MAESTRÍA EN MATEMÁTICA

MÓDULO MÉTODOS ESTADÍSTICOS PARA LA

MERCADOMETRÍA
Estadística Aplicada en Mercadometría
PhD (C) Felix Ramirez Choque
Universidad Autónoma Gabriel Rene Moreno

6 de julio de 2026

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Conceptos generales

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Introducción a la Mercadometría

La mercadometría es la disciplina
que aplica métodos cuantitativos,
estadísticos y matemáticos al
análisis de mercados, consumidores
y estrategias de marketing, con el
propósito de obtener información
objetiva que facilite la toma de
decisiones empresariales.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Importancia de la Mercadometría
Entre sus principales aportes se
En un entorno empresarial altamente encuentran:
competitivo, las organizaciones
•Reducir la incertidumbre en las decisiones
generan grandes volúmenes de
comerciales.
información sobre clientes, ventas,
•Identificar oportunidades de mercado.
precios, publicidad y comportamiento
•Comprender el comportamiento del
del consumidor. La mercadometría
consumidor.
permite transformar esos datos en
•Evaluar campañas publicitarias.
conocimiento útil para la toma de
•Medir la satisfacción y fidelización de clientes.
decisiones.
•Pronosticar ventas y demanda.
•Optimizar inversiones en marketing.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Evolución de la Mercadometría

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Evolución de la Mercadometría

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Aplicaciones de la Mercadometría

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Aplicaciones de la Mercadometría

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Proceso del Análisis Mercadométrico

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
La estadística es la disciplina matemática dedicada al estudio de la variabilidad y la
incertidumbre en los datos, mediante métodos para su recolección, organización,
análisis e inferencia.

Desde una perspectiva formal, la estadística analiza funciones definidas sobre

conjuntos de observaciones con el objetivo de describir fenómenos o inferir
propiedades de una población.

Sea un conjunto de observaciones:

𝑋 = 𝑋1 𝑋2 … 𝑋𝑛
donde cada 𝑋𝑖 representa una variable aleatoria observada.
El propósito de la estadística es extraer información sobre el proceso generador de
los datos.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Clasificación Clásica de la Estadística: Tradicionalmente la estadística se divide en
dos grandes ramas.
Estadística Descriptiva

La estadística descriptiva se ocupa de organizar, resumir y representar datos.

Su objetivo es transformar un conjunto de observaciones en medidas sintéticas o

representaciones gráficas.
Sea un conjunto de datos:
𝑥1 , 𝑥2 , … , 𝑥𝑛
Se definen estadísticos descriptivos como funciones de los datos.
Ejemplo: media muestral
𝑛
ˉ 1
𝑥 = ෍ 𝑥𝑖
𝑛
𝑖=1
PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026
Naturaleza de la Estadística
Estadística Inferencial

La estadística inferencial utiliza datos muestrales para extraer conclusiones sobre una población.
Sea una población con parámetro desconocido:
𝜃
La inferencia busca estimar:
𝜃መ
a partir de una muestra.
Los principales métodos inferenciales incluyen:
•estimación puntual
•intervalos de confianza
•pruebas de hipótesis
Por ejemplo, el estimador de la media poblacional es:
𝑛
ˉ 1
𝑋 = ෍ 𝑋𝑖
𝑛
𝑖=1

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Estadística Matemática
La estadística matemática estudia los fundamentos teóricos de los métodos
estadísticos utilizando herramientas de:
•teoría de probabilidad
•análisis matemático
•álgebra lineal
Se enfoca en demostrar propiedades como:
•insesgadez
•consistencia
•eficiencia
de los estimadores.
Formalmente, se estudian funciones estadísticas:
𝑇 𝑋1 𝑋2 … 𝑋𝑛
y sus propiedades probabilísticas

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Estadística Aplicada
La estadística aplicada utiliza métodos estadísticos para analizar fenómenos reales en
diversas disciplinas.
Ejemplos:
•economía
•ingeniería
•medicina
•ciencias sociales
•Tecnología
Entre las áreas aplicadas destacan:
•econometría
•bioestadística
•ciencia de datos
•análisis financiero

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Estadística Computacional

Con el desarrollo de la informática surge la estadística

computacional, que utiliza algoritmos y simulación para
resolver problemas estadísticos complejos.

Ejemplos:
•simulación Monte Carlo
•bootstrap
•algoritmos de optimización

Estas técnicas se implementan mediante software

especializado como R y su entorno RStudio.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística

Estadística Moderna y Ciencia de Datos

En el contexto actual, la estadística se integra con:

•aprendizaje automático
•minería de datos
•inteligencia artificial

Este enfoque utiliza modelos probabilísticos y algoritmos

computacionales para analizar grandes volúmenes de información.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Datos, Información y Estructura Matemática de los Datos
Concepto de Dato
Un dato es el valor observado de una variable asociada a una unidad de
estudio dentro de un fenómeno de interés.
Desde un punto de vista matemático, un dato puede representarse como
un elemento de un conjunto de valores posibles.
𝑥𝑖 ∈ ℝ
donde:
•𝑥𝑖 representa la observación correspondiente a la unidad 𝑖
•𝑖 = 1,2, … , 𝑛
El conjunto completo de datos se expresa como:
𝐷 = 𝑥1 𝑥2 … 𝑥𝑛
Este conjunto constituye la base empírica del análisis estadístico.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Información Estadística
Los datos por sí solos no constituyen conocimiento; se transforman en información
estadística mediante funciones que resumen o describen sus propiedades.
Un estadístico es una función definida sobre el conjunto de datos:
𝑇 𝑋1 𝑋2 … 𝑋𝑛
Ejemplos de estadísticos:
Media muestral:
𝑛
ˉ 1
𝑥 = ෍ 𝑥𝑖
𝑛
𝑖=1
Estos estadísticos permiten resumir información sobre el comportamiento de los
datos.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Representación Matemática de los Datos
En estudios con múltiples variables, los datos se organizan en una matriz
de datos.
𝑥11 𝑥12 … 𝑥1𝑝
𝑥21 𝑥22 … 𝑥2𝑝
𝑋= ⋮ ⋮ ⋱ ⋮
𝑥𝑛1 𝑥𝑛2 … 𝑥𝑛𝑝
donde:
•𝑛representa el número de observaciones
•𝑝representa el número de variables
Esta estructura es fundamental en estadística multivariante y ciencia de
datos.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Unidades de Observación
Cada fila de la matriz representa una unidad de observación.
Ejemplos de unidades:
•individuos
•empresas
•países
•experimentos
Cada columna representa una variable medida en dichas unidades.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Estructuras Modernas de Datos
En investigación cuantitativa, los datos pueden organizarse según su dimensión y estructura
temporal.

Datos Univariantes Datos Multivariantes

Se analizan múltiples variables simultáneamente.
Se analiza una única variable.
𝑋 = 𝑋1 𝑋2 … 𝑋𝑝
𝑋 = 𝑥1 𝑥2 … 𝑥𝑛 Esto permite estudiar relaciones entre variables,
Ejemplo: como correlaciones o dependencias.
•ingreso de individuos Ejemplo:
•temperatura diaria •ingreso
Este tipo de análisis corresponde a la •educación
•edad
estadística descriptiva básica.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Estructuras Temporales de Datos
Además de la dimensión de variables, los datos pueden clasificarse
según su estructura temporal.

Datos de Corte Transversal (Cross-Section)

Consisten en observaciones de múltiples unidades en un momento
específico del tiempo.
𝑋𝑖 , 𝑖 = 1, … , 𝑛
Ejemplo:
•ingreso de 1000 hogares en el año 2024.
Este tipo de datos es común en:
•economía
•sociología
•marketing

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Estructuras Temporales de Datos

Series de Tiempo
Las series de tiempo representan observaciones de una variable a lo
largo del tiempo.
𝑋𝑡 , 𝑡 = 1,2, … , 𝑇
Ejemplo:
•inflación mensual
•precio del petróleo
•crecimiento del PIB
Estas estructuras son centrales en análisis económico y financiero.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Datos de Panel
Los datos de panel combinan corte transversal y series de tiempo.
𝑿𝒊𝒕
donde:
•𝑖representa la unidad
•𝑡representa el tiempo
Ejemplo:
ingreso de hogares observado durante varios años.
Este tipo de datos es ampliamente utilizado en:
•econometría
•ciencias sociales
•análisis longitudinal

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Dimensión de los Datos

En estadística moderna se distinguen dos dimensiones

fundamentales:
•Dimensión de observaciones 𝑛
•Dimensión de variables 𝑝
Dependiendo de su relación, se presentan diferentes problemas
estadísticos:
•𝑛 ≫ 𝑝estadística clásica
•𝑝 ≫ 𝑛estadística de alta dimensión
Este último caso aparece frecuentemente en ciencia de datos y
aprendizaje automático.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Dimensión de los Datos

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Importancia del Concepto de Datos
Exploración Computacional de Datos
El análisis inicial de los datos se denomina análisis exploratorio.
Comprender la naturaleza y estructura de los datos es
fundamental porque:
[Link] el tipo de análisis estadístico
[Link] los modelos probabilísticos apropiados
[Link] los métodos de inferencia

Por ello, la estadística moderna comienza siempre con el estudio

de la estructura de los datos y su representación matemática.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Variables Estadísticas y Escalas de Medición
Concepto de Variable Estadística
Una variable estadística es una función que asigna un valor a cada unidad de observación
de una población o muestra.
Formalmente, puede definirse como una aplicación:
𝑋: Ω → 𝒮
donde:
•Ωes el conjunto de unidades de observación
•𝒮es el conjunto de valores posibles de la variable
Cuando los valores son numéricos, generalmente:
𝒮⊆ℝ
Ejemplo:
Sea una población de individuos. La variable edad puede definirse como:
𝑋 𝑖 = edad del individuo 𝑖
Las observaciones se representan como:
𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛
PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026
Variables Estadísticas y Variables Aleatorias

En estadística matemática, una variable observada suele modelarse mediante una

variable aleatoria.
Una variable aleatoria es una función definida sobre un espacio de probabilidad:
𝑋: Ω → ℝ
donde:
•Ωes el espacio muestral
•𝑋asigna valores numéricos a los resultados del experimento aleatorio
Este concepto permite aplicar teoría de probabilidad al análisis estadístico.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026
Naturaleza de la Estadística
Clasificación de las Variables
Las variables pueden clasificarse según la naturaleza de sus valores.

Variables Cualitativas
También llamadas variables categóricas,
representan atributos o categorías.
Ejemplos:
•estado civil
•tipo de industria
•grupo sanguíneo
Matemáticamente:
𝑋: Ω → 𝑐1 𝑐2 … 𝑐𝑘
donde 𝑐𝑗 representa categorías.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Naturaleza de la Estadística
Variables Cuantitativas
Representan magnitudes numéricas medibles.
Se dividen en:

Variables discretas Variables continuas

Toman valores contables. Pueden tomar cualquier valor dentro de un
Ejemplo: intervalo real.
•número de hijos Ejemplo:
•número de defectos en un •ingreso
producto •temperatura
Matemáticamente: •tiempo
𝑋∈ℤ Matemáticamente:
𝑋∈ℝ

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Escalas de Medición
Las variables pueden medirse en diferentes niveles o escalas, lo cual
determina los métodos estadísticos apropiados.
Escala Ordinal Escala Nominal
Las categorías tienen orden natural, pero no Clasifica observaciones en
existe una distancia cuantitativa definida entre categorías sin orden.
ellas. Ejemplo:
Ejemplo: •sexo
•nivel educativo •nacionalidad
•clasificación de calidad •tipo de producto
•satisfacción del cliente Operaciones permitidas:
Operaciones permitidas: •conteo
•comparación •frecuencia
•ordenamiento

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Escalas de Medición
Escala de Intervalo Escala de Razón
Los valores tienen intervalos iguales, Existe un cero absoluto, lo que permite
pero no existe un cero absoluto. comparar proporciones.
Ejemplo: Ejemplo:
•temperatura en Celsius •ingreso
•fechas en calendario •peso
Operaciones permitidas: •distancia
•suma Operaciones permitidas:
•resta •todas las operaciones aritméticas

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Escalas de Medición

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Representación Vectorial de Variables

Cuando se observan múltiples variables simultáneamente, se utilizan

vectores aleatorios.
𝑋 = 𝑋1 𝑋2 … 𝑋𝑝
donde cada componente representa una variable.
Las observaciones pueden representarse como vectores:
𝑥𝑖 = 𝑥𝑖1 𝑥𝑖2 … 𝑥𝑖𝑝
Esto constituye la base del análisis multivariante.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Modelo Estadístico y Proceso Generador de Datos
Proceso Generador de Datos
En estadística moderna se asume que los datos observados provienen de un proceso
generador de datos.
Este proceso describe el mecanismo que produce las observaciones.
Sea un conjunto de observaciones:
𝑋1 , 𝑋2 , … , 𝑋𝑛
Cada observación es considerada como una realización de una variable aleatoria.
𝑋𝑖 ∼ 𝑃
donde:
•𝑃es una distribución de probabilidad desconocida
•𝑋𝑖 representa una observación generada por el proceso
El objetivo del análisis estadístico es aprender sobre la distribución que genera los
datos.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Concepto de Modelo Estadístico
Dado que la distribución real del proceso generador de datos es
desconocida, se propone un modelo estadístico que aproxima dicho
proceso.
Formalmente, un modelo estadístico es una familia de distribuciones
de probabilidad.
𝒫 = 𝑃𝜃 : 𝜃 ∈ Θ
donde:
•𝑃𝜃 representa una distribución de probabilidad
•𝜃es un parámetro desconocido
•Θes el espacio de parámetros

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Ejemplo de Modelo Estadístico
Supóngase que se observa una muestra de ingresos de individuos.
Se puede asumir que los datos siguen una distribución normal.
𝑋𝑖 ∼ 𝑁 𝜇 𝜎 2
donde:
•𝜇es la media poblacional
•𝜎 2 es la varianza poblacional
Los parámetros del modelo son:
𝜃 = 𝜇 𝜎2
La inferencia estadística busca estimar estos parámetros.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Modelos Paramétricos y No Paramétricos
Modelos Paramétricos Modelos No Paramétricos
Se caracterizan por tener un No suponen una forma específica
número finito de parámetros. para la distribución de los datos.
Ejemplo: El objetivo es estimar
Distribución normal: directamente la estructura de la
𝑁 𝜇 𝜎2 distribución.
Distribución exponencial: Ejemplos:
𝐸𝑥𝑝 𝜆 •estimación de densidad
•métodos bootstrap

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Interpretación del Modelo

El modelo estadístico representa una simplificación

matemática de la realidad.
Permite:
[Link] patrones en los datos
[Link] relaciones entre variables
[Link] predicciones
[Link] decisiones bajo incertidumbre

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Información Estadística y Teoría de la Información
Concepto de Información
En estadística, el objetivo fundamental del análisis de datos es obtener
información sobre un fenómeno incierto.
La información está relacionada con la reducción de la incertidumbre sobre
el valor de una variable.
Si una variable aleatoria 𝑋puede tomar varios valores posibles con ciertas
probabilidades, la cantidad de información que proporciona una observación
depende de cuán improbable es ese resultado.
Cuanto más improbable es un evento, mayor información proporciona su
ocurrencia.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Información de un Evento
La teoría de la información define la información de un evento
como:
𝐼 𝑥 = − log 𝑝 𝑥
donde:
•𝑝 𝑥 es la probabilidad del evento
•𝐼 𝑥 representa la información asociada a dicho evento
Un evento poco probable produce más información porque reduce
más la incertidumbre sobre el sistema.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Entropía de Información

El concepto central de la teoría de la información es la entropía, introducida

por el matemático y ingeniero Claude Shannon en 1948.
La entropía de una variable aleatoria mide la cantidad promedio de
incertidumbre de sus resultados.
Se define como:
𝑛

𝐻 𝑋 = − ෍ 𝑝 𝑥𝑖 log 𝑝 𝑥𝑖
𝑖=1
donde:
•𝑝 𝑥𝑖 es la probabilidad del valor 𝑥𝑖
Esta medida representa la información promedio producida por el proceso
aleatorio.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

Interpretación de la Entropía
La entropía mide cuán difícil es predecir el resultado de una variable
aleatoria.
•Entropía baja : resultados predecibles
•Entropía alta : resultados muy inciertos
Ejemplo conceptual:
•moneda equilibrada : entropía moderada
•dado : mayor entropía
•evento casi seguro : entropía baja
Cuando todas las probabilidades son iguales, la entropía alcanza su valor
máximo.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

 Entropía para Variables Continuas
Para variables continuas se define la entropía
diferencial:
𝐻 𝑋 = − න𝑓 𝑥 log 𝑓 𝑥 𝑑𝑥
donde:
•𝑓 𝑥 es la función de densidad de probabilidad.

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026

PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026
PhD (C) Felix Ramirez Choque MÉTODOS ESTADÍSTICOS 6 de julio de 2026