UNIVERSIDAD DE PUERTO RICO

RECINTO DE RIO PIEDRAS

FACULTAD DE ADMINISTRACION DE EMPRESAS
Instituto de Estadística y Sistemas Computadorizados de Información

Análisis Multivariante, usando R

Preparado por:
José Carlos Vega Vilca, Ph.D.
[email protected]
 José Carlos Vega, Ph. D.

UNIVERSIDAD DE PUERTO RICO

Recinto de Río Piedras

Manual de Trabajo del curso Análisis Multivariante Aplicado, ESTA 5503

José Carlos Vega Vilca

Tema 1.- Revisión del álgebra de matrices: Definición de matriz. Tipos de matrices. Operaciones
con matrices.

1.1) Generar las siguientes matrices que se solicitan a continuación:

a) Matriz A de orden 3 × 4
b) Matriz B de orden 4 × 4
c) Matriz C de orden 4 × 4
d) Matriz D de orden 4 × 4
e) Matriz E de orden 4 × 6
f) Matriz F de orden 6 × 3

1.2) Realizar las siguientes operaciones con matrices

a) 𝐴′
b) 𝐵 −1
c) 𝐵 + 𝐶
d) (𝐵 + 𝐶) + 𝐷
e) 𝐵 + (𝐶 + 𝐷)
f) 𝐵 + 𝐶 + 𝐷
g) 𝐵𝐶 − 𝐷
h) (𝐸𝐹)𝐴
i) 𝐸(𝐹𝐴)
j) 𝐸𝐹𝐴
k) (𝐸𝐹𝐴)−1
l) 𝐵′𝐶 𝐷−1
m) (𝐵 −1 + 𝐶 ′ − 𝐷)′
n) −2𝐵 + 5𝐶 + 2 𝐷−1

1
 José Carlos Vega, Ph. D.

Tema 2.- Revisión del algebra de matrices: Determinante e inversa. Valores y vectores propios.
Teorema de descomposición espectral. Manipulación de matrices mediante la
computadora.

2.1) Generar las siguientes matrices que se solicitan a continuación:

a) Matriz A de orden 4 × 4
b) Matriz simétrica B de orden 4 × 4
c) Matriz C de orden 4 × 4
d) Matriz simétrica D de orden 4 × 4

2.2) Realizar los siguientes cálculos

a) Determinante de A
b) Valores propios de A
c) Matriz diagonal que contiene los valores propios de A
d) Matriz de vectores propios de A
e) Determinante de B
f) Verificar que la matriz B es simétrica
g) Valores propios de B
h) Matriz diagonal V, que contiene los valores propios de B
i) Matriz G, de vectores propios de B
j) Multiplicar: 𝐺 𝑉𝐺′ y comparar con la matriz B

2
 José Carlos Vega, Ph. D.

Tema 3.- Conceptos básicos del análisis multivariante: Vector aleatorio. Matriz de datos. Vector
promedio. Matriz de covarianzas. Matriz de correlaciones. Operaciones de cómputo
mediante la computadora.

3.1) Considere la siguiente matriz de datos sobre el rendimiento de 10 empresas

Compañia X1 X2 X3
Citigroup 108 17 1484
General_Electric 152 17 750
American_Intl_Group 95 11 766
Bank_of_America 65 14 1110
HSBC_Group 63 10 1031
Exxon_Mobil 264 25 195
Royal_Dutch/Shell 265 18 194
BP 285 16 191
ING_Group 92 8 1175
Toyota_Motor 166 11 211

X1: ventas (miles de millones de dólares)

X2: utilidades (miles de millones de dólares)
X3: activos (miles de millones de dólares)

Mediante operaciones de matrices

1
a) Calcular el vector media 𝐱̅ = 𝑛 𝐗′𝐮
1
b) Calcular la matriz de datos centrada 𝐂 = 𝐗 − 𝑛 𝐮𝐮′𝐗
1
c) Calcular la matriz de varianzas y covarianzas 𝐒 = 𝑛−1 𝐂′𝐂

Mediante comandos de computadora

a) Calcular el vector media
b) Calcular la matriz de datos centrada
c) Calcular la matriz de varianzas y covarianzas
d) Calcular la matriz de correlaciones

3
 José Carlos Vega, Ph. D.

Tema 4.- Distribución Normal Multivariante: Función de densidad de la Distribución Normal

Bivariada y Multivariada, propiedades. Evaluación de la normalidad de una matriz de
datos. Operaciones de cómputo mediante la computadora.

Para probar la normalidad de una matriz de datos 𝐗 de orden 𝑛 × 𝑝, se presentan dos métodos
muy conocidos, estos son:
1) Prueba de normalidad de Mardia
2) Prueba de Normalidad gráfica de Gnanadesikan
Ambos procedimientos necesitan que la matriz de datos sea “data.frame”

PRUEBA DE NORMALIDAD DE MARDIA

mardia1=function(dat)
{n=dim(dat)[1]; p=dim(dat)[2]
u=rep(1,n)
D=scale(dat,scale=F)
mx=u%*%as.matrix(dat)*(1/n); s=var(dat)
si=solve(s)
G=D%*%si%*%t(D)
sesgo=sum(G^3)/n^2
kurtosis=sum(diag(G)^2)/n
kur=p*(p+2)
chi.cal=n*sesgo/6; gl=kur*(p+1)/6
z.cal=(kurtosis-kur)/(8*kur/n)^0.5

p1=pchisq(chi.cal,gl); q1=1-p1
p2=pnorm(z.cal); q2=1-p2

if(p1<q1) pval1=2*p1 else pval1=2*q1

if(p2<q2) pval2=2*p2 else pval2=2*q2

ses.sal=cbind(sesgo,chi.cal,pval1)
kur.sal=cbind(kurtosis,z.cal,pval2)

list(media=mx,var_cov=s,sesgo=ses.sal,kurtosis=kur.sal)

4
 José Carlos Vega, Ph. D.

PRUEBA DE NORMALIDAD GRAFICA: Johnson_Wichern

normplot=function(dat)
{ n=dim(dat)[1]; p=dim(dat)[2]
u=rep(1,n)
mx=u%*%as.matrix(dat)*(1/n); vx=var(dat)
d2=mahalanobis(dat,mx,vx)
d2=sort(d2)
a=seq((1-1/2),(n-1/2),by=1)
b=a/n
quant=qchisq(b,p)
plot(quant,d2,xlab="quantil chi-cuadrado",
ylab="distancia de Mahalanobis al cuadrado",
main="Plot de normalidad multivariada")
abline(0,1,col=2)
list(media=mx,var_cov=vx)
}

4.1) Con los datos del Ejemplo 4.14 (pag. 186). Evaluar la normalidad multivariada de un
conjunto de datos con 4-variables

4.2) Evaluar la normalidad de los datos “iris” de la base de datos en R, para la especie “setosa”

4.3) Evaluar la normalidad de los datos “iris” de la base de datos en R, para la especie
“versicolor”

4.4) Evaluar la normalidad de los datos “iris” de la base de datos en R, para la especie
“virginica”

5
 José Carlos Vega, Ph. D.

Tema 5.- Inferencias con datos multivariantes. Prueba de hipótesis de un vector de medias,
prueba de hipótesis de diferencia de dos vectores de media, prueba de hipótesis de no
igualdad de matrices de covavianzas

Hip.vm=function(dat,mu)
{ n=dim(dat)[1]; p=dim(dat)[2]
mx=colMeans(dat)
s=var(dat)
T2=n*mahalanobis(mx,mu,s)
Fcal=T2*(n-p)/((n-1)*p)
pval=1-pf(Fcal,p,(n-p))
calculos=data.frame(T2=T2,Fcal=Fcal,glNum=p,glDen=n-p,Pval=pval)
list(Prueba=calculos)
}

M.Box=function(dat)
{n=dim(dat)[1]
q=dim(dat)[2]; p=q-1
y=dat[,q]
r=table(y)
g=NROW(r)
datg=list(); Sg=list()
SS=matrix(0,p,p)
m2=0
for(i in 1:g)
{datg[[i]]=dat[y==i,-q]
Sg[[i]]=var(datg[[i]])
m2=m2+(r[i]-1)*log(det(Sg[[i]]))
SS=SS+(r[i]-1)*Sg[[i]]
}
Sp=SS/sum(r-1)
k=(p+1)*(g-1)
u1=sum(1/(r-1))-1/sum(r-1)
u2=(2*p^2+3*p-1)/(6*k)
u=u1*u2
m1=sum(r-1)*log(det(Sp))
M=m1-m2
C=(1-u)*M
v=p*k/2
pvalue=1-pchisq(C,v)
calculos=data.frame(M,C,gl=v,pvalue)
list(pooled=Sp,Prueba=calculos)

6
 José Carlos Vega, Ph. D.

Hip.2vm=function(dat1,dat2)
{ n1=dim(dat1)[1]; p=dim(dat1)[2]
n2=dim(dat2)[1]

mx1=colMeans(dat1); s1=var(dat1)
mx2=colMeans(dat2); s2=var(dat2)
sp=((n1-1)*s1+(n2-1)*s2)/(n1+n2-2)
S=sp*(1/n1+1/n2)

T2=mahalanobis(mx1,mx2,S)
Fcal=T2*(n1+n2-p-1)/((n1+n2-2)*p)
q=n1+n2-p-1
pval=1-pf(Fcal,p,q)
medias=rbind(mx1,mx2)
calculos=data.frame(T2=T2,Fcal=Fcal,glNum=p,glDen=q,Pval=pval)
list(Prueba=calculos)
}

7
 José Carlos Vega, Ph. D.

Tema 6.- Aplicaciones del Análisis de Componentes Principales (ACP). Análisis del
comportamiento de las empresas respecto a las variables: compensación, ventas,
utilidades y empleos. Uso de software estadístico. Interpretación de los resultados.

empresa X1 X2 X3 X4
1 450 4600.6 128.1 48000
2 387 9255.4 783.9 55900
3 368 1526.2 136.0 13783
4 277 1683.2 179.0 27765
5 676 2752.8 231.5 34000
6 454 2205.8 329.5 26500
7 507 2384.6 381.8 30800
8 496 2746.0 237.9 41000
9 487 1434.0 222.3 25900
10 383 470.6 63.7 8600
11 311 1508.0 149.5 21075
12 271 464.4 30.0 6874
13 524 9329.3 577.3 39000
14 498 2377.5 250.7 34300
15 343 1174.3 82.6 19405
16 354 409.3 61.5 3586
17 324 724.7 90.8 3905
18 225 578.9 63.3 4139
19 254 966.8 42.8 6255
20 208 591.0 48.5 10605
21 518 4933.1 310.6 65392
22 406 7613.2 491.6 89400
23 332 3457.4 228.0 55200
24 340 545.3 54.6 7800
25 698 22862.8 3011.3 337119
26 306 2361.0 203.0 52000
27 613 2614.1 201.0 50500
28 302 1013.2 121.3 18625
29 540 4560.3 194.6 97937
30 293 855.7 63.4 12300
31 528 4211.6 352.1 71800
32 456 5440.4 655.2 87700
33 417 1229.9 97.5 14600

8
 José Carlos Vega, Ph. D.

X1: compensación ejecutiva (miles de dólares)

X2: ventas (millones de dólares)
X3: utilidades (millones de dólares)
X4: número de empleos

5.1) Cálculo de los autovalores de la matriz de correlaciones

5.2) Cálculo de los autovectores de la matriz de correlaciones

5.3) Cálculo de los componentes principales

5.4) Cálculo de la media y varianza de cada uno de los componentes principales

5.5) Diagrama de dispersión de los dos primeros componentes principales. Explicar el

comportamiento de las empresas.

9
 José Carlos Vega, Ph. D.

Tema 7.- Aplicaciones del Análisis Factorial (AF). Análisis de un estudio de satisfacción de
clientes de una entidad bancaria. Uso de software estadístico. Interpretación de los
resultados.

Un estudio, con el objetivo de conocer la calidad de servicio de las Agencias Hipotecarias fueron
entrevistados 15 clientes que recientemente habían hecho su préstamo hipotecario y
respondieron a las siguientes preguntas:

X1: Las agencias pequeñas cobran menos que las grandes

X2: Las agencias pequeñas cometen menos errores que las grandes
X3: Los representantes de las agencias no necesitan ser corteses
X4: Es importantes ser conocido por la Agencia Hipotecaria
X5: Si soy tratado mal en una Agencia Hipotecaria, debo cambiar a otra

Los entrevistados respondieron siguiendo una escala de 0 a 9, indicando su “desacuerdo” –

“acuerdo”. Los datos están en la siguiente tabla:

cliente X1 X2 X3 X4 X5

1 0 3 0 7 7
2 5 3 7 3 2
3 9 9 4 9 9
4 7 7 9 0 0
5 3 0 1 6 6
6 6 1 4 5 2
7 5 4 3 6 3
8 1 3 1 7 7
9 5 5 9 1 1
10 7 1 5 4 2
11 8 7 3 9 9
12 3 0 2 6 4
13 3 2 8 2 1
14 7 8 2 8 8
15 0 2 0 7 8

6.1) Calcular la matriz de varianzas-covarianzas

6.2) Calcular la matriz de correlaciones

10
 José Carlos Vega, Ph. D.

6.3) Calcular los valores propios de la matriz de correlaciones

6.4) Calcular la matriz de vectores propios de la matriz de correlaciones

6.5) Estandarizar la matriz de datos

6.6) Mediante una multiplicación de matrices, calcular la matriz de componentes principales

6.7) Mediante el análisis de los valores propios, calcular la varianza acumulada de los
componentes principales.

6.8) Determinar el número de componentes adecuado para representar la matriz de datos

6.9) Hacer un gráfico de dispersión de los dos primeros componentes principales

6.10) Discutir los resultados

11
 José Carlos Vega, Ph. D.

Tema 8.- Aplicaciones del Análisis de Correlación Canónica (ACC). Análisis de efectividad de
vendedores mediante el estudio de asociación de variables de ventas y variables de
aptitud del vendedor. Uso de software estadístico. Interpretación de los resultados.

Una empresa ha seleccionado una muestra aleatoria de 50 personas de ventas y ha evaluado a

cada uno de ellos en 3 medidas de efectividad en las ventas y en 4 medidas de habilidad
académica del personal. Los datos son los siguientes:

vendedor X1 X2 X3 X4 X5 X6 X7
1 93.0 96.0 97.8 9 12 9 20
2 88.8 91.8 96.8 7 10 10 15
3 95.0 100.3 99.0 8 12 9 26
4 101.3 103.8 106.8 13 14 12 29
5 102.0 107.8 103.0 10 15 12 32
6 95.8 97.5 99.3 10 14 11 21
7 95.5 99.5 99.0 9 12 9 25
8 110.8 122.0 115.3 18 20 15 51
9 102.8 108.3 103.8 10 17 13 31
10 106.8 120.5 102.0 14 18 11 39
11 103.3 109.8 104.0 12 17 12 32
12 99.5 111.8 100.3 10 18 8 31
13 103.5 112.5 107.0 16 17 11 34
14 99.5 105.5 102.3 8 10 11 34
15 100.0 107.0 102.8 13 10 8 34
16 81.5 93.5 95.0 7 9 5 16
17 101.3 105.3 102.8 11 12 11 32
18 103.3 110.8 103.5 11 14 11 35
19 95.3 104.3 103.0 5 14 13 30
20 99.5 105.3 106.3 17 17 11 27
21 88.5 95.3 95.8 10 12 7 15
22 99.3 115.0 104.3 5 11 11 42
23 87.5 92.5 95.8 9 9 7 16
24 105.3 114.0 105.3 12 15 12 37
25 107.0 121.0 109.0 16 19 12 39
26 93.3 102.0 97.8 10 15 7 23
27 106.8 118.0 107.3 14 16 12 39
28 106.8 120.0 104.8 10 16 11 49
29 92.3 90.8 99.8 8 10 13 17

12
 José Carlos Vega, Ph. D.

30 106.3 121.0 104.5 9 17 11 44

31 106.0 119.5 110.5 18 15 10 43
32 88.3 92.8 96.8 13 11 8 10
33 96.0 103.3 100.5 7 15 11 27
34 94.3 94.5 99.0 10 12 11 19
35 106.5 121.5 110.5 18 17 10 42
36 106.5 115.5 107.0 8 13 14 47
37 92.0 99.5 103.5 18 16 8 18
38 102.0 99.8 103.3 13 12 14 28
39 108.3 122.3 108.5 15 19 12 41
40 106.8 119.0 106.8 14 20 12 37
41 102.5 109.3 103.8 9 17 13 32
42 92.5 102.5 99.3 13 15 6 23
43 102.8 113.8 106.8 17 20 10 32
44 83.3 87.3 96.3 1 5 9 15
45 94.8 101.8 99.8 7 16 11 24
46 103.5 112.0 110.8 18 13 12 37
47 89.5 96.0 97.3 7 15 11 14
48 84.3 89.8 94.3 8 8 8 9
49 104.3 109.5 106.5 14 12 12 36
50 106.0 118.5 105.0 12 16 11 39

X1: índice de crecimiento en las ventas

X2: índice de utilidad en las ventas
X3: índice de nuevas cuentas en las ventas
X4: puntaje en la prueba de creatividad
X5: puntaje en la prueba de razonamiento mecánico
X6: puntaje en la prueba de razonamiento abstracto
X7: puntaje en la prueba de matemáticas

7.1) Calcular la matriz de covarianzas de las variables de ventas del vendedor

7.2) Calcular la matriz de covarianzas de las variables de aptitud del vendedor

7.3) Calcular la matriz de correlaciones de las variables de ventas del vendedor

13
 José Carlos Vega, Ph. D.

7.4) Calcular la matriz de correlaciones de las variables de aptitud del vendedor

7.5) Calcular la matriz de covarianzas entre las variables de ventas y las variables de aptitud del
vendedor

7.6) Calcular los dos primeros pares de variables canónicas

7.7) Representar gráficamente los dos primeros pares de variables canónicas

7.8) Calcular la correlación entre las variables canónicas y las variables canónicas

14
 José Carlos Vega, Ph. D.

Tema 9.- Aplicaciones del Análisis Discriminante (AD). Análisis de clasificación de nuevos
clientes de una empresa. Análisis de admisión de estudiantes a una Escuela Graduada
de Negocios. Uso de software estadístico. Interpretación de los resultados.
Para probar la diferencia de matrices de varianzas-covarianzas, se usa la prueba M de Box
DOS CONJUNTOS DE DATOS
mbox=function(dat1,dat2)
{n1=dim(dat1)[1]; p=dim(dat1)[2]
n2=dim(dat2)[1]; g=2 #g:grupos
gl1=n1-1; gl2=n2-1
u1=1/gl1+1/gl2
u2=1/(gl1+gl2)
u3=(2*p^2+3*p-1)/(6*(p+1)*(g-1))
u=(u1-u2)*u3
s1=var(dat1); s2=var(dat2)
sp=(gl1*s1+gl2*s2)/(gl1+gl2)
m1=(gl1+gl2)*log(det(sp))
m2=gl1*log(det(s1))+gl2*log(det(s2))
M=m1-m2
C=(1-u)*M; v=p*(p+1)*(g-1)/2; gl=v
pvalue=1-pchisq(C,v)
calculos=cbind(M,C,gl,pvalue)
list(pooled=sp,Prueba=calculos)
}

TRES CONJUNTOS DE DATOS

MBox=function(dat1,dat2,dat3)
{n1=dim(dat1)[1]; p=dim(dat1)[2]
n2=dim(dat2)[1]; g=3 #g:grupos
n3=dim(dat3)[1]
gl1=n1-1; gl2=n2-1; gl3=n3-1
u1=1/gl1+1/gl2+1/gl3
u2=1/(gl1+gl2+gl3)
u3=(2*p^2+3*p-1)/(6*(p+1)*(g-1))
u=(u1-u2)*u3
s1=var(dat1); s2=var(dat2); s3=var(dat3)
sp=(gl1*s1+gl2*s2+gl3*s3)/(gl1+gl2+gl3)
m1=(gl1+gl2+gl3)*log(det(sp))
m2=gl1*log(det(s1))+gl2*log(det(s2))+gl3*log(det(s3))
M=m1-m2
C=(1-u)*M; v=p*(p+1)*(g-1)/2; gl=v
pvalue=1-pchisq(C,v)
calculos=cbind(M,C,gl,pvalue)
list(pooled=sp,Prueba=calculos)
}

15
 José Carlos Vega, Ph. D.

Un estudio para analizar la admisión de estudiantes a una Escuela Graduada de Negocios está
basado en el análisis de dos variables

X1: GPA
X2: GMAT

Admitidos No admitidos En espera

aplicante X1 X2 aplicante X1 X2 aplicante X1 X2
1 2.96 596 32 2.54 446 60 2.86 494
2 3.14 473 33 2.43 425 61 2.85 496
3 3.22 482 34 2.20 474 62 3.14 419
4 3.29 527 35 2.36 531 63 3.28 371
5 3.69 505 36 2.57 542 64 2.89 447
6 3.46 693 37 2.35 406 65 3.15 313
7 3.03 626 38 2.51 412 66 3.50 402
8 3.19 663 39 2.51 458 67 2.89 485
9 3.63 447 40 2.36 399 68 2.80 444
10 3.59 588 41 2.36 482 69 3.13 416
11 3.30 563 42 2.66 420 70 3.01 471
12 3.40 553 43 2.68 414 71 2.79 490
13 3.50 572 44 2.48 533 72 2.89 431
14 3.78 591 45 2.46 509 73 2.91 446
15 3.44 692 46 2.63 504 74 2.75 546
16 3.48 528 47 2.44 336 75 2.73 467
17 3.47 552 48 2.13 408 76 3.12 463
18 3.35 520 49 2.41 469 77 3.08 440
19 3.39 543 50 2.55 538 78 3.03 419
20 3.28 523 51 2.31 505 79 3.00 509
21 3.21 530 52 2.41 489 80 3.03 438
22 3.58 564 53 2.19 411 81 3.05 399
23 3.33 565 54 2.35 321 82 2.85 483
24 3.40 431 55 2.60 394 83 3.01 453
25 3.38 605 56 2.55 528 84 3.03 414
26 3.26 664 57 2.72 399 85 3.04 446
27 3.60 609 58 2.85 381
28 3.37 559 59 2.90 384
29 3.80 521
30 3.76 646
31 3.24 467

16
 José Carlos Vega, Ph. D.

8.1) ¿Existe homogeneidad de matrices de covarianzas entre estudiantes “admitidos” y “no

admitidos”?

8.2) ¿Existe homogeneidad de matrices de covarianzas entre estudiantes “admitidos” y “en

espera”?

8.3) ¿Existe homogeneidad de matrices de covarianzas entre estudiantes “no admitidos” y “en
espera”?

8.4) ¿Existe homogeneidad de matrices de covarianzas entre estudiantes “admitidos”, “no

admitidos” y “en espera”?

8.5) Calcular la función discriminante para clasificar estudiantes “admitidos” y “no adminitidos”

8.6) Calcular la función discriminante para clasificar estudiantes “admitidos”, “no admitidos” y
“en espera”

17
 José Carlos Vega, Ph. D.

Tema 10.- Aplicaciones del Análisis de Conglomerados (AC). Análisis de diseño de un plan de
incentivos para vendedores, considerando las dificultades de las distintas zonas de
ventas. Uso de software estadístico. Interpretación de los resultados.

El director de ventas de una cadena de tiendas de electrodomésticos está estudiando el plan de

incentivos para sus vendedores. Considera que los incentivos deben estar ajustados a las
dificultades de las diferentes zonas de ventas, siendo necesario fijar incentivos más altos en
aquellas zonas de ventas en que las condiciones de vida de sus habitantes hacen más difícil las
ventas. Por este motivo quiere determinar si las zonas de ventas se pueden segmentar en
grupos homogéneos respecto al equipamiento de los hogares.

zonas X1 X2 X3 X4 X5 X6

1 69.0 97.6 62.4 32.3 17.0 85.2

2 66.7 98.0 62.7 24.1 12.7 74.7
3 67.2 97.5 56.8 43.4 20.6 88.4
4 63.7 95.2 52.1 24.4 13.3 88.1
5 71.9 98.8 62.4 29.8 10.1 87.9
6 72.7 96.8 68.4 27.9 5.8 75.4
7 63.4 94.9 48.9 36.5 11.2 80.5
8 65.8 97.1 47.7 28.1 14.0 85.0
9 61.5 97.3 53.6 21.7 7.1 72.9
10 70.4 98.1 71.1 36.8 19.8 92.2
11 72.7 98.4 68.2 26.6 12.1 84.4
12 60.5 97.7 43.7 20.7 11.7 67.1
13 65.5 91.3 42.7 13.5 14.6 85.9
14 74.0 99.4 76.3 53.9 32.3 95.7
15 69.0 98.7 59.3 19.5 12.1 81.4
16 76.4 99.3 60.6 44.0 20.6 87.4
17 71.3 98.3 61.6 45.7 23.7 94.3
18 64.9 98.6 54.4 44.4 17.6 83.4

X1: porcentaje de hogares que poseen auto

X2: porcentaje de hogares que poseen cable TV
X3: porcentaje de hogares que poseen video

18
 José Carlos Vega, Ph. D.

X4: porcentaje de hogares que poseen microondas

X5: porcentaje de hogares que poseen lavaplatos
X6: porcentaje de hogares que poseen teléfono

9.1) Calcular la distancia euclidiana desde la zona 1 hacia las demás

9.2) Calcular la distancia de mahalanobis desde la zona 1 hacia las demás

9.3) Calcular la matriz de distancias euclidianas entre todas las zonas

9.4) Calcular la distancia de mahalanobis desde la zona 1 hacia las demás

9.5) Hacer un dendograma de las zonas, mediante el método enlace simple. ¿Cuántos grupos se
formaron?

9.6) Hacer un dendograma de las zonas, mediante el método enlace completo. ¿Cuántos grupos
se formaron?

9.7) Hacer un dendograma de las zonas, mediante el método enlace promedio. ¿Cuántos
grupos se formaron?

9.8) Hacer un dendograma de las zonas, mediante el método enlace de Ward. ¿Cuántos grupos
se formaron?

19
 José Carlos Vega, Ph. D.

REFERENCIAS

Ezequiel Uriel y Joaquín Aldás (2005) Análisis Multivariante Aplicado: Aplicaciones al Marketing,
Investigación de Mercados, Economía y Dirección de Empresas y Turismo. Thomson

Richard A. Johnson and Dean W. Wichern (2007). Applied Multivariate Statistical Analysis. Sixth edition.
Pearson, Prentice Hall.

Ezequiel Uriel Jimenez y Joaquin Aldas Manzano (2005). Análisis Multivariante Aplicado. Thomsom
Paraninfo, S.A.

Mardia, K.V., Kent, J.T. and Bibby, J.M. (2003). Multivariate Analysis (paperback). London: Academic Press.

Srivastava, M.S. (2002). Methods of Multivariate Statistics. New York: John Wiley.

20