais, testes estatísticos necessários, troca de ficheiros e computador onde vais trabalhar. Se colaboras com um laboratório, verifica também que versão utiliza e de que formato precisa para analisar os resultados.

A oferta da Licendi identificada para este guia é o SigmaPlot 14: licença permanente para um PC, idioma inglês, Windows de 64 bits e entrega digital. O idioma importa para acompanhar menus e documentação; o número de computadores importa para planear o posto de trabalho. A compatibilidade de um sistema concreto deve ser confirmada com os requisitos correspondentes a essa versão.

«Permanente» descreve a duração da licença oferecida, não uma promessa de novas versões, de compatibilidade com qualquer sistema futuro ou de serviços ilimitados. Se precisas de condições particulares de instalação, transferência ou utilização em vários postos, esclarece-as antes de comprar, em vez de as deduzires do nome do produto. Assim, escolhes de acordo com necessidades reais, sem confundir modalidades diferentes.

Podes consultar a ficha do SigmaPlot 14 e as respetivas condições na Licendi para avaliar esta configuração. O objetivo final não é acumular funções: é dispor de um percurso claro entre dados, análise e figura. Quando cada ponto, barra e conclusão tem uma explicação, o programa torna-se uma ajuda prática para comunicar melhor o teu trabalho.

17. Fontes e documentação para aprofundar

Documentação oficial consultada para as funções gerais, a distinção entre versões e os fundamentos estatísticos:

• Grafiti: página específica do SigmaPlot 14.0 e atualizações por versão.
• Grafiti: funções de gráficos e análise e ajustamento de curvas e regressão.
• NIST: intervalos de confiança para a média e comparação de duas médias.
• NIST: ANOVA de um fator, validação através dos resíduos e regressão não linear.