Recibido: 2/12/2025
Aceptado: 26/12/2025
https://revistas.unj.edu.pe/index.php/pakamuros
94
ARTÍCULO ORIGINAL
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
Methodological pathway for instrument validation in engineering research
Abanto, R.
1
, Cabrera, F.
2
, Gonzáles, J.
3
, Ruiz, J.
4
, y Rodríguez, J.
5
RESUMEN
El proceso de validación de instrumentos de medición es fundamental en la investigación, particularmente
en el campo de la ingeniería, para garantizar que los datos obtenidos sean confiables, este proceso consta
de dos fases principales: una cualitativa y una cuantitativa, la fase cualitativa se basa en el juicio de expertos,
quienes evalúan la pertinencia del instrumento, para cuantificar este consenso y reducir la subjetividad, se
emplea el coeficiente V de Aiken, posteriormente, la fase cuantitativa se enfoca en medir la fiabilidad
interna del instrumento utilizando el Alfa de Cronbach, con un valor aceptable entre 0.7 y 0.9 tras la
validación, se evalúa la normalidad de los datos utilizando pruebas como la de Shapiro-Wilk para muestras
pequeñas (menos de 50) o la de Kolmogorov-Smirnov para muestras grandes (50 o más), esta evaluación
es crucial para la selección de las pruebas estadísticas adecuadas: si los datos siguen una distribución
normal, se aplican pruebas paramétricas como la t de Student; de lo contrario, se opta por pruebas no
paramétricas como la U de Mann-Whitney.
Palabras clave: Coeficiente V de Aiken; Alfa de Cronbach; Prueba de normalidad.
ABSTRACT
The process of validating measurement instruments is fundamental to research, especially in engineering,
to ensure that the data obtained is reliable. This process consists of two main phases: a qualitative and a
quantitative one. The qualitative phase is based on the judgment of experts, who evaluate the instrument's
relevance. To quantify this consensus and reduce subjectivity, Aiken's V coefficient is used. Subsequently,
the quantitative phase focuses on measuring the instrument's internal reliability using Cronbach's Alpha,
with an acceptable value between 0.7 and 0.9. After validation, the normality of the data is evaluated using
tests such as Shapiro-Wilk for small samples (less than 50) or Kolmogorov-Smirnov for large samples (50
or more). This evaluation is crucial for selecting the appropriate statistical tests: if the data follows a normal
distribution, parametric tests like the t-Student are applied; otherwise, non-parametric tests like the Mann-
Whitney U are chosen.
Keywords: Coefficient V of Aiken’s; Cronbach’s Alpha; Normality Test.
*
Autor para correspondencia
1
Universidad Nacional de Trujillo, Perú. Email: rabantod@unitru.edu.pe ; jgonzalez@unitru.edu.pe;
jrodriguezmon@unitru.edu.pe; jsirlopu@unitru.edu.pe
2
Universidad Señor de Sipán, Perú. Email: csernaqueflorro@uss.edu.pe
Volumen 13, Número 4, Octubre-Diciembre, 2025, Páginas 94 al 115
DOI: https://doi.org/10.37787/z2whae41
Abanto et al.
111
INTRODUCCIÓN
La validación de instrumentos es fundamental en la investigación, especialmente en
ingeniería, para asegurar la credibilidad y fiabilidad de las mediciones (Santos et al., 2025), por
ello se presenta una ruta para validar y analizar la consistencia de los instrumentos de investigación
en ingeniería, este proceso garantiza que el instrumento evalúe lo que se diseñó y asegura la calidad
y fiabilidad de los datos (Lages y Martínez, 2023), lo que impacta la validez de los resultados; la
construcción de un instrumento incluye fases cualitativas y cuantitativas (Díaz y Terrazas, 2023)
para evaluar la claridad, pertinencia y suficiencia de los ítems. La consistencia interna y la
validación son clave para obtener resultados confiables y relevantes (Cascaes et al., 2015).
Esta ruta, centrada en técnicas como, el juicio de expertos asegura la adecuación y
fiabilidad de los instrumentos (Galicia et al., 2017), pues especialistas evalúan la claridad,
coherencia, relevancia y suficiencia de los ítems (Rodríguez, 2021), apoyado en las herramientas
virtuales, que han optimizado este proceso al facilitar la organización y registro de opiniones,
agilizando tiempos y reduciendo ambigüedades (Molina et al., 2016; López et al., 2019). Para
cuantificar el consenso entre expertos se usa el coeficiente V de Aiken, esta medida robusta
incorpora un enfoque probabilístico que reduce la subjetividad y permite calcular intervalos de
confianza, generalmente con el método score de Wilson, mejorando la precisión (Rodríguez,
2015), evaluando la validez de contenido, cuantificando el acuerdo sobre la relevancia de los ítems
en una escala de 0 a 1, destacando por su simplicidad y solidez metodológica (Robles, 2018).
Una vez validado el contenido, es esencial evaluar la fiabilidad del instrumento,
específicamente su consistencia interna, usando el Alfa de Cronbach (Roco et al., 2024), un valor
entre 0.7 y 0.9 es generalmente aceptable, aunque desde 0.6 puede ser tolerable en ciertos
contextos, por ello es importante determinar los intervalos de confianza del Alfa (Caycho, 2017),
ya que ofrecen una visión más precisa de su valor real. El Alfa puede variar por factores como el
número de opciones en escalas Likert, la presencia de valores atípicos y el tamaño muestral (Toro
et al., 2022).
Para una validación integral, se consideran otras pruebas estadísticas:
Pruebas de normalidad (Kolmogorov-Smirnov y Shapiro-Wilk); esenciales para evaluar si
los datos siguen una distribución normal, basándose en la hipótesis nula de normalidad (Roco et
al., 2023). Kolmogorov-Smirnov con corrección de Lilliefors evalúa el ajuste a una distribución
95
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
normal mediante la prueba de significancia de la hipótesis nula (Domínguez, 2018). Pruebas de
correlación (Pearson y Spearman), que evalúa relaciones lineales, mientras que Spearman analiza
relaciones monotónicas sin requerir linealidad (Apaza et al., 2022).
Test de Chi-cuadrado; útil para analizar la relación entre variables cualitativas,
comparando datos observados con los esperados bajo la hipótesis de independencia; el valor del
estadístico y su p-valor indican la existencia de asociación (Cerda y Villaroel, 2007).
En consecuencia, el objetivo de esta investigación es proponer y describir una ruta
metodológica para la validación de instrumentos en ingeniería, integrando el juicio de expertos y
el análisis de consistencia interna, este estudio se centra en la propuesta procedimental, validando
su operatividad técnica mediante el cálculo de intervalos de confianza y la verificación de
supuestos de normalidad para asegurar la fiabilidad de los datos en ciencias aplicadas
Es importante precisar que la ruta metodológica propuesta en este trabajo está diseñada
primordialmente para investigaciones cuantitativas en el ámbito de la ingeniería que requieren el
uso de instrumentos estructurados de medición, si bien los procedimientos descritos proporcionan
un marco robusto para garantizar la validez y fiabilidad técnica, su aplicación en enfoques de
carácter cualitativo o mixto debe considerarse de forma parcial y complementaria, quedando
siempre condicionada al paradigma epistemológico que sustente la investigación; asimismo,
aunque esta ruta es transversal a diversos campos de la ingeniería donde se empleen escalas de
medición de actitudes, conocimientos o percepciones, su validez se circunscribe a contextos donde
la cuantificación de variables sea el eje central del análisis estadístico, previniendo así
extrapolaciones indebidas en estudios de naturaleza puramente fenomenológica o interpretativa
MATERIALES Y MÉTODOS
Para garantizar la calidad y fiabilidad de los resultados, se valida el instrumento mediante
juicio de expertos utilizando el coeficiente V de Aiken, que mide el consenso sobre la relevancia
de los ítems. Participaron entre 5 expertos, quienes evaluaron relevancia, claridad y coherencia en
escala ordinal (1 a 5). Se aplicó la fórmula original de Aiken y la modificada por Penfield y
Giacobbi (2004), además del intervalo de confianza del valor V según el método de Wilson. Los
criterios de interpretación serán: liberal (V₀=0.50), moderado (V₀=0.70) y estricto (V₀=0.80). La
96
Abanto et al.
111
fiabilidad interna se mide con el Alfa de Cronbach, que evalúa la consistencia entre ítems. Se
considerará aceptable un valor entre 0.70 y 0.90, y admisible desde 0.60 en ciertos casos, según
Nunnally y Bernstein (1994), se calcula también intervalos de confianza del Alfa con el método
de Feldt (1965), factores como el tipo de escala Likert, valores atípicos y tamaño muestral pueden
influir en su valor. A través de una prueba piloto, que incluya al menos 30 encuestados; previo al
análisis inferencial, se verificará la normalidad de los datos. Para muestras < 50, se usará la prueba
de Shapiro-Wilk; para muestras ≥ 50, la Kolmogorov-Smirnov con corrección de Lilliefors. Si p
> 0.05, se asume distribución normal; si p ≤ 0.05, se rechaza la normalidad. Según los resultados,
se aplicarán pruebas paramétricas (como t de Student y correlación de Pearson) o no paramétricas
(como Mann-Whitney U, Kruskal-Wallis y correlación de Spearman).
Validación por juicio de expertos (V de Aiken)
Fórmula original de Aiken (1980, 1985)
Puntuación otorgada por el juez i
Número de categorías de la escala
Valor mínimo de la escala
Número total de jueces
El coeficiente V de Aiken para determinar la validez de contenido del instrumento, un
panel de entre 3 y 10 expertos en la temática evaluó la relevancia, claridad y coherencia de cada
ítem, en una escala ordinal (de 1 a 5).
V de Aiken modificado (Penfield y Giacobbi, 2004)
Donde:
Índice de validez de contenido (modificado)
Media de las puntuaciones asignadas por los jueces al ítem
Valor mínimo posible en la escala de calificación
Rango efectivo de la escala, definido como c - 1, es decir, el número total de opciones menos 1
Intervalo de confianza de V (score de Wilson)
El intervalo de confianza (IC) indica con qué grado de certeza podemos afirmar que el
valor de V se encuentra dentro de un rango determinado.
97
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
Límite inferior
Límite superior
Donde:
L, U Límite inferior y superior del intervalo de confianza, respectivamente
n Número de jueces
k Rango de la escala (k=c−1)
V Valor del coeficiente V de Aiken modificado
z Valor crítico de z según el nivel de confianza (por ejemplo: 1.96 para 95%)
No existe una "única tabla oficial" universal de intervalos de confianza (IC) para el V de
Aiken, pero sí hay tablas críticas desarrolladas por Aiken (1985) para valores mínimos aceptables
de V según el número de jueces y categorías de la escala, basadas en el valor crítico de V = 0.50;
sin embargo, con la propuesta de Penfield y Giacobbi (2004) y Soto y Segovia (2009), se
reemplazan esas tablas por intervalos de confianza construidos analíticamente, usando el método
de Wilson.
Dicho eso, algunos autores sí presentan tablas prediseñadas de límites inferiores críticos de
V para diferentes combinaciones de jueces y categorías, como orientación.
Tabla de referencia: Valores críticos del límite inferior del IC95% de V de Aiken, (Rango
de escala: 1–5; k = 4)
98
Abanto et al.
111
Tabla 1
Valores mínimos aceptables del límite inferior del Intervalo de
Confianza (IC 95%) para el coeficiente V de Aiken según el número
de jueces.
N.º de jueces (n)
Límite inferior
Mínimo
aceptable (IC95%)
3
0.75
4
0.78
5
0.79
6
0.80
7
0.81
8
0.82
9
0.83
10
0.84
Nota: El coeficiente V de Aiken, que solía depender de tablas críticas, ahora se analiza
con intervalos de confianza (IC) para mayor precisión. A pesar de esto, las tablas siguen
siendo útiles como guía, ya que establecen el límite inferior mínimo aceptable del IC
según el número de jueces, facilitando la validación de un instrumento.
Tabla 2
Criterios para el nivel de V
Nivel de
V
0
Nombre del
criterio
Significado
V
0
=0.50
Criterio liberal
Vincent, (1981)
Acepta ítems con baja concordancia entre jueces.
Útil en estudios exploratorios o con pocas restricciones.
Mayor tolerancia a ítems con validez moderada.
V
0
=0.70
Criterio moderado
o recomendado Charter,
(2003)
Considera válidos solo ítems con alta concordancia
entre jueces. Es el criterio más comúnmente usado en
validación de instrumentos.
V
0
=0.80
Criterio estricto
Exige muy alta concordancia, se usa en estudios
donde se requiere máxima precisión o rigurosidad
(evaluación clínica, psicometría avanzada, educación de alta
calidad).
Nota: El coeficiente V de Aiken tiene tres criterios de validación: el liberal (V
0
=0.50) para estudios exploratorios
con baja concordancia; el moderado (V
0
=0.70), el más común, que exige alta concordancia; y el estricto (V
0
=0.80),
que requiere la máxima concordancia para estudios de alta precisión.
EVALUACIÓN DE FIABILIDAD INTERNA (ALFA DE CRONBACH)
El análisis de consistencia interna es un proceso que evalúa la fiabilidad de una prueba,
examinando cómo cada ítem contribuye al conjunto, y puede complementarse con herramientas
gráficas que permiten visualizar patrones de respuesta y el impacto de incluir o eliminar ítems en
la escala (Ledesma et al., 2022).
De acuerdo con Soler y Soler (2012), el análisis de consistencia interna permite evaluar la
fiabilidad de un instrumento identificando ítems problemáticos y mostrando cómo su eliminación
99
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
o la estandarización de escalas mejora la coherencia de las respuestas, optimizando así la precisión
del instrumento.
Para Oviedo y Campo (2005), la consistencia interna como la medida de la correlación
entre ítems de una escala, evaluada principalmente mediante el alfa de Cronbach. Este coeficiente
debe aplicarse en escalas unidimensionales y su valor puede variar según la población, por lo que
debe interpretarse con cautela y reportarse en cada estudio.
Posterior a la aplicación piloto del instrumento (mínimo 30 encuestados), se calcula el
coeficiente alfa de Cronbach para estimar la consistencia interna del instrumento.
Coeficiente alfa de Cronbach
Número de ítems del instrumento
Varianza de cada ítem
Varianza total del test (suma total de ítems por persona)
Tabla 3
El valor del alfa fue interpretado como sigue:
Valor de α
Interpretación (Nunnally & Bernstein, 1994)
α< 0.6
Mala consistencia (debe revisarse el instrumento)
0.6 ≤ α < 0.70
Aceptable en estudios exploratorios
0.7≤ α < 0.80
Buena consistencia
0.8 ≤ α < 0.90
Muy buena consistencia
α ≥ 0.9
Excelente, aunque podría implicar redundancia
Nota: Se considera aceptable α≥0.70, deficiente α<0.60 y posible redundancia α≥0.90, según Nunnally & Bernstein
(1994).
Método basado en la distribución F (Feldt, 1965)
Este es el método clásico y el más utilizado. El intervalo se calcula usando fórmulas
relacionadas con la distribución F de Fisher (Feldt, 1965).
Fórmulas (IC del 95%):
Si α es el valor calculado, con k ítems y n sujetos, el intervalo de confianza al 95% se
estima así:
;
100
Abanto et al.
111
Donde:
PRUEBA DE NORMALIDAD
Antes de realizar el análisis estadístico inferencial, se verificó la distribución de los datos
mediante pruebas de normalidad:
Tabla 4
Pruebas de normalidad
Prueba
Tamaño
muestral
ventajas
Shapiro-Wilk
n < 50
Más potente para muestras pequeñas
Kolmogorov-
Smirnov
n ≥ 50
Bueno para distribuciones generales
Anderson-Darling
Cualquier n
Sensible en las colas
Lilliefors
n ≥ 50
Adaptación de KS para μ y σ
desconocidos
Nota: Normalidad evaluada con prueba de Shapiro-Wilk (n<50). Se asumió distribución normal si p>0.05 y no normal si p≤0.05.
Shapiro-Wilk (n < 50)
El p-valor fue el criterio de decisión:
• Si p>0.05: los datos se asumen con distribución normal
• Si p≤0.05: se rechaza la hipótesis de normalidad
La prueba de Shapiro-Wilk fue desarrollada por Samuel Shapiro y Martin Wilk (1965).
Evalúa si una muestra proviene de una población con distribución normal, comparando el orden
de los datos observados con los valores esperados de una distribución normal.
Es una prueba muy potente y sensible para tamaños de muestra pequeños o moderados
(usualmente n < 50, aunque puede usarse hasta n ≈ 2000 en software como SPSS o R).
Valores ordenados de menor a mayor (orden estadístico)
Media de la muestra
Constantes derivadas de los coeficientes esperados de los cuantiles de la normal
Tamaño de la muestra
Estadístico de Shapiro-Wilk (varía entre 0 y 1)
Kolmogorov-Smirnov (n ≥ 50)
La prueba de Kolmogorov-Smirnov (K-S) compara la distribución empírica acumulada de
los datos observados con la función de distribución acumulativa de una distribución teórica
101
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
(normal, uniforme, etc.). Fue desarrollada por Kolmogorov (1933) y extendida por Smirnov
(1939).
Para que sea adecuada como prueba de normalidad, se aplica normalmente con la
corrección de Lilliefors, ya que los parámetros (media y desviación estándar) son estimados de la
muestra, no fijados.
Donde
Estadístico de la prueba
Función de distribución acumulada empírica (de los datos)
Función de distribución acumulada teórica (normal estándar)
Supremum: el valor máximo de la diferencia entre ambas funciones
SELECCIÓN DE PRUEBAS ESTADÍSTICAS
La elección de pruebas estadísticas depende de la distribución de los datos:
(Flores Ruiz, Miranda Novales, & Villasís Keever, 2017), la prueba estadística adecuada
garantiza resultados válidos y confiables, depende del diseño del estudio, tipo de variables y
distribución de datos, un mal uso puede invalidar el análisis y afectar la credibilidad científica.
(Sánchez Solis, Raqui Ramirez, Huaroc Ponce, & Huaroc Ponce, 2024), la prueba de
normalidad asegura un análisis estadístico válido. Shapiro-Wilk se usa en muestras <50 y
Kolmogorov-Smirnov en >50. Determina si aplicar pruebas paramétricas o no paramétricas, y
combinar métodos numéricos y gráficos mejora su precisión.
A) Si los datos son normales (paramétricas):
Comparación de medias: t de Student,
Donde:
Medias de los grupos 1 y 2.
Varianzas muestrales de los grupos.
Tamaños de las muestras.
102
Abanto et al.
111
Grados de libertad (df):
(Fórmula de Welch-Satterthwaite para varianzas desiguales).
Casos específicos
a) Muestras con varianzas iguales
, , se usa una varianza combinada
, donde
Grados de libertad (df):
b) Muestras pareadas (datos dependientes)
Para comparar mediciones antes/después en los mismos sujetos:
Si las varianzas se asumen iguales
Donde:
Media de las diferencias entre pares.
Desviación estándar de las diferencias
Número de pares.
Grados de libertad
Interpretación
Valor crítico: Comparar el valor t calculado con el valor crítico de la tabla t (según df y
nivel de significancia α, ej. 0.05).
Decisión:
Si t>tcrıítico, se rechaza la hipótesis nula H0: no hay diferencia entre medias).
Si p-valor<α, la diferencia es significativa.
Correlación: Pearson
Interpretación de r:
+1: Correlación positiva perfecta.
-1: Correlación negativa perfecta.
0: No hay correlación lineal.
Valores intermedios (ej.: 0.7, -0.3): Intensidad de la relación.
103
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
B) Si los datos no son normales (no paramétricas):
Comparación de medianas: Mann-Whitney U, Kruskal-Wallis
Mann-Whitney U
Es una prueba no paramétrica para comparar dos grupos independientes,
alternativa a la prueba t de Student para muestras independientes.
Supuestos:
Muestras independientes
Variables ordinales, de intervalo o razón
No requiere normalidad
Se tienen dos grupos con tamaños n
1
y n
2
. Se combinan todos los datos y se les
asignan ranks (rangos).
suma de rangos del grupo 1
suma de rangos del grupo 2
Se escoge el menor entre
y
como estadístico de prueba
Si las muestras son grandes (n>20), se puede aproximar a una normal:
Donde
,
Kruskal-Wallis H
Es una extensión del Mann-Whitney para más de dos grupos independientes.
Alternativa no paramétrica al ANOVA.
104
Abanto et al.
111
Supuestos:
Grupos independientes
Medición ordinal o superior
No requiere homogeneidad de varianzas
número total de observaciones
número de grupos
suma de rangos del grupo i
número de observaciones en el grupo i
Corrección por empates
Si hay rangos empatados, se ajusta H:
Donde
para cada conjunto de empates (t: número de observaciones empatadas)
Distribución:
Para k≥3 y ni≥5, H sigue una distribución χ
2
con k−1 grados de libertad.
Correlación Spearman: La correlación de Spearman es una medida no paramétrica del
grado de asociación monótona entre dos variables. Evalúa si a medida que una variable aumenta,
la otra tiende a aumentar (o disminuir), sin requerir que la relación sea lineal
Donde:
n: Número de observaciones.
diferencia entre los rangos de cada par de valores
Casos especiales:
Si hay empates: Se usa la fórmula de Pearson aplicada a los rangos:
Donde:
rangos de las variables X y Y
covarianza entre los rangos
105
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
desviaciones estándar de los rangos
Es fundamental precisar que el presente estudio se define como una evaluación empírica
de la ruta metodológica propuesta, por tanto, los análisis estadísticos presentados en las secciones
posteriores no pretenden establecer hallazgos sustantivos sobre variables finales de ingeniería, sino
que funcionan como evidencia demostrativa del desempeño y rigor de la ruta aplicada a un
instrumento piloto, de este modo, el objeto real de evaluación es el procedimiento de validación
en sí mismo, asegurando su aplicabilidad y reproducibilidad científica
RESULTADOS
La propuesta de esta ruta metodológica establece de forma secuencial las etapas necesarias
para garantizar la validez y fiabilidad de un instrumento de medición en el campo de la ingeniería,
se plantea un proceso estructurado que inicia con el juicio de expertos empleando el coeficiente V
de Aiken y sus intervalos de confianza mediante el método score de Wilson, considerando criterios
liberal, moderado y estricto para la toma de decisiones sobre cada ítem.
Para el Ítem 1 en los criterios de Suficiencia, Relevancia y Claridad.
Luego, para todos los ítems:
Los valores obtenidos mediante el coeficiente V de Aiken confirman una alta validez de contenido del
instrumento, al situarse todos por encima de 0,80. El promedio general de 0,896 evidencia un sólido consenso entre
los expertos sobre la claridad, relevancia y suficiencia de los ítems, garantizando que el cuestionario es técnicamente
apto para medir las variables de investigación de manera precisa.
106
Abanto et al.
111
Tabla 5
Validación del instrumento con V-Aiken
Var
iable
Dime
nsión
Subdimensión
Í
tem
Sufici
encia
Relev
ancia
Cla
ridad
Pro
medio V
VI
D1
(SD1)
1
0.850
0.950
0.80
0
0.86
7
2
0.900
1.000
0.80
0
0.90
0
3
0.900
0.950
0.85
0
0.90
0
D1
(SD2)
4
0.850
0.850
0.85
0
0.85
0
5
0.950
0.900
0.95
0
0.93
3
6
0.850
0.850
0.90
0
0.86
7
D2
(SD3)
7
0.850
0.950
1.00
0
0.93
3
8
0.900
0.800
1.00
0
0.90
0
9
1.000
0.850
0.90
0
0.91
7
VD
D1
(SD1)
1
0
0.900
0.900
0.90
0
0.90
0
1
1
0.850
0.900
0.90
0
0.88
3
1
2
0.850
0.850
0.90
0
0.86
7
1
3
0.900
0.850
0.95
0
0.90
0
D1
(SD2)
1
4
0.850
0.850
0.90
0
0.86
7
1
5
0.950
0.950
0.95
0
0.95
0
1
6
1.000
0.850
0.90
0
0.91
7
D2
(SD3)
1
7
0.900
0.850
1.00
0
0.91
7
1
8
0.800
0.850
0.90
0
0.85
0
1
9
0.900
0.900
0.90
0
0.90
0
2
0
0.900
0.900
-
0.90
0
TOTAL
0.89
6
Nota: Instrumento diseñado y aplicado a 5 jueces, donde la variable independiente (VI) tiene 2 dimensiones (D), 3 subdimensiones
(SD) y 9 ítems; mientras que la variable dependiente (VD) posee 2 dimensiones, 3 subdimensiones y 11 ítems.
107
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
Tabla 6
Fiabilidad del instrumento con Alfa de Cronbach
Encuesta
do
Ítems
I
1
I
2
I
3
I
4
I5
I
I
6
I
7
I
8
I
9
I1
0
I1
1
I1
2
I1
3
I1
4
I1
5
I1
6
I1
7
I1
8
I1
9
I2
0
E1
5
2
2
3
5
5
3
3
3
4
4
3
3
3
4
4
4
4
3
3
E2
5
3
3
3
5
5
3
4
4
3
4
3
3
4
4
4
3
3
3
4
E3
5
1
2
4
5
4
3
3
3
3
4
4
3
3
3
3
4
4
3
3
E4
5
1
1
4
5
5
3
3
4
3
3
3
4
3
4
4
3
3
4
3
E5
5
3
3
4
5
4
4
4
3
4
3
3
3
3
3
4
4
4
4
3
E6
5
2
3
2
5
5
4
3
3
3
3
4
4
3
4
3
3
3
3
3
E7
5
2
3
2
5
5
4
4
3
3
3
3
4
3
4
4
3
3
4
3
E8
5
1
1
3
5
4
3
3
3
3
3
4
3
3
3
4
4
4
3
4
E9
5
1
3
3
5
5
3
4
4
3
3
3
4
3
3
4
4
4
4
3
E10
5
3
3
3
5
4
4
3
3
4
4
4
4
3
4
4
4
4
4
3
E11
5
2
3
3
5
5
3
4
3
4
3
3
4
3
4
4
4
4
4
3
E12
5
1
1
3
5
5
4
3
4
3
3
4
4
3
3
3
4
4
3
4
E13
5
1
3
3
5
5
3
4
3
4
4
3
4
3
4
3
3
3
3
4
E14
5
3
3
3
5
5
4
3
4
3
4
4
4
4
3
3
3
3
4
3
E15
5
2
3
3
5
4
4
4
4
3
3
3
3
3
4
4
4
4
4
3
E16
5
1
1
4
4
4
4
4
3
3
4
4
3
4
3
4
3
3
4
4
E17
5
3
3
4
5
4
4
3
4
4
4
4
4
3
3
4
3
3
4
3
E18
5
2
2
1
3
3
4
4
4
4
3
4
3
4
4
3
3
3
4
4
E19
5
3
3
1
5
5
4
3
4
3
3
4
4
3
3
4
3
3
4
4
E20
5
3
3
1
5
5
4
3
3
4
4
3
4
4
3
4
3
3
3
3
E21
5
2
3
1
4
5
3
4
3
4
3
3
4
3
3
3
3
3
3
4
E22
5
2
3
1
5
4
4
4
4
4
3
3
3
3
3
4
3
3
3
4
E23
5
3
3
2
4
5
3
3
3
3
3
3
3
4
3
3
4
4
3
3
E24
5
3
3
2
4
4
4
3
4
4
4
4
4
3
4
4
4
4
4
3
E25
5
2
3
2
4
4
4
4
3
3
3
4
3
3
4
3
3
3
3
4
E26
5
3
3
2
5
4
4
4
4
3
3
3
3
3
3
4
4
4
3
3
E27
5
3
3
2
5
5
4
4
3
3
3
4
4
4
3
3
3
3
3
4
E28
5
3
3
2
5
4
4
3
3
3
3
3
3
3
3
4
3
3
4
3
E29
5
2
3
2
5
4
4
3
4
3
4
4
4
3
4
4
3
3
3
3
E30
5
3
3
2
5
4
4
4
3
3
3
3
3
3
4
4
4
4
4
3
El instrumento posee una validez de contenido óptima (V de Aiken = 0,896) y una
consistencia interna excelente (Alfa de Cronbach = 0,977), garantizando que es altamente preciso
y apto para su aplicación.
108
Abanto et al.
111
Se incorpora la evaluación de la consistencia interna a través del Alfa de Cronbach con sus
intervalos de confianza calculados mediante el método de Feldt, lo que permite estimar la
estabilidad del instrumento antes de su aplicación definitiva, el diseño contempla la verificación
de supuestos estadísticos previos, particularmente la normalidad de los datos (Shapiro-Wilk o
Kolmogorov-Smirnov), a fin de seleccionar pruebas paramétricas o no paramétricas de manera
justificada; con ello, la ruta metodológica ofrece un marco replicable, ordenado y adaptable a
distintos contextos de investigación.
Límites de fiabilidad (F para α IC del 95%) y un alfa de Cronbach
0,977138804015714:
Cálculo de grados de libertad:
Tabla 7
Valores críticos la fiabilidad
Función Excel
Valor Crítico
=+DISTR.F.INV(0,025;29;551)
1,603418431744420
=+DISTR.F.INV(0,975;29;551)
0,547956532238049
Para una prueba de hipótesis con α=0.05 (95% de confianza), los valores críticos
de F son:
Rechazamos H
0
sí F < 0,547956532238049 o F > 1,603418431744420
109
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
Esto significa que, con un 95% de confianza, el verdadero valor del coeficiente Alfa de
Cronbach se encuentra entre 0,9331040678295970 y 0,9633439369870740, lo que confirma la
robusta fiabilidad del instrumento.
DISCUSIÓN
Los resultados obtenidos en la validación del instrumento mediante el coeficiente V de
Aiken reflejan un alto nivel de consenso entre los expertos, con un valor global de V = 0,896, lo
que supera ampliamente el criterio moderado (V₀ = 0,70) recomendado por Charter (2003) y se
acerca al criterio estricto (V₀ = 0,80). Esto confirma la validez de contenido del instrumento en
cuanto a suficiencia, relevancia y claridad de los ítems, tal como señalan Galicia et al. (2017) y
Rodríguez Medina et al. (2021). La consistencia en las evaluaciones de los cinco jueces respalda
la adecuación del instrumento para medir las variables de interés en el contexto de la ingeniería,
reduciendo la subjetividad mediante un enfoque cuantitativo robusto (Penfield & Giacobbi, 2004;
Merino Soto & Livia Segovia, 2009).
La novedad de este estudio reside en la implementación de una ruta metodológica
secuencial que optimiza el juicio de expertos mediante herramientas virtuales (Molina et al., 2016)
y trasciende el uso convencional del coeficiente V de Aiken al incorporar un enfoque probabilístico
con intervalos de confianza de Wilson, permitiendo una toma de decisiones más robusta y precisa
(Rodríguez, 2015; Robles, 2018), Esta propuesta integral se complementa con el análisis de la
consistencia interna mediante el Alfa de Cronbach y sus intervalos de confianza (Roco et al., 2024;
Caycho, 2017), junto con una rigurosa evaluación de la normalidad (Kolmogorov-Smirnov y
Shapiro-Wilk) y asociación de variables (Pearson, Spearman y Chi-cuadrado), asegurando que la
elección de las pruebas estadísticas finales sea metodológicamente coherente con la naturaleza de
los datos.
La fiabilidad interna medida through el alfa de Cronbach resultó en un valor de α = 0,977,
con un intervalo de confianza del 95% entre 0,933 y 0,963, calculado mediante el método de Feldt
(1965); este valor no solo supera el umbral de 0,70 establecido por Nunnally y Bernstein (1994),
sino que se sitúa en el rango de excelencia, lo que indica una consistencia interna muy alta, no
obstante, como advierten Oviedo y Campo (2005) y Cascaes et al. (2015), valores excesivamente
altos pueden sugerir redundancia en los ítems, por lo que en futuras aplicaciones podría
110
Abanto et al.
111
considerarse una revisión para optimizar la longitud del instrumento sin comprometer su
confiabilidad.
La metodología propuesta integra validación cualitativa, cuantificación del consenso,
evaluación de la fiabilidad y verificación de supuestos, que frece un marco replicable y riguroso
para la validación de instrumentos en ingeniería, tal como destacan Lages Ruíz y Martínez Trujillo
(2023) y Díaz Vega y Terrazas Rodríguez (2023); este enfoque sistemático no solo mejora la
credibilidad de los datos, sino que también facilita la adaptación del instrumento a distintos
contextos de investigación.
CONCLUSIONES
La implementación de la ruta metodológica propuesta, que integra de forma secuencial la
validación por juicio de expertos mediante el coeficiente V de Aiken y la evaluación de la
fiabilidad interna a través del Alfa de Cronbach, demuestra ser un procedimiento robusto y eficaz
para garantizar la validez y confiabilidad de instrumentos de medición en el ámbito de la
investigación en ingeniería. Los resultados obtenidos, con un V de Aiken global de 0,896 y un
Alfa de Cronbach de 0,977 (IC95%: 0,933 - 0,963), confirman que el instrumento desarrollado
posee una excelente validez de contenido y una consistencia interna muy alta, superando los
criterios establecidos en la literatura especializada.
Este estudio evidencia la importancia de emplear métodos mixtos (cualitativos y
cuantitativos) en la validación de instrumentos, tal como recomiendan autores como Díaz y
Terrazas (2023) y Cascaes et al. (2015). El uso del coeficiente V de Aiken, complementado con
intervalos de confianza mediante el método de Wilson, permitió cuantificar el consenso entre
expertos de manera precisa y reducir la subjetividad inherente al juicio de expertos. Asimismo, el
cálculo del Alfa de Cronbach junto con sus intervalos de confianza mediante el método de Feldt
(1965) proporcionó una estimación más exacta y confiable de la consistencia interna del
instrumento.
La aplicabilidad de esta ruta metodológica se extiende más allá del contexto inmediato de
este estudio, ofreciendo un marco replicable, ordenado y adaptable para la validación de
instrumentos en diversas áreas de la ingeniería y otras disciplinas. La incorporación de pruebas de
normalidad y la subsequent selección justificada de pruebas estadísticas (paramétricas o no
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
paramétricas) aseguran que los análisis inferenciales se basen en supuestos válidos, mejorando así
la credibilidad y solidez científica de los hallazgos futuros.
REFERENCIAS BIBLIOGRÁFICAS
Apaza Zúñiga, E., Cazorla Chambi, S., Condori Carbajal, C., Arpasi Meléndez, F. R., Tumi
Figueroa, I., Yana Viveros, W., & Quispe Coaquira, J. E. (2022). La Correlación de
Pearson o de Spearman en caracteres físicos y textiles de la fibra de alpacas. Revista de
Investigación Veterinaria, 33(3), e22908. doi:10.15381/rivep.v33i3.22908
Oviedo, H. C., & Campo Arias, A. (2005). Aproximación al uso del coeficiente alfa de Cronbach.
Revista Colombiana de Psiquiatría, 34(2), 572-580.
Robles Pastor, B. F. (2018). Índice de validez de contenido: Coeficiente V de Aiken. Pueblo
continente, 29(1), 193-197.
Aiken, L. R. (1980). Content Validity and Reliability of Single Items or Questionnaires.
Educational and Psychological Measurement, 44(4), 955–959.
doi:10.1177/001316448004000419
Cascaes da Silva, F., Gonçalves, E., Valdivia Arancibia, B. A., Graziele Bento, G., da Silva Castro,
T. L., Soleman Hernandez, S. S., & da Silva, R. (2015). Estimadores de consistencia interna
en las investigaciones en salud: el uso del coeficiente alfa. Revista Peruana de Medicina
Experimental y Salud Publica, 32(1), 129-138. Obtenido de
http://www.scielo.org.pe/scielo.php?pid=S1726-
46342015000100019&script=sci_abstract
Caycho Rodríguez, T. (2017). Confidence Intervals for Cronbach's alpha coefficient: contributions
to pediatric research. Acta Pedíadrica de México, 4, 291-292.
doi:10.18233/APM38No4pp291-2941440. Obtenido de
https://www.redalyc.org/journal/4236/423659205011/html/
Cerda L., J., & Villaroel del P., L. (2007). Interpretación del test de Chi-cuadrado (X2) en
investigación pediátrica. Revista chilena de pediatría, 414-417. doi:10.4067/S0370-
41062007000400010.
Charter, R. A. (2003). A breakdown of reliability coefficients by test type and reliability method,
and the clinical implications of low reliability. J Gen Psychol, 130(3), 290-304.
doi:10.1080/00221300309601160
Abanto et al.
111
Díaz Vega, G., & Terrazas Rodríguez, L. D. (2023). Construcción y validación de un instrumento
para evaluación de crisis familiares. Acta Médica Peruana, 40(4), 314-319.
doi:10.35663/amp.2023.404.2696
Dominguez Lara, S. (2018). Magnitud del efecto para pruebas de normalidad en investigación en
salud. Revista en Investigación Médica, 7(27), 92-93.
doi:10.22201/facmed.20075057e.2018.27.1776
Flores Ruiz, E., Miranda Novales, M. G., & Villasís Keever, M. Á. (2017). El protocolo de
investigación VI: cómo elegir la prueba Mestadística adecuada. Estadística inferencial.
Revista alergia México, 64(3), 364-370. Obtenido de
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-
91902017000300364
Galicia Alarcón, L. A., Balderrama Trápaga, J. A., & Edel Navarro, R. (2017). Validez de
contenido por juicio de expertos: propuesta de una herramienta virtual. Apertura
(Guadalajara, Jal.), 9(2), 42-53. doi:10.32870/Ap.v9n2.993
Lages Ruíz, J., & Martínez Trujillo, N. (2023). Validación de instrumentos para estudio de
referenciación en enfermería oftalmológica. Revista Cubana de Enfermería. 2023, 39,
e5652. Obtenido de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-
03192023000100003
Ledesma, R., Molina Ibañez, G., & Valero Mora, P. (2022). Análisis de consistencia interna
mediante Alfa de Cronbach: un programa basado en gráficos dinámicos. Revista Psico-
USF, 7(2), 143-152. Obtenido de
https://www.scielo.br/j/pusf/a/psJ44DfZRngHRYRp9C9PTKg/?format=pdf&lang=es
López Fernández, R., Avello Martínez, R., Palmero Urquiza, D. E., Sánchez Gálvez, S., &
Quintana Álvarez, M. (2019). Validación de instrumentos como garantía de la credibilidad
en las investigaciones científicas. Revista Cubana de Medicina Militar, 48(2), 441-450.
Obtenido de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0138-
65572019000500011
Merino Soto, C., & Livia Segovia, J. (2009). Intervalos de confianza asimétricos para el índice la
validez de contenido: Un programa Visual Basic para la V de Aiken. Anales de psicología,
25(1), 169-171. Obtenido de https://revistas.um.es/analesps/article/view/71631/69111
113
Ruta metodológica para la validación de instrumentos en investigación de ingeniería
112
Molina Achury, N., Forero Nieto, S., Ramos Caballero, D. M., Benavides Piracón, J., & Quintana
Cortés, M. A. (2016). Diseño y validación de un instrumento de evaluación de condiciones
de salud y trabajo de los fisioterapeutas en Colombia. Revista de la Facultad de Medicina
Humana, 64, S59-67. doi: 10.15446/revfacmed.v64n3Supl.51655
Nunnally, J. C., & Bernstein, I. B. (1994). Psychometric Theory. McGraw-Hill Companies,
Incorporated. doi:10.1177/014662169501900308
Penfield, R. D., & Giacobbi, P. R. (2004). Applying a Score Confidence Interval to Aiken's Item
Content-Relevance Index. Measurement in Physical Education and Exercise Science, 8(4),
213-225. doi:10.1207/s15327841mpee0804_3
Roco Videla, Á., Vladimir Flores, S., Olguin, M., & Maureira Carsalade, N. (2024). Alpha de
Cronbach y su intervalo de confianza. Nutrición Hospitalaria, 41(1), 270-271.
doi:10.20960/nh.04961
Roco Videla, Á., Landabur Ayala, R., Maureira Carsalade, N., & Olguin Barraza, M. (2023).
¿Cómo determinar efectivamente si una serie de datos sigue una distribución normal
cuando el tamaño muestral es pequeño? Nutrición hospitalaria, 40(1), 234-235.
doi:10.20960/nh.04519
Rodríguez Cordón, J. (2015). Analizando la V de Aiken Usando el Método Score con Hojas de
Cálculo. 1-7. Obtenido de https://www.researchgate.net/publication/277556053
Rodríguez Medina, M. A., Poblano Ojinaga, E. R., Alvarado Tarango, L., González Torres, A., &
Rodríguez Borbón, M. I. (2021). Validation by Expert Judment of an Evaluation
Instrument for Evidence of Conceptual Learning. RIDE Revista Iberoamericana para la
Investigación y el Desarrollo Educativo, 12(22), e240. doi:10.23913/ride.v11i22.960
S. Feldt, L. (1965). The Approximate Sampling Distribution of Kuder-Richardson Reliability
Coefficient Twenty. Psychometrika, 30(3), 589-600. doi:10.1007/BF02289499
Sánchez Solis, Y., Raqui Ramirez, C. E., Huaroc Ponce, E. J., & Huaroc Ponce, N. M. (2024).
Importancia de Conocer la Normalidad de los Datos Utilizados en los Trabajos de
Investigación por Tesistas. Revista Tecnológica-Educativa Docentes(17), 404-413.
doi:10.37843/rted.v17i2.554
Santos, P. A., Chuquisengo, E., & Vasquez, A. E. (2025). Diseño y validación de un instrumento
para medir el uso de la herramienta Julius AI en estudiantes universitarios peruanos.
Revista Espacios, 46(2), 204-212. doi:10.48082/espacios-a25v46n02p16
114
Abanto et al.
111
Soler Cárdenas, S. F., & Soler Pons, L. (2012). Usos del coeficiente alfa de Cronbach en el análisis
de instrumentos escritos. Revista Médica Electrónica, 34(1), 1-6. Obtenido de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684-18242012000100001
Toro, R., Peña Sarmiento, M., Avendaño, B. L., & Mejía Vélez, S. (2022). Análisis Empírico del
Coeficiente Alfa de Cronbach según Opciones de Respuesta, Muestra y Observaciones
Atípicas. Revista Iberoamericana de Diagnostico y Evaluacion Psicologica, 2(63), 17-30.
doi:10.21865/RIDEP63.2.02
Vincent Cicchetti, D., & Sparrow, S. A. (1981). Developing Criteria for Establishing Interrater
Reliability of Specific Items: Applications to Assessment of Adaptive Behavior. American
Journal of Mental Deficiency, 86(2), 127-37.
115
