INSTITUTO TECNOLGICO DE CIUDAD JUREZ

Investigacin Terica Emprica para Conocer la Satisfaccin del

Cliente en el xito de los Proyectos Industriales.

INFORME TCNICO DE RESIDENCIA PROFESIONAL

QUE PRESENTA:

Perla Isabel Vargas Muro

PARA OBTENER EL TITULO DE:

Ingeniera Industrial

Ciudad Jurez, Chihuahua. Mxico. Noviembre del 2016

Resumen
La literatura no muestra relaciones existentes para factores crticos y criterios de
xito hacia proyectos industriales, en cuanto a la satisfaccin del cliente. Para
muchos administradores y gerentes de proyectos es una realidad desarrollar sus
labores basados solo en objetivos, sin tener una plataforma confiable para lograr
la satisfaccin del cliente. En este trabajo se plantea un modelo estructural bsico,
con datos estadsticos, factores crticos de la gestin de proyectos, y la relacin
entre la satisfaccin del cliente y la administracin de proyectos.
NDICE
1. INTRODUCCIN ......................................................................................................................... 1
1.1 ANTECEDENTES .................................................................................................................... 1
1.2 PROBLEMAS A RESOLVER, PRIORIZNDOLOS ........................................................... 1
1.2.1 Delimitacin ......................................................................................................................... 1
1.3 OBJETIVOS ............................................................................................................................... 2
1.3.1 Objetivo general .................................................................................................................. 3
1.3.2 Objetivos especficos ......................................................................................................... 3
2. DESARROLLO DEL PROCEDIMIENTO Y DESCRIPCIN DE ACTIVIDADES
DESARROLLADAS. ....................................................................................................................... 5
2.1 HIPTESIS ............................................................................................................................. 5
2.2 PROCEDIMIENTO Y DESCRIPCIN ................................................................................ 5
2.1 Tipos de Datos ................................................................................................................... 5
2.2 Escala de Likert .................................................................................................................. 6
2.3 Alfa de Cronbach ............................................................................................................... 7
2.4 Modelado Estructural ........................................................................................................ 8
2.5 Correlacin .......................................................................................................................... 9
2.6 Covarianza ........................................................................................................................ 10
2.7 Anlisis Factorial Exploratorio........................................................................................ 13
2.8 Anlisis Factorial Confirmatorio ..................................................................................... 14
2.9 Actividades realizadas ........................................................................................................ 15
3. RESULTADOS ........................................................................................................................... 17
3.1 Los Criterios ms Importantes del M.A. ........................................................................... 17
3.2 Se Desarroll Satisfactoriamente el Modelo Estructural, los Predictores
(Indicadores) de xito son los Siguientes: ............................................................................. 17
3.3 Prueba de KMO y Bartlett ............................................................................................... 19
3.4 Evaluacin del Modelo ........................................................................................................ 26
3.5 ndices de Ajuste .............................................................................................................. 27
3.6 Ecuaciones Estructurales Hipotticas de Regresin del Modelo. ................................ 30
3.7 Publicacin ............................................................................................................................ 31
4. CONCLUSIONES Y RECOMENDACIONES ........................................................................ 35
5. COMPETENCIAS DESARROLLADAS Y/O APLICADAS ................................................. 40
6. REFERENCIAS BIBLIOGRFICAS Y VIRTUALES. ......................................................... 41
Anexos ............................................................................................................................................. 43
ndice de Tablas
Tabla 1Estadsticos de Fiabilidad....................................................................................... 7
Tabla 2Correlacin elemento - Total Corregida.................................................................. 8
Tabla 3Matriz de correlacin entre elementos.................................................................... 9
Tabla 4 Resumen de las Herramientas Estadsticas del Meta-anlisis Valles (2008) ....... 12
Tabla 5 Resultados de la Encuesta.................................................................................. 18
Tabla 6 Porcentaje de respuesta sobre indicador "Proyecto Monitoreado Constantemente"
........................................................................................................................................ 18
Tabla 7Porcentaje de respuesta sobre indicador "Administrador Manejo los Recursos
Correctamente" ................................................................................................................ 19
Tabla 8 Porcentaje de respuesta sobre indicador "Comunicacin entre el Equipo de
Trabajo fue Precisa y Oportuna" ...................................................................................... 19
Tabla 9 Porcentaje de respuesta del indicador "Terminar el Proyecto a Tiempo" ............ 20
Tabla 10 Porcentaje de respuestas del indicador "Cumplir con la Calidad" ...................... 20
Tabla 11 Porcentaje de respuestas del indicador "Terminar el Proyecto con el
Presupuesto Programado" ............................................................................................... 21
Tabla 12 Porcentaje de respuestas del indicador "Administrador con Conocimientos y
Habilidades para Dirigir el Proyecto" ................................................................................ 21
Tabla 13Porcentaje de respuestas del indicador "Herramientas y Equipo Suficiente y
Adecuado" ....................................................................................................................... 22
Tabla 14 Porcentaje de respuestas del indicador "El Cliente Particip en la Ejecucin del
Proyecto" ......................................................................................................................... 22
Tabla 15 Porcentaje de respuestas del indicador "Proyecto Apoyado por Alta Gerencia" 23
Tabla 16 Prueba de KMO y Bartlett ................................................................................. 23
Tabla 17 Abreviaturas 10 criterios.................................................................................... 26
Tabla 18 Discrepancia Mnima (CMIN) ............................................................................ 28
Tabla 19 Comparaciones Principales de Ajuste ............................................................... 29
Tabla 20 RMSEA (Raz Cuadrada de la Media del Error de Aproximacin ...................... 30
Tabla 21 Valor P .............................................................................................................. 37
Tabla 22 CFI Lnea Base de Comparaciones (Comparaciones de Referencia)................ 37
Tabla 23 RMSEA (Raz Cuadrada de la Media del Error de Aproximacin) ..................... 37
Tabla 24 Correlaciones .................................................................................................... 37
Tabla 25 Covarianzas ...................................................................................................... 38
Tabla 26 Cargas de regresin.......................................................................................... 38
Tabla 27 Cargas de Regresin Estandarizadas: Modelo Propuesto ................................ 39
ndice de Ilustraciones
Figura 1.1 Mtodo cientfico Adaptacin (Alvira 2015)2
Figura 3.1 Matriz de Configuracin24
Figura 3.2 Seleccin de Propiedades de Anlisis.25
Figura 3.3 Modelo Inicial a Partir de la Matriz de Configuracin Usando SPSS
Amos26
Figura 3.4 Valor P obtenido y sus rangos comparativos.27
Figura 3.5 CFI obtenido y sus rangos comparativos28
Figura 3.6 RMSEA obtenido y sus rangos comparativos..30
Figura 3.7 Registro Congreso Journals Jurez 2016..33
Figura 3.8 Documentacin elaborada para entrega en Academia Journals
Congredo Ciudad Jurez 2016.33
Figura 3.9 Documentacin para el seguimiento en edicin del artculo en
Academia Journals 2016 Congreso Ciudad Jurez adaptacin..34
Figura 4.1 Cargas de Regresin entre Factores Crticos y Criterios de xito de los
Proyectos37
 1. INTRODUCCIN
1.1 ANTECEDENTES

El enfoque inicial para evaluar el xito de un proyecto fue el tringulo de hierro

(calidad, presupuesto, tiempo), pero con el tiempo se ha descubierto que hay ms
factores que influyen en el xito de un proyecto, tal vez el cliente es el ms
importante de los actores, alguno expertos sugirieron que la satisfaccin del
cliente es una dimensin critica del xito del proyecto.

La literatura encontrada muestra la eficiencia del proyecto como las cosas que
deben hacerse para terminar o completar un proyecto, mientras que el xito del
proyecto es mostrado como es presentado como los resultados o negocios,
sostenibilidad y claramente como la satisfaccin del cliente, sin embargo no hay
parmetros o factores claramente observables que puedan determinar o
comprobar mediante ellos mismos la satisfaccin del cliente.

1.2 PROBLEMAS A RESOLVER, PRIORIZNDOLOS

1.2.1 Delimitacin
Es de suma importancia que el mbito en el que se desarrolla este trabajo de
residencias profesionales es un medio de investigacin dentro del campo de
ciencia y cultura, en el cual con la implementacin de un mtodo cientfico, esto
con el fin de adquirir mayor conocimiento sobre lo que ocurre a nuestro alrededor,
para el caso de la investigacin y documentacin que aqu se desarroll el
conocimiento adquirido es especficamente en la rama de la industria en Ciudad
Jurez, y sus diferentes giros, esto referido exclusivamente a proyectos
industriales, el siguiente diagrama muestra el proceso y etapas que se
implementan en este tipo de instituciones.

1
 Figura 1.1 Mtodo cientfico Adaptacin (Alvira 2015)

1.3 OBJETIVOS
Llevar a cabo la investigacin de los modelos que apoyan a la gestin y ejecucin
de proyectos industriales a travs del tiempo y as proponer un modelo que incluya
los factores crticos ms importantes para cumplir con la satisfaccin del cliente en
el xito de la gestin de los proyectos industriales.
Adems incluir la aplicacin de las herramientas estadsticas para la evaluacin de
los resultados de los artculos y encuestas a travs de la utilizacin de software
estadstico (SPSS Amos).
Fortalecer al departamento de Ingeniera Industrial con al menos una publicacin a
nivel Nacional o Internacional, participando como coautor del artculo siendo
estudiante del departamento antes mencionado.

2
 1.3.1 Objetivo general
Encontrar la correlacin existente entre los factores y criterios de xito, en la
satisfaccin del cliente de los proyectos industriales. Determinar los factores y
criterios crticos involucrados en la gestin de proyectos industriales, as como la
relacin de los factores o indicadores con los criterios de evaluacin y la relacin
con el criterio de xito como variable de salida llamada satisfaccin del cliente.

1.3.2 Objetivos especficos

Esta investigacin busca:

Demostrar que las variables latentes y los factores crticos

seleccionados por la metodologa Meta Anlisis estn relacionados
entre s y con la variable de salida llamada satisfaccin del cliente en un
modelo propuesto.
Fortalecer estadsticamente los factores o grupos de factores que
formulan un modelo estructural dentro de los proyectos industriales, en
las empresas industriales manufactureras de Ciudad, Jurez
Chihuahua.
Analizar las ecuaciones de regresin lineal (SEM) que cuantifiquen las
variables observables que puedan modificar las variables latentes
(criterios de xito) con la variable de salida llamada satisfaccin del
cliente.
Llevar a cabo la investigacin con la aplicacin de las herramientas
estadsticas pertinentes para la evaluacin de la diversidad de
resultados de los artculos ms importantes sealados por la
metodologa meta anlisis esto a travs de la utilizacin de software
estadstico.

3
1.4 JUSTIFICACIN.

Esta investigacin, se recurre a la metodologa meta-anlisis para determinar los

factores y criterios crticos involucrados en la gestin de proyectos, los factores y
los criterios no se muestran con precisin ni aproximados en un diagrama
estructural. Los factores crticos de xito son aquellos indicadores que intervienen
en el proceso de la gestin de proyectos conocidos tambin como variables de
entrada para la gestin, los criterios crticos son las variables dependientes ms
importantes para evaluar los resultados de un proyecto. Tampoco se encontr la
relacin de los factores o indicadores con los criterios de evaluacin ni mucho
menos relacionando con el criterio de xito como variable de salida llamada
satisfaccin del cliente. Este trabajo abarca los clculos estadsticos bsicos de
correlacin utilizando un software estadstico para el anlisis de datos categricos
mediante la tcnica llamada escalas de Likert.

Como material de estudio se recurre a la utilizacin de diagrama estructural para

la gestin de proyectos industriales ya que estos sealan grficamente las
relaciones e interconexiones, niveles jerrquicos y estratificacin, tambin se
recurre a los artculos que mencionen los factores y criterios involucrados en la
gestin de proyectos, incluyendo ejemplos de aplicaciones de modelos de
ecuaciones estructurales relativos a la gestin del conocimiento.

Adems de identificar los tipos de datos categricos y clasificacin de factores a

travs de frecuencias tales como diagrama de Pareto, histogramas, anlisis de
medias, anlisis de datos, ordinales, adems clculos de covarianzas y
correlacin.

4
 2. DESARROLLO DEL PROCEDIMIENTO Y DESCRIPCIN
DE ACTIVIDADES DESARROLLADAS.

2.1 HIPTESIS
Una vez conocido el mtodo cientfico, el problema a resolver se puede establecer
como el encontrar mediante herramientas matemticas, instrumentos de medicin
y comprobacin adems de la verificacin de conceptos y argumentacin, si la
hiptesis aqu planteada es no rechazable; esto quiere decir, si se pueden
presentar los argumentos racionales adems de pruebas que manifiestan la
veracidad de lo que se plantea como problema de investigacin.

A continuacin se muestran las hiptesis planteadas en el problema de

investigacin el cual se desea demostrar:

H0: La correlacin entre los factores crticos y la variable de salida llamada

satisfaccin del cliente no se comprueba con precisin en los modelos de
gestin de proyectos industriales.
H1: Las correlaciones ms significativas con nivel p-value <0.01 de los factores
crticos determinan los factores considerados para la construccin de un
modelo propuesto.

2.2 PROCEDIMIENTO Y DESCRIPCIN

A continuacin se describen los procedimientos para el realizar el trabajo de
residencias profesionales.

2.1 Tipos de Datos

Datos cuantitativos. Son aquellos que resultan de hacer mediciones o conteos. Se
clasifican a su vez en dos subtipos:
1. Datos discretos. Son los que resultan de hacer conteos y por lo general son
nmeros enteros.

5
2. Datos continuos. Son los que resultan de hacer mediciones y pueden asumir
cualquier valor de la recta real.

Datos Cualitativos o Categricos. Son aquellos que expresan atributos o

categoras. Para facilitar al anlisis estadstico de este tipo de datos
frecuentemente se codifican a nmeros, esta codificacin da lugar a dos subtipos
de datos categricos:
1. Datos nominales. Son aquellos datos categricos que pueden ser codificados
numricamente pero donde hay una relacin arbitraria entre los nmeros
asignados y el valor de la variable.
2. Datos Ordinales. Son aquellos que al ser codificados numricamente deben
guardar una correspondencia entre los nmeros asignados y el verdadero valor de
la variable.

2.2 Escala de Likert

Esta tcnica simple involucra el asignar valores desde UNO hasta el CINCO para
cada una de las cinco diferentes posturas en las oraciones de cinco niveles. El
extremo con UNO se utiliza para asignar la parte de la escala negativa para la
escala Sigma, en CINCO se asigna al extremo positivo de la escala Sigma. Para
construir una escala Likert tenga en cuenta lo que se quiere. Se recoge un gran
nmero de artculos relacionados con lo que queremos medir y se seleccionan,
aquellos que expresan una posicin claramente favorable o desfavorable (Likert,
1932).
Es conveniente partir de una coleccin de 100 a 150 artculos para construir una
escala de 15 a 30 artculos. Se selecciona un grupo de sujetos similar a aqul al
que piensa aplicarse la escala. Estos responden, eligiendo en cada artculo la
alternativa que mejor describa su posicin personal. Las respuestas a cada
artculo reciben puntuaciones ms altas cuanto ms favorables son a la actitud,
dndose a cada sujeto la suma total de las puntuaciones obtenidas. Tambin
existen otros mtodos como el Mtodo de Mantel-Haenszel-Peto para obtener un

6
estimador combinado del efecto factores con un Meta-Anlisis (Labb, 1987).

2.3 Alfa de Cronbach

La fiabilidad del instrumento se estima bajo tres factores: La consistencia que es la
relacin entre categoras de una escala; su valor de homogeneidad indica cmo
se puedan acumular y dar una puntuacin global. El mtodo coeficiente Alfa de
Cronbach prueba la consistencia; con un valor superior a 0.7 se acredita una
buena consistencia, dado que este oscilando entre 0 y 1. La estabilidad temporal
es la concordancia de resultados, evaluado la misma muestra y evaluador, en dos
situaciones distintas (fiabilidad test-retest). Arribas (2004).
La siguiente tabla muestra el resultado de la evaluacin realizada a las encuestas
aplicadas en este estudio, y de esta forma se obtuvo la prueba de fiabilidad para el
cuestionario. Donde el resultado obtenido nos determina que el mtodo de
evaluacin aplicado es fiable, ya que se alcanza un ndice superior al valor
establecido para esta prueba 0.7. Adems de validar de la misma forma cada
uno de los factores que se analizaron en esta investigacin.

Tabla 1Estadsticos de Fiabilidad

En la tercera columna de la Tabla 2 nombrada Correlacin elemento total

corregida encontramos los coeficientes con los cuales se explica la
homogeneidad corregida entre datos, para valores igual a cero o negativos se
elimina el criterio de la primer columna, por lo tanto al observar la tabla nos damos
cuenta que todos son valores dentro del rango de aceptacin para datos
homogneos.

7
 Tabla 2Correlacin elemento - Total Corregida

EI supuesto que subyace a la combinacin de resultados de estudios individuales

en una estadstica descriptiva, es que sus diferencias son solo casuales (que
estadsticamente se les conoce como (variacin de muestreo) y que, por lo tanto,
los resultados de todos los estudios son homogneos, es decir, que reflejan el
mismo resultado "verdadero Un cierto grado de heterogeneidad. La diferencia
entre los estudios combinados puede aumentar la capacidad de generalizacin,
pero estadsticamente es no es deseable.

EI lmite de homogeneidad (igualdad) aceptable se determinara por los

procedimientos estadsticos habituales, para probar que las diferencias entre los
estudios primarios, no son mayores de lo que cabra esperar para la influencia del
azar. Tambin ser til, una representacin grfica de los efectos de los estudios
primarios.

2.4 Modelado Estructural

El modelado estructural se puede definir como la tcnica que combina el anlisis
factorial con la regresin lineal, probando el nivel bondad ajuste para los datos
observados dentro de un modelo con hiptesis, asimismo expresado por un
diagrama de colas; para modelar las relaciones entre las variables. Por estas
razones SEM ha sido referido o utilizado para modelar con variables latentes, as
tambin para modelado estructural de covarianzas.

8
Entre los muchos usos de SEM est la intencin de estimar los efectos causales
entre variables, explicando porque SEM es citado como un modelado causal. En
un caso futuro, una de las variables dependientes es tambin una variable
independiente, es decir, usada para predecir a otra variable dependiente. Como
una extensin natural de regresin (para ser demostrado en breve), debera ser
claro que SEM es una herramienta estadstica, ortogonal al dominio sustantivo de
datos en los que aplica el modelado estructural; el anlisis factorial arroja
resultados observables los cuales se expondrn dentro de este mismo artculo.
La correlacin lineal entre las variables es la relacin existente entre cada uno de
los elementos, en la tabla 3 encontramos lo que permite establecer los factores
que afectan a otros y permite crear un modelo. Si las variables no estuvieran
asociadas linealmente, las correlaciones entre ellas serian nulas.
Tabla 3Matriz de correlacin entre elementos

2.5 Correlacin

Es frecuente que se estudie sobre una misma poblacin los valores de dos
variables estadsticas distintas, con el fin de ver si existe alguna relacin entre
ellas, es decir si los cambios de una de ellas influyen en los valores de la otra. Si
ocurre esto se dice que las variables estn correlacionadas o bien que hay
correlacin entre ellas.

La apreciacin visual de la existencia de correlacin no es suficiente. As que se

define como coeficiente de correlacin de Pearson al ndice estadstico que mide
la relacin lineal entre dos variables cuantitativas. Se denota por r:
9

=

Este coeficiente de correlacin lineal divide la covarianza por el producto de las

desviaciones estndar de ambas variables. A diferencia de la covarianza la
correlacin de Pearson es independiente de la escala de medias de las variables.
El valor de ndice de correlacin vara en el intervalo [-1.1] y se interpreta de la
siguiente forma:
Si r = 0 no existe ninguna correlacin. El ndice indica por tanto, una dependencia
total entre las dos variables, es decir, que la variacin de una de ellas no influye
en absoluto en el valor que pueda tomar la otra.
Si r = 1 existe una correlacin positiva perfecta. El ndice indica una dependencia
total entre las dos variables denominada relacin directa: cuando una de ellas
aumenta, la otra tambin lo hace en idntica proporcin.
Si 0 < r <1, existe una correlacin positiva.
Si r = -1, existe una correlacin negativa perfecta. El ndice indica una
dependencia total entre las dos variables llamada relacin inversa: cuando una de
ellas aumenta, la otra disminuye en idntica proporcin.
Si -1 < r < 0, existe una correlacin negativa.
Correlacin nula: No existe ninguna relacin entre las variables. Se dice que
ambas son independientes.
Correlacin lineal: Existe una relacin lineal negativa si al aumentar los valores de
la variable independiente disminuyen los valores de la variable dependiente y
relacin lineal positiva si al aumentar los valores de la variable independiente
aumentan los valores de la variable dependiente.
Correlacin no lineal: Existe una relacin entre las variables pero no es lineal.

2.6 Covarianza
La covarianza es una medida de asociacin lineal entre dos variables que resume
la informacin existente en un grfico de dispersin. Es un indicador de si los
valores estn relacionados entre s, se simboliza por y se calcula por medio
10
 de:
=1( )( )
=

Esta medida refleja la relacin lineal que existe entre dos variables. El resultado
numrico flucta entre los rangos de [, ]. Al no tener unos lmites establecidos
no puede determinar el grado de relacin lineal que existe entre las dos variables,
solo es posible ver la tendencia.
Una covarianza positiva significa que existe una relacin lineal positiva entre las
dos variables. Es decir, los valores bajos de la variable x se asocian con los
valores bajos de la variable y, mientras los valores altos de x se asocian con los
valores altos de la variable y.
Una covarianza de negativa significa que existe una relacin lineal inversa
(negativa) entre las dos variables. Lo que significa que los valores bajos en x se
asocian con los valores altos de y, mientras los valores altos en x se asocian con
los valores bajos en y.
Una covarianza de cero se interpreta como la no existencia de una relacin lineal
entre las dos variables estudiadas.

El procedimiento Correlaciones bi-variadas calcula el coeficiente de correlacin de

Pearson, rho de Spearman y la tau -b de Kendall con sus niveles de significacin.
Las correlaciones miden cmo estn relacionadas las variables o las rdenes de
rangos. La covarianza es una medida de la fuerza de la relacin lineal entre dos
variables cuantitativas (Romo, 1997).

En la estimacin ponderada los modelos de regresin lineal estndar asumen que

la varianza es constante dentro de la poblacin u objeto de estudio. Cuando esto
no es el caso, la regresin lineal mediante mnimos cuadrados ordinarios (MCO)
ya no proporciona estimaciones de los modelos ptimos. Si las diferencias en la

11
variabilidad se puede predecir para otra variable, el procedimiento Estimacin
ponderada puede calcular los coeficientes de un modelo de regresin lineal por
mnimos cuadrados ponderados (MCP), de tal manera que se dan las
observaciones ms precisas (es decir, los que tienen menos variabilidad) se les da
mayor peso en la determinacin de los coeficientes de regresin.

Tabla 4 Resumen de las Herramientas Estadsticas del Meta-anlisis Valles (2008)

Concepto Definicin
Anlisis de Trata de la inclusin y exclusin de estudios especficos. Consiste en la repeticin del anlisis de
sensibilidad combinacin para valorar si se alcanzan los mismos resultados y si estos se alteran por la calidad
de los estudios individuales y el sesgo de publicacin.
Magnitud del Estimador estandarizado (no escalar) de la relacin entre una exposicin y un efecto. Este trmino
efecto se aplica a cualquier medida de la diferencia en el resultado entre los grupos de estudio, de tal
manera que el riesgo relativo y la diferencia de riesgos son "magnitudes de efecto".
Meta regresin Coleccin de mtodos estadsticos para valorar la heterogeneidad en los que la magnitud del
efecto se enfrenta a una o ms covariables. Esta herramienta se puede aplicar cuando el nmero
de estudios es menor a veinte.
Heterogeneidad Significa que hay variabilidad estadstica entre los estudios que se combinan, pueden proceder de
muchas fuentes.
Homogeneidad La prueba de homogeneidad fue desarrollada para determinar la probabilidad de que la varianza
entre los tamaos del efecto es debido al error de muestreo.
Mtodo de Primer modelo de efectos aleatorios aplicado modelo a un modelo aditivo ponderado por el
DerSimonian- a un inverso de la varianza.
Laird
Mtodo de Procedimiento para detectar un sesgo de publicacin. Consiste en de represin lineal simple de la
Egger magnitud del efecto dividida por su error estndar sobre el inverso del mismo en la que se prueba
si la ordenada el origen es estadsticamente significativa con p<0.1.
Mtodo Es mejor que el mtodo de Egger para detectar un sesgo en la publicacin
Macaskill, Se realiza una regresin lineal simple entre magnitud del efecto y el tamao del estudio. Se
Walter e Irwig recomienda ponderar la regresin por el inverso de la varianza del efecto global observado en
cada estudio individual.
Mtodo de Mtodo estadstico de conminacin de riesgos relativos y razn de odds de estudios individuales.
Mantel- Hay que conocer la distribucin cruda de los datos por lo que suele ser apropiado para los
Haenszel estudios experimentales aleatorios.
Mtodo de Peto Mtodo estadstico para combinar estudios individuales, derivado del mtodo de Mantel-
Haenszel, en el que la heterogeneidad se incorpora estimador resumen mediante la incisin de un
componente de la variabilidad entre los estudios.
Mtodo de Mtodo de conminacin de magnitudes de efecto individuales, en el que la
efectos Heterogeneidad se incorpora al estimador resumen mediante la inclusin de un componente de la
aleatorios variabilidad entre los estudios. Supone que la muestra de estudios incluidos en el anlisis se

12
 extrae de una poblacin de estudios.

2.7 Anlisis Factorial Exploratorio

El anlisis exploratorio de factores es procedimiento muy til el cual su propsito
principal es tratar de establecer una estructura subyacente entre las variables del
anlisis, a partir de estructuras de correlacin entre ellas; es decir busca definir
grupos de variables que estn altamente correlacionados entre s.
Afortunadamente, el procedimiento Exploratorio hace que sea tan fcil de ver lo
bien que los datos validan esos supuestos. Otros procedimientos le permiten
superponer variables de agrupacin para que poder examinar los estadsticos de
resumen para las clasificaciones cruzadas de factores.

El anlisis factorial exploratorio (AFE) es un enfoque estadstico para determinar la

correlacin entre las variables de un conjunto de datos. Este tipo de anlisis
proporciona un factor de estructura (una agrupacin de variables basndose en
las correlaciones fuertes). En general, un AFE prepara las variables que se
utilizarn para limpiar los modelos de ecuaciones estructurales. Un AFE siempre
debe llevarse a cabo para los nuevos conjuntos de datos. La ventaja de un AFE
sobre un AFC (anlisis factorial confirmatorio) es que no se aplica ninguna teora a
priori sobre qu elementos pertenecen a qu constructos. Esto significa que el
AFE ser capaz de detectar variables problemticas mucho ms fcilmente que el
AFC.

El anlisis factorial exploratorio es una tcnica de reduccin variable que identifica

el nmero de constructos latentes y el factor subyacente estructura de un conjunto
de variables, plantea la hiptesis de un constructo subyacente, una variable no se
mide directamente, estima factores que influyen en las respuestas de las variables
observadas y sirve para describir e identificar el nmero de construcciones
latentes (factores).

13
 2.8 Anlisis Factorial Confirmatorio

El anlisis factorial confirmatorio (CFA) es la siguiente etapa despus de realizar

un anlisis factorial exploratorio para determinar la estructura factorial del conjunto
de datos. En el anlisis exploratorio investigamos la estructura factorial (cmo las
variables se relacionan y el grupo basado en las correlaciones entre las variables);
en el anlisis factorial confirmatorio ratificamos la estructura factorial que se
extrajo en el mtodo anterior.

Anlisis factorial confirmatorio (AFC) es un tipo de modelado de ecuaciones

estructurales que lidia especficamente con modelos de medicin, es decir, las
relaciones entre medidas observables o indicadores y variables latentes o
factores. El objetivo de los modelos de medicin de variables latentes es
establecer el nmero y la naturaleza de los factores que se consideran para la
variacin y covariacin a travs de un conjunto de indicadores. Un factor es una
variable no observable que tiene mayor influencia que una medicin observable y
es considerada para las correlaciones a travs de estas mediciones observables.

Propsitos del Anlisis Factorial Confirmatorio

El anlisis factorial confirmatorio puede ser utilizado para una variedad de

propsitos, tales como evaluacin psicomtrica, la deteccin de los efectos de un
mtodo, la validacin de un constructo, y la evaluacin de la invariancia de
medicin. Hoy en da, AFC casi siempre es utilizado en el proceso del desarrollo
de escalas para examinar la estructura latente de un instrumento de prueba. AFC
verifica el nmero de dimensiones subyacentes de un instrumento (factores) y el
patrn de relaciones tem-factor (cargas del factor).

14
Especificacin del Modelo AFC

El objetivo de AFC es obtener estimados para cada parmetro del modelo de

medicin (es decir, cargas de factor varianzas y covarianzas de factor, varianzas
indicadoras de error y posiblemente covarianzas del error) esto produce una
matriz predictiva de varianzas y covarianzas (tambin referida como la matriz
implcita en el modelo de varianzas y covarianzas) la cual se asemeja tanto como
sea posible a la matriz muestra de varianzas y covarianzas.

2.9 Actividades realizadas

La siguiente es una lista de las actividades realizadas durante el proceso de

investigacin que se dio a cabo en 4 meses, desde Septiembre 2015, hasta Enero
del 2016 para las residencias provisionales.
a. Revisin bibliogrfica y seleccin de factores y criterios a evaluar en
la investigacin.
b. Planteamiento del diseo de la investigacin e instrumento de
medicin (encuesta)
c. Entrenamiento en Paquete estadstico SPSS IBM Versin 22.
d. Capacitacin en cuanto a estadstica para el anlisis de datos
ordinales.
e. Entrenamiento e ingreso de datos para herramienta estadstica
Anlisis Factorials Exploratorio SPSS.
f. Entrenamiento e ingreso de datos para herramienta estadstica
Anlisis Factorial Confirmatorio SPSS.
g. Anlisis estadstico de las correlaciones y covarianzas mediante
Anlisis Factorial Exploratorio.
h. Anlisis estadstico y conclusiones del modelo mediante el Anlisis
Factorial Confirmatorio.

15
i. Avance a reporte de residencias profesionales.
j. Preparacin de reporte de acuerdo a los requerimientos de
Academia Journals.
k. Avance de reporte de residencias y envi de documento completo a
publicarse en Academia Journals.

16
3. RESULTADOS
3.1 Los Criterios ms Importantes del M.A.
Como podr observase en las pruebas de bondad de ajuste en el anlisis
confirmatorio las cargas mayores de los indicadores (variables endgenas)
muestran en cules de ellos habr que poner mayor atencin para obtener mayor
resultado en los valores de F (variables latentes) y por consecuencia el tamao del
error disminuir en cada caso.

3.2 Se Desarroll Satisfactoriamente el Modelo Estructural, los

Predictores (Indicadores) de xito son los Siguientes:
1. Proyecto monitoreado constantemente
2. Administrador manejo los recursos correctamente
3. Comunicacin entre el equipo de trabajo fue precisa y oportuna
4. Terminar a tiempo el proyecto
5. Cumplir con la calidad
6. Terminar el proyecto con el presupuesto programado
7. Administrador con conocimientos y habilidades para dirigir el proyecto
8. Herramientas y equipo suficiente y adecuado
9. El cliente particip en la ejecucin del proyecto
10. Proyecto apoyado por alta gerencia.

Se obtuvo como resultado de las encuestas las siguientes porcentajes, cantidades

significativas de los resultados obtenidos en las encuestas.

17
 180 172 170
Nmero de Respuestas por

160
134
140
114
120
Indicador

97 101 97
100 89 88 91
91 81-100% Demasiado
75 73 77
80 61-80% Mucho
63 64 63
60 50 47 48 4853 41-60% Suficiente
41 41
29 34 33 21-40% Poco
40 24
17 20
20 8 9 62 10 9 0-20% Nada
51 0 1 0 300 42 32 0 1
0

Indicadores de xito.

Tabla 5 Resultados de la Encuesta

Analizando cada uno de los indicadores y sus respuestas individualmente

obtenemos las siguientes grficas y porcentajes que nos muestran la respuesta
positiva de los participantes. As como una buena contribucin de datos para su
anlisis dentro de esta investigacin.

Proyecto Monitoreado Constantemente

2% 1%

13%
81-100% Demasiado
40% 61-80% Mucho
41-60% Suficiente
21-40% Poco
44% 0-20% Nada

18 "Proyecto Monitoreado Constantemente"

Tabla 6 Porcentaje de respuesta sobre indicador
 Administrador Manejo los Recursos
Correctamente
3% 0%

81-100% Demasiado
23% 34% 61-80% Mucho
41-60% Suficiente
21-40% Poco
0-20% Nada
40%

Tabla 7Porcentaje de respuesta sobre indicador "Administrador Manejo los Recursos Correctamente"

Comunicacin entre el Equipo de

Trabajo fue Precisa y Oportuna
3.3
4% Prueba
0% de KMO y Bartlett

81-100% Demasiado
21% 29%
61-80% Mucho
41-60% Suficiente
21-40% Poco
0-20% Nada
46%

Tabla 8 Porcentaje de respuesta sobre indicador "Comunicacin entre el Equipo de Trabajo fue
Precisa y Oportuna"

19
 Terminar a Tiempo el Proyecto
3% 1% 0%

18% 81-100% Demasiado

61-80% Mucho
41-60% Suficiente
21-40% Poco
0-20% Nada
78%

Tabla 9 Porcentaje de respuesta del indicador "Terminar el Proyecto a Tiempo"

0%
Cumplir con la Calidad
1%
0%

22% 81-100% Demasiado

61-80% Mucho
41-60% Suficiente
21-40% Poco

77% 0-20% Nada

Tabla 10 Porcentaje de respuestas del indicador "Cumplir con la Calidad"

20
 Terminar el Proyecto con el
Presupuesto Programado
2% 1%

8%
81-100% Demasiado
61-80% Mucho
29% 41-60% Suficiente
60% 21-40% Poco
0-20% Nada

Tabla 11 Porcentaje de respuestas del indicador "Terminar el Proyecto con el Presupuesto Programado"

Administrador con Conocimientos y

Habilidades para Dirigir el Proyecto
1% 1%

16% 81-100% Demasiado

41% 61-80% Mucho

41-60% Suficiente
21-40% Poco
41% 0-20% Nada

Tabla 12 Porcentaje de respuestas del indicador "Administrador con Conocimientos y Habilidades para Dirigir el
Proyecto"

21
 Herramientas y Equipo Suficiente y
Adecuado
0%
4%
81-100% Demasiado
19% 33% 61-80% Mucho
41-60% Suficiente
21-40% Poco

44% 0-20% Nada

Tabla 13Porcentaje de respuestas del indicador "Herramientas y Equipo Suficiente y Adecuado"

El Cliente Particip en la Ejecucin

del Proyecto

11%
22% 81-100% Demasiado

15% 61-80% Mucho

41-60% Suficiente
21-40% Poco
24% 28%
0-20% Nada

Tabla 14 Porcentaje de respuestas del indicador "El Cliente Particip en la Ejecucin del Proyecto"

22
 Proyecto Apoyado por Alta Gerencia
0%
4%
9%
81-100% Demasiado
61-80% Mucho
41-60% Suficiente
52%
35% 21-40% Poco
0-20% Nada

Tabla 15 Porcentaje de respuestas del indicador "Proyecto Apoyado por Alta Gerencia"

3.3 Prueba de KMO y Bartlett

La prueba Kaiser, Meyer y Olkin relaciona los coeficientes de correlacin

observados entre las variables. Esta tabla muestra dos pruebas que indican la
idoneidad de sus datos para la deteccin de la estructura. La medida de
Adecuacin de muestreo Kaiser-Meyer-Olkin es un estadstico que indica la
proporcin de la varianza en las variables que puedan ser causados por factores
subyacentes. Los altos valores (cerca de 1.0) generalmente indican que un
anlisis de factores puede ser til con sus datos. Si el valor es inferior a 0.50, los
resultados del anlisis de factores probablemente no sern muy tiles.
Tabla 16 Prueba de KMO y Bartlett

P rue ba de KM O y B a rt le t t
Kaiser-M eyer-Olkin M easure o f
0.866
Sampling A dequacy.
A ppro x. Chi-
668.874
Square
B artlett's Test o f
Sphericity df 45

Sig. 0

23
En la tabla 5 podemos sealar que el resultado de dicha prueba alcanza la cifra de
0.866, lo que nos indica una proximidad a la unidad, corroborando as la alta
relacin entre variables. La prueba de esfericidad de Bartlett contrasta la hiptesis
de que los elementos fuera de la diagonal principal (las correlaciones) de la matriz
de correlaciones sean cero. En este caso el valor estadstico 668.874 con un P-
valor p=.000, prximo a la significatividad y 45 grados de libertad.

En la ilustracin 5 se muestran los datos arrojados por la matriz de configuracin

con los cuales se construy el primer modelo.

Figura 3.1 Matriz de Configuracin

A continuacin se muestra las cargas de factores arrojadas por la matriz de

configuracin en el anlisis factorial exploratorio, las cuales son utilizadas para la
construccin del primer modelo por medio de AMOS.

En la ilustracin 6 se muestra la seleccin de propiedades de anlisis.

24
 Figura 3.2 Seleccin de Propiedades de Anlisis

Se procedi a realizar el primer anlisis resultando el primer modelo que se

muestra en la ilustracin 7, con correlaciones estandarizadas resultantes para su
estimacin.

25
 Figura 3.3 Modelo Inicial a Partir de la Matriz de Configuracin Usando SPSS Amos.

Tabla 17 Abreviaturas 10 criterios

Abreviatura Nombre Completo

C.PMC Proyecto monitoreado constantemente
P.AMR Administrador manejo los recursos correctamente
T.CEPO Comunicacin entre el equipo de trabajo fue precisa y oportuna
T.TTP Terminar a tioempo el proyecto
C.CCP Cumplir con la calidad
P.TTP Terminar el proyecto con el presupuesto programado
P.ACH Administrador con conocimientos y habilidades para dirigir el proyecto
C.HEA Herramientas y equipo suficiente y adecuado
C.CPEP El cliente participo en la ejecucin del proyecto
P.PAA Proyecto apoyado por alta gerencia

3.4 Evaluacin del Modelo

En esta seccin se muestran los resultados de las evoluciones arrojadas mediante
el anlisis factorial confirmatorio mediante AMOS.

26
 3.5 ndices de Ajuste
P-VALUE
Est definido como la probabilidad de obtener un resultado al menos tan extremo
como el que realmente se ha obtenido (valor del estadstico calculado),
suponiendo que la hiptesis nula es cierta. Es fundamental tener en cuenta que el
valor P se basa asumiendo la hiptesis de partida o hiptesis nula.

En los estudios de psicologa es comn utilizar un valor de 0.05 para el valor P

que indica la efectividad del estudio, tomando en cuenta que la estimacin para el
modelo en cuanto al valor P es de 0.035 podemos asegurar que refleja un estudio
efectivo, el error obtenido puede ser mitigado al aumentar el tamao de la
muestra, reduciendo la posibilidad de que los datos obtenidos sean
coincidentemente raros.

La ilustracin 8 es una comparacin de forma grfica para la magnitud del ndice

valor p para distintos modelos de ecuaciones estructurales en los cuales se puede
identificar estudios efectivos o debajo de 0.05 y no efectivos, por arriba de 0.05.

Figura 3.4 Valor P obtenido y sus rangos comparativos

En la penltima columna de la tabla 7 en el segundo rengln se encuentra el valor

p, dentro de una tabla de discrepancia mnima (CMIN).

27
 Tabla 18 Discrepancia Mnima (CMIN)

Model NPAR CMIN DF P CMIN/DF

Default model 23 47.986 32 0.035 1.5

Saturated model 55 0 0
Independence
10 681.787 45 0 15.151
model

CFI
El ndice de ajuste comparativo o CFI por sus siglas en ingls, es nico en su
clase con respecto a estadsticos de ajuste, estn entre los ms utilizados en
SEM. Una regla de oro para el CFI y otros ndices de ajuste comparativos es que
los valores mayores a 0.90 pueden indicar razonablemente un buen ajuste en el
modelo del investigador Hua y Beltler, (1999).

( ,0)
Esta dado por: = 1 ( = 1 Ecuacin 1
,0)

La ilustracin 9 compara de forma grfica la dimensin para los ndices CFI del
modelo de ecuaciones estructurales en el cuales se puede identificar un estudio
con un buen ajuste del modelo.

Figura 3.5 CFI obtenido y sus rangos comparativos

La tabla 9 muestra el CFI en la ltima columna del rengln Default modelo.

28
 Tabla 19 Comparaciones Principales de Ajuste

NFI RFI IFI T LI

Model CFI
Delta1 rho1 Delta2 rho2
Default model 0.93 0.901 0.975 0.965 0.975
Saturated model 1 1 1
Independence
0 0 0 0 0
model

RMSEA
El error cuadrtico medio de aproximacin o RMSEA por sus siglas en ingls,
mide la aproximacin del error, y por esta razn, algunas veces es referido como
un ndice basado en la poblacin. El RMSEA es un ndice de maldad de ajuste
en el que un valor de 0 indica mejor ajuste y valores ms altos indican un peor
ajuste. Un valor prximo a 0 y menor que 0.06 indica una cercana proximidad de
ajuste.
La frmula de RMSEA es:

2
( )1
=

Ecuacin 2
1

RMSEA0.06 indica una cercana proximidad de ajuste. Valores entre 0.06 y 0.08
sugieren un razonable error de aproximacin. RMSEA1 sugiere un ajuste
deficiente (Hoyle, 2012).

La ilustracin 19 es la representacin grfica del valor RMSEA obtenido en el

modelo desarrollado y su relacin con los valores prestablecidos, La tabla 7
muestra un valor de RMSEA para el modelado de 0.048 que se considera como
un valor dentro del rango para un ajuste de error cercano.

29
 Figura 3.6 RMSEA obtenido y sus rangos comparativos

Tabla 20 RMSEA (Raz Cuadrada de la Media del Error de Aproximacin

Model RMSEA LO 90 HI 90 PCLOSE

Default model 0.048 0.013 0.074 0.527

Independence
0.254 0.237 0.271 0
model

3.6 Ecuaciones Estructurales Hipotticas de Regresin del Modelo.

En este trabajo el modelo estructural hipottico propuesto est dado por la
siguiente serie de ecuaciones estructurales con carga de regresin.
F1 = 1, Variable latente, Terminar el proyecto con el presupuesto programado.
F2 = 2, Variable latente, Cumplir con la calidad del proyecto industrial.
F3 = 3, Variable latente, Terminar a tiempo el proyecto industrial.

Modelo Estructural:

F3 = F1+F2+ D3
1 = 1 1 + 1
2 = 2 1 + 2

30
 3 = 3 1 + 3
4 = 4 1 + 4
5 = 5 1 + 5
6 = 6 1 + 6
7 = 7 2 + 7
8 = 8 2 + 8
9 = 9 3 + 9
10 = 10 3 + 10

Dnde:

Y1 : T.CEPO, 1 : 0.66, 1 : TIEMPO, 1 : ERROR ASOCIADO A CEPO

Y2 : C.PMC, 2 : 0.70, 1 : TIEMPO, 2 : ERROR ASOCIADO A PMC
Y3 : P.PAA, 3 : 0.66, 1 : TIEMPO, 3 : ERROR ASOCIADO A PAA
Y4 : P.ACH, 4 : 0.73, 1 : TIEMPO, 4 : ERROR ASOCIADO A ACH
Y5 : C.HEA, 5 : 0.68, 1 : TIEMPO, 5 : ERROR ASOCIADO A HEA
Y6 : P.AMR, 6 : 0.72, 1 : TIEMPO, 6 : ERROR ASOCIADO A AMR
Y7 : T.TTP, 7 : 0.60, 2 : TIEMPO, 7 : ERROR ASOCIADO A TTP
Y8 : C.CCP, 8 : 0.79, 2 : TIEMPO, 8 : ERROR ASOCIADO A CCP
Y9 : P.TPP, 9 : 0.48, 3 : TIEMPO, 9 : ERROR ASOCIADO A TPP
Y10 : C.CPEP, 10 : 0.61, 3 : TIEMPO, 10 : ASOCIADO A CPEP ERROR

3.7 Publicacin
Agregado al trabajo de investigacin realizada, se presentan los resultados
obtenidos de dicha investigacin para darlos a conocer, a travs de la publicacin
en un Journal el cual est relacionado con el tema de investigacin, esto implica
una problemtica en la cual se debe de investigar y localizar el medio apropiado
en el cual los resultados puedan ser transmitidos con el propsito de reforzar

31
dichos conocimientos, que estn disponibles y sean de utilidad para
investigaciones futuras, ya sea del mismo investigador o investigadores ajenos a
este artculos presentado.

La presentacin de la publicacin de resultados requiere la implementacin de

grficas y diagramas con las cuales se expresan de una manera mejor los
posibles descubrimientos del investigador, lo que tambin implica una planeacin
cronolgica de las actividades de redaccin y edicin, para cumplir con las
especificaciones que el Journal requiera.

Congreso Journals Jurez 2016

Para este trabajo de residencias se realiz una bsqueda de distintos sitios y

publicaciones los cuales sean apropiados para presentar los resultados obtenidos
de la investigacin; para esto se requiri de adaptar los procedimientos y
resultados utilizados a los formatos de contenido en el cual se realizan las
consecuentes ediciones y aprobacin del documento redactado.

Las siguientes figuras representan el sitio del Journal elegido para realizar las
publicaciones de los resultados, y que adems se utiliza para la entrega del
extenso pedido por el Journal, algunos de los pasos a seguir y un ejemplo de la
publicacin en el formato solicitado.

32
 Figura 3.7 Registro Congreso Journals Jurez 2016

A continuacin se ilustran el formato en el que este portal hace la recepcin de

distintos documentos para publicacin. Hay ciertas especificaciones cumplir con
caractersticas en cuanto a bibliografa, orden y nomenclatura adems de formatos
de fuente para la redaccin del artculo.

Figura 3.8 Documentacin elaborada para entrega en Academia Journals Congredo Ciudad Jurez 2016

33
En las siguiente imagine estn sealados los datos ms importantes que se
introdujeron para asignar un nmero de registro a la publicacin, entre los cuales
se encuentran el ttulo del proyecto, los autores y coautores, la institucin que
resguarda la investigacin, la informacin de contacto del autor, as como el
alcance de la publicacin, la importancia, el enfoque, los resultados y las
conclusiones, as como el rea especfica en la que se desarrolla la investigacin.

Figura 3.9 Documentacin para el seguimiento en edicin del artculo en Academia Journals 2016 Congreso Ciudad
Jurez adaptacin

Es importante sealar que el artculo anterior fue presentado en el congreso

desarrollado los das 25 al 29 de abril del 2016 en Cd. Jurez, Chihuahua, Mxico,
y publicado en el portal de Internet AcademiaJournals.com, con ISSN 1946-5351
Online, con registro ISBN 978-1-939982-19-3, mismo lleva cdigo de barras.

34
4. CONCLUSIONES Y RECOMENDACIONES
La metodologa Meta-Anlisis (MA) se propone como piedra angular para hacer
acopio de informacin, como artculos Journals, bibliografa, sitios web, tesis
doctorales, etc., tambin el MA sirve para evaluar qu informacin es til y cual no
para sta investigacin llamndose la estrategia como fase de sensibilidad para la
inclusin y exclusin de informacin. Por lo tanto este trabajo implica mayor
investigacin desde identificar inicialmente los criterios de xito o metas y los
factores crticos implcitos en el modelo a desarrollar, hasta que el modelo incida
como gua representativa para la gestin exitosa de los proyectos industriales.

El objetivo de esta investigacin fue aplicar las herramientas estadsticas

describiendo, midiendo, analizando y evaluando investigaciones relacionadas con
factores crticos para la satisfaccin del cliente en el xito de proyectos industriales
que se generan al trmino de la aplicacin de herramientas estadsticas. Para
tratar de definir los factores crticos ms importantes a considerar al momento en
que se inicia una investigacin del ramo industrial se puede considerar como
primera parte que se logr definir un modelo basado en una profunda
investigacin de esta metodologa del MA lo que nos llev a la evaluacin de
artculos relacionados con proyectos de la industria los cuales se evaluaron con
los factores crticos que se encontraron definidos en investigaciones pasadas las
cuales utilizaron como base la metodologa Meta-Anlisis para su elaboracin, por
lo que se puede concluir que el objetivo general ha sido cumplido, ya que se
encontraron los factores crticos que se tienen que considerar para la satisfaccin
del cliente en el xito al momento de desarrollar algn proyecto en la industria del
ramo industrial.

Al utilizar las herramientas estadsticas se compararon los factores crticos

evaluados en investigaciones pasadas, con los factores crticos que se obtuvieron
es esta investigacin los cuales son notorios que los factores crticos siguen
35
siendo los ms utilizados el ramo industrial. La investigacin aun no presenta
conclusiones contundentes ya que est en vas de desarrollo.

La siguiente ilustracin nos demuestra la configuracin grafica en SEM del modelo

propuesto.

Figura 4.1 Cargas de Regresin entre Factores Crticos y Criterios de xito de los Proyectos.

Para este modelo se obtuvieron los siguientes ndices de ajuste, que se muestran
en las tablas:

36
 Tabla 21 Valor P

Model NPAR CMIN DF P CMIN/DF

Default model 23 47.986 32 0.035 1.5
Saturated model 55 0 0
Independence model 10 681.787 45 0 15.151

Asumiendo que el modelo por defecto es correcta, la probabilidad de obtener una

discrepancia tan grande como 47.986 es 0.035, muestra estar en el rango de un
estudio efectivo.
Tabla 22 CFI Lnea Base de Comparaciones (Comparaciones de Referencia)

NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model 0.93 0.901 0.975 0.965 0.975
Saturated model 1 1 1
Independence
0 0 0 0 0
model

Valor CFI (ndices de ajuste) CFI = 0,975 para el modelo predeterminado, este
excede el rango donde se indica un ajuste bueno de forma razonable.
Tabla 23 RMSEA (Raz Cuadrada de la Media del Error de Aproximacin)

Model RMSEA LO 90 HI 90 PCLOSE

Default model 0.048 0.013 0.074 0.527
Independence
0.254 0.237 0.271 0
model

Valor RMSEA = 0,048 para el modelo predeterminado, que en este se encuentra

en el rango de una cercana proximidad de ajuste.
Estimate
PRESUPUESTO <--> TIEMPO 0.347
PRESUPUESTO <--> CALIDAD 0.902
TIEMPO <--> CALIDAD 0.462
Tabla 24 Correlaciones

37
En la tabla 13 se muestra las correlaciones entre las variables latentes en la cual
podemos apreciar que para PRESUPUESTO y TIEMPO se estimada la
correlacin en 0.347.
Tabla 25 Covarianzas

Par
M.I.
Change
e9 <--> TIEMPO 7.403 0.05
e3 <--> e8 4.434 0.037
e1 <--> e9 4.618 -0.069

En la tabla 14 encontramos las covarianzas arrojadas al realizar el estudio.

Tabla 26 Cargas de regresin

Estimate S.E. C.R. P Label

T.CEPO <--- PRESUPUESTO 1
C.PMC <--- PRESUPUESTO 1.005 0.114 8.837 *** par_1
P.PAA <--- PRESUPUESTO 1.011 0.12 8.393 *** par_2
P.ACH <--- PRESUPUESTO 1.075 0.119 9.012 *** par_3
C.HEA <--- PRESUPUESTO 1.035 0.121 8.544 *** par_4
P.AMR <--- PRESUPUESTO 1.094 0.123 8.909 *** par_5
T.TTP <--- TIEMPO 1
C.CCP <--- TIEMPO 1.096 0.319 3.441 *** par_6
P.TPP <--- CALIDAD 1
C.CPEP <--- CALIDAD 2.075 0.392 5.292 *** par_7

Para la tabla 15 podemos apreciar las cargas de regresin para el modelo con los
tres factores latentes con cada uno de los criterios y sus estimaciones
correspondientes.

38
 Tabla 27 Cargas de Regresin Estandarizadas: Modelo Propuesto

Estimate
T.CEPO <--- PRESUPUESTO 0.658
C.PMC <--- PRESUPUESTO 0.703
P.PAA <--- PRESUPUESTO 0.665
P.ACH <--- PRESUPUESTO 0.728
C.HEA <--- PRESUPUESTO 0.684
P.AMR <--- PRESUPUESTO 0.715
T.TTP <--- TIEMPO 0.6
C.CCP <--- TIEMPO 0.789
P.TPP <--- CALIDAD 0.477
C.CPEP <--- CALIDAD 0.613

39
5. COMPETENCIAS DESARROLLADAS Y/O APLICADAS

Habilidades para la correcta seleccin y clasificacin de informacin til para la

investigacin, desarrollo de instrumentos de medicin, clasificacin de datos
obtenidos en los resultados, habilidades y aptitudes para llevar a cabo una
investigacin, de acuerdo al mtodo cientfico y sus etapas, todo ello con la visin
y aplicacin de esto sobre un tema de inters, a travs de un objeto conceptual
planteado de investigacin, el cual en el campo de estudio fue probado, y con ello
obteniendo resultados estadsticamente demostrados.

40
6. REFERENCIAS BIBLIOGRFICAS Y VIRTUALES.

Alvira, S. (sbado, 12 de septiembre de 2015). la fisica que describe el universo.

Obtenido de la fisica que describe el universo:
http://lafisicaquedescribeeluniverso.blogspot.mx/2015/09/que-es-el-metodo-
cientifico.html
Arnau, J. (1995). Diseos longitudinales aplicados a las ciencias sociales y del
comportamiento. Mexico, D.F.: Limusa Noriega Editores.
Arribas, M. (2004) Diseo y validacin de cuestionarios. Matronas Profesin 2004;
Vol5, n17.

Cleland, D. K. (1968). Systems Analysis and Project Management . London, UK:

Mcgraw Hill Series in Management.
Coln, E.N. (2007) Tesis: Factores Organizacionales que Impactan en la aplicacin
Exitosa de Clulas de Manufactura. Instituto Tecnolgico de Ciudad Jurez

Companys, R. P. (1988). Planificacin y rentabilidad de proyectos industriales.

BArcelona Espaa: Marcombo Boixareu.
Hoyle, R. (2012). HANDBOOK OF STRUCTURAL EQUATIONS MODELING. New
York: The Guildford Press.
Hua, L.t. &. (03 de Nov de 2009). Cutoff criteria for fit indexes in covariance
structure analysis: Conventional criteria versus new alternatives. Obtenido
de http://www.tandfonline.com:
http://www.tandfonline.com/doi/abs/10.1080/10705519909540118?journalC
ode=hsem20
Ika, L. (2009) Project Succes as a topic in project management journals.

J.F.,R. (1982) The Changing Role Of Information Systems Executive Critical

Success Factors for Construction Projects. USA:ASCE Journal of Construction
Engineering and Managements.

Labb, K. y. (1987). Meta-analysis in clinical research. Ann Intern Med.

Likert, R. (1932). A technique for the measurement os attitudes. New York:
Archives of Psychology R.S. Woodworth, New York University. .
Mendenhall, W. (2006) Introduccin a la Probabilidad y Estadstica. Mxico, D.F
41
Miranda Miranda, J. J. (2004). El desafo de la gerencia de proyectos. Bogota D.C.
Colombia: MM Editorez.
Ocaa, J. A. (2012). Gestin de proyectos con mapas mentales. Volumen I. San
Vicente (Alicante) Espaa: Editorial Club Universitario.
Rodrguez Zoya, L. R. (12 de 03 de 2014). http://polis.revues.org/. Obtenido de
www.polis.revues.org/: https://polis.revues.org/10568
Rodrguez, N. M. (1998). Planificacin Y Evaluacin de Proyectos Informticos.
San Jos, Costa Rica: editorial universidad estatal a distancia.
Romo, P. y. (1997). Correlacin y regresin, Introduccin a la Estadstica para las
Ciencias Sociales. interamericana de Espaa: Mc Graw Hill.
Soret Los Santos, I. (2007). Modelo de medicin de conocimiento y generacin de
ventajas competitivas sostenibles en el hambito de la iniciativa <<respuesta
eficiente al consumidor>>. MAdrid, Espaa: Univercidad Rey Juan Carlos.
Vidal, J. A. (2004). La gestin del conocimiento como motor de la innovacin.
Castelln, Espaa: Universitat Jaume I.
www.ijarse.com. (23 Enero 2016). Obtenido de www.ijarse.com:
http://www.ijarse.com/index.php

42
Anexos

43
ENCUESTA EXPLORATORIA PARA EVALUAR LA SATISFACCIN DEL
CLIENTE EN EL XITO DE LOS PROYECTOS INDUSTRIALES TERMINADOS.

Datos generales
Fecha:____________________________________________________________
Nombre: __________________________________________________________
Empresa:__________________________________________________________
Giro de la Empresa:__________________________________________________
Experiencia en ejecucin de proyectos: (aos)_____________________________
Puesto que desempea actualmente____________________________________
Objetivo de la encuesta: Es conocer el porcentaje aproximado del criterio de
xito del proyecto respecto a la satisfaccin del cliente.
Notas: Este cuestionario deber ser contestado slo por personas que hayan
participado en la ejecucin de los proyectos industriales, chicos, medianos o
grandes.
La evaluacin de los resultados estar disponible para todo participante que lo
solicite.
1. El proyecto fue monitoreado constantemente respecto al programa?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

2. Qu tan bien el administrador manej los recursos del proyecto?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

3. La comunicacin entre el equipo de trabajo fue precisa y oportuna?

44
0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%
demasiado

4. Qu tanto influye terminar a tiempo el proyecto en la satisfaccin del

cliente?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

5. Qu tanto influye cumplir con la calidad (especificaciones explcitas e

implcitas) del proyecto en la satisfaccin del cliente?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

6. Qu tanto influye terminar el proyecto con el presupuesto programado

en la satisfaccin del cliente?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

7. El administrador del proyecto tiene los conocimientos y habilidades para

dirigir el proyecto?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

8. Se utilizaron herramientas y equipo suficiente y adecuado para

desarrollar las tareas?

45
0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%
demasiado

9. El cliente particip en la ejecucin del proyecto?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

10. El proyecto fue apoyado por la alta gerencia?

0-20% nada 21-40% poco 41-60% suficiente 61-80% mucho 81-100%

demasiado

GRACIAS por su colaboracin, en esta investigacin.

46