Bem-vindo ao Navure
Potência estatística e visualizações profissionais para transformar dados em resultados claros.
3.000+
Usuários ativos
25+
Países
30+
Anos de tradição estatística
Novo no Navure
Painéis de gráficos compostos
Reúna vários gráficos em um mesmo painel — distribuições empíricas, dispersão, histogramas e barras — e edite, reorganize e combine tudo em uma única visualização pronta para publicar.
Veja e aprenda
Faça um tour guiado
Explore os recursos do Navure no nosso vídeo de tour guiado. Veja como as ferramentas, a interface intuitiva e o interpretador R integrado ajudam você a analisar dados com precisão.
Inscreva-se no YouTube →
Por que o Navure
Uma plataforma de análise de dados para problemas reais
Transforme informações complexas em decisões claras, sem ferramentas fragmentadas nem código.
Análise avançada
Da estatística descritiva a modelos lineares e não lineares avançados, tudo em um ambiente intuitivo e voltado à produtividade.
Aprendizado de máquina supervisionado
Construa modelos preditivos e de classificação usando técnicas modernas de aprendizado supervisionado.
Aprendizado de máquina não supervisionado
Descubra estruturas, agrupamentos e relações ocultas nos dados por meio de técnicas exploratórias avançadas.
Ordenação e exploração multivariada
Represente dados complexos em espaços reduzidos para facilitar a exploração, interpretação e detecção de padrões.
Visualização de dados
Crie gráficos claros, personalizáveis e interativos, prontos para relatórios, publicações e apresentações.
Painéis de gráficos compostos
Reúna vários gráficos em um mesmo painel — distribuições, dispersão, histogramas e mais — e organize, redimensione e edite cada um para montar layouts compostos prontos para publicar.
Preparação e auditoria de dados
Filtre, ordene, transforme e audite dados com ferramentas para detectar inconsistências, valores atípicos, dados ausentes, possíveis erros de registro e visualizar padrões por meio de formatação condicional e mapas de calor.
Fluxo de trabalho integrado
Da preparação dos dados aos relatórios finais, todo o processo analítico acontece em um único ambiente coerente, interativo e voltado à produtividade.
Assistente de IA integrado
Acesse ajuda contextual e assistência baseada em IA diretamente na área de trabalho, facilitando o uso de procedimentos, gráficos e ferramentas analíticas sem interromper o fluxo de análise.
Alto desempenho
Processamento eficiente de grandes volumes de dados e cálculos complexos com velocidade e estabilidade.
Relatórios detalhados e editáveis
Cada análise gera um relatório rico em informação estatística que você pode configurar e editar como quiser: ajuste o que incluir, reordene seções, modifique texto, tabelas e gráficos até ter a apresentação exata do resultado.
Projetos reproduzíveis
Salve uma análise completa (dados, procedimentos, gráficos e relatórios) em um único arquivo. Reabra meses depois e retome exatamente de onde parou, com os mesmos resultados.
Gerenciamento de licenças
Compartilhe dispositivos com sua equipe, atribua e revogue acessos e desative PCs remotamente — tudo pela Minha conta, sem precisar de suporte.
15 áreas · 103 procedimentosO que o Navure pode analisar?Pesquise um procedimento ou toque em uma área para explorá-la — aqui mesmo nesta página.
Estatística para uma amostra8 procedimentos
Comparação de duas amostras9 procedimentos
Comparação de vários grupos e associação5 procedimentos
Qualidade do ajuste3 procedimentos
Regressão e modelos lineares6 procedimentos
Modelos mistos e avançados8 procedimentos
Análise multivariada11 procedimentos
Classificação não supervisionada4 procedimentos
Classificação supervisionada5 procedimentos
Sobrevivência e diagnóstico2 procedimentos
Controle estatístico de processos6 procedimentos
Delineamento de experimentos e melhoramento5 procedimentos
Manipulação e qualidade de dados9 procedimentos
Gráficos e visualizações20 procedimentos
Ferramentas didáticas2 procedimentos
Estatística para uma amostra8
Estimar os parâmetros da distribuição de uma variável e testar hipóteses sobre eles a partir de uma única amostra.Estatísticas descritivas univariadasResumo estatístico de uma ou mais variáveis numéricas: média, mediana, dispersão, mínimos e máximos, percentis, assimetria e outros. É o primeiro passo para conhecer a forma e o comportamento dos dados, com a opção de desdobrar os resultados por grupos.
Intervalos de confiança para uma amostraConstrói um intervalo que, sob amostragem repetida, cobre o verdadeiro valor do parâmetro (por exemplo, a média populacional) com a frequência indicada pelo nível de confiança escolhido. Permite quantificar a incerteza de uma estimativa.
Teste t para uma amostraAvalia se a média populacional de uma variável difere de um valor de referência. Útil, por exemplo, para verificar se o conteúdo médio de um produto atende ao valor especificado.
Teste para uma variânciaAvalia se a variabilidade (dispersão) de uma variável se afasta de um valor-alvo. Útil no controle de qualidade, onde não importa apenas a média, mas também a consistência.
Teste para uma proporçãoVerifica se a proporção de casos que atendem a uma condição (por exemplo, a porcentagem de unidades defeituosas ou de clientes satisfeitos) difere de um valor esperado. Disponível tanto a partir de dados já resumidos quanto contando diretamente sobre os dados brutos.
Teste de sequênciasAvalia se a ordem em que os valores foram registrados é compatível com a aleatoriedade ou se apresenta padrões (tendências ou ciclos). Útil para detectar que um processo não se comporta de forma aleatória.
Teste de normalidade de Shapiro-WilkTesta a hipótese de que os dados provêm de uma distribuição normal (em forma de sino). Convém lembrar que não rejeitar a hipótese não comprova normalidade e que, em muitos métodos, o pressuposto recai sobre os erros do modelo, não sobre a variável observada.
Teste de aderência de Kolmogorov-SmirnovAvalia se uma variável se ajusta a uma distribuição teórica dada (normal, exponencial, Weibull, etc.).
Comparação de duas amostras9
Determinar se os parâmetros populacionais de dois grupos diferem de forma significativa.Teste t para duas amostras independentesCompara a média de uma variável entre dois grupos independentes para determinar se a diferença observada reflete uma diferença em nível populacional ou pode ser atribuída ao acaso do processo amostral. O aplicativo oferece tanto a versão clássica (variâncias iguais) quanto a de Welch (variâncias diferentes).
Teste F para duas amostras independentesCompara a variabilidade (variância) de dois grupos independentes; convém lembrar que é sensível a desvios da normalidade.
Teste de Wilcoxon-Mann-WhitneyCompara dois grupos independentes sem supor normalidade. Avalia se uma das distribuições tende a produzir valores maiores que a outra; sob o pressuposto de mesma forma com deslocamento, compara medianas. É a alternativa não paramétrica ao teste t.
Teste de Kolmogorov-Smirnov para duas amostrasAvalia se dois grupos provêm da mesma distribuição, considerando toda a forma dos dados e não apenas a média ou a variância.
Teste exato de FisherTesta a associação entre duas variáveis categóricas em uma tabela 2×2 por meio de um cálculo exato, válido mesmo com amostras pequenas ou frequências esperadas baixas, onde a aproximação qui-quadrado não é confiável.
Teste t para duas amostras pareadasCompara duas medições feitas nas mesmas unidades (por exemplo, antes e depois de um tratamento) para determinar se a diferença média difere de zero.
Teste de Wilcoxon para duas amostras pareadasVersão não paramétrica do teste pareado que não supõe normalidade: avalia se duas medições nas mesmas unidades diferem, a partir dos postos das magnitudes das mudanças (sob o pressuposto de diferenças simétricas).
Teste dos sinaisCompara duas medições pareadas usando apenas o sentido da mudança (quantas sobem e quantas descem). É o teste mais simples e o que menos pressupostos exige quando só interessa a direção do efeito.
Comparação de duas proporçõesCompara duas porcentagens observadas —cada uma com seu tamanho de amostra— para determinar se diferem de forma significativa. Útil para contrastar taxas de sucesso, defeitos ou resposta entre duas condições.
Comparação de vários grupos e associação5
Comparar três ou mais grupos ao mesmo tempo e medir como as variáveis se relacionam entre si.Teste de Kruskal-WallisCompara três ou mais grupos independentes sem supor normalidade. Sob a suposição de distribuições de mesma forma que diferem apenas em sua posição, equivale a comparar medianas. Alternativa não paramétrica à análise de variância.
Teste de FriedmanCompara três ou mais tratamentos avaliados nas mesmas unidades ou blocos (por exemplo, vários juízes que provam os mesmos produtos), sem supor normalidade. Alternativa não paramétrica da análise de variância para um delineamento em blocos completos casualizados.
Análise de correlaçãoMede a força e o sentido da associação linear entre pares de variáveis numéricas e a apresenta em uma matriz fácil de interpretar. Responde à pergunta: quando uma variável sobe ou desce, a outra tende a fazer o mesmo, e com que intensidade? Convém lembrar que uma correlação próxima de zero não descarta uma relação não linear.
Análise de correlação parcialMede a associação linear entre duas variáveis eliminando o efeito linear de outras, para distinguir se sua associação se sustenta ou se deve a um fator comum. Ajuda a evitar conclusões enganosas.
Teste de MantelAvalia se duas matrizes de distâncias estão associadas; por exemplo, se a proximidade genética entre populações corresponde à sua proximidade geográfica.
Qualidade do ajusteA partir de 5.0.03
Verificar se as frequências observadas para uma variável categórica ou categorizada coincidem com as esperadas segundo um modelo ou com frequências propostas pelo usuário.Aderência para dados categóricosTesta se a frequência observada de cada categoria coincide com a esperada (por exemplo, proporções genéticas teóricas, uma distribuição uniforme ou frequências definidas pelo usuário).
Aderência para distribuições discretasAvalia se dados de contagem (número de eventos) seguem uma distribuição teórica como a de Poisson ou a binomial.
Aderência para distribuições contínuasAvalia se uma variável contínua segue uma distribuição conhecida (normal, exponencial, Weibull, etc.).
Regressão e modelos lineares6
Explicar e prever uma variável a partir de outras e quantificar a contribuição de cada fator ou covariável.Análise de variância (ANOVA)Compara as médias de vários grupos ou tratamentos ao mesmo tempo para determinar quais fatores produzem diferenças significativas no resultado. É a ferramenta central da análise de experimentos.
Regressão linearEstima como um resultado numérico se associa a uma ou mais variáveis e fornece uma equação de predição. Permite quantificar essas associações e antecipar valores.
Regressão ridge (penalização L2)Variante da regressão pensada para quando há muitas variáveis preditoras ou elas estão muito correlacionadas: introduz um pouco de viés para reduzir a variância das estimativas (compromisso viés-variância), estabilizando o modelo e mitigando o sobreajuste.
Regressão LASSO (penalização L1)Regressão que, além disso, realiza seleção de variáveis, levando a zero os coeficientes dos preditores menos relevantes e produzindo um modelo mais simples e interpretável.
Regressão por mínimos quadrados parciais (PLS)Ideal quando há muitíssimas variáveis correlacionadas e poucas observações (por exemplo, dados de espectros): resume os preditores em poucos componentes e faz a predição a partir deles.
Regressão por florestas aleatóriasModelo de aprendizado de máquina que captura relações complexas e não lineares combinando muitas árvores de decisão. Costuma prever com boa precisão e indica quais variáveis são mais influentes.
Modelos mistos e avançados8
Modelos para dados com estrutura hierárquica, medidas repetidas, respostas não normais ou relações não lineares.Modelos lineares mistosAnalisam dados com estrutura de agrupamento ou medidas repetidas (os mesmos sujeitos medidos várias vezes, parcelas dentro de campos, etc.), separando os efeitos de interesse da variabilidade própria de cada grupo.
Modelos lineares mistos generalizadosEstendem os modelos mistos a respostas que não são normais: contagens, proporções, dados binários (sim/não) ou variáveis muito assimétricas. Desde a versão 5.0.0 incorporam modelos beta-binomiais e variantes com excesso de zeros (Poisson e binomial negativa), estruturas de covariância espaciais, temporais e heterocedásticas mediante variáveis latentes, e diagnósticos baseados em resíduos simulados (pacote DHARMa).
Exploração e comparação de modelosPermite revisar em profundidade um modelo já ajustado —estimativas, comparações de médias, diagnósticos— ou comparar vários modelos para ficar com aquele que melhor equilibra ajuste e parcimônia.
Modelos não lineares e não lineares mistosAjustam relações com forma curva conhecida, como curvas de crescimento ou de dose-resposta. A implementação permite incluir fatores de classificação para que cada grupo tenha seu próprio comportamento e, ao mesmo tempo, incorpora métodos de seleção de modelos para avaliar a diferença entre grupos e simplificá-la se for possível.
Durante 2026Modelos multinomiais para contagensModelam como as contagens se distribuem entre várias categorias de resposta em função de diferentes fatores. Úteis quando o resultado tem mais de duas categorias.
Durante 2026Modelos multinomiais para respostas categóricasModelam a probabilidade de que cada caso caia em uma de várias categorias (por exemplo, preferência entre três ou mais opções) em função de variáveis explicativas.
SuavizadoresTraçam uma curva suave sobre uma nuvem de pontos para revelar a tendência subjacente sem impor uma forma fixa. Ideal para explorar relações de forma visual.
ExperimentalAnálise de variáveis latentesEstima conceitos que não são medidos diretamente (como “satisfação” ou “qualidade percebida”) a partir de vários indicadores observados e das relações entre eles (análise fatorial e equações estruturais).
Análise multivariada11
Analisar muitas variáveis ao mesmo tempo para descobrir estrutura, padrões e relações.Análise descritiva multivariadaResume conjuntamente várias variáveis numéricas (médias e relações entre elas) por grupo, como ponto de partida de qualquer análise multivariada.
Análise de componentes principais (ACP)Resume muitas variáveis correlacionadas em poucos eixos que concentram a informação e os representa em um mapa que revela padrões, similaridades entre casos e relações entre variáveis.
Análise Procrustes generalizadaCompara várias descrições do mesmo conjunto de indivíduos (por exemplo, avaliações de diferentes painelistas ou instrumentos) trazendo-as a uma escala comum e construindo uma visão de consenso.
Escalonamento multidimensional métricoConverte uma tabela de “quão parecidos ou diferentes são” os objetos em um mapa onde os elementos similares ficam próximos. Ideal para visualizar semelhanças de forma intuitiva.
Biplot a partir de mínimos quadrados parciais (PLS)Mostra em um mesmo gráfico a relação entre um grupo de variáveis resposta e um grupo de variáveis preditoras junto com as observações, revelando quais preditores impulsionam quais respostas.
Análise de correspondênciasExplora e representa em um mapa as associações entre categorias de variáveis qualitativas, situando juntas as categorias que tendem a aparecer associadas (por exemplo, perfis de cliente e preferências).
Tabelas de contingênciaCruzam duas ou mais variáveis categóricas e avaliam se estão associadas, com medidas de força da relação e de risco. Muito usadas na análise de pesquisas e dados qualitativos.
A partir de 5.0.0Tabela resumo de dupla entradaConstrói tabelas cruzadas que resumem frequências ou um indicador para cada combinação de categorias; o clássico relatório de “linhas por colunas”.
Cálculo de (dis)similaridadeCalcula quão parecidos ou diferentes são os elementos entre si segundo múltiplos critérios. É o insumo básico para agrupamentos e mapas de similaridade.
Análise multivariada da variância (MANOVA)Estende a ANOVA a várias variáveis resposta avaliadas em conjunto, para detectar efeitos que só se percebem quando as variáveis são consideradas de forma simultânea.
Comparação multivariada de grupos (DGC)Compara vários grupos considerando todas as suas variáveis ao mesmo tempo e os reúne em conjuntos homogêneos fáceis de ler mediante letras. Estende ao contexto multivariado a comparação de médias.
Classificação não supervisionada4
Descobrir grupos naturais nos dados, sem categorias predefinidas.Análise de agrupamento hierárquicoAgrupa automaticamente os casos de acordo com sua semelhança e mostra a estrutura como uma árvore (dendrograma) que pode ser cortada no número de grupos desejado. Útil para segmentar clientes, produtos ou amostras. Esses métodos dependem do cálculo de uma distância entre os casos; o Navure oferece uma interface amigável para a extensa coleção de distâncias (métricas, binárias, qualitativas e combinações) que permite escolher com grande flexibilidade a métrica apropriada.
Análise de agrupamento por k-médiasDivide os dados em um número definido de grupos, buscando tornar cada grupo o mais homogêneo possível. Rápido e muito usado para segmentação.
Análise de agrupamento difusoAgrupa permitindo que um caso pertença parcialmente a vários grupos ao mesmo tempo, o que é natural quando as fronteiras entre os segmentos não são nítidas.
Análise de agrupamento baseada em modelosEncontra grupos assumindo que os dados provêm de uma mistura de populações e determina automaticamente quantos grupos existem e que forma têm, indicando também o grau de confiança de cada atribuição.
Classificação supervisionada5
Treinar e utilizar classificadores.Classificador de vizinhos mais próximosModelo que classifica cada novo caso de acordo com os casos conhecidos mais parecidos com ele. Simples, intuitivo e eficaz como ponto de partida.
Classificador por análise discriminante linearConstrói regras que separam categorias conhecidas e permite classificar novos casos, mostrando ainda graficamente como os grupos se distinguem.
Classificador de floresta aleatóriaModelo de aprendizado de máquina de alta precisão que classifica combinando muitas árvores de decisão e, ao mesmo tempo, indica quais variáveis pesam mais na decisão.
Aplicar um classificador a uma tabelaUsa um modelo de classificação já treinado e o aplica a um novo conjunto de dados para prever a categoria de cada registro, sem necessidade de treiná-lo novamente.
Aplicar um classificador a arquivos de uma pastaAplica um modelo treinado, em lote, a todos os arquivos de uma pasta, gerando, para cada um, um arquivo com as previsões. Pensado para classificar grandes volumes de forma automática.
Sobrevivência e diagnóstico2
Analisar o tempo até que um evento ocorra e avaliar a capacidade de um teste para discriminar.Sobrevivência de Kaplan-MeierEstima a probabilidade de que um evento ainda não tenha ocorrido ao longo do tempo (sobrevivência, permanência, tempo até a falha) e permite comparar grupos, aproveitando inclusive os casos com acompanhamento incompleto (censura). Comum em estudos clínicos, de fidelização e de confiabilidade.
Sensibilidade e especificidadeAvalia quão bem uma medição permite distinguir entre duas condições (por exemplo, saudável/doente) em todos os pontos de corte possíveis, e resume sua capacidade de discriminação com a curva ROC e a área sob a curva. Fundamental para validar testes diagnósticos e modelos de detecção.
Controle estatístico de processos6
Monitorar a estabilidade de um processo ao longo do tempo e detectar quando ele sai de controle. Cada gráfico é preparado uma vez com dados de referência (calibração) e depois aplicado ao monitoramento de novos dados.Gráfico de controle pMonitora o percentual de unidades defeituosas ao longo do tempo quando o tamanho das amostras varia, sinalizando quando o processo se afasta de seu comportamento habitual.
Gráfico de controle npMonitora o número de unidades defeituosas por amostra quando o tamanho da amostra é constante.
Gráfico de controle uMonitora o número médio de defeitos por unidade quando uma mesma unidade pode acumular vários defeitos.
Gráfico de controle X̄ (da média)Monitora a média do processo para detectar deslocamentos em seu nível (o processo «derivando» para cima ou para baixo).
Gráfico de controle R (da amplitude)Monitora a variabilidade dentro de cada amostra por meio da amplitude; complementa o gráfico da média para controlar a consistência.
Gráfico de controle S (do desvio padrão)Monitora a variabilidade dentro de cada amostra por meio do desvio padrão; preferível quando as amostras são grandes.
Delineamento de experimentos e melhoramento5
Planejar experimentos eficientes, calcular quantos dados são necessários e corrigir efeitos do terreno em ensaios de campo.Delineamento alfa (α)Gera planos de campo para experimentos com muitos tratamentos distribuídos em blocos pequenos, equilibrando o delineamento para que as comparações sejam justas e eficientes.
Delineamento em blocos incompletos balanceados (BIB)Cria delineamentos nos quais cada par de tratamentos aparece junto o mesmo número de vezes, ideal quando não é possível testar todos os tratamentos em cada bloco.
Quadrado latinoGera delineamentos que controlam ao mesmo tempo duas fontes de variação (por exemplo, linhas e colunas de um campo), de modo que cada tratamento apareça uma única vez em cada linha e coluna.
Determinação do tamanho da amostraCalcula quantas observações são necessárias para estimar um valor com a precisão desejada ou para detectar uma diferença relevante com poder suficiente. Evita estudos superdimensionados ou sem poder.
Correção de delineamentos com testemunhas intercaladasEm ensaios de campo (melhoramento genético), corrige o rendimento de cada material pelo efeito da fertilidade do solo, usando testemunhas distribuídas para separar a qualidade do genótipo da do local.
Manipulação e qualidade de dados9
Preparar, transformar e auditar os dados antes de analisá-los.Remodelar de largo para longoReorganiza a tabela empilhando várias colunas em uma só, o formato exigido por muitas análises e gráficos.
Remodelar de longo para largoOperação inversa: distribui os dados em colunas, ideal para construir tabelas resumo e relatórios.
Imputar dados ausentesCompleta os dados ausentes estimando-os a partir do restante da informação, por meio de vários métodos, para não perder registros nas análises.
TransformaçõesAplica transformações às variáveis (logaritmo, raiz quadrada, padronização, postos e muitas outras) para atender a pressupostos, comparar escalas ou destacar padrões.
Categorizar variáveis numéricasConverte uma variável numérica em categorias (por exemplo, faixas de idade ou de renda) segundo intervalos iguais, percentis ou pontos de corte definidos pelo usuário.
Resumo de colunasCalcula, para cada linha, um resumo (soma, média, mínimo, máximo, etc.) ao longo de várias colunas e o adiciona como uma nova variável.
Obter linhas únicasGera uma tabela sem duplicatas, mantendo um registro para cada combinação distinta das colunas escolhidas.
Dividir colunasSepara o conteúdo de uma coluna de texto em várias colunas novas (por delimitadores, por trechos de números ou letras, ou por regras personalizadas).
Relatório de qualidade de dadosAudita o conjunto de dados e produz um relatório que detecta linhas vazias ou duplicadas, colunas problemáticas, valores ausentes, inconsistências nas categorias e valores extremos. Diagnóstico prévio indispensável, sem modificar os dados.
Gráficos e visualizações20
Representar os dados visualmente para explorá-los e comunicá-los. Vários gráficos oferecem variantes conforme o formato dos dados (por categorias ou sobre um eixo contínuo, em formato largo ou longo).Tabela de frequênciasConta quantas vezes cada valor ou intervalo aparece e o apresenta como tabela e gráfico de barras. O resumo básico de qualquer variável.
Gráfico de dispersãoRepresenta cada caso como um ponto conforme duas variáveis, para revelar a relação, a tendência ou os agrupamentos entre elas.
Dispersão múltiplaSobrepõe várias séries de pontos em um mesmo gráfico para comparar várias variáveis em relação a um eixo comum.
Gráfico de barrasCompara magnitudes entre categorias por meio de barras. O gráfico mais direto para comparar grupos.
Gráfico de pontosAlternativa ao gráfico de barras que marca cada valor com um ponto; mais limpo quando há muitas categorias.
Gráfico de áreaDestaca a evolução ou o volume acumulado unindo os valores com uma superfície preenchida.
Barras, pontos e área (sobre eixo contínuo)Variantes dos gráficos anteriores que situam os valores conforme sua posição real em um eixo numérico ou de datas, em vez de por categorias.
Gráfico de setores (pizza)Mostra a composição de um total repartido em fatias. Disponível para dados já resumidos ou contando categorias diretamente.
Barras empilhadasMostram, dentro de cada barra, a contribuição de cada componente para o total. Disponíveis em variantes conforme o formato dos dados e conforme se contam frequências ou se somam magnitudes.
HistogramaMostra como se distribuem os valores de uma variável agrupando-os em intervalos. Revela a forma dos dados: simetria, assimetria e valores atípicos.
Diagrama de caixasResume e compara a distribuição de uma variável entre grupos por meio de seus quartis, destacando a mediana, a dispersão e os valores atípicos.
Gráfico de violinoCombina o diagrama de caixas com a forma da distribuição, mostrando ao mesmo tempo posição, dispersão e se os dados têm uma ou várias modas.
Densidade empíricaDesenha uma curva suave que mostra a forma da distribuição dos dados; a versão contínua do histograma.
Distribuição empíricaRepresenta que proporção dos dados fica abaixo de cada valor, permitindo ler percentis diretamente e comparar grupos.
Gráfico Q-Q (normal)Compara visualmente os dados com uma distribuição normal: se os pontos seguem a linha de referência, os dados se aproximam da normalidade.
Gráfico de superfície / contornoRepresenta uma superfície ou uma densidade em duas dimensões por meio de curvas de nível, mostrando onde os valores se concentram.
Matriz de dispersãoMostra de uma só vez todos os gráficos de dispersão par a par de um conjunto de variáveis, ideal para explorar relações múltiplas.
Gráfico de perfisTraça uma linha por caso ou grupo ao longo de várias variáveis, mostrando seu padrão característico.
Gráfico de perfis padronizadosIgual ao anterior, mas levando todas as variáveis a uma escala comum para que sejam diretamente comparáveis mesmo tendo unidades distintas.
Gráfico de fórmulaDesenha uma ou várias funções matemáticas definidas pelo usuário sobre um intervalo, sem necessidade de dados. Útil para ilustrar modelos ou relações teóricas.
Ferramentas didáticas2
Recursos pensados para ensinar e compreender conceitos estatísticos.Distribuições amostraisSimula a coleta repetida de amostras de uma população para mostrar, de forma visual e intuitiva, como se comporta uma estatística (como a média) e como o tamanho da amostra influencia. Uma ferramenta ideal para o ensino.
Gráfico de densidade (teórica)Sobrepõe curvas de distribuições teóricas aos dados para avaliar visualmente qual descreve melhor a variável.
Nenhum procedimento encontrado para sua busca.
Cuidado nos detalhes
Design bonito, sem distrações
Uma interface visualmente agradável, navegação intuitiva e um layout otimizado tanto para usuários profissionais quanto ocasionais. Inclui modo escuro para usar com conforto a qualquer hora.
Experimente o Navure hoje
Edição Estudantil gratuita.Edições completas para uso profissional e institucional.