CFAPEDU

CENSO O MUESTRA

• El objetivo de la mayor parte de los proyectos de investigación de mercados es obtener información sobre las características o parámetros de una población.

¿QUE ESUNA POBLACION?

• Es el conjunto de todos los elementos que poseen algunas características comunes respecto al problema de investigación de mercados. 
• Son los objetos de estudio.
• La información acerca de la población puede obtenerse mediante un censo o una muestra.

​

¿QUE ES UN CENSO?

• Es un recuento de todos los elementos de una población. 

¿QUE ES UNA MUESTRA?

• Es un subconjunto de los elementos de una población seleccionados para participar en un estudio.

CUANDO OCUPAR MUESTRA O CENSO:

• En la gran mayoría de las investigaciones de mercados se usa muestra.

PROCESO DE MUESTREO

​

• La población objetivo es un conjunto de elementos que poseen la información que busca el investigador y acerca del cual deben hacerse las inferencias.
• La población objetivo se define por:
  • Elemento: objeto sobre el cual se desea información.
  • Unidad de muestra: unidad básica que contiene los elementos.
  • Extensión: zona geográfica
  • Tiempo

• Elementos: mujeres, mayores de 25 años, que hayan comprado aceite en los últimos 30 días.
• Unidades: supermercados
• Extensión: Región Metropolitana
• Tiempo: julio del 2006

​

• El marco de la muestra es una representación de los elementos de la población objetivo que consiste en una lista o grupo de indicaciones.
• El marco muestral se puede obtener de: directorios telefónicos, listas de correos electrónicos, listas de empleados de empresas de determinada industria, entre otros.

• Grupo objetivo: hombres y mujeres, de los grupos socioeconómicos ABC1 y C2, que hayan leído El Mercurio en los últimos 30 días.
• Marco de la muestra: lista de socios (teléfonos o e-mail) del Club de Lectores de El Mercurio.

• En muchas investigaciones se ignora la discrepancia entre población objetivo y marco de la muestra (Características población objetivo ≈ Características marco muestral).
• En muchas investigaciones se redefine el grupo objetivo de acuerdo a las características del marco muestral.
• En muchas investigaciones se ponderan los casos obtenidos del marco de la muestra de acuerdo a las características de la población objetivo.

• El muestreo probabilístico es una técnica de muestreo en la cual cada elemento tiene una probabilidad conocida y mayor de cero de ser seleccionado para la muestra.
• Características del muestreo probabilístico:
  • Permite realizar inferencias (proyecciones) estadísticas acerca de las características del grupo objetivo.
  • Permite obtener un error estándar (intervalo de confianza) para las características del grupo objetivo.
• Hay 3 grandes métodos de muestreo probabilístico:

​

• Muestreo aleatorio simple (SRS)

• Cada elemento se selecciona en forma independiente de cualquier otro.
• La muestra se toma del marco muestral de una manera totalmente aleatoria (equivalente a un sistema de lotería).
• Un SRS requiere la numeración o empadronamiento de todos los elementos del marco muestral.

•  Fácil de comprender.
•  Los resultados pueden proyectarse naturalmente a la población objetivo.

• No siempre son factibles (imposible “enumerar” una población demasiado grande).
• Puede ser costoso (ej.: área geográfica muy extensa como todo Chile).
• Distorsiones en tamaños de muestra muy pequeños.

​

• Muestreo estratificado

• Se deben utilizar variables de clasificación que dividan la población en estratos (grupos) cuyos elementos sean homogéneos entre sí, pero heterogéneos respecto a los elementos pertenecientes a los estratos restantes.
• Las variables de estratificación deben ser relevantes para el problema de investigación.

• Asignación Proporcional: ​El número de elementos seleccionados es proporcional al tamaño que tiene el estrato con respecto a la población total.

• Asignación Igual: El número de elementos seleccionados es el mismo para cada estrato.

• Muestreo por conglomerados

• La selección de los grupos a incluir en la muestra puede hacerse de manera aleatoria o según el tamaño de cada grupo (según la cantidad de elementos que componen cada grupo).

• Monoetápico: Se incluyen todos los elementos de los grupos seleccionados.

Ejemplo: Se divide una cuidad en comunas. Se seleccionan algunas de estas comunas. Luego se seleccionan todos los hogares pertenecientes a estas comunas.

• Bietápico: Se incluye una muestra (aleatoria o proporcional al tamaño) de los grupos seleccionados.

Ejemplo: Se divide una cuidad en comunas. Se seleccionan algunas de estas comunas. Luego se selecciona una muestra de los hogares pertenecientes a estas comunas.

• Polietápico: Se incluye una muestra (aleatoria o proporcional al tamaño) de los grupos seleccionados en varias etapas.

Ejemplo: Se divide una cuidad en comunas. Se seleccionan algunas de estas comunas. Luego estas comunas se dividen en manzanas. Se seleccionan algunas de estas manzanas. Luego estas manzanas se dividen en calles. Luego se selecciona una muestra de los hogares pertenecientes a estas calles.

MUESTREO PROBABILÍSTICO

• No hay forma de establecer la probabilidad de seleccionar un determinado elemento.
• Los resultados no se pueden proyectar estadísticamente al grupo objetivo.
• Se utilizan especialmente en: test de conceptos, test de nombres, pruebas de envase y otros estudios en que importa más explorar la diversidad de respuestas de un grupo determinado, que estimaciones estadísticas muy precisas de la población total.

• Conveniencia.
• Criterio.
• Cuotas.

• Muestreo por conveniencia

• Las unidades de muestra suelen ser accesibles, fáciles de medir y cooperativas.
• Están presentes algunas fuentes de sesgo de selección (auto-selección o “sobre-muestreo” de ciertos grupos de la población).
• Suelen usarse en generación de hipótesis, exploración de ideas o estudios piloto.

• Estudiantes, grupos religiosos y grupos sociales en general.
• Intercepción en centros comerciales (sin filtrar a los encuestados de acuerdo a sus características).
• Cuestionarios que se incluyen en revistas.

• Muestreo por criterio

• El investigador, a través de su juicio y experiencia, cree que ciertos elementos son representativos de la población y por ello deben ser incluidos en la muestra.
• El muestreo por criterio es absolutamente subjetivo.
• Frecuentemente se ocupa el criterio llamado “bola de nieve”, que consiste en pedirle a los entrevistados que identifiquen a otras personas que puedan representar la población en estudio.

• Mercados de prueba: el mercado chileno, para representar a todos los mercados sudamericanos.
• Alumnos de IN580, para representar a los alumnos del DII.
• Compradores del mall Parque Arauco, para representar a los consumidores de todos los centros comerciales de la ciudad de Santiago.

• Muestreo por cuotas

• Las características de control usadas para definir los grupos deben ser relevantes para el problema de investigación.
• Con frecuencia, las cuotas que se asignan a cada grupo corresponden a la distribución real de la población respecto a las características de control.
• Una vez que se asignan las cuotas, existe amplia libertad en la forma de seleccionar los elementos que conformarán la muestra de cada grupo.
• Puede no ser representativo si se omiten variables de control relevantes por dificultades prácticas asociadas a la inclusión de muchas de éstas. 
• Existen muchas fuentes potenciales de sesgo, como que los encuestadores vayan a lugares en los cuales es más fácil encontrar participantes (ej. universidades) y eviten otros más complejas (ej. poblaciones marginales).

• Supongamos un estudio que busca determinar los hábitos de lectura de la población adulta de una ciudad de 350.000 habitantes. Se seleccionó una muestra de 1000 elementos. Las características de control son: sexo, edad y raza.

MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO

• Condiciones que favorecen el uso de:

• El tamaño de la muestra es el número de elementos que se incluirán en el estudio.
• El proceso de determinación del tamaño de la muestra es complejo y requiere varias consideraciones no sólo cuantitativas sino que también algunas consideraciones cualitativas.

• Importancia de la decisión: En general, para decisiones muy importantes, es necesaria más información y que ésta sea muy precisa. Sin embargo, se debe considerar que cuando más grande sea la muestra, cada unidad de información adicional se obtiene a un costo más elevado y menor será su aporte en precisión.
• Naturaleza de la investigación: Para la investigación exploratoria el tamaño de la muestra es reducido. Para la investigación conclusiva, se requieren muestras más grandes.
• Número de variables: Si se desea analizar los datos cruzándolos por varias variables se requiere una muestra más extensa.
• Naturaleza del análisis de datos: Si se va a ocupar un análisis estadístico de los datos más sofisticado (uso de técnicas multivariadas) es recomendable un tamaño de muestra más grande.
• Tamaños de muestra utilizados en estudios similares: Los tamaños de muestra utilizados en estudios similares pueden servir como lineamientos para aproximar un tamaño de muestra, en especial en muestreos no probabilísticos.
• Limitaciones de recursos: Mientras más recursos se tienen: dinero, tiempo y personal calificado para la recopilación de datos, entonces se puede aspirar a obtener un tamaño de muestra más grande.

​

• Para determinar cuantitativamente el tamaño de una muestra es necesario primero conocer cómo ésta puede distribuirse.
• La distribución de la muestra es la distribución estadística de los valores que fueron extraídos de una población objetivo de acuerdo un método de muestreo específico.
• En la investigación de mercados es fundamental calcular estadísticos, como la media y la proporción de la muestra, para generalizar estos resultados a la población objetivo. Este proceso se conoce como inferencia estadística.
• La media de la muestra sigue una distribución normal. 
• Aunque en estricto rigor, la distribución de una proporción es una binomial, para muestras grandes (n ≥ 30) puede aproximarse con una normal.
• Los parámetros de la media y la proporción de la población objetivo pueden ser estimados con los valores de la media y la proporción de la muestra. Para ésto se usan las siguientes fórmulas:

• Las yi representan los valores de la variable medida en el i-ésimo elemento de la población.
• Las ai son variables dicotómicas (0 ó 1), tomando el valor 1 en el caso de poseer la característica.

​

• Las estimaciones obtenidas a partir de la muestra están afectadas por el error estadístico o error estándar. Para el muestreo probabilístico, podemos calcular este error:

• Cuando el tamaño de la muestra es menor al 10% del tamaño de la población se puede asumir una población infinita y por lo tanto eliminar el factor de corrección.

NIVEL DE CONFIANZA

• El nivel o grado de confianza de una estimación es la probabilidad que el verdadero valor de la población se encuentre entre dos valores determinados, llamados límites del intervalo de confianza.

• En consecuencia, el valor de la población que deseamos estimar estará comprendido con una probabilidad o grado de confianza definido, entre los valores que resultan de sumar o restar el error estadístico al valor obtenido del estimador muestral.
• El coeficiente K depende del grado de confianza elegido:

Ejemplo:

• Supongamos un estudio del ingreso de las familias de la comuna de Quilicura (10.000.000 habitantes). Se tomó una muestra de 300 personas que arrojó que el ingreso promedio era de M$ 182 por familia. Estudios anteriores indican que se puede suponer una desviación estándar para la población de M$ 55.
• Primero calculemos el error estándar de la media para poblaciones infinitas:

• Ahora establezcamos un nivel de confianza del 95% (K=1,96):

• Finalmente podemos concluir que el intervalo de confianza de 95% varía de 175,77 a 188,23 M$. Es decir, que la probabilidad que el ingreso promedio de las familias de Quilicura se encuentre en este rango es de 0,95.

​

MEDIA

• El tamaño de la muestra se puede determinar construyendo un intervalo de confianza alrededor de la media.
• Sabemos que:

• Despejando n:

• Es decir, el tamaño de la muestra depende de tres factores:
  • Nivel de confianza (K).
  • El error estadístico que estamos dispuestos a tolerar.
  • Variabilidad de los datos.
• Normalmente el valor s2 es desconocido. Para estimar este valor el investigador puede:
  • Ponerse en el peor de los casos.
  • Recurrir a información secundaria (media de estudios anteriores).
  • Realizar una muestra piloto.
• En la mayoría de las investigaciones de mercados se puede asumir población infinita, entonces tenemos que:

• La muestra con población finita se relaciona de la siguiente forma con la muestra de población infinita:

• Gráficamente:

• Es decir, por mucho que aumente el tamaño de la población, el tamaño de muestra necesario para niveles dados de confianza, error estadístico y dispersión de los datos es prácticamente el mismo.

PROPORCIÓN

• El tamaño de la muestra se puede determinar construyendo un intervalo de confianza alrededor de la proporción.
• Sabemos que:

• Al igual que en el caso de la media, el tamaño de la muestra depende de tres factores:
  • Nivel de confianza (K).
  • El error estadístico que estamos dispuestos a tolerar.
  • Variabilidad de los datos.
• Al igual que en el caso de la media, normalmente el valor s2 es desconocido. 
• Para estimar este valor, la mayoría de los investigadores opta por asumir el peor de los casos, esto es, que los datos tengan la mayor variabilidad posible. Esto se denomina el criterio de la varianza máxima.
• La varianza máxima se da cuando p = 0,5 y q = 0,5, esto es p*q = 0,25. Aunque este resultado es bastante intuitivo, se puede apoyar visualizando gráficamente el punto (p) en donde se maximiza la función p*(1-p).

• En la mayoría de las investigaciones de mercados se puede asumir población infinita, entonces tenemos que:

• Cabe señalar que la relación entre la muestra para población infinita y el tamaño de la población es análogo al caso de la media. Esto se da ya que:

Ejemplo 1: 

• Supongamos un estudio para determinar la proporción de la población de la Región Metropolitana que ha viajado en bus al sur durante los últimos seis meses.
• Ocupemos la fórmula para determinar el tamaño de muestra en base a una proporción:
  • Muestra infinita
  • Varianza máxima
  • Nivel de precisión de + 0,05 
  • Nivel de confianza del 95%

Ejemplo 2:

• Supongamos un estudio realizado el mes pasado para determinar cuántas personas del estrato ABC1 residentes en la RM han consumido carne de pavo durante los últimos tres meses. Se tomó una muestra de 480 personas del grupo objetivo y el resultado fue que el 58% declaró haber consumido carne de pavo durante los últimos tres meses.
• Ocupemos la fórmula para determinar el error muestral en base a una proporción:
• Varianza máxima.
• Nivel de confianza del 95%.

• Es decir, podemos afirmar con un 95% de confianza que entre el 53,5% y el 62,5% de las personas ABC1 residentes en la RM han consumido carne de pavo durante los últimos tres meses.

RELACIÓN ENTRE EL TAMAÑO DE LA MUESTRA Y EL ERROR

PROBLEMAS POR FALTA DE RESPUESTAS

• Los dos principales problemas que el investigador debe enfrentar derivados de la falta de respuestas en el muestreo son el mejoramiento de los índices de respuesta y el ajuste para la falta de respuesta.
• Cuando las personas que sí responden difieren de aquellas que no responden en términos de variables demográficas, de hábitos o de actitud, los resultados de una muestra estarán evidentemente sesgados.

MEJORAMIENTO DE LOS ÍNDICES DE RESPUESTA

• Las causas principales de los índices de respuesta bajos son las negativas y las personas que no se encuentran en casa:

• Negativas:
  • La falta de disposición o la incapacidad de ciertas personas que se incluyen en la muestra pueden afectar los resultados de un estudio.

• Métodos para mejorar la falta de respuestas por negativas:
  • Notificación previa.
  • Motivación a los entrevistados.
  • Uso de incentivos.

• Personas que no están en casa
  • En las entrevistas cara a cara en el hogar o en las entrevistas telefónicas pueden presentarse índices de respuesta bajos debido a que los participantes potenciales no están en casa cuando el investigador intenta contactarlos.
• Métodos para mejorar la falta de respuestas por personas que no están en casa:
  • Estudiar con anterioridad los hábitos del grupo objetivo (por ejemplo es más probable que personas con hijos estén en casa o que ciertas personas estén más en casa los fines de semana).
  • Seguimiento
  • Para el caso de los estudios telefónicos, no llamar a la casa, sino que al trabajo o al celular.

​

AJUSTE PARA LA FALTA DE RESPUESTA

• Es necesario evaluar las diferencias entre las personas que respondieron una encuesta y las que no lo hicieron de manera de ajustar los resultados del estudio según estas diferencias.
• Estrategias para el ajuste del error por falta de respuestas:
• Sub-muestra de personas que no responden: El investigador establece un contacto más directo con algunas personas que en primera instancia no respondieron. Luego, estos resultados se proyectan a toda la sub-muestra de personas que no respondieron.
• Reemplazo: Las personas que no responden la encuesta actual se reemplazan por las personas que no respondieron una encuesta anterior similar a la actual.
• Sustitución: Procedimiento que caracteriza a aquellas personas que no contestan y las sustituye por otras personas del marco muestral de similares características y se espera que estas sí contesten.
• Estimados subjetivos: Evaluación de los efectos posibles derivados de la naturaleza de la falta de respuesta de acuerdo a la experiencia y a la información disponible que tiene el investigador.
• Análisis de las tendencias: El investigador intenta deducir una tendencia entre los entrevistados que no respondieron para explicarse los efectos derivados de la falta de respuesta.
• Ponderación: Se divide la población en grupos y se asigna un ponderador diferente a cada uno de ellos de acuerdo a su índice de respuesta.
• Imputación: Comprende la asignación de cierto comportamiento a personas que no responden, en base al comportamiento que presentan personas similares que sí respondieron.

TEST DE HIPÓTESIS

• Hipótesis: presunción que hace el investigador acerca de una característica de la población.
• Se usa cuando se requiere probar o rechazar una idea preestablecida.

Ejemplo:

• Un gerente de una empresa sanitaria estima que en promedio transcurren 7 días desde que se toma la lectura del medidor hasta que llega la cuenta al cliente. Se ha tomado una muestra de 36 boletas y se obtuvo que el tiempo promedio transcurrido fue de 8 días con una desviación estándar de la muestra de 2 días. ¿Debemos aceptar o rechazar la hipótesis del gerente?
• Es decir, ¿es 8 lo suficientemente lejano de 7 como para descartar la estimación del gerente?. O al contrario, ¿es lo suficientemente cercano como para validarla?
• Existen dos explicaciones para explicar la diferencia entre el valor hipotético y el valor de la muestra:
• La hipótesis es cierta y la diferencia observada se debe al error estadístico.
• La hipótesis es falsa y la diferencia observada se debe a una presunción errada.

• Un test de hipótesis indica cuál es la explicación más probable.

​

PASOS DE UN TEST DE HIPÓTESIS

• Hipotésis Nula o Indiferente: Lo que se quiere probar

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Aplicando el último paso a nuestro ejemplo:

α=5%
n=36
t1-α/2,n-1=2.03

• Como  t>tc, entonces se rechaza con un 95% de confianza una media de 7 días.
• La verificación de hipótesis está sujeta a dos tipos de error (I y II).
  • Tipo I:  cuando la hipótesis nula es verdadera e incorrectamente la rechazamos
  • Tipo II: cuando la hipótesis nula es falsa e incorrectamente no la rechazamos

TEST DE HIPÓTESIS PARA PROPORCIONES DE UNA MUESTRA

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar  producto?

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Regla de decisión

• Rechazar H0 si Z>Zc ó Z<-Zc

Ejemplo:

• Se realizaron 300 entrevistas para evaluar un nuevo producto y 74  de ellos declararon una intención futura de compra. La empresa ha establecido como su criterio de decisión que lanzará el producto si la proporción que está dispuesto a comprarlo es igual o superior al 19.5%. ¿Debería lanzar el producto?

• Como Z>Zc, entonces se rechaza la hipótesis nula y se debería lanzar el producto.

TEST DE HIPÓTESIS PARA PROPORCIONES DE DOS MUESTRAS INDEPENDIENTES

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Regla de decisión

• Rechazar H0 si Z>Zc ó Z<-Zc

Ejemplo:

• Suponga que las proporciones de disposición positiva a la compra del nuevo producto en hombres y mujeres son de 28% y 21% respectivamente. En la muestra hay 150 hombres y 150 mujeres. ¿Hay diferencia entre hombres y mujeres en la intención de compra del producto?

• Como Z<Zc, entonces no se puede rechazar H0.

​

TEST DE HIPÓTESIS PARA PROPORCIONES PARA MÁS DE DOS MUESTRAS INDEPENDIENTES

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Consideremos k muestras de tamaño nk, cada una de las cuales tiene xk éxitos y (nk-xk) fracasos. Sea:

• Regla de decisión

• Rechazar H0 si c2>cc2   (c2  es positiva) 

• Entonces:

• Donde:

• oij=frecuencia observada en la muestra j (i=1 → éxito, i=2 → fracaso).
• eij=frecuencia esperada en la muestra j (i=1 → éxito, i=2 → fracaso).

• Regla de decisión

• ​Rechazar H0 si c2>cc2  

Ejemplo:

• Si 100 entrevistados eran entre 18-34 años, otros 100 entre 35-54 años y otros 100 de más de 55 años, y que los porcentajes de intención de compra de cada grupo fueron 5%, 21% y 48% respectivamente. ¿Podemos concluir que hay diferencias por edad?

• Como c2>cc2 se rechaza H0 → Sí, hay diferencias significativas por edad!

TEST DE HIPÓTESIS PARA LA MEDIA DE UNA MUESTRA

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar.

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Si n>30 se puede aproximar por la distribución normal.

• Regla de decisión

• ​​​Rechazar H0 si t > tc ó t < -tc

Ejemplo:

• A partir de una muestra aleatoria de 50 automóviles de un mismo modelo se midió el rendimiento en kilómetros por litro. El rendimiento promedio es de 11.4 km/lt. y la desviación estándar de la muestra es de 1.5. Si las especificaciones técnicas del rendimiento son 12 km/lt., ¿se rechaza o no la hipótesis de que las especificaciones son verdaderas?

• Se rechaza H0 pues t < -tc

TEST DE HIPÓTESIS PARA LAS MEDIAS DE DOS MUESTRAS
 

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Regla de decisión
  • Rechazar H0 si t > tc  ó  t < -tc

Ejemplo:

• Dos muestras aleatorias de 50 y 75 automóviles, cada una de un modelo diferente. Se midió el rendimiento en kilómetros por litro en cada grupo. El rendimiento promedio para el primer grupo fue de 11.4 km/lt y de 10.9 km/lt para el segundo. Las desviaciones estándar de cada muestra fueron de 1.5 y 2. ¿Se rechaza o no la hipótesis que ambos modelos tienen el mismo rendimiento?

• Se acepta H0 pues t < tc

TEST DE HIPÓTESIS PARA LA VARIANZA DE DOS MUESTRAS
 

• Definición de Hipótesis

• Hipótesis Nula o Indiferente: Lo que se quiere probar.

• Hipótesis Alternativa: Compite con la H0, puede ser bidireccional o unidireccional.

• Método estadístico

• Regla de decisión

• Rechazar H0 si F > Fc

Ejemplo:

• Se desea saber si hay diferencia entre hombres y mujeres fumadores en la varianza del consumo de cigarrillos. Para ello se tomó una muestra de 149 hombres y 139 mujeres, con consumos promedio de 24.21 y 24.92 cigarrillos por semana y desviaciones estándar de 4.9 y 4.79 respectivamente.

• Se acepta H0 pues F < Fc

MUESTRAS RELACIONADAS

• Cuando medimos una misma muestra en distintos momentos del tiempo tendremos dos muestras que son dependientes.
• Normalmente entre ambas mediciones ha ocurrido un evento que afecta la medición (ej. publicidad).

TEST DE HIPÓTESIS PARA LA MEDIA ENTRE DOS MUESTRAS RELACIONADAS

• Definición de Hipótesis

• Método estadístico

• Regla de decisión

• ​​​​Rechazar H0 si t > tc ó t< -tc

Ejemplo:

• Se midió la actitud positiva de compra antes y después de la publicidad en una muestra de 10 personas. ¿Qué se puede concluir de los resultados del experimento?

• Como t>tc entonces se rechaza H0. Es decir, la publicidad tiene un efecto estadísticamente significativo en la actitud de compra.

Ejemplo:

• ¿Y si hubiésemos elegido el test para medias con muestras independientes?

• En este caso habríamos aceptado H0 y concluido que no hay diferencia en la conducta de presentar una actitud positiva hacia la compra antes y después de la publicidad.

​

TEST DE HIPÓTESIS PARA LAS PROPORCIONES ENTRE DOS MUESTRAS RELACIONADAS

• Definición de Hipótesis

• Método estadístico

• Regla de decisión

• Rechazar H0 si Z > Zc

Ejemplo:

• Se midió la disposición a la compra antes y después de la publicidad en una muestra de 100 personas. ¿Qué se puede concluir de los resultados del experimento?

• Como Z>Zc entonces se rechaza H0.

• BENASSINI, Marcela. INTRODUCCIÓN A LA INVESTIGACIÓN DE MERCADOS, Un Enfoque para América Latina, Editorial Pearson, Primera Edición, México, 2001.
• ZIKMUND, William. FUNDAMENTOS DE INVESTIGACIÓN DE MERCADOS. Editorial Thomson. Primera Edición. Madrid. 2006.
• MALHOTRA, N. INVESTIGACIÓN DE MERCADOS, Editorial Pearson Educación de México, Quinta Edición. México. 2008.
• HERNÁNDEZ, Roberto-(2014)-Metodología de la Investigación Editorial Mc Graw Hill Education 
• ZIKMUND, William. FUNDAMENTOS DE INVESTIGACIÓN DE MERCADOS. Editorial Thomson. Primera Edición. Madrid. 2006.
• MALHOTRA, N. INVESTIGACIÓN DE MERCADOS, Editorial Pearson Educación de México, Quinta Edición. México. 2008.