ISSN No. 2631-2743
U
NIVERSIDAD NACIONAL DE CHIMBORAZO
FACULTAD DE
CIENCIAS POLÍTICAS Y
ADMINISTRATIVAS
,
EFECTO DE LOS SESGOS DE
PERCEPCIÓN DEL PRODUCTO
SOBRE EL MODELO DE UTILIDAD
DEL CONSUMIDOR
EFFECT OF PRODUCT
PERCEPTION BIASES ON THE
CONSUMER UTILITY MODEL
DOI:
https://doi.org/10.37135/kai.03.15.04
KAIRÓS, Vol. (8) No. 15, pp. 75-91, julio - diciembre 2025
Alvaro N. Chiguano-Velasco
an.chiguanov@uea.edu.ec
Facultad de Ciencias de la Vida
Universidad Estatal Amazónica
(Puyo – Ecuador)
ORCID: 0000-0002-7651-9728
Marcelo V. Luna-Murillo
mluna@uea.edu.ec
Facultad de Ciencias de la Vida
Universidad Estatal Amazónica
(Puyo – Ecuador)
ORCID: 0000-0002-9521-353X
Recibido: 08/03/2025
Aceptado: 29/06/2025
ISSN No. 2631-2743
,
KAIRÓS, Vol. (8) No. 15, pp. 75-91, julio - diciembre 2025
EFECTO DE LOS SESGOS
DE PERCEPCIÓN DEL
PRODUCTO SOBRE EL
MODELO DE UTILIDAD DEL
CONSUMIDOR
EFFECT OF PRODUCT
PERCEPTION BIASES ON THE
CONSUMER UTILITY MODEL
Resumen
Los sesgos de percepción social y calidad alteran la
utilidad del consumidor, modicando sus decisiones
frente a bienes sustitutos. Este estudio modela esa
distorsión mediante una función de utilidad con un
factor de sesgo, evaluada en paralelo con una red
neuronal entrenada con datos experimentales. El
modelo matemático logra alta precisión, similar a la
red neuronal, conrmando su capacidad explicativa.
Los resultados muestran que la percepción inuye
tanto como el precio o ingreso en la elección
óptima, provocando desplazamientos de la función
de utilidad a lo largo de la recta presupuestaria, dado
que las preferencias del consumidor se reorientan
hacia el bien que goza de mejor percepción social.
Se concluye que integrar factores psicológicos
en modelos clásicos es clave para comprender
mercados mediados por reputación.
Palabras clave: Mercado, percepción,
presupuesto, modelo, consumo, marca.
Abstract
Social perception and quality biases alter consumer
utility, modifying their decisions regarding
substitute goods. This study models this distortion
through a utility function incorporating a bias factor,
evaluated in parallel with a neural network trained
on experimental data. The mathematical model
achieves high accuracy, like the neural network,
conrming its explanatory power. The results show
that perception inuences optimal choice as much
as price or income, causing shifts in the utility
function along the budget constraint, as consumer
preferences shift toward the good enjoying better
social perception. It is concluded that integrating
psychological factors into classical models is
essential for understanding markets driven by
reputation.
Keywords: Market, perception, budget, model,
consumption, brand.
DOI:
https://doi.org/10.37135/kai.03.15.04
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
77
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Introducción
Desde la teoría económica neoclásica, el comportamiento del consumidor se ha modelado
históricamente mediante funciones de utilidad que presuponen racionalidad plena, preferencias
estables y decisiones óptimas basadas en variables objetivas como precios e ingreso (Khoder,
2024). Este modelo ha sido útil para construir una base analítica sólida en la teoría del
consumidor, permitiendo formular predicciones claras sobre la conducta bajo distintos
escenarios de mercado. No obstante, esta aproximación ha sido cuestionada por los avances en
economía conductual, que evidencian cómo los consumidores no siempre actúan racionalmente
(Thaler, 2016). Las decisiones reales están inuenciadas por factores psicológicos, sociales y
emocionales, lo que da lugar a sesgos sistemáticos en la percepción y evaluación de los bienes
y servicios (Dirwan y Latief, 2023; Kahneman y Tversky, 1979; Shah y Asghar, 2023).
Entre estos sesgos destacan la aversión a la pérdida, el efecto halo, el anclaje y la disponibilidad,
que distorsionan la valoración subjetiva de los productos y afectan las decisiones económicas
(Kahneman et al., 1991). Así, la función de utilidad ya no depende exclusivamente de
características tangibles, sino también de elementos construidos socialmente (Yi, 2023). Esta
perspectiva ha sido abordada por autores como Plonsky et al., (2019), quienes muestran cómo
la reputación de marca, las narrativas simbólicas y la presión social modican las preferencias
reveladas y generan desviaciones respecto a los modelos racionales tradicionales
La literatura reciente ha intentado modelar esta distorsión mediante diferentes enfoques.
Algunos estudios han incorporado parámetros de ajuste en funciones de utilidad para capturar
el efecto de variables cognitivas y sociales (Han et al., 2022), mientras que otros han utilizado
técnicas de inteligencia articial como las redes neuronales para identicar patrones de
decisión no lineales y contextuales (Geng et al., 2024). En contraste, trabajos que han aplicado
la función Cobb-Douglas para describir comportamientos de consumo critican su simplicidad,
especialmente en contextos donde inuyen variables intangibles y preferencias heterogéneas
(Jiménez y Castañeda, 2018; Lahiri, 2024). A pesar de sus aportes, estos enfoques comparten
una limitación importante: su dicultad para integrar de manera explícita las inuencias
sociales subjetivas dentro de estructuras analíticas que reejen adecuadamente la complejidad
del comportamiento del consumidor.
El análisis de cómo los sesgos de mercado, especialmente aquellos relacionados con la
percepción de calidad y la presión social, inciden en las decisiones de compra, se ha convertido
en una línea clave para comprender las dinámicas del consumo en contextos digitales. Si bien
investigaciones previas han abordado el impacto de las redes sociales sobre el comportamiento
del consumidor, muchas de estas han adoptado enfoques cualitativos centrados en el marketing
digital y la gestión de la reputación de marca (Molina y Altamirano, 2022). No obstante,
78
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
existe una brecha signicativa en la literatura respecto a la formalización matemática de
estos fenómenos, particularmente en la forma en que la opinión pública y los juicios sociales
modican la función de utilidad y, con ello, las decisiones racionales del consumidor (Bischi y
Tramontana, 2024; Plonsky et al., 2019).
Ante este panorama, resulta evidente la necesidad de avanzar hacia modelos que permitan
cuanticar el impacto de los sesgos de percepción en el equilibrio del consumidor. En respuesta
a esta carencia, el presente estudio propone un modelo matemático que incorpora un factor
de sesgo (σ) dentro de una función de utilidad modicada, con el n de representar cómo la
percepción social puede alterar las decisiones de consumo incluso cuando los precios y el ingreso
permanecen constantes. La inclusión explícita del factor de sesgo constituye una innovación
metodológica relevante, ya que introduce una variable latente basada en juicios sociales
directamente en el proceso de maximización de utilidad. Esto permite una representación más
realista y dinámica del comportamiento del consumidor. Esta propuesta busca llenar el vacío
identicado en la literatura, ofreciendo un nuevo enfoque teórico que complemente la economía
conductual con herramientas formales propias del análisis microeconómico.
Métodos
El presente estudio busca modelar y validar matemáticamente cómo los sesgos de percepción de
un producto o servicio afectan las decisiones de consumo dentro del marco de la optimización
de la función de utilidad. Para ello, el modelo propuesto se basa en la maximización de la
función de utilidad sujeta a una restricción presupuestaria, incorporando una función de sesgo
f(σ) que representa la inuencia de la percepción social en las decisiones de compra.
La hipótesis planteada en este trabajo sostiene que la función de sesgo f(σ) perceptual afecta
directamente a la función de utilidad, generando desplazamientos en su forma y, por tanto, en
el equilibrio del consumidor. En particular, se espera que el nivel óptimo de utilidad se desplace
hacia el producto con mejor percepción social, incluso si los precios y el ingreso permanecen
constantes. Este efecto de percepción implica una redistribución del consumo que no responde
a condiciones objetivas del mercado, sino a construcciones subjetivas inuenciadas por el
entorno social.
Para validar este modelo matemático desarrollado, se propone un método de evaluación
basado en la comparación de su desempeño con la de una red neuronal entrenada mediante
aprendizaje supervisado. Utilizando datos recolectados, la red recibe como entradas los precios
de los bienes, el ingreso y el nivel de sesgo, y como salidas las cantidades óptimas de consumo
observadas. Al comparar sus predicciones con las del modelo teórico, se podrá determinar su
validez y capacidad para representar decisiones reales inuenciadas por la percepción social.
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
79
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Construcción del modelo teórico
En el presente modelo, se introduce el concepto de factor de sesgo (σ) como una medida
de la inuencia que ejercen las percepciones del bien o servicio sobre las preferencias del
consumidor, el cual tomará valores en el rango de 0 a 1. Un valor de 0 indica un rechazo total
hacia el producto 2 y una preferencia absoluta por el producto 1, mientras que un valor de 1
representa el escenario opuesto, es decir, un rechazo total del producto 1 y una preferencia
completa por el producto 2, así también un factor de sesgo que toma un valor de 0.5, sugiere
que el consumidor percibe ambos productos de manera relativamente semejante, sin una
preferencia clara por uno u otro.
Matemáticamente, estos desplazamientos en la función de utilidad se pueden expresar como:
Sujeto a:
Donde:
U: Utilidad.
x: Cantidad del producto 1.
y: Cantidad del producto 2.
Px: Precio del producto 1.
Py: Precio del producto 2.
α: Factor de peso de producto 1.
β: Factor de peso de producto 2.
σ: Factor de sesgo del producto 2 con respecto al producto 1.
f(σ): Función de sesgo.
A continuación, se procede a la maximización de la función de utilidad en función de los demás
parámetros, para lo cual utilizamos el método de optimización de Lagrange.
Planteamos la ecuación de Lagrange,
Obtenemos sus derivadas parciales:
80
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Igualamos las identidades obtenidas en (5) y (7),
De aquí obtenemos que los valores óptimos para los productos 1 y 2 denidos por x e y
respectivamente están denidos por:
Reemplazamos estos valores en la ecuación (2) para obtener las cantidades óptimas de productos
1 y 2 (x, y) en términos del ingreso y sus precios.
Para el producto 1 (x),
Para el producto 2 (y),
Las ecuaciones (13) y (15) representan las soluciones óptimas para las cantidades consumidas
de los productos 1 (𝑥) y 2 (𝑦), respectivamente, considerando la inuencia del factor de la
función de sesgo 𝑓(𝜎), la cual actúa como un modulador de la utilidad percibida. Sin embargo,
en esta etapa del modelo aún no se conoce la forma funcional exacta de 𝑓(𝜎), lo que impide
calcular de manera precisa los valores óptimos de consumo.
Para resolver este vacío, se recurre al uso de métodos de interpolación que permitirán la
formulación de una función de sesgo basada en tres comportamientos límite que describen las
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
81
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
preferencias extremas o neutrales del consumidor:
1. Cuando σ = 0 (rechazo total al producto 2), el consumidor asigna su ingreso exclusivamente
al producto 1 (xmáx = I/Px).
2. Cuando σ = 0.5 (neutralidad), el sesgo no afecta la utilidad (f(0.5) = 0), replicando el
equilibrio clásico donde las elecciones dependen solo de precios y ingreso.
3. Cuando σ = 1 (rechazo total al producto 1), el consumidor asigna su ingreso exclusivamente
al producto 2 (ymáx = I/Py) .
A partir de los tres puntos clave denidos para el factor de sesgo (σ = 0,0.5,1) y sus
correspondientes valores óptimos de consumo (𝑥, 𝑦), es posible determinar los valores
especícos de la función 𝑓(𝜎) en esos tres escenarios límite.
1. Como sabemos que para σ=0 se tendrá un rechazo total por el producto 2, entonces:
Por lo tanto,
2. También sabemos que para un valor de σ=0.5 la función de sesgo no afecta a la función de
utilidad por lo que:
3. Para σ=1 se tendrá una preferencia total por el producto 2 y un rechazo total por el producto
1, entonces:
Por lo tanto,
Los resultados obtenidos anteriormente permiten determinar los valores puntuales de la función
de sesgo 𝑓(𝜎) en función de los precios e ingreso del consumidor, pero únicamente para tres
valores especícos del parámetro de sesgo: σ = 0, σ = 0.5 y 1. Si bien estos puntos proporcionan
información valiosa sobre el comportamiento límite de la función, no son sucientes para
conocer su forma general en todo el intervalo continuo [0,1]. Por ello, a continuación, se
recurre al uso de métodos de interpolación para aproximar una expresión matemática continua
82
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
que describa el comportamiento de 𝑓(𝜎) en todo su dominio.
A manera de simplicación nombramos dos nuevas variables m y n para los valores de f(0) y
f(1) respectivamente.
En resumen, los datos disponibles son:
Tabla 1. Parámetros conocidos a interpolar
Fuente: elaboración propia.
Aplicamos el método del polinomio de interpolación para lo cual tenemos:
Resolviendo este sistema de ecuaciones podemos determinar que:
En consecuencia, la función de sesgo 𝑓(𝜎) ha sido aproximada mediante un polinomio que
ahora está denido en todo el intervalo σ ∈ [0,1]. Esta expresión permite representar el
comportamiento del sesgo perceptual de forma continua, y está formulada en términos de los
precios (Px ,Py), el ingreso del consumidor (I), y los parámetros 𝛼 y 𝛽. Su forma matemática se
expresa de la siguiente manera:
Con base en la evaluación de la función de sesgo 𝑓(𝜎), se observa que su forma a lo largo
del intervalo 𝜎 ∈ [0,1] varía signicativamente en función de la proporción relativa entre los
parámetros 𝛼 y 𝛽. Estos parámetros representan el peso o la importancia asignada a cada uno de
los bienes en la función de utilidad, por lo que su relación inuye directamente en la sensibilidad
del modelo frente al sesgo perceptual. A medida que se modican los valores relativos de 𝛼
Abscisas Ordenadas
0
0.5
1
m
0
n
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
83
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
y 𝛽, la curvatura y simetría de 𝑓(𝜎) también se ven afectadas, reejando distintos patrones de
respuesta del consumidor ante la percepción (𝜎). A continuación, en las Figuras 1, 2 y 3 se
presentan las representaciones grácas de la función 𝑓(𝜎) para diferentes combinaciones de 𝛼 y
𝛽, con el n de ilustrar cómo varía su comportamiento bajo distintos escenarios de importancia
asignada a cada uno de los bienes.
Figura 1. Función de sesgo para α > β.
Fuente: elaboración propia.
La gura 1 muestra que cuando el factor de peso del bien 1 (x) es mayor que el del bien 2 (y),
o sea α > β, resulta poco probable que los compradores comiencen a adquirir unidades del bien
2 aun cuando su percepción haya mejorado.
Figura 2. Función de sesgo para α = β.
Fuente: elaboración propia.
Funcion de sesgo Alfa>Beta
2
1
0
-1
-2
-3
-4
-5
-6
-7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1
4
3
2
1
0
-1
-2
-3
-4
Funcion de sesgo Alfa=Beta
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
84
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
La gura 2 muestra que cuando el factor de peso del bien 1 (x) es igual que el del bien 2
(y), o sea α = β, las variaciones en las cantidades adquiridas del bien 1 son inversamente
proporcionales al factor de sesgo, mientras que las del bien 2 varían de manera directamente
proporcional a dicho factor.
Figura 3. Función de sesgo para α < β.
Fuente: elaboración propia.
La gura 3 muestra que cuando el factor de peso del bien 1 (x) es menor que el del bien 2 (y),
o sea α < β, resulta poco probable que los compradores dejen de adquirir unidades del bien 2
aun cuando su percepción haya empeorado un poco.
Evaluación y validación del modelo
El modelo planteado requiere una validación que permita contrastar su comportamiento
con el comportamiento real de las personas. Para ello, se aplicaron encuestas a una muestra
perteneciente a la población económicamente activa de la ciudad de Riobamba, a quienes se
les presentaron escenarios generados aleatoriamente compuestos por combinaciones de precios
(𝑃𝑥, 𝑃𝑦), ingreso (𝐼) y niveles de sesgo (𝜎), registrando sus elecciones resultantes de consumo
(𝑋, 𝑌). Este proceso permitió recopilar un total de 839 observaciones válidas, que capturan
patrones reales de toma de decisiones. Los datos obtenidos se utilizaron posteriormente
para entrenar la red neuronal mediante aprendizaje supervisado, con el objetivo de que esta
aprendiera a reproducir con precisión las decisiones de consumo observadas.
Durante la recopilación de datos, se indicó expresamente a cada individuo que el escenario
hipotético estaba relacionado con productos de características similares, como yogur de fresa
o de durazno, Coca-Cola o Pepsi, o galletas de sal y de dulce. Como consecuencia, en el
modelo de utilidad para la evaluación, los factores de peso y se asumirán con el mismo valor,
6
5
4
3
2
1
0
-1
-2
Funcion de sesgo Alfa<Beta
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
85
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
reejando la similitud percibida entre los productos.
La información recolectada a partir de los escenarios simulados será utilizada para entrenar
una red neuronal mediante un enfoque de aprendizaje supervisado, empleando para ello el
software MATLAB. En este proceso, tal como se observa en la gura 4, los datos de entrada
estarán compuestos por las variables económicas fundamentales: el precio del bien 1 (𝑃𝑥), el
precio del bien 2 (𝑃𝑦), el ingreso del consumidor (𝐼) y el valor del sesgo (𝜎). Por su parte, las
salidas esperadas corresponderán a las cantidades óptimas de consumo de los bienes 𝑥 y 𝑦. con
el modelo teórico propuesto.
`
Figura 4. Modelo de evaluación de modelo matemático vs modelo de red neuronal
Fuente: elaboración propia.
El objetivo nal de este proceso es que la red neuronal logre emular el comportamiento real
de los consumidores, generando predicciones que sean coherentes con las decisiones humanas
en contextos similares. A partir del entrenamiento supervisado, la red aprenderá a predecir las
elecciones de consumo (X, Y) en función de variables como precios, ingreso y sesgo.
Además, las respuestas obtenidas tanto del modelo matemático como de la red neuronal serán
evaluadas y comparadas mediante métricas cuantitativas como los coecientes de correlación
y determinación (R2) y error absoluto medio. Estas métricas permitirán evaluar el grado de
ajuste y la capacidad predictiva de cada enfoque, aportando evidencia sólida sobre la ecacia
del modelo matemático propuesto para describir y explicar las decisiones reales de los
consumidores.
Resultados
Ambos modelos, tanto la red neuronal como el modelo matemático planteado, son evaluados
y comparados con el objetivo de analizar sus características y capacidades predictivas en la
86
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
representación del comportamiento del consumidor. Para ello, es fundamental realizar un
entrenamiento previo de la red neuronal, utilizando los datos recopilados de los usuarios, a n
de que pueda aprender patrones de decisión y reproducirlos de manera precisa. Posteriormente,
se aplica métricas de desempeño para contrastar los resultados obtenidos por ambos enfoques,
permitiendo así determinar su validez, precisión y aplicabilidad en distintos escenarios de
análisis.
La red neuronal es entrenada utilizando 4 valores de entrada y 2 de salidas, estas están
determinadas por:
Tabla 2. Entradas vs salidas implementadas en la red neuronal entrenada.
Fuente: elaboración propia.
La gura 5 muestra la topología elegida para la red neuronal, misma que es entrenada usando
el software MATLAB.
Figura 5. Topología de red neuronal implementada.
Fuente: elaboración propia.
Dado que durante la recopilación de datos se informó a los participantes que los productos
evaluados eran similares en características, en el modelo de utilidad se asume que los factores
de peso 𝛼 y 𝛽 tienen el mismo valor. Por lo tanto, la función de utilidad planteada para evaluar
el modelo matemático estará descrita por:
Sujeto a:
Donde:
U: Utilidad.
x: Cantidad del producto 1.
y: Cantidad del producto 2.
x: Producto 1
y: Producto 2
Entradas Salidas
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
87
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Px: Precio del producto 1.
Py: Precio del producto 2.
σ: Factor de sesgo.
f(σ): Función de sesgo.
Para evaluar la precisión de los modelos propuestos, se ha optado por realizar el cálculo de
los coecientes: coeciente de correlación, determinación y error medio absoluto, el cual
permitirá medir cuantitativamente qué tan apropiados es el modelo matemático para describir
el comportamiento en comparación con los valores generados por la red neuronal entrenada.
Las tablas 3 y 4 presentan los valores del coeciente de correlación (r), el coeciente de
determinación (R2) y el error medio absoluto (MAE) obtenidos para la evaluación de los
modelos analizados.
Tabla 3. Coecientes de evaluación de modelos para el producto 1.
Fuente: elaboración propia.
Tabla 4. Coecientes de evaluación de modelos para el producto 2.
Fuente: elaboración propia.
Estos indicadores permiten medir la relación entre las variables y la excelente capacidad
explicativa con la que cuentan los modelos, proporcionando información clave sobre su
precisión y ajuste a los datos observados.
De manera general, un modelo se considera bueno cuando presenta un coeciente de correlación
(r) cercano a 1, lo que indica una fuerte relación entre las predicciones del modelo y los valores
reales (Gershman & Ullman, 2023). En términos del coeciente de determinación (R2), valores
superiores a 0.8 suelen considerarse adecuados, mientras que valores por encima de 0.9 indican
un modelo altamente preciso en la explicación de la variabilidad de los datos (Romeo, 2020).
Sin embargo, estos umbrales pueden variar según la aplicación especíca. Por otro lado, el
error absoluto medio (MAE) es una métrica clave para poder realizar una comparación entre
ambos modelos, ya que mide la diferencia promedio entre los valores predichos y los reales.
r
R2
MAE
0.9763
0.9531
0.4703
0.9724
0.9457
0.4108
r
R2
MAE
0.9835
0.9673
0.4602
0.9806
0.9616
0.4122
88
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Discusión y conclusiones
Los resultados obtenidos respaldan la hipótesis planteada: el sesgo de percepción social y de
calidad tiene un efecto signicativo sobre la función de utilidad, generando desplazamientos en
la asignación óptima de consumo hacia el producto que goza de mayor aceptación o reputación.
Esta alteración no depende de cambios objetivos en los precios o el ingreso, sino de factores
subjetivos asociados al contexto social y psicológico del consumidor.
El modelo matemático propuesto, que incorpora el sesgo mediante una función ajustada 𝑓(𝜎),
permitió representar con alta precisión la inuencia de la percepción sobre el comportamiento
del consumidor. Su desempeño fue comparable al de la red neuronal entrenada, con diferencias
mínimas en los coecientes de correlación y determinación, y una ligera ventaja en el error
absoluto medio (MAE), lo que sugiere mayor estabilidad en predicciones individuales. Estos
hallazgos indican que es posible capturar de forma analítica un fenómeno típicamente considerado
como intangible o psicológico, sin perder validez frente a enfoques computacionales.
Desde una perspectiva teórica, los resultados refuerzan los postulados de la economía
conductual, que sostiene que los consumidores no toman decisiones puramente racionales, sino
que su juicio está mediado por heurísticos y percepciones construidas socialmente (Camerer et
al., 2004). El desplazamiento de las cantidades óptimas de consumo observado en función de
𝜎 reeja el tipo de distorsión cognitiva descrita en teorías como la aversión al riesgo o el efecto
halo, donde atributos no económicos impactan decisiones económicas.
En comparación con estudios previos como los presentados en Muñoz et al. (2023) y Calle y
Pilozo (2022), el presente trabajo avanza más allá del análisis cualitativo de la inuencia social,
al proporcionar una representación cuantitativa que vincula directamente el sesgo perceptual
con los resultados de elección en un entorno matemáticamente formalizado.
No obstante, el modelo presenta limitaciones. En particular, no considera la inuencia de
elementos dinámicos como la publicidad, el efecto de los inuencers o los cambios temporales
en la percepción del producto. Además, la función de sesgo se aproxima mediante interpolación,
lo que implica ciertas restricciones de generalización.
Un hallazgo inesperado es la robustez del modelo, que evidencia cómo el sesgo σ impacta
la función de utilidad bajo distintas relaciones entre α y β, un resultado que no había sido
reportado previamente y que resulta valioso para mercados donde los productos sustitutos
poseen diferente grado de importancia asignada.
Cabe destacar que, en investigaciones futuras, este enfoque podría aprovecharse no solo para
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
89
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
cuanticar el efecto de los sesgos sobre las decisiones de consumo, sino también para aplicarse
de manera inversa. Es decir, a partir de datos observados de consumo, sería posible estimar la
métrica del sesgo, lo cual permitiría evaluar de forma precisa el impacto real de estrategias de
mercado, como las campañas publicitarias, sobre las preferencias y los comportamientos de los
consumidores. Esta posibilidad abre nuevas líneas de análisis tanto para la teoría económica
como para la práctica empresarial, al ofrecer herramientas cuantitativas para entender y
gestionar la inuencia de factores psicológicos y sociales en el mercado.
Declaración de contribución de autoría CRediT
Alvaro N. Chiguano-Velasco: Conceptualización, curación de datos, análisis formal, investigación, metodología,
recursos, visualización, redacción: borrador original – Preparación, creación y/o presentación del trabajo
publicado, especícamente la redacción del borrador inicial (incluyendo la traducción sustantiva).
Marcelo V. Luna-Murillo: Análisis formal, Validación, Redacción borrador original, Redacción (revisión y
edición).
Declaración de conictos de interés
Los autores declaran no tener ningún conicto de intereses.
Agradecimientos
El autor desea expresar su agradecimiento a los docentes de la carrera de Economía de la Universidad Estatal
Amazónica por el valioso conocimiento y orientación brindados, los cuales han contribuido de manera signicativa
a la realización de este artículo.
Referencias
1. Bischi, G. I., & Tramontana, F. (2024). An evolutive model of a boundedly rational
consumer with changing preferences and reference group consumption. Annals of
Operations Research, 337(3), 891–912. https://doi.org/10.1007/S10479-024-05885-X/
FIGURES/6
2. Calle, M., & Pilozo, D. (2022). Efectos de la inuencia social y la calidad percibida en la
intención de compra de productos nacionales. Compendium: Cuadernos de Economía y
Administración, 9(2), 177. https://doi.org/10.46677/COMPENDIUM.V9I2.1055
3. Camerer, C., Loewenstein, G., & Rabin, M. (2004). Advances of behavioral Economics.
Russell Sage Foundation.
4. Dirwan, D., & Latief, F. (2023). Understanding the Psychology Behind Consumer
Efecto de los sesgos de percepción del producto sobre el modelo de utilidad del consumidor
90
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
Behavior. Advances in Business & Industrial Marketing Research, 1(3), 130–145. https://
doi.org/10.60079/ABIM.V1I3.201
5. Geng, S., Liu, F., Gong, M., Wu, T., & Li, Y. (2024). Applying Deep Learning Models to
Consumer Choice Theory in Western Economics: A Case Study on Consumer Preference
Prediction. Advances in Economics, Business and Management Research, 436–446.
https://doi.org/10.2991/978-94-6463-598-0_44
6. Gershman, S., & Ullman, T. (2023). Causal implicatures from correlational statements.
PLOS ONE, 18(5), e0286067. https://doi.org/10.1371/journal.pone.0286067
7. Han, Y., Pereira, F., Ben-Akiva, M., & Zegras, C. (2022). A neural-embedded discrete
choice model: Learning taste representation with strengthened interpretability.
Transportation Research Part B: Methodological, 163, 166–186. https://doi.org/10.1016/J.
TRB.2022.07.001
8. Jiménez, M. C., & Castañeda, E. L. (2018). Estimación de la función de utilidad del
consumidor ecuatoriano en el año 2012. Boletín de Coyuntura, 16, 4–6. https://doi.
org/10.31164/bcoyu.16.2018.658
9. Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk.
Econometrica, 47, 143–172. https://doi.org/10.2307/1914185
10. Kahneman, D., Knetsch, J. L., & Thaler, R. H. (1991). Anomalies: The endowment eect,
loss aversion, and status quo bias. Journal of Economic Perspectives, 5(1), 193–206.
https://doi.org/10.1257/jep.5.1.193
11. Khoder, K. M. (2024). The Evolution of the Utility Function: Enhancing Economic
Rationality and Improving the Objectivity of Microeconomic Analysis Tools. Library
Progress International, 44(3), 19938–19946. https://doi.org/10.48165/BAPAS.2024.44.2.1
12. Lahiri, S. (2024). Budget-constrained Maximization of “Cobb-Douglas with Linear
Components” Utility Function. SSRN Electronic Journal. https://doi.org/10.2139/
SSRN.4691629
13. Molina, S. P., & Altamirano, K. G. (2022). Estrategias de marketing en redes sociales:
Inuencia en el comportamiento del consumidor. Revista Cientíca Kosmos, 1(1), 4–14.
https://doi.org/10.62943/RCK.V1N1.2022.35
91
Alvaro N. Chiguano-Velasco, Marcelo V. Luna-Murillo
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(15), pp. 75-91. Segundo Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.15.04
14. Muñoz, S., Quinaluisa, N., Cadena, D., & Romero, C. (2023). El impacto del posicionamiento
de marca en las decisiones de compra de los consumidores. ournal of Science and Research,
8 (CIID-EQ-2023), 314-326.. https://doi.org/10.5281/ZENODO.10573508
15. Palacios, A., Zhiminaicela, K., & Ávila, V. (2024). Las redes sociales y su inuencia en los
hábitos de consumo, caso: Universidad Técnica de Machala. 593 Digital Publisher CEIT,
9(4), 312–322. https://doi.org/10.33386/593dp.2024.4.2415
16. Plonsky, O., Apel, R., Ert, E., Tennenholtz, M., Bourgin, D., Peterson, J. C., Reichman, D.,
Griths, T. L., Russell, S. J., Carter, E. C., Cavanagh, J. F., & Erev, I. (2019). Predicting
human decisions with behavioral theories and machine learning. arXiv. https://doi.
org/10.48550/arXiv.1904.06866
17. Romeo, G. (2020). Data analysis for business and economics. In Elements of numerical
mathematical economics with Excel (pp. 695–761). Elsevier. https://doi.org/10.1016/
B978-0-12-817648-1.00013-X
18. Shah, S. S., & Asghar, Z. (2023). Dynamics of social inuence on consumption choices:
A social network representation. Heliyon, 9(6), e17146. https://doi.org/10.1016/J.
HELIYON.2023.E17146
19. Thaler, R. H. (2016). Behavioral Economics: Past, Present, and Future. American Economic
Review, 106(7), 1577–1600. https://doi.org/10.1257/aer.106.7.1577
20. Yi, M. R. (2023). Corporate Reputation and Users’ Behavioral Intentions: Is Reputation
the Master Key That Moves Consumers? SAGE Open, 13(1), 1–14. https://doi.
org/10.1177/21582440231154486
