Bienvenido a Navure
Potencia estadística y visualizaciones profesionales para transformar datos en resultados claros.
Descargar Navure
v5.0.0 · Windows 64-bit · 555 MB
Comprar
Ver planes y precios
Licencia estudiantil gratis
3.000+
Usuarios activos
25+
Países
30+
Años de tradición estadística
Nuevo en Navure
Paneles de gráficos compuestos
Reúne varios gráficos en un mismo panel — distribuciones empíricas, dispersión, histogramas y barras — y edítalos, reordénalos y combínalos en una sola vista lista para publicar.
Mira y aprende
Haz una visita guiada
Explora las características de Navure en nuestro video de visita guiada. Mira cómo las herramientas, la interfaz intuitiva y el intérprete R integrado te ayudan a analizar datos con precisión.
Suscríbete en YouTube →
Por qué Navure
Una plataforma de análisis de datos para problemas reales
Convertí información compleja en decisiones claras, sin herramientas fragmentadas ni código.
Analítica avanzada
Desde estadística descriptiva hasta modelos lineales y no lineales avanzados, todo en un entorno intuitivo y orientado a la productividad.
Machine learning supervisado
Construí modelos predictivos y de clasificación utilizando técnicas modernas de aprendizaje supervisado.
Machine learning no supervisado
Descubre estructuras, agrupamientos y relaciones ocultas en los datos mediante técnicas exploratorias avanzadas.
Ordenamiento y exploración multivariada
Representá datos complejos en espacios reducidos para facilitar la exploración, interpretación y detección de patrones.
Visualización de datos
Crea gráficos claros, personalizables e interactivos, listos para reportes, publicaciones y presentaciones.
Paneles de gráficos compuestos
Reúne varios gráficos en un mismo panel — distribuciones, dispersión, histogramas y más — y ordénalos, redimensiónalos y edítalos para armar disposiciones compuestas listas para publicar.
Preparación y auditoría de datos
Filtra, ordena, transforma y audita datos con herramientas para detectar inconsistencias, valores atípicos, datos faltantes, posibles errores de registro y visualizar patrones mediante formatos condicionales y mapas de calor.
Flujo de trabajo integrado
Desde la preparación de datos hasta los reportes finales, todo el proceso analítico ocurre en un único entorno coherente, interactivo y orientado a la productividad.
Asistente integrado
Accede a ayuda contextual y asistencia basada en IA directamente dentro del entorno de trabajo, facilitando el uso de procedimientos, gráficos y herramientas analíticas sin interrumpir el flujo de análisis.
Alto rendimiento
Procesamiento eficiente de grandes volúmenes de datos y cálculos complejos con velocidad y estabilidad.
Reportes detallados y editables
Cada análisis genera un reporte rico en información estadística que puedes configurar y editar al gusto: ajusta qué incluir, reordena secciones, modifica texto, tablas y gráficos hasta tener la presentación exacta del resultado.
Proyectos reproducibles
Guarda un análisis completo (datos, procedimientos, gráficos y reportes) en un solo archivo. Reábrelo meses después y retoma exactamente donde estabas, con los mismos resultados.
Manejo de licencias
Comparte dispositivos con tu equipo, asigna y revoca accesos, y desactiva PCs remotamente — todo desde Mi cuenta, sin pasar por soporte.
15 áreas · 103 procedimientos¿Qué puede analizar Navure?Busca un procedimiento o explora un área, sin salir de esta página.
Estadística para una muestra8 procedimientos
Comparación de dos muestras9 procedimientos
Comparación de varios grupos y asociación5 procedimientos
Bondad de ajuste3 procedimientos
Regresión y modelos lineales6 procedimientos
Modelos mixtos y avanzados8 procedimientos
Análisis multivariado11 procedimientos
Clasificación no supervisada4 procedimientos
Clasificación supervisada5 procedimientos
Supervivencia y diagnóstico2 procedimientos
Control estadístico de procesos6 procedimientos
Diseño de experimentos y mejoramiento5 procedimientos
Manejo y calidad de datos9 procedimientos
Gráficos y visualizaciones20 procedimientos
Herramientas didácticas2 procedimientos
Estadística para una muestra8
Estimar los parámetros de la distribución de una variable y poner a prueba hipótesis sobre ellos a partir de una sola muestra.Estadísticos descriptivos univariadosResumen estadístico de una o más variables numéricas: promedio, mediana, dispersión, mínimos y máximos, percentiles, asimetría y otros. Es el primer paso para conocer la forma y el comportamiento de los datos, con la opción de desglosar los resultados por grupos.
Intervalos de confianza para una muestraConstruye un intervalo que, bajo muestreo repetido, cubre el verdadero valor del parámetro (por ejemplo, la media poblacional) con la frecuencia indicada por el nivel de confianza elegido. Permite cuantificar la incertidumbre de una estimación.
Prueba t para una muestraContrasta si la media poblacional de una variable difiere de un valor de referencia. Útil, por ejemplo, para verificar si el contenido medio de un producto cumple con el valor especificado.
Prueba para una varianzaEvalúa si la variabilidad (dispersión) de una variable se aparta de un valor objetivo. Útil en control de calidad, donde no solo importa el promedio sino también la consistencia.
Prueba para una proporciónContrasta si la proporción de casos que cumplen una condición (por ejemplo, el porcentaje de unidades defectuosas o de clientes satisfechos) difiere de un valor esperado. Disponible tanto a partir de datos ya resumidos como contando directamente sobre los datos crudos.
Prueba de rachasEvalúa si el orden en que se registraron los valores es compatible con la aleatoriedad o si presenta patrones (tendencias o ciclos). Útil para detectar que un proceso no se comporta al azar.
Prueba de normalidad de Shapiro-WilkContrasta la hipótesis de que los datos provienen de una distribución normal (forma de campana). Conviene recordar que no rechazar la hipótesis no demuestra normalidad, y que en muchos métodos el supuesto recae sobre los errores del modelo, no sobre la variable observada.
Prueba de bondad de ajuste de Kolmogorov-SmirnovEvalúa si una variable se ajusta a una distribución teórica dada (normal, exponencial, Weibull, etc.).
Comparación de dos muestras9
Determinar si los parámetros poblacionales de dos grupos difieren de forma significativa.Prueba t para dos muestras independientesCompara el promedio de una variable entre dos grupos independientes para determinar si la diferencia observada refleja una diferencia a nivel poblacional o puede atribuirse al azar del proceso muestral. La app ofrece tanto la versión clásica (varianzas iguales) como la de Welch (varianzas distintas).
Prueba F para dos muestras independientesCompara la variabilidad (varianza) de dos grupos independientes; conviene recordar que es sensible a desvíos de la normalidad.
Prueba de Wilcoxon-Mann-WhitneyCompara dos grupos independientes sin asumir normalidad. Evalúa si una de las distribuciones tiende a producir valores mayores que la otra; bajo el supuesto de igual forma con desplazamiento, compara medianas. Es la alternativa no paramétrica a la prueba t.
Prueba de Kolmogorov-Smirnov para dos muestrasEvalúa si dos grupos provienen de la misma distribución, considerando toda la forma de los datos y no solo el promedio o la varianza.
Prueba exacta de FisherContrasta la asociación entre dos variables categóricas en una tabla 2×2 mediante un cálculo exacto, válido incluso con muestras pequeñas o frecuencias esperadas bajas, donde la aproximación ji-cuadrado no es fiable.
Prueba t para dos muestras pareadasCompara dos mediciones tomadas sobre las mismas unidades (por ejemplo, antes y después de un tratamiento) para determinar si la diferencia media difiere de cero.
Prueba de Wilcoxon para dos muestras pareadasVersión no paramétrica de la prueba pareada que no asume normalidad: evalúa si dos mediciones sobre las mismas unidades difieren, a partir de los rangos de las magnitudes de los cambios (bajo el supuesto de diferencias simétricas).
Prueba de los signosCompara dos mediciones pareadas usando solo el sentido del cambio (cuántas suben y cuántas bajan). Es la prueba más simple y la que menos supuestos exige cuando solo interesa la dirección del efecto.
Comparación de dos proporcionesCompara dos porcentajes observados —cada uno con su tamaño de muestra— para determinar si difieren de forma significativa. Útil para contrastar tasas de éxito, defectos o respuesta entre dos condiciones.
Comparación de varios grupos y asociación5
Comparar tres o más grupos a la vez y medir cómo se relacionan las variables entre sí.Prueba de Kruskal-WallisCompara tres o más grupos independientes sin asumir normalidad. Bajo el supuesto de distribuciones de igual forma que difieren solo en su posición, equivale a comparar medianas. Alternativa no paramétrica al análisis de la varianza.
Prueba de FriedmanCompara tres o más tratamientos evaluados sobre las mismas unidades o bloques (por ejemplo, varios jueces que prueban los mismos productos), sin asumir normalidad. Alternativa no paramétrica del análisis de la varianza para un diseño en bloques completos aleatorizados.
Análisis de correlaciónMide la fuerza y el sentido de la asociación lineal entre pares de variables numéricas y la presenta en una matriz fácil de interpretar. Responde a: cuando una variable sube o baja, ¿la otra tiende a hacerlo también, y con qué intensidad? Conviene recordar que una correlación cercana a cero no descarta una relación no lineal.
Análisis de correlación parcialMide la asociación lineal entre dos variables eliminando el efecto lineal de otras, para distinguir si su asociación se sostiene o se debe a un factor común. Ayuda a evitar conclusiones engañosas.
Prueba de MantelEvalúa si dos matrices de distancias están asociadas; por ejemplo, si la cercanía genética entre poblaciones se corresponde con su cercanía geográfica.
Bondad de ajusteDesde 5.0.03
Comprobar si las frecuencias observadas para una variable categórica o categorizada coinciden con las esperadas según un modelo o con frecuencias propuestas por el usuario.Bondad de ajuste para datos categóricosContrasta si la frecuencia observada de cada categoría coincide con la esperada (por ejemplo, proporciones genéticas teóricas, un reparto uniforme o frecuencias definidas por el usuario).
Bondad de ajuste para distribuciones discretasEvalúa si datos de conteo (número de eventos) siguen una distribución teórica como la de Poisson o la binomial.
Bondad de ajuste para distribuciones continuasEvalúa si una variable continua sigue una distribución conocida (normal, exponencial, Weibull, etc.).
Regresión y modelos lineales6
Explicar y predecir una variable a partir de otras, y cuantificar la contribución de cada factor o covariable.Análisis de la varianza (ANOVA)Compara los promedios de varios grupos o tratamientos a la vez para determinar qué factores producen diferencias significativas en el resultado. Es la herramienta central del análisis de experimentos.
Regresión linealEstima cómo se asocia un resultado numérico con una o más variables y entrega una ecuación de predicción. Permite cuantificar esas asociaciones y anticipar valores.
Regresión ridge (penalización L2)Variante de la regresión pensada para cuando hay muchas variables predictoras o están muy correlacionadas: introduce algo de sesgo para reducir la varianza de las estimaciones (compromiso sesgo-varianza), estabilizando el modelo y mitigando el sobreajuste.
Regresión LASSO (penalización L1)Regresión que además realiza selección de variables, llevando a cero los coeficientes de los predictores menos relevantes y produciendo un modelo más simple e interpretable.
Regresión por mínimos cuadrados parciales (PLS)Ideal cuando hay muchísimas variables correlacionadas y pocas observaciones (por ejemplo, datos de espectros): resume los predictores en unos pocos componentes y predice a partir de ellos.
Regresión por bosques aleatoriosModelo de aprendizaje automático que captura relaciones complejas y no lineales combinando muchos árboles de decisión. Suele predecir con buena precisión e indica qué variables son más influyentes.
Modelos mixtos y avanzados8
Modelos para datos con estructura jerárquica, medidas repetidas, respuestas no normales o relaciones no lineales.Modelos lineales mixtosAnalizan datos con estructura de agrupamiento o medidas repetidas (mismos sujetos medidos varias veces, parcelas dentro de campos, etc.), separando los efectos de interés de la variabilidad propia de cada grupo.
Modelos lineales mixtos generalizadosExtienden los modelos mixtos a respuestas que no son normales: conteos, proporciones, datos binarios (sí/no) o variables muy asimétricas. Desde la versión 5.0.0 incorporan modelos beta-binomiales y variantes con exceso de ceros (Poisson y binomial negativa), estructuras de covarianza espaciales, temporales y heterocedásticas mediante variables latentes, y diagnósticos basados en residuos simulados (paquete DHARMa).
Exploración y comparación de modelosPermite revisar en profundidad un modelo ya ajustado —estimaciones, comparaciones de medias, diagnósticos— o comparar varios modelos para quedarse con el que mejor equilibra ajuste y parsimonia.
Modelos no lineales y no lineales mixtosAjustan relaciones con forma curva conocida, como curvas de crecimiento o de dosis-respuesta. La implementación permite incluir factores de clasificación para que cada grupo tenga su propio comportamiento y, a la vez, incorpora métodos de selección de modelos para valorar la diferencia entre grupos y simplificarla si fuera posible.
Durante 2026Modelos multinomiales para conteosModelan cómo se reparten conteos entre varias categorías de respuesta en función de distintos factores. Útiles cuando el resultado tiene más de dos categorías.
Durante 2026Modelos multinomiales para respuestas categóricasModelan la probabilidad de que cada caso caiga en una de varias categorías (por ejemplo, preferencia entre tres o más opciones) en función de variables explicativas.
SuavizadoresTrazan una curva suave sobre una nube de puntos para revelar la tendencia subyacente sin imponer una forma fija. Ideal para explorar relaciones de manera visual.
ExperimentalAnálisis de variables latentesEstima conceptos que no se miden directamente (como «satisfacción» o «calidad percibida») a partir de varios indicadores observados y de las relaciones entre ellos (análisis factorial y ecuaciones estructurales).
Análisis multivariado11
Analizar muchas variables al mismo tiempo para descubrir estructura, patrones y relaciones.Análisis descriptivo multivariadoResume conjuntamente varias variables numéricas (promedios y relaciones entre ellas) por grupo, como punto de partida de cualquier análisis multivariado.
Análisis de componentes principales (ACP)Resume muchas variables correlacionadas en unos pocos ejes que concentran la información y los representa en un mapa que revela patrones, similitudes entre casos y relaciones entre variables.
Análisis Procrustes generalizadoCompara varias descripciones del mismo conjunto de individuos (por ejemplo, evaluaciones de distintos panelistas o instrumentos) llevándolas a una escala común y construyendo una visión de consenso.
Escalamiento multidimensional métricoConvierte una tabla de «qué tan parecidos o distintos son» los objetos en un mapa donde los elementos similares quedan cerca. Ideal para visualizar parecidos de forma intuitiva.
Biplot a partir de mínimos cuadrados parciales (PLS)Muestra en un mismo gráfico la relación entre un grupo de variables respuesta y un grupo de variables predictoras junto con las observaciones, revelando qué predictores impulsan qué respuestas.
Análisis de correspondenciasExplora y representa en un mapa las asociaciones entre categorías de variables cualitativas, situando juntas las categorías que tienden a aparecer asociadas (por ejemplo, perfiles de cliente y preferencias).
Tablas de contingenciaCruzan dos o más variables categóricas y evalúan si están asociadas, con medidas de fuerza de la relación y de riesgo. Muy usadas en el análisis de encuestas y datos cualitativos.
Desde 5.0.0Tabla resumen de doble entradaConstruye tablas cruzadas que resumen frecuencias o un indicador para cada combinación de categorías; el clásico reporte de «filas por columnas».
Cálculo de (di)similitudCalcula qué tan parecidos o diferentes son los elementos entre sí según múltiples criterios. Es el insumo de base para agrupamientos y mapas de similitud.
Análisis multivariado de la varianza (MANOVA)Extiende el ANOVA a varias variables respuesta evaluadas en conjunto, para detectar efectos que solo se aprecian cuando se consideran las variables de forma simultánea.
Comparación multivariada de grupos (DGC)Compara varios grupos considerando todas sus variables a la vez y los reúne en conjuntos homogéneos fáciles de leer mediante letras. Extiende a contexto multivariado la comparación de medias.
Clasificación no supervisada4
Descubrir grupos naturales en los datos, sin categorías predefinidas.Análisis de conglomerados jerárquicoAgrupa automáticamente los casos según su parecido y muestra la estructura como un árbol (dendrograma) que se puede cortar en el número de grupos deseado. Útil para segmentar clientes, productos o muestras. Estos métodos dependen del cálculo de una distancia entre los casos; Navure ofrece una interfaz amigable para la extensa colección de distancias (métricas, binarias, cualitativas y combinaciones) que permite elegir con gran flexibilidad la métrica apropiada.
Análisis de conglomerados k-mediasDivide los datos en un número de grupos definido buscando que cada grupo sea lo más homogéneo posible. Rápido y muy usado para segmentación.
Análisis de conglomerados difusoAgrupa permitiendo que un caso pertenezca parcialmente a varios grupos a la vez, lo que resulta natural cuando las fronteras entre segmentos no son nítidas.
Análisis de conglomerados basado en modelosEncuentra grupos asumiendo que los datos provienen de una mezcla de poblaciones, y determina automáticamente cuántos grupos hay y qué forma tienen, indicando además qué tan seguro es cada caso.
Clasificación supervisada5
Entrenar y utilizar clasificadores.Clasificador de vecinos más cercanosModelo que clasifica cada caso nuevo según los casos conocidos más parecidos a él. Simple, intuitivo y eficaz como punto de partida.
Clasificador por análisis discriminante linealConstruye reglas que separan categorías conocidas y permite clasificar nuevos casos, mostrando además gráficamente cómo se distinguen los grupos.
Clasificador de bosque aleatorioModelo de aprendizaje automático de alta precisión que clasifica combinando muchos árboles de decisión y, a la vez, indica qué variables pesan más en la decisión.
Aplicar un clasificador a una tablaToma un modelo de clasificación ya entrenado y lo aplica a un nuevo conjunto de datos para predecir la categoría de cada registro, sin necesidad de volver a entrenarlo.
Aplicar un clasificador a archivos de una carpetaAplica un modelo entrenado, en lote, a todos los archivos de una carpeta, generando para cada uno un archivo con las predicciones. Pensado para clasificar grandes volúmenes de forma automática.
Supervivencia y diagnóstico2
Analizar el tiempo hasta que ocurre un evento y evaluar la capacidad de una prueba para discriminar.Supervivencia de Kaplan-MeierEstima la probabilidad de que un evento aún no haya ocurrido a lo largo del tiempo (supervivencia, permanencia, tiempo hasta falla) y permite comparar grupos, aprovechando incluso los casos con seguimiento incompleto (censura). Habitual en estudios clínicos, de fidelización y de fiabilidad.
Sensibilidad y especificidadEvalúa qué tan bien una medición permite distinguir entre dos condiciones (por ejemplo, sano/enfermo) en todos los puntos de corte posibles, y resume su capacidad de discriminación con la curva ROC y el área bajo la curva. Clave para validar pruebas diagnósticas y modelos de detección.
Control estadístico de procesos6
Vigilar la estabilidad de un proceso a lo largo del tiempo y detectar cuándo se sale de control. Cada gráfico se prepara una vez con datos de referencia (calibración) y luego se aplica al monitoreo de datos nuevos.Gráfico de control pVigila el porcentaje de unidades defectuosas a lo largo del tiempo cuando el tamaño de las muestras varía, señalando cuándo el proceso se aparta de su comportamiento habitual.
Gráfico de control npVigila el número de unidades defectuosas por muestra cuando el tamaño de muestra es constante.
Gráfico de control uVigila el número medio de defectos por unidad cuando una misma unidad puede acumular varios defectos.
Gráfico de control X̄ (de la media)Vigila el promedio del proceso para detectar desplazamientos en su nivel (que el proceso se «corra» hacia arriba o hacia abajo).
Gráfico de control R (del rango)Vigila la variabilidad dentro de cada muestra mediante el rango; complementa al gráfico de la media para controlar la consistencia.
Gráfico de control S (de la desviación estándar)Vigila la variabilidad dentro de cada muestra mediante la desviación estándar; preferible cuando las muestras son grandes.
Diseño de experimentos y mejoramiento5
Planificar experimentos eficientes, calcular cuántos datos hacen falta y corregir efectos del terreno en ensayos de campo.Diseño alfa (α)Genera planes de campo para experimentos con muchos tratamientos repartidos en bloques pequeños, equilibrando el diseño para que las comparaciones sean justas y eficientes.
Diseño en bloques incompletos balanceados (BIB)Crea diseños en los que cada par de tratamientos aparece junto el mismo número de veces, ideal cuando no es posible probar todos los tratamientos en cada bloque.
Cuadrado latinoGenera diseños que controlan a la vez dos fuentes de variación (por ejemplo, filas y columnas de un campo), de modo que cada tratamiento aparezca una sola vez en cada fila y columna.
Determinación del tamaño de muestraCalcula cuántas observaciones se necesitan para estimar un valor con la precisión deseada o para detectar una diferencia relevante con suficiente potencia. Evita estudios sobredimensionados o sin poder.
Corrección de diseños con testigos a la parEn ensayos de campo (mejoramiento genético), corrige el rendimiento de cada material por el efecto de la fertilidad del terreno, usando testigos distribuidos para separar la calidad del genotipo de la del sitio.
Manejo y calidad de datos9
Preparar, transformar y auditar los datos antes de analizarlos.Remodelar de ancho a largoReorganiza la tabla apilando varias columnas en una sola, el formato que requieren muchos análisis y gráficos.
Remodelar de largo a anchoOperación inversa: despliega los datos en columnas, ideal para construir tablas resumen y reportes.
Imputar valores faltantesCompleta los datos faltantes estimándolos a partir del resto de la información, mediante varios métodos, para no perder registros en los análisis.
TransformacionesAplica transformaciones a las variables (logaritmo, raíz cuadrada, estandarización, rangos y muchas más) para cumplir supuestos, comparar escalas o resaltar patrones.
Categorizar variables numéricasConvierte una variable numérica en categorías (por ejemplo, rangos de edad o de ingreso) según intervalos iguales, percentiles o cortes definidos por el usuario.
Resumen de columnasCalcula, para cada fila, un resumen (suma, promedio, mínimo, máximo, etc.) a lo largo de varias columnas, y lo agrega como una nueva variable.
Obtener filas únicasGenera una tabla sin duplicados, conservando un registro por cada combinación distinta de las columnas elegidas.
Dividir columnasSepara el contenido de una columna de texto en varias columnas nuevas (por delimitadores, por tramos de números o letras, o por reglas personalizadas).
Informe de calidad de datosAudita el conjunto de datos y produce un informe que detecta filas vacías o duplicadas, columnas problemáticas, valores faltantes, inconsistencias en las categorías y valores extremos. Diagnóstico previo indispensable, sin modificar los datos.
Gráficos y visualizaciones20
Representar los datos visualmente para explorarlos y comunicarlos. Varios gráficos ofrecen variantes según el formato de los datos (por categorías o sobre un eje continuo, en formato ancho o largo).Tabla de frecuenciasCuenta cuántas veces aparece cada valor o intervalo y lo presenta como tabla y gráfico de barras. El resumen básico de cualquier variable.
Gráfico de dispersiónRepresenta cada caso como un punto según dos variables, para revelar la relación, la tendencia o los agrupamientos entre ellas.
Dispersión múltipleSuperpone varias series de puntos en un mismo gráfico para comparar varias variables frente a un eje común.
Gráfico de barrasCompara magnitudes entre categorías mediante barras. El gráfico más directo para comparar grupos.
Gráfico de puntosAlternativa al gráfico de barras que marca cada valor con un punto; más limpio cuando hay muchas categorías.
Gráfico de áreaResalta la evolución o el volumen acumulado uniendo los valores con una superficie rellena.
Barras, puntos y área (sobre eje continuo)Variantes de los gráficos anteriores que sitúan los valores según su posición real en un eje numérico o de fechas, en lugar de por categorías.
Gráfico de sectores (torta)Muestra la composición de un total repartido en porciones. Disponible para datos ya resumidos o contando categorías directamente.
Barras apiladasMuestran, dentro de cada barra, la contribución de cada componente al total. Disponibles en variantes según el formato de los datos y según se cuenten frecuencias o se sumen magnitudes.
HistogramaMuestra cómo se distribuyen los valores de una variable agrupándolos en intervalos. Revela la forma de los datos: simetría, sesgo y valores atípicos.
Diagrama de cajasResume y compara la distribución de una variable entre grupos mediante sus cuartiles, destacando la mediana, la dispersión y los valores atípicos.
Diagrama de violinesCombina el diagrama de cajas con la forma de la distribución, mostrando a la vez posición, dispersión y si los datos tienen una o varias modas.
Densidad empíricaDibuja una curva suave que muestra la forma de la distribución de los datos; la versión continua del histograma.
Distribución empíricaRepresenta qué proporción de los datos queda por debajo de cada valor, permitiendo leer percentiles directamente y comparar grupos.
Gráfico Q-Q (normal)Compara visualmente los datos con una distribución normal: si los puntos siguen la línea de referencia, los datos se aproximan a la normalidad.
Gráfico de superficie / contornoRepresenta una superficie o una densidad en dos dimensiones mediante curvas de nivel, mostrando dónde se concentran los valores.
Matriz de dispersiónMuestra de un vistazo todos los gráficos de dispersión por pares de un conjunto de variables, ideal para explorar relaciones múltiples.
Gráfico de perfilesTraza una línea por caso o grupo a lo largo de varias variables, mostrando su patrón característico.
Gráfico de perfiles estandarizadosIgual que el anterior, pero llevando todas las variables a una escala común para que sean directamente comparables aunque tengan unidades distintas.
Gráfico de fórmulaDibuja una o varias funciones matemáticas definidas por el usuario sobre un intervalo, sin necesidad de datos. Útil para ilustrar modelos o relaciones teóricas.
Herramientas didácticas2
Recursos pensados para enseñar y comprender conceptos estadísticos.Distribuciones muestralesSimula la toma repetida de muestras de una población para mostrar, de forma visual e intuitiva, cómo se comporta un estadístico (como el promedio) y cómo influye el tamaño de muestra. Una herramienta ideal para la docencia.
Diagrama de densidad (teórica)Superpone sobre los datos curvas de distribuciones teóricas para evaluar visualmente cuál describe mejor la variable.
No se encontraron procedimientos para tu búsqueda.
Cuidado al detalle
Diseño hermoso, sin distracciones
Una interfaz visualmente agradable, navegación intuitiva y un layout optimizado tanto para usuarios profesionales como ocasionales. Incluye modo oscuro para usar cómodamente a cualquier hora.
Prueba Navure hoy
Edición Estudiantil gratuita.Ediciones completas para uso profesional e institucional.