UNIVERSIDAD INTERAMERICANA DEPARTAMENTO DE MATEMÁTICAS Y CIENCIAS APLICADAS RECINTO DE SAN GERMÁN

1. UNIVERSIDAD INTERAMERICANADEPARTAMENTO DE MATEMÁTICAS Y CIENCIAS APLICADASRECINTO DE SAN GERMÁN SAN GERMÁN, PUERTO RICO PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS Trabajo sometido como requisito parcial Curso MATH 6400 Estadística Matemática Avanzada Profesor: Dr. Balbino García Bernal Por Ángel M. Carreras Jusino Wilfredo Daleccio Torres Rafael A. Vega Santana 5 de mayo de 2009

2. Capítulo 15 Codificar, editar y preparar la información para análisis

3. Objetivos • Ilustrar el proceso de preparar data para el análisis preliminar. • Demostrar el procedimiento para asegurar la validación de la data. • Ilustrar el proceso de editar y codificar data obtenida a través de una encuesta. • Mencionar los procedimientos de data entry. • Ilustrar el proceso para detectar errores en data entry. • Discutir técnicas usadas para la tabulación y análisis de data.

4. Preparación de la data para análisis • Es el proceso de convertir información de un cuestionario de manera que pueda ser leída por una computadora. • Este proceso está compuesto normalmente por cinco pasos.

5. Paso # 1 Validación de la data Proceso que determina -hasta donde sea posible- si las entrevistas, encuestas u observaciones fueron conducidas correctamente y están libres de fraude o vicios. • fraude • “screening” • procedimiento • completado • cortesía

6. Paso # 2 Editar y codificar data a) Editar – proceso mediante el cual la data cruda es verificada en busca de errores cometidos ya sea por el entrevistador o por el encuestado. Importante en este proceso, establecer que las preguntas sean hechas y contestadas en la secuencia apropiada.

7. Paso # 2 Editar y codificar data A través del escaneo manual de cada entrevista completada, el entrevistador puede verificar ciertas áreas de interés. 1. Hacer las preguntas apropiadas 2. Registrar las respuestas apropiadamente 3. Hacer las preguntas de “screening apropiadas 4. Respuestas a preguntas abiertas

8. Paso # 2 Editar y codificar data b) Codificar – agrupar y asignar valor a varias respuestas del instrumento de encuestas. Entraña la asignación de valores numéricos a cada respuesta individual para cada pregunta de la encuesta. Un cuestionario bien planificado y construido puede reducir la cantidad de tiempo destinado a codificar mientras aumenta la precisión del proceso.

9. Paso # 2 Editar y codificar data Codificar debe estar incorporado en el diseño del cuestionario. Ejemplo de respuestas codificadas son las que dan valor del 1 al 5 según el grado de acuerdo o desacuerdo con lo preguntado. Ejemplo Si el cuestionario no contiene este tipo de respuestas codificadas, el investigador deberá establecer un código maestro en el que asigne valores numéricos. Ejemplo

10. Paso # 2 Editar y codificar data Las preguntas cerradas son normalmente precodificadas al momento del diseño del cuestionario. Las preguntas abiertas no permiten una lista exacta de respuestas potenciales. El investigador puede usar un proceso de 4 pasos para desarrollar códigos para las respuestas anticipadas. 1)generar una lista 2) consolidación Ejemplo 3) asignar un valor numérico por código 4) asignar un valor codificado a cada respuesta

11. Paso # 3 Data entry Son aquellas tareas envueltas con la entrada directa de la data codificada a un programa de computadoras específico que finalmente le permitirá al analista manipular y transformar la data cruda en información útil. Hay 4 formas de entrar data codificada a una computadora. 1)a través del teclado 3)bolígrafo de luz 2)pantalla táctil 4)escaneo óptico

12. Paso # 4 Detección de error El primer paso en la detección de error es determinar si el programa usado para data entry y tabulación le permitirá al investigador desempeñar rutinas de editar errores. Estas rutinas pueden identificar tipos de datos incorrectos.

13. Paso # 4 Detección de error Otra forma de detección de error es que el investigador revise una representación impresa de la data entrada. Una manera adicional es producir una tabla con lista de datos en columnas. Ejemplo

14. Paso # 5 Tabulación de data Tabulación es el simple proceso de contar el número de observaciones (casos) que son clasificados dentro de ciertas categorías. Se usan dos formas de tabulación en los proyectos de investigación de mercadeo. • Tabulación en una dirección • Tabulación cruzada

15. Paso # 5 Tabulación de data Tabulación en una dirección – indica el número de encuestados que dieron una posible contestación a cada pregunta del cuestionario. Es la categorización de variables simples en el estudio. Ejemplo1 2

16. Paso # 5 Tabulación de data Tabulación cruzada – Provee categorización de los encuestados tratando dos o más variables simultáneamente. Es la principal forma de análisis de data en la mayoría de los proyectos de investigación de mercados. Ejemplo12

17. Capítulo 16 Análisis de Datos

18. Objetivos Entender la media, mediana y moda como medidas de tendencia central. Entender el rango y la desviación estándar de una distribución de frecuencia como medidas de dispersión. Entender como graficar medidas de tendencia central. Entender la diferencia entre muestra independiente y muestra relacionada. Explicar la prueba de hipótesis y los tipos de errores.

19. El análisis y el mercado En el mercado a menudo se realizan encuestas de todo tipo y con diferentes propósitos. Los dueños de negocios y compañías o hasta incluso los gerentes se presentan con problemas en los cuales no tienen una respuesta clara que formular. El rol del estadístico en fundamental para el negocio y resuelve o previene situaciones.

20. El análisis y el mercado A continuación explicaremos varios términos importantes en el análisis de datos y su aplicación al mercado.

21. Datos utilizados • Restaurante Deli Depot • emparedados de cortes fríos y calientes, sopas, yogurt, galletas, café, refrescos y más. • Localizado en una zona donde hay otros restaurantes de comida rápida. • Encuesta mediante entrevista con 17 preguntas.

22. Datos utilizados Cuestionario • Los variables se clasificaron en tres categorias: • Performance Perceptions Variables (X1-X6) • Classification Variables (X7-X10) • Selection Factor Ranking (X12-X17)

23. Gráficas-Ejemplos

24. Gráficas-Ejemplos

25. Gráficas-Ejemplos

26. Gráficas-Ejemplos

27. Medidas de Tendencia Central Las tablas de distribución de frecuencia son fáciles de leer y proveen información básica de gran importancia. En ocasiones cuando la cantidad de detalles es abundante y resumir los mismos es de gran utilidad para los investigadores. En estas situaciones la estadística descriptiva es de gran utilidad.

28. Medidas de Tendencia Central Ejemplo • Media • Es el promedio de los valores en la distribución. • Moda • Es el valor que más aparece en la distribución. • Mediana • Es el valor del centro de la distribución cuando se encuentra ordenada.

29. Medidas de Dispersión En ocasiones las medidas de tendencia central no pueden mostrarte toda la información acerca de la distribución de los encuestados. Por ejemplo: Con la información recopilada sobre la actitud de los consumidores hacia un nuevo producto podemos calcular la moda, mediana y media sobre la distribución de las contestaciones. Pero por otra parte te gustaría saber si los demás encuestados tienen mas o menos la misma opinión que la mayoría. Una manera de contestar esta pregunta es usando las medidas de dispersión.

30. Medidas de Dispersión Ejemplo • Rango • Distancia entre el valor menor y valor mayor en un conjunto de respuestas. • Desviación estándar • La distancia promedio de los valores de distribución a la media. • Varianza • La desviación cuadrada promedio a cerca de la media de la distribución de valores.

31. Prueba de Hipótesis • Los investigadores pueden tener algunas suposiciones o teorías sobre la información recopilada y el presenta. • A estas teorías le llaman hipótesis. • Ejemplo • El número promedio de tazas de café que consumen los estudiantes durante los finales es mayor al número promedio de tazas de café que consumen en cualquier otros tiempo.

32. Muestra independiente y muestra relacionada • Muestra independiente • Ejemplo: Los resultados de los consumidores de café varones versus féminas. • Muestra relacionada • Ejemplo: Los investigadores comparan el número promedio de tazas de café consumida por días y el número promedio de refrescos consumido por día en varones .

33. Ejemplo Desarrollando la hipótesis Las hipótesis le permiten a los investigadores hacer comparaciones entre dos grupos de encuestados y determinar si hay una importante diferencia entre ambos.

34. Alternativa Tipos de Hipótesis Nula Establece que NO hay diferencia entre la media de cada grupo en comparación Establece que SI hay diferencia entre la media de cada grupo en comparación

35. Error tipo II Significancia Estadística Error tipo I El error hace que se rechace la hipótesis nula cuando está es cierta; la probabilidad de alpha. El error falla en rechazar la hipótesis nula cuando la hipótesis alternativa es cierta; la probabilidad de beta. Nivel de significancia • Usualmente los investigadores en el mercado están dispuesto aceptar un nivel de siginificancia de .10, .05, .01

36. z-test Analizando la relación de datos entre muestras t-test Se utilizacuando la muestraesmenor de 30 y la desviaciónestándaresdesconocida. Se utilizacuando la muestraes mayor de 30 y la desviaciónestándaresdesconocida. Ejemplo

37. Bibliografía utilizada Hair, Bush, Ortimnau (2003) “Marketing Research within a Changing Information Environment” Second Edition HF 5415. 2. H258 2003