“WACHOVIA: FINANZAS “WATCH OVAH YA” – 2 DA”

Nombres:
Elizabeth Mamani Torrez
Gabriela Zambrana Acarapi
Ada Callisaya Ticona
Kelly Guilarte Gutierrez
Wendy Marion Limachi Quenallata
Jhimy Daniel Maldonado Guarachi
Katerine Rosaisela Ergueta Endara
Docente:
Lic. Juan Villegas Romero
Carrera:
INGENIERÍA EN COMERCIO INTERNACIONAL
Materia:
Análisis Multivariado Aplicado
Año:
2021
 1. Muchos de los reactivos importantes tienen más del 10 por ciento de
valores faltantes. Identifíquelos. ¿Cómo trataría esos valores faltantes?

Antes de poder seleccionar un método de la cual se emplearía aquellos valores

faltantes, cabe mencionar que los valores faltantes se dan por alguna mala
transcripción de los datos o como también pueden presentarse de manera en la cual
los datos recopilados para realizar el respectivo análisis carecen de disposición a
responder ciertas cuestiones de una encuesta. Aquellos datos faltantes pueden
presentarse de manera aleatoria o no aleatoria.

Partiendo de ello podemos mencionar métodos para el tratamiento de aquellos

valores faltantes como ser:

CASO COMPLETOS O ELIMINACION POR LISTA: este método consiste en

incluir en el análisis los casos que muestren observaciones completas de todas las
variables, así mismo este método se emplea cuando la recopilación de datos es de
manera aleatoria ya que en otro caso se introduce sesgos. Seguidamente cabe
mencionar que uno de los inconvenientes es el tamaño de la muestra ya que las
mismas pueden llegar a sufrir una gran reducción

SELECCIÓN POR VARIABLES: este método se mantiene en la base de datos

aquellos casos con tal que presenten datos en las variables que llegaran a ser
utilizadas para el análisis. El inconveniente de la aplicación de este método es que
tiende a generar muestras heterogéneas.

METODO DE IMPUTACION: este método consiste en estimar aquellos valores

ausentes en la base en los valores validos de otras variables o casos de la muestra.
Asi mismo se puede hacer a partir de la información del conjunto completos de
variables o también de aquellas variables especialmente seleccionadas. Este
método usualmente es empleado con variables métricas y se las aplican con gran
precaución ya que pueden generar relaciones inexistentes en los datos reales.

Las misma contempla los siguientes procedimientos:

• Sustitución por media

• Sustitución por constante
 • Imputación por regresión
2. Recodifique las siguientes características demográficas en las
categorías especificadas:

a) Edad (P9) (27 a 57=1, 58 a 68=2, 69 a 75=3, 76 a 90=4);

b) Estado civil (P11) (actualmente casado = 1, todos los demás, por ejemplo, ahora
soltero = 2);

c) número de hijos dependientes (P12) (3 a 10 = 3) y

d) educación (P14) (combine algo de preparatoria, certificado de preparatoria y

vocacional o escuela técnica en una sola categoría, combine también en una sola
categoría licenciatura en derecho, odontología o medicina y doctorado).

RESPUESTA

a) ¿Cuál es su edad?
27 a 57 vale 5
18 a 27 vale 4
58 a 68 vale 3
69 a 75 vale 2
76 a 90 vale 1
b) Estado civil
Casado por más años vale 5
Casado actualmente vale 4
Divorciado vale 3
Soltero vale 2
Viudo vale 1
c) Número de hijos dependientes

De 1 vale 5

De 2 vale 4

De 3 vale 3

De 4 vale 2
 De 5 a más hijos vale 1

d) Educación
Preparatoria, certificado de preparatoria y vocacional o escuela técnica = 1
Licenciatura en derecho, odontología o medicina y doctorado = 5
3. Recodifique en dos categorías la ventaja de usar proveedores primarios
(P5) [1 a 3 = 1 (poca ventaja), 4 a 5 = 2 (gran ventaja)].
• P5. ¿Cómo calificaría la ventaja de usar su principal proveedor en ves de
otros proveedores extranjeros de servicios financieros?

La recodificación de la variable “ventaja de usar proveedores primarios” tomando

un criterio binario seria:

Poca ventaja con un rango de (1 a 3) = 0

Gran ventaja con un rango de (4 a 5) = 1

MUY GRANDE 1 Gran ventaja

GRANDE
REGULAR
PEQUEÑA 0 Poca ventaja
NINGUNA

El cual nos ayuda a clasificar en dos grupos a los encuestados midiendo el

nivel de
aceptación de
la variable.
4. Recodifique en tres categorías la satisfacción general con el proveedor
de servicios (P6_a) (2 a 4 = 1, 5 = 2, 6 = 3).

Recodifique en de servicios (P6_a) (2 a 4 = 1, 5 = 2, 6 = 3). Satisfacción general del

proveedor No satisfecho Poco satisfecho Muy satisfecho 4 5 6
Satisfacción general del proveedor

No satisfecho Poco satisfecho Muy satisfecho

4 5 6

5. ¿Los enfoques de la toma de decisiones (P8) pueden explicar

cualquiera de las variables de importancia (P1_a hasta P1_l)?

Si puede por la razón que la pregunta 1 de la parte 8 que se refiere las diferentes
fuentes de información por internet o medios convencionales para tomar la mayor
parte de las decisiones son las que sin la ayuda de un consejero o profesional de
inversiones

Hace referencia la importancia de la organización a tener un acercamiento más

preciso y directo con los consumidores sin la necesidad de estar cara a cara y
ofrecer sus servicios a larga distancia de forma más sencilla y eficiente.

Como es como el alcance de los productos y servicios para satisfacer las

necesidades de inversión.

• La capacidad de resolver problemas

• El desempeño de las inversiones con este proveedor
• Los servicios en línea ofrecidos
El para pregunta 2 busca las variables con respecto a si la persona tiene algún
acceso de internet para acceder a los servicios bancarios de wachovia para la toma
de decisiones sin la necesidad de un funcionario de cara a cara de la institución
bancaria con referente a inversiones alternativas o asesorías sobre impuestos.

• La posibilidad de elegir entre los productos varios

• Calidad de servicio
• El desempeño de las inversiones con este proveedor

En la pregunta 3 las variables a tomar tienen relación a los servicios cara a cara de
wachovia como ser en la atención por parte de consejeros y profesionales de
inversión y como esta influyen en la decisión del cliente ya sea por información
proporcionado por los agentes bancarios o por la información propia de la cual la
última decisión estará basada.

• Conocer a los representantes o ejecutivos con los que trato

• Los cargos y comisiones cobradas
• Acceso a otros recursos profesionales

En la pregunta 4 hace alusión a las variables con base a como la información de los
agentes bancarios interviene en la decisión de los clientes para sus inversiones.

• Grado en que me conoce el proveedor

• Que los representantes conozcan mi situación general y mis necesidades
• La capacidad de resolver problemas
• Calidad de servicio
6. ¿Existe alguna relación entre las variables de importancia consideradas
de manera individual (P1_a hasta P1_l) y las características
demográficas recodificadas (P9 hasta P15)?

Las variables de la pregunta (P1 hasta PI L) y (P9-P15) tienen una relación

importante la primera variable está dirigida a determinar la importancia de calidad
de los servicios que brinda el Banco y las percepciones de la satisfacción que estas
presentan al cliente. Y la segunda nos ayuda a conocer demográficamente las
características de las personas que califican la importancia de estas variables y
cuales son más relevantes para sí mismas.

7. ¿Las calificaciones del principal proveedor financiero (P6_a hasta

P6_m) pueden explicar la probabilidad de “recomendar a su principal
proveedor a alguien que usted conoce” (P2) cuando estas
calificaciones se consideran de manera simultánea?

Las calificaciones de la pregunta (P6- p6m) si puede ayudarnos a ver si existe la

probabilidad de recomendar porque se mide el nivel de satisfacción del cliente
acerca de los servicios brindados entre más buenos sean las calificaciones que nos
brindan los clientes se tendrá mayor probabilidad de ser recomendados por los
mismos.

8. ¿Las calificaciones del principal proveedor financiero (P6_a hasta

P6_m) permiten explicar la probabilidad de “mantener al principal
proveedor al menos al mismo nivel que hasta ahora” (P3) cuando estas
calificaciones se consideran de manera simultánea?

Si nos permite explicar aumenta la probabilidad de que se mantenga los servicios

del principal proveedor puesto que se evalúa las percepciones de los servicios que
se brindan y la pregunta (P3) califica de manera directa percepción de la satisfacción
y de mantenerse con el mismo proveedor.

9. ¿Se relaciona la ventaja recodificada de usar un proveedor principal (P5

recodificada) con cualquiera de las variables de importancia (P1_a
hasta P1_l) cuando se consideran de manera simultánea? Realice un
análisis discriminante de dos grupos, así como un análisis logit y
compare los resultados.

Sí, si se relacionan la pregunta 5 con la 6, puesto que los encuestados lanzaron un

promedio de 3.7 al momento de calificar la ventaja de trabajar con su proveedor
actual, respecto a la pregunta 1 la opción más preferida es el desempeño de las
inversiones con su proveedor actual. Esto nos lleva a verificar que ambas preguntas
se relacionan ya que los encuestados están muy cómodos con las operaciones que
realiza su actual proveedor.
 Resumen de proceso del caso de análisis

Casos sin ponderar N Porcentaje

Válido 15 25,0
Excluido Código de grupo perdidos o
45 75,0
fuera de rango
Como mínimo, falta una variable
0 ,0
discriminatoria
Ambos códigos, los perdidos o
los que están fuera de rango y,
0 ,0
como mínimo, una
discriminación que falta
Total 45 75,0
Total 60 100,0

Resultados de clasificación a

Pertenencia a grupos pronosticada

V1 1,00 2,00 Total

Original Recuento 1,00 4 5 9

2,00 2 4 6

Casos sin agrupar 21 24 45

% 1,00 44,4 55,6 100,0

2,00 33,3 66,7 100,0

Casos sin agrupar 46,7 53,3 100,0

a. 53,3% de casos agrupados originales clasificados correctamente.

Regresión logística
Variables en la ecuación

Prueba de igualdad de medias de grupos

Lambda de Wilks F df1 df2 Sig.

V5 ,976 ,325 1 13 ,578

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica

1 ,025a 100,0 100,0 ,156

a. Se utilizaron las primeras 1 funciones discriminantes canónicas en el análisis.

 B Error estándar Wald gl Sig. Exp(B)

Paso 1a V1 ,036 ,227 ,025 1 ,875 1,036

V5 ,217 ,305 ,508 1 ,476 1,243

Constante ,024 1,379 ,000 1 ,986 1,025

a. Variables especificadas en el paso 1: V1, V5.

10. ¿Explican las calificaciones del principal proveedor financiero (P6_a

hasta P6_m), consideradas de manera simultánea, quién cambió
algunos activos de un proveedor de inversiones/ahorros a otro y quién
no (P7)? Realice un análisis discriminante de dos grupos, así como un
análisis logit y compare los resultados.

No cambian de un proveedor a otro, pero en la pregunta 6 la mayoría de los

encuestados consideran que no es pertinente dar la información del porqué. Es por
eso que los datos del análisis discriminante no son totalmente válidos porque
carecen de información para analizarlo.

Resumen de proceso del caso de análisis

Casos sin ponderar N Porcentaje

Válido 29 48,3
Excluido Código de grupo perdidos o fuera de
31 51,7
rango
Como mínimo, falta una variable
0 ,0
discriminatoria
Ambos códigos, los perdidos o los que
están fuera de rango y, como mínimo, 0 ,0
una discriminación que falta
Total 31 51,7
Total 60 100,0

Prueba de igualdad de medias de grupos

Lambda de Wilks F df1 df2 Sig.

V7 1,000 ,007 1 27 ,933

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica

1 ,000a 100,0 100,0 ,016

 a. Se utilizaron las primeras 1 funciones discriminantes canónicas en el análisis.

Resultados de clasificacióna

Pertenencia a grupos pronosticada

V6 1,00 2,00 Total

Original Recuento 1,00 6 13 19

2,00 3 7 10

Casos sin agrupar 10 21 31

% 1,00 31,6 68,4 100,0

2,00 30,0 70,0 100,0

Casos sin agrupar 32,3 67,7 100,0

a. 44,8% de casos agrupados originales clasificados correctamente.

Regresión logística
Resumen de procesamiento de casos

Casos sin ponderara N Porcentaje

Casos seleccionados Incluido en el análisis 60 100,0

Casos perdidos 0 ,0

Total 60 100,0
Casos no seleccionados 0 ,0
Total 60 100,0

a. Si la ponderación está en vigor, consulte la tabla de clasificación para el número total

de casos.
Variables en la ecuación

B Error estándar Wald gl Sig. Exp(B)

Paso 1a V6 ,120 ,246 ,239 1 ,625 1,128

V7 -,519 ,161 10,417 1 ,001 ,595

Constante 1,976 ,829 5,685 1 ,017 7,210
a. Variables especificadas en el paso 1: V6, V7.
 11. ¿Puede utilizarse un conjunto reducido de factores para representar las
variables de importancia (P1_a hasta P1_l)? Realice un análisis de
componentes principales usando la rotación varimax. Guarde las
calificaciones de los factores.
Según el análisis de componentes principales usando la rotación Varimax se llegó
a la conclusión que se pueden reducir a dos factores en donde el primer factor se
va interpretar en función a lo que establece las variables 2,3,4 y 5 por su alta
correlación con el primer factor. Mientras que el segundo factor se va interpretar en
función a lo que establece la variable 1. Este análisis se lo pudo realizar gracias a
la matriz de componentes rotados y la gráfica de componentes en el espacio rotado.

Estadísticos descriptivos

Desv.
Media Desviación N de análisis

VAR1 3,2667 1,27381 60

VAR2 3,4333 ,96316 60

VAR3 3,3500 ,97120 60

VAR4 2,7500 1,21606 60

VAR5 3,6667 ,95077 60

Matriz de correlaciones

VAR1 VAR2 VAR3 VAR4 VAR5

Correlación VAR1 1,000 ,042 ,184 -,131 -,051

VAR2 ,042 1,000 ,687 ,326 ,383

VAR3 ,184 ,687 1,000 ,391 ,330

VAR4 -,131 ,326 ,391 1,000 ,147

VAR5 -,051 ,383 ,330 ,147 1,000

 Comunalidades

Inicial Extracción

VAR1 1,000 ,894

VAR2 1,000 ,739

VAR3 1,000 ,795

VAR4 1,000 ,497

VAR5 1,000 ,362

Método de extracción: análisis de componentes principales.

Varianza total explicada

Sumas de cargas
al cuadrado de la
Autovalores iniciales extracción

%
Compon % de acumula % de
ente Total varianza do Total varianza

1 2,184 43,674 43,674 2,184 43,674

2 1,104 22,090 65,764 1,104 22,090

3 ,854 17,079 82,843

4 ,570 11,410 94,253

5 ,287 5,747 100,000

 Matriz de componente
Matriz de componentea
rotadoa
Componente
Componente
1 2
1 2
VAR1 ,075 ,943
VAR1 ,049 ,944
VAR2 ,857 ,063
VAR2 ,855 ,086
VAR3 ,867 ,207
VAR3 ,861 ,230
VAR4 ,587 -,391
VAR4 ,597 -,375
VAR5 ,589 -,126
VAR5 ,592 -,111
Método de extracción: análisis de
componentes principales.a
Método de extracción: análisis de
a. 2 componentes extraídos. componentes principales.

Método de rotación: Varimax con

normalización Kaiser.a

a. La rotación ha convergido en 3
iteraciones.

12. ¿Puede utilizarse un conjunto reducido de factores para representar las

calificaciones del principal proveedor financiero (P6_ a hasta P6_m)?
Realice un análisis de componentes principales usando la rotación
varimax. Guarde las calificaciones de los factores.
Según el análisis de componentes principales usando la rotación Varimax se llegó
a la conclusión que se pueden reducir a dos factores en donde el primer factor se
va interpretar en función a lo que establece las variables 6 y 8 por su alta correlación
con el primer factor. Mientras que el segundo factor se va interpretar en función a lo
que establece las variables 7 y 13. Este análisis se lo pudo realizar gracias a la
matriz de componentes rotados y la gráfica de componentes en el espacio rotado.
 Varianza total explicada
Sumas de cargas
al cuadrado de la
Autovalores iniciales extracción
%
Comp % de acumula % de
onente Total varianza do Total varianza
1 1,476 36,909 36,909 1,476 36,909
2 1,026 25,640 62,549 1,026 25,640
3 ,917 22,926 85,476
4 ,581 14,524 100,000

Matriz de componentea
Matriz de componente
Componente rotadoa

1 2 Componente

VAR6 ,721 ,485 1 2

VAR7 -,408 ,500 VAR6 ,863 -,101

VAR8 ,823 ,119 VAR7 -,134 -,632

VAR13 ,336 -,725 VAR8 ,786 ,271

Método de extracción: análisis VAR13 -,033 ,799

de componentes principales.a
Método de extracción: análisis
a. 2 componentes extraídos.
de componentes principales.

Método de rotación: Varimax

con normalización Kaiser.a

a. La rotación ha convergido en
3 iteraciones.
 13. ¿La probabilidad de “recomendar a su principal proveedor a alguien
que usted conoce” (P2) puede ser explicada por las calificaciones de
los factores del principal proveedor financiero (P6_a hasta P6_m)
cuando las calificaciones de estos factores se consideran de manera
simultánea?

Sí, porque respondiendo a la pregunta 6 obtienes información relacionada ya que si

eliges la opción de recibir un servicio de alta calidad el encuestado recomendará el
servicio sin embargo si eliges opciones como los cargos y comisiones cobrados, si
la persona ha recibido un mal trato o incluso las comisiones son muy altas las
calificaciones en la pregunta 2 serán inferior y el encuestado no recomendará al
proveedor. Tras todo lo explicado podemos deducir que si tienen una relación ya
que el hecho de recomendar a su proveedor actual dependerá mucho del trato
recibido.

14. ¿La probabilidad de “mantener el principal proveedor al menos al

mismo nivel que hasta ahora” (P3) puede ser explicada por las
calificaciones de los factores del principal proveedor financiero (P6_a
hasta P6_m) cuando las calificaciones de estos factores se consideran
de manera simultánea?

Sí, se puede explicar que con las calificaciones mostradas en la pregunta 6 ya que
al leer la pregunta número 3 habla de mantener los servicios de nuestro principal
proveedor, es evidente que si uno no está cómodo con su actual proveedor
cambiará entonces todas las respuestas de la pregunta 6 logran respaldar las
calificaciones en la pregunta 3. Por ejemplo, si el grado en el que me conoce mi
proveedor actual no tiene los datos necesarios para brindarme un servicio eficiente
provocará que realice un cambio de proveedor y la respuesta de la pregunta 6
coordinará con la respuesta de la pregunta 3.
 15. ¿Puede explicarse quién cambió algunos activos de un proveedor de
inversiones/ahorros a otro y quién no lo hizo (P7) por medio de las
calificaciones factoriales del principal proveedor financiero (P6_a hasta
P6_m) consideradas de manera simultánea?

Podemos resaltar que algunos activos de un proveedor de inversiones/ ahorros por

el cual se desarrollan en las calificaciones factoriales realizadas por los encuestados
ya que estas muestran resultados de una forma variada ya que las 10 personas
dijeron que NO mientras que el resto dio un SI…Esto quiere decir que la mayoría
prefiero no hacer las inversiones con su principal proveedor, entonces podemos
decir que se consideraron de manera simultánea.

16. ¿Pueden explicarse los diferentes enfoques de la toma de decisiones

(P8) por medio de las calificaciones factoriales del principal proveedor
financiero (P6_a hasta P6_m) consideradas de manera simultánea?

Podemos resaltar que los diferentes enfoques en la cual se desarrollan en las

calificaciones realizadas por los encuestados muestran resultados casi unánimes,
es decir que la mayoría acata a una respuesta u opción en relaciona a las otras
opciones que se plantean en las diversas preguntas, entonces podemos mencionar
que si fueron consideradas de forma simultánea.

17. ¿Pueden explicarse los diferentes enfoques de la toma de decisiones

(P8) por medio de las calificaciones factoriales de las variables de
importancia (P1_a hasta P1_l) consideradas de manera simultánea?

Podemos resaltar que los diferentes enfoques en la cual se desarrollan en las

calificaciones realizadas por los encuestados muestran resultados casi unánimes,
es decir que la mayoría acata a una respuesta u opción en relaciona a las otras
opciones que se plantean en 15 preguntas, entonces podemos mencionar que si
fueron consideradas de forma simultánea.
 18. Agrupe a los encuestados en conglomerados con base en las variables
de importancia (P1_a hasta P1_l). Utilice el análisis de conglomerados
de K-medias y especifique una solución de dos conglomerados.
Interprete los conglomerados resultantes

Centros de clústeres iniciales

Clúster

1 2

V2 2.00 2.00

V3 3.00 4.00

V4 1.00 3.00

V5 3.00 3.00

V6 5.00 5.00

V7 5.00 1.00

V8 1.00 5.00

V9 3.00 1.00

V10 4.00 2.00

V11 5.00 2.00

V12 1.00 5.00

V13 5.00 2.00

V15 5.00 3.00

V14 4.00 5.00

V16 1.00 5.00

Podemos mencionar que los datos conglomerados en el presente cuadro están

agrupados en dos conglomerados asi mismo podemos ver a cada una de las
variables con sus respectivos valores asignados en cada uno de ellos por ejemplo
V2 tiene valores similares en ambos grupos.
 Historial de iteracionesa

Cambiar en centros de clústeres

Iteración 1 2

1 5.594 5.107

2 .671 1.359

3 .192 .507

4 .000 .000

a. Convergencia conseguida debido a que no

hay ningún cambio en los centros de clústeres o
un cambio pequeño. El cambio de la coordenada
máxima absoluta para cualquier centro es .000.
La iteración actual es 4. La distancia mínimo
entre los centros iniciales es 10.000.

19. Agrupe a los encuestados en conglomerados con base en las

calificaciones factoriales de las variables de importancia (P1_a hasta
P1_l). Utilice el análisis de conglomerados de K-medias y especifique
una solución de dos conglomerados. Interprete los conglomerados
resultantes. Compare sus resultados con los obtenidos al formar los
conglomerados de acuerdo con las variables de importancia originales.

Historial de iteracionesa

Cambiar en centros de clústeres

Iteración 1 2

1 5.594 5.107

2 .671 1.359

3 .192 .507

4 .000 .000
Los grupos se dividió en dos grupos que son de genero entre hombres y mujeres y
por la cercanía de las distancias en los conglomerados mostrado en el centro de
los resultados de las respuestas a la encuesta que se realizó a 64 personas de las
cuales 43 son hombres y 21 son mujeres de los encuestados de los cuales se les
pregunto qué características tiene que tener una entidad financiera para ser
elegida por ellos.

Centros de clústeres iniciales

Clúster

1 2

V2 2.00 2.00

V3 3.00 4.00

V4 1.00 3.00

V5 3.00 3.00

V6 5.00 5.00

V7 5.00 1.00

V8 1.00 5.00

V9 3.00 1.00

V10 4.00 2.00

V11 5.00 2.00

V12 1.00 5.00

V13 5.00 2.00

V15 5.00 3.00

V14 4.00 5.00

V16 1.00 5.00

 20. Utilice una escala del 1 al 7 para calificar la semejanza de todos los
pares posibles de las siguientes empresas de servicios financieros
(utilice sus impresiones aunque no esté familiarizado con ellas): Bank
of America, JPMorgan Chase, Citibank, Fidelity Investments, Goldman
Sachs, Merrill Lynch, New York Life, T. Rowe Price, Vanguard y Wells
Fargo. Desarrolle un mapa de dos dimensiones mediante el
escalamiento multidimensional. Interprete las dimensiones y el mapa.

ALTO

Goldman Sachs

Merrill Lynch Fidelity Investments

WACHOVIA
Bank of America

JPMorgan Chase
Citibank

COSTOSO
ECONOMICO

New York Life

Vanguard y Wells argo

Citibank T. Rowe Price

BAJO
 21. Construya 32 perfiles completos de empresas de servicios financieros
con base en los siguientes atributos y niveles: desempeño de las
inversiones (M, A), cargos o comisiones (M, A), capacidad de resolver
problemas (M, A), calidad de las asesorías (M, A) y calidad del servicio
(M, A). Califique los 32 perfiles en términos de su preferencia por medio
de una escala de 7 puntos (1 no se prefiere, 7 muy preferido). Calcule
las funciones de valores parciales y la importancia relativa de los
atributos. Advierta que M mediano y A alto.

BANCOS desempeño de las inversiones cargos o comisiones capacidad de resolver problemas calidad de las asesorías calidad del servicio
Alex. Brown & Sons MEDIO MEDIO ALTO MEDIO MEDIO
American Express ALTO ALTO MEDIO MEDIO ALTO
Apple Bank for SavingsV ALTO MEDIO MEDIO MEDIO MEDIO
Bank of America MEDIO ALTO MEDIO ALTO MEDIO
Bank One Corporation ALTO ALTO ALTO ALTO ALTO
BankBoston MEDIO ALTO ALTO ALTO MEDIO
BBVA (Estados Unidos) MEDIO MEDIO MEDIO MEDIO ALTO
Chase Manhattan BankV MEDIO MEDIO ALTO MEDIO ALTO
Chemical Bank ALTO ALTO MEDIO MEDIO MEDIO
Dime Savings Bank of New York ALTO ALTO MEDIO ALTO ALTO
First Boston ALTO MEDIO ALTO ALTO ALTO
Goldman Sachs MEDIO ALTO MEDIO ALTO MEDIO
Greenwich Savings Bank MEDIO MEDIO ALTO MEDIO MEDIO
JP Morgan Chase MEDIO ALTO ALTO MEDIO ALTO
Lehman Brothers MEDIO MEDIO ALTO MEDIO ALTO
Morgan Stanley ALTO MEDIO ALTO ALTO ALTO
Riggs Bank ALTO ALTO MEDIO MEDIO ALTO
Salomon Brothers ALTO ALTO MEDIO MEDIO MEDIO
State Street Corporation MEDIO MEDIO ALTO ALTO MEDIO
Wachovia ALTO MEDIO MEDIO ALTO MEDIO
Washington Mutual MEDIO MEDIO ALTO ALTO MEDIO
Wells Fargo ALTO MEDIO ALTO ALTO ALTO
White Weld & Co. ALTO ALTO MEDIO MEDIO MEDIO
Santander Bank MEDIO ALTO MEDIO MEDIO MEDIO
BB&T ALTO ALTO MEDIO MEDIO ALTO
Citibank MEDIO ALTO MEDIO ALTO ALTO
Citigroup ALTO ALTO MEDIO ALTO ALTO
Dime Savings Bank of Williamsburgh MEDIO MEDIO ALTO MEDIO MEDIO
Drexel Burnham Lambert MEDIO MEDIO ALTO MEDIO MEDIO
Brooklyn Savings Bank MEDIO MEDIO ALTO ALTO MEDIO
Bessemer Trust ALTO ALTO MEDIO ALTO MEDIO
Merrill Lynch MEDIO ALTO MEDIO ALTO MEDIO
ANEXO 1
Discriminante

Resumen de proceso del caso de análisis

Casos sin ponderar N Porcentaje

Válido 15 25,0
Excluido Código de grupo perdidos o
45 75,0
fuera de rango
Como mínimo, falta una
0 ,0
variable discriminatoria
Ambos códigos, los perdidos o
los que están fuera de rango y,
0 ,0
como mínimo, una
discriminación que falta
Total 45 75,0
Total 60 100,0

Estadísticas de grupo

Desviación N válido (por lista)

V1 Media estándar No ponderados Ponderados

1,00 V5 3,6667 1,00000 9 9,000

2,00 V5 4,0000 1,26491 6 6,000
Total V5 3,8000 1,08233 15 15,000

Prueba de igualdad de medias de grupos

Lambda de Wilks F df1 df2 Sig.

V5 ,976 ,325 1 13 ,578

Matrices dentro de grupos

combinados

V5

Correlación V5 1,000
Análisis 1

Resumen de funciones discriminantes canónicas

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica

1 ,025a 100,0 100,0 ,156

a. Se utilizaron las primeras 1 funciones discriminantes canónicas en el análisis.

Lambda de Wilks

Prueba de funciones Lambda de Wilks Chi-cuadrado gl Sig.

1 ,976 ,309 1 ,579

Coeficientes de
función
discriminante
canónica
estandarizadas

Función

V5 1,000

Matriz de estructuras

Función

V5 1,000
Correlaciones dentro
de grupos combinados
entre las variables
discriminantes y las
funciones
discriminantes
canónicas
estandarizadas
Variables ordenadas
por el tamaño absoluto
de la correlación
dentro de la función.

Coeficientes de la función
discriminante canónica

Función

V5 ,901
(Constante) -3,425

Coeficientes no
estandarizados

Funciones en
centroides de grupo

Función

V1 1

1,00 -,120
2,00 ,180

Las funciones
discriminantes
canónicas sin
estandarizar se han
evaluado en medias
de grupos
Estadísticas de clasificación

Resumen de proceso de clasificación

Procesado 60
Excluido Código de grupo perdidos o
0
fuera de rango
Como mínimo, falta una variable
0
discriminatoria
Utilizado en resultado 60

Probabilidades previas para grupos

Casos utilizados en análisis

V1 Previa No ponderados Ponderados

1,00 ,500 9 9,000
2,00 ,500 6 6,000
Total 1,000 15 15,000

Coeficientes de función de clasificación

V1

1,00 2,00

V5 2,979 3,250
(Constante) -6,155 -7,193

Funciones discriminantes lineales de Fisher

Resultados de clasificación a

Pertenencia a grupos pronosticada

V1 1,00 2,00 Total

Original Recuento 1,00 4 5 9

2,00 2 4 6

Casos sin agrupar 21 24 45

% 1,00 44,4 55,6 100,0

2,00 33,3 66,7 100,0

Casos sin agrupar 46,7 53,3 100,0

a. 53,3% de casos agrupados originales clasificados correctamente.

Regresión logística
Resumen de procesamiento de casos

Casos sin ponderara N Porcentaje

Casos seleccionados Incluido en el análisis 60 100,0

Casos perdidos 0 ,0

Total 60 100,0
Casos no seleccionados 0 ,0
Total 60 100,0

a. Si la ponderación está en vigor, consulte la tabla de clasificación para el número total

de casos.

Codificación de variable
dependiente
Valor original Valor interno

,00 0
1,00 1

Bloque 0: Bloque de inicio

Tabla de clasificacióna,b

Pronosticado

V16 Corrección de
Observado ,00 1,00 porcentaje

Paso 0 V16 ,00 0 17 ,0

1,00 0 43 100,0

Porcentaje global 71,7

a. La constante se incluye en el modelo.
b. El valor de corte es ,500

Variables en la ecuación

B Error estándar Wald gl Sig. Exp(B)

Paso 0 Constante ,928 ,286 10,492 1 ,001 2,529

 Las variables no están en la ecuación

Puntuación gl Sig.

Paso 0 Variables V1 ,015 1 ,904

V5 ,503 1 ,478

Estadísticos globales ,528 2 ,768

Bloque 1: Método = Entrar

Pruebas ómnibus de coeficientes de modelo

Chi-cuadrado gl Sig.

Paso 1 Escalón ,526 2 ,769

Bloque ,526 2 ,769

Modelo ,526 2 ,769

Resumen del modelo

Logaritmo de la R cuadrado de R cuadrado de

Escalón verosimilitud -2 Cox y Snell Nagelkerke

1 71,003a ,009 ,013

a. La estimación ha terminado en el número de iteración 4 porque las

estimaciones de parámetro han cambiado en menos de ,001.

Tabla de clasificacióna

Pronosticado

V16 Corrección de
Observado ,00 1,00 porcentaje
Paso 1 V16 ,00 0 17 ,0

1,00 0 43 100,0

Porcentaje global 71,7

a. El valor de corte es ,500

Variables en la ecuación

B Error estándar Wald gl Sig. Exp(B)

Paso 1a V1 ,036 ,227 ,025 1 ,875 1,036

V5 ,217 ,305 ,508 1 ,476 1,243

Constante ,024 1,379 ,000 1 ,986 1,025

a. Variables especificadas en el paso 1: V1, V5.
ANEXO 2
Discriminante
Resumen de proceso del caso de análisis

Casos sin ponderar N Porcentaje

Válido 29 48,3
Excluido Código de grupo perdidos o
31 51,7
fuera de rango
Como mínimo, falta una
0 ,0
variable discriminatoria
Ambos códigos, los perdidos o
los que están fuera de rango y,
0 ,0
como mínimo, una
discriminación que falta
Total 31 51,7
Total 60 100,0

Estadísticas de grupo

Desviación N válido (por lista)

V6 Media estándar No ponderados Ponderados

1,00 V7 2,2632 1,91027 19 19,000

2,00 V7 2,2000 1,93218 10 10,000
Total V7 2,2414 1,88329 29 29,000

Prueba de igualdad de medias de grupos

Lambda de Wilks F df1 df2 Sig.

V7 1,000 ,007 1 27 ,933

Matrices dentro de grupos

combinados

V7

Correlación V7 1,000
Análisis 1

Resumen de funciones discriminantes canónicas

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica

1 ,000a 100,0 100,0 ,016

a. Se utilizaron las primeras 1 funciones discriminantes canónicas en el análisis.

Lambda de Wilks

Prueba de funciones Lambda de Wilks Chi-cuadrado gl Sig.

1 1,000 ,007 1 ,933

Coeficientes de
función
discriminante
canónica
estandarizadas

Función

V7 1,000

Matriz de estructuras

Función

V7 1,000
Correlaciones dentro
de grupos combinados
entre las variables
discriminantes y las
funciones
discriminantes
canónicas
estandarizadas
Variables ordenadas
por el tamaño absoluto
de la correlación
dentro de la función.

Coeficientes de la función
discriminante canónica

Función

V7 ,521
(Constante) -1,169

Coeficientes no
estandarizados

Funciones en
centroides de grupo
Función

V6 1

1,00 ,011
2,00 -,022

Las funciones
discriminantes
canónicas sin
estandarizar se han
evaluado en medias
de grupos
Estadísticas de clasificación

Resumen de proceso de clasificación

Procesado 60
Excluido Código de grupo perdidos o
0
fuera de rango
Como mínimo, falta una variable
0
discriminatoria
Utilizado en resultado 60

Probabilidades previas para grupos

Casos utilizados en análisis

V6 Previa No ponderados Ponderados

1,00 ,500 19 19,000

2,00 ,500 10 10,000
Total 1,000 29 29,000

Coeficientes de función de clasificación

V6

1,00 2,00

V7 ,615 ,598
(Constante) -1,390 -1,351

Funciones discriminantes lineales de Fisher

Resultados de clasificación a

Pertenencia a grupos pronosticada

V6 1,00 2,00 Total

Original Recuento 1,00 6 13 19

2,00 3 7 10

Casos sin agrupar 10 21 31

% 1,00 31,6 68,4 100,0

2,00 30,0 70,0 100,0

Casos sin agrupar 32,3 67,7 100,0

a. 44,8% de casos agrupados originales clasificados correctamente.

Regresión logística

Resumen de procesamiento de casos

Casos sin ponderara N Porcentaje

Casos seleccionados Incluido en el análisis 60 100,0

Casos perdidos 0 ,0

Total 60 100,0
Casos no seleccionados 0 ,0
Total 60 100,0

a. Si la ponderación está en vigor, consulte la tabla de clasificación para el número total

de casos.

Codificación de variable
dependiente

Valor original Valor interno

,00 0
1,00 1

Bloque 0: Bloque de inicio

Tabla de clasificacióna,b

Pronosticado

V16 Corrección de
Observado ,00 1,00 porcentaje

Paso 0 V16 ,00 0 17 ,0

1,00 0 43 100,0

Porcentaje global 71,7

a. La constante se incluye en el modelo.

b. El valor de corte es ,500

Variables en la ecuación

B Error estándar Wald gl Sig. Exp(B)

Paso 0 Constante ,928 ,286 10,492 1 ,001 2,529

 Las variables no están en la ecuación

Puntuación gl Sig.

Paso 0 Variables V6 ,386 1 ,534

V7 11,966 1 ,001

Estadísticos globales 12,151 2 ,002

Bloque 1: Método = Entrar

Pruebas ómnibus de coeficientes de modelo

Chi-cuadrado gl Sig.

Paso 1 Escalón 11,769 2 ,003

Bloque 11,769 2 ,003

Modelo 11,769 2 ,003

Resumen del modelo

Logaritmo de la R cuadrado de R cuadrado de

Escalón verosimilitud -2 Cox y Snell Nagelkerke

1 59,760a ,178 ,256

a. La estimación ha terminado en el número de iteración 4 porque las

estimaciones de parámetro han cambiado en menos de ,001.

Tabla de clasificacióna

Pronosticado

V16 Corrección de
Observado ,00 1,00 porcentaje

Paso 1 V16 ,00 11 6 64,7

1,00 8 35 81,4

Porcentaje global 76,7

a. El valor de corte es ,500

Variables en la ecuación

B Error estándar Wald gl Sig. Exp(B)

Paso 1a V6 ,120 ,246 ,239 1 ,625 1,128

V7 -,519 ,161 10,417 1 ,001 ,595

Constante 1,976 ,829 5,685 1 ,017 7,210

a. Variables especificadas en el paso 1: V6, V7.

ANEXO 3

Estadísticos descriptivos

Desv.
Media Desviación N de análisis

VAR1 3,2667 1,27381 60

VAR2 3,4333 ,96316 60

VAR3 3,3500 ,97120 60

VAR4 2,7500 1,21606 60

VAR5 3,6667 ,95077 60

Matriz de correlaciones

VAR1 VAR2 VAR3 VAR4 VAR5

Correlación VAR1 1,000 ,042 ,184 -,131 -,051

VAR2 ,042 1,000 ,687 ,326 ,383

VAR3 ,184 ,687 1,000 ,391 ,330

VAR4 -,131 ,326 ,391 1,000 ,147

VAR5 -,051 ,383 ,330 ,147 1,000

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,624

Prueba de esfericidad de Aprox. Chi-cuadrado 61,345

Bartlett
gl 10

Sig. ,000
 Comunalidades

Inicial Extracción

VAR1 1,000 ,894

VAR2 1,000 ,739

VAR3 1,000 ,795

VAR4 1,000 ,497

VAR5 1,000 ,362

Método de extracción: análisis de

componentes principales.

Varianza total explicada

Sumas de cargas
al cuadrado de la
Autovalores iniciales extracción

%
Compon % de acumula % de
ente Total varianza do Total varianza

1 2,184 43,674 43,674 2,184 43,674

2 1,104 22,090 65,764 1,104 22,090

3 ,854 17,079 82,843

4 ,570 11,410 94,253

5 ,287 5,747 100,000

 Matriz de componentea

Componente

1 2

VAR1 ,075 ,943

VAR2 ,857 ,063

VAR3 ,867 ,207

VAR4 ,587 -,391

VAR5 ,589 -,126

Método de extracción: análisis de

componentes principales.a

a. 2 componentes extraídos.
 Matriz de componente
rotadoa

Componente

1 2

VAR1 ,049 ,944

VAR2 ,855 ,086

VAR3 ,861 ,230

VAR4 ,597 -,375

VAR5 ,592 -,111

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.a

a. La rotación ha convergido en 3
iteraciones.

Matriz de transformación de
componente

Componente 1 2

1 1,000 ,027

2 -,027 1,000

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.
 Matriz de coeficiente de
puntuación de
componente

Componente

1 2

VAR1 ,011 ,854

VAR2 ,391 ,067

VAR3 ,392 ,198

VAR4 ,278 -,347

VAR5 ,273 -,107

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.
 Matriz de covarianzas de
puntuación de componente

Componente 1 2

1 1,000 ,000

2 ,000 1,000

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.
ANEXO 4

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de ,512

muestreo

Prueba de esfericidad de Aprox. Chi-cuadrado 12,206

Bartlett
gl 6

Sig. ,058

Comunalidades

Inicial Extracción

VAR6 1,000 ,755

VAR7 1,000 ,417

VAR8 1,000 ,691

VAR13 1,000 ,639

Método de extracción: análisis

de componentes principales.
Varianza total explicada

Sumas de cargas
al cuadrado de la
Autovalores iniciales extracción

%
Compon % de acumula % de
ente Total varianza do Total varianza

1 1,476 36,909 36,909 1,476 36,909

2 1,026 25,640 62,549 1,026 25,640

3 ,917 22,926 85,476

4 ,581 14,524 100,000

Matriz de componentea

Componente

1 2

VAR6 ,721 ,485

VAR7 -,408 ,500

VAR8 ,823 ,119

VAR13 ,336 -,725

Método de extracción: análisis

de componentes principales.a

a. 2 componentes extraídos.

Matriz de componente
rotadoa

Componente

1 2

VAR6 ,863 -,101

VAR7 -,134 -,632

VAR8 ,786 ,271

VAR13 -,033 ,799

Método de extracción: análisis
de componentes principales.

Método de rotación: Varimax

con normalización Kaiser.a

a. La rotación ha convergido
en 3 iteraciones.

Matriz de transformación de
componente

Componente 1 2

1 ,889 ,458

2 ,458 -,889

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.
Matriz de coeficiente de
puntuación de componente

Componente

1 2

VAR6 ,651 -,197

VAR7 -,022 -,560

VAR8 ,549 ,152

VAR13 -,121 ,733

Método de extracción: análisis

de componentes principales.

Método de rotación: Varimax

con normalización Kaiser.
Matriz de covarianzas de
puntuación de componente

Componente 1 2

1 1,000 ,000

2 ,000 1,000

Método de extracción: análisis de

componentes principales.

Método de rotación: Varimax con

normalización Kaiser.
ANEXO 5
Análisis factorial

Notas

Salida creada 30-JUN-2021 20:47:11

Comentarios

Entrada Conjunto de datos activo Conjunto_de_datos0

Filtro <ninguno>

Ponderación <ninguno>

Segmentar archivo <ninguno>

N de filas en el archivo de
60
datos de trabajo

Manejo de valor perdido Definición de ausencia MISSING=EXCLUDE: Los valores

perdidos definidos por el usuario se tratan
como perdidos.

Casos utilizados LISTWISE: Los estadísticos se basan en

casos sin valores perdidos para cualquier
variable utilizada.
Sintaxis FACTOR

/VARIABLES VAR00002 VAR00003

VAR00004 VAR00005 VAR00006
VAR00007 VAR00008 VAR00009
VAR00010 VAR00011 VAR00012
VAR00013 VAR00014 VAR00015
VAR00016

/MISSING LISTWISE

/ANALYSIS VAR00002 VAR00003

VAR00004 VAR00005 VAR00006
VAR00007 VAR00008 VAR00009
VAR00010 VAR00011 VAR00012
VAR00013 VAR00014 VAR00015
VAR00016

/PRINT INITIAL CORRELATION KMO

EXTRACTION ROTATION

/FORMAT SORT

/PLOT EIGEN

/CRITERIA MINEIGEN(1) ITERATE(25)

/EXTRACTION PC

/CRITERIA ITERATE(25)

/ROTATION VARIMAX

/METHOD=CORRELATION.

Recursos Tiempo de procesador 00:00:01.31

Tiempo transcurrido 00:00:02.25

Memoria máxima necesaria 28528 (27.859K) bytes

 Matriz de correlaciones

VAR00002 VAR00003 VAR00004 VAR00005 VAR00006

Correlación VAR00002 1.000 .042 .184 -.131 -.051

VAR00003 .042 1.000 .687 .326 .383

VAR00004 .184 .687 1.000 .391 .330

VAR00005 -.131 .326 .391 1.000 .147

VAR00006 -.051 .383 .330 .147 1.000

VAR00007 -.141 .050 .138 .162 .245

VAR00008 .055 -.309 -.136 -.007 .165

VAR00009 .038 .235 .357 .206 .272

VAR00010 -.121 .052 .012 -.030 .022

VAR00011 .033 -.202 .016 .043 -.028

VAR00012 .066 .089 .192 -.013 .340

VAR00013 .066 -.062 -.169 -.041 -.116

VAR00014 -.188 .165 .084 -.009 .233

VAR00015 -.024 .053 .056 -.003 .224

VAR00016 .223 .018 .247 -.036 -.187

Matriz de correlaciones

VAR00007 VAR00008 VAR00009 VAR00010 VAR00011

Correlación VAR00002 -.141 .055 .038 -.121 .033

VAR00003 .050 -.309 .235 .052 -.202

VAR00004 .138 -.136 .357 .012 .016

VAR00005 .162 -.007 .206 -.030 .043

VAR00006 .245 .165 .272 .022 -.028

 VAR00007 1.000 -.055 .387 .152 .311

VAR00008 -.055 1.000 -.155 .054 -.034

VAR00009 .387 -.155 1.000 -.008 .075

VAR00010 .152 .054 -.008 1.000 .323

VAR00011 .311 -.034 .075 .323 1.000

VAR00012 .015 .159 .078 .308 .078

VAR00013 .150 -.073 .200 .005 .007

VAR00014 .008 -.080 .148 .031 -.076

VAR00015 .104 .124 -.030 .180 .105

VAR00016 -.272 .120 .028 -.070 -.165

Matriz de correlaciones

VAR00012 VAR00013 VAR00014 VAR00015 VAR00016

Correlación VAR00002 .066 .066 -.188 -.024 .223

VAR00003 .089 -.062 .165 .053 .018

VAR00004 .192 -.169 .084 .056 .247

VAR00005 -.013 -.041 -.009 -.003 -.036

VAR00006 .340 -.116 .233 .224 -.187

VAR00007 .015 .150 .008 .104 -.272

VAR00008 .159 -.073 -.080 .124 .120

VAR00009 .078 .200 .148 -.030 .028

VAR00010 .308 .005 .031 .180 -.070

VAR00011 .078 .007 -.076 .105 -.165

VAR00012 1.000 -.176 .403 .282 .033

VAR00013 -.176 1.000 -.089 .171 -.050

 VAR00014 .403 -.089 1.000 .202 -.008

VAR00015 .282 .171 .202 1.000 -.177

VAR00016 .033 -.050 -.008 -.177 1.000

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo .525

Prueba de esfericidad de Aprox. Chi-cuadrado 194.504

Bartlett
gl 105

Sig. .000

Comunalidades

Inicial Extracción

VAR00002 1.000 .652

VAR00003 1.000 .734

VAR00004 1.000 .833

VAR00005 1.000 .540

VAR00006 1.000 .688

VAR00007 1.000 .652

VAR00008 1.000 .841

VAR00009 1.000 .571

VAR00010 1.000 .628

VAR00011 1.000 .714

VAR00012 1.000 .719

VAR00013 1.000 .726

VAR00014 1.000 .653

VAR00015 1.000 .499

VAR00016 1.000 .580

Método de extracción: análisis de

componentes principales.

Varianza total explicada

Sumas de extracción de cargas

Autovalores iniciales al cuadrado

Componente Total % de varianza % acumulado Total % de varianza

1 2.727 18.183 18.183 2.727 18.183

2 1.948 12.985 31.168 1.948 12.985

3 1.708 11.387 42.556 1.708 11.387

4 1.340 8.935 51.491 1.340 8.935

5 1.191 7.937 59.428 1.191 7.937

6 1.116 7.443 66.871 1.116 7.443

7 .973 6.484 73.355

8 .900 6.002 79.357

9 .732 4.883 84.240

10 .582 3.882 88.122

11 .467 3.115 91.237

12 .438 2.919 94.156

13 .401 2.676 96.833

14 .304 2.029 98.861

15 .171 1.139 100.000

 Varianza total explicada

Sumas de extracción
de cargas al cuadrado Sumas de rotación de cargas al cuadrado

Componente % acumulado Total % de varianza % acumulado

1 18.183 2.428 16.187 16.187

2 31.168 1.854 12.359 28.546

3 42.556 1.538 10.252 38.798

4 51.491 1.532 10.212 49.010

5 59.428 1.422 9.477 58.487

6 66.871 1.258 8.384 66.871

10

11

12

13

14

15

Método de extracción: análisis de componentes principales.

 Matriz de componentea

Componente

1 2 3 4 5 6

VAR00004 .750 -.437 .012 .242 -.140 -.029

VAR00003 .713 -.425 -.033 -.137 -.023 -.153

VAR00006 .667 .142 .198 -.131 .106 .394

VAR00009 .558 -.063 -.384 .163 .287 .009

VAR00005 .466 -.192 -.256 -.060 -.332 .327

VAR00016 -.074 -.525 .319 .426 .041 -.121

VAR00011 .088 .516 -.274 .453 -.359 -.175

VAR00010 .195 .515 .100 .281 -.317 -.368

VAR00015 .281 .481 .229 .034 .366 .033

VAR00012 .446 .319 .611 .143 .029 -.154

VAR00007 .411 .412 -.525 .096 -.009 .170

VAR00002 -.038 -.318 .128 .678 .270 -.022

VAR00014 .394 .164 .391 -.398 .242 -.319

VAR00013 -.085 .155 -.443 .165 .685 -.047

VAR00008 -.144 .231 .449 .272 -.013 .701

Método de extracción: análisis de componentes principales.a

a. 6 componentes extraídos.

Matriz de componente rotadoa

Componente

1 2 3 4 5 6

VAR00004 .832 .117 .062 .328 -.053 -.110

VAR00003 .738 .212 -.151 .080 -.041 -.335

VAR00005 .660 -.209 .026 -.201 -.079 .113

VAR00006 .537 .455 -.090 -.207 .081 .366

VAR00012 .109 .748 .261 .159 -.170 .159

VAR00014 .061 .734 -.143 -.155 -.067 -.248

VAR00015 -.053 .579 .122 -.094 .297 .222

VAR00011 -.008 -.100 .829 -.065 .103 .037

VAR00010 -.048 .283 .726 -.022 -.115 -.070

VAR00002 .023 -.063 .034 .764 .218 .126

VAR00016 .051 -.051 -.125 .726 -.177 -.026

VAR00013 -.197 -.032 -.063 .043 .820 -.089

VAR00009 .519 .070 .065 .035 .528 -.112

VAR00007 .342 -.049 .398 -.385 .463 .107

VAR00008 -.126 .075 -.023 .101 -.118 .892

Método de extracción: análisis de componentes principales.

Método de rotación: Varimax con normalización Kaiser.a

a. La rotación ha convergido en 7 iteraciones.

Matriz de transformación de componente

Componente 1 2 3 4 5 6

1 .853 .475 .153 -.072 .129 -.052

2 -.372 .374 .585 -.507 .216 .276

3 -.193 .640 -.172 .344 -.559 .305

4 .038 -.165 .542 .733 .239 .287

5 -.216 .363 -.468 .199 .750 -.011

6 .223 -.257 -.303 -.205 .067 .863

Método de extracción: análisis de componentes principales.

Método de rotación: Varimax con normalización Kaiser.

ANEXO 6
Proximidades

Notas

Salida creada 30-JUN-2021 21:30:59

Comentarios

Entrada Conjunto de datos activo Conjunto_de_datos0

Filtro <ninguno>

Ponderación <ninguno>

Segmentar archivo <ninguno>

N de filas en el archivo de
60
datos de trabajo

Manejo de valor perdido Definición de ausencia Los valores perdidos definidos por el
usuario se tratan como perdidos.

Casos utilizados Las estadísticas se basan en los casos

sin valores perdidos para cualquier
variable utilizada.

Sintaxis PROXIMITIES V2 V3 V4 V5 V6 V7 V8
V9 V10 V11 V12 V13 V14 V15 V16

/MATRIX
OUT(D0.5512748185961995)

/VIEW=CASE

/MEASURE=SEUCLID

/PRINT NONE

/ID=V1

/STANDARDIZE=VARIABLE Z.

Recursos Tiempo de procesador 00:00:00.02

Tiempo transcurrido 00:00:00.01

Bytes de espacio de trabajo 23520

Archivos guardados Archivo de matriz Dataset D0.5512748185961995

 Resumen de procesamiento de casosa

Casos

Válido Perdidos Total

N Porcentaje N Porcentaje N Porcentaje

60 100.0% 0 0.0% 60 100.0%

a. Distancia euclídea al cuadrado utilizada

CLUSTER

/MATRIX IN(D0.5512748185961995)

/METHOD WARD

/ID=V1

/PRINT SCHEDULE

/PRINT DISTANCE

/PLOT DENDROGRAM.
 Matriz de proximidades

Distancia euclídea al cuadrado

1:JUA 3:LAU 5:SAR 6:CAR 8:MARÍ 10:HÉ

N RA 4:ÁL A LOS 7:JOSÉ A CTOR 11:JOS
MIGUE 2:LUIS SUSAN VAR GLORI ALBER ÁLVAR LUCIN 9:JE GERA EFINA
Caso L FELIPE A O A TO O DA SÚS RDO MARÍA

1:JUAN 22.65 8.00

.000 11.635 15.256 71.265 11.263 16.945 17.208 25.920 9.357
MIGUEL 8 6

2:LUIS 18.00 4.63

11.635 .000 14.417 69.155 10.432 19.878 23.058 18.468 17.416
FELIPE 2 5

3:LAURA 22.73 11.0

15.256 14.417 .000 83.446 20.260 28.204 25.220 24.273 18.886
SUSANA 2 53

4:ÁLVARO 13.3
22.658 18.002 22.732 .000 87.174 29.982 34.638 29.809 33.448 19.224
79

5:SARA 87.17 73.4

71.265 69.155 83.446 .000 77.213 79.506 66.816 76.420 75.452
GLORIA 4 51

6:CARLOS 29.98 10.4

11.263 10.432 20.260 77.213 .000 32.076 27.896 27.152 26.384
ALBERTO 2 75

7:JOSÉ 34.63 22.8

16.945 19.878 28.204 79.506 32.076 .000 40.174 16.789 25.979
ÁLVARO 8 48

8:MARÍA 29.80 23.0

17.208 23.058 25.220 66.816 27.896 40.174 .000 35.153 15.423
LUCINDA 9 75

9:JESÚS 13.37
8.006 4.635 11.053 73.451 10.475 22.848 23.075 .000 24.142 15.405
9

10:HÉCTOR 33.44 24.1

25.920 18.468 24.273 76.420 27.152 16.789 35.153 .000 25.270
GERARDO 8 42

11:JOSEFIN 19.22 15.4

9.357 17.416 18.886 75.452 26.384 25.979 15.423 25.270 .000
A MARÍA 4 05

12:MARÍA 28.20 19.7

20.993 17.597 22.925 73.582 19.331 40.399 14.394 37.837 33.241
DOLORES 3 67

13:MANUEL 24.00 18.7

15.789 13.695 21.349 76.568 18.632 37.045 15.712 27.504 10.941
6 41
14:JORGE 27.72 28.2
24.366 20.515 24.237 96.748 36.629 21.770 48.002 31.647 24.915
6 28

15:ERICK 38.41 33.3

29.412 31.494 34.488 77.918 24.659 62.224 18.921 53.233 37.516
1 17

16:PALOMA 26.17 20.8

19.112 18.248 20.248 77.243 18.523 27.391 19.812 26.827 18.929
6 89

17:MARIO 26.91 13.1

22.625 8.615 21.090 70.049 14.975 19.986 30.974 6.607 26.471
ARTURO 4 63

18:PATRICIA 26.50 18.3

17.288 17.077 13.088 90.978 15.580 35.710 23.393 26.511 18.018
5 32

19:CELIA 29.94 12.1

8.355 13.340 15.895 73.655 10.225 24.899 15.007 29.263 19.505
MERCEDES 6 50

20:CARLOS 25.54 19.0

18.990 10.807 23.166 77.862 27.774 12.554 28.538 10.346 18.655
ALFONSO 2 07

21:MARÍA 46.38 44.2

27.184 37.808 34.257 93.160 48.304 37.495 27.415 45.356 25.392
ISABEL 8 89

22:RAFAEL 30.16 21.0

15.303 22.566 24.221 77.329 34.008 13.509 26.950 19.896 17.160
4 03

23:MARÍA 24.73 13.0

13.255 19.957 28.340 71.126 15.680 43.177 19.591 45.867 20.637
ASUNCIÓN 0 02

24:FRANCIS 14.72 8.25

8.020 6.876 13.327 77.135 9.736 28.910 21.991 27.159 10.880
CO JAVIER 6 1

25:PABLO 20.97 11.9

8.103 17.868 13.003 74.107 16.740 33.959 20.381 35.552 16.934
5 19

26:JOSÉ 36.21 19.2

14.797 15.951 29.015 77.747 24.263 19.566 24.053 24.502 20.602
7 34

27:JOSÉ 20.36 17.3

16.861 25.488 27.664 94.649 27.034 44.688 35.910 65.632 28.152
DANTE 0 27

28:MARÍA
19.90 12.9
DEL 16.813 16.437 24.208 60.013 25.327 32.237 17.599 34.468 18.826
6 02
CARMEN

29:ARTURO 24.86 14.2

17.733 8.760 16.598 71.122 23.022 13.723 27.550 10.272 19.787
1 55
30:ALBERTO 12.70 7.27
10.035 8.306 9.556 70.445 13.324 20.373 26.745 18.963 12.555
MANUEL 3 5

31:ROGELIO 18.14 25.2

33.891 19.490 34.891 68.310 43.520 26.842 30.962 25.899 27.966
4 58

32:JOAQUÍN 20.69 19.9

24.485 10.705 23.189 75.075 31.203 24.464 28.018 17.419 18.227
0 71

33:ÁNGEL 25.49 17.9

22.656 13.774 20.260 84.693 28.456 16.873 40.013 26.280 32.251
ANTONIO 1 17

34:HERIBER 26.48 19.7

10.999 22.239 18.737 82.915 17.370 27.508 22.887 41.709 20.864
TO 3 35

35:MARÍA
24.42 16.9
DE 15.900 18.982 18.638 90.959 18.322 40.335 31.297 29.377 20.186
1 71
LOURDES

36:ROBERT 13.90 20.5

25.271 15.880 27.070 84.102 31.488 33.184 37.116 30.884 23.271
O 3 08

37:RUBÉN 44.15 124.14 54.0

54.001 43.973 46.513 62.020 65.317 63.021 68.483 59.152
8 5 79

38:JOSÉ 28.89 19.6

15.590 18.245 16.085 88.492 24.209 21.687 33.476 16.867 14.700
ANTONIO 2 80

39:CUAUHT 23.26 13.2

8.347 14.799 16.730 70.594 23.503 16.913 29.235 26.229 16.277
ÉMOC RAÚL 9 16

40:JUAN 31.35 21.1

21.985 24.636 22.569 78.694 27.720 42.080 26.364 39.634 26.178
SOCORRO 6 27

41:JOSÉ 39.59 25.0

15.585 21.409 25.317 75.625 21.958 19.918 18.048 27.375 19.193
HUGO 3 16

42:JAIME 33.78 27.7

26.680 21.957 20.639 88.638 30.228 20.462 34.541 29.685 31.374
JACOBO 4 77

43:LOURDE 32.88 30.2

20.078 27.037 27.973 78.789 38.906 30.468 12.025 35.624 17.756
S ANDREA 0 13

44:OSCAR 29.56 24.0

16.469 29.930 36.845 79.165 34.368 48.608 18.520 55.019 17.539
GERARDO 2 43

45:PEDRO 36.85 41.5

38.426 38.351 52.988 41.823 59.435 38.090 36.394 42.697 32.329
1 01
46:ANA 32.61 25.5
16.857 23.983 24.538 80.658 29.255 27.281 22.786 40.841 16.452
CRISTINA 1 37

47:HIGINIO 32.65 13.7

10.562 10.241 24.682 63.656 17.421 10.835 25.395 23.469 19.752
2 03

48:HUMBER
12.89 11.1
TO 10.527 11.836 12.844 76.938 17.845 29.645 18.383 27.096 7.272
0 78
FRANCISCO

49:ESPERAN
29.55 22.9
ZA DEL 13.395 24.115 22.418 79.276 33.504 22.004 23.981 27.501 8.558
4 64
REFUGIO

50:MARÍA
30.31 17.0
DEL 21.124 17.297 21.147 66.546 18.459 38.285 11.488 35.749 30.171
7 48
CARMEN

51:JOSÉ 27.76 24.3

33.165 18.109 23.509 89.611 28.226 24.068 51.736 12.272 31.021
ALBERTO 8 14

52:MIGUEL 13.96 11.4

12.793 15.221 23.304 70.571 29.795 16.839 20.118 21.855 16.053
ÁNGEL 6 20

53:JORGE 21.30 22.2

23.727 19.891 16.640 77.483 38.382 25.879 22.715 23.670 21.219
ARTURO 6 19

54:ALEJAND 45.86 40.4

36.137 31.559 31.787 84.047 49.398 32.415 31.713 29.420 36.555
RA RENATA 2 53

55:MANUEL 30.19 21.6

24.340 21.142 14.043 82.931 36.907 27.330 24.904 25.917 20.942
ANTONIO 7 90

56:HÉCTOR 28.72 32.5

44.869 25.570 41.026 85.824 39.680 34.367 53.988 29.622 44.543
ALFREDO 1 50

57:FERNAN 39.59 120.37 33.0

44.964 27.699 46.912 45.262 51.881 59.712 58.240 37.764
DO 2 0 59

58:RODOLF 41.88 32.1

29.049 26.364 24.433 74.055 38.638 27.394 23.695 26.531 32.685
O 7 58

59:JOSÉ 44.50 39.2

42.926 31.051 42.821 85.612 54.388 21.992 45.498 17.899 35.796
LUIS 6 84

60:HUGO 31.63 20.7

17.860 12.571 34.154 79.899 18.119 34.446 25.476 38.402 19.653
ALBERTO 1 38
Enlace de sección

Historial de conglomeración

Primera aparición del clúster de

Clúster combinado etapa

Etapa Clúster 1 Clúster 2 Coeficientes Clúster 1 Clúster 2 Etapa siguiente

1 2 9 2.318 0 0 21

2 16 41 4.775 0 0 15

3 24 48 7.255 0 0 7

4 22 49 9.972 0 0 18

5 21 43 13.104 0 0 47

6 29 32 16.337 0 0 14

7 24 30 19.636 3 0 24

8 10 17 22.940 0 0 28

9 23 28 26.699 0 0 27

10 53 55 30.566 0 0 45

11 19 34 34.537 0 0 30

12 1 25 38.589 0 0 19

13 12 50 42.905 0 0 26

14 20 29 47.763 0 6 38

15 16 46 52.949 2 0 30

16 7 47 58.367 0 0 46

17 11 13 63.837 0 0 24

18 22 26 69.551 4 0 34

19 1 39 75.396 12 0 37

20 54 58 81.439 0 0 33

21 2 6 87.635 1 0 40
22 35 38 94.108 0 0 41

23 3 18 100.651 0 0 40

24 11 24 107.396 17 7 41

25 4 36 114.347 0 0 36

26 8 12 121.536 0 13 35

27 23 44 128.790 9 0 44

28 10 51 136.199 8 0 43

29 14 33 143.700 0 0 38

30 16 19 151.473 15 11 51

31 31 52 159.442 0 0 36

32 57 60 169.548 0 0 51

33 42 54 179.776 0 20 39

34 22 40 190.235 18 0 47

35 8 15 200.945 26 0 52

36 4 31 212.209 25 31 50

37 1 27 223.487 19 0 44

38 14 20 235.089 29 14 46

39 42 59 246.748 33 0 45

40 2 3 258.760 21 23 42

41 11 35 272.132 24 22 42

42 2 11 286.934 40 41 54

43 10 56 301.774 28 0 49

44 1 23 317.317 37 27 52

45 42 53 333.487 39 10 53

46 7 14 349.937 16 38 49

47 21 22 366.808 5 34 48

48 21 45 386.295 47 0 53
49 7 10 409.388 46 43 50

50 4 7 437.287 36 49 57

51 16 57 467.413 30 32 54

52 1 8 497.631 44 35 56

53 21 42 530.362 48 45 55

54 2 16 566.809 42 51 56

55 21 37 607.872 53 0 57

56 1 2 653.325 52 54 59

57 4 21 715.711 50 55 58

58 4 5 780.049 57 0 59

59 1 4 885.000 56 58 0
 Resumen de procesamiento de casosa

Casos

Válido Perdidos Total

N Porcentaje N Porcentaje N Porcentaje

60 100.0% 0 0.0% 60 100.0%

a. Distancia euclídea al cuadrado utilizada

Clúster de pertenencia

Caso 2 clústeres

1:JUAN MIGUEL 1

2:LUIS FELIPE 1

3:LAURA SUSANA 1

4:ÁLVARO 2

5:SARA GLORIA 2

6:CARLOS ALBERTO 1

7:JOSÉ ÁLVARO 2

8:MARÍA LUCINDA 1

9:JESÚS 1

10:HÉCTOR GERARDO 2

11:JOSEFINA MARÍA 1

12:MARÍA DOLORES 1

13:MANUEL 1

14:JORGE 2

15:ERICK 1

16:PALOMA 1

17:MARIO ARTURO 2
18:PATRICIA 1

19:CELIA MERCEDES 1

20:CARLOS ALFONSO 2

21:MARÍA ISABEL 2

22:RAFAEL 2

23:MARÍA ASUNCIÓN 1

24:FRANCISCO JAVIER 1

25:PABLO 1

26:JOSÉ 2

27:JOSÉ DANTE 1

28:MARÍA DEL CARMEN 1

29:ARTURO 2

30:ALBERTO MANUEL 1

31:ROGELIO 2

32:JOAQUÍN 2

33:ÁNGEL ANTONIO 2

34:HERIBERTO 1

35:MARÍA DE LOURDES 1

36:ROBERTO 2

37:RUBÉN 2

38:JOSÉ ANTONIO 1

39:CUAUHTÉMOC RAÚL 1

40:JUAN SOCORRO 2

41:JOSÉ HUGO 1

42:JAIME JACOBO 2

43:LOURDES ANDREA 2

44:OSCAR GERARDO 1
45:PEDRO 2

46:ANA CRISTINA 1

47:HIGINIO 2

48:HUMBERTO
1
FRANCISCO

49:ESPERANZA DEL
2
REFUGIO

50:MARÍA DEL CARMEN 1

51:JOSÉ ALBERTO 2

52:MIGUEL ÁNGEL 2

53:JORGE ARTURO 2

54:ALEJANDRA RENATA 2

55:MANUEL ANTONIO 2

56:HÉCTOR ALFREDO 2

57:FERNANDO 1

58:RODOLFO 2

59:JOSÉ LUIS 2

60:HUGO ALBERTO 1
ANEXO 7
Quick Cluster

Notas

Salida creada 30-JUN-2021 22:12:19

Comentarios

Entrada Conjunto de datos activo Conjunto_de_datos0

Filtro <ninguno>

Ponderación <ninguno>

Segmentar archivo <ninguno>

N de filas en el archivo de
60
datos de trabajo

Manejo de valor perdido Definición de ausencia Los valores perdidos definidos por el
usuario se tratan como perdidos.

Casos utilizados Las estadísticas se basan en casos sin

valores perdidos para cualquier
variable de clúster utilizada.

Sintaxis QUICK CLUSTER V2 V3 V4 V5 V6 V7

V8 V9 V10 V11 V12 V13 V15 V14 V16

/MISSING=LISTWISE

/CRITERIA=CLUSTER(2)
MXITER(10) CONVERGE(0)

/METHOD=KMEANS(NOUPDATE)

/PRINT INITIAL ANOVA CLUSTER

DISTAN.

Recursos Tiempo de procesador 00:00:00.05

Tiempo transcurrido 00:00:00.04

Espacio de trabajo necesario 2616 bytes

 Centros de clústeres iniciales

Clúster

1 2

V2 2.00 2.00

V3 3.00 4.00

V4 1.00 3.00

V5 3.00 3.00

V6 5.00 5.00

V7 5.00 1.00

V8 1.00 5.00

V9 3.00 1.00

V10 4.00 2.00

V11 5.00 2.00

V12 1.00 5.00

V13 5.00 2.00

V15 5.00 3.00

V14 4.00 5.00

V16 1.00 5.00

Historial de iteracionesa

Cambiar en centros de clústeres

Iteración 1 2

1 5.594 5.107

2 .671 1.359

3 .192 .507

4 .000 .000
a. Convergencia conseguida debido a que no
hay ningún cambio en los centros de clústeres o
un cambio pequeño. El cambio de la coordenada
máxima absoluta para cualquier centro es .000.
La iteración actual es 4. La distancia mínimo
entre los centros iniciales es 10.000.

Clúster de pertenencia

Número del caso Clúster Distancia

1 1 2.881

2 1 2.264

3 2 3.423

4 1 4.127

5 1 5.960

6 1 3.670

7 1 4.031

8 2 3.273

9 1 2.344

10 1 4.004

11 1 3.159

12 2 3.400

13 1 3.194

14 1 4.354

15 2 5.045

16 2 2.622

17 1 3.687

18 2 3.624

19 2 2.671
20 1 3.186

21 2 4.240

22 1 3.883

23 1 3.848

24 1 2.534

25 1 3.521

26 1 3.861

27 1 5.047

28 1 3.524

29 1 2.674

30 1 2.296

31 1 4.631

32 1 2.456

33 1 4.124

34 2 3.289

35 1 4.252

36 1 3.733

37 2 5.388

38 1 4.130

39 1 3.562

40 1 4.387

41 2 3.014

42 2 4.010

43 2 3.225

44 1 4.730

45 1 4.949

46 2 3.438
47 1 3.009

48 1 2.737

49 1 3.970

50 2 3.997

51 1 4.351

52 1 3.690

53 2 3.551

54 2 4.088

55 2 3.897

56 1 5.071

57 1 5.666

58 2 4.017

59 1 5.478

60 1 3.426

Centros de clústeres finales

Clúster

1 2

V2 3.22 3.37

V3 3.63 3.00

V4 3.44 3.16

V5 2.76 2.74

V6 3.56 3.89

V7 2.63 2.47

V8 1.00 5.00

V9 2.61 2.26

V10 3.88 4.00

V11 4.41 4.37

V12 2.44 2.89

V13 4.49 4.37

V15 3.54 3.89

V14 4.34 4.21

V16 4.85 5.00

Distancias entre centros de

clústeres finales

Clúster 1 2

1 4.143

2 4.143

ANOVA

Clúster Error

Media Media
cuadrática gl cuadrática gl F Sig.

V2 .288 1 1.646 58 .175 .677

V3 5.221 1 .854 58 6.116 .016

V4 1.026 1 .942 58 1.090 .301

V5 .005 1 1.504 58 .003 .955

V6 1.446 1 .895 58 1.617 .209

V7 .334 1 1.866 58 .179 .674

V8 207.733 1 .000 58 . .

V9 1.560 1 1.094 58 1.426 .237

V10 .193 1 1.145 58 .169 .683

V11 .028 1 .420 58 .066 .798

V12 2.696 1 1.791 58 1.505 .225

V13 .185 1 .598 58 .310 .580

V15 1.665 1 1.827 58 .911 .344

V14 .223 1 .593 58 .376 .542

V16 .278 1 .330 58 .843 .362

Las pruebas F sólo se deben utilizar con fines descriptivos porque los clústeres se han elegido
para maximizar las diferencias entre los casos de distintos clústeres. Los niveles de significación
observados no están corregidos para esto y, por lo tanto, no se pueden interpretar como
pruebas de la hipótesis de que los medias de clúster son iguales.

Número de casos en cada

clúster

Clúster 1 41.000

2 19.000

Válido 60.000

Perdidos .000