Investigacion Cuantitativa

Anlisis de la Investigacin Cuantitativa
Mtodos clsicos
Eduardo Jimnez Marqus
Investigacin Comercial
NDICE
1.
CAPTULO 1 CONCEPTOS BSICOS.......................... 14
1.1
QU ES LA INVESTIGACIN DE COMERCIAL? ...................... 14
1.2
QU ES LA INVESTIGACIN CUANTITATIVA? ...................... 14
1.3
TCNICAS UTILIZADAS EN LA INVESTIGACIN CUANTITATIVA 15
1.3.1
LA OBSERVACIN .....................................................................................16
1.3.2
LA EXPERIMENTACIN..............................................................................16
1.3.3
LA ENCUESTA ESTRUCTURADA ................................................................16
1.4
DETERMINACIN DE LA MUESTRA.................................... 16
1.4.1
DETERMINACIN DEL TAMAO DE LA MUESTRA ....................................17
1.4.2
CASOS:......................................................................................................19
2.
CAPTULO 2 OBSERVACIN ................................... 21
2.1
DEFINICIN Y CONCEPTOS GENERALES ............................. 21
2.2
FASES DE LA INVESTIGACIN POR OBSERVACIN................. 22
2.3
TIPOS DE OBSERVACIN ................................................ 24
2.3.1
EN FUNCIN DE LA INTERVENCIN DEL INVESTIGADOR .........................24
2.3.2
SEGN SE REALICE EN CIRCUNSTANCIAS NATURALES O ARTIFICIALES ...25
2.3.3
SEGN LA PARTICIPACIN DE LA MUESTRA ............................................25
2.3.4
DE ACUERDO CON SU ESTRUCTURACIN ................................................25
2.3.5
EN FUNCIN DE LA FORMA ......................................................................26
2.3.6
DE CONFORMIDAD CON EL PROCEDIMIENTO ..........................................26
2.4
ELABORACIN DE UN CDIGO DE OBSERVACIN ................ 26
2.5
MEDIDAS EN LA INVESTIGACIN POR OBSERVACIN ............ 27
2.6
TCNICAS DE MUESTREO Y OBSERVACIN ......................... 28
2.7
EVALUACIN DE LA OBSERVACIN................................... 29
2.7.1
2.8
CASO PRCTICO .......................................................................................31
VALIDEZ .................................................................... 32
2.8.1
VALIDEZ DE CONTENIDO..........................................................................33
2.8.2
VALIDEZ DE CONSTRUCTO.......................................................................33
2.8.3
VALIDEZ ORIENTADA AL CRITERIO ..........................................................33
2.9
ANLISIS DE DATOS ..................................................... 33
2.10
FUENTES DE ERROR EN LA OBSERVACIN ........................ 33
2.11
VENTAJAS E INCONVENIENTES DE LA INVESTIGACIN POR
OBSERVACIN..................................................................... 34
3.
CAPTULO 3 EXPERIMENTACIN ............................. 35
3.1
INTRODUCCIN........................................................... 35
3.2
CONCEPTOS GENERALES................................................ 35
3.3
PRINCIPALES APLICACIONES ........................................... 37
3.4
METODOLOGA ........................................................... 37
3.5
INDICADORES DE VALIDEZ DE UN EXPERIMENTO ................. 38
3.6
ANLISIS ESTADSTICO DE LOS DISEOS EXPERIMENTALES..... 38
3.6.1
3.7
MTODO ANOVA TRADICIONAL...............................................................39
TIPOS DE EXPERIMENTOS HABITUALMENTE UTILIZADOS EN
INVESTIGACIN COMERCIAL................................................... 40
3.7.1
EXPERIMENTACIN AL AZAR ....................................................................41
3.7.2
EXPERIMENTACIN EN BLOQUES ALEATORIOS ........................................41
3.7.3
EXPERIMENTO DE CUADRADO LATINO ....................................................41
3.7.4
EXPERIMENTO CON INTERCAMBIO ...........................................................41
3.7.5
EXPERIMENTO FACTORIAL........................................................................41
3.8
LIMITACIONES DE LA EXPERIMENTACIN COMERCIAL ........... 42
3.9
CASO PRCTICO: EXPERIMENTO DE BLOQUE ALEATORIO....... 42
3.9.1
EXPERIMENTO DE BLOQUE ALEATORIO (SPSS) .........................................45
3.10
TABLA ESTADSTICA: DISTRIBUCIN DE LA F.................... 46
3.11
MTODOS DE SIMULACIN .......................................... 46
3.12
CONCEPTO .............................................................. 46
3.13
CLASIFICACIN......................................................... 48
3.14
VENTAJAS Y LIMITACIONES.......................................... 48
4.
CAPTULO 4 LA ENCUESTA ESTRUCTURADA .............. 49
4.1
LA ENCUESTA. TIPOS. DATOS QUE APORTA. VENTAJAS E
INCONVENIENTES................................................................. 49
4.1.1
TIPOS DE ENCUESTA ESTRUCTURADA......................................................51
4.1.2
INFORMACIN QUE APORTAN LAS ENCUESTAS.......................................52
4.1.3
VENTAJAS E INCONVENIENTES .................................................................52
4.2
CARACTERSTICAS DE L AS ENCUESTAS ESTRUCTURADAS....... 53
4.3
TIPOS DE ENCUESTA ESTRUCTURADA SEGN EL PROCEDIMIENTO
EMPLEADO PARA OBTENER LA INFORMACIN ............................. 53

4.4
ENCUESTA PERSONAL VIS A VIS ....................................... 53
4.4.1
ENTREVISTAS POR DETENCIN ................................................................55
4.4.2
ESTUDIOS CON INVITADOS A UNA LOCALIZACIN CENTRAL .................56
4.5
ENCUESTA TELEFNICA................................................. 56
4.6
ENCUESTA POR CORREO................................................ 58
4.6.1
MIXTAS COMBINACIONES TELEFNICA, CORREO Y PERSONAL ...............61
4.7
ENCUESTAS ESTRUCTURADAS POR SUSCRIPCIN ................. 62
4.8
ENCUESTA SECTORIAL DE BIENES DE CONSUMO DURADERO... 62
4.9
ENCUESTA MNIBUS..................................................... 63
4.10
EL PANEL................................................................. 64
4.10.1
PANEL DE CONSUMIDORES.......................................................................65
4.10.2
PANEL DE HOGARES .................................................................................66
4.10.3
DUSTBIN-CHEK.........................................................................................68
4.10.4
PANEL DE AUDIMETROS (T.V.) ...............................................................68
4.10.5
PANEL DE DETALLISTAS............................................................................69
4.11
DIFERENCIAS ENTRE LAS DISTINTAS MODALIDADES DE
ENCUESTA ESTRUCTURADA.................................................... 71
5.
CAPTULO 5 INTRODUCCIN AL ANLISIS................. 72
5.1
INTRODUCCIN........................................................... 72
5.2
FASES DEL PROCESO DE ANLISIS DE LOS DATOS ................ 72
5.2.1
REVISIN DEL TRABAJO DE CAMPO Y DE LOS CUESTIONARIOS...............72
5.2.2
CODIFICACIN Y TABULACIN ................................................................73
5.2.3
ANLISIS DE CADA CUESTIN O TEM .....................................................75
5.2.4
ANLISIS DE LOS TEMS POR SUBGRUPOS. ...............................................75
5.2.5
ESTUDIO DE LAS RELACIONES ENTRE PARES DE PREGUNTAS ..................76
5.2.6
ESTUDIO DE LAS RELACIONES ENTRE TODAS LAS PREGUNTAS: ..............76
5.2.7
RESULTADOS. CONCLUSIONES. INFORME ................................................76
5.3
TABLAS DE DATOS ....................................................... 77
5.4
TIPOS DE TABLAS......................................................... 78
5.4.1
TABLAS CUANTITATIVAS ..........................................................................78
5.4.2
TABLAS DE DATOS ORDINALES Y PREFERENCIAS .....................................78
5.4.3
TABLAS BINARIAS .....................................................................................79
5.4.4
TABLAS DE MODALIDADES .......................................................................79
5.4.5
TABLAS DISYUNTIVAS COMPLETAS ..........................................................80
5.4.6
TABLAS DE PROXIMIDADES Y DISTANCIAS...............................................80
5.4.7
TABLAS DE SERIES TEMPORALES ..............................................................80
5.4.8
6.
TABLAS MIXTAS O HETEROGNEAS ..........................................................81
CAPTULO 6 ANLISIS DE LOS DATOS ...................... 82
6.1
MTODOS ESTADSTICOS CLSICOS ................................. 83
6.1.1
6.1.1.1
TIPOS DE ESTADSTICA.........................................................................83
6.1.1.2
MEDIR ...................................................................................................83
6.1.1.3
ATRIBUTO.............................................................................................83
6.1.1.4
VARIABLE ..............................................................................................84
6.1.2
ESCALAS DE MEDIDA ................................................................................84
6.1.2.1
ESCALA NOMINAL.................................................................................84
6.1.2.2
ESCALA ORDINAL .................................................................................85
6.1.2.3
ESCALA DE INTERVALO ........................................................................86
6.1.2.4
ESCALA DE RAZN O PROPORCIN .....................................................86
6.1.3
6.2
CONCEPTOS BSICOS ...............................................................................83
ELEMENTOS DE LA ESTADSTICA INFERENCIAL ........................................87
ANLISIS UNIVARIABLE .................................................. 88
6.2.1
DESCRIPCIN DE LOS DATOS ...................................................................88
6.2.2
FRECUENCIA .............................................................................................88
6.2.3
MEDIDAS DE TENDENCIA CENTRAL..........................................................89
6.2.4
MEDIDAS DE DISPERSIN .........................................................................90
6.2.4.1
AMPLITUD O RANGO ............................................................................91
6.2.4.2
RECORRIDO INTERCUARTLICO ............................................................92
6.2.4.3
LA DESVIACIN INTERCUARTIL ............................................................92
6.2.4.4
DESVIACIN MEDIA ..............................................................................93
6.2.4.5
VARIANZA Y DESVIACIN TPICA O ESTNDAR ...................................93
6.2.4.6
COEFICIENTE DE VARIACIN ................................................................94
6.2.5
MEDIDAS RELATIVAS A LA FORMA DE LA DISTRI BUCIN.........................95
6.2.5.1
DISTRIBUCIN ......................................................................................95
6.2.5.2
COEFICIENTE DE SESGO O ASIMETRA (SKEWNESS) ..............................95
6.2.5.3
COEFICIENTE DE CURTOSIS O APUNTAMIENTO ...................................96
6.2.6
7.
CMO REALIZAR INFERENCIAS? ..............................................................98
CAPTULO 7 CONTRASTE DE HIPTESIS.................... 99
7.1
CONCEPTOS GENERALES................................................ 99
7.1.1
HIPTESIS .................................................................................................99
7.1.2
PRUEBAS DE HIPTESIS.............................................................................99
7.1.2.1
HIPTESIS NULA .................................................................................100
7.1.2.2
HIPTESIS ALTERNATIVA....................................................................100
7.1.3
7.2
TEST DE HIPTESIS...................................................... 104
7.2.1
7.3
CARACTERSTICAS Y METODOLOGA .....................................................100
OBJETIVO ................................................................................................104
METODOLOGA DEL TEST DE HIPTESIS ........................... 104
7.3.1
FORMULACIN DE LAS HIPTESIS..........................................................105
7.3.2
ELECCIN DEL NIVEL DE SIGNIFICACIN ...............................................106
7.3.3
ELECCIN DEL TEST ...............................................................................108
7.3.4
INTERPRETACIN DE LA PRUEBA ............................................................111
7.4
TIPOS DE TEST DE HIPTESIS ......................................... 112
7.5
BREVE DESCRIPCIN DE LOS TEST................................... 114
7.5.1
CONTRASTES PARA UNA MUESTRA ........................................................114
7.5.2
CONTRASTES PARA DOS MUESTRAS INDEPENDIENTES ..........................115
7.5.3
CONTRASTES PARA DOS MUESTRAS RELACIONADAS ............................116
8.
CAPITULO 8: ANLISIS BIVARIABLE........................ 117
8.1
RELACIN ENTRE DOS VARIABLES CUALITATIVAS ............... 117
8.1.1
8.1.1.1
TABLAS DE CONTINGENCIA....................................................................117
TABLA DE CONTINGENCIA : SEXO Y CONOCIMIENTO DE
INFORMTICA.....................................................................................................118
8.1.1.2
SIGNIFICADO DE LOS ELEMENTOS QUE COMPONEN LA TABLA .........119
8.1.1.3
ANLISIS DE INDEPENDENCIA ENTRE LAS DOS VARIABLES.
ESTADSTICO (CHI CUADRADO).....................................................................120

8.1.2
COEFICIENTE V DE CRAMER ...................................................................123
8.1.3
CORRELACIN DE RANGOS DE SPEARMAN ............................................123
8.2
MTODOS DE MEDICIN EN EL ANLISIS ENTRE DOS VARIABLES
CUANTITATIVAS ................................................................. 124

8.2.1
8.2.1.1
EJEMPLO..............................................................................................126
8.2.1.2
TABLA COEFICIENTE DE CORRELACIN R DE PEARSON.....................127
8.2.2
REGRESIN SIMPLE .................................................................................128
8.2.2.1
OBJETIVOS ..........................................................................................129
8.2.2.2
EJEMPLO REGRESIN LINEAL ..............................................................130
8.2.3
8.3
CORRELACIN ........................................................................................124
COEFICIENTE ALFA DE CRONBACH ........................................................131
RELACIN ENTRE UNA VARIABLE CUANTITATIVA Y OTRA
CUALITATIVA..................................................................... 132
8.3.1
ANLISIS DE LA VARIANZA .....................................................................132
8.3.1.1
MTODO ANOVA TRADICIONAL UNIDIRECCIONAL............................133
8.3.1.2
TABLA ESTADSTICA: DISTRIBUCIN DE LA F (NIVEL DE CONFIANZA
95%)
135
8.3.1.3
8.3.2
9.
EJEMPLO DE ANOVA UNIDIRECCIONAL...............................................137

TEST T DE MEDIAS..................................................................................140
CAPITULO 9 ANLISIS DE MUESTRAS PEQUEAS....... 141
9.1
INTRODUCCIN.......................................................... 141
9.2
DISTRIBUCIN T DE STUDENT...................................... 141
9.2.1
FIABILIDAD DE UN ESTADSTICO ............................................................143
9.2.2
SIGNIFICACIN DE LA MEDIA DE MUESTRAS PEQUEAS Y SU FIABILIDAD144
9.2.2.1
9.2.3
CASO PRCTICO .................................................................................144

SIGNIFICACIN DE LA DIFERENCIA DE MEDIAS EN MUESTRAS PEQUEAS
INDEPENDIENTES ....................................................................................................145
9.2.3.1
9.2.4
CASO PRCTICO .................................................................................145

SIGNIFICACIN DE LA DIFERENCIA DE MEDIAS DE MUESTRAS PEQUEAS
RELACIONADAS ......................................................................................................146
9.2.4.1
9.2.5
CASO PRCTICO .................................................................................146

SIGNIFICACIN DE LA DIFERENCIA DE DESVIACIONES TPICAS DE
MUESTRAS RELACIONADAS ....................................................................................148

9.2.5.1
9.3
CASO PRCTICO .................................................................................148
SIGNIFICACIN Y FIABILIDAD DEL COEFICIENTE DE
CORRELACIN R DE PEARSON PARA MUESTRAS PEQUEAS ........... 149

9.3.1
CASO PRCTICO .....................................................................................149
9.3.2
SIGNIFICACIN DE LA DIFERENCIA ENTRE COEFICIENTES DE
CORRELACIN OBTENIDOS EN MUESTRAS RELACIONADAS...................................150

9.3.2.1
9.4
CASO PRCTICO .................................................................................150
DISTRIBUCIN CHI CUADRADO (2 ) ............................... 152
10
9.4.1
CASO PRCTICO 1..................................................................................152
9.4.2
CASO PRCTICO 2..................................................................................153
9.5
DISTRIBUCIN F DE FISHER............................................ 155
9.5.1
CASO PRCTICO .....................................................................................156
10. CAPTULO 10 TEST PARAMTRICOS....................... 158

10.1
INTRODUCCIN ....................................................... 158
10.2
TIPOS DE TEST PARAMTRICOS.................................... 158
10.2.1
CONTRASTES PARA UNA MUESTRA ........................................................158
10.2.2
CONTRASTES PARA DOS MUESTRAS INDEPENDIENTES ..........................159
10.2.3
CONTRASTES PARA DOS MUESTRAS RELACIONADAS ............................159
10.2.4
PRUEBAS MS UTILIZADAS .....................................................................159
10.3
TEST DE LA MEDIA.................................................... 159
10.3.1
PRUEBA Z ................................................................................................159
10.3.2
PRUEBA T................................................................................................160
10.3.3
PRUEBA DE DIFERENCIA DE MEDIAS INDEPENDIENTES...........................165
10.3.3.1
CON VARIANZA CONOCIDA ...........................................................165
10.3.3.2
CON VARIANZAS DESCONOCIDAS..................................................166
10.4
TEST DE PROPORCIONES ............................................ 168
10.5
TEST DE SIGNIFICACIN PARA POBLACIONES INFINITAS Y QUE
SIGUEN LA DISTRIBUCIN NORMAL ......................................... 168

10.5.1
TEST DE SIGNIFICACIN PARA DIFERENCIAS DE PROPORCIONES
INDEPENDIENTES ....................................................................................................169
11
10.5.2
TEST DE SIGNIFICACIN PARA DIFERENCIAS DE PROPORCIONES NO
INDEPENDIENTES ....................................................................................................170
10.5.2.1
PORCENTAJES EXCLUYENTES ..........................................................170
10.5.2.2
PORCENTAJES SOLAPADOS.............................................................171
10.6
TEST PARA MUESTRAS RELACIONADAS.......................... 172
11. CAPTULO 11 TEST NO PARAMTRICOS (I)............... 173

11.1
INTRODUCCIN ....................................................... 173
11.2
CLASIFICACIN DE LOS TEST NO PARAMTRICOS............. 173
11.3
BREVE DESCRIPCIN DE DIFERENTES TEST NO PARAMTRICOS175
11.3.1
INTRODUCCIN......................................................................................175
11.3.2
UNA MUESTRA MEDIDA UNA SOLA VEZ .................................................175
11.4
11.4.1
11.5
11.5.1
TEST DE LA CHI CUADRADO ....................................... 176

CASO PRCTICO .....................................................................................177
PRUEBA DE LA BINOMIAL............................................ 180

EJEMPLO:.................................................................................................181
11.6
PRUEBA BINOMIAL PARA MUESTRAS PEQUEAS ............... 182
11.7
PRUEBA BINOMIAL PARA MUESTRAS GRANDES................. 182
11.7.1
11.8
11.8.1
CASO PRCTICO .....................................................................................184
TEST DE KOLMOGOROV SMIRNOV (KS) ........................ 187

CASO PRCTICO .....................................................................................188
12
11.9
CASO DE UNA MUESTRA MEDIDA DOS VECES.................. 191
11.9.1
TEST DE MCNEMAR ................................................................................191
11.9.1.1
11.9.2
CASO PRCTICO .............................................................................193
TEST DE LOS SIGNOS ..............................................................................196
11.9.2.1
APLICACIN EN MUESTRAS PEQUEAS. .........................................197
11.9.2.2
APLICACIN EN MUESTRAS GRANDES............................................197
11.9.3
TEST DE RANGOS ASIGNADOS DE WILCOXON .......................................200
11.9.3.1
APLICACIN EN MUESTRAS PEQUEAS ..........................................202
11.9.3.2
MUESTRAS GRANDES ......................................................................202
11.10
CASO DE DOS MUESTRAS INDEPENDIENTES. ................... 206
11.10.1
11.11
CASO DE K MUESTRAS RELACIONADAS.......................... 206
11.11.1
11.12
INTRODUCCIN..................................................................................206
INTRODUCCIN..................................................................................206
CASO DE K MUESTRAS INDEPENDIENTES ...................... 207
11.12.1
INTRODUCCIN..................................................................................207
12. BIBLIOGRAFA RECOMENDADA. ............................ 208
13
1. CONCEPTOS BSICOS
1.1 QU ES LA INVESTIGACIN DE COMERCIAL?
Podemos afirmar que la Investigacin Comercial o de Marketing consiste en sentir y
escuchar al consumidor. Prcticamente todas las organizaciones buscan informacin que
les permita saber qu es lo que la gente quiere y por qu lo quiere, siendo los anlisis
ms profundos los que determinan que el consumidor sea el que mejor lo sabe.
La base de la Investigacin de Marketing descansa en el sentido comn. No hay nada de
paranormal ni en sus objetivos ni en sus mtodos.
Cualquier persona que va a tomar una decisin reflexiva, realiza una investigacin con
el fin de reducir al mnimo el riesgo de equivocarse y de no obtener la satisfaccin que
busca. Algunos ejemplos cotidianos son: la compra de un coche, un piso, un
electrodomstico, etc. En todos los casos, seguimos un proceso de investigacin previo
a la toma de decisin, con el fin de buscar la alternativa mas adecuada a nuestras
necesidades.
Podemos definir la Investigacin de Marketing como el conjunto de tcnicas enfocadas
a obtener informacin objetiva sobre el mercado, con el fin de facilitar la toma de
decisiones con el mnimo de incertidumbre (que resulten lo ms acertadas posibleS y
con el mnimo riesgo).
1.2 QU ES LA INVESTIGACIN CUANTITATIVA?
La Investigacin Cuantitativa de Marketing comprende un conjunto de tcnicas
destinadas a obtener informacin sobre los consumidores, centrada en su
comportamiento externo, siendo su resultado siempre cuantificable.
Para obtener la informacin, se acostumbra a escoger elementos representativos de la
poblacin que se utiliza en la investigacin. Al grupo de unidades representativas de la
poblacin que se quiere estudiar, y que se acostumbra a seleccionar segn criterios
estadsticos, se le denomina muestra, apareciendo siempre un margen de error que se
asume en toda investigacin muestral.
La investigacin cuantitativa aporta informacin sobre aspectos cuantificables del
mercado. Las tcnicas de Investigacin Cuantitativas responden a las preguntas qu?,
cunto?, dnde?, quin?, cundo?, cmo?, pero no a la pregunta por qu?
14
Los principales aspectos que se recogen son:
Nivel de consumo de los diferentes productos o marcas
Lugares de compra o puntos de venta donde los consumidores efectan sus

compras
Nmero de clientes que compran en un determinado establecimiento
Precios, niveles de precios en funcin de diversos parmetros
Niveles de existencias en los canales de distribucin
Estudios de consumo por hbitat, comunidad autnoma (CCAA), regin ...
Estudios de resultados de la competencia
Frecuencias de compra
Volmenes de ventas y compras por diversos conceptos
La Investigacin Cuantitativa se caracteriza porque la informacin procede de los

niveles superficiales de la personalidad de los consumidores, mientras que la
Investigacin Cualitativa obtiene su informacin investigando el interior de la
personalidad de los individuos que integran la muestra.
En la praxis, se suelen emplear en muchos casos los dos tipos de investigacin, por eso
se suele hablar de tcnicas mixtas.
Como resumen, podemos decir que la Investigacin Cuantitativa trata del anlisis de
diferentes aspectos mensurables del mercado, obtenindose normalmente la informacin
a travs de muestras representativas del colectivo objeto de estudio, extrapolndose los
resultados obtenidos a toda la poblacin con un determinado nivel de confianza,
probabilidad y error estadsticopredeterminado.
1.3 TCNICAS UTILIZADAS EN LA INVESTIGACIN CUANTITATIVA
Las tcnicas utilizadas en la investigacin cuantitativa son:
La observacin.
La experimentacin
La encuesta estructurada
Seguidamente, y de una forma sucinta, vamos a indicar en qu consiste cada una de
estas tcnicas.
15
1.3.1 LA OBSERVACIN
Se trata de una tcnica de recogida de la informacin que, bsicamente, consiste en
observar y registrar las acciones, comportamientos, hechos y actuaciones de los
individuos objeto de estudio, tal y como lo hacen habitualmente, sin que conozcan que
estn siendo estudiados.
1.3.2 LA EXPERIMENTACIN
Es un procedimiento de contrastar, as como de descubrir hiptesis. Mediante la
experimentacin se puede analizar el efecto que una variable independiente produce
sobre otra variable dependiente. Para ello, se debe neutralizar y controlar la influencia
que otros factores pudiesen ejercer sobre la variable objeto de estudio.
1.3.3 LA ENCUESTA ESTRUCTURADA
La encuesta estructurada es un mtodo de obtencin de datos mediante entrevista
individual, en la que el entrevistado proporciona informacin de forma voluntaria y
consciente, como respuesta a una serie de preguntas planteadas en el cuestionario.
1.4 DETERMINACIN DE LA MUESTRA
En la investigacin comercial la poblacin objeto de estudio suele comprender un
numeroso grupo de elementos o individuos. Ante la imposibilidad de estudiar a todos
los componentes de esa poblacin o universo (N), lo que se hace es estudiar un nmero
limitado de elementos, los cuales se debern seleccionar adecuadamente.
Para dar respuesta a este problema existen tcnicas derivadas de las matemticas y
especialmente en la estadstica, las denominadas tcnicas de muestreo, que nos permiten
seleccionar adecuadamente a los elementos de la poblacin para que conformen la
muestra (n).
El nmero de individuos o elementos a seleccionar constituye el tamao de la muestra.
La muestra debe cumplir las siguientes condiciones:
Comprender parte del universo y no la totalidad del mismo
Debe ser representativa del universo del que se ha extrado
No deben existir desviaciones en la eleccin de los elementos que formarn parte de la

muestra.
16
Trabajar con muestras nos lleva a que el valor obtenido, tambin llamado valor
estimado, pueda no coincidir exactamente con el valor real de la poblacin. A la
diferencia existente entre ambos valores se le denomina error muestral.
Para disminuir este error absoluto deberemos trabajar con muestras suficientemente
grandes y elegir sus elementos con el mtodo de muestreo adecuado.
1.4.1 DETERMINACIN DEL TAMAO DE LA MUESTRA
En la determinacin del tamao de una muestra intervienen los siguientes aspectos:
Error de muestreo: Es decir, cual ser la diferencia mxima que se admitir entre
los valores estimados y los reales o parmetros de la poblacin. Este valor se
debe fijar a priori.
Ejemplo si al determinar el consumo medio por habitante, admitimos un error de e

unidades, si el valor medio del universo es y el obtenido mediante la muestra es m, el
error absoluto e vendr dado por la siguiente frmula:
e= -m
El nivel o intervalo de confianza: Representa la probabilidad con que se desea

que el estudio cumpla que la diferencia entre el valor estimado (m) y el valor
real () est comprendida en los mrgenes del error absoluto
Pr ob [ m e ]= Pk
Pk depender de la distribucin estadstica del estimador.
El error muestral es la desviacin tpica del estimador.
En el caso de la media, viene dado por la siguiente frmula o ecuacin
N n S 2
m =
N 1 n
Siendo N el universo o poblacin, n el tamao de la muestra y S2 la cuasivarianza
poblacional.
N
S2 =
( x )
i =1
N 1
Para una mejor comprensin de la relacin existente entre estos tres conceptos y el
tamao de la muestra, vamos a considerar que queremos estimar el valo r medio y que la
17
distribucin de valores que se obtendr como resultado de la muestra, de la variable

cuya media queremos estimar, sigue la distribucin normal.
Una propiedad de la curva normal es aquella que liga la media de todos los valores de la
distribucin a la desviacin tpica de los valores y, en consecuencia, el valor de la razn
crtica (K o Z) con la probabilidad (P).
De esta forma el intervalo de confianza queda definido por la siguiente frmula:
Pr ob. [ m K m ] = PK
Si tenemos en cuenta que :
Pr ob [ m e ]= Pk
se deduce fcilmente que el error absoluto, en el caso ms desfavorable, ser igual a K
veces la desviacin tpica del estimador (normalmente la media o la proporcin). Para el
caso de la media ser:
e = K m
Y para la proporcin ser
e = K p
Por consiguiente obtenemos que:
e=K
N n S 2
N 1 n
Por tanto el tamao de la muestra n, ser

n=
K2 N S2
N e2 + K 2 S 2
En el caso de la proporcin el tamao de la muestra vendr dado por

n=
K2 N pq
e 2 (N 1) + K 2 p q
En la Investigacin comercial se suele trabajar en niveles de confianza del 95% en cuyo

caso K = 196, y niveles de dos sigmas o 955% que equivale a K = 2.
Tambin se trabaja con poblaciones o universos denominados infinitos, es decir de ms
de 100.000 elementos. En
este caso, y a partir del valor 100.000, a igualdad de
intervalo o nivel de confianza y de error absoluto, el tamao del universo ya no influye

en el de la muestra. Es decir, la relacin
18
N n
tiende a 1
N 1
Con lo que las formulas para el tamao de la muestra en el caso de poblaciones infinitas
vienen dadas por las siguientes expresiones, segn nos refiramos a medias o
proporciones
n=
K2 S2
e2
y n=
K2 pq
e2
La ms utilizada habitualmente es la correspondiente a la proporcin que ante la falta de

informacin se toma la situacin ms desfavorable, es decir p = q = 05
1.4.2 CASOS:
Ejemplo 1. Una empresa de productos de gran consumo quiere realizar un estudio en la
Unin Europea, para ello quiere tomar una muestra representativa de hogares de la UE.
Las condiciones para la realizacin del trabajo son: el error mximo admitido ser del
2%, para un nivel de confianza del 955% (Dos sigmas K = 2), y p = q = 05. Determina
el tamao de la muestra.
RESPUESTA
Como se trata de un universo infinito (N es mayor a 100.000 Hogares), la frmula a
utilizar ser
k 2 pq
sustituyendo obtenemos
e2
2 2 50 50
n=
= 2.500 hogares
22
n=
Ejemplo 2. Un fabricante de componentes industriales quiere realizar un estudio sobre

empresas de un sector industrial susceptibles de comprar un producto novedoso. Para
ello se plantea la realizacin de una encuesta estructurada a los jefes de compras de las
diferentes empresas del sector. Teniendo en cuenta que el sector industrial objeto de
estudio est conformado por 50.000 empresas y que la encuesta se va a realizar con un
error mximo del 2%, y se conoce por otros estudios que p = 80%. Determina la
muestra necesaria para un nivel de confianza del 955% (k=2).
RESPUESTA
Se trata de un universo finito N = 50.000 empresas, como p = 80% y q ser
q = 100 80 = 20%
19
El tamao de la muestra se determina de acuerdo con la siguiente frmula

k 2 pq N
n=
sustituyendo obtenemos
( N 1) + k 2 pq
n=
22 80 20 50.000
= 15504 = 1551empresas
(50.000 1)2 2 + 2 2 80 20
Ejemplo 3. Se ha realizado un estudio de mercado en el sector comercio y queremos

conocer si la muestra utilizada es significativa de esa poblacin.
Se ha trabajado con una muestra de 280 tiendas, lo que presupone que el error del
578%.
Con el objetivo de extrapolar los resultados obtenidos a la poblacin, se quiere
demostrar que la muestra obtenida es representativa de la poblacin objeto de estudio
con el margen de error especificado (578%).
En la tabla siguiente figura la distribucin de los comercios en funcin de su actividad
principal en el universo o poblacin y los resultados obtenidos en la muestra
actividad
Alimentacin
Textil
Ferretera
Hogar
Vehculos
Otros
TOTAL
poblacin
porcentaje
387
195
63
123
08
224
1000
Muestra
porcentaje
379
196
71
146
04
204
1000
diferencia
- 08
01
08
23
- 04
-2
CONCLUSIN
Comparando los estadsticos obtenidos en la muestra con los de la poblacin, se aprecia
que en ningn caso la diferencia entre ambos supera el mximo error especificado
(578%), garantizando por consiguiente la representatividad de la muestra y la
extrapolacin de los resultados a la poblacin.
20
2. OBSERVACIN
2.1 DEFINICIN Y CONCEPTOS GENERALES
En el rea del marketing, la observacin es una tcnica de recogida de informacin que
consiste bsicamente en observar y recoger las actuaciones, comportamientos y hechos
de las personas, tal y como los realizan habitualmente.
Ante un problema, las personas buscan asesoramiento en diferentes mbitos,
normalmente pidiendo consejo a otras personas que puedan saber ms sobre aquello que
les preocupa. A travs de la tradicin oral y escrita, la humanidad ha ido acumulando
informacin acerca de s mismos y de la naturaleza. Este cmulo de experiencias
acumuladas a lo largo de la historia de cada cultura es lo que se denomina
conocimiento.
Para adquirir el conocimiento, el hombre utiliza diversos procedimientos, siendo el ms
antiguo y a la vez el ms moderno el de la observacin; podemos afirmar que la ciencia
comienza con la observacin. No se trata de una observacin superficial, sino de una
observacin cientfica. Se trata de conseguir un procedimiento o mtodo que permita la
replicabilidad, es decir un mtodo que seguido por un investigador haga posible que
cualquier otro colega, cuando estudie el mismo fenmeno, obtenga idnticos resultados.
Los mtodos utilizados son:
mtodo inductivo mtodo deductivo y mtodo hipottico deductivo
Mtodo inductivo. El mtodo inductivo se ha desarrollado desde la postura que valora la
experiencia como punto de partida para la generacin del conocimiento, es decir, se
parte de la observacin de la realidad para, mediante la generalizacin de la
observacin, formular la ley.
Mtodo deductivo. El mtodo deductivo parte de la ley general, a la que se llega
mediante la razn, y de ella se deducen consecuencias lgicas aplicables a la realidad.
Mtodo hipottico deductivo. El mtodo hipottico deductivo es una combinacin de los
dos anteriores. Trata de enfatizar el hecho de que el proceso de adquisicin de nuevos
conocimientos acta de forma tal que el investigador necesita tanto ir de los datos a la
teora, como de sta a los datos.
21
Desde una teora se deducen consecuencias contrastables en la realidad; para ello se

realizan una serie de observaciones que sirven para corroborar o modificar lo deducido
desde la teora.
En el caso de que no exista una teora, se puede empezar realizando una observacin a
partir de la cual se har la generalizacin.
La observaci n como mtodo cientfico
Si observar es advertir los hechos como espontneamente se presentan y consignarlos
por escrito, en primer lugar se perciben tales hechos, los cuales, despus, se expresan
mediante palabras, signos u otras manifestaciones. Precisamente, el fundamento de la
observacin cientfica reside en la comprobacin del fenmeno que se tiene frente a la
vista, con la nica preocupacin de evitar y prever los errores de observacin que
podran alterar la percepcin de un fenmeno o la correcta expresin de ste.
El observador se diferencia del testigo ordinario de los hechos en que este ltimo no
intenta llegar a un diagnstico de los mismos y en que, adems, la mayor parte de los
sucesos le pasan desapercibidos.
La observacin se convierte en tcnica cientfica en la medida en que:
Sirve a un objetivo ya formulado de investigacin
Es planificada sistemticamente
Es controlada y relacionada con proposiciones ms generales en vez de ser

presentada como una serie de curiosidades interesantes
Est sujeta a comprobaciones de validez y fiabilidad
Esto significa que deben formularse unas hiptesis a partir de una exploracin emprica
de las situaciones que se tratan de esclarecer. Seguidamente, se verifican las hiptesis,
confrontndolas con el mayor nmero posible de hechos revelados por investigaciones,
llegando de esta forma a un diagnstico vlido de la situacin y a la elaboracin de una
teora aplicable a la generalidad de los fenmenos del mismo tipo.
2.2 FASES DE LA INVESTIGACIN POR OBSERVACIN
La aplicacin de la investigacin por observacin no se puede realizar de cualquier
manera, sino que deberemos plantearnos y decidir qu, cmo y cundo observar.
22
Para que la observacin sea vlida en marketing, se requiere que sea sistemtica, es
decir, deberemos realizarla de tal manera que d lugar a datos susceptibles de ser
reproducidos por cualquier otro investigador.
En primer lugar, hemos de partir del principio de que, para poder observar algo, primero
habr que tener en cuenta qu es lo que queremos conocer, es decir, los objetivos de la
investigacin.
El problema de qu observar viene derivado de los objetivos fijados en el proyecto de
investigacin.
El primer paso consiste en fijar el nivel de anlisis. Por nivel de anlisis se entiende el
grado con el que el observador define su unidad de anlisis en funcin de sus
necesidades tericas y metodolgicas.
A continuacin, y a modo de ejemplo, se presentan niveles de anlisis y posibles
alternativas, para la investigacin por observacin de un proceso de compra.
Tabla 1
Nivel de anlisis
Individuo
Establecimiento
Grupo
Diada
Proceso de compra
Cultura
Alternativa
nio, hombre, mujer, etc.
gran superficie, hipermercado, supermercado, tienda tradicional,
etc.
familia, amigos, etc.
pareja, madre hijo
reflexivo, impulso
latino, anglosajn, magreb, etc.
La eleccin de una alternativa u otra dentro de un determinado nivel de anlisis, tiene

implicaciones de tipo conceptual.
Una vez definido el marco terico, esto es, el conjunto de principios tericos que guan
la investigacin estableciendo las unidades de anlisis relevantes para cada problema de
investigacin, deberemos definir las categoras de observacin; por stas se entienden
las definiciones operativas de clases que permiten registrar el fenmeno bajo
observacin.
Las categoras de observacin se dividen en:
Categoras excluyentes. Representan el conjunto de categoras que cumplen el

requisito de no solapar su contenido, de modo que cada uno de los elementos del
23
fenmeno bajo observacin slo pueden ser registrados dentro de una categora
de ese conjunto.
Categoras exhaustivas. Conjunto de categoras que cumplen el requisito de

abarcar todos los elementos que componen el fenmeno bajo observacin.
2.3 TIPOS DE OBSERVACIN

Existen diversos mtodos de clasificar la investigacin por observacin. Los ms
habituales son:
2.3.1 EN FUNCIN DE LA INTERVENCIN DEL INVESTIGADOR
Podemos clasificar la observacin en:
Observacin natural, estructurada y experimento de campo, observacin participante y
auto observacin
Observacin natural
En este tipo de estudio, el investigador es un mero espectador de la situacin y no
interviene en modo alguno en el curso de los acontecimientos observados.
Se produce dentro del contexto usual en el que surgen los fenmenos de inters para el
investigador.
Observacin estructurada
Es un plan de recogida de datos mediante observacin, llevada a cabo en el contexto
natural en el que se produce el fenmeno que se quiere observar y en el que el
investigador trata de establecer algn tipo de control sobre la situacin.
Experimento de campo
Es un experimento realizado en una situacin natural. El experimento de campo
conlleva la creacin de, al menos, dos situaciones diferentes de observacin, de modo
tal que las diferencias que se espera que aparezcan entre ambas sean atribuibles a la
causa cuyo influjo se est investigando. Es preciso disponer de una teora tentativa que
explique los datos que se obtengan de la observacin.
Observacin participante
El observador forma parte de la propia situacin bajo observacin.
Auto observacin
Es un tipo especial de observacin en la que observador y observado son la misma
persona.
24
Proviene de los primeros experimentos de laboratorio de Wundt y se denominaba

introspeccin. En esta tcnica se estructuraban una serie de situaciones en el laboratorio
y se peda a los investigados que relataran sus experiencias subjetivas, constituyendo
stas los datos de la investigacin.
En la actualidad se utiliza para el registro de conductas de tipo interno. Por ejemplo,
podemos pedir al consumidor que anote el producto cada vez que lo use o consuma y, a
la vez, que registre su grado de satisfaccin o sus sentimientos, etc.
2.3.2 SEGN
SE
REALICE
EN
CIRCUNSTANCIAS
NATURALES
ARTIFICIALES
Observacin artificial
El investigador manipula o altera deliberadamente el ambiente con el objeto de crear
una situacin particular y observarla. La aplicacin de esta tcnica es interesante cuando
algunos comportamientos no se presentan frecuentemente y el coste de esperar a que
ocurra es prohibitivo.
2.3.3 SEGN LA PARTICIPACIN DE LA MUESTRA
Es decir, si son conocedores o no de que se les est investigando.
Observacin encubierta
El observado no sabe que est siendo objeto de investigacin. Se recurre a ella siempre
que se considera que la persona a la que vamos a observar se comportara de forma
diferente si supiera que se la est observando.
Observacin no encubierta
Se solicita la participacin de la muestra. Por ejemplo: un panel de audimetros.
2.3.4 DE ACUERDO CON SU ESTRUCTURACIN
Segn sea estructurada o no
Observacin estructurada
Conocemos de antemano los tipos de actividades y las caractersticas que identificamos
y registramos.
Observacin inestructurada
El investigador registra cuanto estima pertinente del hecho investigado. Es buen
procedimiento como investigacin exploratoria.
25
2.3.5 EN FUNCIN DE LA FORMA

Segn se realice de forma directa o indirecta
Observacin directa
Se contempla el comportamiento del investigado tal y como se realiza. Un ejemplo de
esta tcnica puede darse en una clase, al seleccionar una muestra y contar el nmero de
veces que miran el reloj. Cuando una clase resulta aburrida, la gente tiene tendencia a
mirar la hora.
Observacin indirecta
Consiste en ver los resultados de un comportamiento ya realizado. Tambin se llama
estudio de trazas o residuos fsicos. Ejemplos de esto seran la tcnica de Dustbin
Check. La auditoria de despensa (se pide permiso para examinar las casas de los
participantes en busca de ciertos productos o marcas). Estudio de contenido: consiste en
identificar las caractersticas especficas que existen o no en los materiales bajo estudio.
Un ejemplo de este tipo de estudios sera estudiar el papel de la mujer, examinando la
publicidad en revistas destinadas al pblico en general.
2.3.6 DE CONFORMIDAD CON EL PROCEDIMIENTO
Segn la procedencia de la observacin : humana o mecnica
La observacin en el primer caso es realizada por personas y en el segundo, se emplean
procedimientos mecnicos o electrnicos. Los medios mecnicos ms utilizados son:
audimetros, cmara ocular (fotografa el movimiento de los ojos), psicogalvanmetro
(mquina de la verdad), cmara de vdeo, pupilmetro (mide el dimetro de la pupila) y
taquitoscopio.
2.4 ELABORACIN DE UN CDIGO DE OBSERVACIN
Para el desarrollo de este apartado vamos a partir del principio de que, al iniciar la
investigacin, no disponemos de ningn punto de referencia anterior, es decir,
carecemos de fuentes secundarias.
En esta situacin seguiremos la metodologa de Bakeman y Gottman, los cuales en su
obra Observacin de la interaccin: Introduccin al anlisis secuencial (Ediciones
Morata, 1989), plantean las recomendaciones que resumimos seguidamente:
Nunca se debe comenzar a observar algo si no se tiene, previamente, una pregunta
que responder. La pregunta deber estar formulada de una manera clara, concisa y
26
concreta (CCC). La propia formulacin de la pregunta incluir en s misma una

respuesta tentativa, ya que definir el problema en un mbito concreto.
Una vez formulada la pregunta, se debe elegir el nivel o niveles de anlisis
adecuados para tratar de encontrar una respuesta. Se trata de disear categoras
que tengan sentido para el problema objeto de estudio.
Dedicar un tiempo previo a realizar una observacin asistemtica. En esta fase
recogeremos la informacin de una forma narrativa. Este tipo de observacin
asistemtica nos servir como enfoque (investigacin exploratoria), para la
posterior realizacin de la observacin sistemtica (OS), permitindonos seleccionar
las categoras.
Hay que utilizar categoras que estn dentro del mismo nivel de definicin
(molaridad y molecularidad) 1 , que sean homogneas y con el suficiente nivel de
detalle para el problema en cuestin. La homogeneidad hace referencia a que los
eventos incluidos en una categora sean lo ms parecidos posible. El nivel de detalle
trata de evitar que descubramos, sobre la marcha, nuevos detalles que puedan ser
interesantes y relevantes, que no estemos registrando.
El cdigo debe estar compuesto por categoras exhaustivas y excluyentes entre s. En
muchas ocasiones, esta circunstancia no es posible.
Tras el registro narrativo obtenido como consecuencia de la observacin asistemtica,
llegaremos a la propuesta del cdigo. Este cdigo necesitar a su vez un proceso de
depuracin, mediante contrastacin emprica (test de prueba), antes de considerarlo
como vlido para el objetivo de la investigacin.
Una vez definido el cdigo con sus diversas categoras, exhaustivas y excluyentes,
deberemos comenzar la observacin y realizar los correspondientes registros.
2.5 MEDIDAS EN LA INVESTIGACIN POR OBSERVACIN
En las tcnicas de observacin se diferencian cinco tipos de medidas diferentes y que
son las siguientes:
Ocurrencia, frecuencia, latencia, duracin, intensidad.
1 Los psiclogos utilizan la terminologa qumica: molaridad y molecularidad, para referirse a niveles
generales (molar) o ms especficos sencillos (molecular)
27
Todas ellas hacen referencia al fenmeno que estamos registrando dentro de cada
categora. La eleccin del tipo de medida depende tanto de la naturaleza del fenmeno
bajo observacin como de los intereses del propio investigador.
Veamos en qu consiste cada una de estas mediciones.
Ocurrencia: Nos informa si determinado fenmeno o suceso aparece o no durante el
periodo de observacin.
Frecuencia: Es el nmero de veces que sucede un determinado dato de observacin
durante el periodo de observacin.
La frecuencia a su vez se divide en absoluta y relativa.
Latencia: tiempo que transcurre desde la aparicin de un estmulo y la reaccin ante el
mismo.
Duracin: tiempo durante el que se manifiesta el fenmeno objeto de la investigacin.
Intensidad: fuerza con la que el fenmeno que estamos observando aparece en un
momento dado de la observacin.
2.6 TCNICAS DE MUESTREO Y OBSERVACIN
En la investigacin por observacin, al igual que en el resto de las tcnicas de la
investigacin comercial, se nos plantea el problema de a quin observar. Podemos
observar a todos los componentes de la poblacin o universo objeto de estudio,
circunstancia que en la mayor parte de los estudios de mercado y de Marketing es
imposible o bien centrarnos en una muestra estadsticamente representativa de la
poblacin.
Para la seleccin de la muestra se aplican las tcnicas de muestreo en sus variantes de
muestreo aleatorio simple y sistemtico.
Una vez elegida la muestra que se va a estudiar, el paso siguiente es definir cundo
realizar la investigacin, esto es, hacerla continua durante todo el periodo de tiempo
(por ejemplo, todo el da), o en determinadas fracciones. Esta seleccin del tiempo
dedicado a observar es lo que en esta tcnica se denomina muestreo de tiempo.
Por muestreo de tiempo entendemos la accin de extraer muestras de una poblacin
compuesta por intervalos de tiempo.
Existen dos procedimientos para realizar el muestreo de tiempo: muestreo sistemtico y
muestreo aleatorio.
28
Muestreo sistemtico: en este caso el investigador, mediante un criterio racional,

selecciona los periodos de observacin.
Muestreo aleatorio: en este tipo de muestreo se divide el tiempo en fragmentos,
eligindose stos mediante un procedimiento de azar. Todos los fragmentos tienen que
tener la misma probabilidad de ser elegidos, obtenindose por tanto una muestra
representativa de todos ellos.
Una vez seleccionados los periodos de tiempo durante los que se va a observar,
deberemos decidir el tipo de registro que se va a realizar.
El registro de datos puede efectuarse de una forma continua o a intervalos. De forma
continua implica que, durante el periodo de tiempo seleccionado, se registra en todo
momento. En cambio, en el registro por intervalos se establece un procedimiento
mediante el cual se intercalan intervalos de observacin con intervalos de registro. Se
coloca algn dispositivo avisador para que el investigador acte observando o
registrando.
En una gran cantidad de casos, el investigador trata de alcanzar un compromiso entre la
situacin ideal y las posibilidades de llevar adelante la investigacin. Es decir, tiene que
decidir dnde investigar, con el fin de garantizar que la situacin de observacin sea
representativa de todas las situaciones no observadas a las que se pretende generalizar
los resultados. Por ello se habla de muestreo de situaciones.
2.7 EVALUACIN DE LA OBSERVACIN
La observacin de tipo cientfico se diferencia de cualquier otro tipo de observaciones
en que debe ser sistemtica, es decir, debe dar como resultado datos susceptibles de ser
replicados por cualquier otro investigador.
Para analizar si la investigacin por observacin est bien realizada se barajan los
conceptos de fiabilidad y validez
Fiabilidad.
Por fiabilidad se entiende el criterio a seguir para la valoracin de un sistema de
recogida de datos que nos informa del grado en el que dos investigadores, dada una
misma situacin, obtienen los mismos resultados. Tambin es el grado en el que un
investigador, dada la misma situacin, obtiene los mismos resultados en dos momentos
diferentes.
29
La fiabilidad hace por tanto referencia al hecho de que un procedimiento de recogida de

datos nos lleve siempre a la obtencin de la misma informacin, dentro de una
determinada situacin, independientemente de quien recoja los datos o del momento de
su recogida.
Validez.
Por validez se entiende que el procedimiento de recogida de los datos tome aquellos que
realmente pretende recoger.
Tcnicas para el estudio de la fiabilidad
La fiabilidad implica que el procedimiento que estemos utilizando d lugar siempre a
los mismos resultados, cuando se cumplan las mismas condiciones.
En el caso de la tcnica de investigacin por observacin, en la que no se replican los
resultados, es complicado conocer si lo que falla es la fiabilidad del procedimiento o la
naturaleza de los datos en s mismos.
Para dar respue sta a esta circunstancia se recurre al concepto de grado de acuerdo
entre dos observadores. Existen diversos procedimientos para el clculo del grado de
acuerdo; los ms usuales por su sencillez son:
porcentaje de acuerdo y coeficiente Kappa de Cohen
Ambos procedimientos son de fcil aplicacin en las mediciones de ocurrencia y de
frecuencia.
Se utilizan coeficientes de correlacin cuando lo que medimos son variables
cuantitativas y en caso de mediciones, de latencia, duracin e intensidad.
Porcentaje de acuerdo y coeficiente Kappa de Cohen
El porcentaje de acuerdo entre dos observadores es un ndice que nos indica, en valor de
tanto por ciento, las veces en que dos observadores han coincidido en sus observaciones
sobre el total de observaciones realizadas sobre el mismo fenmeno.
Tiene el inconveniente de que no contempla la posibilidad de que algunos acuerdos
puedan deberse al azar. Cohen, para paliar este efecto, propuso introducir un factor
corrector, que es el coeficiente Kappa.
Para efectos prcticos se consideran fiables aquellos estudios que tengan al menos un
80% de acuerdo entre dos observadores.
El porcentaje de acuerdo entre dos observadores viene dado por la siguiente expresin
matemtica:
30
P0 =
n de. acuerdos
x100
n . de. acuerdos + n . de. desacuerdos
El coeficiente Kappa viene dado por la expresin siguiente:
K=
P0 Pe
1 Pe
Donde
P0 =
n de. acuerdos
x100
Pe representa la proporcin de acuerdos esperados por azar, y que viene dado por la
relacin siguiente:
Pe =
( p
i =1
i .1
. x. pi. 2 )
Donde n es el nmero de categoras, i es el nmero de la categora, pi1 es la

proporcin de ocurrencia de la categora i para el observador 1 y pi2 es la proporcin
de ocurrencia de la categora i para el observador 2.
2.7.1 CASO PRCTICO
Supongamos dos observadores trabajando en un sistema de tres niveles (1, 2 y 3),
durante un trabajo de 10 intervalos. Los resultados obtenidos son:
Intervalo
10
Observador 1 2
Observador 2 2
El porcentaje de acuerdo ser
P0 =
n de. acuerdos
x100
Como el nmero de acuerdos es 8 y el nmero de desacuerdos es 2, sustituyendo

obtenemos
P0 =
8
. x.100. = 80%
8+2
31
luego, aparentemente, este estudio s que sera fiable, ya que existe un grado de acuerdo
del 80%. Ahora bien, si tenemos en cuenta la posibilidad de que algunos acuerdos sean
al azar, aplicaremos el factor de correccin del coeficiente de Kappa para paliar el
error.
El procedimiento que hay que seguir es el siguiente:
Con los datos de los observadores construimos la correspondiente matriz. El nmero de
acuerdos entre los dos investigadores aparece en la diagonal de la matriz; fuera de esta
diagonal quedan los desacuerdos.
En los mrgenes de la matriz aparecen los porcentajes de ocurrencia de cada uno de los
tres niveles segn cada investigador.
Observador 2
Nivel 1
Observador 1
Nivel 2
Nivel 3
Nivel 1
4 / 10
Nivel 2
3 / 10
Nivel 3
3 / 10
3 / 10
4 / 10
3 /10
El coeficiente de Kappa viene dado por
K=
En este caso Po es 08
P0 Pe
1 Pe
Pe = (
4 3
3 4
3 3
x ) + ( x ) + ( x ) = 033
10 10
10 10
10 10
Sustituyendo, obtenemos que

K=
08 033
= 070
1 033
Luego K = 70%, es decir, en este estudio, el porcentaje debido al azar es del 10%.
Como no se alcanza el nivel del 80%, este estudio no sera fiable.
2.8 VALIDEZ
Se trata de establecer un criterio para la valoracin de un sistema de registro de datos
que nos informa del grado en el que el sistema consigue observar lo que pretenda.
32
El grado de validez, en su nivel estadstico, se realiza a travs de ndices de correlacin

entre las diferentes medidas del mismo suceso.
La validez se suele estudiar con relacin a tres aspectos diferentes:
validez de contenido, validez de constructo y validez orientada al criterio
2.8.1 VALIDEZ DE CONTENIDO
Indica el grado en el que los elementos incluidos en el cdigo de observacin son
representativos de todo el fenmeno bajo observacin.
2.8.2 VALIDEZ DE CONSTRUCTO
Indica en qu medida un cdigo de observacin es congruente con la teora desde la que
se elabor.
2.8.3 VALIDEZ ORIENTADA AL CRITERIO
Indica el grado en que el cdigo de observacin es sensible a las variaciones del
fenmeno bajo observacin.
2.9 ANLISIS DE DATOS
Se utilizan los conocidos indicadores de tendencia central: moda, mediana y media.
Como medidas de dispersin: rango, desviacin intercuartil y desviacin tpica. Todos
estos tipos de medida hacen referencia a una nica variable pero, normalmente, en este
tipo de investigacin comercial, lo que interesa es buscar y establecer la relacin entre
las diferentes variables. Para ello se estudian los ndices de correlacin. La correlacin
nos indica la covariacin. La variacin simultnea de dos variables no indica
necesariamente que una influya en la otra. Cuando s que existe influencia, hablamos de
la existencia de relacin causal.
2.10 FUENTES DE ERROR EN LA OBSERVACIN
Para realizar una buena investigacin por observacin, lo importante es que el
investigador no interfiera en el curso de los acontecimientos.
Est demostrado que simplemente la mera presencia de un observador, altera el
comportamiento usual de las personas. Este tipo de sesgo se conoce como reactividad.
Este tipo de sesgo se elimina logrando, o bien que el observador pase totalmente
desapercibido, o bien utilizando medios mecnicos o electrnicos tales como: cmara
33
oculta, espejos unidireccionales, etc. Cuando estos procedimientos no se pueden aplicar,

se espera a que el observado se acostumbre a la presencia del investigador; ello implica
realizar sesiones de observacin cuyos datos son desechados.
Otra fuente de error es el sesgo por parte del investigador, que es consecuencia de que
todo investigador, al realizar una hiptesis de trabajo y recoger los datos de una
determinada situacin, tiende a sesgar su percepcin en favor de sus expectativas.
El sistema de dar solucin a este tipo de sesgo es que el observador sea ciego. Por
observador ciego se entiende que el investigador que tiene que realizar el estudio no
conoce la razn por la que se est observando, simplemente se le entrena en el uso del
cdigo.
2.11 VENTAJAS E INCONVENIENTES DE LA INVESTIGACIN POR
OBSERVACIN
De una forma esquemtica las podemos resumir en:
Ventajas
La informacin recogida, por regla general, es muy objetiva. Ello es debido a la
eliminacin de las influencias sobre el observado.
No requiere, por lo general, la colaboracin de las personas investigadas.
Se obtiene informacin sobre la conducta del individuo, en ocasiones incluso
desconocida por la misma persona objeto de investigacin.
Inconvenientes
No se obtiene informacin acerca de las opiniones de los consumidores, ni de
preferencias, motivos de compra, etc.
Por lo general su coste es elevado, requiere de personas cualificadas, as como de
instrumental, tambin costoso.
Es un procedimiento lento.
34
3. EXPERIMENTACIN
3.1 INTRODUCCIN
En este tema se estudia cmo, a travs de la experimentacin, se puede analizar el
efecto que una variable independiente produce sobre otra variable dependiente. Para ello
es necesario controlar y neutralizar la influencia que otros factores puedan ejercer sobre
la variable objeto de estudio; con este fin, la experimentacin se traspasa a universos
aleatorios en los que el control es probabilstico y los resultados obtenidos se estudian a
travs del anlisis de la varianza.
3.2 CONCEPTOS GENERALES
Uno de los objetivos de la Investigacin de Marketing es el de tratar de definir las
relaciones que unen al mix de Marketing de la empresa con sus resultados.
Esta informacin es de suma importancia en el proceso de toma de decisiones, as como
en la planificacin estratgica y en los mecanismos de control de la misma.
Las relaciones que se identifican entre las variables del Marketing mix de la empresa y
sus resultados son de tipo causa efecto, constituyendo lo que se denomina relaciones de
causalidad.
El anlisis causal es el que pretende investigar las relaciones de influencia o causalidad
entre las diferentes variables.
Desde un punto de vista filosfico, se puede entender como causa aquello que hace ser a
algo que no es, o que venga a ser de forma distinta lo que es. Este concepto de causa
implica el que se diferencie entre la causa que produce algo nuevo de la que slo
modifica lo existente.
Teniendo en cuenta que la investigacin de Marketing no se ocupa de los consumidores
y productos en su conjunto, sino slo de las variables de stos en los estudios
descriptivos y de las relaciones entre las variables en los explicativos, es obvio que a la
investigacin de Marketing le interesa la causalidad no en el sentido que produce un
nuevo ser, sino en la modificacin de lo existente.
Cuando se dice que dos variables estn unidas por una relacin de causalidad, significa
que una variable influye en la otra, en el sentido de que una modificacin en la primera
conduce a una variacin en la segunda.
35
Para el estudio de la causalidad se utilizan mtodos correlacionales y experimentales.

Seguidamente vamos a estudiar los mtodos experimentales.
El mtodo de experimentacin consiste en reproducir fenmenos a voluntad del
investigador. Aplicado a la Investigacin de Marketing, trata de provocar la conducta
del consumidor en condiciones perfectamente controladas, lo ms parecidas posible a
una situacin real, con el objetivo de sacar consecuencias de la respuesta a un estmulo
cuyo efecto queramos conocer.
Es un mtodo de investigacin que ayuda a identificar relaciones causales
(causa/efecto). Mide el efecto que produce la variable independiente sobre la
dependiente (por ejemplo, promocin de un producto y ventas obtenidas).
La principal dificultad de la experimentacin consiste en realizar la prueba en las
mismas circunstancias que en la realidad, as como en aislar los resultados obtenidos,
debido a la variacin producida respecto a otras variables no controladas en el
experimento. Lo que hacemos es introducir modificaciones en variables de Marketing y
tratamos de controlar su incidencia en el comportamiento de compra por parte de los
usuarios.
La ventaja de este mtodo es que elimina el factor distorsionador que el entrevistado
provoca al suministrar informacin en una encuesta, ya que lo que aqu se estudia es el
comportamiento del consumidor ante una determinada situacin.
Ejemplo: Investigacin sobre el color de los envases y su influencia sobre el precio y las
ventas.
La experimentacin podra realizarse en una serie de tiendas. En unas se venderan de
una determinada caracterstica y en otras, con otro tipo de caracterstica. Al cabo de un
perodo de tiempo se alternaran las caractersticas, y posteriormente se analizaran los
resultados. Si el diferencial fuese significativo, podramos obtener como consecuencia
cul es la caracterstica preferida por el consumidor.
La experimentacin puede ser ms compleja, y entonces se recurre al denominado
mercado de prueba (reproduce las condiciones del mercado corriente pero en una zona
reducida).
La realizacin del mtodo de experimentacin debe ser perfectamente planificada.
Los aspectos bsicos de esta planificacin son:
1. Definicin de los objetivos
36
2. Definir la zona experimental

3. Eleccin al azar de las unidades experimentales
4. Perodo de duracin de la experimentacin
5. Diseo experimental
6. Recogida de informacin
Definicin de los objetivos
Deben estar claramente establecidos, especificando la variable cuya influencia en otra se
trata de comprobar.
Determinar la zona experimental
Debe reunir las condiciones de representatividad necesarias.
Duracin de la experimentacin
Depende de la frecuencia de compra. A modo de ejemplo:
compra cotidiana _____ mnimo un mes
compra ocasional _____ mnimo 5 meses
Eleccin del diseo
Los diseos son muy variados; radica en la forma de atribuir los diferentes tratamientos
que se quieren probar a las unidades experimentales elegidas.
3.3 PRINCIPALES APLICACIONES
Entre las aplicaciones ms utilizadas podemos resear las siguientes:
Fijacin de precios
Seleccin de medios publicitarios y promocionales
Eleccin de puntos de venta
Determinacin del tipo de envase y su tamao
Lanzamiento de nuevos productos
3.4 METODOLOGA
En todo experimento habr que definir:
1 Factor principal: variable independiente estudiada con sus diferentes alternativas, a las
que se denomina tratamientos.
2 Factores externos: son los factores influyentes que es conveniente aislar y controlar.
En algunos diseos experimentales se estudian de forma individual y se denominan
factores bloque o rodeo.
37
3 Unidades experimentales: lugares donde se realiza el experimento. Se dividen en los

siguientes tipos:
a) de laboratorio: local donde se reproducen las condiciones reales del mercado.
Normalmente se suele hacer en el propio centro de investigacin.
b) natural o real: el estudio se realiza en lugares muestra del mercado real, zonas
geogrficas, ciudades, tiendas, etc.
4 Variable dependiente: variable de respuesta por parte del mercado. Nos permite medir
los efectos de las variables estudiadas.
Ejemplo :
Una empresa de conservas vegetales desea medir el efecto de dos estrategias de
promocin diferenciadas para comercio en rgimen de autoservicio y para tiendas
especialistas. Definir las caractersticas del experimento.
1 Factor principal: los dos tipos de promocin
2 Factor externo: situacin del producto en la tienda, en la estantera, da de la
semana
3 Unidad experimental: comercio de las caractersticas requeridas (tiendas
reales)
4 Variable dependiente: unidades fsicas de producto vendidas
3.5 INDICADORES DE VALIDEZ DE UN EXPERIMENTO
La validez de un experimento comercial viene dada por dos indicadores:
1.
Validez interna: capacidad de aislar los efectos del factor estudiado.
2.
Validez externa: capacidad de generalizar los resultados del experimento.
Por lo general, el incremento de validez de un experimento va asociado con un aumento

en los costes econmicos del estudio.
Por consiguiente, el objetivo ser encontrar un diseo experimental que equilibre el
coste econmico con el nivel de validez.
3.6 ANLISIS ESTADSTICO DE LOS DISEOS EXPERIMENTALES
Las tcnicas estads ticas ms usuales en la experimentacin comercial son:
El anlisis de la varianza ANOVA.
El anlisis de la covarianza ANCOVA.
38
Cuando se quieren medir los efectos de uno o ms factores en dos o ms variables

dependientes se utiliza el anlisis de la varianza, denominado MANOVA.
El anlisis de la varianza (ANOVA) se utiliza cuando no conocemos previamente el
comportamiento de la variable dependiente sin la influencia del factor principal
controlado.
En esta situacin, se realiza un test estadstico para medir los efectos del factor sobre la
variable.
El anlisis de la covarianza (ANCOVA) se utiliza cuando conocemos previamente, a
travs de mediciones previas o de grupos o unidades de control, el comportamiento de
la variable dependiente sin la influencia del factor principal controlado. De esta manera
se evita la posible influencia de factores externos no controlados. El test estadstico que
se va a realizar consta de dos partes:
Se comprueba la existencia de factores externos no controlados.
Si no existen, se miden los efectos del factor principal en la variable dependiente a
travs del anlisis de la varianza.
Los anlisis de la varianza y de la covarianza se pueden realizar a travs de dos
mtodos: el denominado Tradicional (anova) o bien mediante la Regresin
3.6.1 MTODO ANOVA TRADICIONAL
El proceso de este mtodo es:
Se determinan las siguientes dispersiones:
1.- Dispersin total (DT): mide la suma de las dispersiones.
2.- Dispersin factorial (DF): mide la dispersin entre los grupos creados por las
diferentes alternativas del factor o factores estudiados.
Dependiendo del tipo de experimento, pueden existir varias dispersiones factoriales,
correspondientes al factor principal y a los factores de bloque.
3.- Dispersin residual (DR): mide la dispersin dentro de los grupos creados por las
diferentes alternativas del factor o factores estudiados.
DT = DF + DR
DR = DT - DF
4.- Se calcula el cuadrado medio total (CMT): dispersin total dividida por el nmero
de grados de libertad.
CMT = DT / gl
donde gl son los grados de libertad
39
5.- Se calcula el cuadrado medio factorial (CMF): dispersin factorial dividida por el
nmero de grados de libertad.
CMF = DF / gl
dependiendo del tipo de experimento, pueden existir varias varianzas factoriales,
correspondiendo stas al factor principal y a los factores bloque.
6.- Se calcula el cuadrado medio residual (CMR): dispersin residual dividida por el
nmero de grados de libertad.
CMR = DR / gl
7.- Se realiza el test de la F: para cada factor estudiado se calcula el correspondiente
valor del estadstico F.
7-1.- Se calcula el estadstico F para cada factor objeto de estudio, la ecuacin
correspondiente es:
F = CMF / CMR
Si el valor de F es menor que uno, es decir, CMF < CMR, no existe un efecto
significativo del factor estudiado sobre la variable dependiente, y por tanto no es
necesario realizar la comparacin de F con el correspondiente valor de las tablas.
7-2.- Se determina el valor de F en las tablas estadsticas de la distribucin de la
F, en base a los grados de libertad del numerador y del denominador.
7-3.- Se comparan ambos valores.
La hiptesis nula H0 es: NO EXISTE EFECTO SIGNIFICATIVO DEL
FACTOR ESTUDIADO.
Entonces:
Si F > Ft (tabla), no se cumple H0 y por tanto el factor estudiado tiene una
influencia significativa sobre la variable dependiente.
Si F= Ft (tabla), no podemos rechazar H0.
3.7 TIPOS DE EXPERIMENTOS HABITUALMENTE UTILIZADOS EN
INVESTIGACIN COMERCIAL
Los tipos de experimentos que ms habitualmente se utilizan en la Investigacin
Comercial son:
40
3.7.1 EXPERIMENTACIN AL AZAR

En este tipo de experimento comercial slo se controla un factor: la variable
independiente estudiada.
La asignacin de tratamiento a las diferentes unidades experimentales se realiza de
forma aleatoria.
3.7.2 EXPERIMENTACIN EN BLOQUES ALEATORIOS
En este tipo de experimento comercial se controlan dos factores:
3.7.3 EXPERIMENTO DE CUADRADO LATINO
En este tipo de experimentacin comercial se controlan tres factores:
1 La variable independiente o factor principal
2 Dos factores de control o rodeo que se denominan factores bloque
El diseo en cuadrado latino exige utilizar el mismo nmero de alternativas en los tres
factores controlados.
Debemos plantear este tipo de estudio cuando se estima que existen otros dos factores
influyentes en el fenmeno estudiado, aparte del factor principal.
Se debe disear un nmero de unidades experimentales suficiente para probar todas las
combinaciones posibles entre los tres factores sometidos a control.
3.7.4 EXPERIMENTO CON INTERCAMBIO
Este procedimiento consiste bsicamente en la aplicacin alternativa y sucesiva de los
diferentes tratamientos a las unidades experimentales. El orden de aplicacin de los
diversos tratamientos sobre las unidades experimentales debe ser al azar, con la
condicin de que haya el mismo nmero de unidades experimentales que reciba primero
un tratamiento y despus los otros.
Este tipo de experimento combina las caractersticas de los bloques aleatorios y los de
los cuadrados latinos pequeos.
3.7.5 EXPERIMENTO FACTORIAL
En los experimentos comerciales de tipo factorial se controlan varios factores
principales, midiendo sus efectos individuales y los conjuntos sobre la variable
dependiente.
41
Esta es una situacin muy habitual en el rea de Marketing, donde la aplicacin del
Marketing mix produce en el mercado unos resultados diferentes de los que se
obtendran por la suma de los efectos aislados de cada factor del mix de Marketing.
La tcnica estadstica que se utiliza se denomina ANOVA de va mltiple.
3.8 LIMITACIONES DE LA EXPERIMENTACIN COMERCIAL
Las aplicaciones de la experimentacin comercial presentan las siguientes limitaciones:
Aplicacin a corto plazo. La mayor validez de la experimentacin comercial es a corto
plazo, ya que en este perodo las condiciones y circunstancias bajo las que se realiza la
experimentacin sufren poca variacin.
No es una tcnica adecuada para estudiar productos de baja frecuencia de compra. En la
medida que los productos son adquiridos por los consumidores con gran asiduidad, la
experimentacin puede realizarse en periodos muy cortos, con lo que los resultados que
se obtienen son ms valiosos.
Dificultad de aislar el mercado de prueba. Cuando se realiza una experimentacin en
una zona, en diversas tiendas, etc., resulta difcil evitar que se produzcan distorsiones en
la zona de prueba, como consecuencia de las compras efectuadas por los consumidores.
Destruccin por actuaciones de la competencia. Esta tcnica puede hacer que la
competencia conozca la investigacin que se est realizando.
Coste. La experimentacin, por lo general, tiene un coste elevado.
3.9 CASO PRCTICO: EXPERIMENTO DE BLOQUE ALEATORIO
Recordemos que en este tipo de experimento comercial se controlan dos factores:
1 La variable independiente o factor principal
2 Un factor de control que se denomina factor bloque, tambin llamado de rodeo
CASO: Una empresa de refrescos va a lanzar al mercado un nuevo producto; para ello
realiza una prueba con tres envases diferentes:
P1 envase de 2l., P2 envase de 1l., P3 envase de 05l.
Adems, la empresa controla otro factor influyente, el tipo de establecimiento donde se
expenden los refrescos; para ello, definen el siguiente factor bloque:
B1 grandes superficies, B2 supermercados, B3 tienda tradicional y B4 autoservicio.
Cada envase se prueba en los cuatro tipos de tienda, durante un mes. Se obtienen los
resultados siguientes en miles de unidades de producto:
42
Tabla de resultados:
P1
P2
P3
B1
3
7
8
B2
4
8
12
B3
3
7
8
B4
2
6
4
SOLUCIN:
Factor principal: tratamientos P1, P2, P3, luego k=3
Factor bloque: las alterna tivas B1, B2, B3, B4, luego R = 4
Unidades experimentales 4x3 =12
Variable dependiente: unidades vendidas
Siendo
n el nmero de mediciones (12)
xij las unidades vendidas en los diferentes establecimientos
mj la media de ventas por tratamiento
mi la media de ventas por cada alternativa de bloque
m la media total
Clculos
B1
B2
B3
B4
mj
P1
12
P2
28
P3
12
32
18
24
18
12
mi
Luego m = 6
Dispersin total DT = 92
Dispersin factorial principal DF = 56
Dispersin bloque
DB = k ( mi m) 2
DB = 3(6 - 6)2 + 3(8 - 6)2 + 3(6 - 6)2 + 3(4 - 6)2 = 24
Dispersin residual
43
DR = DT - DF - DB
Sustituyendo, DR = 12
Cuadrado medio factorial CMF = 28

Cuadrado medio bloque CMB = 8
Cuadrado medio residual CMR = 2
Test de la F
1 Factor principal
F=
CMF
CMR
Luego F = 14, Como el valor en tablas para el 95% y gl 2 y 6 es 514

Podemos decir que existe un efecto significativo de los tratamientos estudiados para un
nivel de confianza del 95%.
2 Factor bloque
F=
CMB
CMR
Luego F = 4, El valor correspondiente en tablas para el 95% y gl 3 y 6 es F = 476

Como 4 < 476 podemos decir que:
NO existe un efecto significativo del factor bloque para el nivel de confianza del 95%.
La correspondiente salida de SPSS es:
44
3.9.1 EXPERIMENTO DE BLOQUE ALEATORIO (SPSS)

a
Resumen del procesamiento de los casos
Casos
Excluidos
Incluidos
N
12
Porcentaje
100,0%
N
0
Total
Porcentaje
,0%
N
12
Porcentaje
100,0%
a. Ventas (miles de unidades) por Tipo de promocin, Tipo de tienda
b,c
Medias de las casillas
Ventas (miles de unidades)

Envase
2 litros
Tipo de tienda
Total
1 litro
1/2 litro
Total
Total
Total
Gran superficie
Media
3,0000
Supermercado
Tienda tradicional
Autoservicio
Total
N
4
7,0000
8,0000
6,0000
8,0000
4
4
3
3
6,0000
4,0000
6,0000a
3
3
12
a. Media global
b. Ventas (miles de unidades) por Envase, Tipo de tienda
c. No se han calculado las medias de orden 2 o superior debido al
lmite en el orden mximo de interaccin.
ANOVAa
Ventas (miles de unidades)

Efectos principales (Combinadas)
Envase
Tipo de tienda
Modelo
Residual
Total
Suma de
cuadrados
80,000
56,000
24,000
80,000
12,000
92,000
Mtodo jerrquico
Media
gl
cuadrtica
5
16,000
2
28,000
3
8,000
5
16,000
6
11
2,000
8,364
a. Ventas (miles de unidades) por Tipo de promocin, Tipo de tienda
45
F
8,000
14,000
4,000
8,000
Sig
,012
,005
,070
,012
3.10 TABLA ESTADSTICA: DISTRIBUCIN DE LA F

NIVEL DE CONFIANZA 95%
m
N
1614
1995
2157
2246
2302
1851
19
1916
1925
1930
1013
955
928
912
901
771
694
659
639
626
661
579
541
519
505
599
514
476
4,53
439
559
474
435
412
397
532
446
407
384
369
512
426
386
363
348
10
496
410
371
348
333
11
484
398
359
336
320
12
475
389
349
326
311
13
467
381
341
318
303
14
46
374
334
311
296
15
454
368
329
306
290
Siendo m los grados de libertad del numerador y n los grados de libertad del
denominador.
3.11 MTODOS DE SIMULACIN
3.12 CONCEPTO
El mtodo de simulacin consiste en la creacin de una analoga o similitud de un
fenmeno autntico. Es una representacin incompleta de la realidad que trata de
duplicar el fenmeno, sin alcanzar la autntica realidad.
Lo podemos definir como una representacin incompleta del mercado y del mix de
Marketing de la empresa. Se realiza mediante aplicaciones informticas. Se utiliza
fundamentalmente para obtener ideas sobre la dinmica del mercado, manipulando las
46
variables independientes (mix de Marketing y entorno), observando su influencia sobre

las dependientes.
Un estudio de simulacin necesita de entradas de informacin relacionadas con las
caractersticas del caso a estudiar y las relaciones que estn presentes. El investigador
debe conceptuar y documentar los componentes estructurales del sistema, estableciendo
probabilidades para representar el comportamiento de los componentes. Los
componentes, tambin llamados unidades, representan partes del mercado, por ejemplo:
hogares, compradores, detallistas... Las variables en el sistema establecen la forma en
que se comportan las unidades, estas variables estn, por lo general, ligadas al
Marketing mix, por ejemplo: variaciones en el precio, comunicacin, producto..., as
como factores del entorno, por ejemplo: competencia, demanda, coyuntura econmica.
Las probabilidades se establecen en las unidades en funcin de cmo responden a las
diferentes variables. El objetivo es que las unidades de simulacin imiten el
comportamiento del sistema que representan. Las conclusiones de la simulacin se
expresan en resultados numricos, por ejemplo: ventas, rentabilidad, participacin en el
mercado....
Para realizar y desarrollar el mtodo de simulacin se precisa de personas especialistas.
Su tarea consiste en reducir el fenmeno complejo que se est estudiando, a
proporciones manejables, reproduc iendo las interacciones que ocurren en el mercado
real. Una vez construida la simulacin se pone a prueba para determinar si los
resultados son vlidos con la realidad del mercado que estamos simulando.
Segn Robert C. William T. Nevel, en su obra Simulation in Bussiness and Economics,
Un modelo vlido de simulacin debe comportarse en forma similar al fenmeno que
representa. Este es un criterio de validez necesario, pero que por s solo puede no ser
suficiente para que permita confiar en sus habilidades predictivas.
Un buen modelo de simulacin debe cumplir aspectos tales como:
No ser demasiado sencillo, ni excesivamente complejo
El usuario lo debe comprender y manipular con facilidad
Ser representativo del mercado sobre el que se efecta el estudio
Deber tener un grado suficiente de complejidad para que se aproxime al mximo a la
realidad del mercado objeto de estudio.
47
3.13 CLASIFICACIN
La clasificacin ms usual es la basada en el propsito que cumple el modelo,
reconocindose los siguientes:
Descriptivo: es el que describe el sistema de Marketing que se est estudiando. Son
fciles de construir, su aplicacin es muy limitada ya que solo tiene utilidad para la
situacin que representa. Generalmente, no se pueden utilizar para reproducir
situaciones causales entre varias variables, sirviendo de base para el desarrollo de los
otros modelos.
Predictivo: se disea para hacer predicciones de Marketing cuando variamos las
variables del sistema. Su limitacin es el no permitir la manipulacin del sistema para
evaluar nuevos campos de accin.
Prescriptivo: permite al usuario experimentar cambios en el sistema.
3.14 VENTAJAS Y LIMITACIONES
El mtodo de simulacin exige que se conceptualice, desarrolle y manipule un modelo,
obtenindose resultados expresados en datos numricos. En cambio, los datos obtenidos
por encuestas, experimentacin e incluso por trabajo de gabinete, son el resultado
directo de la situacin objeto de estudio.
Como ventajas podemos citar las siguientes:
Menor coste. Es ms econmico que otros sistemas de recogida de informacin. Menor
tiempo para recoger y analizar la informacin. Permite la evaluacin de diferentes
estrategias de Marketing.
Es una buena herramienta de entrenamiento para directivos, tanto del rea de Marketing
como del resto de departamentos de la empresa. Sirve para hacer anlisis de
sensibilidad, esto es, determinar la sensibilidad de una opcin estratgica a desviaciones
de los supuestos iniciales.
Como limitaciones podemos resear las siguientes:
Su poca o nula viabilidad cuando la empresa no tiene antecedentes ni experiencia acerca
del fenmeno que se estudia.
Necesidad de personal especialista. Dificultad de desarrollar el modelo. Continua puesta
al da del modelo.
48
4. LA ENCUESTA ESTRUCTURADA
4.1 LA
ENCUESTA.
TIPOS.
DATOS
QUE
APORTA.
VENTAJAS
INCONVENIENTES
La encuesta constituye un procedimiento sistemtico de recoleccin de datos facilitados
por los entrevistados a travs de cuestionarios.
Para que las encuestas tengan xito, deben basarse en la correcta realizacin de un
documento escrito que recoja las preguntas que se realizarn, esto es, el cuestionario.
El cuestionario debe estar redactado en un lenguaje claro y directo, evitando las
preguntas ambiguas o contradictorias entre s, que puedan ocasionar errores en las
respuestas.
La encuesta estructurada recoge informacin sobre uno o varios temas. La informacin
obtenida corresponde, generalmente, a una muestra de la poblacin investigada
(universo). Para que los datos recogidos a travs de una encuesta puedan inferirse a toda
la poblacin o universo, se deber obtener la informacin mediante tcnicas de
muestreo.
Las encuestas permiten obtener informacin sobre caractersticas socioeconmicas,
opiniones, actitudes y motivaciones del pblico objetivo.
La encuesta puede ser diseada especficamente para el estudio que se va a realizar,
denominndose "ad hoc" o estndar, esto es, encuestas cuyo diseo ha sido previamente
establecido y el tipo de informacin es uniforme para todos los suscriptores.
Para definir la naturaleza de una encuesta, podemos utilizar el criterio de la finalidad de
la encuesta en relacin con el nivel general de conocimientos del investigador sobre el
tema que va a tratar.
Segn el criterio de finalidad, las encuestas se clasifican en:
encuestas exploratorias, encuestas descriptivas y encuestas explicativas.
Veamos brevemente en qu consiste cada una de ellas.
Encuestas exploratorias
El principal objetivo es la identificacin de los problemas y la reformulacin ms
precisa de los mismos. Normalmente sirven de fase preparatoria para los otros dos tipos
de encuestas.
49
Las encuestas exploratorias requieren con frecuencia el empleo de instrumentos de

investigacin poco perfeccionados, presentando algunas ventajas:
Flexibilidad. Se debe, en gran medida, al reducido nmero de encuestados y al uso de
preguntas abiertas, cuando sea necesario.
Bien realizada. Permite definir las variables explicativas.
Sus lmites son que no se puede realizar anlisis estadstico ni extrapolar sus resultados.
La encuesta exploratoria permite entender cmo se plantea el problema y formular
hiptesis respecto a su funcionamiento.
Encuestas descriptivas
Es el tipo de encuesta ms practicado en la actualidad; su objetivo principal consiste en
describir las caractersticas de una determinada situacin mediante el anlisis de
diferentes variables y obtener apreciaciones acerca del comportamiento que se trata de
prever, describiendo el grado de asociacin entre dichas variables.
El investigador necesita un conocimiento previo del tema tratado; hay que definir con
precisin las fuentes de informacin, los medios de recogida y el tratamiento de las
informaciones.
Para realizar una encuesta descriptiva se necesita un cuestionario estructurado y una
muestra significativa del universo objeto del estudio.
Su inters se debe a que se puede realizar un anlisis estadstico de los resultados, lo que
permite una extrapolacin al universo dentro de unos lmites de fiabilidad conocidos.
Una de las principales razones de su utilizacin es que permite la validacin de ol s
resultados a un nivel ms general; sin que por ello se puedan establecer relaciones de
causa efecto entre diversas variables.
Encuestas explicativas o causales
Su objetivo principal es el de permitir prever determinados fenmenos estudiados,
conociendo la naturaleza de la relacin entre las causas y los efectos previstos. A lo
largo de una encuesta explicativa, las dos variables discriminativas (causa y efecto) de
un problema estudiado, se identifican con precisin.
Es la investigacin ms difcil de realizar. Las relaciones que existen entre las causas y
los efectos pueden ser de dos naturalezas:
50
Determinista: se trata de un hecho que a la vez es necesario y suficiente para la

existencia ulterior de otro suceso.
Probabilista: se trata de un acontecimiento necesario pero no suficiente para la
existencia de otro suceso.
Una encuesta explicativa permite precisar y controlar los efectos frente a una causa
conocida. El principal inconveniente consiste en no poder demostrar una relacin exacta
de causalidad entre la causa y el efecto, sino simplemente la existencia de una relacin
entre ambos.
Existen numerosas formas de recoger informacin por el mtodo de encuestas. Cada
caso requerir la utilizacin de un tipo especfico de encuesta. Normalmente, influyen
dos criterios en la eleccin de las fuentes de informacin, la naturaleza de la encuesta y
los recursos disponibles (financieros, humanos, tiempo).
4.1.1 TIPOS DE ENCUESTA ES TRUCTURADA
Hay diversos sistemas de clasificar las encuestas. Vamos a resear los ms corrientes:
A) Teniendo en cuenta el medio empleado para obtener la informacin, que son las que
ms difusin tienen, se clasifican en los siguientes tipos bsicos:
encuestas personales vis a vis, encuestas telefnicas, encuestas por correo y mixtas
B) Segn el nmero de temas investigados:
Un tema: encuesta ad hoc (se realiza de forma espordica, generalmente por encargo,
para obtener informacin sobre un determinado asunto)
Varios temas: mnibus (se recoge informacin sobre varios asuntos o temas a la vez)
C) Segn el contratante
Para un determinado estudio. Se trata entonces de una encuesta ad hoc
Diseo por suscripcin (se recoge peridicamente informacin de inters para varios
suscriptores). Estas se clasifican en:
paneles de detallistas y paneles de consumidores
mnibus
D) Segn la muestra:
De muestra variable. Se selecciona la muestra para cada estudio. Seran de este tipo las
siguientes: mnibus, encuesta sectorial de bienes de consumo duradero y encuestas ad
hoc.
51
De muestra fija. La muestra permanece a lo largo de los diversos perodos de recogida

de la informacin. En este tipo tendramos las denominadas panel, entre las que
reseamos: panel de detallistas, panel de consumidores, panel de audiencias.
E) De acuerdo con criterios temporales:
Mtodos instantneos: son los que obtienen la informacin en un momento determinado
de tiempo: postal, telefnica, personal, observacin, experimentacin. Tambin
llamados estudios transversales.
Mtodos permanentes: obtienen informacin de una forma peridica. El sistema ms
utilizado es el panel. Tambin llamados estudios longitudinales.
F) En funcin de la colaboracin de la muestra:
Con la colaboracin de la muestra. Se utiliza de forma explcita un cuestionario. A este
tipo corresponden la postal, telefnica, personal, mixtas.
Sin la colaboracin de los componentes de la muestra. En este caso no slo no se pide
colaboracin, sino que se busca que no se den cuenta de que estn siendo estudiados.
Los mtodos ms utilizados son: observacin y experimentacin.
G) En funcin del componente del mercado de donde se obtenga la informacin:
De demanda. Por ejemplo: panel de consumidores
De oferta. Por ejemplo: panel de detallistas
Como se puede observar, hay muchos sistemas de clasificacin de los diversos tipos de
encuestas.
4.1.2 INFORMACIN QUE APORTAN LAS ENCUESTAS
Los principales datos que nos permiten obtener las encuestas son:
Caractersticas del encuestado
socioeconmicas, edad, sexo, profesin, hbitat, etc.
Actitudes de los consumidores, en sus tres componentes:
afectivo:
qu le sugiere?
cognoscitivo: conoce la marca?

comportamiento:
comprara?
Otras informaciones de inters para el estudio.

4.1.3 VENTAJAS E INCONVENIENTES
Sus principales ventajas son:
52
Versatilidad: puede recopilar una amplia gama de informacin

Rapidez
Como desventajas podemos enumerar:
Resistencia del encuestado a facilitar la informacin pedida
Sesgo en la emisin de las respuestas, producido por el propio encuestado o influido por
el entrevistador
Dificultad de recordar por parte del encuestado
4.2 CARACTERSTICAS DE LAS ENCUESTAS ESTRUCTURADAS
Decamos que la encuesta es una tcnica o sistema de recogida de informacin sobre
uno o varios asuntos. La informacin obtenida responde a una muestra de la poblacin
objeto del estudio, aunque a veces tambin puede obtenerse de la propia poblacin o
universo, cuando ste es pequeo.
Las encuestas cuantitativas son un mtodo de obtencin de datos, mediante entrevista
individual, en la que el entrevistado proporciona informacin de forma voluntaria y
consciente como respuesta a una serie de preguntas planteadas en el cuestionario.
Las caractersticas bsicas de la encuesta estructurada son:
Definicin del objeto de estudio
Definicin de la poblacin que se va a estudiar (universo)
Elaboracin del cuestionario para recoger la informacin
Definicin del sistema de muestreo
Definicin del tamao de la muestra en funcin de niveles de confianza y

margen de error
Fijacin del plan de tabulacin que permita el anlisis de los datos obtenidos
4.3 TIPOS DE ENCUESTA ES TRUCTURADA SEGN EL PROCEDIMIENTO

EMPLEADO PARA OBTENER LA INFORMACIN
4.4 ENCUESTA PERSONAL VIS A VIS
Es el procedimiento ms utilizado. Se basa en entrevistas realizadas por encuestadores,
debidamente entrenados, que acuden a los hogares, centros de trabajo o emplazamientos
concretos, con la finalidad de realizar una encuesta. Es interactiva y debe resultar
agradable tanto para el entrevistador como para el entrevistado. Para ello, el encuestador
53
tratar de crear un ambiente distendido, induciendo al interrogado a contestar las

cuestiones.
Cuando alguien piensa en una encuesta a travs de la entrevista personal, en su pantalla
mental se forma un cuadro en el que ve a una persona, formulario en mano, haciendo
preguntas a otra en el umbral de una puerta; si bien esta imagen es en parte cierta, cada
vez su ejecucin resulta ms difcil, y esto es debido a varias razones, entre las cuales
citaremos:
Incorporacin de la mujer al mundo laboral, lo que origina unas horas de contacto fuera
de los horarios laborales.
Seguridad: muchas personas son reacias a que entren extraos en sus casas, aunque
vayan debidamente acreditados como entrevistadores.
Horarios de contacto con el pblico objetivo de la muestra, en ocasiones nocturnos o en
fines de semana.
No obstante, las entrevistas personales son las que ms se acercan al enfoque universal
de la investigacin. En teora, y prescindiendo de aspectos econmicos, pueden
utilizarse en todos los estudios.
Debido a su carcter interactivo, es la tcnica adecuada para tratar temas que por su
complejidad precisan aclaraciones, ya que permite al entrevistador usar grficos,
escalas, fotografas, etc., es decir, cualquier elemento adicional que sea necesario. Por
otra parte, permite determinar el contexto social del entrevistado.
Entre las mayores ventajas de este mtodo, citaremos:
Flexibilidad y versatilidad
Es la ventaja clave de esta tcnica, ya que permiten muchas opciones. Podemos obtener
cuestionarios de mayor longitud y de cualquier formato. Es el mtodo ms adecuado
para obtener informacin detallada sobre actitudes y opiniones. Se puede hacer
cualquier tipo de pregunta, ya que los entrevistadores pueden hacer un trabajo de
profundizacin y clarificacin de las preguntas, y muy especialmente de las abiertas.
Demostraciones
Podemos mostrar y ent regar cosas a los entrevistados. Podemos pedir su opinin sobre
un anuncio, entregarle paquetes de muestra, hacer pruebas, etc.
Observacin
Permite observar al entrevistado, as como su entorno.
54
Rapidez
Suele ser ms rpido que los estudios realizados por correo.
Se puede realizar en varios puntos geogrficos a la vez.
Muestra
Es de gran utilidad en la realizacin de estudios en las grandes ciudades, cuando la
unidad de la muestra es el hogar (mtodo de rutas aleatorias).
En contraposicin con las ventajas, las entrevistas personales presentan desventajas que
limitan su aplicacin. La ms importante es su elevado coste, debido fundamentalmente
a los gastos del entrevistador (viajes, dietas, repeticiones de visitas, barridos, etc.), al
tiempo de ejecucin, a la necesidad de una buena planificacin y al amplio trabajo
administrativo.
Por otra parte, no es el mejor mtodo para tratar temas personales, ntimos o de gran
sensibilidad.
Y como clara desventaja, podemos citar la inseguridad ciudadana. Debido a los horarios
de trabajo del pblico objeto de la muestra, nos encontramos haciendo el trabajo en
horarios nocturnos, encontrndolo reacio a abrir la puerta. De la misma forma, resulta
difcil reclutar entrevistadores dispuestos a trabajar en determinados barrios y,
especialmente, en horario de tarde-noche.
Sin embargo, para algunos tipos de investigacin es necesaria la entrevista personal. La
problemtica indicada con anterioridad ha originado nuevas formas de contacto
personal.
4.4.1 ENTREVISTAS POR DETENCIN
Su base es que es mucho ms eficaz dejar que los encuestados vengan al entrevistador
en un centro comercial, almacn, cuencas comerciales, etc., que enviar a los
encuestadores a los hogares. Lo que se hace es enviar a los encuestadores a localizar a
los encuestados en lugares donde sean accesibles y, una vez localizados, realizar la
encuesta.
La limitacin de este tipo de entrevistas es que no se genera una muestra tan
representativa de la poblacin como la obtenida en un estudio puerta a puerta. Tambin
est el problema de la duracin del cuestionario, pues resulta difcil que una persona nos
atienda durante mucho tiempo.
55
En conjunto, este tipo de estudios suele reflejar aspectos bastante cercanos a la

poblacin total si seleccionamos con rigor el punto de detencin. Asimismo, nos
proporciona unos costes inferiores.
Este tipo de investigacin es de rpido crecimiento y cada da es ms comn.
4.4.2 ESTUDIOS CON INVITADOS A UNA LOCALIZACIN CENTRAL
En esta tcnica de entrevista personal, se selecciona a los encuestados por telfono,
invitando a los que renan los requisitos adecuados a que concurran a un determinado
sitio y hora con el fin de realizar una encuesta.
Este mtodo es el adecuado cuando la proporcin de encuestados que cumplan los
requisitos es baja (se denomina incidencia).
Este sistema es adecuado si la entrevista es larga, supera los veinte minutos, ya que
muchas personas encuentran inconveniente en dedicar en aquel momento preciso el
tiempo necesario para la cumplimentacin del cuestionario. En este caso podemos hacer
cita previa y preseleccin concertando la entrevista telefnicamente.
4.5 ENCUESTA TELEFNICA
Conforme ha disminuido el uso de la entrevista personal, y al mismo tiempo ha crecido
el nmero de aparatos de telfono instalados, podemos decir que ha ido aumentando la
importancia de esta tcnica.
Este es el mtodo que ms est creciendo hoy en da, debido a que reduce los costes as
como los riesgos derivados de la inseguridad ciudadana. Por otra parte, prcticamente la
totalidad de los hogares disponen de telfono (en Espaa, aproximadamente un 80%).
Este sistema, de amplia difusin en EE.UU., tambin se est utilizando con gran
amplitud en Francia, Alemania, Reino Unido, Espaa e Italia. Esta utilizacin de la
entrevista telefnica tiene importancia cuando existe una gran correlacin entre el
producto objeto de estudio y el uso o tenencia de lnea telefnica. Tambin est
divulgado su uso para encuestas continuadas, cuya importancia subyace ms en datos
relativos que en absolutos.
El sistema de encuesta telefnica es relativamente barato y rpido. Nos permite alcanzar
adecuadamente una muestra grande y dispersa. Precisa de un sistema administrativo
simple y reducido. El universo est siempre disponible, pues es la Gua Telefnica; el
control es muy sencillo, ya que los supervisores pueden seguir las entrevistas desde un
56
puesto de escucha, y por otro lado el sesgo del entrevistador tiende a ser menor que en
la entrevista personal.
El sistema ms desarrollado en encuestas telefnicas se denomina CATI, que
corresponde a las siglas de Computer Aided Telephone Interwing, que en espaol viene
a significar Encuestas Telefnicas Asistidas por Ordenador. Mediante este sistema, el
entrevistador, utilizando el telfono, lee el cuestionario en una pantalla de ordenador,
registrando las respuestas que recibe, incorporndolas a la correspondiente base de
datos. Este sistema permite, en cualquier momento, obtener la salida de los resultados,
lo que nos posibilita controlar continuamente el desarrollo del estudio.
El programa del sistema puede llevar a cabo una seleccin aleatoria de los nmeros de
telfono.
Los requisitos fsicos de los entrevistadores no son los mismos que para los de calle,
siendo lo importante la diccin, el tono de voz y la forma de decir, pudindose emplear
a personas con discapacidades fsicas. En todos los casos es conveniente la realizacin
de un diseo ergonmico del puesto de trabajo.
Las principales ventajas de la encuesta telefnica son:
Muestra: nos permite trabajar con muestras amplias y geogrficamente dispersas de una
manera fcil.
Las segundas llamadas pueden hacerse con mayor facilidad; sta es una limitacin
importante en la entrevista personal puerta a puerta, ya que es costoso realizar un
segundo contacto. En la entrevista telefnica es ms fcil encontrar a la persona que no
est disponible en ese momento y concertar la entrevista para otra hora; esto nos permite
aplicar buenos procedimientos de muestreo a base de llamadas subsiguientes.
Supervisin: al realizarse desde una instalacin telefnica central, el supervisor puede
controlar el trabajo de los diferentes entrevistadores para, de esta manera, asegurarse de
que el cuestionario se est utilizando de la manera correcta. Podemos hablar de control
inmediato.
Flexibilidad: aunque no con la misma amplitud que la entrevista personal cara a cara, la
investigacin telefnica puede utilizar cuestionarios complejos, debido a que el
encuestador puede controlar el interrogatorio.
57
Acceso a elementos de la muestra difciles de contactar. El uso del telfono nos permite
contactar con elementos ocupados y con los alejados, con mayor facilidad que otros
tipos de entrevista.
Rapidez: al utilizar un sistema centralizado, se consigue un mayor nmero de
entrevistas por jornada, ya que no existen tiempos muertos en desplazamientos.
Permite la prueba inicial del cuestionario con gran rapidez, y hace posible la puesta en
marcha en menos plazo del sondeo definitivo.
Sin embargo, la entrevista telefnica tiene una serie de limitaciones:
Tasa de respuesta: puede convertirse en un problema cuando la gente se da cuenta de
que el tema de estudio no es importante para l, colgando el telfono, cortando de esta
manera la entrevista, situacin sta mucho ms difcil en una entrevista personal vis a
vis.
Duracin de la entrevista: debe ser breve. La duracin mxima debe estar entre 5 y 15
minutos. Si no se puede obtener la informacin en este perodo de tiempo, la entrevista
telefnica no es la tcnica adecuada.
Demostraciones: por descontado, hasta que no se masifique la utilizacin del vdeo
telfono, no se puede pensar en el empleo de elementos grficos de apoyo, siendo
absolutamente imposible mostrar algo al entrevistado.
Limitacin en las preguntas: las preguntas deben ser sencillas y los cuestionarios cortos,
siendo muy difcil manejar escalas extensas por telfono.
La entrevista telefnica es un buen sistema para recoger opiniones, actitudes o hechos
de una muestra grande y dispersa, tambin para estudios de seguimiento, para realizar
segundas entrevistas con personas previamente contactadas de forma personal.
La entrevista telefnica es cada vez ms usada para la Investigacin de Marketing.
4.6 ENCUESTA POR CORREO
Esta tcnica consiste en que el investigador enva por correo el cuestionario junto con
una carta y un sobre franqueado, para que el encuestado enve la respuesta.
En ocasiones, los cuestionarios se envan por correo y se recogen personalmente.
En general parece una alternativa atractiva. Es fcil de elaborar y por regla general es el
sistema ms barato.
58
Es un procedimiento muy conveniente para recoger opiniones de una muestra

minoritaria.
En esta tcnica no hay interaccin personal y, por lo tanto, las preguntas deben ser
fcilmente comprendidas, ya que no hay posibilidad de hacer aclaracin alguna.
Las principales ventajas de este tipo de investigacin son:
Costo: principal atraccin de este mtodo, ya que resulta mucho ms econmico que la
entrevista telefnica y, por supuesto, que la entrevista personal puerta a puerta, as como
las otras modalidades.
Eficie ncia con muestras muy grandes: Ccnforme aumenta el tamao de la muestra, se
vuelve ms eficiente; la diferencia entre enviar 2000 5000 cuestionarios es el impreso
y el franqueo.
Acceso a personas difciles de localizar: facilita la comunicacin con encuestados
dispersos, prcticamente con el mismo costo que a personas geogrficamente
concentradas.
Sesgo: al no existir encuestador presente, no puede producir ninguna influencia.
Tampoco se le puede pedir al entrevistado que profundice o clarifique respuestas.
Demostraciones: por correo s que se pueden enviar muestras, as como anexos, dibujos,
etc., aunque no se puedan realizar grandes demostraciones.
Las limitaciones de la entrevista por correo son mucho ms numerosas que las ventajas;
para la mayor parte de los estudios, estas desventajas hacen que la utilizacin del
"referendum postal" no sea la tcnica apropiada.
Los principales inconvenientes son:
Baja tasa de respuesta: para un estudio por correo enviado a una serie de personas
relacionadas al azar, la respuesta no supera ms del 2 al 5%.
Esta falta de respuesta constituye una grave fuente de errores.
La apata y la falta de inters son las dos razones ms importantes de esta no respuesta.
El problema del desinters puede ser atenuado con buenos resultados, enviando un
segundo cuestionario a aquellos que no contestaron al primero, e incluso realizando
varios envos, pudiendo por estos sistemas alcanzar cotas de respuesta del 60 al 80%. Lo
normal es que la no respuesta sea del 70 al 80% para productos de consumo y del 90 al
95% para productos industriales (datos USA. En Espaa no suele pasar del 10%).
59
Otro factor que ayuda a vencer la apata y la falta de inters es, por ejemplo, dar
pequeos obsequios (participaciones de lotera, etc.) a cambio de los cuestionarios
recibidos.
En cualquier caso, el ndice de respuesta vara de unos pases a otros, e incluso dentro
del mismo pas, vara de unos territorios a otros.
Sesgo provocado por la no respuesta
Aparte de la pequea proporcin de personas que responden a la encuesta, nos
encontramos con que, a menudo, quines la devuelven diligenciada no son los
encuestados tpicos de la muestra total.
Tampoco se puede estar seguro de quin fue la persona que realmente cumpliment el
cuestionario.
Ejemplo: puede ocurrir que nos contesten las personas a las que les gust el producto o
bien aquellos que quieren manifestar su queja.
Como ancdota podemos citar la siguiente: en 1896, Harlow Gale, de la Universidad de
Minnesota, envi a 200 publicistas de Twin Cities un cue stionario postal para tratar de
averiguar sus opiniones de la publicidad. No pudo realizar el estudio, ya que despus de
todos los intentos slo alcanz un 10% de respuesta.
En resumen, podemos decir que la baja tasa de respuesta y las serias dudas sobre la
representatividad de los encuestados, hacen que la tcnica de entrevista por correo no
sea la adecuada para un gran nmero de estudios.
Control: al no conocer quin contesta el cuestionario, es prcticamente imposible
establecer un control adecuado.
Limitaciones: las limitaciones estn basadas en que el nmero de preguntas ha de ser
pequeo, y stas deben estar formuladas de una forma sencilla y clara. En caso
contrario, los posibles encuestados desecharn el cuestionario.
Otros inconvenientes son la lentitud con la que se obtienen las respuestas, as como la
imposibilidad de hacer pruebas previas o estudios piloto.
Hay que concentrar los esfuerzos de esta tcnica en conseguir la mayor respuesta
posible.
Por tanto, el primer paso es disear el envo que se ha de realizar a los encuestadores.
Las principales recomendaciones que hay que tener en cuenta son:
Calidad de los impresos
60
Tipo de correo
Si se enva un regalo, ste debe ir junto con el cuestionario, de manera que se valide con
el recibo del cuestionario
Carta de presentacin, totalmente personalizada
Todo el envo debe tener aspecto personalizado y profesional; nunca debe dar la
sensacin de un envo al por mayor
Incluir un sobre con el franqueo pagado
El cuestionario tiene que parecer fcil de contestar y de enviar
Imprimir el cuestionario en los dos lados de una pgina doblada de 43 x 28 cm. (parece
ms pequeo que cuatro pginas a una cara)
Hemos de aportarle creatividad para conseguir despertar el inters del encuestado
Ejemplo: una empresa utiliz una tcnica combinada de correo y telfono en un estudio
sobre altos ejecutivos. Se envi a cada uno de los encuestados una pequea caja de
seguridad que contena el material para la encuesta. Junto a ella se envi una carta en la
que se informaba al destinatario de que se le iba a llamar por telfono, se le dara la
combinacin de la caja y se le entrevistara acerca del contenido de la misma.
La entrevista por correo se utiliza en estudios en los que los encuestados tienen bastante
inters en el objeto del estudio, como es el caso de los estudios tipo panel.
En estos estudios hay generalmente una muestra pequea y dispersa.
Se han desarrollado procedimientos para aprovechar lo econmico del sistema y, al
mismo tiempo, evitar la baja tasa de respuesta. Estos sistemas utilizan encuestados que
de antemano han aceptado participar en los estudios. Son los paneles por correo.
4.6.1 MIXTAS COMBINACIONES TELEFNICA, CORREO Y PERSONAL
En ocasiones, se pueden reducir costos utilizando el telfono y / o el correo en partes del
estudio.
Por ejemplo, consideremos el caso de una prueba de producto.
1 Mediante entrevista personal seleccionamos a los participantes del estudio y les
entregamos la muestra de producto objeto de la prueba.
2 En vez de hacer una segunda visita personal para obtener la evaluacin, la podemos
obtener por telfono o por correo, e incluso por la combinacin de ambos.
61
La tcnica de la entrevista personal se utiliza generalmente cuando se tiene que mostrar

o dar algo a los encuestados, o en estudios comple jos, sobre todo de opinin y actitud,
as como cuando la duracin de la entrevista o el tipo de preguntas formuladas hagan
inviables los otros medios.
4.7 ENCUESTAS ESTRUCTURADAS POR SUSCRIPCIN
En la actualidad, en el mercado espaol existen los siguientes tipos de encuestas
estructuradas por suscripcin:
1. ENCUESTA SECTORIAL DE BIENES DE CONSUMO DURADERO
2. ECUESTAS MNIBUS
3. ENCUESTAS PANEL
4.8 ENCUESTA SECTORIAL DE BIENES DE CONSUMO DURADERO
En Espaa, y con carcter peridico, diferentes sectores productivos dedicados a la
fabricacin de bienes de consumo duradero, realizan encuestas para obtener
informacin del mercado. Realizan estos estudios sectores como los del automvil,
electrodomsticos, menaje de cocina, muebles, etc. Cada sector realiza su encuesta. La
informacin que se obtiene es de tipo general para todo el sector, es decir, no incluye
aspectos especficos de polticas de Marketing de las diferentes marcas.
La metodologa, por lo general, es :
Muestra variable
Tipo de muestreo: estratificado (regin/hbitat)
Afijacin de la muestra
Periodicidad (anual o semestral) en funcin del carcter reflexivo de la compra
La informacin que facilita este tipo de encuestas es del tipo siguiente:
Parque nacional de artefactos
Grado de saturacin, tanto por ciento de hogares o individuos poseedores
Grado de penetracin, tanto por ciento de artefactos en uso
Compras anuales
Compras por modelos
Estacionalidad de la compraventa
Compra por primera vez
62
Compra por reemplazo
Forma de compra o adquisicin (propia o regalo)
Lugar de compra. Tipo de establecimiento
Hbitos de uso
Actitud hacia el producto
Grado de conocimiento
Grado de aceptacin
Grado de preferencia
Caractersticas del entrevistado: sexo, edad, profesin, clase social, nivel de

ingresos, nmero de personas en el hogar, hbitat, regin geogrfica o Nielsen
Este tipo de encuesta permite a la Direccin de Marketing obtener datos como:
Participacin en compras
Participacin en el mercado
Participacin por segmentos de mercado
Grado de fidelidad
Posicionamiento en los diferentes segmentos
4.9 ENCUESTA MNIBUS

Es una tcnica de recogida de informacin, mayoritariamente, mediante entrevistas
personales o telefnicas, cuya diferencia con las otras encuestas estriba en que su
cuestionario est desarrollado para diferentes temas y productos.
El nombre de mnibus proviene del sentido de compartir, en este caso, la encuesta. Su
empleo esta muy extendido en todos los pases, debido a su reducido precio. Cualquier
empresa puede entrar en el mnibus simplemente contratando algunas preguntas en una
encuesta que se lleva a cabo de un modo continuado y a nivel nacional (por lo general,
hay regionales y autonmicos). Los mnibus emplean una muestra representativa, del 5
al 2% de error.
Normalmente, se puede reservar espacio en el cuestionario mnibus con muy poca
antelacin (15 das antes del comienzo, e incluso con una semana caso de TEC 2).
2 TEC Investigacin y Marketing Operativo www.tecmarketing.net

63
Al distribuirse los costes entre varios clientes los precios se reducen considerablemente,
siendo el coste mucho menor que para la realizacin de un estudio ad hoc.
Presenta algunas limitaciones, como que las preguntas son preferiblemente cerradas,
fciles de tabular y el tiempo por tema est a su vez limitado (unos 10 minutos). As
mismo, se deben evitar cuestiones que produzcan algn sesgo que pudiese afectar a
otras preguntas.
Por lo general, no se aceptan preguntas que evoquen marcas especficas. Las preguntas
suelen ser relativas a:
Conocimiento y recuerdo de marcas
Experiencia de producto
Precios
Tipo de establecimiento donde efecta la compra
Frecuencia de compra
El cuestionario mnibus se aplica mediante entrevista personal o telefnica, empleando

muestras aleatorias o de cuotas mediante submuestreos suplementarios. Se disea una
muestra diferente para cada estudio. Est sujeto a dos tipos de error, el de muestreo y el
del sesgo producido por el entrevistador.
Es un procedimiento til y barato para PYMES que no pueden invertir grandes sumas
en Investigacin de Marketing, ya que el coste del estudio es compartido entre varias
empresas y se recogen datos derivados de una muestra grande.
Las principales limitaciones que tiene este mtodo de encuesta son:
No permite utilizar preguntas complejas
No pueden unirse temas que se refieran a muestras distintas. Por ejemplo, si queremos
conocer la opinin de los usuarios de diferentes productos, tales como:
crema de afeitar, muestra hombres / tampax, muestra mujeres
Los bloques de preguntas no pueden ser largos.
Hay que vigilar el orden del cuestionario de manera que unas respuestas no condicionen
las de las preguntas siguientes.
4.10 EL PANEL
Panel es un trmino ingls que se utiliza par designar a un grupo de personas,
establecimientos u organizaciones representativas del universo del que fueron
64
seleccionados, que facilitan informacin peridica al investigador que ha constituido el

panel, sobre diversos aspectos de inters preestablecido.
El panel lo podemos definir como:
Muestra permanente de una poblacin, formada por un grupo de elementos
(consumidores, establecimientos, organizaciones) que aceptan prestarse a encuestas
peridicas siguiendo un calendario fijado de antemano.
La tcnica de panel es una modalidad de la encuesta por suscripcin, en la que se realiza
una encuesta repetitiva a una muestra fija.
Sus principales ventajas son:
Cantidad de informacin. Por lo general, los panelistas son retribuidos, lo que

los convierte en buenos colaboradores facilitando informacin.
Analticas. Permite estudiar los cambios de situaciones.
Coste relativamente bajo. Por regla general el coste de implantar un panel es

elevado, pero consiguiendo bastantes suscriptores el precio individual puede
resultar interesante.
Los principales inconvenientes estn relacionados con la rotacin de sus miembros, as

como el sesgo que pueden producir los veteranos y los novatos.
La rotacin se produce por cansancio y falta de inters; lo que empez siendo
interesante y novedoso para el panelista, se convierte en una obligacin, pasando a ser
una carga.
Los miembros antiguos, debido a la rutina y al aburrimiento, tienden a considerarse
expertos e influyen en los resultados, mientras que los novatos pueden exagerar la
informacin.
4.10.1 PANEL DE CONSUMIDORES
El panel de consumidores es una tcnica de recogida de informacin cuantitativa a
travs de una muestra permanente de individuos que relaciona sus datos de consumo en
un diario de compras.
Un panel de carcter permanente requiere una buena organizacin, por lo que es difcil
de realizar por cualquier empresa. Por ello, algunos institutos de investigacin se
encargan de realizar este servicio por su cuenta, comercializndolo despus a las
empresas.
65
Para facilitar la formacin del panel, los institutos de investigacin suelen ofrecer
estmulos en forma de obsequios, sorteos, retribucin econmica, etc. El instituto puede
eliminar a algunos panelistas, normalmente por retrasos en el envo de los datos;
asimismo, tambin se da el abandono voluntario de algunos miembros del panel. Esto
hace que la renovacin de la muestra sea continuada.
La precisin del panel se garantiza normalmente empleando muestras de gran tamao,
lo cual nos da como consecuencia errores de muestreo pequeos. Tambin se forma a
los panelistas acerca de cmo rellenar los diarios, y stos no se procesan por parte del
instituto de investigacin, hasta transcurrido un perodo de prueba, cuando se tiene la
garanta de su adecuada cumplimentacin por parte del panelista.
La principal ventaja de este tipo de panel es que a travs del diario se evitan los errores
que se pueden dar en las encuestas por fallos de la memoria, ya que en el diario se van
recogiendo todos los datos. Este sistema presenta el inconveniente de los registros de
compras de productos consumidos fuera del hogar (helados, cenas, copas, etc.), que con
frecuencia se dejan en la memoria y para el da siguiente.
La informacin recogida por el panel de consumidores vara en funcin del tipo de
panel. En la actualidad existen diferentes tipos de paneles. Los ms usuales son:
Paneles ms habituales
Nombre
Muestra
Panel de hogares
Amas de casa
Baby panel
Madres con nios menores de dos aos
Panel de jvenes
Jvenes de ambos sexos, hasta 20 aos
Panel de televisin
Individuos con T.V.
Panel de automovilistas
Individuos con coche
Panel de radio
Individuos con radio
4.10.2 PANEL DE HOGARES

Est formado por una muestra de amas de casa. Para su realizacin se selecciona una
muestra representativa de hogares (normalmente para todo el pas) y se solicita que
rellenen un diario detallando todas las compras e indicando cantidades (en unidades) y
peso de cada producto comprado, as como marcas, variedades, precio unitario, envase,
lugar de compra, etc.
66
Una vez recogidos los diarios de compras, el centro investigador recopila toda la
informacin teniendo en cuenta aspectos como: hbitat, unidad familiar, tipo de
establecimiento donde se realiz la compra, etc.
Normalmente, la informacin se registra semanalmente, envindose a los clientes los
resultados mensualmente, aportando datos sobre:
Tamao de mercado
Tendencias del mercado
Participacin de marcas
Precios medios de compra
Ofertas especiales
Tamao del envase
Este panel de hogares tiene la ventaja de que la informacin suministrada se puede

segmentar de acuerdo a los perfiles de los consumidores que compran una determinada
marca y los que no la compran. Estos perfiles incluyen caractersticas demogrficas y
psicogrficas, definen el estilo de vida y sirven para fijar el publico objetivo, pudiendo
de esta manera orientar mejor los esfuerzos de comunicacin de las empresas en su
ajuste producto / segmento de mercado.
Como el panel realiza, adems, un seguimiento individualizado de cada hogar, se
pueden detectar aspectos tales como:
Cambio de los hbitos de compra
Diagnstico de fidelidad de marca
Compradores de repeticin
Cambiadores de marca
Consumidores frecuentes
Por ejemplo, podemos obtener la participacin de una marca en el mercado mediante la

siguiente frmula:
Donde
Pm = P x Tr x Fc
Pm representa la Participacin de marca P representa la Penetracin de
Mercado Tr representa la Tasa de repeticin de compra Fc representa la Frecuencia de

compra
67
La principal crtica que tiene este panel es que provoca un efecto de condicionamiento.
As, puede ocurrir que consumidores veteranos (ms de un ao), tienden a mostrar ms
inters por los precios de los productos, que los que no son miembros, tendiendo a
comprar marcas ms baratas. Aunque este tipo de sesgo no est bien definido, lo que se
suele hacer es ir rotando a su miembros, por ejemplo un 25 % anual de rotacin, entre
bajas espontneas y sustituciones.
4.10.3 DUSTBIN-CHEK
Lo podemos denominar como comprobacin del recipiente de los desperdicios.
Se trata de una modalidad de panel de hogares. Consiste en depositar los envases y las
etiquetas de los productos comprados en unos recipientes especiales que posteriormente
son recogidos por personal del instituto de investigacin para realizar el correspondiente
estudio.
A travs de este mtodo se obtiene informacin de los productos consumidos. Evita la
escritura en el diario de todas las compras realizadas. Su limitacin es que slo se puede
utilizar para productos convenientemente envasados y etiquetados y que se consuman
en el hogar.
4.10.4 PANEL DE AUDIMETROS (T.V.)
Este panel recoge informacin sobre en qu cadena y momento del da est el televisor
conectado, por medio de un aparato que instala el instituto de investigacin en los
hogares que forman la muestra.
Antiguamente, para medir la audiencia de televisin se empleaban encuestas y los
televidentes deban ir anotando continuamente los programas y cadenas que vean.
En la actualidad, se emplean aparatos denominados audimetros. Son aparatos que
registran si el T.V. est encendido, as como el momento del da y la hora, sin ocasionar
molestia alguna a los componentes del hogar.
Los audimetros son de diferentes caractersticas. Los ms normales recogen la
informacin en un cassette que se analiza posteriormente en el instituto; otros estn
conectados a travs del telfono al instituto de investigacin, transmitiendo la
informacin directamente a un ordenador central.
Esta tcnica est en continua evolucin. Por ejemplo, se ha ensayado con aparatos que
determinan qu nmero de personas se encuentran congregadas ante el televisor.
68
4.10.5 PANEL DE DETALLISTAS

Este panel tambin recibe los nombres de auditora de minoristas y panel de
establecimientos.
Esta tcnica empez a funcionar en EE.UU. en el ao 1929, merced a Arthur C. Nielsen,
extendindose posteriormente al resto de los pases.
En teora, se puede organizar un panel de estas caractersticas para cualquier tipo de
establecimientos. As, podemos hablar de:
panel de electrodomsticos, panel de joyera, panel de cash and carry (mayoristas),
panel droguera perfumera, panel detallistas perfumera, panel tiendas de deporte, etc.
Veamos cmo funciona este panel:
Los datos son recogidos de una muestra fija de tiendas, seleccionada para que su
volumen de ventas sea representativo de un universo (pas, autonoma, regin). La
muestra de establecimientos comerciales recoge hipermercados, cadenas de tiendas,
grandes almacenes, autoservicios, tiendas tradicionales, etc. En este procedimiento no
son los dueos o empleados de la tienda quienes realizan la inspeccin del almacn,
sino personal especializado enviado por el instituto de investigacin. De esta forma, se
evita todo sesgo por parte de la propiedad del establecimiento.
A estos empleados del instituto se les llama auditores. Estos auditores se presentan en
las fechas establecidas y realizan el inventario, normalmente cada dos meses,
registrando las ventas, stocks, volmenes de exposicin y precios de cada marca.
Las ventas al consumidor se obtienen de la aplicacin de la siguiente ecuacin
VENTAS = Stock inicial + pedidos - Stock final
Stock inicial = son las existencias de un determinado producto que haba en el almacn
del establecimiento cuando se hizo la anterior auditora o cuando comenz el estudio.
Pedidos = compras realizadas por el establecimiento a su proveedor en el perodo objeto
de estudio.
Stock final = existencias que hay en el almacn de ese producto en el momento de
efectuar la auditora. Sern las existencias iniciales de la siguiente auditora.
Los datos emanados del panel de detallistas permiten evaluar aspectos tales como:
Tamao del mercado y tendencias
Tanto por ciento de la marca y tendencia
69
Participacin de la marca (por tipo de establecimiento y zona geogrfica)
Ofertas especiales
Precios
Estrategias de comunicacin (promociones, campaas de publicidad)
A pesar de que permite a las direcciones de las empresas, suscritas a estos datos,
gestionar aspectos tales como la distribucin, los stocks, los grados de aceptacin
comercial, el punto dbil de estos estudios es que no ofrecen ninguna informacin sobre
motivos de consumo, personas que consumen los productos y que los compran, o las
actitudes que tienen hacia los productos.
Los establecimientos que configuran el panel se comprometen a permitir realizar el
trabajo de los auditores a cambio de determinadas compensaciones.
El mayor exponente de este sistema es el Nielsen, que publica sus ndices de minoristas
a escala mundial.
En Espaa, las empresas que adquieren la informacin Nielsen (ndices Nielsen) reciben
peridicamente una informacin de tipo estndar.
70
4.11 DIFERENCIAS
ENTRE
LAS
DISTINTAS
MODALIDADES
DE
ENCUESTA ESTRUCTURAD A
En el esquema siguiente recogemos las principales diferencias existentes entre las
encuestas estructuradas ad hoc, mnibus y panel.
TIPO
AD HOC
MNIBUS
INICIATIVA
Cliente
Instituto
PANEL
de Instituto
investigacin
UNIVERSO
de
investigacin
En funcin de las Fijo. Predeterminado Fijo. Predeterminado

necesidades
del por el Instituto
por el Instituto
cliente
MUESTRA
Variable
Variable
Fija
ESTUDIO
Transversal
Transversal
Longitudinal
CUESTIONARIO Diseado en funcin Fijo en las preguntas Fijo a lo largo de

de las necesidades del de
cliente
calificacin
y perodos temporales
clasificacin.
En
las
de contratacin
cuestiones
categricas diseado
en funcin de las
necesidades
del
cliente
MODALIDAD
Contratacin
por Suscripcin por pase Suscripcin
estudio
temporal
71
5. INTRODUCCIN AL ANLISIS DE LOS DATOS

5.1 INTRODUCCIN
Una vez recogidos los datos y realizado el trabajo de campo, procederemos a su anlisis.
El anlisis cuantitativo de estudios primarios es factible de tratamiento estadstico, ya
que normalmente se recoge la informacin mediante cuestionarios estructurados, lo cual
nos permite aplicar programas estadsticos informatizados para transformar los datos en
informacin.
La informacin as obtenida es la que nos servir para obtener conclusiones, que
aplicaremos en la correspondiente toma de decisiones.
5.2 FASES DEL PROCESO DE ANLISIS DE LOS DATOS

La informacin cuantitativa se ha recogido mediante cuestionarios estructurados,
realizando el trabajo de campo diversos encuestadores. Una vez recogida la
informacin, se procede a su anlisis, proceso ste que consta de las siguientes fases:
1. Revisin del trabajo de campo y de los cuestionarios
2. Codificacin y tabulacin
3. Anlisis de cada cuestin o tem
4. Anlisis de los tems por subgrupos. Cruces de preguntas
5. Estudio de las relaciones entre pares de preguntas
6. Estudio de las relaciones entre todas las preguntas
7. Resultados. Conclusiones. Informe
A continuacin vamos a resear brevemente cada una de estas fases:
5.2.1 REVISIN DEL TRABAJO DE CAMPO Y DE LOS CUESTIONARIOS
En esta fase se busca identificar y corregir posibles errores, as como determinar las
posibles fuentes de error en los trabajos anteriores. Por ejemplo, respuestas no legibles,
cuestionarios mal rellenados, etc.
En ocasiones se subsanan los errores volviendo a realizar la entrevista. Normalmente en
la praxis se desecha el cuestionario.
72
5.2.2 CODIFICACIN Y TABULACIN

Una vez depurados los cuestionarios, se procede a la codificacin de las diferentes
preguntas. La codificacin consiste en asignar nmeros a cada una de las posibles
respuestas.
Ejemplos:
1.- Supongamos una variable dicotmica tal como el sexo
Sexo:
Hombre
(1)
Mujer
(0)
2.- Consideremos una mltiple respuesta, tal como la edad medida en intervalos
Edad
18 a 25 aos
(1)
26 a 45 aos
(2)
46 a 65 aos
(3)
ms de 65 aos
(4)
En el primer ejemplo se trata de una variable nominal que toma el valor 1 cuando es
hombre y 0 cuando es mujer. En el segundo, la variable est clasificada en categoras,
asignndose un valor numrico a cada una de ellas.
Tambin podemos encontrarnos variables cualitativas como la siguiente:
3.- Para ir al trabajo, qu lnea de autobs utiliza?

Lnea
Normalmente el cdigo ser el valor que nos d el encuestado. As, si responde que la
lnea que utiliza es la 40, el cdigo ser 40 (en este ejemplo la variable es cualitativa).
En el caso de variables mtricas, el propio valor de la medicin equivale al cdigo
4. Cunto gasta, en pesetas, diariamente en transporte?

Gasto
Normalmente, el cdigo ser el valor que nos d el encuestado. As, si responde que
gasta 500 ptas., el cdigo ser 500.
En ocasiones una misma pregunta puede contener dos variables, como la siguiente
73
5.- Indique la importancia que tienen para usted las siguientes caractersticas de un
frigorfico y si influyo en su decisin de compra:
Grado de importancia
Capacidad
Influy en la compra
Nada
Poco
Algo
Bastante
Mucho
No
(1)
(2)
(3)
(4)
(5)
(1)
(2)
Dos cuerpos
Diseo
Altura
De cada caracterstica obtenemos dos variables: grado de importancia e influencia en la

compra
Las preguntas de respuesta mltiple se descomponen en distintas variables, por ejemplo:
6.- Antes de comprar un frigorfico se asesora a travs de:
1. Familia
2. Amigos y conocidos
3. Vendedor de tienda especialista
4. Folletos publicitarios
5. Otros
El encuestado puede elegir ms de una respuesta. En este ejemplo tenemos cinco
variables y a cada una de ellas le corresponden dos modalidades: S y No.
Por tanto la podemos codificar:
Familia
S (1)
No (0)
Amigos y conocidos
S (1)
No (0)
Vendedor de tienda especialista
S (1)
No (0)
Folletos publicitarios
S (1)
No (0)
Otros
S (1)
No (0)
Hay paquetes estadsticos que permiten el tratamiento de mltiple respuesta, como el

SPSS. En estas circunstancias, lo codificaramos de forma simple.
Familia
Folletos publicitarios
Amigos y conocidos
Otros
Vendedor de tienda especialista
74
Cuando en el cuestionario se utilizan preguntas abiertas se complica el tratamiento, ya

que se obtiene, o puede obtenerse, un gran nmero de respuestas diferentes. Entonces la
pregunta abierta se convierte en cerrada, examinando todas las respuestas obtenidas y
clasificndolas en categoras, asignando una a cada respuesta.
Una vez codificados los diversos tems del cuestionario, stos se recopilan en una matriz
de datos; en sta, las filas sern las diferentes unidades de muestra y en las columnas
tendremos las variables. Se trata de realizar una hoja de clculo. Su formato ser
parecido al siguiente:
Supongamos un cuestionario de 10 preguntas
V01 v02
v03
v04
v05
v06
v07
v08
v09
v10
1
2
...
n
5.2.3 ANLISIS DE CADA CUESTIN O TEM
Una vez que tenemos todos los datos en un fichero u hoja de clculo, se comienza el
anlisis, teniendo en cuenta los siguientes pasos:
Se estudia cada pregunta.
En las variables cualitativas, nominales o atributos, se estudia la distribucin de
frecuencias, los porcentajes y, como medida de tendencia central, la moda.
En las variables mtricas, aparte del estudio de las frecuencias y porcentajes, tomaremos
como medid as de tendencia central o posicin la moda, la mediana y la media; y como
medidas de dispersin, la desviacin tpica y el coeficiente de variacin.
5.2.4 ANLISIS DE LOS TEM S POR SUBGRUPOS.
Al realizar el anlisis individualizado de las cuestiones, podemos encontrar grupos de
poblacin que sean de inters (p. ej. votantes y no votantes, en un estudio electoral). En
este caso podemos establecer comparaciones entre los diferentes grupos.
75
5.2.5 ESTUDIO DE LAS RELACIONES ENTRE PARES DE PREGUNTAS

Se estudian las posibles relaciones entre dos tems en funcin del tipo de variable.
Resumimos los principales sistemas de medida en el siguiente esquema:
TIPO DE VARIABLE
CUANTITATIVA
CUALITATIVA
Coeficiente de correlacin Anlisis de varianza (Test F)

(Pearson)
CUANTITATIVA
Test t de medias
Regresin
Coeficiente alfa (a )
de
Cronbach
Tabla de contingencia (Chi
cuadrado)
CUALITATIVA
Correlacin
de
rangos
(Spearman)
Coeficiente de Cramer
5.2.6 ESTUDIO DE LAS RELACIONES ENTRE TODAS LAS PREGUNTAS:

Se realiza a travs de mtodos multivariantes. Existen mtodos que explican una o ms
variables en funcin de las otras, y mtodos descriptivos que estudian las relaciones
entre todas.
5.2.7 RESULTADOS. CONCLUSIONES. INFORME
Una vez concluida la investigacin, se entrega al cliente el correspondiente informe de
resultados en la forma acordada (por escrito, en soporte informtico, etc.). Este informe
contendr como mnimo los siguientes apartados:
1. Problema estudiado, objetivos de la investigacin e hiptesis de trabajo.
2. Metodologa seguida: ficha tcnica (universo, muestra y su seleccin, tcnica
aplicada, fechas del trabajo de campo, tratamiento estadstico, nivel de confianza,
probabilidad y margen de error).
3. Exposicin de los resultados, conclusiones y recomendaciones (este ltimo apartado
no siempre).
76
5.3 TABLAS DE DATOS

Para analizar la informacin recogida a travs de encuestas, una vez validadas y
codificadas, los datos obtenidos se recogen en tablas. Las tablas normalmente son de
formato rectangular y comprenden tantas filas como individuos u observaciones se han
realizado; la tabla se corresponder con el tamao de la muestra n (muestra validada), y
tendr tantas columnas como preguntas, tems formulados o caractersticas medidas.
variables
v01
v02
v03
v04
v05
v06
.....
...
...
vp
1
2
...
....
I
xij
...
n
El valor de interseccin de la fila y la columna es el resultado de la valoracin que

concede el elemento i a la caracterstica
Si el tamao de la muestra es
j y se representa por xij.
y el nmero de preguntas o variables es
matemticamente una tabla de datos es una matriz de
filas y
p ,
p columnas. A
cada elemento se le asocia un vector correspondiente a su fila, que recoge la valoracin

que concede ese elemento a cada una de las caractersticas: Vi = (xi1 , xi2 , xi3 , ..... xip )
A cada variable se le asocia un vector correspondiente a su columna, que recoge las
valoraciones que conceden todos los elementos a esa caracterstica.
Vj = (x1j, x2j, x3j, ... xnp )
77
5.4 TIPOS DE TABLAS

5.4.1 TABLAS CUANTITATIVAS
Recogen el valor que toma para el conjunto de elementos (filas) un grupo de variables
cuantitativas. Se trata de nmeros que corresponden al valor real.
Ejemplo:
Edad
Ingresos
Gasto luz
Vivienda
Tfno.
...
40
200.000
4.000
55.000
8.000
...
....
n
5.4.2 TABLAS DE DATOS ORDINALES Y PREFERENCIAS

Se utilizan para resumir los resultados de las encuestas en las que se pide a los
encuestados que ordenen un conjunto de objetos (marcas) de acuerdo con algn criterio
(preferencia)
Ejemplo: marcas
Encuesta
A(1)
B(2)
C(3)
D(4)
E(5)
...
...
...
...
....
....
El elemento x25 indica que el encuestado 2 valora la marca E con 4.
78
5.4.3 TABLAS BINARIAS

Se utilizan para variables dicotmicas. Las respuestas de los encuestados se sealan con
0 y 1 (S = 1, No = 0).
Ejemplo: preguntas P1, P2, P3, ... etc.
Encuesta
P1
P2
P3
...
...
...
...
...
...
...
...
...
...
...
...
...
El elemento x12 = 0 nos indica que el encuestado 1 ha respondido no a la variable 2.

5.4.4 TABLAS DE MODALIDADES
Las preguntas tienen varias alternativas de respuesta, asignando a cada una un cdigo.
Ejemplo:
P 1. El trabajo que desarrolla:
Me gusta mucho
Indiferente
No me gusta nada
La tabla ser
Encuesta
P1
P ...
...
...
...
...
...
...
...
El elemento x21 significa que el encuestado 2 considera indiferente el trabajo que

realiza.
79
5.4.5 TABLAS DISYUNTIVAS COMPLETAS

Se trata de una variante de la anterior; la pertenencia se representa con 1 y la no
pertenencia, con 0.
En el ejemplo anterior, la tabla ser:
P.1
Encuesta
...
...
...
...
...
...
...
La suma de los elementos de una fila corresponde al nmero de preguntas.

5.4.6 TABLAS DE PROXIMIDADES Y DISTANCIAS
Se utilizan cuando estudiamos la semejanza o disparidad entre parejas de objetos. Se
trata de tablas simtricas, esto es, xij
= xji
Ejemplo:
Supongamos que comparamos las marcas A, B, C, siendo 1 la mnima semejanza y 10
la mxima.
La tabla correspondiente es:
Marca
10
10
10
5.4.7 TABLAS DE SERIES TEM PORALES

Recogen el valor de un conjunto de variables en diferentes momentos de tiempo. Por
ejemplo, si estudiamos la evolucin del producto interior bruto a lo largo de los aos,
obtendremos una tabla del tipo siguiente:
80
Ao
PIB
1.990
100
1.995
107
2.000
115
5.4.8 TABLAS MIXTAS O HETEROGNEAS

Estn formadas por un conjunto de variables de naturaleza diferente. Incluyen variables
mtricas y atributos o cualitativas. Son las ms habituales en la investigacin comercial.
Variables
Encuesta
Edad
Nivel estudios
...
45
...
52
...
31
...
....
...
...
...
...
...
...
81
6. ANLISIS DE LOS DATOS

Una vez efectuadas correctamente todas las fases expuestas hasta el momento del
proceso de Investigacin Comercial pasamos a la siguiente: el anlisis de los datos.
El anlisis de los datos es la interpretacin de los resultados obtenidos en las anteriores
etapas de la investigacin. Hemos de recordar que por muy excelente que sea este
anlisis, no se eliminan los posibles errores cometidos en las fases anteriores (sesgos, no
respuestas y dems errores no muestrales) e, incluso, puede que stos se acenten ms
en los resultados que obtengamos en esta fase.
La cantidad de procedimientos estadsticos es muy amplia. El investigador deber
conocer el nmero suficiente de tcnicas o herramientas que le permitan sacar utilidad
de los datos as como conocer cuando es interesante su aplicacin, tanto por el tipo de
datos de los que dispone como por el tipo de resultados que le proporcionan. Podemos
afirmar que cuantas ms herramientas conozca el inve stigador, ms posibilidades tendr
de realizar un buen anlisis.
Antes de utilizar una determinada tcnica hemos de tener en cuenta los siguientes
aspectos:
El objetivo que perseguimos. El anlisis de los datos persigue expresar de una forma
sencilla y reducida las relaciones entre los datos con referencia al problema objeto de la
Investigacin Comercial. Estamos buscando respuestas al problema de la Investigacin
Comercial, no tratando de realizar una tesis doctoral o una investigacin exhaustiva.
La escala bsica de medida en que hemos obtenido los datos, ya que segn se trate de
una escala nominal, ordinal, de intervalo o de razn, las posibilidades de tratamiento
varan.
El nmero de variables a analizar simultneamente. Podemos considerar anlisis de una
sola variable (univariable), de dos variables (bivariable), o de ms de dos variables o
anlisis multivariable.
En este captulo vamos a estudiar una serie de tcnicas para el anlisis de una y dos
variables, es decir, del anlisis univariable y del bivariable.
82
6.1 MTODOS ESTADSTICOS CLSICOS

6.1.1 CONCEPTOS BSICOS
Vamos a resear brevemente algunos conceptos de la estadstica aplicables a la
Investigacin Comercial a travs de muestras.
6.1.1.1 TIPOS DE ESTADSTICA
Normalmente las tcnicas estadsticas se clasifican en tres grupos:
La estadstica descriptiva utiliza mtodos numricos y grficos con el propsito

de analizar el comportamiento, resumir y presentar la informacin contenida en
un conjunto de datos, sin pretender generalizar los resultados obtenidos.
La estadstica inferencial (inferencia estadstica) utiliza los datos de una

muestra para hacer estimaciones, predicciones u otras generalizaciones sobre un
conjunto de datos ms amplio (la poblacin), siendo una ayuda en el proceso de
toma de decisiones. Al ser una inferencia (estimacin o prediccin), est sujeta a
cierto error, con lo que se deber calcular el nivel de confianza, medida de la
seguridad con que se efecta la inferencia.
La estadstica relacional utiliza los datos de una muestra para medir el grado de
relacin existente entre dos o ms variables. Al ser tambin una inferencia estar
sujeta a cierto error, con lo que tendr un determinado nivel de confianza.
6.1.1.2 MEDIR
Medir es asignar nmeros o categoras a objetos, sucesos o casos, siguiendo reglas
determinadas. De esta manera, en cada una de las unidades estudiadas se recoge
informacin sobre una serie de caractersticas que varan de una unidad a otra. A la serie
de caractersticas se les denomina variables o atributos. Cada variable toma un
determinado valor en cada caso (por ejemplo: edad, estado civil, sexo, etc.).
6.1.1.3 ATRIBUTO
Es el carcter de una poblacin no susceptible de ser medida numricamente. Las
diferentes formas que puede presentar el atributo se denominan modalidades, tambin
83
llamadas variables cualitativas por otros autores. El nombre de variable cualitativa es el

ms utilizado en la Investigacin Comercial.
6.1.1.4 VARIABLE
En un sentido estadsticamente acadmico, una variable es cualquier carcter de una
poblacin o universo susceptible de tomar valores numricos.
Las variables pueden ser continuas y discretas.
Variable continua es aquella en la que, entre dos valores determinados, siempre puede
encontrarse otro valor. Por ejemplo, la edad; entre 46 y 47 aos siempre podemos
encontrar casos intermedios, por ejemplo 46 aos y 5 meses, etc.
Variable discreta es aquella en la que, entre dos valores determinados, no se encuentra
ningn otro. Por ejemplo, dos familias de 5 y 6 miembros (es imposible encontrar
familias intermedias); nmero de personas en un hogar, (nunca se encontrarn valores
intermedios como 54 miembros).
En la Investigacin de Marketing muchas variables que son continuas (dinmicas), se
discretizan; por ejemplo la edad.
En la prctica de la investigacin comercial se acostumbra a hablar de variables
cuantitativas y variables cualitativas o categricas que corresponden, estas ltimas, a
lo definido como atributo.
6.1.2 ESCALAS DE MEDIDA
Para realizar mediciones se establecen escalas. Las escalas bsicas ms usuales son:
nominal, ordinal, de intervalo y de razn.
6.1.2.1 ESCALA NOMINAL
En este tipo de escala se asigna un cdigo o nombre a cada caso. La operacin lgica
que puede realizarse es el establecimiento de igualdad o desigualdad entre los diferentes
casos.
Por ejemplo: la variable sexo, con sus categoras de: masculino y femenino; podemos
decir que Pepe=Juan; y Tere Jos. ( = igual. no igual, diferente ).
84
Al medir en escala nominal podemos obtener frecuencias (n de repeticiones o de

casos), porcentajes o frecuencias relativas, y si los resultados se expresan en tanto por
uno se denominan proporciones. El porcentaje tambin se denomina frecuencia relativa.
Ejemplo:
Sexo
Cdigo
Frecuencia
Porcentaje
Proporcin
Masculino
70
6087
06087
Femenino
45
3913
03913
Total
115
100
6.1.2.2 ESCALA ORDINAL

En esta escala, adems de las relaciones de igualdad y desigualdad, se establece un
orden lgico de categoras, por ejemplo, clase social: alta, media-alta, media- media,
media-baja, y baja.
Entendemos de esta manera que un individuo de la clase alta est mejor situado que otro
de la clase media-alta, y as sucesivamente.
En la escala ordinal, adems de asignar un nombre, cdigo o categora a cada caso o
individuo (igual que se hace en la escala nominal), se establece un orden lgico entre las
categoras.
A pesar de establecerse un orden, no puede decirse que la distancia o diferencia entre
diferentes categoras sea la misma. Es decir no existe igualdad entre los intervalos.
Ejemplo: clase social (alta, media alta, media, media baja y baja)
No podemos decir que la diferencia entre la clase social alta y la media alta sea la
misma que la existente entre la clase media baja y la baja.
Clase social
Cdigo
Alta
Media alta
Media
Media baja
Baja
85
6.1.2.3 ESCALA DE INTERVALO

Se establecen las relaciones de igualdad / desigualdad, as como el orden lgico de
categoras, y la igualdad de intervalos. Para ello es preciso fijar una unidad de medida
constante y uniforme a lo largo de todos los posibles valores de la variable.
El punto cero es un valo r consensuado, pero que no tiene un significado de ausencia
total del aspecto medido. Por ejemplo: la diferencia entre 21C y 28C es la misma que
entre 31C y 38C.
Es decir, podemos establecer: igualdad y desigualdad 20 C = 20 C, y 25 C 18C.
Existe orden 20 > 19 > 18, etc.
Igualdad de intervalo, es decir el aumento de 1C, representa lo mismo a 20C que a
4C.
Y el origen o cero de la escala, ( 0C ), es un valor consensuado que no significa la
ausencia de valor. Recordar el conocido chiste Qu bien estamos a 00 C! No hace ni
fro ni calor.
6.1.2.4 ESCALA DE RAZN O PROPORCIN
Aparte de todas las propiedades de las escalas de intervalo, se establece un cero
absoluto, que representa la ausencia total del aspecto que se est valorando. La
existencia de este cero absoluto es un requisito necesario para poder realizar
comparaciones mediante cocientes. Las operaciones matemticas que utiliza el hombre
con mayor frecuencia para realizar comparaciones son la resta y la divisin.
Es decir, en las escalas de razn o proporcin existen las relaciones de igualdad, orden,
igualdad de intervalos y adems, el cero absoluto.
86
6.1.2.4.1 RESUMEN ESCALAS BSICAS DE MEDIDA

En la tabla siguiente se resumen las caractersticas y relaciones de las diferentes escalas
Escala
Relaciones que la definen
Nominal
Equivalencia
Ordinal
Equivalencia
Mayor que
De intervalo
Equivalencia
Mayor que
Razn conocida entre cualesquiera intervalos.
Cero consensuado
De razn
Equivalencia
Mayor que
Razn conocida entre cualesquiera intervalos
Razn conocida entre cualesquiera de dos valores de la escala
Cero como ausencia de la caracterstica que se mide
6.1.3 ELEMENTOS DE LA ESTADSTICA INFERENCIAL

La estadstica inferencial tiene los siguientes elementos caractersticos:
Poblacin: un determinado conjunto de elementos (personas, objetos, transacciones,
sucesos...) de los que queremos estudiar una caracterstica o propiedad (por ejemplo,
cul es el consumo medio de...?, o cul es el porcentaje de consumidores de...?).
Muestra : un subconjunto de elementos de la poblacin.
Son los que realmente
estudiamos, de los que obtenemos informacin.

Estimador o inferencia estadstica: una estimacin, prediccin u otra generalizacin
sobre la caracterstica estudiada de la poblacin, basada en la informacin contenida en
la muestra.
Nivel de confianza: una medicin de la seguridad con que se efecta la inferencia
(estimacin o prediccin).
87
6.2 ANLISIS UNIVARIABLE

Vamos a resear esquemticamente las tcnicas estadsticas utilizadas en el estudio de
una sola variable.
6.2.1 DESCRIPCIN DE LOS DATOS
Para obtener una descripcin de los datos se realizan bsicamente las siguientes
mediciones:
1. Frecuencias, absolutas y relativas
2. Medidas de tendencia central
3. Medidas de dispersin
4. Medidas en cuanto a la forma de distribucin, coeficientes de asimetra y
apuntamiento o curtosis
5. Otras mediciones como ratios o relaciones por cociente, normalizacin de la
variable y medidas de concentracin tales como curva de Lorenz, ndice de Gini o
medial o mediala.
A continuacin, resumimos las cuatro primeras de estas medidas 3:
6.2.2 FRECUENCIA
Es el nmero de veces que se presenta un determinado valor de una variable. Se
distinguen dos tipos de frecuencias.
A la que nos viene indicada por el nmero de veces o casos que presenta una variable
objeto de estudio, se le denomina frecuencia absoluta o simplemente frecuencia.
Si calculamos el porcentaje (porcentaje es la proporcin en que contestaron o eligieron
una modalidad, por cien), se denomina frecuencia relativa.
En la tabla siguiente resumimos las principales caractersticas
3Para las muestras utilizaremos letras latinas, mientras que cuando nos refiramos al universo se utilizaran
griegas.
88
TABLA: CONCEPTOS RELACIONADOS CON LA DISTRIBUCIN DE

FRECUENCIAS
Frecuencia absoluta (frecuency): nmero de veces que se repite cada valor en el
conjunto de los datos.
Porcentaje o frecuencia relativa (percent): frecuencia absoluta dividida por el nmero
total de observaciones.
Se suele expresar en tantos por ciento.
Por tanto, es el
porcentaje de repeticiones de un determinado valor en el total de la muestra, pero

incluye el porcentaje correspondiente a los valores perdidos (missing cases).
Porcentaje vlido (valid percent): frecuencia absoluta dividida por el nmero de
observaciones con informacin vlida. Se excluyen del clculo los valores perdidos,
por lo que indica el porcentaje de respuestas sobre el total de la informacin conocida.
Porcentaje acumulado (cum percent): porcentaje de observaciones que estn por
encima o por debajo de cierto valor.
Intervalos de clase: grupo de observaciones con valores semejantes. El intervalo queda
definido por un valor mnimo, un valor mximo y una marca de clase (el valor central).
Por regla general, todas las clases que se definen tienen la misma amplitud (distancia
entre el mnimo y el mximo de cada clase).
Frecuencias absolutas y relativas de un intervalo de clase: nmero o porcentaje de
observaciones con un valor que pertenece al intervalo de clase.
Si el valor mximo y el valor mnimo de dos clases consecutivas coinciden, se considera
que dicho valor concreto es de la clase superior (donde es mnimo).
6.2.3 MEDIDAS DE TENDENCIA CENTR AL

Tambin se denominan medidas de posicin. Son las que resumen la informacin
aportada por todos los elementos objeto de estudio en un valor central. La tendencia
central nos da una descripcin concisa del promedio o funcionamiento caracterstico del
grupo como un todo.
Las medidas de la tendencia central nos permiten comparar dos o ms grupos en funcin
de su funcionamiento caracterstico.
Existen varias medidas de tendencia central. Su eleccin se basa en el tipo de escala que
utilicemos. Recordemos que estas escalas son las siguientes: mtrica, ordinal y nominal.
89
Toda la informacin medida en una escala superior, se puede convertir en otra inferior.
Las medidas de posicin o de tendencia central son las siguientes:
La media, la moda y la mediana.
La media es el promedio aritmtico de los valores obtenidos por la variable.
xi
i =1 n
n
m=
Donde m es la media de la muestra, n es el tamao de la muestra y xi cada valor que

toma la variable i
La moda es el valor o intervalo de la variable que ms se repite, el valor ms frecuente.
La mediana es el valor de la variable que deja, por encima y por debajo, el 50% de los
casos. En la prctica es difcil encontrar un valor de la variable que parta la distribucin
de frecuencias en dos. Por ello, formalment e, la mediana es el mnimo de los valores tal
que la frecuencia acumulada es igual o mayor al 50%. Los datos deben estar ordenados
en orden ascendente o descendente.
Consideraciones generales acerca de las medidas de posicin o de tendencia
central:
La moda es la nica medida de posicin que podemos aplicar a los datos medidos en
escala nominal.
Para poder calcular la mediana se necesita, al menos, disponer de datos medidos en una
escala ordinal, no siendo posible su clculo en el caso de datos medidos en escala de
tipo nominal.
En el clculo de la media se precisa disponer, al menos, de una unidad de medida. Esto
slo lo cumplen las mtricas, es decir, las escalas de intervalo y las de proporcin.
6.2.4 MEDIDAS DE DISPERSIN
Las medidas de tendencia central o de posicin, aunque son muy tiles para resumir la
informacin contenida en una variable, no aportan toda la realidad de la misma. Con el
fin de dar solucin a este problema se disearon las medidas de dispersin.
Las medidas de dispersin estn diseadas para dar informacin sobre el error que se
comete al considerar todos los casos iguales a la tendencia central.
90
Existen muchas posibilidades de calcular la dispersin de una variable. Las medidas de

dispersin ms usuales son: amplitud o rango, la desviacin intercuartil, la varianza, la
desviacin tpica y el coeficiente de variacin.
Las medidas de tendencia central, la media, la mediana y la moda, slo facilitan una
parte de la informacin contenida en los datos. Para conocer mejor el comportamiento
de las observaciones es conveniente conocer tambin su dispersin o variabilidad
(cmo varan los valores de la variable o hasta qu punto son todos muy parecidos o
muy diferentes).
6.2.4.1 AMPLITUD O RANGO

Es la diferencia entre el valor ms pequeo y el ms alto de la variable en estudio. Por
ejemplo, si tenemos los siguientes datos para una variable
5, 7, 8, 9, 15, 17, la amplitud sera 17 -5 = 12
La amplitud tambin se llama recorrido; es una buena medida de dispersin por su claro
significado, dependiendo slo de los dos valores extremos. En el caso de una variable
muy concentrada, pero con dos extremos muy diferenciados, obtenemos una medida de
dispersin poco representativa al calcular la amplitud.
91
6.2.4.2 RECORRIDO INTERCUARTLICO

Se define como la diferencia entre el tercer y el primer cuartil.
Viene dado por la siguiente frmula:
RI = Q3 --- Q1
6.2.4.3 LA DESVIACIN INTERCUARTIL
Es la diferencia entre los dos valores que ocupan los percentiles 25% y 75% dividida
por dos.
Tabla: RESUMEN MEDIDAS ELEMENTALES DE DISPERSIN
Mnimo (mnimum): es el valor ms bajo de las observaciones.
Mximo (mximum): es el valor ms alto de las observaciones.
Rango o amplitud (range): es la diferencia ente el mximo y el mnimo.
FRACTILES
Fractil: valor por debajo del cual se encuentra una fraccin o proporcin de los datos.
Percentil: la variable se ordena de menor a mayor, entonces se divide en 100 partes
iguales (100 grupos con el mismo nmero de observaciones) y se estudia el valor que
alcanza en cada parte. Ejemplo: el percentil al 50% es la mediana.
Cuartil: los datos se dividen en 4 partes iguales, obteniendo:
Q1, Q2, Q3 y Q4
(Q2 es la mediana y Q4 coincide con el mximo).
Rango o amplitud intercuartil: diferencia entre Q3 y Q1.
Entre el primer y tercer cuartil, en la amplitud intercuartil, se encuentran el 50% de las

observaciones centrales.
92
6.2.4.4 DESVIACIN MEDIA

Se define como la media aritmtica de las desviaciones entre los valores de la variable y
la media aritmtica, en valor absoluto. Su frmula es:
x
n
DM =
i =1
Si todas las observaciones fueran iguales, la DM sera cero. Cuanto mayor sea el valor
de la DM mayor ser el grado de dispersin.
Esta medida es poco utilizada debido a que no se puede manipular algebraicamente.
6.2.4.5 VARIANZA Y DESVIACIN TPICA O ESTNDAR
La varianza es una medida de dispersin de variables mtricas.
Si pretendemos evaluar exactamente cual es el error que cometemos al asignar el valor
de la media a todos los casos de la distribucin de la variable, hay que calcular el
promedio de las diferencias con la media de todos los valores.
Para poder hacer un promedio, necesitamos una unidad de medida; por consiguiente, la
variable deber estar, al menos, en escala de intervalo.
La varianza es el promedio de las diferentes desviaciones de variable respecto de la
media al cuadrado. Se representa mediante S2
2, segn se refiera a la muestra o al
universo. Su frmula es:
(x
n
s2 =
i =1
m)2
n
La desviacin tpica es la raz cuadrada de la varianza, el error promedio que

cometemos al asignar la media a cada caso. La desviacin tpica es la distancia de los
distintos valores de la variable a la media.
Cuanto menor es la desviacin tpica, ms representativa y ms prxima a la realidad es
la representacin de la variable mediante la media.
La desviacin tpica presenta la siguiente propiedad:
La desviacin tpica nos permite realizar rpidamente clculos sobre entre qu valores
se encuentran el 95,5% de los casos, en las variables que siguen una distribucin normal
(la mayor parte de la variables sigue este tipo de distribucin). Para realizar el clculo,
93
hay que sumar y restar dos veces la desviacin tpica al valor de la media. Se representa
por:
2s
m 2s o bien
Segn nos refiramos a la muestra o al universo o poblacin.
TABLA: CONCEPTOS VARIANZA Y DESVIACIN TPICA

Varianza (variance) de la poblacin: suma de cuadrados de las distancias entre la
media y cada elemento, dividido por el nmero total de observaciones de la poblacin.
Es una distancia promedio a la media.
(x )2
2=
Varianza de la muestra: es equivalente a la de la poblacin, pero se divide por el

nmero de observaciones de la muestra menos 1 (ya que la media de la muestra es un
dato conocido):
2=
( x x) 2
n1
Desviacin estndar o tpica (Std deviation): es la raz cuadrada positiva de la

varianza, ya sea de la poblacin o de la muestra.
Est medida en las mismas unidades que la variable estudiada.
6.2.4.6 COEFICIENTE DE VARIACIN

Es una medida de dispersin relativa, que se utiliza para comparar variables con
diferentes unidades de medida.
Consiste en dividir la desviacin tpica por la media y despus expresarla en porcentaje.
Este coeficiente est exento de unidades.
94
Su frmula es:
s
100
m
CV =
Tiene que ser m 0.
El coeficiente de variacin tiene la ventaja de que pierde las unidades de medida, por lo
que puede servir para comparar las dispersiones relativas de dos variables que tienen
diferente unidad de medida.
6.2.5 MEDIDAS RELATIVAS A LA FORMA DE LA DISTRIBUCIN
6.2.5.1 DISTRIBUCIN
Una distribucin es una serie de valores separados, colocados u ordenados segn una
magnitud. Un conjunto de cdigos ordenados y sus frecuencias correspondientes se
llaman distribucin de frecuencias.
6.2.5.2 COEFICIENTE DE SESGO O ASIMETRA (SKEWNESS)
Con las medidas de asimetra se intenta medir si las observaciones estn dispuestas
simtrica o asimtricamente respecto a un valor central, generalmente la media
aritmtica.
El coeficiente ms utilizado es el de R. A. Fisher, que viene expresado por la siguiente
frmula:
(x
n
CA =
i =1
m) 3
ns3
Se dan las siguientes alternativas:

CA = 0 se trata de una distribucin simtrica.
CA > 0 es asimtrica a la derecha. Positiva.
CA < 0 es asimtrica a la izquierda. Negativa.
Las distribuciones simtricas o insesgadas son aqullas que dejan el mismo nmero de
observaciones a la izquierda que a la derecha de la media.
La simetra se mide a travs del sesgo (skewness).
95
En la grfica siguiente exponemos las correspondientes situaciones 4

Por tanto, cuando la distribucin es
simtrica, sesgo = 0, la media es igual a
la mediana (e iguales a la moda, si slo
existe una):
Si la mediana es ms pequea que la

media la distribucin est sesgada a la
derecha (hacia valores grandes), sesgo >
0:
Si la mediana es ms grande que la media

la distribucin est sesgada a la izquierda
(hacia valores pequeos), sesgo < 0:
6.2.5.3 COEFICIENTE DE CURTOSIS O APUNTAMIENTO

Las medidas de apuntamiento o curtosis son aplicables a distribuciones campaniformes,
unimodales simtricas (no en U) o con una ligera asimetra. Se mide la mayo r o menor
concentracin de las frecuencias alrededor de la media, es decir, su nivel de
apuntamiento. Se toma como distribucin tipo la distribucin normal. La distribucin
normal cumple que:
m4 = 3 s4 s = 1 y m = 0
Donde m4 es el momento de orden 4 respecto de la media o momento central que
viene dado por la expresin siguiente:
4 Universidad Autnoma Barcelona. Apuntes de Ctedra Investigacin Comercial 1 Teresa Obis

96
(x
n
m4 =
m)4
i =1
El coeficiente de curtosis viene dado por la siguiente expresin:

n
m4
CK = 4 =
s
(x
i =1
m) 4
ns4
Como CK para la distribucin normal es igual a 3 se suele usar el coeficiente corregido,

tambin llamado coeficiente de exceso y que es:
(x
n
CK2 =
i =1
m)4
ns4
Los valores que toma son:

CK2 = 0 es decir CK = 3 Es una distribucin mesocrtica, sin exceso.
CK2 > 0 es decir CK > 3 Distribucin leptocrtica. Con exceso. Puntiaguda.
CK2 < 0 es decir CK < 3 Distribucin platicrtica. Es decir achatada
En el grafico siguiente se pueden observar las diferentes formas de la curtosis o
apuntamiento
Curtosis: grado de apuntalamiento (pico) de la distribucin.
Una distribucin en
"forma de campana" tiene una curtosis igual a 0.

Si est ms concentrada (puntiaguda) la curtosis es > 0; si es ms plana (con mayor
dispersin) la curtosis es < 0.
curtosis:
<0
=0
>0
97
6.2.6 CMO REALIZAR INFER ENCIAS?

Cuando lo que pretendemos es comparar los valores obtenidos en la investigacin con
otros predeterminados o bien realizar inferencias, lo que se hace es aplicar determinadas
pruebas o test en funcin de la escala de medida de la variable objeto de estudio. Lo
podemos resumir en la siguiente tabla:
Escala
Frecuencia
Tendencia central Dispersin
Prueba
Nominal
Absoluta,
Moda
Chi
relativa
cuadrado,
binomial
Ordinal
Absoluta,
Moda, Mediana
Desviacin intercuartil
relativa,
acumulacin,
percentiles
Intervalo
Absoluta,
Moda,
relativa,
Media 5
Mediana Desviacin intercuartil

Varianza,
acumulacin,
desviacin
tpica
percentiles
Proporcin
Absoluta,
Moda,
razn
relativa,
Media
Mediana Desviacin intercuartil

Varianza,
desviacin
acumulacin,
tpica Coeficiente de
percentiles
variacin
5 En ocasiones no tiene ningn significado, debido al desconocimiento de los intervalos de clase con
exactitud.
98
7. CONTRASTE DE HIPTESIS
7.1 CONCEPTOS GENERALES
7.1.1 HIPTESIS
La palabra hiptesis tiene su origen en los trminos griegos thesis, que significa lo
que se pone, e hipo, que equivale a debajo. Hiptesis es, por tanto, lo que se pone
debajo, es decir lo que se supone.
Desde el punto de vista de la investigacin comercial, las hiptesis se pueden definir
como soluciones probables previamente seleccionadas al problema planteado, que se
tienen que confirmar a travs del proceso de investigacin con los hechos.
La primera prueba a la que debemos someter una idea nueva es a la de su coherencia.
Una vez superado este primer paso, la idea o conjetura pasa a denominarse hiptesis y
deberemos contrastarla a travs de la denominada prueba de hiptesis.
7.1.2 PRUEBAS DE HIPTESIS
Para K. R. Popper en su obra El desarrollo del conocimiento cientfico (Ediciones
Paidos, 1967), una hiptesis es una conjetura expresada en trminos de alto contenido
informativo.
Para que la hiptesis se convierta en teora deber ser validada mediante pruebas de
hiptesis. Estas pruebas actan como un filtro, eliminando las hiptesis falsas y
manteniendo las verdaderas. Podemos afirmar que cuantas ms pruebas haya superado
una hiptesis, ms convencimiento tendremos acerca de su veracidad.
En la praxis se ha escogido que el nivel de filtro sea del 95%, es decir, se eliminan el
95% de las hiptesis falsas.
En el campo cientfico es de gran importancia la repeticin de la prueba de hiptesis por
diferentes equipos de investigadores y en diferentes partes del mundo. Esto significa
que cuantas ms oportunidades se han dado a una hiptesis de ser abandonada y ms
veces ha superado las pruebas, ms seguros estaremos de su veracidad.
99
En el campo de la Investigacin Comercial hemos de tener presente que trabajamos con

muestras, que los estadsticos son aleatorios y que, para el estadstico, muestras distintas
pueden generar diferentes valores.
Una hiptesis estadstica es una afirmacin con respecto a alguna caracterstica de
inters. En las pruebas de hiptesis hay que depurar los resultados mediante estudios
ms profundos.
Contrastar una hiptesis es decidir si se rechazan o no unos determinados supuestos que
planteamos acerca de un universo o poblacin, partiendo de los datos obtenidos con una
muestra, midiendo a la vez el riesgo de error correspondiente a cada una de las posibles
decisiones.
Para realizar la prueba de hiptesis tenemos que definir previamente la hiptesis nula
(H0 ) y la hiptesis alternativa (H1 )
7.1.2.1 HIPTESIS NULA
Es la hiptesis que se realiza sobre un determinado fenmeno con el propsito de
comprobarla o rechazarla. Se representa por H0 .
7.1.2.2 HIPTESIS ALTERNATIVA
Cualquier otra hiptesis que se formule diferente a la hiptesis nula. La hiptesis
alternativa se representa por H1 .
Ejemplo:
Partimos de dos supermercados, A y B; queremos demostrar que la diferencia de sus
ventas es debida a la diferencia de permanencia de los clientes en el establecimiento.
Para ello, medimos el tiempo medio de estancia en la tienda de los clientes de A y B.
Definiremos las siguientes hiptesis:
H0 : las medias de estancia, de los clientes, en la tienda son iguales mA = mB
H1 : las medias de estancia en la tienda son diferentes mA mB
7.1.3 CARACTERSTICAS Y METODOLOGA
Las principales caractersticas de las hiptesis nula y alternativa son:
Una y slo una de las dos puede ser cierta
100
Mientras H0 indica una nica posibilidad, la hiptesis alternativa comprende

infinitas
Lo que creemos y tratamos de demostrar es la hiptesis alternativa
Si podemos sospechar que la hiptesis nula no es cierta, entonces

obligatoriamente deber ser cierta la hiptesis alternativa
La metodologa para realizar un contraste de hiptesis consiste en la realizacin de los

siguientes pasos:
Definir H0 y H1
Definir un parmetro de medida que relacione los parmetros muestrales y

poblacionales y la funcin de probabilidad
Establecer un criterio para juzgar si el valor calculado del parmetro es

compatible con H0
Realizar el muestreo
Obtener conclusiones de conformidad con lo expuesto
Con el fin de comprender mejor los diferentes conceptos, vamos a realizar un ejemplo
sencillo y clsico.
Para nuestro estudio, utilizaremos una moneda cargada.
Las correspondientes hiptesis seran:
Hiptesis nula (H0 ). La probabilidad de que salga cara es 05, es decir, la moneda no
est cargada H0 : p = 05.
Hiptesis alternativa (H1 ). La moneda esta cargada. Esto es, H1 : p 05.
Para elegir una de las dos hiptesis lanzamos la moneda al aire 100 veces.
Si H0 fuera cierta el resultado que obtendramos sera 50 veces cara y 50 veces cruz.
Supongamos que obtenemos cara en 51 ocasiones y cruz en 49. Esta pequea diferencia
sera totalmente explicable por el azar o la suerte. Por consiguiente, nuestra conclusin
sera que no hemos encontrado nada que nos haga sospechar que la moneda est
cargada, luego no podramos decir que la hiptesis nula fuese falsa (no podramos
rechazar H0 ).
Supongamos que al lanzar 100 veces la moneda, obtenemos 97 veces cara y 3 cruz. La
diferencia es lo suficientemente significativa como para hacernos dudar de la validez de
101
la hiptesis nula y afirmaramos que la moneda est cargada o bien que abandonamos la
hiptesis nula H0 (se puede rechazar la H0 ).
Pero supongamos que despus de 100 lanzamientos de la moneda, hemos obtenido 68
caras y 32 cruces. En esta situacin unas personas no rechazaran la H0, considerando
que la desviacin es fruto del azar, mientras que otras s que rechazaran la H0
Con el fin de dar solucin a este tipo de situaciones se establece un criterio
homogeneizador. La estads tica propone como criterio rechazar la hiptesis nula H0
cuando la probabilidad de un resultado tanto ms extremo, ms pequea que un cierto
valor escogido a priori. Basndose en la experiencia se acepta que ese valor sea 005.
Una vez aceptado ese valor deberemos calcular las probabilidades de los diferentes
resultados muestrales suponiendo cierta la H0 .
Teniendo en cuenta que el producto de p * n es mayor que 5, la proporcin p obtenible
en las infinitas muestras sigue una distribucin normal de media p y desviacin tpica
p (1 p)
n
Sp =
siendo n el nmero de casos de la muestra.
En el ejemplo tenemos que H0 nos dice que p = 05. Si lanzamos la moneda 100 veces
tendramos que
Sp =
05(1 05)
= 005
100
Se simboliza como p n(05, 005)

Esto significa que la proporcin de caras obtenidas en una muestra de 100 casos sigue
una distribucin normal de media 05 y desviacin tpica 005.
Siguiendo las propiedades de la distribucin normal vamos a calcular entre qu dos
valores se situarn el 95% de los resultados obtenidos con las infinitas muestras de 100
lanzamientos de la moneda.
Si recordamos que para el valor del 95% la razn crtica Z = 196. Aplicando la
propiedad de la distribucin normal obtenemos
05 196*005, lo cual nos conduce a los siguientes valores p1 = 0402 y p2 = 0598
102
Por consiguiente, si es cierta la H0 , la probabilidad de encontrar una proporcin

muestral de caras entre 0402 y 0598 ser igual al 95% (095).
La probabilidad de encontrar valores fuera de ese intervalo ser de 005.
De conformidad con lo expuesto, estableceramos un sistema de decisin del tipo
siguiente:
Si la proporcin de caras, al lanzar 100 veces la moneda, se sita entre 402 y 598%, la
H0 ser cierta.
Si la proporcin se sita por debajo del 402 y por encima del 598, se dir que la
probabilidad de observar estos resultados es tan pequea (005) como para sospechar
que la H0 es falsa.
A la zona extrema y alejada, que tiene una pequea probabilidad de ocurrir si es cierta
la H0 y que si se observa un resultado en ella nos permite rechazar la hiptesis nula, se
la denomina regin crtica.
La representacin grfica para nuestro ejemplo es la siguiente:
Grfica
0402
0598
Esquema de decisin
Si el resultado se sita en la regin crtica se rechaza la hiptesis nula H0
Si el resultado no se sita en la regin crtica, no se rechaza la hiptesis nula H0 ,
rechazando entonces la hiptesis alternativa H1 .
103
7.2 TEST DE HIPTESIS

Tambin se denomina test de significacin o contraste. Se utiliza para designar el
procedimiento que se utiliza para contrastar la validez de una hiptesis. Son pruebas
estadsticas que se utilizan para determinar si los resultados obtenidos con una muestra
o dos elegidas al azar difieren marcadamente de aquellos que habra que esperar con la
hiptesis planteada y la variacin debida al muestreo.
7.2.1 OBJETIVO
El objetivo de este tipo de test es:
Observar si la variable estudiada se comporta aleatoriamente
Verificar si la media de la muestra estudiada pertenece a la media del universo
estudiado
Comprobar si la proporcin obtenida en el estudio muestral es la misma que la de la
poblacin
Ver si los datos obtenidos en la muestra corresponden a algn tipo de distribucin
conocida
Observar si los valores obtenidos siguen unos patrones esperados
7.3 METODOLOGA DEL TEST DE HIPTESIS

Tal y como indicamos en el punto anterior, el test de hiptesis es una forma de decidir,
de manera objetiva, si los resultados obtenidos a travs de la Investigacin Comercial
muestran una realidad o son simplemente una consecuencia de la aleatoriedad de la
muestra.
En este proceso se diferencian las siguientes etapas:
1. Formulacin de las hiptesis
2. Eleccin del nivel de significacin
3. Eleccin de la prueba o test
4. Interpretacin
104
7.3.1 FORMULACIN DE LAS HIPTESIS

Desde el punto de vista de la investigacin comercial, las hiptesis se pueden definir
como soluciones probables previamente seleccionadas al problema planteado, que se
tienen que confirmar con los hechos en el proceso de investigacin.
Una hiptesis es, por tanto, una proposicin relativa a un problema, a la forma o a los
parmetros de una distribucin. Cuando se refiere a un valor concreto para un
parmetro, se denomina hiptesis simple. Si se refiere a un intervalo para un parmetro,
hiptesis compuesta.
En el campo de la Investigacin Comercial hemos de tener presente que trabajamos con
muestras, y que los estadsticos son aleatorios y que muestras distintas pueden generar
diferentes valores para el estadstico.
Una hiptesis estadstica es una afirmacin con respecto a alguna caracterstica de
inters. En las pruebas de hiptesis se trata de depurar los resultados mediante estudios
ms profundos.
Contrastar una hiptesis es decidir si se rechazan o no como ciertos los supuestos que
planteamos acerca de un universo o poblacin, partiendo de los datos obtenidos con una
muestra, midiendo a la vez el riesgo de error correspondiente a cada una de las posibles
decisiones.
El proceso de la prueba o test de hiptesis comienza definiendo la hiptesis, que se
confirmar o rechazar de conforme al resultado que obtengamos en el test.
Para realizar la prueba de hiptesis tenemos que definir previamente la hiptesis nula H0
y la hiptesis alternativa H1 que, recordemos de nuevo, son:
Hiptesis nula. Hiptesis que se realiza sobre un determinado fenmeno con el
propsito de comprobarla o rechazarla 6. Se representa por H0 . Se refiere a determinadas
caractersticas de la poblacin, denota ausencia de diferencias y es la que se mantendr
en el caso de que los resultados de la prueba o test no muestren falsedad.
6Siendo estrictos en vez de decir se acepta la hiptesis nula debemos decir no se rechaza la hiptesis
nula
105
Hiptesis alternativa. Cualquier otra hiptesis que se formule diferente a la hiptesis

nula. Se representa por H1 . Denota la existencia de diferencia; es una forma de negacin
de la H0.
La formulacin de ambas hiptesis debe hacerse de forma muy rigurosa y precisa.
Las principales caractersticas de las hiptesis nulas y alternativas son:
1. Una y solamente una de las dos puede ser cierta
2. Mientras H0 indica una nica posibilidad, la hiptesis alternativa comprende infinitas
3. Lo que creemos y tratamos de demostrar es la hiptesis alternativa
4. Si podemos sospechar que la hiptesis nula no es cierta, entonces obligatoriamente
deber ser cierta la hiptesis alternativa
En funcin de la H0 se van a definir los valores esperados (tericos). La comparacin
entre estos valores y los observados nos proporcionaran la decisin de acuerdo con las
normas preestablecidas.
La hiptesis se puede enunciar de forma unidireccional (de una cola), si el sentido o
direccin de la hiptesis alternativa es conocido. Ejemplo. la cuota de audiencia de una
cadena local de TV es superior al 25%. Las hiptesis las podemos formular
H0 : P 25% y la alternativa ser H1 : P > 25%
Tambin se pueden formular de forma bidireccional, bilateral o test de dos colas (Twotailed test), si la hiptesis alternativa puede tomar cualquier sentido. Siguiendo con el
ejemplo anterior, supongamos que conocemos que la cuota es diferente del 25%,
entonces la formulacin ser como sigue:
H0 : P = 25% y la alternativa ser H1 : P 25%
En Investigacin Comercial se suele utilizar ms el test de una cola, ya que se suele
conocer el sentido de la afirmacin. El bilateral se usa cuando no hay preferencia sobre
la direccin del resultado.
7.3.2 ELECCIN DEL NIVEL DE SIGNIFICACIN
En el mundo cientfico, para que la hiptesis se convierta en teora deber ser validada
mediante pruebas de hiptesis. Estas pruebas actan como un filtro, eliminando las
hiptesis falsas y manteniendo las verdaderas. Podemos afirmar que cuantas ms
pruebas haya superado una hiptesis, ms convencimiento tendremos acerca de su
veracidad.
106
En la praxis se ha escogido que el nivel de filtro sea del 95%, es decir, se eliminan el
95% de las hiptesis falsas.
En las pruebas de hiptesis se presentan cuatro situaciones que resumimos en la
siguiente tabla:
H0 es verdadera
1. Decisin correcta
No rechazar H0 Nivel de confianza
H0 es falsa
3. Error tipo II
Probabilidad p =
Probabilidad p= 1 -
2. Error tipo I
Rechazar H0
4. Decisin correcta
Nivel de significacin Poder de prueba

Probabilidad p =
Probabilidad p = 1 -
1. La decisin correcta de no rechazar H0 cuando es verdadera. El nivel de confianza

proporciona el porcentaje de situaciones en los que la hiptesis nula se aceptara
siendo verdadera. No se refiere a la probabilidad de que los resultados sean
observados en trminos de muestreo, sino a la probabilidad de que la hiptesis sea
verdadera con los datos obtenidos. La eleccin del nivel de significacin y, por
consiguiente, del nivel de confianza, es convencional y se fija a priori. En
investigacin comercial se suele trabajar con valores de nivel de significacin =
001 (1%) y = 005 (5%). Los niveles de confianza vendrn dados por 1 - . Es
decir, fijamos a priori la probabilidad de rechazar la H0 siendo cierta. Tambin en
ocasiones se emplean niveles de significacin menos exigentes, pudiendo llegar a
veces hasta valores de del 10%, que se denominan cuasi significativos. Rara vez se
pasa de este valor del 10% para el nivel de significacin.
2. Error de tipo I. Es el riesgo que se asume. El nivel de significacin representa el
porcentaje de veces que se rechaza la H0 cuando es verdadera.
3. Error de tipo II. No se rechaza H0 cuando en realidad es falsa. A la probabilidad de
que esto ocurra se le denomina .
107
4. Se recha za la hiptesis nula y es falsa. Se trata de una decisin correcta. La

probabilidad de que esto ocurra se denomina poder o potencia de la prueba y viene
dado por 1 -
La determinacin de es compleja. La relacin entre y es de tipo inverso, de forma
que al disminuir el error de tipo I aumenta o la probabilidad de que ocurra un error
tipo II, para una determinada muestra. El poder de la prueba 1 - est ligada al valor del
parmetro probado en la poblacin objeto de estudio.
En la prctica, se ignora o bien se determina despus de estar seleccionada la muestra.
El inters del investigador se centra en no cometer un error de tipo I.
Como conclusin, podemos decir que en la prctica lo que se hace es fijar un nivel de
significacin () del 1% 5%. Y se rechaza la H0 si hay menos del 1% 5% de
posibilidades de que las diferencias obtenidas sean debidas al azar y se dice que la
diferencia es significativa.
7.3.3 ELECCIN DEL TEST
La Estadstica ha tenido un enorme desarrollo. En la actualidad, para cualquier diseo
de investigacin, nos encontramos con diversas pruebas estadsticas vlidas para decidir
acerca de H0 .
Por ello, se hace necesario elegir criterios racionales para determinar qu prueba
estadstica es la ms adecuada para analizar los datos de una Investigacin Comercial.
Se pueden utilizan diversos criterios. Los ms usuales son:
la potencia, el procedimiento de obtencin de los datos, el universo (N) de donde se
obtuvo la muestra (n), las hiptesis que deseamos probar o la escala de medicin
utilizada.
VALIDEZ Y POTENCIA
La potencia de un anlisis estadstico es, en parte, una funcin de la prueba estadstica
que se usa en un anlisis. Una prueba estadstica es vlida si la probabilidad de rechazar
H0, cuando sta es verdadera ,es igual al valor elegido . Se dice que una prueba es
potente si tiene gran probabilidad de rechazar Ho cuando sta es falsa.
108
MODELO ESTADSTICO
En el momento en el que identificamos la naturaleza del universo o poblacin (N) y la
tcnica de muestreo a aplicar, hemos establecido un modelo estadstico. Cada prueba
estadstica se asocia a un modelo y a un requisito de medida.
Todas las decisiones tomadas para el uso de cualquier prueba estadstica deben llevar
consigo la siguiente condicin.
Si el modelo utilizado es correcto y los requisitos de medida fueron cumplidos,
entonces.....
Cuanto ms pobres o dbiles sean las suposiciones que definen el modelo,
necesitaremos simplificar ms la decisin alcanzada por la prueba estadstica asociada
al modelo y, por consiguiente, ms generales sern las conclusiones.
Las pruebas ms potentes son aqullas que tienen las suposiciones ms fuertes o
extensas.
Las pruebas paramtricas (como la t, la Z o la F), tienen fuertes suposiciones
subyacentes a su uso. Si estas suposiciones son vlidas, las pruebas basadas en las
mismas son las que tienen mayor probabilidad de rechazar H0 cuando es falsa.
Hemos de resaltar que los requerimientos de los datos de investigacin deben ser
adecuados para la prueba.
EJEMPLO:
Las condiciones que debe satisfacer la prueba t para ser la ms potente y aceptar as
las conclusiones obtenidas con ella con el adecuado nivel de confianza, son:
1. Las observaciones deben ser independientes
2. Las observaciones deben derivar de poblaciones normalmente distribuidas
3. En el anlisis de dos grupos, las poblaciones deben tener la misma varianza
4. Las variables sern medidas al menos en una escala de intervalo
Todas estas condiciones son elementos del modelo estadstico asociado con la
distribucin normal. De ordinario, estas suposiciones no son probadas en el curso del
anlisis estadstico, sino que son presunciones aceptadas y su certeza o falsedad
determina la exactitud y significacin de la probabilidad establecida mediante la prueba
paramtrica.
109
Las pruebas paramtricas prueban hiptesis acerca de parmetros especficos.
Se
presupone que las hiptesis acerca de tales parmetros son idnticos a las hiptesis de
investigacin.
Cuando existen razones para creer que las condiciones se encuentran en los datos objeto
de anlisis, es posible elegir una prueba estadstica paramtrica.
Qu ocurre si estas condiciones no se encuentran?
Cuando no se encuentran las suposiciones que constituyen el modelo estadstico de una
prueba entonces esta no puede ser valida. Esto significa que el estadstico de prueba
puede caer en la regin de rechazo con una probabilidad mayor que alfa ().
EFICACIA
Cuando comparamos dos muestras de tamaos diferentes, la potencia de la prueba
aumenta conforme aumenta el tamao de la muestra estadstica. Por consiguiente,
podremos utilizar una prueba menos potente con un tamao de muestra ms grande.
El concepto de potencia-eficacia se relaciona con el tamao de la muestra que es
necesario para lograr que la prueba B sea tan potente como la A cuando el nivel de
significacin y el tamao de la muestra de la prueba A se mantienen constantes.
Si la prueba A es la prueba conocida ms potente de su tipo y en prueba es una prueba
para el mismo diseo de investigacin, entonces
Potencia eficacia de prueba B
PB =
100na
nb
Eficacia relativa asinttica de un estadstico

Es un modo de determinar el tamao de muestra necesario para que la prueba B tenga la
misma potencia que la prueba A.
Eficacia relativa
PB = 100lim
na
na
nb
ESCALA DE MEDIDA
Las escalas de medidas utilizadas en la Investigacin Comercial son: nominal, ordinal,
intervalo y de razn. Resmimos en la siguiente tabla sus caractersticas y relaciones:
110
Escala
Relaciones que la definen
Nominal
Equivalencia
Ordinal
Equivalencia
Mayor que
De intervalo
Equivalencia
Mayor que
De razn
Equivalencia
Mayor que
Razn conocida entre cualesquiera de dos valores de la escala
Como conclusin, podemos decir que hemos de elegir el test ms potente. Como regla
general recordemos que:
Los test unidireccionales son ms potentes que los bidireccionales
Los test paramtricos son ms potentes que los no paramtricos
Las pruebas que usan datos mtricos son ms potentes que las que no los utilizan
7.3.4 INTERPRETACIN DE LA PRUEBA
La prueba o test elegido tiene una variable asociada a un estadstico cuya distribucin es
conocida y cuyo valor se obtiene mediante la correspondiente frmula con los datos de
la muestra.
Para el nivel de significacin conocemos el valor terico (valor de tablas) del test ,que
ser el que compararemos con el obtenido de aplicar la frmula a los datos obtenidos de
la muestra.
Esta comparacin es la que nos sirve como norma de decisin. En general
Si el valor calculado es mayor que el terico o de tablas para un determinado
nivel de significacin , se rechaza la H0. En caso contrario no se rechaza la H0 .
No rechazar la H0 supone que los datos obtenidos en una investigacin concreta son
compatibles con la hiptesis propuesta. La interpretacin ha de realizarse con prudencia
111
y criterio, recordando la frase de Henry Clay que dice: las estadsticas no son sustitutos
del criterio.
En algunas pruebas, es preciso conocer los grados de libertad o el nmero de
observaciones diferentes que obtenemos de una variable si descontamos el o los
estadsticos calculados. En el caso de una tabla de r filas y c columnas, los grados de
libertad son (r - 1) para las filas, (c - 1) para las columnas y (r - 1)(c - 1) para la tabla.
RESUMEN
La metodologa para realizar un contraste de hiptesis consiste en la realizacin de los
siguientes pasos:
1. Definir H0 y H1
2. Definir un parmetro de medida que relacione los parmetros mustrales y
poblacionales y la funcin de probabilidad
3. Establecer un criterio para juzgar si el valor calculado del parmetro es compatible
con H0
4. Realizar el muestreo
5. Obtener conclusiones de conformidad con lo expuesto
7.4 TIPOS DE TEST DE HIPTESIS

Como hemos visto ya, los test de hiptesis se utilizan para designar el procedimiento
que contrastar la validez de una hiptesis. Son pruebas estadsticas que se utilizan para
determinar si los resultados obtenidos con una muestra o dos elegidas al azar difieren
marcadamente de aquellos que habra que esperar con la hiptesis planteada y la
variacin debida al muestreo.
Existen diferentes tipos de test. La forma ms habitual de clasificarlos es la siguiente:
Dependiendo del tipo de variables a contrastar, se distingue entre pruebas

paramtricas y pruebas no paramtricas. Las primeras se aplican a variables
medidas con escalas de ratio y de intervalo. Las segundas, a variables ordinales
y nominales.
Segn realicemos el contraste sobre una muestra o sobre dos muestras, que a su
vez se pueden diferenciar en muestras independientes o relacionadas (pareadas),
aplicaremos diferentes tipos de test de hiptesis.
Los ms usuales los resumimos en el siguiente esquema,

112
Contraste de hipotesis
Una muestra
pruebas paramtricas
Pruebas no paramtricas
Test Z
Test binomial
Test T
Test Chi cuadrado

Test de rachas
Test de Kolmogorov-Smirnov
CONTRASTE DE HIPTESIS PARA DOS MUESTRAS
Dos muestras
Muestras independientes
Pruebas paramtricas
Muestras Pareadas
Pruebas paramtricas
Test t para pareado
Test F
Test de la mediana
Test t para dos grupos
Test de Mann-Whitney
Test de McNemar
Test de rachas
Test de Wilcoxon
Test de Kolmogorov-Smirnov
Test de Moses
113
Test de signo
7.5 BREVE DESCRIPCIN DE LOS TEST

Vamos a resear brevemente en qu consiste cada uno de los procedimientos resumidos
en el esquema anterior.
7.5.1 CONTRASTES PARA UNA MUESTRA
1. Pruebas paramtricas
Test Z. Est basado en la distribucin normal. Se utiliza para contrastar estadsticos de
una distribucin con respecto a valores de parmetros del universo. El paquete
estadstico calcula el valor de Z y luego calcula la probabilidad asociada al mismo. Se
compara la probabilidad con el nivel de significacin seleccionado y no se rechaza la H0
en el caso de que la probabilidad sea mayor que dicho nivel. Se acepta la hiptesis
alternativa cuando la probabilidad es menor que el nivel de confianza.
Test t. Se basa en la t de Student. Parte del conocimiento de la media de la muestra y de
la desviacin tpica de la media y de la media del universo. La interpretacin de los
resultados es idntica al test Z.
2. Pruebas no paramtricas
Test binomial. Se utiliza para variables dicotmicas, con la finalidad de contrastar si una
variable procede de una poblacin binomial con una probabilidad determinada de que se
produzca un suceso.
Test Chi cuadrado. Se suele utilizar en variables medidas en escala nominal. Se basa en
la distribucin Chi cuadrado.
Test de rachas (test runs). Las rachas se definen como el nmero de veces que se
produce el cambio de un valor a otro dentro de la distribucin de la variable dicotmica.
Su finalidad es comprobar si la variable se distribuye aleatoriamente o no. Se basa en el
orden de ocurrencia de los dos valores de una variable de tipo dicotmico.
Test de Kolmogorov-Smirnov. Se utiliza para contrastar la hiptesis de que la muestra
estudiada se distribuye como alguna de las principales distribuciones, normal, uniforme
o de Poisson.
114
7.5.2 CONTRASTES PARA DOS MUESTRAS INDEPENDIEN TES

Test t para dos grupos independientes. Se aplica a variables medidas en escalas de
intervalo o de razn. Se utiliza para contrastar si dos muestras independientes proceden
de poblaciones con la misma media.
Test F (F de Barlett Box). Se utiliza para contrastar si las muestras proceden de
poblaciones con idnticas varianzas. Realiza el cociente entre las medias cuadrticas de
las dos muestras, teniendo en cuenta el nmero de grados de libertad del numerador y
del denominador, asignando as la probabilidad.
Test de la mediana. Se usa para contrastar si dos o ms muestras independientes
pertenecen a poblaciones con la misma mediana.
Test de rachas de Wald-Wolfowitz. Contrasta la hiptesis de que dos muestras proceden
de la misma poblacin. Se aplica normalmente a variables medidas en escala ordinal.
Cuando existe un nmero elevado de rachas, las muestras pertenecen a la misma
poblacin.
Test de Kolmorov-Smirnov (para dos muestras). Sirve para contrastar si las dos
muestras provienen de la misma distribucin. El test utiliza las diferencias existentes
entre mediana, dispersin, asimetra e incluso ms estadsticos de ambas muestras,
comparando las distribuciones acumuladas y las diferencias con patrones conocidos.
Test de Mann-Whitney. Se aplica a variables medidas en escala ordinal. Es una prueba
parecida a la t.
Test de Moses. Se aplica a variables medidas en escala ordinal. Consiste en contrastar la
hiptesis de que la variable estudiada afecta a unos elementos en una direccin y a otros
en la direccin opuesta.
115
7.5.3 CONTRASTES PARA DOS MUESTRAS RELACIONADAS

Test t para pareado. Se utiliza para comprobar si dos muestras provienen de poblaciones
con igual media.
Test de Mcnemar. Se aplica sobre dos variables dicotmicas relacionadas. El contraste
lo realiza a travs de la distribucin Chi cuadrado, analizando la probabilidad de
ocurrencia de las situaciones posibles (0 ,1) y (1, 0).
Test del signo. Se utiliza para contrastar la hiptesis de que las dos variables tienen
idntica distribucin. Si las dos muestras tienen la misma distribucin, la mitad de las
diferencias deberan ser positivas y la otra mitad negativas; por consiguiente el mtodo
que sigue se basa en la direccin (signo) de las diferencias entre las dos variables.
Test de Wilcoxon. Se utiliza para contrastar la hiptesis de que las dos variables tienen
idntica distribucin. Tiene en cuenta la magnitud de las diferencias dentro de los pares
y pondera con un valor mayor a los pares que presentan mayores diferencias.
116
8. ANLISIS BIVARIABLE
El anlisis bivariable trata de analizar la relacin entre dos variables. Este anlisis
permite comprobar si existe asociacin entre esas variables as como medir la fuerza de
esa asociacin. Esta asociacin no implica necesariamente causalidad (no es preciso que
se cumpla que la variable causa preceda a la variable efecto).
Como las variables a estudiar pueden ser de tipo cuantitativo y cualitativo, las
situaciones y principales tcnicas de estudio se recogen en la tabla siguiente
TIPO DE VARIABLE
CUANTITATIVA
CUALITATIVA
CUANTITATIVA
CUALITATIVA
Coeficiente de correlacin Anlisis de varianza (Test F)
(Pearson)
Test t de medias
Regresin
Coeficiente alfa (a) de
Cronbach
Tabla de contingencia (Chi
cuadrado)
Correlacin
de
rangos
(Spearman)
Coeficiente de Cramer
8.1 RELACIN ENTRE DOS VARIABLES CUALITATIVAS

8.1.1 TABLAS DE CONTINGENCIA
CONCEPTO
La forma ms frecuente de presentacin del anlisis es la tabulacin cruzada, en ella se
presentan las dos variables cualitativas con un nmero no excesivamente grande de
categoras, en la praxis 4 5 como mucho.
Una tabla de contingencia (Crosstab) es el resultado de clasificar los elementos de la
muestra con arreglo a dos variables cualitativas (nominales), cada una de ellas
diversificadas en modalidades o categoras mutuamente excluyentes.
Con la tabla de contingencia se puede verificar si existe relacin de dependencia entre
las dos variables. En el punto siguiente indicamos un ejemplo de una tabla de
contingencia obtenida con el paquete estadstico SPSS para Windows
117
8.1.1.1 TABLA DE CONTINGENCIA : SEXO Y CONOCIMIENTO DE

INFORMTICA
Las variables que se cruzan son sexo de los encuestados y conocimiento de informtica
de los mismos. La tabla resultante del tratamiento estadstico es la siguiente:
Tabla:Sexo by conoci.
Count
Ninguno
Poco
Bueno
Elevado
Experto
Exp Val
Row Pct
Row
Col Pct
Total
Tot Pct
Mujer
12
36
71
62
67
120
40
444%
250%
250%
333%
83%
83%
563%
643%
800%
111%
333%
111%
111%
148%
37%
37%
24
45
89
78
83
150
50
556%
156%
111%
67%
533%
133%
438%
357%
200%
889%
667%
86%
62%
37%
296%
74%
Column
16
14
15
27
81
Total
198%
173%
185%
333%
111%
1000%
Hombre
Chi-square
Value
DF
Significance
Pearson
2341527
00010
Likelihood Ratio
2580228
00003
00311
Mantel-Haenszel test for linear association 874396

Minimun Expected Frequency
4000
Cells with Expected Frequency < 5
1 OF
Number of Missing Observations: 21
118
10 (100%)
8.1.1.2 SIGNIFICADO DE LOS ELEMENTOS QUE COMPONEN LA TABLA

Las dos variables cruzadas en esta tabla, sexo (A) y conocimiento de la informtica (B),
se dividen en las siguientes categoras:
Variable A, 2 categoras: 1 (Mujer) y 2 (Hombre).
Variable B, 5 categoras: 1 (Ninguno), 2 (Poco), 3 (Bueno), 4 (Elevado), y 5 (Experto).
Las cifras enmarcadas indican el nmero de observaciones totales vlidas. En este caso,
hay 81 casos, lo que representa el 100%.
En la columna titulada Row Total (Total fila) aparecen el nmero de observaciones de
cada una de las categoras de la variable A, tanto en valores absolutos (frecuencias
absolutas) como en porcentajes sobre el total casos (frecuencias relativas o
probabilidad). As, en el ejemplo anterior, el nmero de mujeres que han contestado la
encuesta es de 36, que representa el 44,4% del total de casos vlidos. El nmero de
hombres es de 45 y su porcentaje el 55,6%.
Evidentemente, la suma de las frecuencias absolutas de cada categora de esta variable
coincide con el total de casos (36 + 45 = 81), y las frecuencias relativas suman 100.
En la fila titulada Column Total (Totales de la columna) tenemos el total de casos que
pertenecen a cada una de las categoras de la variable B. As, en el ejemplo, el total de
la primera columna nos indica que 16 personas (hombres+mujeres) no tienen ningn
conocimiento de la informtica (frecuencia absoluta). Esto representa el 19,8% de las
observaciones vlidas (16 : 81) % (frecuencia relativa o probabilidad).
Como en el total de la fila, la suma de las frecuencias absolutas de cada categora de
esta variable coincide con el total de casos (16 + 14 + 15 + 27 + 9 = 81), y las
frecuencias relativas suman 100.
Dentro de cada casilla o celda obtenemos datos correspondientes a la interseccin
(cruce) entre las categoras de las variables (Ai y Bj). La informacin contenida en cada
casilla queda reflejada en el margen superior izquierdo de la tabla (no tiene por qu ser
siempre la misma). En este ejemplo, las cifras de cada celda corresponden,
correlativamente, a:
Count (Frecuencia) es el nmero de casos que han contestado a la vez, a la categora i
de la variable A y la categora j de la variable B. En el ejemplo 9 es el nmero de
mujeres que han contestado N ingn conocimiento de informtica.
119
La suma de las frecuencias de A en una modalidad y que cumplen las diferentes

categoras de B, nos da la frecuencia de A en esa modalidad. En el ejemplo, para la
categora mujer, sera: 9 + 9 + 12 + 3 + 3 = 36
Exp Val (Valor esperado.) Corresponde al nmero de casos que deberan aparecer en la
casilla, si las dos variables fueran independientes entre s. Luego se ver cmo se
calcula y su utilidad.
Row Pct (Porcentaje fila). Porcentaje de casos de un cruce sobre el total de casos de la
fila (observaciones de la categora i de la variable A). Las 9 observaciones del cruce
Mujer y Ningn conocimiento, son un 25% del total de Mujeres. O dicho de otra forma,
del total de mujeres, un 25% tiene Ningn conocimiento de informtica. Por tanto,
esta frecuencia relativa es una probabilidad condicionada: probabilidad de Bj
condicionada a Ai, P(Bj / Ai).
Col Pct (Porcentaje columna). Porcentaje de casos de un cruce sobre el total de casos
de la columna (observaciones de la categora j de la variable B). En el ejemplo, las 9
observaciones del cruce Mujer y Ningn conocimiento, son un 56,3% del total de
personas que tienen Ningn conocimiento de informtica. O bien, un 56,3% de los
que tienen Ningn conocimiento de informtica son mujeres. Esta frecuencia relativa
tambin es una probabilidad condicionada. En este caso, la probabilidad de Ai
condicionada a Bj, P(Ai / Bj).
Tot Pct (Porcentaje total). Porcentaje de casos de un cruce sobre el total de casos. Por
tanto, equivale a la frecuencia relativa o probabilidad de la interseccin de Ai con Bj,
P(Ai n Bj). En el ejemplo, las 9 observaciones del cruce Mujer y Ningn conocimiento,
son un 11,1% del total de casos vlidos (9 : 81)%.
8.1.1.3 ANLISIS DE INDEPENDENCIA ENTRE LAS DOS VARIABLES.
ESTADSTICO (CHI CUADRADO)
El anlisis de independencia entre las dos variables se hace con el estadstico (Chi
cuadrado) que aparece despus de la tabla. De las tres lneas que proporciona el
ordenador hay que fijarse nicamente en la primera, la de Pearson, que es la ms
genrica.
120
Para calcular la primero hay que determinar el Valor esperado de una celda. Tal
como hemos indicado anteriormente, el Valor esperado es el nmero de casos que
deberan aparecer en una casilla si las dos variables fueran independientes.
El Valor esperado es igual al nmero de observaciones del total de la fila a la que
pertenece la casilla, multiplicado por el nmero de observaciones del total de la
columna y dividido por el nmero de observaciones vlidas. En nuestro ejemplo, para la
primera celda, el Valor esperado es igual a 7,1 obtenido con la siguiente operacin
matemtica: (36 x 16 ) / 81 = 7,1.
Tambin podemos obtener este valor si aplicamos el porcentaje del total de la fila al
nmero de observaciones total de la columna (44,4 % x 16 = 7,1) o el porcentaje del
total de la columna al nmero de observaciones total de la fila (19,8 % x 36 = 7,1). Con
estas nuevas frmulas se puede interpretar el Valor esperado de una manera ms simple.
Si las dos variables son independ ientes el nmero de mujeres con Ningn
conocimiento de informtica debera ser igual al porcentaje de personas que tienen
Ningn conocimiento de informtica (19,8%) multiplicado por el nmero de mujeres
de la muestra (36) o al porcentaje de mujeres (44,4%) aplicado al total de personas que
tienen Ningn conocimiento de informtica (16).
De forma genrica, si las dos variables son independientes, los porcentajes del total de
la fila (Row Total) deberan ser iguales en cada columna en los porcentajes sobre el total
de la columna (Col Pct), ya que la variable representada en las filas no influye en la otra
variable. De igual forma, los porcentajes del total columna (Column Total) deberan ser
los mismo en cada fila que los porcentajes sobre el total de la fila (Row Pct). En nuestro
ejemplo, el 44,4% de mujeres y el 55,6% de hombres debera repetirse para todas las
categoras de la variable Conocimiento de informtica. O bien, los porcentajes de
Conocimiento de informtica correspondientes a las personas (Total columna), deben
aparecer tanto para hombres como para mujeres.
La columna del ejemplo en la situacin terica de independencia entre las dos variables
quedara como sigue:
121
Mujeres 1
Hombres 2
Count
71
Exp Val
71
Row Pct
198
Col Pct
444
Tot Pct
88
Count
89
Exp Val
89
Row Pct
198
Col Pct
556
Tot Pct
110
La se calcula de la siguiente manera:

r
nij E ( n ij )
E( nij )
i = 1 j= 1
donde los sumatorios recogen los valores de todas las celdas, siendo nij la frecuencia
observada (Count) y E(nij) el valor esperado (Exp Val) de cada celda.
La no puede utilizarse si cualquiera de las celdas tiene un valor esperado menor que 1
o si ms de un 20% de las celdas tienen un valor esperado menor que 5. En nuestro
ejemplo, podemos aplicarla, ya que el valor mnimo esperado es 4 y slo en un 10% de
las celdas (1 de 10) hay un valor esperado menor que 5.
Minimum Expected Frequency -
4.000
Cells with Expected Frequency < 5 -
1 OF 10 ( 10.0%)
La ltima lnea del resultado de una tabla de contingencia nos indica el nmero de
observaciones missing, es decir, aqullas para las que el encuestado no ha contestado
a alguna de las variables cruzadas o a ambas. En el ejemplo, en 21 casos no se dispone
de informacin referida a las variables cruzadas.
122
8.1.2 COEFICIENTE V DE CRAMER

Se trata de un coeficiente que toma el valor 1 cuando hay una asociacin perfecta entre
los atributos considerados, con independencia del nmero de filas y columnas de la
tabla de contingencia.
Su frmula matemtica es:

V=
2
mn
Donde m es el mnimo de los grados libertad de las filas y columnas. Por tanto
m = min. (h 1, k 1)
n es el tamao de la observacin (muestra) y ?2 es el estadstico Chi cuadrado.
8.1.3 CORRELACIN DE RANGOS DE SPEARMAN
Este coeficiente determina la correlacin entre dos variables cualitativas medidas en
escala ordinal. Este coeficiente vara entre 1 y +1; un valor positivo nos indica una
correlacin en el mismo sentido (directa), mientras que los valores negativos ponen de
manifiesto una relaci n inversa.
Para su determinacin se aplica la frmula de Spearman:
r =1
6 Di2
i =1
N ( N 2 1)
Donde N es el nmero de pares de observaciones y D la diferencia entre los grados de

los valores correspondientes (x e y).
123
8.2 MTODOS DE MEDICIN EN EL ANLISIS ENTRE DOS

VARIABLES CUANTITATIVAS
La asociacin entre dos variables no implica necesariamente una relacin causal, sino
simplemente conociendo la asociacin entre dos variables se podr anticipar la
variacin de una variable conociendo el comportamiento de la otra.
A continuacin vamos a resear las medidas de asociacin ms habituales en la
Investigacin Comercial.
8.2.1 CORRELACIN
Es la asociacin entre las variaciones de los valores de dos variables. La asociacin
puede ser directa (mismo sentido) o inversa (sent idos opuestos).
La asociacin es la relacin entre el comportamiento de las dos variables. Esta
asociacin puede deberse a la casualidad o bien ser causal.
Se dice que la relacin es causal cuando un cambio en una de las variables
(independiente o explicativa) produce un cambio en la otra (dependiente).
Para que exista causalidad se deben cumplir al menos las siguientes condiciones 7:
Variacin Concomitante. Supone que ambas variables varan a la vez.
Temporalidad en la variacin. La causa debe ir por dela nte del efecto.
Control sobre otros factores distorsionadores. Se deben encontrar las posibles

correlaciones espurias (correlaciones debidas a la asociacin entre dos variables,
bien de forma accidental o casual, bien por efecto de una tercera variable, sin
que se produzca ninguna relacin causal entre ellas).
La correlacin entre dos variables cuantitativas se estudia habitualmente mediante el

anlisis de correlacin lineal, que se mide mediante el coeficiente de Pearson.
Este coeficiente puede tomar valores entre +1 y 1.
El valor 0 indica la ausencia de correlacin. Si el coeficiente es positivo indica que la
correlacin es directa (en el mismo sentido), en caso contrario se dice que es indirecta.
7 Dillon y otros Marketing Research in a Marketing environment Irwin 1994

124
100
100
90
90
80
80
precio vivienda (miles euros)
precio vivienda (miles euros)
Grfica
70
60
50
40
30
40
60
80
100
120
140
70
60
50
40
30
-2
superficie de la vivienda (m2)
10
Arreglos (de 0 -nada- a 10)
Correlacin positiva
Correlacin negativa
El coeficiente entre las dos variables x e y se calcula dividiendo la covarianza de ambas

variables entre el producto de las desviaciones tpicas de ambas variables.
r=
r=
s ( x , y)
s(x ) s( y )
n xy x y
( n x 2 ( x ) 2 ) ( n y 2 ( y ) 2 )
125
8.2.1.1 EJEMPLO
Supongamos que queremos conocer la correlacin existente entre la inversin en
promocin de ventas (x) y la cifra de ventas (y), en miles de euros
Los datos los resumimos en la siguiente tabla
xy
x2
y2
50
100
2500
25
70
175
625
4900
75
225
5625
80
240
6400
85
340
16
7225
35
90
315
1225
8100
x = 18
y = 450
xy = 1395
x2 = 565
y2 = 34750
El coeficiente de correlacin lineal (s e u o) ser
r=
6 1395 18 450
(6 566 182 ) (6 34750 4502 )
= 088
Por tanto, podemos suponer que existe muy buena relacin entre ambas variables.
Para concluir si la r de Pearson es significativa al 5% al 1%, deberemos consultar con
la correspondiente tabla.
126
8.2.1.2 TABLA COEFICIENTE DE CORRELACIN R DE PEARSON

Prueba unilateral: nivel de significacin
0,05
0,025
Prueba bilateral: nivel de significacin .
Grados de libertad
0,10
0,05
1
0,988
0,997
0,01
0,005
0,02
0,01
0,999
0,999
0,900
0,195
0.980
0.990
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
0,805
0,729
0,669
0 622
0,582
0,549
0,521
0,497
0,576
0,458
0,441
0,426
0,412
0,400
0,389
0,378
0,369
0,360
0,352
0,344
0,337
0,330
0,323
0,317
0,311
0,306
0,301
0,296
0,275
0,257
0,243
0,231
0,211
0,195
0,183
0,173
0,164
0,878
0,811
0,784
0,707
0,666
0,632
0,602
0,576
0,553
0,532
0,514
0,497
0,482
0,468
0,456
0,444
0,433
0,423
0,413
0,404
0,396
0,388
0,381
0,374
0,367
0,361
0,355
0,349
0,325
0,304
0,288
0,273
0,250
0,232
0,217
0,205
0,195
0,934
0,882
0,833
0,789
0,750
0,716
0,685
0,658
0,634
0,612
0,592
0,574
0,558
0,542
0,528
0,516
0,503
0,492
0,482
0,472
0,462
0,453
0,445
0,437
0,430
0,423
0,416
0,409
0,381
0,358
0,338
0,322
0,295
0,274
0,256
0,242
0,230
0,959
0,917
0,874
0,834
0,798
0,765
0,735
0,708
0,684
0,661
0,641
0,623
0,606
0,590
0,575
0,561
0,549
0,537
0,526
0,515
0,505
0,496
0,487
0,479
0,471
0,463
0,486
0,449
0,418
0,393
0,372
0,354
0,325
Q303
0,283
0,267
0,254
127
8.2.2 REGRESIN SIMPLE

En trminos generales, podemos definir la regresin lineal simple como el estudio entre
una variable a explicar con respecto a otra, que denominamos explicativa. Ambas
variables deben ser cuantitativas.
El modelo de regresin lineal de primer orden viene expresado por la siguiente
ecuacin:
y = 0 + 1 x +
donde:
y = variable dependiente o variable a explicar
x = variable independiente o variable explicativa
(psilon) = error o perturbacin aleatoria
0 =
origen de la recta: punto donde la recta corta el eje de ordenadas
1 =
pendiente de la recta o coeficiente de regresin: nos indica
o eje de la y
cunto aumenta o disminuye la variable dependiente por cada incremento en 1 unidad

de la variable independiente
La correspondiente representacin grfica es:
128
8.2.2.1 OBJETIVOS
Los objetivos que se pretenden con este tipo de anlisis son varios:
Determinar la forma de la relacin entre las dos variables, dependiente e independiente
Comprobar la hiptesis
Predecir los valores que tomar la variable dependiente
Para dar satisfaccin a estos objetivos nos interesa saber:
Cmo se calculan los coeficientes de regresin, 0 y 1
Cmo se interpretan
Cmo se determina si son o no estadsticamente significativos
Cmo se comprueban las hiptesis del modelo
Estimacin del modelo de regresin por mnimos cuadrados ordinarios
Con los datos de la muestra se pueden estimar los parmetros desconocidos del modelo
del siguiente modo:
y = 0 + 1 x +
$ 0
$ 1 x
y$ i = $ 0
$ 1 xi
y$
yi - y$ i = yi - ( $ 0 + $ 1 xi)
n
SSE (Suma de Errores al Cuadrado) =
[ yi - ( $ 0 + $ 1 xi)]2
i =1
La recta de mnimos cuadrados ordinarios es, precisamente, aqulla que minimiza la

suma de los errores cuadrados.
Frmulas para obtener los estimadores mnimos cuadrados
Pendiente:
SSxy
$ 1 =
SSxx
Origen:
129
$ 0
y - $ 1 x
x) ( y)
(
x y
n
donde
SSxy =
i= 1
x )
(
x
i =1
SSxx =
i=1
2
i
i=1
i=1
n = tamao de la muestra
Los estimadores mnimos cuadrados son los mejores que se pueden conseguir
(insesgados, eficientes y consistentes) si se cumplen ciertas hiptesis sobre (las
perturbaciones).
8.2.2.2 EJEMPLO REGRESIN LINEAL
En los ltimos diez aos, las ventas de un fabricante respecto de un determinado
producto han sido las siguientes:
Ao
Ventas 40
10
42
50
49
47
50
52
51
55
60
Determinar la recta de regresin (tendencia).

La recta vendr dada por:
y = + x donde y son las ventas x los aos
Las ecuaciones a resolver son :
y = n + x
x y = x + x
i
2
i
130
Para resolver el correspondiente sistema de ecuaciones realizamos la siguiente tabla
X
1
2
3
4
5
6
7
8
9
10
55
y
40
42
50
49
47
50
52
51
55
60
496
xy
40
84
150
196
235
300
364
408
495
600
2872
x2
1
4
9
16
25
36
49
64
81
100
385
El sistema de ecuaciones, a resolver queda como sigue:

496 = 10 + 55
2872 = 55 + 385
Luego
496 55
2872 = 55
10
+385
Una vez realizados los correspondientes clculos obtenemos que = 1745 y = 40
La recta de regresin ser: y = 40 + 1745 x
8.2.3 COEFICIENTE ALFA DE CRONBACH

El coeficiente alfa de Cronbach es un estimador de la consistencia interna de una escala
de medida. La expresin matemtica de este coeficiente es:
k
2
k
1 i 2
k 1 i =1 s
131
Donde k es el nmero de tem de la escala, s i
es la varianza del tem i y s s
es la
varianza de toda la escala.

El valor de alfa tiende a aumentar a medida que se incrementa el nmero de tem de la
escala. Este coeficiente vara entre 0 y 1, y puede tomar valores negativos cuando
existen tem correlacionados negativamente, en esta situacin el coeficiente alfa de
Cronbach no es el adecuado para medir la confiabilidad (grado en el que la medida de
una variable est libre de error aleatorio y por consiguiente proporciona resultados
consistentes).
La principal aplicacin de este ndice es medir la confiabilidad de una escala.
Un valor del coeficiente alfa de Cronbach inferior a 07 indica una baja consistencia
interna.
Cuando a < 07 nos indica que la escala mide varios fenmenos y, por consiguiente,
puede no ser apropiada para los objetivos de la investigacin; en estas circunstancias de
escalas multidimensionales suele ser mejor aplicar anlisis factorial.
8.3 RELACIN ENTRE UNA VARIABLE CUANTITATIVA Y

OTRA CUALITATIVA
8.3.1 ANLISIS DE LA VARIANZA
El anlisis de la varianza, en el anlisis bivariable, es una tcnica estadstica que
relaciona una variable cualitativa con otra cuantitativa.
Determina la existencia de diferencias significativas entre las medias de una variable
dependiente.
Es de gran utilidad en la investigacin experimental.
La variable dependiente debe estar medida en escala mtrica, mientras que la variable
independiente es cualitativa. El proceso es como sigue:
El anlisis de la varianza (ANOVA) se utiliza cuando no conocemos previamente el
comportamiento de la variable dependiente (cuantitativa) sin la influencia del factor
principal controlado (variable cualitativa).
132
8.3.1.1 MTODO ANOVA TRADICIONAL UNIDIRECCIONAL

En este mtodo, el test de significacin que se utiliza es el F, que compara los efectos de
los diferentes tratamientos recogidos por la varianza de la dispersin factorial con los
efectos de los factores controlados representados por la varianza de la dispersin
residual a travs de una relacin.
F=
Varianza . de. la. dispersin. factorial

Varianza. de. la. dispersin. residual
El examen de las diferencias entre las medias implica la descomposicin de la variacin

total observada en la variable dependiente. Luego ser:
Dispersin otal = Dispersin factorial + Dispersin residual
Y las varianzas de las dispersiones son:
1- Dispersin total
Viene dada por la siguiente frmula:
( x
ij
S t2 =
ij
n 1
donde n es el tamao de la muestra.

xij es el valor de cada uno de los datos individuales considerados
m es el valor de la media general
2- Dispersin factorial
Su expresin matemtica es:
S 2f =
(m
m)
K 1
donde mi es la media de los diferentes grupos estudiados,

m es la media general y
k es el nmero de grupos considerados
133
3- Dispersin Residual
Su formulacin es:
( x
ij
S r2 =
mi
ij
n K
donde k es el nmero de grupos considerados

mi es la media de los diferentes grupos estudiados
xij es el valor de cada uno de los datos individuales considerados
n es el tamao de la muestra
Cuando el valor de F es igual a la unidad o muy prximo a este valor, significa que las
dos dispersiones apenas difieren y, como consecuencia, se puede afirmar que los
diferentes tratamientos no han tenido eficacia.
Si el valor de F es muy superior a la unidad, se admite que el efecto de los tratamientos
ha sido eficaz.
Como el nmero de observaciones que se realizan es limitado, no podemos conocer el
valor exacto de la varianza. Por ello, el valor de F oscilar en torno a la unidad como
consecuencia de las variaciones del muestreo.
Este efecto se mitiga con la utilizacin de las tablas de Snedecor. De esta manera,
cuando el valor de F calculado es superior al valor crtico de F indicado en las tablas,
significa que los tratamientos aplicados son eficaces.
Si el valor calculado de F es inferior al valor obtenido en las tablas, esta diferencia se
debe a las variaciones de muestreo.
134
TABLA ESTADSTICA: DISTRIBUCIN DE LA F (nivel de confianza 95%)

m
n
1614
1995
2157
2246
2302
1851
19
1916
1925
1930
1013
955
928
912
901
771
694
659
639
626
661
579
541
519
505
599
514
476
4,53
439
559
474
435
412
397
532
446
407
384
369
512
426
386
363
348
10
496
410
371
348
333
11
484
398
359
336
320
12
475
389
349
326
311
13
467
381
341
318
303
14
46
374
334
311
296
15
454
368
329
306
290
denominador.
135
8.3.1.1.1 EL PROCESO DEL MTODO ANOVA UNIDIRECCION AL

Se determinan las siguientes dispersiones:
1.- Dispersin total (DT)
Mide la suma de las dispersiones.
2.- Dispersin factorial (DF)
Mide la dispersin entre los grupos creados por las diferentes alternativas del factor o
factores estudiados.
Dependiendo del tipo de experimento, pueden existir varias dispersiones factoriales,
correspondientes al factor principal y a los factores de bloque.
3.- Dispersin residual (DR)
Mide la dispersin dentro de los grupos creados por las diferentes alternativas del factor
o factores estudiados.
DT = DF + DR
DR = DT - DF
4.- Se calcula el cuadrado medio total (CMT)

Se trata de la dispersin total dividida por el nmero de grados de libertad
CMT = DT / gl
donde gl son los grados de libertad.
5.- Se calcula el cuadrado medio factorial (CMF)

Se trata de la dispersin factorial dividida por el nmero de grados de libertad.
CMF = DF / gl
Dependiendo del tipo de experimento pueden existir varias varianzas factoriales, que
corresponden al factor principal y a los factores bloque.
6.- Se calcula el cuadrado medio residual (CMR)
Se trata de la dispersin residual dividida por el nmero de grados de libertad.
CMR = DR / gl
7.- Se realiza el test de la F.
Para cada factor estudiado se calcula:
7-1.- Se calcula el estadstico F.
F = CMF / CMR
Si el valor de F es menor que uno, es decir CMF < CMR, no existe un efecto
significativo del factor estudiado sobre la variable dependiente, y por tanto no es
necesario realizar la comparacin de F con el correspondiente valor de las tablas.
136
7-2.- Se determina el valor de F en las tablas estadsticas de la distribucin de la F, en

base a los grados de libertad del numerador y del denominador.
7-3.- Se comparan ambos valores.
La hiptesis nula H0 es: NO EXISTE EFECTO SIGNIFICATIVO DEL FACTOR
ESTUDIADO.
Entonces:
Si F > Ft (tabla), se rechaza H0 y por tanto el factor estudiado tiene una influencia
significativa sobre la variable dependiente.
Si F = Ft (tabla), no se rechaza H0
EJEMPLO DE ANOVA UNIDIRECCIONAL
Vamos a desarrollar lo expuesto anteriormente mediante un caso prctico:
Un banco lleva a cabo un experimento comercial realizando tres promociones diferentes
para el lanzamiento de un nuevo producto. Estas promociones consisten en:
P1: regalo de una bicicleta, P2: regalo de un ordenador, P3: regalo de los
electrodomsticos de la cocina.
Cada promocin se prueba en cinco sucursales diferentes durante un mes. Los
resultados obtenidos, en cuanto a unidades de producto colocadas entre la clientela, se
recogen en el cuadro siguiente:
S1
S2
S3
S4
S5
P1
65
50
30
40
65
P2
30
25
15
20
35
P3
15
10
10
25
50
SOLUCIN
Definiremos las siguientes caractersticas:
Factor principal: los diferentes tipos de promocin P1, P2, P3, luego K = 3
137
Unidades experimentales: 15 (5 sucursales x 3 tipos de promocin)

Variable dependiente: unidades vendidas
Hiptesis nula (H0 ) Los resultados obtenidos son independientes del tipo de promocin,
es decir las medias de ventas de las tres promociones sern iguales.
H 0 : p1 = p 2 = p 3
Nmero total de mediciones: n=15
Nmero de mediciones por cada tratamiento (promocin) nj=5
xij= unidades fsicas vendidas en cada sucursal
mj= media de unidades vendidas por tratamiento
m= media total
Partiendo del cuadro de resultados, obtenemos los valores de mj y m, los cuales son:
S1
S2
S3
S4
S5
P1
65
50
30
40
65
250 50
P2
30
25
15
20
35
125 25
P3
15
10
10
25
50
110 22
mj
por tanto, m = 32333
Una vez obtenidos estos datos, pasamos a realizar los clculos de la tcnica ANOVA
Dispersin total:
D T

j = 1
i = 1
( x
ij
m )
Sustituyendo por los correspondientes valores obtenemos:

DT = (65 - 323)2 + (50 - 32.3)2 + (30 - 323)2 + (40 - 323)2 + (65 - 323)2 +
(30
- 323)2 + (25 - 323)2 + (15 - 323)2 + (20 - 323)2 + (35 - 323)2 + (15 - 323)2 + (10
- 323)2 + (10 - 323)2 + (25 - 323)2 + (50 - 323)2 = 4.693333
138
Dispersin factorial:
DF =
n (m
j =1
m) 2
Sustituyendo obtenemos
DF = 5(50 - 323)2 +5(25 - 323)2 +5(22 - 323)2 = 2.363333
Dispersin residual:
DR = DT - DF
Luego DR = 4.69333 - 2.36333 = 2.330
Cuadrado medio factorial (CMF):

CMF =
DF
DF
=
gl
k 1
Sustituyendo obtenemos CMF = 1.1816667

Cuadrado medio residual (CMR):
CMR =
DR
DR
=
gl
nk
Sustituyendo obtenemos CMR = 1941667
Test de la F :
F=
CMF
CMR
Sustituyendo obtenemos F= 60858
Si buscamos el valor de F en tablas para un nivel del 95% y gl = 2 y 12, obtenemos que
F = 389
Como 60858 > 389, existe un efecto significativo de los diferentes tratamientos
estudiados para un nivel de confianza del 95%.
La conclusin es que los diferentes tipos de promocin afectan significativamente a

la demanda.
Es decir rechazamos la hiptesis nula o de independencia
139
8.3.2 TEST t DE MEDIAS

El test t de medias es una prueba estadstica de contraste de hiptesis que nos permite
contrastar si existen diferencias significativas entre dos valores medios.
El proceso es
Se fija la hiptesis nula
Se fija el nivel de significacin a, normalmente 5% (Error tipo I)
Determinacin del valor observado o medido
Determinacin del valor critico
Contraste de hiptesis
Este tipo de test es aplicable en el tratamiento de muestras pequeas. (n < 30 unidades).
EJEMPLO: DIFERENCIA DE MEDIAS, DOS POBLACIONES INDEPENDIENTES

Existen sueldos medios diferentes segn el sexo del empleado? o Existe diferencia de
medias en la experiencia previa segn el sexo de los empleados?
Estadsticos del grupo
Sueldo actual en
miles de ptas.
Sexo del empleado

Hombre
Mujer
Experiencia
previa (en aos)
Hombre
Mujer
217
191
216
Media
5426,88
3361,17
1,7870
Desviacin
tp.
2729,35
1041,14
,6231
Error tp. de
la media
185,28
75,33
4,240E-02
191
1,7359
,5943
4,300E-02
Prueba de muestras independientes

Prueba de
Levene para la
igualdad de
varianzas
F
Sueldo
actual en
miles de
ptas.
Experien
cia previa
(en
aos)
Se han
asumido
varianzas
iguales
No se han
asumido
varianzas
iguales
Se han
asumido
varianzas
iguales
No se han
asumido
varianzas
iguales
80,26
1,763
Sig.
,000
,185
Prueba T para la igualdad de medias
gl
Sig.
(bilate
ral)
Diferenc
ia de
medias
Error tp
de la
diferencia
Intervalo de
confianza para la
diferencia
Inferior
Superior
9,847
406
,000
2065,71
209,78
1653,33
2478,10
10,328
284,482
,000
2065,71
200,01
1672,02
2459,40
,844
405
,399
5,1E-02
6,057E-02
-7,E-02
,1702
,846
402,675
,398
5,1E-02
6,039E-02
-7,E-02
,1698
140
9. ANLISIS DE MUESTRAS PEQUEAS

9.1 INTRODUCCIN
En muchas ocasiones, en las investigaciones de mercado no se pueden utilizar muestras
grandes. Se utilizan, pues, muestras pequeas, entendiendo por tales aqullas que tienen
menos de treinta elementos ( n < 30 ).
Una muestra se considera grande cuando tiene ms de 30 elementos para la media (m) y
para la proporcin (p). Para la determinacin del resto de estadsticos, se considera
grande la que tiene ms de 100 elementos. En este captulo consideramos como muestra
pequea la que tiene menos de 30 elementos.
Recordemos que para las muestras de ms de treinta elementos ( n > 30 ), la mayora de
los estadsticos muestrales se ajustan a la distribucin normal o de Gauss. En cambio,
por regla general, cuando n < 30, la distribucin muestral no sigue la distribucin
normal, sino la denominada t de Student.
9.2 DISTRIBUCIN t DE STUDENT

La distribucin t de Student es una distribucin de mucha dispersin (variabilidad),
teniendo ms variabilidad cuanto menor es el tamao (n) de la muestra, o sea, cuantos
menos grados de libertad existan. Recordemos que los grados de libertad son gl = n - 1.
Siendo n el tamao de la muestra.
Si comparamos la distribucin t de Student con la curva normal de Gauss, observaremos
que la de Student resulta ms baja en el centro y ms alta en las colas.
Es decir, en la distribucin normal existen ms datos alrededor del valor central que en
una distribucin t de Student, tal como se indica en la figura:8
8 Robert Jonson y Patricia Kuby Estadstica elemental Lo esencial. Editorial Thomson 1998
141
Fig.: Comparacin entre curva normal y t de Student
La distribucin t de Student se representa por la siguiente funcin matemtica:

Y=
Y0
t 2 n2
(1 + )
gl
Donde Yo es una ordenada constante que depende del tamao n de la muestra, gl son los
grados de libertad n - 1, y t es la razn critica que viene dada por:
t=
estadstic o - parmetro
error tpi co
Por ejemplo, en el caso de la media vendr dado por:

t=
m
m
=
x n 1
s
s
n 1
Donde m es la media muestral, es la media de la poblacin o universo, n es el tamao

de la muestra y s es la desviacin tpica (cuasidesviacin tpica) de la muestra.
La razn crtica t tiene una distribucin diferente segn el nmero de grados de libertad
(n - 1). Sucediendo que, a partir de 30 grados de libertad, la distribucin t es muy
similar a la normal.
Para interpretar cada t es preciso consultar la tabla correspondiente de la t de Student,
teniendo en cuenta los grados de libertad y el nivel de confianza exigido, para que la
razn crtica t obtenida resulte significativa.
142
9.2.1 FIABILIDAD DE UN ESTADSTICO

Para el caso de tratar de determinar la fiabilidad de un estadstico correspondiente a una
muestra pequea, el procedimiento es muy similar al seguido con las muestras que
siguen la distribucin normal. Vamos a considerar el caso de la media, para un nivel de
confianza C. La distribucin t de Student tambin cumple que:
m- = tc m
siendo:
s
gl
m =
Donde m es la media muestral, s la desviacin tpica de la muestra, gl los grados de

libertad n - 1, la media del universo o poblacin y m el error tpico de la distribucin
muestral.
El intervalo en el que se encontrar la media del universo para un nivel de confianza C
ser:
s
n 1
m tC
Para un nivel de confianza del 95%, es decir, el 95 % de la medias de las muestras

pequeas, no tendrn una diferencia respecto de la verdadera media de la poblacin
mayor que :
t 005 *
s
n 1
Por consiguiente, dada una media (m) de una muestra, con el 95% de probabilidades de
acertar se cumple que:
t0 05
m
t
s n 1 005
De donde se deduce que la media de la poblacin se encuentra en el siguiente

intervalo
m t 0 05
s
s
m + t0 05
n 1
n 1
143
9.2.2 SIGNIFICACIN DE LA MEDIA DE MUESTRAS PEQUEAS Y SU

FIABILIDAD
Para verificar hiptesis acerca de la verdadera media del universo o simplemente
averiguar los intervalos entre los que se encuentra comprendida para un determinado
nivel de confianza, el procedimiento que hay que seguir, conociendo la media de una
muestra pequea, es similar al del caso de la distribucin normal, salvo que hay que
determinar la razn crtica tc, en vez de la razn crtica Z, consultando este valor tc en la
tabla. Vamos a clarificar lo expuesto con un caso prctico.
CASO PRCTICO
Tomamos una muestra de 17 personas. Preguntados acerca de la cuestin, obtenemos
los siguientes resultados: para la media y la desviacin tpica, m =50 y s = 7. Queremos
saber si la verdadera media para la poblaci n puede ser 55, para un nivel de
significacin del 1 %.
Solucin:
En este caso, las hiptesis de trabajo sern: H0 : m1 = m2 y la alternativa H1 : m 55
El estadstico de contraste es:
t = (estadstico - parmetro) / error tpico
El error tpico es:
s
7
m =
=
= 17
17
1
gl
Por tanto la razn crtica t ser:
t = (50-55)/1'7 = - 2'857
Consultando en la tabla obtenemos que para 16 grados de libertad y un nivel de
confianza de 001, el valor de la razn crtica es:
t0'01 = - 2'583
Como el valor obtenido es mayor (en valor absoluto) que el de las tablas
2857 > 2583 Rechazamos la H0
Podemos afirmar con el 99% de probabilidades que no es posible que la media de la
poblacin sea 55.
144
Fiabilidad: la media de la poblacin estar comprendida en: m t0'01 m

Sustituyendo por los valores obtendremos: 50 2583 x 17 = 50 452
Luego la media del universo estar comprendida entre 5452 y 4548
Es decir 4548 < < 5452 Conclusin no es posible que la media sea 55
9.2.3 SIGNIFICACIN DE LA DIFERENCIA DE MEDIAS EN MUES TRAS
PEQUEAS INDEPENDIENTES
El objetivo de este tipo de estudio es averiguar si la diferencia entre las medias de dos
muestras independientes puede ser nula.
El clculo de la razn crtica viene dado por:
t = diferencia de medias / error tpico
Hay que comparar este valor calculado de la razn crtica con el de las tablas, para el
nmero de grados de libertad correspondiente, que ser: gl = n1 + n2 - 2; donde n1 y n2
son el tamao de las muestras 1 y 2 respectivamente.
El error tpico se calcula mediante la siguiente frmula:
n1s12 + n2 s22 n1 + n2
m m =
gl
n1n2
gl = n1 + n2 2
1
CASO PRCTICO
Realizamos un estudio de mercado sobre dos muestras diferentes, obtenindose los
siguientes resultados:
Muestra 1
Muestra 2
Tamao, n
14
Media, m
50
45
Error tpico, s
Queremos determinar si existe una diferencia significativa de las medias, para un nivel
de significacin del 5%.
Solucin:
La hiptesis nula ser H0 : m1 = m2 y la alternativa H1 : m1 m2
145
El nmero de grados de libertad es:

gl = 8 + 14 - 2 = 20
Para un nivel de significacin del 5%, el valor de la razn crtica en tablas es
t005 = 1725.
De conformidad con los resultados de la investigacin comercial, el valor de la razn
crtica t ser:
t = diferencia de las medias / error tpico
Aplicando la frmula del error tp ico obtenemos:
852 + 1442 8 + 14
12 =
= 204
20
814
Luego el valor de t ser:
t = ( 50 - 45 ) / 204 = 245
Como t 245 > t005 1725, podemos afirmar que s que hay una diferencia significativa
entre ambas muestras. Es decir, rechazamos la hiptesis nula.
9.2.4 SIGNIFICACIN DE LA DIFERENCIA DE MEDIAS DE MUESTRAS
PEQUEAS RELACIONADAS
Al estar las muestras relacionadas, el error tpico de las diferencias entre las medias es
menor que en el caso de muestras independientes.
Este tipo de relacin suele darse cuando se estudia una misma muestra en tiempos
diferentes. Por ejemplo, estudiamos la misma muestra antes y despus de una campaa
publicitaria (experimento). Tambin pueden ser grupos diferentes, en los que se han
emparejado previamente sus componentes, de manera tal que cada uno tiene una rplica
casi idntica en el otro grupo.
Vamos a ver cmo se resuelve esta cuestin mediante la solucin de un caso prctico.
CASO PRCTICO
Realizamos una investigacin de mercado, en una serie de establecimientos
comerciales, acerca de la evolucin de la venta del producto A, antes y despus de
realizarse una campaa publicitaria.
Los resultados obtenidos se resumen en la tabla 1.
146
Se quiere conocer si la media de la segunda medicin es significativamente diferente de

la media obtenida antes de la campaa, para un nivel de significacin del 1%.
Muestra n
Tabla Resultados
Ventas antes de la Ventas despus de la Diferencia d (d - md )2
campaa
campaa
18
22
25
30
17
15
-2
16
30
32
15
17
16
17
Total
121
133
12
30
Medias
m1 = 202
M2 = 222
md= 2
Solucin:
Las hiptesis de este supuesto sern:
H0 : m1 = m2 y la alternativa H1 : m1 m2
Procederemos realizando los pasos siguientes:
1. Calculamos la desviacin tpica de las diferencias
Sd =
( d md ) 2
n
30
6 = 224
2. Calculamos el error tpico de la media de las diferencias
d =
sd
224
=
=1
n 1
6 1
3. Determinamos la razn crtica t

t=
md
d
2
=2
1
147
4. Buscamos en la tabla
Para un nivel de significacin del 1% y 5 grados de libertad, obtenemos el siguiente
resultado: t001 = 3365
Como el resultado obtenido es 2 < 3365, NO podemos rechazar la hiptesis nula, por
consiguiente no podemos afirmar que la diferencia de medias sea significativa.
9.2.5 SIGNIFICACIN DE LA DIFERENCIA DE DESVIACIONES TPICAS
DE MUESTRAS RELACIONADAS
Cuando dos muestras, grandes o pequeas, estn relacionadas y se quiere conocer si sus
respectivas desviaciones tpicas tienen una diferencia significativa, es necesario
determinar la razn crtica t de Student. Se hace mediante la siguiente frmula:
t=
(s
s22 ) n 2
2 s1s2 1 r122
2
1
Donde n es el tamao total de las muestras, s1 y s2 son las desviaciones tpicas de las
muestras 1 y 2 respectivamente, y r12 es el coeficiente de relacin entre ambas muestras.
Si la razn crtica t calculada es mayor que la de las tablas, decimos que la diferencia s
es significativa al nivel de confianza utilizado.
CASO PRCTICO
Supongamos que trabajamos con una muestra de 51 personas a las que sometemos
inicialmente a un experimento, obtenindose un desviacin tpica s1 = 6. Un mes
despus se les somete al mismo experimento y se obtiene una s2 = 5. El coeficiente de
relacin es de r12 =06. Nivel de significacin del 1%.
Solucin: H0 : s1 = s2 y la alternativa H1 : s1 s2
t=
( 62 52 ) 51 2
265 1 062
= 1604
El valor de t para 49 gl y el 1% es, aproximadamente, 242.

Como 1604 < 242 , no podemos rechazar H0. No hay una diferencia significativa.
148
9.3 SIGNIFICACIN Y FIABILIDAD DEL COEFICIENTE DE

CORRELACIN R DE PEARSON PARA MUESTRAS PEQUEAS
Para determinar la fiabilidad del coeficiente r de Pearson en muestras pequeas,
necesitamos conocer el error tpico de la distribucin muestral de la r de Pearson.
Las frmulas que se van a utilizar son:
1 r2
r =
n2
rN = r tr
Si r >08 la distribucin es asimtrica y se trabaja en base a la Z de Fisher, para trabajar
de esta forma con las caractersticas de la normal. El error tpico en este caso vendr
dado por:
Z =
1
n3
CASO PRCTICO
Tenemos 20 pares de datos (n = 20), entre los cuales existe una correlacin r = 06. Hay
que determinar la fiabilidad de este coeficiente a un nivel de significacin del 5%.
Solucin:
Mirando en las tablas para un nivel del 5% y gl = 20 - 2 = 18 obtenemos t = 1734
1 r2
1 036
r =
=
= 0189
n2
18
rN = r tr = o6 17340189
= 06 033
La variabilidad del coeficiente est entre 093 y 027; como puede observarse es muy
amplia, esto nos indica que es recomendable trabajar con una muestra grande.
149
9.3.1 SIGNIFICACIN DE LA DIFERENCIA ENTRE COEFICIENTES DE

CORRELACIN OBTENIDOS EN MUESTRAS RELACIONADAS
Cuando entre dos muestras o entre variables de una misma muestra existe una
correlacin, la razn critica se calcula de acuerdo con la siguiente frmula:
t=
(r
r13 ) n 3 1 + r23
2 1 r122 r132 r232 + 2r12 r13 r23
12
CASO PRCTICO
En un estudio sobre una muestra de 50 personas, encontramos una correlacin entre el
sexo y la lectura de un determinado peridico, con va lor r = 072, y entre el sexo y la
intencin de voto a un determinado partido poltico, r = 078, si la correlacin entre el
peridico y el voto al partido poltico es r = 06. Queremos conocer si hay diferencia
significativa entre r = 072 y r = 078, a un nivel de significacin del 5%
Solucin:
El valor de la razn crtica t ser
t=
( 072 078) 50 3 1 + 06
2 1 0722 0782 062 + 207207806
= 1958
En tablas para 47 grados de libertad y 5% obtenemos tc = 167

Como 1958 > 167 deberemos rechazar la hiptesis nula a un nivel del 5%, es decir,
tenemos el 95% de probabilidades de que la diferencia entre los dos coeficientes no sea
cero. Por consiguiente r = 078 es mayor significativamente que r = 072.
150
TABLA ESTADSTICA: DISTRIBUCIN t DE STUDENT

Valores de la funcin de distribucin
g.l. = grados de libertad
tc tal que p(t<=tc)=p
Probabilidad p
g.l.
0,995 0,990
0,975 0,950 0,900 0,800 0,750 0,700
1
63,657 31,821 12,706 6,314 3,078 1,376 1,000 0,727
2
9,925 6,965
4,303 2,920 1,876 1,061 0,816 0,617
3
5,841 4,451
3,183 2,353 1,638 0,978 0,765 0,584
4
4,604 3,747
2,786 2,132 1,533 0,941 0,741 0,569
5
4,032 3,365
2,571 2,015 1,478 0,920 0,727 0,559
0,600
0,325
0,289
0,277
0,271
0,267
0,550
0,158
0,142
0,137
0,134
0,132
6
7
8
9
10
3,707
3,499
3,355
3,250
3,169
3,143
2,998
2,895
2,821
2,764
2,457
2,365
2,306
2,262
2,228
1,943
1,895
1,860
1,833
1,812
1,440
1,415
1,397
1,383
1,372
0,906
0,896
0,889
0,883
0,879
0,718
0,711
0,706
0,703
0,700
0,553
0,549
0,546
0,543
0,542
0,265
0,263
0,262
0,261
0,260
0,131
0,130
0,130
0,129
0,129
11
12
13
14
15
3,106
3,055
3,012
2,987
2,947
2,728
2,681
2,650
2,624
2,602
2,201
2,179
2,160
2,145
2,131
1,796
1,782
1,771
1,761
1,753
1,363
1,356
1,350
1,345
1,341
0,876
0,873
0,870
0,868
0,866
0,697
0,695
0,694
0,692
0,691
0,540
0,539
0,538
0,537
0,536
0,260
0,259
0,259
0,258
0,258
0,129
0,128
0,128
0,128
0,128
16
17
18
19
20
2,921
2,898
2,888
2,861
2,845
2,583
2,567
2,552
2,539
2,528
2,120
2,110
2,101
2,093
2,086
1,746
1,740
1,734
1,729
1,725
1,337
1,333
1,330
1,328
1,325
0,865
0,863
0,862
0,861
0,860
0,690
0,689
0,688
0,688
0,687
0,535
0,534
0,534
0,533
0,533
0,258
0,257
0,257
0,257
0,257
0,128
0,128
0,127
0,127
0,127
21
22
23
24
25
2,831
2,819
2,807
2,797
2,787
2,518
2,508
2,500
2,492
2,485
2,080
2,074
2,069
2,064
2,060
1,721
1,717
1,714
1,711
1,708
1,323
1,321
1,319
1,318
1,316
0,859
0,858
0,858
0,857
0,856
0,686
0,686
0,685
0,685
0,684
0,532
0,532
0,532
0,531
0,531
0,257
0,256
0,256
0,256
0,256
0,127
0,127
0,127
0,127
0,127
26
27
28
29
30
2,779
2,771
2,763
2,756
2,750
2,479
2,473
2,467
2,462
2,457
2,056
2,052
2,048
2,045
2,042
1,706
1,703
1,701
1,699
1,697
1,315
1,314
1,313
1,311
1,310
0,856
0,855
0,855
0,854
0,854
0,684
0,684
0,683
0,683
0,683
0,531
0,531
0,530
0,530
0,530
0,256
0,256
0,256
0,256
0,256
0,127
0,127
0,127
0,127
0,127
40
60
2,704 2,423
2,660 2,390
2,021
2,000
1,684 1,303 0,851 0,681 0,529

1,671 1,296 0,848 0,679 0,527
0,255
0,254
0,126
0,126
151
9.4 DISTRIBUCIN CHI CUADRADO (2 )

Si consideramos una poblacin normal N y tomamos las variables x1 x2 x3 .....xn con
media y desviacin tpica , es decir N(; ), si tomamos muchsimas muestras de
tamao n y desviacin tpica s y calculamos para cada una de ellas el valor de:
ns2
= 2
2
obtenemos una distribucin muestral de 2 .

El aspecto ms interesante de esta distribucin es constatar su dependencia de los
grados de libertad y su utilidad para resolver problemas acerca de la desviacin tpica
de la poblacin, conociendo la desviacin tpica s de la muestra pequea.
Para interpretar un determinado valor de 2 acudimos a las tablas correspondientes,
teniendo en cuenta los grados de libertad y el nivel de confianza. Los grados de libertad
son n 1. Si s es menos que habr que mirar a la izquierda, y si s>, habr que mirar
a la derecha.
CASO PRCTICO 1
De un universo normal con desviacin tpica 14 se toma una muestra de 20 elementos y
se obtiene una desviacin tpica de 17. Est bien tomada la muestra?
Solucin:
Aplicando la frmula
ns2 20172
= 2 = 142 = 2949
2
Tomamos en tablas para 19 grados de libertad y significacin del 5% y obtenemos el

valor 30144. Como este valor es mayor que el calculado, podemos pensar con un 95%
de probabilidades que la muestra est bien tomada.
152
CASO PRCTICO 2
Una muestra de 25 elementos tomada de una poblacin normal, nos da una desviacin
tpica de s = 15. En qu intervalo encontraremos la desviacin tpica de la poblacin?
Intervalo de confianza 96%, es decir 2% a cada lado de la distribucin 2
Solucin:
Para el intervalo objeto de estudio se cumplir que:
2
ns 2
0 98
ns
2
002
2
ns 2
2
002
098
Sustituyendo:
25 15 2

11992
25 15 2
40270
Luego podemos afirmar que la desviacin tpica de la poblacin, con un error del 4%, se
encuentra entre 21657 y 11818.
153
TABLA ESTADSTICA: DISTRIBUCIN DE 2

2 c tal que p(2 <=2 c)=p
Probabilidad p
g.l.
0,995 0,990 0,975 0,950 0,900 0,500
1
7,88 6,63
5,02
3,84 2,71
0,45
2
10,60 9,21
7,38
5,99 4,61
1,39
3
12,84 11,34 9,35
7,81 6,25
2,37
4
14,86 13,28 11,14 9,49 7,78
3,36
5
16,75 15,09 12,83 11,17 9,24
4,25
0,100
0,01
0,21
0,58
1,06
1,61
0,050
0,00
0,10
0,35
0,71
1,15
0,025
0,00
0,05
0,22
0,48
0,83
0,010
0,00
0,02
0,12
0,30
0,55
0,005
0,00
0,01
0,07
0,21
0,41
6
7
8
9
10
18,55
20,28
21,96
23,59
25,19
16,81
18,48
20,09
21,67
23,21
14,45
16,01
17,53
19,02
20,48
12,69
14,07
15,51
16,92
18,31
10,64
12,02
13,36
14,68
15,99
5,35
6,35
7,34
8,34
9,34
2,20
2,83
3,49
4,17
4,87
1,64
2,17
2,73
3,33
3,94
1,24
1,69
2,18
2,70
3,25
0,87
1,24
1,65
2,09
2,56
0,68
0,99
1,34
1,73
2,16
11
12
13
14
15
26,76
28,30
29,82
31,32
32,80
24,73
26,22
27,69
29,14
30,58
21,92
23,34
24,74
26,12
27,49
19,68
21,03
22,36
23,68
25,00
17,28
18,55
19,81
21,06
22,31
10,34
11,34
12,34
13,34
14,34
5,58
6,30
7,04
7,79
8,55
4,57
5,23
5,89
6,57
7,26
3,82
4,40
5,01
5,63
6,26
3,05
3,57
4,11
4,66
5,23
2,60
3,07
3,57
4,07
4,60
16
17
18
19
20
34,27
35,72
37,16
38,58
40,00
32,00
33,41
34,81
36,29
37,67
28,85
30,19
31,53
32,85
34,27
26,30
27,59
28,87
30,14
31,41
23,54
24,77
25,99
27,20
28,41
15,34
16,34
17,34
18,34
19,34
9,31
10,09
10,86
11,65
12,44
7,96
8,67
9,39
10,12
10,85
6,91
7,56
8,23
8,91
9,59
5,81
6,41
7,01
7,63
8,26
5,14
5,70
6,26
6,84
7,43
21
22
23
24
25
41,40
42,80
44,18
45,56
46,93
38,93
40,29
41,64
42,98
44,31
35,48
36,78
38,08
39,36
40,65
32,67
33,92
35,17
36,42
37,65
29,62
30,81
32,01
33,20
34,38
20,34
21,34
22,34
23,34
24,34
13,24
14,04
14,85
15,66
16,47
11,59
12,34
13,09
13,85
14,61
10,28
10,98
11,69
12,40
13,12
8,90
9,54
10,20
10,86
11,52
8,03
8,64
9,26
9,89
10,52
26
27
28
29
30
48,29
49,64
50,99
52,34
53,67
45,64
46,96
48,28
49,59
50,89
41,92
43,29
44,46
45,72
46,98
38,89
40,11
41,34
42,56
43,77
35,56
36,74
37,92
39,09
40,26
25,34
26,34
27,34
28,34
29,34
17,29
18,11
18,94
19,77
20,60
15,38
16,15
16,93
17,71
18,49
13,84
14,57
15,31
16,05
16,89
12,20
12,83
13,56
14,26
14,96
11,16
11,81
12,46
13,12
13,78
40
60
66,77 63,69
91,95 88,38
59,34
83,30
55,76 51,81
79,08 74,40
39,34
59,34
29,05 26,51
46,56 43,19
24,43
40,48
22,16 20,71
37,43 35,58
154
9.5 DISTRIBUCIN F DE FISHER

Cuando estudiamos la significacin de la diferencia de las desviaciones tpicas de dos
muestras pequeas independientes obtenidas de una misma poblacin, podemos extraer
consecuencias averiguando si las diferencias entre las desviaciones tpicas pueden ser 0
por azar o no, en cuyo caso concluiremos que una muestra posee caractersticas propias
que la hacen ser diferente de la otra.
La distribucin F de Fisher es la razn entre dos estimaciones de la varianza de la
poblacin y sirve para poner a prueba el hecho de que dos estimaciones lo sean
realmente de una varianza igual.
El proceso consiste en saber si una razn F, calculada entre dos muestras determinadas,
es compatible con la hiptesis de que ambas muestras procedan de una nica poblacin
y slo difieran entre s por azar.
Una vez calculada la F es necesario acudir a las correspondientes tablas, teniendo en
cuenta los grados de libertad correspondientes a cada muestra (n - 1) y el nivel de
significacin, normalmente el 5%.
Si la F calculada resulta mayor que la F de tablas a un nivel de significacin del 5%,
podemos afirmar que F no puede darse ni en el 5% de los caso; es decir, las dos
muestras son significativamente diferentes, no pudiendo resultar iguales por azar ni en
el 5% de los casos.
Para el clculo se utiliza la siguiente frmula:
( xi m1 )
s12
F= 2 =
s2
n1 1
2
( xi m2 )
n2 1
En el numerador se pone siempre la varianza mayor.
155
CASO PRCTICO
Los resultados correspondientes a dos muestras pequeas son los que se recogen en la
tabla siguiente. Pertenecen ambas muestras al mismo universo? Nivel de significacin
= 5%.
n1
n2
20
19
17
20
16
18
14
30
20
25
18
27
= 132
= 112
m1 = 1886
m2 = 224
(s1 )2 = 175
(s2 )2 = 269
Los valores de m y s se han aproximado a dos y un decimal.

Si ambas muestras pertenecen a un mismo universo, las estimaciones respectivas de la
varianza no podrn ser significativamente diferentes.
El valor de F de tablas, para un nivel de confianza del 5% y siendo los grados de
libertad 4 y 6, obtenemos que: Ft = 453
El valor de F en este estudio es de
s22 269
F = s2 = 175 = 1537
= 154
1
Como 154 es menor que 453, podemos decir que ambas muestras corresponden a una
misma poblacin.
156
TABLA ESTADSTICA: DISTRIBUCIN DE LA F

m
n
1614
1995
2157
2246
2302
1851
19
1916
1925
1930
1013
955
928
912
901
771
694
659
639
626
661
579
541
519
505
599
514
476
4,53
439
559
474
435
412
397
532
446
407
384
369
512
426
386
363
348
10
496
410
371
348
333
11
484
398
359
336
320
12
475
389
349
326
311
13
467
381
341
318
303
14
46
374
334
311
296
15
454
368
329
306
290
denominador.
157
10. TEST PARAMTRICOS

10.1 INTRODUCCIN
Los test o pruebas paramtricas son tcnicas que se fundamentan en varios supuestos
que casi nunca son confirmados, debido, fundamentalmente, a que se desconocen las
caractersticas de la poblacin -o universo- de la que se obtienen los datos. Estos
supuestos o condiciones son:
Las variables consideradas de la poblacin siguen una distribucin estadstica

determinada. Suele ser la norma.
Las variables objeto de estudio deben estar medidas al menos en escala de

intervalo
El tamao muestral ha de ser suficientemente grande , es decir ms de 30

unidades
En el caso de dos poblaciones, estas han de tener varianzas similares
Las muestras normalmente son independientes
En caso de muestras pareadas, se utiliza el test t para pareados
10.2 TIPOS DE TEST PARAMTRICOS

Se distingue entre las siguientes modalidades de test paramtricos:
10.2.1 CONTRASTES PARA UNA MUESTRA
Test Z. Est basado en la distribucin normal y se utiliza para contrastar estadsticos de
una distribucin con respecto a valores de parmetros del universo. El paquete
estadstico calcula el valor de Z y luego calcula la probabilidad asociada al mismo. Se
compara la probabilidad con el nivel de significacin seleccionado, no se rechaza la H0
en el caso de que la probabilidad sea mayor que dicho nivel. Se acepta la hiptesis
alternativa cuando la probabilidad es menor que el nivel de confianza.
Test t. Se basa en la t de Student. Parte del conocimiento de la media de la muestra y de
la desviacin tpica de la media y de la media del universo. La interpretacin de los
resultados es idntica al test Z.
158
10.2.2 CONTRASTES PARA DOS MUESTRAS INDEPENDIEN TES

Test t para dos grupos independientes. Se aplica a variables medidas en escalas de
intervalo o de razn. Se utiliza para contrastar si dos muestras independientes proceden
de poblaciones con la misma media.
Test F (F de Barlett Box). Se utiliza para contrastar si las muestras proceden de
poblaciones con idnticas varianzas. Realiza el cociente entre las medias cuadrticas de
las dos muestras, teniendo en cuenta el nmero de grados de libertad del numerador y
del denominador, asignando as la probabilidad.
10.2.3 CONTRASTES PARA DOS MUESTRAS RELACIONADAS
Test t para pareado. Se utiliza para comprobar si dos muestras provienen de
poblaciones con igual media.
10.2.4 PRUEBAS MS UTILIZADAS
Las pruebas ms utilizadas son: test de la media, test de diferencias de medias en
muestras independientes, test de proporciones, test de diferencia de proporciones y test
de muestras relacionadas. A continuacin explicaremos cada uno de ellos.
10.3 TEST DE LA MEDIA

Se utiliza para comparar la media obtenida de una muestra con la que se presupone de la
poblacin. Tambin se utilizar para determinar si dos muestras han sido extradas de la
misma poblacin. Se utilizan las pruebas Z y t.
10.3.1 PRUEBA Z
Esta prueba es adecuada en los siguientes casos:
La distribucin del universo es normal, conocemos la varianza, la muestra puede ser
pequea o grande.
La distribucin del universo es normal, desconocemos la varianza, la muestra es grande
(+ de 30 elementos).
La distribucin no es normal, pero el tamao de muestra es lo suficientemente grande.
Aplicando el teorema central del lmite la distribucin se aproxima a la normal.
159
El estadstico a utilizar tiene la siguiente frmula:
Z=
Donde m es la media de la muestra, es la media de la poblacin y es la desviacin

tpica del universo. Cuando no conocemos la varianza de la poblacin, la desviacin
tpica se estima mediante la siguiente frmula:
S
n
n
S=
(xi m)2
i =1
n 1
Donde n es el tamao de la muestra s es la desviacin tpica de la media muestral m es

la media de la muestra, es la media de la poblacin y es la desviacin tpica del
universo (n - 1 son los grados de libertad).
El valor terico de Z es para el 5% de significacin 196 y para el 1% es 258
10.3.2 PRUEBA t
Esta prueba es adecuada en los siguientes casos:
La distribucin del universo o poblacin es normal
La varianza es desconocida
El tamao de muestra es pequeo. Si es grande, se aplica la prueba Z
El estadstico a utilizar tiene la siguiente frmula:
m
Sm
con n 1 grados de libertad
t=
El valor terico tabulado del estadstico t se recoge en la tabla siguiente:
160
TABLA ESTADSTICA: DISTRIBUCIN t DE STUDENT

tc tal que p(t<=tc)=p
g.l.
1
2
3
4
5
0,995 0,990
0,975
63,657 31,821 12,706

9,925 6,965 4,303
5,841 4,451 3,183
4,604 3,747 2,786
4,032 3,365 2,571
Probabilidad p
0,950 0,900 0,800
0,600
0,550
6,314
2,920
2,353
2,132
2,015
3,078
1,876
1,638
1,533
1,478
1,376
1,061
0,978
0,941
0,920
0,750 0,700
1,000
0,816
0,765
0,741
0,727
0,727
0,617
0,584
0,569
0,559
0,325
0,289
0,277
0,271
0,267
0,158
0,142
0,137
0,134
0,132
6
7
8
9
10
3,707
3,499
3,355
3,250
3,169
3,143
2,998
2,895
2,821
2,764
2,457
2,365
2,306
2,262
2,228
1,943
1,895
1,860
1,833
1,812
1,440
1,415
1,397
1,383
1,372
0,906
0,896
0,889
0,883
0,879
0,718
0,711
0,706
0,703
0,700
0,553
0,549
0,546
0,543
0,542
0,265
0,263
0,262
0,261
0,260
0,131
0,130
0,130
0,129
0,129
11
12
13
14
15
3,106
3,055
3,012
2,987
2,947
2,728
2,681
2,650
2,624
2,602
2,201
2,179
2,160
2,145
2,131
1,796
1,782
1,771
1,761
1,753
1,363
1,356
1,350
1,345
1,341
0,876
0,873
0,870
0,868
0,866
0,697
0,695
0,694
0,692
0,691
0,540
0,539
0,538
0,537
0,536
0,260
0,259
0,259
0,258
0,258
0,129
0,128
0,128
0,128
0,128
16
17
18
19
20
2,921
2,898
2,888
2,861
2,845
2,583
2,567
2,552
2,539
2,528
2,120
2,110
2,101
2,093
2,086
1,746
1,740
1,734
1,729
1,725
1,337
1,333
1,330
1,328
1,325
0,865
0,863
0,862
0,861
0,860
0,690
0,689
0,688
0,688
0,687
0,535
0,534
0,534
0,533
0,533
0,258
0,257
0,257
0,257
0,257
0,128
0,128
0,127
0,127
0,127
21
22
23
24
25
2,831
2,819
2,807
2,797
2,787
2,518
2,508
2,500
2,492
2,485
2,080
2,074
2,069
2,064
2,060
1,721
1,717
1,714
1,711
1,708
1,323
1,321
1,319
1,318
1,316
0,859
0,858
0,858
0,857
0,856
0,686
0,686
0,685
0,685
0,684
0,532
0,532
0,532
0,531
0,531
0,257
0,256
0,256
0,256
0,256
0,127
0,127
0,127
0,127
0,127
26
27
28
29
30
2,779
2,771
2,763
2,756
2,750
2,479
2,473
2,467
2,462
2,457
2,056
2,052
2,048
2,045
2,042
1,706
1,703
1,701
1,699
1,697
1,315
1,314
1,313
1,311
1,310
0,856
0,855
0,855
0,854
0,854
0,684
0,684
0,683
0,683
0,683
0,531
0,531
0,530
0,530
0,530
0,256
0,256
0,256
0,256
0,256
0,127
0,127
0,127
0,127
0,127
40
60
2,704
2,660
2,423
2,390
2,021
2,000
1,684
1,671
1,303
1,296
0,851
0,848
0,681
0,679
0,529
0,527
0,255
0,254
0,126
0,126
161
EJEMPLOS:
Caso 1
Un panadero quiere lanzar un nuevo producto. Para que el proyecto sea viable, requiere
de unas ventas mnimas de 80 Kg. semanales por establecimiento. Realiza un estudio de
mercado seleccionando 10 establecimientos representativos de su clientela. Los
resultados del estudio son los relacionados en la siguiente tabla.
Cliente
Consumo en Kg Cliente
Consumo en Kg.
130
70
118
120
60
97
75
150
100
10
90
Suponemos que la venta se distribuye de acuerdo con la normal. Trabajamos con un

nivel de significacin del 5% Cul sera tu recomendacin?
Solucin9
Desconocemos la varianza del universo y se trata de una muestra pequea, por lo que el
test apropiado sera el t.
Hiptesis
La hiptesis nula ser H0 : 80 y la hiptesis alternativa ser H1 : > 80
El estadstico a calcular es:
m
Sm
con n 1 grados de libertad
t=
9 En los clculos utilizamos dos decimales. pasando de cinco aumentamos una unidad.
162
El tamao de la muestra es n = 10, luego los grados de libertad sern gl = 10 - 1 = 9

La media muestral ser
x
n
m = i =1n =
130 + 118 + 60 + 75 + 100 + 70 + 120 + 97 + 150 + 90

= 101
10
La media del universo ser = 80

La desviacin tpica es
S
n
n
S=
(xi m)2
i =1
n 1
Sustituyendo obtenemos que S = 2857 y = 904
El valor del estadstico t ser
t=
m 101 80
Sm = 904 = 2323
Para un nivel de significacin del 5% y 9 grados de libertad, el valor de tablas de tt es de

1833. Como el valor calculado 2323 es mayor que el terico de tablas, se rechaza la
hiptesis nula; por lo tanto, el proyecto es viable.
Caso 2
Supongamos que el panadero realiza el estudio con una muestra de 1100
establecimientos, obteniendo una media muestral m = 97 y una Sm =92.
En este caso, se trata de una muestra grande en la que desconocemos la varianza del
universo. Se debe aplica,r por tanto, el test Z.
Z=
m 97 80
= 185
= 92 = 18478
Como el valor obtenido en menor que el terico Z=196, no rechazaramos la H0 . En

principio y salvo otros criterios, el proyecto no es viable.
163
DISTRIBUCIN NORMAL TIPIFICADA
164
10.3.3 PRUEBA DE DIFERENCIA DE MEDIAS INDEPENDIENTES.

A su vez se divide en funcin de si la varianza del universo es conocida o desconocida
10.3.3.1 CON VARIANZA CONOCIDA
Si se conoce la varianza por algn estudio previo y la distribucin es normal, se aplicar
la prueba Z si la muestra es grande y el test t si la muestra es pequea.
El estadstico correspondiente es
m mb
Z = a
ma mb
Siendo ma mb
a2 b2
= n +n
a
b
Donde ma y b representa las medias de las muestras a y b, na y b representan el tamao

para las muestras a y b.
ma mb es el error estndar y a
y b
las correspondientes
desviaciones tpicas de la poblacin a y b.

EJEMPLO:
Realizado un estudio sobre 1.000 hogares, se comprueba que la compra media mensual
de detergente lquido ha sido de 7.000 cajas, con una desviacin tpica de 49 cajas.
Se realiza una campaa de comunicacin. Se hace un nuevo estudio de mercado, con
una muestra de 2.000 hogares, obtenindose los siguientes resultados: venta media
mensual 7.500 cajas con una desviacin tpica de 15 cajas.
Podemos afirmar que la campaa ha sido eficaz a un nivel del 1%.
Solucin:
m1 = 7.500
s m1 s m2 =
s1 = 15
n1 = 2.000
m2 = 7.000
s2 = 49
n2 = 1.000
15 2
49 2
+
= 159
2000 1000
Diferencia Observada 7500 7000

=
= 3145
Error Estndar
159
Como 3145 > 258, podemos decir que la campaa ha sido eficaz.
165
10.3.3.2 CON VARIANZAS DESCONOCIDAS

En este caso, se estima la desviacin tpica poblacional a partir de las muestrales.
Cuando se trata de una distribucin normal pero el tamao de muestra es pequeo, el
estadstico adecuado es el test t con (na + nb - 1) grados de libertad. En el caso de que la
muestra sea grande, se utiliza el test Z.
Si la distribucin no es normal y la muestra es pequea se deben aplicar test no
paramtricos. Si la muestra es grande por el teorema central del lmite se admite la
normalidad.
El error estndar en este caso es:
Sm
a mb
= s +s
2
ma
2
mb
sa2 sb2
+
na nb
Si las varianzas, an siendo desconocidas, podemos considerarlas iguales, utilizaremos

la conjunta. La correspondiente desviacin tpica ser
na
S=
(x
i =1
ia
nb
ma )2 + ( xib mb )2
i =1
na + nb 2
Y el error estndar por tanto ser
Sm
mb
sa2 sb2
1 1
== n + n = S 2 n + n
a
a
b
b
Para decidir si las varianzas son iguales o diferentes se aplica el test de la F con las
siguientes hiptesis:
H0 , las varianzas son iguales y H1, las varianzas son diferentes.
El estadstico F se calcula con la siguiente frmula:
sa2
F = s2
b
El terico se obtiene para los siguientes grados de libertad gl = (na -1) (nb - 1) mirando
en las correspondientes tablas. Para calcular el test de las diferencias de medias, si se
rechaza la H0
se utilizan las varianzas separadas; en caso contrario, se utiliza la
varianza conjunta. Ver tabla adjunta Distribucin F para un nivel de significacin del
5%
166
TABLA ESTADSTICA: DISTRIBUCIN DE LA F

m
n
1614
1995
2157
2246
2302
1851
19
1916
1925
1930
1013
955
928
912
901
771
694
659
639
626
661
579
541
519
505
599
514
476
4,53
439
559
474
435
412
397
532
446
407
384
369
512
426
386
363
348
10
496
410
371
348
333
11
484
398
359
336
320
12
475
389
349
326
311
13
467
381
341
318
303
14
46
374
334
311
296
15
454
368
329
306
290
denominador.
167
10.4 TEST DE PROPORCIONES

Es parecido al anterior de la media, en este caso trabajamos con proporciones.
Los estadsticos a utilizar son:
Para muestras grandes
Z=
p
pq n
t=
p
pq n
Para muestras pequeas
Donde
n es el tamao de la muestra, p es la proporcin observada en la muestra, q = 1 - p y
es la proporcin en la poblacin o la de comparacin.
10.5 TEST
DE
SIGNIFICACIN
PARA
POBLACIONES
INFINITAS Y QUE SIGUEN LA DISTRIBUCIN NORMAL

En Investigacin Comercial, los test de significacin para muestras grandes de
poblaciones infinitas y que siguen la distribucin normal ms utilizados son:
test de significacin para diferencias de proporciones independientes
test de significaci n para diferencias de proporciones no independientes
test de significacin para diferencias de medias de muestras independientes
El estadstico a calcular es el test Z, que viene dado en todos los casos por la frmula
siguiente:
Diferencia Observada
Error Estndar
Para que la diferencia tenga significacin al nivel del 5%, el cociente obtenido deber
ser mayor que 196. Para que la diferencia sea significativa a un nivel del 1%, el
cociente deber ser mayor que 258.
168
10.5.1 TEST
DE
SIGNIFICACIN
PARA
DIFERENCIAS
DE
PROPORCIONES INDEPENDIENTES
Este tipo de prueba se realiza para establecer si la diferencia existente entre dos
porcentajes independientes de muestras diferentes, es realmente significativa. Para ello
se compara la diferencia existente entre las proporciones y el error estndar de la
diferencia de esos porcentajes.
El estadstico que hay que utilizar en este caso concreto es:
p p2
= 1
Error Estndar
s p1 s p2
Donde:
s p1 s p 2 =
1 1
pq +
n1 n2
p1 q1 p2 q2
s p1 s p 2 =
+
n2
n1
Siendo:
p=
n1 p1 + n2 p2
n1 + n2
y q = 100 p
Donde n1 y n2 son los respectivos tamaos de las muestras, y p1 y p2 son los porcentajes
observados.
Las hiptesis sern:
H0. No existe diferencia entre las proporciones, 1
H1. Existe desigualdad entre las proporciones,
- 2 = 0
1 - 2 0
EJEMPLO:
Realizado un estudio sobre una muestra de 1.000 hogares, se observ que el 75% de los
mismos carecan de horno microondas. La asociacin de fabricantes realiz una
campaa de comunicacin, con el objetivo de incentivar las ventas. Transcurridos seis
mese,s se realiz una nueva investigacin; se tom una muestra de 800 hogares,
obtenindose como resultado que el 70% de los hogares carecan del citado horno. Es
significativa la diferencia observada a un nivel del 5%?
169
Solucin:
p1 = 75
n1 = 1.000
p2 = 70
n2 = 800
1000 * 75 + 800 * 70
= 728
1000 + 800
q = 100 728 = 272
p=
1
1
S p1 s p2 = 728 * 272
+
= 211
1000 800
=
= 24
Error Estndar
211
Como 24 196, la diferencia encontrada s que es significativa a un nivel del 5%
10.5.2 TEST
DE
SIGNIFICACIN
PARA
DIFERENCIAS
DE
PROPORCIONES NO INDEPENDIENTES
Esta prueba se utiliza para comprobar si la diferencia existente entre dos proporciones
relacionadas entre s es realmente significativa. Los porcentajes pueden estar
relacionados de dos formas diferentes:
Porcentajes excluyentes. Es cuando el elemento pertenece slo a un determinado

porcentaje
Porcentajes solapados. El elemento pertenece a varios porcentajes
10.5.2.1 PORCENTAJES EXCLUYEN TES

Los elementos, sujetos o respuestas slo pueden pertenecer a una de las diferentes
categoras establecidas; todas ellas sumadas suponen el cien por cien.
Las frmulas son:
p p2
= 1
Error Estndar
s p1 s p2
s p1 s p2 =
1
( p q + p 2 q2 + 2 p1 p 2 )
n 1 1
Siendo n el tamao de la muestra y q = 100 - p
170
EJEMPLO:
Supongamos que se quiere determinar si la diferencia de porcentaje de intencin de
voto, obtenida con una muestra de 1.000 ciudadanos con derecho a voto, respecto al PP
y PSOE, es significativa a un nivel del 5%. Los resultados obtenidos en la encuesta han
sido los siguientes:
Partido
PSOE
PP
PAR
IU RESTO
Porcentaje
32
24
16
10
18
Solucin
p1 =32
q1 = 100 - 32 = 68
p2 = 24
q2 = 76
1
(32 * 68 + 24 * 76 + 2 * 32 * 24) = 235
1000
=
= 3 4
Error Estndar
235
s p1 s p2 =
Como 34 196, la diferencia de porcentaje s que es significativa.

10.5.2.2 PORCENTAJES SOLAPADOS
Los diferentes sujetos o respuestas pueden pertenecer a varias de las diferentes
categoras establecidas, todas ellas sumadas totalizan ms del 100%.
Las frmulas son:
p p2
= 1
Error Estndar
s p1 s p2
s p1 s p2 =
1
( p q + p2 q 2 + 2( p1 p 2 p12 )
n 1 1
Donde n es el tamao de la muestra, q = 100 - p y p12 es el porcentaje de respuesta que

est a la vez en la categora 1 y 2.
171
EJEMPLO:
En un estudio realizado sobre una muestra de 1.000 lectores de prensa dominical, se han
obtenido los siguientes resultados
Prensa
TOTAL
Porcentaje
32
43
22
10
12
133
Si un 15% compra indistintamente el C y el D, hay que determinar si la diferencia

observada es significativa a un nivel del 5%.
Solucin:
p1 = 22 q1 = 100 - 22 = 78 p2 = 10
s p1 s p2 =
q2 = 100 - 10 = 90
p12 = 15
1
(22 * 78 + 10 * 90 + 2( 22 *10 15) ) = 174
1000
=
= 6 9
Error Estndar
174
Como 69 > 196, la diferencia observada s que es significativa a un nivel del 5%.
10.6 TEST PARA MUESTRAS RELACIONADAS

Se utiliza el test t. El clculo del estadstico se realiza con la siguiente frmula:
md D
sd n
Siendo
t=
di
i =1
n
md = n
(
di md )
i =1
n
D La diferencia esperada y sd =
n 1
Siendo di la diferencia en los valores muestrales, md la media de las diferencias

muestrales, D la media de la diferencia esperada y sd la desviacin tpica de las
diferencias muestrales.
172
11. TEST NO PARAMTRICOS

11.1 INTRODUCCIN
Una prueba estadstica no paramtrica est basada en un modelo que especifica slo
condiciones muy generales y ninguna acerca de la forma especfica de la distribucin de
la poblacin de la que fue tomada la muestra.
Los test no paramtricos tienen por objetivo el comprobar si se pueden generalizar las
conclusiones obtenidas a travs de una muestra al total del universo o poblacin.
Son de aplicacin cuando:
Slo podemos disponer de una muestra pequea (no se puede aplicar el teorema
central del lmite).
No disponemos de una medicin en escala mtrica. Disponemos de resultados

obtenidos en escala nominal u ordinal.
No hay exigencia de un tipo de distribucin concreto.
11.2 CLASIFICACIN DE LOS TEST NO PARAMTRICOS

Se establece de acuerdo con los siguientes criterios:
1. Nmero de muestras que se tienen (una, dos o ms).
2. Existencia o no de relacin entre las muestras independientes cuando tienen
varianzas muy distintas. Se considera que las muestras estn relacionadas en las
siguientes situaciones: cuando se entrevista a sus componentes antes y despus
y, asimismo cuando se entrevistan con reiteracin (experimentacin, paneles y,
en general, en todos los estudios longitudinales). Se supone que la varianza es
idntica para los distintos momentos.
3. Escala de medida de las variables objeto de estudio (nominal u ordinal; si la
variable es mtrica, se integra en uno de los niveles citados anteriormente).
De acuerdo con estos criterios, la clasificacin de los test no paramtricos se puede
resumir en el siguiente esquema:
173
1 Una muestra
Escala de medida
Test no paramtrico
Nominal
Chi cuadrado, Rachas, Binomial
Ordinal
Kolmogorov Smirnov
2 Dos muestras
2.1 Independientes
Escala de medida
Test no paramtrico
Nominal
Chi cuadrado
Ordinal
Mediana, Kolmogorov - Smirnov, Mann Whitney, Wald - Wolfowitz
2.2 Relacionadas
Escala de medida
Test no paramtrico
Nominal
McNemar
Ordinal
Signos, Wilcoxon
3 h muestras
3.1 Independientes
Escala de medida
Test no paramtrico
Nominal
Chi cuadrado
Ordinal
Media na, Kruskal Wallis
3.2 Relacionadas
Escala de medida
Test no paramtrico
Nominal
Q de Cochran
Ordinal
Friedman, Kendall
El principal inconveniente de los test no paramtricos es que no son tan potentes como
los test paramtricos, fundamentalmente porque el nivel de exigencia en su aplicacin
es menor. Esto puede corregirse aumentando el tamao de la muestra.
174
11.3 BREVE
DESCRIPCIN
DE
DIFERENTES
TEST
NO
PARAMTRICOS
11.3.1 INTRODUCCIN
En primer lugar explicaremos brevemente algunas pruebas estadsticas no paramtricas
que se utilizan para probar una hiptesis derivada de una muestra.
Se trata de dar respuesta a las siguientes cuestiones:
Hay diferencia significativa entre la muestra y el universo o poblacin al

determinar la medida de tendencia central?
La muestra objeto de estudio fue obtenida de un universo con una forma

uniforme (normal)?
Hay diferencias significativas entre las frecuencias observadas y las esperadas

(en base a alguna teora previa)?
Existe diferencia significativa entre las proporciones esperadas y las observadas

en una serie de observaciones dicotmicas?
Se puede considerar que la muestra objeto de estudio corresponde a una

muestra aleatoria de algn tipo de poblacin conocida?
11.3.2 UNA MUESTRA MEDIDA UNA SOLA VEZ

En primer lugar trataremos del estudio de pruebas de bondad de ajuste para una muestra
medida una sola vez. Las ms utilizadas son:
1. La prueba de Chi cuadrado de una muestra
2. La prueba binomial
3. La prueba de Kolmogorov - Smirnov de una muestra
La prueba de Chi cuadrado se utiliza cuando los datos obtenidos de la muestra estn en
categora discreta y cuando las frecuencias esperadas son suficientemente grandes.
Cuando k = 2, es decir, los grados de libertad gl = ,1 cada frecuencia esperada debe ser
mayor o igual que cinco ( 5); y cuando k es mayor de dos (k > 2), no ms del 20% de
las frecuencias esperadas deben ser menores de cinco (5) y en ningn caso la frecuencia
esperada puede ser menor de uno.
175
La prueba binomial es adecuada cuando hay dos categoras en la clasificacin de los

datos obtenidos con la muestra objeto de estudio. Es tambin til cuando el tamao de la
muestra es tan pequeo que la prueba de chi cuadrado resulta inadecuada.
La prueba de Kolmogorov - Smirnov de una muestra debe emplearse cuando se puede
suponer que la variable en consideracin tiene una distribucin continua.
11.4 TEST DE LA CHI CUADRADO

Es uno de los estadsticos ms utilizados, sobre todo en las tabulaciones cruzadas;
tambin es una medida de asociacin. Se trata de una prueba de significacin estadstica
muy adecuada para variables no mtricas, es decir variables medidas en escalas nominal
u ordinal.
Esta prueba consiste en comparar las frecuencias que se han obtenido en la
investigacin con las que desde un planteamiento terico cabra esperar si se diera una
distribucin normal.
La frmula correspondiente es:
2 =
i
Oi j Ei j
Ei j
Donde
Oij son las frecuencias observadas de la categora i de una variable y de la categora j de
la otra variable
Eij son las frecuencias esperadas de la categora i de una variable y de la categora j de la
otra variable
Los requisitos para aplicar este prueba son: las frecuencias tericas han de tomar al
menos el valor 5 en menos de un 20% de las celdas y en ningn caso la frecuencia
esperada puede ser menor que 1. Cada observacin debe ser independiente de las otras,
no sirve con experimentos en los que se interroga antes y despus del tratamiento.
En tablas de un grado de libertad o del tipo 2 x 2, se aplica la siguiente frmula
n
n ad bc 2
2 =(
a + b)( a + c)( c + d )( b + d )
2
176
la tabla es del tipo:
La distribucin de chi cuadrado est determinada por los grados de libertad, su media es
igual al nmero de grados de libertad y su varianza dos veces esa cifra. Cuando los
grados de libertad toman un valor alto la distribucin se aproxima a la normal.
Resumen de la prueba Chi cuadrado

1. Se sitan las frecuencias observadas dentro de k categoras
2. La suma de todas las frecuencias debe ser n (nmero de casos, tamao de la muestra)
3. Partiendo de H0 se determinan las frecuencias esperadas, teniendo en cuenta las
limitaciones. Las frecuencias tericas han de tomar al menos el valor 5 en menos de un
20% de las celdas y en ningn caso la frecuencia esperada puede ser menor que 1
4. Se determinan los grados de libertad gl = k - np 1, donde np es el nmero de
parmetros estimados de los datos y usados al calcular las frecuencias esperadas
5. Se aplica la frmula
(O
=
ij
Ei j
Ei j
6. Se determina la probabilidad asociada, consultando con las tablas; si sta es igual o

menor que la significacin se rechaza H0. Si el nivel de significacin () es menor
que el de contraste (5% 1%) , se rechaza la H0
O bien si
2 calculada 2 tablas (se rechaza la hiptesis nula)
11.4.1 CASO PRCTICO

Un fabricante de refrescos quiere saber si el nuevo producto lanzado produce la misma
satisfaccin que el clsico entre sus consumidores. En la tabla siguiente se resumen los
datos para el producto clsico y los obtenidos en una muestra de 100 usuarios del
producto nuevo.
177
Se quiere conocer si las diferencias obtenidas son significativas para un nivel de

significacin del 5%.
CLSICO
NUEVO PRODUCTO
MUY SATISFECHO
30
31
BASTANTE SATISFECHO
35
40
MODERADAMENTE SATISFECHO
25
20
ESCASAMENTE SATISFECHO
10
Solucin
Las hiptesis de trabajo correspondientes son:
H0. No hay diferencia en la valoracin de la satisfaccin entre los consumidores del
producto clsico y del nuevo
H1. S que existen diferencias
Para un nivel de significacin del 5% y 4 - 1 = 3 grados de libertad el valor en tablas
para la chi cuadrado es 781.
Aplicando la frmula obtenemos
(O
=
ij
Ei j
Ei j
( 31 30) 2
30
( 40 35) 2
35
( 20 25) 2
25
( 9 10) 2
10
Como el valor obtenido 1847 es inferior al de tablas de 781, significa que no podemos
rechazar la H0, luego no existen diferencias en el nivel de satisfaccin entre los
consumidores del producto clsico y del nuevo.
178
= 1847
TABLA ESTADSTICA: DISTRIBUCIN DE

2
2c tal que p( 2<=2c)=p

Probabilidad p
g.l.
0,995 0,990
0,975
0,950 0,900
0,500
0,100 0,050
0,025
0,010 0,005
1
2
3
4
5
7,88
10,60
12,84
14,86
16,75
6,63
9,21
11,34
13,28
15,09
5,02
7,38
9,35
11,14
12,83
3,84
5,99
7,81
9,49
11,17
2,71
4,61
6,25
7,78
9,24
0,45
1,39
2,37
3,36
4,25
0,01
0,21
0,58
1,06
1,61
0,00
0,10
0,35
0,71
1,15
0,00
0,05
0,22
0,48
0,83
0,00
0,02
0,12
0,30
0,55
0,00
0,01
0,07
0,21
0,41
6
7
8
9
10
18,55
20,28
21,96
23,59
25,19
16,81
18,48
20,09
21,67
23,21
14,45
16,01
17,53
19,02
20,48
12,69
14,07
15,51
16,92
18,31
10,64
12,02
13,36
14,68
15,99
5,35
6,35
7,34
8,34
9,34
2,20
2,83
3,49
4,17
4,87
1,64
2,17
2,73
3,33
3,94
1,24
1,69
2,18
2,70
3,25
0,87
1,24
1,65
2,09
2,56
0,68
0,99
1,34
1,73
2,16
11
12
13
14
15
26,76
28,30
29,82
31,32
32,80
24,73
26,22
27,69
29,14
30,58
21,92
23,34
24,74
26,12
27,49
19,68
21,03
22,36
23,68
25,00
17,28
18,55
19,81
21,06
22,31
10,34
11,34
12,34
13,34
14,34
5,58
6,30
7,04
7,79
8,55
4,57
5,23
5,89
6,57
7,26
3,82
4,40
5,01
5,63
6,26
3,05
3,57
4,11
4,66
5,23
2,60
3,07
3,57
4,07
4,60
16
17
18
19
20
34,27
35,72
37,16
38,58
40,00
32,00
33,41
34,81
36,29
37,67
28,85
30,19
31,53
32,85
34,27
26,30
27,59
28,87
30,14
31,41
23,54
24,77
25,99
27,20
28,41
15,34
16,34
17,34
18,34
19,34
9,31
10,09
10,86
11,65
12,44
7,96
8,67
9,39
10,12
10,85
6,91
7,56
8,23
8,91
9,59
5,81
6,41
7,01
7,63
8,26
5,14
5,70
6,26
6,84
7,43
21
22
23
24
25
41,40
42,80
44,18
45,56
46,93
38,93
40,29
41,64
42,98
44,31
35,48
36,78
38,08
39,36
40,65
32,67
33,92
35,17
36,42
37,65
29,62
30,81
32,01
33,20
34,38
20,34
21,34
22,34
23,34
24,34
13,24
14,04
14,85
15,66
16,47
11,59
12,34
13,09
13,85
14,61
10,28
10,98
11,69
12,40
13,12
8,90
9,54
10,20
10,86
11,52
8,03
8,64
9,26
9,89
10,52
26
27
28
29
30
48,29
49,64
50,99
52,34
53,67
45,64
46,96
48,28
49,59
50,89
41,92
43,29
44,46
45,72
46,98
38,89
40,11
41,34
42,56
43,77
35,56
36,74
37,92
39,09
40,26
25,34
26,34
27,34
28,34
29,34
17,29
18,11
18,94
19,77
20,60
15,38
16,15
16,93
17,71
18,49
13,84
14,57
15,31
16,05
16,89
12,20
12,83
13,56
14,26
14,96
11,16
11,81
12,46
13,12
13,78
40
60
66,77
91,95
63,69
88,38
59,34
83,30
55,76
79,08
51,81
74,40
39,34
59,34
29,05
46,56
26,51
43,19
24,43
40,48
22,16
37,43
20,71
35,58
179
11.5 PRUEBA DE LA BINOMIAL

Existe un gran nmero de poblaciones o universos que son binarios o dicotmicos (por
ejemplo: hombre - mujer, oyente - no oyente, consumidor - no consumidor, ... etc.).
En esta situacin. en el universo o poblacin slo existen dos categoras. Por tanto, para
cada observacin (x) realizada en la muestra (n) se pueden dar dos valores 1 0, en
funcin de la categora observada.
La probabilidad de observar la primera categora la representamos por p; por
consiguiente, la probabilidad para la segunda categora ser 1 - p = q. Esta situacin la
podemos representar por:
P (x = 1) = p
P (x = 0) = 1 - p = q
Se presupone que cada probabilidad es constante sin considerar el nmero de elementos

observados. El valor de la proporcin () para el universo o poblacin es un valor fijo,
sin embargo, an conociendo el valor de ste para la poblacin, no podemos esperar que
el resultado obtenido sobre una muestra aleatoria (p) coincida exactamente con el valor
del de la poblacin ().
La distribucin binomial se utiliza para determinar las probabilidades de los resultados
obtenidos al estudiar una muestra procedente de una poblacin dicotmica.
Metodologa:
Se establece la hiptesis nula como: H0 : p =
La prueba nos dir si es razonable creer que las proporciones (frecuencias) de las
categoras obtenidas en una muestra (n) han sido extradas de una muestra
correspondiente a una poblacin con valores hipotticos y 1 - .
Si consideramos los resultados de la distribucin binomial como 1 para el xito y 0 para
el fracaso, el nmero de xitos vendr dado por:
n
Y = xi
i =1
En una muestra de tamao n, la probabilidad de obtener k elementos de una categora y

n - k de la otra ser:
n
P( Y = k ) = k p k q n k

180
Siendo: n el tamao de la muestra, k = 1, 2, 3, ... n, p la proporcin de observaciones

para x = 1, q la proporcin de observaciones para x = 0 y
( ) = k !( nn! k ) !
n
k
EJEMPLO:
Supongamos que lanzamos un dado 5 veces. Cul es la probabilidad de que dos de las
tiradas sea un seis?
En esta situacin n = 5, k = 2, (nmero de observaciones que corresponden al seis),
p=
1
5
yq=
6
6
la variable aleatoria Y = k = 2, aplicando la frmula anterior
obtenemos:
n k n k
1x 2 x3x 4 x5 1 2 5 3
P( Y = k ) = k p q = ( )(
= 016

1x2 1x2 x 3) 6 6
En la praxis, cuando probamos una hiptesis la cuestin no suele ser cul es la
probabilidad de obtener exactamente los valores observados?, sino que la pregunta es
del tipo siguiente:
cul es la probabilidad de obtener valores tan extremos o ms extremos que los valores
observados?
La probabilidad deseada en este caso es:
P( Y k ) =
i p q
i
n i
i=k
Es decir, sumamos la probabilidad de los resultados observados con la probabilidad de

resultados ms extremos. Siguiendo con el ejemplo, el planteamiento de la cuestin es:
Determinar la probabilidad de obtener dos o menos seises cuando hacemos cinco
lanzamientos con un dado normal.
Esto significa que deberemos obtener la probabilidad de sacar 0, 1 y 2 seises, aplicando
la formula anterior, y recordando que por definicin 0! = 1 y x0 = 1, obtenemos
P(Y2) = P(Y = 0) + P(Y 0 1) + P(Y = 2) sustituyendo obtenemos
181
5! 1 5
5! 1 5
P( Y = 0) = 0!5! 6 6 = 040 P( Y = 1) = 1! 4 ! 6 6 = 040 y

2
3
5! 1 5
P( Y = 2) = 2 ! 3! 6 6 = 016
Luego P(Y 2) = 040 +040 +016 = 096
11.6 PRUEBA BINOMIAL PARA MUESTRAS PEQUEAS

Cuando en la Investigacin Comercial se trabaja con variables dicotmicas es muy
frecuente utilizar como hiptesis nula H0 : p = 1/2. Cuando tenemos muestras pequeas,
es decir n 30, se utilizan tablas ya calculadas al efecto considerando H0 : p = 1/2. Este
tipo de tablas nos indican las probabilidades asociadas con la ocurrencia de diferentes
valores tan pequeos como k para diferentes valores de n.
Las probabilidades proporcionadas en las tablas (ver tabla) son unidireccionales. Se
utiliza la prueba unidireccional cuando se predice con anterioridad cual de las dos
categoras (1 y 0) contendr el nmero ms pequeo de casos (k). Cuando la prediccin
es simplemente que las dos frecuencias difieran, se utiliza la prueba bidireccional; en
este caso, los valores de la tabla se duplican.
Debido a la simetra de la distribucin binomial, cuando p = se cumple:
P(Y k) = P(Y n + k)
11.7 PRUEBA BINOMIAL PARA MUESTRAS GRANDES

Una muestra se considera grande cuando su tamao es mayor de 30 elementos 10 (n >
30). Cuando se incrementa el tamao de la muestra la distribucin binomial tiende a
convertirse en la distribucin normal. Es decir, al aumentar el tamao de la muestra n la
distribucin de la variable Y se aproxima a la distribucin normal. La tendencia es
rpida cuando p = , y lenta conforme ms se aproxima al valor 1 0. Como
aproximacin podemos usar la siguiente :
Regla estadstica: Si npq > 9 la prueba estadstica basada en la normal es
suficientemente exacta para se usada.
10Algunos autores consideran 35 elementos.

182
Con las consiguientes limitaciones la distribucin muestral de Y es aproximadamente

normal con media m = np y varianza s2 = npq. El estadstico usado en este caso ser
ZY =
y y np
= npq
Esta aproximacin a la distribucin normal mejora si se usa una correccin por

continuidad. Esta correccin es necesaria debido a que la distribucin normal es
continua, mientras que la distribucin binomial corresponde a variables discretas.
Para realizar esta correccin o ajuste se considera la frecuencia observada Y ocupando
un intervalo, cuyos lmites inferior y superior se encuentran media unidad por debajo o
por encima, respectivamente, de la frecuencia observada. Por consiguiente si Y< np
agregaremos 05 y si Y > np restaremos 05. Por tanto la diferencia observada es
reducida por 05.
La frmula correspondiente a la razn crtica una vez realizado este ajuste quedar
como sigue:
ZY =
( y 05) np
npq
Potencia eficacia
Debido a que para variables dicotmicas no existe una prueba paramtrica aplicable, no
tiene sentido el hablar de la potencia eficacia.
Si estudiamos una variable continua que es dicotomizada y se utiliza la prueba binomial
con los datos resultantes, la prueba puede perder informacin. En este caso, la prueba
tiene una potencia eficacia del 95% para n = 6 disminuyendo al aumentar la muestra
hasta producirse una eficacia asinttica del 63% (2/).
183
Resumen de la prueba binomial

Los pasos para la utilizacin de la prueba binomial considerando H0 : p = son:
1. Determinar el nmero de casos estudiados (n)
2. Determinar la frecuencia de cada una de las dos categoras
3. En funcin del tamao de la muestra (muestra pequea o grande), determinar el valor
en tablas en funcin del nivel de significacin
4. Si la probabilidad asociada con el valor observado de Y, o valores an ms extremos,
es igual o menor que el correspondiente valor se rechaza H0 , en caso contrario no se
rechaza
Los supuestos bsicos de esta prueba son la independencia de las observaciones y que la
probabilidad permanece constante durante el estudio.
CASO PRCTICO
El responsable de una agencia de publicidad encargada de una campaa de imagen de
un Gobierno Autnomo asegura haber contactado con el 60% de la poblacin. Para
verificarlo se realiza un estudio sobre una muestra de 25 personas, a quienes se pregunta
si conocen la campaa. Cuatro de estas personas declaran conocerla. Se puede decir
que la proporcin del 60% ha sido contactada a un nivel del 55?
La probabilidad del resultado es
P(y 4) = P(0) + P(1) + P(2) + P(3) + P(4)
Calculamos las diferentes probabilidades aplicando la frmula
n
P( Y = k ) = k p k q n k

Sustituyendo obtenemos:
25!
25!
060 0425 P (1) =
061 0424
0!(25 0)!
1!(25 1)!
25!
25!
P (2 ) =
062 0423 P (3) =
063 0422
2 ! (25 2 )!
3!(25 3)!
25!
P (4 ) =
064 0421
4 ! (25 4 )!
P (0) =
Realizando los correspondientes clculos obtenemos

P (Y = 4) = 0000008165
184
Los resultados obtenidos se recogen en la siguiente tabla:

Tabla de resultados
N=Exitos
N!
0
1
1
1
2
2
3
6
4
24
5
120
6
720
7
5040
8
40320
9
362880
10
3628800
11
39916800
12
479001600
13
6227020800
14
87178291200
15
1307674368000
16
20922789888000
17
355687428096000
18
6402373705728000
19
121645100408832000
20
2432902008176640000
21
51090942171709400000
22
1124000727777610000000
23
25852016738885000000000
24
620448401733239000000000
25 15511210043331000000000000
P
0,6
Q
0,4
Intentos-N
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
P(N)
0,000000000
0,000000004
0,000000076
0,000000874
0,000007210
0,000045425
0,000227126
0,000924725
0,003120948
0,008842685
0,021222445
0,043409546
0,075966705
0,113950058
0,146507217
0,161157939
0,151085568
0,119979715
0,079986477
0,044203053
0,019891374
0,007104062
0,001937471
0,000379071
0,000047384
0,000002843
Si comparamos con la tabla de la distribucin binomial para N = 25, obtenemos la

siguiente
Conclusin
Si analizamos el resultado con el obtenido en las tablas que es:
para p = 055 P (Y = 4) = 000000001 como la calculada es P (Y = 4) = 0,000008165
Como la p calculada es mayor que la de tablas NO podemos rechazar la
hiptesis nula (H 0)
185
P(N) acum
0,000000000
0,000000004
0,000000080
0,000000954
0,000008165
0,000053590
0,000280715
0,001205441
0,004326388
0,013169073
0,034391518
0,077801064
0,153767769
0,267717827
0,414225044
0,575382982
0,726468550
0,846448265
0,926434742
0,970637795
0,990529169
0,997633231
0,999570703
0,999949773
0,999997157
1,000000000
TABLA DE LA DISTRIBUCIN BINOMIAL PARA N = 25
En esta tabla se han omitido los decimales. Las entradas deben leerse como 00000.
Para valores p> 05 se usa la parte inferior para p y la columna derecha para k
186
11.8 TEST DE KOLMOGOROV SMIRNOV (KS)

Este tipo de prueba trata de ver el grado de acuerdo entre la distribucin de un conjunto
de valores obtenidos a travs de una muestra y alguna distribucin terica especfica.
Para utilizar esta prueba las variables deben estar medidas al menos en una escala
ordinal.
Es una prueba parecida a la de Chi cuadrado, que consiste en comparar valores
observados de una variable, con valores esperados calculados a priori.
La Ho es la ausencia de diferencias entre los valores observados y los esperados.
Metodologa:
La prueba KS supone que la distribucin de las variables que van a ser probadas es
continua (est especificada por la distribucin de frecuencias acumuladas).
Para su desarrollo se procede como sigue:
Se disponen ordenadamente las frecuencias observadas y las esperadas
Se calculan las frecuencias relativas acumuladas, tanto las observadas como las
esperadas
Se determinan las diferencias entre las frecuencias relativas acumuladas
Se toma la mayor diferencia en trminos absolutos, es decir, el valor que hace

mximo:
D = max. Oi - Ei
Se fija el nivel de significacin
Se compara el valor obtenido D con el valor de tablas KS para el nivel de

significacin elegido y muestra de tamao inferior a 35 elementos.
Si la muestra es grande , es decir tiene ms de 35 elementos, la H0 se rechaza de

acuerdo con los siguientes criterios:
Para = 010
D 122
Para = 001
D 163
Para =005
187
136
Potencia eficacia
La prueba KS de una muestra trata las observaciones de forma individual (por separado)
y por ello no necesariamente pierde informacin al hacer la combinacin de categoras,
aunque puede ser conveniente usar agrupaciones de variables.
Cuando trabajamos con muestras pequeas, es una prueba exacta, mientras que la de
Chi cuadrado es slo aproximada. Para muestras grande, ambas pruebas, KS y Chi
cuadrado, dan resultados similares.
Resumen de la prueba KS
La distribucin terica se especifica segn H0
Las frecuencias observadas y las tericas se convierten en frecuencias relativas

acumuladas
Se aplica D = max. Oi - Ei
Comparamos con tablas. Buscamos la probabilidad asociada (bidireccional, dos
colas) con la ocurrencia segn H0 . Si esta probabilidad es igual o menor que , se
rechaza H0
CASO PRCTICO
Un fabricante va a lanzar un nuevo producto con un alto componente ecolgico. Quiere
conocer la importancia que dan los consumidores al componente ecolgico en su
decisin de compra, por lo que realiza un estudio sobre una muestra de 100
consumidores potenciales.
La pregunta a los consumidores, acerca de la cuestin, se realiza mediante una escala
de cinco puntos (5), siendo 1 ninguna importancia y 5 mucha importancia. Queremos
conocer si hay diferencia significativa entre los valores observados y los esperados para
un nivel de significacin del 5%.
Los resultados se resumen en el siguiente cuadro:
188
Resultados de la encuesta
Observada
Categoria Frecuencia
Esperada
acumul
acumul
008
008
020
020
012
15
015
023
020
040
017
17
017
040
020
060
020
35
035
075
020
080
005
25
025
1`00
020
100
000
Total
100
1,00
100
Solucin:
Si el efecto ecolgico no existiera en la decisin de compra por parte del consumidor,
sta se repartira por igual entre las diferentes categoras de respuesta, siendo 100 : 5 =
20 % para cada categora.
La hiptesis nula ser H0 : no existe diferencia entre los valores observados y los
esperados.
Aplicamos la prueba KS para un nivel de significacin del 5%. El valor crtico viene
dado por:
D=
136 136
=
= 0136
n
100
El valor crtico observado viene dado por:
D = max. Oi Ei = max 04 06 = 02
Conclusin:
Como el valor observado 0`20 es mayor que el terico 0136, se rechaza la hiptesis
nula. Es decir, el componente ecolgico s que tiene importancia en la decisin de
compra de este producto por parte de los consumidores.
189
TABLA DE KOLMOGOROV SMIRNOV

N
0.2
0.15
0.10
0.05
0.01
.900
.925
.950
.975
.995
.684
.726
.776
.842
.929
.565
.597
.642
.708
.828
.494
.525
.564
.624
.733
.446
.474
.510
.565
.669
.410
.436
.470
.521
.618
.381
.405
.438
.486
.577
.358
.381
.411
.457
.543
.339
.360
.388
.432
.514
10
.322
.342
.368
.410
.490
11
.307
.326
.352
.391
.468
12
.295
.313
.338
.375
.450
13
.284
.302
.325
.361
.433
14
.274
.292
.314
.349
.418
15
.266
.283
.304
.338
.404
16
.258
.274
.295
.328
.392
17
.250
.266
.286
.318
.381
18
.244
.259
.278
.309
.371
19
.237
.252
.272
.301
.363
20
.231
.246
.264
.291
.356
25
.21
.22
.24
.27
.32
30
.19
.20
.22
.24
.29
35
.18
.19
.21
.23
.27
Mas de 35
1.07
1.14
1.22
190
1.36
1.63 n
11.9 CASO DE UNA MUESTRA MEDIDA DOS VECES

Se trata de pruebas que se utilizan para situaciones de prueba antes y despus. En este
tipo de estudios se mide al mismo individuo en ocasiones sucesivas, actuando el mismo
individuo como control. Las ms usuales son:
Test de McNemar
Prueba de los signos
Prueba de rangos asignados de Wilcoxon
Seguidamente vamos a ver en qu consisten.

11.9.1 TEST DE MCNEMAR
Parte de una situacin dicotmica en la que se aplica un tratamiento y se registra la
nueva situacin para comprobar los cambios producidos. La medicin es, como mnimo,
en escala nominal. Este tipo de prueba es interesante en estudios panel y en
experimentacin.
Metodologa:
Para probar la significacin de cualquier cambio observado se utiliza una tabla 2 x 2,
que representa el primer y segundo grupo de respuestas de los mismos individuos. La
tabla es del tipo siguiente:
DESPUS
NEGATIVO (-)
ANTES
POSITIVO (+)
POSITIVO (+)
NEGATIVO (-)
A es el nmero de respuestas que fueron positivas en la primera medicin y negativas

en la segunda ocasin
B es la frecuencia de individuos que respondieron en positivo en las dos ocasiones
C es la frecuencia de individuos que respondieron en negativo en las dos ocasiones
D es el nmero de respuestas que fueron negativas en la primera medicin y positivas
en la segunda ocasin
191
A + D es el total de individuos que cambiaron de respuesta. Si esta suma es menor de

10, se utiliza la prueba binomial.
La hiptesis nula es la no existencia de diferencias. H0 que el nmero de cambios en
cada direccin es el mismo. Es decir,
A+D
A+D
cambiaron
de
+
a
y
cambiaron de a +
2
2
Esto significa que si H0 es verdadera, la frecuencia esperada en cada una de las celdas
ser:
A+D
2
Esto significa que la distribucin obtenida lo hace como una 2 con un grado de
libertad.
Si aplicamos el correspondiente estadstico y sustituimos por los valores de la tabla
obtenemos:
A + D
2
A
k (
2
O E)
2 = i E i =
+
A+ D
i =1
i
2
2
A + D
D 2
( A D) 2
= A+ D
A+D
2
2
Esta frmula se hace ms precisa cuando se efecta la correccin por continuidad. La

frmula correspondiente es:
[ A D 1]
=
A+ D
Si el valor calculado de la Chi cuadrado es igual o mayor que el de tablas, se rechaza H0

La prueba de McNemar se aproxima a la distribucin Chi cuadrado slo cuando el
tamao de la muestra es grande.
Potencia eficacia
No tiene sentido hablar de potencia cuando se utiliza con variables en escala nominal ya
que no hay alternativas con las que comparar la prueba. Cuando las medidas y otros
192
aspectos de los datos son tales que es posible aplicar la prueba t, la prueba de Mcnemar
tiene una eficacia del 95% para A + D = ;, conforme disminuye A + D la potencia
eficacia va decreciendo, volvindose asinttica al 63%.
Resumen de la prueba de McNemar
Se colocan las frecuencias observadas en una tabla 2 x 2
Se calcula A + D (si es menor de 10, se utilizar la prueba binomial)
Si A + D > 10, se calcula Chi cuadrado para 1 grado de libertad, aplicando la

frmula:
[ A D 1]
=
A+ D
El resultado obtenido se compara con tablas. Si utilizamos la prueba de una sola

cola, se divide por dos el valor obtenido en tablas. Si el valor de la probabilidad
de la tabla para el valor observado con gl = 1 es menor o igual que el asociado
para H0, se rechaza sta.
CASO PRCTICO
Se quiere conocer la intencin de voto de una poblacin en relacin a un candidato
determinado. Para ello, se solicita sta intencin a una muestra formada por 100
ciudadanos con derecho a voto, obtenindose los siguientes resultados:
Intencin de voto Frecuencia

Le votara (+)
40
No le votara (-)
60
Total
100
Despus de producirse un debate televisivo en el que participa el candidato, se pregunta

a la misma muestra, obtenindose los siguientes resultados:
193
Antes del debate
Despus del debate
Votara (+) 40
Votara (+) 38
No votara (-) 2
No votara (-) 60
Votara (+) 20
No votara (-) 40
Total 100
Total 100
Con los resultados obtenidos realizamos la siguiente tabla de conclusiones:

Despus
Negativo(-)
Positivo (+)
Antes Positivo (+)
38
Negativo (-)
40
20
Se quiere conocer si el resultado obtenido es significativo para = 5%
Solucin:
La hiptesis nula correspondiente es: H0 no hay diferencia en la intencin de voto antes
y despus del debate televisivo.
Aplicamos la prueba de McNemar, cuyo estadstico es;
[ A D 1]
=
A+ D
Donde A = 2 y D = 20. Obtenemos que
[ A D 1] = [ 2 20 1]
=
2
A+ D
2 + 20
El valor en tablas es: para

2
172
= 22 = 13136
`
=5% y 1 grado de libertad es: 384
Conclusin:
Como el valor de Chi cuadrado observado es mayor que el valor terico, se rechaza la
hiptesis nula. La diferencia de intencin de voto despus del debate televisivo s que es
significativa al nivel del 5%.
194
TABLA ESTADSTICA: DISTRIBUCIN DE 2

2 c tal que p(2 <=2 c)=p
Probabilidad p
g.l.
1
2
3
4
5
0,995
7,88
10,60
12,84
14,86
16,75
0,990
6,63
9,21
11,34
13,28
15,09
0,975
5,02
7,38
9,35
11,14
12,83
0,950
3,84
5,99
7,81
9,49
11,17
0,900
2,71
4,61
6,25
7,78
9,24
0,500
0,45
1,39
2,37
3,36
4,25
0,100
0,01
0,21
0,58
1,06
1,61
0,050
0,00
0,10
0,35
0,71
1,15
0,025
0,00
0,05
0,22
0,48
0,83
0,010
0,00
0,02
0,12
0,30
0,55
0,005
0,00
0,01
0,07
0,21
0,41
6
7
8
9
10
18,55
20,28
21,96
23,59
25,19
16,81
18,48
20,09
21,67
23,21
14,45
16,01
17,53
19,02
20,48
12,69
14,07
15,51
16,92
18,31
10,64
12,02
13,36
14,68
15,99
5,35
6,35
7,34
8,34
9,34
2,20
2,83
3,49
4,17
4,87
1,64
2,17
2,73
3,33
3,94
1,24
1,69
2,18
2,70
3,25
0,87
1,24
1,65
2,09
2,56
0,68
0,99
1,34
1,73
2,16
11
12
13
14
15
26,76
28,30
29,82
31,32
32,80
24,73
26,22
27,69
29,14
30,58
21,92
23,34
24,74
26,12
27,49
19,68
21,03
22,36
23,68
25,00
17,28
18,55
19,81
21,06
22,31
10,34
11,34
12,34
13,34
14,34
5,58
6,30
7,04
7,79
8,55
4,57
5,23
5,89
6,57
7,26
3,82
4,40
5,01
5,63
6,26
3,05
3,57
4,11
4,66
5,23
2,60
3,07
3,57
4,07
4,60
16
17
18
19
20
34,27
35,72
37,16
38,58
40,00
32,00
33,41
34,81
36,29
37,67
28,85
30,19
31,53
32,85
34,27
26,30
27,59
28,87
30,14
31,41
23,54
24,77
25,99
27,20
28,41
15,34
16,34
17,34
18,34
19,34
9,31
10,09
10,86
11,65
12,44
7,96
8,67
9,39
10,12
10,85
6,91
7,56
8,23
8,91
9,59
5,81
6,41
7,01
7,63
8,26
5,14
5,70
6,26
6,84
7,43
21
22
23
24
25
41,40
42,80
44,18
45,56
46,93
38,93
40,29
41,64
42,98
44,31
35,48
36,78
38,08
39,36
40,65
32,67
33,92
35,17
36,42
37,65
29,62
30,81
32,01
33,20
34,38
20,34
21,34
22,34
23,34
24,34
13,24
14,04
14,85
15,66
16,47
11,59
12,34
13,09
13,85
14,61
10,28
10,98
11,69
12,40
13,12
8,90
9,54
10,20
10,86
11,52
8,03
8,64
9,26
9,89
10,52
26
27
28
29
30
48,29
49,64
50,99
52,34
53,67
45,64
46,96
48,28
49,59
50,89
41,92
43,29
44,46
45,72
46,98
38,89
40,11
41,34
42,56
43,77
35,56
36,74
37,92
39,09
40,26
25,34
26,34
27,34
28,34
29,34
17,29
18,11
18,94
19,77
20,60
15,38
16,15
16,93
17,71
18,49
13,84
14,57
15,31
16,05
16,89
12,20
12,83
13,56
14,26
14,96
11,16
11,81
12,46
13,12
13,78
40
60
66,77 63,69
91,95 88,38
59,34
83,30
55,76 51,81
79,08 74,40
39,34
59,34
29,05 26,51
46,56 43,19
24,43
40,48
22,16 20,71
37,43 35,58
195
11.9.2 TEST DE LOS SIGNOS

La aplicacin de esta prueba requiere un nivel de medida de, al menos, la escala ordinal.
Este test se basa en la direccin de las diferencias entre dos mediciones (en este caso, de
una muestra antes-despus). Es de aplicacin en investigaciones donde las mediciones
cuantitativas son imposibles de realizar o no son viables. Lo que s puede determinar
para cada par de observaciones es cul es mayor en algn sentido.
Se constatan las diferencias entre los signos positivos y negativos, si las hay, y si stas
pueden ser debidas al azar. Las variables han de ser independientes, la escala de medida
como mnimo ordinal y se presupone que la variable objeto de estudio tiene una
distribucin continua.
La prueba no hace suposiciones acerca de la forma de la distribucin, ni tampoco
supone que los elementos pertenezcan al mismo universo.
Metodologa:
La hiptesis nula es la ausencia de cambios entre antes y despus. La podemos
representar por H0 : Pxi > yi = Pxi < yi = 1/2
Donde xi e yi son las respuestas obtenidas de la muestra en el momento 1 y en el
momento 2, respectivamente.
La H0 se puede plantear de la siguiente forma: la mediana de las diferencias entre x e y
es cero.
Se obtienen los valores antes y despus
Se determina la diferencia entre estos valores (d)
Entre el nmero de diferencia d(+) y d(-), se toma el menor.
La probabilidad de que en
n (nmero de diferencias producidas) ocasiones se
obtengan diferencias se compara con la binomial para p = q = 05, de forma que si es

igual o menor que un valor predeterminado de (normalmente 005), la diferencia es
significativa, es decir, se rechaza la H0 . Si la diferencia es mayor, no se rechaza la
hiptesis nula. Ta mbin se rechaza la H0 si ocurren pocas diferencias con el mismo
signo.
196
11.9.2.1 APLICACIN EN MUESTRAS PEQUEAS.

La probabilidad de ocurrencia de un nmero de positivos (+) y de negativos (-), puede
determinarse recurriendo a la distribucin binomial con p = q = 05, siendo n el nmero
de pares.
Si aparecen pares en los que no hay diferencias, esto es, si no existen signos, estos datos
son excluidos, reducindose el tamao de la muestra. Algunos autores definen esta
situacin como de empates.
Las tablas nos proporcionan las probabilidades asociadas de ocurrencia del suceso, de
acuerdo con los valores tan pequeos como d para n 30 (Algunos proponen 35).
La prueba de los signos puede ser tanto unidireccional como bidireccional. Para este
ltimo caso los valores de la probabilidad deben duplicarse.
11.9.2.2 APLICACIN EN MUESTRAS GRANDES
En este caso n (nmero de diferencias producidas) es mayor de 30. En esta situacin,
se suele utilizar la aproximacin normal a la distribucin binomial.
La distribucin tiene
n
n
media = d = np = 2 y var ianza = d2 = npq = 4
El valor de la razn crtica ser:
n
x d 2 2d n
Z= =
=
n
n
2
Esta frmula se corrige por continuidad quedando:
Z=
( d 05) 2
n
2
2d 1 n
n
Se utiliza d + 05 cuando d < n / 2, y d - 05 cuando d > n / 2

El valor obtenido de Z se considera una distribucin normal, con media 0 y varianza 1.
La significacin se determina comparando el valor calculado con el de tablas
197
Potencia eficacia
La potencia eficacia deesta prueba para n = 6 es del 95%, disminuyendo al aumentar n
hasta hacerse asinttica al 63%.
Resumen prue ba de los signos
Se determina el signo de la diferencia para cada par
Se calcula el valor de n. Los empates se excluyen del anlisis
El mtodo para determinar la probabilidad de ocurrencia cuando H0 es verdadera

depende del tamao de n
Si n < 30 se utiliza la tabla de la binomial, que indica la probabilidad asociada

(una cola) con valores tan pequeos observados de d (nmero menor de signos),
para una regin de rechazo de dos colas se duplica la probabilidad
proporcionada por la tabla
Si n > 30 se utiliza el valor z de la distribucin normal. La tabla nos muestra la

probabilidad asociada (unidireccional) a los valores de z. En el caso
bidireccional, se duplica la probabilidad obtenida por la tabla.
Si la probabilidad mostrada por la prueba es menor o igual a (normalmente

005), se rechaza la hiptesis nula (H0 ).
CASO PRCTICO 1
En una reunin con 25 delegados sindicales se pide la opinin de todos acerca de las
nuevas medidas de seguridad en el trabajo. Sus opiniones se recoge a travs de una
escala de cinco puntos siendo 1 muy desfavorable y 5 muy favorable. Los
delegados reciben un curso de formacin despus del cual, se vuelve a pedir su opinin.
Los resultados obtenidos se recogen en la siguiente tabla.
Se quiere conocer si la diferencia observada es significativa para 005.
Solucin
Del anlisis de la tabla obtenemos: d(+) = 8, d(-) = 4. Sin diferencia 13. El tamao de
n = 12
Seleccionamos la menor, esto es d(-) = 4. La probabilidad de obtener 4 cambios en 12
ocasiones, la buscamos en tablas y obtenemos que es: 0194; para la prueba
198
bidireccional ser 0388. Este valor es superior al nivel de significacin 005 que hemos
seleccionado, luego no rechazamos la hiptesis nula.
Conclusin: no se producen cambios significativos en la opinin de los delegados
sindicales despus de recibir el curso de formacin.
Tabla de resultados
Persona Momento 1 Momento 2 Signo (d)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
3
4
2
3
3
2
2
5
5
3
2
5
2
5
3
2
4
3
3
2
4
3
2
3
5
3
4
2
2
4
2
2
5
5
3
3
4
4
5
2
4
4
4
4
4
3
4
2
3
5
199
0
0
0
+
0
0
0
0
0
+
+
0
+
0
+
+
+
+
0
0
0
CASO PRCTICO 2
Supongamos que repetimos la experiencia anterior con una muestra de 150 elementos.
Los resultados obtenidos quedan resumidos en el siguiente cuadro:
No cambian
56
Cambio positivo
32
Cambio negativo 62
Al tratarse de una muestra grande, n = 94, aplicamos el estadstico Z, cuya frmula para
este caso es:
Z=
2d 1 n
n
Z=
2d 1 n 2 x32 + 1 94 29
=
= 9695 = 2991
n
94
La probabilidad asociada al valor obtenido es: 00014; para dos colas sera 00028.
Como este valor es ms pequeo que 005, la decisin es rechazar la hiptesis nula.
Conclusin: se producen cambios significativos en la opinin de los delegados
sindicales despus de recibir el curso de formacin.
11.9.3 TEST DE RANGOS ASIGNADOS DE WILCOXON
Se trata de una prueba parecida a la anterior, con la diferencia de que en este test se
adjudica ms peso a los pares que muestran mayores diferencias entre las dos
condiciones que a los pares cuya diferencia es menor.
Esta prueba es de utilidad cuando se trata de emitir juicios del tipo mayor que. Con
esta prueba el investigador puede:
Determinar qu miembro del par es mayor que
Establecer rangos en las diferencias en orden de tamao absoluto
Se llega a considerar a las diferencias como si se correspondiesen con una medida de
intervalo (en realidad son diferencias de rangos).
200
Metodologa
La hiptesis nula es que la suma de rangos es nula. Esto es, que la diferencia entre un
sentido y otro es la misma.
Los tratamientos efectuados en el par se denominan X e Y, la diferencia de resultados
por d, esto es di = xi - yi
Se calculan todas las diferencias
Se ponen todas las diferencias en columna sin tener en cuenta el signo. Se adjudica el
rango 1 a la ms pequea. No se tiene en cuenta el signo. Se trabaja en valores absolutos
(en las diferencias negativas la ms pequea ser -1).
El rango se pone de acuerdo con los valores absolutos de di ; luego aplicaremos el signo
en funcin de que el valor de la distancia sea positivo o negativo. De esta forma se
pueden identificar los rangos de las diferencias negativas de los rangos de las
diferencias positivas e indicarlos.
Tal y como decamos anteriormente, la hiptesis nula es que los tratamientos X e Y son
equivalentes, es decir, tienen la misma mediana y la misma distribucin continua.
Si H0 es verdadera, la suma de los rangos de signo positivo ser la misma que la suma
de rangos de tipo negativo. Por consiguiente, si la diferencia es muy distinta podemos
deducir que el tratamiento X difiere del Y, y por tanto, rechazaramos H0.
Rechazaremos la H0 siempre que la suma de los rangos positivos o negativos sea muy
pequea.
Los estadsticos que se utilizan en esta prueba son:
+
T Suma de los rangos de las diferencias positivas

-
T Suma de los rangos de las diferencias negativas

Empates
En ocasiones, los dos resultados de un par son iguales; entonces xi - yi = di = 0. En esta
situacin hay que excluir este tipo de par del anlisis, disminuyendo por consiguiente el
valor de n.
El valor de la muestra n ser el nmero total de pares objeto de estudio excepto los
empates con d = 0.
Otro tipo de empate habitual es cuando dos o ms diferencias son de la misma
magnitud. En estas circunstancias se les asigna el mismo rango.
201
El valor del rango se calcula de la forma siguiente:

Supongamos que tenemos tres pares cuyas diferencias son +1, -1 y 1; a cada par le
asignaremos el rango 2; esto se debe a que promediamos los rangos que corresponden a
cada diferencia. El correspond iente clculo es:
(1 + 2 + 3) : 3 = 2
Al par siguiente le correspondera el rango 4, y as sucesivamente.
11.9.3.1 APLICACIN EN MUESTRAS PEQUEAS
En esta prueba, una muestra se considera pequea cuando n 15. En este caso, se aplica
la tabla de rangos asignados de Wilcoxon que nos proporciona la probabilidad asociada
+
a los valores T . Si la probabilidad es menor o igual que el nivel de significacin , se

rechaza H0.
11.9.3.2 MUESTRAS GRANDES
Una muestra se considera grande cuando n es mayor de 15. En este caso, se calcula la
razn crtica Z, es decir, se compara con una normal (0,1) de media y desviacin tpica
T =
n( n + 1)
y T =
4
n( n + 1)( 2n + 1)
24
El valor de Z ser:
T + T
Z=
T
Si existen rangos con empates, se corrige la varianza, utilizando la frmula:
n( n + 1)( 2n + 1) 1 g
=
t j t j 1 t j + 1
24
2 j =1
2
T
)(
Donde g es el nmero de agrupamientos de diferentes rangos empatados y tj nmero de

rangos empatados agrupados en j.
Potencia eficacia.
Para muestras pequeas es cercana al 95%.
202
Resumen de la prueba de Wilcoxon
Para cada par se determina la diferencia y su signo d = xi - yi
Se ordenan los rangos por valores absolutos (sin tener en cuenta el signo)
A las diferencias que tengan el mismo valor se les asigna el rango promedio
A cada rango se le asigna el signo + o - de la diferencia correspondiente
Se determina el valor de n que es el nmero de diferencias distintas de 0
Se determina T+ ,que es la suma de los rangos de signo positivo
Se determina la significacin en funcin del tamao de n
Si n es igual o menor de 15, la tabla de Wilcoxon nos proporciona la

probabilidad asociada a los valores de T+. Si la probabilidad es igual o menor
que el nivel de significacin , se rechaza la H0
Si n es mayor de 15, se calcula Z utilizando la frmula
T + T
Z=
T
En el caso de rangos con empate, se utiliza la correspondiente correccin para la

desviacin tpica.
La probabilidad asociada se determina con la tabla de la normal
Para pruebas bidireccionales, se multiplica por dos el valor de tabla. Si la

probabilidad obtenida de esta manera es menor o igual que , se rechaza H0
CASO PRCTICO
A un grupo de 10 consumidores potenciales se les pide que valoren, en una escala de 0 a
10 (0 como valor mnimo y 10 como mximo), dos refrescos A y B, respecto a un
determinado atributo.
Los resultados obtenidos son los de la tabla siguiente:
Consumidor 1
10
Refresco A
Refresco B
Diferencia
-4
-1
-2
-5
203
Solucin:
H0. La suma de rangos es nula
Hay 9 diferencias no nulas a las que les corresponden los siguientes rangos
Rango
1, 1, -1
(1 + 2 + 3) : 3 = 2 2, 2 -2
2, 2, -2
(4 + 5 + 6) : 3 = 5 5, 5,-5
-4
-8
-5
-9
Los estadsticos correspondientes son:

T+ = 2 + 2 + 5 + 5 + 7 = 21
T- = 2 +5 + 8 + 9 = 24
El total de diferencias no nulas es n = 9

Buscando en la tabla T de Wilcoxon para un = 0`05 y n = 9 en la prueba bilateral
obtenemos el valor de 6
Conclusin:
Como el valor de tablas es inferior al calculado T+ = 21, no se puede rechazar la
hiptesis nula. Esto significa que no hay diferencias significativas en la evaluacin del
atributo estudiado entre los dos refrescos.
204
TABLA T DE WILCOXON
Test Unilateral
N
0025
001
005
Test Bilateral
N
005
002
001
10
11
11
12
14
10
13
17
13
10
14
21
16
13
15
25
20
16
16
30
24
20
17
35
28
23
18
40
33
28
19
46
38
32
20
52
43
38
21
59
49
43
22
66
56
49
23
73
62
55
24
81
69
61
25
89
77
68
205
11.10 CASO DE DOS MUESTRAS INDEPENDIENTES.

11.10.1 INTRODUCCIN
En la Investigacin Comercial, en muchas ocasiones, no se pueden utilizar muestras
relacionadas, utilizndose muestras independientes. En este tipo de investigacin las dos
muestras son obtenidas por uno de los siguientes procedimientos:
De forma aleatoria de dos poblaciones diferentes
De una misma poblacin se elige una muestra aleatoria dentro de la cual se obtienen
submuestras.
En ambos casos, no es necesario que el tamao de las muestras sea idntico.
En los test paramtricos, la prueba usual en el caso de muestras independientes es el test
t a las medias de los dos grupos.
En los test no paramtricos, las pruebas ms usuales son:
Prueba exacta de Fisher para tablas de 2 x 2
Prueba de Ji cuadrado para dos muestras independientes.
Prueba de la mediana
Prueba de Wilcoxon, Mann, Whitney
Prueba de rangos ordenados (poderosa)
Prueba de Kolmogorov, Smirnov para dos muestras
Prueba de las permutaciones para dos muestras independientes
Prueba de Siegel Tukey para diferencias en la escala
Prueba de Moses para diferencias en la escala
Todas las pruebas no paramtricas para dos muestras independientes evalan la

hiptesis de que las dos muestras provienen de la misma poblacin, las pruebas son ms
o menos sensibles a diferentes tipos de diferencias entre las muestras.
11.11 CASO DE K MUESTRAS RELACIONADAS

11.11.1 INTRODUCCIN
En determinados estudios de mercado interesa estudiar ms de dos muestras
simultneamente, por ejemplo en experimentacin. En estas circunstancias, es preciso
206
disponer de pruebas estadsticas que nos indiquen la posible diferencia global entre las
k muestras. En las pruebas paramtricas se recurre al anlisis de la varianza (test F).
Los test no paramtricos ms utilizados son:
Prueba Q de Cochran
Anlisis de varianza bifactorial, por rangos, de Friedman
Prueba de Page para alternativas ordenadas
Estas pruebas son adecuadas cundo las mediciones de la variable estn en escala
ordinal.
11.12 CASO DE K MUESTRAS INDEPENDIENTES

11.12.1 INTRODUCCIN
Estas pruebas se utilizan cuando el investigador necesita decidir si varias muestras
independientes pueden considerarse provenientes de la misma poblacin.
La hiptesis nula a contrastar es que las k muestras independientes se han extrado de la
misma poblacin o de k poblaciones idnticas.
La prueba paramtrica habitual es el anlisis de la varianza (test F).
Los test no paramtricos ms usuales son:
Test de Ji cuadrado para muestras independientes
Prueba de la mediana (extensin)
Anlisis de varianza unifactorial por rangos de Kruskal, Wallis
Prueba de Jonckheere para niveles ordenados de la variable.
207
12. BIBLIOGRAFA RECOMENDADA.

1. ANLISIS ESTADSTICO MULTIVARIABLE. Teora y ejercicios. R. Sierra
Bravo. Editorial Paraninfo, 1994
2. ANLISIS MULTIVARIANTE. (5 edicin). Hair, Anderson, Tatham, Black.
Prentice may, 1999
3. APLICACIONES DE INVESTIGACIN COMERCIAL. Elena Abascal,
Ildefonso Grande. ESIC editorial, 1994
4. CMO HACER INVESTIGACIN DE MERCADOS? P. N. Hague,
P.Jackson. Deusto, 1992
5. CMO MEDIR LA SATISFACCIN DEL CLIENTE? Desarrollo y
utilizacin de cuestionarios. Bob E. Hayes. Ediciones Gestin 2000, 1995
6. CUADERNOS DE ESTADSTICA: Anlisis de varianza. Francisco J. Tejedor.
Editorial La Muralla Hesprides, 1999
7. CUADERNOS DE ESTADSTICA: Anlisis de correspondencias. Luis Joaristi
Olariaga. Editorial La Muralla Hesprides, 1999
8. CUADERNOS DE ESTADSTICA: Anlisis factorial. E. Garca Jimnez y
otros. Editorial La Muralla Hesprides, 1999
9. CUADERNOS DE ESTADSTICA: El anlisis multivariante en la investigacin
cientfica. Rosario Martnez Arias. Editorial La Muralla Hesprides, 1999
10. CUADERNOS DE ESTADSTICA: Regresin mltiple. Juan Etxeberra.
Editorial La Muralla Hesprides, 1999
11. CUADERNOS METODOLGICOS: Cuestionarios. (26) M Jos Azofra. CIS
Centro de Investigaciones Sociolgicas, 1999
12. DIRECTORIO DE FUENTES DE INFORMACIN DE LA ECONOMA
ESPAOLA. Paloma Portela. Directora. Crtica, 1996
13. DISEO DE INVESTIGACIONES: Cuaderno de Prcticas. Hilda Gambara.
Mc Graw Hill, 1995
14. DISEO DE INVESTIGACIONES: Introduccin a la lgica de la investigacin
en Psicologa y Educacin. Orfelio G. Len, Ignacio Montero. Mc Graw Hill,
1993
208
15. DISEO Y TRATAMIENTO ESTADSTICO DE ENCUESTAS PARA

ESTUDIOS DE MERCADO. Julin Santos Peas y otros. Editorial Centro de
Estudios Ramn Areces SA, 1999
16. DYANE Versin 2 Diseo y anlisis de encuestas en investigacin social y de
mercados. Migue l Santesmases Mestre. Pirmide, 2001
17. EL ABC DE INTERNET y las 1000 direcciones ms tiles. Esine, 2000
18. EL ARTE DE LA ENCUESTA. Principios bsicos para no especialistas. Y.
Harvatopoulos y otros. Deusto, 1992
19. EL DIFERENCIAL SEMNTICO. Tcnicas de investigacin social. Alfredo
Bechini Tejados. Hispano Europea, 1986
20. EL MTODO DELPHI. Una tcnica de previsin para la incertidumbre. Jon
Landeta. Ariel Practicum, 1999
21. EL SONDEO UNA HERRAMIENTA DE MARKETING. J. Antoine. Deusto,
1992
22. ESTADSTICA APLICADA.(2 edicin) Flix Calvo. Ediciones Deusto, 1994
23. ESTADSTICA NO PARAMTRICA Aplicada a las ciencias de la conducta.
Sydney Siegel N. John Castellan. Trillas,1995
24. FUNDAMENTOS Y TCNICAS DE INVESTIGACIN COMERCIAL. (5
edicin) Ildefonso Grande Esteban, Elena Abascal Fernndez. Editorial ESIC,
2000
25. IDENTIFICACIN DE LOS MERCADOS APROPIADOS. David Parmelee.
Granica, 1998
26. INTRODUCCIN AL ANLISIS ECONOMTRICO CON DATOS DE
PANEL. Manuel Arellano. Servicio de estudios Banco de Espaa.
27. INVESTIGACIN COMERCIAL DINMICA. Luis Roig Sancho. Deusto,
1982
28. INVESTIGACIN COMERCIAL, 22 casos prcticos y un apndice terico. M
ngeles Gonzlez Lobo. Esic, 2000
29. INVESTIGACIN DE MARKETING. Teodoro Luque. Ariel, 1997
30. INVESTIGACIN DE MERCADOS (3 edicin). David Aaker, Gerge S. Day.
Mc Graw Hill, 1994
209
31. INVESTIGACIN DE MERCADOS (5 edicin). Kinnear Taylor. Mc Gaw

Hill, 1998
32. INVESTIGACIN DE MERCADOS (6 edicin). William G. Zikmund.
Prentice Hall, 1998
33. INVESTIGACIN DE MERCADOS Ronald M. Weiers. Prentice may, 1986
34. INVESTIGACIN DE MERCADOS Y ESTRATEGIA DE MARKETING.
Laurentino Bello y otros. Editorial Cvitas,1993
35. INVESTIGACIN DE MERCADOS. Cmo se realiza, cmo se utiliza. Ramn
Ribas Muntan. Editorial Index, 1993
36. INVESTIGACIN DE MERCADOS. Gua Maestra para el profesional. Jeffrey
Pope. Editorial Norma, 1981
37. INVESTIGACIN DE MERCADOS. Jeffrey Pope. Parramn, 1994
38. INVESTIGACIN DE MERCADOS. Salvador Miquel, y otros. Mc Graw Hill,
1996
39. INVESTIGACIN DE MERCADOS.Un enfoque prctico. Narres K. Malhotra.
Prentice Hill, 1997 (2 edicin)
40. INVESTIGACIN DE MERCADOS: Obtencin de informacin. ngel
Fernndez Nogales. Editorial Cvitas, 1997
41. INVESTIGACIN EN MARKETING. Enrique Dez de Castro, Javier Landa
Bercebal. Editorial Cvitas, 1994
42. INVESTIGACIN INTEGRAL DE MERCADOS. Un enfoque operativo. Jos
Nicols Jany. Mc. Graw Hill, 1994
43. INVESTIGACIN INTEGRAL DE MERCADOS. Un enfoque para el siglo
XXI. Jos Nicols Jany. Mc Graw Hill, 2000
44. INVESTIGACIN Y ANLISIS DE MERCADO. Lehmann. CECSA, 1993.
45. LA
INTEGRACIN
DE
LOS
MTODOS
CUANTITATIVO
CUALITATIVO EN LA INVESTIGACIN SOCIAL. Significado y medida.

Eduardo Bericat. Ariel Sociologa, 1998
46. LA
INVESTIGACIN
CIENTFICA
DE
LOS
COMUNICACIN. Una introduccin a sus mtodos.

Joseph R. Dominick. Bosch, 1996
210
MEDIOS
DE
Roger D. Wimmer,
47. LA INVESTIGACIN COMERCIAL COMO SOPORTE DEL MARKETING.

Ramn Pedret. Deusto, 2000
48. LA INVESTIGACIN EN MARKETING. (Dos tomos) Varios Autores.
Aedemo, 2000
49. LA INVESTIGACIN EN RELACIONES PBLICAS. John V. Pavlik.
Gestin 2000, 1999
50. LA PRCTICA DE LA INVESTIGACIN COMERCIAL. Francisco Serrano
Gmez. Editorial ESIC, 1990
51. LOS ESTUDIOS DE MERCADO. Jos M Ferr Trenzano. Jordi Ferr Nadal.
Daz de Santos, 1997.
52. MANUAL DE INVESTIGACIN COMERCIAL. Enrique Ortega Martnez
.Pirmide, 1990
53. MANUAL
DE
PSICOLOGA
EXPERIMENTAL.
Metodologa
de
investigacin. Juan Pascual y otros. Ariel, 1996

54. MANUAL PARA ENCUESTADORES. V. G. Manzano y otros. Ariel, 1996
55. MEDICIN, INVESTIGACIN E INFORMACIN DE LA PUBLICIDAD.
Ral Eguizabal, Antonio Caro. Comunicacin, 2000
56. METODOLOGA DE LA INVESTIGACIN PARA ADMINISTRACIN Y
ECONOMA. Csar Augusto Bernal. Prentice Hall, 2000
57. METODOLOGA DE LA OBSERVACIN EN LAS CIENCIAS HUMANAS.
M Teresa Anguera. Ctedra, 1992 (5 edicin)
58. METODOLOGA PARA LA INVESTIGACIN EN MARKETING Y
DIRECCIN DE EMPRESAS. Francisco Jos Sarabia Snchez (Coordinador),
Pirmide, 1999
59. MTODOS
MULTIVARIANTES
PARA
LA
INVESTIGACIN
COMERCIAL. Elena Abascal, Ildefonso Grande. Ariel Economa, 1989

60. MODELOS CAUSALES. Tcnicas de investigacin social. B. Visauta Vinacua.
Hispano Europea, 1986
61. PLANEACIN PROSPECTIVA. Una estrategia para el diseo del futuro.
Toms Miklos, M Elena Tello. Noriega Limusa, 1991
62. PREPARACIN, TABULACIN Y ANLISIS DE ENCUESTAS PARA
DIRECTIVOS. Joseph Mria Albiol y otros. ESIC, 1998
211
63. QU ES LA INVESTIGACIN DE MERCADOS? Jack Hamilton. AEDEMO

ESOMAR, 1989
64. TCNICAS DE ANLISIS DE DATOS EN INVESTIGACIN DE
MERCADOS. Teodoro Luque Martnez (Coordinador). Pirmide, 2000
65. TCNICAS DE INVESTIGACIN APLICADAS A LAS CIENCIAS
SOCIALES. Jorge Padua El Colegio de Mxico. Fondo de Cultura, 1992
66. TCNICAS DE INVESTIGACIN SOCIAL. Teora y ejercicios. R. Sierra
Bravo Paraninfo, 1991
67. TCNICAS DE LA INVESTIGACIN SOCIAL. Fernando Giobellina
Brumana. Nueva Escuela Publicaciones,1995
68. TCNICAS ESTADISTICAS CON SPSS. Csar Prez. Prentice Hall, 2001
69. TEMAS DE INVESTIGACIN DE MEDIOS PUBLICITARIOS. J. Enrique
Bign. Editorial ESIC,2000
Zaragoza a 20 de Agosto de 2004
212

Investigacion Cuantitativa

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Investigacion Cuantitativa

Uploaded by

Copyright:

Available Formats

Anlisis de la Investigacin Cuantitativa

Eduardo Jimnez Marqus

Anlisis de la Investigacin Cuantitativa

Anlisis de la Investigacin Cuantitativa

CAPTULO 1 CONCEPTOS BSICOS.......................... 14

QU ES LA INVESTIGACIN DE COMERCIAL? ...................... 14

QU ES LA INVESTIGACIN CUANTITATIVA? ...................... 14

TCNICAS UTILIZADAS EN LA INVESTIGACIN CUANTITATIVA 15

LA ENCUESTA ESTRUCTURADA ................................................................16

DETERMINACIN DEL TAMAO DE LA MUESTRA ....................................17

CAPTULO 2 OBSERVACIN ................................... 21

DEFINICIN Y CONCEPTOS GENERALES ............................. 21

FASES DE LA INVESTIGACIN POR OBSERVACIN................. 22

TIPOS DE OBSERVACIN ................................................ 24

EN FUNCIN DE LA INTERVENCIN DEL INVESTIGADOR .........................24

SEGN SE REALICE EN CIRCUNSTANCIAS NATURALES O ARTIFICIALES ...25

SEGN LA PARTICIPACIN DE LA MUESTRA ............................................25

DE ACUERDO CON SU ESTRUCTURACIN ................................................25

EN FUNCIN DE LA FORMA ......................................................................26

Anlisis de la Investigacin Cuantitativa

DE CONFORMIDAD CON EL PROCEDIMIENTO ..........................................26

ELABORACIN DE UN CDIGO DE OBSERVACIN ................ 26

MEDIDAS EN LA INVESTIGACIN POR OBSERVACIN ............ 27

TCNICAS DE MUESTREO Y OBSERVACIN ......................... 28

CASO PRCTICO .......................................................................................31

VALIDEZ ORIENTADA AL CRITERIO ..........................................................33

ANLISIS DE DATOS ..................................................... 33

FUENTES DE ERROR EN LA OBSERVACIN ........................ 33

VENTAJAS E INCONVENIENTES DE LA INVESTIGACIN POR

CAPTULO 3 EXPERIMENTACIN ............................. 35

PRINCIPALES APLICACIONES ........................................... 37

Anlisis de la Investigacin Cuantitativa

INDICADORES DE VALIDEZ DE UN EXPERIMENTO ................. 38

ANLISIS ESTADSTICO DE LOS DISEOS EXPERIMENTALES..... 38

MTODO ANOVA TRADICIONAL...............................................................39

TIPOS DE EXPERIMENTOS HABITUALMENTE UTILIZADOS EN

EXPERIMENTACIN AL AZAR ....................................................................41

EXPERIMENTACIN EN BLOQUES ALEATORIOS ........................................41

EXPERIMENTO DE CUADRADO LATINO ....................................................41

EXPERIMENTO CON INTERCAMBIO ...........................................................41

LIMITACIONES DE LA EXPERIMENTACIN COMERCIAL ........... 42

CASO PRCTICO: EXPERIMENTO DE BLOQUE ALEATORIO....... 42

EXPERIMENTO DE BLOQUE ALEATORIO (SPSS) .........................................45

TABLA ESTADSTICA: DISTRIBUCIN DE LA F.................... 46

MTODOS DE SIMULACIN .......................................... 46

CAPTULO 4 LA ENCUESTA ESTRUCTURADA .............. 49

Anlisis de la Investigacin Cuantitativa

LA ENCUESTA. TIPOS. DATOS QUE APORTA. VENTAJAS E

TIPOS DE ENCUESTA ESTRUCTURADA......................................................51

INFORMACIN QUE APORTAN LAS ENCUESTAS.......................................52

VENTAJAS E INCONVENIENTES .................................................................52

CARACTERSTICAS DE L AS ENCUESTAS ESTRUCTURADAS....... 53

TIPOS DE ENCUESTA ESTRUCTURADA SEGN EL PROCEDIMIENTO

EMPLEADO PARA OBTENER LA INFORMACIN ............................. 53

ENCUESTA PERSONAL VIS A VIS ....................................... 53

ENTREVISTAS POR DETENCIN ................................................................55

ESTUDIOS CON INVITADOS A UNA LOCALIZACIN CENTRAL .................56

ENCUESTA POR CORREO................................................ 58

MIXTAS COMBINACIONES TELEFNICA, CORREO Y PERSONAL ...............61

ENCUESTAS ESTRUCTURADAS POR SUSCRIPCIN ................. 62

ENCUESTA SECTORIAL DE BIENES DE CONSUMO DURADERO... 62

PANEL DE HOGARES .................................................................................66

Anlisis de la Investigacin Cuantitativa

PANEL DE AUDIMETROS (T.V.) ...............................................................68