Métodos Estadísticos Descriptivos

CONTENIDO.
1. INTRODUCCIÓN.
1.1 Población (la medición y muestra).
1.2 Presentación de diagramas (frecuencias, Pareto, caja, tallo y hojas).
1.3 Síntesis de los valores de una variable (posición y dispersión).
1.4 Aplicaciones en el Sector de Servicios (medición de actitudes).
1.5 Parámetros y estadísticos representación numérica y gráfica.

BIBLIOGRAFIA
1 Bhattacharyya G.K. y Johnson R.A. (1977) Statistical Concepts and Methods. Whiley,
New York.
2. Duncan A.J. (1989) Control de Calidad y Estadística Industrial. Editorial Alfaomenga.
3. Bowker A.N. y Lieberman. G.J. (1972). Estadística para Ingenieros. Segunda Edición.
Editorial Prentice Hall.
4. EVANS, LINDSAY. (1995) “ADMINISTRACIÓN Y CONTROL DE LA CALIDAD”, Ed.
Grupo Editorial Iberoamérica, México.
5. Spiegel R. Murray y DiFranco Donna. (1998) Statistics, Mc graw Hill, New York.
6. Hildebrand K David. y Lyman Ott R. L.. (1997) Estadística Aplicada a la Administración
y a la Economía, Addison Wsley, Wilmington, Delaware.
7. Sheaffer L. Richard y MacClave T. James. (1993) Probabilidad y Estadística para
Ingeniería. Gpo. Editorial Iberoamérica, México.
8. Kohler Heinz. (1996) Estadística para negocios y economía. Ed. CECSA, México.
1. INTRODUCCIÓN.
La Estadística constituye una disciplina científica extremadamente amplia y que
puede ser conceptualizada desde enfoques diferentes e incluso contrapuestos.
“ La estadística es la ciencia cuyo objeto es la obtención y análisis de datos
mediante el recurso de modelos matemáticos y herramientas informáticas. ” 1
La Estadística como campo de estudio, es el arte y la ciencia de dar sentido a los
datos numéricos, no a la variación aleatoria ni a la probabilidad. Estableciendo
proposiciones acerca de las relaciones en fenómenos masivos aplicada principalmente
a problemas sociales.
La Estadística no es una rama de las matemáticas, aunque sea un recurso
fundamental en ella, siendo un error considerar que la importancia de las técnicas
estadísticas es proporcional a su complejidad matemática.
La Estadística hoy día resalta el papel crucial que desempeñan las herramientas
informáticas, como recurso imprescindible tanto en la estimación como para la
validación de la mayoría de los modelos estadísticos avanzados.
Como afirmo el famoso Dr. Edward Deming, ningún recurso es tan escaso en las
empresas como el conocimiento estadístico; no hay conocimiento que pueda contribuir
tanto a mejorar la calidad, productividad y competitividad de las empresas como el de
los métodos estadísticos.
De forma análoga el Dr. Kauro Ishikawa, las herramientas estadísticas básicas deben
ser conocidas y utilizadas por todo el mundo en una empresa, desde la alta gerencia a
los operarios en las líneas.

Metodología Estadística en Ingeniería de la Calidad

Experimentación Muestreo

Recopilación Parámetros
Análisis de datos de posición
multidimensionales

Naturaleza Variables
Estadística Medidas
predictiva descriptivas

Análisis
Parámetros
bidimensionales
Metodología de dispersión
Simulación
Estadística Aleatoriedad
Diseño
experimental Histogramas
Inferencia
Probabilidad
estadística Organización
y presentación

Prueba de
Distribuciones
hipótesis
de frecuencia
 “ La investigación científica (en los sectores de bienes y servicios), es un proceso de
aprendizaje dirigido. El objeto de los métodos estadísticos es hacer que ese proceso
sea lo más eficiente posible. ” 2

Métodos estadísticos. 3
“Una respuesta aproximada a una pregunta correcta es preferible a una respuesta
exacta a una pregunta incorrecta.” 4
La materia prima de la estadística consiste en conjuntos de números obtenidos al
contar o medir cosas. Al recopilar datos estadísticos se ha de tener especial cuidado
para garantizar que la información sea completa y correcta.
“No hay fórmulas lógicas que le digan a un investigador qué variables en particular
deben examinarse en un estudio... Similarmente, los patrones observados en un
conjunto de datos están influenciados por las ideas que el investigador trae a la
investigación... Aunque los análisis estadísticos pueden objetivizar en alguna medida el
proceso de buscar patrones en los datos, los métodos estadísticos aunque estén
correctamente aplicados, no aseguran que se encuentren las formas más apropiadas
para organizar los datos.” 5
Para establecer una ley física, biológica o social, el estadístico debe comenzar con
un conjunto de datos y modificarlo basándose en la experiencia. Por ejemplo, la
diferencia entre nacimientos y fallecimientos sólo es útil para indicar el crecimiento de
población en un determinado periodo de tiempo del pasado, el número de nacimientos
por cada 1.000 habitantes sólo expresa la tasa de crecimiento en el mismo periodo, y
sólo el número de nacimientos por cada 1.000 mujeres en edad de procrear sirve para
predecir el número de habitantes en el futuro.

Historia de la Estadística. 3
Desde los comienzos de la civilización han existido formas sencillas de estadística,
pues ya se utilizaban representaciones gráficas y otros símbolos en pieles, rocas, palos
de madera y paredes de cuevas para contar el número de personas, animales o ciertas
cosas. Hacia el año 3000 a.C. los babilonios usaban ya pequeñas tablillas de arcilla
para recopilar datos en tablas sobre la producción agrícola y de los géneros vendidos o
cambiados mediante trueque. Los egipcios analizaban los datos de la población y la
renta del país mucho antes de construir las pirámides en el siglo XXXI a.C. Los libros
bíblicos de Números y Crónicas incluyen, en algunas partes, trabajos de estadística. El
primero contiene dos censos de la población de Israel y el segundo describe el
bienestar material de las diversas tribus judías. En China existían registros numéricos
similares con anterioridad al año 2000 a.C. Los griegos clásicos realizaban censos cuya
información se utilizaba hacia el 594 a.C. para cobrar impuestos.
El Imperio romano fue el primer gobierno que recopiló una gran cantidad de datos
sobre la población, superficie y renta de todos los territorios bajo su control. Durante la
edad media sólo se realizaron algunos censos exhaustivos en Europa. Los reyes
caloringios Pipino el Breve y Carlomagno ordenaron hacer estudios minuciosos de las
propiedades de la Iglesia en los años 758 y 762 respectivamente. Después de la
conquista normanda de Inglaterra en 1066, el rey Guillermo I de Inglaterra encargó un
censo. La información obtenida con este censo, llevado a cabo en 1086, se recoge en el
Domesday Book. El registro de nacimientos y defunciones comenzó en Inglaterra a
principios del siglo XVI, y en 1662 apareció el primer estudio estadístico notable de
población, titulado Observations on the London Bills of Mortality (Comentarios sobre las
partidas de defunción en Londres). Un estudio similar sobre la tasa de mortalidad en la
ciudad de Breslau, en Alemania, realizado en 1691, fue utilizado por el astrónomo inglés
Edmund Halley como base para la primera tabla de mortalidad. En el siglo XIX, con la
generalización del método científico para estudiar todos los fenómenos de las ciencias
naturales y sociales, los investigadores aceptaron la necesidad de reducir la información
a valores numéricos para evitar la ambigüedad de las descripciones verbales.
En nuestros días, la estadística se ha convertido en un método efectivo para describir
con exactitud los valores de datos económicos, políticos, sociales, psicológicos,
biológicos y físicos, y sirve como herramienta para relacionar y analizar dichos datos. El
trabajo del experto estadístico no consiste ya sólo en reunir y tabular los datos, sino
sobre todo en el proceso de interpretación de esa información. El desarrollo de la teoría
de la probabilidad ha aumentado el alcance de las aplicaciones de la estadística.
Muchos conjuntos de datos se pueden aproximar, con gran exactitud, utilizando
determinadas distribuciones probabilísticas; los resultados de éstas se pueden utilizar
para analizar datos estadísticos. La probabilidad es útil para comprobar la fiabilidad de
las inferencias estadísticas y para predecir el tipo y la cantidad de datos necesarios en
un determinado estudio estadístico.

1.1 Población (la medición y muestra).

Vocabulario o terminología más utilizada

Se recomienda que los siguientes términos sean buscados en diversos libros o
diccionarios, y por medio de un cuestionamiento colectivo llegar a un significado acorde al
uso estadístico.
Universo; Población; Infinito; Finito; Muestra; Deducción; Inducción; Inferencia;
Aleatorio; Probabilidad; Discreto; Continúo; Redondeo; Truncado; Notación
científica; Orden de las operaciones matemáticas; Sumatoria; Funciones;
Ecuaciones; Desigualdades; Coordenadas rectangulares; Logaritmos;
Antilogaritmos; Media; Mediana; Moda: Media Geométrica; Media Armónica;
Promedio aritmético; Esperanza matemática; Desviación estándar; Desviación
típica; Varianza; Error estándar; Mínimo; Máximo; Cuartil 0; Cuartil 1; Cuartil 2;
Cuartil 3; Cuartil 4; Rango; Rango intercuartil; Asimetría; Sesgo; Curtosis;
Coeficiente de variación.

Pasos necesarios a determinar en la aplicación de los métodos estadísticos.

1. Necesidad de la información
2. Objetivos de la investigación y necesidades de información
3. Fuentes de datos y/o diseño de la investigación
4. Procedimiento para la recolección de datos
5. Diseño de la muestra
Para diseñar una muestra se deben decidir:
1) La unidad de muestreo
2) El tipo de muestra
3) El tamaño de la muestra
6. Recopilación de datos
7. Procesamiento de datos
8. Análisis de datos
9. Presentación de resultados

Censo versus Muestra.- el censo es la encuesta completa donde se hacen las

observaciones a diferencia de la muestra parcial para realizar las observaciones basados
en un subconjunto. El muestreo se utiliza con mucha frecuencia, ya que ofrece algunos
beneficios importantes: ahorra dinero, ahorra tiempo, puede existir mas exactitud y
conlleva al conocimiento real de la percepción de un ámbito de estudio y su separación de
lo esperado.

Defina claramente en la aplicación de un caso lo siguiente:

1.- Población.- Conjunto de todos los elementos definidos antes de la selección de la
muestra.
Elementos.- Unidad de lo cual se solicita información.
Unidad de muestreo.- Elemento o elementos disponibles para su selección en
alguna etapa del proceso de muestreo (población pertinente).
Alcance.- Clarificar los limites de la muestra y la población.
Tiempo.- Especificar la ubicación y extensión del estudio.
2.- Marco muestral.- Lista de todas las unidades de muestreo disponibles.
Población de estudio.- Conjunto de elementos del cual se saca la muestra.
3.- Determinar el tamaño de la muestra.- Técnicas y formulas de acuerdo a (4.-)
4.- Seleccionar el procedimiento de muestreo.- De acuerdo al tipo de medición.
5.- Seleccionar la muestra.- de acuerdo a la técnica.

Procedimientos Generales de las Técnicas de Muestreo

Muestreo

No
Probabilística Probabilística

Muestra por Muestra aleatoria simple

conveniencia
Muestra estratificada
Muestra por
juicios Muestra por conglomerados
Muestra por Muestra sistemática
prorrateo
 MUESTREO.- Es la obtención de una parte de la población para hacerle
observaciones y los resultados se generalizan a la población total. Por cuestiones de
tiempo, dinero y esfuerzo no es posible analizar a toda la población por ello el muestreo
permite estudiar una parte de esa población en lugar de su totalidad.

MUESTRA.- Es un número limitado de mediciones tomadas de una fuente mayor

(Población o Universo), estas deben de ser representativas para poder se válidas.

Muestras no probabilísticas, la población se divide en distintas subpoblaciones, como

en el muestreo aleatorio estratificado o conglomerado, pero con una diferencia importante:
el muestreo de probabilidad no se utiliza para elegir a los individuos de la subpoblación
para la muestra. En las versiones extremas del muestreo con cuotas (prorrateo), la
elección de la unidad en la muestra está basada completamente en el criterio del
entrevistador (juicio del experto), de modo que se elige una muestra (de conveniencia)
dentro de cada subpoblación.

Se requiere un número dado (cuota o prorrateo) de tipos particulares de unidades de

población en la muestra final. Por ejemplo, para obtener una muestra con cuotas para n =
3000, usted podría especificar que la muestra contenga 1000 hombres adultos, 1000
mujeres adultas, 500 hombres jóvenes y 500 mujeres jóvenes, pero podría no dar más
indicaciones de cómo cumplir con tales cuotas.

Por lo tanto este muestreo no es una forma de muestreo de probabilidad. Se utiliza con
frecuencia cuando el muestreo de probabilidad no es práctico, demasiado costoso o
innecesario, o cuando las personas que diseñan la muestra no conocen algo mejor. La
gran desventaja es que no sabemos si las unidades elegidas para la muestra exhiben un
sesgo de selección y por lo tanto no podemos determinar el nivel de confianza y el error
estadístico de la muestra.

Muestras probabilísticas:
a) Muestreo Aleatorio: Su característica básica es que todos los miembros de la
población tienen la misma oportunidad de pertenecer a la muestra. Se deben de
tomar en cuenta los siguientes puntos:
1. Definir la población
2. Enumerar a todos los miembros de la población
3. Seleccionar la muestra mediante el procedimiento de azar

Muestra Aleatoria Simple, es la forma más sencilla de realizar un muestreo

probabilístico. Se obtiene una muestra aleatoria simple de tamaño n cuando cualquier
subconjunto posible de n unidades en la población tiene la misma probabilidad de ser
seleccionada para componer la muestra.

Existen dos formas de extraer una muestra aleatoria simple: con reemplazo, donde
todas la unidades de la muestra, y sin reemplazo, donde todas las unidades de la muestra
son distintas.

Una muestra aleatoria simple con reemplazo, de tamaño n, obtenida a partir de una
población de N unidades, se puede pensar como la extracción de n muestras
independientes de tamaño 1. Una unidad se extrae de la población al azar, para ser la
primera unidad muestreada, con una probabilidad de 1/N. Luego, la unidad muestreada es
reemplazada en la población, y una segunda unidad se elige al azar con una probabilidad
de 1/N. Este procedimiento se repite hasta que la muestra tiene n unidades y puede tener
duplicados de la población.

Una muestra aleatoria simple sin reemplazo de tamaño n se elige de modo que cada
subconjunto posible de n unidades distintas en la población tiene la misma probabilidad
de ser elegido en la muestra. Existen (N n) muestras posibles, y cada una es igualmente
probable. En este tipo de muestra, la unidad de muestreo y la unidad de observación
coinciden. Cada unidad tiene asignado un número, y se elige un muestra de modo que:
1) Cada unidad tenga la misma posibilidad de aparecer en la muestra
2) La selección de una unidad no tenga influencia de las demás unidades ya elegidas.

Al realizar una encuesta con muestras, se debe proporcionar también una indicación de la
exactitud de sus estimaciones. En estadística se utilizan los intervalos de confianza para
indicar la exactitud de una estimación.

b) Muestreo Estratificado : Es utilizado cuando la población está integrada por un

número de subgrupos o estratos, esto es en el caso de que la población que se va
a evaluar tiene demasiadas diferencias como por ejemplo: Un producto nuevo,
grupos con niveles económicos diferentes, grupos de edades y profesiones, etc.
En el muestreo estratificado se identifican primero los estratos de interés y de cada
uno se saca un número específico de sujetos.

Muestra Aleatoria Estratificada, la población se divide en subgrupos llamados estratos.

Al llevar a cabo esta división, se extrae una muestra aleatoria simple de cada estrato la
cual se elige de manera independiente. Los estratos son, con frecuencia, subgrupos de
interés para el investigador; por ejemplo, los estratos podrían ser grupos étnicos o de
edad en una encuesta que se tratara sobre personas; diferentes tipos de terreno en un
estudio ecológico o tamaños de empresas en un estudio comercial.

Si la variable que nos interesa asume distintos valores promedio en diferentes

subpoblaciones, podríamos obtener estimaciones más precisas de las cantidades de la
población al tomar una muestra aleatoria estratificada. Se divide la población en H
subpoblaciones, llamadas estratos. Los estratos no se traslapan y conforman la población
completa, de modo que cada unidad de muestreo pertenece exactamente un estrato.
Extraemos una muestra independiente de cada estrato y, posteriormente, reunimos la
información para obtener las estimaciones globales de la población.

Utilizamos el muestreo estratificado por una o más de las siguientes razones:

1) Queremos protegernos contra la posibilidad de obtener una mala muestra.

2) Cuando se requieren datos de precisión conocida sobre los subgrupos.
3) Una muestra estratificada podría administrarse, de manera más conveniente, a un
menor costo.
4) El muestreo estratificado, si se hace correctamente, dará estimaciones más precisas
(con menor varianza) para toda la población.

c) Muestreo Sistemático : Consiste en sacar una muestra tomando todos los casos “
k “ de una lista de población, primero estableciendo cuantos sujetos se requiere
que tenga la muestra (n), como se conoce el número total de la población se
requiere realizar la siguiente formula: k = N/n
Muestreo sistemático, en algunas ocasiones es utilizado como sustituto del muestreo
aleatorio simple, cuando no se dispone de una lista de la población o cuando esta última
tiene un orden más o menos aleatorio.
Para obtener una muestra sistemática, se elige una muestra de tamaño n y sea k el
siguiente entero después de N/n. Luego, determinamos un número aleatorio R entre 1 y k,
el cual determina que la muestra esté formada por las unidades numeradas R, R+k,
R+2k,...,r+(n-1)k.

El muestro sistemático no es igual al muestreo aleatorio simple; no tiene la propiedad de

que cada grupo posible de n unidades tenga la misma probabilidad de ser la muestra
elegida. Desde el punto de vista técnico, el muestreo sistemático es una forma del
muestreo por conglomerados. Sin embargo, la mayor parte del tiempo, una muestra
sistemática proporciona resultados comparables con los de una muestra aleatorio simple,
y los métodos de muestreo aleatorio simple se pueden utilizar en su análisis.

EJEMPLO :
Una población de 500 personas y una muestra con una media deseada de 50.
k = 500 / 50 = 10
Se comienza en la parte superior de la lista y se seleccionan 10 números al azar
así sucesivamente hasta completar los 50 valores, la diferencia con el muestreo
aleatorio se basa en el simple hecho de que las elecciones no son
independientes, esto es , que una vez escogido el primer caso los demás se
determinan de modo automático.

Otro ejemplo, para elegir una muestra de 45 estudiantes de una lista de 4,500 que
estudian en la Universidad, el intervalo de muestreo k es 100. Suponga que el entero
aleatorio elegido es 59. Entonces los estudiantes numerados como 59, 159, 259, ... , 4459
estarían en la muestra.

d) Muestreo por Grupos : La característica principal de este método es el grupo

analizado tienen relación o tienen igualdades entre sí, esto es por ejemplo analizar
una muestra de una población de personas entre 45 y 50 años, pero como sería
muy difícil evaluar a todas las personas de una ciudad se toman muestras de cada
colonia, la cuales serían los grupos.

Muestra por Conglomerados, las unidades de observación que componen una

población se reúnen en unidades de muestreo de mayor tamaño, llamadas
conglomerados.

Suponga que debe realizar una encuesta de los miembros que forman la Comunidad
Cristiana en Puebla, pero no cuenta con una lista completa de todos ellos; de modo que
no podrá extraer una muestra aleatoria simple de los miembros que componen dicha
Comunidad. Sin embargo, posee una lista de todas las Iglesia Cristianas. Entonces,
extrae una muestra aleatoria simple de las iglesias y, luego, realiza una nueva muestra
entro todos o algunos de los miembros de las iglesias elegidas. En este caso, las iglesias
forman los conglomerados y los miembros de cada iglesia son las unidades de
observación.

La mayor parte de los resultados de muestreo se basan en la distribución de muestreo de

una estadística, la distribución de los distintos valores de la estadística obtenidos al
considerar todas la muestras posibles de la población, donde su valor esperado es la
media de la distribución de muestreo (promedio ponderado de los valores de muestra
posibles de la estadística), donde el peso es la probabilidad que aparezca ese valor
particular de la estadística.

En el muestreo por conglomerados, los elementos individuales de la población sólo

pueden participar en la muestra si pertenecen a un conglomerado (unidad de muestreo
primario) incluido en la muestra. La unidad de muestreo primario no es igual a la unidad
de observación experimentales al calcular los errores estándar de las muestras por
conglomerados.

Se debe utilizar la muestra de conglomerados cuando

1) La construcción de una lista de unidades de observación para el marco de muestreo

puede ser difícil, cara o imposible.
2) La población podría estar muy dispersa geográficamente o aparecer en cúmulos
naturales, como las familias o las escuelas.

En el muestreo por conglomerados, las unidades de muestreo son los conglomerados y

los elementos observados constituyen las unidades secundarias dentro de los cúmulos.
En universo U es la población de N unidades primarias; S denota la muestra de unidades
primarias elegidas entre la población de unidades primarias y Si es la muestra de
unidades secundarias elegidas en la unidad primaria i.

e) Concepto de Error de Muestreo: Este puede aparecer debido a que las muestras
aleatorias pueden variar de una a otra. El error de muestreo se define como la
diferencia entre el parámetro de una población y un estadístico de muestreo.

EJEMPLO:

Si se conoce la media de la población total (µ) y la media de una muestra aleatoria ( )

de esa población, la diferencia de estas dos representa el error de muestreo:

e= -µ

I. CALCULO DEL TAMAÑO DE LA MUESTRA PARA ESTIMAR LA MEDIA

POBLACIONAL (µ)

Mediante las siguientes fórmulas se calcula el tamaño de la muestra, considerando que se

desea hacer una estimación de la media poblacional que se encuentre a un valor definido
con respecto de la media verdadera, con un nivel de confianza determinado:

a) Cuando se conoce el tamaño de la población (Población finita) y la

desviación estándar poblacional.

n= N z2 σ2 N = tamaño de la población

z σ + d2 (N-1)
2 2
z= nivel de confianza deseado
σ2 = varianza poblacional
 d= tolerancia o error permisible o mitad de la
amplitud del intervalo de confianza deseado ( que tan cerca nos gustaría que
estuviera nuestra estimación de la media verdadera). De aquí que la muestra
debe ser de “n” como mínimo para ser representativa

NIVEL DE Z
CONFIANZA
90% 1.645
95% 1.96
99% 2.58
Ejemplo:
El director de una fabrica que tiene 2500 trabajores, desea hacer una estimación del
tiempo promedio de permanencia de los trabajadores en su área de trabajo. El director
desea un intervalo de confianza del 99% y una estimación que esté comprendida entre 1
minuto y la media verdadera. Una muestra piloto dio una varianza de 25 minutos al
cuadrado. ¿Qué tamaño debe tener la muestra que necesita el director?
N = 2500 Muestra
2 = 25 aleatoria

z = 2.58
d=1

Sustituyendo los datos en la fórmula

n = (2500)(2.58)2(25) / (2.58)2 (25) + (1)2(2500-1)

n = 156.08

Interpretación:
El director necesita tomar una muestra de 157 trabajadores como mínimo para poder
hacer una estimación del tiempo promedio de permanencia de los trabajadores en su área
de trabajo.

b) Cuando se desconoce el tamaño de la población y se conoce la

desviación estándar poblacional.

n = z2 σ2
d2

Ejemplo:
Un Ingeniero Químico desea hacer una estimación del contenido promedio de proteínas
(en gramos) de los paquetes de pan integral que fabrica. Desea que su estimación se
encuentre a 0.10 gr. de la media verdadera con un nivel de confianza del 95%. Según
estudios previos se ha encontrado que la varianza poblacional es de 0.09 gr. ¿De qué
tamaño deberá ser la muestra para la estimación deseada?
N=? 2 = 0.09
=? z = 1.96
d = 0.1

Sustituyendo los datos en la formula, tenemos

n = (0.09)(1.96)2 / (0.1)2
n = 34.57

c) Estimación de la varianza poblacional ( σ2 ) para calcular el tamaño de

la muestra.
Para estimar la varianza poblacional:
1. Utilizar la varianza poblacional de estudios previos o bien hacer una revisión
bibliográfica para obtenerla
2. Determinarla a partir de una muestra piloto
i. Se enumera a todos los miembros de la pobalción y
ii. Se selecciona una muestra piloto mayor o igual a 30 utilizando una tabla de
números aleatorios.
Por el Teorema del Límite Central (TLC) n > 30, donde la curva es normal la varianza
poblacional es aproximadamente igual a la varianza muestral (2 = s2)

s2 = Σ ( X – )2 f n = tamaño de la muestra piloto

n –1 = media muestral piloto

= Σ Xf
n
f = frecuencia
s = desviación estándar muestral piloto

s =√ Σ ( X – )2 f
n –1

d) Tamaño de una muestra para determinar II, cuando se conoce el

tamaño de la población.

n= N z2 pq
z pq + d2 (N-1)
2

p = probabilidad de obtener éxito

q = probabilidad de tener fracaso
donde : p + q = 1, q = 1 – p

e) Tamaño de una muestra para determinar II, cuando se desconoce el

tamaño de la población o se trata de una población infinita.

n= z2 pq
d2

EL TAMAÑO DE LA MUESTRA DE MANERA GENERALIZADA

El teorema del limite central, sustenta la aproximación a la normalidad para muchas
distribuciones discretas. Cuando el tamaño de la muestra es grande, y dicha muestra es
tomada de cualquier distribución con media μ, finita y varianza σ2 finita, entonces la media
aritmética muestral tiene una distribución normal con media y varianza
Podemos entonces establecer intervalos de confianza para,

α : es denominado el nivel de significancia , si la significancia es por ejemplo, α=0.05

entonces la confiabilidad es del 0.95.

Si  = 0.05 entonces el 95% de las muestras se encontrarán en el intervalo

ahora bien , como los parámetros poblacional μ y σ son desconocidos, para muestras
grandes (n>30) la varianza muestral S2 es un buen estimador de la varianza poblacional
σ2 , podemos afirmar con una confiabilidad predeterminada que la media aritmética
poblacional μ se halla en el intervalo

estamos admitiendo que la diferencia máxima entre μ y es de:

esto es:

entonces el tamaño de muestra mínimo es

donde :

Es el valor crítico obtenido de la tabla normal, para una confiabilidad de

S2: Varianza muestral
e: Error máximo admitido

Sin embargo, n está en función de la varianza, la cual en la práctica es desconocida, ante

lo cual debemos hacer un muestreo piloto para estimar la varianza y proceder a reajustar
el tamaño de la muestra mínimo.
Ejemplo:

Se desea realizar una investigación para analizar, cual es la resistencia promedio

de una producción de baldosas. Si admitimos un error máximo 25 Kg/Cm2, cual
debe ser el tamaño de muestra mínimo si exigimos una confiabilidad del 95%, y en
una muestra piloto obtuvimos una desviación típica de 140 Kg/Cm2?
Con una confiabilidad del 90% se quiere estimar la proporción de ciudadanos que
votará en las próximas elecciones. Cual debe ser el tamaño de la muestra, si
admitimos un error del 3% y se sabe que en las pasadas elecciones hubo una
abstención del 70%?

Dado que X es una distribución binomial con μx= np y

Entonces

por consiguiente
CONCEPTOS DE MEDICION.

ESCALAS DE MEDICION.

La medición es un proceso mediante el que las observaciones se traducen en

números , esto es que se asignan números o valores a objetos o eventos según
determinadas reglas. La naturaleza del proceso de medición que produce los números
determina la interpretación de los mismos y los procedimientos estadísticos que más
conviene utilizar para su análisis.

TIPOS DE MEDICIÓN

ESCALA NOMINAL O CATEGÓRICA.

Esta dispone los objetos o individuos en categorías que son diferentes desde el
punto de vista cualitativo y no desde el punto cuantitativo. Esta escala a veces utiliza
cifras, pero solo para identificar las categorías.

EJEMPLOS:
 SEXO No. DE
TRABAJADORES
Femenino 150
Masculino 170
TOTAL 320

EDAD No. DE
TRABAJADORES
18 450
19 270
20 325
21 295
22 380
23 590
24 en adelante 665
TOTAL 2975

ESCALA ORDINAL.

Esta indica diversos grados de un atributo o propiedad de un objeto,

representando una jerarquía asignada. De tal modo que si la cifra asignada a A es mayor
que la de B, puede inferirse que posee un mayor grado de atributo que B.

ESCALA AGRUPADA O POR INTERVALOS.

Esta debe de utilizarse cundo se tiene un gran número de datos, es conveniente

agruparlos por intervalos ( distancias entre datos), estos deben de ser iguales y cuentan
con una distribución de frecuencias, que es el número de repeticiones de un evento, las
cuales tienen dos formas de interpretación.

EJEMPLOS:

Componentes
1 – 20 Variaciones en la corriente eléctrica /////
1 – 50 Controlador Inestable ///// ///// ///// /
1 – 100 Error del operador ///// ////
1 – 30 Herramienta en mal estado /

Componentes Frecuencia
1 – 20 Variaciones en la corriente eléctrica 5
1 – 50 Controlador Inestable 16
1 – 100 Error del operador 9
1 – 30 Herramienta en mal estado 1

INTERVALOS DE CLASE.
 Esta es una tabla que divide un conjunto de datos muy numerosos en un número
de clases, mostrando el número de elementos en cada clase. Un intervalo de clase (
ancho del intervalo, ancho de la barra o límites de clase) es un rango de valores o
categorías.

Este se obtiene de la siguiente manera:

1. La diferencia del valor mayor y el valor menor del conjunto de datos.

2. Decidir el número de intervalos.
3. Escribir los intervalos a partir del inferior
4. Obtener el punto medio, que es el valor que se encuentra a la mitad de la
amplitud del intervalo.
5. Observar el número de frecuencias de cada evento
6. Obtener el total de las frecuencias
7. Obtener la frecuencia acumulada absoluta (FAa)
8. Obtener la frecuencia relativa ( fr)
9. Obtener la frecuencia relativa porcentual (fr%)
10. Obtener la frecuencia acumulada relativa (fAr)
11. Obtener la frecuencia acumulada relativa porcentual (fAr%)

EJEMPLO:

Intervalo Punto fa fAa fr fr% fAr fAr%

Medio
84 - 80 82 1 1 0.025 2.5 0.25 2.5
79 - 75 77 1 2 0.025 2.5 0.05 5.0
74 - 70 72 1 3 0.025 2.5 0.075 7.5
69 - 65 67 4 7 0.1 10.0 0.175 17.5
64 - 60 62 4 11 0.1 10.0 0.275 27.5
59 - 55 57 7 18 0.175 17.5 0.45 45.0
54 - 50 52 6 24 0.15 15.0 0.60 60.0
49 - 45 47 6 30 0.15 15.0 0.75 75.0
44 - 40 42 6 36 0.15 15.0 0.90 90.0
39 - 35 37 3 39 0.075 7.5 0.975 97.5
34 - 30 32 0 30 0 0.0 0.975 97.75
29 - 25 27 1 40 0.025 2.5 1.0 100.00
Total 40 1.0 100.0
1.2 Presentación de diagramas (frecuencia, Pareto, caja, tallo y hojas).

Tabulación y presentación de los datos 3

La organización y presentación más utilizada es mediante: Distribuciones de
frecuencia; Intervalos, limites, tamaño, ancho, intervalo y marca de clase.
Uno de los primeros pasos al compendiar los datos relativos a una variable es
encontrar las frecuencias que representan sus valores y desplegarlos en una tabla
donde se puedan reconocer sus patrones de comportamiento.
Por ejemplo, una empresa tiene un total de 20 vendedores que trabajan en cuatro
oficinas (numeradas del 1 al 4), los registros representando el número de oficina indica.
1, 4, 1, 3, 3, 2, 1, 1, 1, 3, 4, 4, 2, 2, 1, 1, 2, 4, 4, 1
La manera mas sencilla es de obtener las frecuencias es enumerar los valores y
contar las frecuencias.
Valor (número de oficina): 1 2 3 4
Frecuencia (número de vendedores): 8 4 3 5
Cuando los datos son muchos es muy útil convertir las frecuencias en porcentajes o
proporciones (frecuencia relativa; 8/20 = .40, 4/20 = .20 , , ,).
Valor (número de oficina): 1 2 3 4
Frecuencia (número de vendedores): .40 .20 .15 .25
Cuando hay muchos valores posibles lo mejor es agruparlos en grupos o clases
(datos agrupados).
Es conveniente elegir las clases de modo que:
No haya espacios vacíos entre ellas.
Elegir un número suficientes de clases, entre 5 y 20.
Las clases tengan la misma amplitud o longitud.
Elija convenientemente los puntos medios de las clases
Esté seguro que los límites de las clases no son ambiguos.
Los datos recogidos deben ser organizados, tabulados y presentados para que su
análisis e interpretación sean rápidos y útiles.
Por ejemplo, para estudiar e interpretar la distribución de las notas o calificaciones de
un examen en una clase con 30 alumnos, primero se ordenan las notas en orden
creciente:
3.0; 3.5; 4.3; 5.2; 6.1; 6.5; 6.5; 6.5; 6.8; 7.0; 7.2; 7.2; 7.3; 7.5; 7.5; 7.6; 7.7; 7.8; 7.8;
8.0; 8.3; 8.5; 8.8; 8.8; 9.0; 9.1; 9.6; 9.7; 10 y 10.
Esta secuencia muestra, a primera vista, que la máxima nota es un 10, y la mínima
es un 3; el rango, diferencia entre la máxima y la mínima es 7, (10 - 3 = 7).
 En un diagrama de frecuencia acumulada, como el de la figura 1, las notas aparecen
en el eje horizontal y el número de alumnos en el eje vertical izquierdo, con el
correspondiente porcentaje a la derecha. Cada punto representa el número total de
estudiantes que han obtenido una calificación menor o igual que el valor dado. Por
ejemplo, el punto A corresponde a 7.2, y según el eje vertical, hay 12 alumnos, o un
40%, con calificaciones menores o iguales que 7.2.

Para analizar las calificaciones obtenidas por 10 clases de 30 alumnos cada una en
cuatro exámenes distintos (un total de 1200 calificaciones), hay que tener en cuenta que
la cantidad de datos es demasiado grande para representarlos como en la figura 1. El
estadístico tiene que separar los datos en grupos elegidos previamente denominados
intervalos. Por ejemplo, se pueden utilizar 10 intervalos para tabular las 1200
calificaciones, que se muestran en la columna (a) de la tabla de distribución de datos
adjunta; el número de calificaciones por cada intervalo, llamado frecuencia del intervalo,
se muestra en la columna (c). Los números que definen el rango de un intervalo se
denominan límites. Es conveniente elegir los límites de manera que los rangos de todos
los intervalos sean iguales y que los puntos medios sean números sencillos. Una
calificación de 8.7, se cuenta en el intervalo entre 8 y 9; una calificación igual a un límite
de intervalo, como 9, se puede asignar a cualquiera de los dos intervalos, aunque se
debe hacer de la misma manera a lo largo de toda la muestra. La frecuencia relativa,
columna (d), es la proporción entre la frecuencia de un intervalo y el número total de
datos. La frecuencia acumulada, columna (e), es el número de estudiantes con
calificaciones iguales o menores que el rango de cada intervalo sucesivo. Así, el número
de estudiantes con calificaciones menores o iguales a 3 se calcula sumando las
frecuencias de la columna (c) de los tres primeros intervalos, dando 53. La frecuencia
acumulada relativa, columna (f), es el cociente entre la frecuencia acumulada y el
número total de notas.
 Los datos de una tabla de distribución de frecuencias se pueden representar
gráficamente utilizando un histograma o diagrama de barras (como en la figura 2), o
como un polígono de frecuencias acumuladas (como en la figura 3). El histograma es
una serie de rectángulos con bases iguales al rango de los intervalos y con área
proporcional a sus frecuencias. El polígono de la figura 3 se obtiene conectando los
puntos medios de cada intervalo de un histograma de frecuencias acumuladas con
segmentos rectilíneos.

La diferencia entre gráficas de barras e histogramas se basa en distinguir entre

variables cualitativas y cuantitativas, por ejemplo para el caso correspondiente a la
oficina de ventas corresponde una gráfica de barras y al ejemplo de las calificaciones un
histograma de los datos agrupados.

Un uso importante de las gráficas de barras en el control de la calidad son los

diagramas de Pareto. Donde se especifican las razones que causan una calidad
inadecuada, se cuenta el número de ocurrencias y se muestran las ocurrencias en una
gráfica de barras siguiendo un orden de mayor a menor.

Por ejemplo, una compañía que realiza ventas por correo, al analizar las razones por
las que le han devuelto sus chaquetas deportivas, podría encontrarse que, entre las 54
prendas devueltas el último mes, 4 fueron por no ajustarse a la talla del comprador, 22
porque no les agrado el color, 30 por disgusto con la tela, 1 por el mal terminado de las
mangas, 2 porque los botones estaban mal colocados y 1 porque el forro estaba
descosido.
Observe que existen 60 razones y sólo 54 chaquetas, esto implica que existen
devoluciones por razones múltiples.
 Pareto Chart for devoluciones
98.33 100.00
60 93.33 96.67
86.67
50

frequency
40
50.00
30

20
10

0
tela ajuste forro
color botones mangas

Por otra parte, un diagrama de tallo y hojas es un ingenioso artificio que ofrece una
representación parecida a un histograma y este se explica mejor con un ejemplo,
utilizando los datos de las calificaciones de los 30 alumnos, tenemos que los dígitos
enteros varían desde 3 al 10, después de tener los datos ordenados como es en este
caso se realiza una ordenación en cada fila. Para otro tipos de magnitudes se respeta la
posición de los dígitos para ordenarlos de acuerdo a la magnitud mayor y en algunas
representaciones no es tan importante ordenar cada una de las filas restantes.
3| 0 5
4| 3
5| 2
6| 1 5 5 5 8
7| 0 2 2 3 5 5 6 7 8 8
8| 0 3 5 8 8
9| 0 1 6 7
10 | 0 0

Otra presentación muy utilizada es el diagrama de caja. Se recomienda seguir los

siguientes pasos:
1. Trace los bordes de una caja en los valores de los percentiles 25 y 75.
2. Trace una barra vertical que atraviesa la caja en el valor de la median.
3. Trace dos líneas (bigotes), en los costados de la caja hasta los valores
adyacentes (el menor y el mayor de los valores no atípicos).
4. Marque por separado cada posible valor atípico, utilizando convencionalmente el
símbolo *, y si existe un valor atípico importante con el símbolo O.

O
*

3 4 5 6 7 8 9 10
1.3 Síntesis de datos relativos a una variable (posición y dispersión)
Valores de la posición3.- Los principales parámetros de posición son: Media,
mediana, moda, media geométrica, media armónica; mínimo, máximo, cuartiles, deciles,
percentiles.
Una vez que los datos han sido reunidos y tabulados, comienza el análisis con el
objeto de calcular un número único, que represente o resuma todos los datos. Dado que
por lo general la frecuencia de los intervalos centrales es mayor que el resto, este
número se suele denominar valor o medida de la tendencia central.
Sean x1, x2, …, xn los datos de un estudio estadístico. El valor utilizado más a
menudo es la media aritmética o promedio aritmético que se escribe X, y que es igual a
la suma de todos los valores dividida por n:
sumatorio, denota la suma de todos los datos. Si las x se agrupan en
k intervalos, con puntos medios m1, m2, …, mk y frecuencias f1, f2, …, fk, la media
aritmética viene dada por

, donde i = 1, 2, …, k.
La mediana y la moda son otros dos valores de la tendencia central. Si las x se
ordenan según sus valores numéricos, si n es impar la mediana es la x que ocupa la
posición central y si n es par la mediana es la media o promedio de las dos x centrales.
La moda es la x que aparece con mayor frecuencia. Si dos o más x aparecen con igual
máxima frecuencia, se dice que el conjunto de las x no tiene moda, o es bimodal, siendo
la moda las dos x que aparecen con más frecuencia, o es trimodal, con modas las tres x
más frecuentes.
Medidas de la dispersión 3.- Los principales parámetros de dispersión son: Rango,
desviación media, rango intercuartil, rango percentil 10-90, desviación típica, desviación
estándar, varianza, variable estandarizada Z, momentos, asimetría, sesgo y curtosis.
Normalmente la estadística también se ocupa de la dispersión de la distribución, es
decir, si los datos aparecen sobre todo alrededor de la media o si están distribuidos por
todo el rango. Una medida de la dispersión es la diferencia entre dos percentiles, por lo
general entre el 25 y el 75. El percentil p es un número tal que un p por ciento de los
datos son menores o iguales que p. En particular, los percentiles 25 y 75 se denominan
cuartiles inferior y superior respectivamente. La desviación típica es otra medida de la
dispersión, pero más útil que los percentiles, pues está definida en términos aritméticos
como se explica a continuación. La desviación de un elemento del conjunto es su
diferencia con respecto a la media; por ejemplo, en la sucesión x1, x2, …, xn la
desviación de x1 es x1 - , y el cuadrado de la desviación es (x1 – x )2. La varianza es
la media del cuadrado de las desviaciones. Por último, la desviación típica,
representada por la letra griega sigma ( ), es la raíz cuadrada de la varianza, y se
calcula de la siguiente manera:
 Si la desviación típica es pequeña, los datos están agrupados cerca de la media; si es
grande, están muy dispersos.

1.4 Aplicaciones en el Sector de Servicios (medición de actitudes).

MEDICIÓN DE ACTITUDES
Estas técnicas se utilizan cuando se desea conocer cuales son las actitudes que
tienen los clientes con respecto a un producto o servicio, cuales son sus sentimientos de
aceptación/rechazo; de agrado o desagrado, sus situaciones de comportamiento, etc.
En Psicología se han desarrollado técnicas para medir las actitudes, las más
conocidas son las técnicas proyectivas, donde el individuo al responder el cuestionario
que se le hace está proyectando su personalidad, comportamiento y actitud frente a las
situaciones que se evalúan.
Las actitudes son estados mentales utilizados por las personas para estructurar las
formas en que perciben su medio ambiente y determinan la forma en que responden al
mismo.

TIPOS DE ACTITUDES
Una actitud puede ser:
Afectiva: Cuando se responde a preguntas de agrado o desagrado.
Cognoscitiva: Cuando sirve para recordar marcas, productos, evaluación de productos y
servicios, recordar mensajes, etc.
De Acción o Intención: Cuando se refieren a las expectativas del consumidor en los
cambios de sus hábitos de compra.

ESCALAS
Existen varias escalas de clasificación siendo las más importantes:
 Escala de suma constante
 Escala de rangos
 Escala de Likert
 Escala de Thurstone
 Diferencial Semántico
 Mapas Perceptuales

ESCALA DE SUMA CONSTANTE

En esta escala se requiere que los entrevistados dividan un número fijo de puntos, diez o
cien, etcétera, entre varios atributos referentes al objeto.
Ejemplo:
Escala referida a la evaluación de un restaurante:

Servicio 30
Atención 20
Limpieza 10
Orden 5
Puntualidad 20
100
 ESCALA DE RANGOS
Con esta escala se evalúa un artículo; por ejemplo calidad, sabor o servicio de diferentes
productos o empresas.
Ejemplo:
Clasifique los siguientes restaurantes según la atención que prestan a sus clientes.
Escriba el número 1 al mejor, el 2 al siguiente y así sucesivamente hasta terminar la lista.
Mi Viejo Pueblito ___
Italiannis ___
Chimichurri ___
La Garita ___
La Buena Mesa ___
Las Espadas ___

Métodos de clasificación escalares:

ESCALA DE LIKERT
En esta escala se pide al entrevistado que señale un grado de aceptación/rechazo hacia
diversos enunciados que están relacionados con el objeto a investigar.
Primero se enuncia un gran número de actitudes favorables o desfavorables. Debe ser un
número alto de enunciados.
Por ejemplo, se van a evaluar los servicios de un restaurante:
El restaurante tiene instalaciones atractivas.
El servicio es de primera
La comida es excelente
El lugar está sucio
Tardan demasiado en servir los alimentos

Otro ejemplo:
Características Totalmente De Ni de En Totalmente
de acuerdo acuerdo acuerdo ni desacuerdo en
en desacuerdo
desacuerdo
Son nutritivos 5 4 3 2 1
Son naturales 5 4 3 2 1
Son 5 4 3 2 1
engordadores
Son caros 5 4 3 2 1
Son prácticos 5 4 3 2 1
Son artificiales 5 4 3 2 1
Tienen buen 5 4 3 2 1
sabor
No nutren 5 4 3 2 1
Tienen 5 4 3 2 1
vitaminas
Son 5 4 3 2 1
refrescantes
Calman la sed 5 4 3 2 1
Son alimenticios 5 4 3 2 1
Después se toma una muestra representativa para que evalúe los enunciados entre
personas que conoce el restaurante que se va a investigar, se presenta una escala de:

Totalmente de De acuerdo Ni de acuerdo En Totalmente en

acuerdo ni en desacuerdo desacuerdo
desacuerdo
5 4 3 2 1

El número de respuestas se multiplica por su factor, se suman y se divide entre el número

de la muestra, obteniendo de esta manera valores de actitud positiva o negativa hacia el
objeto que se está investigando.

ESCALA DE THURSTONE
Esta es una escala muy compleja que puede tomar mucho tiempo y es sumamente
costosa.
Al igual que en la escala de Likert se realizan enunciados positivos o negativos, pero la
lista puede llegar hasta cien.
Primero, estos enunciados son evaluados por líderes de opinión en escalas de muy
favorables hasta muy desfavorables.
Después de ser evaluadas por los jueces se eliminan varios de ellos, para entonces ser
evaluados por el público objetivo.
Se determinan promedios y desviaciones estándar para cada una de las respuestas
obtenidas, eliminando los enunciados que tengan grandes desviaciones estándar.

DIFERENCIAL SEMÁNTICA
Se define una serie de adjetivos polarizados relacionados con un concepto que puede ser
la empresa, marca, producto, etc.
Agradable _____ Desagradable
Activo _____ Pasivo
De uso común _____ Poco usado
Moderno _____ Anticuado

El entrevistado tiene que elegir rápidamente, sin relacionar la respuesta, un grado de

acercamiento hacia los polos de los objetivos; los mecanismos de operación de las
escalas de diferencial semántico son simples:

1.- A los entrevistados se les pide que describan algunos conceptos particulares a lo largo
de una escala de siete puntos, anotando una X en la posición que refleje sus
sentimientos, por ejemplo:

Extremadamente activo, muy activo, ligeramente activo, poco pasivo, muy pasivo y
extremadamente pasivo.

2.- Se le asignan valores a la escala, por ejemplo +3, +2, +1, 0, -1, -2, -3 (intervalos
iguales).

3.- El total de las evaluaciones puede reunirse en la misma escala y calcularse los puntos
medios del grupo, estos marcarán el perfil de los distintos aspectos a lo largo de ciertas
dimensiones.
El diferencial semántico es un método que se puede aplicar a muestras grandes y cuya
Sencillez permite realizar estudios repetitivos de imágenes, marca, precio, publicidad, etc.

Osgood desarrolló veinte escalas de evaluación que tienen amplia aplicación:

Activo-pasivo Desafortunado-afortunado
Cruel-bondadoso Importante-intrascendente
Torcido-derecho Angular-redondeado
Masculino-femenino Calmado-excitable
Inoportuno-oportuno Falso-verdadero
Sabroso-insípido Usual-inusitado
Duro-suave Descolorido-colorido
Nuevo-viejo Lento-rápido
Bueno-malo Hermoso-feo
Débil-fuerte Sensato-disparatado

Además de la escala anterior se pueden utilizar frases que describan los beneficios
proporcionados por el producto como las personalizaciones de los usuarios, etc.

Ejemplo de diferencial semántico aplicado al estudio de una bebida de fruta natural de la

cual aparecen tres marcas conocidas en el mercado:
El diferencial semántico se usa cada vez más en las agencias de investigación de
mercados, ya que permite obtener información más completa sobre la conducta del
consumidor, que sería muy difícil de obtener con las técnicas de investigación cuantitativa.

Es de gran ayuda para los estudios enfocados a la medición de actitudes hacia imagen,
ya sea de marca, comparativa o ambos. La eficacia del método depende de la rapidez con
que se responda.
El siguiente ejemplo permite , ce una manera rápida y sencilla, determinar qué marca
tiene mejor o peor imagen y así tomar decisiones en cuanto a estrategias publicitarias, el
mejoramiento, etc.

Ejemplo de Aplicación a un producto

Objetivo: Se desea saber el grado de aceptación de un yogur con sabor a manzana

Muestra:
100 niños (7 a 10 años) de clase media

Procedimiento:
Se dará a probar el yogur a los entrevistados, posteriormente se les mostrará una tarjeta
que contiene una escala gráfica semejante a la de la siguiente figura:
Los entrevistados asociarán los atributos del producto con las caritas, hasta terminar la
muestra.

Para la tabulación, las escalas son:

H Excelente 7
I Muy Bueno 6
J Bueno 5
K Regular 4
L Malo 3
M Muy Malo 2
N Pésimo 1

Cada respuesta obtenida se multiplica por el valor dado de 7 a 1, se suman los resultados
y se dividen entre el número de personas entrevistadas (en este caso 100).

De esta manera se determina con facilidad la escala de apreciación que tiene el producto.
Sabor 4.5
Consistencia 3.8
Aroma 4.0
Apariencia 3.8
Color 4.2
Global 4.0
Por lo que se puede apreciar el producto está catalogado como regular, se debe superar
sobre todo su consistencia y apariencia.

PRUEBAS ORGANOLÉPTICAS
Son pruebas comparativas y de atributos intrínsecas, las cuales corresponden a la
metodología específica de pruebas sensoriales.

Permiten, a través de escalas hedónicas (de placer), medir las actitudes hacia cada uno
de los atributos del producto.

Las escalas van de 7 (actitud positiva) a 1 (actitud negativa)

Por ejemplo, en el caso de consumo de atole de sabores, se piden opiniones en cuanto a

apariencia, texturas, color, aroma, sabor, consistencia, nivel de azúcar, sabor posterior, y
preferencia global.

En este caso, como nuestro segmento consumidor es de estrato inferior se presenta la

escala de manera gráfica (Caritas), y se pide a los sujetos que expresen con cuál se
identifican.
Este método gráfico también se utiliza cuando el estudio se realiza con niños menores de
10 años.

El método gráfico tiene la ventaja de evitar la influencia de número para cada uno de los
atributos.

Las pruebas organolépticas pueden ser:

a) Monádicas (un solo producto)

b) Comparativas (2 o más productos)
c) Pruebas ciegas (blind test)
d) Con marca identificada

Estas técnicas se pueden combinar.

En el ejemplo del atole, se realiza una prueba ciega comparativa con atoles de sabor
similar que no han sido identificados: uno determinado y los de su competencia.
Cada respuesta obtenida se multiplica por el valor dado de 7 a 1. Se suman los resultados
y se divide entre el número de personas entrevistadas, lo que permite determinar
fácilmente el lugar de cada uno de los atributos de las muestras comparadas.

Suponiendo que el producto en cuestión sea Q, se observa a simple vista que en general,
se encuentra en una posición superior a R en casi todos los atributos, pero inferior a P, lo
que lleva a la necesidad de mejorar la consistencia y el sabor en el ejemplo mencionado
para llegar a igualar o superar al competidor más fuerte.

MAPA PERCEPTUAL
El diferencial semántico nos permite visualizar en una gráfica varios atributos de pocas
marcas. Si evaluamos un número elevado de marcas se perdería la relación y lugar de
cada una dentro de la gráfica.. El mapa perceptual permite comparar una gran cantidad
de productos pero únicamente dos atributos.
Si se quiere comparar un mayor número de atributos para muchas marcas o productos se
tendrá que utilizar un programa de computadora pues se estarán involucrando varias
coordenadas.

Los mapas perceptuales permiten visualizar de una manera rápida la posición de nuestros
productos y/o servicios en relación con la competencia o con la idealización del
consumidor.

Los mapas perceptuales son útiles para:

a) Realizar el posicionamiento adecuado de nuestro producto y/o servicio.

b) Encontrar áreas de oportunidad en el mercado.

En la actualidad los mapas perceptuales se incluyen en los estudios de hábitos, imagen,

actitudes del consumidor. Actúan como herramienta para la toma de decisiones en
mercadotecnia y son fundamentales para la elaboración de planes y estrategias a corto y
mediano plazos.

Ejemplo:
Un fabricante de brandy quiere medir la reacción de los consumidores hacia algunas
combinaciones hechas a base de brandy.
Probó seis conceptos:
Cuba
Brandy Sour
Coctel Hawaii
Coctel Caribe
Brandy con Té Helado
Brandy Tonic

Además utilizó veinte bebidas como “control”. Todas las mezclas tenían una descripción
de sus ingredientes.

Se proporcionó el cuestionario a cien jóvenes estudiantes del sexo masculino.

El mapa perceptual obtenido se muestra a continuación:

El análisis sugiere que si un fabricante está interesado en hacer que el consumo de

brandy sea mayor, debe considerar la posibilidad de promover el brandy sour y no las
otras bebidas nuevas a base de brandy.
Esta conclusión apoyó y clarificó la información referente a un estudio de “intención de
compra”. Los conceptos de intención de compra que obtuvieron la puntuación más alta
fueron el brandy sour y el brandy old fashioned, Sin la información de ubicación se
consideraba a ambas bebidas con la misma atracción sobre el público; sin embargo, y
dada la distribución anticipada del producto, el brandy sour es un concepto más
prometedor.
1.5 Parámetros y estadísticos representación numérica y gráfica
1 Romero V. Rafael, Zúnica R. Luisa Rosa (1993), Estadística, proyecto de innovación educativa, Universidad
Politécnica de Valencia, SPUPV-94.637.
2 Box, G.E.P. et al (1993), Estadística para investigadores, Reverté
4 Atribuido a John Tukey
5 Maxwell, S.E. y Delaney, H.D. (1989), Designing Experiments and Analyzing Data. A model comparison perspective.,

Wadsword Publishing co.

3 "Estadística", Enciclopedia Microsoft® Encarta® 98 © 1993-1997 Microsoft Corporation. Reservados todos los

derechos.
3
3
3