1.

INTRODUCCIN

Al pasar de los aos se han venido desarrollando modelos, y diagramas que

tratan de apoyar la gestin y ejecucin de proyectos industriales, sin embargo
pasa el tiempo y por ende los modelos se convierten obsoletos ya que no cubren
las necesidades totales de cada uno de los proyectos, esto no significa que los
modelos descritos en este trabajo no hayan sido de utilidad.

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

factores crticos involucrados en un diagrama estructural para la gestin de
proyectos ya que la informacin consultada no precisa cuales son, por el
contrario los artculos sealan diversos conceptos lo cual amerita desarrollar una
investigacin para proponer cuales son los factores ms relevantes en un
diagrama de este tipo.

Se utilizaran herramientas estadsticas bsicas para la determinacin de los

factores crticos y conformar un diagrama preliminar que sirva de apoyo a los
administradores de proyectos industriales.

Se recurre a la utilizacin de diagramas para la gestin de proyectos industriales

ya que estos sealan grficamente las relaciones e interconexiones, niveles
jerrquicos y estratificacin. Tambin recurrir 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.

Las caractersticas fundamentales de las herramientas estadsticas radican en

que nos permiten enfocar la resolucin de problemas utilizando una base
racional en lugar de una intuitiva a la hora de tomar decisiones. Adems
proporciona un lenguaje comn para discutir los hechos y sientan las bases para

1
una mejora continua, as como de individualizar las causas de variaciones
comunes y especiales. Organizacin de factores a travs de frecuencias tales
como anlisis de datos ordinales y nominales adems covarianza y correlacin.

El Departamento de Ingeniera Industrial del Instituto Tecnolgico de Ciudad

Jurez, publica pocos artculos relacionados con la Ingeniera Industrial a nivel
Nacional e Internacional, y se requiere fortalecer a dicho departamento con ms
publicaciones a nivel Nacional participando como coautor y siendo estudiante del
departamento ya mencionado. Adems llevar a cabo la investigacin de los
factores crticos de los modelos estructurales que apoyan a la gestin y
ejecucin de proyectos industriales y as determinar la relacin estadstica de los
factores ms importantes del modelo para cumplir con xito la gestin de los
proyectos industriales.

Las publicaciones de artculos es uno de los rubros que califican las

dependencias externas al Instituto a cada uno de los departamentos y de los
profesores, por lo tanto la produccin acadmica es bien vista en las
evaluaciones al ITCJ.

1.1 ANTECEDENTES

1.1.1 Modelos Estructurales

El proyecto se desarroll en el Instituto Tecnolgico de Ciudad Jurez en apoyo

a la Investigacin Modelo Para la Gestin de Proyectos Industriales.

A continuacin se muestran los modelos de gestin de proyectos en las

siguientes figuras. Los objetivos de un proyecto que se lleva a cabo se definen
generalmente en trminos de rendimiento tcnico, presupuesto y horario. El
xito del proyecto debe ser medido en el plazo asignado, dentro del costo

2
presupuestario, recursos de acuerdo al desempeo o la especificacin y
aceptado por el cliente. (Kerzner, 1992).

En la figura 1.1 curiosamente, este tringulo "bsico" fue adoptado por el

profesor H. Kerzner como la chaqueta o cubierta de su libro "Gestin de
Proyectos: Un Enfoque de Sistemas de Planificacin, Programacin y Control.
(Kerzner, 1989).

Figura 1.1 Chaqueta o cubierta de Kerzner

La creacin del Instituto de Administracin de Proyectos (PMI, por sus siglas en

ingls, Project Management Institute) en 1969, ha fortalecido an ms la gestin
de proyectos. Sus directrices y el cuerpo del conocimiento de la gestin de
proyectos (PMI, 1987).Tambin conocido como PMBOK aboga firmemente por la
importancia de la planificacin de proyectos.

Numerosos estudios empricos de xito de gestin de proyectos y factores

sugieren la planificacin como uno de los principales contribuyentes al xito del
proyecto. (Dvir y Lecher, 2003). Por ejemplo en la figura 1.2 se ilustra la
complejidad de los factores involucrados o afectados por un proyecto de
construccin como edificios de gran tamao, un complejo de oficinas o una
torres habitacional. (Wideman, 2003).

3
 Figura 1.2 La gestin de proyectos de construccin en un entorno corporativo.

En primer lugar, una rueda que consta de nueve radios que representan:
Requisitos del proyecto; Opciones de organizacin, Equipo del proyecto;
Planificacin de proyectos, Oportunidades y riesgos, Control de proyectos, La
visibilidad del proyecto; Estado del Proyecto, y Acciones correctivas. El borde, el
liderazgo del proyecto.

En la figura 1.3 los miembros de la International Project Management

Association ("IPMA") en Europa an estn desarrollando el contenido de la
gestin de proyectos. Sin embargo, la gran dificultad se encuentra en tratar de
llegar a un acuerdo sobre la relacin de la estructura que consta de 28
elementos, el "Sun Wheel", fue publicado alrededor de 1996. (Wideman, 2003).

4
 Figura 1.3 La rueda del sol IPMA.

En la discusin de la Figura 1.4 el documento 1987 PMBOK observa que existe

una necesidad definida de solapa en los diversos rganos de conocimientos,
como se indica en la figura. Es decir, los directores de proyectos y sus equipos
tienen una gran necesidad de una experiencia en la gestin general, as como
conocimientos y experiencia considerables en la tecnologa en particular del
proyecto. El texto de apoyo del PMBOK se describe algunas de las disciplinas
correspondientes. (Wideman, 2003).

5
 Figura 1.4 El mbito de la Direccin de Proyectos del conocimiento

A medida que las empresas crecen, aparece la burocracia y empieza un

proceso de contribucin de imperios para proteger prebendas y territorios.
Despus de algn tiempo el funcionalismo llega a ser un fin y el propsito y la
misin de la empresa pierde en la confusin.

La Tpmgt, las unidades operativas (que pueden ser productos, unidades de

servicio, grupos de clientes o divisiones) realizan el anlisis de TPM para
enfocar la atencin de la administracin en temas importantes desde el punto de
vista del cliente. La Tpmgt. (como un concepto sistemtico), ve a los clientes
dentro de un concepto muy amplio.

La Tpmgt tiene como una de sus principales caractersticas su habilidad para

reunir e integrar elementos y subsistemas necesarios, no solo en sentido fsico,
sino tambin en sentido filosfico, como se muestra en la figura 1.5. (Sumanth,
2004)

Figura 1.5 Vista Sistemtica de la Cadena de Pensamiento Del Cliente

6
El objetivo prioritario es conseguir una accin del equipo de gestin coherente
efectiva y flexible. El siguiente diagrama muestra las potenciales fases de la
accin del equipo de gestin a travs del tiempo. El Equipo de Gestin trabaja
principalmente en la fase de Ejecucin y el objetivo de sta herramienta no es
slo acercar al equipo lo ms posible a sta fase sino proveerle de una
metodologa para mantener su trabajo bajo condiciones ideales. Diversos
acontecimientos pueden perturbar el trabajo del equipo (aumento del tamao de
la empresa, consecuentemente aumento de trabajo, jubilaciones o nuevo
personal, fracaso en proyectos especficos, etc.), como se muestra en la figura
1.6. (Faloh, 2005)

Figura 1.6 Diagrama Fases Operativas del Equipo de Gestin.

La multidisciplinariedad inherente al estudio de la gestin del conocimiento

supone la existencia de diferentes perspectivas para el desarrollo y el estudio de

7
los sistemas y modelos de gestin del conocimiento. Almacenamiento, acceso y
transferencia de conocimiento: modelos que no suelen distinguir el conocimiento
de la informacin y los datos y que lo conciben como una entidad independiente
de las personas que lo crean y lo utilizan. Este tipo de modelos de GC se
centran en el desarrollo de metodologas, estrategias y tcnicas para almacenar
el conocimiento disponible en la organizacin en depsitos de fcil acceso para
propiciar su posterior transferencia entre los miembros de la organizacin.

Intentan promover cambios de actitudes, fomentar confianza, estimular la

creatividad, concienciar sobre la importancia y el valor del conocimiento,
promover la comunicacin y la colaboracin entre los miembros de la
organizacin, como se muestra en la figura 1.7. (Rodrguez, 2006).

Figura 1.7 Tipologa de modelos para la GC

Tambin en general, se desprende la necesidad de disponer de un equipo que
no busque la confrontacin y si el encuentro. Sus actualizaciones siempre han
de venir mediatizadas por el hecho de que est controlado a un conjunto de
profesionales que han sido escogidos por su capacidad y, han pasado la prueba
de una seleccin lgica. Son, por tanto, los ms idneos para el cliente, que por

8
cierto es el mismo que el de la GPU. As que resulta conveniente que su
actuacin se vea siempre ms como un apoyo y soporte a un control. Y sobre
todo como un impulso de medidas y actitudes tales que favorezcan la
consecucin de los objetivos del cliente.

La GPU tambin deber intentar controlar o al menos influir en las actuaciones

de otros actores, en principio ajenos a la misin proyectual, en sus objetivos
fundamentales, como son las autoridades pblicas, empresas de servicios, etc.,
sobre los que, adems, no tiene ninguna influencia directa, pero que la suya en
el proyecto s puede ser importante, y en ocasiones trascendental. De hecho,
incluso el gestor ha de buscar objetivos comunes con ellos que permitan
avanzar de forma conjunta. El ritmo y carcter del a visin que se tiene de la
GPU, depender, sin duda del talante y capacidades tcticas del gestor
designado como director del encargo, como se muestra en la figura 1.8. (Serer,
2006).

Figura 1.8 Universo de la Gestin.

9
Los problemas tecnolgicos de una organizacin tienen que ver con sus
necesidades de equipos, dispositivos, materiales, procedimientos; as como de
Investigacin y desarrollo. De hecho, la GT se realiza para desarrollar todas
aquellas competencias que la organizacin requiere para mejorar su
desempeo. Esto incluye el manejo de su capital Intelectual, y la habilidad para
la formacin de equipos de trabajo y para administrar las tecnologas de equipo,
de producto y de proceso disponibles.

El modelo presentado tiene una visin lgica y prctica de la forma en la que el

Gerente de Tecnologa (GdT) debe llevar a cabo estas actividades para
administrar y optimizar el patrimonio tecnolgico (PT) con que cuenta la
organizacin. El PT es el conjunto de tecnologas fsicas y humanas; es decir,
capital intelectual, con que cuenta la organizacin. La propuesta indica que el
GdT debe partir desde el establecimiento del inventario del capital tecnolgico,
pasando por etapas de vigilancia, evaluacin, enriquecimiento, asimilacin, y
hasta los procedimientos de proteccin del mismo.

Muchas organizaciones no cuentan con un GdT como tal, por lo que estas
funciones las realizan implcitamente dentro de sus funciones el Director de
Ingeniera, los Superintendentes Tcnicos o inclusive los ingenieros o tcnicos
de proceso. Para la prctica de la GT se requiere un profundo conocimiento
tcnico general y de los procesos propios de la organizacin y de habilidades y
conocimientos administrativos. Figura 1.9. (Vega, 2006).

Figura 1.9 Actividades de la Gestin Tecnolgica Organizacional

10
Si los procesos son efectivos y su gestin tambin, el conjunto debe acercar a la
organizacin a los resultados esperados; pero si falla el diseo de los procesos o
su gestin no habr control alguno sobre la medicin del logro de los resultados.

Esto confirma que los resultados se obtienen en funcin de procesos siempre

que los procesos estn alineados con la principal estrategia de la organizacin y
que esta estrategia sea suficientemente slida y posible. Si no hay articulacin
de estas dimensiones no es posible avanzar en la implementacin de un modelo
de gestin ni gestionar los procesos de modo sostenido (figura 1.10).

La figura 1.10 ilustra los distintos componentes que gravitan en torno a la

adopcin de un modelo de gestin por procesos. La orientacin de este modelo
es, por un lado, hacia equilibrar las dimensiones de la estructura y la estrategia
de la organizacin y, por el otro, a alinear los procesos a la principal estrategia
de la organizacin de modo que su gestin se consolide progresivamente, no
solo en el nivel de la toma de decisiones sino tambin en el de las dimensiones
ms operativas dentro de la organizacin, incluyendo los procedimientos y las
operaciones que tienen a su cargo las reas administrativas y de apoyo. (Del
Castillo y Vargas, 2009).

11
 Figura 1.10 Grfico de Modelo de gestin, gestin por procesos y direccin de organizaciones.
Las mejores prcticas estn completamente alineadas con todos los otros
estndares del PMI, incluyendo la Gua de los fundamentos para la direccin de
proyectos (Gua del PMBOK)- cuarta edicin, El estndar para la gestin del
programa-segunda edicin y el estndar para la gestin del portafolio-segunda
edicin.

Las Mejores Prcticas delOPM3 tambin son compatibles con otros estndares
globales que se relacionan con proyectos, programas y portafolios. OPM3
incluye algunas mejores prcticas alineadas con el Marco de Desarrollo de
Competencias del Gerente de Proyecto (PMCDF).El OPM3 es un marco
constituido por tres componentes interrelacionados: Mejores Prcticas;
Capacidades y Resultados, todos dentro de los dominios del portafolio,
programa y gestin de proyectos. Mejores prcticas SCMI (Estandarizar, medir,
controlar y mejorar de forma continua. Habilitadores organizacionales de
mejores prcticas (estructural, cultural, tecnolgico y recurso humano).

Las Mejores Prcticas SMCI son clasificadas por grado de mejoramiento del
proceso dentro de los dominios de la gestin de proyectos portafolio y programa.

12
Los Habilitadores Organizacionales de Mejores Prcticas (OE) apuntan la
implementacin de Mejores Prcticas SMCI, como se muestra en la figura 1.11.
(Arce y Lpez, 2010).

Figura 1.11 Figura PMI Global Standard OPM3.

El esquema de la figura 1.12 se refiere a muchos de los inconvenientes en la

literatura. Se agruparon los factores en cuatro reas:

Factores relacionados con el proyecto.

Factores relacionados con el director del proyecto y el equipo miembros.
Factores relacionados con la organizacin.
Los factores relacionados con el ambiente externo.

Como puede verse en la figura 1.12 los grupos estn relacionados entre s. Un
factor en un grupo puede influir en un factor en otro grupo, y una combinacin de
varios factores de los diversos grupos podra llevar al fracaso del proyecto. Del
mismo modo, la singularidad de las actividades del proyecto puede afectar a la
competencia del director del proyecto en el trabajo. La falta de apoyo de la
direccin junto con la falta de la competencia en el trabajo del jefe de proyecto
podra conducir al fracaso del proyecto. Una de las ventajas de la agrupacin de
los factores de esta manera es que a pesar de que podra ser difcil identificar

13
los factores de xito especficas para determinadas industrias u organizaciones,
puede ser que sea ms fcil de identificar si el xito o el fracaso est relacionado
con el director del proyecto o al proyecto y/o factores externos.

Tenga en cuenta que estos cuatro grupos ofrecen un conjunto integral en que
cualquier factor enumerado en la literatura, o incluso puntos especficos de
consideracin, debe pertenecer a al menos un grupo. El marco se sugiere aqu
no slo trae ventajas al agrupar los factores crticos, pero tambin ayuda a los
gerentes a comprender las intra-relaciones entre los factores en los diferentes
grupos. Por ejemplo, en la literatura de la disponibilidad de recursos se
considera que es un factor necesario para la finalizacin con xito de los
proyectos. Aqu, sin embargo, se sugiere que la disponibilidad de recursos es
una respuesta del sistema a los factores organizativos, ambientales y de
proyectos relacionados con la gestin, tales como la parte superior tales como el
apoyo de la direccin, habilidades de negociacin del gestor de proyectos y la
situacin econmica general.

Esto ayudar a los administradores de proyectos a evaluar y supervisar sus

proyectos con mayor precisin. Del mismo modo, la competencia jefes de
proyecto es un factor crtico que afecta a la planificacin, programacin y
comunicacin. Por lo tanto, una planificacin, la programacin y la comunicacin
no son realmente factores, pero los efectos inmediatos de los factores
relacionados con un jefe de proyecto, como su capacidad de gestin, la
competencia y la formacin tcnica. El uso de este marco, los jefes de proyecto
pueden observar fcilmente estas relaciones causa-efecto. Adems, pueden
adaptarse fcilmente esto. (Belassi y Tukel, 1996).

14
 Figura 1.12 Factores de xito en un proyecto Belassi y Tukel.

Otras caractersticas que el modelo de la figura 1.13 incluyen son: un propsito

continuo o misin que da lugar a las expectativas; un grado de conectividad
entre los componentes; un entorno con el que interacta el sistema; lmites que
separan el sistema a partir de su sistema ms amplio y el sistema ms amplio
desde el entorno, los recursos, y una cierta garanta de continuidad. El FSM por

15
sus siglas en ingls (Formal System Model) ha sido utilizado con xito durante
un largo perodo de tiempo para investigar fallos. La forma en que se utiliza es
conceptualizar una situacin como un sistema y luego comparar el sistema
resultante con el FSM con el fin de determinar el grado en que los componentes,
enlaces y otras caractersticas necesarias para la actividad con propsito sin
fallo estn presentes. Tales comparaciones entre una amplia gama de proyectos
han puesto de manifiesto una serie de temas comunes.

Estos incluyen:

1. Las deficiencias en la estructura organizativa aparente del sistema, tales

como la falta de un subsistema de medicin de rendimiento o un control /
subsistema de toma de decisiones.

2. No se realizarn manifestaciones claras de los objetivos suministrados en una

forma comprensible para el sistema desde el sistema ms amplio.

3. La falta de un medio eficaz de comunicacin entre los distintos subsistemas.

4. Insuficiente consideracin teniendo especialmente en cuenta la influencia del

medio ambiente y los recursos suficientes para hacer frente a los trastornos
ambientales que se haban previsto.

5. Un desequilibrio entre los recursos aplicados a los procesos de

transformacin bsicos y los asignados a la monitorizacin relacionada con los
procesos de control y, quizs lo que conduce en un extremo a los problemas de
calidad y en el otro a los aumentos de costos o retrasos. (Fortune y White,
2005).

16
Figura 1.13 the Formal System Model de J. Fortune y D. White.

17
 Debe sealarse que el modelo de tendencia lineal y el modelo de variacin
estacional son ampliamente utilizados en los problemas de previsin y que la
teora detrs de ellos est bien establecida Johnson y Montgomery en 1974. No
les estamos presentando como flamantes ideas, sino como conceptos que son
relevantes en la planificacin de los cambios de productividad en periodos
futuros. Nuestro propsito en la inclusin es ilustrar un enfoque o una gua
bsica para facilitar un planificador de productividad cuando l o ella se
enfrentan a un conjunto de datos de productividad que presenta una tendencia
particular. (Sumanth, 1994).
(Belassi y Tukel, 1996) agrupan los factores de xito mencionados en la
literatura y se describe el impacto de estos factores en el desempeo del
proyecto. Se agrupan los factores en cuatro reas:

Factores relacionados con el proyecto.

Los factores relacionados con los gestores del proyecto y los miembros del
equipo.
Los factores relacionados con la organizacin.
Factores relacionados con el medio externo.

"En estudios previos, se supone que si el tiempo de finalizacin de un proyecto

excediendo su fecha de vencimiento, presupuesto, los resultados no satisficieron
a una empresa determinada en los criterios de rendimiento, el proyecto fue
asumido como un fracaso. Hoy sabemos que determinar si un proyecto es un
xito o el fracaso es mucho ms compleja. Para llegar a todos los posibles
factores crticos que podran afectar el resultado es imposible debido a la
diversidad de proyectos.

18
Tabla 1.1 Siete listas de factores crticos de xito desarrollados y tabulados por
(Belassi y Tukel en 1996).

Baker,
Sayles and Murphy Pinto and Morris and
Martin Lock Cleland and
Chandler and Slevin Hough
(1976) (1984) King (1983)
(1971 Fisher (1989) (1987)
(1983)
Definir los Conocer Resumen Director del Objetivos Apoyo de la Los objetivos
objetivos, el del proyecto de claros, direccin, del proyecto.
compromi proyecto, la
Seleccin so del competencia, Objetivo el Consulta de Incertidumbr
de la proyecto, Concepto programaci compromis Cliente , e de la
filosofa del autoridad operativo, n, o del innovacin
proyecto del equipo del Contrataci tcnica.
organizacio proyecto Apoyo de la Sistemas de proyecto n de
nal, desde la direccin, control y personal, Polticas
parte responsabilid el director
General de superior, Apoyo ades, del Tareas Participacin
apoyo a la financiero, proyecto tcnicas, de la
gestin, Nombrar Seguimiento aceptacin comunidad
un Requisitos y Financiaci del cliente
Organizar y gerente de logstica, retroalimenta n para la Calendario
delegar la competen cin, finalizacin Seguimient de la
autoridad, te de Servicio de oy duracin de
proyecto apoyo, Participacin Adecuada retroaliment la urgencia
Seleccionar Inteligencia continua en capacidad acin,
equipo del Configura de mercado el proyecto, de Los
proyecto, cin de la (que es el proyecto comunicaci problemas
comunica cliente), de equipo n, financieros
Asignar cin y Solucin de de contrato
recursos procedimi Cronogram Costo problemas, legal
suficientes, entos, a del inicial y
proyecto, estimacion Caractersti
Garantizar Establece Desarrollo y es cas del lder
el control y r formacin precisas del equipo
mecanismo mecanis Mano de del
s de mos de obra, Planificaci proyecto,
informacin, control Organizaci n y
(horarios) n, control de Poder y la
Planificaci Adquisicin. las poltica,
n y revisin Reunione Informacin tcnicas,
s de , Tarea Eventos
seguimie comunicaci (frente a la medio
nto. n, orientacin ambiente,
revisin del social), urgencia
proyecto Ausencia
de
burocracia

19
 1.1.2 Modelo de Ecuaciones Estructurales.

El modelo de ecuaciones estructurales (SEM por sus siglas en Ingles, Structural

Equation Model). Los modelos de ecuaciones estructurales son una familia de
modelos estadsticos multivariantes que permiten estimar el efecto y las
relaciones entre mltiples variables. Los modelos de ecuaciones estructurales
nacieron de la necesidad de dotar de mayor flexibilidad a los modelos de
regresin. Son menos restrictivos que los modelos de regresin por el hecho de
permitir incluir errores de medida tanto en las variables criterio (dependientes)
como en las variables predictoras (independientes). Podra pensarse en ellos
como varios modelos de anlisis factorial que permiten efectos directos e
indirectos entre los factores. Matemticamente, estos modelos son ms
complejos de estimar que otros modelos multivariantes como los de Regresin o
Anlisis factorial exploratorio y por ello su uso no se extendi hasta 1973.

La metodologa de Modelos de Ecuaciones Estructurales es un rea de la

estadstica en desarrollo siendo muy joven frente a los modelos de regresin o el
anlisis factorial. SEM tiene un carcter ms confirmatorio que exploratorio; se
parte de una hiptesis, tericamente pertinente en el contexto de inters. Una
gran cualidad de este enfoque es su capacidad de elaborar constructos que
estiman las variables latentes en funcin de algunas variables medibles.
(Silva/Schiatino, 2008).

La gran ventaja de este tipo de modelos es que permiten proponer el tipo y

direccin de las relaciones que se espera encontrar entre las diversas variables
contenidas en l, para pasar posteriormente a estimar los parmetros que
vienen especificados por las relaciones propuestas a nivel terico. Por este
motivo se denominan tambin modelos confirmatorios, ya que el inters
fundamental es confirmar mediante el anlisis de la muestra las relaciones

20
propuestas a partir de la teora explicativa que se haya decidido utilizar como
referencia.

1.1.3 Tipos de variables

En un modelo estructural se distinguen distintos tipos de variables segn sea su

papel y segn sea su medicin.

Variable observada o indicador. Variables que se mide a los sujetos. Por

ejemplo, las preguntas de un cuestionario.

Variable latente. Caracterstica que se deseara medir pero que no se puede

observar y que est libre de error de medicin. Por ejemplo, una dimensin de
un cuestionario o un factor en un anlisis factorial exploratorio.

Variable error. Representa tanto los errores asociados a la medicin de una

variable como el conjunto de variables que no han sido contempladas en el
modelo y que pueden afectar a la medicin de una variable observada. Se
considera que son variables de tipo latente por no ser observables directamente.
El error asociado a la variable dependiente representa el error de prediccin.

Variable de agrupacin. Variables categricas que representa la pertenencia a

las distintas subpoblaciones que se desea comparar. Cada cdigo representa
una subpoblacin.

Variable exgena. Variable que afecta a otra variable y que no recibe efecto
de ninguna variable. Las variables independientes de un modelo de regresin
son exgenas.

Variable endgena. Variable que recibe efecto de otra variable. La variable

dependiente de un modelo de regresin es endgena. Toda variable endgena
debe ir acompaada de un error.

21
Un modelo de ecuaciones estructurales puede representarse por medio de un
diagrama de trayectorias y un sistema de ecuaciones. En general, es
recomendable comenzar por representarlo grficamente, lo cual facilita la
escritura de las ecuaciones que describen a dicho modelo. Existe un consenso
para la representacin de estos modelos. As, una variable observada se
expresa por medio de un cuadrado o rectngulo, una variable latente con un
crculo o elipse, y la asociacin y la correlacin entre dos variables se
manifiestan por medio de una flecha unidireccional () y bidireccional (),
respectivamente. Las variables dependientes son fcilmente identificables:
reciben al menos una flecha. De las independientes slo salen flechas, pero no
entran (Manzano, 2009).

Tabla 1.2 Notacin bsica del SEM.

Smbolo
Variable expresado en Descripcin
forma matricial
Y Y Variable observada dependiente

X X Variable observada independiente

Coeficiente entre una variable observada o entre

una variable latente y una observada
Error asociado a Y

Error asociado a X

Variable latente independiente

Variable latente dependiente

Error asociado a

B Coeficiente entre variables latentes dependientes

Coeficiente entre una variable latente

independiente

22
 Matriz de covarianza asociada a

Figura 1.14 Ejemplo de modelo de ecuaciones estructurales.

1.2 DEFINICION DEL PROBLEMA

La teora de administracin de proyectos es un campo muy amplio y extenso, sin

embargo no se ha encontrado un modelo que muestre como desarrollar una
gestin exitosa de los proyectos industriales. Se aborda un tema de
investigacin con los factores importantes en la gestin de proyectos.

Se recurre a la utilizacin de diagramas para la gestin de proyectos industriales

ya que estos sealan grficamente las relaciones e interconexiones, niveles
jerrquicos, estratificacin. Tambin se recurre a los artculos que mencionen las
relaciones entre los factores y criterios involucrados en los proyectos.

En la literatura consultada tampoco mostro un modelo especfico ni un modelo

comparativo sealando cul es el mejor entre ellos.

1.3 HIPOTESIS

H1: Los factores crticos no estn determinados con precisin en los modelos de
gestin de proyectos industriales.

23
 H2: No se localizaron modelos estructurales comparativos con sus relaciones
correspondientes entre factores y criterios.

1.3.1 PREGUNTAS DE INVESTIGACION

1. Cules son los factores crticos que conforman los modelos de gestin de
proyectos industriales?
2. Cules son los modelos estructurales que muestren relaciones entre factores y
criterios?

1.4 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 xito 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.

1.3.1 Objetivo General.

Encontrar un modelo estructural inicial que muestre las relaciones existentes

entre los factores crticos y los criterios ms importantes que influyen en la
gestin de proyectos industriales.

1.3.2 Objetivo Especfico.

Se pretende llevar a cabo la investigacin con la aplicacin de las herramientas

estadsticas pertinentes para la evaluacin de la diversidad de resultados de los

24
artculos ms importantes sealados por la metodologa meta-anlisis esto a
travs de la utilizacin de software estadstico.

Posteriormente con los modelos encontrados, determinar qu factores crticos

son los ms relevantes en los modelos estructurales para la gestin de
proyectos.

1.4 JUSTIFICACION

En los artculos seleccionados no se encontr un modelo estructural para

la gestin exitosa de los proyectos industriales y cules son los factores ms
relevantes para reducir el riesgo del fracaso y tener mayor confiabilidad en la
toma de decisiones.

Se dispone de diversos modelos estructurales y esquemticos para la

gestin de proyectos, sin embargo no se encontraron modelos estadsticos
comparativos con la medicin del xito total o parcial de la gestin del proyecto.

La determinacin de los factores de xito de los proyectos y su

modelaje es lo que compete a este trabajo y establecer las bases estructurales
para la gestin y administracin exitosa de dichos proyectos.

2. FUNDAMENTOS

25
 Esta seccin contiene los fundamentos bsicos de investigacin y los
fundamentos tericos relacionados con el modelado de ecuaciones estructurales
(SEM).

2.1 MODELADO DE ECUACIONES ESTRUCTURALES Y SUS BASES

CAUSALES

El rol de la causalidad en la investigacin de modelado de ecuaciones

estructurales (SEM) es extensamente percibido de ser, por una parte, de una

esencial importancia metodolgica y, por otra parte, ser confusa, enigmtica y

controversial. La confusin es vvidamente proyectada, por ejemplo, en el

reporte influencial de Wilkinson y la fuerza espacial (1999), mtodos

estadsticos en revistas de psicloga: Directrices y explicaciones. En discusin

con SEM, el reporte comienza con la advertencia usualLa correlacin no

prueba la causalidadpero despus, al final con una conclusin sorprendente:

El uso de un software complicado de modelado causal raramente produce algn

resultado que tenga alguna representacin como efectos causales.

2.2 LA LGICA DE SEM

SEM es un mtodo de inferencia que toma tres entradas y tres salidas. Las

entradas son:

1. Un conjunto A de supuestos causales cualitativos, que el investigador est

preparado para defender con evidencia cientfica, y un modelo MA que codifica

esos supuestos.

26
2. Un conjunto Q de interrogantes acerca de relaciones causales entre variables de

inters. Tradicionalmente Q se interesa en las magnitudes de coeficientes

estructurales pero, en modelos generales, Q abordar relaciones causales ms

directamente, por ejemplo:

a. Q1: Cul es el efecto del tratamiento X en la salida Y?

b. Q2: Es ste empleador culpable de la discriminacin de gnero?

3. Un conjunto D de datos experimentales y no experimentales, gobernados por

una distribucin de probabilidad presuntamente generada por un proceso

consistente con A.

Las salidas son:

1. Un conjunto de A* de declaraciones que son las implicaciones lgicas de A,

separadas de los datos en mano, por ejemplo, que X no tenga un efecto en Y si

Z se mantiene constante, o que Z es un instrumento relativo para {X,Y}.

2. Un conjunto C de reclamaciones basadas en datos referentes a las magnitudes

o verosimilitudes de las interrogantes objetivo en Q, cada una condicional a A.

3. Una lista T de implicaciones estadsticas comprobables de A, y los grados g(Ti),

Ti T, para los cuales los datos concuerdan con cada una de esas

implicaciones.

27
 Un modelo simple de ecuaciones estructurales, y sus diagramas asociados,

mostrando (a) variables exgenas independientes no observables (conectadas

por flechas punteadas), (b) variables dependientes exgenas, y (c) una notacin

equivalente, ms tradicional de la cual la variable latente est encerrada en

valos.

2.1 ESTRUCTURA DE UN ARTICULO CIENTIFICO

Tabla 2.1 Estructura de un artculo cientfico.

Es un documento cuyo objetivo es difundir de manera clara y precisa, en una extensin regular, los
resultados de una investigacin realizada sobre un rea determinada del conocimiento.
Generalmente, presenta los antecedentes de un estudio, su justificacin, la metodologa empleada,
los resultados obtenidos, los alcances del trabajo y sugerencias para investigaciones posteriores
relacionadas con la problemtica abordada.
Los elementos que contiene un artculo cientfico son: ttulo, autores, resumen, palabras claves,
introduccin, materiales y mtodos, resultados, discusin, conclusiones, reconocimientos,
referencias y apndices.
Contenido Descripcin Criterios de calidad
Debe ser atractivo para despertar el No debe contener: trminos que
inters de los lectores. necesiten aclaracin, abreviaturas
Ttulo Debe ser corto, conciso y claro. y formulas. Evitar que sea
demasiado largo, no menos de 10
palabras no ms de 15.
Sus nombres deben escribirse despus del El autor debe conocer las normas
ttulo de forma secuencial, separados por editoriales de la revista en la que
comas. Existe la convencin de escribir el desea publicar.
primer nombre completo seguido de la Generalmente se asume que el
Autores inicial del segundo y por ltimo el primer primer autor fue el que realiz la
apellido. mayor parte de la investigacin y
que es el productor de la idea.

28
 Este debe plantear los principales
objetivos y el alcance de la investigacin,
Resumen describir la metodologa empleada, resumir
los resultados y generalizar con las
principales conclusiones.
Utilizadas para describir claramente el
Palabras claves contenido, deben identificar el tema al cual
se refiere el artculo.
Es la primera seccin del texto
propiamente dicho, indica el contexto, los
Introduccin antecedentes, propsitos y/o objetivos del
estudio, el razonamiento lgico del mismo.
Materiales y Presenta Los procedimientos
mtodos metodolgicos empleados y el porqu de
su seleccin.
Presenta los hallazgos de la aplicacin de
las tcnicas estadsticas y/o
Resultados interpretativas, as como los grficos
correspondientes a la informacin
presentada.
Los principales componentes de esta
seccin, sugeridos por Robert A. Day, son
los siguientes: 1) Presentar los principios,
relaciones y generalizaciones extrados de
los resultados teniendo en mente que se
est discutiendo, no recapitulando. 2)
Sealar cualquier excepcin o falta de
Discusin y correlacin y definir los puntos sin resolver.
conclusiones 3) Mostrar cmo los resultados y las
interpretaciones personales estn de
acuerdo o contrastan con trabajos
previamente publicados. 4) Discutir las
implicaciones tericas de la investigacin,
as como las posibles aplicaciones
prcticas. 5) Establecer claramente las
conclusiones. 6) Resumir las evidencias
dadas para dichas conclusiones.
Se debe ser cortes con quien ha
colaborado a mejorar el estudio.
Reconocimiento
s datos, a leer el manuscrito y
Se enlista la bibliografa citada a lo largo
del trabajo en formato APA o MLA. Existen
diferentes estilos para organizar la lista,
Referencias algunos de ellos son: nombre y ao,
numeracin en orden alfabtico y
numeracin en orden de aparicin (Day,
50).
29
Normalmente van de 150 a 200
palabras. Los errores ms
frecuentes en la redaccin del
resumen son: no plantear
claramente la pregunta, ser
demasiado largo y detallado.
Evitar trminos muy especficos,
trminos muy genricos y
palabras vacas.
De una a cinco palabras.
No incluye resultados ni
conclusiones.
Debe expresarse con claridad,
congruencia y originalidad.
La metodologa debe ser
congruente al tipo de la
investigacin que se trata
Pensamiento reflexivo expresado
a travs de un lenguaje claro y
congruente
Debe incluir una seccin dedicada
a las conclusiones del trabajo. Las
conclusiones deben estar
justificadas por los datos
presentados. Evitar sacar ms
conclusiones de las que sus
resultados permitan.
Si alguien nos dio acceso a
materiales para probar hiptesis,
ayudo a discutir ideas, tomar
aporto crticas constructivas.
Se deben presentar por orden
alfabtico de primer autor. Deben
tener el mismo estilo. Las revistas
cientficas siempre indican el estilo
que se debe seguir.
 Son documentos que se adjuntan cuando Opcional.
Apndices. el autor requiere aclarar algn punto en
especfico.

2.2 FUNDAMENTO TEORICO

A continuacin se muestran las definiciones bsicas relacionadas con la

investigacin cientfica.

2.2.1 Hiptesis Cientfica.

Las hiptesis no necesariamente son verdaderas; pueden o no ser comprobarse

con hechos. Dentro de la investigacin cientfica, las hiptesis son proposiciones
tentativas acerca de las relaciones entre dos o ms variables y se apoyan en
conocimientos organizados y sistematizados.

Una hiptesis es una proposicin aceptable que ha sido formulada a travs de la

recoleccin de informacin y datos, aunque, no este confirmada, sirve para
responder de forma alternativa a un problema con base cientfica.

2.2.2 Estructuras de Investigacin Cientfica.

El autor Roberto Sampieri menciona la tabla 2.2 en la metodologa de la

Investigacin en 1997, en la tabla solo se mencionan algunos de los captulos
que se contienen.

Tabla 2.2 Metodologa de la Investigacin.

METODOLOGA DE LA INVESTIGACIN, 1997.
Hernndez, Sampieri Roberto
Introduccin
CAPITULO Cmo se originan las investigaciones?
UNO. La Idea: RESUMEN

30
 CONCEPTOS BSICOS
EJERCICIOS
Nace un BIBLIOGRAFA SUGERIDA
proyecto de EJEMPLO
investigacin
CAPITULO 2.1. Qu es plantear el problema de investigacin?
DOS. El 2.2. Qu elementos 2.2.1.Objetivos de investigacin
planteamiento contiene el 2.2.2.Preguntas de investigacin
del problema: planteamiento del 2.2.3.Justificacin de la investigacin
Objetivos, problema de 2.2.4.Viabilidad de la investigacin
preguntas de investigacin? 2.2.5.Consecuencias de la investigacin
investigacin y RESUMEN
justificacin del CONCEPTOS BSICOS
estudio EJERCICIOS
BIBLIOGRAFA SUGERIDA
EJEMPLO
CAPITULO 3.1. Cules son las funciones del marco terico?
TRES. La 3.2. Qu etapas comprende la elaboracin del marco terico?
elaboracin 3.3. En qu 3.3.1.Deteccin de la literatura y otros documentos
del marco consiste la revisin 3.3.2.Obtencin (recuperacin) de la literatura
terico: Revisin de la literatura? 3.3.3.Consulta de la literatura
de la literatura y 3.3.4.Estraccin y recopilacin de la informacin de
construccin de inters en la literatura
una perspectiva 3.4. Cmo se 3.4.1. Acepciones del trmino teora?
terica construye el marco 3.4.2. Cules son las funciones de la teora?
terico? 3.4.3. Cul es la utilidad de la teora?
3.4.4. Todas las teoras son igualmente tiles o
algunas teoras son mejores que otras?
3.4.5. Cules son los criterios para evaluar una teora?
3.4.6. qu estrategias seguimos para construir el
marco terico: adoptamos una teora o desarrollamos
una perspectiva terica?
3.5. Algunas observaciones sobre el marco terico.
3.6. Hemos hecho una revisin adecuada de la literatura?
RESUMEN
CONCEPTOS BSICOS
EJERCICIOS
BIBLIOGRAFA SUGERIDA
EJEMPLO
El autor Desiree Campo menciona la tabla 2.3 en la introduccin a la
investigacin en 1999.

Tabla 2.3 Introduccin a la Investigacin Cientfica.

INTRODUCCIN A LA INVESTIGACIN CIENTFICA, 1999
Senz ,Campo Desire, Tinoco Mora Zahira
1.- Introduccin
2.-Investigacin cientfica
3.-Valoracin inicial de un planteamiento
4.-Planteamiento del tema de investigacin

31
5.-Marco terico o referencial
6.-Tipos de investigacin
7.-Hiptesis de investigacin
8.-Definicin de variables
9.-Diseo de la investigacin 9.1. Operacionalizacin del diseo experimental
10.1. Tipos de muestra
10.-Poblacin y muestra
10.2. Tamaos de la muestra
11.-Conclusin
12.-Bibliografa

El autor Manuel Cortes menciona la tabla 2.4 Generalidades Sobre Metodologa

de La investigacin en 2004.

Tabla 2.4 Generalidades Sobre Metodologa de La investigacin.

GENERALIDADES SOBRE METODOLOGA DE LA INVESTIGACION, 2004.
Cortez, Cortez Manuel E. Iglesias, Len Miriam
CAPITULO 1. Los enfoques de la metodologa de investigacin
La Metodologa Pasos de la investigacin cientfica.
de la El Marco terico de la investigacin
investigacin Tipos de estudios de la investigacin
cientfica. Las hiptesis en la investigacin
Esquema bsico de un proyecto de investigacin
Los diseos de la investigacin 1.7.1.Diseos experimentales
Las variables de las investigaciones
Un enfoque a la investigacin cualitativa 1.9.1.Tcnicas para la recogida de
datos
CAPITULO 2: 2.1. Mtodo Brain Storming
Sistemas de 2.2. Grupos nominales
experimentos no
estructurados. 2.3. Mtodo Delphi
CAPITULO 3: 3.1. Probabilidad
Elementos de la 3.2. Probabilidad como funcin
estadstica 3.3.1. Discretas
matemtica 3.3. Variables aleatorias
3.3.2. Continuas
CAPITULO 4: 4.1.1. Estimacin por intervalos de la
Teora de la media poblacional cuando la varianza
estimacin es conocida
4.1.2. Estimacin por intervalos de la
4.1. Estimacin por intervalos media poblacional cuando la varianza
es desconocida
4.1.3. Intervalos de la confianza para
la varianza 2 de la poblacin
normalmente distribuida
CAPITULO 5: 5.1. Prueba de hiptesis de una muestra para la media con varianza poblacional
Pruebas de la conocida. N(0,1)
hiptesis 5.2.Prueba de hiptesis de una muestra para la media con varianza poblacional
desconocida

32
 5.3. Prueba de la hiptesis para dos muestras
CAPITULO 6: 6.1. Diferentes tipos de muestreo
Elementos de 6.2. Muestreo aleatorio simple o al azar
muestreo 6.3. Muestreo estratificado
6.4. Muestreo por conglomerados
6.5. Muestreo sistemtico
6.6. Otros muestreos
Bibliografa

El autor Elas Meja menciona la tabla 2.5 Metodologa de la investigacin

cientfica en 2005.

Tabla 2.5 Metodologa de la Investigacin Cientfica.

METODOLOGIA DE LA INVESTIGACION CIENTIFICA, 2005.
Meja, Meja Elas.
CAPITULO I: El mtodo de la 1.1. Secuencia del mtodo cientfico
ciencia 1.2. Los conocimientos previos
1.3. Los problemas cientficos
1.4. Las hiptesis
1.5. Tipos de investigaciones
-Lecturas complementarias
CAPITULO II: Las variables 2.1. Qu son las variables?
2.2. Clasificacin de las variables
2.3. Operacionalizacion de las variables
-Lectura complementaria
CAPITULO III: Estrategias 3.1. Qu son las estrategias para contrastar hiptesis?
para contrastar hiptesis 3.2. Factores que producen hiptesis rivales
3.3. Tipos de estrategias
3.4. Metodologa ex post facto
-Lectura complementaria
APENDICE Las ciencias sociales son realmente inferiores? Fritz Machlup
La lgica de la experimentacin. Orfelio Len e Ignacio Montero
BIBLIOGRAFIA
ANEXOS

El autor Marcelo Gallardo menciona la tabla 2.6 Metodologa de la investigacin

cientfica en 2006

Tabla 2.6 Metodologa de la Investigacin Cientfica.

METODOLOGIA DE LA INVESTIGACION CIENTIFICA, 2006.
Saravia, Gallardo Marcelo Andrs
Contenido de proyecto de Introduccin
investigacin Justificacin

33

Contenidos del informe final
de investigacin
El autor Aristizabal Botero menciona la tabla 2.7 Metodologa de la investigacin
cientfica en 2008.
Tabla 2.7 Metodologa de la Investigacin Cientfica.
TEORIA Y METODOLOGIA DE INVESTIVACION, 2006.
Aristizabal, Bolero Carlos Andrs.
Unidad I. Naturaleza de la
actividad cientfica
Unidad II. Paradigmas de la
investigacin social
Unidad III. Investigacin
cuantitativa
Unidad IV. Investigacin
cualitativa
Bibliografa
Planteamiento del problema
Objeto del estudio
Preguntas de investigacin
Objetivos
Fundamentacin terica
Metodologa de la investigacin
Poblacin y muestra
Diseo de la investigacin
Cronograma y presupuesto
Bibliografa
1. Introduccin
2. Justificacin
3. Planteamiento del problema
4. Objeto del estudio
5.Cuestiones a responder mediante la
investigacin
6.Objetivos
7.Marco terico
8.Metodologia y desarrollo de la investigacin
9.Representacion y discusin de resultados
10.Conclusiones
11.Referencias Bibliogrficas
1.1. El pensamiento cientfico
1.2. El mtodo cientfico y sus alcances
1.3. Caractersticas del mtodo cientfico
2.1. Paradigmas emprico analtico
2.2. Paradigma histrico-hermenutico
2.3. Paradigma critico social
2.4. Complementariedad de la
investigacin
3.1.Metodologias de investigacin
cuantitativa
3.2. El muestreo
3.3. La encuesta de campo
4.1. Metodologa de investigacin
cualitativa
4.2. La observacin participante.
4.3. La entrevista cualitativa
4.4. El uso de documentos
34
El autor Fernando Cceres menciona la tabla 2.8 Etapas del Proceso de la
investigacin Cientfica en 2009.

Tabla 2.8 Etapas del Proceso de la Investigacin Cientfica.

ETAPAS DEL PROCESO DE LA INVESTIGACIN CIENTFICA, 2009.
Cceres, Dennis Fernando.
1.La idea y el tema de investigacin
2. El planteamiento del problema
3. Objetivos
4. Preguntas
5.J justificacin
6. Delimitacin del tema de estudio
7. Hiptesis
8. Diseo metodolgico
9. Marco terico
10. La Muestra
11. Proceso de recoleccin, tabulacin, graficacin e interpretacin de los
datos
12. Bibliografa

El autor Roberto Hernndez Sampieri menciona en la Tabla 2.9 metodologa de

la investigacin cientfica en 2010 en la tabla solo se mencionan algunos de los
captulos contenidos.

Tabla 2.9 Metodologa de la Investigacin.

Metodologa de la investigacin, quinta edicin, 2010.
Hernndez, Sampieri Roberto. Fernndez, Callado Carlos. Baptista, Lucio Mara del Pilar
CAPTULO 1. Cmo se define la investigacin?
Definiciones de los Qu enfoques se has presentado en la investigacin?
enfoques Qu caractersticas posee el enfoque cuantitativo de investigacin?
cuantitativos y Qu caractersticas posee el enfoque cualitativo de investigacin?
cualitativos, sus Cules son las diferencias entre los enfoques cuantitativo y cualitativo?
similitudes y Cul de los dos enfoques es el mejor?
diferencias Resumen
Conceptos bsicos
Ejercicios
Los investigadores opinan
CAPTULO 2. Cmo se originan las Cmo surgen las ideas de investigacin?
Nacimiento de un investigaciones Vaguedad de las ideas iniciales
proyecto de cuantitativas, Necesidad de conocer los antecedentes
investigacin cualitativas o mixtas? Investigacin previa de los temas

35
 Criterios para generar ideas
Fuentes de ideas para una investigacin
Resumen
Conceptos bsicos
cuantitativa,
Ejercicios
cualitativa o mixta:
Ejemplos desarrollados
La idea
Los investigadores opinan
CAPTULO 3. Qu es plantear el Criterios para plantear el problema
Planteamiento del problema de
problema investigacin
cuantitativo cuantitativa?
Qu elementos Objetivos de la investigacin
contiene el Preguntas de investigacin
planteamiento del Justificacin de la Criterios para evaluar
problema de investigacin la importancia
investigacin en el potencial de una
proceso cuantitativo? investigacin
Viabilidad de la investigacin
Evaluacin de las deficiencias en el conocimiento
del problema
Consecuencias de la investigacin
Resumen
Conceptos bsicos
Ejercicios
Ejemplos desarrollados
Los investigadores opinan

2.3 ESTADSTICA BSICA

2.3.1 Qu es la Estadstica?

Esta palabra derivada de Staat, que significa gobierno, su fundador la defini

como el conocimiento profundo de la situacin respectiva y comparativa de
cada estado.

Conocemos que desde la ms remota antigedad el concepto de estadstica se

identific como el de ciencia de los nmeros y de las figuras.

Muchos la llaman como la representacin del pensamiento cientfico, puesto

que se basa en la investigacin para llevar a conclusiones, anlisis,
interpretaciones, abstracciones, deducciones, etc.

36
 Pero tambin la concebimos como una ciencia auxiliar de otras disciplinas, sin
su aplicacin no podramos orientar muchos aspectos. Es decir es el hilo
conductor en todos los campos.

2.3.2 Conceptos Generales de Estadstica:

Estadstica: En una ciencia que analiza series de datos (por ejemplo, edad de
una poblacin, altura de un equipo de baloncesto, temperatura de los meses de
verano, etc.) y trata de extraer conclusiones sobre el comportamiento de estas
variables. Es una de las ciencias que permite conocer, o al menos entender, la
realidad en la que nos desenvolvemos. A travs de la estadstica podemos
obtener informacin de gran valor que nos ayudar en la toma de decisiones en
cualquier mbito de nuestra vida. El anlisis de la informacin pasada para
tomar la decisin ms correcta, de cara al futuro, es el objetivo de la estadstica.

La estadstica es una ciencia que estudia la recopilacin, anlisis e

interpretacin de datos, ya sea para ayudar en la toma de decisiones o para
explicar condiciones regulares o irregulares de algn fenmeno o estudio
aplicado, de ocurrencia en forma aleatoria o condicional.

2.3.3 Divisin de la Estadstica.

La estadstica de divide en dos grandes reas:

La estadstica descriptiva, se dedica a la descripcin, visualizacin y resumen de

datos originados a partir de los fenmenos de estudio. Los datos pueden ser
resumidos numrica o grficamente. La estadstica descriptiva es la que
utilizaremos en esta investigacin.
La estadstica inferencial, se dedica a la generacin de los modelos, inferencias
y predicciones asociadas a los fenmenos en cuestin teniendo en cuenta la
aleatoriedad de las observaciones. Se una para modelar patrones en los datos y
extraer inferencias acerca de la poblacin bajo estudio. Estas inferencias pueden
tomar la forma de respuestas a preguntas si/no (prueba de hiptesis),

37
 estimaciones de caractersticas numricas (estimacin), pronsticos de futuras
observaciones, descripciones de asociacin (correlacin) o modelamiento de
relaciones entre variables (anlisis de regresin).

2.3.4 Mtodo Estadstico.

El conjunto de los mtodos que se utilizan para medir las caractersticas de la

informacin, para resumir los valores individuales, y para analizar los datos a fin
de extraerles el mximo de informacin, es lo que se llama mtodos
estadsticos. Los mtodos de anlisis para la informacin cuantitativa se pueden
dividir en los siguientes seis pasos:

1. Definicin del problema

2. Recopilacin de la informacin existente
3. Obtencin de informacin original
4. Clasificacin
5. Presentacin
6. Anlisis

2.3.5 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.
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:

38
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.

2.3.6 Tipos de Graficas.

Una grfica es la representacin de datos, generalmente numricos, mediante

lneas, superficies o smbolos, para ver la relacin que esos datos guardan entre
s. Sirven para analizar el comportamiento de un proceso, o un conjunto de
elementos o signos que permiten la interpretacin de un fenmeno. Los diversos
tipos de graficas son las siguientes: grafica de dispersin, graficas de matriz,
graficas marginales, histogramas, grafica de puntos, tallo de hoja, graficas de
probabilidad, CDF empricas, graficas de distribucin de probabilidad, grafica de
caja, grafica de intervalos, grafica de valores individuales, grafica de lneas,
grafica de barras, grafica circular, grafica de series de tiempo, grafica de reas,
grafica de un contorno, grafica de sedimentacin, grafica de dispersin 3D y
grafica de superficie 3D.

2.4USO DE HERRAMIENTAS ESTADISTICAS PARA MEDIR LA

RELACION ENTRE UN GRUPO DE DATOS

En esta seccin se describen diferentes tipos de herramientas estadsticas

empleadas en este trabajo.

2.4.1 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

39
 ellas, es decir, si los cambios en 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 :

xy
r=
x y

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 forma:

Si r=0 no existe ninguna correlacin. El ndice indica por lo 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. En la figura 2.1 se muestra un ejemplo de cmo se
ilustra la correlacin nula.

40
 Figura 2.1 Correlacin nula.

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. En la figura 2.2 se muestra la
forma en la que se ilustrara la correlacin linean negativa y positiva.

Figura 2.2 Correlacin lineal, negativa y positiva.

Correlacin no lineal: Existe una relacin entre las variables pero no es lineal, en
la figura 2.3 se ilustra cmo se representara la correlacin no lineal.

Figura 2.3 Correlacin no lineal.

2.4.2 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 xy y se calcula por
medio de:

41
 n

( x ix ) ( y i y )
xy = i=1
n

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.

2.4.4 El Modelo de Regresin Lineal.

El modelo de regresin lineal simple es idntico al modelo de regresin lineal

mltiple, con la nica diferencia que en este ltimo aparecen ms variables
explicativas:

Modelo de regresin simple: y=b 0+ b1 x +u

Modelo de regresin mltiple: y=b 0+ b1 x 1 +b2 x 2 +b3 x 3 +...+b k x k +u

2.6 ESTADSTICA PARAMTRICA.

42
 La estadstica paramtrica es una rama de la estadstica inferencial que
comprende los procedimientos estadsticos y de decisin que estn basados en
las distribuciones de los datos reales. Estas son determinadas usando un
nmero finito de parmetros. Esto es, por ejemplo, si conocemos que la altura
de las personas sigue una distribucin normal, pero desconocemos cul es la
media y la desviacin de dicha normal. La media y la desviacin tpica de la
desviacin normal son los dos parmetros que queremos estimar. Cuando
desconocemos totalmente que distribucin siguen nuestros datos entonces
deberemos aplicar primero un test no paramtrico, que nos ayude a conocer
primero la distribucin.

Es la que requiere que los elementos que integran las muestras contengan
elementos parmetros o medibles. Puede resolver tres tipos de problemas:

- Estimacin puntual: En la que pretendemos darle un valor al parmetro a

estimar.
- Estimacin por intervalos (buscamos un intervalo de confianza).
- Contraste de hiptesis, donde buscamos contrastar informacin acerca del
parmetro.
2.5 ESTADISTICA NO PARAMETRICA

Una prueba estadstica no paramtrica est basada en un modelo que especifica

solo condiciones muy generales y ninguna acerca de la forma especfica de la
distribucin de la cual fue obtenida la muestra. Ciertas suposiciones estn
asociadas con la mayora de las pruebas no paramtricas, se dice que las
observaciones son independientes y quiz que la variable en estudio es
continuo, pero estas suposiciones son menores y ms dbiles que aquellas
asociadas con las pruebas paramtricas.

Los procedimientos no paramtricos prueban diferentes hiptesis acerca de la

poblacin, que los procedimientos paramtricos no hacen. Por ultimo a

43
 diferencia de las pruebas paramtricas, existen no paramtricas que pueden
aplicarse apropiadamente a datos medidos en una escala ordinal, y otras
pruebas para datos en una escala nominal o categrica.

2.5.1 Herramientas de la Estadstica No Paramtrica.

El coeficiente C de Cramer.- Es una medida del grado de asociacin o relacin

entre dos series de atributos o variables. Se usa nicamente usando tenemos
solo informacin categrica (escala nominal) acerca de uno o de ambos
conjuntos de atributos o variables.

Para usar el coeficiente de Cramer, no es necesario suponer continuidad

subyacente para las diferentes categoras usadas al medir uno o ambos
conjuntos de atributos. De hecho no necesitamos siquiera ser capaces de
ordenar las categoras en alguna forma particular. El coeficiente de Cramer, al
ser calculado de una tabla de contingencia, proporciona los mismos valores sin
considerar como fueron ordenadas las categoras en filas y columnas.

Coeficiente de correlacin r, de Spearman.- De todos los estadsticos

basados en rangos, el coeficiente de Spearman de rangos ordenados, fue el
primero en desarrollarse y quiz sea el mejor conocido actualmente. Es una
medida de asociacin entre dos variables que requiere que ambas estn
medidas en al menos una escala ordinal, de manera tal que los objetos o
individuos en estudio puedan ser colocados en rangos en dos series ordenadas.

El procedimiento para obtener nuestro coeficiente r de Spearman se muestra de

la siguiente manera:

1. Hacer una lista de los N sujetos u observaciones

2. Asignar rango para la variable X y para la variable Y
3. Determinar los valores de las diferencias d 1=X iY i
4. Obtenga el cuadrado de la diferencia

44
5. Sume todos los valores de los cuadrados
6. Sustituya este valor en la ecuacin
N
6 di2
i=1
r 1=1 2
N N

2.6 FUNDAMENTO CONTEXTUAL

Misin

Formar profesionistas en Educacin Superior Tecnolgica de Calidad, capaces

de contribuir a la ciencia, tecnologa e investigacin con un enfoque creativo e
innovador, mediante una educacin integral basada en competencias para el
desarrollo sustentable de una sociedad globalizada, equitativa y humana.

Visin

Ser una Institucin de Alto Desempeo en Educacin Superior Tecnolgica, que

forme profesionales e investigadores que contribuyan al desarrollo sostenido,
sustentable y equitativo de la sociedad.

Poltica de Calidad

El Instituto Tecnolgico de Ciudad Jurez establece el compromiso de

implementar todos sus procesos, orientndolos hacia la satisfaccin de sus
clientes sustentada en la Calidad del Procesos Educativo, para cumplir con sus
requisitos, mediante la eficacia de un Sistema de Gestin de Calidad y de
mejora continua, conforme a la Norma ISO 9001:2008/NMX-CC-9001-IMNC-
2008.

3. METODOLOGIA

45
 EI Meta-anlisis (MA) es una metodologa capaz de integrar cuantitativamente
los resultados reportados por diferentes investigadores sobre cierto tema en
particular (Sacks, 1987)

Aun no existe un mtodo nico para la elaboracin del MA, hay investigaciones
en las cuales excluyen o agreguen alguna de las etapas, sin embargo, hay unas
etapas definidas que se presentan a continuacin y conforman el algoritmo
seguido en el presente estudio (Valles, 2008).

3.1 ETAPAS DEL META-ANLISIS

La metodologa est compuesta de 6 etapas que son las siguientes:

Definicin de la Pregunta de investigacin

Seleccin de Criterios y Factores
Identificacin de los estudios
Evaluacin de la calidad de los estudios
Sumarizacin
Anlisis estadstico

3.1.1 Estructura Sugerida de las Fases de la Metodologa Meta-Anlisis.

En los siguientes puntos se explican brevemente las seis etapas que constituyen
esta metodologa: Colin (2007).

46
 Figura 3.1 Secuencia de ejecucin de la metodologa meta-anlisis.

Tabla 3.9 Resumen de 63 artculos de factores crticos de xito.

Porcentaje
Porcenta
de
Cantidad je de
Factores crticos Literatura artculos
Citada total de
que citan
citas
el factor
Avots [5] ; Cleland and King [6] ; Morris [7] ; Pinto and
Slevin [8] ; Morris and Hough [9] ; Stoddart-Stones [10] ;
Magal et al. [11] ; Pinto and Mantel [12] ; McComb and
Smith [13] ; Cash and Fox [14] ; Yap et al. [15] ; Pollalis and
Frieze [16] ; Tennant [4] ; Selin and Selin [17] ; Martinez [18]
; The Standish Group [19] ; Couillard [20] ; Wastell and
Newman [21] ; Tan [22] ; Munns and Bjeirmi [23] ; Belassi
and Tukel [24] ; KPMG [25] ; McCormack [3] ; McGolpin and
Apoyo de la alta gerencia Ward [26] ; Dvir et al. [27] ; Kasser and Williams [28] ; Jang 39 9.82% 61.90%
and Lee [29] ; Whittaker [30] ; Turner [31] ; Weir [32] ; Taylor
[33] ; Thite [34] ; Poon and Wagner [35] ; Cooke Davies [36]
; Andersen et al. [37] ; Caldeira and Ward [38] ; Yeo [39] ;
Westerveld [40] ; Turner [41]

Baker et al. [42] ; Morris [7] ; Hughes [43] ; Pinto and Slevin
[8] ; Pinto and Mantel [12] ; Tennant [4] ; Selin and Selin [17]
; Harding [44] ; Couillard [20] ; Yeo [45] ; Wateridge [46] ;
The Standish Group [19] ; Beare [47] ; Tan [22] ; Munns and
Objetivos claros realistas Bjeirmi [23] ; Spinelli [48] ; Cicmil [49] ; Dvir et al. [27] ; 31 7.81% 49.21%
Glass [50] ; Kasser and Williams [28] ; Jang and Lee [29] ;
Clarke [51] ; Weir [32] ; Taylor [33] ; Thite [34] ; Poon and
Wagner [35] ; Anderson et al. [37] ; Caldeira and Ward [38] ;
Yeo [39] ; Westerveld [40] ; Turner [41]

47

Plan de negocio fuerte/detallado,
actualizado
Buena
comunicacin/retroalimentacin
Participacin usuario/cliente
Personal suficiente, experto y
debidamente calificado
Gestin de cambio efectivo
durante la ejecucin
Gerente o responsable de
proyectos competente
Fuerte caso de negocios/base
slida para el proyecto
Recursos suficientes y bien
asignados
Buen liderazgo
Avots [5] ; Baker et al. [42] ; Cleland and King [6] ; Morris [7]
; Morris and Hough [9] ; Pinto and Mantel [12] ; Pollalis and
Frieze [16] ; Martinez [18] ; The Standish Group [19] ;
Wateridge [46] ; Couillard [20] ; Smart [52] ; Williams [53] ;
Belassi and Tukel [24] ; KPMG [25] ; Spinelli [48] ;
McCormack [3] ; McGolpin and Ward [26] ; Dvir et al. [27] ;
Kasser and Williams [28] ; Glass [50] ; Whittaker [30] ; 29 7.30% 46.03%
Clarke [51] ; Turner [31] ; Taylor [33] ; Andersen et al. [37] ;
Yeo [39] ; Westerveld [40] ; Turner [41]
Avots [5] ; Cleland and King [6] ; Morris [7] ; Hughes [43] ;
Pinto and Slevin [8] ; Curtis et al. [54] ; Magal et al. [11] ;
Pinto and Mantel [12] ; McComb and Smith [13] ; Cash and
Fox [14] ; Pollalis and Frieze [16] ; Wateridge [46] ; Couillard
[20] ; Tan [22] ; Gowan and Mathieu [55] ; Hilderbrand [56] ;
Spinelli [48] ; Dvir et al. [27] ; Kasser and Williams [28] ; 27 6.80% 42.86%
Clarke [51] ; Turner [31] ; Thite [34] ; Cooke-Davies [36] ;
Andersen et al. [37] ; Yeo [39] ; Westerveld [40] ; Turner [41]
Morris [7] ; Pinto and Slevin [8] ; Curtis et al. [54] ; Magal et
al. [11] ; Pinto and Mantel [12] ; McComb and Smith [13] ;
Yap et al. [15] ; Pollalis and Frieze [16] ; Wateridge [46] ;
Smart [52] ; Beare [47] ; Wastell and Newman [21] ; Belassi
and Tukel [24] ; Munns and Bjeirmi [23] ; Cicmil [49] ;
Spinelli [48] ; McCormack [3] ; Dvir et al. [27] ; Jang and Lee 24 6.05% 38.10%
[29] ; Turner [31] ; Caldeira and Ward [38] ; Yeo [39] ;
Westerveld [40] ; Turner [41]
Baker et al. [42] ; Morris [7] ; Pinto and Slevin [8] ; Curtis et
al. [54] ; Magal et al. [11] ; Pinto and Mantel [12] ; McComb
and Smith [13] ; Cash and Fox [14] ; Pollalis and Frieze [16]
; Tennant [4] ; Martinez [18] ; Willcocks and Griffiths [57] ; 20 5.04% 31.75%
The Standish Group [19] ; Dvir et al. [27] ; Glass [50] ; Jang
and Lee [29] ; Weir [32] ; Poon and Wagner [35] ; Caldeira
and Ward [38] ; Westerveld [40]
Avots [5] ; Pinto and Mantel [12] ; McComb and Smith [13] ;
Cash and Fox [14] ; Pollalis and Frieze [16] ; Martinez [18] ;
Willcocks and Griffiths [57] ; Smart [52] ; The Standish
Group [19] ; Hougham [58] ; Cicmil [49] ; McGolpin and
Ward [26] ; Dvir et al. [27] ; Weir [32] ; Taylor [33] ; Thite [34] 19 4.79% 30.16%
; Poon and Wagner [35] ; Cooke-Davies [36] ; Yeo [39]
Avots [5] ; Baker et al. [42] ; Morris [7] ; Pinto and Slevin
[8] ; Pollalis and Frieze [16] ; Martinez [18] ; Cannon [59] ;
Couillard [20] ; Pinto and Kharbanda [60] ; Belassi and
Tukel [24] ; Munns and Bjeirmi [23] ; Spinelli [48] ; Dvir et al.
[27] ; Glass [50] ; Weir [32] ; Taylor [33] ; Andersen et al. 19 4.79% 30.16%
[37] ; Westerveld [40] ; Turner [41]
Avots [5] ; Pollalis and Frieze [16] ; Smart [52] ; Pinto and
Kharbanda [60] ; Munns and Bjeirmi [23] ; KPMG [25] ;
McGolpin and Ward [26] ; Dvir et al. [27] ; Whittaker [30] ;
Poon and Wagner [35] ; Cooke-Davies [36] ; Andersen et al. 16 4.03% 25.40%
[37] ; Caldeira and Ward [38] ; Yeo [39] ; Westerveld [40] ;
Turner [41]
Morris [7] ; Pinto and Slevin [8] ; Morris and Hough [9] ; Yap
et al. [15] ; Pollalis and Frieze [16] ; Tennant [4] ;
McCormack [3] ; The Standish Group [19] ; Belassi and
Tukel [24] ; Gowan and Mathieu [55] ; Dvir et al. [27] ; 16 4.03% 25.40%
Kasser and Williams [28] ; Turner [31] ; Caldeira and Ward
[38] ; Westerveld [40] ; Turner [41]
Morris and Hough [9] ; Cash and Fox [14] ; Pollalis and 15 3.78% 23.81%
Frieze [16] ; Tennant [4] ; Martinez [18] ; Smart [52] ; Gowan
48

Tecnologa familiar y probada
Calendario realista de
actividades
Evaluacin de riesgos antes y
durante el proyecto
Confiable patrocinador o
campen de proyecto
Control y monitoreo efectivo del
proyecto
Presupuesto adecuado
Adaptacin organizacional a la
cultura
Buen funcionamiento por
proveedores/contratistas/consulto
res
Previsto cierre
abajo/revisin/aceptacin de
posible falla
Suministro de formacin
Estabilidad poltica
Opcin correcta/experiencias
pasadas de la metodologa de
gestin de
proyectos/herramientas
Influencias ambientales
Experiencia pasada (aprendida
de)
Tamao del proyecto
(grande)/nivel de complejidad
(alto)/nmero de gente
involucrada(demasiados)/duraci
n (ms de 3 aos)
Diferentes puntos de
vista(apreciacin)
and Mathieu [55] ; Pinto and Kharbanda [60] ; Dvir et al. [27]
; Turner [31] ; Thite [34] ; Andersen et al. [37] ; Caldeira and
Ward [38] ; Westerveld [40] ; Turner [41]
Morris [7] ; Pinto and Mantel [12] ; McComb and Smith [13] ;
Pollalis and Frieze [16] ; Cannon [59] ; Williams [53] ; Yeo
[45] ; Tan [22] ; KPMG [25] ; Dvir et al. [27] ; Glass [50] ; 14 3.53% 22.22%
Poon and Wagner [35] ; Caldeira and Ward [38] ; Yeo [39]
Cleland and King [6] ; Morris [7] ; Morris and Hough [9] ;
Pinto and Mantel [12] ; McComb and Smith [13] ; Tennant
[4] ; Selin and Selin [17] ; Dvir et al. [27] ; Glass [50] ;
Kasser and Williams [28] ; Weir [32] ; Yeo [39] ; Westerveld 14 3.53% 22.22%
[40] ; Turner [41]
Morris and Hough [9] ; Selin and Selin [17] ; Smart [52] ;
Beare [47] ; Williams [53] ; KPMG [25] ; Baldry [61] ; Dvir et
al. [27] ; Whittaker [30] ; Weir [32] ; Cooke-Davies [36] ; Yeo 13 3.27% 20.63%
[39] ; Westerveld [40]
Morris [7] ; Morris and Hough [9] ; Cash and Fox [14] ; Yap
et al. [15] ; Martinez [18] ;
McGolpin and Ward [26] ; Jang and Lee [29] ; Baldry [61] ;
Thite [34] ; Poon and Wagner [35] ; Caldeira and Ward [38] ; 12 3.02% 19.05%
Yeo [39]
McComb and Smith [13] ; Cash and Fox [14] ; Pollalis and
Frieze [16] ; Selin and Selin [17] ; Cicmil [49] ; Dvir et al.
[27] ; Weir [32] ; Thite [34] ; Poon and Wagner [35] ; Cooke- 12 3.02% 19.05%
Davies [36] ; Westerveld [40] ; Turner [41]
Baker et al. [42] ; Cleland and King [6] ; Morris and Hough
[9] ; Dvir et al. [27] ; McComb and Smith [13] ; Pollalis and
Frieze [16] ; Tennant [4] ; Glass [50] ; Caldeira and Ward, 11 2.77% 17.46%
[38] ; Westerveld [40] ; Turner [41]
Pollalis and Frieze [16] ; Cannon [59] ; Willcocks and
Griffiths [57] ; Martinez [18] ; Couillard [20] ; Hougham [58] ;
Gowan and Mathieu [55] ; Taylor [33] ; Thite [34] ; Cooke- 10 2.52% 15.87%
Davies [36]
Morris and Hough [9] ; Pollalis and Frieze [16] ; McCormack
[3] ; KPMG [25] ; Glass [50] ; Jang and Lee [29] ; Caldeira 10 2.52% 15.87%
and Ward [38] ; Yeo [39] ; Westerveld [40] ; Turner [41]
Avots [5] ; Cleland and King [6] ; Sauer [62] ; Beare [47] ;
Pinto and Kharbanda [60] ; Munns and Bjeirmi [23] ;
9 2.27% 14.29%
McCormack [3] McGolpin and Ward [26] ; Dvir et al. [27]
Magal et al. [11] ; Yap et al. [15] ; Pinto and Kharbanda
[63] ; Pinto and Kharbanda [60] ; McCormack [3] ; Dvir et 7 1.76% 11.11%
al. [27] ; Caldeira and Ward [38]
Morris and Hough [9] ; Pollalis and Frieze [16] ; Tennant [4] ;
6 1.51% 9.52%
Sauer [62] ; Yeo [45] ; Pinto and Kharbanda [60]
Hughes [43] ; Munns and Bjeirmi [23] ; Dvir et al. [27] ;
Glass [50] ; Jang and Lee [29] ; Turner [41]
6 1.51% 9.52%
Morris [7] ; Cleland and King [6] ; Archibald [65] ; Pinto and
Kharbanda [60] ; Caldeira and Ward [38] ; Westerveld [40] 6 1.51% 9.52%
Yap et al. [15] ; Dvir et al. [27] ; Jordan et al. [64] ; Sauer
5 1.26% 7.94%
[62] ; Cooke-Davies [36]
Hughes [43] ; Selin and Selin [17] ; Cannon [59] ; Cooke-
Davies [36]
4 1.01% 6.35%
Curtis et al. [54] ; Pinto and Kharbanda [63] ; Turner [41]
3 0.76% 4.76%
49
En la siguiente tabla se muestras en diferentes tiempos los factores de diversos
investigadores donde algunos considen y otros no mas sin embargo pueden
compararse con los 27 factores mostrados en la tabla anterior. Belassi

Tabla. Siete listas de factores crticos de xito desarrollados y tabulados por (Belassi,
1996).

Sayles and Baker, Morris and

Pinto and
Cleland and
Slevin
Martin (1976) Lock (1984) Chandler Murphy and Hough
King (1983)
(1971 (1989)
Fisher (1983) (1987)

Definir los Conocer el Resumen del Director del Objetivos Apoyo de la Los
objetivos, compromiso proyecto, proyecto de la claros, direccin, objetivos
del proyecto, competencia, del
proyecto.
Seleccin de autoridad del Concepto programacin, Objetivo el Consulta de
la filosofa del proyecto operativo, compromiso del Cliente ,
proyecto desde la parte equipo del Incertidumb
organizacional superior, Sistemas de proyecto re de la
, Apoyo de la control y Contratacin
innovacin
direccin, responsabilida de personal,
tcnica.
Nombrar un des,
General de gerente el director del
apoyo a la competente Apoyo proyecto Tareas
Polticas
gestin, de proyecto financiero, Seguimiento y tcnicas,
retroalimentac aceptacin del
in, Financiacin cliente Participaci
Organizar y Configuracin Requisitos para la
n de la
delegar la de la de logstica, finalizacin
comunidad
autoridad, Participacin Seguimiento y
comunicacin continua en el retroalimentac
y Servicio de proyecto, Adecuada in, Calendario
Seleccionar procedimiento apoyo, capacidad de
de la
equipo del s, Inteligencia proyecto de
duracin de
proyecto, de mercado equipo comunicacin,
la urgencia
(que es el Solucin de
Establecer cliente), problemas,
Asignar mecanismos Costo inicial y
Los
recursos de control estimaciones
problemas
suficientes, (horarios) Cronograma precisas Caracterstica
financieros
del proyecto, s del lder del
de contrato
equipo del
legal
Garantizar el Reuniones de Desarrollo y Planificacin y proyecto,
control y seguimiento. formacin control de las
mecanismos Mano de tcnicas,
de obra, Tarea (frente a Poder y la
informacin, la orientacin poltica,
Organizacin social),
, Ausencia de
Planificacin y Adquisicin. Eventos

50
 revisin Informacin, burocracia medio
ambiente,
comunicaci urgencia
n,
revisin del
proyecto

Se eligieron 86 artculos utilizando la metodologa meta-anlisis dando como

resultado que solo 36 artculos resultaron con mayor ponderacin y en base a
lo anterior de las listas de factores de Belassi y Fortune de la lista de meta-
anlisis de los 36 artculos se toma la decisin de seleccionar los 16 factores
siguientes.

1. Plan fuerte/detallado y actualizado

2. Apoyo de la alta gerencia
3. Personal especializado, convenientemente calificado.

51
4. Fuerte caso de negocios
5. Riesgos evaluados, dirigidos.
6. Objetivos claros y realistas
7. Gestin de cambio (ajustes) efectivos
8. Efectivo control/monitoreo
9. Suministro de formacin profesional
10. Gerente de proyectos competente
11. Utilizar tecnologa probada
12. Adaptacin/cultura/estructura organizacional
13. Presupuesto adecuado
14. Aprendizaje de experiencias pasadas
15. Buena comunicacin/retroalimentacin
16. Participacin del usuario/cliente

Despus de la investigacin realizada a travs de la metodologa de

meta-anlisis de la cual resultaron 16 factores crticos, se seleccion la
metodologa de Modelado de Ecuaciones Estructurales (SEM) para el anlisis
formal y estadstico de los datos recopilados posteriormente por medio de
encuestas. Ya que el modelo de ecuaciones estructurales es un crecimiento de
la familia de los mtodos estadsticos para el modelado de las relaciones entre
variables. A travs de datos en los cuales esas relaciones son modeladas y
estimadas adems de observadas. Los modelos pueden incluir variables que
son observadas, variables que no son observadas o latentes. Por esta razn
SEM ha sido referido como modelado de variables latentes. Los datos primarios
para la mayora de los usos del modelado de ecuaciones estructurales son
covarianzas, las cuales explican el por qu SEM tienen tambin referencia hacia
la covarianza del modelado estructural. En el intento de muchos usos de SEM es
para estimar los efectos causales entre variables, explicando porque SEM es
algunas veces referido como un modelado causal. La familia de mtodos de
SEM es familiar con la aproximacin de la prueba de hiptesis y el modelado en
lo social y comportamiento de la ciencia.

As pues SEM es una comprensiva y flexible aproximacin hacia el

modelado de las relaciones entre un grupo de variables. Histricamente fueron

52
 usadas primordialmente para el modelo de covarianzas entre variables medidas
en escalas continuas, las capacidades de SEM se ha expandido dramticamente
para permitir el modelado de varios tipos de estimacin, y para acomodar
medias, patrones de medias, trminos latentes de interaccin, variables latentes
categricas, datos, etc.

La metodologa de Modelos de Ecuaciones Estructurales es una rea de la

estadstica en desarrollo siendo muy joven frente a los modelos de regresin o el
anlisis factorial. Ella tiene un carcter ms confirmatorio que exploratorio; se
parte de una hiptesis, tericamente pertinente en el contexto de inters. Una
gran cualidad de este enfoque es su capacidad de elaborar constructos que
estiman las variables latentes en funcin de algunas variables medibles.
(Silva/Schiatino, 2008).

METODOLOGIA SEM

El anlisis de ecuaciones estructurales es una tcnica para evaluar modelos con

relaciones complejas entre variables (path analysis), as como modelos con
variables latentes. Un caso especialmente interesante de aplicacin es el
anlisis factorial exploratorio y anlisis factorial confirmatorio, que permite
evaluar la validez de constructo de escalas de medida.

3.1

ETAPAS EN LA

IMPLEMENTACION DE SEM

53
 El marco de trabajo que se muestra en forma de diagrama en la figura [x],
comprende cuatro etapas:

Especificacin
Estimacin
Evaluacin del ajuste
Interpretacin y reporte, que est siempre seguido de una quinta etapa:
Re-especificacin, que est incluida en la mayora de las implementaciones de
SEM.

Implementacin de marco de trabajo de SEM introducido por Hoyle.

3.1.1

ESPECIFICACIN

El uso de SEM siempre comienza con la especificacin del modelo. Un modelo

es una declaracin formal de los mecanismos supuestos que han dado lugar a
los datos observados. Esos mecanismos reflejan la hiptesis sustantiva que
motiva el anlisis.

Como se muestra en la figura [x], la especificacin puede tomar lugar antes o

despus de que los datos han sido adquiridos y preparados para el anlisis. La
lnea punteada etiquetada con a corresponde a la situacin a la situacin en la

54
 cual la especificacin sigue a la coleccin de datos, la lnea punteada etiquetada
con b1 corresponde a la situacin en la cual la coleccin de datos siguen
entonces a la especificacin entonces, como se indica con la lnea b2, conduce a
la estimacin.

3.1.1.1 (CUESTIONARIO) RELACIN ENTRE FACTORES IMPORTANTES Y

CRITERIOS DE XITO DE LOS PROYECTOS INDUSTRIALES

Objetivo.- Cuantificar estadsticamente el grado o fuerza de relacin

(correlacin/covarianza) entre los factores importantes respecto a los criterios de
evaluacin de los proyectos industriales.
Nota: Los resultados estarn disponibles despus de ser analizados.

Criterios relevantes de evaluacin de los proyectos:

Terminar el proyecto a tiempo
Cumplir con la calidad del proyecto
Terminar el proyecto con el presupuesto programado
Ejemplo de factores importantes:
Plan fuerte/detallado y actualizado
Apoyo de la alta Gerencia
Personal especializado, convenientemente calificado y suficiente.
Etc.

Datos generales del participante

Fecha:____________________________________________
Nombre: __________________________________________
Empresa:__________________________________________
Giro de la Empresa:__________________________________

55
Experiencia en ejecucin de proyectos: (aos)_____________
Puesto que desempea actualmente____________________

INSTRUCCIONES.- Leer cuidadosamente cada pregunta y marcar una sola

ocasin su respuesta.
Seccin I
Criterio de xito de un proyecto: TERMINAR A TIEMPO EL PROYECTO
INDUSTRIAL
Pregunta 1
Que tanto influye el factor: Plan fuerte/detallado y actualizado para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 2
Que tanto influye el factor: Apoyo de la alta gerencia para TERMINAR A
TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 3
Que tanto influye el factor: Personal Especializado, convenientemente
cualificado y suficiente para TERMINAR A TIEMPO EL PROYECTO
INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 4
Que tanto influye el factor: Fuerte caso de negocios/base slida para el
proyecto para TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 5
Que tanto influye el factor: Riesgos evaluados, dirigidos para TERMINAR A
TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado

56
Pregunta 6
Que tanto influye el factor: Objetivos claros y realistas para TERMINAR A
TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 7
Que tanto influye el factor: Gestin de cambio (ajustes) efectivos para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 8
Que tanto influye el factor: Efectivo control/monitoreo para TERMINAR A
TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 9
Que tanto influye el factor: Suministro de formacin profesional para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 10
Que tanto influye el factor: Gerente de proyectos competente para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 11
Que tanto influye el factor: Usar tecnologa probada/familiar para TERMINAR
A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 12
Que tanto influye el factor: Adaptacin/cultura/estructura organizacional para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 13

57
Que tanto influye el factor: Presupuesto adecuado para TERMINAR A TIEMPO
EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 14
Que tanto influye el factor: Aprendizaje de Experiencias pasadas para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 15
Que tanto influye el factor: Buena comunicacin/retroalimentacin para
TERMINAR A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 16
Que tanto influye el factor: Participacin del usuario/cliente para TERMINAR
A TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado

INSTRUCCIONES.- Leer cuidadosamente cada pregunta y marcar una sola

ocasin su respuesta.
Seccin II
Criterio de xito de un proyecto: CUMPLIR CON LA CALIDAD DEL
PROYECTO INDUSTRIAL

Pregunta 1
Que tanto influye el factor: Plan fuerte/detallado y actualizado para CUMPLIR
CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 2
Que tanto influye el factor: Apoyo de la alta gerencia para CUMPLIR CON LA
CALIDAD DEL PROYECTO INDUSTRIAL

58
Nada poco suficiente mucho demasiado
Pregunta 3
Que tanto influye el factor: Personal Especializado, convenientemente
cualificado y suficiente para CUMPLIR CON LA CALIDAD DEL PROYECTO
INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 4
Que tanto influye el factor: Fuerte caso de negocios/base slida para el
proyecto para CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 5
Que tanto influye el factor: Riesgos evaluados, dirigidos para CUMPLIR CON
LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 6
Que tanto influye el factor: Objetivos claros y realistas para CUMPLIR CON
LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 7
Que tanto influye el factor: Gestin de cambio (ajustes) efectivos para
CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 8
Que tanto influye el factor: Efectivo control/monitoreo para TERMINAR A
TIEMPO EL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 9
Que tanto influye el factor: Suministro de formacin profesional para
CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL

59
Nada poco suficiente mucho demasiado
Pregunta 10
Que tanto influye el factor: Gerente de proyectos competente para CUMPLIR
CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 11
Que tanto influye el factor: Usar tecnologa probada/familiar para CUMPLIR
CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 12
Que tanto influye el factor: Adaptacin/cultura/estructura organizacional
para CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 13
Que tanto influye el factor: Presupuesto adecuado para CUMPLIR CON LA
CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 14
Que tanto influye el factor: Aprendizaje de Experiencias pasadas para
CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 15
Que tanto influye el factor: Buena comunicacin/retroalimentacin para
CUMPLIR CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
Pregunta 16
Que tanto influye el factor: Participacin del usuario/cliente para CUMPLIR
CON LA CALIDAD DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado

60
INSTRUCCIONES.- Leer cuidadosamente cada pregunta y marcar una sola
ocasin su respuesta.
Seccin III
Criterio de xito de un proyecto: TERMINAR EL PROYECTO CON EL
PRESUPUESTO PROGRAMADO
Pregunta 1
Que tanto influye el factor: Plan fuerte/detallado y actualizado para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 2
Que tanto influye el factor: Apoyo de la alta gerencia para TERMINAR EL
PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 3
Que tanto influye el factor: Personal Especializado, convenientemente
cualificado y suficiente para TERMINAR EL PROYECTO CON EL
PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 4
Que tanto influye el factor: Fuerte caso de negocios/base slida para el
proyecto para TERMINAR EL PROYECTO CON EL PRESUPUESTO
PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 5
Que tanto influye el factor: Riesgos evaluados, dirigidos para TERMINAR EL
PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 6
Que tanto influye el factor: Objetivos claros y realistas para TERMINAR EL
PROYECTO CON EL PRESUPUESTO PROGRAMADO.

61
Nada poco suficiente mucho demasiado
Pregunta 7
Que tanto influye el factor: Gestin de cambio (ajustes) efectivos para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 8
Que tanto influye el factor: Efectivo control/monitoreo para TERMINAR EL
PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 9
Que tanto influye el factor: Suministro de formacin profesional para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 10
Que tanto influye el factor: Gerente de proyectos competente para TERMINAR
EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 11
Que tanto influye el factor: Usar tecnologa probada/familiar para TERMINAR
EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 12
Que tanto influye el factor: Adaptacin/cultura/estructura organizacional para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 13
Que tanto influye el factor: Presupuesto adecuado para TERMINAR EL
PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado

62
Pregunta 14
Que tanto influye el factor: Aprendizaje de Experiencias pasadas para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO
Nada poco suficiente mucho demasiado
Pregunta 15
Que tanto influye el factor: Buena comunicacin/retroalimentacin para
TERMINAR EL PROYECTO CON EL PRESUPUESTO PROGRAMADO.
Nada poco suficiente mucho demasiado
Pregunta 16
Que tanto influye el factor: Participacin del usuario/cliente para CUMPLIR
CON EL PRESUPUESTO DEL PROYECTO INDUSTRIAL
Nada poco suficiente mucho demasiado
ESCALA DE LIKERT
La escala de Likert fue desarrollada en los aos 20 en una tentativa de mejorar
los niveles de la medida en la investigacin social con el uso de aspectos
estandarizados en la respuesta de los cuestionarios evaluados. Es una de las
mediciones de actitud usadas ms frecuentemente por las ciencias sociales. Se
les solicita a los encuestados que establezcan su nivel de acuerdo con una serie
de actitudes establecidas.

Una vez recopilada la informacin de los diversos artculos considerados como

aportadores al objeto de estudio, es posible aplicar mtodos estadsticos
descriptivos e inferenciales a estos resultados, por ejemplo; promedios, moda,
desviacin estndar, varianza, intervalos de confianza, tamao del efecto,
prueba de homogeneidad clculos considerados validos dentro de la
metodologa Meta anlisis y tener la facilidad de expresar con grficos algunos
resultados.

Tabla 3.7 Escala de Likert.

Escala de Likert

63
 Totalmente en desacuerdo 1

Parcialmente en desacuerdo 2

Parcialmente de acuerdo 3

Totalmente de acuerdo 4

3.1.2 ESTIMACIN

Una vez que el modelo ha sido especificado, que se han identificado sus
parmetros y los datos han sido preparados para su anlisis, la implementacin
de SEM se mueve hacia la estimacin. El objetivo de la estimacin es encontrar
valores para los parmetros libres que minimicen la discrepancia entre la matriz
de la covarianza observada y la estimada, o que implique, matriz de covarianza
dado el modelo y los datos. Los medios por los cuales las estimaciones de
parmetros son derivados dependen del nmero de mtodos posibles de
estimacin que son usados.

3.1.3 EVALUACIN DE AJUSTE

Aunque un conjunto de parmetros estimados obtenidos de datos apropiados

por un modelo identificado son los que minimizan la discrepancia entre las
matrices de covarianzas observadas e implcitas, esa discrepancia puede ser
relativamente grande o pequea. Es decir, los parmetros fijos y estimados
pueden implicar una matriz de covarianza que es suficientemente similar a la
matriz de covarianza observada para apoyar una inferencia de que el modelo se
ajusta a los datos; o puede implicar una matriz de covarianza en la cual uno o
ms valores son suficientemente discrepantes de los datos observados que el
modelo no se ajusta a los datos. En el anlisis de SEM, la evaluacin del ajuste
concierne si el modelo especificado ofrece una cantidad aceptable de datos o si

64
 debe ser rechazado (si el intento es estrictamente confirmatorio) o re-
especificado (si el intento original o reconsiderado es la generacin del modelo).

3.1.4 RE-ESPECIFICACIN

Refirindonos de nuevo a la figura [X], la evaluacin de ajuste puede enviar al

investigador en una o dos direccionesa la interpretacin y reporte, o a la re-
especificacin (la excepcin comienza cuando SEM es usado estrictamente con
un fin confirmatorio, en tal caso la re-especificacin no es una opcin).

Aunque la interpretacin y reporte es la direccin deseada, comnmente la

evaluacin de ajuste no produce el apoyo para el modelo especificado y
cualquier alternativa, enviando al investigador en direccin a la re-especificacin.
Ntese que la re-especificacin requiere una consideracin de identificacin,
despus un regreso a la estimacin y evaluacin de ajuste. Una vez que el
investigador emplea la re-especificacin, independientemente del intento
original, el objetivo se ha desplazado a la generacin del modelo.

3.1.5 INTERPRETACIN Y REPORTE

Cuando la evaluacin de ajuste rinde apoyo al modelopara el modelo

originalmente especificado o para una versin modificada de esteel
investigador se mueve a la etapa final en la implementacin del marco de
trabajo. Dando los retos tcnicos asociados con la especificacin, estimacin, y
la evaluacin de ajuste, tal vez es sorprendente que muchas de las crticas
niveladas a SEM se han concentrado en la interpretacin y reporte de los
resultados, por esta razn el investigador que utiliza SEM debe tener especial
atencin en la interpretacin de resultados y la informacin de reporte acerca del
anlisis.

UN EJEMPLO SIMPLE

65
 Modelos de las relaciones entre dos variables observables, X y Y.

La trayectoria b1 en la figura [X] corresponde a un escenario alternativo, en el

cual el modelo se especifica primero, y despus los datos son adquiridos y

preparados para su anlisis. Aunque el nmero de los modelos que pueden ser

especificados en ese escenario es reducido por lo que es factible en trminos de

recopilacin de datos dados los recursos disponibles, esto al menos permite la

posibilidad de pruebas y especificacin del modelo ideal del investigador.

FORMATO

La decisin inicial en especificacin le concierne al formato que va a ser

utilizado para transmitir el modelo especfico. Es decir, cmo el investigador

formaliza las variables, relaciones y parmetros en el modelo; provee esta

informacin al programa computacional para ser usado parra pruebas y

estimaciones; y comunica el modelo en manuscritos y presentaciones?

IDENTIFICACIN

66
 Como se muestra en le figura anterior, la identificacin, aunque se

muestra como una consideracin separada en la implementacin de SEM, est

directamente relacionada con la especificacin de modelo.

La identificacin es sustancialmente una forma ms compleja que

evidente en este breve esquema, pero se ha provisto suficiente informacin para

hacer evidente tres puntos relevantes claves para la especificacin:

1. Aunque SEM es fuertemente flexible para el modelado de variables latentes y

las relaciones entre ellas, esa flexibilidad es temperada por la necesidad de

asegurar que los estimados nicos pueden ser obtenidos por todos los

parmetros para ser estimados en el modelo.

2. Los datos puntuales en SEM son las varianzas y covarianzas. Como tal, los

grados de libertad son una funcin de los nmeros de las variables observables

en el modelo, no el nmero de casos para los cuales hay datos.

3. Como con cualquier mtodo estadstico, un modelo no puede requerir la

estimacin de ms parmetro que el nmero de grados de libertad. A diferencia

de otros modelos estadsticos, en el caso de SEM estas dos cantidades pueden

ser iguales.

VALIDACIN DEL INSTRUMENTO DE MEDICION

TAMAO DE MUESTRA

Para calcular el tamao de la muestra suele utilizarse la siguiente frmula:

67
Donde:
n = el tamao de la muestra.
N = tamao de la poblacin.
Desviacin estndar de la poblacin que, generalmente cuando no se tiene
su valor, suele utilizarse un valor constante de 0,5.
Z = Valor obtenido mediante niveles de confianza. Es un valor constante que, si
no se tiene su valor, se lo toma en relacin al 95% de confianza equivale a 1,96
(como ms usual) o en relacin al 99% de confianza equivale 2,58, valor que
queda a criterio del investigador.
e = Lmite aceptable de error muestral que, generalmente cuando no se tiene su
valor, suele utilizarse un valor que vara entre el 1% (0,01) y 9% (0,09), valor que
queda a criterio del encuestador.
Donde:

N = 350 empresas aproximadamente de tamao mediano y grande en cd Jurez

2011

= 0.07 nivel de significancia

z = 1.81 valor

= 0.819 desviacin estndar promedio de tres encuestas

n = nmero de encuestas

350( 0.819)2 (1.81)2

n= =197
(3501)(0.07)2 +(0.819)2 (1.81)2

350(.6707)(3.2761)
n= =197 Encuestas mnimas para evaluacin
349 ( 4.9 x ) +(.6707)(3.2761)
3

VALIDACIN DE ENCUESTAS CON ALPHA DE CRONBACH

68
 Alfa de Cronbach y consistencia interna de los tems de un
instrumento de medida

La validez de un instrumento se refiere al grado en que el

instrumento mide aquello que pretende medir. Cuanto ms cerca se
encuentre el valor del alfa a 1 mayor es la consistencia interna de los
tems analizados.

Como criterio general, George y Mallery (2003) sugieren las

recomendaciones siguientes para evaluar los coeficientes de alfa de
Cronbach:

Coeficiente alfa >.9 es excelente

Coeficiente alfa >.8 es bueno

Coeficiente alfa >.7 es aceptable

Coeficiente alfa >.6 es cuestionable

Coeficiente alfa >.5 es pobre

Coeficiente alfa <.5 es inaceptable

A continuacin se muestran las tablas de validacin de las encuestas

de cada uno de los criterios por medio del mtodo de Alpha de

Cornbach. Como se muestra en los tres anlisis por el estadstico de

fiabilidad los coeficientes de alpha de Cornbach resultaron buenos.

Tabla [x]. Validacin del criterio: terminar a tiempo el proyecto industrial.

69
Tabla [x]. Validacin del criterio: cumplir con la calidad del proyecto industrial

70
Tabla [x]. Validacin del criterio: cumplir con el presupuesto del proyecto

industrial

71
3.9 ANLISIS ESTADSTICO APLICANDO LA METODOLOGA
SEM

Con estos 16 factores crticos mostraremos una tabla de correlacin y

covarianzas entre parejas de factores para cada uno de los tres criterios a
evaluar: terminar a tiempo el proyecto industrial, cumplir con el presupuesto del
proyecto industrial y cumplir con la calidad del proyecto industrial, con un total
de 256 correlaciones por cada criterio de evaluacin, donde se sealan las
correlaciones ms significativas con nivel P-value de P< 0.01, como se muestra
en la tabla [X] dando un total de 11 factores crticos considerados para la
construccin del modelo. Todos estos valores de correlacin y covarianza
fueron calculados con el software estadstico SPSS 22.

72
 Tabla [x] Correlacin y
covarianza por parejas de factores
para terminar a tiempo el proyecto
industrial.

73
Tabla [x] Correlacin y covarianza por parejas de factores para y cumplir con la calidad del proyecto industrial.

74
Tabla [x] Correlacin y covarianza por parejas de factores para y cumplir con el presupuesto del proyecto industrial.
75
Tabla de factores crticos segn el valor de correlacin bivariada

76
4. ANLISIS Y RESULTADOS

En esta seccin se muestra la evaluacin de los once factores crticos resultantes del
anlisis de correlaciones y covarianzas realizado anteriormente.

DESARROLLO DE UN BUEN MODELO TERICO

A continuacin se muestran los factores crticos propuestos y ms importantes resultantes

del anlisis terico de los factores encontrados a travs de la metodologa meta-anlisis,
clasificacin por frecuencias y de los resultados empricos arrojados por las encuestas
aplicadas en las empresas de la regin, los cuales se evaluaran por medio herramientas
estadsticas como el anlisis factorial exploratorio y anlisis factorial confirmatorio para

77
determinar las ecuaciones estructurales donde tambin se relacionen los criterios de
xito.

Figura [x]. Modelo terico inicial propuesto.

PROYECCIN DE DATOS

En esta seccin se muestran los resultados arrojados por las encuestas los cuales han
sido proyectados en una hoja de trabajo en el programa estadstico SPSS v.22.

78
Figura [x]. Proyeccin de datos, vista de variables.

Figura [x]. Proyeccin de datos, vista de datos

79
 Figura [x]. Proyeccin de datos, vista de datos con etiquetas de valor

ANLISIS FACTORIAL EXPLORATORIO

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

80
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).

TIPOS DE ROTACION

La rotacin provoca cargas factoriales para ser ms claramente

diferenciadas, que a menudo es necesario para facilitar la interpretacin.
Varios tipos de rotacin estn disponibles para su uso.

Rotacin oblicua:

La rotacin oblicua est fundamentada que los factores estn

correlacionados y por consecuencia la rotacin ortogonal se maneja con el
supuesto que los factores no estn correlacionados entre s.

La eleccin del mejor mtodo de rotacin entre el ortogonal y el oblicuo es

aquel donde se obtiene la estructura ms simple de los componentes.

Rotacin Varimax normalizada:

La rotacin varimax normalizada es del tipo ortogonal. Se conoce como

"varimax prima", es la rotacin de los ejes para maximizar la suma de la

81
varianza de las cargas al cuadrado en las columnas de la varianza en una
columna grande y si comprende valores pequeos y grandes (en el sentido
absoluto). En la rotacin de los ejes, las filas con cargas iniciales grandes, es
decir, con altas comunalidades tienen ms influencia que las filas con valores
slo pequeas. Kaiser sugerido que en el clculo de la rotacin ptima, todas
las filas deben tener el mismo peso. Esto se conoce generalmente como la
normalizacin de Kaiser y se conoce a veces como la normalizacin Horst
(Horst, 1965). La opcin normalizar se aplica este mtodo de normalizacin
para la rotacin.

Se eligi el mtodo varimax para tener un punto de partida que es la mxima

varianza al cuadrado en las columnas de cada factor correspondiente.

De esta manera al momento de estar siendo rotado se balancean las cargas

grandes iniciales observadas en la tabla de comunalidades y a travs de las
rotaciones, las cargas obtienen un peso (loads) similar.

82
Figura [x]. seleccin de factores para anlisis factorial

Figuara[x]. seleccin de tipos de rotacin.

83
Mtodos de Extraccin

Mxima verosimilitud. Mtodo de extraccin factorial que

proporciona las estimaciones de los parmetros que con mayor
probabilidad ha producido la matriz de correlaciones observada, si la
muestra procede de una distribucin normal multivariada. Las
correlaciones se ponderan por el inverso de la unicidad de las
variables, y se emplea un algoritmo iterativo.
Mnimos cuadrados no ponderados. Mtodo de extraccin de
factores que minimiza la suma de los cuadrados de las diferencias
entre las matrices de correlacin observada y reproducida, ignorando
las diagonales.
Alfa. Mtodo de extraccin factorial que considera a las variables
incluidas en el anlisis como una muestra del universo de las
variables posibles. Este mtodo maximiza el Alfa de Cronbach para
los factores.
Componenetes principales. El uso del anlisis de componentes
principales es el ms apropiado cuando se quiere dar cuenta de los
patrones de variacin en un conjunto nico de variables de niveles de
escalamiento ptimos. Esta tcnica intenta reducir la dimensionalidad
de un conjunto de variables, mientras que representa la mayor
cantidad de la variacin posible.

Para este trabajo se utiliz el mtodo de extraccin por componentes
principales

84
Figura (x) Seleccin del tipo de extraccin

85
Prueba KMO (Kaiser-Meyer-Olkin, Bartlett)
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 una 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.
Estadsticas KMO

Coeficiente KMO >.9 es excelente

Coeficiente KMO >.8 es bueno

Coeficiente KMO >.7 es aceptable

Coeficiente KMO >.6 es cuestionable

Coeficiente KMO >.5 es pobre

Coeficiente KMO <.5 es inaceptable

Matriz de configuracin inicial de tres factores (variables

latentes).

86
 Como se puede mostrar en la tabla (x)

Matriz de configuracin final de tres factores (variables

latentes).

87
Modelo estructural propuesto.

5. CONCLUSIONES
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

88
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
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 85 artculos
relacionados con proyectos de la industria los cuales se evaluaron con 27 de 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 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 siendo los ms utilizados el ramo
industrial. La investigacin aun no presenta conclusiones contundentes ya que est en
vas de desarrollo.

6. RECOMENDACIONES

La primera recomendacin es acerca de eliminar lo ms posible el sesgo de publicacin,

por lo que se recomienda la utilizacin de investigaciones de tesis y monografas ya que la
mayora de estos trabajos, las empresas en donde se realizaron no los publican, por lo
que una gran parte de esta informacin no se podra incluir en el MA, debido esto es
necesario tomar en cuenta estas fuentes de informacin para eliminar al mximo este
sesgo.

89
La segunda recomendacin es una reiteracin de una recomendacin pasada en las tesis
anteriores; sta acerca de utilizar publicaciones que aporten resultados cuantitativos, esto
debido a la importancia de que los datos que se obtenga de las publicaciones
seleccionadas deben de ser numricos, ya que ofrece una gran confiabilidad en los
resultados finales.

Po ultimo la recomendacin es continuar en la investigacin de este tema, ya que el

planteamiento y la informacin recabada justifican formalmente la investigacin hasta
llegar a una propuesta del modelo.

7. BIBLIOGRAFIA

-Arce, L. S y Lpez, S. H. A (2010). Valoracin de Gestin de Proyectos en Empresas de

Bogota. Revista EAN No.69.

90
-Belassi, W y Tukel, O. I. (1996). A new framework for determining critical success/failure
factors in projects. International Journal of Project Management.
-Day, Robert A. (1988). How to Write & Publish a Scientific Paper. Estados Unidos de
America: Editorial Ory Press.
-Del Castillo, C y Vargas, B (2009). El Proceso de gestin y desempeo organizacional:
Una aproximacin a la nueva gestin pblica desde el mbito de los gobiernos locales.
-Dvir, D.y Lechler, T. (2003) Plans are nothing, changing plans is everything: the impact of
changes on project success. ELSEVIER.
-Faloh, B. R. (2005). Desarrollo de un grupo de gestin. INNRED, Red Iberoamericana,
Centros de Apoyo a la Innovacin.
-Fortune, J. y White, D. (2005) Framing of project critical success factors by a systems
model. International Journal of Project Management.
-Hernndez, Sampieri Roberto, (1997). Metodologa de la investigacin. McGraw-Hill
INTERAMERICANA DE MEXICO, S.A. DE C.V.
-Kerzner, H. (1992) Project Management; a Systems approach to Planning, Scheduling
and Controlling. 4th Edition, Van Nostrand Reinhold, 6-7.
-Marn F. J. (2011) Manual de MiniTab 15 (con aplicaciones a las ciencias de la
documentacin). Departamento de Estadsticas e Investigacin Operativa. Facultad de
Matemticas.
-PMI. (1987). Project Management Body of Knowledge. Project Management Institute, PA.
-Rodrguez, G. D (2006). Modelos para la creacin y gestin del conocimiento: una
aproximacin terica. Universidad Autnoma de Barcelona.
- Saenz, C. Desiree, y Tinoco, M. Zahira (1999). Introduccion a la investigacin cientfica.
Farmacos, vol 12.
-Serer, F. M (2006). Gestin Integrada de proyectos. Edicions UPC.
- Vega, G. L. R (2006). Modelo del ciclo de vida de un proyecto de gestin tecnolgica y
vinculacin. I congreso Iberoamericano de Ciencia, Tecnologa, Sociedad e Innovacin
CTS+l.
-Wideman R. Max. (2003) Modeling Project Management. AEW Services, Vancouver, BC.

91
ANEXOS.

92
93