IBM Software

Business Analytics IBM SPSS Categories 22

IBM SPSS
Categories

Prediga resultados y revele relaciones en sus datos categricos












Caractersticas


Visualizar y explorar datos
numricos y categoras
complejas, as como tambin
datos altamente
dimensionales

Comprender informacin en
tablas de dos y varias vas

Utilizar bi-plots y mapas
perceptuales para ver las
relaciones en sus datos





Libere todo el potencial de sus datos a travs de anlisis predictivo,
conocimiento estadstico, mapas perceptuales, escalamiento de
preferencias, y tcnicas de reduccin dimensionales, incluyendo
escalamiento ptimo de sus variables. IBM SPSS Categories le
proporciona todas las herramientas que necesita para obtener una visin
clara de datos complejos categricos y numricos; as como tambin de
datos dimensionales.

Por ejemplo, utilice IBM SPSS Categories para comprender cules son las
caractersticas que los consumidores consideran ms cercanas a su
producto o marca, o para determinar la percepcin que tienen los
consumidores de sus productos comparada con otros productos que la
competencia ofrece.

Con IBM SPSS Categories podr realizar regresiones cuando las variables
de prediccin y los resultados son numricos, ordinales o nominales, y
contar con una interpretacin visual de los datos para ver cmo las
columnas y las filas se relacionan en grandes tablas de calificacin,
conteos, puntuaciones o similitudes. Esto le da la capacidad de:

Trabajar y comprender datos ordinales y nominales utilizando
procedimientos similares a la regresin convencional, componentes
principales, y anlisis de correlacin cannica
Trabajar con datos numricos con residuos anormales o relaciones no
lineales entre las variables de prediccin de resultados. Utilice las
opciones para regresin Ridge, de Lasso, malla elstica, variable de
seleccin, y modelo de seleccin para datos numricos y categricos
Utilice biplots y triplots para representar la relacin entre objetos (casos),
categoras, y (conjuntos de) variables en anlisis de correlacin
Representar similitudes entre uno o dos conjuntos de objetos como
distancias en mapas perceptuales











IBM Software
Business Analytics IBM SPSS Categories 22

Transforme sus variables cualitativas en
cuantitativas
Los avanzados procedimientos de IBM SPSS
Categories le permiten realizar operaciones
estadsticas adicionales a datos categricos.


Fcilmente analice e interprete datos
multivariados

Las capacidades de IBM SPSS Categories le permiten
fcilmente analizar e interpretar datos multivariados y
sus relaciones de manera ms completa:

Los procedimientos de regresin categrica le
permiten predecir los valores de una variables de
resultados nominal, ordinal y numrica de una
combinacin de variables predictoras numricas y
(no)ordenadas.

Las tcnicas de esclamiento ptimo cuantifican las
variables para maximizar R Multiple

Las tcnicas de reduccin dimensional le ayudan a
visualizar claramente las relaciones in sus datos
utilizando mapas perceptuales y biplots

Los cuadros de resumen despliegan variables
similares o categoras, proporcionndole un
conocimiento de las relaciones entre ms de dos
variables

Utilice los procedimientos de escalamiento ptimo
de IBM SPSS Categories para asignar unidades de
medida y puntuaciones cero a sus datos categricos.
Esto abre un nuevo conjunto de funciones
estadsticas al permitirle realizar anlisis sobre
variables de niveles de medida mixtos por ejemplo,
variables nominales, ordinales y numricas.

La capacidad de IBM SPSS Categories para realizar
regresiones mltiples con escalamiento ptimo le
dan la oportunidad de aplicar regresiones cuando
cuenta con mezclas de variables de prediccin de
resultados numricos, ordinales y nominales. Esta
ltima versin incluye un procedimiento novedoso
para la seleccin de modelos y regularizacin. Podr
realizar anlisis de correspondencia y
correspondencia mltiple para evaluar
numricamente la relacin entre dos o ms variables
nominales en sus datos. Tambin podr utilizar el
anlisis de correspondencia para analizar cualquier
tabla con entradas no negativas.

Y con el anlisis de procedimiento de componentes
principales podr reducir sus datos a los
componentes principales. Los objetos biplots y
triplots, categoras, y variables muestran su relacin.
Estas opciones tambin estn disponibles para datos
numricos. El escalamiento ptimo le proporciona
una correlacin matricial basada en las calificaciones
de sus variables ordinales y nominales. Usted puede
dividir sus variables en conjuntos, y posteriormente
analizar las relaciones entre esos conjuntos
utilizando el anlisis de correlacin cannica.

Descubra las relaciones subyacentes de
manera grfica
Sin importar el tipo de categoras que estudie -
segmentos de mercado, subculturas, partidos
polticos, o especies biolgicas los procedimientos
de escalamiento ptimo le liberan de las restricciones
asociadas con las tablas de doble entrada, situando
las relaciones entre las variables en un sistema de
referencia ms amplio. Puede ver un mapa de sus
datos, no un mero reporte estadstico.

Las tcnicas de reduccin de dimensiones de
Categories le permiten ir ms all de tablas
inmanejables ya que podr clarificar relaciones en
sus datos mediante el uso de mapas perceptuales y
biplots.

Los mapas perceptuales son grficos de resumen de
alta resolucin que muestran las variables o
categoras similares y cercanas unas a otras. Le
proporcionan un conocimiento nico entre ms de
dos variables categricas
Los biplots y triplots le permiten ver las relaciones
entre casos, variables y categoras. Por ejemplo,
puede definir relaciones entre productos, clientes y
caractersticas demogrficas

Al utilizar procedimientos de escalamiento de
preferencias, puede visualizar relaciones entre
objetos. El algoritmo avanzado en el que se basa este
procedimiento permite realizar anlisis no mtricos
para datos ordinales y obtener resultados
significativos. El procedimiento de escalamiento de
proximidades le permite analizar las similitudes
entre objetos, e incorporar caractersticas para cada
uno de ellos en el mismo anlisis.

IBM Software
Business Analytics IBM SPSS Categories 22

Cmo puede utilizar IBM SPSS Categories
Los siguientes procedimientos estn disponibles para
aadir significado a sus anlisis de datos.

Regresin categrica (CATREG) predice los
valores de una variable nominal, ordinal o
numrica a partir de una combinacin de variables
categricas predictoras numricas y no ordenadas.
Puede utilizar regresin con escalamiento ptimo
para descubrir, por ejemplo, cmo la satisfaccin
en el trabajo puede ser predicha a partir de una
categora de trabajo, una regin geogrfica, y la
cantidad de viajes de trabajo.
Las tcnicas de escalamiento ptimo cuantifican las
variables de una forma que R Mltiple es
maximizado. El escalamiento ptimo puede ser
aplicado a variables numricas cuando los residuos
son anormales o cuando las variables de prediccin
son no lineales en relacin con las variables de
resultados. Tres nuevos mtodos de regularizacin:
regresin Ridge, de Lasso, y malla elstica mejoran
la precisin en la prediccin estabilizando la
estimacin de parmetros. La seleccin automtica
de variables hace posible analizar grandes bases de
datos ms variables que objetos. Utilizando el
nivel de escalamiento numrico podr realizar
regularizaciones en regresiones a travs de la
regresin de Lasso y de malla elstica.Tambin
podr utilizar CATREG para aplicar Modelos
Aditivos Generalizados (GAM) para datos
numricos y categricos.
Anlisis de correspondencias
(CORRESPONDENCE) le permite analizar tablas
de doble entrada que contengan alguna medida de
correspondencia entre filas y columnas, as como
tambin desplegar filas y columnas como puntos en
un mapa. Un tipo muy comn de tabla de
correspondencia es una tabla cruzada donde las
celdas contienen frecuencias conjuntas de dos
variables nominales. IBM SPSS Categories
visualiza las relaciones entre categoras de
variables nominales.
Anlisis de correspondencia mltiple (MULTIPLE
CORRESPONDENCE), a diferencia del anlisis de
correspondencias, permite el uso de ms de dos
variables en su anlisis. Con este procedimiento,
todas las variables son analizadas a un nivel
nominal (categoras desordenadas). Por ejemplo,
puede utilizar el anlisis de correspondencia
mltiple para explorar las relaciones entre los
programas de televisin favoritos, grupos de edad,
y gnero. Al examinar un mapa de dimensiones
reducidas creado con Categories, podr ver qu
grupos gravitan en cada programa revelando
simultneamente qu programas son ms parecidos.
Anlisis categrico de componentes principales
(CATPCA) emplea escalamiento ptimo para
generalizar el procedimiento de anlisis de
componentes principales, de manera que se puedan
acomodar variables de niveles de medida mixtos.
Es un anlisis similar al anlisis de
correspondencias mltiples, slo que le permite
especificar un nivel de anlisis variable por
variable. Por ejemplo, puede mostrar las relaciones
entre marcas de coches y caractersticas tales como
precio, peso, eficacia del combustible, etc.
Alternativamente, puede describir los coches por su
clase (compactos, medianos, descapotables, todo-
terreno, etc.), el anlisis CATPCA utiliza estas
clasificaciones para agrupar los puntos para los
coches. Al asignar un gran peso a la variable de
clasificacin, los coches estarn agrupados cerca
del punto de clase. Categories despliega relaciones
complejas entre objetos, grupos y variables en un
mapa dimensional, lo que hace ms sencillo
comprender sus relaciones.
Anlisis no lineal de correlacin cannica
(OVERALS) utiliza escalamiento ptimo para
generalizar el procedimiento de anlisis de
correlacin cannica, de manera que se puedan
acomodar variables de niveles de medida mixtos.
Este tipo de anlisis le permite comparar ms de un
conjunto de variables con otro dentro de un mismo
grfico tras eliminar la correlacin entre los
conjuntos. Por ejemplo, puede analizar las
caractersticas de productos como, sopas en un
estudio de degustacin. Los jueces representan las
variables dentro de los conjuntos, mientras que las
sopas son los casos. OVERALS promedia las
evaluaciones de los jueces tras eliminar las
correlaciones y combina las diferentes
caractersticas para mostrar las relaciones entre las
sopas. Alternativamente, cada juez puede emplear
su propio conjunto de criterios para juzgar las
sopas. En este ltimo caso, OVERALS promedia
los criterios tras eliminar las correlaciones y
entonces combina las puntuaciones de los
diferentes jueces. El procedimiento OVERALS
tambin puede ser utilizado para procedimientos de
regresin mltiple generalizada cuando cuenta con
variables de resultados mltiples para que de
manera conjunta sean predichas de un conjunto de
variables de prediccin.
IBM Software
Business Analytics IBM SPSS Categories 22

Escalamiento multidimensional (PROXSCAL)
realiza escalamiento multidimensional de una o
ms matrices con similitudes o disimilitudes
(proximidades). Alternativamente puede calcular
distancias entre casos en datos multivariantes como
datos de entrada PROXSCAL. PROXSCAL
muestra las proximidades como distancias en un
mapa con el fin de ganar conocimiento espacial de
cmo se relacionan los objetos. En el caso de
mltiples matrices de proximidades, PROXSCAL
analiza las concordancias y traza las diferencias
entre ellas. Por ejemplo, puede utilizar
PROXSCAL para mostrar las similitudes entre
diferentes sabores de refrescos de cola preferidos
por los consumidores en varios grupos de edad.
Puede descubrir que la gente joven enfatiza la
diferencia entre sabores tradicionales y sabores
nuevos; mientras que los adultos enfatizan las
bebidas bajas en caloras y las normales.
Escalamiento de preferencias (PREFSCAL)
examina visualmente las relaciones entre dos
conjuntos de variables de objetos, por ejemplo,
consumidores y productos. El escalamiento de
preferencias realiza despliegues multidimensionales
para encontrar un mapa que represente las
relaciones entre estos dos conjuntos de objetos
como distancias entre dos conjuntos de puntos. Por
ejemplo, si un grupo de conductores clasifica 26
modelos de coches en 10 atributos en una escala de
6 puntos, podr encontrar conglomerados que
muestren qu modelos son similares y a las
personas que prefieren estos modelos. Este mapa es
un compromiso basado en 10 diferentes atributos, y
un grfico de 10 diferentes atributos muestra cmo
son ponderados en las dimensiones del mapa.

IBM SPSS Categories est disponible para su
instalacin como cliente nicamente; pero para un
mejor desempeo y escalabilidad, est disponible
una versin para servidor.

Nuestra suite de software estadstico ahora est
disponible en 3 ediciones: IBM SPSS Statistics
Standard, IBM SPSS Statistics Professional e IBM
SPSS Statistics Premium. Al agrupar las capacidades
bsicas en tres ediciones, stas le proporcionan una
forma eficiente de asegurar que los analistas y los
tomadores de decisiones cuenten con las
caractersticas y funcionalidades que necesitan para
realizar el anlisis que contribuye al xito de su
organizacin.

Obtenga un valor adicional con colaboracin
Compartir y re-utilizar sus activos eficientemente,
protegerlos de forma tal que se cumplan
requerimientos internos y externos, y publicar
resultados para que varios usuarios pueden
visualizarlos e interactuar con ellos es posible con
IBMSPSSCollaboration and Deployment
Services.




















IBM Software
Business Analytics IBM SPSS Categories 22

Caractersticas
CATREG
Anlisis de regresin categrica a travs del
escalamiento ptimo
- Especifique el nivel de escalamiento ptimo al que
quiera analizar cada variable. Elija entre:
monotnica, no monotnica, ordinal, nominal,
nominal mltiple o numrica
- Categorice las variables continuas o convierta
variables de cadena en variables numricas enteras
mediante la multiplicacin, ordenacin o agrupacin
de variables en un nmero preseleccionado de
categoras de acuerdo a una distribucin opcional
(normal o uniforme), o mediante la agrupacin de
valores de un intervalo preseleccionado en
categoras. Las opciones de ordenacin y agrupacin
pueden emplearse para re codificar datos categricos
- Especifique el tratamiento de los datos perdidos.
Impute los datos perdidos con la moda de la variable
o con una categora extra, o utilice exclusin segn
lista
- Especifique los objetos que sern tratados como
suplementarios
- Especifique el mtodo utilizado para computar la
solucin inicial
- Controle el nmero de iteraciones
- Especifique el criterio de convergencia
- Grafique los resultados, como:
- Diagramas de transformacin (cuantificaciones
ptimas de categoras contra indicadores de
categoras)
- Diagramas residuales
- Aada variables transformadas, valores predichos y
residuales al archivo de datos de trabajo
- Impresin de resultados incluyendo:
- Grficos R mltiple, R2 y R2 ajustado
- Coeficientes de regresin estandarizados, errores
estndar, correlacin de orden cero, correlacin
parcial, medida de importancia de Pratt para los
indicadores transformados, tolerancia antes y
despus de la transformacin y estadsticos F
Tabla de estadsticos descriptivos, incluyendo
frecuencias marginales, tipo de transformacin,
nmero de valores perdidos y moda
- Historia de iteracin
- Tablas para los parmetros ajustados y del
modelo: tabla ANOVA con grados de libertad de
acuerdo al nivel ptimo de escalamiento: tabla
resumen del modelo con R2 ajustada para
escalamiento ptimo, t-valores y niveles de
significancia: una tabla separada con correlacin de
orden cero, correlacin parcial e importancia y
tolerancia antes y despus de las transformaciones

- Correlaciones de los indicadores transformados y
valores propios de la matriz de correlacin
- Correlaciones de de los predictores originales y
de los valores propios de la matriz de correlacin
- Cuantificacin de categoras
- Escriba datos transformados e individuales en un
archivo de datos externo
Tres mtodos nuevos de regularizacin: regresin de
Ridge, de Lasso y malla elstica
- Mayor precisin en la prediccin estabilizando los
parmetros de estimacin
- Anlisis de un alto volumen de datos (ms
variables que objetos)
- Obtencin automtica de variables de seleccin de
un conjunto de predictores
- Modelos de escritura regularizados y coeficientes
para un nuevo conjunto de datos para su uso
posterior
Dos nuevos modelos de seleccin y aseguramiento
de la prediccin con los modelos: el bootstrap .632 y
validacin cruzada (CV)
- Encuentre el mejor modelo para la prediccin con
el bootstrap .623 y las opciones CV
- Obtenga estimadores no paramtricos de errores
estndar de coeficientes con bootstrap
Comienzo sistemtico mltiple
- Descubra la mejor solucin global cuando realice
transformaciones monotnicas
- Escriba los signos de coeficientes de regresin a
una nueva base de datos para su re utilizacin

CORRESPONDENCIA
Anlisis de correspondencia
- Introduzca los datos en un archivo de casos o
directamente como una tabla
- Especifique el nmero de dimensiones de la
solucin
- Elija entre dos medidas de distancia: distancia Chi-
cuadrado para el anlisis de correspondencias o
distancia eucldea para anlisis de tipo biplot
- Elija entre 5 tipos de estandarizacin: eliminar
medias de fila, eliminar medias de columna,
eliminar medias de fila y columna, igualar los
totales de la fila o igualar los totales de la columna
- 5 tipos de normalizacin: simtrica, principal, fila
principal, columna principal y personalizada
- Impresin de resultados, incluyendo:
Tablas de correspondencia
- Tablas de resumen: valores singulares, inercia,
proporcin de inercia por cada una de las
dimensiones, proporcin acumulada de inercia por
cada una de las dimensiones, estadsticos de
confianza para el nmero mximo de dimensiones,
perfiles de filas y perfiles de columnas

IBM Software
Business Analytics IBM SPSS Categories 22


- Resumen de los puntos de fila y de columna: masa,
puntuaciones, inercia, contribucin de los puntos a
la inercia de las dimensiones, contribucin de las
dimensiones a la inercia de los puntos
- Estadsticos de confianza para filas y columnas:
desviaciones estndar y correlaciones para puntos
activos de filas y columnas

CORRESPONDENCIA MULTIPLE
Anlisis de correspondencia mltiple (sustituye a
HOMALS, que se inclua en versiones anteriores a
SPSS Categories 13.0)
- Especifique las ponderaciones de las variables
- Convierta variables de cadena en valores numricos
enteros al multiplicar, clasificar o agrupar valores en
un nmero preseleccionado de categoras segn una
distribucin opcional (normal o uniforme), o al
agrupar valores en un intervalo preseleccionado de
categoras. Las opciones de clasificacin y de
agrupacin tambin pueden ser utilizadas para re
codificar datos categricos
- Especifique el tratamiento de los datos perdidos.
Excluya nicamente las celdas de la matriz de datos
sin valor vlido, impute los datos perdidos con la
variable moda o con una categora extra, o utilice
exclusin segn lista
- Especifique los objetos y variables que deben ser
tratados de forma suplementaria (el resultado
completo se incluye para categoras que nicamente
se dan en objetos suplementarios)
- Especifique el nmero de dimensiones de la
solucin
- Especifique los archivos que contienen las
coordenadas de configuracin y el ajuste de las
variables en una configuracin prefijada
- Elija 5 opciones de normalizacin: variable
principal (optimiza asociaciones entre variables),
objeto principal (optimiza distancias entre objetos),
simtrica (optimiza relaciones entre objetos y
variables), independiente o personalizada (valores
especficos de usuario que permiten cualquier cosa
entre la variable principal y la normalizacin del
objeto principal)
- Controle el nmero de iteraciones
- Especifique el criterio de convergencia
- Impresin de resultados, incluyendo:
- Resumen de los modelos
- Historial y estadsticos de la iteracin
- Estadsticos descriptivos (frecuencias, valores
perdidos y moda)
- Medidas de discriminacin por variable y por
dimensin

- Cuantificaciones de categoras (coordenadas
centroides), masa, inercia de las categoras,
contribucin de las categoras a la inercia de las
dimensiones y contribucin de las dimensiones a la
inercia de las categoras
- Correlaciones de las variables transformadas y de
los autovalores de la matriz de correlacin para cada
dimensin
- Correlaciones de las variables originales y de los
autovalores de la matriz de correlacin
- Puntuaciones de los objetos
- Contribucin de los objetos: masa, inercia,
contribucin de los objetos a la inercia de
dimensiones y contribucin de las dimensiones a la
inercia de los objetos
- Resultados plot creando:
- Plots categricos: puntos categricos,
transformaciones (cuantificaciones categricas
ptimas Vs. Indicadores categricos), residuos para
variables seleccionadas y joint plot para puntos
categricos para una seleccin de variables
- Puntuacin de objetos
- Medidas discriminantes
- Biplots u objetos y centroides de variables
seleccionadas
- Aada variables transformadas y puntuaciones de
objetos al archivo de datos de trabajo
- Escriba datos transformados, datos individuales y
puntuaciones de objetos en un archivo de datos
externo



IBM Software
Business Analytics IBM SPSS Categories 22

CATPCA
Anlisis de componente principales categricos a
travs de escalamiento ptimo
- Especifique el nivel de escalamiento ptimo al que
desea analizar cada una de las variables. Elija entre:
monotnico, no monotnico, ordinal, nominal,
nominal mltiple o numrico
- Especifique las ponderaciones de las variables
- Categorice las variables continuas o convierta
cadenas en variables numricas enteras
multiplicando, clasificando o agrupando valores en
un nmero preseleccionado de categoras de acuerdo
a una distribucin opcional (normal o uniforme), o
agrupando valores en un intervalo preseleccionado
de categoras. Las opciones de clasificacin y de
agrupacin tambin pueden ser utilizadas para re
codificar datos categricos
- Especifique el tratamiento de los datos perdidos.
Excluya nicamente las celdas de la matriz de datos
sin valor vlido, impute los datos perdidos con la
variable moda o con una categora extra, o utilice
exclusin segn lista
- Impresin de resultados, incluyendo:
- Resumen del modelo
- Iteracin estadstica e histrica
- Estadsticos descriptivos (frecuencias, valores
perdidos y moda)
- Variacin acumulada para variables y
dimensiones
- Componentes de carga
- Cuantificacin y coordenadas de categoras
(coordenadas de vector y/o centroide) para cada
dimensin
- Correlacin de la transformacin de variables y
los valores de la correlacin matricial
- Correlacin de las variables originales y los
valores de la correlacin matricial
- Puntuacin de objetos
- Resultados grficos, creacin de:
- Diagramas de categoras: puntos categricos,
transformaciones (cuantificaciones categricas
ptimas contra indicadores de categoras), residuos
para variables seleccionadas, y diagramas conjuntos
de puntos categricos para una seleccin de variables
- Diagrama de las ponderaciones del objeto
(componente)
- Diagrama de cargas de los componentes

PROXSCAL
Anlisis de escalamiento multidimensional
- Leer una o ms matrices cuadradas de proximidad,
ya sea simtrica o asimtrica
- Leer ponderaciones, configuraciones iniciales,
coordenadas fijas, y variables independientes
- Tratar las proximidades como ordinales (no
mtricas) o numricas; las transformaciones
ordinales pueden ser tratadas como observaciones
discretas o continuas
- Especificar el escalamiento multidimensional con
tres modelos diferentes, as como tambin como
identidades del modelo
- Especificar las coordenadas fijas o variables
independientes para restringir la configuracin.
Adems, especifique las transformaciones
(numricas, nominales, ordinales y splines) para
variables independientes

PREFSCAL
Examina visualmente relaciones entre variables en
dos conjuntos de objetos de manera que encuentra
una escala comn cuantitativa
- Lee una o ms matrices de proximidades
rectangulares
- Lee pesos, configuraciones iniciales y coordenadas
fijas
- Opcionalmente transforma las proximidades como
lineales, ordinales, ordinales suavizados o funciones
- Especifica el escalamiento multidimensional con
identidad, pesos eucldeos o modelos generales
eucldeos
- Especifica las coordenadas fijas de fila y columna
para restringir la configuracin








IBM Software
Business Analytics IBM SPSS Categories 22

Sobre IBM SPSS Business Analytics
El software de IBM SPSS Business Analytics le
proporciona conocimiento a travs de sus datos que le
ayuda a las organizaciones a trabajar de manera ms
inteligente y a superar a sus competidores. Este
portafolio incluye soluciones para inteligencia de
negocios, anlisis predictivo, administracin de
decisiones, del desempeo y del riesgo.

Las soluciones Business Analytics le permiten a las
empresas identificar y visualizar tendencias y
patrones en reas como anlisis de clientes, la cual
tiene un efecto importante en el desempeo de los
negocios. Podr comparar escenarios, anticipar
amenazas potenciales y oportunidades, realizar una
mejor planeacin de presupuestos y pronstico de
recursos, balancear el riesgo contra los ingresos
esperados y trabajar para alcanzar los requerimientos
regulatorios. Al hacer el anlisis ms disponible, las
empresas alinean el proceso de decisin tctico y
estratgico para alcanzar los objetivos del negocio.





Copyright IBM Corporation 2012

IBM Corporation
Software Group
Route 100
Somers, NY 10589

IBM, the IBM logo, ibm.com and SPSS are trademarks of International
Business Machines Corporation registered in many jurisdictions worldwide.
Other product and services names might be trademarks of IBM or other
companies. A current list of IBM trademarks is available on the Web at
Copyright and trademark information at
www.ibm.com/legal/copytrade.shtml

The content in this document (including currency or printing references
which exclude applicable taxes) is current as of the initial date of publication
and may be changed by IBM at any time. Not all offerings are available in
every country in which IBM operates.

THE INFORMATION IN THIS DOCUMENT IS PROVIDED AS IS
WITHOUT ANY WARRANTY, EXPRESS OR IMPLIED, INCLUDING
WITHOUT ANY WARRANTIES OF MERCHANT ABILITY, FITNESS
FOR A PARTICULAR PURPOSE AND ANY WARRANTY OR
CONDITION OF NON-INFRIGEMENT. IBM products are warranted
according to the terms and conditions of the agreements under which they
are provided.
PASS, antes SPSS
Insurgentes 933, piso 1
Mxico, D.F. 03810
Tel. (55)5682 8768, 1797, 7722
mexico@pass.mx
www.pass.mx