UNIVERSIDAD DE CHILE

Resumen Examen
Marketing II
Joaquín Sepúlveda
11/15/2012

Este resumen lo hice necesitando caleta de nota para el examen. En verdad sirve para estudiar del
control 2 (incluido) en adelante

Page 0
 Resumen Examen
November 15, 2012

Indice
Introducción: ....................................................................................................................................... 2
Técnicas de Análisis Multivariado ...................................................................................................... 3
I. Técnicas de Interdependencia: ................................................................................................ 3
Análisis Factorial: ....................................................................................................................... 3
Escalamiento Multidimensional: ................................................................................................. 4
Análisis de Correspondencia: ...................................................................................................... 4
Análisis de Conglomerados ( Clusters): ...................................................................................... 5
II. Técnicas de Dependencia: ....................................................................................................... 6
Análisis de Regresión: ................................................................................................................. 6
Análisis de Varianza (ANOVA): ................................................................................................ 6
Análisis Discriminante: ............................................................................................................... 7
B. Análisis Discriminante de 2 grupos: ................................................................................... 7
Cuadro Resumen ............................................................................................................................. 8
Apuntes ............................................................................................................................................. 10
Apuntes Matemáticos: ....................................................................................................................... 12
A. Análisis Factorial: ................................................................................................................. 12
B. Análisis Discriminante: ......................................................................................................... 13
C. Escalamiento Multidimensional ............................................................................................ 14
D. Precisión Estadística o Margen de error Muestral: ............................................................... 14

Page 1
 Resumen Examen
November 15, 2012

Introducción:

Analisis Factorial

Escalamiento
Multidimencional
Tecnicas de
Interdependecia
Analisis de
Correspondencia

Analisis de
Conglomerados
Tecnicas de
Analisis
Multivariado
Analisis de
Regrecion

ANOVA
Tecnicas de
Dependecia
Analisis
Discriminante

Analisis Conjunto

Page 2
 Resumen Examen
November 15, 2012

Técnicas de Análisis Multivariado

I. Técnicas de Interdependencia:
No es posible determinar variables dependientes e independientes, sino que el análisis
busca ver como actúa el conjunto de variables simultáneamente.

Análisis Factorial:
Se basa en evaluaciones de los atributos de un producto o servicio para diferentes marcas,
resumiendo esos atributos en un número menor de factores y obteniendo los factores
SCORES. El promedio de esos coeficientes para cada marca se utiliza para obtener el
posicionamiento de las marcas en los factores. Se subdivide en Análisis factorial común y
análisis de componentes principales.

 Comunalidad Inicial: Cantidad de varianza de una variable explicadas por as demás

 Comunalidad de extracción: Cantidad de varianza explicada por los factores Scores.
 Pasos a seguir para desarrollar un análisis Factorial:

• Objetivo
• Variables
• Escala de Intervalos
Plantiamiento del
problema • Tamaño Conveniente

• Test de Esfericidad de Barlet

• test de adecuacion de la muestra
Examen a la matriz de
correlacion

• Analisis de componentes principales

Discriminacion del • Analisis factorial comun
metodo de Analisis
Factorial

• A priori
• Valores propios
• Grafica de Acumulacion
Determinacion del • % de varianza explicado
numero de factores • Divicion de la muestra en 2

Rotacion de Factore

Page 3
 Resumen Examen
November 15, 2012

 Análisis de componentes principales vs análisis factorial común

Análisis de Componentes principales Análisis Factorial Común

Varianza Total de datos Común de datos

Comunalidad =1 <1
Inicial

Matriz de Posee unos en la diagonal Posee números menores a

correlación uno en su diagonal

Objetivo Minimizar la cantidad de factores Interpretar significado de

que explican la máxima varianza los factores extraídos

Escalamiento Multidimensional:
Se basa en la similitud percibida entre marcas competidoras en una categoría de producto o
servicio y transformar esas similitudes en distancias en un plano de 2 dimensiones para
obtener el mapa de posicionamiento.

𝑁(𝑁−1)
 Numero de comparaciones que se pueden hacer: 2

Análisis de Correspondencia:
Se basa en Juicios sobre la posesión o no posesión de un conjunto de atributos. El resultado
es un mapa de posicionamiento en el cual los atributos son representados por vectores.

Page 4
 Resumen Examen
November 15, 2012

 La longitud del vector indica la importancia del atributo para discriminar entre las
marcas
 Una marca posicionada mas próxima a la flecha del vector tendrá más de ese
atributo

Análisis de Conglomerados ( Clusters):

A. Jerárquico:
Clasifica los casos estableciendo un árbol jerárquico llamado dendograma. Se utiliza
cuando no se conoce a priori el número de segmentos.

A. No Jerárquico:
No establece tal jerarquía sino que clasifica los casos en torno a las medias o Centroides. Se
Utiliza cuando se conoce a priori el número de segmentos.

 El análisis de conglomerados Jerárquico puede ser utilizado como input del análisis
de conglomerados no jerárquico, para definir previamente el numero óptimo de
conglomerados
 Análisis Cluster Jerárquico versus no jerárquico

Análisis Cluster Jerárquico Análisis Cluster No

Jerárquico

Agrupación de Objetos Establece jerarquía en forma En torno a medias o

de árbol: Dendograma centroides de los clusters

Determinación del A posteriori A priori

Numero de Clusters

Recomendación de Cuando no se conoce a priori Cuando se sabe a priori el

Utilización el número de clusters número de clusters

Page 5
 Resumen Examen
November 15, 2012

II. Técnicas de Dependencia:

Es posible clasificar a las variables en independientes y dependientes. Se buca analizar el
efecto de las primeras sobre las segundas.

Análisis de Regresión:
Se Usa para ver la asociación entre variables de intervalo o razón. Mide la fuerza de la
relación a travez del 𝑅 2 : Solo permite relaciones lineales

Análisis de Varianza (ANOVA):

Se utiliza para determinar si una o más variables nominales o categóricas producen
diferencias significativas entre las variables de intervalo o razón.

 Hipótesis nula: Medias Iguales entre muestras

 Si se incorporan variables independientes métricas, pasa a llamarse ANCOVA (
Análisis of Covariance)
 Pasos ANOVA de un factor ( Unidireccinal)

1
• Identificar Vraiables dependientes e independientes

2
• Descomponer la varianza

3
• Medir Efectos

4 • Prueba estadistica

5
• Rotacion de Factores

6
• Interpretacion de Factores

Page 6
 Resumen Examen
November 15, 2012

Análisis Discriminante:

A. Análisis Discriminante múltiple:

Aquel en el que existen 3 o más categorías de clasificación

B. Análisis Discriminante de 2 grupos:

Existen solo 2 categorías de Clasificación

 En análisis Discriminante las variables que mejor discriminan entre los grupos son
aquellas que presentan una mayor varianza en la muestra total y por lo tanto deben
ser incluidas en la función.

Page 7
 Resumen Examen
November 15, 2012

Cuadro Resumen

T Nombre Interpretac Variable Variable Utilidad Descripción

é ión de dependie independien
c Factores nte te
n
i
c
a
Interdepende

Elaborar mapa de Evaluación de

Análisis A priori posicionamiento atributos de un
Factorial producto (
ncia

factores Scores)
Interdependencia

Escalamiento Elaborar mapa de Similitudes entre

Multidimensio A priori posicionamiento marcas
nal competidoras en
un producto

Juicio sobre a
Interdependencia

Análisis de Elaborar mapa de posesión o no

Correspondenc A posteriori posicionamiento posesión de
ia atributos (
atributos =
vectores)

agrupa a los
Análisis Segmentar objetos en torno
Cluster No A priori Mercado a Centroides
jerárquico
Establece una
Interdependencia

jerarquía de
Análisis Segmentar agrupación (
Cluster A posteriori mercado dendograma)
jerárquico

Page 8
 Resumen Examen
November 15, 2012

D
e
p Fuerza de
e Razón o Razón o Asociación de asociación entre
n Análisis de A posteriori intervalo intervalo variables variables de
d Regresión intervalo
e
n
c
i
a

D
e
p Efecto de
e ANOVA Razón o Nominal o Diferencia entre variables
n A posteriori intervalo categórica medias categóricas sobe
d variables de
e intervalo
n
c
i
a
D
e
p Nominal Razón o Segmentar Se discrimina a
e Análisis A posteriori o intervalo mercado los objetos en
n Discriminante categóric categorías
d a
e
n
c
i
a

Page 9
 Resumen Examen
November 15, 2012

Apuntes

 Test Chi- Cuadrado: permite establecer si existe relación estadísticamente

significativa entre 2 variables nominales o categóricas. No permite establecer
relaciones de causalidad

 Coeficiente de correlación: permite establecer la magnitud y dirección de la relación

lineal entre 2 variables medidas en escala de intervalo o razón. No permite
establecer relaciones de causalidad ya que para ello se requiere:

a) Orden temporal
b) Eliminación de otros factores causales
c) Evidente correlación

 Correlación y Covarianza:
𝐶𝑜𝑣 (𝑥, 𝑦)
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 =
𝜎𝑥 𝜎𝑦

 En el análisis de clusters y en el escalamiento multidimensional, la medida de

similitud utilizada con más frecuencia es la distancia euclidiana

 El stress o énfasis mide la inadecuación del ajuste, o la proporción de la varianza

que no es considerada por el mapa de posicionamiento obtenido en el escalamiento
multidimensional

 La distancia Manhattan o de calles urbanas entre dos casos es la suma de las

diferencias absolutas en los valores para cada variable

Page
10
 Resumen Examen
November 15, 2012

 Los mapas de posicionamiento están basados en las percepciones y preferencias de

los consumidores

 El grafico de témpanos o carámbanos/ Icicle es una herramienta grafica para

presentar los resultados del análisis de conglomerados jerárquico

 En el análisis discriminante, el centroide es la medida de las puntaciones de

discriminación de un grupo particular.

 El eigenvalue representa la varianza explicada por cada factor en las variables

originales en el análisis factorial

 El análisis de conglomerados busca maximizar la homogeneidad intra-grupos y

maximizar la heterogeneidad entre-grupos

 Criterios para definir el número de cluster en el análisis de conglomerados

jerárquico:

 Consideraciones técnicas conceptuales o practicas

 Los tamaños de los grupos deben ser significativos
 Las distancias en la que los grupos se combinan

Page
11
 Resumen Examen
November 15, 2012

Apuntes Matemáticos:

A. Análisis Factorial:

 Datos Adecuados:

 Tests de esfericidad de Barlet----- 0,000( p-value)

 Kayser-Meyer-olkin(kmo) > 0,5

 Comunalidad de Extracción:

 C.E (X) = (𝑓𝑎𝑐𝑡𝑜𝑟1)2 + (𝑓𝑎𝑐𝑡𝑜𝑟2)2 + ⋯ + (𝑓𝑎𝑐𝑡𝑜𝑟𝑁)2

 Eigenvalues ( valores propios)

 E(factor X)= (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒1)2 + (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒2)2 + ⋯ + (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑁)2

 Varianza Explicada por factores

 V.E(factor X)= Eigenvalue/N

Las coordenadas del mapa de posicionamiento se obtiene a multiplicar los factores

scores promedios de cada componente, por las respuestas promedio de cada
componente, por las respuestas promedio a cada variable, para cada uno de los
componentes.

Page
12
 Resumen Examen
November 15, 2012

B. Análisis Discriminante:

 Centroide: grupo de variables independientes Analizadas

 Variable que mejor discrimina:

 Mayor coeficiente de la funcion discriminante estandarizada

 Mayor test F
 Menor p-value
 Mayor coeficiente de la matriz estructurada

 Valor de Corte:

 P = (d1+d2)/2

 Porcentaje de aciertos de la función Discriminante:

 %= número de clasificaciones correctas/número total clasificaciones

El análisis discriminante permite discriminar a los clientes y por lo tanto orientar

mejor los esfuerzos de marketing. Permite planificar mejor la administración en
general

Page
13
 Resumen Examen
November 15, 2012

C. Escalamiento Multidimensional

 Confiabilidad y validez del mapa de posicionamiento:

 𝑅 2 -----------∞
 Stress------0

D. Precisión Estadística o Margen de error Muestral:

 Supuestos:

 Nivel de confianza 95%

 Varianza máxima en la población
 Entrevistados seleccionados aleatoriamente

𝑧 2 𝜋(𝜋−1)
 𝐸2 = 𝑁

Page
14