Análisis Cluster

1. Introducción
El Análisis Cluster (o de conglomerados) tiene como objetivo formar g grupos de in-
dividuos con caracterı́sticas similares con respecto a determinadas variables. Para ello, se
cuenta con una matriz de datos X de dimensión n × m cuyas filas y columnas representan
las observaciones y las variables, respectivamente. La diferencia fundamental con respecto
al análisis discriminante (que se estudiará en el próximo tema) es que no se conocen de
antemano el número de grupos en los que se divide a la población, ni el valor de la variable
que identifica cada grupo. Es por ello que el análisis cluster también recibe el nombre de
“clasificación no supervisada” al no existir una muestra de elementos previamente clasi-
ficados en grupos que sirva de pauta como en el caso del análisis discriminante (también
llamado “clasificación supervisada”).
La idea básica es, a partir de un conjunto de individuos, crear grupos excluyentes y
exhaustivos tales que:

Los individuos de cada grupo sean lo más parecidos que sea posible (homogeneidad
interna).

Los grupos sean lo más diferentes que sea posible (heterogeneidad entre grupos).

A la hora de preparar los datos es frecuente que las variables vengan en diferentes
unidades de medida. En ese caso conviene normalizarlas, aunque no se debe abusar de esta
técnica puesto que al homogeneizar la varianza de todas las variables podemos mermar la
“capacidad clasificatoria” de alguna variable con gran variabilidad natural.
Otra circunstancia no deseable es que las variables se encuentren correladas. En ese
caso será preferible recurrir previamente a alguna técnica como el análisis factorial o
el análisis de componentes principales que sintetice la información, proporcionándonos
variables incorreladas. Además es conveniente corregir el problema de los atı́picos ya que
distorsionarı́an la generación de cluster.
Existen dos tipos de análisis cluster: jerárquico y no jerárquico. En el análisis no
jerárquico se ha de definir el número de grupos a crear mientras que en el jerárquico se
construye una especie de jerarquı́a en función de la similitud/distancia de los datos y se
obtiene una posible clasificación para cualquier número de grupos entre uno y el tamaño
de la muestra.

2. Análisis Cluster jerárquico

A la hora de realizar análisis cluster jerárquico hay que definir cuidadosamente la
forma de medir las distancias entre las observaciones. Cuando se trabaja con variables
contı́nuas se suele trabajar con distancias euclı́deas, pero también es posible recurrir a
otras distancias como la de Mahalanobis, la de Minkoswski o la de Tchebychev. Cuando
las variables que se utilizan son binarias u ordinales, se puede recurrir a otro tipo de

1
distancias como la de Gower (no obstante, en este curso trataremos sólo con variables
contı́nuas y nos centraremos en las distancias euclı́deas).
Como ya se ha mencionado previamente, los métodos de clasificación jerárquica no
producen una clasificación en un número determinado de clusters en un único paso, sino
que configuran grupos con estructura arborescente de forma que clusters de niveles más
bajos van siendo englobados en otros de niveles superiores.
Los pasos a seguir para realizar un Análisis Cluster Jerárquico son los siguientes:

i) Se parte de tantos grupos como observaciones.

ii) Se genera una matriz de dimensión n × n que indique las distancias entre todos los
pares de observaciones (esta distancia debe haber sido definida con anterioridad).

iii) Se agrupan las dos observaciones (o clusters) más próximas. Con esto, el número de
clusters existentes es uno menos que en el paso anterior.

iv) Se vuelve a obtener una matriz de distancias con los clusters formados en el paso
anterior. Obsérvese que para obtener esta nueva matriz, es necesario elegir un método
de cálculo de distancias entre clusters.

v) Repetir los pasos iii) y iv) hasta que todas las observaciones están agrupadas en un
solo cluster.

Observemos que es necesario definir con claridad, tanto la distancia entre observaciones,
como la distancia entre clusters o grupos de observaciones. Por lo tanto, bajo este esquema
y con un mismo conjunto de datos, variando esas dos definiciones se podrán obtener
múltiples clasificaciones diferenciadas.

2.1. Métodos para calcular la distancia entre dos clusters

Supongamos que tenemos una agrupación denominada Ck formada por las observacio-
nes xk,1 , . . . , xk,nk y otra agrupación C` formada por las observaciones x`,1 , . . . , x`,n` los
métodos más comunes para calcular las distancias entre clusters son:

Enlace Simple o del vecino más cercano: la distancia entre dos clusters viene dada
por la distancia mı́nima entre observaciones de distintos grupos, o en otras palabras,
la distancia entre las observaciones más cercanas pertenecientes a distintos grupos:

Dk,` = mı́n dist(xi , xj )

i∈Ck
j∈C`

Tiende a crear grupos con muchas observaciones y alargados, que pueden incluir
elementos muy distintos en los extremos.

Enlace Completo o del vecino más alejado: la distancia entre dos clusters viene dada
por la distancia máxima entre observaciones de distintos grupos, o en otras palabras,
la distancia entre las observaciones más alejadas pertenecientes a distintos grupos:

Dk,` = máx dist(xi , xj )

i∈Ck
j∈C`

Los grupos obtenidos con este método son más compactos que los obtenidos con el
método del vecino más próximo.

2
 Enlace medio: la distancia entre dos clusters viene dada por la distancia media entre
observaciones de distintos grupos:
1 X
Dk,` = dist(xi , xj )
nk n`
i∈Ck
j∈C`

Los grupos ası́ formados tienen varianza similar y pequeña.

Distancia entre centroides: la distancia entre dos clusters viene dada por la distancia
entre los centroides de cada grupo, que representarán el vector medio obtenido en
las m variables para todos los individuos que formen parte del grupo:

Dk,` = dist(x¯k , x¯` )

Distancia de Ward o de la mı́nima varianza: en este caso, la distancia a minimizar

viene dada por:
nk n`
Dk,` = (x¯k − x¯` )0 (x¯k − x¯` )
nk + n`
Esta distancia permite seleccionar, entre todas las uniones de cluster posibles, aquella
unión que minimiza la variabilidad interna de los cluster resultantes:
g X
X nk
W = (xk,i − x¯k )0 (xk,i − x¯k )
k=1 i=1

Los valores de W pueden ser de utilidad a la hora de determinar el número de

clusters. Este método tiende a generar conglomerados pequeños y equilibrados en
tamaño.

Ahora parece lógico preguntarse: ¿Cómo determinar en cada caso cuál es el método
de agrupación más adecuado? No existe una respuesta exacta a esta pregunta, aunque
los tres últimos son los más utilizados. Siempre es conveniente estudiar varios métodos y
tomar una decisión en función de los resultados que se obtengan. Si varios métodos nos
dan agrupaciones similares, se puede pensar que existe una forma natural de formarse
grupos de observaciones.

Ejemplo 1 En este ejemplo veremos como aplicar los tres primeros métodos en la reali-
zación de un análisis cluster. Supóngase que contamos con 4 datos A, B, C y D tales que
su distancia (para aplicar los dos últimos métodos es necesario contar con el valor de las
observaciones) está contenida en la siguiente matriz:

A B C D
A 0 1 4 2,5
B 1 0 2 3
C 4 2 0 4
D 2,5 3 4 0

Enlace Simple: El valor mı́nimo fuera de la diagonal es 1 por lo que deberemos unir
A y B. A continuación, debemos recalcular las distancias:

) AB C D
d(AB, C) = mı́n{dist(A, C), dist(B, C)} = mı́n{4, 2} = 2 AB 0 2 2,5
d(AB, D) = mı́n{dist(A, D), dist(B, D)} = mı́n{2,5, 3} = 2,5 C 2 0 4
D 2,5 4 0

3
 A continuación, la distancia mı́nima es 2, por lo que debemos unir AB y C. La
distancia de este cluster a la observación D es:

d(ABC, D) = mı́n{dist(AB, D), dist(C, D)} = mı́n{2,5, 4} = 2,5

Finalmente, agregamos D al cluster ABC. Es importante conservar el orden y las

distancias derivadas del análisis para obtener el dendrograma, que es un gráfico que
explicaremos en la siguiente sección.

Enlace Completo: El valor mı́nimo fuera de la diagonal es 1 por lo que de nuevo

unimos A y B. A continuación, debemos recalcular las distancias:

) AB C D
d(AB, C) = máx{dist(A, C), dist(B, C)} = máx{4, 2} = 4 AB 0 4 3
d(AB, D) = máx{dist(A, D), dist(B, D)} = máx{2,5, 3} = 3 C 4 0 4
D 3 4 0

A continuación, la distancia mı́nima es 3, por lo que debemos unir AB y D. La

distancia de este cluster a la observación C es:

d(ABD, C) = máx{dist(AB, C), dist(D, C)} = máx{4, 4} = 4

Finalmente, agregamos C al cluster ABD.

Enlace medio: El valor mı́nimo fuera de la diagonal es 1 por lo que de nuevo unimos
A y B. A continuación, debemos recalcular las distancias:

1 1
 AB C D
d(AB, C) = (dist(A, C) + dist(B, C)) = (4 + 2) = 3 
AB 0 3 2,75

2 2
1 1  C 3 0 4
d(AB, D) = (dist(A, D) + dist(B, D)) = (2,5 + 3) = 2,75
2 2 D 2,75 4 0

A continuación, la distancia mı́nima es 2,75, por lo que debemos unir AB y D. La

distancia de este cluster a la observación C es:
1 1 10
d(ABD, C) = (dist(A, C) + dist(B, C) + dist(D, C)) = (4 + 2 + 4) =
3 3 3
Finalmente, agregamos C al cluster ABD.

2.2. El Dendrograma
El dendrograma es el gráfico más frecuente en análisis cluster jerárquico, pues permite
plasmar el proceso de aglomeración y formación de grupos junto con la distancia entre
cada dos grupos unidos en una gráfica.
El dendrograma se construye como sigue:
1. En la parte inferior del gráfico se disponen los n elementos iniciales.

2. Las uniones entre elementos se indican a partir de tres lı́neas rectas. Dos dirigidas a
los elementos que se unen, y que son perpendiculares al eje de los elementos, y una
paralela a este eje, que se sitúa al nivel que se unen (este nivel puede representar la
distancia o algún otro estadı́stico que veremos más adelante).

3. El proceso se repite hasta que todos los elementos estén conectados por estas lı́neas
rectas.

4
 The SAS System 10:28 Friday, November 13, 2015 1 The SAS System 10:28 Friday, November 13, 2015 2

The CLUSTER Procedure The CLUSTER Procedure The CLUSTER Procedure

Single Linkage Cluster Analysis Complete Linkage Cluster Analysis Average Linkage Cluster Analysis

Cluster History Cluster History Cluster History

Number Number Number

of Clusters Min of Clusters Maximum of Clusters RMS
Clusters Joined Freq Dist Tie Clusters Joined Freq Distance Tie Clusters Joined Freq Distance Tie

3 A B 2 1 3 A B 2 1 3 A B 2 1

2 CL3 C 3 2 2 CL3 D 3 3 2 CL3 D 3 2.7613

1 CL2 D 4 2.5 1 CL2 C 4 4 1 CL2 C 4 3.4641

Cluster Analysis Cluster Analysis Cluster Analysis

2.5 4

2.0

Maximum Distance Between Clusters

Average Distance Between Clusters

Minimum Distance Between Clusters
3

1.5 The SAS System 10:28 Friday, November 13, 2015 5

The SAS System 10:28 Friday, November 13, 2015 4 2
The CLUSTER Procedure
2
The CLUSTER Procedure Ward's Minimum Variance Cluster Analysis
Centroid Hierarchical Cluster Analysis
1.0 Cluster History
Cluster History
Between
Number Number 1 Cluster
of Clusters Centroid of Clusters Semipartial Sum of
Clusters Joined Freq 1 Distance Tie Clusters Joined Freq R-Square R-Square Squares Tie
0.5
3 A B 2 1 3 A B 2 0.0383 .962 0.5

2 CL3 D 3 2.7157 2 CL3 D 3 0.3764 .585 4.9167

1 CL2 C 4 3.1929 1 CL2 C 4 0.5853 .000 7.6458

0.0 0 0
A B C D
Cluster Analysis
A B D Cluster
C A
Analysis B D C
8
3
Distance Between Cluster Centroids

Between-Cluster Sum of Squares

6

1
2

0 0
A B D C A B D C

Figura 1: Dendrogramas del análisis cluster jerárquico sobre los datos del Ejemplo 1 para
distintos tipos de distancias

Este diagrama nos puede ayudar a determinar en qué momento del proceso de agrupa-
ción nos deberemos detener pues, si cortamos el dendrograma a un nivel dado, obtenemos
una clasificación del número de grupos existentes a ese nivel y los elementos que los forman.

Ejemplo 2 La Figura 1 muestra los dendrogramas obtenidos al aplicar análisis cluster

jerárquico sobre los datos del Ejemplo 1 utilizando los 5 métodos explicados: enlace simple,
enlace completo, enlace medio, distancia entre centroides y distancia de Ward. Nótese que
el eje vertical no representa lo mismo en los cinco gráficos, sino que se representa la medida
empleada para la realización de los clusters. Como ya se vió en el ejemplo 1, el orden no
coincide para todos los métodos.

2.3. Procedimientos para determinar el número adecuado de grupos

Después de llevar a cabo análisis Cluster, el paso siguiente es determinar el número
real de grupos existentes en nuestros datos. Recordemos que nuestro objetivo es formar
grupos lo más homogéneos “dentro de sı́” y lo más diferentes “entre sı́”. Para medir esto,
la variabilidad total de los datos la dividiremos en dos partes: la que mide la variabilidad
dentro de los grupos y la que mide la variabilidad entre los grupos:
m X
X n
Variabilidad total: T = (xij − x̄i )2
i=1 j=1
m X
X
Variabilidad dentro del cluster k: Wk = (xij − x̄i k )2
i=1 j∈Ck
g
X
Variabilidad total intra-clusters: W = Wk
k=1
m X
X g
Variabilidad total entre-clusters: E = (x̄i k − x̄i )2
i=1 k=1

donde xij es la j-ésima observación de la variable i-ésima y x̄i y x̄i k son la media de la
variable i-ésima para el conjunto total de individuos y para el cluster k-ésimo, respectiva-

5
mente. Nótese que T = W + E.
Obviamente, el número de grupos no puede estimarse a partir de un criterio de mini-
mización de la variabilidad interna, ya que la forma de alzanzar este objetivo consiste en
hacer tantos grupos como observaciones, con lo que Wk = W = 0 ∀k.
Algunos indicadores que nos ayudarán en la decisión son:

R2 : se define como la proporción de variabilidad explicada por los cluster creados y

viene dada por:
E W
R2 = =1−
T T
R2 -semiparcial: se define como la diferencia entre la proporción de variabilidad ex-
plicada con ` cluster o con k (` > k).

SP RSQ = R`2 − Rk2

Pseudo Test de la T: se basa en la idea de que si las medias de dos agrupamien-

tos diferentes no son significativamente diferentes, entonces esos dos agrupamientos
podrı́an combinarse sin que la variabilidad dentro del cluster resultante fuese signifi-
cativamente superior, pero si la diferencia entre esas medias es significativa, entonces
los agrupamientos no deben combinarse.
Ası́, si en una fase se agrupan los cluster k y ` para formar el cluster m, dentro de
este último cluster la dispersión interna serı́a mayor que la suma de las dispersiones
de los dos cluster k y ` de forma aislada.

W m − Wk − W `
P seudo − T 2 = Wk +W`
nk +n` −2

En la práctica, buscaremos cuando se produce un máximo relativo o un incremento

excesivo (supongamos que para r cluster) y en ese caso se aconsejarı́a rechazar el
agrupamiento en esa fase y recomendar la clasificación en r + 1 cluster.

Pseudo F: este criterio compara la dispersión entre cluster con la dispersión dentro
de los cluster. Lo que se pretende es que este cociente sea máximo. Por esta razón,
buscaremos máximos relativos o incrementos importantes del valor de este pseudo-
estadı́stico. El cálculo del mismo viene dado por:

E
g−1
P seudo − F = W
n−g

Criterio Cúbico (CCC): este criterio, introducido por Searle, se aplica sólo si los
datos se extraen de coordenadas y no es apropiado si el método es el enlace simple.
Se puede representar gráficamente frente al número de agrupamientos para diversas
selecciones de este último. Como con el pseudo-F, los picos o máximos relativos
corresponden a números apropiados de agrupamientos.

3. Análisis Cluster no jerárquico

Como ya se ha comentado, en el análisis cluster no jerárquico es necesario fijar de
antemano el número de grupos en que se pretende dividir las observaciones. Las técnicas
de agrupación siguen básicamente los siguientes pasos:

6
 1. Seleccionar g observaciones como centroides iniciales de los clusters a construir, sien-
do g el número deseado de clusters.

2. Asignar cada una de las observaciones restantes al cluster cuyo centroide esté más
próximo.

3. Recalcular los centroides de los clusters y reasignar cada observación a uno de los g
clusters.

4. Parar si no se reasignan observaciones a un grupo distinto del de partida, si el cambio

en los centroides de los clusters es despreciable, o si se ha alcanzado el número
máximo de iteraciones. En caso contrario, volver a 3.

Los métodos para realizar agrupaciones se diferencian entre sı́ principalmente por el
modo de escoger los centroides iniciales. Algunos de los métodos utilizados para este fin
son:

Seleccionar las g primeras observaciones con datos no-missing.

Seleccionar la primera observación como primer centroide. El segundo centroide será

aquella observación cuya distancia al primer centroide sea tan grande como una dis-
tancia seleccionada previamente. El tercer centroide, la observación cuya distancia
a los dos primeros centroides sea mayor que la distancia seleccionada. Y ası́ sucesi-
vamente. Es el método empleado en SAS por defecto.

Seleccionar aleatoriamente g observaciones con datos conocidos.

Elegir centroides que estén entre sı́ lo más lejanos posible.

Utilizar centroides que proporcione el investigador.

Una vez que se han identificado los centroides, se pueden formar los Clusters iniciales
asignando cada una de las n − g observaciones restantes al cluster correspondiente al
centroide más próximo, como ya se ha indicado previamente.
El algoritmo presentado puede ser modificado ligeramente en cuanto a la forma de
reasignar observaciones. La principal diferencia consiste en el momento en el que se re-
calculan los centroides de los clusters: se puede realizar cada vez que se reasigna una
observación (por lo que cambiará el centroide del cluster de origen y el de destino) o se
puede realizar una vez se hayan reasignado TODAS las observaciones.
Por lo tanto, combinando los distintos métodos de selección de centroides iniciales y
de reasignación de observaciones, se pueden desarrollar un gran número de algoritmos de
clusters no jerárquicos.

3.1. Procedimientos para determinar el número adecuado de grupos

Algunos de los procedimientos vistos para análisis jerárquico, como el Pseudo-F o el
CCC (aunque no el Pseudo-T), son también válidos para análisis cluster no jerárquico.
Otro procedimiento útil para este propósito es el test F de Beale que nos permitirá decidir
entre dos agrupaciones con distinto número de grupos.
Si estamos decidiendo entre dos agrupaciones, una de ellas con c1 grupos y otra con
c2 grupos (c1 > c2 ), sabemos que la ordenación con mas grupos será más homogénea (la
suma de cuadrados de los errores dentro de los grupos será inferior). A cambio, el hecho
de tener más grupos dificultará su interpretabilidad (principio de parsimonia). Por esta

7
razón, es conveniente comprobar si el incremento de la suma de cuadrados de los errores
dentro de los grupos no es muy grande, en cuyo caso compensará quedarnos con c2 grupos.
Sean Wc1 y Wc2 las sumas de los cuadrados de las distancias entre cada observación y
el centroide del grupo en el que ha sido asignada (tal y como se definieron para el análisis
jerárquico). El estadı́stico F ∗ de Beale se calcula como:
2
−
∗ W c2 − W c1 (n − c1 )c1 m
F =
Wc1 −2 −2
(n − c2 )c2 m − (n − c1 )c1 m
y se distribuye como una ley F 2
−m 2
−m 2
−m . Por lo que si F ∗ es
(n−c2 )c2 −(n−c1 )c1 ,(n−c1 )c1
mayor que el punto crı́tico de la F con esos grados de libertad, entonces se elegirı́a la
agrupación con mayor número de grupos ya que las diferencias de la variabilidad interna
serı́an significativas.

4. Caracterización de los clusters

Una vez que se ha decidido la partición de los clusters, el siguiente paso consistirá en
caracterizarlos. Esta caracterización se debe realizar en dos sentidos:

Por un lado, se debe realizar un análisis descriptivo sobre las variables activas utili-
zadas en el análisis, con lo que se determinarán las medias y varianzas de todas las
variables. Ello nos permitirá una primera caracterización.

Por otro lado, utilizaremos otras variables (suplementarias) que pueden ser categóri-
cas o continuas y que nos permitirán explicar las variabilidades en cada grupo en
base a otro tipo de criterios (sociodemográficos, fı́sicos, etc.). En el caso de que sean
categóricas evaluaremos la proporción de cada categorı́a presente en cada agrupa-
ción.

De forma conjunta se pueden examinar todas las caracterı́sticas utilizando análisis

discriminante, siendo el cluster al que pertenece la variable dependiente y utilizando el
resto como explicativas o discriminantes.
También se puede aplicar análisis de correspondencias con respecto a las variables
nominales (o a combinaciones de variables nominales) siendo las filas o las columnas los
cluster generados.
Todo lo anterior nos dará una explicación verosı́mil del trabajo de clasificación reali-
zado. Sin esta última parte el análisis quedarı́a incompleto.

5. Sistemática del Análisis Cluster

1. Análisis de los datos y detección de datos faltantes. Si procede, estandarización de
variables.

2. Elección de la medida de distancia entre observaciones a utilizar.

3. Decisión del tipo de análisis a realizar: Jerárquico o No Jerárquico.

En caso de Análisis Jerárquico:

4. Elección del método de agrupación de observaciones: Centroide, Ward, etc.

8
 5. Decisión del número de grupos a formar en función del valor de los estadı́sticos para
los distintos números de grupos.

6. Examen de las caracterı́sticas de los individuos de cada grupo: examen de las varia-
bles de manera individual, o de manera global a través de otros métodos multiva-
riantes.

7. Caracterización de los distintos grupos formados.

En caso de Análisis No Jerárquico:

4. Decisión del número de grupos a formar.

5. Elección del algoritmo de agrupación.

6. Evaluación de la bondad del número de grupos seleccionado.

7. Examen de las caracterı́sticas de los individuos de cada grupo: examen de las varia-
bles de manera individual, o de manera global a través de otros métodos multiva-
riantes.

8. Caracterización de los distintos grupos formados.

6. Ejemplos resueltos con SAS

6.1. Ejemplo distancia entre ciudades
Se trata de un ejemplo sencillo que contiene la matriz de distancias en millas entre
diferentes ciudades de Estados Unidos. En primer lugar, deberemos leer el conjunto de
datos e identificarlo como distancias (opción Type=distance de la sentencia data):

Data america (type=distance);

input (atlanta chicago denver houston losangeles
miami newyork sanfrancisco seattle washington) (5.) ciudad $15.;
FORMAT CIUDAD $15.;
cards;
0 ATLANTA
587 0 CHICAGO
1212 920 0 DENVER
701 940 879 0 HOUSTON
1936 1745 831 1374 0 LOSANGELES
604 1188 1726 968 2339 0 MIAMI
748 713 1631 1420 2451 1092 0 NEWYORK
2139 1858 949 1645 347 2594 2571 0 SANFRANCISCO
2182 1737 1021 1891 959 2734 2408 678 0 SEATTLE
543 597 1494 1220 2300 923 205 2442 2329 0 WASHINGTON
;
PROC PRINT;RUN;

9
 The SAS System 10:28 Friday, November 13, 2015 1

The CLUSTER Procedure

Centroid Hierarchical Cluster Analysis

Cluster History

Number
of Semipartial Pseudo F Pseudo Centroid
Clusters Clusters Joined Freq R-Square R-Square Statistic t-Squared Distance Tie

9 NEWYORK WASHINGTON 2 0.0019 .998 66.7 . 205

8 LOSANGELES SANFRANCISCO 2 0.0054 .993 39.2 . 347

7 ATLANTA CHICAGO 2 0.0153 .977 21.7 . 587

6 CL7 CL9 4 0.0296 .948 14.5 3.4 577.18

5 CL8 SEATTLE 3 0.0391 .909 12.4 7.3 812.15

4 DENVER CL5 4 0.0475 .861 12.4 2.1 843.34

3 CL6 MIAMI 5 0.0586 .803 14.2 3.8 907.49

2 CL3 HOUSTON 6 0.0687 .734 22.1 2.6 962.45

1 CL2 CL4 10 0.7339 .000 . 22.1 1853.7

Criteria for the Number of Clusters

Figura 2: Tabla de resultados para el método del centroide
60

En el programa anterior, llama la atención la sentencia input(atlanta chicago ... wa-

Pseudo F

shington)(5.).
40 Esto nos permite poner el mismo formato de lectura a un conjunto de

variables si tanto éstas como aquel van entre paréntesis y se acompañan de forma con-
secutiva. La20 sentencia format provoca no sólo que ciudad lea 15 caracteres (formato de
lectura) sino que también los escriba (formato de escritura).
Dado que0 hemos indicado que el conjunto de datos es tipo distancia, SAS interpreta
que los datos faltantes deben completarse con la información simétrica. A continuación
procedemos 6a realizar análisis jerárquico con los métodos del centroide y de WARD. Las
Pseudo T-Squared

Figuras 2, 3 y 5 contienen las tablas de resultados y los dendrogramas para ambos métodos.
El procedimiento
4
para realizar análisis cluster jerárquico en SAS es el proc cluster. Si
los datos forman una matriz de distancias, debemos indicarlo. Debemos indicar también
el método con
2
method=. nonorm evita la normalización de las distancias, pseudo y RS-
QUARE indican que se muestre la pseudo-T 2 y la pseudo-F y el R2 , respectivamente y
plots=den(VERTICAL)
0
permite obtener un dendrograma vertical.
2 4 6 8
Number of Clusters

proc cluster data=america(type=distance) method=centroid nonorm pseudo

RSQUARE plots=den(VERTICAL) outtree=salida;
id ciudad;
run;

Las Figuras 2 y 3 contienen los resultados del análisis. En particular, se muestra en

qué orden se han realizado las agrupaciones y los estadı́sticos asociados a esas iteraciones
del algoritmo. En el caso del método del centroide la secuencia de uniones es:
En primer lugar se unen New York y Washington formando un cluster de frecuencia
2, y cuya distancia es 205;
en segundo lugar se unen Los Angeles y San Francisco;
en tercer lugar se unen Atlanta y Chicago;
en cuarto lugar se unen los cluster formados por (atlanta y chicago)=CL7 y (New
York, Washington )=CL9. Siendo la distancia al centroide de estos dos cluster de
577,18; y ası́ sucesivamente.

10
 The SAS System 10:28 Friday, November 13, 2015 3

The CLUSTER Procedure

Ward's Minimum Variance Cluster Analysis

Cluster History

Between
Number Cluster
of Semipartial Pseudo F Pseudo Sum of
Clusters Clusters Joined Freq R-Square R-Square Statistic t-Squared Squares Tie

9 NEWYORK WASHINGTON 2 0.0019 .998 66.7 . 21013

8 LOSANGELES SANFRANCISCO 2 0.0054 .993 39.2 . 60205

7 ATLANTA CHICAGO 2 0.0153 .977 21.7 . 172285

6 CL7 CL9 4 0.0296 .948 14.5 3.4 333134

5 DENVER HOUSTON 2 0.0344 .913 13.2 . 386321

4 CL8 SEATTLE 3 0.0391 .874 13.9 7.3 439720

3 CL6 MIAMI 5 0.0586 .816 15.5 3.8 658824

2 CL3 CL5 7 0.1488 .667 16.0 5.3 1.67E6

1 CL2 CL4 10 0.6669 .000 . 16.0 7.49E6

Criteria for the Number of Clusters

Figura 3: Tabla de resultados para el método de Ward
60
Pseudo F

40

20

The SAS System 10:28 Friday, November 13, 2015 2 The SAS System 10:28 Friday, November 13, 2015 4
6
The CLUSTER Procedure
Pseudo T-Squared

The CLUSTER Procedure

Centroid Hierarchical Cluster Analysis Ward's Minimum Variance Cluster Analysis

Cluster Analysis Cluster Analysis

4
2000 8000000
Distance Between Cluster Centroids

2
Between-Cluster Sum of Squares

1500 6000000

0
1000 4000000
2 4 6 8
Number of Clusters
500 2000000

0 0
AT CH NE W M HO DE LO SA SE AT CH NE W M DE HO LO SA SE
L IC W AS IA US NV SA NF AT IA
AN YO HI M L IC W AS NV US SA NF AT
AG I TO ER NG RA TL AN AG YO HI M
TA O RK NG E TA I ER TO NG RA TL
N EL NC O RK NG N E
TO ES IS TO N EL CI
N CO ES SC
N
O

Figura 4: Dendrogramas para los métodos del centroide (izquierda) y de Ward (derecha)

11
 Podemos comprobar que la secuencia es similar (aunque no igual) con ambos métodos.
Si nos fijamos en los valores de la pseudo-T 2 y la pseudo-F, en ambos casos concluimos que
el número de grupos ha de ser 2. Además, en ambos casos la proporción de variabilidad
explicada ronda el 70 %.
Los dendrogramas de la Figura 4 muestran de nuevo que la secuencia de uniones es
similar. Además, la distancia entre las lı́neas horizontales también nos indica que el número
de grupos es 2: coincidiendo con una división este/oeste de las mismas. No obstante, los
métodos no coinciden en lo que a “Denver” se refiere. El método de los centroides se
basa más en las distancias reales que el de Ward, por lo que asigna esta ciudad a la
costa oeste (a la que geográficamente está más cercana). Sin embargo, el método de Ward
busca minimizar la variabilidad dentro de los grupos y es por ello que el resultado puede
resultar extraño desde el punto de vista geográfico. Sin embargo, nótese que a la vista del
dendrograma, serı́a posible incluso crear 3 grupos: oeste, centro y este, lo que lograrı́a una
mayor homogeneidad de los grupos.
A la vista de los resultados, podemos comprobar que el análisis cluster carece de una
solución única y que la misma depende del caso de aplicación. No obstante, suponiendo
que damos por válida la solución ofrecida por el método del centroide, es posible obtener
un conjunto de datos en el que a cada observación se le asigne su cluster en una nueva
variable. Para ello, es necesario crear un conjunto de datos con los resultados en el proc
cluster a partir de la sentencia outtree=. A continuación, utilizamos la siguiente sentencia
para obtener el conjunto de datos con la variable “cluster”:

proc tree data=salida n=2 out=CiudadesClasif;

id ciudad;
run;
proc print data=CiudadesClasif;
run;

7. Ejemplo Esperanza de vida

En este ejemplo se considera una muestra de los años de vida esperados de varios
paises según la edad y el sexo (estos datos proceden de Keyfitz y Flieger (1971)). Se desea
agrupar estos paises según la información de dichas variables.

Data esperanza;
input pais $ m0 m25 m50 m75 w0 w25 w50 w75;
datalines;
Algeria 63.00 51.00 30.00 13.00 67.00 54.00 34.00 15.00
Cameroon 34.00 29.00 13.00 5.00 38.00 32.00 17.00 6.00
Madagascar 38.00 30.00 17.00 7.00 38.00 34.00 20.00 7.00
Mauritius 59.00 42.00 20.00 6.00 64.00 46.00 25.00 8.00
Reunion 56.00 38.00 18.00 7.00 62.00 46.00 25.00 10.00
Seychelles 62.00 44.00 24.00 7.00 69.00 50.00 28.00 14.00
South_Africa 65.00 44.00 22.00 7.00 72.00 50.00 27.00 9.00
Tunisia 56.00 46.00 24.00 11.00 63.00 54.00 33.00 19.00

12
 Canada 69.00 47.00 24.00 8.00 75.00 53.00 29.00 10.00
Costa_Rica 65.00 48.00 26.00 9.00 68.00 50.00 27.00 10.00
Dominican_Rep 64.00 50.00 28.00 11.00 66.00 51.00 29.00 11.00
El_Salvador 56.00 44.00 25.00 10.00 61.00 48.00 27.00 12.00
Greenland 60.00 44.00 22.00 6.00 65.00 45.00 25.00 9.00
Grenada 61.00 45.00 22.00 8.00 65.00 49.00 27.00 10.00
Guatemala 49.00 40.00 22.00 9.00 51.00 41.00 23.00 8.00
Honduras 59.00 42.00 22.00 6.00 61.00 43.00 22.00 7.00
Jamaica 63.00 44.00 23.00 8.00 67.00 48.00 26.00 9.00
Mexico 59.00 44.00 24.00 8.00 63.00 46.00 25.00 8.00
Nicaragua 65.00 48.00 28.00 14.00 68.00 51.00 29.00 13.00
Panama 65.00 48.00 26.00 9.00 67.00 49.00 27.00 10.00
Trinidad 64.00 43.00 21.00 6.00 68.00 47.00 24.00 8.00
United_States 67.00 45.00 23.00 8.00 74.00 51.00 28.00 10.00
Argentina 65.00 46.00 24.00 9.00 71.00 51.00 28.00 10.00
Chile 59.00 43.00 23.00 10.00 66.00 49.00 27.00 12.00
Columbia 58.00 44.00 24.00 9.00 62.00 47.00 25.00 10.00
Ecuador 57.00 46.00 28.00 9.00 60.00 49.00 28.00 11.00
;
PROC PRINT;RUN;

En primer lugar realizaremos un análisis cluster jerárquico para intentar determinar

el mejor número de grupos a realizar. A continuación, realizaremos un análisis cluster no
jerárquico para verificar mediante otras medidas la adecuación de ese número de clusters
y comprobar si los resultados utilizando ambas técnicas son similares. Nótese que no es
necesario estandarizar las variables puesto que la unidad de todas ellas es el año.

proc cluster data=esperanza method=average nonorm pseudo RSQUARE ccc

print=15 plots=den(VERTICAL) ouutree=salida;
id pais;
run;

En este caso se ha incluido la opción ccc puesto que los datos vienen dados en coor-
denadas. Además, se ha pedido que se muestren sólo las últimas 15 agrupaciones. Sólo se
muestra la sintaxis para el método del enlace medio pero también se ha obtenido el re-
sultado para el método del centroide y de Ward. Las Figuras 5-7 muestran los resultados
para los tres métodos.
Se puede comprobar que el método del enlace medio sugiere realizar 2 o 5 grupos y
los métodos del centroide y de Ward, 2 o 6. Dado que no existen grandes diferencias entre
los dendrogramas de los dos primeros métodos, sólo se ha representado para los métodos
del enlace medio y de Ward (ver Figura 8). Se observa que el método de Ward sugiere
la creación de dos únicos clusters (que además coinciden con los dos clusters creados por
los otros dos métodos). No obstante, las agrupaciones en 5 o 6 no coinciden para dichos
grupos. Por tanto, realizaremos el análisis cluster no jerárquico para dos, cinco y seis
grupos y realiaremos el test F de Beale para determinar cuál es mejor. Como ya se ha
comentado previamente, no es necesario estandarizar las variables pero, de ser ası́, serı́a

13
 6 0.449650 0.067051 0.0019 0.9975

7 0.382599 0.168775 0.0016 0.9991

8 0.213824 0.0009 1.0000

Root-Mean-Square Total-Sample Standard Deviation 5.438396

Cluster History

Number Approximate Cubic

of Semipartial Expected Clustering Pseudo F Pseudo RMS
Clusters Clusters Joined Freq R-Square R-Square R-Square Criterion Statistic t-Squared Distance Tie
The SAS System 09:55 Monday, November 16, 2015 4
10 CL13 Trinidad 5 0.0058 .958 . . 40.3 2.3 7.3485

9 CL12 Reunion 6 0.0084 The CLUSTER

.949 Procedure
. . 39.8 3.5 8.438
Centroid Hierarchical Cluster Analysis
8 CL9 CL10 11 0.0225 .927 . . 32.6 6.4 9.0885

7 CL14 CL15 8 Eigenvalues

0.0234 of the Covariance. Matrix
.903 . 29.6 10.6 9.4274

6 CL8 CL19 13 Eigenvalue

0.0198 Difference
.884 Proportion
. Cumulative
. 30.4 3.9 10.142

5 Algeria Tunisia 2 1 204.609333

0.0124 182.329913
.871 0.8648
.891 0.8648
-1.0 35.5 . 12.124

4 CL6 CL7 21 2 22.279420

0.0964 15.321320
.775 0.0942
.858 0.9589
-2.8 25.2 16.3 13.287

3 CL5 CL4 23 3 6.958100

0.0532 5.854828
.722 0.0294
.804 0.9883
-1.6 29.8 5.1 16.369

2 CL3 Guatemal 24 4 1.103272

0.0826 0.490238
.639 0.0047
.672 0.9930
-.56 42.5 6.6 24.088
5 0.613034 0.163384 0.0026 0.9956
1 CL2 CL11 26 0.6390 .000 .000 0.00 . 42.5 46.347
6 0.449650 0.067051 0.0019 0.9975

7 0.382599 0.168775 0.0016 0.9991

Figura 5: Tabla de
8
resultados
0.213824
para el método
0.0009 1.0000
del enlace medio

Root-Mean-Square Total-Sample Standard Deviation 5.438396

Cluster History

Number Approximate Cubic

of Semipartial Expected Clustering Pseudo F Pseudo Centroid
Clusters Clusters Joined Freq R-Square R-Square R-Square Criterion Statistic t-Squared Distance Tie
The SAS System 09:55 Monday, November 16, 2015 7
10 CL12 Honduras 9 0.0087 .950 . . 33.7 2.7 7.5921
The CLUSTER Procedure
9 Seychell CL13 5 0.0081
Ward's Minimum.942 .
Variance Cluster Analysis. 34.4 3.7 7.7258

8 CL9 CL14 9 0.0220 .920 . . 29.5 7.2 7.6485

Eigenvalues of the Covariance Matrix
7 CL10 CL19 11 0.0193 .901 . . 28.7 5.3 8.3443
Eigenvalue Difference Proportion Cumulative
6 CL7 Reunion 12 0.0119 .889 . . 31.9 2.3 8.767
1 204.609333 182.329913 0.8648 0.8648
5 CL6 CL8 21 0.1015 .787 .891 -3.9 19.4 18.0 10.803
2 22.279420 15.321320 0.0942 0.9589
4 Algeria Tunisia 2 0.0124 .775 .858 -2.8 25.2 . 12.124
3 6.958100 5.854828 0.0294 0.9883
3 CL4 CL5 23 0.0532 .722 .804 -1.6 29.8 5.1 13.132
4 1.103272 0.490238 0.0047 0.9930
2 CL3 Guatemal 24 0.0826 .639 .672 -.56 42.5 6.6 22.577
5 0.613034 0.163384 0.0026 0.9956
1 CL2 CL11 26 0.6390 .000 .000 0.00 . 42.5 45.247
6 0.449650 0.067051 0.0019 0.9975

7 0.382599 0.168775 0.0016 0.9991

Figura 6: Tabla8 de0.213824
resultados para0.0009
el método
1.0000
del centroide

Root-Mean-Square Total-Sample Standard Deviation 5.438396

Cluster History

Between
Number Approximate Cubic Cluster
of Semipartial Expected Clustering Pseudo F Pseudo Sum of
Clusters Clusters Joined Freq R-Square R-Square R-Square Criterion Statistic t-Squared Squares Tie

10 CL14 Trinidad 5 0.0058 .958 . . 40.3 2.3 34.2

9 CL12 Reunion 6 0.0084 .949 . . 39.8 3.5 49.733

8 Algeria CL11 5 0.0121 .937 . . 38.4 5.4 71.6

7 Tunisia CL19 3 0.0150 .922 . . 37.6 9.3 88.5

6 CL9 CL10 11 0.0225 .900 . . 35.9 6.4 133.28

5 CL8 CL15 9 0.0320 .868 .891 -1.2 34.4 8.8 189.26

4 CL6 CL7 14 0.0388 .829 .858 -1.2 35.5 6.6 229.75

3 CL4 Guatemal 15 0.0549 .774 .804 -.66 39.4 6.5 324.96

2 CL5 CL3 24 0.1350 .639 .672 -.56 42.5 13.4 798.4

1 CL2 CL13 26 0.6390 .000 .000 0.00 . 42.5 3779.7

Figura 7: Tabla de resultados para el método de Ward

14
 The SAS System 09:55 Monday, November 16, 2015 3 The SAS System 09:55 Monday, November 16, 2015 9

The CLUSTER Procedure The CLUSTER Procedure

Average Linkage Cluster Analysis Ward's Minimum Variance Cluster Analysis

Cluster Analysis Cluster Analysis

4000

40
Average Distance Between Clusters

Between-Cluster Sum of Squares

3000

30

2000

20

1000
10

0 0
Al Tu M G M Co Ho Re Se G Ja Ch Tr El Ec So Un Ar Ca Co Pa Do Ni G Ca M Al Co Pa Do Ni So Un Ar Ca M G Ho M Co Re Se G Ja Ch Tr Tu El Ec G Ca M
ge n au re ex lu n u y re m il in _S u u it ge n s n m ca ua m ad ge s n m ca u it ge n au re n ex lu u y re m il in n _S u ua m ad
ria isia rit en ico m du nio ch na aic e ida al ad t h_ ed nt ad t a_ am in ra t e er ag ria t a_ am in ra t h_ ed nt ad rit en du ico m nio ch na aic e ida isia al ad t e er ag
iu la bi ra n ell da a d va or A _S in a R a ica gu ma oo as Ri a ica gu Af _S in a iu lan ras bi n ell da a d va or ma oo a
n a s f i a l n sc
l n c

Figura 8: Dendrogramas para los métodos del enlace medio (izquierda) y de Ward (derecha)

necesario recurrir al proc stdize para obtener las variables estandarizadas y después realizar
el análisis sobre éstas.

PROC FASTCLUS DATA=esperanza MAXCLUSTERS=2 MEAN=MEDIAS2

DRIFT OUT=cluster2 maxiter=30;
VAR m0 m25 m50 m75 w0 w25 w50 w75;
RUN;

El procedimiento para análisis cluster no jerárquico es el fastclus. Debemos indicarle

el número de clusters MAXCLUSTERS y el número máximo de iteraciones maxiter. Las
sentencias MEAN y OUT permiten generar un conjunto de datos con las medias de los
clusters y la asignación de las observaciones a los clusters, respectivamente. La sentencia
DRIFT indica que debe recalcular el centroide cada vez que se produzca una reasignación
(en caso de no ponerlo, los centroides se calcularán cuando se hayan reasignado todas las
observaciones). Como ya se ha indicado, SAS selecciona por defecto los centroides iniciales
como aquellos separados a una distancia determinada. Este procedimiento también nos
permite seleccionar aleatoriamente los centroides iniciales incluyendo REPLACE=random,
ası́ como seleccionar la semilla de la selección aleatoria a partir de la sentencia random=
para que podamos comprobar si el resultado final cambia al seleccionar otros centroides
iniciales.
Este procedimiento incluye una serie de salidas como son: la selección inicial de cen-
troides, un resumen de la evolución de las iteraciones, si se ha satisfecho el criterio de
convergencia o no, un resumen de los clusters creados, la proporción de variabilidad de las
variables explicada por los clusters, el CCC, la PseudoF, el R2 y las medias y desviaciones
tı́picas de los clusters para las variables consideradas en el análisis1 .
Repetimos la sentencia anterior para 5 y 6 clusters, lo que nos permite realizar el test
F de Beale a partir de las siguientes sentencias:

1
El R2 , tal y cómo se ha definido en los apuntes, aparece en la tabla Statistics for variables en el cruce
de “OVER-ALL” y “R-Square”.

15
 The SAS System 09:55 Monday, November 16, 2015 22

bs _TYPE_ _FREQ_ w2 w5 w6 k1 k2 k3 fbeale1 pvalor fbeale2 pvalor2 fbeale3 pvalor3

1 0 26 2135.54 732 596.310 20.1815 14.0435 12.7789 4.38699 0.010324 4.45592 .009694728 2.29926 0.15115

Figura 9: Contraste F de Beale

proc means data=cluster2 ; var distance; output out=sumacuad2 uss=w2 ;

run;

proc means data=cluster5 ; var distance; output out=sumacuad5 uss=w5 ;

run;

proc means data=cluster6 ; var distance; output out=sumacuad6 uss=w6 ;

run;

data beale;
merge sumacuad2 sumacuad5 sumacuad6;
k1=(_freq_-2)*(2**(-2/8));
k2=(_freq_-5)*(5**(-2/8));
k3=(_freq_-6)*(6**(-2/8));
fbeale1=(w2-w5)*k2/(w5*(k1-k2));
pvalor=1-probf(fbeale1,(k1-k2),k2);
fbeale2=(w2-w6)*k3/(w6*(k1-k3));
pvalor2=1-probf(fbeale2,(k1-k3),k3);
fbeale3=(w5-w6)*k3/(w6*(k2-k3));
pvalor3=1-probf(fbeale3,(k2-k3),k3);
run;
proc print data=beale;run;

La Figura 9 muestra los tres contrastes realizados: 2 vs. 5; 2 vs. 6; and 5 vs. 6. Como
puede verse, este test sugiere clasificar los paises en 5 grupos. Por lo tanto, para dar por
concluido el análisis cluster sólo nos falta caracterizar los grupos resultantes. Para ello,
serı́a interesante contar también con otras variables que no se hayan incluido en el análisis
para caracterizar dichos grupos y comprender mejor la misma.
Para llevar a cabo dicha caracterización, podemos analizar las medias de las variables
en cada uno de los grupos. La Figura 11 muestra las medias y las desviaciones tı́picas para
los 5 grupos y las 8 variables incluidas en el análisis. El grupo 2 lo componen aquellos paises
con menor esperanza de vida, mientras que el grupo 3 lo componen los paises con mayor.
El grupo 4 se caracteriza por una mayor esperanza de vida al nacer y una relativamente
alta esperanza de vida para las distintas edades. Por último, los grupos 1 y 5 son grupos
con esperanzas de vida intermedias pero mayores en 5 que en 1.
En cuanto a la variabilidad de los grupos, se observa que el primer grupo no tiene
valores asociados. Esto se debe al hecho de que sólo haya una observación en el grupo. En
general, las varibilidades son similares, aunque destacan algunos valores pequeños que nos
indican que los valores que toman dichas variables en esos grupos son muy similares. En
ocasiones este hecho puede sernos de ayuda a la hora de caracterizar los datos.
Esta tabla aparece entre las salidas del procedimiento fastclus pero se puede obtener

16
mediante la siguiente sentencia:

proc means data=cluster5 mean std cv;

var m0 m25 m50 m75 w0 w25 w50 w75;
class cluster;
run;

Alternativamente, podemos realizar una caracterización gráfica a partir de las siguien-

tes sentencias:

Proc sgplot data=Cluster5;

hbox m0/category=cluster;
hbox m25/category=cluster;
hbox m50/category=cluster;
hbox m75/category=cluster;
hbox w0/category=cluster;
hbox w25/category=cluster;
hbox w50/category=cluster;
hbox w75/category=cluster;
YAXIS LABEL = ’Medias’;
run;

La Figura 10 muestra el resultado de la ejecución del código anterior donde se muestran,

a partir de varios colores, los diagramas de cajas de cada una de las variables en cada uno
de los grupos. De esta forma, podemos ver no sólo las diferencias en medias, sino también
las variabilidades. En ese sentido, podemos obtener las mismas conclusiones que con las
tablas
Por último, veamos qué paises componen cada uno de los grupos. Para ellos recurrimos
a la siguiente sintaxis:

proc sort data=cluster5 out=cluster5s;

by cluster;

proc Freq data=cluster5s;

by cluster; tables pais;run;

La salida de la sentencia anterior nos indica que el grupo 1 lo compone Guatemala; el

2, Camerún y Madagascar; el 3, Algeria y Tunez; el 5 lo componen paises del centro y el
sur de américa y el 4, los restantes. Si comparamos este resultado con los dendrogramas
de la Figura 8, podemos ver que coincide con los del enlace medio.

17
 The SAS System 09:55 Monday, November 16, 2015 13
The SAS System 09:55 Monday, November 16, 2015 13
The FASTCLUS Procedure
Replace=FULL Drift Radius=0 Maxclusters=5
The FASTCLUS Maxiter=30 Converge=0.02
Procedure
Replace=FULL Drift Radius=0 Maxclusters=5 Maxiter=30 Converge=0.02
Statistics for Variables
Statistics for Variables
Variable Total STD Within STD R-Square RSQ/(1-RSQ)
Variable Total STD Within STD R-Square RSQ/(1-RSQ)
w25 5.25533 1.52623 0.929154 13.115057
w25 5.25533 1.52623 0.929154 13.115057
w50 3.52071 1.38013 0.870920 6.747115
w50 3.52071 1.38013 0.870920 6.747115
w75 2.77572 1.67695 0.693402 2.261596
w75 2.77572 1.67695 0.693402 2.261596
OVER-ALL 5.43840 2.08738 0.876252 7.080916
OVER-ALL 5.43840 2.08738 0.876252 7.080916

Figura 10: Caracterización

Pseudo F Statistic =gráfica
37.17 de los clusters
Pseudo F Statistic = 37.17

Approximate Expected Over-All R-Squared = 0.64713

Approximate Expected Over-All R-Squared = 0.64713

Cubic Clustering Criterion = 12.715

Cubic Clustering Criterion = 12.715
WARNING: The two values above are invalid for correlated variables.
WARNING: The two values above are invalid for correlated variables.
Cluster Means
Cluster Means
Cluster m0 m25 m50 m75 w0 w25 w50 w75
Cluster m0 m25 m50 m75 w0 w25 w50 w75
1 49.00000000 40.00000000 22.00000000 9.00000000 51.00000000 41.00000000 23.00000000 8.00000000
1 49.00000000 40.00000000 22.00000000 9.00000000 51.00000000 41.00000000 23.00000000 8.00000000
2 36.00000000 29.50000000 15.00000000 6.00000000 38.00000000 33.00000000 18.50000000 6.50000000
2 36.00000000 29.50000000 15.00000000 6.00000000 38.00000000 33.00000000 18.50000000 6.50000000
3 59.50000000 48.50000000 27.00000000 12.00000000 65.00000000 54.00000000 33.50000000 17.00000000
3 59.50000000 48.50000000 27.00000000 12.00000000 65.00000000 54.00000000 33.50000000 17.00000000
4 65.22222222 46.66666667 25.00000000 9.11111111 70.00000000 50.66666667 28.00000000 10.77777778
4 65.22222222 46.66666667 25.00000000 9.11111111 70.00000000 50.66666667 28.00000000 10.77777778
5 59.25000000 43.25000000 22.66666667 7.75000000 63.66666667 46.91666667 25.50000000 9.50000000
5 59.25000000 43.25000000 22.66666667 7.75000000 63.66666667 46.91666667 25.50000000 9.50000000

Cluster Standard Deviations

Cluster Standard Deviations
Cluster m0 m25 m50 m75 w0 w25 w50 w75
Cluster m0 m25 m50 m75 w0 w25 w50 w75
1 . . . . . . . .
1 . . . . . . . .
2 2.828427125 0.707106781 2.828427125 1.414213562 0.000000000 1.414213562 2.121320344 0.707106781
2 2.828427125 0.707106781 2.828427125 1.414213562 0.000000000 1.414213562 2.121320344 0.707106781
3 4.949747468 3.535533906 4.242640687 1.414213562 2.828427125 0.000000000 0.707106781 2.828427125
3 4.949747468 3.535533906 4.242640687 1.414213562 2.828427125 0.000000000 0.707106781 2.828427125
4 1.922093766 2.061552813 2.121320344 2.204792759 3.162277660 1.118033989 0.866025404 1.641476300
4 1.922093766 2.061552813 2.121320344 2.204792759 3.162277660 1.118033989 0.866025404 1.641476300
5 2.490892502 2.005673770 2.534608929 1.544785952 2.570225789 1.831955405 1.623688282 1.623688282
5 2.490892502 2.005673770 2.534608929 1.544785952 2.570225789 1.831955405 1.623688282 1.623688282

Figura 11: Medias y desviaciones tı́picas para los 5 grupos y las 8 variables incluidas en el
análisis

18
 3 7.820950 5.437441 0.0171 0.9948

4 2.383509 0.0052 1.0000

Root-Mean-Square Total-Sample Standard Deviation 10.69224

Cluster History

Number Approximate Cubic

of Clusters Semipartial Expected Clustering Pseudo F Pseudo Centroid
Clusters Joined Freq R-Square R-Square R-Square Criterion Statistic t-Squared Distance Tie

10 CL47 OB144 3 0.0007 .951 .942 2.22 299 6.0 8.7321

9 CL10 CL11 12 0.0025 .948 .936 2.71 322 5.8 8.7362

The SAS System 09:55 Monday, November 16, 2015 9
8 CL20 CL33 49 0.0074 .941 .930 2.26 322 27.6 9.1445
The CLUSTER Procedure
7 CL14 CL17 59 0.0198 .921 .921 -.10 278 47.1 9.8882
Ward's Minimum Variance Cluster Analysis
6 CL7 OB113 60 0.0020 .919 .911 1.35 327 2.6 11.726
Eigenvalues of the Covariance Matrix
5 CL12 CL9 36 0.0173 .902 .895 0.88 332 39.3 12.149
Eigenvalue Difference Proportion Cumulative
4 CL8 OB44 50 0.0023 .899 .872 2.42 435 5.6 12.735
1 422.824171 398.557096 0.9246 0.9246
3 CL6 CL29 64 0.0159 .883 .827 4.31 557 21.3 16.986
2 24.267075 16.446125 0.0531 0.9777
2 CL3 CL5 100 0.1108 .773 .697 3.83 503 115 18.102
3 7.820950 5.437441 0.0171 0.9948
1 CL4 CL2 150 0.7726 .000 .000 0.00 . 503 39.74
4 2.383509 0.0052 1.0000

Root-Mean-Square Total-Sample Standard Deviation 10.69224

Figura 12: Tabla de resultados para el método del centroide

Cluster History

Between
Number Approximate Cubic Cluster
of Clusters Semipartial Expected Clustering Pseudo F Pseudo Sum of
Clusters Joined Freq R-Square R-Square R-Square Criterion Statistic t-Squared Squares Tie

10 CL26 CL20 22 0.0027 .959 .942 4.81 368 12.9 183.57

9 CL27 CL17 31 0.0031 .956 .936 5.02 387 17.8 208.5

8 CL35 CL15 23 0.0031 .953 .930 5.44 414 13.8 210.87

7 CL10 CL47 26 0.0058 .947 .921 5.43 430 19.1 395.91

6 CL8 CL13 38 0.0060 .941 .911 5.81 463 16.3 411.68

5 CL9 CL19 50 0.0105 .931 .895 5.82 488 43.2 717.61

4 CL12 CL11 36 0.0172 .914 .872 3.99 515 41.0 1175

3 CL6 CL7 64 0.0301 .884 .827 4.33 558 57.2 2047.6

2 CL3 CL4 100 0.1110 .773 .697 3.83 503 116 7565

1 CL5 CL2 150 0.7726 .000 .000 0.00 . 503 52642

Figura 13: Tabla de resultados para el método de Ward

8. Ejemplo Iris
En este caso vamos a utilizar el conjunto de datos Iris. Este conjunto contiene cuatro
variables acerca del ancho y el largo del pétalo y el sépalo de tres clases de planta (dado
que están todas en mm, no será necesario estandarizar) ası́ como la clase de la misma.
Queremos clasificar las hojas a partir de esas cuatro medidas para después comparar
dichos grupos con las clases originales. Utilizando una sintaxis similar a la de los ejercicios
anteriores, obtenemos las Figuras 12 y 13 referidas al análisis cluster jerárquico, donde
puede observarse que el número de clusters a realizar ha de ser dos o tres.
A continuación realizamos análisis cluster no jerárquico para dos y tres clusters y
realizamos el contraste F de Beale, obteniendo el resultado que se muestra en la Figura
14. El p-valor es menor que 0,05 por lo que la reducción de la variabilidad interna es
significativa y debemos hacer 3 grupos. Por último, comprobamos el parecido entre los
clusters obtenidos y los grupos originales.

proc freq data=cluster3;

tables cluster*species; run;

19
 The SAS System 09:55 Monday, November 16,

Obs _TYPE_ _FREQ_ w2 w3 k1 k2 fbeale pvalor

1 0 150 15249.28 7885.14 104.652 84.8705 4.00695 .000003768

The SAS System 09:55 Monday, November 16, 2015 22

Figura
The FREQ14:Procedure
Contraste F de Beale

Frequency Table of CLUSTER by Species

Percent
Row Pct Species(Iris Species)
Col Pct
CLUSTER(Cluster) Setosa Versicolor Virginica Total

1 0 2 36 38
0.00 1.33 24.00 25.33
0.00 5.26 94.74
0.00 4.00 72.00

2 50 0 0 50
33.33 0.00 0.00 33.33
100.00 0.00 0.00
100.00 0.00 0.00

3 0 48 14 62
0.00 32.00 9.33 41.33
0.00 77.42 22.58
0.00 96.00 28.00

Total 50 50 50 150
33.33 33.33 33.33 100.00

Figura 15: Comparacion clusters vs. tipo de planta

Comprobamos que el cluster 2 equivale totalmente a la clase “setosa”, el cluster 3 se

corresponde principalmente con “versicolor”, aunque 14 observaciones han sido asignadas
a “virginica”, y el cluster 1 representa a “virginica”, excepto por 2 observaciones que
pertenecen a “versicolor”.

20