TEMA II. ESTUDIO DE MERCADO 2.2 El muestreo estadístico en la investigación de mercados. Métodos de pronósticos de corto plazo.

Presentación del tema: "TEMA II. ESTUDIO DE MERCADO 2.2 El muestreo estadístico en la investigación de mercados. Métodos de pronósticos de corto plazo."— Transcripción de la presentación:

1 TEMA II. ESTUDIO DE MERCADO 2.2 El muestreo estadístico en la investigación de mercados. Métodos de pronósticos de corto plazo.

2 Bibliografía a consultar

3 Procedimiento para el análisis de datos

4 Muestreo estadístico Por qué? Para qué? Cómo?

5 Muestreo estadístico Tamaño de la población infinito Población finita pero demasiado grande Costos incurridos en estudiar toda la población Tiempo en analizar la totalidad de la población Accesibilidad economía, recursos humano y tiempo Por qué?

6

7 Muestreo estadístico Cómo? Procedimiento para selección de una muestra Tipos de muestreo

8 Procedimiento para el análisis de datos 01. Formulación del problema 02. Obtención de datos 03. Depuración04. Ordenación 05. Análisis de los datos 06. Resultados 07. Conclusiones

9 Principales análisis con datos estadísticos 01. Estadística descriptiva 02. Estadística inferencial 03. Estadística multivariada

10 ¿Cómo se hace una muestra probabilística? Población de tamaño N Muestra probabilística ¿ Cuál es el número de unidades de análisis (clientes, hoteles, receptivos, operadores, transportistas, otros), que se necesitan para conformar una muestra (n) que asegure un error estándar menor de 0.01?

11 ¿Cómo se hace una muestra probabilística? Definir los sujetos que van a ser medidos Delimitar la población Elegir el tipo de muestra: Probabilística No probabilística Definir el tamaño de la muestra Aplicar el procedimiento de selección Obtener la muestra 1.Objetivos del estudio 2. Esquema de investigación 3. Alcance 1. Unidad de análisis 2. Características de la población 1. Sujetos u objetos de estudios 1. Población finita 2. Población infinita 3. Expresiones matemáticas 1. Unidades de análisis se eligen aleatoriamente 1.Tómbola 2.Tabla de números aleatorios 3.Selección sistemática de n elementos

12 Estadística inferencial Población Muestra Parámetros Estadígrafo Conjunto finito o infinito de personas u objetos con característica comunes Subconjunto de la población objeto de estudio que sirve para representarla Índice medible de la población Media muestral, proporción

13 Población objeto de estudio Muestras probabilísticas Datos numéricos Estadígrafo Parámetros de la población Identificación de una Se extrae un conjunto de unidades de análisis que constituye una La muestra aleatoria genera Utilizados para evaluar Utilizados para estimar Inferencia de resultados, para describir Estadística inferencial Estadística descriptiva Estadística inferencial

14 Muestreo probabilístico Cada miembro de la población tiene la misma posibilidad de ser seleccionado en la muestra Estratificado: Se divide la población en estratos. De cada estrato se selecciona una muestra aleatoria simple Aleatorio simple Enumerar la población objeto de estudio Seleccionar una fila o columna de la tabla de #s aleatorios Tomar los números menores o iguales que N y seleccionarlos tener n elementos seleccionados Agrupado Se seleccionan los grupos aleatoriamente. De los grupos seleccionados se selecciona una muestra aleatoria simple

15 Tablas de números aleatorios

16 Muestreo no probabilístico Se basa en las apreciaciones del investigador Sujetos voluntarios, expertos, sujetos-tipos (comportamiento del consumidor), por cuotas (estudios de opinión y mercadotecnia) Desventajas Válidas en cuánto a que un determinado diseño de investigación, Resultados son generalizables sólo a Ia muestra, No son generalizables a una población. Ventajas: Utilidad para determinado diseño de estudio No requiere tanto de una "representatividad”, Cuidadosa y controlada elección de sujetos con ciertas características.

17 Muestreo no probabilístico Se basa en las apreciaciones del investigador, lo que puede representar una desventaja Accidental, Intencional, Por cuotas Válidas en cuanto a que un determinado diseño de investigación asi lo requiere, Resultados son generalizables sólo a Ia muestra en si o a muestras similares, No son generalizables a una población. Ventaja: su utilidad para determinado diseño de estudio No requiere tanto de una "representatividad”, de elementos de una población, Cuidadosa y controlada elección de sujetos con ciertas condiciones

18 Población, muestra y tipo de muestreo Tamaño de muestra para población infinita o desconocida Tamaño de muestra para población finita y conocida Tamaño de muestra para la proporción en la muestra

19 Población, muestra y tipo de muestreo Muestreo aleatorio estratificado con afijación proporcional

20 Población, muestra y tipo de muestreo Descripción de los parámetros de las expresiones matemáticas, para estimar proporción: N: Tamaño de la población objeto de estudio (número total de posibles encuestados), n: Tamaño de la muestra, Z α : valor obtenido mediante niveles de confianza, e 2 : límite aceptable de error muestral que se prevé cometer, determinado por el investigador, p: prevalencia esperada del parámetro a evaluar, en caso de desconocerse se asume p=0,5, hace mayor el tamaño muestral, q: proporción no esperada del parámetro a evaluar (q= 1-p).

21 Población, muestra y tipo de muestreo Presentar tabla de nivel confianza y valor de error Valor de límite aceptable de error muestral α Valor de Zα 0,101,64 0,051,96 0,012,57

22

23 Población, muestra y tipo de muestreo Calculando el tamaño de muestra para una población finita y conocida Datos N: 1176 unidades objeto de estudio n: incógnita Z α : nivel de confianza para el 95 %, entonces Z α = 1,96 e 2 : límite aceptable de error muestral, valor de α = 0,05 Se asume que p=q= 0,5 para hacer mayor el tamaño muestral,

24 Población, muestra y tipo de muestreo Muestreo aleatorio estratificado con afijación proporcional Ejemplo práctico: instalación hotelera Número de estrato Procesos hoteleroSubpoblación por estrato Tamaño de la muestra por estrato 01P0153 x (0,2465)13,06 ≈ 13 02P0210927 03P0321553 04P048722 05P059824 06P0611027 07P078120 08P0822154 09P0915137 10P105113 1176290

25

26

27 http://sid.usal.es/idocs/F8/FDO23248/herramientas_4.pdf

28 Métodos de pronósticos

29 Métodos cualitativos Delphi Consenso de comité ejecutivo Brainstorming (Tormenta de Ideas) Modelo o mapa conceptual Coeficiente concordancia de Kendall Métodos cuantitativos Series de TiempoPromedios móviles Suavización exponencial Mínimos cuadrados Modelo de Box-Jenkins Modelos causalesModelo de regresión Modelos econométricos Modelos de simulación