ANALISIS CONJUNTO

ESTUDIANTES: Paola Enith Bravo Ortiz

Gloria Liliana Minda Moreno
Leiner Benavidez
Juan Andrs Corts
PROGRAMA: IV COMERCIO INTERNACIONAL
MATERIA: Estadstica II
PROFESOR: Arsenio Hidalgo

UNIVERSIDAD DE NARIO
SAN JUAN DE PASTO
2017
 1. INTRODUCCIN
El ser humano integrado con conocimiento con lo cual ha venido desarrollando,
conocimientos que han permitido resolver la gran cantidad de problemas que se vienen
presentando y han sido las ciencias estadsticas un aliado de primer orden para la
resolucin de muchas situaciones especficas. En este contexto, para todos es conocido
que al momento de enfrentarse a una situacin donde hay que tomar un decisin
inmediata, o al menos oportuna ante una serie de opciones, la accin inmediata es la de
comparar las ventajas y desventajas; qu calidad ofrece cada una de las opciones, en
tiempo, costo monetario, rapidez, hasta colores y prestigio que puede brindar una y otra
opcin y qu cosas se est dispuesto a sacrificar para obtener ms de otra caracterstica
mejor valorada.
En este mismo orden de ideas se tiene que las distintas opciones tienen caractersticas
comunes comparables y que el decisor puede realizar la valoracin de esas
caractersticas o atributos rpidamente antes de decidir. Por ejemplo al comprar un
vehculo, un electrodomstico o decidir sobre destinos tursticos y hasta quien le arregla
el cabello.
El anlisis conjunto es una herramienta de investigacin de mercados para desarrollar
un diseo de productos eficaces.
En este contexto se presenta este artculo para describir y poner a su consideracin la
tcnica de anlisis estadstico llamada Anlisis Conjunto o Conjoint Analysis.

2. Definicin y conceptos

El anlisis conjunto, llamado tambin modelo composicional multiatributo, es una

tcnica estadstica que se origin en la psicologa matemtica. Hoy se utiliza en muchas
de las ciencias sociales y ciencias aplicadas incluyendo el marketing, la administracin
del producto y la investigacin operativa.

Bsicamente, se trata de una tcnica estadstica que permite medir el valor relativo de
cada atributo de un producto, con lo cual se puede determinar qu combinacin de estos
atributos maximiza la probabilidad de eleccin por parte del consumidor.

El objetivo del anlisis conjunto es determinar qu combinacin de un nmero limitado

de atributos es el ms preferido por los encuestados. Se utiliza con frecuencia para
comprobar la aceptacin de diseos nuevos de producto por parte del cliente y valorar el
atractivo de anuncios. Se ha utilizado en el posicionamiento de producto, pero hay
algunos problemas con la aplicacin de la tcnica.

El principio bsico del anlisis conjoint es que cada producto o servicio puede ser
explicado como una combinacin de atributos (por ejemplo, una pizza es el conjunto de
varios atributos como el tipo de masa, la cantidad de queso, los ingredientes, etc.) y
cada atributo puede tener varios niveles u opciones (el atributo masa: masa crujiente,
masa fina, etc.).
El computador utiliza el anlisis de varianza o tcnicas de programacin lineal para
crear las funciones de utilidad para cada caracterstica. Estas funciones de utilidad
indican el valor que se ha percibido de la caracterstica y lo sensibles que son las
percepciones y preferencias del consumidor en relacin a los cambios en las
caractersticas de producto.

VENTAJAS

* Elige los atributos ms valiosos para posicionar una marca

* Al tener que elegir entre varios productos potenciales, identifica al que tendr mayor
nivel de ventas

* Decide cul es el precio adecuado para un producto

* Estima la cuota de mercado de un producto nuevo antes de su lanzamiento

* Segmenta el mercado de acuerdo a los atributos de un producto.

DESVENTAJAS

*Solo un conjunto limitado de caractersticas se puede utilizar, porque el nmero de

combinaciones aumenta muy rpidamente cuantas ms caractersticas se agregan y esta
sobrecarga de informacin afecta a la validez de los experimentos, aunque el impacto de
esos problemas puede ser evitado o reducido utilizando la Integracin de Informacin
Jerrquica.1

*La etapa de la recogida de informacin es compleja.

*Es difcil de utilizar para investigacin de posicionamiento de producto porque no hay

procedimiento para convertir percepciones sobre caractersticas reales en percepciones
acerca de un conjunto reducido de caractersticas fundamentales.

Modelos de Preferencias

a) Modelo Lineal: este modelo es el que presenta la menor flexibilidad entre los tres,
pero posee mayor fiabilidad. Un ejemplo de la aplicacin de este modelo es la calidad
de un servicio; pues cuanto mayor sea la calidad de un servicio, mayor ser la
preferencia de los consumidores por ese servicio;

b) Modelo de los Pesos Parciales: este modelo presenta mayor flexibilidad en relacin al
Modelo Vectorial y al Modelo del Punto Ideal, aunque es el que presenta menor
fiabilidad. Puede ser utilizado, por ejemplo, cuando un sujeto prefiere temperaturas muy
clidas o muy fras (nieve), pero no para temperaturas medias;
c) Modelo del Punto Ideal: este modelo presenta un grado de flexibilidad y de fiabilidad
intermedio respecto del Modelo Vectorial y del Modelo de Pesos Parciales. Puede ser
aplicado, por ejemplo, con los consumidores que presentan niveles moderados de
preferencia por productos fast-food, pero evitan los que poseen niveles calricos muy
elevados y muy bajos.

Para elegir el modelo de preferencias ms adecuado (tanto en un anlisis de perfiles

completos, diseos factoriales fraccionados, como en la regresin mltiple) se pueden
utilizar tests estadsticos de comparacin de modelos. Partiendo de la premisa de que el
Anlisis Conjunto pretende conocer las preferencias de los consumidores, el criterio de
eleccin del modelo a utilizar ser el de mayor validez predictiva, o sea, el modelo que
presente el menor error de prediccin. En trminos prcticos, se debe concebir a los
modelos de preferencia de modo aditivo: a) Cada atributo tiene un efecto

Independiente de los otros en la formacin de preferencias;

b) Los valores de cada atributo se suman para obtener la utilidad total del perfil.

Segn Louviere, Hensher & Swait (2000), el modelo aditivo consigue explicar cerca del
70% al 90% de la variancia asociada a las preferencias. No obstante, existen situaciones
en que resulta imprescindible precaverse de los efectos provenientes de las interacciones
entre atributos, principalmente en los atributos estticos o provenientes de los sentidos
(alimentos, bebidas, productos de cosmtica, etc.). Entonces, cuando se consigue prever
que puedan ocurrir interacciones entre atributos de un determinado producto/servicio, se
deben utilizar modelos multiplicativos o un modelo aditivo con interrelaciones. Segn
Robinson (1980) y Johnson y Olberts (1991), el atributo precio presenta, generalmente,
un elevado nivel de correlacin con otras caractersticas o atributos de un determinado
producto. Habitualmente, los consumidores tienden a pensar que el aumento del precio
est asociado al incremento de la calidad del producto o servicio o al aumento de
atributos de ese mismo producto/servicio.

La propia marca influye en la aceptacin o rechazo de un precio superior en relacin a

productos de la misma categora pero de marcas diferentes. En otras palabras, si una
determinada marca estuviera asociada a una imagen (conjunto de percepciones) de
prestigio, los consumidores aceptaran ms fcilmente un precio ms elevado. Esto no
sucedera si una marca no estuviera asociada al prestigio ni a la calidad. Por
consiguiente, el atributo precio afectar tanto al atributo "calidad" como a la
"fiabilidad".

Sawtooth Software (1993) desarroll tcnicas para analizar datos de anlisis centrados
en el precio, con el objetivo de estudiar las interacciones en torno de ese mismo atributo
(precio). Se debe tener en cuenta que dicha tcnica no parece ser adecuada cuando se
utiliza el Anlisis Conjunto tradicional, con utilidades parciales para cada sujeto.
RECOLECCIN DE INFORMACIN
A los encuestados se les muestra un conjunto de productos, prototipos, maquetas o
retratos. Por lo tanto, cada ejemplo es suficientemente semejante al otro como para que
los consumidores lo vean como sustitutivo, pero suficientemente diferente para que
puedan determinar claramente una preferencia.
En consecuencia, cada ejemplo se compone de una combinacin extraordinaria de
caractersticas del producto. As, se obtienen un rango de preferencias, las respuestas se
codifican y se introducen en un programa para anlisis estadstico como SPSS.

3. Principales aplicaciones de la tcnica

En la prctica, los productos y servicios se caracterizan por un perfil, o sea por una
combinacin concreta de niveles de atributo. Los investigadores de mercado manipulan
las combinaciones de niveles de atributo hasta construir un conjunto de perfiles reales o
hipotticos que presenten el grado de atractivo pretendido. Los sujetos slo evalan esos
perfiles, ordenndolos desde el ms preferido al menos preferido. Segn un estudio de
Wittink, Vriens y Burhenne (1994), a nivel europeo, el Anlisis Conjunto ha sido ms
utilizado con los siguientes fines:

Identificacin de nuevos productos: a travs del Anlisis Conjunto aplicado a la

alteracin, adicin o sustraccin (eliminacin) de atributos en un determinado
producto/servicio, de forma simulada/experimental, es posible que se encuentren nuevos
productos que satisfagan las necesidades, deseos y expectativas de determinados
consumidores.

Definicin del precio de los productos: en el contexto de la variable/atributo precio, la

aplicacin del Anlisis Conjunto permite conocer cul es el "precio ptimo" de un
determinado producto/servicio. Esto influye directamente, sobre el impacto del precio
de un producto/servicio en los consumidores e, indirectamente, afecta a las cuotas de
mercado de la propia organizacin/empresa. Otros autores comparten esta idea del
potencial del Anlisis Conjunto (Gustafsson, Herrmann & Huber, 2000; Foutz, Rao &
Yang, 2002).

Anlisis competitivo del mercado: tanto a nivel de la identificacin de los competidores,

como de los comportamientos de los consumidores, en caso de que existan alteraciones
de los atributos de un determinado producto/servicio.

4. Criterios para su aplicacin

Caractersticas de los factores y niveles
Medidas comunicables: Debe ser un conjunto limitado de caractersticas, pero
al mismo tiempo los factores y niveles deben ser fcilmente comunicable.
Medidas prcticas:
Los factores y nivele deben ser capaces de ser colocados en prctica, es decir
queque los atributos deben ser distintos y representar un concepto que se puede
implementar de forma precisa por ejemplo el atributo precio puede ser alto para
unos y bajo para otros.
Multicolinealidad entre factores: Es un problema que debe ser tratado, debe
existir independencia.
Para medir la multicolinealidad, se examina la estructura de correlacin de las
variables predictoras. Tambin se puede examinar los factores de inflacin de la
varianza (FIV).

Los FIV miden qu tanto aumenta la varianza de un coeficiente de regresin

estimado aumenta si los predictores estn correlacionados.
Si todos los FIV son 1, no hay multicolinealidad, pero si algunos FIV son
mayores que 1, los predictores estn correlacionados.
Cuando un FIV es de 5 a 10, el coeficiente de regresin para ese trmino no se
estima adecuadamente. Si la correlacin de un predictor con otros predictores es
casi perfecta.
Numero equilibrado de niveles: Los investigadores deben equilibrar o igualar
el nmero de niveles para todos los factores, se ha encontrado que la
importancia relativa estimada de una variable aumenta a medida que el nmero
de valores lo hace.

La etapa de la recogida de informacin debe ser detalla y medible.

5. Desarrollar una aplicacin con SPSS

1. Identificacin de atributos: Para poder implementar un anlisis conjunto es
necesario identificar todos aquellos atributos que van a formar parte de nuestro estudio,
as como establecer los niveles asociados a cada uno de ellos, segn su importancia a la
hora de establecer preferencias del consumidor. Por lo tanto algunos atributos son
determinantes y otros no. Un aspecto muy importante a la hora de identificar a los
atributos es que estos han de ser controlables por la empresa, es decir, no se debe crear
un atributo que no sea accionable por la empresa. As, una vez que hemos obtenido los
atributos es necesario especificar cules son los niveles de cada atributo, hay que tomar
en cuenta lo siguiente:
El nmero de niveles por atributo tiene distintos efectos sobre las evaluaciones de los
encuestados, de forma que mientras ms niveles tenga un atributo mayor es la
importancia que los encuestados le dan a este atributo.

2. Seleccin del modelo de preferencia: El anlisis de conjunto busca estudiar la

influencia que sobre las preferencias de los consumidores ejerce un conjunto de
combinaciones de atributos, que configuras unos productos/servicios determinados.

Por lo tanto, trata de encontrar una serie de valores, llamados utilidades parciales, que
relacionan los niveles de los atributos con las preferencias de los consumidores. En
consecuencia, de lo que se trata es de un modelo explicativo, en el que la variable a
explicar son las evaluaciones de preferencias de los individuos sobre el conjunto de
combinaciones y las variables explicativas son los niveles de los atributos seleccionados
para definir las combinaciones.

3. Mtodo de recogida de datos: Una vez que se ha especificado el nmero de atributos

y el nmero de niveles a utilizar, se tienen que obtener los datos, por tanto se utiliz el
mtodo de perfil completo, en el cual se describe cada estmulo por separado mediante
una tarjeta de perfiles. En consecuencia, se consigue una visin ms realista del
problema, adems de poder reducir el nmero de comparaciones a travs del uso de
diseos factoriales fraccionadas.
4. Construccin del conjunto de estmulos Una vez que hemos definido los atributos y
los niveles de cada uno de los atributos, debemos pasar a construir el conjunto de
estmulos que van a formar parte de nuestro anlisis, as lo que tenemos son 5 atributos
con 3 de 3 niveles cada uno y 2 de 2 niveles cada uno
Por lo tanto, el nmero total de posibles combinaciones o estmulos vendr dado por:
3 x 3 x 3 x 2 x 2 = 108
- Ahora bien, evaluar 108 tarjetas sera prcticamente inviable para una persona. Sin
embargo, tenemos la opcin de utilizar un diseo factorial fraccionado. Por lo tanto, un
diseo factorial fraccionado permite que no exista correlacin entre los atributos (diseo
ortogonal). As, en nuestro estudio hemos utilizado un diseo factorial fraccionado
proporcionado por SPSS a travs del procedimiento ORTHOPLAN del mdulo
CATEGORIES.
5. Presentacin del conjunto de estmulos La presentacin del conjunto de estmulos se
puede realizar segn varias alternativas: descripcin verbal, representacin grfica,
productos fsicos o prototipos, descripcin mediante prrafos y combinacin de varios
mtodos. Nosotros hemos considerado en nuestro estudio la presentacin de estmulos a
travs de una descripcin de prototipos ya que presenta las ventajas de poder observar y
analiza el producto de una forma como sera en la realidad.
6. Escala de medida de la variable dependiente Las alternativas para definir la escala de
medida de la variable dependiente son las siguientes:
Escala no mtrica: comparacin por pares y rangos de orden.
Escala mtrica: escala de intervalo
En nuestro estudio hemos considerado la escala de rangos de orden como la ms
adecuada ya que para un entrevistado resulta ms fcil decir lo que l prefiere que
expresar la magnitud de su preferencia. Por tanto, cada entrevistado, tiene que ordenar
los 18 estmulos en un rango que va desde 1 (ms preferido) hasta 22 (menos preferido).
7. Mtodo de estimacin Para poder estimar los parmetros del modelo hemos utilizado
el procedimiento CONJOINT de SPSS. Este procedimiento utiliza la regresin por
Mnimos Cuadrados
- Ordinarios (OLS) para la estimacin de los parmetros del modelo.
8. Fiabilidad y validez del modelo
Para obtener la fiabilidad del modelo SPSS proporciona los estadsticos R de Pearson y
Tau de Kendall. La validez se obtiene a partir de las tres tarjetas que se aaden al diseo
fraccionado y que son evaluadas por los entrevistados, pero solamente van a ser
utilizadas por el programa para validar las utilidades estimadas.
A continuacin, se desarrolla un ejemplo que ilustra el mtodo del concepto completo.
Siguiendo el proceso con spss
Caso de Estudio:
Consideremos una empresa que desea lanzar una campaa de mercado para un nuevo
limpiador de moquetas y quiere examinar la influencia de los siguientes factores sobre
las preferencias del consumidor de artculos de limpieza de moquetas:
Factores:
1. diseo paquete (paquete) (A*, B*, C*)
2. nombre marca (marca) (k2r, glory, biseli)
3. precio producto (precio) (1.19, 1.39, 1.59)
4. sello calidad (sello) (si, no)
5. garanta devolucin dinero (dinero) (si, no)
En el fichero de datos asociado se contemplan distintos aspectos de este tipo de
artculos. Como niveles factoriales para el diseo del paquete cada uno de los cuales
difiere en la localizacin del cepillo aplacador del producto se consideran A*, B*, C*.
Como nombres de marca se consideran k2r, glory, y biseli. Como niveles de precios
para el producto se consideran $. 1.19, $. 1.39 y $ 1.59
Tambin se consideran 2 niveles (si o no) para cada uno de los dos ltimos factores
(sello y dinero).
- Por lo tanto, despus de una seleccin cuidadosa de los factores y niveles factoriales
del estudio, hay todava demasiados casos para que un sujeto juzgue de un modo
significativo.
En nuestro caso, el estudio del limpiador de moquetas requerira 108 casos (3 x 3 x 3 x
2 x 2 = 108), que claramente son demasiados para poder presentarlos a un sujeto
entrevistado, por lo que un nmero razonable de casos normalmente no debera superar
los 30.
En consecuencia, podemos utilizar una alternativa al diseo completamente factorial,
llamada Array Ortogonal
Array Ortogonal o Matriz ortogonal de combinaciones: Lo podemos definir como
un subgrupo de todas las posibles combinaciones que todava permite la estimacin de
los valores parciales para todos los efectos principales. As, se asumen como
despreciables las interacciones en las que los valores parciales para un nivel de un factor
dependen del nivel de otro factor. Por lo tanto cada nivel de un factor ocurre con la
misma frecuencia que cada nivel de otro factor, asegurando as la independencia de los
efectos principales.
En consecuencia, el diseo ortogonal es un modo de ayudar al investigador de mercados
a rellenar todos los 108 perfiles que corresponderan a las combinaciones de las
categoras respectivas de las variables que intervienen en el anlisis de conjunto (3 x 3 x
3 x 2 x 2 = 108). S, el diseo ortogonal permite centrarse en aquellos perfiles
interesantes para la empresa vendedora del producto o servicio, por tanto, se deberan
rellenar nicamente aquellos perfiles que le aportan una caracterstica significativa para
la investigacin de mercados que se est realizando. A diferencia de otros
procedimientos de SPSS, no se requiere de un fichero de datos de trabajo, ya que SPSS
crea uno, generando nombres de variables, etiquetas de variables, y etiquetas de valores
desde las opciones que se seleccionen en los cuadros de dilogo.
Procedimiento Generar un Diseo Ortogonal:
Como primer paso es importante que SPSS muestre etiquetas de valores en vez de
valores de las variables.
Por ello hay que comprobar que est seleccionada la opcin Etiquetas de Valores men
Ver.
Dnde:
Ver Barra estado Etiquetas de valor
A continuacin se elige
Datos Diseo Ortogonal Generar
Para as obtener la pantalla del procedimiento Generar diseo ortogonal.
Procedemos a introducir el nombre del primer factor y su etiqueta y se contina con
todos los dems factores:
1. diseo paquete (paquete) (A*, B*, C*)
2. nombre marca (marca) (k2r, glory, biseli)
3. precio producto (precio) (1.19, 1.39, 1.59)
4. sello calidad (sello) (si, no)
5. garanta devolucin dinero (dinero) (si, no)
Preparacin tarjetas de estmulo.

Configuracin del nmero de tarjetas de estmulos a generar

Se utiliza para controlar la generacin de los nmeros aleatorios para la creacin del
diseo ortogonal, se puede especificar un nmero mnimo de casos a incluir en el diseo
y definir el nmero de casos de reserva.
Por lo tanto, para continuar con el diseo ortogonal seguimos el siguiente
procedimiento:
Se hace click en el botn:
Restablecer semilla de aleatorizacin a (20, 000,000) opciones generar como
mnimo (18) nmero de casos reservados (4) continuar y aceptar se genera el
diseo ortogonal siguiente:
Presentacin de un diseo
Plan ortogonal
Plan ortogonal

Una vez realizado el diseo del plan, el siguiente paso, es (Prez Lpez, 2004, pg.
613) situar cada concepto completo en un perfil separado con el objeto de presentrselo
a los encuestados en forma de tarjeta, cada caso del diseo ortogonal se muestra como
un perfil, por tanto, los perfiles pueden visualizarse y personalizarse, siendo posible
producir cada concepto en una pgina separada, aadir conceptos y notas de pie, entre
otros.
Dnde:
A continuacin elegimos Datos Diseo Ortogonal mostrar para obtener la
pantalla Mostrar el diseo y se ingresan todos los factores:
1. Paquete
2. Marca
3. Precio
4. Sello
5. Dinero
Dnde:
Una vez ingresados los factores, se hace click en Formato listado para el
experimentador perfiles para los sujetos
Por lo consiguiente, esto lo que nos permite mostrar el diseo en formato de borrador
diferenciando los perfiles de reserva de los perfiles experimentales y listando los
posibles perfiles de simulacin de modo separado a continuacin de los perfiles
experimentales y de reserva.
As, al hacer click en la opcin Perfiles para sujetos, nos permite producir perfiles que
pueden presentarse a los sujetos.
Al hacer click en continuar y en aceptar se muestran las tarjetas del diseo ortogonal
generado.
Preparacin de las tarjetas de estmulos
ASI:
Una vez generado el diseo ortogonal y recogido los datos sobre las preferencias en las
tarjetas de estmulos provenientes de los sujetos, el siguiente paso es analizar los datos
utilizando el procedimiento CONJOINT.
Anlisis de las preferencias mediante el anlisis conjunto
Dnde:
A continuacin, abriendo un fichero de sintaxis mediante:
-Nuevo---Sintaxisy escribiendo la sintaxis siguiente e la figuraejecutartodo
ANALISIS CONJUNTO:
DESCIPCION DEL MODELO
SUJETO 2:2
SUJETO 5:5
SUJETO 6:6
 Lista de tarjetas
PAQUET DINER
Tarjeta E MARCA PRECIO SELLO O STATUS CARD
1 A GLORY 1.39 SI NO 0 1
2 B K2R 1.19 NO NO 0 2
3 B GLORY 1.39 NO SI 0 3
4 C GLORY 1.59 NO NO 0 4
5 C BISELL 1.39 NO NO 0 5
6 A BISELL 1.39 NO NO 0 6
7 B BISELL 1.59 SI NO 0 7
8 A K2R 1.59 NO SI 0 8
9 C K2R 1.39 NO NO 0 9
10 C GLORY 1.19 NO SI 0 10
11 C K2R 1.59 SI NO 0 11
12 B GLORY 1.59 NO NO 0 12
13 C BISELL 1.19 SI SI 0 13
14 A GLORY 1.19 SI NO 0 14
15 B K2R 1.39 SI SI 0 15
16 A K2R 1.19 NO NO 0 16
17 A BISELL 1.59 NO SI 0 17
18 B BISELL 1.19 NO NO 0 18
19 A BISELL 1.59 SI NO 1 19
20 C K2R 1.19 SI NO 1 20
21 A GLORY 1.59 NO NO 1 21
22 A BISELL 1.19 NO NO 1 22

6. Interpretacin de los resultados

Se puede observar que los encuestados le otorgan una clasificacin de importancia a las
caractersticas del producto de la siguiente forma:
1. Al diseo del paquete
2. Garanta devolucin dinero
3. Nombre de la marca
4. Sello de calidad
5. Precio del producto
- De los resultados se obtuvo el atributo ms importante para los clientes, el cual resulto
se el diseo del paquete. En consecuencia, esta informacin puede ser utilizada por los
ejecutivos de la empresa para mejorar la caracterstica del producto y as obtener un
mejor desempeo en la productividad y ventas del producto y en la rentabilidad y la
generacin de Valor para los accionistas y clientes.

7. Conclusiones
El anlisis conjunto es una tcnica para medir las preferencias del consumidor acerca de
los atributos de un producto o servicio. Por lo tanto, es una herramienta de mucha
utilidad en la investigacin de mercados, la cual permite a descubrir cules
caractersticas de un producto o servicio son ms importantes para los consumidores. En
consecuencia, el anlisis de conjunto ofrece una manera realista de medir el modo en
que los diferentes atributos y caractersticas del producto afectan a las preferencias de
los consumidores.
BIBLIOGRAFA
http://www.uam.es/personal_pdi/ciencias/ajustel/docencia/ad/AD10_11_Discriminante.
p df BE SMART SPSS Argentina. (Junio de 2014). Google. Recuperado el Junio de
2014, de http://www.spss.com.ar/es/statistics/conjoint/ Guerrero Casas, F., Martnez
Blanes, M., & Ramrez Hurtado, J. M. (Junio de 2014). Google. Recuperado el Junio de
2014, de http://www.uv.es/asepuma/XI/60.pdf IBM. (Junio de 2014). Google.
Recuperado el Junio de 2014, de