Statystyka was built on one simple idea: you shouldn't have to pay for an expensive license or install anything to properly crunch your data. A browser is all you need. Whether you're a student running your first t-Test, a quality engineer wrestling with an unstable process, or a Lean Six Sigma lead running a project - you'll find over 40 tools here: from basic statistical tests, through SPC control charts and measurement system analysis, to design of experiments. Professional data analysis, available to anyone who needs it.
Not sure where to start? Under Options → Sample data you'll find ready-made datasets matched to most tools - just pick a category and click "Add" to see a tool in action on real, purpose-built examples.
The heart of the application: seventeen tools that answer the question asked in every factory and every lab - is the difference you're seeing in the data real, or just chance? From the simplest descriptive statistics table to stepwise regression - every test here has its place and a clearly defined use case.
A basic but indispensable table of numbers describing any number of columns at once: mean, standard deviation, minimum, quartiles, maximum. Your first look at the data, without a chart, but fast - compare several variables side by side right away.
One panel combining a histogram with a fitted normal curve, the Anderson-Darling normality test, a table of descriptive statistics, and confidence intervals for the mean, median, and standard deviation. Great for judging the shape of a distribution at a glance, instead of reaching for several separate tools.
The classic comparison of the means of two independent groups, e.g. two production lines or two raw material suppliers. The tool handles data in two separate columns, or in a "data + grouping column" layout, and the result shows the difference in means, a confidence interval, and the p-value - ready to paste into a report.
A variant of the t-Test for "before and after" situations - the same parts, the same batch, or the same machine, measured twice: at two points in time, or with two measurement methods. Because the test works on the differences within each pair rather than between independent groups, it detects a process change more sensitively than a regular t-Test - wherever the data is genuinely paired.
What the t-Test does for two groups, ANOVA does for three or more at once - one test checks whether a significant difference exists between any of the groups being compared. The result comes with a boxplot, so you can match the numbers against what the chart shows right away.
A complement to ANOVA: analyzes the model's residuals, checking their normality and looking for patterns that could undermine the reliability of the result. For anyone who wants to do more than just read the p-value - and make sure a solid model actually stands behind it.
A calculator that answers the question you should ask before collecting any data at all: how many observations do you actually need? Covers sample size planning for the t-Test, paired t-Test, and ANOVA, calculating the minimum sample size needed to detect a given difference at a given statistical power.
Checks whether two or more variables move together, calculating the Pearson correlation coefficient for every pair. With more columns, the result is a full correlation matrix - so you immediately spot the strongest relationships among many process variables at once.
Fits the best straight line to your data points, describing how a change in one variable translates into a change in another, and letting you predict new values. A simple, transparent model - exactly where the relationship between variables really is roughly linear.
Extends linear regression with a squared term, fitting a curve instead of a straight line. Invaluable wherever the relationship has a clear bend - e.g. yield rising, then falling once process temperature gets too high.
Classic multi-factor regression: one outcome variable Y and two or more predictors X at once, on raw, uncoded values. Lets you assess which of several process factors actually affects the outcome, and by how much.
A two-directional (forward and backward) procedure that automatically selects predictors for a regression model, adding and removing variables step by step based on their statistical significance. A great solution when there are many variables that could potentially affect the outcome.
Checks whether your data resembles a normal distribution - an assumption that many other tools in the app rely on, from the t-Test to control charts. Simple, but a very practical check before you trust the results of more advanced analyses.
Tests whether two categorical variables - for example, shift and defect type - are independent of each other, or whether there's a relationship. The result shows a table of observed and expected counts, so you see not just the p-value, but the nature of the relationship itself.
A natural step before a t-Test or ANOVA: checks whether the groups being compared have comparable spread. With exactly two groups, it runs Levene's test and the classic F-test in parallel; with three or more, Levene's test alone.
Compares two percentage rates, e.g. the defect rate on two production lines, straight from summary counts. A quick, practical way to check whether an observed difference in percentages is real, or falls within the range of chance.
Compares two event rates, e.g. the number of breakdowns per hour of operation, wherever what matters is "how many times something happened" relative to time or quantity, rather than a simple percentage. The calculation method is exact, not approximate, so it's reliable even with a small number of observed events.
Seven tools for what statistics does best before a single number is even calculated - showing the shape of your data. From simple scatter plots to elaborate diagrams with multi-level grouping and filtering, each one will show you something in the data that no single statistic can capture.
Plots your data in exactly the order it occurred, with a grouping panel and a full range and condition filter. Trace the course of a process broken down by shift, machine, or other categories - the first, natural look at a trend, seasonality, or a sudden change.
The most fully-featured boxplot in the app: you combine data columns with a grouping panel (up to four columns of any type) and a full filter, plus reference lines and LSL/USL limits on the chart. Compare the distribution of many groups at once, in a single chart.
Shows the mean and 95% confidence interval for each group being compared, with the same data, grouping, and filter panel as Box-plot. A simple, clear way to see which groups differ from each other more than chance alone would suggest.
Shows every single observation as its own dot on a number line, hiding nothing inside bins - unlike a histogram. The same data, grouping, and filter panel as Box-plot, and the number of grid intervals is additionally tuned to the actual chart width, so the dots never crowd together.
The classic distribution chart: data grouped into bins shows the shape of a distribution at a glance, with an optional fitted normal curve. The number of bins is chosen automatically using the Freedman-Diaconis method.
Sorts categories from most to least frequent and adds a cumulative percentage line, putting the classic "20% of causes account for 80% of problems" rule into practice. Optional grouping lets you build a separate Pareto chart for, say, each production line.
Shows the variation in an outcome broken down across several factor levels at once, e.g. shift → machine → operator - helping you see at which level of the hierarchy most of the variation actually arises.
Ten tools for statistical process control - the classic way of telling a process's natural variation apart from a signal that something is worth a closer look. The set covers charts for continuous and count data, individual observations and subgroups, plus a process capability analysis that rounds out the picture.
An interactive map that helps you pick the right control chart: by answering questions about your type of data, it leads you straight to the right chart. Very useful when you're not sure which chart fits your situation.
A control chart for continuous data, one observation per point in time. Two panels, "I" (individual values) and "MR" (moving range), together show both the level of the process and its variation between consecutive points.
The same I-MR chart, but built around stages - designed specifically to show "before and after" a process change. Each stage gets its own center line and its own control limits, shown side by side on one chart.
A control chart for continuous data collected in subgroups, e.g. several pieces sampled every hour. The Xbar panel shows the mean of each subgroup, the R panel - the range within the subgroup.
A variant of the Xbar-R chart where subgroup variation is measured with the standard deviation instead of a simple range. More accurate for larger subgroups, since it uses every observation in the subgroup.
A control chart for the proportion of defective units in a sample, handling cases where sample size changes from row to row. The natural choice when what matters is whether a unit is defective, not how many defects it has.
Same as the p chart, except it shows the raw count of defective units instead of a percentage, making it simpler to read when the sample size is constant.
A control chart for the number of defects per unit or batch - unlike the p/np charts, here a single unit can have several defects at once, and all of them count.
A variant of the c chart that counts a defect rate per unit instead of a raw count, correctly handling cases where the size of the area inspected, or the number of units, changes from row to row.
Answers a fundamental question: does the process fit within the specification limits? Cp speaks to the potential of the process, Cpk additionally accounts for whether the process is centered between the limits.
Three measurement system analysis tools - the answer to a question that's easy to overlook, yet decides how much you can trust every other analysis: can you actually trust what you measured?
Checks one measuring instrument, one operator, and one known part through repeated measurements of the same thing, assessing both accuracy (bias) and repeatability. A good first step before investing time in a full Gage R&R study.
A full measurement system study: multiple operators measure multiple parts, each several times. The tool breaks down total measurement variation into its components and presents it as a complete set of six charts (a "six-pack").
The equivalent of Gage R&R for categorical judgments, e.g. "pass/fail" instead of a number. Checks whether different raters - and the same rater a second time - agree with each other.
Three tools for planned experiments (Design of Experiments) - a method that, instead of changing one factor at a time, tests several at once in a planned layout, extracting far more information from the same number of runs about what actually affects the outcome.
A new, planned tool to support experiment design - currently in development and available in a test version for logged-in users.
Analyzes a full factorial design using regression, with automatic coding of factor levels - you don't need to enter -1 and +1 by hand. You get a separate significance test for every effect, plus a full set of diagnostic charts showing what actually drives the outcome.
The reverse of DoE analysis: instead of calculating a result from existing data, it creates a new experiment design from the factors you provide, and writes the finished run layout straight into a worksheet.
Four interactive guides that don't analyze your own data - instead, using carefully chosen, verified examples, they teach you how to actually read the most important statistical charts. A great starting point if you're just beginning your journey with process statistics.
An interactive guide to the boxplot: eight prepared datasets and toggleable chart layers let you see live exactly what every element of this chart shows - in a window you can resize when needed, e.g. on a large screen during a presentation.
An educational tool showing the relationship between an individual values chart and a histogram - the same data points, two different views of them, built step by step.
An educational guide to the histogram, where the main lesson is the number of bins - see live how too few bins hides the structure of the data, and too many just shows noise.
A live, interactive animation showing the essence of the Central Limit Theorem: even though the underlying population is deliberately unusual (nothing like a normal distribution), the distribution of sample means drawn from it still trends toward a bell shape - watch it happen, sample by sample.
Statystyka powstała z jednej, prostej idei: nie musisz płacić za drogą licencję ani niczego instalować, żeby porządnie policzyć dane. Wystarczy przeglądarka. Czy jesteś studentem, który dopiero liczy pierwszy t-Test, inżynierem jakości walczącym z niestabilnym procesem, czy liderem Lean Six Sigma prowadzącym projekt - znajdziesz tu ponad 40 narzędzi: od podstawowych testów statystycznych, przez karty kontrolne SPC i analizę systemów pomiarowych, po planowanie eksperymentów. Profesjonalna analiza danych, dostępna dla każdego, kto jej potrzebuje.
Nie wiesz, od czego zacząć? W menu Opcje → Przykładowe dane znajdziesz gotowe zestawy danych dopasowane do większości narzędzi - wystarczy wybrać kategorię i kliknąć "Dodaj", żeby zobaczyć narzędzie w akcji na realnych, przemyślanych przykładach.
To serce aplikacji: siedemnaście narzędzi, które odpowiadają na pytanie zadawane w każdej fabryce i każdym laboratorium - czy ta różnica, którą widzisz w danych, jest naprawdę różnicą, czy tylko przypadkiem? Od najprostszej tabeli statystyk opisowych po regresję krokową - każdy test ma tu swoje miejsce i jasno określone zastosowanie.
Podstawowa, ale niezastąpiona tabela liczb opisujących dowolną liczbę kolumn naraz: średnia, odchylenie standardowe, minimum, kwartyle, maksimum. Pierwszy rzut oka na dane, bez wykresu, za to szybki - od razu porównasz wiele zmiennych obok siebie.
Jeden panel łączący histogram z dopasowaną krzywą normalną, test normalności Andersona-Darlinga, tabelę statystyk opisowych i przedziały ufności dla średniej, mediany i odchylenia standardowego. Świetnie sprawdza się, gdy trzeba ocenić kształt rozkładu jednym spojrzeniem, zamiast sięgać po kilka osobnych narzędzi.
Klasyczne porównanie średnich dwóch niezależnych grup, np. dwóch linii produkcyjnych czy dwóch dostawców surowca. Narzędzie samo obsługuje dane w dwóch osobnych kolumnach albo w układzie "dane + kolumna grupująca", a wynik pokazuje różnicę średnich, przedział ufności i p-value - gotowe do wklejenia w raport.
Wariant t-Testu dla sytuacji "przed i po" - te same detale, ta sama partia czy ta sama maszyna, zmierzone dwukrotnie: w dwóch momentach albo dwiema metodami pomiaru. Dzięki temu, że test liczy różnice wewnątrz par, a nie między niezależnymi grupami, wykrywa efekt zmiany procesu czulej niż zwykły t-Test - tam, gdzie dane rzeczywiście są sparowane.
To, co t-Test robi dla dwóch grup, ANOVA robi dla trzech i więcej naraz - jednym testem sprawdza, czy między którąkolwiek z porównywanych grup istnieje istotna różnica. Wynik uzupełniony jest boxplotem, więc liczby od razu zestawisz z tym, co widać na wykresie.
Uzupełnienie ANOVA: analizuje reszty modelu, sprawdzając ich normalność i szukając wzorców, które mogłyby podważyć wiarygodność wyniku. Dla tych, którzy chcą nie tylko przeczytać p-value, ale też upewnić się, że stoi za nim solidny model.
Kalkulator odpowiadający na pytanie zadawane jeszcze przed zebraniem jakichkolwiek danych: ile obserwacji naprawdę potrzebujesz? Obsługuje planowanie dla t-Testu, testu sparowanego i ANOVA, licząc minimalną liczebność próby potrzebną do wykrycia zadanej różnicy z zadaną mocą testu.
Sprawdza, czy dwie lub więcej zmiennych poruszają się razem, licząc współczynnik korelacji Pearsona dla każdej pary. Przy większej liczbie kolumn wynikiem jest cała macierz korelacji - od razu widać, które zmienne procesowe są ze sobą najsilniej powiązane.
Dopasowuje najlepszą prostą do punktów danych, opisując, jak zmiana jednej zmiennej przekłada się na zmianę drugiej, i pozwalając przewidywać nowe wartości. Prosty, przejrzysty model - dokładnie tam, gdzie związek między zmiennymi rzeczywiście jest w przybliżeniu liniowy.
Rozszerza regresję liniową o wyraz kwadratowy, dopasowując parabolę zamiast prostej. Nieoceniona tam, gdzie zależność ma wyraźny łuk - np. wydajność rosnąca, a potem opadająca przy zbyt wysokiej temperaturze procesu.
Klasyczna regresja wieloczynnikowa: jedna zmienna wynikowa Y i dwa lub więcej predyktorów X naraz, na surowych, niekodowanych wartościach. Pozwala ocenić, który z wielu czynników procesowych rzeczywiście wpływa na wynik, i w jakim stopniu.
Dwukierunkowa procedura (forward i backward) automatycznego doboru predyktorów do modelu regresji, w kolejnych krokach dodająca i usuwająca zmienne na podstawie ich istotności statystycznej. Świetne rozwiązanie, gdy zmiennych potencjalnie wpływających na wynik jest wiele.
Sprawdza, czy dane przypominają rozkład normalny - założenie, na którym opiera się wiele innych narzędzi w aplikacji, od t-Testu po karty kontrolne. Proste, ale bardzo praktyczne narzędzie kontrolne, zanim zaufasz wynikom bardziej zaawansowanych analiz.
Bada, czy dwie zmienne kategoryczne - na przykład zmiana robocza i rodzaj defektu - są od siebie niezależne, czy jest między nimi związek. Wynik pokazuje tabelę liczebności obserwowanych i oczekiwanych, więc widać nie tylko p-value, ale też samą naturę zależności.
Naturalny krok przed t-Testem albo ANOVA: sprawdza, czy porównywane grupy mają porównywalny rozrzut. Przy dokładnie dwóch grupach liczy równolegle test Levene'a i klasyczny test F, przy trzech i więcej - sam Levene.
Porównuje dwa wskaźniki procentowe, np. odsetek braków na dwóch liniach produkcyjnych, wprost z gotowych liczb sumarycznych. Szybki, praktyczny sposób sprawdzenia, czy zaobserwowana różnica w procentach jest realna, czy mieści się w granicach przypadku.
Porównuje dwie stawki zdarzeń, np. liczbę awarii na godzinę pracy, tam gdzie liczy się "ile razy coś się zdarzyło" względem czasu lub ilości, a nie prosty procent. Metoda liczenia jest dokładna, nie przybliżona, więc jest wiarygodna nawet przy niewielkiej liczbie zaobserwowanych zdarzeń.
Siedem narzędzi do tego, co statystyka robi najlepiej, zanim jeszcze padnie jakakolwiek liczba - pokazania kształtu danych. Od prostych wykresów punktowych po rozbudowane diagramy z wielopoziomowym grupowaniem i filtrowaniem, każde z nich pokaże Ci w danych to, czego żadna pojedyncza statystyka nie odda.
Rysuje dane dokładnie w kolejności, w jakiej wystąpiły, z panelem grupowania i pełnym filtrem zakresu i warunków. Prześledzisz przebieg procesu w podziale na zmiany, maszyny czy inne kategorie - pierwsze, naturalne spojrzenie na trend, sezonowość albo nagłą zmianę.
Najbardziej rozbudowany boxplot w aplikacji: kolumny danych łączysz z panelem grupowania (do czterech kolumn dowolnego typu) oraz pełnym filtrem, dodatkowo z liniami referencyjnymi i granicami LSL/USL na wykresie. Jednym wykresem porównasz rozkład wielu grup naraz.
Pokazuje średnią i 95% przedział ufności dla każdej porównywanej grupy, z tym samym panelem danych, grupowania i filtra co Box-plot. Prosty, przejrzysty sposób zobaczenia, które grupy różnią się od siebie bardziej, niż wynikałoby to z samego przypadku.
Pokazuje każdą pojedynczą obserwację jako osobną kropkę na osi liczbowej, nie ukrywając niczego w przedziałach - w odróżnieniu od histogramu. Ten sam panel danych, grupowania i filtra co Box-plot, a liczba przedziałów siatki dobierana jest dodatkowo pod rzeczywistą szerokość wykresu, więc kropki nigdy się nie tłoczą.
Klasyczny wykres rozkładu: dane pogrupowane w przedziały pokazują kształt rozkładu jednym spojrzeniem, z opcjonalną, nałożoną krzywą normalną. Liczba przedziałów dobierana jest automatycznie metodą Freedmana-Diaconisa.
Sortuje kategorie od najczęstszej do najrzadszej i dokłada linię skumulowanego procentu, realizując klasyczną zasadę "20% przyczyn odpowiada za 80% problemów". Opcjonalne grupowanie pozwala zrobić osobny Pareto np. dla każdej linii produkcyjnej.
Pokazuje zmienność wyniku rozłożoną jednocześnie na kilka poziomów czynników, np. zmiana → maszyna → operator - pomaga zobaczyć, na którym poziomie hierarchii powstaje największa część zmienności.
Dziesięć narzędzi statystycznej kontroli procesu - klasycznego sposobu odróżniania naturalnej zmienności procesu od sygnału, że dzieje się coś, czemu warto się przyjrzeć. Zestaw obejmuje karty dla danych ciągłych i zliczanych, pojedynczych obserwacji i podgrup, a do tego analizę zdolności procesu domykającą obraz.
Interaktywna mapa pomagająca wybrać właściwą kartę kontrolną: odpowiadając na pytania o rodzaj danych, prowadzi wprost do właściwej karty. Bardzo pomocne, kiedy nie masz pewności, która karta pasuje do Twojej sytuacji.
Karta kontrolna dla danych ciągłych, po jednej obserwacji na moment czasu. Dwa panele, "I" (wartości indywidualne) i "MR" (ruchoma rozstępowa), razem pokazują zarówno poziom procesu, jak i jego zmienność między kolejnymi punktami.
Ta sama karta I-MR, ale z etapami jako głównym tematem - myślana specjalnie do pokazania "przed i po" zmianie procesu. Każdy etap dostaje własną linię centralną i własne granice kontrolne widoczne obok siebie na jednym wykresie.
Karta kontrolna dla danych ciągłych zbieranych w podgrupach, np. kilka sztuk pobranych co godzinę. Panel Xbar pokazuje średnią każdej podgrupy, panel R - rozstęp wewnątrz podgrupy.
Wariant karty Xbar-R, w którym zmienność podgrupy mierzona jest odchyleniem standardowym zamiast prostego rozstępu. Dokładniejsza przy większych podgrupach, bo wykorzystuje wszystkie obserwacje w podgrupie.
Karta kontrolna dla procentu wadliwych sztuk w próbie, radząca sobie także wtedy, gdy wielkość próby zmienia się z wiersza na wiersz. Naturalny wybór, gdy liczy się to, czy sztuka jest wadliwa, a nie ile ma defektów.
To samo co karta p, tylko pokazuje wprost liczbę wadliwych sztuk zamiast procentu, co czyni ją prostszą w odczycie wtedy, gdy wielkość próby jest stała.
Karta kontrolna dla liczby defektów na jednostkę czy partię - w odróżnieniu od kart p/np, tu jedna sztuka może mieć kilka defektów naraz i wszystkie się liczą.
Wariant karty c liczący stawkę defektów na jednostkę zamiast surowej liczby, poprawnie radzący sobie, gdy wielkość sprawdzanego obszaru czy liczby jednostek zmienia się z wiersza na wiersz.
Odpowiada na fundamentalne pytanie: czy proces mieści się w granicach specyfikacji? Cp mówi o potencjale procesu, Cpk dodatkowo uwzględnia, czy proces jest wyśrodkowany między granicami.
Trzy narzędzia analizy systemów pomiarowych - odpowiedzi na pytanie, które łatwo pominąć, a które decyduje o wiarygodności wszystkich pozostałych analiz: czy w ogóle można ufać temu, co się zmierzyło.
Sprawdza jeden przyrząd pomiarowy, jednego operatora i jedną znaną część poprzez powtarzane pomiary tej samej rzeczy, oceniając zarówno dokładność (bias), jak i powtarzalność. Dobry pierwszy krok, zanim zainwestuje się czas w pełne badanie Gage R&R.
Pełne badanie systemu pomiarowego: wielu operatorów mierzy wiele części, każdą po kilka razy. Narzędzie rozkłada całkowitą zmienność pomiarów na składowe i prezentuje to w postaci kompletu sześciu wykresów ("six-pack").
Odpowiednik Gage R&R dla ocen kategorycznych, np. "dobry/wadliwy" zamiast liczby. Sprawdza, czy różni oceniający - i ten sam oceniający powtórnie - zgadzają się ze sobą.
Trzy narzędzia do planowanych eksperymentów (Design of Experiments) - metody, która zamiast zmieniać jeden czynnik na raz, testuje kilka naraz w zaplanowanym układzie, wydobywając z tej samej liczby prób znacznie więcej informacji o tym, co naprawdę wpływa na wynik.
Nowe, planowane narzędzie wspierające projektowanie eksperymentów - obecnie w przygotowaniu i dostępne w wersji testowej dla zalogowanych użytkowników.
Analizuje pełny plan czynnikowy metodą regresji, z automatycznym kodowaniem poziomów czynników - nie musisz ręcznie podawać -1 i +1. Dla każdego efektu osobno dostajesz test istotności, a do tego komplet wykresów diagnostycznych, które pokażą, co naprawdę wpływa na wynik.
Odwrotność analizy DoE: zamiast liczyć wynik z istniejących danych, tworzy nowy plan eksperymentu na podstawie podanych czynników i zapisuje gotowy układ przebiegów wprost do arkusza.
Cztery interaktywne przewodniki, które nie analizują Twoich danych, tylko na starannie dobranych, zweryfikowanych przykładach tłumaczą, jak w ogóle czytać najważniejsze wykresy statystyczne - świetny punkt startu, jeśli dopiero zaczynasz swoją przygodę ze statystyką procesową.
Interaktywny przewodnik po boxplocie: osiem przygotowanych zestawów danych i przełączane warstwy wykresu pozwalają na żywo zobaczyć, co dokładnie pokazuje każdy element tego wykresu - w oknie, które w razie potrzeby powiększysz, np. na dużym ekranie podczas prezentacji.
Narzędzie edukacyjne pokazujące związek między kartą wartości indywidualnych a histogramem - te same punkty danych, dwa różne spojrzenia na nie, budowane krok po kroku.
Przewodnik edukacyjny dla histogramu, w którym głównym elementem nauki jest liczba przedziałów - zobaczysz na żywo, jak zbyt mało przedziałów ukrywa strukturę danych, a zbyt wiele pokazuje sam szum.
Interaktywna animacja, na żywo pokazująca sedno Centralnego Twierdzenia Granicznego: mimo że populacja wyjściowa jest celowo nietypowa (wcale nie przypomina rozkładu normalnego), rozkład średnich z losowanych z niej próbek i tak dąży do kształtu dzwonowego - zobacz to na własne oczy, próbka po próbce.