Detección De Precios Atípicos En El Sector De Carburantes De Automoción En España

Total Page:16

File Type:pdf, Size:1020Kb

Detección De Precios Atípicos En El Sector De Carburantes De Automoción En España FACULTAD CIENCIAS ECONÓMICAS Y EMPRESARIALES DETECCIÓN DE PRECIOS ATÍPICOS EN EL SECTOR DE CARBURANTES DE AUTOMOCIÓN EN ESPAÑA APLICACIÓN A LA SUPERVISIÓN Y A LA PROMOCIÓN DE LA COMPETENCIA Autor: Antonio Maudes Gutiérrez Directores: Dr. Alberto Colino Fernández y Dr. Antonio Rúa Vieites Madrid Agosto 2016 Antonio Maudes Gutiérrez OS ATÍPICOS EN EL SECTOR DE CARBURANTES DE AUTOMOCIÓN EN APLICACIÓN A LA SUPERVISIÓN Y A LA PROMOCIÓN DE LA COMPETENCIA . ESPAÑA DETECCIÓN DE PRECI Dedicado a mis hijos, Lucía y Daniel, a mi mujer, Marta y a mis padres, Marisa y Antonio 2 INDICE 1. INTRODUCCIÓN Y ESTRUCTURA DE LA TESIS 5 1.1. Introducción 5 1.2. Estructura de la tesis 10 2. IMPORTANCIA ECONÓMICA Y ESTRUCTURA DEL MERCADO 13 2.1. Importancia económica 13 2.1.1. Importancia para empresas, consumidores y sector público 13 2.1.2. Relevancia para la recuperación económica y la competitividad de España 18 2.2. Mercado de carburantes de automoción en España 23 2.2.1. Volumen del mercado 23 2.2.2. Demanda de carburantes 25 2.2.3. Estructura de la oferta en España 25 3. MARCO TEÓRICO DE LA TESIS 34 3.1. Optimalidad de la competencia perfecta y fallos del mercado 34 3.1.1 Monopolio natural 36 3.1.2 Estructura oligopólica 38 3.1.3. Información imperfecta y costes de búsqueda 38 3.2. Fallos del sector público 42 3.3. Principios de necesidad y de proporcionalidad 44 3.4. Tema y objetivo de la tesis 47 3.4.1. Perspectiva histórica o estructuralista 48 3.4.2. Perspectiva conductualista 50 3.4.3. Perspectiva estadística 52 3.4.4. El quid es la competencia 59 4. METODOLOGÍA EMPLEADA 67 4.1. Metodología Box-Jenkins 67 4.2. Atípicos 71 4.2.1. Atípicos Aditivos (additive outliers o AO) 72 4.2.2. Cambios de nivel (level shift o LS) 72 4.2.3 Atípico innovador (innovational outlier o IO) 73 4.2.4 Cambio temporal (transient change outlier o TC) 73 4.3. Estacionariedad y observaciones perdidas 74 4.3.1. Tests de estacionariedad 74 4.3.2. Estacionariedad con observaciones perdidas 77 4.4. Posibles errores en la especificación 80 4.5. Precedentes y motivos del empleo de la metodología 82 4.6. Ventajas de la metodología empleada 84 4.6.1. Ventajas técnicas 84 4.6.2. Ventajas económicas 86 3 4.6.3. Ventajas para las autoridades de competencia y regulación 87 5. PREPARACIÓN DE LOS DATOS 90 5.1 Fuente primaria: el Boletín Petrolero de la Unión Europea 91 5.2 Homogeneidad de los datos en comparaciones internacionales 94 5.3 Especial homogeneidad entre España y Francia 96 5.4 Precios antes y después de impuestos (PVP y PAI) 100 6. RESULTADOS 108 6.1. Resultados descriptivos 108 6.1.1 Datos del Boletín Petrolero para UE-6 108 6.1.2. Datos del Boletín Petrolero para España 115 6.1.3. Datos del Boletín Petrolero para Francia 121 6.1.4. Precios relativos entre España y Francia (1994-2015) 125 6.1.5. Precios relativos entre España y Francia (2009-2015) 128 6.2. Resultados de la modelización arima 133 6.2.1. Modelización ARIMA para España. PAI gasolina 95 137 6.2.2 Modelización ARIMA para España. PAI gasóleo A 143 6.2.3. Modelización ARIMA para Francia. PAI gasolina 95 148 6.2.4. Modelización ARIMA para Francia. PAI gasóleo de automoción 152 6.2.5. Comparación modelos ARIMA y atípicos España y Francia 156 6.3. Implicaciones para la regulación económica eficiente 161 6.3.1 Informes de competencia y regulación de 2009, 2011 y 2012 162 6.3.2 Valoración de explicaciones económicas alternativas 169 7. CONCLUSIONES 176 BIBLIOGRAFÍA 182 ANEJOS 197 Anejo 1. Análisis de las referencias bibliográficas 197 Anejo 2. Modelización ARIMA UE-6 200 Evolución del PAI de la Gasolina 95 en UE-6 200 Evolución del PAI del Gasoleo A en UE-6 200 Descripción de los modelos 201 Principales estadísticos 201 Atípicos 203 Residuos 204 Ajuste 206 Anejo 3 Reproducción en SPSS de los modelos ARIMA 208 Selección del período muestral 208 Comprobación de la estacionariedad 212 Posible conversión de la serie a logaritmos 217 Anejo 4. Procedimiento para la detección automática de atípicos 222 4 1. INTRODUCCIÓN Y ESTRUCTURA DE LA TESIS 1.1. Introducción La facturación del mercado español de carburantes de automoción, gasolina y gasóleo superó los 40.000 millones de euros anuales en 2015 según datos de la CNMC. La eficiencia en la fijación de precios y el incremento de los niveles de competencia efectiva en este sector tiene profundas repercusiones económicas para las empresas, para las familias, como consumidores y contribuyentes, y para el sector público. La opinión mayoritaria en la literatura económica, e incluso la percepción pública, apuntan a un nivel de competencia insuficiente y mejorable en el mercado español de carburantes. Se señala generalmente, como posteriormente se ampliará, la necesidad de cambios regulatorios por parte de las autoridades públicas, de forma que se incentive un funcionamiento del mercado de carburantes más procompetitivo y con mejores precios, variedad e innovación. De forma estrechamente relacionada con dicho objetivo de política económica, se recomienda habitualmente el perfeccionamiento de los instrumentos ex ante y ex post de los que dispone la autoridad de competencia y de regulación para el mantenimiento, la defensa y la promoción de la competencia, así como la supervisión del sector. En este sentido, dentro de la economía del bienestar y de la regulación económica eficiente, la presente tesis se enmarca en el análisis económico de la existencia de fallos de mercado y, específicamente, de los fallos de mercado en el sector de la distribución de carburantes de automoción, gasolina y gasóleos. El objetivo es desarrollar, a partir de la metodología de Box-Jenkins, una aplicación metodológica sencilla, objetiva, poco costosa y robusta, a disposición de la autoridad de competencia y regulación, que pueda contribuir a una mejor supervisión, defensa y promoción de la competencia, facilitando el empleo de instrumentos adicionales a su disposición, como los estudios o las inspecciones. El 5 propósito último es colaborar a mejorar la eficiencia económica en este mercado estratégico. Como contribución a dicha labor, se aporta específicamente dicha aplicación de la metodología de Box-Jenkins en la detección de atípicos en el mercado de carburantes de automoción en España. Esto permitirá diversos empleos de los resultados obtenidos, fácilmente generalizables a otros países, períodos temporales y sectores. El propósito último es robustecer, eficientemente, la promoción, la defensa de la competencia y la supervisión económica. En el caso analizado del mercado de carburantes de automoción en España, se compila en este trabajo una serie temporal de precios que permita la aplicación de dicha metodología. La serie se construye a partir de fuentes oficiales europeas que recogen los precios semanales de los carburantes de automoción comercializados en el canal minorista en España. Específicamente, se construye para esta tesis una base de datos con las series temporales, de frecuencia semanal, de los precios antes de impuestos o PAI1 de los carburantes de automoción en España y del resto de los Estados miembros de la Unión Europea. Para construir la base de datos de los precios de los carburantes se emplean los datos del Boletín Petrolero. El Boletín Petrolero, como fuente originaria mantenida por la Comisión Europea, es gratuito, público y de carácter oficial a nivel comunitario. La serie temporal larga, así construida, abarca el período 1994 a 2015. La serie es empleada para la detección, con la metodología de Box-Jenkins, de valores atípicos de los precios medios semanales, antes de impuestos, tanto para la gasolina como para el gasóleo. 1 El Ministerio de Industria y Energía denomina precios sin impuestos (PSI) a los PAI, pero el concepto es el mismo. Ministerio de Industria y Energía (2015). 6 Los valores atípicos detectados se pondrán en contexto cronológico con los cambios impositivos, regulatorios y las actuaciones de las autoridades de competencia y regulación relacionadas con el sector. Dicha contextualización permitirá complementar el análisis automatizado de los precios atípicos para detectar, en su caso, movimientos de precios inusuales que puedan requerir, de forma objetiva, la utilización de instrumentos específicos de supervisión sectorial, de defensa o de promoción de la competencia. La tesis defenderá la utilidad del seguimiento continuado de los niveles de precios semanales antes de impuestos y de su evolución temporal en el contexto de cambios regulatorios o de actuaciones de las administraciones públicas y, en especial, de la autoridad de Competencia. Desde el punto de vista de la variable a supervisar por la autoridad independiente, se destacará el interés de centrar el análisis en la evolución temporal del margen bruto de distribución relativo entre España y Francia. Asimismo, se defenderá que esta comparación es correcta, al constituir Francia el mercado de la Unión Europea más relevante para España desde el punto de vista económico y el más homogéneo técnicamente con el mercado español (Comisión Nacional de la Competencia, 2011; Comisión Nacional de la Energía, 2012.) Como ventajas comparativas de la aplicación de esta metodología para la supervisión del sector y la detección de indicios anticompetitivos se puede destacar i) su menor coste, ii) la objetividad en la detección de los atípico, iii) su reproducibilidad, iv) su extensibilidad y v) la sencillez explicativa. El presente sistema de detección de atípicos en los precios puede utilizarse, sin inversiones significativas previas, tanto por el sector privado como por el sector público. Su uso podría ser especialmente apropiado para las autoridades de competencia, con escasos recursos económicos. Permite además una fácil reproducibilidad y extensibilidad a otros sectores.
Recommended publications
  • Date Created Size MB . تماس بگیر ید 09353344788
    Name Software ( Search List Ctrl+F ) Date created Size MB برای سفارش هر یک از نرم افزارها با شماره 09123125449 - 09353344788 تماس بگ ریید . \1\ Simulia Abaqus 6.6.3 2013-06-10 435.07 Files: 1 Size: 456,200,192 Bytes (435.07 MB) \2\ Simulia Abaqus 6.7 EF 2013-06-10 1451.76 Files: 1 Size: 1,522,278,400 Bytes (1451.76 MB) \3\ Simulia Abaqus 6.7.1 2013-06-10 584.92 Files: 1 Size: 613,330,944 Bytes (584.92 MB) \4\ Simulia Abaqus 6.8.1 2013-06-10 3732.38 Files: 1 Size: 3,913,689,088 Bytes (3732.38 MB) \5\ Simulia Abaqus 6.9 EF1 2017-09-28 3411.59 Files: 1 Size: 3,577,307,136 Bytes (3411.59 MB) \6\ Simulia Abaqus 6.9 2013-06-10 2462.25 Simulia Abaqus Doc 6.9 2013-06-10 1853.34 Files: 2 Size: 4,525,230,080 Bytes (4315.60 MB) \7\ Simulia Abaqus 6.9.3 DVD 1 2013-06-11 2463.45 Simulia Abaqus 6.9.3 DVD 2 2013-06-11 1852.51 Files: 2 Size: 4,525,611,008 Bytes (4315.96 MB) \8\ Simulia Abaqus 6.10.1 With Documation 2017-09-28 3310.64 Files: 1 Size: 3,471,454,208 Bytes (3310.64 MB) \9\ Simulia Abaqus 6.10.1.5 2013-06-13 2197.95 Files: 1 Size: 2,304,712,704 Bytes (2197.95 MB) \10\ Simulia Abaqus 6.11 32BIT 2013-06-18 1162.57 Files: 1 Size: 1,219,045,376 Bytes (1162.57 MB) \11\ Simulia Abaqus 6.11 For CATIA V5-6R2012 2013-06-09 759.02 Files: 1 Size: 795,893,760 Bytes (759.02 MB) \12\ Simulia Abaqus 6.11.1 PR3 32-64BIT 2013-06-10 3514.38 Files: 1 Size: 3,685,099,520 Bytes (3514.38 MB) \13\ Simulia Abaqus 6.11.3 2013-06-09 3529.41 Files: 1 Size: 3,700,856,832 Bytes (3529.41 MB) \14\ Simulia Abaqus 6.12.1 2013-06-10 3166.30 Files: 1 Size: 3,320,102,912 Bytes
    [Show full text]
  • Primena Statistike U Kliničkim Istraţivanjima Sa Osvrtom Na Korišćenje Računarskih Programa
    UNIVERZITET U BEOGRADU MATEMATIČKI FAKULTET Dušica V. Gavrilović Primena statistike u kliničkim istraţivanjima sa osvrtom na korišćenje računarskih programa - Master rad - Mentor: prof. dr Vesna Jevremović Beograd, 2013. godine Zahvalnica Ovaj rad bi bilo veoma teško napisati da nisam imala stručnu podršku, kvalitetne sugestije i reviziju, pomoć prijatelja, razumevanje kolega i beskrajnu podršku porodice. To su razlozi zbog kojih želim da se zahvalim: . Mom mentoru, prof. dr Vesni Jevremović sa Matematičkog fakulteta Univerziteta u Beogradu, koja je bila ne samo idejni tvorac ovog rada već i dugogodišnja podrška u njegovoj realizaciji. Njena neverovatna upornost, razne sugestije, neiscrpni optimizam, profesionalizam i razumevanje, predstavljali su moj stalni izvor snage na ovom master-putu. Članu komisije, doc. dr Zorici Stanimirović sa Matematičkog fakulteta Univerziteta u Beogradu, na izuzetnoj ekspeditivnosti, stručnoj recenziji, razumevanju, strpljenju i brojnim korisnim savetima. Članu komisije, mr Marku Obradoviću sa Matematičkog fakulteta Univerziteta u Beogradu, na stručnoj i prijateljskoj podršci kao i spremnosti na saradnju. Dipl. mat. Radojki Pavlović, šefu studentske službe Matematičkog fakulteta Univerziteta u Beogradu, na upornosti, snalažljivosti i kreativnosti u pronalaženju raznih ideja, predloga i rešenja na putu realizacije ovog master rada. Dugogodišnje prijateljstvo sa njom oduvek beskrajno cenim i oduvek mi mnogo znači. Dipl. mat. Zorani Bizetić, načelniku Data Centra Instituta za onkologiju i radiologiju Srbije, na upornosti, idejama, detaljnoj reviziji, korisnim sugestijama i svakojakoj podršci. Čak i kada je neverovatno ili dosadno ili pametno uporna, mnogo je i dugo volim – skoro ceo moj život. Mast. biol. Jelici Novaković na strpljenju, reviziji, bezbrojnim korekcijama i tehničkoj podršci svake vrste. Hvala na osmehu, budnom oku u sitne sate, izvrsnoj hrani koja me je vraćala u život, nes-kafi sa penom i transfuziji energije kada sam bila na rezervi.
    [Show full text]
  • Overview-Of-Statistical-Analytics-And
    Brief Overview of Statistical Analytics and Machine Learning tools for Data Scientists Tom Breur 17 January 2017 It is often said that Excel is the most commonly used analytics tool, and that is hard to argue with: it has a Billion users worldwide. Although not everybody thinks of Excel as a Data Science tool, it certainly is often used for “data discovery”, and can be used for many other tasks, too. There are two “old school” tools, SPSS and SAS, that were founded in 1968 and 1976 respectively. These products have been the hallmark of statistics. Both had early offerings of data mining suites (Clementine, now called IBM SPSS Modeler, and SAS Enterprise Miner) and both are still used widely in Data Science, today. They have evolved from a command line only interface, to more user-friendly graphic user interfaces. What they also share in common is that in the core SPSS and SAS are really COBOL dialects and are therefore characterized by row- based processing. That doesn’t make them inherently good or bad, but it is principally different from set-based operations that many other tools offer nowadays. Similar in functionality to the traditional leaders SAS and SPSS have been JMP and Statistica. Both remarkably user-friendly tools with broad data mining and machine learning capabilities. JMP is, and always has been, a fully owned daughter company of SAS, and only came to the fore when hardware became more powerful. Its initial “handicap” of storing all data in RAM was once a severe limitation, but since computers now have large enough internal memory for most data sets, its computational power and intuitive GUI hold their own.
    [Show full text]
  • GPL Reference Guide for IBM SPSS Statistics
    GPL Reference Guide for IBM SPSS Statistics Note Before using this information and the product it supports, read the information in “Notices” on page 415. Product Information This edition applies to version 162261647161, release 0, modification 0 of IBM SPSS Modeler BatchIBM SPSS ModelerIBM SPSS Modeler ServerIBM SPSS StatisticsIBM SPSS Statistics ServerIBM SPSS AmosIBM SPSS SmartreaderIBM SPSS Statistics Base Integrated Student EditionIBM SPSS Collaboration and Deployment ServicesIBM SPSS Visualization DesignerIBM SPSS Modeler Text AnalyticsIBM SPSS Text Analytics for Surveys IBM Analytical Decision ManagementIBM SPSS Modeler Social Network AnalysisIBM SPSS Analytic Server and to all subsequent releases and modifications until otherwise indicated in new editions. Contents Chapter 1. Introduction to GPL .....1 color.hue Function (For GPL Guides) .....90 The Basics ...............1 color.saturation Function (For GPL Graphic GPL Syntax Rules.............3 Elements) ..............90 GPL Concepts ..............3 color.saturation Function (For GPL Guides) . 91 Brief Overview of GPL Algebra .......3 csvSource Function ...........92 How Coordinates and the GPL Algebra Interact . 6 dataMaximum Function .........92 Common Tasks .............14 dataMinimum Function .........93 How to Add Stacking to a Graph ......14 delta Function ............93 How to Add Faceting (Paneling) to a Graph . 15 density.beta Function ..........93 How to Add Clustering to a Graph .....17 density.chiSquare Function ........96 How to Use Aesthetics .........18 density.exponential
    [Show full text]
  • Used.Html#Sbm Mv
    http://www.kdnuggets.com/2015/05/poll-analytics-data-mining-data-science-software- used.html#sbm_mv Vote in KDnuggets 16th Annual Poll: What Analytics, Data Mining, Data Science software/tools you used in the past 12 months for a real project?. We will clean and analyze the results and publish our trend analysis afterward What Analytics, Data Mining, Data Science software/tools you used in the past 12 months for a real project (not just evaluation)? 4 categories: Platforms, Languages, Deep Learning, Hadoop. Analytics / Data Mining Platforms / Suites: Actian Alpine Data Labs Alteryx Angoss Amazon Machine Learning Ayasdi BayesiaLab BigML Birst C4.5/C5.0/See5 Datameer Dataiku Dato (former Graphlab) Dell (including Statistica) FICO Model Builder Gnu Octave GoodData H2O (0xdata) IBM Cognos IBM SPSS Modeler IBM SPSS Statistics IBM Watson Analytics JMP KNIME Lavastorm Lexalytics MATLAB Mathematica Megaputer Polyanalyst/TextAnalyst MetaMind Microsoft Azure ML Microsoft SQL Server Microsoft Power BI MicroStrategy Miner3D Ontotext Oracle Data Miner Orange Pentaho Predixion Software QlikView RapidInsight/Veera RapidMiner Rattle Revolution Analytics (now part of Microsoft) SAP (including former KXEN) SAS Enterprise Miner Salford SPM/CART/Random Forests/MARS/TreeNet scikit-learn Skytree SiSense Splunk/ Hunk Stata TIBCO Spotfire Tableau Vowpal Wabbit Weka WordStat XLSTAT for Excel Zementis Other free analytics/data mining tools Other paid analytics/data mining/data science software Languages / low-level tools: C/C++ Clojure Excel F# Java Julia Lisp Perl Python R Ruby SAS base SQL Scala Unix shell/awk/gawk WPS: World Programming System Other programming languages Deep Learning tools Caffe Cuda-convnet Deeplearning4j Torch Theano Pylearn2 Other Deep Learning tools Hadoop-based Analytics-related tools Hadoop HBase Hive Pig Spark Mahout MLlib SQL on Hadoop tools Other Hadoop/HDFS-based tools.
    [Show full text]
  • IBM SPSS Modeler Data Sheet
    IBM Analytics IBM SPSS Modeler Data sheet IBM SPSS Modeler Accelerate time to value with visual data science and machine learning Overview Highlights In a business environment, the main objective of analytics is to improve a business outcome. These outcomes can include: • Exploit the power of visual and programmatic data science with IBM® SPSS® Modeler for IBM Data • Acquiring and retaining customers Science Experience, or get started with • Driving operational efficiency a subscription standalone deployment • Minimizing and mitigating fraud of IBM SPSS Modeler • Optimizing hiring processes and reducing attrition • Harness the value and find patterns in more data sources including text, flat • Creating new business models files, databases, data warehouses and Hadoop distributions in a multi-cloud When you apply data science and machine learning to improve a environment decision, the result is likely to be a better outcome. • Put 40+ out-of-box machine learning algorithms to work for ease of model development and management Data science is the process of using analytical techniques to uncover patterns in data and applying the results for business value. Descriptive • Integrate with Apache Spark for fast in-memory computing analysis, predictive modeling, text analytics, geospatial analytics, entity • Optimize productivity of data science analytics, decision management and optimization are used to identify and business teams with programmatic, patterns and deploy predictive models into operational systems. visual and other skills Systems and people can use these patterns and models to derive insights • Speed data analysis with in-database that enable them to consistently make the right decision at the point of performance and minimized data impact.
    [Show full text]
  • Statistický Software
    Statistický software 1 Software AcaStat GAUSS MRDCL RATS StatsDirect ADaMSoft GAUSS NCSS RKWard[4] Statistix Analyse-it GenStat OpenEpi SalStat SYSTAT The ASReml GoldenHelix Origin SAS Unscrambler Oxprogramming Auguri gretl language SOCR UNISTAT BioStat JMP OxMetrics Stata VisualStat BrightStat MacAnova Origin Statgraphics Winpepi Dataplot Mathematica Partek STATISTICA WinSPC EasyReg Matlab Primer StatIt XLStat EpiInfo MedCalc PSPP StatPlus XploRe EViews modelQED R SPlus Excel Minitab R Commander[4] SPSS 2 Data miningovýsoftware n Cca 20 až30 dodavatelů n Hlavníhráči na trhu: n Clementine, IBM SPSS Modeler n IBM’s Intelligent Miner, (PASW Modeler) n SGI’sMineSet, n SAS’s Enterprise Miner. n Řada vestavěných produktů: n fraud detection: n electronic commerce applications, n health care, n customer relationship management 3 Software-SAS n : www.sas.com 4 SAS n Společnost SAS Institute n Vznik 1976 v univerzitním prostředí n Dnes:největšísoukromásoftwarováspolečnost na světě (více než11.000 zaměstnanců) n přes 45.000 instalací n cca 9 milionů uživatelů ve 118 zemích n v USA okolo 1.000 akademických zákazníků (SAS používávětšina vyšších a vysokých škol a výzkumných pracovišť) 5 SAS 6 SAS 7 SAS q Statistickáanalýza: Ø Popisnástatistika Ø Analýza kontingenčních (frekvenčních) tabulek Ø Regresní, korelační, kovariančníanalýza Ø Logistickáregrese Ø Analýza rozptylu Ø Testováníhypotéz Ø Diskriminačníanalýza Ø Shlukováanalýza Ø Analýza přežití Ø … 8 SAS q Analýza časových řad: Ø Regresnímodely Ø Modely se sezónními faktory Ø Autoregresnímodely Ø
    [Show full text]
  • Stručný Návod K Ovládání IBM SPSS Statistics a IBM SPSS Modeler Autor Doc
    STRUČNÝ NÁVOD K OVLÁDÁNÍ IBM SPSS Statistics 19 a IBM SPSS Modeler 14 Pavel PETR Ústav systémového inženýrství a informatiky Fakulta ekonomicko – správní UNIVERZITA PARDUBICE 2012 Obsah 1. Základní informace o programu IBM SPSS Statistics .............................................. 4 1.1. Základní moduly IBM SPSS Statistics 19 ........................................................ 4 2. Program IBM SPSS Statistics ................................................................................... 6 2.1. Prostředí programu IBM SPSS Statistics.......................................................... 6 2.2. Okna v programu IBM SPSS Statistics ............................................................ 8 2.2.1. Datové okno .............................................................................................. 8 2.2.2. Výstupové okno ...................................................................................... 13 2.3. Základní ovládání programu IBM SPSS Statistics ......................................... 19 2.3.1. Soubor (File) ........................................................................................... 20 2.3.2. Úpravy (Edit) .......................................................................................... 22 2.3.3. Pohled (View) ......................................................................................... 24 3. Základní informace o programu IBM SPSS Modeler ............................................ 26 3.1. Fáze CRISP-DM ............................................................................................
    [Show full text]
  • Comparison of Commonly Used Statistics Package Programs
    Black Sea Journal of Engineering and Science 2(1): 26-32 (2019) Black Sea Journal of Engineering and Science Open Access Journal e-ISSN: 2619-8991 BSPublishers Review Volume 2 - Issue 1: 26-32 / January 2019 COMPARISON OF COMMONLY USED STATISTICS PACKAGE PROGRAMS Ömer Faruk KARAOKUR1*, Fahrettin KAYA2, Esra YAVUZ1, Aysel YENİPINAR1 1Kahramanmaraş Sütçü Imam University, Faculty of Agriculture, Department of Animal Science, 46040, Onikişubat, Kahramanmaraş, Turkey 2Kahramanmaraş Sütçü Imam University, Andırın Vocational School, Computer Technology Department, 46410, Andırın, Kahramanmaras, Turkey. Received: October 17, 2018; Accepted: December 04, 2018; Published: January 01, 2019 Abstract The specialized computer programs used in the collection, organization, analysis, interpretation and presentation of the data are known as statistical software. Descriptive statistics and inferential statistics are two main statistical methodologies in some of the software used in data analysis. Descriptive statistics summarizes data in a sample using indices such as mean or standard deviation. Inferential statistics draws conclusions that are subject to random variables such as observational errors and sampling variation. In this study, statistical software used in data analysis is examined under two main headings as open source (free) and licensed (paid). For this purpose, 5 most commonly used software were selected from each groups. Statistical analyzes and analysis outputs of this selected software have been examined comparatively. As a result of this study, the features of licensed and unlicensed programs are presented to the researchers in a comparative way. Keywords: Statistical software, Statistical analysis, Data analysis *Corresponding author: Kahramanmaraş Sütçü Imam University, Faculty of Agriculture, Department of Animal Science, 46040, Onikişubat, Kahramanmaraş, Turkey E mail: [email protected] (Ö.
    [Show full text]
  • The R Project for Statistical Computing a Free Software Environment For
    The R Project for Statistical Computing A free software environment for statistical computing and graphics that runs on a wide variety of UNIX platforms, Windows and MacOS OpenStat OpenStat is a general-purpose statistics package that you can download and install for free. It was originally written as an aid in the teaching of statistics to students enrolled in a social science program. It has been expanded to provide procedures useful in a wide variety of disciplines. It has a similar interface to SPSS SOFA A basic, user-friendly, open-source statistics, analysis, and reporting package PSPP PSPP is a program for statistical analysis of sampled data. It is a free replacement for the proprietary program SPSS, and appears very similar to it with a few exceptions TANAGRA A free, open-source, easy to use data-mining package PAST PAST is a package created with the palaeontologist in mind but has been adopted by users in other disciplines. It’s easy to use and includes a large selection of common statistical, plotting and modelling functions AnSWR AnSWR is a software system for coordinating and conducting large-scale, team-based analysis projects that integrate qualitative and quantitative techniques MIX An Excel-based tool for meta-analysis Free Statistical Software This page links to free software packages that you can download and install on your computer from StatPages.org Free Statistical Software This page links to free software packages that you can download and install on your computer from freestatistics.info Free Software Information and links from the Resources for Methods in Evaluation and Social Research site You can sort the table below by clicking on the column names.
    [Show full text]
  • Machine Learning
    1 LANDSCAPE ANALYSIS MACHINE LEARNING Ville Tenhunen, Elisa Cauhé, Andrea Manzi, Diego Scardaci, Enol Fernández del Authors Castillo, Technology Machine learning Last update 17.12.2020 Status Final version This work by EGI Foundation is licensed under a Creative Commons Attribution 4.0 International License This template is based on work, which was released under a Creative Commons 4.0 Attribution License (CC BY 4.0). It is part of the FitSM Standard family for lightweight IT service management, freely available at www.fitsm.eu. 2 DOCUMENT LOG Issue Date Comment Author init() 8.9.2020 Initialization of the document VT The second 16.9.2020 Content to the most of chapters VT, AM, EC version Version for 6.10.2020 Content to the chapter 3, 7 and 8 VT, EC discussions Chapter 2 titles 8.10.2020 Chapter 2 titles and Acumos added VT and bit more to the frameworks Towards first full 16.11.2020 Almost every chapter has edited VT version First full version 17.11.2020 All chapters reviewed and edited VT Addition 19.11.2020 Added Mahout and H2O VT Fixes 22.11.2020 Bunch of fixes based on Diego’s VT comments Fixes based on 24.11.2020 2.4, 3.1.8, 6 VT discussions on previous day Final draft 27.11.2020 Chapters 5 - 7, Executive summary VT, EC Final draft 16.12.2020 Some parts revised based on VT comments of Álvaro López García Final draft 17.12.2020 Structure in the chapter 3.2 VT updated and smoke libraries etc.
    [Show full text]
  • V/ E211 'Igl't8 Ged0w191
    INSTITUTO COLOMBIANO PARA LA EVALUACION DE LA EDUCACION ICFES INVITACION DIRECTA A PRESENTAR OFERTA IDENTIFICACION DE LA INVITACION ICFES- SD- FECHA DE INVITACION 1 23/09/2013 Bogotá D.0 Señor (a) ARIAS ROBLEDO CARLOS ANDRES CALLE 186 C BIS NO. 15 69 INT 1 APTO 503 Tel: 3202275273 La Ciudad Cordial Saludo, El Instituto Colombiano para la Evaluación de la Educación - ICFES, lo invita a presentar oferta dentro del proceso de la referencia, conforme los siguientes requerimientos - OBJETO Prestación de servicios profesionales para apoyar a la Subdirecci ón de Estadística en la sistematización de datos y la estandarización de procesos en los programas y software estad isticos, la elaboración de rutinas estad isticas para el análisis de la información y el procesamientos de datos para la generación de reportes de resultados y análisis. d' . cumpirrn-Enin tre ra5---nurrgactUTILMte este contrato currusp-onoe a una oota por &bkl-dbhá - •r -13; ' lltr . Wi -reaSí • ' - - - • - - - I • -. •se-a•... se - si: . ea „ e. • - • ..e - instrucciones del ICFFS y por su cuenta y riesgo Por ende todos In derechos. E211011118 1148110CoY)ts0111411,1111°In81 eAffirlea 'igl't8Moged0W191/5ryllncIS11011VoSxclelvea alb_k__. 91.V/ _ la presente invitaci ón, ó pueden ser consultados en el link , http://www.icfes.gov.cor En el caso de que el adjudicatario sea persona natural y el contrato a suscribir sea de prestación de servicios personales, deber á diligenciar la hoja de vida y la declaración de bienes y rentas, a través del sistema dispuesto por el SIGEP, conforme a lo dispuesto en el decreto 2842 de 2010, antes de suscribir contrato.
    [Show full text]