LABORATORIO DE ANALISIS MULTIDIMENSIONAL EJERCICIO Nº01: PERCEPCIONES DE 100 SUJETOS SOBRE SIETE ATRIBUTOS DE UN PRODUCTO Previo al desarrollo de este

tipo de análisis, se verificó la adecuación del Análisis Factorial a los datos disponibles, obteniéndose los siguientes resultados: a. Identificación del determinante de la matriz de correlaciones: El determinante ha obtenido un

valor de 0,066, valor que es extremadamente bajo, lo cual indica la existencia de correlaciones altas entre las variables, lo que nos aconseja aplicar esta técnica.

b.

Test de esfericidad de Bartlett: El valor obtenido es de 260,639 con un valor p = 0,000, que es

significativo a un nivel de significancia de 0,05, resultado que indica que la matriz de correlaciones no es una matriz de identidad e indica, además, la existencia de correlaciones significativas así como que la matriz de datos es adecuada para proceder al análisis factorial.

TABLA Nº01: PRUEBA DE ESFERICIDAD DE BARTLETT
KMO y prueba de Bartlett Prueba de esfericidad de Bartlett Chi-cuadrado aproximado gl Sig. 260,639 21 ,000

Fuente: Elaboración propia en base a SPSS v. 18.0

c.

Medida de adecuación de la muestra KMO de Kaiser-Meyer- Olkin

Este valor es 0,556 que es un valor aceptable y nos indica que podemos aplicar esta técnica, dado que las correlaciones entre pares de variables no pueden ser explicadas por las otras variables. TABLA Nº02: MEDIDA DE ADECUACION MUESTRAL DE KAISER-MAYER.OLKIN
KMO y prueba de Bartlett Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,556

Fuente: Elaboración propia en base a SPSS v. 18.0

d.

Medida de adecuación de la muestra MSA: Este índice queda reflejado en la diagonal principal

de la matriz de correlaciones anti – imagen. Los resultados de nuestro estudio nos indican valores altos que oscilan entre 0,655 y 0,712, lo que aconseja la aplicación de esta técnica.

TABLA Nº03: MEDIDA DE ADECUACION DE LA MUESTRA MSA

Matrices anti-imagen IMAGEN DEL NIVEL PERSONAL CALIDAD VELOCIDAD DE FLEXIBILIDAD IMAGEN DE DE DE ENTREGADA PRECIO DE PRECIO FABRICANTE SERVICIO VENTAS PRODUCTO .511 .125 -.431 .080 -.686 -.068 .394 .125 -.431 .604 .125 .125 .655 .091 .089 -.340 .214 -.087 -.092 -.107 .150

Correlación anti-imagen

VELOCIDAD ENTREGADA NIVEL DE PRECIO FLEXIBILIDAD DE PRECIO IMAGEN DE FABRICANTE SERVICIO IMAGEN DEL PERSONAL DE VENTAS CALIDAD DE PRODUCTO

.080

.091

.089

.543

-.210

-.770

-.029

-.686 -.068

-.340 -.087

.214 -.092

-.210 -.770

.470 .063

.063 .542

-.178 -.090

.394

-.107

.150

-.029

-.178

-.090

.712

Fuente: Elaboración propia en base a SPSS v. 18.0

TABLA Nº04: RESULTADOS DE COMPONENTES PRINCIPALES PARA EXAMINAR LA CALIDAD DE UN PRODUCTO
Componente
Auto valores iniciales Valor Propio % varianza inicial % varianza acumulada

Rotación
% varianza después de la rotación 30.465 26.435 21.469 % varianza acumulada

1 2 3

2.188 2.138 1.160

31.255 30.544 16.570

31.255 61.799 78.369

30.465 56.900 78.369

Fuente: Elaboración propia en base a SPSS v. 18.0

544% y los dos primeros tomados conjuntamente consiguen explicar un 61.799% de la varianza inicial. para interpretar su significado se analizó la composición de las saturaciones factoriales. en el cual se incluyen sólo las dimensiones o factores o llamados también componentes con valor propio superior a la unidad. se les asignó un nombre a los factores identificados de la calidad de un producto . resultó conformada por tres factores o dimensiones con valor propio superior a la unidad. valor calificado como adecuado. valorado por el instrumento.435% de la varianza después de la rotación respectivamente.369% de la varianza total.465% y 26. que en conjunto explican 78.255% del total de la información (varianza). por sus diferencias individuales en el constructo calidad de servicio de un producto. el segundo el 30. y de acuerdo con ellas.40(valor especificado como criterio de relevancia para aceptar las variables de evaluación para el factor) de esta forma obtuvimos que ninguna variable fue eliminada. Una vez determinado el número de factores a conservar. Se retuvieron variables con pesos factoriales superiores a 0.FIGURA Nº1: GRAFICO DE SEDIMENTACION La Tabla Nº04 muestra en forma resumida la extracción producida por el método de Análisis de Componentes Principales. El primero explica un 31. Los dos primeros factores explican el 30. La solución factorial obtenida mediante el método de Análisis de Componentes Principales.

consta de 3 variables.IMAGEN DEL PERSONAL DE VENTAS 4. La Tabla Nº06 muestra la configuración de este segundo factor. La segunda Dimensión Valor de los recursos e imagen. 18.817 0.CALIDAD DEL PRODUCTO 0.881 0. TABLA Nº05 DIMENSIÓN 1: Valor del servicio Variables Peso Factorial Comunalidad 1.635 Fuente: Elaboración propia en base a SPSS v.807 0. 18.797 -0.889 Fuente: Elaboración propia en base a SPSS v.SERVICIO 2.768 0.931 0.VELOCIDAD ENTREGADA 3.La primera Dimensión Valor del servicio quedó conformada por 3 variables. agrupa 2 variables.NIVEL DE PRECIO 0. La Tabla Nº07 muestra la configuración de este tercer factor.825 0.0 TABLA Nº07 DIMENSIÓN 3: Valor del préstamo y apoyo en el servicio Variables Peso Factorial Comunalidad 5. La tercera Dimensión Valor del préstamo y apoyo en el servicio.934 0.651 0.IMAGEN DE FABRICANTE 0.737 Fuente: Elaboración propia en base a SPSS v.0 . 18.FLEXIBILIDAD DE PRECIO 7. La Tabla Nº05 muestra las variables que conforman este primer factor.763 0.0 TABLA Nº06 DIMENSIÓN 2: Valor de los recursos e imagen Variables Peso Factorial Comunalidad 6.868 0.

.847 con un valor p = 0.000.OLKIN KMO y prueba de Bartlett Medida de adecuación muestral de Kaiser-Meyer-Olkin. dado que las correlaciones entre pares de variables no pueden ser explicadas por las otras variables. resultado que indica que la matriz de correlaciones no es una matriz de identidad e indica. 18.41*10-13.Olkin Este valor es 0.819 Fuente: Elaboración propia en base a SPSS v.847 Fuente: Elaboración propia en base a SPSS v. obteniéndose los siguientes resultados: a. valor que es extremadamente bajo. se verificó la adecuación del Análisis Factorial a los datos disponibles. la existencia de correlaciones significativas así como que la matriz de datos es adecuada para proceder al análisis factorial.05. b.000 Chi-cuadrado aproximado 1385.914.EJERCICIO Nº02: DATA PARA EL ANÁLISIS FACTORIAL SISTEMAS Previo al desarrollo de este tipo de análisis. 378 . TABLA Nº09: MEDIDA DE ADECUACION MUESTRAL DE KAISER-MAYER. además. Medida de adecuación de la muestra MSA: Este índice queda reflejado en la diagonal principal de la matriz de correlaciones anti – imagen.0 d. TABLA Nº08: PRUEBA DE ESFERICIDAD DE BARTLETT KMO y prueba de Bartlett Prueba de esfericidad de Bartlett gl Sig.899 y 0. lo que nos aconseja aplicar esta técnica. Los resultados de nuestro estudio nos indican valores altos que oscilan entre 0. . Medida de adecuación de la muestra KMO de Kaiser-Meyer.819 que es un valor aceptable y nos indica que podemos aplicar esta técnica. Test de esfericidad de Bartlett: El valor obtenido es de 1385. lo que aconseja la aplicación de esta técnica. 18. lo cual indica la existencia de correlaciones altas entre los ítems. Identificación del determinante de la matriz de correlaciones: El determinante ha obtenido un valor de 1.0 c. que es significativo a un nivel de significancia de 0.

TABLA Nº10: RESULTADOS DE COMPONENTES PRINCIPALES Componentes Valor Propio 14.998 49.713 4.831 % varianza acumulada 51.940 72.092 4.888 % varianza acumulada 19.559 2.453 15.073 % varianza Inicial 51.090 64.453 34.320 1.158 1.776 62.0 FIGURA Nº2: GRAFICO DE SEDIMENTACION .544 14.803 68.106 9.770 1 2 3 4 5 Fuente: Elaboración propia en base a SPSS v.137 3.998 60. 18.998 8.266 1.770 % varianza después de la rotación 19.882 72.778 13.

La Tabla Nº14 muestra la configuración de este cuarto factor. La Tabla Nº15 muestra la configuración de este quinto factor. se les asignó un nombre a los factores identificados de la calidad de servicio del jardín children. para interpretar su significado se analizó la composición de las saturaciones factoriales.803% de la varianza inicial. agrupa 6 variables.998% del total de la información (varianza). La Tabla Nº11 muestra las variables que conforman este primer factor. El primero explica un 51. por sus diferencias individuales en el constructo calidad de servicio del jardín Children. La quinta Dimensión Valor del préstamo y apoyo en el servicio. Se retuvieron variables con pesos factoriales superiores a 0.770% de la varianza total. consta de 3 variables. . el segundo el 8. y de acuerdo con ellas. La segunda Dimensión Valor de los recursos e información. Una vez determinado el número de factores a conservar. La cuarta Dimensión Valor del préstamo y apoyo en el servicio. que en conjunto explican 72. consta de 3 variables.092% y los tres primeros tomados conjuntamente consiguen explicar un 64. consta de 3 variables.544% de la varianza después de la rotación respectivamente. La Tabla Nº13 muestra la configuración de este tercer factor. La solución factorial obtenida mediante el método de Análisis de Componentes Principales. resultó conformada por cinco factores o dimensiones con valor propio superior a la unidad. La primera Dimensión Valor de quedó conformada por 7 variables. valor calificado como adecuado. Los dos primeros factores explican el 19.La Tabla Nº10 muestra en forma resumida la extracción producida por el método de Análisis de Componentes Principales. La Tabla Nº12 muestra la configuración de este segundo factor. La tercera Dimensión Valor del préstamo y apoyo en el servicio.40(valor especificado como criterio de relevancia para aceptar las variables de evaluación para el factor) de esta forma obtuvimos que ninguna variable fue eliminada. valorado por el instrumento.453% y 15. en el cual se incluyen sólo las dimensiones o factores o llamados también componentes con valor propio superior a la unidad.

650 0.673 Fuente: Elaboración propia en base a SPSS v. 5.732 0. 11. Los profesores del Jardín Children's Paradise cuentan con conocimientos y preparación profesional suficiente para resolver las preguntas de sus alumnos. 18.528 Fuente: Elaboración propia en base a SPSS v.745 0.0 TABLA Nº12 DIMENSIÓN 2: Variables Peso Factorial Comunalidad 10.528 0.67 24. pizarras. 20. 0.812 0.674 0.608 0. Los compromisos asumidos por el Jardín Children's Paradise en beneficio de las alumnas se cumplen en el tiempo.0 .664 0.705 0. 18.759 19.621 0.TABLA Nº11 DIMENSIÓN 1: Variables Peso Factorial 0.659 0. 3.765 0. 23. sus profesores muestran un sincero interés en solucionarlo. 18. El personal docente y de apoyo del Jardín Children's Paradise comprenden las necesidades específicas de sus alumnas. El personal docente del Jardín Children's Paradise siempre está dispuesto a apoyar a las alumnas en sus consultas académicas. El personal docente del Jardín Children's Paradise brinda información completa y adecuada a las alumnas para la realización de sus tareas y trabajos. servicios higiénicos y otros) son pulcros y de calidad.684 0. Los servicios asociados al servicio del Jardín Children's Paradise (aulas. Cuando una alumna tiene un problema académico. 0. El personal docente del Jardín Children's Paradise no brinda conocimientos erróneos en el servicio educativo que brinda. El Jardín Children's Paradise tiene señalizadas las zonas de emergencia y seguridad. El Jardín Children's Paradise demuestra flexibilidad y capacidad para hacer frente a imprevistos y dificultades. En el Jardín Children's Paradise entregan el servicio solicitado a la primera 0.778 0. Los accesos a las instalaciones del Jardín Children's Paradise son adecuados.800 0.769 0. 9.616 0. 13.813 0.633 0.803 Comunalidad 21. 14.762 0. Los profesores del Jardín Children's Paradise brindan una atención individualizada y/o personalizada.710 0. 0.

El Jardín Children's Paradise se preocupa por tener ambientes físicos pulcros y en buen estado de funcionamiento. 6. El Jardín Children's Paradise cuenta con equipos de seguridad. 8. Las instalaciones físicas del Jardín Children's Paradise son visualmente atractivas.478 0.685 0. el personal del Jardín Children's Paradise que lo atiende le brinda una respuesta que lo satisface (rápida y adecuada).728 0. Los profesores del Jardín Children's Paradise tienen horarios de trabajo convenientes para atender a los padres de familia.827 0. 28.629 0.580 0.568 0.530 0. 0. Los padres de familia se sienten seguros con el servicio educativo que reciben del Jardín Children's Paradise. 17.633 Comunalidad 2. 7. Generalmente se observa planificación y coordinación en las actividades del Jardín Children's Paradise.834 Fuente: Elaboración propia en base a SPSS v.0 .0 TABLA Nº14 DIMENSIÓN 4: Variables Peso Factorial Comunalidad 26.731 0.722 0. emergencia y botiquines.724 0. 27.755 0. 18. Cuando usted tiene una duda posterior a la prestación del servicio.TABLA Nº13 DIMENSIÓN 3: Variables Peso Factorial 0. 22. 1.821 Fuente: Elaboración propia en base a SPSS v.830 0.630 0.744 0. El Jardín Children's Paradise cuenta con equipos y medios y materiales educativos suficientes y en buen estado de funcionamiento. 0. El tiempo de atención para obtener un servicio es satisfactorio y adecuado en el Jardín Children's Paradise. El personal del Jardín Children's Paradise tienen apariencia pulcra.628 0.630 0. 18.

582 0.683 0. 0.406 28 .487 0. obteniéndose los siguientes resultados: a.05.588 0. 16. TABLA Nº16: PRUEBA DE ESFERICIDAD DE BARTLETT KMO y prueba de Bartlett Prueba de esfericidad de Bartlett Chi-cuadrado aproximado gl Sig. valor que es extremadamente bajo.0 .000 Fuente: Elaboración propia en base a SPSS v.485 0. 18. 4. b. se verificó la adecuación del Análisis Factorial a los datos disponibles.731 0. 25. Identificación del determinante de la matriz de correlaciones: El determinante ha obtenido un valor de 6.406 con un valor p = 0. El personal del Jardín Children's Paradise que le brinda el servicio demuestra estar capacitado para ofrecer un pronto servicio.81*10-6. la existencia de correlaciones significativas así como que la matriz de datos es adecuada para proceder al análisis factorial. Test de esfericidad de Bartlett: El valor obtenido es de 184. 18.000. 15.697 0. 184. que es significativo a un nivel de significancia de 0.547 0. lo cual indica la existencia de correlaciones altas entre las variables. El Jardín Children's Paradise brinda información a los padres de familia sobre el avance de su trámite administrativo y cuando éste concluirá. además. Los profesores del Jardín Children's Paradise siempre son amables actividades del Jardín Children's Paradise.750 Fuente: Elaboración propia en base a SPSS v. lo que nos aconseja aplicar esta técnica. resultado que indica que la matriz de correlaciones no es una matriz de identidad e indica.705 0.TABLA Nº15 DIMENSIÓN 5: Variables Peso Factorial Comunalidad 12.0 EJERCICIO Nº03: DATA PARA EL ANÁLISIS FACTORIAL ASIGNATURAS Previo al desarrollo de este tipo de análisis. El comportamiento y expresiones no verbales de los profesores del Jardín Children's Paradise transmiten confianza. Obtuvo un servicio conforme al calendario y en la fecha que fue ofrecido por el Jardín Children's Paradise.

OLKIN KMO y prueba de Bartlett Medida de adecuación muestral de Kaiser-Meyer-Olkin.509 -.228 ED_FISI CA -.737 -.241 -.023 FISICA INGLES FILOSOFIA HISTORIA QUIMICA -.370 Correlación anti-imagen LENGUA MATEMATICAS FISICA INGLES FILOSOFIA HISTORIA QUIMICA ED_FISICA TABLA Nº19: RESULTADOS DE COMPONENTES PRINCIPALES Valor Componentes Propio % varianza Inicial % varianza acumulada % varianza después de la rotación % varianza acumulada 1 2 3.469 .080 36.373 -.396 -. lo que aconseja la aplicación de esta técnica.659 que es un valor aceptable y nos indica que podemos aplicar esta técnica.439 49.205 .0 .469 .643 -.039 -.190 .130 47.362 .982 2.659 .c.241 . TABLA Nº17: MEDIDA DE ADECUACION MUESTRAL DE KAISER-MAYER.277 .586 -.228 .778 -.229 .396 .590 -. Medida de adecuación de la muestra MSA: Este índice queda reflejado en la diagonal principal de la matriz de correlaciones anti – imagen. Medida de adecuación de la muestra KMO de Kaiser-Meyer.455 .195 .023 -.586 .205 MATEMATICA .080 83.277 -.373 .039 -.778 -.914.771 83.645 -. .301 -.Olkin Este valor es 0.059 .0 d. TABLA Nº18: MEDIDA DE ADECUACION DE LA MUESTRA MSA Matrices anti-imagen LENGUA . Los resultados de nuestro estudio nos indican valores altos que oscilan entre 0.237 .362 -.455 .447 -.658 .645 -. dado que las correlaciones entre pares de variables no pueden ser explicadas por las otras variables.740 .469 -.143 -.359 .237 -.899 y 0.469 .672 -.448 -.190 . 18.229 -.659 Fuente: Elaboración propia en base a SPSS v.059 -.448 .359 .447 -.044 -.195 -.771 33.608 .301 -.044 -.143 -.608 .675 49. 18.210 47.210 Fuente: Elaboración propia en base a SPSS v.509 .

Se retuvieron variables con pesos factoriales superiores a 0. en el cual se incluyen sólo las dimensiones o factores o llamados también componentes con valor propio superior a la unidad.FIGURA Nº3: GRAFICO DE SEDIMENTACION La Tabla Nº19 muestra en forma resumida la extracción producida por el método de Análisis de Componentes Principales. valor calificado como adecuado.210% de la varianza total.40(valor especificado como criterio de relevancia para aceptar las variables de evaluación para el factor) de esta forma obtuvimos que ninguna variable fue eliminada. . que en conjunto explican 83.080% y 36. por sus diferencias individuales en el constructo calidad de servicio del jardín Children. Los dos primeros factores explican el 47. El primero explica un 49. resultó conformada por dos factores o dimensiones con valor propio superior a la unidad. La solución factorial obtenida mediante el método de Análisis de Componentes Principales.130% de la varianza después de la rotación respectivamente.771% de la varianza inicial. valorado por el instrumento.

959 0. La segunda Dimensión Valor de los recursos e información. TABLA Nº20 DIMENSIÓN 1: Variables LENGUA HISTORIA INGLES FILOSOFIA ED_FISICA Peso Factorial 0.955 0.0 TABLA Nº20 DIMENSIÓN 1: Variables FISICA MATEMATICAS QUIMICA Peso Factorial 0. y de acuerdo con ellas.949 0. agrupa 2 variables.975 0. se les asignó un nombre a los factores identificados de la calidad de servicio del jardín children.Una vez determinado el número de factores a conservar. La Tabla Nº20 muestra las variables que conforman este primer factor. La Tabla Nº21 muestra la configuración de este segundo factor. 18.930 0.841 0.146 Fuente: Elaboración propia en base a SPSS v.963 0.0 .977 0. para interpretar su significado se analizó la composición de las saturaciones factoriales.957 0.973 Comunalidad 0.920 0.954 Fuente: Elaboración propia en base a SPSS v.380 Comunalidad 0. La primera Dimensión Valor del servicio quedó conformada por 3 variables.907 0. 18.974 0.

Fósforo (P).134 0.353 0.4 43.244 0.439 0.0 132.365 0.131 0.306 0.83 0.157 0. Realice el Análisis Cluster Jerárquico y no Jerárquico para los datos y obtenga las conclusiones correspondientes Países Bélgica Bélgica Bélgica Bélgica Bélgica Bélgica Bélgica Bélgica Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Escocia Polonia Suiza Suiza Suiza Suiza Suiza Suiza Holanda Holanda Holanda Holanda Holanda B 0.3 42.126 0.279 0.5 115.0 40.355 1.500 0.733 0.45 1.168 0.3 81.440 0.9 80.2 34.1 98.232 0.6 76.96 5.397 0.6 147.811 0.9 135.3 102.360 0.077 0.026 0.3 126.37 1.040 0.1 84.3 125.2 76.327 0. Calcio (CA).18 1.22 0.288 0.032 0.050 0.433 0.80 1.084 0.040 0.0 44.575 0.3 69.7 170. Potasio (K).564 0.151 0.148 0.8 77.504 0.4 31.7 95.045 1.6 96.6 94.12 1. Manganeso (MN).0 80. Bario (BA).324 0. y Zinc (ZN).402 0.5 93.059 0.6 76.202 0.084 0.2 64.172 0.646 0.7 82.26 0.054 0.5 117.5 70.172 0.136 0.98 2.4 39.771 0.410 0.217 0.045 0.114 0.6 48.471 CA 109.48 2.794 0.253 0.44 2.050 0.6 90.85 0.445 0.193 0.453 0.4 76.5 K 1802 1797 1634 1504 1486 1464 1761 1731 1233 1640 1753 1759 1814 1793 1809 1779 1570 1564 1585 1553 1518 1713 1693 1128 1130 1593 1555 1559 1462 1456 1305 1327 1549 1420 1387 1507 1484 Mg 102.60 0.3 85.35 1.3 34.196 0.323 0. Los elementos químicos medidos fueron: Boro (B).479 0.7 64.034 0.12 4.7 79.270 0.514 0.330 0.404 0.5 144.434 0.411 0.98 1.220 0.517 1.133 0.0 76.305 0.4 157.231 0.225 0.2 81.7 Mn 0.9 73.9 RB 2.8 266. Rubidio (RB).276 0.7 28.14 2.6 171.491 1.11 3. Interesa conocer si las muestras provenientes del mismo país forman agrupamientos diferentes a los formados por otros países.8 77.578 0.271 0.11 1.9 81.265 0.328 0.709 0.1 86.7 389.145 0.393 0.6 84.9 102.149 0.089 0.237 0.261 0.805 0.23 2.431 0.0 113.073 0.8 113.356 0.051 0.5 74.99 7.2 121.28 5.9 127.162 0.10 2.23 1.9 124.4 61.0 44.3 70.604 0.1 120.455 0.291 0.236 0.609 0.9 36.4 82.7 88.472 0.2 93.1 45.013 1.5 94.542 0.08 ZN 0.6 194.1 87.273 0.119 0.174 0.6 89.150 0.073 0.4 53.45 3.26 0.217 0.11 1.4 42.3 143.3 39.048 0.4 75.265 0.59 0. Magnesio (MG).170 0.2 270.337 .017 1.9 52.754 0.127 0.1 114.758 BA 0.7 43.7 38.277 0.11 0.268 0.117 0.453 0.3 43.74 2.9 119.1 124.9 119.82 1.5 192.068 0.4 104.020 0.144 0.5 109.092 0.4 103.544 P 122.633 0.795 0.89 1.087 0.0 111.156 0.4 121.065 0.298 0.2 91.200 0.477 0.464 0.6 84.031 0.ANALISIS CLUSTER 1.744 0.5 148.130 0.5 81.1 108.5 33.1 132.4 95.99 1.554 0. Un investigador midió las cantidades de nueve elementos químicos diferentes que se encuentran presentes en el jugo de naranja.0 75.135 0.176 0.8 137.421 0.3 125.5 399.112 0.417 0.6 95.181 0.4 119.050 0.132 0.194 0.247 0.125 0.48 4.0 74.160 0.26 2.

271 16. MATRIZ DE DISTANCIA distancia euclídea al cuadrado Caso 1:BELGICA 1:BELGICA 2:ESCOCIA 3:SUIZA 4:HOLANDA 5:POLONIA . Las dos columnas siguientes indican cuando se forma por primera vez un multicluster.271 15.366 . Por ejemplo: En primer lugar se une el país 2 (Escocia) con el 5 (Polonia) como se observa los que tienen menor distancia entre si (7.6220 0.000 20.012 7.26 201.2000 124.271.000 26. En él se unen el país 1(Bélgica) que ya esta unido en el paso 2 al país 4(Holanda) y el 2 (Escocia) que esta unido al 5(Polonia).152 20. HISTORIAL DE CONGLOMERACIONES ETAPAS Conglomerado que se combina Etapa en la que el conglomerado aparece por primera vez Próxima etapa 3 3 4 0 1 2 3 4 Conglomerado Conglomerado Conglomerado Conglomerado 1 2 Coeficientes 1 2 2 5 7.500 0.356 5:POLONIA 15.599 0 0 1 1 1 4 2 3 10.0570 0. elementos químicos. Matriz de distancia: Esta matriz señala la distancia entre los individuos (países.0000 RUBIDIO 37.6000 137. PAIS BELGICA ESCOCIA SUIZA HOLANDA POLONIA BORO 0.209 0 2 3 0 1 0 .599).537 17.1310 FOSFORO 148.411 7.) según la distancia euclidiana al cuadrado.704 20. un grupo de dos individuos.704 10.599 3:SUIZA 29.37 1590.5958 0.800 11.2790 0.515 29.012 2:ESCOCIA 17.00 MAGNESIO 98.3600 31.40 1593.0200 CALCIO 126.000 b.100 ZINC 0.1550 0.58 83.68 42.4988 11. En segundo lugar se unen el país 1 (Bélgica) con el 4 (Holanda). ambos los separan una distancia de 10.00 1469.615 .5862 0.23 1444.Lo primero que hacemos sacar el promedio de cada químico que se da en cada país para poder trabajar mejor con valores medios.152 4:HOLANDA 10.1690 0.271 17.00 MANGANESO 0. es decir.5170 BARIO 0.33 74.3702 0.3378 0.95 39.7170 157.599 16.56 84.2760 0.000 17. Historial de conglomeraciones: Nos va indicando el orden de las uniones y la distancia a lo que hacen.1923 0.515 .3092 0. ( Esta matriz es simétrica y si la observamos que el primer cluster estará formado por aquellos países mas cercanos con menor distancia entre ellos) Polonia y Escocia.1340 ANALISIS CLUSTER JERARQUICO-COMPONENTES EN UN JUGO DE NARANJA a.000 20.324 23.356 .411 26.52 88.366 16. etc.615 16.04 73.5125 103. Esto sucede en el paso 3.90 POTASIO 1647.040 0.5542 0.5248 0.

c. En nuestro ejemplo.  TRABAJANDO CON CLUSTER 3 Los grupos que se forman son los siguientes: CLUSTER 1 Bélgica Holanda CLUSTER 2 Escocia Polonia CLUSTER 3 Suiza CASOS 1: A-BELGICA 2: B-ESCOCIA 3: C-SUIZA 4: D-HOLANDA 5: E-POLONIA 3 CONGLOMERADOS 1 2 3 1 2 . después el país de Bélgica se unió con los países 2 y 5. después los países Bélgica(1) y Holanda(4). en la primera etapa se agrupan los países de Escocia (2) y Polonia (5). Dendograma: En el dendograma aparece en el eje y los sujetos en el otro.

31676 c.290260 97. que en este caso se dan 3.44167 -.3378 157. Historial de iteraciones: Se ha logrado la convergencia debido a que los centros de los conglomerados no presentan ningún cambio o éste es pequeño.6000 3.ANALISIS CLUSTER NO JERARQUICO-COMPONENTES EN UN JUGO DE NARANJA a.58 . y el historial de iteraciones.54156 1.19677 -1.19842 -.18085 -.4988 . La distancia mínima entre los centros iniciales es de 4.44593 -1.205900 2.53749 -.000 .4148621 .08367 -. Centros iniciales de los conglomerados Conglomerado 1 Puntua: BORO Puntua: BARIO Puntua: CALCIO Puntua: POTASIO Puntua: MAGNESIO Puntua: MANGANESO Puntua: FOSFORO Puntua: RUBIDIO Puntua: ZIN -.1040 .18793 2 -.639760 . Historial de iteraciones a Cambio en los centros de los conglomerados Iteración 1 2 1 1.67234 1.2819495 68.1807058 b. El cambio máximo de coordenadas absolutas para cualquier centro es de .3600 .2602858 .31900 -.34744 .78358 -.11497 . tenemos primero que homogeneizar los datos para eso vamos a Analizar-Estadísticos DescriptivosDescriptivos. donde se incluyen los cambios en los centros de los cluster en cada iteración.12562 1.22766 . La iteración actual es 2.336240 Desv.52 .1340 Máximo 1.00 73.1310 103.43954 1.5958 201.5396 .8000 85.220400 134.53207 -1.0200 39.56930 9.45712 -.2789495 1. ESTADISTICOS DESCRIPTIVOS N BORO BARIO CALCIO POTASIO MAGNESIO MANGANESO FOSFORO RUBIDIO ZIN N válido (según lista) 5 5 5 5 5 5 5 5 5 5 Mínimo .602 .47311 -.26 1444.33 1647.82731 1.68389 -1.08343 87. Centros Iniciales de los Conglomerados: Los resultados que ofrecen el SPSS se refieren a los centros iniciales de los conglomerados.000 .7537 . .84845 .21776 .0244 1548.000.27411 -.000 2 1.37 98. típ. Estadísticos Descriptivos: Para poder sacar el Análisis Cluster no Jerárquico.030740 .2000 .000 3 .43066 1.185.33336 3 1.6220 Media .378 .0956291 21.

378 .31900 -. Pertenencia a los conglomerados: Luego se obtiene la asignación de cada uno de los países a los tres conglomerados fijados previamente.35109 .06256 -.602 1.586 3 5.72626 3 1.44593 -1.602 1.48893 -.53749 -.000 1. Centros de los conglomerados finales Conglomerado 1 Puntua: BORO Puntua: BARIO Puntua: CALCIO Puntua: POTASIO Puntua: MAGNESIO Puntua: MANGANESO Puntua: FOSFORO Puntua: RUBIDIO Puntua: ZIN -.66290 -.53207 -1.047 4. Se observa que los resultados son similares al analisis de conglomerados jerárquicos.060 .07812 .047 4.18085 -.88464 2 -.05568 .82731 1.586 5.88587 1.78358 -.31676 e.d.82171 . Pertenencia a los conglomerados Número de caso 1 2 dimension0 PAIS BELGICA ESCOCIA SUIZA HOLANDA POLONIA Conglomerado 1 2 3 1 2 Distancia 1.80938 -.22151 -.10946 .38519 .50660 .378 3 4 5 Distancias entre los centros de los conglomerados finales Conglomerado 1 dimension0 1 2 3.01502 .88101 1.060 2 3 3.19677 -1. Centros de conglomerados finales: Luego se obtiene el valor de los centroides finales que servirán para asignar los países a cada grupo.42459 -.

019 .676 .033 .092 .126 Sig.000 5.962 1. Los niveles críticos no son corregidos.307 12.908 1.148 1.360 gl 2 2 2 2 2 2 2 2 2 Media cuadrática .ANOVA Conglomerado Media cuadrática Puntua: BORO Puntua: BARIO Puntua: CALCIO Puntua: POTASIO Puntua: MAGNESIO Puntua: MANGANESO Puntua: FOSFORO Puntua: RUBIDIO Puntua: ZIN 1.000 1.483 1. por lo que no pueden interpretarse como pruebas de la hipótesis de que los centros de los conglomerados son iguales.957 20.000 . Número de casos en cada conglomerado Conglomerado 1 2 3 Válidos Perdidos 2.936 5.074 .765 .305 .320 Error Las pruebas F sólo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido elegidos para maximizar las diferencias entre los casos en diferentes conglomerados.324 1.469 1.046 .531 .967 1.516 .695 1.000 .338 .852 .000 2.507 . .038 .996 .560 51.152 .004 1.002 .679 2.320 .640 gl 2 2 2 2 2 2 2 2 2 F 452.

293 6.566 11.922 . Las dos colum nas siguientes indican cuando se forma por primera vez un multicluster.460 4.798 9. ANALISIS CLUSTER JERARQUICO-UNIVERSIDADES DEL PERU a.022 9.980 5.671 10. Con la Data A.527 7.261 4. Por ejemplo: En primer lugar se une la Universidad 37 (Universidad Nacional de Cajamarca) con el 39 (Universidad Nacional de Huancavelica) como se observa los que tienen menor distancia entre si (0.159).2. Historial de conglomeración: Nos va indicando el orden de las uniones y la distancia a lo que hacen.885 1.841 1 0 0 2 1 0 4 0 0 5 7 0 0 0 0 0 8 0 3 0 18 16 0 0 14 Conglomerado 2 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 10 0 9 0 0 11 0 0 21 Próxima etapa 4 3 18 6 9 9 10 16 18 16 21 29 26 24 32 21 27 20 39 26 24 32 30 25 Conglomerado 2 37 25 25 37 35 37 19 16 35 19 27 23 44 11 12 16 17 25 10 25 16 15 7 11 9 i 10 m 11 e 12 n s 13 14 15 16 17 18 19 20 21 22 23 24 i o n 0 . CLUSTER UNIVERSIDADES realizar el Análisis Cluster Jerárquico y no Jerárquico e interpretar los resultados.864 10.252 7.306 4. En él se unen el país 1(Bélgica) que ya esta unido en el paso 2 al país 4(Holanda) y el 2 (Escocia) que esta unido al 5(Polonia).678 11.619 7.159 .485 . es decir.485.952 1. un grupo de dos individuos.718 11.379 1. ambos los separan una distancia de 0.966 4. Historial de conglomeración Etapa Conglomerado que se combina Conglomerado 1 1 2 3 4 5 6 7 8 d Etapa en la que el conglomerado aparece por primera vez Conglomerado Coeficientes 39 30 33 38 45 43 32 21 37 34 31 29 46 14 26 19 40 35 13 41 27 24 8 16 . Esto sucede en el paso 3. En segundo lugar se unen la Universidad 25 (Universidad Nacional San Antonio Abad) con el 30 (Universidad San Cristóbal de Huamanga).324 6.

después los países Bélgica(1) y Holanda(4).25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 11 25 11 9 22 5 25 12 11 12 5 9 5 6 5 2 5 5 2 1 1 20 44 17 18 23 7 36 15 25 22 12 11 9 28 10 4 42 6 5 3 2 13.963 61.773 39.265 13.625 15. Dendograma: En el dendograma aparece en el eje y los sujetos en el otro.248 22.815 73. .828 41.000 24 20 25 0 0 0 26 15 27 32 30 28 35 0 37 0 39 41 40 0 44 0 13 17 0 12 23 0 22 31 29 34 33 36 0 19 0 0 38 42 0 43 27 31 33 36 34 35 33 34 36 35 37 37 39 42 41 43 42 43 45 45 0 b. en la primera etapa se agrupan los países de Escocia (2) y Polonia (5).610 17. después el país de Bélgica se unió con los países 2 y 5.607 20.152 29.545 32.213 14.494 18.758 14.637 30.574 29.302 109.897 18.369 17. En nuestro ejemplo.888 42.

 TRABAJANDO CON CLUSTER 4 Los grupos que se forman son los siguientes: CLUSTER 1 1 CLUSTER 2 2 4 CLUSTER 3 3 CLUSTER 4 5 al 46 .

0000 .0366870 1.0000 46.65456 . Estadísticos descriptivos N INDICE 1 INDICE 2 INDICE 3 INDICE 4 INDICE 5 INDICE 6 INDICE 7 INDICE 8 INDICE 9 INDICE 10 INDICE 11 INDICE 12 INDICE 13 INDICE 14 INDICE 15 INDICE 16 INDICE 17 INDICE 18 N válido (según lista) 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 Mínimo .42762 .0899736 4.69926 -.0617 2.464502 49.37308 b.54070 -.5956 52. tenemos primero que homogeneizar los datos para eso vamos a Analizar-Estadísticos DescriptivosDescriptivos.78536 -1.51620 .115741 14.52498 .2179989 17. típ.78588 -.082296 11.26619 .098482 10.4218968 12.9866008 14.34880 -.0000 .06 51.87907 -.269126 1.00 Máximo 100.1056292 18.84258 -.385779 14.46910 15.0000 .0000 .00 .75917 3.06305 .9001548 23.45857 -.0000 .29709 -.0000 .ANALISIS CLUSTER NO JERARQUICO-UNIVERSIDADES DEL PERU a.0000 .03165 .03981 4.14667 -.1743 13. que en este caso se dan 4.63317 -.05661 5.3445 100.38264 3 -. Centros iniciales de los conglomerados Conglomerado 1 Puntua: INDICE 1 Puntua: INDICE 2 Puntua: INDICE 3 Puntua: INDICE 4 Puntua: INDICE 5 Puntua: INDICE 6 Puntua: INDICE 7 Puntua: INDICE 8 Puntua: INDICE 9 Puntua: INDICE 10 Puntua: INDICE 11 3.1496435 19.50764 -.95408 -.0000 .9870 100.00 Media 26.6296 48.9763156 36. Estadísticos Descriptivos: Para poder sacar el Análisis Cluster no Jerárquico. Centros Iniciales de los Conglomerados: Los resultados que ofrecen el SPSS se refieren a los centros iniciales de los conglomerados.43389 .34880 -.0000 .55 29.339152 10.01741 .00 .0000 .04261 -1.2261349 8.690311 7. 20.35161 .27584 -.21394 -.27184 5.5055379 8.91 29.8807993 5.52985 -.0000 61.315150 12. y el historial de iteraciones.32560 1.21394 -1.49447 -.11553 -.21394 1.6870 5.971925 7.38794 -.12565 6.0000 100. donde se incluyen los cambios en los centros de los cluster en cada iteración.0000 .671941 4.2107 21.32415 2 .4688638 19.26103 7.0000 100.0000 100.71036 -.28576 .0000 .707785 4.0000 .0000 .00 .0000 33.5987912 17.65880 -.6882 18.568122 17.70826 4 -.0040 7.5152 100.719383 2.9758 Desv.

36237 . Centros de los conglomerados finales Conglomerado 1 Puntua: INDICE 1 Puntua: INDICE 2 Puntua: INDICE 3 Puntua: INDICE 4 Puntua: INDICE 5 Puntua: INDICE 6 Puntua: INDICE 7 Puntua: INDICE 8 Puntua: INDICE 9 Puntua: INDICE 10 Puntua: INDICE 11 Puntua: INDICE 12 Puntua: INDICE 13 Puntua: INDICE 14 Puntua: INDICE 15 Puntua: INDICE 16 Puntua: INDICE 17 Puntua: INDICE 18 1.91117 3.603.02175 .28464 -.57514 2.45222 -.21128 .06301 -.91139 1.94066 -.000 a Cambio en los centros de los conglomerados d.25216 1.21287 .04205 .40005 4.39417 .000 4 4.66048 1.44126 -.45222 -.53359 .24442 . Historial de iteraciones Iteración 1 1 2 4.41048 -. Historial de Iteraciones: Se ha logrado la convergencia debido a que los centros de los conglomerados no presentan ningún cambio o éste es pequeño.38500 -.11545 .42576 .31816 .24646 1. La iteración actual es 2.35717 1.754 .20251 . Centros de conglomerados finales: Luego se obtiene el valor de los centroides finales que servirán para asignar las Universidades a cada grupo.01015 1.000 2 4.48106 3 -.34620 -.07937 1.12486 .05139 -.91538 2.14982 -.62583 -.52067 .37119 -.21996 1.12242 -.89299 -.44198 2. El cambio máximo de coordenadas absolutas para cualquier centro es de .234 .47165 1.22949 -.29927 -.08678 -.76018 -.13116 4.33829 1.281 .83130 -.78528 2.28641 .65380 -.72590 1.96518 2.33750 -.38802 -.47795 .21394 .22869 -.32328 -.07195 3.04915 .29511 1.64023 2.28641 2.18545 1.28641 c.11568 -.87374 2.25255 4 -.89197 4.00777 -.000.06189 .000 3 5.37558 -.25814 -. La distancia mínima entre los centros iniciales es de 8.21394 1.24166 .37558 -.94374 .19837 -.20712 -.Puntua: INDICE 12 Puntua: INDICE 13 Puntua: INDICE 14 Puntua: INDICE 15 Puntua: INDICE 16 Puntua: INDICE 17 Puntua: INDICE 18 .03052 -.19050 2 .51897 -.31224 .66625 .18759 -.437 .74703 -1.01530 -.19342 -.05884 -.96817 -.37936 .20578 -.75627 -.66247 .46732 1.42651 .

883 3.612 2.122 2.288 2.144 1.533 2.461 1.e.452 2.754 4.281 2.764 3.876 4.437 3.744 3.833 4.735 2.111 4.019 3.404 3.858 4.867 2.281 4.960 3.604 A B C D E F G H I J K L LL M N Ñ O P Q R S T U V W X Y Z AB AC AD AE AF AG AH 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 .902 4.432 4.671 2.299 2.607 2.636 2. Pertenencia a los conglomerados Número de caso UNIVERSIDAD ES DEL PERU 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 dimension0 Conglomerado 1 2 1 2 3 4 2 2 3 3 3 4 4 3 3 3 3 4 3 3 3 4 3 3 3 3 3 4 3 3 3 3 3 3 3 Distancia 4.552 2.076 2.308 2.846 3.433 3. Pertenencia a los conglomerados: Luego se obtiene la asignación de cada uno de las Universidades a los cuatro conglomerados fijados previamente. Se observa que los resultados son similares al análisis de conglomerados jerárquicos.

000 .430 5.950 .089 .693 3.753 7.922 4.000 .006 .144 Distancias entre los centros de los conglomerados finales Conglomerado 1 2 dimension0 1 2 7.217 3.217 3 4 3.981 .425 .405 6.283 2.000 Error .902 gl 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 Media cuadrática .708 1.802 .197 ANOVA Conglomerado Media cuadrática Puntua: INDICE 1 Puntua: INDICE 2 Puntua: INDICE 3 Puntua: INDICE 4 Puntua: INDICE 5 Puntua: INDICE 6 Puntua: INDICE 7 Puntua: INDICE 8 Puntua: INDICE 9 Puntua: INDICE 10 Puntua: INDICE 11 Puntua: INDICE 12 Puntua: INDICE 13 Puntua: INDICE 14 Puntua: INDICE 15 Puntua: INDICE 16 Puntua: INDICE 17 Puntua: INDICE 18 3.022 .679 4.068 8.009 .919 1.336 .042 .907 3.597 29.720 11.000 .234 3.679 1.000 .687 5.275 .068 5.101 50.462 10.942 .389 10.647 3 9.662 1.193 9.000 .000 .706 154.000 .307 .762 .046 .817 .003 1.353 1.887 .570 .141 .037 .378 .150 gl 42 42 42 42 42 42 42 42 42 42 42 42 42 42 42 42 42 42 F 4.034 2.343 .491 3.288 86.247 2.808 1.950 3.197 7.579 3.647 9.953 .296 2.558 1.909 3.355 13.324 4.541 .644 . .684 25.233 .922 5.390 2.743 8.579 2.610 .259 2.113 Sig.978 1.733 12.877 .324 4 8.293 .36 37 38 39 40 41 42 43 44 45 46 AI AJ AK AL AM AN AÑ AO AP AQ AR 3 3 3 3 3 3 3 3 3 3 3 3.774 13.726 .

000 6.000 .000 46.Número de casos en cada conglomerado Conglomerado 1 2 3 4 Válidos Perdidos 2.000 4.000 .000 34.