CLUSTERS

Concepto
Un cluster significa un cambio radical en
la cultura de negocios tradicional. Comienza por abrir la puerta a
quienes tradicionalmente concebimos como nuestra competencia.
Un "cluster" es un sistema al que pertenecen empresas y ramas
industriales que establecen vínculos de interdependencia funcional
para el desarrollo de sus procesos productivos y para la obtención de
determinados productos o, dicho de otro modo, un "cluster" podría
definirse como un conjunto o grupo de empresas pertenecientes a
diversos sectores, ubicadas en una zona geográfica limitada,
interrelacionadas mutuamente en los sentidos vertical, horizontal y
colateral en torno a unos mercados, tecnologías y capitales
productivos que constituyen núcleos dinámicos del sector industrial,
formando un sistema interactivo en el que, con el apoyo decidido de
la Administración, pueden mejorar su competitividad.
En consecuencia, la atención prestada a estas redes de empresas
como factor de competitividad y dinamización industrial de ciertos
territorios no ha dejado de aumentar con el tiempo, a la vez que
aumentaba también su influencia sobre las políticas de promoción.
Y es que ante esta situación, el papel de los gobiernos como factor de
interrelación y localización es cada vez más importante en el contexto
competitivo internacional. Su actuación tiene un peso claramente
diferenciador en la creación de un entorno favorable para el desarrollo
de la actividad industrial frente a los competidores externos, aunque el
verdadero factor multiplicador de cada uno de los atributos expuestos
es su interrelación y su actuación cohesionada y coordinada.
Este es el punto de partida para establecer un "cluster".
La planificación ideal es de abajo a arriba, es decir, primero se deben
situar las empresas en una buena zona geográfica, ya sea por la
cercanía de las materias primas o por otros factores como las
infraestructuras o los recursos humanos, para que después sea
el gobierno el que estudie los proyectos y legisle el acceso a las
ayudas y las subvenciones.
Por su parte, las empresas tienen un importante papel que
desempeñar para remodelar las políticas gubernamentales y prestar
su apoyo a los programas constructivos del gobierno. Las empresas
deberán abogar por políticas que mejoren la competitividad nacional o
regional, como son las inversiones para crear nuevos factores y las
ayudas para conseguir acceso a los mercados internacionales.
Además, las medidas políticas de los gobiernos estarán mucho más
cerca de alcanzar el éxito si tratan de reforzar un agrupamiento
sectorial ya existente o uno que empiece a surgir. Serán más eficaces
si siguen el principio de desarrollo a partir de agrupamientos, ya que
llevan consigo distintos elementos de atracción, en forma de
Universidades, laboratorios de investigación, infraestructura
especializada o dotaciones de trabajadores cualificados.
En la práctica, para la puesta en marcha de planes de potenciación de
"clusters" empresariales, las Administraciones más activas en este
campo suelen estructurar cada iniciativa en cuatro grandes fases: la
identificación y priorización de clusters, la realización de estudios-
diagnóstico sobre cada "cluster", la definición de sus
planes conjuntos de mejora de la competitividad y, finalmente, el
apoyo al desarrollo y ejecución de los planes elaborados para los
clusters.
De este modo, se pretende que los empresarios conozcan la
problemática interna y externa de su actividad industrial y trabajen
juntos para buscar soluciones de una manera activa y participativa.
Esto les permite conocer los distintos puntos de vista de los demás
empresarios y desarrollar un fuerte sentido de compromiso y equipo,
indispensables para la posterior puesta en marcha de los "clusters", ya
que, en otro caso, el resultado final podría no ser el deseado.
Cluster Físico
Un cluster físico es una concentración geográfica conectada no
necesariamente articulada de empresas del mismo ramo económico,
de proveedores especializados de las mismas, de oferentes
de servicios al productor y de compañías en ramas económicas
vinculadas.
Cluster integrado funcionalmente
Es un cluster físico de empresas, proveedores especializados,
oferentes de servicio e instituciones asociadas (gobiernos locales,
universidades, centros de investigación, empresas certificadoras,
asociaciones comerciales) que compiten y cooperan en un campo
económico específico mediante el desarrollo sostenido de economías
de aglomeración caracterizadas por:
a. Creciente eficiencia operativa de cada eslabón de la cadena.
b. Alta eficiencia de integración óptima entre los eslabones de la
cadena de valor que caracteriza al cluster.

La formación de los clusters nos permite generar economías de

aglomeración y de integración funcional. A trabes de ellos se busca
tener ventaja competitiva sustentable y generar mayor valor agregado.
Beneficios de Agruparse
 Sobrevivir en la Globalización
 Generar mayor valor agregado
 Disponer de mayor poder adquisitivo
 Ejercer poder de negociación en los mercados
 Acceder a nuevos mercados

Retos de los Clusters en economías pequeñas

 Conquistar la confianza en el modelo por parte de los
empresarios
 Compromiso del empresariado y su equipo de trabajo con el
modelo
 Incentivar la investigación para el desarrollo empresarial
 Fortalecer la cooperación con el sector académico en si mismo
 Aprender y cooperar para mejorar el desempeño de un sector

Fortalezas del Cluster

 Lograr la estandarización de los productos.
 Suscripción de convenios de compra-venta por adelantado,
garantizando la salida en el mercado de la producción.
 Atender al cliente final garantizando su abastecimiento regular
(Continuidad).
 Menor costo unitario de los insumos.
 Mejor manejo del servicio de logística.
 Reportes gerenciales de las operaciones para mejor manejo
administrativo de las partes.
 Manejo descentralizado, pero coordinado de las operaciones.
 Manejo descentralizado, pero eficiente de la información.
 Mayor nivel de desarrollo y de competitividad.
 Mejoras en calidad y consistencia de los productos.

Modelos de Cadenas Productivas

 Cluster o agrupamiento empresarial
 Distritos o Parques Industriales
 Encadenamiento Productivo

Pasos para implementar un cluster (Tiempo estimado de 6 meses)

 Entendimiento de los conceptos de los CLUSTERS
 Análisis económico de los sectores motores del desarrollo

 Identificación y selección de cadenas productivas.

 Identificación de los componentes críticos
(Grupos empresariales)
 Identificación de Proveedores (Nacionales y/o Internacionales)
 Diagnóstico de la cadena productiva
 Perfil de las empresas participantes
 Infraestructura física y de servicios
 Análisis del entorno
 Comportamiento global de la industria
 Comportamiento regional de la industria
 Fortalezas y Debilidades (FODA) Competitivas
 [Diseño del Plan Estratégico de Desarrollo de Negocios].
 Calendarización del proyecto
 Implementación

El sector interesado en un cluster puede iniciar con un sencillo

ejercicio: el diseño de un diagrama de flujo de todas las posibles
cadenas de producción involucradas con su sector. Estas deben incluir
los elementos que le afecten tanto directa como indirectamente.
ELEMENTOS
En los Clusters hablamos de tres elementos importantes para la
implementación de un Cluster:
1. Integración
2. Agrupaciones y Alianzas
3. Infraestructura
 La Integración: Fundamentada en un nuevo modelo de hacer
negocios, una nueva Cultura que use los recursos de otra empresa
relacionada o no para un beneficio en común.

Agrupaciones y Alianzas: Las agrupaciones no son cooperativas,

son agrupaciones de empresas de un mismo producto las cuales se
agrupan con el objetivo de mejorar su flujo informático, adquirir
"poder adquisitivo", intercambiar ideas e implementar innovaciones
que beneficien a todos como grupo. Esto implica el acercamiento a
la competencia de manera saludable y en el mejor interés de las
empresas y el país. Las alianzas son muy importantes siempre y
cuando están sean "totalmente transparentes".

Infraestructura: Esto implica los Parques Industriales, su ubicación,

zonificación y regulaciones. Que quede claro que estos son
"Empresa Privada" y no tienen ningún nexo con el Cluster. El único
compromiso es la contratación de los beneficios que este brinda
bajo contratación bilateral y equitativa.

Pongamos un esfuerzo en entender la importancia de los Clusters y

como estos se implementan para la salud económica
y productividad de nuestros países.

MODELO CONCEPTUAL: EL CLUSTER ECONOMICO

Principales grupos de eficiencia en el Perú

Algunas experiencias de grupos de Micro y Pequeñas empresas que
han crecido sostenidamente en los últimos años y constituyen
claramente ejemplos de éxito económico y creación de riqueza desde
lo popular.
Complejo Gamarra: Confección y Comercialización de Prendas de
vestir
El Complejo Gamarra se ubica en una zona del distrito de la Victoria,
Lima.. Esta integrado por 25 manzanas aproximadamente, consta de
más de 12 galerías grandes (edificio de un máximo de 11 pisos que
albergan hasta 150 tiendas y talleres) y muchas galerías medianas y
pequeñas (de 40 a 50 establecimientos). No se conoce ningún censo
exacto sobre el número de establecimientos, pero se estima que
existen más de 6,000 talleres y tiendas en esta zona, donde lo
característico de ella estando la combinación de actividades
económicas, producción, comercio y servicios, como los tamaños
empresariales, micro, pequeña y mediana empresa, con un claro
predominio de las dos primeras modalidades.
Como sabemos la economía peruana ha pasado varios ciclos en estos
últimos 20 años, sin embargo, esta zona ha continuado creciendo,
tanto en los períodos de reactivación como de recesión.
Los indicadores más claros del crecimiento podemos ver a través de
la construcción de nuevos edificios (galerías). El dinamismo de esta
zona le ha valido el calificativo del Taiwán Peruano. La oferta del
complejo de Gamarra es variada, principalmente se ofrece prendas de
vestir como ropas para bebés, niños, damas, caballeros, deportivas,
chompas, vestidos, prendas de hilo, prendas de lana, etc. Y algunas
empresas solo alquilan los servicios de otras como bordados, corte,
costura, remalle, etc.
Parque Industrial o Zona Industrial en Villa el Salvador.
Hace dos décadas se inició la construcción del Parque Industrial
orientado hacia la pequeña y micro empresa, donde el esfuerzo
mancomunado de la población y autoridades edilicias han conseguido
que esta gran obra sea hoy una realidad concreta: 1,200 micros y
pequeños empresarios produciendo más de 500 bienes diversos en
los diferentes sectores productivos y contribuyendo a la creación de
mayor valor agregado dentro y fuera del distrito.
El conjunto del Parque Industrial, localizado en 180 hectáreas, alberga
a productores que agremiados en siete giro principales tales como:
Artesanía, fundición, carpintería, metal mecánica, calzado y a fines,
confecciones textiles y servicios, estos generan alrededor de 15,000
puestos de trabajo y moviliza aproximadamente 30 millones de dólares
anuales.
Podemos destacar el esfuerzo de los directivos, profesionales,
técnicos y personal administrativo que desde 1986 participaron en
la gestión del Parque Industrial de Villa el Salvador, teniendo siempre
como líder al Alcalde del Distrito. El Municipio de Villa El Salvador a
través de la Dirección de Desarrollo Empresarial, continua en el
desarrollo de acciones concretas destinadas al apoyo de
la PYME local, reiterando su firme voluntad de mantener al Parque
Industrial fortalecido, renovado y atento a la variaciones de la
economía globalizada.
Entre los productos ofrecidos por el Parque Industrial de Villa el
Salvador, destacan los muebles de madera por su inmensa variedad y
gran volumen de ventas. Se encuentran muebles de estilo, tallados
preparados a medida y modernos y económicos, hechos en buena
madera y con insumos de calidad.
Hay gran demanda también, por productos de cuero legítimos como
calzado sport y de vestir, carteras, billeteras, maletines, correas y
otros. También ofrecen máquinas y equipos necesarios para
la industria, artículos para el hogar en fibra de vidrio, acero inoxidable,
bronce, y fierro. Sin olvidar las confecciones textiles y artesanía de
calidad exclusiva.
Fabricantes de Calzado de Trujillo
Se ha calculado en mas de 700 aproximadamente el número de
PYMES fabricantes de calzado incluyendo algunos fabricantes de
insumos. Se agrupan principalmente en el distrito El Porvenir e la
ciudad de Trujillo, la mayoría puede considerarse en el estrato de
la microempresa ya que se trata de unidades de producción familiares
que funcionan en viviendas (2 a 5 trabajadores) las principales líneas
de calzado de las empresas referidas son:
a. De vestir para caballeros;
b. De vestir y sport para damas;
c. Para niños; y
 d. Zapatillas para caballeros, damas y niños.

La línea de mayor producción es la de calzado para damas ya que

requiere un mayor contenido de mano de obra, utiliza menos materia y
menos maquinaria, en general se puede decir es la que se adapta
mejor a la pequeña escala aunque es intensiva en moda y diseño.
El proceso de constitución de esta agrupación industrial, se inicia con
las migraciones de la década de los sesenta y setenta. La mayor parte
de los pequeños empresarios, proviene del departamento de
Cajamarca, uno de los más poblados y pobres del país, dedicado a
la agricultura y especialmente a la ganadería. Se constata un vínculo
directo con las fuentes de la principal materia prima: el cuero.
Hay dos hechos importantes que coadyuvan a la consolidación de esta
y de Industria domiciliaria. El primero es la experiencia
de capacitación que se impartió a los internos de la cárcel trujillana
para elaborar calzado a mano; el segundo es la demanda de servicios
que generarán las grandes fábricas limeñas como: BATA y
DIAMANTE, cuya política fue subcontratar a pequeños productores.
Se reconoce alta complementariedad y cooperación entre surtidores y
fabricantes no solo a nivel de pequeñas y micro empresas sino
también de las medianas y grandes. Ello ha producido una eficiencia
colectiva que permite ofrecer calzado de buena calidad y más
competitivo, habiendo copado el mercado regional e incurriendo con
éxito en el mercado limeño, arequipeño e incluso, ecuatoriano. Todo
esto ha válido a Trujillo la calificación de la Capital del Calzado. Pero
son solo dos problemas los que impiden un mayor desarrollo en este
sector:
a. La mala calidad del cuero proveniente de la Sierra norte del país
a causa de plagas y falta de cuidado se redujo su calidad,
problema que puede resolverse en parte con importaciones,
especialmente para los productos de exportación; y
b. La poca capacitación ofrecida a los empresarios y trabajadores,
lo que representa un reto para el gobierno regional y los
organismos no gubernamentales de la zona.

Un cartel (cártel) es:

Un grupo de empresas u organizaciones individuales jurídicamente
independientes que han pactado introducir reglas que modifican la
competencia a través de la fijación de precios, niveles de producción o
técnicas de marketing. Con ello restringen la competencia y
establecen un control monopolístico del mercado. Existen carteles de
producción (organización de productores de una materia prima clave
en el comercio internacional), cartel de precios (precios uniformes por
parte de tocios los productores), cartel de reparto de mercados, cartel
tecnológico (no introducción de métodos de producción de mayor
rendimiento, pero que exigen inversiones no deseadas), cartel de
exportación (agrupación de los intereses nacionales en el frente de la
exportación), etc. 

Una buena introducción teórica sobre cartel la da Toro (p.205), quien

señala que:
c. En la práctica los carteles, que son ilegales en muchos países,
suelen aparecer alrededor de la comercialización de un producto
homogéneo, producido por empresas que mantienen separadas
su personalidad jurídica, es decir, sus respectivas identidades
corporativas, pero que conforman a través de un acuerdo formal
y explícito una acción común tendiente a limitar la competencia
entre los integrantes del convenio. La intención es la de lograr
para los mismos los beneficios que obtendrían bajo una situación
de monopolio, estableciendo a tales fines fórmulas que les
permitan reducir la producción mediante fijación de cuotas,
establecimiento de precios y repartición del mercado.
d. Los carteles fueron utilizados en varios países europeos,
principalmente antes de la Segunda Guerra Mundial, corno un
mecanismo de protección frente a la competencia de productos
importados. Para esa época, las empresas tendían a formar
carteles a instancias de sus respectivos gobiernos. Después de
1945, se generalizó la idea de que los carteles creaban a las
sociedades más perjuicios que beneficios, con lo cual fueron
ilegalizados por los propios gobiernos que antes los propiciaban.
e. Los carteles, por su propia naturaleza, tienden a limitar los
volúmenes de producción de las empresas que son eficientes,
preservan las operaciones de aquellas que son ineficientes,
propenden a que las unidades productivas descuiden sus costos
 y mantienen los precios por encima de los niveles competitivos.
En otras palabras, constituyen un mecanismo a través del cual
se logra un poco eficaz aprovechamiento de los recursos de la
sociedad.
f. En general, el cartel constituye un tipo de solución colusiva que
tiende a ser inestable. La diversidad de intereses entre los
integrantes de un cartel, con frecuencia termina por minar las
bases sobre la cual se constituyó el acuerdo. Los integrantes del
cartel capaces de alcanzar mayores niveles de productividad,
suelen quejarse del sacrificio que se les impone en favor de los
más improductivos. Inevitablemente, en el enfrentamiento entre
el interés colectivo del cartel y los intereses individuales dé sus
miembros, terminan por imponerse estos últimos. Las cuotas
convenidas comienzan a ser violadas por alguno de los
miembros de la organización. Ello sirve de excusa para que otros
también lo hagan. El siguiente paso es que se violan los precios
acordados, ya que para apoderarse de una porción mayor del
mercado, resulta imprescindible ofrecer algún atractivo a los
potenciales compradores. Finalmente, el cartel pasa a ser simple
letra muerta, irrespetada en el mejor de los casos por todos sus
integrantes, si es que, en el peor, no desembocan en una abierta
guerra de precios.
g. Hoy en día, el cartel es quizás la forma de asociación
monopolista más conocida.
h. A continuación un video, de Khan Academy, en el que se
explican breve pero claramente algunos conceptos de
asociaciones monopolísticas: oligopolio, duopolio, colusión y
cartel.

¿Qué es un cártel empresarial?

i. El cártel empresarial se produce cuando una empresa o un
conjunto de empresas se unen para controlar la producción del
mercado de forma temporal. La ventaja principal de crear un
cártel empresarial, es la reducción de poder de la competencia,
además, se tienen el poder de la producción y sobre los
consumidores.
j. El control de una industria por parte de un cártel, no quiere decir
que el cartel controle necesariamente la mitad del mercado, sino
que tienen mayor poder que otras empresas para fijar precios,
pudiendo incluso limitar la oferta para aumentar beneficios.
 k. ¿Qué es el holding?
l. El holding es una compañía que controla a varias empresas, la
forma más común de creación de holding se produce cuando
una persona física o jurídica adquiere acciones de varias
empresas.
m. El holding se beneficia de ventajas fiscales, ya que, las cargas
fiscales de varias empresas sobre una misma cuenta, son
menores que las de varias cuentas de empresas distintas, estas
ventajas aumenta si la sede física del holding se encuentra en un
país de los denominados “paraísos fiscales”.
n. Muchas veces, los holding se forman aprovechando los
beneficios reales que puede tener poseer varias empresas con
actividades afines.
o. ¿Qué es un trust de empresas?
p. Cuando varias empresas de un mismo sector o de actividades
afines que ven mermado su poder económico, jurídico o
comercial, se unen para crear una nueva empresa bajo una
única dirección, se produce un trust. El trust podría dar lugar a
un monopolio, debido al control que la nueva empresa tiene
sobre una industria.
q. Las asociaciones de empresas pueden dar como resultado un
mayor poder en las decisiones comerciales de las empresas
asociadas y de la industria o industrias en las que  estas operan.

Un trust es:

Es la fusión amplia, generalmente de varias empresas que pierden su

independencia y cuya dirección económica está unificada, No es sólo
una organización comercial, sino también una organización de
producción. En la actualidad es utilizado para designar las grandes
corporaciones que han surgido de la unión y fusión de distintas
empresas menores y que se han desarrollado por medio de la
apropiación y copamiento de distintas empresas (de una misma rama
industrial o de varias). Se caracterizan por tener una única autoridad
(dependiente de algún grupo monopolista importante) y, aunque de
carácter internacional por sus operaciones, las mismas son realizadas
a través de filiales o sucursales en los distintos países. (Greco, p.515)
Baltra (p.291), acerca de los trusts indica que:
Los trusts representan una fórmula avanzada de concentración: las
empresas se fusionan en una sola perdiendo la autonomía jurídica y
técnica. Los primeros trusts aparecieron en Estados Unidos, en la
segunda mitad del Siglo XIX, después de la guerra de secesión.  Los
trusts pueden organizarse y actuar con éxito sin necesidad de que
posean el monopolio de la actividad de que se trata. El mono polio no
es de la esencia del trust. El trust no se constituye para controlar el
total de la oferta sino una parte lo suficientemente grande como para
influir sobre la oferta total y el precio. El logro de esta influencia sí que
es de la esencia misma del trust.
¿En qué se diferencia el trust de las otras formas de concentración? El
trust brinda todas las ventajas que derivan de la dirección única pero,
además, tiene otras que le son peculiares. Dada la circunstancia de
que las empresas integrantes del trust pierden su autonomía, ello
significa que puede sometérselas a un plan o programa de conjunto,
que se traduzca en una organización más racional, eficiente y
económica. El trust favorece el completo aprovechamiento de las
ventajas que caracterizan la producción en gran escala, pues permite
que la capacidad de las empresas se utilice hasta su óptimo. Con
frecuencia, cuando se constituye un trust, la dirección acuerda el cierre
de las empresas con más altos costos y centraliza la producción en las
de costos inferiores. Desde el punto de vista de los costos, su acción
es más eficaz que la de los carteles.
Una tercera forma de concentración de poder de mercado, legal y muy
difundida, es la holding.

Una holding es:

Una sociedad tenedora o una sociedad cartera, sin una actividad

productiva concreta, cuya finalidad es la de asegurar el control y por
consiguiente, también la dirección de un conjunto de empresas,
mediante el sistema de tomar participaciones mediante la compra de
acciones en su capital social. Para ejercer el control de otra sociedad
tenedora necesita poseer más del 50% de las acciones de la sociedad
participada.
 MÉTODOS DE ANÁLISIS
MULTIVARIANTE: ANÁLISIS CLÚSTER
Objetivos
1. Identificar grupos de objetos homogéneos.
2. Determinar el criterio de similitud.
3. Distinguir los Métodos de clasificación Jerárquicos y los Métodos de clasificación No-
Jerárquicos o Repartición.
4. Plantear y aplicar el Análisis Clúster Jerárquico.
5. Distinguir los Métodos Jerárquicos Aglomerativos y los Métodos Jerárquicos Divisivos.
6. Entender y aplicar el proceso algorítmico del Análisis Clúster Jerárquico Aglomerativo.
7. Saber construir una matriz de distancias.
8. Representar e Interpretar un dendograma.
9. Plantear y aplicar el Análisis Clúster de K medias.
10. Entender y aplicar el proceso algorítmico del Análisis Clúster de K medias.
11. Plantear y aplicar el Análisis Clúster en dos etapas o bietápico.

Introducción al Análisis Clúster

El análisis clúster es una técnica multivariante cuya idea básica es clasificar objetos
formando grupos/conglomerados (clúster) que sean lo más homogéneos posible dentro de si
mismos y heterogéneos entre sí.
Surge ante la necesidad de diseñar una estrategia que permita definir grupos de objetos
homogéneos. Este agrupamiento se basa en la idea de distancia o similitud entre las
observaciones y la obtención de dichos clusters depende del criterio o distancia
considerados, por ejemplo, una baraja de carta española se podría dividir de distintas
formas: en dos clusters (figuras y números), en cuatro clusters (los cuatro palos), en ocho
clusters (los cuatro palos y según sean figuras o números). Es decir, el número de clusters
depende de lo que consideremos como similar.
El análisis clúster es una tarea de clasificación. Por ejemplo
 Clasificar grupos de consumidores respecto a sus preferencias en nuevos productos
 Clasificar las entidades bancarias donde sería más rentable invertir
 Clasificar las estrellas del cosmos en función de su luminosidad
 Identificar si hay grupos de municipios en una determinada comunidad con una tendencia
similar en el consumo de agua con el fin de identificar buenas prácticas para la sostenibilidad y
zonas problemáticas por alto consumo.
Como se puede comprender fácilmente el análisis clúster tiene una extraordinaria
importancia en la investigación científica, en cualquier rama del saber. La clasificación es
uno de los objetivos fundamentales de la Ciencia y en la medida en que el análisis clúster
nos proporciona los medios técnicos para realizarla, se nos hará imprescindible en cualquier
investigación.
E=m2
Planteamiento del problema
Consideremos una muestra X formada por n  individuos sobre los que se
miden p variables, X1,…,Xp  (p variables numéricas observadas en n objetos). Sea xij  el valor
de la variable Xj  en el i  -ésimo objeto i = 1,…,n; j = 1,…,p.
 Este conjunto X de valores numéricos se pueden ordenar en una matriz

La i-ésima fila de la matriz X contiene los valores de

cada variable para el i-ésimo individuo, mientras que la j-ésima columna muestra los
valores pertenecientes a la j-ésima variable a lo largo de todos los individuos de la muestra.
Se trata, fundamentalmente, de resolver el siguiente problema: Dado un conjunto
de n  individuos caracterizados por la información de p variables Xj, (j = 1,2,…, p), nos
planteamos clasificarlos de manera que los individuos pertenecientes a un grupo (clúster) (y
siempre con respecto a la información disponible de las variables) sean lo más similares
posibles entre sí y los distintos grupos sean entre ellos tan disimilares como sea posible.
El proceso completo puede estructurarse de acuerdo con el siguiente esquema:
 Partimos de un conjunto de n individuos de los que se dispone de una información cifrada
por un conjunto de p variables (una matriz de datos de n individuos y p variables).
 Establecemos un criterio de similaridad y construimos una matriz de similaridades que nos
permita relacionar la semejanza de los individuos entre sí. Para medir lo similares (o disimilares)
que son los individuos existe una gran cantidad de índices de similaridad y de disimilaridad o
divergencia. Todos ellos tienen propiedades y utilidades distintas y habrá que ser consciente de ellas
para su correcta aplicación.
 Elegimos un algoritmo de clasificación para determinar la estructura de agrupación de los
individuos.
 Especificamos esa estructura mediante diagramas arbóreos.
El análisis clúster: Técnica de agrupación de variables y
de casos
 Como técnica de agrupación de variables, el análisis clúster es similar al análisis
factorial. Pero, mientras que el análisis factorial es poco flexible en algunos de sus supuestos
(linealidad, normalidad, variables cuantitativas, etc.) y estima de la misma manera la matriz de
distancias, el análisis clúster es menos restrictivo en sus supuestos (no exige linealidad, ni simetría,
permite variables categóricas, etc.) y admite varios métodos de estimación de la matriz de
distancias. 
 Como técnica de agrupación de casos, el análisis clúster es similar al análisis
discriminante. Pero mientras que el análisis discriminante se centra en la agrupación de variables,
es decir efectúa la clasificación tomando como referencia un criterio o variable dependiente (los
grupos de clasificación), el análisis clúster se centra en agrupar objetos, es decir permite detectar el
número óptimo de grupos y su composición únicamente a partir de la similaridad existente entre los
casos; además, el análisis de clúster no asume ninguna distribución específica para las variables.
Inconvenientes del Análisis Clúster: Es un análisis descriptivo, a teórico y no
inferencial. Habitualmente se utiliza como una técnica exploratoria que no ofrece
soluciones únicas, las soluciones dependen de las variables consideradas y del método de
análisis clúster utilizado.
Aplicabilidad: Las técnicas de análisis clúster han sido tradicionalmente utilizadas en
muchas disciplinas, por ejemplo, Astronomía (Clúster = galaxia, súper galaxias, etc.),
 Marketing (segmentación de mercados, investigación de mercados), Psicología, Biología
(Taxonomía. Microarrays), Ciencias Ambientales (Clasificación de ríos para establecer
tipologías según la calidad de las aguas), Sociología, Economía, Ingeniería, ….
JAIN and DUBES (1988) definen el Análisis de Clúster como una herramienta de
exploración de datos que se complementa con técnicas de visualización de los mismos.
Resumiendo
 El objetivo del Análisis Clúster es obtener grupos de objetos de forma que, por un lado, los
objetos pertenecientes a un mismo grupo sean muy semejantes entre sí y, por el otro, los objetos
pertenecientes a grupos diferentes tengan un comportamiento distinto con respecto a las variables
analizadas.
 Es una técnica exploratoria puesto que la mayor parte de las veces no utiliza ningún tipo de
modelo estadístico para llevar a cabo el proceso de clasificación.
 Conviene estar siempre alerta ante el peligro de obtener, como resultado del análisis, no
una clasificación de los datos sino una disección de los mismos en distintos grupos. El
conocimiento que el analista tenga acerca del problema decidirá que grupos obtenidos son
significativos y cuáles no.
 Una vez establecidas las variables y los objetos a clasificar el siguiente paso
consiste en establecer una medida de proximidad o de distancia entre ellos que cuantifique
el grado de similaridad entre cada par de objetos.
 Las medidas de proximidad, similitud o semejanza miden el grado de semejanza
entre dos objetos de forma que, cuanto mayor (menor) es su valor, mayor (menor) es el grado de
similaridad existente entre ellos y mayor (menor) la probabilidad de que los métodos los asignen en
el mismo grupo.
 Las medidas de disimilitud, desemejanza o distancia miden la distancia entre dos
objetos de forma que, cuanto mayor (menor) sea su valor, más (menos) diferentes son los objetos y
menor (mayor) la probabilidad de que los métodos de clasificación los asignen en el mismo grupo.
Métodos de clasificación
Se distinguen dos grandes categorías de métodos clusters: Métodos jerárquicos y Métodos
no-jerárquicos
 Métodos Jerárquicos: En cada paso del algoritmo sólo un objeto cambia de grupo y los
grupos están anidados en los de pasos anteriores. Si un objeto ha sido asignado a un grupo ya no
cambia más de grupo.  La clasificación resultante tiene un número creciente de clases anidadas.
 Métodos No jerárquico o Repartición: Comienzan con una solución inicial, un número de
grupos g fijado de antemano y agrupa los objetos para obtener los g grupos.
Los métodos jerárquicos se subdividen a su vez en aglomerativos y divisivos:
 Los métodos jerárquicos aglomerativos comienzan con tantos clusters como objetos
tengamos que clasificar y en cada paso se recalculan las distancias entre los grupos existentes y se
unen los dos grupos más similares o menos disimilares. El algoritmo acaba con un clúster
conteniendo todos los elementos.
 Los métodos jerárquicos divisivos comienzan con un clúster que engloba a todos los
elementos y en cada paso se divide el grupo más heterogéneo. El algoritmo acaba con tantos
clusters (de un elemento cada uno) como objetos se hayan clasificado.
Indepedientemente del proceso de agrupamiento, hay diversos criterios para ir formando los
clusters; todos estos criterios se basan en una matriz de distancias o similitudes. Por
ejemplo, dentro de los métodos:
Jerárquicos aglomerativos:
 Método del Linkage Simple, Enlace Simple o Vecino más próximo
 Método del Linkage Completo, Enlace Completo o Vecino más alejado
 Método del Promedio entre grupos
 Método del Centroide
 Método del la Mediana
 Método de Ward
Jerárquicos divisivos o disociativos
 Método del Linkage Simple
 Método del Linkage Completo
 Método del Promedio entre grupos
 Método del Centroide
 Método del la Mediana
 Análisis de Asociación
Proceso que se debe seguir en un análisis clúster
Paso 1: Selección de variables
La clasificación dependerá de las variables elegidas. Introducir variables irrelevantes
aumenta la posibilidad de errores. Hay que utilizar algún criterio de selección:
 Seleccionar sólo aquellas variables que caracterizan los objetos que se van agrupando, y
referentes a los objetivos del análisis clúster que se va a realizar
 Si el número de variables es muy grande se puede realizar previamente un Análisis de
Componentes Principales y resumir el conjunto de variables.
Paso 2: Detección de valores atípicos. El análisis clúster es muy sensible a la presencia de
objetos muy diferentes del resto (valores atípicos).
Paso 3. Seleccionar la forma de medir la distancia/disimilitud entre objetos dependiendo de
si los datos con cuantitativos o cualitativos
 Datos métricos: Medidas de correlación y medidas de distancia
 Datos no métricos: Medidas de asociación.
Paso 4: Estandarización de los datos (Decidir si se trabaja con los datos según se miden o
estandarizados). El orden de las similitudes puede cambiar bastante con sólo un cambio de
escala de una de las variables por lo que sólo se realizará una tipificación cuando resulte
necesario.
Paso 5: Obtención de los clusters y valoración de la clasificación realizada
 Elegir el algoritmo para la formación de clúster (Procedimientos jerárquicos o
procedimientos no jerárquicos)
 Número de clusters: Regla de parada. Existen diversos métodos de determinación del
número de clusters, algunos están basados en reconstruir la matriz de distancias original, otros en
los coeficientes de concordancia de Kendall y otros realizan análisis de la varianza entre los grupos
obtenidos. No existe un criterio universalmente aceptado. Dado que la mayor parte de los paquetes
estadísticos proporciona las distancias de aglomeración, es decir, las distancias a las que se forma
cada clúster, una forma de determinar el número de grupos consiste en localizar en qué iteraciones
del método utilizado dichas distancias dan grandes saltos
 Adecuación del modelo. Comprobar que el modelo no ha definido clúster con un solo
objeto, clúster con tamaños desiguales,…
Análisis clúster en SPSS
El programa SPSS dispone de tres tipos de análisis clúster:
 Análisis de conglomerados de bietápico
 Análisis de conglomerados de K medias
 Análisis de conglomerados jerárquicos.
Cada uno de estos procedimientos utiliza un algoritmo distinto en la creación de clusters y
contiene opciones que no están disponibles en los otros.
 Análisis de conglomerados de bietápico. El clúster en dos etapas está pensado para
minería de datos, es decir para estudios con un número de individuos grande que pueden tener
problemas de clasificación con los otros procedimientos. Se puede utilizar tanto cuando el número
de clúster es conocido a priori y cuando es desconocido. Permite trabajar  conjuntamente
con variables de tipo mixto (cualitativas y cuantitativas).
 Análisis de conglomerados de K medias. Es un método de clasificación No Jerárquico
(Repartición). El número de clusters que se van a formar es fijado de antemano (requiere conocer
el número de clusters a priori) y se agrupan los objetos para obtener esos grupos. Comienzan con
una solución inicial y los objetos se reagrupan de acuerdo con algún criterio de optimalidad. El
clúster no jerárquico sólo puede ser aplicado a variables cuantitativas. Este procedimiento  puede
analizar archivos de datos grandes.
 Análisis de conglomerados jerárquicos. En el método de clasificación Jerárquico en
cada paso del algoritmo sólo un objeto cambia de grupo y los grupos están anidados en los pasos
anteriores. Si un objeto ha sido asignado a un grupo ya no cambia más de grupo. El
método jerárquico es idóneo para determinar el número óptimo de conglomerados existente en los
datos y el contenido de los mismos. Se utiliza cuando no se conoce el número de clusters a priori
y cuando el número de objetos no es muy grande. Permite trabajar  conjuntamente con variables
de tipo mixto (cualitativas y cuantitativas). Siempre que todas las variables sean del mismo tipo,
el procedimiento Análisis de Conglomerados Jerárquico podrá analizar variables de intervalo
(continuas), de recuento o binarias.
Los tres métodos de análisis que vamos a estudiar son de tipo aglomerativo, en el
sentido de que, partiendo del análisis de los casos individuales, intentan ir agrupando casos
hasta llegar a la formación de grupos o conglomerados homogéneos.
Todos los métodos de análisis clúster son métodos exploratorios de datos
 Para cada conjunto de datos podemos tener diferentes agrupaciones, dependiendo del
método
 Lo importante es identificar una solución que nos enseñe cosas relevantes de los datos.
En esta práctica estudiamos primero el Análisis clúster Jerárquico, seguido del Análisis
Clúster de K medias y por último el Análisis Clúster en dos etapas.
Análisis clúster jerárquico
Este procedimiento intenta identificar grupos relativamente homogéneos de casos (o de
variables) basándose en las características seleccionadas. Permite trabajar conjuntamente
 con variables de tipo mixto (cualitativas y cuantitativas), siendo posible analizar las
variables brutas o elegir de entre una variedad de transformaciones de estandarización. Se
utiliza cuando no se conoce el número de clusters a priori y cuando el número de
objetos no es muy grande.  Como hemos dicho anteriormente, los objetos de análisis de
agrupamiento jerárquico pueden ser casos o variables, dependiendo de si desea clasificar
los casos o examinar las relaciones entre las variables.
Al trabajar con variables que pueden ser cuantitativas, binarias o datos de recuento
(frecuencias), el escalamiento de las variables es un aspecto importante, ya que las
diferentes escalas en que están medidas las variables  pueden afectar a las soluciones de
conglomeración. Si las variables muestran grandes diferencias en el escalamiento (por
ejemplo, una variable se mide en dólares y la otra se mide en años), se debe considerar la
posibilidad de estandarizarlas. Esto puede llevarse a cabo automáticamente mediante el
propio procedimiento Análisis de conglomerados jerárquico.
Estudiaremos fundamentalmente los Métodos Jerárquicos Aglomerativos. En estos
métodos se utilizan diversos criterios para determinar, en cada paso del algoritmo, qué
grupos se deben unir.
 Enlace simple o vecino más próximo: Mide la proximidad entre dos grupos calculando la
distancia entre sus objetos más próximos o la similitud entre sus objetos más semejantes
 Enlace completo o vecino más alejado: Mide la proximidad entre dos grupos calculando la
distancia entre sus objetos más lejanos o la similitud entre sus objetos menos semejantes
 Enlace medio entre grupos: Mide la proximidad entre dos grupos calculando la media de
las distancias entre objetos de ambos grupos o la media de las similitudes entre objetos de ambos
grupos
  Enlace medio dentro de los grupos: Mide la proximidad entre dos grupos con la distancia
media existente entre los miembros del grupo unión de los dos grupos
 Métodos del centroide y de la mediana: Ambos métodos miden la proximidad entre dos
grupos calculando la distancia entre sus centroides. Los dos métodos difieren en la forma de
calcular los centroides:Método de Ward
 El método del centroide utiliza las medias de todas las variables
 En el método de la mediana, el nuevo centroide es la media de los centroides de los
grupos que se unen
Comparación de los diversos métodos aglomerativos
 El enlace simple conduce a clusters encadenados
 El enlace completo conduce a clusters compactos
 El enlace completo es menos sensible a outliers que el enlace simple
 El método de Ward y el método del enlace medio son los menos sensibles a outliers
 El método de Ward tiene tendencia a formar clusters más compactos y de igual tamaño y
forma en comparación con el enlace medio
 Todos los métodos salvo el método del centroide satisfacen la desigualdad ultramétrica

Decisiones que hay que tomar para hacer un clúster

1. Elegir el método clúster que se va a utilizar
2. Decidir si se estandarizan los datos
3. Seleccionar la forma de medir la distancia/disimilitud entre los individuos
4. Elegir un criterio para unir grupos, distancia entre grupos.
Proceso que se debe seguir en un Análisis Clúster Jerárquico Aglomerativo
Paso 1: Selección de las variables. Se recomienda que las variables sean del mismo tipo
(continuas, categóricas,..)
Paso 2: Detección de valores atípicos. El análisis clúster es muy sensible a la presencia de
objetos muy diferentes del resto (valores atípicos).
Paso 3: Elección de una medida  de similitud entre objetos y obtención de la matriz de
distancias. Mediante estas medidas se determinan los clusters iniciales.
Paso 4: Buscar los clusters  más similares
Paso 5: Unir estos dos clusters en un nuevo clúster que tenga al menos dos objetos, de
forma que el número de clúster decrece en una unidad.
Paso 6: Calcular la distancia entre este clúster y el resto. Los distintos métodos para el
cálculo de las distancias entre los clusters producen distintas agrupaciones, por lo que no
existe una agrupación única.
Paso 7: Repetir desde el paso 4 hasta que todos los objetos estén en un único clúster.
El proceso de agrupación jerárquico se puede resumir gráficamente mediante una
representación gráfica en forma de árbol que recibe el nombre de Dendograma. Los
objetos similares se enlazan y su posición en el diagrama está determinada por el nivel de
similitud/disimilitud entre los objetos.
Vamos a realizar el proceso descrito y para ello utilizamos un ejemplo sencillo. Dicho
ejemplo está formado por 5 objetos (A, B, C, D, E)  y 2 variables (X1, X2). Los datos se
presentan en la siguiente tabla

Paso 1 y 2: Para detectar valores atípicos podemos representar los puntos en el

plano

No detectamos valores atípicos

Paso 3: La medida de distancia que vamos a tomar entre los objetos va a ser la
distancia euclídea cuya expresión es:
 Así, por ejemplo, la distancia entre el clúster A y el
clúster B es:

Realizamos la distancia euclídea entre todos los puntos y obtenemos la siguiente

matriz de distancias euclídeas entre los objetos

Estamos realizando el método jerárquico

aglomerativo, por lo que inicialmente tenemos 5 clusters, uno por cada uno de los objetos a
clasificar.
Paso 4: Observamos en la matriz de distancias cuales son los objetos más similares, en
nuestro ejemplo son el A y B que tienen la distancia menor (1).
Paso 5: Fusionamos los clusters más similares construyendo un nuevo clúster que contiene
A y B. Se han formado los clusters: AB, C, D y E.
Paso 6: Calculamos la distancia entre el clúster AB y los objetos C, D y E. Para medir esta
distancia tomamos como representante del clúster AB el centroide, es decir, el punto que
tiene como coordenadas las medias de los valores de las componentes de las variables, es
decir, las coordenadas de AB son: ((1+2)/2 , (1+1)/2) = (1.5, 1). La tabla de datos es la
siguiente

Paso 7: Repetimos desde el paso 4 hasta que todos

los objetos estén en un único clúster
Paso 4: A partir de estos datos calculamos de nuevo la matriz de distancias

Paso 5: Los clusters más similares son el D y E con una distancia de 2, que se fusionan en
un nuevo clúster DE. Se han formado tres clusters AB, C, DE
  Paso 6: Calculamos el centroide del nuevo clúster que es el punto (6,7) y formamos de
nuevo la tabla de datos
 Paso 4: A partir de estos datos calculamos de nuevo la
matriz de distancias

Paso 5: Los clusters más similares son el C y DE con una

distancia de 2.8, que se fusionan en un nuevo clúster CDE. Se han formado dos clusters AB
y CDE
Paso 6. Calculamos el centroide del nuevo clúster ((4+5+7)/3 , (5+7+7)/3) = (5.3, 6.3) y
formamos de nuevo la tabla de datos

Paso 4 : A partir de estos datos calculamos de nuevo

la matriz de distancias

En este último paso tenemos solamente dos clusters con

distancia 6.4 que se fusionarán en un único clúster en el paso siguiente
terminando el proceso.

A continuación vamos a representar gráficamente el proceso de fusión mediante

un dendograma
 El dendograma muestra como solución
más acertada la formada por dos clusters: AB y CDE.

A continuación mostramos varias soluciones, para ello cortamos el dendograma

por medio de líneas horizontales, así por ejemplo

En la figura anterior se muestran 2 clusters: AB y CDE

En esta figura la línea de corte nos muestra 3 clusters: AB, C y DE

 El número de clusters depende del sitio donde cortemos el dendograma, por lo
tanto la decisión sobre el número óptimo de clusters es subjetiva. Es conveniente
elegir un número de clusters que sepamos interpretar. Para interpretar los clúster
podemos utilizar:

 ANOVA
 Análisis factorial
 Análisis discriminante
 …
 Sentido común

Para decidir el número de clusters nos puede ser de gran utilidad representar los
distintos pasos del algoritmo y las distancias a la que se produce la fusión de los
clusters. En los primeros pasos el salto de las distancias es pequeño, mientras
que esas diferencias van aumentando en los sucesivos pasos. Podemos elegir
como punto de corte aquel donde comienzan a producirse saltos más bruscos. En
nuestro ejemplo, el salto brusco se produce entre etapas 3 y 4, por lo tanto son
dos el número de clusters óptimo.

Comentarios sobre el clúster jerárquico

 Realizar el clúster jerárquico en conjunto de datos grande es problemático ya que un árbol
con más de 50 individuos es difícil de representar e interpretar.
 Una desventaja general es la imposibilidad de reasignar los individuos a los clusters en los
casos en que la clasificación haya sido dudosa en las primeras etapas del análisis.
 Debido a que el análisis clúster implica la elección entre diferentes medidas y
procedimientos, con frecuencia es difícil juzgar la veracidad de los resultados.
 Se recomienda comparar los resultados con diferentes métodos de conglomerados.
Soluciones similares generalmente indican la existencia de una estructura en los datos. Soluciones
muy diferentes probablemente indican una estructura pobre.
 En último caso, la validez de los clusters se juzga mediante una interpretación cualitativa
que puede ser subjetiva.
 El número de clusters depende del sitio donde cortemos el dendograma.
Supuesto práctico 1
Los fabricantes de automóviles deben adaptar sus estrategias de desarrollo de
productos y de marketing en función de cada grupo de consumidores para
aumentar las ventas y el nivel de fidelidad a la marca. La tarea de agrupación de
los coches según variables que describen los hábitos de consumo, sexo, edad,
nivel de ingresos, etc. de los clientes puede ser en gran medida automática
utilizando el análisis de clúster.

Se desea hacer un estudio de mercado sobre las preferencias de los

consumidores al adquirir un vehículo, para ello disponemos una base de
datos, ventas_vehículos.sav, de automóviles y camiones en los que figura una serie
de variables como el fabricante, modelo, ventas, etc.
El archivo de datos ventas_vehículos.sav contiene 157 datos y está formado por las
siguientes variables:
Variables tipo cadena: marca (Fabricante); modelo
Variables tipo numérico: ventas (en miles); reventa (Valor de reventa en 4
años); tipo (Tipo de vehículo: Valores: {0, Automóvil; 1, Camión}); precio (en
miles); motor (Tamaño del motor); CV (Caballos); pisada (Base de
neumáticos); ancho (Anchura); largo (Longitud); peso_neto (Peso
neto); depósito (Capacidad de combustible); mpg (Consumo).
El estudio de mercado lo queremos realizar sólo en automóviles de mayor venta y
para ello vamos a utilizar el procedimiento Análisis de conglomerados jerárquico
para agrupar los automóviles de mayor venta en función de sus precios, fabricante,
modelo y propiedades físicas.

En primer lugar restringiremos el archivo de datos sólo a los automóviles de los

que se vendieron al menos 100.000 unidades. Para ello seleccionamos los casos
que cumplan esa condición eligiendo en los menús:

Datos/Seleccionar Casos. Seleccionar Si satisface la condición

y pulsar Si la op… Como el estudio

se va a realizar sólo para los automóviles de los que se vendieron al menos
100.000 unidades, en la ventana de la caja de diálogo Seleccionar casos. Si la
opción escribir (tipo = 0) & (ventas>100).
Pulsar Continuar. En el editor de datos (están tachados los casos para los que no
se va a llevar a cabo el análisis clúster) aparece una nueva variable filter_$ con
dos valores (0 = “Not Selected” y 1 = “Selected”).
Una vez seleccionada la muestra con la que vamos a trabajar, utilizamos
el Análisis de Conglomerados Jerárquicos para agrupar los automóviles de mayor
venta en función de sus precios, fabricante, modelo y propiedades físicas. Para
ejecutar este análisis clúster se elige en los
menús: Analizar/ Clasificar/Conglomerados Jerárquicos …

Como se observa en esta figura, se pueden realizar conglomerados para objetos

(casos) o para variables (agrupar variables por el parecido que presentan en las
respuestas de los individuos) y se pueden etiquetar los grupos con una de las
variables del fichero.

Introducir en el campo Variables: precio (en miles); motor (Tamaño del

motor); CV (Caballos); pisada (Base de
neumáticos); ancho (Anchura); largo (Longitud); peso_neto (Peso
neto); depósito (Capacidad de combustible); mpg (Consumo). Y elegimos una
variable de identificación para etiquetar los casos (opción no obligatoria), para ello
introducimos en el Campo Etiquetar los casos mediante: la variable modelo.
 Nota:  Si se aglomeran casos, seleccionar al menos una variable numérica. Si se
aglomeran variables, seleccionar al menos tres variables numéricas.

Pulsar Método.

Método de conglomeración. Los métodos de enlace (linkage) utilizan la proximidad

entre pares de individuos para unir grupos de individuos. Existen diversas formas
de medir la distancia entre clúster que producen diferentes agrupaciones y
diferentes dendogramas. No hay un criterio para seleccionar cual es el algoritmo
mejor. La decisión es normalmente subjetiva y depende del método que mejor
refleje los propósitos de cada estudio en particular. Las opciones disponibles en
SPSS son:
 Vinculación inter-grupos. Media Intergrupos
 Vinculación intra-grupos. Media Intragrupos
 Vecino más próximo. Enlace sencillo (salto mínimo). Utiliza la mínima
distancia/disimilitud entre dos individuos de cada grupo (útil para identificar atípicos). Conduce a
clusters encadenados
 Vecino más lejano. Enlace completo (salto máximo). Utiliza la máxima
distancia/disimilitud entre dos individuos de cada grupo. Conduce a clusters compactos
 Agrupación de centroides. Utiliza la distancia/disimilitud entre los centros de los grupos
 Agrupación de medianas. Utiliza la mediana de las distancias/disimilitud entre todos los
individuos de los dos grupos
 Método de Ward. Tiene tendencia a formar clusters más compactos y de igual tamaño y
forma, en comparación con el enlace medio

El método de Ward y el método de la media (enlace medio) son los menos

sensibles a outliers.

Medida. La distancia (disimilaridad o similaridad) entre objetos es una medida que

nos permite establecer el grado de semejanza entre dichos objetos. Mediante esta
opción seleccionamos la medida que vamos a utilizar para ver el parecido entre
individuos con distintas distancias dependiendo si la variable es binaria, frecuencia
o de intervalo. La elección inicial del conjunto de medidas que describan a los
elementos a agrupar es fundamental para establecer los posibles clusters. Las
medidas de distancia o similaridad que utilizamos en la aglomeración se deben
seleccionar dependiendo del tipo de datos. SPSS dispone de las siguientes
medidas:
 Intervalo (Opción por defecto). Las opciones disponibles son: Distancia euclídea (No es
una distancia invariante por cambios de escala), Distancia euclídea al cuadrado, Coseno,
Correlación de Pearson, Chebychev, Bloque, Minkowski y Personalizada.
 Recuentos. Las opciones disponibles son: Medida de chi-cuadrado (Medida por defecto) y
Medida de phi-cuadrado.
 Binaria. Las opciones disponibles son: Distancia euclídea, Distancia euclídea al cuadrado,
Diferencia de tamaño, Diferencia de configuración, Varianza, Dispersión, Forma, Concordancia
simple, Correlación phi de 4 puntos, Lambda, D de Anderberg, Dice, Hamann, Jaccard, Kulczynski
1, Kulczynski 2, Lance y Williams, Ochiai, Rogers y Tanimoto, Russel y Rao, Sokal y Sneath 1,
Sokal y Sneath 2, Sokal y Sneath 3, Sokal y Sneath 4, Sokal y Sneath 5, Y de Yule y Q de Yule.
Transformar valores. La mayoría de los métodos clúster con muy sensibles al
hecho de que las variables no estén todas medidas en las mismas unidades y que
la variabilidad sea muy diferente. Si queremos que todas las variables tengan la
misma importancia en el análisis, podemos estandarizar los datos. Mediante esta
opción se pueden estandarizar los valores de los datos, para los casos o las
variables, antes de calcular las similaridades (no está disponible para datos
binarios). Los métodos disponibles de estandarización son:
 Puntuaciones Z . Estandarizados a puntuaciones Z, con media 0 y desviación típica 1
 Rango -1 a 1. Cada valor del elemento que se tipifica se divide por el rango de los valores
 Rango 0 a 1. Sustrae el valor mínimo de cada elemento que se tipifica y lo divide por el
rango
 Magnitud máxima de 1. Divide cada valor del elemento que se tipifica por el máximo de
los valores
 Media de 1. Divide cada valor del elemento que se tipifica por la media de los valores
 Desviación típica 1. Divide cada valor de la variable o caso por la desviación típica.
Se puede escoger el modo de realizar la tipificación. Las opciones son Por
variable o Por caso.
Transformar medidas. Mediante esta opción se pueden transformar los valores
generados por la medida de distancia. Se aplican después de calcular la medida
de distancia. Las opciones disponibles son: Valores absolutos, Cambiar el signo y
Cambiar la escala al rango 0–1.
En nuestro ejemplo, dado que las variables en el análisis son variables de escala
que se miden en unidades diferentes, la elección de la medida de la distancia, la
medida de Intervalo (Distancia euclídea al cuadrado) y la normalización parece
apropiado.
Elegimos como método de clúster Vecino más próximo, este método es apropiado
para usar cuando se desea examinar los grados de similitud pero es pobre en la
construcción de distintos grupos. Por lo tanto, después de examinar los resultados
con este método deberíamos realizar de nuevo el estudio con un método distinto
del clúster.
En la ventana de la figura anterior seleccionar como Medida: Intervalo (Distancia
euclídea al cuadrado), como Método de conglomeración: Vecino más próximo y
seleccionar Puntuaciones Z en Transformar valores, Estandarizar:
Pulsar Continuar y en la caja de diálogo del Análisis de conglomerados
jerárquicos pulsar Gráficos…

Dendrograma. Es una representación gráfica en forma de árbol, en el que los

clusters están representados mediante trazos verticales (horizontales) y las etapas
de fusión mediante trazos horizontales (verticales). La separación entre las etapas
de fusión es proporcional a la distancia a la que están los grupos que se funden en
esa etapa. SPSS representa las distancias entre grupos rescaladas, por tanto son
difíciles de interpretar. Los dendrogramas pueden emplearse para evaluar la
cohesión de los conglomerados que se han formado y proporcionar información
sobre el número adecuado de conglomerados que deben conservarse.
Témpanos. Muestra un diagrama de témpanos, que incluye todos los
conglomerados o un rango especificado de conglomerados. Los diagramas de
témpanos muestran información sobre cómo se combinan los casos en los
conglomerados, en cada iteración del análisis. La orientación permite seleccionar
un diagrama vertical u horizontal.
Seleccionar Dendrograma y
en Témpanos  seleccionar Ninguna. Pulsar Continuar y Aceptar. Se obtienen las
siguientes salidas
 El dendrograma es un resumen gráfico de la solución de clúster. Los casos
(marcas de coche) se encuentran a lo largo del eje vertical izquierdo. El eje
horizontal muestra la distancia entre los grupos cuando se unieron (de 0 a 25).

Analizar el árbol de clasificación para determinar el número de grupos es un

proceso subjetivo. En general, se comienza por buscar “huecos” entre uniones a lo
largo del eje horizontal. De derecha a izquierda hay un hueco entre 20 y 25, que
divide los coches en dos grupos:

 Un grupo está formado por los modelos: Accord (8), Camry (11), Malibu (2), Grand Am
(9), Impala (3), Taurus (5), Mustang(4) y
 el otro grupo está formado por los modelos: Focus (6), Civic (7), Cavalier (1) y Corolla
(10).

Hay otro hueco aproximadamente 15 y 20 que sugiere 5 clusters (8, 11); (2,9); (3,
5); (4); (6, 7, 1, 10).

Entre 10 y 15 hay otro hueco que sugiere 6 clusters (8, 11); (2,9); (3, 5); (4); (6, 7,
1); (10).
El Historial de conglomeración es una tabla que muestra un resumen numérico de
la solución del método clúster utilizado. El Historial muestra los casos o
conglomerados combinados en cada etapa, las distancias entre los casos o los
conglomerados que se combinan (Coeficientes), así como el último nivel del
proceso de conglomeración en el que cada caso (o variable) se unió a su
conglomerado correspondiente. Cuando se combinan dos clusters,  SPSS asigna
al nuevo clúster la etiqueta menor entre las que tienen los clusters que se
combinan.

En nuestro ejemplo, en la primera etapa se unen los casos 8 y 11 (Accord (8),

Camry (11)) porque son los que tienen la distancia más pequeña (1.260). El grupo
creado por 8 y 11 aparece de nuevo en la etapa 7 donde se une al clúster 2
(formado en la etapa 3). Por lo tanto en esta etapa se unen los grupos creados en
las etapas 1 y 3 y el grupo resultante formado por 8, 11, 2 y 9 aparece en la
siguiente etapa la 8 .

Si hay muchos casos la tabla es bastante larga, pero suele ser más fácil de
estudiar la columna de coeficientes para distinguir grandes distancias que analizar
el dendrograma. Cuando se observa un salto inesperado en el coeficiente de
distancia, la solución antes de ese hueco indica una buena elección de
conglomerados .

Las mayores diferencias en la columna de los coeficientes se producen entre las

etapas 5 y 6, lo que indica una solución de 6-clúster ((8, 11); (2,9); (3, 5); (4); (6, 7,
1); (10)) y entre las etapas 9 y 10, lo que indica una solución de 2-clúster. Estos
son los mismos que los resultados del dendrograma.

En la caja de diálogo del Análisis de conglomerados jerárquicos pulsar Estadísticos…

Matriz de distancias. Proporciona las distancias o similaridades entre los

elementos.
Conglomerado de pertenencia. Muestra el conglomerado al cual se asigna cada
caso en una o varias etapas de la combinación de los conglomerados. Las
opciones disponibles son: Solución única y Rango de soluciones.
En nuestro estudio elegimos Historial de conglomeración, Matriz de distancias y
en Conglomerado de pertenencia la opción Rango de soluciones (Número mínimo de
conglomerados 2 y número máximo 6).

Esta tabla muestra los

casos que pertenecen a cada clúster. Por ejemplo, si la solución son dos clusters,
los casos Cavalier, Focus, Civic y Corolla forman el clúster 1 y los demás casos
forman el clúster 2.

Esta tabla muestra la Matriz de distancias que proporciona las similaridades entre
los casos

El programa permite guardar conglomerados de pertenencia, estas variables se

pueden utilizar en análisis posteriores para explorar otras diferencias entre los
grupos. Para ello en la caja de diálogo del Análisis de conglomerados
jerárquicos pulsar Guardar…
 Este cuadro de diálogo presenta las siguientes opciones:

 Ninguna (opción por defecto) no guarda los conglomerados de pertenencia

 Solución única: Guarda un número determinado de conglomerados de pertenencia
 Rango de soluciones: Guarda un rango de soluciones de conglomerados de pertenencia.
En este estudio no hemos podido obtener unas conclusiones sólidas sobre la
agrupación de los automóviles de mayor venta en función de sus precios,
fabricante, modelo y propiedades físicas. Puede deberse a que hemos utilizado
como método de clúster el Vecino más próximo que, aunque es aconsejable para
examinar los grados de similitud es pobre en la construcción de los distintos
grupos. Por ello, debemos volver a realizar de nuevo el análisis utilizando otro
método de conglomerado.
Supuesto práctico 2
Realizar el supuesto práctico anterior anterior utilizando como Método de
conglomerado, el Vecino más lejano.
Para ejecutar un análisis de conglomerados con vinculación completa (Vecino más
lejano).  En la caja de diálogo de conglomerados jerárquicos pulsar Método…

En la ventana seleccionar como Método de conglomeración: Vecino más lejano y

seleccionar Puntuaciones Z . Pulsar Continuar.
 En la ventana de diálogo de Análisis de conglomerados jerárquico,
seleccionar Gráficos. Y dentro de esta opción: seleccionar Dendrograma y
en Tempanos:  Ninguna. Pulsar Continuar y Aceptar

En las primeras etapas, el Historial de conglomeración para la solución de

vinculación completa (vecino más lejano) es similar a la solución de vinculación
única (vecino más próximo). En cambio en las etapas finales los historiales de
conglomeración son muy diferentes. Mediante el método de conglomeración del
vecino más lejano se realiza una clasificación fuerte de dos o tres grupos .

La primera gran diferencia es entre las etapas 5 y 6 (6 clusters), la segunda entre

8 y 9 (3 clusters) y entre 9 y 10 (2 clusters).

La decisión de esta clasificación se refleja en el dendrograma.

 La división inicial del árbol forma dos grupos, (8, 11, 1, 6, 7, 10) y (2, 9, 3, 5, 4). El clúster
primero contiene los automóviles más pequeños y el clúster segundo contiene los coches más
grandes.
 El grupo de coches más pequeños se puede dividir en dos subgrupos, uno de ellos formado
por los coches más pequeños y más baratos. Así la división siguiente en 3 clusters: (Accord (8),
Camry (11), Cavalier (1)), (Focus (6), Civic (7), Corolla (10)), estos tres coches son más pequeños
y más baratos que los tres anteriores) y (Malibu (2), Gran Am (9), Impala (3), Taurus (5), Mustang
(4)).
Resumen
La solución de la vinculación completa (vecino más lejano) es satisfactoria debido
a que sus grupos son diferentes, mientras que la solución del vecino más cercano
es menos concluyente. Usando como Método de conglomeración la vinculación
completa (Vecino más lejano), se puede determinar la competencia que hay entre
los vehículos en la fase de diseño mediante la introducción de sus
especificaciones como nuevos casos en el conjunto de datos y volver a ejecutar el
análisis.

A continuación vamos a mostrar la Matriz de distancias y los conglomerados de

pertenencia, para ello en la caja de diálogo de Conglomerados
jerárquicos pulsar Estadísticos… y realizar la siguiente selección

Pulsar Continuar y Aceptar
 Supuesto práctico 3
Una compañía de telecomunicaciones realiza un estudio con el fin de reducir el abandono
de sus clientes. Para ello dispone de un archivo de datos, donde cada caso corresponde a un
cliente distinto del que registra diversa información demográfica y del uso del servicio. El
objetivo es segmentar su base de clientes por patrones de uso del servicio. Si los clientes se
pueden clasificar por el uso, la empresa puede ofrecer paquetes más atractivos para sus
clientes. Las variables que indican el uso y no uso de los servicios están contenidas en el
archivo Telecomunicaciones1.sav.
El archivo de datos telecomunicaciones1.sav contiene 1000 datos y está formado por las
siguientes variables: región, permanencia, edad, estado_civil, dirección,
ingresos_familiares, nivel_educativo, empleo, género, n-pers_hogar, llamadas_gratuitas,
alquiler_equipo, tarjeta_llamada, inalámbrico, larga_distancia_mes,
llamadas_gratuitas_mes, equipo_mes, tarjeta_mes, inalámbrico_mes, líneas_múltiples,
mensaje_voz, servicio_busca, internet, identificador_llamada, desvío_llamadas,
llamada_a_tres, facturación_electrónica.
Utilizar el procedimiento Análisis de conglomerados jerárquico para estudiar las
relaciones entre los distintos servicios.
Para ejecutar el análisis de conglomerados, elija en los menús: Analizar/
Clasificar/Conglomerados Jerárquicos …
Pulsar Restablecer para restaurar la configuración por defecto.
Seleccionar para Variables: Servicio de llamadas gratuitas, Alquiler de equipo, Servicio de
tarjeta de llamada, Servicio inalámbrico, Líneas múltiples, mensajes de voz, servicio de
busca, internet, Identificador de llamadas, llamadas en espera, Desvío de llamadas,
llamadas a tres, Facturación electrónica
Seleccionar Variables en Conglomerar
Pulsar Gráficos…. Seleccionar Dendrograma y en Témpanos seleccionar Ninguna

Pulsar Continuar y en el cuadro de diálogo Análisis de conglomerados

jerárquico, en Método de conglomeración seleccionar Vinculación inter-
grupos; en Medida seleccionar Binaria y dentro de Binaria, elegir Concordancia
simple. Dado que las variables en el análisis son indicadores de si un cliente tiene un
servicio, se debe elegir entre las medidas binarias.
 Pulsar Continuar y Aceptar

En las medidas binarias, la columna de los coeficientes informa de las medidas de similitud,
por lo tanto, los valores de este coeficiente van disminuyendo en cada etapa del análisis. Es
difícil interpretar los resultados, por lo que recurrimos al Dendrograma.
El dendrograma muestra que los patrones de uso de Líneas múltiples y Servicio de tarjeta
de llamadas son distintos de los otros servicios. Estos otros se agrupan en tres grupos. Un
grupo incluye inalámbrico, servicio_busca y mensaje_voz. Otro
incluye alquiler_equipo, internet, y facturación_electrónica. El último grupo contiene
las
variables llamadas_gratuitas, llamadas_espera, identificador_llamada, desvío_llamada
s y llamada_a_tres. El grupo servicio inalámbrico está más cerca del grupo
de Internet que el grupo LlamEsp.
Supuesto práctico 4
Realizar de nuevo el estudio con la medida de distancia de Jaccard y comparar los
resultados.
Para ejecutar un análisis de conglomerados con la medida de distancia de Jaccard, en el
cuadro de diálogo de Análisis de Conglomerados Jerárquicos, pulsar Método y en la
ventana correspondiente seleccionar Jaccard como medida binaria.

Pulsar Continuar y Aceptar en el cuadro de diálogo Análisis de conglomerados

jerárquico.
Utilizando la medida de Jaccard, los tres grupos básicos son los mismos, pero el
grupo servicio inalámbrico está más cerca del grupo LlamEsp que el grupo Internet.

La diferencia entre la simple adaptación y las medidas de Jaccard es que la medida Jaccard
no considera dos servicios similares si una persona no está suscrita. Es decir, casación
simple considera que los servicios inalámbricos y de Internet son similares cuando un
cliente esté en ambos o en ninguno, mientras que Jaccard considera que son similares sólo
cuando un cliente tiene dos servicios. Esto provoca una diferencia en las soluciones de
clúster porque hay muchos clientes que no tienen servicios inalámbricos o Internet. Por lo
tanto, estos grupos son más similares en la solución de casación simple que la solución de
Jaccard. La medida que se utiliza depende de la definición de “similares” que se aplica a la
situación.

 Análisis clúster de k-medias

Análisis clúster de K-medias es una herramienta diseñada para asignar los casos a un
número fijo de grupos, cuyas características no se conocen, pero se basan en un conjunto de
variables que deben ser cuantitativas. Es muy útil cuando se quiere clasificar un gran
número de casos. Es un método de agrupación de casos que se basa en las distancias
existentes entre ellos en un conjunto de variables cuantitativas. Este método de
 aglomeración no permite agrupar variables. El objetivo de optimalidad que se persigue
es “maximizar la homogeneidad dentro de los grupos.”

Es el método que se usa más habitualmente, es fácil de programar y da resultados

razonables. Tiene por objetivo separar las observaciones en K clúster, de manera que cada
dato pertenezca a un grupo y sólo a uno. El algoritmo busca con un método iterativo:

 Los centroides (medias, medianas,… ) de los K clusters

 Asigna cada individuo a un clúster.
El algoritmo requiere que se especifique el número de conglomerados, también se puede
especificar los centros iniciales de los clusters si conoce de antemano dicha información.
En este método, la medida de distancia o de similaridad entre los casos se calcula utilizando
la distancia euclídea. Es muy importante el tipo de escala de las variables, si las variables
tienen diferentes escalas (por ejemplo, una variable se expresa en dólares y otra en años),
los resultados podrían ser equívocos. En estos casos, se debería considerar
la estandarización de las variables antes de realizar el análisis de conglomerados de k-
medias.

Este procedimiento supone que se ha seleccionado el número apropiado de conglomerados

y que se  han incluido todas las variables relevantes. Si se ha seleccionado un número
inapropiado de conglomerados o se han omitido variables relevantes, los resultados podrían
ser equívocos.

Existen varias formas de implementarlo pero todas ellas siguen, básicamente, los siguientes
pasos:

 Paso 1. Se toman al azar k clusters iniciales y se calculan los centroides (medias) de los
clusters
 Paso 2. Se calcula la distancia euclídea de cada observación a los centroides de los clusters
y se reasigna cada observación al grupo más próximo formando los nuevos clusters que se toman en
lugar de los primeros como una mejor aproximación de los mismos
 Paso 3. Se calculan los centroides de los nuevos clusters
 Paso4. Se repiten los pasos 2) y 3) hasta que se satisfaga un criterio de parada como, por
ejemplo, no se produzca ninguna reasignación, es decir, los clusters obtenidos en dos iteraciones
consecutivas son los mismos.

El método suele ser muy sensible a la solución inicial dada por lo que es conveniente
utilizar una que sea buena. Una forma de construirla es mediante una clasificación obtenida
por un algoritmo jerárquico.

Como aclaración, vamos a realizar el procedimiento para el caso de dos variables X 1 y X2 y
cuatro elementos A, B, C. D. Los datos  son los siguientes:
 Se quiere agrupar estas observaciones en dos clusters (k = 2)
Paso 1. De forma arbitraria se agrupan las observaciones en dos clusters (AB) y (CD) y se
calculan los centroides de cada clúster

Paso 2. Calculamos la distancia euclídea de cada observación a los centroides de los

clusters y reasignamos cada una de estas observaciones al clúster que esté más próximo

Como A está más próximo al clúster (AB) que al clúster (CD), no se reasigna

Como B está más próximo al clúster (CD) que al clúster (AB), se reasigna al

clúster (CD) formando el clúster (BCD).

A continuación se calculan los centroides de los nuevos clusters

Paso 3. Se repite el paso 2 calculando las distancias de cada observación a los centroides de
los nuevos clusters para ver si se producen cambios de nuevas reasignaciones

Como no se producen cambios en las ubicaciones de los clusters, la solución para k=2
clusters es: Clúster 1: (A) y Clúster 2: (BCD).
Existe la posibilidad de utilizar esta técnica de manera exploratoria, clasificando los casos e
iterando para encontrar la ubicación de los centroides, o sólo como técnica de clasificación,
clasificando los casos a partir de centroides conocidos. Cuando se utiliza como técnica
exploratoria, es habitual que se desconozca el número idóneo de conglomerados, (como el
ejemplo numérico que hemos hecho), por lo que es conveniente repetir el análisis con
distinto número de conglomerados y comparar las soluciones obtenidas; en estos casos
también se puede utilizar el método análisis de conglomerados jerárquico con una
submuestra de casos.
 Por último hay que interpretar la clasificación obtenida, ello requiere, en primer lugar, un
conocimiento suficiente del problema analizado. Hay que estar abierto a la posibilidad de
que no todos los grupos obtenidos tienen por qué ser significativos. Algunas ideas que
pueden ser útiles en la interpretación de los resultados son las siguientes:


 Realizar ANOVAS y MANOVAS para ver qué grupos son significativamente
distintos y en qué variables lo son.
 Realizar Análisis Discriminante.
 Realizar un Análisis Factorial o de Componentes Principales para representar
gráficamente los grupos obtenidos y observar las diferencias existentes entre ellos.
 Calcular perfiles medios por grupos y compararlos.

Conviene hacer notar, finalmente, que es una técnica eminentemente exploratoria cuya
finalidad es sugerir ideas al analista a la hora de elaborar hipótesis y modelos que expliquen
el comportamiento de las variables analizadas identificando grupos homogéneos de objetos.
Los resultados del análisis deberían tomarse como punto de partida en la elaboración de
teorías que expliquen dicho comportamiento

Un buen análisis de clúster es:

 Eficiente. Utiliza el menor número de grupos posibles.

 Efectivo. Captura todas las agrupaciones estadísticamente y comercialmente importante.
Por ejemplo, un clúster con cinco clientes puede ser estadísticamente diferente, pero no es muy
rentable.

CÁRTEL

Es una asociación de empresas donde sin llegar a desaparecer ninguna de

las empresas asociadas se autolimitan su campo de acción dentro de una
determinada área geográfica donde sólo ofrece sus productos una
determinada empresa no existiendo concurrencia de las demás.

Este mercado ofrece ciertas ventajas teóricamente, dependiendo de la

capacidad de demanda del área geográfica, al no existir ahora concurrencia
de empresas dentro de esta área.

En un principio todas las empresas ofrecen sus productos dentro de un área

geográfica bastante amplia, estando en una situación de lucha con las
demás empresas, sin ninguna preponderancia sobre la demanda.
Posteriormente si se llega a un acuerdo de formación de un cártel cada
empresa ofrece sólo en su área el producto sin que en principio ninguna de
las empresas debe invadir el espacio de la otra, produciéndose una
situación monopolística de cada empresa en su área zonal.
Para la existencia del cártel es necesario que aparezca un organismo
central que fije previamente los precios de venta de cada una de las zonas
donde se ha dividido el mercado y, que por supuesto, deben ser muy
similares para que los demandantes de los productos no se trasladen a otra
zona más cercana para realizar sus compras. Esta fijación de los precios
debe ir en concordancia con la cantidad que cada empresa va produciendo.

La principal característica del cártel es la asignación de cuotas de

producción de las empresas que participan.

También podemos hablar de otra modalidad de cártel donde su principal

característica es la autolimitación del grupo esta referida a variantes de un
producto y no a zonas geográficas. La base donde funciona este tipo de
cártel no es sus acuerdos comerciales sino acuerdos de fabricación
propiamente dichos.

Ejemplo si pensamos en tres empresas productoras de papel, lapiceros y

gomas de borrar esta forma de cártel consistiría en que cada una de las tres
empresas se dedicará a la producción de un producto de los indicados
anteriormente y no existiría inconveniente de ofrecer su producto dentro de
cualquier espacio geográfico, es decir, persiste la competencia de empresas
pero no de productos, por lo que los acuerdos de cantidades y precios de
los productos serían más sencillos quedando a simple decisión de cada una
de las empresas participantes.

Aunque podremos afirmar que este tipo de acuerdos siempre son más difícil
de conseguir.

TRUST

En este acuerdo de empresas está orientado a una profundidad mayor que

el cártel debido a que se empieza por eliminar todas las empresas
existentes en un principio para convertirse en una nueva empresa por la
fusión de las existentes. En este caso tiene la ventaja que los problemas de
especialización de productos o de distribución geográfica desparecen,
debido a que producto de la creación del trust dejan de existir ya ofertas
individualizadas de producto.

Para la realización del trust debe producirse como condición previa que se
controle prácticamente toda la oferta o gran parte de ella, es decir, que se
vaya hacia una tendencia monopolística.

HOLDING
Nace con las llamadas “sociedades de cartera” y en su base puede
considerarse como una moderna forma de control. En realidad esta basado
en una sociedad de tipo financiero que controla todas las actividades de
otras empresas mediante el sistema de adquisición de todas o una gran
parte de sus acciones.

Estas sociedades Holding no tienen que poseer necesariamente todas y

cada una de las acciones de las empresas controladas, debido a que este
control puede establecerse mediante relaciones cruzadas a través de otras
empresas que proporcionan la mayoría necesaria, es decir, se produce un
control indirecto de las sociedades.

Como conclusión podríamos afirmar que un holding es la expresión de

grupo constituyéndose mediante una asociación de empresas pero unidas
por intereses del factor capital y no por el factor de producto.

Cuando un trust o empresa fusionada ha sobrepasado las fronteras propias

de un país estaríamos hablando de empresas multinacionales. Su distinción
del holding esta en que las multinacionales nacen por el producto y la
necesidad de abrir nuevos mercados y los holding nacen más por la
necesidad de unir capital.

CÁRTEL TRUST HOLDING

Puede considerarse como Puede considerarse como Son sociedades de control
una realización del modelo una realización del de cartera mediante la
de Coalición. modelo de Fusión. adquisición de acciones
de otra empresa para
Se reparten el mercado: Es la unión de varias poder ejercer su control
empresas en una sola
Geográficamente. tendiendo al monopolio.

Variedades de producto. Aumentan sus beneficios:

Clave de funcionamiento Reducción de la oferta.

para dominar el mercado
es establecer cuotas de Mejor estructura técnica
cantidad ofrecida a la baja
provocando el Menores costes.
consecuente aumento de
los precios.
Cártel y el trust son asociaciones con un punto de Asociaciones de empresa
partida fundamental: el producto. en base al capital.
Las empresas multinacionales, son grandes empresas que se producen por la
unión de un producto o varios de ellos traspasando las fronteras de los países
donde en un principio nacen. Su principal función es la búsqueda y ampliación a
nuevos mercados pero siempre estando controlados desde el centro de cada
uno de los mercados iniciales.