MÉTODOS ESTADÍSTICOS APLICADOS PARA INTERPRETACIÓN DE LOS

DATOS SENSORIALES Y TESTES DE MEDIAS

MÉTODOS ESTADÍSTICOS

Los métodos estadísticos son procedimientos para manejar datos cuantitativos y cualitativos
mediante técnicas de recolección, recuento, presentación, descripción y análisis. Los
métodos estadísticos permiten comprobar hipótesis o establecer relaciones de causalidad en
un determinado fenómeno. Estas son utilizadas para analizar los datos obtenidos en los
estudios sensoriales en donde se logra comprobar hipótesis, determinar si existen
diferencias entre las muestras, tratamientos o poblaciones y si estas diferencias dependen de
otras variables o parámetros, verificar la consistencia de los panelistas entrenados

Pruebas no paramétricas

Las pruebas no paramétricas, también conocidas como pruebas de distribución libre, son las
que se basan en determinadas hipótesis, pero lo datos observados no tienen una
organización normal. Generalmente, las pruebas no paramétricas contienen resultados
estadísticos que provienen de su ordenación, lo que las vuelve más fáciles de comprender.

Algunas de ellas son las siguientes:

Escalas nominales y ordinales En la escala nominal las variables se diferencian por sus
nombres estas variables no tienen orden ni jerarquía asociada a ellas por otro lado la escala
ordinal, el orden de las variables es crítico la diferencia entre estas variables no está
establecida y no es en realidad un aspecto integral de esta escala de medición. La diferencia
entre la escala nominal y escala ordinal tiene un gran impacto en los métodos de análisis de
investigación de mercado debido a los detalles y la información que cada uno de estos
métodos tiene para ofrece
Pruebas paramétricas

Las pruebas paramétricas son una herramienta estadística que se utiliza para el análisis de
los factores de la población. Esta muestra debe cumplir ciertos requisitos como el tamaño,
ya que mientras más grande sea, más exacto será el cálculo

La escala de intervalo.

Comprende los datos continuos o datos discretos que contienen un elevado número de
posibles valores. Las distancias entre cualquier par de números de la escala tienen una
dimensión conocida y constante por lo que es posible conocer con certeza la magnitud de
los intervalos. Se caracteriza por tener una unidad común de medida que asigna un número
real a todos los pares de objetos en el conjunto ordenado. Aun cuando el punto cero y la
unidad de medida son arbitrarios, la razón entre dos intervalos es independiente de esa
unidad y de ese punto.

Escala de razón.

Además de todos los atributos de una escala de intervalos, ésta tiene en su origen un cero
verdadero y en ella la razón entre dos puntos de la escala es independiente de la unidad de
medida. La masa, el peso, la distancia, el tiempo se miden en esta escala. Por ejemplo, si
medimos el peso de dos objetos en gramos o en onzas, la razón es constante, cosa que no
sucede si se mide la temperatura de un cuerpo en grados Celsius o Fahrenheit. Este tipo de
escalas sólo se obtienen cuando las siguientes cuatro relaciones son operacionalmente
posibles: equivalencia, mayor que, razón conocida entre dos intervalos y razón conocida
entre dos valores escalares cualesquiera. Los números asociados con esta escala son
verdaderos con un cero también verdadero. Cualquier prueba estadística puede ser usada,
incluyendo medidas como la media geométrica y el coeficiente de variación que requieren
de un punto cero verdadero.
Prueba binomial

compara las frecuencias observadas de las dos categorías de una variable dicotómica con
las frecuencias esperadas en una distribución binomial con un parámetro de probabilidad
especificado. De forma predeterminada, el parámetro de probabilidad para ambos grupos es
0,5. Para cambiar las probabilidades, puede introducirse una proporción de prueba para el
primer grupo. La probabilidad del segundo grupo será 1 menos la probabilidad especificada
para el primer grupo.
Los datos de las escalas nominales y ordinales se analizan empleando análisis
estadísticos no paramétricos, mientras que los datos de las escalas de intervalo y
racionales, se analizan empleando pruebas estadísticas paramétricas. Los
métodos no paramétricos permiten un grado de  discriminación menor que los
métodos paramétricos, pero no requieren que los datos tengan una distribución
normal e independiente, como ocurre con las pruebas paramétricas. Las pruebas
paramétricas requieren escalas que tengan intervalos o categorías constantes,
tanto psicológicamente como en magnitud; de lo contrario, las categorías deberán
considerarse datos nominales y analizarse utilizando métodos no paramétricos. El
uso de pruebas paramétricas en lugar de pruebas no paramétricas, para el análisis
de datos en escalas de categorías, ha sido objeto de discusión en muchos libros y
artículos (O’Mahony 1986, 1982; McPherson y Randall 1985; Powers 1984;
Gacula y Singh 1984; Daget 1977).
Por lo general, los datos sensoriales nominales se analizan mediante pruebas
binomiales o de Ji-cuadrado. Los datos sensoriales de tipo ordinal o de posiciones,
generalmente se analizan con las pruebas de Kramer o de Friedman; sin embargo,
recientemente se ha visto que la prueba de Kramer no resulta apropiada (Basker
1988; Joanes 1985) por lo que no es recomendable. La prueba paramétrica más
frecuente para los datos sensoriales expresados en escala de intervalos o escalas
racionales es el análisis de varianza (ANO VA).

Pruebas de comparación múltiple de medias, se utilizan para identificar muestras

que difieren entre sí, una vez que se ha confirmado la presencia de diferencias
estadísticas mediante análisis de varianza. Muchas pruebas de comparación
múltiple, tales como la Nueva Prueba de Rangos Múltiples de Duncan, la Prueba
de Tukey, la Prueba de la Menor Diferencia Significativa (MDS) y la Prueba de
Scheffe, están disponibles. De éstas, la prueba de MDS es la más poderosa y
liberal, seguida de las pruebas de Duncan, Tukey y Scheffe. Por ello, el uso de la
prueba MDS hará más probable que se encuentren diferencias significativas entre
dos muestras; sin embargo, ésta también puede identificar diferencias que en
realidad no existen. La prueba de Scheffe, por otra parte, es bastante cautelosa o
conservadora y puede no encontrar diferencias cuando éstas en realidad existen.
Las pruebas de Duncan y Tukey son utilizadas frecuentemente para datos
sensoriales ya que no son consideradas ni muy liberales ni muy conservadoras.

 Las técnicas de análisis de multivarianza pueden ser utilizadas cuando se

investigan relaciones entre un número de diferentes mediciones o pruebas.
Análisis de Regresión y Correlación, Análisis Discriminante, Análisis Factorial y
Análisis de Componentes Principales, son tipos de análisis de multivarianza
utilizados frecuentemente en estudios sensoriales. Estos análisis requieren
tratamiento estadístico más sofisticado y no serán discutidos en este manual. Para
información más detallada en el uso de las técnicas de multivarianza para datos
sensoriales, revisar O’Mahony (1986), Gacula and Singh (1984), Piggott (1984),
Powers (1984, 1981), Moskowitz (1983), Ennis et al. (1982) yStungis (1976).

Calculadoras programables pueden ser utilizadas para analizar pequeños grupos

de datos, utilizando las pruebas sensoriales ilustradas en este manual. Programas
o paquetes estadísticos computarizados son necesarios para llevar a cabo análisis
estadísticos más complicados.