Análisis Cluster

Santiago de la Fuente Fernández                                                                                                                                                     
 Análisis Cluster

ÍNDICE
Teoría Análisis Cluster  …………………………………………………………… 1
Análisis Cluster No Jerárquico con SPSS  …..…………………….……… 25
Análisis Cluster Jerárquico con SPSS  ……………………………………… 36
Análisis Cluster No Jerárquico/Jerárquico con SPSS  ………………. 55
Análisis Cluster en Dos Etapas  ………………………………………………. 63
Análisis Cluster Supuesto de Mercado …………………………………… 76

Santiago de la Fuente Fernández                                                                                                                                                      
ANÁLISIS DE CONGLOMERADOS (CLUSTERS)
El Análisis Cluster, conocido como Análisis de Conglomerados, es una técnica estadística
multivariante que busca agrupar elementos (o variables) tratando de lograr la máxima
homogeneidad en cada grupo y la mayor diferencia entre los grupos.

Es un método estadístico multivariante de clasificación automática de datos. A partir de una

tabla de casos-variables, trata de situar los casos (individuos) en grupos homogéneos,
conglomerados o clusters, no conocidos de antemano pero sugeridos por la propia esencia
de los datos, de manera que individuos que puedan ser considerados similares sean
asignados a un mismo cluster, mientras que individuos diferentes (disimilares) se localicen
en clusters distintos.

La diferencia esencial con el análisis discriminante estriba en que en este último es

necesario especificar previamente los grupos por un camino objetivo, ajeno a la medida de
las variables en los casos de la muestra. El análisis cluster define grupos tan distintos como
sea posible en función de los propios datos.

La creación de grupos basados en similaridad de casos exige una definición de este

concepto, o de su complementario distancia entre individuos.

La variedad de formas de medir diferencias multivariables o distancias entre casos

proporciona diversas posibilidades de análisis. El empleo de ellas, y el de las que
continuamente siguen apareciendo, así como de los algoritmos de clasificación, o diferentes
reglas matemáticas para asignar los individuos a distintos grupos, depende del fenómeno
estudiado y del conocimiento previo de posible agrupamiento que de él se tenga.

Puesto que la utilización del análisis cluster ya implica un desconocimiento o conocimiento

incompleto de la clasificación de los datos, el investigador ha de ser consciente de la
necesidad de emplear varios métodos, ninguno de ellos incuestionable, con el fin de
contrastar los resultados.

Existen dos grandes tipos de análisis de clusters: no jerárquicos y jerárquicos.

Se conocen como no jerárquicos a aquellos que asignan los casos o grupos diferenciados
que el propio análisis configura, sin que unos dependan de otros. Los métodos no
jerárquicos pueden, a su vez, producir clusters disjuntos (cada caso pertenece sólo a un
cluster), o bien clusters solapados (un caso puede pertenecer a más de un grupo). Estos
últimos de difícil interpretación, son poco utilizados.
Se denominan jerárquicos a los que configuran grupos con estructura arborescente, de
forma que clusters de niveles más bajos van siendo englobados en otros clusters de niveles
superiores.

Una vez finalizado un análisis de clusters, el investigador dispondrá de una colección de

casos agrupada en subconjuntos jerárquicos o no jerárquicos. Podrá aplicar técnicas
estadísticas comparativas convencionales siempre que lo permita la relevancia práctica de
los grupos creados; así como otras pruebas multivariantes, para las que ya contará con una
variable dependiente grupo, aunque haya sido creada artificialmente.

El horizonte de la investigación podrá ampliarse, por ejemplo, con la aplicación logística y

análisis discriminante con posibles nuevas variables independientes (no sería correcto
utilizar las mismas que han servido para la confección de los grupos). También serían
aplicables pruebas de asociación y análisis de correspondencias.

1
El análisis cluster se puede utilizar para agrupar individuos (casos) y también para agrupar
variables. En adelante, cuando se hace una referencia a grupos de individuos (o casos)
debe sobreentenderse que también se hace a un conjunto de variables. El proceso es
idéntico tanto si se agrupan individuos como variables.

Antes de iniciar un análisis cluster deben tomarse tres decisiones:

 Selección de las variables relevantes para identificar a los grupos.
 Elección de la medida de proximidad entre los individuos.
 Seleccionar el criterio para agrupar individuos en conglomerados.

Es decisiva la selección de las variables que realmente sean relevantes para identificar a
los grupos, de acuerdo con el objetivo que se pretenda lograr en el estudio. De lo contrario,
el análisis carecerá de sentido.

Para seleccionar la medida de proximidad es conveniente estar familiarizado con este tipo
de medidas, básicamente similitudes y distancias, ya que los conglomerados que se forman
lo hacen en base a las proximidades entre variables o individuos. Los grupos que se forman
en cada paso dependen de la proximidad, distintas medidas de proximidad pueden dar
resultados distintos para los mismos datos.

Para seleccionar el criterio de agrupación conviene conocer como mínimo los principales
métodos de análisis cluster.

 El análisis de conglomerados nos va a permitir contestar a preguntas tales como:

¿Es posible identificar cuáles son las empresas en las que sería más deseable invertir?
¿Es posible identificar grupos de clientes a los que les pueda interesar un nuevo producto
que una empresa va a lanzar al mercado?
¿Se pueden clasificar las bodegas de La Ribera del Duero en función de las características
químicas y ópticas del vino que producen?

1. ELECCIÓN DE LAS VARIABLES

Dependiendo del problema las variables pueden ser:

 Ordinales  Discretas
Cualitativas   Cuantitativas  
 Nominales  Continuas

2. ELECCIÓN DE LA MEDIDA DE ASOCIACIÓN

Para poder unir variables o individuos es necesario tener algunas medidas numéricas que
caractericen las relaciones entre las variables o los individuos.

Cada medida refleja asociación en un sentido particular y es necesario elegir una medida
apropiada para el problema concreto que se esté tratando.

La medida de asociación puede ser una distancia o una similaridad.

 Cuando se elige una distancia como medida de asociación (por ejemplo, la distancia
euclídea) los grupos formados contendrán individuos parecidos de forma que la distancia
entre ellos tiene que ser pequeña.

2
 Cuando se elige una medida de similaridad (por ejemplo, el coeficiente de correlación)
los grupos formados contendrán individuos con una similaridad alta entre ellos. La
correlación de Pearson y los coeficientes de Spearman y de Kendall son índices de
similitud.

DISTANCIA MÉTRICA: Una función d : U x U  R se llama distancia métrica sí

 x , y , z U se verifica:

 d(x, x)  0
 d(x, y)  0  x  y

   
 d(x, y)  d(y, x)
 d(x, z)  d(x, y)  d(y, z)

SIMILARIDAD: Una función s : U x U  R se llama similaridad sí  x, y  U se verifica:

 s(x, y)  s0

s0  número real finito arbitrario  s(x, x)  s0
 s(x, y)  s(y, x)


SIMILARIDAD MÉTRICA: Una función s : U x U  R se llama similaridad métrica sí

 x , y , z U se verifica:

 s(x, y)  s0
 s(x, x)  s
 0

 s(x, y)  s(y, x)
 s(x, y)  s  x  y
 0

 s(x, y)  s(y, z) s(x, z)  s(x, y) s(y, z)

NOTA.- Dependiendo del tipo de análisis (por variables o por individuos) que se realiza,
existen distintas medidas de asociación aunque, técnicamente, todas las medidas pueden
utilizarse en ambos casos.

MEDIDAS DE ASOCIACIÓN

 Coseno del ángulo de dos vectores (invarianza, salvo signo, frente a homotecias)

 Coeficiente de correlación (invarianza frente a traslaciones y salvo signo frente a

homotecias)

 Medidas para datos dicotómicos

Xi \ X j 1 0 Totales
1 a b a+b
0 c d c+d
Totales a+c b+d m=a+b+c+d

a
Medida de Ochiai 
(a  b)(a  c)

3
 ad  bc
Medida  
(a  b)(c  d)(a  c)(b  d)

a a
Medida de Russell y Rao  
abc d m
ad ad
Medida de Parejas simples  
abc d m
a
Medida de Jaccard 
abc
2a
Medida de Dice 
2a  b  c
ad
Medida de Rogers-Tanimoto 
a  d  2(b  c)

Distancia Euclídea: d(xi , x j )   (x

c 1
ic  x jc ) 2
1
 p q
q
Distancia de Minkowski: dq (xi , x j )  
 x ic  x jc  donde q  1

 c 1 
p

Distancia d1 o ciudad (City Block): d(xi , x j )  x

c 1
ic  x jc

Distancia de Tchebychev o del máximo (q = ): d e(xi , x j )  máx (c  1,, p) xic  x jc

Distancia de Mahalanobis: DS (x i , x j )  (x i  x j )' S1 (x i  x j )

 p q
nij2 
Distancia  :   m 
2 2


 m
i1 j1 i•
 1
m• j 

3. ELECCIÓN DE LA TÉCNICA CLUSTER

3.1 MÉTODOS JERÁRQUICOS

OBJETIVO: Agrupar cluster para formar uno nuevo o separar alguno ya existente para dar
origen a otros dos de forma que se maximice una medida de similaridad o se minimice
alguna distancia.

CLASIFICACIÓN:

Asociativos o Aglomerativos: Se parte de tantos grupos como individuos hay en el

estudio y se van agrupando hasta llegar a tener todos los casos en un mismo grupo.

Disociativos: Se parte de un solo grupo que contiene todos los casos y a través de
sucesivas divisiones se forman grupos cada vez más pequeños.
Los métodos jerárquicos permiten construir un árbol de clasificación o dendograma.

4
3.2 MÉTODOS NO JERÁRQUICOS

Están diseñados para la clasificación de individuos (no de variables) en K grupos. El

procedimiento es elegir una partición de los individuos en k grupos e intercambiar los
miembros de los clusters para tener una partición mejor.

MÉTODOS DE ANÁLISIS CLUSTER

  Simple Linkage (Vecino más próximo)

  Complete Linkage (Vecino más lejano)
 
  Promedio entre Grupos
 Aglomerativos 
  Método del Centroide
  Método de la Mediana
 
  Método de Ward


Jerárquicos 
  Linkage Simple
  Linkage Completo
 
  Promedio entre Grupos
 Disociativos  Método del Centroide
 
  Método de la Mediana
 
  Método de Ward
 
 Análisis de Asociación

  K  Medias
 Reasignación 
  Nubes Dinámicas


  Análisis Modal
 Búsqueda  Métodos Taxap
 

No  de densidad  Método de Fortin
  Método de Wolf
Jerárquicos 


 Métodos Directos : Block  Clustering


 Métodos Reductivos : Análisis Factorial tipo Q



5
DISTANCIAS ENTRE CONGLOMERADOS
Las distancias entre los conglomerados son funciones de las distancias entre
observaciones, hay varias formas de definirlas:
Sean A y B dos conglomerados:

 Vecino más cercano:

          d(A, B)  mín d(i, j)

i  A, j  B

 Vecino más lejano

          d(A, B)  máx d(i, j)

i  A, j  B

 Promedio de grupo


1
         d(A, B)  d(i, j)
nA . nB i A, j  B

 Centroide (centro gravedad)

         d(A, B)  d(x A , xB )

6
MÉTODO LINKAGE SIMPLE AGLOMERATIVO (Vecino más cercano)

Una vez que se conocen las distancias existentes entre cada dos individuos se observa
cuáles son los individuos más próximos en cuanto a esta distancia o similaridad (qué dos
individuos tienen menor distancia o mayor similaridad). Estos dos individuos forman un
grupo que no vuelve a separarse durante el proceso.
Se repite el proceso, volviendo a medir la distancia o similaridad entre todos los individuos
de nuevo (tomando el grupo ya formado como sí de un solo individuo se tratara) de la
siguiente forma:

 Cuando se mide la distancia entre el grupo formado y un individuo, se toma la distancia

mínima de los individuos del grupo al nuevo individuo.

 Cuando se mide la similitud o similaridad entre el grupo formado y un individuo, se toma

la máxima de los individuos del grupo al nuevo individuo.

Ejemplo.- Se tienen las siguientes distancias entre individuos:

Distancia A B C D
A 0
B 9 0
C 4 5 0
D 7 3 11 0

tabla simétrica puesto que d(A,B)  d(B,A)

d(B, D)  3
Distancia mínima
B - D forman un grupo

Se miden las distancias de nuevo:

Distancia A B-D C
A 0
B-D 7 0
C 4 5 0

d(C, A)  4
Distancia mínima
A - C forman un grupo

Se miden las distancias de nuevo:

Distancia A-C B-D

A-C 0
B-D 5 0

d(A  C, B  D)  5
Distancia mínima
A - C - B - D forman un grupo

7
El proceso seguido se representa en un árbol
de clasificación llamado DENDOGRAMA

Señalar que el número de grupos se puede decidir a posteriori.

SI se desea clasificar estos elementos en dos grupos, la clasificación resultante es:

B-D y A -C

Si se desean tres grupos, se toma la clasificación en el paso anterior: B - D , A y C.

MÉTODO LINKAGE COMPLETO AGLOMERATIVO (Vecino más lejano)

Conocidas las distancias o similaridades existentes entre cada dos individuos se observa
cuáles son los individuos más próximos en cuanto a esta distancia o similaridad (qué dos
individuos tienen menor distancia o mayor similaridad). Estos dos individuos formarán un
grupo que no vuelve a separarse durante el proceso.
Posteriormente, se repite el proceso, volviendo a medir la distancia o similaridad entre
todos los individuos de la siguiente forma:

 Cuando se mide la distancia entre el grupo formado y un individuo, se toma la distancia

máxima de los individuos del grupo al nuevo individuo.

 Cuando se mide la similitud o similaridad entre el grupo formado y un individuo, se toma

la mínima de los individuos del grupo al nuevo individuo.

Ejemplo.- Se tienen las siguientes similaridades (coeficiente de correlación entre variables):

Distancia A B C D E
A 1
B 0,39 1
C 0,75 0,24 1
D 0,56 0,63 0,42 1
E 0,81 0,72 0,12 0,93 1

tabla simétrica puesto que d(A,B)  d(B,A)

s(D, E)  0,93
Similaridad máxima
D - E forman un grupo

Se miden las similaridades de nuevo:

Distancia A B C D-E
A 1
B 0,39 1
C 0,75 0,24 1
D-E 0,56 0,63 0,42 1

s(C, A)  0,75
Similaridad máxima
A - C  forman un grupo

8
Se miden las similaridades de nuevo:

Distancia A-C B D-E

A -C 1
B 0,24 1
D-E 0,12 0,63 1

s(B, D  E)  0,63
Similaridad máxima
B - D - E forman un grupo

Se miden las similaridades de nuevo:

Distancia A -C B-D-E
A -C 1
B-D-E 0,12 1

s(A  C, B  D  E)  0,12
Similaridad máxima
A - B - C - D - E forman un grupo

El proceso seguido se representa en

un árbol de clasificación llamado
DENDOGRAMA

DENDOGRAMA: REPRESENTACIÓN GRÁFICA DE UNA CLASIFICACIÓN

JERÁRQUICA

Un dendograma es una representación gráfica en forma de árbol que resume el proceso de

agrupación en un análisis de clusters.
Los objetos similares se conectan mediante enlaces cuya posición en el diagrama está
determinada por el nivel de similitud/disimilitud entre los objetos.
Para clarificar la construcción de un dendograma y su significado se utiliza un ejemplo
sencillo con 5 objetos y dos variables:

objeto v1 v2
1 1 1
2 2 1
3 4 5
4 7 7
5 5 7

9
A partir de estos datos, se considera la matriz de distancias euclídeas
p

d(xi , x j )   (x
c 1
ic  x jc ) 2 entre los objetos.

objetos 1 (1,1) 2 (2,1) 3 (4,5) 4 (7,7) 5 (5,7)

1 (1,1) 0
2 (2,1) 1 0
3 (4,5) 5 4,5  20 0
4 (7,7) 8,5  72 7,8  61 3,6  13 0
5 (5,7) 7,2  52 6,7  45 2,2  5 2 4 0

Inicialmente hay 5 clusters, uno para cada uno de los objetos a clasificar. De acuerdo con la
matriz de distancias, los objetos (clusters) más similares son el 1 y el 2 (con distancia 1),
por lo que se fusionan los dos construyendo un nuevo cluster A (1-2).

Se repite el proceso, volviendo a medir la distancia del cluster A al resto de los objetos
(clusters). Para ello, se toma como representante del grupo el centroide de los puntos que
forman el cluster, es decir, el punto que tiene como coordenadas las medias de los valores
de las variables para sus componentes.

Esto es, las coordenadas del cluster A son: A (1  2) / 2 , (1  1) / 2  A(1,5 , 1) .

cluster v1 v2
A (1-2) 1,5 1
La tabla de datos es: 3 4 5
4 7 7
5 5 7

A partir de la nueva tabla se calcula la nueva matriz de distancias entre los clusters que hay
en este momento:

cluster A (1,5, 1) 3 (4,5) 4 (7,7) 5 (5,7)

A (1,5, 1) 0
3 (4,5) 4,7  22,25 0
4 (7,7) 8,1  66,25 3,6  13 0
5 (5,7) 6,9  48,25 2,2  5 2 4 0

Los clusters más similares son el 4 y el 5 (con distancia 2), que se fusionan en un nuevo
cluster B (4-5), cuyo centroide es el punto (6, 7).

cluster v1 v2
A (1-2) 1,5 1
La tabla de datos:
B (4-5) 6 7
3 4 5

10
Se vuelve a repetir el procedimiento con la nueva tabla de datos:

cluster A (1,5, 1) B (6,7) 3 (4,5)

A (1,5, 1) 0
B (6,7) 7,5  56,25 0
3 (4,5) 4,7  22,25 2,8  8 0

La distancia más pequeña está entre el cluster B(4-5) y el 3 (distancia 2,8), que se fusionan
en un nuevo cluster C (3-4-5), cuyo centroide será
C (4  7  5) / 3 , (5  7  7) / 3   C(5,3 , 6,3) .

cluster v1 v2
La tabla de dados es: A (1-2) 1,5 1
C (3-4-5) 5,3 6,3

Recalculando como antes la matriz de las distancias, se tiene:

cluster A (1,5, 1) C (5,3, 6,3)

A (1,5, 1) 0
C (5,3, 63) 6,5  42,53 0

El proceso completo de fusiones se resume mediante un dendograma:

En el dendograma parece evidente que hay dos clusters, denominados A y C.

En general, si se corta el dendograma mediante una línea horizontal (gráfico siguiente), se
determina el número de clusters en que se divide el conjunto de objetos.

11
Se observa que se obtienen 2 clusters.
Ahora bien, si se corta como en la figura de abajo, se obtendrían 3 clusters:

La decisión sobre el número óptimo de clusters s subjetiva, especialmente cuando se

incrementa el número de objetos pues si se seleccionan pocos, los clusters resultantes son
heterogéneos y artificiales, mientras que si se seleccionan demasiados, la interpretación de
los mismos suele resultar complicada.

12
Para tomar una decisión sobre el número de clusters
se suelen representar los distintos pasos del
algoritmo y la distancia a la que se produce la fusión.
En los primeros pasos el salto en las distancias es
pequeño, mientras que en los últimos el salto entre
pasos será mayor. El punto de corte será aquel en el
que comienzan a producirse saltos bruscos.
El salto brusco se produce entre los pasos 3 y 4  el
punto óptimo será el 3, en donde había 2 clusters.

Algunas veces se presenta el dendograma y el gráfico de evolución de las fusiones:

ALGORITMOS PARA EL ANÁLISIS DE CLUSTER: DISTINTAS FORMAS DE MEDIR LA

DISTANCIA ENTRE CLUSTERS

Existen diversas formas de medir la distancia entre clusters que producen diferentes
agrupaciones y diferentes dendogramas. No existe un criterio para seleccionar cual de los
algoritmos es mejor. La decisión es normalmente subjetiva y depende del método que
mejor refleje los propósitos de cada estudio particular.
En primero lugar, se comienza con una exposición general de los métodos para continuar
con expresiones particulares de los mismos:
Si dos objetos o grupos A y B se han agrupado, la distancia de grupos con otro objeto C
puede calcularse como una función de las distancias entre los tres objetos o grupos de la
siguiente forma:

d(C, A  B)  1 d(C, A)  2 d(C, B)  3 d(A, B)   4 d(C, A)  d(C, B)

donde i  constantes ponderación .

En la tabla siguiente se muestran los pesos para algunos de los métodos más comunes.

13
 Método 1 2 3 4
1 1 1
Salto mínimo 0 
2 2 2
1 1 1
Salto máximo 0
2 2 2
nA nB
Media 0 0
nA  nB nA  nB
nA nB nA nB
Centroide  0
nA  nB nA  nB (nA  nB ) 2
1 1 1
Mediana  0
2 2 4
nC  nA nC  nB nC
Ward  0
nC  nA  nB nC  nA  nB nC  nA  nB
Método 1  1 
 0
Flexible 2 2

donde nC , nA , nB denotan el número de objetos en cada uno de los grupos y  es un valor

arbitrario 0    1

MÉTODO DE LA MEDIA (AVERAGE LINKAGE)

En el método de la media, la distancia entre clusters se calcula como la distancia media

entre pares de observaciones, una de cada cluster.
1 1
d(C, A  B)  d(C, A)  d(C, B)
2 2
Sea la matriz de distancias:

objetos 1 2 3 4 5
1 0
2 1 0
3 5 4,5 0
4 8,5 7,8 3,6 0
5 7,2 6,7 2,2 2 0

Después de agrupar el objeto 1 y 2 en el cluster A(1-2).

Se calculan las distancias de A a (3, 4 y 5)

objetos 1 2 distancia
3 5 4,5 (5  4,5) / 2  4,75 4,75
4 8,5 7,8 (8,5  7,8) / 2  8,15 8,15
5 7,2 6,7 (7,2  6,7) / 2  6,95 6,95

La matriz de las distancias es entonces:

14
 objetos A (1-2) 3 4 5
A (1-2) 0
3 4,75 0
4 8,15 3,6 0
5 6,95 2,2 2 0

De nuevo, la distancia más pequeña es entre 4 y 5, por lo que se fusionan en un cluster

B(4-5).

Se calculan las distancias entre B y el resto (A y 3):

objetos 4 5 distancia
A 8,15 6,95 (8,15  6,95) / 2  7,55 7,75
3 3,6 2,2 (3,6  2,2) / 2  2,9 2,9

La matriz de las distancias es:

objetos A (1-2) B (4-5) 3

A (1-2) 0
B (4-5) 7,55 0
3 4,75 2,9 0

El valor más pequeño es 2,9, luego se fusionan B con 3 formando el cluster C(3-4-5).

Se calcula la distancia entre C y A:

objetos 3 4 5 distancia
A (1-2) 4,75 8,15 6,95 (4,75  8,15  6,95) / 3  6,62 6,62

La matriz de las distancias es:

objetos A C
A 0
C 6,62 0

El proceso termina. El dendograma obtenido:

En el proceso se han utilizado únicamente las distancias, de forma que para este
procedimiento no es necesario disponer de los valores originales de las variables.
El método de las medias proporciona clusters ni demasiado grandes ni pequeños,
tendiendo a fusionar clusters con varianzas pequeñas y a proporcionar clusters con la
misma varianza.

15
MÉTODO DEL VECINO MÁS PRÓXIMO (AVERAGE LINKAGE)

En el método del vecino más próximo la distancia entre dos clusters es el mínimo de las
distancias entre un objeto de un cluster y un objeto del otro.

d(C, A  B)  mín  d(C, A),d(C, B)

Sea la matriz de distancias:

objetos 1 2 3 4 5
1 0
2 1 0
3 5 4,5 0
4 8,5 7,8 3,6 0
5 7,2 6,7 2,2 2 0

La distancia más pequeña es 1, entre 1 y 2, que se fusionan en el cluster A(1-2).

Se calculan las distancias de A a (3, 4, 5):

objetos 1 2 distancia
3 5 4,5 mín(5, 4,5)  4,5 4, 5
4 8,5 7,8 mín(8,5, 7,8)  7,8 7,8
5 7,2 6,7 mín(7,2, 6,7)  6,7 6,7

La matriz de las distancias es entonces:

objetos A (1-2) 3 4 5
A (1-2) 0
3 4, 5 0
4 7,8 3,6 0
5 6,7 2,2 2 0

De nuevo, la distancia más pequeña es 2, entre 4 y 5, por lo que se fusionan en un cluster

B(4-5).

Se calculan las distancias entre B y el resto (A y 3):

objetos 4 5 distancia
A 7,8 6,7 mín(7,8, 6,7)  6,7 6,7
3 3,6 2,2 mín(3,6, 2,2)  2,2 2,2

La matriz de las distancias es:

objetos A (1-2) B (4-5) 3

A (1-2) 0
B (4-5) 6,7 0
3 4,5 2,2 0

El valor más pequeño es 2,2, luego se fusionan B con 3 formando el cluster C(3-B).

16
Se calcula la distancia entre C y A:

objetos 3 B(4-5) distancia

A (1-2) 4,5 6,7 mín(4,5, 6,7)  4,5 4,5

La matriz de las distancias es:

objetos A C
A 0
C 4,5 0

El proceso termina. El dendograma obtenido:

El método del vecino más próximo tiende a construir clusters demasiado grandes y sin
sentido. Es útil para detectar outliers (estarán en los últimos en unirse a la jerarquía). No es
útil para resumir datos.

MÉTODO DEL VECINO MÁS LEJANO (COMPLETE LINKAGE)

En el método del vecino más lejano la distancia entre dos clusters es el máximo de las
distancias entre un objeto de un cluster y un objeto del otro.

d(C, A  B)  máx  d(C, A),d(C, B)

Sea la matriz de distancias:

objetos 1 2 3 4 5
1 0
2 1 0
3 5 4,5 0
4 8,5 7,8 3,6 0
5 7,2 6,7 2,2 2 0

La distancia más pequeña es 1, entre 1 y 2, que se fusionan en el cluster A(1-2).

Se calculan las distancias de A a (3, 4, 5):

objetos 1 2 distancia
3 5 4,5 máx (5, 4,5)  5 5
4 8,5 7,8 máx (8,5, 7,8)  8,5 8,5
5 7,2 6,7 máx (7,2, 6,7)  7,2 7,2

La matriz de las distancias es entonces:

17
 objetos A (1-2) 3 4 5
A (1-2) 0
3 5 0
4 8,5 3,6 0
5 7,2 2,2 2 0

De nuevo, la distancia más pequeña es 2, entre 4 y 5, por lo que se fusionan en un cluster

B(4-5).

Se calculan las distancias entre B y el resto (A y 3):

objetos 4 5 distancia
A 8,5 7,2 máx (8,5, 7,2)  8,5 8,5
3 3,6 2,2 máx (3,6, 2,2)  3,6 3,6

La matriz de las distancias es:

objetos A (1-2) B (4-5) 3

A (1-2) 0
B (4-5) 8,5 0
3 5 3,6 0

El valor más pequeño es 3,6, luego se fusionan B con 3 formando el cluster C(3-B).

Se calcula la distancia entre C y A:

objetos 3 B (4-5) distancia

A (1-2) 5 8,5 máx (8,5, 5)  8,5 8,5

La matriz de las distancias es:

objetos A C
A 0
C 8,5 0

El proceso termina. El dendograma obtenido:

El método del vecino más lejano tiende a construir clusters demasiado pequeños y
compactos. Es útil para detectar outliers.

18
CLUSTERS NO JERÁRQUICOS
La clasificación de todos los casos de una tabla de datos en grupos separados configura el
propio análisis de clusters no jerárquicos. Est denominación alude a la no presencia de una
estructura vertical de dependencia entre los grupos formados y, por tanto, éstos no se
presentan en distintos niveles de jerarquía. El análisis precisa que el investigador fije de
antemano el número de clusters en que desea agrupar los datos.

Como puede no existir un número definido de grupos o, si existe, generalmente no se

conoce, la prueba debe ser repetida con diferente número de clusters con la finalidad de
tantear la clasificación que mejor se ajuste al objetivo del problema, o a la más clara
interpretación.

Los métodos no jerárquicos, también se conocen como métodos partitivos o de

optimización, considerando que tienen por objetivo realizar una sola partición de los
individuos en k grupos. Esto conlleva que el investigador debe especificar a priori los
grupos que deben ser formados. Ésta es, probablemente, la principal diferencia respecto de
los métodos jerárquicos. La asignación de individuos (casos) a los grupos se realiza
mediante algún proceso que optimice el criterio de selección.

Otra diferencia de los métodos no jerárquicos es que trabajan con la matriz de datos
originales y no requieren su conversión en una matriz de proximidades.

Resulta muy intuitivo suponer que una clasificación correcta debe ser aquélla en que la
dispersión dentro de cada grupo formado sea la menor posible. Esta condición se denomina
criterio de varianza, y lleva a seleccionar una configuración cuando la suma de las
varianzas dentro de cada grupo (varianza residual) sea mínima.

 El algoritmo de las k-medias parte de unas medias arbitrarias y, mediante pruebas

sucesivas, contrasta el efecto que sobre la varianza residual tiene la asignación de cada
uno de los casos a cada uno de los grupos.

El valor mínimo de varianza determina una configuración de nuevos grupos con sus
respectivas medias. Se asignan otra vez todos los casos a estos nuevos centroides en un
proceso que se repite hasta que ninguna transferencia puede ya disminuir la varianza
residual; o bien se alcance otro criterio de parada: un número limitado de pasos de iteración
prefijado o, simplemente, que la diferencia obtenida entre los centroides de dos pasos
consecutivos sea menor que un valor prefijado.

El procedimiento configura los grupos maximizando la distancia entre sus centros de

gravedad. Como la varianza total es fija, minimizar la residual hace máxima la factorial o
inter-grupos. Y puesto que minimizar la factorial es equivalente a conseguir que sea mínima
la suma de distancias al cuadrado desde los casos a la media del cluster al que van a ser
asignados, es esta distancia euclídea al cuadrado la utilizada por el método.

Se comprueban los casos secuencialmente para ver su influencia individual, el cálculo

puede verse afectado por el orden de los mismos en la tabla. No obstante, es el algoritmo
que mejores resultados produce. Otras variantes propuestas a este método llevan a
clasificaciones muy similares.

Como cualquier otro método de clasificación no jerárquica, proporciona una solución final
única para el número de clusters elegido, a la que llegará con menor número de iteraciones
cuanto más cerca estén las medias de arranque de las que van a ser finalmente obtenidas.
Los programas estadísticos seleccionan generalmente estos primeros valores, tantos como
grupos se pretenda formar, entre los puntos más separados de la nube.

19
Los clusters no jerárquicos están indicados para grandes tablas de datos, y son también
útiles para la detección de casos atípicos: Si se elige previamente un número elevado de
grupos, superior al deseado, aquéllos que contengan muy escaso número de individuos
servirán para detectar casos extremos que podrían distorsionar la configuración. Es
aconsejable realizar el análisis definitivo sin ellos, ya que con el número deseado de grupos
para después, opcionalmente, asignar los atípicos al cluster adecuado que habrá sido
formado sin su influencia distorsionante.

Resaltar que un problema importante para clasificar los datos en grupos es la elección de
un número adecuado de clusters. Siempre será conveniente efectuar varios tanteos, la
selección del más apropiado al fenómeno que se analiza se basa en criterios tanto
matemáticos como de interpretación.

CLUSTERS JERÁRQUICOS: DENDOGRAMA

Consiste en clasificar los datos en grupos con estructura arborescente de dependencia, de
acuerdo con diferentes niveles de jerarquía.

Partiendo de tantos grupos iniciales como individuos se estudian, se trata de conseguir

agrupaciones sucesivas entre ellos de forma que progresivamente se vayan integrando en
clusters que, a su vez, se unirán entre sí en un nivel superior formando grupos mayores que
posteriormente se juntarán hasta llegar al cluster final que contiene todos los casos
analizados. La representación gráfica de estas etapas de formación de grupos, a modo de
árbol invertido, se denomina dendograma.

El Dendograma (representación del estudios de individuos) se observa cómo el 8 y el 9 se

agrupan en un primer cluster A. En un nivel inmediatamente superior, se unen los
individuos 1 y 2 en el cluster B. Posteriormente, los individuos 5, 6 y 7 se unen en el cluster
C. El paso siguiente consiste en englobar el cluster B con el individuo 3 en el cluster D.
Así sucesivamente, el proceso finaliza, en el nivel más alto, con el cluster H que reúne los
10 casos.

Todas estas agrupaciones se toman en función de la similaridad multivariante (o de su

contrario, la distancia) proporcionada por el conjunto de variables estudiadas, ya que en
cada nivel de jerarquía se unen los dos clusters más cercanos. En esta línea, como paso
previo a un análisis de clusters es muy importante la elección de una adecuada métrica de
similaridad o disimilaridad.

20
A partir de una tabla inicial de n x p datos es preciso calcular una matriz de distancias entre
individuos n x n . La distancia euclídea es la más sencilla y utilizada, utilizada también en el
análisis de componentes principales cuyos factores son muchas veces datos previos para
entrar en un análisis de clusters.

Para variables cualitativas puede emplearse la distancia Chi-cuadrado, y, en caso, de ser

dicotómicas la distancia de Jaccard. La gran variedad de distancias: distancia euclídea al
cuadrado, euclídea generalizada, la de bloques o Manhattan, la de Tchebycheff, la de
Mahalanobis; así como otras medidas de similaridad: Coeficientes de correlación de
Pearson y de correlación por rangos de Kendall entre individuos, el índice de Gower, etc,
muestra la enorme variedad de formas de enfocar el diseño de un análisis de clasificación
de datos, cada una de ellas con sus ventajas e inconvenientes, que serán mejores o peores
dependiendo de las características del fenómeno estudiado y, sobre todo, de la relevancia o
interpretación de los grupos obtenidos. No obstante, las distancias más utilizadas son
pocas.

Otra decisión importante en la investigación es elegir el algoritmo a emplear para la

formación de grupos, definiendo a qué se va a llamar distancia entre clusters para luego
poder unir, a otro nivel jerárquico, los clusters que están próximos. Este concepto no
existía en el análisis no jerárquico, puesto que allí no se unían los grupos. Existe una
amplia gama de procedimientos de agrupación.

El proceso finaliza con único grupo (recogiendo a todos los individuos), formado por
agrupaciones sucesivas en distintos niveles. Este es el fundamento de la agregación
ascendente. En contraposición se encuentra la disgregación (descendente) que opera de
forma inversa. El proceso disdegrativo parte del grupo total de individuos para llegar, tras
varias etapas de partición, hasta tantos clusters como individuos.

Una característica importante de los métodos jerárquicos es el de no permitir

reasignaciones de grupos, es decir, que dos clusters (o dos individuos) que han sido unidos
en un paso del proceso no pueden ya separarse en etapas decisivas; circunstancia que si
es posible en los métodos no jerárquicos, aunque en éstos es necesario fijar de antemano
el número de clusters deseado.

Existen varios métodos de unión de algoritmos de clasificación jerárquica. Suelen

distinguirse entre métodos aglomerativos y métodos disociativos.

Entre los métodos aglomerativos:

 Método de vinculación inter-grupos (Average Linkage): Considera como distancia

entre dos clusters, no la de los individuos más próximos ni más lejanos de ambos grupos,
sino la distancia media entre todos los pares posibles de casos (uno de cada cluster).
Tiende a producir clusters compactos, por lo que es muy utilizado y suele ser el método por
defecto en los paquetes de software.

 Método de vinculación intra-grupos (Average Linkage Within Group): Es una variante

del método de vinculación inter-grupos, en el que se combinan los grupos de forma que la
distancia promedio entre los casos en el cluster resultante sea lo más pequeña posible.

 Método del Vecino más próximo (distancias mínimas, method single): Agrupa a los
casos que se encuentran a menor distancia. Unidos dos casos, a continuación se forma el
tercer conglomerado buscando la distancia más corta entre los tres elementos. El problema
de este método es que suele provocar un efecto línea al unir los casos más cercanos, al
tiempo que es muy sensible a la presencia de casos extremos.

21
 Método del Vecino más lejano (distancias máximas, method complete): Similar al
vecino más próximo, aunque aquí se procede a unir los casos que se encuentran a mayor
distancia, siendo un método más restrictivo que el anterior. Elimina el efecto línea, aunque
también es muy sensible a la presencia de casos extremos.

 Método del centroide (method centroid): La distancia entre dos grupos es la distancia
existente entre sus centros de gravedad (centroides). El proceso comienza calculando el
centro de gravedad de cada conglomerado, para agrupar los conglomerados cuya distancia
entre centroides sea mínima. Tras unir dos conglomerados se calculo el nuevo centro de
gravedad y se procede de forma similar. Con este procedimiento se reduce la influencia de
casos extremos.

 Agrupación de medianas (method median): Es una variación de la agrupación de

centroides, donde no se considera el número de individuos que forman cada uno de los
agrupamientos. En el método anterior se calcula el centroide en función del número de
individuos de cada conglomerado, de modo que cuando se une un gran conglomerado (por
ejemplo 10 casos) con otro muy pequeño (por ejemplo 2 casos), este último apenas varía la
situación del centroide inicial. En el método de la mediana no se considera el número de
elementos de cada conglomerado, sino el número de conglomerados.

 Método de Ward (método de mínima varianza): Cuando se unen dos conglomerados,

con independencia del método utilizado, la varianza aumenta. El método de Ward une los
casos buscando minimizar la varianza dentro de cada grupo. Para ello se calcula, en primer
lugar, la media de todas las variables en cada conglomerado. A continuación, se calcula la
distancia entre cada caso y la media del conglomerado, sumando después las distancias
entre todos los casos. Posteriormente se agrupan los conglomerados que generan menos
aumentos en la suma de las distancias dentro de cada conglomerado. Este procedimiento
crea grupos homogéneos y con tamaños similares.
Como método de conglomeración se elige el método de Ward.
El proceso comienza con la elección de la distancia a considerar, puesto que el método de
agrupamiento se realiza sobre esta matriz de distancias.
Por ello, los primero que se realiza es medir qué grado de similitud o de diferencia tienen
los casos seleccionados. La elección de la medida de distancia varía en función de la
métrica de las variables utilizadas.

ANÁLISIS DE CONGLOMERADOS EN DOS FASES

En algunas aplicaciones se puede seleccionar este método, Ofrece una serie de funciones
únicas que se detallan a continuación:

 Selección automática del número más apropiado de conglomerados y medidas para la

selección de los distintos modelos de conglomerado.

 Posibilidad de crear modelos de conglomerados basados al mismo tiempo en variables

categóricas y continuas.

 Posibilidad de guardar el modelo de conglomerados en un archivo de extensión xml

externo y, a continuación, leer el archivo y actualizar el modelo de conglomerados con
datos más recientes.

 Puede analizar archivos de datos grandes.

22
 El procedimiento Análisis de conglomerados en dos fases de SPSS es una
herramienta de exploración diseñada para descubrir las agrupaciones naturales (o
conglomerados) de un conjunto de datos que, de otra manera, no sería posible detectar. El
algoritmo que emplea este procedimiento incluye varias funciones que lo hacen diferente de
las técnicas de conglomeración tradicionales:

Tratamiento de variables categóricas y continuas: Al suponer que las variables son

independientes, es posible aplicar una distribución normal multinomial conjunta en las
variables categóricas y continuas.

Selección automática del número de conglomerados: Mediante la comparación de los

valores de un criterio de selección del modelo para diferentes soluciones de
conglomeración, el procedimiento puede determinar automáticamente el número óptimo de
conglomerados.

Escalabilidad: Mediante la construcción de un árbol de características de conglomerados

(CF) que resume los registros, el algoritmo en dos fases puede analizar archivos de datos
de gran tamaño.

Como ejemplo, las empresas minoristas y de venta de productos para el consumidor

aplican técnicas de conglomeración a los datos que describen los hábitos de consumo,
edad, sexo, nivel de ingresos, etc. de los clientes. Estas empresas adaptan sus estrategias
al 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.

Este procedimiento genera criterios de información AIC (criterio de información de Akaike)

o BIC (criterio de información bayesiano) según el número de conglomerados de la
solución, las frecuencias de los conglomerados para la conglomeración final y los
estadísticos descriptivos por conglomerado para la conglomeración final.

El procedimiento también genera gráficos de barras y gráficos de sectores para las

frecuencias de los conglomerados y gráficos de la importancia de las variables.

Además, proporciona medidas de la distancia que determinan cómo se calcula la

similaridad entre dos conglomerados. Estas medidas son:

 Log-verosimilitud: La medida de la verosimilitud realiza una distribución de

probabilidad entre las variables. Las variables continuas se supone que tienen una
distribución normal, mientras que las variables categóricas se supone que son
multinomiales. Se supone que todas las variables son independientes.

 Euclídea: La medida euclídea es la distancia según una línea recta entre dos
conglomerados. Sólo se puede utilizar cuando todas las variables son continuas.

Existe una opción de número de conglomerados que permite especificar cómo se va a

determinar el número de conglomerados. Hay dos formas:

 Determinar automáticamente: El procedimiento determina automáticamente el

número óptimo de conglomerados, utilizando el criterio que se especifica en el grupo
Criterio de conglomeración. Si se desea, se introduce un entero positivo para especificar el
número máximo de conglomerados que el procedimiento debe considerar.

 Especificar número fijo: Permite fijar el número de conglomerados de la solución.

23
Existe una opción de recuento de variables continuas que proporciona un resumen de las
especificaciones acerca de la tipificación de variables continuas realizadas en las opciones.

La opción criterio de conglomeración determina cómo el algoritmo de conglomeración

halla el número de conglomerados. Se puede especificar tanto el criterio de información
bayesiano (BIC) como el criterio de información de Akaike (AIC).

CONSIDERACIONES
El Análisis cluster en dos fases trabaja con variables continuas y variables categóricas. Los
casos presentan los objetos que se van a conglomerar y las variables representan los
atributos en los que se va a basar la conglomeración.

La medida de la distancia de verosimilitud supone que las variables del modelo de

conglomeración son independientes. Además, se supone que cada variable continua tiene
una distribución normal y que cada variable categórica tiene una distribución multinomial.

Las comprobaciones empíricas reflejan que este procedimiento es robusto frente a las
violaciones tanto del supuesto de independencia como de las distribuciones. No obstante,
es preciso tener en cuenta hasta qué punto se cumplen estos supuestos.

Por tanto, conviene utilizar los siguientes procedimientos:

 Correlaciones bivariadas (Analizar/Correlaciones/Bivariadas) para comprobar la

independencia de las variables continuas.
 Tablas de contingencia (Analizar/Estadísticos descriptivos/Tablas de contingencia)
para comprobar la independencia de las variables categóricas.
 Medias (Analizar/Comparar medias/Medias) para comprobar la independencia
existente entre una variable continua y otra variable categórica.
 Explorar (Analizar/Estadísticos descriptivos/Explorar) para verificar la normalidad de
una variable continua.
 Prueba de chi-cuadrado (Analizar/Pruebas no paramétricas/Chi-cuadrado) para
comprobar si una variable categórica tiene una determinada distribución multinomial.

24
ANÁLISIS CLUSTER CON SPSS
El análisis cluster es una técnica exploratoria de análisis estadístico de datos diseñada para
revelar concentraciones en los datos o en las variables y que sugiere modos
potencialmente útiles de agrupar las observaciones. Señalar que pueden agruparse tantos
casos como variables.

El análisis cluster o de conglomerados divide las observaciones en grupos basándose en la

proximidad o lejanía de unas con otras, por lo que es esencial el uso adecuado del
concepto de distancia.

Las observaciones muy cercanas deben de caer dentro del primer cluster y las muy lejanas
deben de caer en clusters diferentes, de modo que las observaciones dentro de un cluster
sean homogéneas y lo más diferentes posibles de las contenidas en otros clusters.

Hay que tener presente el tipo de datos que se maneja. Si las variables de aglomeración
están en escalas completamente diferentes será necesario estandarizar previamente las
variables, o por lo menos trabajar con desviaciones respecto de la media (esta tarea se
puede hacer en el procedimiento Descriptivos). Este procedimiento supone que ha
seleccionado el número apropiado de conglomerados y que ha incluido todas las variables
relevantes. Si ha seleccionado un número inapropiado de conglomerados o ha omitido
variables relevantes, los resultados podrían ser equívocos.

Es necesario observar también los valores atípicos y desaparecidos. Los métodos

jerárquicos no tienen solución con valores perdidos y los valores atípicos deforman las
distancias y producen clusters unitarios.

Para el análisis cluster es nocivo la presencia de variables correlacionadas, de ahí la

importancia del análisis previo de multicolinealidad. Si es necesario se realiza un análisis
factorial previo y posteriormente se aglomeran las puntuaciones.

La solución del análisis cluster no tiene porqué ser única, pero no deben de encontrarse
soluciones contradictorias por distintos métodos. El número de observaciones en cada
cluster debe ser relevante, ya que en caso contrario puede haber valores atípicos. Además,
los conglomerados deben de tener sentido conceptual y no variar mucho al variar la
muestra o el método de aglomeración.

Las distancias se calculan utilizando la distancia euclídea simple. Para utilizar otra medida
de distancia o de similaridad se utiliza el procedimiento Análisis de conglomerados
jerárquicos.

La principal ventaja del procedimiento de análisis de conglomerados de K-medias es que es

mucho más rápido que el análisis de conglomerados jerárquico.
Sin embargo, el procedimiento jerárquico permite una mayor flexibilidad en los análisis de
conglomerados: Se puede utilizar cualquiera de las diversas medidas de distancia o
similaridad, incluidas las opciones para datos binarios o de datos de frecuencias y no es
necesario especificar el número de conglomerados a priori.
Una vez que se haya identificado los grupos, se puede construir un modelo útil para la
identificación de nuevos casos utilizando el procedimiento Discriminante. También se puede
utilizar la información que se guarda sobre la pertenencia a los conglomerados para
explorar otras relaciones existentes mediante análisis posteriores, como puedan ser las
Tablas de contingencia o el MLG Univariante.

25
ANÁLISIS CLUSTER NO JERÁRQUICO CON SPSS
SPSS incorpora un procedimiento que analiza el análisis cluster no jerárquico mediante el
método de k-medias.

Este procedimiento intenta identificar grupos de casos relativamente homogéneos

basándose en las características seleccionadas y utilizando un algoritmo que puede
gestionar un gran número de casos. Sin embargo, el algoritmo requiere que el usuario
especifique el número de conglomerados. Con esta información puede especificar los
centros iniciales de los conglomerados.

Para realizar un análisis cluster no jerárquico de k-medias, se elige en los menús:

Analizar  Clasificar  Conglomerados de k medias seleccionando las variables
y las especificaciones para el análisis. Previamente se carga en memoria el fichero
mediante Archivo  Abrir  Datos  Mundo.sav

El fichero contiene indicadores económicos, demográficos, sanitarios y de otros tipos para

diversos países del mundo. Surge la pregunta: ¿Cuáles son los grupos de países con
población, densidad de población y población urbana similares?. Con el análisis de
conglomerados de k-medias se pueden agrupar los países en k grupos homogéneos con
las características consideradas.

Se consideran las variables clasificadoras: poblac (población), urbana (población urbana) y

densidad (densidad). Como variable de agrupación se utiliza país (país).

Respecto a los datos, las variables deben de ser cuantitativas en el nivel de intervalo o de
razón. Si las variables son binarias o recuentos, se utiliza el procedimiento Análisis de
conglomerados jerárquicos.

 El cuadro Centros de los conglomerados: Leer iniciales permite al usuario especificar

sus propios centros iniciales. Con Escribir finales se guardan los centros finales para
análisis subsiguientes.

26
 Se puede elegir el método de Iterar y clasificar o el método Sólo clasificar.

En método Iterar y Clasificar se puede elegir el botón Iterar...

El Nº máximo de iteraciones limita el número de

iteraciones, incluso si no se ha satisfecho el
criterio de convergencia. Este número debe
estar entre 1 y 999

La opción Criterio de convergencia determina cuando cesa la iteración y representa una

proporción de la distancia mínima entre los centros iniciales de los conglomerados, por lo
que debe ser mayor que 0 perno no mayor que 1.
En este sentido, si el criterio 0,03, la iteración cesará si una iteración completa no mueve
ninguno de los centros de los conglomerados en una distancia superior al 3% de la
distancia menor entre cualquiera de los centros iniciales.

La opción Usar medidas actualizadas permite solicitar la actualización de los centros de

los conglomerados tras la asignación de cada caso. Si no se selecciona esta opción, los
nuevos centros de los conglomerados se calcularán después de la asignación de todos los
casos.

 El botón Guardar... permite guardar la información sobre la solución como nuevas

variables para que puedan ser utilizadas en análisis subsiguientes. Estas variables son.

Conglomerado de pertenencia que crea una nueva variable que indica el conglomerado
final al que pertenece cada caso (los valores de la nueva variable van desde el 1 hasta el
número de conglomerados)

Distancia desde centro del conglomerado, que indica la distancia euclídea entre cada
caso y su centro de configuración.

 Con el botón Opciones... en el cuadro Estadísticos se establecen los estadísticos más

relevantes relativos a las variables que ofrecerá el análisis:

27
Una vez elegidas las especificaciones, se pulsa el botón Aceptar para obtener los
resultados del análisis cluster de k-medias, según muestra el Visor:

ANÁLISIS CLUSTER JERÁRQUICO CON SPSS

Este procedimiento intenta identificar grupos relativamente homogéneos de casos (o de
variables) basándose en las características seleccionadas, mediante un algoritmo que
comienza en cada caso (o cada variable) en un conglomerado diferente y combina los
conglomerados hasta que sólo quede uno.

Se pueden analizar las variables brutas o elegir de entre una variedad de transformaciones
de estandarización. Si las variables son binarias o recuentos se utiliza sólo el procedimiento
Análisis de conglomerados jerárquicos.

Para realizar un análisis cluster jerárquico de k-medias, se elige en los menús:

Analizar  Clasificar  Conglomerados jerárquicos seleccionando las variables y
las especificaciones para el análisis. Previamente se carga en memoria el fichero mediante
Archivo  Abrir  Datos  Mundo.sav

28
Surge la pregunta: ¿Cuáles son los grupos de países con población, densidad de población
y población urbana similares?.

Se consideran las variables clasificadoras: poblac (población), urbana (población urbana) y

densidad (densidad) y espvidaf (esperanza de vida femenina),. Como variable de
agrupación se utiliza país (país).

 El botón Estadísticos...

Historial de conglomerados muestra los casos o conglomerados combinados en cada

etapa, las distancias entre los casos o los conglomerados que se combinan, así como el
último nivel del proceso de aglomeración en el que cada caso o variable se unió a su
conglomerado correspondiente.

Matriz de las 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. Como opciones disponibles
tiene: Solución única y Rango de soluciones.

29
 El botón Método... .

En Método de conglomeración permite optar por varias opciones:

Vinculación inter-grupos, Vecino más próximo, Vecino más lejano, Agrupación de
centroides, Agrupación de medianas y Método de Ward.

El cuadrado Medida permite especificar la medida de distancia o similaridad que será

empleada en la aglomeración. Seleccione el tipo de datos y la medida de distancia o
similaridad adecuada.

Las opciones disponibles en Intervalo son: Distancia euclídea, Distancia euclídea al

cuadrado, Coseno, Correlación de Pearson, Chebychev, Bloque, Minkowski y
Personalizada.

Las opciones disponibles en Frecuencias son: Medida de chi-cuadrado y Medida de phi-

cuadrado.

30
Las opciones disponibles en Binaria 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.

Las siguientes medidas de disimilaridad están disponibles para datos binarios:

 Distancia euclídea: Se calcula a partir de una tabla 2x2 como b  c , donde b y c

representan las casillas diagonales correspondientes a los casos presentes en un elemento
pero ausentes en el otro.
 Distancia euclídea al cuadrado: Se calcula como el número de casos discordantes. Su
valor mínimo es 0 y no tiene límite superior.
 Diferencia de tamaño: Se trata de un índice de asimetría. Oscila de 0 1.
 Diferencia de configuración: Medida de disimilaridad para datos binarios que oscila
de 0 a 1. Se calcula a partir de una tabla 2x2 como bc / n2 , donde b y c representan las
casillas diagonales correspondientes a los casos presentes en un elemento pero ausentes
en el otro y n es el número total de observaciones.
 Varianza: Se calcula a partir de una tabla 2x2 como (b+c)/4n, donde b y c representan
las casillas diagonales correspondientes a los casos presentes en un elemento pero
ausentes en el otro y n es el número total de observaciones. Oscila de 0 1.
 Dispersión: Este índice de similaridad tiene un rango de -1 a 1.
 Forma. Esta medida de distancia tiene un rango entre 0 y 1 y penaliza la asimetría de
las discordancias.
 Concordancia simple: Se trata de la razón de concordancias respecto al número total
de valores. Se ofrece una ponderación igual a las concordancias y a las discordancias.
 Correlación Phi de 4 puntos: Este índice es un análogo binario del coeficiente de
correlación de Pearson. Varía entre -1 y 1.
 Lambda: Este índice es la lambda de Goodman y Kruskal. Corresponde a la reducción
proporcional del error (RPE o PRE) utilizando un elemento para pronosticar el otro
(pronosticando en ambas direcciones). Los valores oscilan entre 0 y 1.
 D de Anderberg: Similar a lambda, este índice corresponde a la reducción de error real
utilizando un elemento para predecir el otro (predice en ambas direcciones). Los valores
oscilan entre 0 y 1.
 Dice: Éste es un índice en el que no se toman en cuenta las ausencias conjuntas y
donde las concordancias se ponderan doblemente. También se conoce como medida de
Czekanowski o Sorensen.
 Hamann: Este índice es el número de concordancias menos el número de
discordancias, dividido por el número total de elementos. Oscila de -1 1.
 Jaccard: Se trata de un índice en el que no se toman en cuenta las ausencias
conjuntas. Se ofrece una ponderación igual a las concordancias y a las discordancias. Se
conoce también como razón de similaridad.
 Kulczynski 1: Se trata de la razón de presencias conjuntas sobre todas las
discordancias. Este índice tiene un límite inferior de 0 y carece de límite superior. No está
definido teóricamente cuando no existen discordancias; sin embargo, el programa asigna
un valor arbitrario de 9999,999 cuando el valor no está definido o cuando es mayor que
esta cantidad.
 Kulczynski 2: Este índice está basado en la probabilidad condicional de que la
característica esté presente en un elemento, siempre que esté presente en el otro. Para
calcular este valor se promedian los distintos valores para cada elemento que actúa como
predictor del otro.

31
 Lance y Williams: Se calcula a partir de una tabla 2x2 como (b+c)/(2a+b+c), donde a
representa la casilla correspondiente a los casos presentes en ambos elementos y b y c
representan las casillas diagonales correspondientes a los casos presentes en un elemento
pero ausentes en el otro. Esta medida oscila entre 0 y 1. También se conoce como
coeficiente no métrico de Bray-Curtis.)
 Ochiai: Este índice es la forma binaria de la medida de similaridad del coseno. Varía
entre 0 y 1.
 Rogers y Tanimoto: Se trata de un índice en el que se ofrece una ponderación doble a
las discordancias.
 Russel y Rao: Se trata de una versión binaria del producto interno (punto). Se ofrece
una ponderación igual a las concordancias y a las discordancias. Ésta es la medida por
defecto para los datos de similaridad binarios.
 Sokal y Sneath 1: Se trata de un índice en el que se ofrece una ponderación doble a
las concordancias.
 Sokal y Sneath 2: Se trata de un índice en el que se ofrece una ponderación doble a
las discordancias y no se toman en cuenta las ausencias conjuntas.
 Sokal y Sneath 3: Ésta es la razón de concordancias y discordancias. Este índice tiene
un límite inferior de 0 y carece de límite superior. No está definido teóricamente cuando no
existen discordancias; sin embargo, el programa asigna un valor arbitrario de 9999,999
cuando el valor no está definido o cuando es mayor que esta cantidad.
 Sokal y Sneath 4: Este índice se basa en la probabilidad condicional de que la
característica de un elemento coincida con el valor del otro. Para calcular este valor se
promedian los distintos valores para cada elemento que actúa como predictor del otro.
 Sokal y Sneath 5: Este índice es la media geométrica al cuadrado de las
probabilidades condicionales de concordancias positivas y negativas. Es independiente de
la codificación de elementos. Varía entre 0 y 1.
 Y de Yule: Este índice es una función de la razón cruzada para una tabla 2x2 y es
independiente de los totales marginales. Varía entre -1 y 1. También se conoce como el
coeficiente de coligación.
 Q de Yule: Este índice es un caso especial de gamma de Goodman y Kruskal. Es una
función de la razón cruzada y es independiente de los totales marginales. Varía entre -1 y 1.

Si se desea, se puede cambiar los campos Presente y Ausente para especificar los valores
que indican que una característica está presente o ausente. El procedimiento ignorará
todos los demás valores.

Transformar valores permite estandarizar

los valores de los datos, para los casos o
las variables, antes de calcular las
proximidades (no está disponible para
datos binarios).

Los métodos disponibles de

estandarización son: Puntuaciones z,
Rango –1 a 1, Rango 0 a 1, Magnitud
máxima de 1, Media de 1 y Desviación
típica 1.

32
Transformar valores permite 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.

 El botón Guardar...

Permite guardar información sobre la

solución como nuevas variables para
que puedan ser utilizadas en análisis
subsiguientes. Estas variables son:
Conglomerado de pertenencia, que
permite guardar los conglomerados de
pertenencia para una solución única o
un rango de soluciones.

Las variables guardadas pueden emplearse en análisis posteriores para explorar otras
diferencias entre los grupos.

 El botón Gráficos...

La opción Dendograma muestra un dendograma.

Los dendogramas 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.

El dendograma constituye la representación visual de los pasos de una solución de

conglomeración jerárquica que muestra, para cada paso, los conglomerados que se
combinan y los valores de los coeficientes de distancia. Las líneas verticales conectadas
designan casos combinados. El dendograma re-escala las distancias reales a valores entre
0 y 25, preservando la razón de las distancias entre los pasos.

El cuadro 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.
Este diagrama muestra cómo los casos se unieron en conglomerados. En la base (la
derecha en los gráficos horizontales), no hay casos unidos todavía; a medida que se
recorre hacia arriba el diagrama (o de derecha a izquierda en los horizontales), los casos
que se unen se marcan con una X o una barra en la columna situada entre ellos, mientras
que los conglomerados separados se indican con un espacio en blanco entre ellos.

33
Una vez elegidas las especificaciones, se pulsa el botón Aceptar para obtener los
resultados del análisis cluster jerárquico, según muestra el Visor:

34
35
ANÁLISIS DE CONGLOMERADOS JERÁRQUICO EN SPSS
REQUISITOS: Después de describir las variables, se comienza con un primer análisis de la
información para eliminar la influencia de casos atípicos (Analizar/Estadísticos
descriptivos/Descriptivos), observados en Gráfico de Caja (Analizar/Estadísticos
descriptivos/Explorar).
Dos soluciones permiten solventar el problema de los casos atípicos:
(a) Cambiar los datos iniciales del ejemplo por datos promedio (por ejemplo, número de
salas de cine por mil habitantes).
(b) Realizar transformaciones de la distribución de datos (en especial cuando hay
imposibilidad de disponer de datos promedio, o bien cuando se ha invertido una gran
cantidad de dinero en conseguir los datos y es poco factible otra recogida de datos),
utilizando la escalera de transformaciones de Tukey.
 La asimetría positiva se puede corregirse con raíces cuadradas y logaritmos naturales
cuando tienen valores bajos, y con funciones inversas o inversos cuadráticos cuando los
valores son elevados. De menor a mayor potencia: la raíz cuadrada, la transformación
logarítmica, y el negativo del inverso de la raíz cuadrada.
 La asimetría negativa se corrige mediante antilogaritmos cuando es muy elevada, y con
elevaciones cúbicas y cuadráticas cuando es más suave.

Para realizar estas transformaciones

en SPSS [Transformar/Calcular
variable]

Tras eliminar la influencia de los casos atípicos, antes de proceder al Análisis Cluster es
necesario comprobar hasta qué punto los datos cumplen los supuestos del análisis de
clasificación.
El análisis cluster estudia las características estructurales de un conjunto de observaciones
con el fin de agruparlas en conjuntos homogéneos, de modo que al no ser propiamente una
técnica de inferencia estadística apenas tienen importancia las exigencias de normalidad,
linealidad y homocedasticidad tan importantes en procedimientos de inferencia.
Sin embargo, una correcta aplicación del Análisis Cluster requiere que los datos cumplan
tres condiciones básicas:
 Ausencia de correlación entre las variables.
 Número de variables no muy elevado.
 Que las variables no estén medidas en unidades diferentes.

36
La existencia de correlación (Analizar/Correlaciones/Bivariadas) entre las variables implica
que unas variables son combinaciones lineales de otras, que comparten información con
otras variables; lo que implica que esta información compartida tiene una mayor importancia
(ponderación). Además, cuando las variables están correlacionadas se corre el peligro de
incluir información redundante en el modelo, algo que se debe evitar (principio de
parsimonia).
Por este motivo es importante que el investigador analice cuidadosamente la matriz de
correlaciones antes de llevar a cabo el Análisis Cluster, colocando un mismo número de
variables de cada temática o utilizando una medida (como la distancia de Mahalanobis) que
compense esta correlación. Cuando no existe correlación entre variables esta distancia es
similar a la distancia euclídea.
Otra solución posible, cuando las variables están correlacionadas, es aplicar un Análisis
Factorial que reduzca todo el conjunto de variables observadas a un número menor de
factores comunes incorrelacionados entre sí. Este mismo procedimiento puede utilizarse
cuando el número de variables utilizadas es muy elevado.

El requisito de que las variables no estén medidas en unidades diferentes se soluciona

mediante la estandarización (o tipificación) de todas las unidades a tratar. Existe cierta
controversia sobre si la tipificación debe de ser un procedimiento a utilizar en todo análisis
de conglomerados.
Entre los autores que no defienden el proceso de estandarización – Everitt (1993),
Edelborck (1979) – se sostiene tres posibles soluciones para solucionar el problema de
tener variables con distinta unidad:
 Recategorizar todas las variables en variables binarias, y aplicar a éstas una distancia
apropiada para ese tipo de medidas.
 Realizar distintos análisis de cluster con grupos de variables homogéneas (en cuanto a
su métrica), y sintetizar después los diferentes resultados.
 Utilizar la distancia de Gower, que es aplicable con cualquier tipo de métrica.
Pese a la falta de acuerdo y cantidad de alternativas que surgen ante este problema, la
mayoría de los expertos aconsejan realizar el análisis con variables estandarizadas.

37
DEFINICIÓN DEL PROBLEMA A INVESTIGAR.- El objetivo del análisis de
conglomerados es identificar grupos homogéneos de casos considerando una serie de
criterios.
Los métodos jerárquicos se caracterizan porque comienzan con casos individuales que van
siendo clasificados hasta formar un único conglomerado.

Práctico 1. En la tabla se presenta la actividad de las salas de proyección por

Comunidades Autónomas, datos INE de 1998.

Nº espectadores
Películas Películas Recaudación
CCAA Nº Cines Nº Películas
Españolas Extranjeras (miles pesetas)
1 Andalucía 448 330 1380202 13976149 7709721
2 Aragón 76 310 580526 3513294 2370874
3 Asturias 55 383 207100 1524423 1000709
4 Baleares 68 523 280851 2081987 1496299
5 Canarias 94 394 345213 4056725 2288764
6 Cantabria 26 315 190540 1149257 847231
7 Cast. Mancha 211 295 1049698 5319556 3464668
8 Cast. León 102 234 404716 2406798 1490303
9 Cataluña 585 502 2179229 19324988 14234196
10 Valencia 300 435 1267581 9849692 6061359
11 Extremadura 69 309 226139 1614986 912405
12 Galicia 166 341 570921 4465381 2680531
13 Madrid 474 764 3188742 1926469 15282573
14 Murcia 88 358 326445 2669391 1647870
15 Navarra 37 441 245750 1403940 981839
16 País Vasco 171 385 730241 5277214 3673712
17 La Rioja 22 309 120135 769674 526496
2.992 6.628 13.294.029 81.329.924 66.669.550

Los casos a agrupar son las Comunidades Autónomas (CCAA) y los criterios para realizar
esta agrupación están relacionados con la actividad de los cines durante 1998.
La actividad se refiere: al número de cines, número de películas proyectadas (títulos),
número de espectadores de películas españolas, número de espectadores de películas
extranjeras y recaudación obtenida en miles de pesetas.

El análisis comienza con una

exploración de la información que
permita, por un lado, conocer la
distribución de las variables y, por
otro, una primera descripción del
fenómeno a investigar.

38
El análisis refleja que el número de cines oscila entre 22 de la Rioja y 585 cines de
Cataluña, que proporciona una media de 176 salas de cine por Comunidad Autónoma.

En cada Comunidad se proyectaron una media de 390 nuevas películas (títulos), que
fueron vistas por 94.623.953 ( 13.294.029 + 81.329.924 ) espectadores. El número medio de
espectadores de las películas extranjeras es muy superior al de películas españolas. En
este sentido, la cuota de pantalla del cine español es del 14% ( 13.294.029 / 94.623.953 ).
De otra parte, los 66.669.550 miles de pesetas recaudados, proporciona un gasto medio
de 705 pesetas ( 66.669.550.000 / 94.623.953 ).
Gasto medio (en miles) por Comunidad: (Exp Pelis España  Exp Pelis Extranjero ) x 0,705

Considerar los números absolutos (total de cines, de películas, de espectadores y de

recaudación) en lugar de los números promedio por habitante genera que las Comunidades
con más habitantes tengan un mayor equipamiento, proyecten más títulos, reciban más
espectadores y consigan mayor recaudación. Este hecho genera casos atípicos como se
observa en el gráfico de caja de las variables analizadas (Analizar/Estadísticos
descriptivos/Explorar).

39
En el gráfico se observa como el número de cines presenta tres casos atípicos
identificados con los números 1 (Andalucía), 9 (Cataluña) y 13 (Madrid), que son las
Comunidades con mayor número de cines. Análogamente, también se presenta un caso
atípico en el número de títulos estrenados, identificado con el 13 (Madrid).

De otra parte, respecto al número de espectadores y la recaudación obtenida, se reflejan de

nuevo casos atípicos en los números 1, 9 y 13.

40
La localización de los casos atípicos en la parte superior de la distribución indica que se
trata de distribuciones con asimetría positiva (como se refleja en la tabla de Estadísticos
descriptivos), distribuciones que será necesario simetrizar antes de aplicar el Análisis
Cluster.

Considerando la escalera de las transformaciones de Tukey, la asimetría positiva se

corrige sustituyendo los datos recogidos por su raíz cuadrada o su logaritmo, en el caso de
que las transformaciones proporcionen resultados muy similares se opta por la menos
potente.

En este caso se opta por realizar

una transformación raíz cuadrada
a las variables con valores
atípicos.

En este sentido, las nuevas

variables transformadas se
denominan con el mismo nombre
terminando en R, es decir,
CinesR, Pelis-EspañaR,
Pelis_ExtranR y RecaudacionR

Tras describir las variables y eliminar la influencia de los casos atípicos, antes de proceder
con el Análisis Cluster es necesario comprobar hasta qué punto los datos cumplen con los
supuestos del análisis de clasificación.
Una correcta aplicación del Análisis Cluster requiere que se cumplan tres requisitos
básicos: (a) Ausencia de correlación entre las variables. (b) Número de variables no muy
elevado. (c) Que las variables no se encuentren medidas en unidades diferentes.

41
Si las variables se encuentran correladas se corre el peligro de incluir información
redundante que se debe evitar en todo momento. Por este motivo es importante analizar la
matriz de correlaciones antes de proseguir con el estudio.

Para analizar la existencia de correlación Analizar/Correlaciones/Bivariadas

Se detecta una elevada relación de la variable Recaudación con el resto de las variables
del modelo, relaciones significativas al 0,01 por lo que se precede a eliminarlas del modelo.
Para ello, en lugar de la variable Recaudación se utiliza la variable Gasto-medio por
espectador.
Cuando existe correlación entre las variables se utiliza una medida (distancia de
Mahalanobis) para compensar la correlación. Cuando no existe correlación entre variables
esta distancia es similar a la distancia euclídea.
La métrica de las variables se soluciona estandarizando (o tipificando) todas las unidades a
tratar. Analizar/Estadísticos descriptivos/Descriptivos

Las variables guardadas estandarizadas

comienzan con la letra Z:
ZCinesR, ZPeliculasR, ZPelis_EspañaR,
ZPelis_ExtranR, ZGasto_medio

42
Las Comunidades Autónomas españolas serán clasificadas considerando el número de
cines (ZCinesR), el número de películas proyectadas (ZPeliculasR), el número de
espectadores de películas españolas (ZPelis_EspañaR), el número de espectadores de
películas extranjeras (ZPelis_ExtranR) y el gasto medio por espectador (ZGasto_medio).

CCAA ZCinesR ZPeliculasR ZPelis_EspañaR ZPelis_ExtranR ZGasto_medio

1 Andalucía   1,5409 ‐ 0,4846   0,9484   1,8129   1,7626
2 Aragón ‐ 0,5340 ‐ 0,6803 ‐ 0,0792 ‐ 0,1008 ‐ 0,2651
3 Asturias ‐ 0,7510   0,0071 ‐ 0,8428 ‐ 0,7576 ‐ 0,6904
4 Baleares ‐ 0,6126   1,1620 ‐ 0,6565 ‐ 0,5438 ‐ 0,5767
5 Canarias ‐ 0,3711   0,1048 ‐ 0,5132   0,0427 ‐ 0,2096
6 Cantabría ‐ 1,1372 ‐ 0,6308 ‐ 0,8890 ‐ 0,9245 ‐ 0,7609
7 Cast. Mancha   0,4341 ‐ 0,8313   0,5744   0,3427   0,1446
8 Cast. León ‐ 0,3037 ‐ 1,4890 ‐ 0,3922 ‐ 0,4324 ‐ 0,4959
9 Cataluña   2,0444   0,9996   1,6984   2,4879   2,8694
10 Valencia   0,8999   0,4575   0,8265  1,1969   0,9994
11 Extremadura ‐ 0,6025 ‐ 0,6903 ‐ 0,7919 ‐ 0,7205 ‐ 0,6706
12 Galicia   0,1604 ‐ 0,3795 ‐ 0,0950   0,1443 ‐ 0,0954
13 Madrid   1,6418   2,8325   2,4686 ‐ 0,6002 ‐ 0,0812
14 Murcia ‐ 0,4235 ‐ 0,2203 ‐ 0,5535 ‐ 0,3478 ‐ 0,4627
15 Navarra ‐ 0,9732   0,5076 ‐ 0,7417 ‐ 0,8087 ‐ 0,7051
16 País Vasco   0,1925   0,0250   0,1513   0,3333   0,0795
17 La Rioja ‐ 1,2053 ‐ 0,6903 ‐ 1,1128 ‐ 1,1244 ‐ 0,8419

ANÁLISIS DE CLUSTER CON SPSS

Para efectuar un Análisis Cluster utilizando SPSS se entra en Analizar/Clasificar/
Hay tres opciones posibles: Conglomerado en dos fases, Conglomerado de k medias y
Conglomerados jerárquicos.

43
Conglomerado en dos fases: Está pensado para análisis con un número grande de
individuos, que pueden tener problemas de clasificación con otros procedimientos. Tiene la
particularidad que permite trabajar conjuntamente con variables de tipo mixto (cualitativas y
cuantitativas). Puede realizarse cuando el número de cluster (conglomerado) es conocido a
priori y también cuando no se conoce.
Conglomerados de k medias: Se puede aplicar sólo a variables cuantitativas y requiere
conocer el número de conglomerados a priori. Puede realizarse para un número de objetos
relativamente grande pues no requiere el cálculo de todas las posibles distancias.
Conglomerados jerárquicos: Se utiliza para variables cuantitativas o cualitativas. No se
conoce el número de conglomerados a priori y cuando el número de objetos no es muy
grande.

Se elige Conglomerados jerárquicos... Botón Método...

 
El Método de conglomeración permite optar por varias opciones:
Vinculación inter-grupos, Vecino más próximo, Vecino más lejano, Agrupación de
centroides, Agrupación de medianas y Método de Ward.

44
 Vinculación inter-grupos (promedio entre grupos): La distancia entre los grupos es la
media aritmética de las distancias existentes entre todos los componentes de cada grupo,
considerados dos a dos. Se consiguen grupos con varianzas similares y pequeñas.
 Vinculación intra-grupos (promedio intra-grupos o media ponderada): Es una variante
del anterior, aunque en este caso se combinan los grupos buscando que la distancia
promedio dentro de cada conglomerado sea la menor posible. Así en lugar de considerar
los pares de los elementos que pertenecen a cada uno de los grupos, se consideran todos
los pares resultantes en caso de que los dos grupos se uniesen.
 Vecino más próximo (distancias mínimas): Agrupa a los casos que se encuentran a
menor distancia. Unidos dos casos, a continuación se forma el tercer conglomerado
buscando la distancia más corta entre los tres elementos. El problema de este método es
que suele provocar un efecto línea al unir los casos más cercanos, al tiempo que es muy
sensible a la presencia de casos extremos.

 Vecino más lejano (distancias máximas): Similar al vecino más próximo, aunque aquí
se procede a unir los casos que se encuentran a mayor distancia, siendo un método más
restrictivo que el anterior. Elimina el efecto línea, aunque también es muy sensible a la
presencia de casos extremos.
 Agrupación de centroides: La distancia entre dos grupos es la distancia existente
entre sus centros de gravedad (centroides). El proceso comienza calculando el centro de
gravedad de cada conglomerado, para agrupar los conglomerados cuya distancia entre
centroides sea mínima. Tras unir dos conglomerados se calculo el nuevo centro de
gravedad y se procede de forma similar. Con este procedimiento se reduce la influencia de
casos extremos.
 Agrupación de medianas: Es una variación de la agrupación de centroides, donde no
se considera el número de individuos que forman cada uno de los agrupamientos. En el
método anterior se calcula el centroide en función del número de individuos de cada
conglomerado, de modo que cuando se une un gran conglomerado (por ejemplo 10 casos)
con otro muy pequeño (por ejemplo 2 casos), este último apenas varía la situación del
centroide inicial. En el método de la mediana no se considera el número de elementos de
cada conglomerado, sino el número de conglomerados.
 Método de Ward (o método de pérdida de la inercia mínima): Cuando se unen dos
conglomerados, con independencia del método utilizado, la varianza aumenta. El método
de Ward une los casos buscando minimizar la varianza dentro de cada grupo. Para ello se
calcula, en primer lugar, la media de todas las variables en cada conglomerado. A
continuación, se calcula la distancia entre cada caso y la media del conglomerado,
sumando después las distancias entre todos los casos. Posteriormente se agrupan los
conglomerados que generan menos aumentos en la suma de las distancias dentro de cada
conglomerado. Este procedimiento crea grupos homogéneos y con tamaños similares.

Como método de conglomeración se elige el método de Ward.

El proceso comienza con la elección de la distancia a considerar, puesto que el método de

agrupamiento se realiza sobre esta matriz de distancias.
Por ello, los primero que se realiza es medir qué grado de similitud o de diferencia tienen
los casos seleccionados. La elección de la medida de distancia varía en función de la
métrica de las variables utilizadas.

45
Donde se presentan las opciones: Distancia euclídea, Distancia euclídea al cuadrado,
Coseno de vectores, Correlación de Pearson (asociación), Distancia métrica de Chebychev,
Bloque Manhattan o City-block y Distancia de Minkowski.

En nuestro caso se determina la Distancia euclídea al cuadrado.

Se ha señalado la necesidad de estandarizar las variables cuando están medidas en

distintas unidades. En la parte inferior del Cuadro de Método aparece una cómoda opción
para llevar a cabo esta tarea, realizando una transformación antes de proceder con el
cálculo de las distancias. Como es evidente, está opción no está disponible para datos
binarios.

En este caso, se selecciona Ninguno porque ya se han estandarizado los datos utilizando la
opción Guardar valores tipificados aplicando la opción Analizar/Estadísticos
descriptivos/Descriptivos

46
Por último, existe la posibilidad de Transformar las medidas de distancia, entre:
Valores absolutos: Considera el valor absoluto de la distancia, eliminando el signo.
Interesante cuando interesa la magnitud de la distancia y no su signo.
Cambiar el signo: Transforma medidas de distancia en medidas de similitud, y viceversa.
Cambiar escala al rango 0-1: Estandariza los valores restando el valor de la distancia
menor y dividiendo después entre el rango, consiguiendo de esta forma convertir todas las
medidas al rango 0-1.

En Conglomerados jerárquicos... Botón Estadísticos...

En este ejemplo se ha optado por la

segunda opción, buscando conocer el
conglomerado de pertenencia de cada
Comunidad Autónoma cuando se solicitan
3, 4 y 5 grupos

Historial de conglomeración: Presenta el proceso de elaboración de los agrupamientos,

mostrando los casos (o variables) combinados en cada etapa y la distancia entre cada uno.
Matriz de distancias: Proporciona las distancias o similaridades entre los casos (o
variables).
Conglomerado de pertenencia: Indica el conglomerado al que se asigna cada caso. El
investigador puede seleccionar una solución única, o un rango de soluciones para conocer
cómo varía la composición de los grupos en función del número final de conglomerados.

En Conglomerados jerárquicos... Botón Gráficos...

47
Dendograma: Gráfico donde se muestra el proceso de agrupamiento entre los casos y la
distancia en que se produce cada agrupamiento. Es la representación gráfica del historial
de conglomeración visto en la opción estadísticos, y proporciona información muy valiosa
sobre el número final de conglomerados a conservar.
Témpanos: Presenta un diagrama de témpanos donde se muestra el proceso de
combinación de los casos en cada conglomerado. Existe la posibilidad de mostrar todos los
conglomerados o un determinado rango.

En Conglomerados jerárquicos... Botón Guardar...

Con la opción Guardar el programa permite guardar una solución única o un rango de
soluciones. Esta variable recibirá el nombre de CLU*_1.
En este caso, se crean las nuevas variables CLU5_1, CLU4_1 y CLU3_1. Estas soluciones
podrán ser utilizadas en análisis posteriores.

 En el Visor de SPSS comienza proporcionando la matriz de distancias entre las

n(n - 1)
Comunidades Autónomas, calculando las medidas de proximidad entre los (n)
2
casos tomados de dos en dos.

En este caso, el análisis de las 17 Comunidades Autónomas proporciona 136 medidas de

17(17 - 1)
distancia = 136
2
En la tabla siguiente se muestran los coeficientes elaborados utilizando la distancia
euclídea al cuadrado (suma de las diferencias al cuadrado entre dos elementos de una
variable).

Considerando las puntuaciones transformadas estandarizadas mostradas al principio del

Análisis de Cluster, la distancia de 13,173 entre Andalucía y Aragón se obtiene de la
expresión:

D2  1,5409  ( 0,5340)   0,4846  ( 0,0,6803)  0,9484  ( 0,0792) 

2 2 2

 1,8129  ( 0,1008)  1,7626  ( 0,2651)  14,794

2 2

48
Los coeficientes de la matriz de distancias indican la distancia entre las Comunidades
Autónomas considerando las variables del análisis, de modo que cuanto mayor sea el
coeficiente entre dos Comunidades existirá mayor distancia entre ellas, y en consecuencia
serán más diferentes.
Un análisis detallado de los coeficientes de la tabla revela una gran similitud en la actividad
de los cines de Cantabria y La Rioja (con una distancia de 0,142). Otras Comunidades con
pautas parecidas son Galicia y País Vasco (con una distancia de 0,213).
Las Comunidades más diferentes en cuanto a la actividad cinematográfica son Cataluña y
Cantabria (con una distancia de 50,466).

49
Conviene retener esta información para realizar un seguimiento del proceso de formación
de los agrupamientos, con la ayuda del Historial de Aglomeración, así como su
representación gráfica (Dendograma).

Resaltar que las Comunidades más similares son Asturias (número 3) y Extremadura
(número 11), y por esto son las primeras que se unen en el Historial de Aglomeración, a
una distancia de 0,014 (tercera columna). De la última columna (Próxima etapa) se
desprende que este primer agrupamiento volverá a ser utilizado en la etapa 7.

Una vez realizado el primer conglomerado, el programa vuelve a recalcular una nueva
matriz de distancias entre los 16 elementos restantes, es decir los 15 elementos y la
agrupación (Asturias - Extremadura). Este primer cluster volverá a ser utilizado en
la etapa 4.

En la segunda etapa se realiza un agrupamiento con las Comunidades 8 y 14 (Castilla y

León, Murcia), a una distancia de 0,041. Este segundo conglomerado (cluster) volverá a ser
utilizado en la etapa 4.

En la tercera etapa se unen las Comunidades de Cantabria (6) y Navarra (15), a una
distancia de 0,076, este tercer cluster volverá a ser utilizado en la etapa 7.

En la cuarta etapa se produce la unión de Baleares (4) y Castilla y León (8), a una
distancia de 0,163, cluster que volverá a ser utilizado en la etapa 10.

En la séptima etapa se produce la unión de Asturias (3) y Cantabria (6), a una distancia de
0,551, cluster que volverá a ser utilizado en la etapa 9.

 Hasta ahora se ha tratado de agrupamientos simples formados por dos Comunidades,

pero es posible también formar clusters con la unión de agrupamientos anteriores.

Para facilitar la interpretación, el programa ayuda a recordar el programa incorporando las

columnas 5ª y 6ª, en donde se indica la etapa en la que el conglomerado ha aparecido por
primera vez.

50
En la etapa cuarta, Baleares (4) se une al conglomerado 8, formado en la segunda etapa
con Castilla y León (8) y Murcia (14).

En la etapa 7, se unen el conglomerado 3, formado en la primera etapa por Cantabria (3) y

Extremadura (11), con el conglomerado 6, formado en la tercera etapa con Aragón (6) y
Canarias (15).

En la etapa 8, Castilla-La Mancha (7) se une al conglomerado 12, formado en la quinta

etapa con Galicia (12) y País Vasco (16).

En la etapa 10 se unen los conglomerados 2 y 4, el primero formado en la etapa 6 con

Aragón (2) y Canarias (5); el segundo formado en la etapa 4 con Baleares (4) y Castilla-
León (8).

En la etapa 14 se unen los conglomerados 2 y 7. El conglomerado 2, formado en la etapa

12 con Aragón (2) y Asturias (3). El conglomerado 7, formado en la etapa 8, con Castilla-La
Mancha (7) y Galicia (12).

El proceso continúa hasta formar un solo grupo, que marca el final del proceso de
formación de clusters jerárquicos aglomerativos.

Un aspecto importante del historial es la columna central (Coeficientes), que recoge las
distancias en las que se produce cada agrupamiento, distancias que van aumentando a
medida que se van formando nuevos grupos. Las distancias pequeñas reflejan
conglomerados (clusters) muy homogéneos, mientras que las distancias grandes indican
conglomerados heterogéneos.
Considerando que el objetivo del análisis es agrupar a las Comunidades en conglomerados
homogéneos, será conveniente prestar mucha atención a los incrementos de distancias.
En la etapa catorce los dos conglomerados se unen a una distancia de 16,514, mientras
que en la etapa quince se unen a una distancia de 25,801, aumentando 9 puntos desde la
etapa anterior. Llama la atención este elevado aumento, mucho más cuando en etapas
anteriores la distancia aumentaba poco.

DENDOGRAMA: La lectura se realiza de izquierda a derecha, y en su interior aparecen

líneas horizontales y verticales, utilizando estas últimas para indicar el punto de unión entre
dos Comunidades. Así la posición de la línea vertical respecto a la regla situada en la parte
superior indica la distancia donde se han realizado la unión de dos grupos, de modo que
cuanto más a la derecha se produzca una agrupación existirá más diferencia entre los
casos, formando grupos más heterogéneos.
En la regla de la parte superior muestra la distancia entre los agrupamientos, si bien se ha
cambiado la 'escala' de las distancias a unos valores que oscilan entre 0 y 25, mientras que
la amplitud de las distancias del Historial de Conglomeración oscila entre 0,014 y 80, basta
con calcular el coeficiente para su adaptación

51
 El programa ofrece la composición de cada
uno de los conglomerados, presentando el
rango de soluciones solicitado (entre 3 y 5).

La mejor solución es la que presenta cuatro

conglomerados, de modo que centramos la
atención en la columna central.

La unión de esta columna con cada fila

muestra un 1 en Andalucía, indicando que esta
Comunidad pertenece al primer conglomerado,
un 2 en el caso de Aragón indica que
pertenece al segundo conglomerado, y así
sucesivamente, un 4 en Madrid indica que
pertenece al cuarto conglomerado.

Se tiene la clasificación siguiente:

52
Conglomerado 1: Andalucía, Cataluña, Valencia.
Conglomerado 2: Aragón, Asturias, Baleares, Canarias, Cantabria, Castilla y León,
Extremadura, Murcia, Navarra, País Vasco, La Rioja.
Conglomerado 3: Castilla La Mancha, Galicia
Conglomerado 4: Madrid

INTERPRETACIÓN DE LA CLASIFICACIÓN:  El objetivo es analizar los valores del número de

salas de cine, número de películas proyectadas, etc, en los cuatro conglomerados, y así
determinar las diferencias en las pautas cinematográficas en cada uno de los
agrupamientos de las Comunidades Autónomas.
Al tratarse de variables medidas a nivel de intervalo se debe utilizar el procedimiento
explorar con la variable CLU4_1 como factor (Analizar/Comparar medias/ANOVA de un
factor...), o la comparación de medias (Analizar/Comparar medias/Medias ...). Se opta por
esta última opción.

En el cuadro de diálogo de la comparación de

medias, las variables Cines, Películas,
Pelis_España, Pelis_Extran y Gasto se colocan
en la ventana de Dependientes, y la variable
CLU4_1 en Independientes.

53
En la tabla aparecen los resultados obtenidos:

El primer conglomerado, formado por las Comunidades Autónomas de Andalucía, Cataluña

y Valencia, destaca por el gran número de salas de cine, así como por el número de
espectadores en películas españolas y extranjeras.
El segundo conglomerado, formado por un gran número de Comunidades Autónomas
sobresale por el número de películas proyectadas, con menos espectadores que el primer
cluster.

El tercer conglomerado, formado por las Comunidades de Castilla-La Mancha y Galicia,

supera a la Comunidad de Madrid respecto al número de películas proyectadas y al número
de espectadores de películas extranjeras.
El cuarto conglomerado, formado por la Comunidad de Madrid, presenta el menor
porcentaje de espectadores en películas extranjeras, mientras que mantiene el segundo
lugar de las Comunidades en cuánto espectadores en películas españolas.

54
PRÁCTICO DE ANÁLISIS CLUSTER JERÁRQUICO Y NO JERÁRQQUICO
Cargado el fichero aficiones.sav se restringe el estudio a los 14 primeros casos.

En el análisis cluster es necesario tipificar las variables, pues al trabajar con distancias,
todas las variables han de expresarse en las mismas unidades. En este sentido, se tipifican
las variables afectadas (fútbol, paga2 y tv).

En la salida del Visor se observa que la variación y el rango (máximo y mínimo) de las tres
variables son completamente distintos por lo que no hay comparación posible de
desviaciones típicas.

Se marca la casilla Guardar valores tipificados como variables, al ejecutar el procedimiento

se obtienen nuevas variables tipificadas (zfútbol, zpaga2 y ztv).

Si ahora se vuelve a ejecutar el

procedimiento con las variables tipificadas
(zfútbol, zpaga2 y ztv) se presentan rangos
comparables para las tres variables.

55
Para tener una idea de los grupos que podrían formarse, antes de realizar un análisis
cluster, se puede obtener un gráfico de dispersión en tres dimensiones para las tres
variables tipificadas.

Se elige Gráficos/Cuadro de diálogo antiguos/Dispersión

Al obtenerse una separación clara en tres

grupos de puntos, se puede intuir que se
podrían agrupar a los individuos en tres
conglomerados.

56
 Se realiza un análisis cluster no jerárquico
(Analizar/Clasificar/Conglomerado de k medias)

La salida del Visor presenta los centros iniciales de los conglomerados. Para el comienzo
del método iterativo, en un principio se seleccionan tantos individuos como conglomerados
se hayan solicitado, de modo que estos individuos iniciales tengan distancia máxima entre
ellos y al estar separados lo suficiente produzcan los centros iniciales.

Una vez estimados los centroides iniciales se calcula la distancia de cada punto a cada uno
de ellos y en función de la mínima distancia obtenida se irán clasificando los individuos en
los tres grupos de conglomerados. Elaborados los tres grupos, se calculan los tres centros
y se repite el proceso para hacer otra agrupación, y así sucesivamente hasta agotar las
iteraciones o hasta que se cumpla el criterio de parada.

En el Historial de iteraciones aparece el

número de iteraciones realizadas y los
cambios producidos en los centroides.

57
El procedimiento presenta la pertenencia de cada individuo a su conglomerado con la
distancia de cada uno al centro de su grupo. Así como los centros de los conglomerados
finales obtenidos al final del proceso iterativo.

La tabla de pertenencia a los conglomerados permite realizar los siguientes clusters o

conglomerados: 1, 2, 5, 6, 7, 11 , 3, 4, 9, 12, 13, 14  y 8, 10

Se presenta una tabla ANOVA para los conglomerados cuyas pruebas F sólo se deben
utilizar con una finalidad descriptiva, puesto que los conglomerados han sido elegidos para
maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles críticos
no son corregidos, por lo que no pueden interpretarse como pruebas de la hipótesis de que
los centros de los conglomerados son iguales.

Lo relevante son los valores de F, que no deben de ser muy pequeños (lo más alejados
posible del valor 1) para que las variables sean realmente efectivas en la identificación de
clusters.

58
 Se realiza un análisis cluster jerárquico
(Analizar/Clasificar/Conglomerados jerárquicos)

En la salida del Visor:

 En agrupamientos simples:

En la primera etapa se unen los individuos (casos) 13 y 14, a una distancia de 0,122
(tercera columna). De la última columna (Próxima etapa) se desprende que este primer
agrupamiento volverá a ser utilizado en la etapa 5.

59
Una vez realizado el primer agrupamiento, el programa vuelve a recalcular una nueva
matriz de distancias entre los 13 elementos restantes, es decir los 12 elementos y la
agrupación realizada. Este primer cluster volverá a ser utilizado en
la etapa 5.
En la segunda etapa se unen los individuos 5 y 9, a una distancia de 0,279. Este segundo
conglomerado (cluster) volverá a ser utilizado en la etapa 7 (Próxima etapa).
En la tercera etapa se unen los individuos 3 y 11, a una distancia de 0,612, este tercer
cluster volverá a ser utilizado en la etapa 8.

 Para formar clusters con la unión de los clusters formados anteriormente, se recurre a
las columnas 5ª y 6ª, en donde se indica la etapa en la que el conglomerado ha aparecido
por primera vez.
En la etapa quinta, el individuo (4) se une al conglomerado 1, formado en la primera etapa
con la unión de los individuos 13 y 14.
En la etapa 7, se unen el conglomerado 5 (formado en la segunda etapa por el individuo 4
y el individuo 13) con el individuo 6.
En la etapa 9 se unen los conglomerados 3 y 5, el primero formado en la etapa 8 con los
individuos 3 y 12; el segundo formado en la etapa 7 con los individuos 5 y 6.
El proceso continúa hasta formar un solo grupo, que marca el final del proceso de
formación de clusters jerárquicos aglomerativos.

El diagrama de témpanos permite ver como se han ido uniendo los individuos etapa a
etapa. Se lee de abajo a arriba. El número de fila representa el número de conglomerados
que hay en ese momento. En este sentido:

En la etapa 1, con 13 conglomerados se unieron los individuos 14 y 13, por eso aparece
una cruz de unión entre esos dos individuos, los demás no están conectados.
En la etapa 2, con 12 conglomerados, además de los anteriores (14, 13), se unieron los
individuos 9 y 5, los demás están desconectados.
En la etapa 3, con 11 conglomerados, además de los anteriores (14, 13, 9, 5), se unieron
los individuos 11 y 3, los demás están desconectados.
Así sucesivamente hasta que, en la última etapa con 1 conglomerado todos están unidos.

60
El Dendograma sugiere los conglomerados: 13, 14, 4 , 1, 2 , 5, 9, 6 , 3, 11, 12 y
7, 8, 10 , que están muy lejos de los del caso anterior.

 Si se reinicia el procedimiento de análisis cluster jerárquico, con el método de

aglomeración Ward, fijando de antemano el número de conglomerados entre 3 y 5

En la salida del Visor:

61
 El programa ofrece la
composición de cada uno de los
conglomerados, presentando el
rango de soluciones solicitado
(entre 3 y 5).

La mejor solución es la que

presenta cuatro conglomerados,
de modo que centramos la
atención en la columna central.

Resultan los conglomerados: 1, 2 , 3, 5, 6, 9, 11, 12 4, 13, 14 7, 8, 10

No muy lejos de los obtenidos anteriormente: 13, 14, 4 , 1, 2 , 5, 9, 6 , 3, 11, 12 y
7, 8, 10 , uniendo los clusters tercero y cuarto.

En Conglomerados jerárquicos... Botón Guardar...

Con la opción Guardar el programa permite guardar una solución única o un rango de
soluciones. Esta variable recibirá el nombre de CLU*_1.
En este caso, se crean las nuevas variables CLU5_1, CLU4_1 y CLU3_1. Estas soluciones
podrán ser utilizadas en análisis posteriores.

62
SUPUESTO PRÁCTICO DE ANÁLISIS CLUSTER EN DOS ETAPAS
Está basado en un algoritmo que produce resultados óptimos si todas las variables son
independientes, las variables continuas están normalmente distribuidas y las variables
categóricas son multinomiales. Pero es un procedimiento que funciona razonablemente
bien en ausencia de estos supuestos.
La solución final depende del orden de entrada de los datos, para minimizar el efecto se
debería ordenar el fichero de forma aleatoria.

Algoritmo del procedimiento. Los dos pasos de este procedimiento se pueden resumir
como sigue:

 Primer paso: Formación de precluster de los casos originales. Estos son clusters de los
datos originales que se utilizarán en lugar de las filas del fichero original para realizar los
clusters jerárquicos en el segundo paso. Todos los casos pertenecientes a un mismo
precluster se tratan como una entidad sencilla.

El procedimiento se inicia con la construcción de un árbol de características del Cluster

(CF). El árbol comienza colocando el primer caso en la raíz del árbol en un nodo de hoja
que contiene información de la variable sobre ese caso. Cada caso sucesivamente se
añade a continuación a un nodo existente o forma un nuevo nodo, basado en la similaridad
con los nodos existentes y utilizando medidas de distancias como el criterio de similaridad.
Un nodo que contiene varios casos contiene un resumen de información sobre esos casos.
Por lo tanto, el árbol CF proporciona un resumen del archivo de datos.

 Segundo paso: Los nodos de las hojas del árbol CF se agrupan utilizando un algoritmo
de agrupamiento aglomerativo. El cluster se puede utilizar para producir un rango de
soluciones. Para determinar el número de clusters óptimo, cada una de estas soluciones
de cluster se compara utilizando el Criterio Bayesiano de Schwarz (BIC) o el Criterio de
Información de Akaike (AIC) como criterio de agrupamiento.

Se utiliza el archivo de datos ventas_vehiculos.sav que contiene estimaciones de ventas,

listas de precios y especificaciones físicas hipotéticas de varias marcas y modelos de
vehículos. El archivo está formado por las siguientes variables:

 Variables tipo cadena: tipo (tipo de vehículo) y marca (fabricante).

 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).

Para obtener un análisis de conglomerados en dos etapas, en el menú principal:

Analizar/Clasificar/Conglomerado en dos fases…

En el cambio de Variables categóricas: tipo (Tipo de vehículo).

En el campo de variables continuas: precio, motor, CV, pisada, ancho, largo,

peso_neto, depósito y mpg.

63
En el botón Opciones...

Tratamiento de valores atípicos: Permite tratar los valores atípicos de manera especial
durante la formación de cluster si se llena el árbol de características de los clusters (CF).
Este árbol se considera lleno si no puede aceptar ningún caso más en un nodo hoja y no
hay ningún nodo hoja que se pueda dividir.

Realizar tratamiento de ruido:

 Si selecciona esta opción y el árbol CF se llena, se hará volver a crecer después de
colocar los casos existentes en hojas poco densas, en una hoja de “ruido”. Se considera
que una hoja es poco densa si contiene un número de casos inferior a un determinado
porcentaje de casos del máximo tamaño de hoja. Tras volver a hacer crecer el árbol, los
valores atípicos se colocarán en el árbol CF en caso de que sea posible. Si no es así, se
descartarán los valores atípicos.
 Si no selecciona esta opción y el árbol CF se llena, se hará volver a crecer utilizando un
umbral del cambio en distancia mayor. Tras la conglomeración final, los valores que no
se puedan asignar a un conglomerado se considerarán como valores atípicos. Al

64
 conglomerado de valores atípicos se le asigna un número de identificación de –1 y no se
incluirá en el recuento del número de conglomerados.

Asignación de memoria: Permite especificar la cantidad máxima de memoria en

megabytes (MB) que puede utilizar el algoritmo de conglomeración. Si el procedimiento
supera este máximo, utilizará el disco para almacenar la información que no se pueda
colocar en la memoria. Especificar un número mayor o igual que 4.
 Consultar con el administrador del sistema si desea conocer el valor máximo que puede
especificar en su sistema.
 Si este valor es demasiado bajo, es posible que el algoritmo no consiga obtener el
número correcto o deseado de conglomerados.

Tipificación de variables: El algoritmo de conglomeración trabaja con variables continuas

tipificadas. Todas las variables continuas que no estén tipificadas deben dejarse como
variables en la lista Para tipificar. Para ahorrar algún tiempo y trabajo para el ordenador,
se puede seleccionar todas las variables continuas que ya haya tipificado como variables
en la lista Asumidas como tipificadas.

Al pulsar Avanzado>>

Criterios de ajuste del árbol CF: Los siguientes ajustes del algoritmo de conglomeración
se aplican específicamente al árbol de características de conglomerados (CF) y deberán
cambiarse con cuidado:

Umbral del cambio en distancia inicial: Éste es el umbral inicial que se utiliza para hacer
crecer el árbol CF. Si se ha insertado una determinada hoja en el árbol CF que produciría
una densidad inferior al umbral, la hoja no se dividirá. Si la densidad supera el umbral, se
dividirá la hoja.
Nº máximo de ramas (por nodo hoja): Número máximo de nodos filiales que puede tener
una hoja.

65
Máxima profundidad de árbol: Número máximo de niveles que puede tener un árbol CF.
Máximo número posible de nodos. Indica el número máximo de nodos del árbol CF que
puede generar potencialmente el procedimiento, de acuerdo con la función (bd+1 – 1) /
(b – 1), donde b es el número máximo de ramas y d es la profundidad máxima del árbol.
Tener en cuenta que un árbol CF excesivamente grande puede agotar los recursos del
sistema y afectar negativamente al rendimiento del procedimiento. Como mínimo, cada
nodo requiere 16 bytes.

Actualización del modelo de conglomerados: Este grupo permite importar y actualizar

un modelo de conglomerados generado en un análisis anterior. El archivo de entrada
contiene el árbol CF en formato XML. A continuación, se actualizará el modelo con los
datos existentes en el archivo activo. Se debe seleccionar los nombres de las variables en
el cuadro de diálogo principal en el mismo orden en que se especificaron en el análisis
anterior. El archivo XML permanecerá inalterado, a no ser que se escriba específicamente
la nueva información del modelo en el mismo nombre de archivo.
Si se ha especificado una actualización del modelo de conglomerados, se utilizarán las
opciones pertenecientes a la generación del árbol CF que se especificaron para el modelo
original. Concretamente, se utilizarán los ajustes del modelo guardado acerca de la medida
de distancia, el tratamiento del ruido, la asignación de memoria y los criterios de ajuste del
árbol CF, por lo que se ignorarán todos los ajustes de estas opciones que se hayan
especificado en los cuadros de diálogo.

Nota: Al realizar una actualización del modelo de conglomerados, el procedimiento supone

que ninguno de los casos seleccionados en el conjunto de datos activo se utilizó para crear
el modelo de conglomerados original. El procedimiento también supone que los casos
utilizados en la actualización del modelo proceden de la misma población que los casos
utilizados para crear el modelo; es decir, se supone que las medias y las varianzas de las
variables continuas y los niveles de las variables categóricas son los mismos en ambos
conjuntos de casos. Si los conjuntos de casos “nuevo” y “antiguo” proceden de poblaciones
heterogéneas, se deberá ejecutar el procedimiento Análisis de conglomerados en dos fases
para los conjuntos combinados de casos para obtener los resultados óptimos.

Al pulsar Gráficos...

66
Gráfico del porcentaje intra-conglomerado: Muestra los gráficos que indican la variación
dentro del conglomerado de cada variable. Para cada variable categórica, se genera un
gráfico de barras agrupado, mostrando la frecuencia de la categoría por identificador de
conglomerado. Para cada variable continua, se genera un gráfico de barras de error,
indicando las barras de error por identificador de conglomerado.
Gráfico de sectores de los conglomerados: Muestra un gráfico de sectores que muestra
el porcentaje y las frecuencias de observaciones correspondientes a cada conglomerado.
Gráfico de la importancia de las variables. Muestra varios gráficos diferentes que indican la
importancia de cada variable dentro de cada conglomerado. Los resultados se ordenan
según el nivel de importancia de cada variable.
 Ordenar variables: Esta opción determina si los gráficos que se crearán para cada
conglomerado (Por variable) o para cada variable (Por conglomerado).
 Medida de la importancia: Esta opción l permite seleccionar la medida de la
importancia de las variables que se va a representar en el gráfico. Chi-cuadrado o
prueba t de significación muestra un estadístico chi-cuadrado de Pearson como la
importancia de una variable categórica y un estadístico t como importancia de una
variable continua. Significación muestra uno menos el valor p para la prueba de igualdad
de las medias para una variable continua y la frecuencia esperada del conjunto de datos
global para una variable categórica.
 Nivel de confianza: Esta opción permite establecer el nivel de confianza para la
prueba de igualdad de la distribución de una variable dentro de un conglomerado frente
a la distribución global de la variable. Especifique un número inferior a 100 y superior o
igual a 50. El valor del nivel de confianza se muestra como una línea vertical en los
gráficos de la importancia de las variables, si los gráficos se crean por variable o si se
representa gráficamente la medida de la significación.
 Omitir variables no significativas. Las variables que no son significativas para el nivel
de confianza especificado no aparecen en los gráficos de la importancia de las
variables.

Al pulsar Resultados...

Estadísticos: Este grupo proporciona opciones para la presentación de tablas con los
resultados de la conglomeración. Se generan los estadísticos descriptivos y las frecuencias

67
de los conglomerados para el modelo de conglomerados final, mientras que la tabla de
criterio de información muestra los resultados correspondientes a varias soluciones de
conglomerados.

 Descriptivos por conglomerado: Muestra dos tablas que describen las variables de
cada conglomerado. En una tabla, se informa de las medias y las desviaciones típicas
para las variables continuas por conglomerado. La otra tabla informa de las frecuencias
de las variables categóricas por conglomerado.
 Frecuencias de los conglomerados: Muestra una tabla que informa del número de
observaciones existentes en cada conglomerado.
 Criterio de información (AIC o BIC): Muestra una tabla que contiene los valores de
AIC o BIC, dependiendo del criterio elegido en el cuadro de diálogo principal, para
diferentes números de conglomerados. Sólo se proporciona esta tabla cuando el número
de conglomerados se determina automáticamente. Si el número de conglomerados es
fijo, se ignora este ajuste y no se proporciona la tabla.

Conjunto de datos activo: Este grupo permite guardar las variables en el conjunto de
datos activo.
 Crear variable del conglomerado de pertenencia. Esta variable contiene un número
de identificación de conglomerado para cada caso. El nombre de esta variable es tsc_n,
donde n es un número entero positivo que indica el ordinal de la operación de
almacenamiento del conjunto de datos activo realizada por este procedimiento en una
determinada sesión.

Archivos XML: El modelo de conglomerados final y el árbol CF son dos tipos de archivos
de resultados que se pueden exportar en formato XML.
 Exportar modelo final: También se puede exportar el modelo de conglomerado final al
archivo especificado en formato XML (PMML). SmartScore y servidor de SPSS (un
producto independiente) pueden utilizar este archivo del modelo para aplicar la
información del modelo en otros archivos de datos con fines de puntuación.
 Exportar árbol CF: Esta opción permite guardar el estado actual del árbol de
conglomerados y actualizarlo más tarde utilizando nuevos datos.

 La primera parte de la salida del Visor es un informe sobre las posibles agrupaciones
en conglomerados.

Inicialmente el número de conglomerados adecuado es aquél que tiene un mayor BIC, pero
hay tramos del BIC decreciendo cuando crece el número de conglomerados, será necesario
considerar la tasa de cambio (no unitaria) del BIC simultáneamente con el propio BIC,
eligiendo como número de conglomerados el correspondiente a los mayores BIC y su tasa
de cambio simultáneamente.

68
Se forman tres conglomerados, cuya distribución de observaciones se muestra en la tabla:

Se observa que de los 157 casos totales, se excluyeron 5 del análisis debido al efecto de
los valores perdidos. De los 152 casos asignados a los clusters, 62 casos se asignaron al
primer cluster (40,8%), 39 casos al segundo cluster (25,7%) y 51 casos al tercer cluster
(33,6%). La última columna presenta los porcentajes respecto al número total de casos (sin
desaparecidos).

69
La tabla de frecuencias por tipo de vehículo (automóviles o camiones) clarifica las
propiedades de los clusters según los valores de la variable categórica considerada:
 El segundo cluster está formado exclusivamente por camiones
 El tercer cluster está formado exclusivamente por automóviles
 El primer cluster tiene un porcentaje alto de automóviles y 1 sólo camión (2,5% del total)

INTERPRETACIÓN GRÁFICA: Los gráficos por variables producen un gráfico separado

por cada cluster. Las variables se sitúan en el eje de ordenadas con valores decrecientes
en cuanto a su importancia en la formación de los clusters.
Las líneas verticales con guiones muestran los valores críticos para determinar la
significatividad de cada variable en la formación del cluster. Una variable es significativa si
el estadístico t-student excede la línea de guiones positiva o negativa. Las variables que
resulten significativas contribuyen a la formación del cluster.
Un valor negativo del estadístico t-student indica que la variable toma valores en el cluster
inferior a la media. Un valor positivo indica lo contrario.

Para el cluster 1 la variable

Consumo toma valores mayores
que su valor medio y el resto de
variables toma valores menores y
todas las variables tienen
importancia en la formación del
cluster porque alcanzan la línea
discontinua de la t-student.

Para el cluster 2 ocurre el

complementario, la variable
Consumo toma valores menores
que su valor medio, y las variables
Capacidad de combustible, Peso
neto, Base de neumáticos y
Tamaño del motor toman valores
mayores que su valor medio.

Las variables Anchura, Longitud,

Caballos y Precio en miles no
tienen importancia en la formación
del cluster porque no alcanzan la
línea discontinua de la t-student.

70
 Para el cluster 3 las variables
Caballos, Anchura, Longitud,
Tamaño del motor, Peso neto y
Precio en miles toman valores
mayores que su valor medio.

La variable Consumo toma valores

menores que su valor medio

No tienen importancia en la
formación del cluster, por no
alcanzar la línea discontinua de la
t-student, las variables Base de
neumáticos y Capacidad de
combustible.

INTERVALOS DE CONFIANZA PARA LAS MEDIAS EN VARIABLES CUANTITATIVAS

(Variación intra-conglomerado)

Se obtienen intervalos de confianza al 95% para las medias de las variables cuantitativas
en los tres conglomerados, divididos por una línea que indica la presencia o no de cada una
de las dos clases de la variable categórica.
Se presentan estos intervalos de confianza para las variables cuantitativas consideradas:

71
72
73
IMPORTANCIA SEGÚN VARIABLE CATEGÓRICA:

74
PERFILES DE CONGLOMERADOS:

75
SUPUESTO DE MERCADO: ANÁLISIS CLUSTER JERÁRQUICO
Se desea hacer un estudio de mercado sobre las preferencias de los consumidores al
adquirir un vehículo, para ello se dispone de una base de datos, ventas_vehiculos.sav,
de automóviles y camiones en los que figura una serie de variables como el fabricante,
modelo, ventas, etc.

El estudio de mercado se desea realizar sólo en automóviles de mayor venta y para ello
se utiliza el procedimiento Análisis de conglomerados jerárquico para agrupar los
automóviles de mayor venta en función de sus precios, fabricante, modelo y propiedades
físicas.

Primero se restringe el archivo de datos a los automóviles de los que se vendieron al

menos 100.000 unidades. Para ello, se selecciona los casos que cumplan esa condición
eligiendo Datos/Seleccionar casos

Como el estudio se va a realizar para los automóviles que se vendieron al menos 100.000
unidades se selecciona la opción Si se satisface la condición y en la opción se pone
ventas>100&tipo=0

76
En el Editor de datos (están tachados los casos para los que no se va a llevar a cabo el
análisis cluster) aparece una nueva variable filter_$ con dos valores (0 = “No
Seleccionado” y 1 = “Seleccionado”).

Se han seleccionado los modelos Cavalier(1), Malibu(2), Impala(3), Mustang(4), Taurus(5),

Focus(6), Civic(7), Accord(8), Grand Am(9), Corvelle(10) y Camry (11)

Seleccionada la muestra con la que se va a trabajar, se utiliza 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 cluster: Analizar/Clasificar/Conglomerados Jerárquicos...

En el campo de 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).
Los casos se etiquetan (opción no obligatoria) mediante la variable modelo.

Pulsando el botón Método...

El método del Vecino más próximo

es un enlace sencillo (salto mínimo).
Utiliza la mínima distancia/disimilitud
entre dos individuos de cada grupo
(útil para identificar atípicos).
Conduce a clusters encadenados.

El método de Ward y el método de la

media (enlace medio) son los menos
sensibles a outliers.

77
El método de cluster Vecino más próximo es apropiado 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 se debería realizar de nuevo el
estudio con un método distinto del cluster.

Se elige estandarizar en Puntuaciones Z por variable

Pulsando el botón Gráficos...

En el Visor de SPSS se obtienen las salidas:

El Historial de conglomeración muestra un resumen numérico de la solución del método

cluster utilizado.

En la primera etapa se unen los casos 8(Accord) y 11(Camry), 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 (Próxima etapa), donde se une
al cluster 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.

78
En la segunda etapa se unen los casos 6(Focus) y 7(Civic), porque son los que tienen la
segunda distancia más pequeña (1,579).
El grupo creado por 6 y 7 aparece de nuevo en la etapa 4 (Próxima etapa), donde se une al
cluster 1 (formado en la etapa 1). Por lo tanto en esta etapa se unen los grupos creados en
las etapas 2 y 1 y el grupo resultante formado por (6, 7, 8 y 11) aparece en la siguiente
etapa la 6.

El dendrograma es un resumen gráfico de la solución de cluster. 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.

De derecha a izquierda, el hueco entre 10 y 15 sugiere 6 clusters:

(8, 11) , (2, 9) , (3, 5) , (4) , (6, 7, 1) y (10)

 Se reinicia el proceso de Análisis de Conglomerados Jerárquicos entre 2-6

conglomerados.

Pulsando el botón Estadísticos... y el botón Métodos...

79
La salida del procedimiento en el Visor:

El historial de conglomeración, eligiendo el método del 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 se encuentra entre las etapas 5 y 6 (6 clusters), la segunda entre
8 y 9 (3 clusters) y la tercera entre 9 y 10 (2 clusters).

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 cluster primero contiene los automóviles más pequeños y el cluster segundo contiene
los coches más grandes.

80
 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 en 3 clusters:

Accord (8), Camry (11), Cavalier (1)

Focus (6), Civic (7), Corolla (10) (más pequeños y más baratos que los anteriores)
Malibu (2), Gran Am (9), Impala (3), Taurus (5), Mustang (4)

Concluyendo que 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

81
 ÍNDICE

Teoría Análisis Cluster ........................................................................ 1

Análisis Cluster No Jerárquico con SPSS .......................................... 25
Análisis Cluster Jerárquico con SPSS ................................................ 36
Análisis Cluster No Jerárquico/Jerárquico con SPSS ......................... 55
Análisis Cluster en Dos Etapas ........................................................... 63
Análisis Cluster Supuesto de Mercado ............................................... 76

82