1

Índice examen final estudios de mercado.

Contenido
Contrastes paramétricos (tema 2).................................................................2
Contrastes no paramétricos tema 2...............................................................8
Anova (Tema 3)............................................................................................ 14
Cluster (tema 4)........................................................................................... 20
No jerárquico............................................................................................. 20
Jerárquico.................................................................................................. 25
Factorial (tema 5)......................................................................................... 29

1
 2

Contrastes paramétricos (tema 2)

SOLUCIÓN LABORATORIO Nº 1: Contrastes paramétricos

Utilizando el archivo de datos [Link], SE PIDE:

1. Contrastar la hipótesis de que la muestra trabaja un promedio de 40

horas semanales (variable b3).
Estadísticos para una muestra
Error típ. de la
N Media Desviación típ. media
Horas semanales 943 43,16 15,184 ,494

Prueba para una muestra

Valor de prueba = 40
95% Intervalo de confianza
para la diferencia
Diferencia de
t gl Sig. (bilateral) medias Inferior Superior
Horas semanales 6,400 942 ,000 3,164 2,19 4,13

Con un p-valor=0,000 < 0,05 ⇒ Rechaza la hipótesis nula), por lo tanto, la

población trabaja un número de horas significativamente distinto a 40.

2. Contrastar la hipótesis de si la muestra se declara más bien insatisfecha

con su trabajo (variable b36).

Estadísticos para una muestra

Error típ. de la
N Media Desviación típ. media
Satisfacción con el
405 5,23 1,256 ,062
trabajo actual

Prueba para una muestra

Valor de prueba = 3
95% Intervalo de confianza
para la diferencia
Diferencia de
t gl Sig. (bilateral) medias Inferior Superior
Satisfacción con el
35,692 404 ,000 2,227 2,10 2,35
trabajo actual

El contaste se ha de realizar con respecto a 3 que es el valor que corresponde a

más bien insatisfecho. Puesto que la t es de 35, 692 puntos y su p-valor es de
0,000 podemos rechazar la hipótesis nula y afirmar que el nivel de satisfacción
de la muestra con su trabajo es mayor (la media es 5,25 lo que correspondería a
más bien satisfecho).

2
 3

3. Contrastar la hipótesis de si los trabajadores más antiguos en la empresa

(7 o más años de antigüedad) se declaran más o menos
satisfechos (variable b36) con su trabajo que los de menor antigüedad
(menos de 7 años en la empresa). Para ello la variable b4 (Antigüedad) la
dividimos en dos categorías a partir de la mediana de la misma que es 7.
Obtenemos b4 ≥ 7 y b4 < 7. Verificar la hipótesis para estos dos grupos.

Estadísticos de grupo

Error típ. de la
Antigüedad N Media Desviación típ. media
Satisfacción con el >= 7 209 5,33 1,308 ,090
trabajo actual <7 195 5,12 1,195 ,086

estos dos grupos (p-valor=0,106 ≥ 0,05 ⇒ No se rechaza la hipótesis nula).

No existen diferencias significativas en la satisfacción con el trabajo actual para

4. En la encuesta se pedía a los individuos que evaluaran cómo veían que

marchaban las cosas en España en ese momento (a13), un año atrás (a14)
y cómo preveían que irían un año después (a15), todo ello en una escala
de 0 (muy mal) a 10 (muy bien). Contrastar las diferencias entre las tres
situaciones y sacar conclusiones.

Correlaciones de muestras relacionadas

N Correlación Sig.

Par 1 Escala de Cantril para

España: presente y
1170 ,874 ,000
Escala de Cantril para
España: pasado
Par 2 Escala de Cantril para
España: presente y 957 ,799 ,000
Escala de Cantril para
España: futuro

3
 4

Par 3 Escala de Cantril para

España: pasado y
Escala de Cantril para 956 ,676 ,000
España: futuro

Prueba de muestras relacionadas

Diferencias relacionadas t gl Sig. (bilateral)

Error típ.
de la
Error típ. de la 95% Intervalo de confianza media
Media Desviación típ. media para la diferencia Media Desviación típ.
Super
Inferior Superior Inferior Superior Inferior Superior Inferior ior
Par 1 Escala de Cantril para
España: presente -
Escala de Cantril para -,086 ,970 ,028 -,142 -,031 -3,044 1169 ,002
España: pasado
Par 2 Escala de Cantril para
España: presente -
Escala de Cantril para -,380 1,356 ,044 -,466 -,294 -8,678 956 ,000
España: futuro

Par 3 Escala de Cantril para

España: pasado -
Escala de -,306 1,711 ,055 -,415 -,198 -5,537 955 ,000
Cantril para
España: futuro

El primer contraste (a13-a14) nos da una media negativa para la variable

diferencias. La t de -3,044 y el p valor de 0,002 nos indica que se rechaza la
hipótesis nula y puesto que la media actual es menor y la diferencia por tanto
negativa podemos concluir que la visión que de España tiene la muestra en
octubre de 1994 es más pesimista que un año atrás.
El segundo contraste (a13-a15) nos da una media negativa todavía mayor, la
muestra se manifiesta muy optimista con el futuro de España un año vista.
El tercer contraste (a14-a15), es decir, pasado y futuro en octubre de 1994 ratifica
de nuevo esta visión optimista.

5. Calcular es estadístico Chi cuadrado de Pearson de la relación entre las

variables Grado de felicidad actual (a8) y Situación laboral (b1) del
entrevistado (si trabaja o no). De acuerdo con este test Chi-cuadrado de
independencia ¿Existe relación significativa entre las variables?

Tabla de contingencia Grado de Felicidad Actual * Situación laboral

Situación laboral
Sí No Total
Grado de Nada feliz Recuento 3 13 16
Felicidad % de Grado de Felicidad
Actual 18,8% 81,3% 100,0%
Actual

4
 5

% de Situación laboral ,7% 1,6% 1,3%

% del total ,3% 1,1% 1,3%

Poco feliz Recuento 38 127 165

% de Grado de Felicidad
23,0% 77,0% 100,0%
Actual
% de Situación laboral 9,4% 16,1% 13,8%

% del total 3,2% 10,6% 13,8%

Bastante feliz Recuento 322 588 910

% de Grado de Felicidad
35,4% 64,6% 100,0%
Actual
% de Situación laboral 79,5% 74,6% 76,3%

Muy feliz % del total 27,0% 49,3% 76,3%

Recuento 42 60 102
% de Grado de Felicidad
41,2% 58,8% 100,0%
Actual
% de Situación laboral 10,4% 7,6% 8,5%

% del total 3,5% 5,0% 8,5%

Total Recuento 405 788 1193

% de Grado de Felicidad
33,9% 66,1% 100,0%
Actual
% de Situación laboral 100,0% 100,0% 100,0%

% del total 33,9% 66,1% 100,0%

Pruebas de chi-cuadrado
Sig. asintótica
Valor gl (bilateral)
Chi-cuadrado de Pearson 13,633(a) 3 ,003

Razón de verosimilitudes 14,326 3 ,002

Asociación lineal por lineal 12,607 1 ,000

N de casos válidos
1193

a 0 casillas (,0%) tienen una frecuencia esperada inferior a 5. La frecuencia mínima esperada es 5,43.

El estadístico toma un valor 13,633 con un p-valor de 0,003 lo que lleva a

rechazar la hipótesis nula de independencia.

Se observa que el porcentaje que personas que no trabajan aumenta

significativamente entre los que se consideran nada y poco feliz.

5
 6

6. Hay personas para las que su trabajo es lo más importante de la vida y

que estarían dispuestas a sacrificar muchas cosas por un buen empleo y
otras en cambio que no necesitarían trabajar para autorrealizarse. Las
variables b5 a b9 tratan de alguna manera que la muestra se posicione al
respecto indicando su grado de acuerdo o desacuerdo con una escala de
Likert de 5 puntos (donde 1 = muy en desacuerdo y 5 = muy de
acuerdo)con las siguientes afirmaciones:

b5: Un empleo es sólo una forma de ganar dinero, y nada más.

b6: Me gustaría tener un trabajo remunerado aunque no necesitase el
dinero.
b7: El trabajo es la actividad más importante de cualquier persona.
b8: Por conseguir un trabajo mejor estaría dispuesto a renunciar a parte
del tiempo libre que tengo ahora.
b9: Mi trabajo permite realizarme como persona mucho más que otras
cosas en la vida.

Calcule la matriz de correlaciones de Pearson entre las cinco variables e

indique entre qué variables no existe una relación significativa.

Correlaciones
Actitud ante el Actitud ante el Actitud ante el Actitud ante el Actitud ante el
trabajo (1) trabajo (2) trabajo (3) trabajo (4) trabajo (5)
Actitud ante el trabajo (1) Correlación de Pearson 1 -,026 ,149(**) ,037 ,001
Sig. (bilateral) ,380 ,000 ,199 ,981
N 1194 1185 1 1187 1176 1156
Correlación de Pearson -,026 ,121(**) ,293(**) ,229(**)
Actitud ante el trabajo (2)
Sig. (bilateral) ,380 ,000 ,000 ,000

N 1185 1187 1181 1172 1149

Actitud ante el trabajo (3) Correlación de Pearson ,149(**) ,121(**) 1 ,122(**) ,283(**)
Sig. (bilateral) ,000 ,000 ,000 ,000

N 1187 1181 1190 1173 1153

Actitud ante el trabajo (4) Correlación de Pearson ,037 ,293(**) ,122(**) 1 ,243(**)
Sig. (bilateral) ,199 ,000 ,000 ,000

6
 7

N 1176 1172 1173 1177 1145

Actitud ante el trabajo (5) Correlación de Pearson ,001 ,229(**) ,283(**) ,243(**) 1
Sig. (bilateral) ,981 ,000 ,000 ,000

N 1156 1149 1153 1145 1157

** La correlación es significativa al nivel 0,01 (bilateral).

No existen relaciones significativas entre: b5 y b6, b5y b8, b5 y b9.

Contrastes no paramétricos tema 2

7
8

8
9

9
 10

LABORATORIO Nº 2: Pruebas no paramétricas

Utilizando el archivo de datos [Link], SE PIDE:

1. En el archivo tenemos las variables a1: aspectos que más le

preocupa cono cuatro opciones de respuesta (Vida afectiva-
Dinero-Armonía Familiar-Salud); a3: Aspecto con el que se
siente más satisfecho también con cuatro opciones de respuesta
(Tiempo libre-Vivienda-Calidad del medio ambiente-Comprar lo
que desee); y una tercera, a5: estado de ánimo más frecuente con
siete opciones de respuesta (Contento-Solo-Aburrido-Cansado-
Deprimido-Eufórico-Preocupado). Contraste la hipótesis de que
no existen diferencias significativas entre el número de los
encuestados que responden a cada una de las categorías de cada
variable por separado.
Podemos concluir, a la vista de los resultados, que sí (sí/no)
existen diferencias significativas en los tres casos.
2. En la variable a1, el aspecto que más le preocupa a la gente es su
salud con una frecuencia observada de 525 personas y con un
residual de 235,5. El aspecto con el se siente más satisfecha la
muestra, es la casa en la que vive con una frecuencia de 574
personas. Finalmente, en la tercera variable (estado de ánimo
más frecuente), la categoría con una frecuencia observada más
alta es contento, con 711 personas.

Estadísticos de contraste

Satisfacción:
Preocupacion aspecto con el Estado de
es: aspecto que que se siente más ánimo más
más le preocupa satisfecho frecuente
Chi-
369,095 480,715 2126,704
cuadrado(a,b,c)
gl 3 3 6
Sig. asintót. ,000 ,000 ,000
a 0 casillas (,0%) tienen frecuencias esperadas menores que 5. La
frecuencia de casilla esperada mínima es 289,5.
b 0 casillas (,0%) tienen frecuencias esperadas menores que 5. La
frecuencia de casilla esperada mínima es 286,3.
c 0 casillas (,0%) tienen frecuencias esperadas menores que 5. La
frecuencia de casilla esperada mínima es 168,7.

Preocupaciones: aspecto que más le preocupa

N observado N esperado Residual
Su vida afectiva 63 289,5 -226,5
El dinero 290 289,5 ,5
Armonía familiar 280 289,5 -9,5
Su salud 525 289,5 235,5

10
 11

Total 1158

Satisfacción: aspecto con el que se siente más satisfecho

N observado N esperado Residual
Tiempo libre 310 286,3 23,8
Casa en que vive 574 286,3 287,8
Calidad [Link] 184 286,3 -102,3
Comprar lo que quiere 77 286,3 -209,3
Total 1145

Estado de ánimo más frecuente

N observado N esperado Residual
Contento 711 168,7 542,3
Solo 40 168,7 -128,7
Aburrido 57 168,7 -111,7
Cansado 107 168,7 -61,7
Deprimido 78 168,7 -90,7
Eufórico 15 168,7 -153,7
Preocupado 173 168,7 4,3
Total 1181

3. Contrastar la hipótesis de que la muestra procede de una población en

la que 1/3 de la misma se declara “activa” en la variable b1:
situación laboral y los 2/3 restantes “no activos” en la misma
pregunta. Proporción observada: 0,338
Proporción esperada: 0,333
Grado de significación: 0,358 (0,2799 si utilizamos 0,33)
Conclusión: No se rechaza la hipótesis nula de que la muestra
procede de una población con 1/3 de personas activas.

Prueba binomial
Proporción Prop. de Sig. asintót.
Categoría N observada prueba (unilateral)
Situación laboral Grupo 1 Sí 406 ,338 ,333 ,358(a)
Grupo 2 No 794 ,662
a Basado en Total 1200 1,000
la
aproximación
Z.

Utilizando el archivo de datos [Link], SE PIDE:

4. De todas las variables numéricas del archivo, la que mejor se ajusta a

una distribución normal es la variable consumo 120 km/h., con un
estadístico Z = 0,692 y un p-valor = 0,724. (Ho; es que la distribución es
normal) (Buscar sig > 0,05)

11
 12

5. La que mejor se ajusta a una distribución uniforme es la variable

aceleración de a 100, con una Z = 1,144 y un p-valor = 0,146. (Ho: es
que la distribución es uniforme) (Buscar sig>0,05)
6. Finalmente, a una Poisson y teniendo en cuenta que solamente es
posible el ajuste con variables discretas, ninguna de ellas (Todas
ellas/Ninguna de ellas) se ajusta(n) a una distribución de Poisson con un
nivel significación del 5%. (Ho: es que la distribución es poisson)
(Buscar sig>0,05)

Prueba de Kolmogorov-Smirnov para una muestra

Número de Cilindrada Revoluciones Número Consumo Consumo Consumo Velocidad Aceleración Tiempo de
pvp cilindros (cm cúbicos) Potencia (CV) por minuto peso de plazas 90 km/h 120 km/h urbano máxima de 0 a 100 acelaración

N Media 125 125 125 125 125 123 125 115 110 118 122 79 125
Parámetros normalesa,b Desviación típica 4004459 4,59 2569,82 117,08 4670,88 1674,54 5,18 8,897 12,249 12,589 150,59 15,425 1,9760
1937791 1,017 691,505 37,570 716,041 333,603 1,388 1,5026 2,3082 2,8884 16,738 3,3119 ,15366
Absoluta
Diferencias más extremas Positiva ,189 ,448 ,119 ,169 ,170 ,111 ,305 ,100 ,066 ,134 ,129 ,102 ,538
Negativa ,189 ,448 ,119 ,169 ,170 ,087 ,305 ,100 ,066 ,134 ,129 ,068 ,438
-,087 -,280 -,117 -,088 -,114 -,111 -,183 -,064 -,048 -,063 -,068 -,102 -,538
Z de Kolmogorov-Smirnov
2,108 5,007 1,327 1,884 1,896 1,228 3,407 1,071 ,692 1,459 1,423 ,905 6,016
Sig. asintót. (bilateral)
,000 ,000 ,059 ,002 ,002 ,098 ,000 ,202 ,724 ,028 ,035 ,385 ,000
a. La distribución de contraste es la Normal.

b. Se han calculado a partir de los datos.

Prueba de Kolmogorov-Smirnov para una muestra 2

Número de Cilindrada Revoluciones Número Consumo Consumo Consumo Velocidad Aceleración Tiempo de
pvp cilindros (cm cúbicos) Potencia (CV) por minuto peso de plazas 90 km/h 120 km/h urbano máxima de 0 a 100 acelaración

N Mínimo 125 125 125 125 125 123 125 115 110 118 122 79 125
Parámetros uniformesa,b Máximo 1367000 4 1298 64 3600 930 2 6,6 8,4 8,1 120 9,4 1,00
10419200 8 5216 225 6500 2320 9 13,7 18,5 22,1 196 22,0 2,00
Absoluta
Diferencias más extremas Positiva ,475 ,728 ,403 ,393 ,246 ,182 ,323 ,329 ,285 ,378 ,220 ,129 ,976
Negativa ,475 ,728 ,403 ,393 ,246 ,099 ,323 ,329 ,285 ,378 ,220 ,129 ,024
-,008 -,024 -,042 -,017 -,066 -,182 -,238 -,026 -,020 -,013 -,058 -,061 -,976
Z de Kolmogorov-Smirnov
5,314 8,139 4,503 4,392 2,754 2,020 3,616 3,524 2,993 4,110 2,430 1,144 10,912 ,000
Sig. asintót. (bilateral)
,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,146
a. La distribución de contraste es la Uniforme.

b. Se han calculado a partir de los datos.

Prueba de Kolmogorov-Smirnov para una muestra 3

Número de Cilindrada Revoluciones Número Consumo Consumo Consumo Velocidad Aceleración Tiempo de
pvp cilindros (cm cúbicos) Potencia (CV) por minuto peso de plazas 90 km/h 120 km/h urbano máxima de 0 a 100 acelaración
c d e f
N Media 125 125 125 125 125 123 125 115 110 118 122 79 125
Parámetro de Poissona,b Absoluta 4004459 4,59 2569,82 117,08 4670,88 1674,54 5,18 8,897 12,249 12,589 150,59 15,425 1,9760
Diferencias más extremas Positiva ,600 ,327 ,486 ,380 ,506 ,470 ,192 ,132 ,389
Negativa ,600 ,213 ,486 ,380 ,506 ,314 ,168 ,132 ,317

-,392 -,327 -,398 -,165 -,378 -,470 -,192 -,108 -,389

Z de Kolmogorov-Smirnov
6,708 3,656 5,431 4,249 5,656 5,213 2,148 1,459 4,344
Sig. asintót. (bilateral)
,000g ,000 ,000 ,000 ,000 ,000 ,000 ,028 ,000
a. La distribución de contraste es la de Poisson.
b. Se han calculado a partir de los datos.
c. Las variables de Poisson son números enteros no negativos. El valor 6,6 aparece en los datos. No es posible realizar
la prueba de Kolmogorov-Smirnov para una muestra.
d. Las variables de Poisson son números enteros no negativos. El valor 8,4 aparece en los datos. No es posible realizar
la prueba de Kolmogorov-Smirnov para una muestra.
e. Las variables de Poisson son números enteros no negativos. El valor 8,1 aparece en los datos. No es posible realizar
la prueba de Kolmogorov-Smirnov para una muestra.
f. Las variables de Poisson son números enteros no negativos. El valor 9,4 aparece en los datos. No es posible realizar
la prueba de Kolmogorov-Smirnov para una muestra. g. Los datos contienen un valor demasiado grande para la
distribución de Poisson. Se usará una aproximación normal.

7. Queremos comparar si el precio de venta al público (pvp) promedio

de los 15 vehículos todoterreno marca Land Rover de la
muestra difiere significativamente del precio promedio de los
15 vehículos Mitsubishi. Si hacemos un contraste de medias utilizando la U
de Mann-Withney obtenemos los siguientes resultados:

12
 13

Media de rangos Land Rover:

14,87 Media de rangos
Mitsubishi: 16,13
U: 103,000
Conclusión: No se rechaza la hipótesis nula de que el precio venta al
público promedio de los vehículos todoterreno de la marca Land
Rover no difiere significativamente del precio promedio de los
vehículos de la marca Mitsubishi.

Anova (Tema 3)
SOLUCIÓN LABORATORIO Nº 3: TÉCNICOS

Datos: los datos están contenidos en el fichero Té[Link]

Se desea conocer si la zona de trabajo (norte, levante, centro, sur) de los 64 técnicos de
una empresa tiene influencia en el número de visitas que éstos realizan al año. Estime
mediante SPSS el modelo ANOVA correspondiente y conteste las siguientes preguntas:

1. ¿Cuál es la hipótesis nula del contraste de Levene? ¿Se acepta o se rechaza

dicha hipótesis?

La hipótesis nula de Levene es que las varianzas del número de visitas de los
técnicos de las cuatro zonas de trabajo son iguales:

13
 14

El p-valor es de 0,679 ≥ 0,05, por lo que a un nivel de significación del 5% no

se
rechaza la hipótesis nula.

2. Realice la descomposición de la Suma Cuadrática Total en Suma Cuadrática

entre grupos y Suma Cuadrática dentro de los grupos.

Suma Cuadrática Total (SCT) = 403.310,484

Suma Cuadrática Entre grupos (SCE) = 79.945,021
Suma Cuadrática dentro de los grupos (SCD) = 323.365,463

SCT =SCE+SCD⇒ 403.310,484 = 79.945,021+ 323.365,463

3. ¿Cómo se calcula en este caso el estadístico F? ¿Cuál es la hipótesis nula que

se pretende contrastar con este estadístico?

14
 15

SCE 79.945,021

MCE k −1 = 4-1 = 26.648,34 = 4,945

F= =
SCD 323.365,4635.389,424 N − k 64- 4
La hipótesis nula es la igualdad de número medio de visitas de los técnicos de
las cuatro zonas de trabajo.

4. A la vista del nivel de significación del estadístico ¿se rechaza o no la hipótesis

nula?

El p-valor es de 0,004 < 0,05, por lo que a un nivel de significación del 5% se

rechaza la hipótesis nula y, por tanto, existen diferencias en el número medio de
visitas que realizan los técnicos de las cuatro zonas.

5. Obtener e interpretar la medida de bondad de ajuste.

2
SCE 79.945,021
R= = = 0,198
SCT 403.310,484
La zona de trabajo del técnico explica un 19,8% del número de visitas que
realiza.

6. En caso de rechazar la hipótesis nula realice las pruebas post-hoc

correspondientes e indique entre que grupos se encuentran las diferencias. A la
vista de los resultados, ¿qué técnicos visitan más?

15
 16

De acuerdo con Scheffé, y para un nivel de significación del 5%, existen

diferencias entre el número medio de visitas que realizan los técnicos del centro
y los de levante. Los técnicos del centro realizan en media más visitas que los
de la zona de levante.

LABORATORIO Nº 5: AUTOMÓVILES

16
 17

Datos: los datos están contenidos en el fichero datos [Link]

Queremos contrastar si los consumos medios de combustible de 4 modelos de automóviles son

homogéneos. Para ello se realizan pruebas con 3 conductores que podrían influir en dicha
heterogeneidad, por lo que se recoge la información en bloques.

Contrastar con un nivel de significación del 5%:

1. La hipótesis de igualdad de consumos medios de los 4 automóviles.

El conjunto de datos se muestra en la siguiente tabla:

Factores inter-sujetos

N
1,00 3

2,00 3
Modelo de automóvil
3,00 3
4,00 3
1,00 4

Conductor 2,00 4

3,00 4

Como sólo tenemos 1 observación por celda no podemos calcular el estadístico del
contraste de Levene:

Contraste de Levene sobre la igualdad de las varianzas errora

Variable dependiente: Consumo de combustible por
cada 100 km

F gl1 gl2 Sig.

. 11 0 .
Contrasta la hipótesis nula de que la varianza error de
la variable dependiente es igual a lo largo de todos los
grupos.

a. Diseño: Intersección + modelo + conductor

Para contrastar la igualdad de consumos medios de los 4 automóviles (factor principal)

necesitamos la información de la tabla de los efectos inter sujetos:

17
 18

Pruebas de los efectos inter-sujetos Variable

dependiente: Consumo de combustible por cada 100 km

Origen gl Media cuadrática F Sig.

Suma de
cuadrados tipo
III
Modelo corregido 8,854a 5 1,771 4,474 ,048
Intersección 475,021 1 475,021 1200,053 ,000
modelo 3,063 3 1,021 2,579 ,149
conductor 5,792 2 2,896 7,316 ,025
,396
Error 2,375 6
Total 486,250 12
Total corregida 11,229 11

a. R cuadrado = ,788 (R cuadrado corregida = ,612)

El p-valor asociado al estadístico del factor principal (modelo de automóvil) es de 0,149

> 0,05, por lo que a un nivel de significación del 5% no se rechaza la hipótesis nula y,
por tanto, no existen diferencias significativas en los consumos medios de los 4
automóviles.

2. La hipótesis de igualdad de consumos medios de los 3 conductores.

El p-valor asociado al estadístico del factor de bloqueo (conductor) es de 0,025 < 0,05,
por lo que a un nivel de significación del 5% se rechaza la hipótesis nula y, por tanto,
existen diferencias significativas en los consumos medios de los 3 conductores.

3. En caso de rechazar alguna de las anteriores hipótesis realice los contrastes posteriores
oportunos.

Tras el rechazo de la hipótesis nula tendríamos que hacer los contrastes post-hoc sobre
el factor conductores
Los resultados del contraste aparecen en la siguiente tabla:

Comparaciones múltiples
Variable dependiente: Consumo de combustible por cada 100 km Scheffe

(I)Conductor (J)Conductor Diferencia de Error típ. Sig. Intervalo de confianza 95%

medias (I-J)
Límite inferior Límite superior
1,00 2,00 1,6250* ,44488 ,030 ,1982 3,0518

18
 19

1,2500 ,44488 ,081 -,1768 2,6768

3,00
1,00 -1,6250* ,44488 ,030 -3,0518 -,1982
2,00
3,00 -,3750 ,44488 ,715 -1,8018 1,0518
1,00 -1,2500 ,44488 ,081 -2,6768 ,1768
3,00
2,00 ,3750 ,44488 ,715 -1,0518 1,8018
Basadas en las medias observadas.
El término de error es la media cuadrática(Error) = ,396. *. La
diferencia de medias es significativa al nivel ,05.

Como podemos observar solo existen diferencias significativas entre el consumo medio
de combustible del conductor 1 y el conductor 2, en el sentido de que el conductor 1
consume en media más gasolina que el conductor 2.
A continuación se muestra la tabla de subconjuntos homogéneos:
Consumo de combustible por cada 100 km
Scheffe

Conductor N Subconjunto

1 2
2,00 4 5,6250

3,00 4 6,0000 6,0000

1,00 Sig. 4 7,2500 ,081
,715

Se muestran las medias de los grupos de

subconjuntos homogéneos. Basadas en las
medias observadas.

El término de error es la media cuadrática (Error)

= ,396.

a. Usa el tamaño muestral de la media armónica

= 4,000
b. Alfa = ,05. ( Laboratorio 8: matriz de distancias )

Cluster (tema 4)

19
 20

No jerárquico

Resultados:

20
21

21
 22

LABORATORIO Nº 9: Análisis de Conglomerados I

Una empresa está interesada en lanzar un nuevo medio de

comunicación. Para ello se nos pide que identifiquemos
segmentos de la población que no estén satisfechos con los
medios de comunicación actuales. Para proceder a dicho análisis,
utilizamos la información proporcionada por el Barómetro del CIS
de marzo de 2013. En el archivo de datos Datos medios de
comunicació[Link], se incluye las respuestas obtenidas a la pregunta
por el grado de confianza que tienen los encuestados en la
información que proporcionan una serie de medios de
comunicación. Con estos datos se decide realizar un análisis
cluster para dividir los encuestados en tres grupos.

SE PIDE:
1. ¿Cuántas iteraciones hacen falta para que el algoritmo
converja?
2. ¿Qué grupo identifica a aquella gente que no siente
confianza en ninguno de los medios de comunicación
actuales? ¿qué proporción de la población pertenece a
dicho grupo?
3. ¿Qué grupo identifica a aquella gente que, en general,
siente confianza en todos los medios de comunicación
actuales? ¿qué proporción de la población pertenece a
dicho grupo?
4. ¿Cómo interpretaría el tercer grupo formado?

22
 23

5. ¿Para qué tipo de medio de comunicación hay mayor

diferencia entre los grupos en la apreciación sobre la
confianza que genera? ¿y para qué medio la diferencia es
menor entre los grupos?

1. Según indica el historial de iteraciones hacen falta 19

iteraciones.

2. El grupo 2 identifica a la gente que no siente confianza en

ninguno de los medios actuales.
Suponen 134/(954+1523)=5,41% de la muestra

3. El grupo 1 identifica a la gente que en general siente

confianza en todos los medios actuales.
Suponen 455/(954+1523)=18,37% de la muestra

23
 24

4. El tercer grupo está formado por aquellos que tienen

confianza en la información que proporcionan los medios
tradicionales, pero no en los nuevos como blogs o twitter.

Centros de los conglomerados

finales
Conglomera
d o

1 2 3
La televisión 6 2 5

La radio 7 2 6
La prensa escrita (los periódicos editados en papel, o bien
2
en papel y en Internet a la vez)
5
La prensa únicamente digital (publicada únicamente en 7
2
Internet y que no tiene edición en papel)
7 2
5

Los Blogs 6 3

Las redes sociales (twitter, facebook, tuenti, etc.) 6 2 3

Número de casos en cada

conglomerado
1 455,000

Conglomerado 2 134,000
3 365,000
Válidos 954,000

Perdidos 1523,000

5. Las mayores diferencias se producen en cuanto a la

confianza con respecto a la prensa escrita (F=555,336) y
las menores con respecto a la televisión (F=327,626).

24
 25

Jerárquico

25
 26

Resultados:
SOLUCIÓN LAB CLUSTER: CEREALES DESAYUNO

Utilizando datos de la OCU sobre distintas características de cereales de

desayuno en el mercado (etiquetado, peso, valor nutricional, contaminantes
y degustación) se quiere realizar un análisis cluster jerárquico:

Utilizando el archivo de datos Cereales [Link] realice mediante SPSS un

análisis clúster de tipo jerárquico de acuerdo con las siguientes
especificaciones:
₋ Método: Vinculación inter-grupos.
₋ Medida: intervalo y distancia euclídea al cuadrado.
₋ Transformar valores: Estandarizar: Ninguna.

Conteste las siguientes preguntas:

Historial de conglomeración
Etapa Conglomerado que se combina Coeficientes Próxima etapa
Etapa en la que el conglomerado
aparece por primera vez

Conglomerado Conglomerado 2 Conglomerado 1 Conglomerado 2

1
1 2 3 5,000 0 0 2
2 2 8 46,500 1 0 3
3 2 5 56,000 2 0 6
4 4 7 149,000 0 0 8
5 9 10 204,000 0 0 6
6 2 9 215,000 3 5 7

7 2 6 273,000 6 0 9

26
 27

8 1 4 303,500 0 4 9
9 1 2 780,762 8 7 0

27
 28

1. Tras realizar el análisis clúster se observa que los dos cereales de

desayuno más parecidos son KELLOGG´S Corn flakes y HACENDADO
(MERCADONA) Corn flakes, pues son los primeros en juntarse en un
conglomerado. El primer multigrupo se forma en la etapa número 2,
entre KELLOGG´S Corn flakes y HACENDADO (MERCADONA) Corn flakes
por un lado y EL CORTE INGLES Corn flakes por otro. La primera marca de
cereal en unirse a CROWNFIELD (LIDL) es AUCHAN (ALCAMPO) Corn
flakes, en la etapa 8, que ya se había unido a la marca NESTLE Corn
flakes sin gluten en la etapa 4.

2. Si quisiéramos dividir los cereales de desayuno en cuatro grupos según

sus características, éstos estarían formados por:
GRUPO 1: KELLOGG´S Corn flakes, HACENDADO (MERCADONA) Corn
flakes, EL CORTE INGLES Corn flakes, EROSKI BASIC Corn flakes, DIA Corn
flakes, CARREFOUR Corn flakes

GRUPO 2: GOLDEN BRIDGE (ALDI) Corn flakes

GRUPO 3: AUCHAN (ALCAMPO) Corn flakes, NESTLE Corn flakes sin

gluten.

GRUPO 4: CROWNFIELD (LIDL) Corn flakes

28
 29

3. Finalmente, se ha procedido a dividir el conjunto de las marcas de

cereales, en tres grupos utilizando para ello un análisis clúster de tipo no
jerárquico. Interprete los grupos formados e indique las características
para las que hay mayor y menor diferencia entre las marcas de cereales
respectivamente.

GRUPO 1: Mayor valor nutricional y mejor degustación.

GRUPO 2: Mejor etiquetado.
GRUPO 3: Mejor peso, peor en cuanto a valor nutricional y degustación.

Centros de los conglomerados finales

Conglomerad o
1 2 3

Etiquetado 82,00 95,00 94,71

Peso 67,00 63,50 87,86

Nutricional 70,00 68,00 63,86

Contaminantes 100,00 100,00 100,00
Degustación 76,00 67,00 63,57

MAYOR DIFERENCIA: En cuanto a peso. MENOR DIFERENCIA: Valor nutricional

ANOVA
F Sig.
Conglomerado Error
gl gl
Media Media
cuadrática cuadrática
Etiquetado
Peso 73,536 2 15,918 7 4,620 ,053
568,771 2 11,622 7 48,937 ,000

Nutricional 25,621 2 34,122 7 ,751 ,506

Contaminantes ,000 2 ,000 7 . .

Degustación 70,393 2 27,102 7 2,597 ,143

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

29
 30

Factorial (tema 5)
LABORATORIO Nº 13: PAMPERS

Datos: los datos están contenidos en el fichero datos

[Link]
En el mercado cada vez más competitivo de los pañales, el departamento
de marketing de P&G quiere formular nuevos enfoques para la elaboración y
comercialización de la marca Pampers, con el fin de darle una buena
posición frente a Huggies sin canibalizar su otra marca Luvs. Encuestaron a
300 madres de bebés, a cada una se le entregó una marca de pañales
elegida al azar (Pampers, Luvs o Huggies) y se les pidió que lo calificaran en
relación con nueve atributos. Las calificaciones de estos atributos se
obtuvieron en una escala tipo Likert de siete puntos (1= muy desfavorable;
7=muy favorable). El estudio fue diseñado de forma que cada marca
apareciera 100 veces. El objetivo es conocer los atributos subyacentes que
son importantes para las madres a la hora de comprar un pañal. Los nueve
atributos usados en el estudio junto con las opciones de marketing (entre
paréntesis) fueron:
Variable Atributo Opciones de marketing
X1 Piezas por caja ¿Quiere más piezas por caja?
X2 Precio ¿Paga un precio más alto?
X3 Valor Fomenta mayor valor
X4 Unisex vs. Sexo Ofrece la posibilidad de uso
separado ambos sexos
X5 Estilo Estampados de colores o
austeros
X6 Absorbencia Normal o super-absorbentes
X7 Escapes Entrepierna estrecha o normal
X8 Comodidad Acolchado extra y pliegues
anatómicos
X9 Cierre Cinta sellable o normal

30
 31

Realizar un análisis factorial para analizar las dimensiones subyacentes más

importantes para las madres a la hora de comprar una determinada marca
de pañales.
Preguntas:

I. Analice la pertinencia del análisis factorial para este

ejemplo (análisis matriz de correlaciones, KMO y prueba
de Barlett, matriz de correlaciones anti-imagen,
coeficientes MSA).

II. Comente los resultados de la extracción de los factores

(sistema de extracción, comunalidades, autovalores, nº
de factores extraídos y varianza explicada, método de
rotación).
III. Interprete los factores y ponga un nombre apropiado a
cada uno de ellos. ¿Cuáles son las dimensiones
subyacentes más importantes para las madres a la hora
de comprar una determinada marca de pañales?
IV. ¿Cómo se calcularían las puntuaciones factoriales para
una madre que ha dado las siguientes respuestas: X 1=6,
X2=6; X3=4, X4=4; X5=4; X6=5; X7=5; X8=6; X9=6?

V.

31
 32

Solución:
1. El primer paso es el examen visual de las
correlaciones, identificando aquellas que sean
estadísticamente significativas Hay 36
coeficientes de correlación distintos, todos ellos
son significativos (100%).
Todas las variables están correlacionadas, con el
resto de variables y el determinante de pie de
tabla es 0 que es el menor valor que puede
tomar.
Estadísticos descriptivos
Desviación
Media típica N del análisis
Piezas por caja 4,79 1,049 300
Precio 4,74 1,007 300
Valor 4,82 1,178 300
Unisex 4,13 1,505 300
Estilo 4,02 1,330 300
Absorbencia 3,91 1,172 300
Escapes 3,87 1,153 300
Comodidad 3,83 1,197 300
Cierre 3,34 1,165 300

Matriz de correlacionesa
Piezas
por caja
Precio Valor Unisex Estilo Absorbencia Escapes Comodidad Cierre
Correlación Piezas por 1,000 ,86 ,864 ,692 ,508 ,459 ,447 ,412 ,395 ,321
caja 4 1,000 ,73 ,730 ,492 ,464 ,422 ,387 ,360 ,321
Precio ,692 0 1,000 ,38 ,381 ,346 ,395 ,357 ,322 ,248
Valor ,508 ,492 1 1,000 ,89 ,894 ,486 ,486 ,396 ,324
Unisex ,459 ,464 ,346 4 1,000 ,46 ,465 ,460 ,404 ,317
Estilo ,447 ,422 ,395 ,486 5 1,000 ,942 ,731 ,540
Absorbencia ,412 ,387 ,357 ,486 ,460 ,942 1,000 ,75 ,753 ,576
Escapes ,395 ,360 ,322 ,396 ,404 ,731 3 1,000 ,654
Comodidad ,321 ,321 ,248 ,324 ,317 ,540 ,576 ,654 1,000
Cierre
Sig. (Unilateral) Piezas por ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
caja ,000 ,000 ,000 ,000 ,000 ,000 ,000
Precio ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Valor ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Unisex ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Estilo ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Absorbencia ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Escapes ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Comodidad ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Cierre ,000
a. Determinante = ,000

32
 33

El valor del KMO es de 0,803 lo que se

considera un como un valor bueno.
En la prueba de Barlett con un valor de
2404,021 y un grado de significación de 0
resulta evidente que la matriz de correlaciones
no se trata de una matriz de identidad y, por
tanto, las variables iniciales están
correlacionadas con lo que tiene sentido aplicar
el análisis factorial.

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-

MeyerOlkin. ,803
Prueba de esfericidad de Chi-cuadrado
Bartlett aproximado 2404,021
gl 36

Sig. ,000

En la diagonal de la matriz de correlación anti-

imagen tenemos los MSA que vienen a ser los
KMO pero para cada variable por separado e
interesa que estén cercanos a la unidad. Todos
los MSA están por encima de 0,5 y son bastante
cercanos a la unidad.
Los restantes elementos de la matriz de
correlaciones son los coeficientes de correlación
parcial entre cada par de variables cambiada de
signos. Interesan coeficientes cuanto más
pequeños mejor para que las variables
compartan factores comunes.
Piezas
por caja
Precio Valor Unisex Estilo Absorbencia Escapes Comodidad Cierre
Covarianza anti-imagen Piezas por caja ,231 -,152 -,049 -,029 ,017 -,007 ,005 -,025 ,008
Precio -,152 ,213 -,111 ,005 -,020 -,003 ,004 ,014 -,031
Valor -,049 -,111 ,445 -,004 ,011 -,015 ,004 -,006 ,023
-,004 -,160
Unisex -,029 ,005 ,183 ,002 -,012 ,023 -,007
,011 ,195
Estilo ,017 -,020 -,160 -,005 ,005 -,026 ,005
-,015 -,005
Absorbencia -,007 -,003 ,002 ,106 -,088 -,017 ,016
,004 ,005
,005
Escapes ,004 -,006 -,012 -,026 -,088 ,099 -,039 -,031
-,025
Comodidad ,014 ,023 ,023 ,005 -,017 -,039 ,349 -,177
,008
Cierre -,031 -,007 ,016 -,031 -,177 ,547
Correlación anti-imagen Piezas por caja ,813a -,686 -,154 -,143 ,080 -,043 ,032 -,089 ,022
a
Precio -,686 ,786 -,361 ,027 -,098 -,021 ,026 ,053 -,090
a
Valor -,154 -,361 ,913 -,014 ,036 -,071 ,021 -,014 ,046
a
Unisex -,143 ,027 -,014 ,743 -,845 ,014 -,089 ,089 -,021
Estilo ,080 -,098 ,036 -,845 ,732
a
-,032 ,038 -,100 ,015
Absorbencia -,043 -,021 -,071 ,014 -,032 ,781
a
-,859 -,089 ,067
,032 ,021 a
Escapes ,026 -,089 ,038 -,859 ,768 -,207 -,131
-,014

33
 34
Comodidad -,089 ,053 ,046 ,089 -,100 -,089 -,207 ,902a -,405
Cierre ,022 -,090 -,021 ,015 ,067 -,131 -,405 ,885
a

Los coeficientes de correlación parcial son

pequeños. Hay tres coeficientes grandes que
corresponden a: Piezas con caja con Precio (-
0,686), Unisex con Estilo (-0,845) y Absorbencia
con Escapes (-0,859).

Matrices anti-imagen
a. Medida de adecuación muestral

Todo ello nos lleva a concluir que el análisis

factorial es pertinente.

2. El sistema de extracción utilizado en SPSS es el

de componentes principales que consiste en
reducir un número de variables
intercorrelacionadas a un número inferior de
factores no correlacionados.
Las comunalidades muestran la cantidad de
varianza en una variable que es explicada por
los factores extraídos tomados en conjunto.
Comunalidades grandes indican que la solución
factorial ha extraído una gran cantidad de
varianza en una variable.
Comunalidades pequeñas muestran que una
porción sustancial de la varianza en una
variable viene explicada por otros factores.
Todas las comunalidades están por encima de
0,5 con valores bastante elevados, siendo el
más bajo el que corresponde a la variable
“Cierre” con 0,616.
Comunalidades
Inicial Extracción
Piezas por caja 1,000 ,862
Precio 1,000 ,890
Valor 1,000 ,786
Unisex 1,000 ,944
Estilo 1,000 ,943
Absorbencia 1,000 ,842
Escapes 1,000 ,871
Comodidad 1,000 ,801
Cierre 1,000 ,616
Método de extracción: Análisis de
Componentes principales.

34
 35

Hay tres factores con auto-valores superiores a

1 y que será el número que extraerá el sistema
de acuerdo con la regla de Kaiser.
Varianza explicada por cada factor:
1er factor: 55,254% antes de la rotación y
34,061% después de rotación varimax.
2º factor; 17, 043% antes de rotación y 28,26%
después de rotación.
3º factor: 11,662% antes rotación y 21,638%
después de rotación
Varianza total explicada
Sumas de las saturaciones al cuadrado Suma de las saturaciones al cuadrado
Autovalores iniciales de la extracción de la rotación
% de la % de la % de la
Componente Total varianza % acumulado Total varianza % acumulado Total varianza % acumulado
1 4,973 55,254 55,254 4,973 55,254 55,254 3,066 34,061 34,061
2 1,534 17,043 72,297 1,534 17,043 72,297 2,543 28,260 62,321
3 1,050 11,662 83,959 1,050 11,662 83,959 1,947 21,638 83,959
4 ,556 6,180 90,140
5 ,326 3,622 93,762
6 ,272 3,025 96,787
7 ,135 1,503 98,290
8 ,099 1,102 ,60 99,392
9 ,055 8 100,000
Método de extracción: Análisis de Componentes principales.

Los tres factores incluidos en el modelo son

capaces de explicar exactamente un 83,959%
de la variabilidad total, lo que puede
interpretarse como un porcentaje bueno.
Correlaciones reproducidas
Piezas
por caja
Precio Valor Unisex Estilo Absorbencia Escapes Comodidad Cierre
Correlación reproducida Piezas por caja ,862b ,875 ,813 ,512 ,474 ,456 ,419 ,386 ,317
Precio ,875 ,890b ,828 ,503 ,464 ,433 ,394 ,362 ,296
Valor ,813 ,828 ,786b ,368 ,329 ,382 ,344 ,326 ,273
Unisex ,512 ,503 ,368 ,944b ,942 ,501 ,495 ,399 ,297
Estilo ,474 ,464 ,329 ,942 ,943b ,487 ,484 ,387 ,286
Absorbencia ,456 ,433 ,382 ,501 ,487 ,842b ,855 ,815 ,706
Escapes ,419 ,394 ,344 ,495 ,484 ,855 ,871b ,831 ,721
Comodidad ,386 ,362 ,326 ,399 ,387 ,815 ,831 ,801b ,700
Cierre ,317 ,296 ,273 ,297 ,286 ,706 ,721 ,700 ,616b
Residuala Piezas por caja -,011 -,121 -,004 -,015 -,008 -,007 ,009 ,004
Precio -,011 -,098 -,012 ,000 -,010 -,007 -,002 ,024
Valor -,121 -,098 ,013 ,018 ,013 ,013 -,005 -,025
Unisex -,004 -,012 ,013 -,048 -,014 -,009 -,003 ,027
Estilo -,015 ,000 ,018 -,048 -,022 -,023 ,017 ,031
Absorbencia -,008 -,010 ,013 -,014 -,022 ,087 -,084 -,167
Escapes -,007 -,007 ,013 -,009 -,023 ,087 -,078 -,145
Comodidad ,009 -,002 -,005 -,003 ,017 -,084 -,078 -,047
Cierre ,004 ,024 -,025 ,027 ,031 -,167 -,145 -,047
Método de extracción: Análisis de Componentes principales.
a. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 7 (19,0%) residuales no redundantes
con valores absolutos mayores que 0,05.

35
 36
b. Comunalidades reproducidas

En este caso procede realizar una rotación para

ayudarnos a interpretar, ya que no queda claro
en la matriz de pesos factoriales no rotada el
sentido y el significado de cada factor. Dentro
de los procedimientos ortogonales el utilizado
es el Varimax que trata de minimizar el número
de variables que hay con pesos elevadas en
cada factor.

3. Tras la rotación observamos que la interpretación

de la matriz factorial se ha simplificado. Así:
• Las variables Absorbencia, Escapes,
Comodidad y Cierre, cargan sobre el 1er
factor que se podría llamar: “Desempeño
del pañal”.
• Las variables Piezas por caja, Precio y
Valor cargan sobre el 2do factor que se
podría llamar: “Relación valor-precio”.
• Por último, las variables “Unisex” y
“Estilo” cargan en el 3er factor que es un
factor de “Estilo.
Matriz de componentes rotados(a)

Componente

1 2 3
Piezas por caja ,224 ,865 ,251
Precio ,193 ,891 ,243
Valor ,183 ,862 ,105
Unisex ,244 ,266 ,902
Estilo ,237 ,220 ,916
Absorbencia ,850 ,232 ,256
Escapes ,879 ,182 ,257
Comodidad ,863 ,177 ,157
Cierre ,768 ,145 ,079
Método de extracción: Análisis de componentes principales.
Método de rotación:
Normalización Varimax
con Kaiser. a La
rotación ha convergido
en 4 iteraciones.

4. De acuerdo con la matriz de coeficientes para las

puntuaciones en las componentes se puede
deducir la siguiente relación entre componentes
y variables:

36
 37

f1 = −0,069ZX1 + 0,399ZX2 −+

0,32ZX9

f2 = 0,399ZX1 + 0,42ZX2 +− 0,044ZX9

f3 = −0,056ZX15 − 0,062ZX2 −−

0,131ZX9

Donde ZX i hacen referencia a los valores de las

variables tipificados. Si en las anteriores
expresiones sustituimos esos valores por X 1=6,
X2=6; X3=4, X4=4; X5=4; X6=5; X7=5; X8=6;
X9=6 tipificados, obtendremos las siguientes
puntuaciones: 1,828, 0,358, -0,621.

Matriz de coeficientes para el cálculo de las puntuaciones en las componentes

Componente

1 2 3
Piezas por caja -,069 ,399 -,056
Precio -,086 ,420 -,062
Valor -,058 ,437 -,160
Unisex -,110 -,097 ,586
Estilo -,109 -,125 ,609
Absorbencia ,310 -,049 -,031
Escapes ,330 -,081 -,025
Comodidad ,344 -,058 -,098
Cierre ,320 -,044 -,131
Método de extracción: Análisis de
componentes principales.
Método de rotación: Normalización
Varimax con Kaiser. Puntuaciones
de componentes.

EXAMEN

HOLA ME RECIBIS
Holaaaa siy sofi me leeis?
Holaaa
Hola
Que poneis
Si alguien lo tiene y cree que esta bien uqe ponga capturA

37
 38

Este lo teneis asi?

Igual soy ale

Y este ?

Hola decir akdo

38