Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GRUPO 2: JOURNALITOS
INTEGRANTES:
AREQUIPA - PERÚ
2023
TABLA DE CONTENIDOS
1. DEFINICIÓN........................................................................................................................ 2
2. FASES DE APLICACIÓN.................................................................................................... 2
2.1 Elección de Variables................................................................................................... 2
2.2 Métodos de Aglomeración............................................................................................2
2.3 Algoritmos de Clasificación.......................................................................................... 3
2.3.1. ALGORITMOS DE CONGLOMERACIÓN......................................................... 3
2.4 Elección de Medidas de Distancias..............................................................................3
2.5 Obtención de conglomerados...................................................................................... 3
2.6 Interpretación y presentación de resultados................................................................ 4
3. Caso de Aplicación............................................................................................................ 5
Planteamiento del problema
Se registraban las opiniones de las personas sobre ir de compras. Había seis variables
de actitud, cada una de ellas calificada en una escala del 1 al 7, donde el 1 significaba
"Estar en total desacuerdo" y el 7 significaba "Estar totalmente de acuerdo"................... 5
Determinar el número de conglomerados.......................................................................... 6
4. Conclusiones y Recomendaciones................................................................................23
5. Bibliografía....................................................................................................................... 24
1
1. DEFINICIÓN
2. FASES DE APLICACIÓN
2
no aporten información significativa.
Los métodos jerárquicos son aquellos que construyen una estructura de clusters en forma
de árbol o dendrograma, lo que permite visualizar la relación entre los elementos y los
clusters en diferentes niveles de agregación. Estos métodos se basan en la similitud o
distancia entre los elementos para determinar la agrupación. Algunos ejemplos de métodos
jerárquicos incluyen:
Método de Ward: Este método minimiza la varianza dentro de cada cluster. En cada paso,
se fusionan los clusters que minimizan el incremento total de la suma de cuadrados dentro
de los clusters resultantes.
Método del vecino más cercano: En este método, se calcula la distancia entre cada par de
elementos y se fusionan los elementos más cercanos en cada paso hasta formar los
clusters.
Por otro lado, los métodos no jerárquicos, también conocidos como métodos particionales,
buscan asignar directamente cada elemento a un único cluster, sin construir una estructura
jerárquica. Estos métodos se basan en criterios de optimización para determinar la
asignación de elementos a clusters. Algunos ejemplos de métodos no jerárquicos son:
3
K-means: Este método busca formar k clusters, donde k es un número predefinido.
Comienza asignando aleatoriamente k centroides y luego asigna cada elemento al centroide
más cercano. A continuación, actualiza los centroides y repite el proceso hasta converger a
una solución estable.
4
2.5 Obtención de conglomerados
Antes de interpretar los resultados hay que decidir el número adecuado de éstos
- Si el método es jerárquico: se puede elegir el número de conglomerados adecuado
posteriormente al análisis.
- Si el método es no jerárquico: la elección del número de conglomerados adecuado
es previa a la ejecución del análisis.
En algunos casos, es necesario especificar previamente el número de conglomerados
deseados. En otros casos, los algoritmos pueden determinar automáticamente el número
óptimo de conglomerados.
5
3. Caso de Aplicación
El objetivo era analizar esta base de datos y encontrar patrones en las respuestas de
las personas. Para lograrlo, se decidió realizar un análisis por conglomerados, una
técnica que agrupa a las personas en clusters según la similitud de sus respuestas.
6
Determinar el número de conglomerados
Paso 2: Designamos desde “v1” a “v6” como variables y en la sección “Etiquetar los
casos mediante” colocamos a “n”
7
Paso 3: En la pestaña “Estadísticos” marcamos las opciones “Historial de
conglomeración”, “Matriz de proximidades” y “Ninguna”
8
Imagen 5 - captura de programa paso 5
9
Tabla 4 - Historial de conglomeración
Diagrama 1 - Dendograma
10
Descripción de los clúster
11
Imagen 8 - captura de programa base de datos
12
Imagen 10 - captura de programa paso 10
13
Fuente: Elaboración propia
14
Tabla 6 - Informe de Medias
15
Tablas y Gráficos obtenidos
16
Paso 15: Dentro de la pestaña “Descriptivos” Seleccionamos las opciones de
“Solución inicial” y “KMO y prueba de esfericidad de Bartlett”
17
Paso 17: En la pestaña de Análisis Factorial, pulsamos el botón “Rotación” dentro de
la pestaña “Rotación” seleccionamos las opciones: “Ninguno” y “Gráficos de cargas”.
18
Tablas y Gráficos obtenidos
19
Tabla 11 - Matriz de Componentes
20
Gráfico de Dispersión
21
Paso 21: En la sección “Galería” pulsamos sobre la opción “Dispersión/Puntos” y ,
seleccionamos el primer gráfico.
Paso 22: Con lo anterior se habilitará la sección “La vista previa del gráfico", en ella
debemos identificar los componentes vertical y horizontal del gráfico para ello la
variable “REG factor score 1 for analysis 1” será nuestro eje X y “REG factor score 2
for analysis 1” nuestro eje Y, en el apartado “Establecer color” colocamos a la
variable “Ward Method” y pulsamos sobre el botón “Aceptar”
22
Fuente: Elaboración propia
23
4. Conclusiones y Recomendaciones
24
5. Bibliografía
● Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Análisis de datos
multivariantes. Prentice Hall.
● Melián, J. L., & García-Bertrand, J. C. (2007). Análisis de conglomerados: métodos y
aplicaciones. Thomson Paraninfo.
● Cao, R., & Rodrigues-Alvarez, M. X. (2012). Estadística multivariante: Inferencia y
métodos. Pirámide.
● Rolly Vasquez, (2019). SPSS ANALISIS DE CONGLOMERADOS JERÁRQUICOS,
recuperado de: https://youtu.be/A-7c-7tW9Y8
● Ayuga Tellez, Esperanza (2018).Análisis de Conglomerados. Análisis Multivariante
http://ocw.upm.es/pluginfile.php/1284/mod_label/intro/anal_mult_2.pdf
● Concepto de presentación de resultados de análisis de conglomerados (2023)
https://www.google.com/search?rlz=1C1ONGR_esPE1001PE1001&q=concepto+de+
presentacion+de+resultados+de+analisis+de+conglomerados&tbm=vid&sa=X&ved=
2ahUKEwiF_4_Q5Nj_AhWJKLkGHVLICwsQ0pQJegQICBAB&biw=767&bih=736&dp
r=1.25
25