INVESTIGACION DE MERCADO 2 CLASE CON GUARAÑA: 14/10

Análisis de varianza:

es una prueba de significancia que se utiliza para comparar medias de muestras

diferentes y consiste en descomponer un conjunto de datos para ver donde esta
la mayor fuente de variación de esos datos.

Para determinar si la variación es por la o las variables independientes que se

están analizando o si es por otros motivos, variables que no se están teniendo en
cuenta.
Luego se busca un cociente o razón F que se compara con una razón “F” critica o
Teórica que se encuentran en las tablas estadísticas.

SI LA RAZON F QUE SE HA CALCULADO SUPERA A LA “F” CRITICA PARA CIERTO

NIVEL DE CONFIANZA, SE DICE QUE LAS DIFERENCIAS QUE SE OBSERVAN
ENTRE LAS MEDIAS DE LAS MUESTRAS, PUEDEN TRANSLADARSE A LA
POBLACION.
SI LA RAZON “F” CALCULADA ES INFERIOR A LA TEORICA SE ACEPTA LA
HIPOTESIS NULA Y SE DIRA QUE NO HAY VARIACION ENTRE LAS MEDIAS DE
LA POBLACION.

Análisis de Varianza Unidireccional:

que se utilizan para establecer los efectos que una variable independiente, en
varios niveles, ejerce sobre a variable independiente

Y El Análisis Bidireccional :

Mide los Efectos por separado e interactivo que 2 variables independientes

ejercen sobre la v. Dependiente.

Para poder realizar el análisis de varianza el análisis de las variables

independientes deben ser no métricas y la v. Dependiente No métrica.
  Análisis
 de Varianza UNIDIRECCIONAL. ( ANOVA)

Objetivo: Determinar las preferencias por alguna de las etiquetas.

Hipótesis: Una de las 3 etiquetas es preferida por sobre las otras.

ETIQUETAS ( VARIABLES INDEPENDIENTE) NO METRICA.

Muestra
 1  12  15  7
 2  9  16  11
 3  15  20  9
X= 12 X=17 X=9 X=12,7

Ho: Ninguna de las 3 etiquetas es preferida por sobre las otras.

Sacamos la Media total de las medias: X con dos rayitas arriba.

Variación entre Columnas: n° de renglones ( Suma de (X/c.Columna) – Xtotal)

2)

Esto es Igual a =98

VARIACION DENTRO DE COLUMNAS: Suma del vaor de cada Celda menos la

media de su Columna al cuadrado 2.

(12-12)2 + (9-12)2+(15-12)2+ (17-17)2+…….= La variación dentro de las

Columnas es igual a 40.

Esta variación no son por las etiquetas. POR ESTO SE LLAMA VARIACION NO
EXPLICADA: La que están dentro de las columnas, no las podemos explicar por la
variable Independiente.

98+40= 138 Variación total de los Datos, que porcentaje representa por la
variación No explicada.

Entonces el 71% de la variación total de los datos es por las etiquetas y el 29%
por otros motivos.
AHORA VEMOS LA MEDIA CUADRADA O VARIANZA ENTRE COLUMNAS: Para
ver si se puede proyectar a la población.

Es igual a la variación entre columnas: 98/2= 49

 V1: Esta asociado al numerador a de la razón F que vamos a calcular.

 V1= a n de comlumnas -1. Osea es 2.

 Media cuadrada dentro columnas:

V2: va estar representando el numero de grados de libertad que van a estar

asociado al denominador de la razón F.

Y V2=( n. De columnas x el numero de renglones-1) = 6

Rdo: 40/6
= 6,67.

 RAZON F : 49/6,67= 7,35. Esta tenemos que comparar con la F

teorica en las tablas Estadisticas.

En la tabla en el Eje Horizontal Grado de libertad para el numerador, y en la

vertical grados de libertad para el Denominador, Estan Asociados

GL 2 Numerador
GL 6 Denominador ( Esto buscamos en la tabla: para un NC 95%)= es 5,14.

Conclusion:

Con un 95% de Confianza podemos decir que Aceptamos la Hipotesis de

Investigacion y rechazamos la Hipotesis NULA.
Por lo tanto podemos decir que una de las 3 etiquetas es preferida por
sobre las otras.
Se confirmo la Hipótesis de la Investigación vemos en el cuadro y vemos
que la media mas alta de la Columna Es la etiqueta B que tiene una media
x= 17.
ANALISIS DE VARIANZA BIDIRECCIONAL:

Objetivo: Determinar la Incidencia del tamaño de los supermercados y la

ubicación del Producto en las Góndolas, sobre las ventas.

Tamaño NIVEL 1 NIVEL 2 NIVEL 3

Supermercados
GRANDE 55 67 76 X=66
MEDIANO 64 80 85 X=76
PEQUEÑO 80 85 92 X=86
Total X=66 X= 77 X=84
X 2 rayitas: 76

Determina los análisis interactivos ( Como se influyen mutuamente 2

variables).

LA diferencia con la Anterior es que tenemos 2 variables independientes,

Hipótesis: el tamaño del supermercado y la ubicación del producto en la

góndola influyen en las ventas.

Ventas Métrica: Cant. Unidades Vendidas. Var. Dep.

Es la UNICA PRUEBA QUE NO SE HACE LA HIPOTESIS NULA, porque la

finalidad de la Ho es intentar rechazarla.

NOTA:

En este caso( BIDIRECCIONAL) se la va aceptar y rechazar parcialmente las

hipótesis Porque las ventas pueden variar por tamaño o ubicación o por
efecto interactivo, por lo tanto no tiene sentido que lo hagamos.

F Columnas: 47 Gl 2
Gl 4

F Renglones: 57 Gl 2 NC 95%
 GL 4

F critica Columnas: 6,95 (PORQUE EL CUADRO ES SIMETRICO.)

F critica Renglones: 6,95

Grados de variación NO EXPLICADA: GL Total – (gl Renglones +Gl

Columnas).

1. Cuando las F’s calculadas superan a las F’s critica significa que
cada una de las variables indepenientes tiene efecto por si
misma sobre la variable dependiente y no hay variación de
Interacción.

2. Cuando una F calculada supera a la critica y la Otra no, aquella

variable independiente cuya F supera a la Critica tiene Efecto
por si misma sobre la Dependiente y el resto de la variación es
variación de Interacción.

3. Cuando ninguna de las 2 f calculadas supera a la F’s criticas,

ninguna de las dos variables independientes tiene efecto por si
misma sobre la independiente. Toda la variación de los datos es
variación de Interacción.

NOTA:
Cada una de las variables independientes tiene efecto por si misma
sobre la variables dependiente ventas, es decir no hay variación de
Interacción.

Conclusión:

En el nivel 3 hay mas ventas cualquiera sea el tamaño del

Supermercado, y si lo venden en supermercado pequeño en cualquier
nivel que lo pongan van a ver mas ventas que en los otros 2 tamaños.
NOTA:
En el Caso contrario donde pueden Interactuar las variables,
tendríamos como conclusión que en el nivel 3 y tamaño pequeño se
realizarían las ventas.

CASO : RIQUISIMO MENU:

Objetivo: Determinar la preferencia por el tipo de Menú de acuerdo a

la edad de las personas o de los potenciales consumidores.

Hipotesis: El tipo de menú depende de la Edad del consumidor.

Nivel de Medición de la Edad: Por rango de Edad, jóvenes, adultos

jóvenes.

Una variable Nominal, y una Ordinal Ambas No métricas.

Datos Expresados en Frecuencias Absolutas: Menu Quickie 120.

Con esto nos damos cuenta que tenemos que utilizar la prueba
numero 2. Prueba Independencia de 2 variables.

 Entonces usamos la de Ji 2:

Edad/ 0-28 28-40 Mas de 50 TOTAL

Tipode
menu
Quickie 120 30 15 165
Tradicional 40 45 50 135
Light 70 75 35 180
TOTAL 230 150 100 480

SE APLICO LA PRUEBA DE JI CUADRADO PARA VERIFICAR QUE

LA RELACION EXISTE ENTRE LAS VARIABLE EDAD DE LAS
PERSONAS Y SELECCIÓN DEL TIPO DE MENU CON UN 99% DE
CONFIANZA.
O QUE EL RIESGO ES MENOR AL 0,01.

CASO BETTER WORK:

OBJETIVO:

2 VARIABLES INDEPENDIENTES:

TAMAÑO DE EMPRESA( ORDINAL)MICRO, PEQUEÑA, MEDIANA

Y TIPO DE SERVICIO (NOMINAL) NO METRICAS.

LA VARIABLE DEPENDIENTE ES EL INTERES Y ES INTERVALAR

METRICA.

ANALISIS DE VARIANZA BIDIRECCIONAL:

MICROEMPRESA PEQUEÑA EMPRESA MEDIANA
HASTA $500.000 $4.300.00 EMPRESA HASTA $
28.300.000
INTERES POR 6,2 5,9 4,7
BREAK
RECRATIVO
KITCHEN 2,6 4,8 5,3
CORNERS
SERVICIOS IN 1,5 5,1
COMPANY

F CRITICA: 4,76.
F CRITICA: 5,14.

HAY VARIACION DE INTERACCION TAMAÑO DE LA EMPRESA Y

TIPO DE SERVICIO, SI LAS VARIABLES NO ACTUAN JUNTAS EL
INTERES SERIA DIFERENTE.

POR LO TANTO DEBERIAMOS OFRECER EN MICRO EMPRESAS

INTERES POR BREAK REACRATIVO E INTERES POR BOUCHERS .

EN CUANTO A LA PEQUEÑA:
BREAK REACREATIVO, KITCHEN CORNERS SERVICIOS IN
COMPANY.

EN CUANTO A LAS MEDIANA SE OFRECEN TODAS.

Clase 22/10 : CORRELACION.

Mediante la correlación lineal simple se pretende conocer la

intensidad de la relación entre dos variables métricas y el
sentido de la misma. De acuerdo al Sentido y la relación.

Correlación positiva: los valores altos de una variable se

vinculan con los valores altos de otras

Correlación Negativa: los valores bajos de una variable se

vinculan con los valores altos de las otra

R de Pearson: es un Coeficiente:

+1,00 correlación positiva perfecta. Incremento de una

variable aumenta en tanta proporción de la otra variable.
0,00 correlación nula.
-1,00 Correlación negativa perfecta.
 Análisis Regresión Lineal Simple:

Aquel modelo que me permite describir la relación entre variables y

predecir el futuro. Puedo predecir el valor que va asumir una
variable dependiente a través de conocer el valor de una variable
independiente.

Diagrama DE DISPERSION :

Grafico todas las unidades, elijo una muestra de 500 u. De análisis y

registro el valor en que se vendio y la catidad de u. Vendidas.
V. Dependiente.

Eje abscisas.
(Demanda)
. .
. .
70 . . . .. . . (Nube de Puntos.)
.
60 . . . . . .
50 .
40 .. .
30
20
10 $Precio
10 20 30 40 50 60 70
v. Indep.

Eje Ordenadas.

Trazo una recta que tiene una menor distancia de todas los
puntaciones.

Recta de regresión de mínimos cuadrados, es la que mejor se ajusta a

la dispersión de los datos, es la mínima distancia de la sumatoria de
cada observación de la recta elevado al cuadrado.
La ecuación de regresión me va decir: Y= a +b x

Y= valor que asume la variable dependiente. Y es la predicción de la

variable dependiente.

B= coeficiente. Multiplicador pendiente.

El valor que asume Y cuando X vale 0, es la ordenada del

Origen.

Hip: A medidas que aumentan las notas de los parciales de in.de

mercado 1 aumentan las notas de las de inv. Mercado 2.

Y= 0,45 + 0,6 x
Y= 2,85.

Con nota 2:

0,45 x 0,6 x 2= 1,65.

Con nota 4 = 2,85.
Con nota 5 = 3,45.
Con nota 6 = 4,05.
Con nota 7 = 4,65.
con nota 10 = 6,45.

Por cada incremento de X el valor de Y sube 0,6 mas porque el

coeficiente multiplicador es 0,6.

Ahora tengo que evaluar en que medida la relación es tan buena o

mala. Por ejemplo es muy desalentador ver que si me saco un 10 en
el final de inv. 1 voy a sacar 6,45 en el final de inv. 2.
R2 al cuadrado= coeficiente de determinación: (Coloquial Depende
mucho o poco.)

Me dice en que porcentaje la variación de la nota de inv de mercado

2 dependen de la variación de notas de inv. De Mercado 1.
Es un coeficiente que varia que esta estandarizado.

R2= 0,24 es el porcentaje de la variación de las notas del inv.

Mercado 2 (variable) depende de las notas del final de inv. De
mercado 1.
El resto depende de todo lo que hagas en investigación 2, si
estudiaste, cuantos teas estudiaste, si te juntaste, si te toco un tema
que justo estudiaste, etc.

ANALISIS DE CORRELACION Y REGRESION MULTIPLE:

Consiste estimar el valor de una variable dependiente

utilizando 2 variables Independientes.

Y= a + bx1 +cx2+dx3... Zxn

R: 0,80
R2: (0,80)2 = 0,64.
Ejemplos de Estacionamiento: Para la Explicación Corre y Regre
Múltiple.

Objetivo:

Predecir el numero de clientes que tendrá un nuevo estacionamiento

en función del precio cobrado por hora y el cupo de autos.

Hipótesis: El numero de clientes del nuevo estacionamiento depende

del precio por hora y del cupo.

Estacionamiento N° de X 1 Precio X 2 Cupo Y=

clientes
1 180 5 50
2 90 6 45
3 20 7,5 22
4 60 8 29
50 70 8 35 52,79

A= 110. Ordenada de origen

B= -22,42. Coef. Multiplicador del precio.
C= 3,49. Coef. Multiplicador del cupo.

Y= Predecir el numero de clientes en base al precio y al cupo.

Tengo 30 cupos a $8 cuanto seria la cantidad de cliente que yo

tendría con estos datos.

A B C
 Y= 110 + (-22,42)x $8 + 3,49 x 30 cupos= 35,34

Es la predicción del numero de clientes que tendrmos cobrando 8

pesos. Y el coeficiente B podemos decir que es negativa que cuando
aumenta el precio disminuye el numero de clientes.
  Ahora Cambiamos el precio a $ 7:

Y= 110 + (-22,42)x $7 + 3,49 x 30 cupos= 57,76.

Diferencia entre 57,76 – 35,34= 22,42. Relación Negativa.

Por cada peso que cobro de mas o aumento y disminuye en 22,42 la

cantidad de cliente.

 Aumentamos el cupo a 35: Tiene una relación positiva.

Y= 110 + (-22,42)x $8 + 3,49 x 35 cupo = 52,79 clientes en el día

en el nuevo estacionamiento con 35 cupos.

Por cada lugar que vaya agregando en el estacionamiento se

incrementaran mis clientes en 3,49.

Valor de R2: 0,72 El 72 % de la variación del numero de clientes

dependen de la viaracion de las variables Precios y cupo.

R= 0,85.

Aplico ahora una Prueba de Significancia para poder ser

representativa por la población, una vez que interprete la ecuación y
reemplace los valores.

Planteamos :

Ho= El numero de clientes no dependen del precio ni del cupo de

estacionamiento.
F calculada: R2 / n° de Var Ind. = 0,72/2 = 0,36
(1 – R2)/ (n – n° VI-1) 0,28/ 50 -2 -1) 0,005

F calculada : 67,68.

GL: 2.
GL : 47 .

F tabla o Critica: 3,23 :

No supera a la F calculada por lo tanto se rechaza la Hipótesis nula.

Puedo predecir el numero de cliente dependerá del Precio y del cupo.

∝= 0,025 Quiere decir que en el parcial ya esta hecha la prueba de

significancia no tengo que calcular F.

Adrede con un 97,5% de Nivel Confianza rechazamos la hipótesis

Nula.
 TP: Pets Friendly

Variable dependiente: Precio que las personas están dispuestas a

pagar por el alojamiento.

Variables Independientes:

Hipótesis: El precio q la gente esta dispuesta a pagar por alojamiento

del perro en el hotel va depender del tamaño del perro, el tiempo de
las vacaciones y el tiempo de viaje al destino turístico.

Los 3 coeficientes tienen signos positivos por esto aumenta el dinero

que la gente esta dispuesta a pagar por el alojamiento de la mascota.
Decimos que tienen una relación Positiva.

Y= a + b x1 + c x2 + d x3.

Y= 2 + 2,8 x1 + 1,2 x2 + 5,2 x3.

Falta justificar analizando con la técnica de multivariado. Y después

probar tamaño del perro, y variando su pesaje.

Objetivo: Determinar el precio que los huéspedes están dispuestos a

pagar por hospedar a sus animales domésticos.

Grande = 129,2
Dias
Y= 2 + 2,8 (12) +1,2(10)+ 5,2 (6).
t. Perro Hora de Viaje.

Mediano= Y 78,8

Chico Y= 59,2
R2= 0,74.

R= Raiz de 0,74 = 0,86.

El 74 % de la variación del precio que las personas estarían

dispuestas a pagar depende de la variación del tamaño del perro, de
los días y de la hora de viajes.

P menor igual= Tienen un nivel de 0,05 quiere decir que hay un 95

% Nivel de Confianza de que los resultados obtenidos a trvaes de esta
muestra puedan extenderse a la población.

ANALISIS FACTORIAL

Se pueden Analizar muchas variables de forma simultanea y se

pueden clasificar en :

 Técnicas:

 De Interdependencia: Son las que consideran a todas las

variables que se someten a análisis como independientes.

Análisis Factorial:

Es una técnica que se emplea para simplificar un conjunto de datos

buscando la estructura o dimensionalidad subyacente de los mismos.
Para poder realizarlos las variable independientes debe estar en
forma métrica, es decir se busca una combinación lineal de esas
variables independientes que desaparecen y dan origen a otras
llamadas factores.
Un factor es una gran variable que subsume varias variables.

El Análisis factorial Reconstruye la variable latente que des

construimos para analizarlas.

Ej: Si queremos medir la variable “ Vivienda”, contempla

variables: lugar, tamaño, cantidad de ambientes, Material de
Construccion, Antigüedad, Tipo de vivienda ( casa,
departamento,)

Las variables métricas pueden ser sometidas a análisis factorial,

Tamaño es métrica, cantidad de ambientes, m2 cubiertos y no
cubiertos, valor fiscal del terreno, Cantidad de Servicios .

El 1er paso:

Consiste en correlacionar las variables independientes entre si

armando una matriz de correlación.

Grafico del apunte:

X2
F2 F1
. . . . .
. . . .
. . . . .
. . . X1
.

Concentra gran parte de la dispersión de los datos sobre la

variable x1 y un poco de la variación de la variable x2.

El segundo Factor explica la dispersión de los datos que no

explico el primero.
El Factor F2 esta cerca de la variable x2 tiene una correlacion fuerte.
Si a un quedaran dispersión de los datos iran surgiendo del análisis
otros factores que van a ir explicando cada vez menos de la variación
de los datos.

Carga factorial x1 alta con la variable x1 y baja con la x2, puede variar
entre coeficientes entre 1 y -1.

Hay 3 conceptos que se deben considerar:

1. Rotación de Factores:

Se toman a lo factores como variables originales y se los vuelve a

someter en analisis factorial para reducri cada vez mas el numero.

2. Comunalidades: Sumatoria de los cuadrados de las cargas

factoriales de cada factor para cada una de las variables.
El resultado multiplicado por 100 indica el porcentaje de variabilidad
de una variable que es explicada por todos los factores.

3. Valores Característicos o EIGENVALOR: Es la sumatoria de las

cuadrados de las cargas factoriales de cada factor para todas
las variables.

Dividido el numero total de variables y multiplicado por 100 indica el

porcentaje de VARIANZA que es explicada por cada factor.

EJEMPLO: Cada Afirmación de la Escala Lickert es una variable.

A medida que aumenta los valores de la variables aumenta los del

factor, las cargas factoriales:
0,80 al cuadrado2 mas 0.21 al cuadrado2 …… es igual a 0,69 es
la comunalidad.

El 69 % de la variación de la primera variable esta explicada o

forma parte de los 3 factores.

Si sumamos los cuadrados de la carga factoriales del 1er factor nos da

5, 90 este es el valor eigenvalor.

Dividido el numero total de variables (23)nos da la VARIAZA

EXPLICADA: 25,7 % explica la variación total de los datos.

25,7 % mas 11% ( Varianza explicada 2do Factor) = 36,7%

36% mas 9,1%( Varianza Explicada 3er Factor) = 45,8%

Las 5 variables del factor 2 representan una dimensión diferente.

Y la ultima dimensión del factor 3 son mas fuertes en esas 4

variables.

NOTA:

ASI COMO LA SVARIABLES TIENEN UN NOMBRE LOS FACTORES

TAMBIEN LOS TIENEN.

Y EL NOMBRE DEL FACTOR DEBE REPRESENTAR A LAS

VARIABLES QUE LOS CONFORMAN.

AHORA DAMOS NOMBRE AL FACTOR 1, 2 Y 3.

FACTOR 1:

Interés en cuanto a vestimenta.

Tendencia en Moda.
Moda.

FACTOR 2:

EGO, Seguridad/ Inseguridad.

FACTOR 3:

Análisis de Precio.
Ahorro.

CASO UXXUTA

Población: Hombres y mujeres de 16 a 60 años , que residen en

ciudades convencionales de Argentina que sean consumidores de
ojotas.

VARIANZA EXPLICADA:

Cambiamos de lugar porque el f2 es de mayor representación.

F2= 3,77 /12 x 100 = 31,41 F1= 4,62/12x100= 38,5

F3= 2,58/12x 100 =21,15

Eliminar los Factores que no representan F4.

COMUNALIDADES:
1=0,94
2=0,97 Es la mayor Explicada por los 3 factores en conjunto.
3=0,98
4=0,84
5=0,95
6=0,89
7=0,94
8=0,95
9=0,83
10=0,78 Es la menos explicada por los 3 factores en Conjunto.
11=0,93
12=0,97

Nombre de los factores :

F 1 = Vacaciones.
F2= Comfort / Comodidad.
F3= Precio/ Ahorro.

Analizar EL INTERIOR DEL CUADRO INTERPRETANDO LAS

NEGATIVAS.

Análisis por Conglomerados:

 Técnicas de dependencia: Son las que permiten analizar los

efectos de varias var independientes sobre una variable
dependiente.

CASO Raflex Airlines:

 Análisis Discriminante:

Variable dependiente:

Categórica la variable dependiente.

Nos dan los datos del centroide:

Los pasajeros de vuelo corto. Pasajeros de vuelos largos

X1= 31 años x1= 45 años
X2= 4000 x2= 6000
X3= 4 x3= 15
X4= 20 x4= 30

K= 10.097,8 K= 15,129

Línea = 12613,4

Ponemos los datos en la formula = 16,225,6

Entonces un hombre de 38años pertenece a la categoría de vuelos
largos.

Reemplezar la formula que teníamos en el caso es K= 2,2 x1 + 2,5 x2 –

1,6X3 +1,8 X4

Con un pasajero de 38 años, ingreso de 6500, mellizos de 6 años y na

permanencia anual de 26 dias.

K= 16.225,6

 Detector automático de Interacción: ( D.I.A)

Análisis Conjunto o grupo.

Caso:

M= 650 hombres el promedio de consumo semanal de cerveza

obtenemos la media de
Y= 8,4

El que consume mucha cerveza me sube mucho el promedio y el que

no me baja mucho.
VD= Consumo semanal de cerveza.

VI= Estado civil

VI= Clase Social.
VI= Lugar de residencia
VI= Cantidad de Hijos Menos de 2 o 2 o mas.

Cual es la variable que presenta la mayor diferencia entre 2

grupos y es estadísticamente relativa no es al azar si no que
realmente se proyecta en la población.

DIVIDIMOS EN 2 SUBGRUPOS ENTRE MAYOR DIFERENCI A DE

MEDIA ES ESTADO CIVIL.

N= 650
Y= 8,4

Viudos. y Solteros Casados

T= 80 t= 570
Y=12,4 y= 7,3

Rurales Y Urbanos Clase A Clase B.

Suburbanos t= 46 t=473 t=97
t= 36
y= 12,6 y=10,1 y= 6,9 y=12,5

Puedo seguir haciendo una dicotomía según Cantidad de Hijos.

 ANALISIS CONJUNTO:

Se utiliza para ver la importancia relativa que las personas o

unidades de análisis le dan a un atributo de las partes que conforman
el todo. Las partes de ese todo puede ser el envase, la marca, el
sistema de apertura, el contenido, etc.

La utilidad que se le asigna a cada una de las partes de ese todo.

Para podes aplicar esta técnica los datos deben ser recolectadas
escala de jerarquía de orden de rango ( Inv. 1).
Que ordene jerárquicamente un listado combinaciones de atributos
de un `producto, ¿qué te gusta mas?

Un auto: 4 puertas a nafta, 4 puertas a diesel, y así varias

combinaciones.

Las variables independientes son no métricas.

Y las variables dependiente métrica porque es están ordenadas
jerárquicamente.

En el libro se habla de atributos = variables.

Y a las categorías = Nivel.

Una vez que se relevan los datos en la jerarquía de rango calculamos

apartir de una función de utilidad matemática, los coeficientes de
para cada atributo.

Vemos que le importa mas a la gente a la hora de comprar , si la

marca, el packaging o el contenido.

Ejemplo de las filminas es “Raquetas de tenis”:

Solamente identificaron 2 atributos que se quería medir precio

y material
10,30 y 50 los niveles del atributo.
 (Material de la raqueta)

Precio Grafito F. de Vidrio Aluminio Hierro.

100 1 2 3 6
300 4 7 8 11
500 5 9 10 12

Prefiero pagar un poco mas pesado que grafito pero a 100. Esto paa o
vemos en primera instancia en 1, 2 y 3 estoy fijándome mas en el
precio antes que la calidad donde paso al 4 cuando prefiero pagar un
poco mas y tener una raqueta de mejor calidad y no una de Hierro.

Coeficientes de utilidad Parcial:

(Materiales)

Precio Grafito F. de Aluminio Hierro

(.85) Vidrio(.60) (.45) (.03)
100 (.90) 1,75 1,50 1,35 0,93
300 (.30) 1,15 0,90 0,75 0,33
500 (.10) 0,95 0,70 0,55 0,13

Y podemos calcular la utilidad global, la preferencia esta conformado

por la suma de utilidades parciales. Y la sumamos para cada
combinación. Ejemplo 0.90 mas 0,85 = 1,75.

En el primer cuadro vemos que las distancias ya dejaron de ser 1 y

están dadas por las combinacones de atributo y por esto empieza a
tener mas sentido y distancias.

Vemos que los que prefieren pagar 500 pesos por una raqueta de
fibra de vidrio o comprar una raqueta de menor calidad de hierro
forjado a 100 pesos y ahorrarse el resto.

Entonces vemos los coeficientes=

Material= 1,93 UTILIDAD Global PRECIO= 1,30

.85 .90
.60 .30
.45 .10
.03

LA SUMATORIA DE AMBOS = 3,23 = 100%

Material 59,75 Precio= 40,20

Conclusión vemos que la utilidad mayor es el Material.

Análisis Conjunto: Caso El Racional

Calculamos el peso relativo de cada atributo:

 Sección de Deporte: 1,17 (22,03%)

Sin sección de Deporte. 0,19

Informacion Basica. 0,29
Suplemento completo de Deporte. 0,69

 Precio: 1,45 (27,30%)

p. alto
P. Med.
P. Bajo

 Análisis Político: 0,71 (13,37%)

Notas cortas
Notas largas de análisis político los domingos
Notas largas de análisis político diarios.

 Suplemento informativo : 0,74 (14,87%)

Con suplemento
Sin Suplemento

 Venta Promoción: 0,52 (9,8%)

Con promoción. 0,26

Sin promoción. -0,26

 Suplemento de Cultura: 0,72 (13,56%)

Con suplemento.
Sin Suplemento.

Sumamos todos los totales y sacamos porcentajes para establecer el

orden de lo que mas importa en un diario.

Las categorías optimas seria un diarios que tenga Suplemento

completo de deporte, un precio relativamente bajo, con suplemento
de cultura, las notas largas de política de Domingos y con promoción.

Y la alternativa optima seria o tendrían las secciones

mencionadas anteriores pero sin suplemento de cultura es lo que las
personas en segunda instancia quieren.