You are on page 1of 8

EXAMEN FINAL

MARKETING II

Profesores: Juan Pablo Muñoz, Pablo Farías


Fecha: 9 de Julio de 2013
Duración: 80 minutos

Instrucciones: Escriba con letra clara y ordenada en el espacio asignado. Sea preciso y
utilice los conceptos adecuados.
Instructions: Write with clear and ordered letter in the assigned space. Be precise and use
the adequate concepts.

1. VERDADERO-FALSO (28 puntos)/ TRUE-FALSE (28 points)

Dos puntos por cada respuesta correcta, se descontarán dos puntos por cada respuesta
incorrecta. Two points for each correct answer; two points will be discounted for each
incorrect answer.

___F____En el Análisis Discriminante de tres grupos es posible derivar sólo una función
discriminante.
In three-group Discriminant Analysis it is possible to derive only one discriminant function.

___F____En el Análisis Discriminante, el valor del coeficiente para un predictor particular


no depende de los otros predictores incluidos en la función discriminante.
In Discriminant Analysis, the value of the coefficient for a particular predictor not depends
on the other predictors included in the discriminant function.

___F____ En el Análisis Discriminante, no hay multicolinealidad en las variables de


predicción.
In Discriminant Analysis, there is no multicollinearity in the predictor variables.

___F___ Con el fin de utilizar un Análisis Factorial, es importante que las variables estén
adecuadamente medidas en una escala ordinal o nominal.
In order to use Factor Analysis, it is important that the variables be appropriately measured
on an ordinal or nominal scale.

___F___ Para que el Análisis Factorial sea apropiado, las variables no deben estar
correlacionadas.
For the Factor Analysis to be appropriate, the variables must be uncorrelated.

___F___ El Análisis de Componentes Principales es adecuado cuando la preocupación


principal es identificar las dimensiones subyacentes y la varianza común es de interés.
Principal Components Analysis is appropriate when the primary concern is to identify the
underlying dimensions and the common variance is of interest.
___F___ La rotación afecta a las comunalidades y al porcentaje de la varianza total
explicada. Rotation affects the communalities and the percentage of total variance
explained.

___V___ El Análisis Factorial es una clase de procedimiento utilizado principalmente para


la reducción de datos y resumen.
Factor Analysis is a class of procedures primarily used for data reduction and
summarization.

___V___ El valor propio o autovalor representa la varianza total explicada por cada factor.
The eigenvalue represents the total variance explained by each factor.

___F___ El objetivo principal del Análisis de Conglomerados es clasificar objetos en


grupos relativamente heterogéneos.
The primary objective of Cluster Analysis is to classify objects into relatively
heterogeneous groups.

___V___ Los centroides representan los valores medios de los objetos contenidos en el
grupo en cada una de las variables.
The centroids represent the mean values of the objects contained in the cluster on each of
the variables.

___V___ La medida más comúnmente utilizada de similitud es la distancia euclídea


(euclideana) o su cuadrado. The most commonly used measure of similarity is the euclidean
distance or its square.

___F___ El estrés es una medida de bondad de ajuste, los valores más altos de estrés
indican un mejor ajuste.
Stress is a goodness-of-fit measure; higher values of stress indicate better fits.

__V___ El EMD y el Análisis de Conglomerados utilizan las mismas medidas de distancia


pero con diferente objetivo. MDS and Cluster Analysis use the same distance measures but
with a different objective.
2. ANÁLISIS FACTORIAL (20 puntos)
a) Calcule el porcentaje de varianza de los componentes obtenidos en la solución inicial de
un análisis de componentes principales (7 puntos):
Calculate the percentage of variance of the components obtained in the initial solution of a
principal components analysis (7 points):

Componente Valor propio % de Varianza


(Component) (Eigenvalue) (% of Variance)
1 4,20 60,00%
2 1,73 24,71%
3 0,30 4,29%
4 0,23 3,29%
5 0,21 3,00%
6 0,20 2,86%
7 0,13 1,86%

El porcentaje de varianza se calcula como el valor propio dividido por la suma de todos los valores
propios o por el total de variables (= 7).

b) Trace un gráfico de acumulación o de sedimentación (7 puntos). Draw a scree plot (7


points).

5.00

4.00

3.00

2.00

1.00

0.00
1 2 3 4 5 6 7

c) ¿Cuántos componentes deben extraerse? Explique su razonamiento (6 puntos).


How many components should be extracted? Explain your reasoning (6 points).

Basado en el gráfico de acumulación o sedimentación, 2 factores deben ser considerados, ya que es


después del factor 2 que la gráfica se aplana. Usando el criterio de valores propios > 1, dos factores
deben ser extraídos. Basado en el porcentaje de varianza, dos factores deben ser extraídos si el criterio
es varianza acumulada > 70%. Por lo tanto, es posible concluir que 2 factores deben ser extraídos.
3. EMD/MDS (12 puntos).
Usted recibe el siguiente output de un Escalamiento Multidimensional realizado por el Área
de Marketing de una empresa embotelladora de bebidas gaseosas:
You get the following output of a Multidimensional scaling (MDS) performed by the
Department of Marketing of a soft drinks bottling company:

Stress = 0,2532 RSQ = 0,297

a) Evalúe el ajuste del Escalamiento Multidimensional (6 puntos). Evaluate the fit of


multidimensional scaling (6 points).

El R cuadrado o coeficiente de determinación que en este caso es de 0,297, lo que indica que el mapa de
posicionamiento NO concuerda con los datos de entrada de similitud entre las marcas o que el mapa
explica SÓLO un 29,7% de la varianza en los datos de entrada (3 puntos).
El Stress es un indicador del error o desajuste entre las distancias entre las marcas en el mapa de
posicionamiento y el ordenamiento de los datos de entrada de similitud entre las marcas. En este caso,
el Stress es de 25,32% lo que puede ser considerado como un mal ajuste (3 puntos).

b) Cuantos pares de marcas fueron evaluados por los consumidores en este estudio (número
de comparaciones)? (6 puntos). How many pairs of objects were evaluated by consumers in
this study (number of comparisons)? (6 points).

n*(n-1)/2 = 6*5/2 = 15 pares de marcas fueron evaluados ( 6 puntos)


4. ANÁLISIS DE CONGLOMERADOS (10 puntos).
Usted recibe el siguiente output de un Análisis de Conglomerados realizado por el Área de
Marketing de la empresa:
You get the following output of a Cluster Analysis performed by the Department of
Marketing of the company:
a) Mencione el procedimiento de agrupamiento utilizado, explicando su respuesta (4
puntos). Mention the clustering procedure used, explaining your answer. (4 points).

Jerárquico (2 puntos), debido a que se clasifica la muestra en forma de un árbol jerárquico,


denominado dendograma (2 puntos).

b) Determine el número de conglomerados recomendables en este caso, indicando qué


elementos pertenecen a cada conglomerado y el porcentaje de cada conglomerado (6
puntos). Determine the recommended number of clusters in this case, indicating which
elements belong to each cluster and the percentage of each cluster (6 points).

En las dos últimas etapas los conglomerados se unen en distancias grandes. Por lo tanto, la solución de
3 conglomerados es la más apropiada en este caso.

Solución de 3 conglomerados:
Conglomerado 1 = 14,16,10,4,19,18 (8 casos, 40%) (2 puntos)
Conglomerado 2 = 2, 13,5,11,9,20 (6 casos, 30%) (2 puntos)
Conglomerado 3 = 3,8,6,7,12,1,17,15 (8 casos, 40%) (2 puntos)

4. ANÁLISIS DISCRIMINANTE (10 puntos).

El Banco Seguro realizó un Análisis Discriminante con una muestra de clientes de su


cartera, para predecir si los nuevos clientes del banco pertenecerían a las Categorías Prime
o No Prime, con el fin de asignar en forma más eficiente los beneficios y descuentos
preferenciales en tasas de interés y comisiones. Las variables discriminantes fueron el
Sueldo Mensual, la Edad, el Número de Productos y el Saldo Promedio. El output del
Análisis Discriminante se muestra a continuación: The Secure Bank performed a
Discriminant Analysis on a sample of the customers portfolio, to predict if the new
customers would belong to the Prime or Non Prime categories, in order to make a more
efficient assignment of preferential benefits and interests rates and commissions discounts.
The discriminant variables were the Monthly Income, the Age, the Number of Products and
the Mean Balance. The Discriminant Analysis output is shown below:

Coeficientes de las funciones canónicas discriminantes


Coefficients of the canonical discriminant function

Función/Function

Sueldo/Income -,264

Edad/age ,110

Productos/Products ,585

Saldo/Balance ,531

(Constante)/(Constant) -6,973

Coeficientes no tipificados/Non-standardized coefficients


Funciones en los centroides de los grupos
Functions in the groups centroids

Cliente Función/Function
Customer 1

Prime 1,323

No Prime -1,323

Funciones discriminantes canónicas no tipificadas


a) En base a estos resultados, se le solicita
evaluadas en las medias de los grupos/Non-standardized
clasificar a 4 nuevos clientes que tienen las canonical discriminant function evaluated in the means of

siguientes características, mostrando sus the groups.

cálculos (4 puntos). On the basis of these results, you are requested to classify 4 new
customers with the following characteristics, showing your calculations (4 points)

Cliente/Customer Sueldo/Income Edad/Age Productos/Products Saldo/Balance


1 4,0 50 5 2,0
2 3,5 45 4 1,5
3 3,0 30 3 1,0
4 2,0 35 2 0,5

Cálculo de Puntajes Discriminantes:

C1 = -6,973 -0,264 x 4,0 + 0,11 x 50 + 0,585 x 5 + 0,531 x 2,0 = +1,458


C2 = -6,973 -0,264 x 3,5 + 0,11 x 45 + 0,585 x 4 + 0,531 x 1,5 = +0,1895
C3 = -6,973 -0,264 x 3,0 + 0,11 x 30 + 0,585 x 3 + 0,531 x 1,0 = - 2,179
C4 = -6,973 -0,264 x 2,0 + 0,11 x 35 + 0,585 x 2 + 0,531 x 0,5 = - 2,215

(0,5 puntos cada puntaje correcto)

El punto de corte de la función discriminante es 0, por lo tanto, los clientes con puntaje discriminante
positivo o >0, serán pronosticados como clientes Prime y los clientes con puntaje discriminante negativo
o <0 serán pronosticados como clientes No Prime.

Clasificación de nuevos clientes/Classification of new customers

Cliente Grupo Pronosticado Grupo Real


Customer Predicted Group Real Group
1 Prime Prime
2 Prime Prime
3 No Prime No Prime
4 No Prime No Prime
(0,5 puntos cada clasificación correcta)
b) Determine la capacidad predictiva de la función discriminante, construyendo la tabla de
resultados de la clasificación (6 puntos). Determine the predictive capacity of the
discriminant function, constructing the classification results table. (6 points)

Tabla de Resultados de Clasificación (4 puntos)

Grupo Grupo Real


Pronosticado Prime No Prime
Prime 2 0
No Prime 0 2

La capacidad predictiva de la función discriminante es de 100% (4 clientes clasificados correctamente


de un total de 4). (2 puntos)