Análisis de caso 04 y AC5

Semana: 8

Trabajo Individual

Alumno:
Elisa Raquel Diaz Rojas 61911382
Stephanie Michelle Solano 61511304
Sede de estudio:
CEUTEC

Docente:
Adriana Rosales

Sección:
404 – Técnica Y Análisis Multivariado

Fecha de entrega:
22 de marzo de 2022
 Introducción
El desarrollo del presente instrumento trata sobre un nuevo producto de autogestión el cual se
necesita determinar el nivel de aceptación.

Por lo que utilizaremos un análisis Factorial el cual busca conocer qué variables, medidas en objetos
o individuos, explican mejor la atribución de la diferencia de los grupos a los cuales pertenecen
dichos objetos o individuos y comprobar hasta qué punto las variables independientes consideradas
en la investigación clasifican correctamente a los sujetos u objetos.

Describir la situación problema

Se presenta una encuesta sobre un nuevo producto de autogestión, sobre una maquina
dispensadora de granitas con pago automático en efectivo o tarjeta, que será encontrada en
diferentes puntos estratégicos como start marts, supermercados o universidades.

El objetivo de esta es determinar el nivel de aceptación que tendría lanzar al mercado una maquina
dispensadora de granitas, que brinde servicio de autogestión.

Hallazgos en el Análisis Factorial

A continuación, se presenta un análisis de Factorial con el fin de verificar la clasificación de nuestra
base de datos de los encuestados que consumen granitas frecuentemente y los que no consumen
granitas frecuentemente.
se incluye al análisis Factorial las variables predictoras:
1. Cuantas granitas consume seman
2. Cuanto es el promedio en lempi
3. Cuanto estaría dispuesto a pag'
4. Cuanto estaría dispuesto a p_1'
5. Cuanto estaría dispuesto a p_2
6. Cuántos lugares que vendan granitas conoce aproximadamente
7. cuantos sabores desearían que la maquina tuviera
 Conclusiones

 Se pudo confirmar la importancia y utilidad del análisis Factorial y como es aplicable a muy
diversas áreas de estudio. En los resultados de esta encuesta nos ayudó a distinguir con una
mayor precisión la importancia de la preferencia por el consumo de las granitas a diferentes
montos que estamos dispuestos a pagar dependiendo exclusivamente del tamaño basado en
variables independientes y la variable dependiente de agrupación.

 Por esa razón el análisis factorial sirve para encontrar ese equilibrio entre las diferentes variables
independientes que nos posibilitan de una mejor forma la formación de los grupos.

 No siempre un análisis factorial va a estar apegado al objetivo general del estudio peor será parte
de los análisis o hallazgos que se pueden declarar.

Recomendaciones
 En el análisis Factorial debemos basarnos en las variables que nos funcionan, sin importar que el
objetivo del instrumento ya que el objetivo de la clasificación es la reubicación a través de una de
las variables, por lo que podríamos resumirlo que no necesariamente deben ir apegado al
objetivo de la aplicación del instrumento.
 Con lo mencionado anteriormente solo debe aplicar el instrumento y realizar los procedimientos
que determinaran la influencia de diversas variables independientes sobre una variable explicada
categórica y la predicción en clasificar individuos en los distintos grupos que forman esa variable
dependiente.
 Anexos
Resumen de información deseada en el paso #1

Clasificación en la base de datos

 Variables dependientes: '¿Consume usted granitas frecuen' (0=No, 1=Si)
No consume granitas = 27 (Minitab asigna un valor de referencia “0”)
Si consume granitas = 73 (Minitab asigna un valor de referencia “1”)
Variables significativas con un nivel del 5% (0.05):
1. '¿Cuantas granitas consume seman'
2. '¿Cuánto es el promedio en lempi'
3. '¿Cuánto estaría dispuesto a pag'
4. '¿Cuánto estaría dispuesto a p_1'
5. '¿Cuánto estaría dispuesto a p_2'

Resumen de información deseada en el paso #2

1. De los 26 encuestados que no consume granitas frecuentemente según la base datos, hay 4 que
se tienen que reubicar según la función de discriminante en los que consumen granitas
frecuentemente.

2. De los 73 encuestados que consumen granitas frecuentemente según la base de datos, hay 23
que se tienen que reubicar según la función de discriminante en los que no consumen granitas
frecuentemente.

3. Se obtuvo que de 99 casos 72 son clasificados de forma correcta, esto equivale al 72.7 % con
respecto a las funciones discriminantes generadas.
4. Función discriminante por grupo
D NO =−89.479+(−0.030)x 1+(−0.017) x 2+ 0.586 x 3 +(−0.830)x 4 + 4.112 x 5
D SI =−92.851+(−0.027) x 1 +(−0.012) x2 +0.678 x 3 +(−0.519) x 4 +3.874 x 5

5. Función discriminante general

D=−3.37233+0.00321 x 1 +0.00494 x 2+ 0.09147 x3 +0.31085 x 4 +(−0.23717) x 5

Resumen de información deseada en el paso #3

Dado que las diferencias entre las clasificaciones correctas entre la función discriminantes y los
datos originales es igual a un 0.0% podríamos concluir que no existe diferencia con el nivel de
significancia del 5%, se verifica un buen ajuste en el modelo.

22+50=72 22+50=72
(72/100) *100=72 % (72/100) *100=72 %