Está en la página 1de 21

1. RESOLVER CASO DE ANLISIS DE CLSTER.

Enunciado del problema:


Mediante el anlisis de conglomerados se trata de clasificar a los jvenes
(archivo17.sav) por el nmero de veces que van anualmente al futbol, la
paga semanal que reciben y el nmero de horas semanales que ven la
televisin. Utilizar anlisis clster jerrquico y no jerrquico.

SOLUCIN

A) Anlisis clster jerrquico.


Acceder a: Analizar/Clasificar/Clster Jerrquico
Secuencia de cuadros de dialogo del asistente de muestreo para el anlisis

Conglomerar: Casos (clasificar individuos)

Resultados
El historial de conglomeracin muestra los niveles de fusin (coeficientes) al que se van
uniendo los individuos en los conglomerados.
Los coeficientes (niveles de fusin) se calculan mediante el mtodo del Ward y empleando
como distancia la eucldea al cuadrado. Se puede observar cmo va aumentando la
variabilidad dentro de los conglomerados conforme vamos agradndolos. En la primera etapa
habra 166 clster y en la ltima etapa un clster que engloba a todos los jvenes.
En la primera etapa se combinan los individuos 161 y 173 que eran los menos distantes
(coeficiente distancia = 0.000). El clster formado por estos dos individuos se modifica (se
aaden individuos) en la tapa 48).

Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Cluster Combined
Cluster 1
Cluster 2
161
173
70
143
101
141
96
136
52
132
89
129
86
126
83
123
40
120
79
119
37
117
72
112
77
110
58
98
17
97
11
91
48
88
42
82
39
79
12
52
8
48
5
45
2
42
18
41
166
169
146
158
151
154
105
145
81
138
85
125
66
106

Agglomeration Schedule
Stage Cluster First Appears
Coefficients
Cluster 1
Cluster 2
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
0
,000
0
10
,000
0
5
,000
0
17
,000
0
0
,000
0
18
,000
0
0
,500
0
0
1,000
0
0
1,500
0
0
2,000
0
0
2,500
0
0
3,000
0
0
3,500
0
0

Next Stage
48
72
86
40
20
62
53
93
110
19
37
38
41
65
39
49
21
23
42
73
88
85
114
65
50
95
74
51
87
43
48

32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111

59
53
33
46
51
37
72
17
16
74
39
85
165
113
67
38
66
11
116
105
67
17
156
163
127
15
115
54
60
10
9
19
74
18
13
34
65
44
14
147
70
12
116
47
36
21
17
72
114
109
85
19
22
5
101
9
8
11
75
164
1
3
63
65
73
147
7
13
4
22
9
65
14
74
67
3
34
68
18
10

99
93
69
57
56
174
152
137
96
77
159
121
172
149
111
78
161
16
166
118
71
86
171
170
139
95
155
134
133
50
89
59
157
58
53
37
66
124
94
156
103
92
151
87
76
61
46
167
165
113
175
127
62
85
130
81
128
122
148
168
80
83
70
146
153
162
47
20
84
142
49
164
54
114
107
12
39
108
40
101

4,000
4,500
5,000
5,500
6,000
6,667
7,333
8,000
8,667
9,333
10,083
10,917
11,917
12,917
13,917
14,917
16,167
17,500
19,000
20,500
22,167
23,900
25,900
27,900
29,900
31,900
34,400
36,900
39,400
41,900
44,567
47,400
50,733
54,733
58,900
63,733
68,783
75,283
81,783
88,450
95,117
101,867
109,367
117,367
125,367
133,367
141,610
149,943
158,276
166,610
175,026
183,693
192,693
203,110
213,776
224,610
236,610
248,943
261,443
274,443
287,443
304,110
321,193
339,036
357,036
376,119
395,452
414,786
434,786
456,452
480,619
505,587
530,587
556,968
584,302
613,171
643,796
675,796
714,462
754,096

0
0
0
0
0
11
12
15
0
0
19
30
0
0
0
0
31
16
0
28
46
39
0
0
0
0
0
0
0
0
0
0
41
24
0
0
0
0
0
0
2
20
50
0
0
0
53
38
0
0
43
63
0
22
3
62
21
49
0
0
0
0
0
68
0
71
0
66
0
84
87
95
70
64
52
93
67
0
65
61

0
0
0
0
0
0
0
0
4
13
0
0
0
0
0
0
1
40
25
0
0
7
0
0
0
0
0
0
0
0
6
32
0
14
33
37
48
0
0
54
0
0
27
0
0
0
35
0
44
45
0
56
0
82
0
29
0
0
0
0
0
8
72
26
0
0
75
0
0
0
0
91
59
80
0
73
42
0
9
86

63
66
125
78
135
67
79
53
49
64
108
82
80
81
52
130
68
89
74
115
106
78
71
136
83
118
123
104
122
111
87
83
105
110
99
108
95
126
104
97
94
107
119
98
119
129
116
153
105
117
85
129
101
124
111
102
152
114
113
103
138
107
120
103
117
150
149
122
126
127
133
115
140
131
143
132
131
136
133
121

112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166

24
35
2
65
6
73
15
36
63
10
13
35
5
33
4
22
24
19
38
34
3
9
13
2
68
23
1
5
14
10
35
22
23
1
6
33
24
7
22
3
8
33
2
35
5
7
22
1
2
22
1
22
1
22
1

64
75
11
105
17
109
55
116
150
90
60
115
160
73
44
102
104
21
65
74
43
18
100
51
163
63
9
140
131
19
68
67
34
13
15
38
144
135
147
4
10
72
14
36
6
8
24
5
3
35
2
23
7
33
22

796,596
843,429
890,651
938,123
987,856
1041,722
1095,722
1154,294
1224,544
1304,077
1401,744
1515,510
1633,344
1756,501
1882,751
2022,834
2163,667
2312,239
2462,156
2615,300
2772,764
2931,181
3108,442
3313,478
3675,478
4046,311
4456,133
5192,883
5962,483
7414,193
9004,815
10958,440
13205,207
16213,517
19284,460
25231,722
32792,138
41361,555
69089,763
97039,513
128253,722
162351,902
198507,899
239923,605
286317,353
357771,779
488184,384
737104,033
1005757,096
1557281,877
3335526,793
5239634,095
10191392,033
18947825,104
103402223,413

0
0
23
103
0
96
57
76
94
111
99
113
85
34
100
101
112
83
47
108
107
102
122
114
109
0
92
124
104
121
123
127
137
138
116
125
128
98
143
132
88
147
135
142
139
149
150
145
154
158
159
161
162
163
164

0
90
89
51
78
81
0
74
0
0
60
58
0
117
69
0
0
77
115
105
0
110
0
36
55
120
133
0
0
129
136
106
131
134
118
130
0
0
97
126
141
79
140
119
146
152
148
156
151
155
160
144
157
153
165

128
123
135
130
146
125
146
155
137
141
134
142
139
147
151
143
148
141
147
144
151
138
145
154
142
144
145
156
154
152
155
150
163
159
156
153
158
157
158
160
157
165
160
161
159
164
161
162
162
163
164
165
166
166
0

Dendograma
Muestra cmo se va formando la clasificacin jerrquica de los individuos. Por ejemplo, en el
caso de estudio se pude considerar 2 clster, la clasificacin sera como se muestra en el
grfico:

B) Anlisis clster no jerrquico: Mtodo de las K medias.


Acceder a: Analizar/Clasificar/Clster de K-medias
Secuencia de cuadros de dialogo del asistente de muestreo para el anlisis
Por el resultado previo se elige una clasificacin en 2 conglomerados.

Resultados
Initial Cluster Centers
Cluster
1
ASISTENCIA ANUAL AL
FUTBOL
PAGA SEMANAL EN PTAS
HORAS SEMANALES TV

2
8

3000

600

59

20

Resultados para valorar la solucin de 2 clster obtenidos.


Distancias entre los centros de los conglomerados finales: Se valora porque distan
suficientemente entre s los clster formados.

Distances between Final Cluster


Centers
Cluster

1429,435

1429,435

ANOVA
Cluster
Mean Square
ASISTENCIA ANUAL AL
FUTBOL
PAGA SEMANAL EN PTAS
HORAS SEMANALES TV

Error
df

Mean Square

df

Sig.

1,334

7,345

165

,182

,671

84423103,020

114812,622

165

735,312

,000

50,814

204,689

165

,248

,619

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the
differences among cases in different clusters. The observed significance levels are not corrected for this and thus
cannot be interpreted as tests of the hypothesis that the cluster means are equal.

ANOVA: Para cada variable se contrasta la igualdad de medias de los clster. No obstante los
niveles de significacin no se deben interpretar salvo a nivel descriptivo ya que no aparecen
corregidos
Number of Cases in each Cluster
Cluster

75,000

92,000

Valid

167,000

Missing

8,000

Se observa que el nmero de casos en el primer clster es de 75 y en el


segundo de 92. Y 8 datos perdidos que quedan sin clster.
Membresa de clster.
Cluster Membership
Case Number
Cluster
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
2
10
2
11
2
12
2
13
2
14
2
15
2
16
2

Distance
96,293
294,737
494,583
394,791
8,624
106,949
305,700
505,564
94,608
405,824
294,696
494,634
95,980
195,446
107,808
294,666

17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96

2
2
2
2
2
1
1
2
.
.
.
.
.
.
.
.
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

106,016
94,825
405,508
97,166
405,453
524,331
38,476
705,439
.
.
.
.
.
.
.
.
476,467
26,576
324,888
224,097
25,943
476,000
25,251
95,304
94,825
294,737
494,619
395,141
8,624
105,880
305,546
505,564
94,579
405,755
294,586
494,634
96,325
196,206
110,311
294,576
105,976
94,760
405,551
95,245
405,450
524,227
25,433
705,467
476,078
476,118
524,091
324,249
476,457
27,158
524,077
376,102
477,131
26,373
324,856
224,015
25,988
476,004
25,251
97,384
94,756
294,737
494,588
394,760
9,102
105,897
305,534
505,564
94,648
406,049
294,696
494,625
96,320
195,730
108,239
294,668

97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175

2
2
2
2
2
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2

106,016
94,760
405,552
99,308
405,604
525,002
27,495
705,633
476,085
476,118
524,105
324,042
476,735
25,988
524,071
376,102
476,974
28,618
325,618
224,300
25,943
476,104
25,251
95,304
8,394
294,708
494,588
395,324
8,833
105,897
405,518
505,548
94,648
405,593
194,781
494,634
95,022
196,099
207,396
294,668
105,993
94,781
405,561
21,220
405,604
524,479
27,158
624,170
476,068
476,108
424,333
324,534
476,908
24,275
224,222
376,081
476,761
224,212
325,429
424,190
26,241
476,089
25,008
19,686
476,141
424,117
324,184
476,224
27,238
224,306
376,182
476,213
224,301
324,174
424,254
27,633
476,141
25,875
11,490

C) Anlisis clster no jerrquico: Mtodo bietpico.


Acceder a: Analizar/Clasificar/Clster bietpico
Secuencia de cuadros de dialogo del asistente de muestreo para el anlisis

Resultados.

A diferencias de los anteriores mtodos, aqu se ha formado 4 clsters, y la calidad


determinada es FAIR, es decir, claro. Se observa que es casi Bueno.
Se ha obtenido la siguiente distribucin de clsters, donde se aprecia una distribucin
uniforme.
Cluster Distribution
N
Cluster

1
2
3
4
Combined
Excluded Cases

37
52
41
37
167
8

Total

175

% of Combined
22,2%
31,1%
24,6%
22,2%
100,0%

% of Total
21,1%
29,7%
23,4%
21,1%
95,4%
4,6%
100,0%

Centroids

Cluster

1
2
3
4
Combined

PAGA SEMANAL EN PTAS HORAS SEMANALES TV


Mean
Std. Deviation
Mean
Std. Deviation
1613,51
732,258
48,14
7,036
1078,85
333,923
20,56
4,775
2541,46
362,612
17,29
4,337
1891,89
792,457
26,57
14,508
1736,53
789,110
27,20
14,275

ASISTENCIA ANUAL AL
FUTBOL
Mean
Std. Deviation
1,46
1,366
1,88
1,778
1,39
1,302
7,14
,918
2,83
2,704

2.RESOLVER CASO DE ANLISIS


DISCRIMINANTE.
Enunciado del problema:
Utilizando el archivo de HABITOS realizamos un anlisis discriminante
que clasifique los individuos en grupos dependiendo del tipo de cine que
les guste (amor, humor, violencia o sexo) registrado en la variable
tipocine, segn la calificacin media en los estudios (califest), el nmero
de veces que anualmente van al cine (cine), su edad (edad), el nmero
de libros que leen al ao (lect), la paga semanal (paga), las horas
semanales de televisin (tv) y el nivel de rechazo a la violencia que
tienen (violen).
SOLUCIN
Anlisis discriminante.
Acceder a: Analizar/Clasificar/Discriminante
Secuencia de cuadros de dialogo para el anlisis

|
Resultados

Analysis Case Processing Summary


Unweighted Cases
N
Valid
165
Excluded
Missing or out-of-range group
0
codes
At least one missing
8
discriminating variable
Both missing or out-of-range
group codes and at least one
0
missing discriminating variable
Unselected
0
Total
8
Total
173

Percent
95,4
,0
4,6
,0
,0
4,6
100,0

Se analizaron 173 variables utilizando el filtro para los datos perdidos en la variable tipocine.
Step
1
2

Variables in the Analysis


Tolerance
NIVEL DE RECHAZO A LA
VIOLENCIA
NIVEL DE RECHAZO A LA
VIOLENCIA
EDAD

F to Remove

Wilks' Lambda

1,000

70,149

,991

68,861

,885

,991

6,519

,433

Se presenta en resumen el proceso de inclusin de las variables por pasos. Se observa que se
han realizado dos escalones, en el primero ha entrado la variable Nivel de rechazo a la
violencia y en el segundo la variables Edad, y se ha acabado el proceso, son las dos
variables ms discriminantes. Siendo estas las variables que deben seleccionar el grupo

Step
0

Variables Not in the Analysis


Tolerance
Min. Tolerance
CALIFICACIN MEDIA EN
ESTUDIOS
ASISTENCIA ANUAL AL CINE
EDAD
LIBROS LEDOS
ANUALMENTE
PAGA SEMANAL EN PTAS/100
HORAS SEMANALES TV
NIVEL DE RECHAZO A LA
VIOLENCIA

F to Enter

Wilks' Lambda

1,000

1,000

,882

,984

1,000
1,000

1,000
1,000

3,195
6,980

,944
,885

1,000

1,000

1,034

,981

1,000
1,000

1,000
1,000

,431
,134

,992
,998

1,000

1,000

70,149

,433

CALIFICACIN MEDIA EN
ESTUDIOS
ASISTENCIA ANUAL AL CINE
EDAD
LIBROS LEDOS
ANUALMENTE
PAGA SEMANAL EN PTAS/100
HORAS SEMANALES TV
CALIFICACIN MEDIA EN
ESTUDIOS
ASISTENCIA ANUAL AL CINE
LIBROS LEDOS
ANUALMENTE
PAGA SEMANAL EN PTAS/100
HORAS SEMANALES TV

,990

,990

1,041

,425

1,000
,991

1,000
,991

1,770
6,519

,420
,386

,993

,993

,679

,428

1,000
,998

1,000
,998

,429
,154

,430
,432

,985

,983

,692

,381

1,000

,991

1,597

,375

,982

,980

,417

,383

,991
,977

,983
,971

,339
,036

,384
,386

Se busca el menor valor de Lambda de Wilks y el F ms grande. (>3.84)


Variables Entered/Removeda,b,c,d
Wilks' Lambda
Exact F
Step
1

Entered
Statistic
df1
df2
df3
Statistic
NIVEL DE
RECHAZO A LA
,433
1
3
161,000
70,149
VIOLENCIA
2
EDAD
,386
2
3
161,000
32,484
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a. Maximum number of steps is 14.
b. Minimum partial F to enter is 3.84.
c. Maximum partial F to remove is 2.71.
d. F level, tolerance, or VIN insufficient for further computation.

df1

df2

Sig.

161,000

,000

320,000

,000

Wilks' Lambda
Step
1
2

Exact F

Number of
Variables
1
2

Lambda
,433
,386

df1

df2
1
2

df3
3
3

161
161

Statistic
70,149
32,484

df1
3
6

df2
161,000
320,000

Sig.
,000
,000

Contrastar si el modelo es o no significativo mediante el Estadstico F exacta (variables


entradas/eliminadas). Es significativo. Sig=0.
Tests of Equality of Group Means
Wilks' Lambda
CALIFICACIN MEDIA EN
ESTUDIOS
ASISTENCIA ANUAL AL CINE
EDAD
LIBROS LEDOS ANUALMENTE
PAGA SEMANAL EN PTAS/100
HORAS SEMANALES TV
NIVEL DE RECHAZO A LA
VIOLENCIA

df1

df2

Sig.

,984

,882

161

,452

,944
,885
,981
,992
,998

3,195
6,980
1,034
,431
,134

3
3
3
3
3

161
161
161
161
161

,025
,000
,379
,731
,940

,433

70,149

161

,000

Canonical Discriminant Function Coefficients


Function
1
2
EDAD
-,006
,583
NIVEL DE RECHAZO A LA
3,535
-,290
VIOLENCIA
(Constant)
-4,272
-8,832
Unstandardized coefficients

Funciones discriminantes:
D1 = -4,272 - 0,006*EDAD + 3,535*VIOLEN
D2 = -8,832 + 0,583*EDAD - 0,290*VIOLEN
Standardized Canonical Discriminant Function
Coefficients
Function
1
2
EDAD
-,011
1,004
NIVEL DE RECHAZO A LA
1,001
-,082
VIOLENCIA

La variable VIOLEN es la que ms contribuye en la primera funcin discriminante y la


variable EDAD contribuye ms en la segunda funcin discriminante (coeficientes de funcin
discriminante cannica estandarizados) y en la matriz de estructuras.
Structure Matrix
Function
1

2
NIVEL DE RECHAZO A LA VIOLENCIA
1,000*
CALIFICACIN MEDIA EN ESTUDIOSb
,099*
ASISTENCIA ANUAL AL CINEb
-,018*
EDAD
,082
HORAS SEMANALES TVb
,048
LIBROS LEDOS ANUALMENTEb
-,082
PAGA SEMANAL EN PTAS/100b
,000
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and any discriminant function
b. This variable not used in the analysis.

,011
,073
,013
,997*
,144*
-,106*
,095*

Prior Probabilities for Groups


TIPO DE PELCULA QUE TE GUSTA
AMOR
HUMOR
VIOLENCIA
SEXO
Total

Prior
,473
,206
,273
,048
1,000

Cases Used in Analysis


Unweighted
Weighted
78
78,000
34
34,000
45
45,000
8
8,000
165
165,000

Original

Case
Number
2
3
4
5
6
7
8
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

Actual
Group
4
1
3
1
2
3
3
1
2
2
1
1
1
2
1
2
1
4
3
2
3
3
1
2
2
1
1
3
1
1
3
3
2
1
3
2
4
3
3
3
1
3
2
1
3
4
1
2
2
1
1
1
1
1
1
3
3
3
3
1
4
2
1
1
2

Predicted
Group
1**
1
3
1
1**
3
3
1
3**
1**
1
1
1
1**
1
1**
1
3**
3
3**
3
1**
1
1**
2
1
1
3
1
1
3
3
2
1
3
1**
1**
3
2**
3
1
3
1**
1
3
1**
1
1**
1**
1
1
1
1
1
1
3
1**
3
3
1
1**
1**
1
1
2

Casewise Statistics
Highest Group
Second Highest Group
Discriminant Scores
P(D>d | G=g)
Squared
Squared
Mahalanobis
Mahalanobis
P(G=g |
Distance to
P(G=g |
Distance to Function Function
p
df
D=d)
Centroid
Group
D=d)
Centroid
1
2
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,619
2
,988
,960
1
,006
12,256
2,692
,492
,545
2
,572
1,215
2
,402
,257
-,824
-,966
,469
2
,750
1,513
4
,137
,359
-,849
1,364
,684
2
,988
,759
2
,006
10,560
2,698
-,091
,684
2
,988
,759
2
,006
10,560
2,698
-,091
,997
2
,716
,006
2
,222
,683
-,837
,199
,539
2
,987
1,237
2
,008
10,389
2,704
-,673
,469
2
,750
1,513
4
,137
,359
-,849
1,364
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,997
2
,716
,006
2
,222
,683
-,837
,199
,997
2
,716
,006
2
,222
,683
-,837
,199
,997
2
,716
,006
2
,222
,683
-,837
,199
,545
2
,572
1,215
2
,402
,257
-,824
-,966
,811
2
,749
,420
2
,155
1,915
-,843
,782
,399
2
,987
1,840
1
,007
12,968
2,686
1,075
,539
2
,987
1,237
2
,008
10,389
2,704
-,673
,619
2
,988
,960
1
,006
12,256
2,692
,492
,399
2
,987
1,840
1
,007
12,968
2,686
1,075
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,811
2
,749
,420
2
,155
1,915
-,843
,782
,280
2
,607
2,545
1
,381
5,138
-,812
-2,131
,997
2
,716
,006
2
,222
,683
-,837
,199
,811
2
,749
,420
2
,155
1,915
-,843
,782
,399
2
,987
1,840
1
,007
12,968
2,686
1,075
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,399
2
,987
1,840
1
,007
12,968
2,686
1,075
,619
2
,988
,960
1
,006
12,256
2,692
,492
,280
2
,607
2,545
1
,381
5,138
-,812
-2,131
,873
2
,654
,271
2
,306
,131
-,831
-,383
,121
2
,981
4,229
2
,015
12,083
2,717
-1,838
,545
2
,572
1,215
2
,402
,257
-,824
-,966
,057
2
,646
5,734
4
,308
2,660
-,862
2,529
,121
2
,981
4,229
2
,015
12,083
2,717
-1,838
,588
2
,505
1,061
1
,477
2,837
-,818
-1,549
,684
2
,988
,759
2
,006
10,560
2,698
-,091
,873
2
,654
,271
2
,306
,131
-,831
-,383
,619
2
,988
,960
1
,006
12,256
2,692
,492
,545
2
,572
1,215
2
,402
,257
-,824
-,966
,469
2
,750
1,513
4
,137
,359
-,849
1,364
,684
2
,988
,759
2
,006
10,560
2,698
-,091
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,469
2
,750
1,513
4
,137
,359
-,849
1,364
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,997
2
,716
,006
2
,222
,683
-,837
,199
,997
2
,716
,006
2
,222
,683
-,837
,199
,997
2
,716
,006
2
,222
,683
-,837
,199
,302
2
,984
2,394
2
,011
10,897
2,710
-1,256
,811
2
,749
,420
2
,155
1,915
-,843
,782
,399
2
,987
1,840
1
,007
12,968
2,686
1,075
,539
2
,987
1,237
2
,008
10,389
2,704
-,673
,811
2
,749
,420
2
,155
1,915
-,843
,782
,469
2
,750
1,513
4
,137
,359
-,849
1,364
,997
2
,716
,006
2
,222
,683
-,837
,199
,873
2
,654
,271
2
,306
,131
-,831
-,383
,811
2
,749
,420
2
,155
1,915
-,843
,782
,280
2
,607
2,545
1
,381
5,138
-,812
-2,131

68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137

1
3
3
1
1
1
1
2
4
3
1
2
2
3
3
1
1
1
4
3
3
1
1
3
1
1
1
1
3
2
2
1
2
3
1
3
3
1
1
2
1
1
3
2
1
2
1
2
1
3
1
3
2
2
3
1
3
1
1
1
2
1
3
3
1
1
1
1
1
2

1
3
3
1
1
1
1
2
1**
2**
1
1**
2
2**
3
1
1
1
1**
3
3
1
1
1**
1
1
1
1
3
1**
1**
1
1**
3
1
1**
3
1
1
2
1
1
3
1**
1
1**
1
2
1
2**
1
3
2
2
1**
1
3
1
1
1
1**
1
3
3
1
1
1
1
1
1**

,997
,619
,399
,997
,873
,469
,811
,280
,873
,588
,545
,057
,588
,588
,684
,873
,811
,545
,469
,684
,684
,873
,997
,873
,469
,997
,873
,997
,684
,997
,545
,811
,469
,539
,811
,469
,684
,873
,811
,280
,997
,811
,399
,997
,873
,469
,811
,280
,873
,588
,545
,060
,588
,588
,997
,873
,619
,545
,469
,997
,997
,873
,684
,539
,469
,997
,873
,997
,997
,997

2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

,716
,988
,987
,716
,654
,750
,749
,607
,654
,505
,572
,646
,505
,505
,988
,654
,749
,572
,750
,988
,988
,654
,716
,654
,750
,716
,654
,716
,988
,716
,572
,749
,750
,987
,749
,750
,988
,654
,749
,607
,716
,749
,987
,716
,654
,750
,749
,607
,654
,505
,572
,979
,505
,505
,716
,654
,988
,572
,750
,716
,716
,654
,988
,987
,750
,716
,654
,716
,716
,716

,006
,960
1,840
,006
,271
1,513
,420
2,545
,271
1,061
1,215
5,734
1,061
1,061
,759
,271
,420
1,215
1,513
,759
,759
,271
,006
,271
1,513
,006
,271
,006
,759
,006
1,215
,420
1,513
1,237
,420
1,513
,759
,271
,420
2,545
,006
,420
1,840
,006
,271
1,513
,420
2,545
,271
1,061
1,215
5,635
1,061
1,061
,006
,271
,960
1,215
1,513
,006
,006
,271
,759
1,237
1,513
,006
,271
,006
,006
,006

2
1
1
2
2
4
2
1
2
1
2
4
1
1
2
2
2
2
4
2
2
2
2
2
4
2
2
2
2
2
2
2
4
2
2
4
2
2
2
1
2
2
1
2
2
4
2
1
2
1
2
4
1
1
2
2
1
2
4
2
2
2
2
2
4
2
2
2
2
2

,222
,006
,007
,222
,306
,137
,155
,381
,306
,477
,402
,308
,477
,477
,006
,306
,155
,402
,137
,006
,006
,306
,222
,306
,137
,222
,306
,222
,006
,222
,402
,155
,137
,008
,155
,137
,006
,306
,155
,381
,222
,155
,007
,222
,306
,137
,155
,381
,306
,477
,402
,011
,477
,477
,222
,306
,006
,402
,137
,222
,222
,306
,006
,008
,137
,222
,306
,222
,222
,222

,683
12,256
12,968
,683
,131
,359
1,915
5,138
,131
2,837
,257
2,660
2,837
2,837
10,560
,131
1,915
,257
,359
10,560
10,560
,131
,683
,131
,359
,683
,131
,683
10,560
,683
,257
1,915
,359
10,389
1,915
,359
10,560
,131
1,915
5,138
,683
1,915
12,968
,683
,131
,359
1,915
5,138
,131
2,837
,257
11,094
2,837
2,837
,683
,131
12,256
,257
,359
,683
,683
,131
10,560
10,389
,359
,683
,131
,683
,683
,683

-,837
2,692
2,686
-,837
-,831
-,849
-,843
-,812
-,831
-,818
-,824
-,862
-,818
-,818
2,698
-,831
-,843
-,824
-,849
2,698
2,698
-,831
-,837
-,831
-,849
-,837
-,831
-,837
2,698
-,837
-,824
-,843
-,849
2,704
-,843
-,849
2,698
-,831
-,843
-,812
-,837
-,843
2,686
-,837
-,831
-,849
-,843
-,812
-,831
-,818
-,824
2,673
-,818
-,818
-,837
-,831
2,692
-,824
-,849
-,837
-,837
-,831
2,698
2,704
-,849
-,837
-,831
-,837
-,837
-,837

,199
,492
1,075
,199
-,383
1,364
,782
-2,131
-,383
-1,549
-,966
2,529
-1,549
-1,549
-,091
-,383
,782
-,966
1,364
-,091
-,091
-,383
,199
-,383
1,364
,199
-,383
,199
-,091
,199
-,966
,782
1,364
-,673
,782
1,364
-,091
-,383
,782
-2,131
,199
,782
1,075
,199
-,383
1,364
,782
-2,131
-,383
-1,549
-,966
2,240
-1,549
-1,549
,199
-,383
,492
-,966
1,364
,199
,199
-,383
-,091
-,673
1,364
,199
-,383
,199
,199
,199

138

,545

,572

1,215

,402

,257

-,824

-,966

139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
**. Misclassified case

1
4
3
3
1
1
1
1
2
1
3
1
1
1
3
1
2
1
1
1
2
2
1
2
1
3
1
1
1
3
1
3
1
2
1
3
2

1
1**
3
3
1
1
1
1
3**
1
1**
1
1
1
3
1
2
1
2**
1
1**
2
3**
2
1
3
1
1
1
3
1
3
1
2
1
1**
2

,811
,469
,539
,619
,469
,997
,873
,811
,034
,997
,811
,469
,997
,873
,399
,811
,280
,873
,588
,545
,057
,588
,619
,280
,997
,619
,469
,997
,873
,399
,811
,034
,873
,588
,545
,057
,588

2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

,749
,750
,987
,988
,750
,716
,654
,749
,976
,716
,749
,750
,716
,654
,987
,749
,607
,654
,505
,572
,646
,505
,988
,607
,716
,988
,750
,716
,654
,987
,749
,976
,654
,505
,572
,646
,505

,420
1,513
1,237
,960
1,513
,006
,271
,420
6,743
,006
,420
1,513
,006
,271
1,840
,420
2,545
,271
1,061
1,215
5,734
1,061
,960
2,545
,006
,960
1,513
,006
,271
1,840
,420
6,743
,271
1,061
1,215
5,734
1,061

2
4
2
1
4
2
2
2
2
2
2
4
2
2
1
2
1
2
1
2
4
1
1
1
2
1
4
2
2
1
2
2
2
1
2
4
1

,155
,137
,008
,006
,137
,222
,306
,155
,020
,222
,155
,137
,222
,306
,007
,155
,381
,306
,477
,402
,308
,477
,006
,381
,222
,006
,137
,222
,306
,007
,155
,020
,306
,477
,402
,308
,477

1,915
,359
10,389
12,256
,359
,683
,131
1,915
13,948
,683
1,915
,359
,683
,131
12,968
1,915
5,138
,131
2,837
,257
2,660
2,837
12,256
5,138
,683
12,256
,359
,683
,131
12,968
1,915
13,948
,131
2,837
,257
2,660
2,837

-,843
-,849
2,704
2,692
-,849
-,837
-,831
-,843
2,723
-,837
-,843
-,849
-,837
-,831
2,686
-,843
-,812
-,831
-,818
-,824
-,862
-,818
2,692
-,812
-,837
2,692
-,849
-,837
-,831
2,686
-,843
2,723
-,831
-,818
-,824
-,862
-,818

,782
1,364
-,673
,492
1,364
,199
-,383
,782
-2,421
,199
,782
1,364
,199
-,383
1,075
,782
-2,131
-,383
-1,549
-,966
2,529
-1,549
,492
-2,131
,199
,492
1,364
,199
-,383
1,075
,782
-2,421
-,383
-1,549
-,966
2,529
-1,549

Casos seleccionados correctamente en total y en cada grupo.


Classification Resultsa,b
Predicted Group Membership
TIPO DE PELCULA
QUE TE GUSTA
AMOR HUMOR VIOLENCIA SEXO
Cases Selected
Origina Coun AMOR
81
1
1
0
l
t
HUMOR
19
14
3
0
VIOLENCIA
7
4
35
0
SEXO
7
0
1
0
%
AMOR
97,6
1,2
1,2
,0
HUMOR
52,8
38,9
8,3
,0
VIOLENCIA
15,2
8,7
76,1
,0
SEXO
87,5
,0
12,5
,0
Cases Not
Origina Coun AMOR
0
0
0
0
Selected
l
t
HUMOR
0
0
0
0
VIOLENCIA
0
0
0
0
SEXO
0
0
0
0
%
AMOR
,0
,0
,0
,0
HUMOR
,0
,0
,0
,0
VIOLENCIA
,0
,0
,0
,0
SEXO
,0
,0
,0
,0
a. 75,1% of selected original grouped cases correctly classified.
b. 0,0% of unselected original grouped cases correctly classified.

Wilks' Lambda

Total
83
36
46
8
100,0
100,0
100,0
100,0
0
0
0
0
100,0
100,0
100,0
100,0

Test of Function(s)
1 through 2
2

Wilks' Lambda
,386
,891

Chi-square
153,163
18,556

df

Sig.
,000
,000

6
2

Los grupos estn separados debido a que los valores p (significancia) son ceros.
Eigenvalues
Canonical
Function

Eigenvalue

% of Variance

Cumulative %

Correlation

1,307a

91,5

91,5

,753

,122a

8,5

100,0

,330

a. First 2 canonical discriminant functions were used in the analysis.

En la funcin 1 su valor de correlacin cannica es ms prximo a 1, la dispersin ser debida


a las diferencias entre grupos y, por tanto, la funcin discriminara mucho.
Anlisis con solo dos variables seleccionadas.
Ahora se volver ha hacer el anlisis pero solo con las dos variables para discriminar
Variables in the Analysis
Step

Tolerance

F to Remove

Wilks' Lambda

NIVEL DE RECHAZO A LA VIOLENCIA

1,000

77,102

NIVEL DE RECHAZO A LA VIOLENCIA

,991

75,390

,882

EDAD

,991

6,898

,422

Variables Not in the Analysis


Step
0
1

Min.
Tolerance
Tolerance
1,000
1,000
1,000
1,000
,991
,991

EDAD
NIVEL DE RECHAZO A LA VIOLENCIA
EDAD

F to
Enter
7,544
77,102
6,898

Wilks'
Lambda
,882
,422
,376

Wilks' Lambda
Step
1
2

Number of
Variables

Exact F
Lambda
1
,422
2
,376

df1

df2
1
2

3
3

df3
169
169

Statistic
77,102
35,341

Eigenvalues
Canonical
Function
Eigenvalue
% of Variance
Cumulative %
Correlation
1
1,369a
91,7
91,7
,760
2
,123a
8,3
100,0
,331
a. First 2 canonical discriminant functions were used in the analysis.

df1
3
6

df2
169,000
336,000

Sig.
,000
,000

Wilks' Lambda
Test of Function(s)

Wilks' Lambda

Chi-square

df

Sig.

1 through 2

,376

165,365

,000

,890

19,629

,000

Standardized Canonical Discriminant Function


Coefficients
Function
1
EDAD
NIVEL DE RECHAZO A LA
VIOLENCIA

-,004

1,005

1,000

-,093

Structure Matrix
Function
1

NIVEL DE RECHAZO A LA VIOLENCIA

1,000

,004

,093

,996*

EDAD

Pooled within-groups correlations between discriminating variables and standardized canonical discriminant
functions
Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and any discriminant function
Canonical Discriminant Function Coefficients
Function
1
EDAD
NIVEL DE RECHAZO A LA
VIOLENCIA
(Constant)

-,002

,586

3,609

-,337

-4,410

-8,822

Unstandardized coefficients

Funciones discriminantes cambian a:


D1 = -4,410 - 0,002*EDAD + 3,609*VIOLEN
D2 = -8,822 + 0,586*EDAD - 0,337*VIOLEN
Prior Probabilities for Groups
Cases Used in Analysis

TIPO DE PELCULA QUE


TE GUSTA

Prior

Unweighted

Weighted

AMOR

,480

83

83,000

HUMOR

,208

36

36,000

VIOLENCIA

,266

46

46,000

SEXO

,046

8,000

1,000

173

173,000

Total

Classification Resultsa,b
TIPO DE PELCULA
QUE TE GUSTA
Cases Selected
Original Count AMOR
HUMOR
VIOLENCIA
SEXO
%
AMOR
HUMOR
VIOLENCIA
SEXO
Cases Not Selected Original Count AMOR
HUMOR
VIOLENCIA
SEXO
%
AMOR
HUMOR
VIOLENCIA
SEXO
a. 75,1% of selected original grouped cases correctly classified.
b. 0,0% of unselected original grouped cases correctly classified.

Predicted Group Membership


AMOR
HUMOR VIOLENCIA
SEXO
81
1
1
0
19
14
3
0
7
4
35
0
7
0
1
0
97,6
1,2
1,2
,0
52,8
38,9
8,3
,0
15,2
8,7
76,1
,0
87,5
,0
12,5
,0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0

Total
83
36
46
8
100,0
100,0
100,0
100,0
0
0
0
0
100,0
100,0
100,0
100,0