Sección 01: Profesor Juan Pablo Muñoz Semestre Otoño 2010

Sección 02: Profesor Juan Pablo Muñoz 13 de Julio de 2010

PAUTA EXAMEN
MARKETING II

Instrucciones: Escriba con letra clara y ordenada, en el espacio asignado, sus

respuestas a las siguientes preguntas. Sea preciso y utilice los conceptos adecuados.

PARTE I: (40%)

1. ¿Cuáles son las diferencias y similitudes entre Escalamiento Multidimensional,

Análisis Factorial y Análisis Discriminante? (10 puntos)

Las dos primeras son técnicas de análisis multivariado de interdependencia, que no

distinguen entre variables dependientes e independientes, sino que se basan en el
análisis de las relaciones de interdependencia entre el conjunto de variables, en
cambio la tercera es una técnica de análisis multivariado de dependencia que
distingue entre variables dependientes e independientes. (2 puntos). El objetivo
principal del Escalamiento Multidimensional es el posicionamiento de marcas, el
objetivo principal del Análisis Factorial es la reducción de variables y el objetivo
principal del Análisis Discriminante es la segmentación de mercado o clasificación
de consumidores en diferentes grupos. (2 puntos). Los datos de entrada difieren en
cada caso. El Escalamiento Multidimensional requiere juicios de percepción o
preferencias sobre marcas competidoras en una categoría de producto o servicio
medidas en escala ordinal o de intervalo, el Análisis Factorial requiere evaluaciones
de atributos de un producto o servicio en escala de intervalo y el Análisis
Discriminante requiere conocer la pertenencia de una muestra de consumidores a los
grupos de clasificación en escala nominal y las características de las variables
discriminantes en escala de intervalo o de razón, para desarrollar una función
discriminante. (2 puntos) La similitud entre estas técnicas es que cuando se utilizan
enfoques basados en los atributoa para obtener los datos de entrada, las 3 técnicas se
pueden utilizar para posicionamiento de marcas. El Análisis Factorial puede obtener
el mapa de posicionamiento de las marcas, en base al promedio de los puntajes
factoriales para cada marca. El Análisis Discriminante puede obtener un mapa
espacial de las marcas al graficar las calificaciones discriminantes para las marcas,
en diferentes grupos por medio de una función discriminante. (4 puntos)

2. ¿Cuáles son las diferencias y similitudes entre Análisis Factorial y Análisis de

Conglomerados? (10 puntos)

Las dos son técnicas de análisis multivariado de interdependencia, es decir, no

distinguen entre variables dependientes e independientes, sino que se basan en el
análisis de las relaciones de interdependencia entre el conjunto de variables. (2
puntos) El objetivo principal de ambas técnicas es diferente. El Análisis Factorial
 tiene como objetivo principal, la reducción de variables o atributos en un número
menor de factores o componentes. El Análisis de Conglomerados tiene como
objetivo principal, la segmentación de mercado, al agrupar consumidores en
conglomerados o clusters homogéneos internamente. (2 puntos) Los datos de
entrada (input) pueden ser los mismos para ambas técnicas: la evaluación de
variables o atributos de un producto o servicio en escala de intervalo. (2 puntos). La
principal similitud entre estas técnicas es que ambas pueden utilizarse para
reducción de variables. El Análisis de Conglomerados puede agrupar variables o
atributos similares entre si, en un mismo cluster, en lugar de clasificar
consumidores. (4 puntos)

3. ¿Cuáles son las diferencias y similitudes entre Análisis de Conglomerados

Jerárquico, Análisis de Conglomerados de K-Medias y Análisis de
Conglomerados de Dos Pasos? Explique en qué situación utilizaría cada uno de
ellos. (10 puntos)

Los 3 son métodos alternativos de agrupación o conglomeración, que permiten

agrupar consumidores similares entre si, en clusters o conglomerados homogéneos
internamente, en base a la evaluación de atributos de un producto o servicio. (2
puntos) El Análisis de Conglomerados jerárquico clasifica a los consumidores en
forma de un árbol jerárquico, en cambio el Análisis de Conglomerados de K-Medias
y el de Dos Pasos, no establecen tal jerarquía, sino que clasifican a los consumidores
en torno a los centros o medias de las variables de agrupación en cada cluster. (2
puntos). El Análisis de Conglomerados de Dos Pasos, incorpora además de las
variables de agrupación, una o más variables nominales o categóricas de los
consumidores, para facilitar la clasificación. (2 puntos)
El Análisis de Conglomerados Jerárquico se utiliza cuando se desconocen a priori el
número de segmentos que existen en el mercado, ya que se puede solicitar un rango
de soluciones y luego decidir el número óptimo de segmentos. El Análisis de
Conglomerados de K-Medias se utiliza cuando se conoce a priori el número de
segmentos que existen en el mercado, ya que se debe solicitar un número específico
de segmentos. El Análisis de Conglomerados de Dos Pasos se utiliza cuando se
desconoce el número de segmentos que existen en el mercado, ya que entrega en
forma automática el número de segmentos. (4 puntos)

4. ¿Cuáles son las diferencias y similitudes entre Análisis de Conglomerados y

Análisis Discriminante? (10 puntos)

Ambas son técnicas de análisis multivariado para clasificación o segmentación de

mercado. (2 puntos) El Análisis de Conglomerados es una técnica de
interdependencia, en cambio el Análisis Discriminante es una técnica de
dependencia. (2 puntos). Los datos de entrada del Análisis de Conglomerados son
evaluaciones de los atributos de un producto o servicio, medidas en escala de
intervalo o de razón. Los datos de entrada del Análisis Discriminante son: la
pertenencia a los grupos en escala nominal o categórica y los valores de las variables
independientes o discriminantes en escala de intervalo o de razón. (2 puntos) El
Análisis de Conglomerados no requiere conocer la pertenencia previa de los
consumidores a los clusters o segmentos, ya que estos surgen de los datos. El
Análisis Discriminante requiere conocer la pertenencia previa de una muestra de
 consumidores a los grupos, para poder desarrollar una función discriminante que
prediga la pertenencia de otros consumidores a los grupos. (4 puntos)

PARTE II: ALTERNATIVAS Y COMPLETAR ORACIONES (20%)

Cada respuesta correcta vale 2 puntos.

En Análisis de Varianza, la variable dependiente es de intervalo o de razón y las

variables independientes son nominales o categóricas.

En Análisis Discriminante, la variable dependiente es nominal o categórica y las

variables independientes son de intervalo o de razón.

El gráfico de témpanos o de carámbanos es un gráfico que presenta el historial de

conglomeración del Análisis de Conglomerados Jerárquico. La presencia de una X
representa la unión entre dos casos y la etapa en la cual se unen.

El R² indica el porcentaje de varianza en los datos de entrada que es explicada por el

modelo de Escalamiento Multidimensional y valores mayores a 0,60 son considerados
aceptables.

En Análisis Factorial, la prueba estadística que se utiliza para estudiar la hipótesis de

que la matriz de correlación es igual a la matriz de identidad se llama Prueba de
Esfericidad de Bartlett.

En Análisis Factorial uno de los criterios para determinar el número de factores

relevantes, es que tengan un autovalor mayor que uno.

En Análisis Discriminante podemos obtener una idea de la importancia relativa de las

variables al analizar los  de Wilks. Cuando  tiende a uno podemos decir que las
medias del grupo no parecen diferentes.

En Análisis Factorial, la sumatoria de las cargas factoriales al cuadrado en forma

horizontal es igual a la comunalidad de extracción.

El Stress es una medida de desajuste entre las distancias percibidas entre las marcas y
las distancias físicas del mapa de posicionamiento obtenido mediante Escalamiento
Multidimensional.

El factor de corrección de poblaciones finitas se debe aplicar cuando el tamaño muestral

determinado originalmente, es mayor que el 10% de la población objetivo y su efecto es
reducir el costo del estudio de mercado.
CASO 1: Análisis Factorial (20 puntos)

A continuación se presenta parte del output de un Análisis Factorial realizado para los
CFT (Centros de Formación Técnica) que existen en Santiago. Las variables evaluadas
por una muestra de alumnos, fueron las siguientes:
1) Prestigio Educacional (PRES)
2) Infraestructura (INFRA)
3) Calidad de Vida Estudiantil (VEST)
4) Nivel de Profesores (PROF)
5) Ubicación de Sedes (UBIC)
6) Información en Página Web (WEIN)
7) Precios de Carreras (PREC)

En base al output, responda las siguientes preguntas:

a) ¿Es apropiado realizar un Análisis Factorial en este caso? Explique claramente

por qué si o por qué no? (2 puntos)
b) Complete el cuadro de Varianza Total Explicada y señale cuántos factores o
componentes relevantes existen en este caso y por qué? (2 puntos)
c) ¿Qué porcentaje de la varianza en las variables originales explican los factores o
componentes relevantes? (4 puntos)
d) ¿Cuál es la importancia relativa de los factores o componentes relevantes? (4
puntos)
e) Interprete la configuración del Mapa de Posicionamiento y explique claramente
cómo se obtuvo. (4 puntos)
f) ¿Qué recomendación le haría usted al CFT La Araucana para mejorar su
posicionamiento? (4 puntos)
 KMO y Prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer- ,884

Olkin.
Prueba de esfericidad de Chi-cuadrado aproximado 3909,966
Bartlett Gl 21

Sig. ,000

Varianza Total Explicada

Componente Sumas de las saturaciones al cuadrado de la

Autovalores iniciales extracción

%
Total % de la varianza % acumulado Total % de la varianza acumulado

3 ,593 8,473 75,564

dimension0
4 ,542 7,736 83,300

5 ,471 6,723 90,023

6 ,369 5,275 95,298

7 ,329 4,702 100,000

Método de extracción: Análisis de Componentes Principales.

Matriz de Componentesa

Componente

1 2

PRES ,798 -,214

INFRA ,828 -,145
VEST ,759 ,081
PROF ,805 -,185
UBIC ,740 ,063
WEIN ,732 ,136
PREC ,248 ,936

Método de extracción: Análisis de

Componentes Principales.
 Varianza Total Explicada

Componente Sumas de las saturaciones al cuadrado de la

Autovalores iniciales extracción

%
Total % de la varianza % acumulado Total % de la varianza acumulado

3 ,593 8,473 75,564

dimension0
4 ,542 7,736 83,300

5 ,471 6,723 90,023

6 ,369 5,275 95,298

7 ,329 4,702 100,000

Método de extracción: Análisis de Componentes Principales.

Matriz de Componentesa

Componente

1 2

PRES ,798 -,214

INFRA ,828 -,145
VEST ,759 ,081
PROF ,805 -,185
UBIC ,740 ,063
WEIN ,732 ,136
PREC ,248 ,936
a) Es apropiado realizar el Análisis Factorial en este caso, debido a que la
significancia de la Prueba de Esfericidad de Bartlett es igual a 0,000, lo que
implica rechazar la Hipótesis Nula de que las variables no están
correlacionadas entre sí, y aceptar la Hipótesis Alternativa de que las
variables están correlacionadas entre sí. El requisito para que el Análisis
factorial sea aplicable, es que las variables estén correlacionadas entre sí,
porque sólo de esta manera se pueden reducir las variables a un número
menor de factores o componentes. (1 punto)
Por otra parte, la medida de adecuación muestral de Kaiser-Meyer-Olkin
(KMO) es = 0,884 > 0,50, lo que indica que la muestra es adecuada para
aplicar el Análisis Factorial, ya que este índice compara la magnitud de los
coeficientes de correlación observados con la magnitud de los coeficientes de
correlación parcial. Por lo tanto, valores pequeños de KMO (< 0,50) indican
que las correlaciones entre los pares de variables, no pueden explicarse por
otras variables y que tal vez, el Análisis Factorial no sea adecuado. (1 punto)

b) La sumatoria de las comunalidades de extracción al cuadrado en sentido

vertical, es igual al Autovalor de cada factor o componente:
 Autovalor (C1) = 0,798²+0,828²+0,759²+0,805²+0,74²+0,732²+0,248²

Autovalor (C1) = 3,691

Autovalor (C2) = (-0,214)²+(-0,145)²+0,081²+(-0,185)²+0,063²+0,136²+0,936²

Autovalor (C2) = 1,006

La varianza explicada por cada factor o componente es igual al Autovalor

dividido por el número total de variables:

Varianza Explicada (C1) = 3,691/7 = 0,52727 (52,727%)

Varianza Explicada (C2) = 1,006/7 = 0,14365 (14,365%) (1 punto)

Varianza Total Explicada
Componente Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
Total % de la varianza % acumulado Total % de la varianza % acumulado

1 3,691 52,727 52,727 3,691 52,727 52,727

2 1,006 14,365 67,091 1,006 14,365 67,091

3 ,593 8,473 75,564

dimension0
4 ,542 7,736 83,300

5 ,471 6,723 90,023

6 ,369 5,275 95,298

7 ,329 4,702 100,000

Método de extracción: Análisis de Componentes principales.

En este caso, se pueden identificar 2 factores o componentes relevantes, ya

que 2 de ellos tiene un Autovalor mayor o igual que 1, es decir, hay 2
factores o componentes que equivalen al menos a una de las 7 variables
originales en términos de varianza explicada. (1 punto)

c) Los factores o componentes extraidos, explican un 67,091% de la varianza

en las variables originales = 52,727 + 14,365. (4 puntos)

d) La importancia relativa de los componentes extraídos es igual al porcentaje

que representa cada Autovalor, sobre la suma de los Autovalores de los
factores o componentes extraídos:

Importancia Relativa (C1) = 3,691/4,697 = 0,7858 (78,58%) (2 puntos)

Importancia Relativa (C2) = 1,006/4,697 = 0,2142 (21,42%) (2 puntos)

e) El Mapa de Posicionamiento muestra dos grupos de CFT, claramente
identificables: Un grupo de CFT con Baja Calidad Educacional y Bajos
Precios de las carreras en el cual están: Esucomex, Simón Bolívar, Los
Leones, Eurotec, La Araucana y un grupo de CFT con Alta Calidad
Educacional y Altos Precios de las carreras, en el cual están: Aiep, Santo
Tomás, Utem y Duoc. (2 puntos)
El CFT de mejor Calidad Educacional es el Duoc y el de peor Calidad
Educacional es Eurotec. El CFT de mayores Precios de las carreras es Utem
y el de menores Precios de las carreras es Esucomex. (2 puntos)

f) El CFT La Araucana actualmente tiene un posicionamiento de mediana

Calidad Educacional y Precios bajos de las carreras por lo que debería
reposicionarse hacia la derecha y hacia abajo, acercándose al grupo de
CFTde mejor Calidad Educacional y mayores Precios de las carreras. (2
puntos)
Para ello, La Araucana debe mejorar principalmente la Infraestructura y el
Nivel de los Profesores y subir el Precio de sus carreras, ya que tiene espacio
para hacerlo. (2 puntos)
CASO 2: Análisis Discriminante ( 20 puntos)

Una de las aplicaciones del Análisis Discriminante es evaluar la factibilidad de quiebra

o de solvencia económica de una serie de empresas en el tiempo. De esta forma, en base
a las siguientes 4 variables se determinó una función que predice la quiebra o solvencia
de una empresa.
X1 = flujo de caja/deuda total
X2 = ingreso neto/activos totales
X3 = activo corriente/deuda corriente
X4 = activo corriente/ventas netas
Los dos grupos se etiquetaron como 1= empresa en quiebra y 2= empresa solvente
Las tablas presentadas a continuación, fueron obtenidas luego de aplicar el Análisis
Discriminante en base a 46 empresas existentes en la bolsa chilena. La idea tras de esto
es poder tomar cualquier empresa y evaluar su factibilidad de quiebra o solvencia en
base a estos indicadores observables. En base a sus conocimientos de Investigación de
Mercados, y en particular de Análisis Discriminante, responda las siguientes preguntas.

1. ¿Cuál es la variable que menos discrimina la pertenencia a uno u otro grupo?

Justifique claramente su respuesta. (2 puntos)
2. ¿Cuáles son las variables que mejor discriminan entre empresas en quiebra y
empresas solventes? (2 puntos)
3. Calcule el punto o valor de corte de la función discriminante entre ambos
grupos. Señale con claridad sus cálculos. (4 puntos)
4. ¿Dónde quedaría clasificada una empresa que tiene los siguientes valores en las
variables? X1=0,12; X2=0,11; X3=1,14; X4=0,17 (4 puntos)
5. Calcule el porcentaje de aciertos de la función discriminante original y de
validación cruzada. (4 puntos)
6. Explique claramente en qué consiste la función discriminante de validación
cruzada. (4 puntos)
 Estadísticos de grupo

empresas en N válido (según lista)

quibera/empresas No
solventes Media Desv. típ. ponderados Ponderados
empresa en quiebra flujo caja/deuda total -,0690 ,21007 21 21,000
ingreso neto/activos
-,0814 ,14492 21 21,000
totales
activo corriente/deuda
1,3667 ,40534 21 21,000
corriente
activo corriente/ventas
,4376 ,21114 21 21,000
netas
empresa solvente flujo caja/deuda total ,2352 ,21691 25 25,000
ingreso neto/activos
,0556 ,04874 25 25,000
totales
activo corriente/deuda
2,5936 1,02312 25 25,000
corriente
activo corriente/ventas
,4268 ,16242 25 25,000
netas
Total flujo caja/deuda total ,0963 ,26112 46 46,000
ingreso neto/activos
-,0070 ,12395 46 46,000
totales
activo corriente/deuda
2,0335 1,00653 46 46,000
corriente
activo corriente/ventas
,4317 ,18415 46 46,000
netas

Pruebas de igualdad de las medias de los grupos

Lambda
de Wilks F gl1 gl2 Sig.
flujo caja/deuda total ,656 23,106 1 44 ,000
ingreso neto/activos
,690 19,765 1 44 ,000
totales
activo corriente/deuda
,623 26,610 1 44 ,000
corriente
activo corriente/ventas
,999 ,039 1 44 ,845
netas

Lambda de Wilks

Contraste de Lambda
las funciones de Wilks Chi-cuadrado gl Sig.
1 ,515 27,851 4 ,000

Coeficientes estandarizados de las

funciones discriminantes canónicas

Función
1
flujo caja/deuda total ,141
ingreso neto/activos
,457
totales
activo corriente/deuda
,713
corriente
activo corriente/ventas
-,219
netas
Coeficientes de las funciones canónicas discriminantes

Función
1
flujo caja/deuda total ,661
ingreso neto/activos
4,394
totales
activo corriente/deuda
,887
corriente
activo corriente/ventas
-1,179
netas
(Constante) -1,328
Coeficientes no tipificados

Resultados de la clasificaciónb,c

Grupo de pertenencia
empresas en pronosticado
quibera/empresas empresa empresa
solventes en quiebra solvente Total
Original Recuento empresa en quiebra 18 3 21
empresa solvente 1 24 25
% empresa en quiebra 85,7 14,3 100,0
empresa solvente 4,0 96,0 100,0
Validación cruzadaa Recuento empresa en quiebra 18 3 21
empresa solvente 2 23 25
% empresa en quiebra 85,7 14,3 100,0
empresa solvente 8,0 92,0 100,0
a. La validación cruzada sólo se aplica a los casos del análisis. En la validación cruzada,
cada caso se clasifica mediante las funciones derivadas a partir del resto de los casos.
b. Clasificados correctamente el 91,3% de los casos agrupados originales.
c. Clasificados correctamente el 89,1% de los casos agrupados validados mediante
validación cruzada.
Respuesta

1. La variable que menos discrimina corresponde a X 4, correspondiente a la relación de

activo corriente sobre ventas netas. Discrimina menos dado su alto p-value (0,845)
además de un bajo coeficiente en la función canónica discriminante estandarizada (-
0,219). Si bien no tiene el coeficiente más bajo de la canónica estandarizada, en
combinación con el alto p-value la transforma en la variable que menos discrimina. (2
puntos)

2. Las variables que mejor discriminan corresponden a X 2 y X3. Ambas poseen un alto
estadístico F, con un p-value bajo (0,000), además de poseer el coeficiente
estandarizado más alto de la función canónica discriminante (de 0,457 y 0,713
respectivamente). Si bien la variable X1 tiene un p-value bajo, su coeficiente en la
canónica estandarizada no es de relevancia, siendo el más bajo en magnitud. (2
puntos)

3. Se debe hacer calculando el valor de la función discriminante en ambos grupos, y

luego promediando a fin de obtener el valor de corte.
a. El valor de la función en el grupo 1 (en quiebra) corresponde a D1= -1,035,
que se obtiene de la multiplicación de la función canónica sin estandarizar
por las medias de los valores de las variables en el grupo 1.
b. El valor de la función en el grupo 2 (solventes) corresponde a D2= 0,869, que
se obtiene de la multiplicación de la función canónica sin estandarizar por las
medias de los valores de las variables en el grupo 2.
c. Finalmente, el punto de corte se obtiene a través del promedio de D1 y D2, a
saber (D1 + D2) / 2 = (-1,035 + 0,869) / 2 = -0,083 (4 puntos)

4. Una empresa con esos valores en las variables quedará con un puntaje de D = 0,045;
que es superior al punto de corte, por lo que quedaría clasificado en el grupo 2 como
una empresa solvente. (4 puntos)

5. Las empresas correctamente clasificadas son 18 en el grupo 1 y 24 en el grupo 2,

sobre un total de 46 empresas. De esta forma, quedan clasificadas correctamente (18
+ 24) / 46 = 91,3%. (2 puntos)
Usando el criterio de validación cruzada, el porcentaje disminuye a (18 + 23) / 46 =
89,1%, que sigue siendo importante. (2 puntos)

6. La función discriminante de validación cruzada consiste en estimar la función

discriminante dejando un caso distinto de la muestra afuera en cada oportunidad y
luego, clasificar el caso que quedó fuera, en base a la función discriminante generada
con el resto de los casos. (4 puntos)