ANALISIS

DE LA
INFORMACION
COM 350
INVESTIGACION
DE
MERCADO

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

La información tabulada puede presentarse de las siguientes

maneras.

DIAGRAMAS

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

La información tabulada puede presentarse de las siguientes

maneras.

DIAGRAMAS
2500

2000

1500

1000

500

REVISTA PERIOD RADIO TV

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

HISTOGRAMAS

HISTOGRAMA
FREC.
ABSOLU

MARCA DE CLASE

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

HISTOGRAMAS
8
8

6
6

4
4

2
2

Desv. típ. = ,72

Desv. típ. = ,72
Media = 1,67
Media = 1,67
0 N = 15,00
0 N = 15,00
1,00 1,50 2,00 2,50 3,00
1,00 1,50 2,00 2,50 3,00

Tamaño de la enpresa
Tamaño de la enpresa

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

POLIGONOS DE FRECUENCIA

ni

VARIABLE

ni = Frecuencia absoluta

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

POLIGONOS DE FRECUENCIA

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

PICTOGRAMAS

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

PICTOGRAMAS

Lic. Pedro Navarro

CARTOGRAMAS

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

GRAFICOS CIRCULARES
CARACTERISTICAS BUSCADAS EN UN
CENTRO DE SALUD

Infraestructura
17,7% Higénico
23,7%

Emer. domiciliaria /pr

16,9%
Otros
10,7%

Atención
31,0%

Lic. Pedro Navarro

PRESENTACION GRAFICA DE LA INFORMACION

BARRAS COMPARATIVAS

Lic. Pedro Navarro

 ANALISIS DE LA INFORMACION

OBJETIVOS DEL ANÁLISIS TÉCNICAS ESTADÍSTICAS.

 Que hay en los datos? Media, Mediana, Moda
Que tanto varían los datos Desviación estándar.
Desviación media.
Rango Varianza.

Como están distribuido los datos. Frecuencias.

Que relación existen entre los datos. Correlación

Medidas de asociación

Hacer predicciones y estimaciones. Regresión.

Series de tiempo.
Estimación.

Describir la diferencia entre grupos y Prueba t

variables Prueba z

Lic. Pedro Navarro

ESTADIGRAFOS PARA LA INVESTIGACIÓN DE MERCADOS.

VARIABLES DE VARIABLES VARIABLES

INTERVALO ORDINALES NOMINALES

TENDECIA MEDIA MEDIANA MODA

CENTRAL

DISPERSIÓN RANGO RANGO FRECUENCIA

DESVIACIÓN INTERCUARTIL RELATIVA
MEDIA. FRECUENCIA
DESVIACIÓN ABSOLUTA
ESTANDARTO
TIPICA.

INFERENCIA PRUEBA t PRUEBA DE CHI CUADRADO

PRUEBA z KOLMOGOROV
SMIRNOV

Lic. Pedro Navarro

 VARIABLES DE INTERVALO.

Una variable de intervalo es aquella que se

presenta en rango.
Ejemplo.
EDAD. INGRESO
10 – 15 1000 – 1500
15 – 20 1500 – 2000
20 – 25 2000 – 2500
25 – 30 2500 – 3000
En una variable de intervalo se pueden encontrar
estadígrafos:
•De tendencia Central.
•De dispersión.
•De inferencia
Lic. Pedro Navarro
 VARIABLES DE INTERVALO.

Para la construcción de rangos se deben

considerar los siguientes elementos :
NUMERO APROXIMADO DE CLASE. (Regla de Sturges)

K= 1+3,3 Log n

280 415 300 330 365

200 415 305 320 375
360 420 405 330 380
355 370 400 335 390
375 355 380 355 300
400 305 375 370 315
410 420 385 385 340
390 390 395 360 410
310 385 360 395 415

Lic. Pedro Navarro

 VARIABLES DE INTERVALO.

K= 1+3,3 Log n

K= 1+3,3 Log 45

K= 1+3,3 Log 45 = 1 + 3.3 x 1.653212514 = 6.4560 = 6

Lic. Pedro Navarro

 VARIABLES DE INTERVALO.
ANCHO DE CLASE.

Ac = Ancho de clase.
Vs = Valor Superior.
Vi = Valor inferior.
K = Numero aproximado de clase.
280 415 300 330 365
200 415 305 320 375
360 420 405 330 380
355 370 400 335 390
375 355 380 355 300
400 305 375 370 315
410 420 385 385 340
390 390 395 360 410
310 385 360 395 415

Lic. Pedro Navarro

 VARIABLES DE INTERVALO.

420 - 200
AC   36.66  37
6
200 a 237 280 415 300 330 365
200 415 305 320 375
237 a 274
360 420 405 330 380
274 a 311 355 370 400 335 390
375 355 380 355 300
311 a 348 400 305 375 370 315
410 420 385 385 340
348 a 385 390 390 395 360 410
385 a 422 310 385 360 395 415

Lic. Pedro Navarro

 VARIABLES DE INTERVALO.
MARCA DE CLASE.

Vi  Vs
c
2
Variable c
200 a 237 218,5
237 a 274 255,5
274 a 311 292,5
311 a 348 329,5
348 a 385 366,5
385 a 422 403,5

Lic. Pedro Navarro

MEDIDAS DE TENDENCIA CENTRAL.
MEDIA. (PARA NUMEROS).

3
n 11

 xi 25
42
x i n
67
n 84
73
35
8
373 25
x  37.3
10 373

Lic. Pedro Navarro

 MEDIDAS DE TENDENCIA CENTRAL.
MEDIA. (PARA RANGOS).

x  fx
fx  fi * ci
 fi
RANGO DE Frecuencia Marca de clase Producto
CLASE fi (c) fx=fi x c
10 – 12 4 11 44
12 – 14 3 13 39
14 – 16 4 15 60
11 143
143
x  13
11

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

Son tres los estadígrafos de tendencia central.

RANGO.
DESVIACIÓN MEDIA
DESVIACIÓN TIPICA O ESTANDART
RANGO.
Es la diferencia entre el número mayor y el número menor
de una nube de datos.
Ej. 3,2,8,5,9 R 9 – 2  = 9 – 2 = 7.

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

RANGO

Cual de los siguientes casos son mas dispersos:

a). 2,3,8,5,9
R 9 – 2  = 9 – 2 = 7.

b). 1003, 1002, 1008, 1005, 1009

R 1009 –1002  = 1009 – 1002 = 7.

Los números del caso a); son mas dispersos por ser
más pequeños

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN MEDIA.
Es la media aritmética de los valores absolutos de las
desviaciones de cada un de los valores de la variable
respecto a la media aritmética .
Caso números.

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN MEDIA.

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN MEDIA.
CASO FRECUENCIAS.

DM 
 fx x  x  fx = 3,034 = 37
x
n N 82

2 f ( x  x )2
INTERVALO MARCA fi fx x-x f xx ( x  x )
(x)
27 - 29 28 1 28 9 9 81 81
30 - 32 31 10 310 6 60 36 360
33 - 35 34 14 476 3 42 9 126
36 - 38 37 33 1221 0 0 0 0
39 - 41 40 14 560 3 42 9 126
42 - 43 43 7 301 6 42 36 252
45 - 47 46 3 138 9 27 81 243
82 3034 222 1,188

DM = 222 = 2,71
82

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN TIPICA O ESTANDAR.

Es un estadígrafo que permite interpretar los valores en

función de sus medias y su desviación.
Para datos

s
 i
(x - x) 2

n 1

Lic. Pedro Navarro

 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN TIPICA O ESTANDAR.

REGION PRECIO ( x i - x) (x i - x) 2
NORTE 61 -6 36
SUR 64 -3 9
CENTRO 67 0 0 X= 67
VILLA1 70 3 9
VILLA2 73 6 36
∑ 335 90

RESOLVIENDO

90
S  4.74
5 1
Lic. Pedro Navarro
 ESTADIGRAFOS DE DISPERSIÓN

DESVIACIÓN TIPICA O ESTANDAR.

CALCULAR LA
CASO FRECUENCIAS. MEDIA.

S f i (x - x ) 2

x
 fx = 3,034 = 37
n 1 N 82
2 f ( x  x )2
INTERVALO MARCA fi fx x-x f xx ( x  x )
(x)
27 - 29 28 1 28 9 9 81 81
30 - 32 31 10 310 6 60 36 360
33 - 35 34 14 476 3 42 9 126
36 - 38 37 33 1221 0 0 0 0
39 - 41 40 14 560 3 42 9 126
42 - 43 43 7 301 6 42 36 252
45 - 47 46 3 138 9 27 81 243
82 3034 222 1,188

1.188
S  3.83
81
Lic. Pedro Navarro
 TEST DE SIGNIFICACION

DISTRIBUCION HOMOGENEA

DISTRIBUCION MEDIA

DISTRIBUCION
HETEROGENEA

Si la S  al 10% de la x  DISTRIBUCI ON HOMOGENEA.

Si el 10% de la x  S  30% de x  DISTRIBUCI ON MEDIA
Si la S  al 30% de la x  DISTRIBUCI ON HETEROGENE A

Lic. Pedro Navarro

 TEST DE SIGNIFICACION

Si la S  al 10% de la x  DISTRIBUCI ON HOMOGENEA.

Si el 10% de la x  S  30% de x  DISTRIBUCI ON MEDIA
Si la S  al 30% de la x  DISTRIBUCI ON HETEROGENE A
Ejemplo.
Media = 28.35
S = 5.65, ►► Distribución media; 10% de media = 2.8
30% de media ≈ 9

Distribución media;
S = 4.24
Media = 67 ►► DISTRIBUCIÓN HOMOGÉNEA

Lic. Pedro Navarro

 INFERENCIA EN VARIABLES DE INTERVALO.

La inferencia es una inducción de los datos que se

obtienen en una muestra a toda la población, lo que
permite extraer generalizaciones de un proceso del
Muestreo.
•Una hipótesis es una presunción de la que parte un investigador.
•Los datos de una muestra raramente son iguales.
•En toda investigación se presentan dudas.
•¿Es el % de la muestra tan diferente al de la población?
•La verificación de la hipótesis pretende resolver este tipo de dudas.
•Tiene que existir una verificación de hipótesis

Lic. Pedro Navarro

 INFERENCIA EN VARIABLES DE INTERVALO.
PASOS QUE SE SIGUEN

Se debe definir la hipótesis.

oUna hipótesis puede ser INDIFERENTE (HO).
oUna hipótesis puede ser ALTERNA (HA)
LA HIPÓTESIS INDIFERENTE ES LA QUE SE
VERIFICA (HO).
Una hipótesis alterna puede ser:
DIRECCIONAL.
NO DIRECCIONAL.
Se dice que es direccional cuando nos encontramos frente
a una verificación de una punta (DOCIMA UNILATERAL)

Lic. Pedro Navarro

 INFERENCIA EN VARIABLES DE INTERVALO.

) HHAA: U
a) : U> >Uo
Uo b) HA : U < Uo

α = 0.05 α = 0.05

VALOR CRITICO DE RECHAZO

Lic. Pedro Navarro

 INFERENCIA EN VARIABLES DE INTERVALO.

NO DIRECCIONAL

Se dice que una hipótesis es no direccional cuando la verificación es

en dos puntas (DUODÉCIMA BILATERAL)

SI HA : U ≠ UO

 
2 2

REGION DE RECHAZO

Lic. Pedro Navarro

PRUEBAS DE DECISIÓN. (PRUEBA DE EXTREMOS)
DERECHO

Ejemplo.
Mediante una investigación de mercados con tamaño 388
de tamaño maestral se conoce que una estrategia de
mercado logro que se vendiera un promedio de 155
docenas por día de un producto que se utiliza para la
higiene del hogar, con una desviación de 8 docenas. La
consultora que asesora a la empresa sugiere que se debe
cambiar de estrategia asegurando que las ventas
promedio por día serán mayores a 155 docenas. En un
sondeo de mercado a 35 clientes se establece que la
media de es 160 docenas y se mantiene una desviación de
8 docenas.
Lic. Pedro Navarro
PRUEBAS DE DECISIÓN. (PRUEBA DE EXTREMOS)
DERECHO

Formulación de la HIPOTESIS

Asumamos que el gerente piensa en que las

ventas podrían ser superiores al promedio
de las 155 docenas dia..
Formulando las HIPÓTESIS tenemos:
HO: u = 155 docenas
HA :u >155 docenas

Lic. Pedro Navarro

 PRUEBAS DE DECISIÓN.
ESPECIFICACIÓN DEL NIVEL DE SIGNIFICACIÓN.

Es el subconjunto del espacio Muestral que

nos conduce a rechazar HO (HIPÓTESIS
indiferente)

Los niveles de significación que más se

utilizan son:
 = 0.01
 = 0.05
la selección de estadístico de prueba.

Lic. Pedro Navarro

 PRUEBAS DE DECISIÓN.
ESPECIFICACIÓN DEL NIVEL DE SIGNIFICACIÓN.

Se utiliza una Distribución z cuando el

tamaño de la muestra es mayor a 30, de lo
contrario la Distribución t
N > 30

Aplicamos la formula de la distribución z

Lic. Pedro Navarro

 PRUEBAS DE DECISIÓN.
ESPECIFICACIÓN DEL NIVEL DE SIGNIFICACIÓN.
Aplicamos la formula de la distribución z

x - o
z
x
Sx 8
x  x   1.35
n 35
x -  o 160 - 155
z   3.7
x 1.35
REGLAS DE DECISIÓN.

HA 0.01 0.05 Z cae dentro de la región crítica, por

Rechazar Ho si y solo si tanto se rechaza Ho lo que implica
μ  μ0 z < - 2,33 z < - 1,65 aceptar HA
μ  μ0 z > 2,33 z > 1,65
μ  μ0 z < - 2,58 z < - 1,96 Se recomienda implementar la nueva
ó z > 2,58 ó z > 1,96
estrategia
Z = 3.7 > 2.33 .
Lic. Pedro Navarro
 PRUEBAS DE DECISIÓN.
PRUEBA DE DOBLE EXTREMO.
Un vendedor de una Importadora de ceras para Cerámica, gana una
comisión promedio de 980 $us. Mensuales, con una desviación estándar de
225 Sus.
Aparece en el mercado una nueva marca de cera, este echo hará reducir el
volumen de ventas por vendedor, disminuyendo en consecuencia sus
ingresos.
Por otro lado los costos de producción han sufrido variaciones como
consecuencia de la inflación. Esto implica que los precios suban, como
consecuencia los vendedores incrementarán sus ingresos con la nueva
estrategia propuesta.
El gerente de la empresa desea conocer el efecto neto de estos dos factores
que influyen sobre las comisiones del vendedor,
Para tomar una decisión se toma una muestra aleatoria de tamaño 100 de
todas las cuentas del vendedor cuyo promedio es de 940 $us. Y su
desviación 235
Lic. Pedro Navarro
 PRUEBAS DE DECISIÓN.
PRUEBA DE DOBLE EXTREMO.

HIPÓTESIS.
Ho : u = 980
HA : u ≠ 980.
Nivel de significación.
∞ = 0.05.
ESTADÍSTICO DE PRUEBA.
x - μ0
Z
σx
Regla de decisión.

HA 0.01 0.05
Rechazar Ho si y solo si
μ  μ0 z < - 2,33 z < - 1,65
μ  μ0 z > 2,33 z > 1,65
μ  μ0 z < - 2,58 z < - 1,96
ó z > 2,58 ó z > 1,96

Lic. Pedro Navarro

 PRUEBAS DE DECISIÓN.
PRUEBA DE DOBLE EXTREMO.
Para una dósima bilateral, la regla de decisión llega
a ser:
RECHAZAR Ho SI Y SOLO SI, | Z | > 1.96
O lo que es lo mismo:
Se rechaza Ho sisiempre y cuando z< -1.96 ó z >
1.96
CALCULOS.
x - o
z
x
235
x   23.5
100
x - o 940 - 980
z    1.7
x 23.5
Lic. Pedro Navarro
 PRUEBAS DE DECISIÓN.
PRUEBA DE DOBLE EXTREMO.
Regla de decisión.
x - o
HA z
0.01 0.05
Rechazar Ho si y solo si
x
μ  μ0 z < - 2,33 z < - 1,65 235
μ  μ0 z > 2,33 z > 1,65 x   23.5
μ  μ0 z < - 2,58 z < - 1,96 100
ó z > 2,58 ó z > 1,96
x - o 940 - 980
z    1.7
DECISION x 23.5

Z -1.7 Se encuentra dentro de la región de aceptación, Ho no se

rechaza.
Esto significa que el ingreso mensual del vendedor no ha variado
significativamente.

Lic. Pedro Navarro

 PRUEBA t

 Tiene el mismo principio que el estadígrafo z

 La prueba t se utiliza cuando se tiene muestras pequeñas.
EJEMPLO
Un gerente comercial asume que el despacho de mercaderías tarda como
promedio cuatro días. Una carta enviada por uno de los clientes más
importantes de la empresa manifiestan su queja debido a demoras por
encima de los cinco días.
En un sondeo de 25 clientes muestra que el promedio de recepción
después de un pedido es de 4.7 días.
Surge una duda, es correcta o incorrecta generalizar la apreciación de los
25 clientes seleccionados al azar.
Entre los días de despacho existe una desviación de 1.1 días.

Lic. Pedro Navarro

 PRUEBA t

PLANTEAMIENTO DE LA HIPOTESIS.

Ho : u = 4 días
HA : u > 4 días

Nivel de significación.
∞ = 0.05.
ESTADÍSTICO DE PRUEBA.
x - 0 4.7 - 4
t t  3.18
S ; 1.1
n 25

Lic. Pedro Navarro

 PRUEBA t
PROCEDIMIENTO PARA ENCONTRAR EL FACOTOR ∞ EN
TABLAS
 El numero de elementos es de 25 tomados de la muestra
 El valor sera (n – 1)
 Aplicando este principio (25-1) = 24
 Buscando en tablas tenemos 1.711

DECISION:
SI t > ∞ se acepta HA
Si t < ∞ Se rechaza HA
t =3.18 > ∞ = 1.711
Se rechaza la suposición de una entrega se realiza en cuatro
dias.

Lic. Pedro Navarro

Lic. Pedro Navarro
 VARIABLES ORDINALES
LA MEDIANA

 Por orden de importancia, enumere las

características que influyen en el consumo de
mermelada.

Marca
Precio
Origen
Tamaño
Doble uso del envase

Lic. Pedro Navarro

 VARIABLES ORDINALES
LA MEDIANA

Las variables ordinales pretenden dar a cada numero un lugar.

Se utilizan para preguntas de ordenamiento.

ESTADIGRAFO DE TENDENCIA CENTRAL PARA

VARIABLES ORDINALÉS.
LA MEDIANA.

Se define como el valor que divide una distribución en la mitad.

Es el valor que aparece en el medio de una sucesión ordenada de

valores.

Lic. Pedro Navarro

 VARIABLES ORDINALES
LA MEDIANA
Ejemplo .
1.Se parte de una nube de datos

DATOS BRUTOS ARREGLO ORDENADO

X1 9.5 X1 3
X2 3. X2 5
X3 10 X3 8,5 MEDIANA
X4 8.5 X4 9.5 ,

X5 5 X5 10

Lic. Pedro Navarro

 VARIABLES ORDINALES
LA MEDIANA

Cuando los datos ordenados son impar .

Ejemplo:
Se tiene la siguiente lista de números ordenados.

DATOS BRUTOS DATOS ORDENADOS

X1 9.5 X1 3
X2 3 X2 7.5
X3 10 X3 8.5 8.5  9.5
Xm MEDIANA Me  9
X4 9.5 X4 9.5
2
X5 8.5 X5 9.5
X6 7.5 X6 10

Lic. Pedro Navarro

 VARIABLES ORDINALES
RANGO INTERCUARTIL

Es un estadigrafo que divide los datos en proporciones. Los

cuartiles por su característica pueden clasificarse en:
Cuartiles. = 4 .
Deciles. = 10
• Percentiles = 100.

Lic. Pedro Navarro

 RANGO
RANGO INTERCUARTIL
INTERCUARTIL

• Rango Intercuartil – es la diferencia entre el cuartil tres

y cuartil uno.
Rango Intercuartil será:

(RI)= Q3 – Q1

¿Cómo se determina el rango intercuartil?

 PASOS
PASOS PARA
PARA CALCULAR
CALCULAR EL
EL RANGO
RANGO
INTERCUARTIL
INTERCUARTIL
Veamos el siguiente ejemplo:
Determine el rango intercuartil para
los datos siguientes;
30, 40, 35, 5, 10, 20, 15, 30 y 45:
Paso 1.
Ordenar los datos de forma ascendente.
5 10 15 20 30 30 35 40 45
Paso 2.
Calcular los cuartiles Q3 y Q1
 PASOS
PASOS PARA
PARA CALCULAR
CALCULAR EL
EL RANGO
RANGO
INTERCUARTIL
INTERCUARTIL
EN PERCENTILES

25 50 75 100
25% 25% 25% 25%
Q1 Q2 Q3

Q3 = 75 percentil
Q1 = 25 percentil
Nota: Utiliza el mismo procedimiento para calcular
los percentiles.

Lic. Pedro Navarro

 CONTINUACIÓN
CONTINUACIÓN

• Cuartil uno: Considerando los percentiles

Q1 = 25 percentil

 P   25  =2.25
i n i 9
 100   100 
Como (i) no es un entero, redondeamos al próximo entero
mayor que 2.25, o sea 3. Así, que Q1 está ubicado en la
posición tres (3) de los datos, que en este ejemplo es 15.

5 10 15 20 30 30 35 40QQ145
= 15
1 = 15
 CONTINUACIÓN
CONTINUACIÓN

• Cuartil tres
Q3 = 75 percentil

 P  i   75 9 = 6.75
i = n  
 100   100 
Como (i) no es un entero, redondeamos al próximo entero
mayor que 6.75, o sea 7. Así, que Q1 está ubicado en la
posición siete (7) de los datos, que en este ejemplo es 35
5 10 15 20 30 30 35 40 45

QQ33==35
35
CONTINUACIÓN
CONTINUACIÓN

• Paso 3. Ahora, podemos sustituir los

valores de los cuartiles en la fórmula.

Rango Intercuartil = Q3 – Q1

RI
RI==QQ33––QQ11
35
35––15
15==2020
 VARIABLES NOMINALES

¿Dónde compra la mermelada de su preferencia?

Hipermercados
Supermercados
Micro mercados
Pulperias
Mercados

Lic. Pedro Navarro

 VARIABLES NOMINALES

MEDIDAS DE TENDENCIA CENTRAL:

Moda = El numero que mas se repite dentro de una

nube de datos.

MEDIDAS DE DISPERSION:

Frecuencia absoluta
Consume el producto “A”
Frecuencia relativa Frecuencia Frecuencia
Absoluta Relativa

Si 130 66%

No 68 34%

Total 198 100%

Lic. Pedro Navarro

 ESTADIGRAFO DE INFERENCIA EN VARIABLES
NOMINALES

Chi ² :
Es un estadígrafo que permite evaluar la
hipótesis sobre la relación existente entre
dos variables.

Ej. Se quiere determinar la relación que

pueda existir entre el consumo por marca y
el sexo del que compra.

Lic. Pedro Navarro

 ESTADIGRAFO DE INFERENCIA EN VARIABLES
NOMINALES Chi ²

Frecuencia observada

SEXO DEL ENCUESTADO TOTAL

Masculino Femenino
Marca A 180 100 280
Se debe determinar
Marca B 190 280 470 La FRECUENCIA
Marca C 170 120 290 ESPERADA

Total 540 500 1040

280 * 540 280 * 500

Fei   145.4 Fei   134.6
1040 1040

Lic. Pedro Navarro

 ESTADIGRAFO DE INFERENCIA EN VARIABLES
NOMINALES Chi ²

Frecuencia esperada

SEXO DEL ENCUESTADO

Masculino Femenino

Marca A 145,4 134,60

Marca B 244,03 225,96
Marca C 150 139,00

(Fo  Fe )2
CHI  
2

Fe

Realizando operaciones tenemos que el valor de CHI ² = 47.33

Lic. Pedro Navarro

ESTADIGRAFO DE INFERENCIA EN VARIABLES
NOMINALES Chi ²

Se calcula los grados de libertad:

GL= (r-1) (c-1)

Nr. De Nr. De
filas de la columnas
tabla de la
tabla

GL= (3 – 1) (2 – 1 ) = 2

Lic. Pedro Navarro

ESTADIGRAFO DE INFERENCIA EN VARIABLES
NOMINALES Chi ²

Ver en tablas con grados de libertad

Nivel de confianza al 0.05 o 0.01

El valor de las tablas para nuestro ejemplo:

Al 0.05 = 1-  -0.05 = 5.991

El valor de CHi²= 47.33

El valor de  = 5.991

CUANDO:

CHi² >  SE DICE QUE ES SIGNIFICATIVO.

Por lo tanto existe relación entre el consumo por marca y

el sexo del que compra

Lic. Pedro Navarro

Lic. Pedro Navarro