1

Investigacion de mercados
Ensayo de capítulos de libro cap 11 a 17
Lic. En Administración.

Semestre: 5. Grupo: EP
Maestro: RONALD SANTOS CORI

EP-November
Usuario Nombre
2079716 GARCIA DE MENDOZA RODRIGUEZ ALAN
1964373 GONZALEZ DIAZ LEONARDO
1966569 MARTINEZ PEREZ EMILY AMADA
1981640 MENDOZA GARCIA ANDREA ALEJANDRA
1963411 RAMIREZ MORALES AMY AYLIN
1872884 RAMOS SOTO MAYRA JANTCELY
1949744 SANTES DIAZ BRITANY YULIANA
 Ciudad Universitaria 12 septiembre 2022
2

Contenido
INTRODUCCION.......................................................................................................................3
Capitulo 11. Muestreo: diseño y procedimiento....................................................................4
Capítulo 12. Muestreo: determinación del tamaño final e inicial de la muestra..................6
Capitulo 13. Trabajo de campo...............................................................................................7
Capitulo 14. Preparación de los datos....................................................................................8
Capitulo 15. Distribución de frecuencias, tabulación cruzada y prueba de hipótesis............9
Capitulo 16. Análisis de varianza y covarianza......................................................................13
Capitulo 17. Correlación y regresión.....................................................................................17
Conclusiones.........................................................................................................................18
Bibliografía............................................................................................................................19
 3
INTRODUCCION

gracias a este ensayo nos ayudara a darnos cuenta de como la inteligencia de mercados
tiene una enorme importancia en prácticamente cualquier empresa u organización, por
las enormes posibilidades que ofrece a nivel de marketing.
El incremento de las oportunidades de venta adicional que aporta la inteligencia de
mercados, no solamente reduce los riesgos para la empresa, sino que también supone una
ventaja competitiva esencial.
La inteligencia de mercados no es solamente útil para conocer datos relacionados con la
competencia, también permite obtener información de interés para destacar por encima
de la competencia.
 4
Capitulo 11. Muestreo: diseño y procedimiento
Diseño de muestreo comienza con la definición de la población objetivo en
términos de elementos, unidades de muestreo, tamaño y tiempo. A continuación,
debe determinarse el marco muestral. El marco muestral representa un elemento
de la población objetivo. Consiste en una lista de direcciones que se utilizan para
identificar al público objetivo. En esta etapa, es importante reconocer cualquier
error que pueda estar presente en el marco muestral. El siguiente paso consiste
en elegir los métodos de muestreo y determinar el tamaño de la muestra. Además
del análisis cuantitativo, se deben considerar varios factores cualitativos al
determinar el tamaño de la muestra. Finalmente, el proceso de muestreo requiere
una descripción detallada de cada paso del proceso. Los métodos de muestreo se
dividen en métodos probabilísticos y no probabilísticos. Las técnicas de muestreo
no probabilístico se basan en el juicio del investigador. Por lo tanto, no permiten
una evaluación objetiva de la precisión de los resultados del muestreo o la
extrapolación estadística de las estimaciones de población resultantes. Los
métodos de muestreo aleatorio más utilizados son el muestreo por conveniencia,
el muestreo aleatorio, el muestreo por cuotas y el muestreo por bola de nieve.
Utilizando métodos de muestreo probabilístico, las unidades de muestra se
seleccionan al azar. Cada unidad de muestra tiene cero posibilidades de ser
seleccionada, y el investigador determina de antemano cada muestra potencial de
un tamaño dado que se puede extraer de la población, así como la probabilidad de
selección de cada muestra. La precisión de las estimaciones e inferencias de la
muestra también se puede determinar y extrapolar a la población objetivo. Las
posibles técnicas de muestreo incluyen el muestreo simple, el muestreo
sistemático, el muestreo estratificado, el muestreo por conglomerados, el
muestreo secuencial y el muestreo múltiple. La elección entre muestreo
probabilístico y no probabilístico debe basarse en la naturaleza del estudio, el
margen de error, el tamaño relativo de los errores muestrales y no muestrales, la
variabilidad de la población y las consideraciones estadísticas y estadísticas. Al
realizar una investigación de mercado internacional, es mejor asegurarse de que
5
el tamaño de la muestra sea comparable y representativo, incluso si esto requiere
el uso de diferentes métodos de muestreo en diferentes países. Tratar muestras
no probabilísticas como muestras probabilísticas y extrapolar los resultados a la
población objetivo es poco ético y engañoso. Internet y las computadoras hacen
que el proceso de muestreo sea más eficiente y efectivo.
 6
Capítulo 12. Muestreo: determinación del tamaño final e inicial de
la muestra.
Los procedimientos estadísticos para determinar el tamaño de la muestra se
basan en intervalos de confianza. Estos métodos pueden incluir la estimación de
medias o proporciones. Al estimar la media, especifique el nivel de precisión, el
nivel de confianza y la desviación estándar de la población para usar el intervalo
de confianza para determinar el tamaño de la muestra. En el caso de
proporciones, se debe establecer el nivel de precisión y confiabilidad y estimar la
proporción de la población. El tamaño de muestra determinado estadísticamente
representa el tamaño final o neto de la muestra a obtener. Para lograr el tamaño
final de la muestra, se tuvo que contactar a un mayor número de encuestados
potenciales para tener en cuenta la deserción debido a la frecuencia y las tasas de
abandono. El error de falta de respuesta se produce cuando algunos de los
encuestados potenciales de la muestra no responden. Las principales razones de
la baja tasa de respuesta son el rechazo y no poder encontrar a alguien en casa.
La frecuencia de rechazar o rechazar términos y conceptos clave puede reducirse
mediante advertencias anticipadas, motivación del encuestado, incentivos, diseño
y uso apropiados del cuestionario y seguimiento. La ausencia de personas en
casa se reduce significativamente por llamadas repetidas. Los ajustes para los no
respondedores se pueden realizar mediante submuestreo, reemplazo, reemplazo,
evaluación subjetiva, análisis de tendencias, ponderación e imputación de los no
respondedores. En la investigación de mercados internacionales, la estimación
estadística del tamaño de la muestra es más complicada porque las diferencias de
población pueden variar de un país a otro. Las estimaciones iniciales de la
varianza de la población para determinar el tamaño de la muestra también tienen
implicaciones éticas. Internet y las computadoras ayudan a determinar y ajustar
los tamaños de las muestras para tener en cuenta las tasas esperadas y de
deserción.
 7
Capitulo 13. Trabajo de campo.
Los investigadores tienen dos opciones para la recolección de datos que
vienen siendo poder desarrollar sus propias organizaciones o contratar a
una agencia de trabajadores de campo. En ambos casos, la recolección
de los datos implica el uso de personal especializado que puede operar
tanto en el campo (observación y entrevistas personales en casa, en
centros comerciales y asistidas por computadora) o desde una oficina
(encuestas telefónicas, por correo, correo electrónico y por Internet). El
trabajo de campo implica la selección, capacitación y supervisión de las
personas que reúnen los datos. La validación del trabajo de campo y la
evaluación de quienes lo realizan también forman parte del proceso.
El primer paso en el proceso del trabajo de campo es la selección de los
trabajadores de campo. 
La capacitación de los trabajadores de campo es fundamental para la
calidad de los datos obtenidos. La capacitación debe abarcar tareas
como la manera de hacer el contacto inicial, plantear las preguntas,
hacer el sondeo, registrar las respuestas y terminar la entrevista.
Los entrevistadores deben usar el mismo formato y convenciones para
registrar las entre- vistas y corregir las entrevistas terminadas.
La supervisión de los trabajadores de campo significa asegurarse de que
sigan los procedimientos y las técnicas en que fueron capacitados.
Un aspecto importante de la supervisión es el control del muestreo, que
trata de asegurar que los entrevistadores siguen en forma estricta el plan
de muestreo, en vez de seleccionar las unidades de muestreo porque
son convenientes o son accesibles.Los supervisores brindan a la oficina
central información sobre la calidad y el control de costos, de manera que
sea factible llevar un reporte del progreso general.
Validar el trabajo de campo significa corroborar que los trabajadores de
campo realizan entrevistas auténticas. Para validar el estudio, los
supervisores llaman a entre 10 y 25 por ciento de los encuestados, para
preguntarles si los trabajadores de campo en verdad efectuaron la
entrevista. Hay que evaluar a los trabajadores de campo con base en
tiempo y costo, tasas de respuestas, calidad de las entrevistas y calidad
en la recolección de datos. La selección, capacitación, supervisión y
evaluación de los trabajadores de campo es aún más importante en la
investigación de mercados internacionales, ya que en muchos países no
se cuenta con empresas de trabajo de campo.
 8
Capitulo 14. Preparación de los datos.
La preparación de los datos debe empezar tan pronto como se reciba el
primer grupo de cuestionarios del campo, mientras el trabajo de campo
continúa. De este modo, si se detecta algún problema, es factible
modificar el trabajo de campo para incorporar alguna acción correctiva. El
paso inicial en la revisión del cuestionario implica verificar todos los
cuestionarios en cuanto a la calidad de las entrevistas y a que estén
terminados.
Antes de revisar los datos, deben identificarse los problemas para
cumplir los requisitos del muestreo y tomar las medida
La edición es la revisión de los cuestionarios con el objetivo de
incrementar su exactitud y precisión. Consiste en examinar los
cuestionarios para identificar respuestas ilegibles, incompletas,
incongruentes o ambiguas.
El manejo de las respuestas insatisfactorias por lo regular consiste en
regresar el cuestionario al campo para obtener mejores datos, asignar
valores faltantes o descartar a los encuestados insatisfactorios.
Devolución al campo: Los cuestionarios con respuestas insatisfactorias
pueden devolverse al campo, donde los entrevistadores vuelven a hacer
contacto con los encuestados.
Asignación de valores faltantes: Si no es posible regresar los
cuestionarios al campo, el editor puede asignar valores faltantes a las
respuestas insatisfactorias.
Descartar a los encuestados insatisfactorios: En este enfoque
simplemente se descarta a los encuestados con repuestas
insatisfactorias.
Codificar significa asignar un código, por lo general un número, a cada
respuesta posible de cada pregunta. El código incluye una indicación de
la posición en la columna (campo) y el registro que ocupará el dato. El
código del encuestado y el número de registro deben aparecer en cada
registro de los datos. Sin embargo, si sólo hay un registro para cada
encuestado puede prescindirse del código de registro. La codificación de
las preguntas estructuradas es muy sencilla porque las opciones de
respuestas se determinan con anticipación, de si mismo, el
entrevistador asigna un código a cada respuesta de cada pregunta, y
especifica el registro y la columna adecuados en que deben aparecer los
códigos de la respuesta.
 
 9
Capitulo 15. Distribución de frecuencias, tabulación cruzada y
prueba de hipótesis.
DISTRIBUCION DE FRECIENCIAS.
La distribución de frecuencias tiene como objetivo obtener un conteo del número
de respuestas asociadas a distintos valores de una variable, todo esto para
expresar esos conteos en porcentajes. Una distribución de frecuencias de una
variable produce una tabla de conteo de frecuencias, porcentajes y porcentajes
acumulativos de todos los valores asociados con esa variable. Nos ayuda a
determinar la magnitud de la falta de respuestas a los reactivos, además de indicar
la magnitud de respuestas ilegitimas, detecta la presencia de datos o valores
extremos, la forma de la distribución empírica de la variable. Los datos de
frecuencia nos sirven para construir un histograma, grafica de barras vertical
donde los valores de la variable se muestran a lo largo del eje X, y la frecuencia
absoluta de los valores se coloca a lo largo del eje Y, con esto podemos examinar
si la distribución observada es consistente con una distribución esperada o
supuesta, como la distribución normal.
Los estadísticos más utilizados que se asocian con las frecuencias son las
medidas de localización; media, moda y mediana, las medidas de variación; rango,
rango intercuartílico, desviación estándar y coeficiente de variación, y las medidas
de la forma; asimetría y curtosis.
Medidas de variación: indica la dispersión de la distribución.
Rango: diferencia entre el valor más grande y el valor más pequeño de una
distribución.
Rango intercuartílico: rango de una distribución que abarca el 50 por ciento central
de las observaciones.
Desviación estándar: raíz cuadrada de la varianza.
Varianza: desviación promedio al cuadrado de todos los valores a partir de la
media.
Coeficiente de variación: cociente de la desviación estándar con respecto a la
10
media, expresado en porcentaje, y es una medida de variación relativa sin
unidades.
Asimetría: característica de una distribución que determina su sesgo con respecto
a la media.
Curtosis: medida del pico o aplanamiento relativo de la curva, definida por la
distribución de frecuencias.
Las medidas de localización describen una ubicación dentro de un conjunto de
datos son medidas de tendencia central porque tienden a describir el centro de la
distribución. Si se modifica toda la muestra al añadir una constante fija a cada
observación, entonces, la media, la moda y la mediana cambian en la misma
cantidad fija.
Media: es el promedio, este valor se obtiene sumando todos los elementos y
dividiéndolos entre la cantidad de estos.
Moda: es el valor que más frecuencia tiene en una distribución muestral
representa el pico más alto de la distribución, es una buena medida de localización
cuando la variable es categórica.
Mediana: este valor deja por arriba a la mitad de los datos y por debajo a la otra
mitad, es el numero intermedio cuando los datos están acomodados en orden
ascendente o descendente, cuando en los datos es par, la mediana se calcula
como el punto medio entre los dos valores intermedios: al sumar los dos valores
intermedios y dividir la suma entre 2.
PRUEBA DE HIPOTESIS.
La prueba de hipótesis incluye los siguientes pasos:
1. Formular la hipótesis nula H0 y la hipótesis alternativa H1.
2. Elegir una técnica estadística adecuada y su estadístico de prueba
correspondiente.
3. Seleccionar el nivel de significancia.
4. Determinar el tamaño de la muestra y reunir los datos. Calcular el valor del
estadístico de prueba.
5. Determinar la probabilidad asociada con el estadístico de prueba con respecto a
11
la hipótesis nula, utilizando la distribución de la muestra del estadístico de prueba.
6. Comparar la probabilidad asociada con el estadístico de prueba, al nivel de
significancia especificado. Como alternativa, determinar si el estadístico de prueba
cae en la región de rechazo o de no rechazo.
7. Tomar la decisión estadística de rechazar o no rechazar la hipótesis nula.
8. Expresar la decisión estadística en términos del problema de investigación de
mercados.
La Hipótesis nula, es donde no se espera ninguna diferencia, si no se rechaza
esta hipótesis no se realizan cambios. En esta puede haber pruebas de una cola,
la cual se expresa de manera direccional, también hay pruebas de dos colas,
donde esta no se expresa de manera direccional, un estadístico de prueba es la
medida cuando la muestra de hipótesis nula se aproxima. Mientras que en la
Hipótesis alternativa si se espera una diferencia o efecto, y la aceptación de esta
hipótesis si causara cambios en la opinión o acciones.
TABULACION CRUZADA.
Esta técnica describe dos o más variables de manera simultánea, produce tablas
que reflejan la distribución conjunta de dos o más variables con un número
limitado de categorías, es la combinación de la distribución de frecuencias de dos
o más variables en una sola tabla, y nos ayuda a entender la manera en que una
variable, como la lealtad hacia la marca, se relaciona con otra variable, como el
sexo. Las categorías de una variable se cruzan con las categorías de otras
variables, así, la distribución de frecuencias de una variable se subdivide de
acuerdo con las categorías de las otras variables. Las tablas de contingencia
contienen una celda para combinación de categoría de las dos variables.
Dos variables. La tabulación cruzada con dos variables, también conocida como
tabulación bivariado.
Tres variables. una tercera variable aclara la asociación inicial observada entre
dos variables, además da como resultado 4 posibilidades:
1. Puede refinar la asociación entre las dos variables originales.
2. Puede indicar que no hay asociación entre las dos variables, la tercera
12
variable indica que la asociación inicial entre las dos variables era espuria.
3. Puede revelar alguna asociación entre las dos variables, la tercera variable
revela una asociación oculta entre las primeras dos variables: un efecto supresor.
4. Es posible que no indique ningún cambio en la asociación inicial.
Es posible hacer tabulaciones cruzadas de más de tres variables, aunque la
interpretación sería bastante compleja. Además, debido a que el número de celdas
aumenta multiplicativamente, mantener un número adecuado de sujetos o casos
en cada celda puede ser problemático. Como regla general, debe haber por lo
menos cinco observaciones esperadas en cada celda para calcular los
estadísticos. De esta manera, la tabulación cruzada es una forma ineficiente de
examinar relaciones en las que existen muchas variables.
Este estudio genera una tabla de frecuencias, porcentajes y porcentajes
acumulativos para todos los valores asociados con dicha variable. La media, moda
y mediana de una repartición de frecuencias son medidas de tendencia central, la
alteración del reparto se explica por medio del rango, la varianza o desviación
estándar, el coeficiente de alteración y el rango intercuartílico. Hay pruebas
paramétricas y no paramétricas para conjetura de diferencias, en relación con las
paramétricas, la prueba t se usa para analizar premisa en relación con la media
poblacional. Hay diversas maneras de la prueba t para probar premisa
fundamentadas en una muestra.

Para 2 muestras no paramétricas independientes se puede usar la prueba U de

Mann-Whitney, la prueba de la mediana y la prueba de Kolmogórov-Smirnov. Para
muestras pareadas, la prueba de rangos con símbolo de Wilcoxon para muestras
pareadas y la prueba del símbolo sirven para analizar premisa en relación con
medidas de ubicación.
 13
Capitulo 16. Análisis de varianza y covarianza.
La exploración de varianza y la exploración de covarianza se usan para analizar
las diferencias entre los valores promedio de la variable dependiente, relacionadas
con el impacto de las cambiantes independientes controladas, luego de tomar en
consideración la influencia de las cambiantes independientes no controladas. En
su forma más fácil, la exploración de varianza debería tener una variable
dependiente que sea métrica. Cada una de las cambiantes independientes tienen
que ser categóricas, las cambiantes independientes categóricas además son
identificados como componentes. La exploración de varianza de un componente
únicamente incluye una variable categórica o un elemento, si participan 2 o más
componentes, al estudio se le llama estudio de varianza de n componentes. Si,
además del uso del producto, el investigador además quisiera analizar la
preferencia por el cereal Total de los consumidores que son leales y de quienes no
lo son, se podría hacer un estudio de varianza de n componentes. Si el grupo de
cambiantes independientes consta de cambiantes categóricas y métricas, a la
técnica se le llama estudio de covarianza. En esta situación, las cambiantes
independientes categóricas además se denominan componentes; en tanto que las
cambiantes independientes métricas se llaman covariables. No obstante, en la
mayoría de los casos cada una de las cambiantes independientes son de
intervalo; aunque es viable adaptar cambiantes binarias o categóricas al usar
cambiantes “dummy”.
El procedimiento para realizar el análisis de varianza de un factor implica
identificar las variables dependiente e independiente, descomponer la variación
total, medir los efectos, probar la significancia e interpretar los resultados.

La variable dependiente se simboliza con Y y la variable independiente con X. X

es una variable categórica con c categorías. el tamaño de la muestra en cada
categoría de X es n y el tamaño total de la muestra N = n * c. Aunque se asume
que las muestras en las categorías de X son del mismo tamaño por razones de
simplicidad, éste no es un requisito. El análisis de varianza de un factor requiere
de la descomposición de la variación total observada en la variable dependiente.
14
Esta variación se mide usando la suma de cuadrados corregida para la media,
este análisis recibe su nombre porque examina la variabilidad o variación en la
muestra (variable dependiente) y, con base en la variación, determina si hay
alguna razón para creer que las medias poblacionales son diferentes.
En el análisis de varianza de un factor, el interés reside en poner a prueba la
hipótesis nula que plantea que las medias de las categorías son iguales en la
población. Si la premisa nula que expone medias de categoría equivalentes no se
rechaza, entonces la variable sin dependencia no posee un impacto significativo
sobre la variable dependiente. Sin embargo, si se rechaza la conjetura nula,
entonces el impacto de la variable sin dependencia es significativo. En otros
términos, el costo promedio de la variable dependiente va a ser distinto para
diversas categorías de la variable libre.
Los principales supuestos del análisis de varianza se pueden resumir en los
siguientes 3 puntos:
1. Las categorías de la variable independiente son fijas. Sólo se hacen
inferencias de las categorías específicas consideradas. A esto se le conoce como
el modelo de efectos fijos.
2. El término de error se distribuye normalmente, con una media de cero y una
varianza constante. El error no está relacionado con ninguna de las categorías de
X. Pequeñas variaciones de estos supuestos no afectan gravemente la validez del
análisis.
3. Los términos de error no están correlacionados. Si los términos de error
están correlacionados, es decir, las observaciones no son independientes, la
razón F podría distorsionarse gravemente.
Cuando se analizan datos, estos supuestos se cumplen de forma razonable, por lo
tanto, el análisis de varianza es un procedimiento común.
Al analizar las diferencias en medio de las medias de la variable dependiente, en
relación con el impacto de las cambiantes independientes controladas,
comúnmente se necesita tener presente la influencia de cambiantes
independientes no controladas.
 15
En dichos casos, debe utilizarse un estudio de covarianza, el cual incluye al
menos una variable sin dependencia categórica, y al menos una variable sin
dependencia métrica o de intervalo. A la variable sin dependencia categórica se le
llama componente; mientras tanto que la variable sin dependencia métrica se sabe
cómo covariable. La covariable se usa primordialmente para remover variaciones
extrañas de la variable dependiente, debido a que los efectos de los componentes
resultan muy relevantes, la alteración de la variable dependiente gracias a las
covariables se borra por medio de un ajuste del costo promedio de la variable
dependiente en cada procedimiento, después se hace un estudio de varianza con
las puntuaciones ajustadas, la significancia del impacto combinado de las
covariables, así como el impacto de cada covariable, se prueba con la prueba F
idónea, los coeficientes de las covariables ofrecen datos acerca del impacto que
ejercen éstas sobre la variable dependiente. El estudio de covarianza es más
eficaz una vez que la covariable tiene una interacción lineal con la variable
dependiente y no está relacionada con los componentes.
El análisis de varianza no métrico examina la diferencia de la tendencia central de
más de dos grupos cuando la variable dependiente se mide en una escala ordinal.
Uno de estos procedimientos es la prueba de la mediana de k muestras. Como su
nombre lo indica, se trata de una extensión de la prueba de la mediana para dos
grupos. Una prueba más poderosa es el análisis de varianza de un factor de
Kruskal-Wallis, que es una extensión de la prueba de Mann-, esta prueba también
examina la diferencia entre las medianas, la hipótesis nula es igual que la de la
prueba de la mediana de k muestras, aunque el procedimiento de prueba es
diferente. Todos los casos de los k grupos se ordenan en una sola clasificación, si
las k poblaciones son iguales, los grupos deben ser similares en términos de los
rangos dentro de cada grupo, luego, se calculan la suma de rangos para cada
grupo y el estadístico H de Kruskal-Wallis, que tiene una distribución de chi
cuadrada.
El análisis de varianza multivariado (MANOVA) es similar al análisis de varianza
(ANOVA), esta técnica de ANOVA que utiliza dos o más variables dependientes
métricas, salvo que, en vez de manejar una variable dependiente métrica, maneja
16
dos o más. El objetivo es el mismo: el MANOVA también se utiliza para examinar
diferencias entre grupos, la hipótesis nula plantea que los vectores de las medias
de múltiples variables dependientes son iguales en todos los grupos, el análisis de
varianza multivariado debe emplearse cuando hay dos o más variables
dependientes que están correlacionadas, si hay múltiples variables dependientes
que no están correlacionadas o son ortogonales, es más apropiado realizar un
ANOVA en cada variable dependiente que un MANOVA.
En el ANOVA y en el ANCOVA la variable dependiente es métrica y cada una de
las cambiantes independientes son categóricas, o una conjunción de cambiantes
categóricas y métricas. El ANOVA de un elemento incluye solamente una variable
libre categórica, la alteración total en la variable dependiente se separa en 2
elementos: la alteración relacionada con la variable libre y la alteración relacionada
con el error. La premisa nula de medias equivalentes se prueba por medio del
estadístico F, que es el motivo del cuadrado medio con en relación con la variable
sin dependencia y el cuadrado medio referente con el error, el estudio de varianza
de N componentes involucra la prueba simultánea de 2 o más cambiantes
independientes categóricas.

El ANCOVA incluye al menos una variable libre categórica y al menos una variable
sin dependencia de intervalo o métrica, la variable sin dependencia métrica, o
covariable, principalmente se usa para borrar alteración extraña de la variable
dependiente, una vez que se hace un estudio de varianza de 2 o más
componentes, tienen la posibilidad de surgir colaboraciones. Una relación pasa
una vez que el impacto de una variable libre sobre una variable dependiente
difiere en diversas categorías o niveles de otra variable sin dependencia. En los
diseños equilibrados, el valor relativo de los componentes al describir la alteración
de la variable dependiente se mide con la omega cuadrada, la investigación de
varianza no métrico involucra el análisis de las diferencias de las tendencias
17
centrales de 2 o más conjuntos, una vez que la variable dependiente se mide en
una escala ordinal.
 18
Capitulo 17. Correlación y regresión
El coeficiente de correlación producto-momento r mide la relación lineal entre dos
variables métricas (intervalo o razón). Su r2 al cuadrado mide la proporción de variación
en una variable que es explicada por otra variable. Un coeficiente de correlación parcial
mide la relación entre dos variables después de controlar o ajustar los efectos de una o
más variables adicionales. El orden de las correlaciones parciales indica cuánto se ajustan
o controlan las variables. Las correlaciones parciales son útiles para detectar relaciones
espurias.
La regresión bivariada deriva una ecuación matemática entre una variable de medida
estándar y una variable de medida predictora. La ecuación se obtiene como una línea
recta usando el método de mínimos cuadrados. Cuando se realiza una regresión en datos
estandarizados, se supone que el intercepto es 0 y los coeficientes de regresión se
denominan pesos beta. La fuerza de la asociación se midió usando el coeficiente de
determinación r2 obtenido al calcular la relación de SCreg a SCy. El error estándar
estimado se usa para medir la precisión de la predicción y se puede interpretar como una
forma de error medio al predecir Y usando la ecuación de regresión. La regresión múltiple
involucra una variable dependiente con dos o más variables independientes. El coeficiente
de regresión parcial b1 representa el cambio esperado en Y cuando X1 cambia en una
unidad y X2 a través de Xk permanecen constantes. La fuerza de la asociación se mide por
el coeficiente de determinación múltiple R2. La importancia de la ecuación de regresión
general se evaluó y probó mediante la prueba F general. Utilice una prueba t o una prueba
F incremental para evaluar la importancia de los coeficientes de regresión parcial. Se
utiliza un gráfico de residuos para probar las suposiciones subyacentes y ajustar los
modelos de regresión, en los que los residuos se representan frente al valor predicho, Y^i,
el tiempo o las variables predictoras.
En la regresión directa, los predictores se incluyen o eliminan de la ecuación de regresión
de uno en uno para seleccionar un subconjunto más pequeño de predictores para explicar
la mayor parte de la variación en la variable estándar. La multicolinealidad o una
correlación muy alta entre predictores pueden causar más problemas. Debido a que los
predictores están correlacionados, el análisis de regresión no puede proporcionar una
medida clara de la importancia relativa de los predictores. La validación cruzada verifica
que el modelo de regresión siga siendo correcto para datos comparables que no se usaron
en la estimación. Este es un procedimiento útil para estimar modelos de regresión. Si las
variables nominales o categóricas se codifican como variables ficticias, puede usarlas
como predictores. La regresión múltiple con variables ficticias proporciona procedimientos
generales para el análisis de varianza y el de covarianza.
 19
Conclusiones
GONZALEZ DIAZ LEONARDO

Dentro de la inteligencia de mercados podemos describir varios términos o definiciones

importantes para nuestro trabajo, por lo que realizamos un resumen o glosario de los
capítulos faltante por investigar en el semestre, en dichos capítulos podemos ver los
temas más importantes a recalcar para nuestras investigaciones futuras así como para la
realización de las demás tareas por realizar, como nuestros a veces de PIA u actividades
diarias, todo esto con el fin de recabar información de manera más rápida.

MARTINEZ PEREZ EMILY AMADA

Como demuestra el ensayo que realizamos el método que ofrece la mayor ventaja es el
muestreo probabilístico porque sus resultados suelen ser más representativos, mientras
que el muestreo no probabilístico tiene como objetivo obtener datos efectivamente
representativos. En una muestra no probabilística, deben mostrar sus características
originales, y si se utilizan correctamente, sus resultados son útiles. Entre los métodos de
muestreo probabilístico, su enfoque teórico resultó ser muy exigente. Por otro lado
también hacemos mención sobre la recopilación de datos incluye la recopilación de
información que se realiza en forma de entrevistas, cuestionarios y observaciones, donde
los analistas adquieren y desarrollan sistemas de información para lograr sus metas y
objetivos. También está claro que estas herramientas pueden registrar la información
recopilada y ayudar en la toma de decisiones y cálculos estadísticos. Por último quiero
mencionar que la recopilación de datos es el proceso de recopilar información para dar
respuestas a preguntas o hipótesis.

MENDOZA GARCIA ANDREA ALEJANDRA

A través de esta parte del libro en los capítulos vistos vi que la recopilación de datos
incluye la recopilación de información; realizado en forma de entrevistas, cuestionarios y
observaciones; donde los analistas adquieren y desarrollan sistemas de información para
lograr sus metas y objetivos.
También me quedo claro que estas herramientas pueden registrar la información
recopilada y ayudar en la toma de decisiones y cálculos estadísticos. Finalmente, puedo
decir que la recopilación de datos es el proceso de recopilar información para dar
respuestas a preguntas o hipótesis.

RAMIREZ MORALES AMY AYLIN

En conclusión, la inteligencia de mercados es una de las claves fundamentales a la hora de

ejecutar un plan de marketing que persiga el incremento de las ventas y que un negocio
sea próspero.
La inteligencia de mercados permite a las empresas establecer procesos continuos de
20
mejora donde las necesidades del cliente interno y externo generar las oportunidades en
los mercados a los que se quiere ingresar
Las matrices de recolección de información de los entornos de la empresa solo muestran
una posible falencia y una capacidad de mejora, las empresas mismas son las que deben
aportar desde la alta gerencia las indicaciones para dar cumplimiento a los requerimientos
del mercado.

RAMOS SOTO MAYRA JANTCELY

Como conclusión, durante estos capítulos aprendimos que el ANOVA y en el ANCOVA la

variable dependiente es métrica y todas las variables independientes son categóricas, o
una combinación de variables categóricas y métricas. El ANOVA de un factor incluye sólo
una variable independiente categórica, la variación total en la variable dependiente se
separa en 2 recursos: la variación relacionada con la variable independiente y la variación
relacionada con el error. La hipótesis nula de medias iguales se prueba por medio del
estadístico F, que es la razón del cuadrado medio con relacionadas con la variable libre y el
cuadrado medio relacionado con el error, el análisis de varianza de N elementos implica la
prueba simultánea de 2 o más variables independientes categóricas.

El ANCOVA incluye por lo menos una variable independiente categórica y por lo menos
una variable independiente de intervalo o métrica, la variable libre métrica, o covariable,
primordialmente se utiliza para borrar variación extraña de la variable dependiente,
cuando se hace un análisis de varianza de 2 o más elementos, pueden surgir interacciones.
Una interacción pasa cuando el efecto de una variable independiente sobre una variable
dependiente difiere en distintas categorías o niveles de otra variable independiente.

SANTES DIAZ BRITANY YULIANA

En esta actividad podíamos observar ciertos capítulos del libro, en si lo

que aprendí yo es que se trata mas que nada de entrevistas y encuestas,
estos temas son de suma importancia ya que actualmente en ciertos
proyectos yo ya estoy viviendo esta experiencia de asistir presencial para
realizar un trabajo en campo, la verdad me a complementa ya que en si
se trata de hacer una recopilación de datos en alguna organización o
empresa y para esto lo que tengo entendido es que para que sea
verídica las encuestas deben de ser aproximadamente de 10 a 25
encuestas, también esto incluye un código que se debe de apreciar en en
cada registro de datos.
Bibliografía 21