INVESTIGACIÓN DE MERCADO I – CAPÍTULO IV

Prof. Lic. María Auxiliadora Pereira de Benítez, MBA

4.1. Concepto de análisis univariantes.

El análisis univariante es la forma más sencilla de analizar los datos. «Uni» significa «uno», es
decir, sus datos sólo tienen una variable. No se ocupa de las causas ni de las relaciones y su
principal objetivo es describir; toma los datos, los resume y encuentra patrones en ellos.

Análisis univariado: para este análisis solo se requiere implicar una sola variable de estudio.
Por ejemplo, analizar en una población solamente su estatura, o bien podría ser su peso.

Tomando las palabras de Hair et al. (2010) los investigadores de mercado a menudo proponen
hipótesis acerca de las características de la población basadas en datos muestrales. El proceso
empieza típicamente con el cálculo de distribuciones y porcentajes de frecuencia, y de ahí se
pasan a probar realmente las hipótesis. Cuando la prueba de hipótesis consiste en examinar una
variable a la vez, se le denomina prueba estadística univariable.

Con relación a las pruebas univariable el autor nos da el siguiente ejemplo, supongamos que los
dueños del Santa Fe Grill creen que los clientes consideran que los precios de su menú son muy
razonables. Los encuestados han contestado a este reactivo utilizando una escala de 7 puntos
en la que:

1 = Muy en desacuerdo (Con precios del Menú)

7 = Muy de acuerdo (Con los precios del Menú)

Hay que terminar un par de tareas antes de responder a la pregunta que se ha planteado.
Primero tienen que desarrollarse las hipótesis que se van a comparar (la hipótesis nula y la
alternativa).

La hipótesis nula (H0) es una hipótesis que el investigador trata de refutar, rechazar o anular.
Hipótesis alternativa es lo que el investigador realmente piensa que es la causa de un
fenómeno.

Luego tiene que seleccionar el nivel de significancia para rechazar la hipótesis nula y aceptar la
alternativa. En ese punto es cuando el investigador puede llevar a cabo la prueba estadística y
determinar la respuesta a la pregunta de investigación.

En este ejemplo, los propietarios piensan que los clientes consideran que los precios de la
comida de la Santa Fe Grill son muy razonables.

El reactivo se mide con una escala de 7 puntos en la que 7 = Muy de acuerdo.

El consultor de investigación de mercado ha indicado que esperar un 7 en una escala de 7 puntos

no es razonable. Por consiguiente, los propietarios han definido “precios razonables” diciendo
que las percepciones de los precios en el Santa Fe Grill no serán significativamente diferentes
de 6 = Muy favorable

6 = Muy favorable (Precios razonables)

La hipótesis nula es que los Precios razonables no serán significativamente diferente de 6.

Recuerde que la hipótesis nula afirma el statu quo (Estado de cosas en un determinado
momento o situación actual): cualquier diferencia de lo que se cree que sea cierto se debe al
muestreo aleatorio.
Hipótesis Nula____ Precios Razonables_____ no serán significativamente diferente de 6 o sea
serán probablemente iguales a 6.

La hipótesis alternativa es: que los precios razonables no será 6.

Hipótesis Alternativa _____ precios razonables _____ no será 6.

Suponga que los propietarios quieren estar 95% seguros de que la media no es diferente de 6.
De tal manera, el nivel de significancia se situará en 5%. El uso de este nivel de significancia
indica que, si la encuesta de los clientes de la Santa Fe Grill se lleva a cabo muchas veces, la
probabilidad de rechazar incorrectamente la hipótesis nula cuando fuera cierta se haría efectiva
menos de 5 veces de cada 100.

Prosigue mencionando el autor, que con ayuda del software SPSS, se puede probar las
respuestas en la base de datos de Santa Fe Grill para averiguar la respuesta a la pregunta de
investigación planteada anteriormente.

Por lo tanto, desde un punto de vista práctico, en términos de la Santa Fe Grill, los resultados de
la prueba de hipótesis univariable indican que los encuestados percibieron que los precios del
menú estuvieron significativamente por debajo de 6 (definido como muy razonable por los
propietarios).

La media arrojada por el software es de 4.47 que está considerablemente por debajo de 6 (7 =
[muy de acuerdo] con que los precios son razonables). Por esta razón, los propietarios de la
Santa Fe Grill pueden concluir que sus precios no se perciben muy favorablemente. Desde
luego, hay mucho margen para mejorar entre la media de 4.47 y el más alto valor (7) en la escala
de 7 puntos. Ésta es, a las claras, un área que es necesario examinar.

4.2. Concepto de análisis bivariante.

Según Hair et al. (2010) en muchos casos, los investigadores de mercado prueban hipótesis que
comparan características de dos grupos o dos variables. Por ejemplo, el investigador de
mercado puede tener interés en determinar si hay diferencia entre compradores de edad
avanzada y jóvenes al adquirir un auto nuevo, en términos de la importancia de un reproductor
DVD de seis discos.

En situaciones en las que se trata de más de un grupo, se necesitan pruebas bivariables. En

cuanto a las pruebas bivariables consisten en el análisis de dos variables para llegar a la
conclusión de la hipótesis previamente elaborada por los investigadores.

4.3. Tipo de variables que intervienen en el análisis.

De acuerdo con Hair et al. (2010) los tipos de variables que intervienen en el análisis bivariante
son:

En primer lugar, la tabulación cruzada, que es útil para examinar las relaciones y reportar los
resultados con dos variables. El propósito de la tabulación cruzada es determinar si hay
diferencias entre subgrupos de la muestra total. De hecho, la tabulación cruzada es la primera
forma del análisis de datos en algunos proyectos de investigación de mercado.

En cuanto a cómo armar la tabla de tabulación cruzada, el investigador selecciona las variables
que va a usar cuando examine relaciones. La selección de las variables debe basarse en los
objetivos del proyecto de investigación.
Habitualmente, las variables demográficas (edad, sexo, estado civil, lugar de residencia, etc.) son
el punto de partida en las tabulaciones cruzadas. Estas variables suelen ser las columnas de la
tabla de tabulación cruzada, y las filas son variables como intención de compra, uso, u otros
reactivos de respuesta categórica.

Las tablas de tabulación cruzada muestran los cálculos de porcentaje basados en los totales de
las columnas o filas. De este modo, el investigador puede hacer comparaciones de
comportamientos e intenciones para diferentes categorías de variables predictoras, como los
ingresos, el género y el estado civil.

Por ejemplo las tablas cruzadas responden preguntas como:

Ejemplo 1:

¿Qué % de hombres hicieron una compra en los últimos 2 meses? (Columnas)

¿Los hombres están más satisfechos con nuestros productos que las mujeres? (Filas)

Ejemplo 2:
¿Qué % de mujeres de entre 19 y 35 años observa las redes sociales por más de 2 horas?
¿Las mujeres jóvenes observan por más tiempo las redes sociales que las mujeres adultas?

Básicamente involucra la interacción entre dos preguntas y una distribución de cómo los
usuarios respondieron a ambas.

Con relación a la tabulación cruzada, como técnica preliminar, le ofrece al investigador de

mercado una poderosa herramienta para resumir datos de encuesta. Es fácil de entender e
interpretar y puede proveer una descripción de datos, tanto totales, como de subgrupo.

Al desarrollar estas tablas, el analista debe tener siempre en cuenta los objetivos del proyecto y
las preguntas de investigación específicas que el estudio está diseñado para responder.

Ventajas de la tabla cruzada

Algunos de los beneficios de usar una tabla cruzada en tu próxima investigación son:

1. Hace más fácil y amena la lectura de los datos: esto lo logramos al agrupar a través de
variables los datos y por ende causa un efecto que hace disminuir el margen de error en
tus informes de encuesta.
2. Una vez que tenemos nuestros datos agrupados, es mucho más fácil graficar y convertir
esa información a un plano más visual y de fácil comprensión para nosotros.
3. Básicamente una tabla cruzada nos ahorra el arduo trabajo de usar otros
procedimientos estadísticos engorrosos para correlacionar variables.

En segundo lugar, el análisis de Chi-cuadrado,

Esta prueba contrasta frecuencias observadas con las frecuencias esperadas de acuerdo con la
hipótesis nula.

El análisis de Chi-cuadrado (X2) permite a los investigadores probar la significancia estadística

entre las distribuciones de frecuencia de dos (o más) variables medidas con escala nominal en
una tabla de tabulación cruzada para determinar si hay alguna asociación.
Un propósito de las tabulaciones cruzadas es el de estudiar relaciones entre las variables. La
pregunta de investigación es “¿Las cantidades de respuestas que caen dentro de categorías
diferentes difieren de lo esperado?”

De tal suerte, la hipótesis nula del ejemplo anterior sería que la cantidad de clientes que
recuerdan anuncios de la Santa Fe Grill es la misma.

La hipótesis alternativa es que las dos variables están relacionadas, o que hombres y mujeres
difieren en su recuerdo de los anuncios de la Santa Fe Grill.

A esta pregunta y otras semejantes se puede contestar utilizando el análisis de Chi-cuadrado.

Con esta estadística se pueden examinar los datos categóricos de reactivos acerca del género,
la educación y otras variables nominales.

El análisis de Chi-cuadrado compara las frecuencias observadas (conteos) de las respuestas con
las frecuencias esperadas. La estadística de Chi-cuadrado prueba si los datos observados se
distribuyen o no en la forma en que esperamos que lo hagan, dando por supuesto que las
variables no están relacionadas.

El conteo de celda esperada es un valor teórico, mientras que la observada es el conteo de celda
real basada en el estudio que se realiza.

Por ejemplo, si observáramos que las mujeres recuerdan los anuncios más que los hombres,
compararíamos el valor observado con la frecuencia que esperaríamos para ver si no hay
diferencia en el recuerdo de anuncios entre hombres y mujeres. De este modo, la estadística
de Chi-cuadrado sirve para responder a preguntas acerca de los datos medidos con escala
nominal que no pueden analizarse con otros tipos de análisis estadístico.

4.4. Concepto de análisis multivariante.

Tomando las palabras de Hair et al. (2010) el análisis multivariado se refiere a un grupo de
procedimientos estadísticos en el que se analizan simultáneamente múltiples mediciones
sobre cada individuo u objeto que se investiga.

El análisis multivariado es sumamente importante en la investigación de mercados debido a que

la mayor parte de los problemas de negocios son multidimensionales. A las corporaciones y a
sus clientes pocas veces se les describe sobre la base de una dimensión.

La decisión de un individuo de visitar un restaurante de comida rápida suele depender de

factores como la calidad, la variedad y el precio del alimento; la ubicación del restaurante y el
servicio.

Cuando las corporaciones desarrollan una base de datos para servir mejor a sus clientes, ésta
suele comprender un vasto conjunto de información, como demografía, estilos de vida, códigos
postales, comportamiento de compra, sobre cada cliente. Conforme los investigadores de
mercados cobren cada vez mayor conciencia del poder del análisis multivariado, utilizarán
técnicas multivariadas cada vez más para resolver problemas de negocios complejos.

4.5. Métodos multivariados selectos.

Según expresa Hair et al. (2010) algunos métodos multivariados selectos son:
Primero, la regresión múltiple permite que el investigador de mercados pronostique una sola
variable dependiente métrica a partir de dos o más variables independientes medidas en forma
métrica.

Segundo, el análisis discriminante múltiple puede pronosticar una sola variable dependiente
no métrica a partir de dos o más variables independientes medidas en forma métrica.

Tercero, el análisis de conglomerados (análisis clúster) se utiliza para clasificar a entrevistados

u objetos (por ejemplo: productos, tiendas) en grupos homogéneos o similares dentro de los
grupos, pero diferentes entre éstos.

Cuarto, el análisis conjunto se utiliza para estimar el valor (utilidad) que los entrevistados
asocian con diferentes características de productos y/o servicios, de modo que pueda
determinarse la combinación preferida de características.

Quinto, el mapeo perceptual se utiliza para desplegar visualmente las percepciones que tienen
los entrevistados sobre los productos, las marcas, las compañías, etc. Pueden utilizarse varios
métodos multivariados para desarrollar los datos y elaborar mapas perceptuales.

4.6. El análisis factorial de componentes principales

En palabras del autor Hair et al. (2010) el análisis factorial es una técnica estadística
multivariada que se utiliza para resumir la información contenida en una gran cantidad de
variables a una cantidad mucho más pequeña de subconjuntos o factores, la finalidad del
análisis factorial es simplificar los datos.

Con el análisis factorial no hay una distinción entre las variables dependientes e independientes;
más bien, todas las variables que se investigan se analizan en conjunto para identificar factores
subyacentes.

Muchos problemas que enfrentan los negocios en la actualidad suelen ser resultado de una
combinación de algunas variables.

Por ejemplo, si al franquiciatario del McDonald’s local le interesa evaluar la satisfacción del
cliente, deben medirse muchas variables de interés, tales como la frescura de los alimentos, la
velocidad del servicio, el sabor, la temperatura de los alimentos, la limpieza y qué tan
amigable y cortés es el personal; todos estos factores se medirían por medio de varias
preguntas de calificación.

En cuanto a un ejemplo intuitivo del análisis factorial, a unos clientes se les pidió que evaluaran
un restaurante de comida rápida sobre la base de seis características. Debido al patrón de sus
respuestas, estas seis mediciones se combinaron en dos mediciones resumidas o factores:
calidad del servicio y de los alimentos.

Los investigadores de mercados recurren al análisis factorial para resumir la información

contenida en una gran cantidad de variables en un número mucho menor de factores. El
resultado es que los gerentes pueden simplificar entonces sus decisiones, pues tienen que
considerar sólo dos ámbitos generales, calidad del servicio y de los alimentos, en lugar de seis.

En nuestro ejemplo se han reducido seis variables a dos factores, pero en las situaciones de
negocios comunes los investigadores de mercado utilizan el análisis factorial para reducir, por
ejemplo, 50 variables a sólo 10 o menos factores, un problema mucho más sencillo de manejar.
Con relación al punto de partida al interpretar el análisis factorial es la carga factorial. La carga
factorial se refiere a la correlación entre cada una de las variables originales y los factores recién
desarrollados.

Cada carga factorial es un indicador de la importancia de la variable para medir cada factor. Las
cargas factoriales, como las correlaciones, pueden variar entre +1.0 y –1.0. Si la variable A4
(sabor de los alimentos) se asocia estrechamente con el factor 2, la carga factorial o correlación
sería elevada.

4.7. Aplicación del análisis factorial en la investigación de mercados.

Según afirma Hair et al. (2010) la técnica de análisis factorial tiene aplicaciones importantes en
la investigación de mercados como:

Primero, en la publicidad, el análisis factorial se utiliza para entender mejor los hábitos de
diversos clientes en los medios.

Segundo, en los precios, el análisis factorial ayuda a identificar las características de los clientes
sensibles a los precios y al prestigio.

Tercero, el producto, el análisis factorial se utiliza para identificar atributos de marca que
influyen en la elección de los consumidores.

Cuarto, la distribución, el análisis factorial se emplea para entender mejor los criterios de
selección de los canales entre los miembros de los canales de distribución.

Referencias Bibliográficas
1- Bibliografía Básica
• Benassini, M. (2009). Introducción a la investigación de mercados. Enfoque para América
Latina. México: PEARSON. PRENTICE HALL.

• Joseph F. Hair, Robert P. Bush, David J. Ortinau. (2008). Investigación de mercados. México:
PEARSON. PRENTICE HALL.

2- Biblioteca Complementaria
• González, R. M. (s.f.). Marketing del siglo XXI. Quinta edicion. CEF.

• Kotler, Philip y Gary Armstrong. (2008.). Fundamentos de marketing. Octava edicion. México.:
Pearson educacion.

3- Biblioteca Virtual UPAP

• Villegas Martínez, V. G. (2015). Investigación de mercados cuantitativa y cualitativa. Delta
Publicaciones. https://elibro.net/es/lc/biblioupap/titulos/170066
Taller N° 4:

1. ¿En qué consiste el análisis univariante?

2. ¿Cuál es la diferencia entre la hipótesis nula y la hipótesis alternativa?
3. ¿Cuáles son los tipos de variables que intervienen en el análisis bivariante?
4. ¿Cuáles son las ventajas de la tabla cruzada?
5. Cita cuáles son los Métodos multivariados selectos
6. Cita y explica la aplicación del Análisis Factorial en la investigación de mercado