Tecnologías de la Información aplicadas a la simulación
probabilística de estabilidad geotécnica mediante Python
Information Technologies applied to probabilistic simulation of
geotechnical stability using Python
Recibido: 15/04/2026 - Aceptado: 10/07/2026
Jesus Kliver Anchiraico Alderete
https://orcid.org/0009-0003-6434-0151
janchiraico@uncp.edu.pe
Universidad Nacional del Centro del Perú. Huancayo, Perú
Eugenio Emilio Orellana Mendoza
https://orcid.org/0000-0002-8302-378X
eeorellana@uncp.edu.pe
Universidad Nacional del Centro del Perú. Huancayo, Perú
Vilma Ayre Balbin
https://orcid.org/0009-0005-1580-3935
vayre@uncp.edu.pe
Universidad Nacional del Centro del Perú. Huancayo, Perú
César Roberto Toykin Mucha
https://orcid.org/0009-0004-7050-907X
ctoykin@uncp.edu.pe
Universidad Nacional del Centro del Perú. Huancayo, Perú
Resumen
Las Tecnologías de la Información (TI) han transformado la ingeniería geotécnica al permitir el desarrollo de
simulaciones computacionales que superan las limitaciones de los métodos determinísticos tradicionales. En este
contexto, el presente estudio tuvo como objetivo diseñar una herramienta de simulación probabilística de
estabilidad geotécnica implementada en Python, integrando las tecnologías de simulación Monte Carlo (50.000
iteraciones) y estimación puntual de Rosenblueth (32 combinaciones) para cuantificar la incertidumbre del Factor
de Seguridad (FS) en excavaciones subterráneas. Metodológicamente, el enfoque es cuantitativo de tipo
proyectivo; se emplearon las bibliotecas científicas NumPy, SciPy y Matplotlib, definiendo distribuciones
estadísticas truncadas para los parámetros geomecánicos de entrada. Los resultados mostraron que la
herramienta digital desarrollada obtiene un FS medio de 3,602 (σ = 0,577), un índice de confiabilidad β = 4,512 y
una probabilidad de falla P(FS<1) ≈ 0,00%, con plena concordancia entre ambos métodos (discrepancia < 1,5%)
y un tiempo de cómputo de apenas 0,12 segundos. La prueba de Kolmogorov-Smirnov validó la distribución
lognormal como modelo de ajuste funcional (KS = 0,0073). Se concluye que la aplicación de Tecnologías de la
Información mediante Python constituye una herramienta digital eficaz y accesible para la gestión de riesgos
geotécnicos, que optimiza el diseño del sostenimiento sin comprometer la seguridad.
Palabras clave: simulación probabilística, estabilidad geotécnica, Python.
Abstract
Information Technology (IT) has transformed geotechnical engineering by enabling the development of
computational simulations that overcome the limitations of traditional deterministic methods. In this context, the
objective of this study was to design a probabilistic geotechnical stability simulation tool implemented in Python,
integrating Monte Carlo simulation (50,000 iterations) and Rosenblueth point estimation (32 combinations) to
2
quantify the uncertainty of the Safety Factor (SF) in underground excavations. Methodologically, the approach is
quantitative and projective; the scientific libraries NumPy, SciPy, and Matplotlib were used, defining truncated
statistical distributions for the input geomechanical parameters. The results showed that the developed digital tool
yields an average SF of 3.602 (σ = 0.577), a reliability index β = 4.512, and a failure probability P (FS<1) ≈ 0.00%,
with full agreement between the two methods (discrepancy < 1.5%) and a computation time of just 0.12 seconds.
The Kolmogorov-Smirnov test validated the log-normal distribution as the functional fit model (KS = 0.0073). It is
concluded that the application of information technology using Python constitutes an effective and accessible digital
tool for geotechnical risk management, which optimizes support design without compromising safety.
Keywords: probabilistic simulation, geotechnical stability, Python.
Introducción
Las Tecnologías de la Información (TI) han irrumpido de manera decisiva en disciplinas de la ingeniería
que históricamente dependían de cálculos manuales o de software comercial de alto coste. En el campo de la
ingeniería geotécnica, esta transición digital se manifiesta en la adopción de lenguajes de programación de código
abierto —especialmente Python— y de bibliotecas científicas especializadas que permiten implementar
simulaciones numéricas complejas con una accesibilidad sin precedentes (Harris et al., 2020; Virtanen et al., 2020).
La posibilidad de ejecutar decenas de miles de iteraciones en fracciones de segundo transforma la manera en que
los ingenieros abordan la incertidumbre inherente a los parámetros del suelo y la roca.
En la ingeniería de excavaciones subterráneas, el diseño del sostenimiento en macizos rocosos se
fundamenta tradicionalmente en enfoques determinísticos basados en valores promedio de parámetros
geomecánicos. Sin embargo, estos métodos presentan limitaciones significativas al no considerar la variabilidad
inherente de las discontinuidades, lo que puede conducir a estimaciones imprecisas del Factor de Seguridad (FS)
y a diseños de sostenimiento sobredimensionados o inseguros. En este contexto, la investigación geotécnica
contemporánea evidencia una transición hacia enfoques probabilísticos y confiabilísticos que incorporan la
incertidumbre en el análisis y mejoran la precisión del diseño (Qin et al., 2024).
La principal dificultad en los análisis probabilísticos de estabilidad de taludes radica en la incertidumbre
inherente de los parámetros del suelo, cuyos valores presentan una variabilidad significativa tanto espacial como
estadística (Chuaiwate et al., 2022; Kar & Roy, 2022). Las herramientas TI —en particular los entornos de
programación científica— ofrecen una solución a esta limitación al permitir la automatización de miles de
escenarios de cálculo, la visualización de distribuciones de probabilidad y la validación estadística de los modelos
en un único flujo de trabajo digital.
En este sentido, diversas investigaciones recientes confirman esta evolución metodológica impulsada por
las TI. Por ejemplo, Qin et al. (2024) destacan el crecimiento de los modelos basados en datos en el análisis de la
confiabilidad de túneles, mientras que Pandit & Sivakumar Babu (2021) demuestran que la variabilidad espacial
de los parámetros geomecánicos modifica significativamente la respuesta del sistema túnel-soporte. De manera
complementaria, Nguyen et al. (2024) evidencian que la anisotropía del macizo rocoso influye directamente en la
probabilidad de falla y Man et al. (2024) proponen metamodelos avanzados que reducen el costo computacional
sin comprometer la precisión del análisis.
Un aspecto crítico en la implementación de estos métodos es precisamente la eficiencia computacional
que brindan las herramientas TI. Aunque la simulación Monte Carlo es considerada una de las técnicas más
confiables para el análisis de confiabilidad geotécnica, requiere un elevado número de simulaciones. El entorno
Python, gracias a sus bibliotecas de cómputo vectorizado, permite ejecutar 50.000 simulaciones en décimas de
segundo (Rana et al., 2023). En respuesta a la demanda de mayor eficiencia, el método de estimación puntual de
Rosenblueth constituye una alternativa implementable digitalmente que permite obtener resultados comparables
a Monte Carlo con una fracción del costo computacional (Renaud & Al Heib, 2024).
Ante este contexto, el objetivo del presente estudio se centra en diseñar una herramienta de simulación
probabilística de estabilidad geotécnica implementada mediante Tecnologías de la Información —específicamente
el lenguaje Python y sus bibliotecas científicas— basada en los métodos Monte Carlo y Rosenblueth. La relevancia
de esta herramienta digital radica en su capacidad para responder a la pregunta clave del ingeniero de
excavaciones: ¿Cuánto sostenimiento es necesario para garantizar la seguridad sin comprometer el presupuesto,
considerando la incertidumbre inherente del terreno? Además, la diferencia entre el comportamiento real del
3
terreno y el predicho por los modelos numéricos constituye una fuente importante de incertidumbre que las TI
ayudan a cuantificar de forma sistemática y reproducible (Low & Boon, 2024; Nguyen & Marciniak, 2024).
Metodología
El estudio se centra en un enfoque cuantitativo y el tipo de investigación es proyectiva, definida por Hurtado
(2000) como aquella que consiste en desarrollar una propuesta, plan, programa o modelo como solución a un
problema o necesidad, en un área de conocimiento específica. El producto central es una herramienta digital
implementada en Python mediante Tecnologías de la Información.
La herramienta se desarrolló con el lenguaje de programación Python, seleccionado por ser una tecnología
de información de código abierto, ampliamente adoptada en la comunidad científica. Se utilizaron las siguientes
bibliotecas TI especializadas: NumPy (Harris et al., 2020), que proporciona cómputo vectorizado de alto
rendimiento para operaciones matriciales y estadísticas; SciPy (Virtanen et al., 2020), que provee algoritmos para
estadística, distribuciones de probabilidad y pruebas de bondad de ajuste; y Matplotlib (Hunter, 2007), que permite
la visualización gráfica científica de los resultados. La combinación de estas tecnologías constituye un ecosistema
digital integrado para el análisis de confiabilidad geotécnica.
Fórmula central de la simulación
La ecuación principal de la herramienta representa el Factor de Seguridad (FS) frente a deslizamiento
planar basado en el criterio de resistencia de Mohr-Coulomb (Hoek & Bray, 1981):
FS = [c·A + (W·cos ψ − U)·tan φ] / [W·sin ψ]
Donde: c = cohesión del plano de falla (kPa); A = área del plano de falla (m²); W = peso del bloque de roca
(kN); ψ = ángulo de buzamiento del plano de falla (°); U = fuerza de presión del agua (kN); φ = ángulo de fricción
interna (°).
Fases de desarrollo de la herramienta TI
La implementación digital se estructuró en las siguientes fases.
Fase 1 – Inicialización y carga de parámetros: el algoritmo define las propiedades geotécnicas de
entrada (cohesión, ángulo de fricción, buzamiento, peso del bloque y presión de agua) con sus
respectivas medias y desviaciones estándar, junto con el área fija de la superficie de falla (A = 25 m²).
Fase 2 – Configuración del muestreo: se establece N = 50.000 simulaciones para la rama Monte
Carlo.
Fase 3 – Procesamiento bifurcado: la herramienta ejecuta en paralelo dos ramas algorítmicas. En
la Rama Monte Carlo, la herramienta TI genera 50.000 valores aleatorios para cada variable mediante
distribuciones estadísticas truncadas, garantizando límites físicos realistas (sin valores negativos de
cohesión o fricción). Luego evalúa vectorialmente el FS sobre los 50.000 escenarios y extrae
indicadores clave: FS medio, desviación estándar (σ), Coeficiente de Variación (COV), índice de
confiabilidad (β) y probabilidad de falla (P_f). En la Rama Rosenblueth, la herramienta optimiza el
cómputo generando exactamente 2⁵ = 32 combinaciones fijas (μ ± σ) para las cinco variables de
entrada, evaluando el FS en esos 32 puntos y calculando analíticamente los momentos probabilísticos
con un factor de peso p = 1/32.
Fase 4 – Ajuste estadístico y validación: la herramienta ajusta una distribución lognormal a los
resultados de Monte Carlo y valida el ajuste mediante la prueba de Kolmogorov-Smirnov (KS). Fase
5 – Renderizado gráfico: la herramienta genera y exporta automáticamente en formato PNG (300 dpi)
un gráfico que superpone el histograma empírico de Monte Carlo con la curva lognormal teórica,
marcando visualmente el umbral FS = 1 y la media del FS.
Una vez concluidas las cinco fases de procesamiento, la herramienta TI consolida automáticamente los
indicadores de confiabilidad geotécnica —FS medio, desviación estándar, coeficiente de variación, índice β y
probabilidad de falla— junto con el gráfico de validación estadística exportado en formato PNG. Este flujo digital
4
integrado, que articula el cálculo probabilístico con la visualización y el diagnóstico de bondad de ajuste, constituye
la base sobre la cual se sustentan los hallazgos que se exponen a continuación en la sección de resultados.
Resultados
En este apartado se presentan los hallazgos derivados de la ejecución de la herramienta digital,
organizados en dos componentes complementarios: en primer lugar, los indicadores estadísticos de confiabilidad
geotécnica obtenidos mediante los métodos Monte Carlo y Rosenblueth; en segundo lugar, la representación
gráfica del flujo de procesamiento y de la distribución probabilística del Factor de Seguridad. Cada resultado se
acompaña de su respectiva interpretación técnica.
La herramienta TI desarrollada en Python produjo los siguientes resultados de ejecución, tal como se
muestra en la Tabla 1:
Tabla 1
Resultados de la simulación probabilística mediante la herramienta digital Python
Indicador
Monte Carlo
Rosenblueth
FS medio
3,602
3,598
Desviación estándar (σ)
0,577
0,567
Coeficiente de Variación (COV)
0,160
—
Índice de confiabilidad (β)
4,512
4,582
Probabilidad de falla P(FS<1)
0,00%
—
Tiempo de cómputo
0,1202 s
< 0,001 s
KS / p-valor
0,0073 / 0,0094
—
Nota. Elaboración propia mediante la herramienta digital Python
Los resultados de la Tabla 1 evidencian una alta concordancia entre ambos métodos probabilísticos: la
discrepancia relativa entre los índices de confiabilidad β obtenidos por Monte Carlo (4,512) y Rosenblueth (4,582)
es inferior al 1,5%, lo que confirma la robustez interna de la herramienta TI y la equivalencia funcional de ambas
rutas de cálculo. En términos prácticos, el FS medio superior a 3,5 y la probabilidad de falla prácticamente nula
(0,00%) indican que el diseño de sostenimiento analizado posee un margen de seguridad considerablemente
amplio frente al umbral crítico (FS = 1). Asimismo, la diferencia de más de tres órdenes de magnitud en el tiempo
de cómputo (0,1202 s frente a menos de 0,001 s) pone de manifiesto la ventaja computacional del método
Rosenblueth cuando se requieren evaluaciones rápidas o iterativas del diseño.
Por su parte, la Figura 1 muestra el diagrama de flujo de la herramienta TI desarrollada, el cual sintetiza
las cinco fases del proceso computacional, desde la inicialización de parámetros hasta el renderizado gráfico de
los resultados.
5
Figura 1
Diagrama de flujo de la herramienta TI para simulación probabilística de estabilidad geotécnica en Python.
Fuente: Elaboración propia
Como se aprecia en la Figura 1, el flujo se bifurca en dos rutas de cálculo paralelas —Monte Carlo y
Rosenblueth— que convergen nuevamente en la fase de ajuste estadístico, lo que evidencia el diseño modular de
la herramienta digital, cada rama puede ejecutarse de forma independiente según el nivel de precisión o de
eficiencia computacional que requiera el usuario, y ambas alimentan un único proceso de validación y renderizado
gráfico. Esta arquitectura bifurcada constituye, en sí misma, un aporte metodológico relevante para la
automatización de análisis probabilísticos en ingeniería geotécnica.
En cuanto a la Figura 2, ésta presenta el gráfico generado automáticamente por el algoritmo, que
superpone el histograma empírico de Monte Carlo con la curva de distribución lognormal ajustada.
6
Figura 2
Análisis probabilístico de deslizamiento planar generado por la herramienta digital.
Fuente: Elaboración propia
El eje X representa el Factor de Seguridad (FS) como variable aleatoria de salida; el eje Y, la densidad de
probabilidad. La Curva Monte Carlo (empírica) corresponde al histograma suavizado obtenido tras las 50.000
simulaciones digitales; la curva lognormal (paramétrica) representa el ajuste teórico, físicamente consistente dado
que el FS es un cociente de variables positivas que presenta asimetría positiva. La Línea Vertical FS = 1,0 marca
el umbral de falla (el área a su izquierda equivale a P_f); la Línea FS medio = 3,60 indica el valor central de la
distribución. En conjunto, ambas curvas exhiben una superposición prácticamente completa, lo que respalda
visualmente la calidad del ajuste lognormal pese a las discrepancias marginales detectadas por la prueba de
Kolmogorov-Smirnov.
Discusión
Los resultados obtenidos mediante la herramienta TI, desarrollada en Python, demuestran que las
Tecnologías de la Información constituyen un medio eficaz para superar las limitaciones de los métodos
determinísticos en el análisis geotécnico. Más allá de la descripción cuantitativa de los hallazgos, en los siguientes
apartados se interpretan críticamente sus implicaciones, se contrastan con la literatura previa —evaluando
coincidencias y discrepancias— y se ponderan las limitaciones metodológicas que condicionan su alcance.
Validez del modelo digital y dispersión estadística
El FS medio de 3,602 (Monte Carlo) y el coeficiente de variación (COV) del 16% son estadísticamente
coherentes con los rangos típicos reportados en la literatura para parámetros geotécnicos (la cohesión suele
presentar un COV de 0,20–0,30 y el ángulo de fricción interna, de 0,10–0,15). Para efectos de claridad, el COV
expresa la razón entre la desviación estándar y la media de una variable, de modo que valores más altos reflejan
mayor dispersión relativa y, por tanto, mayor incertidumbre asociada al parámetro analizado. En este caso, un COV
moderado indica que, si bien existe variabilidad inherente en los parámetros geomecánicos de entrada, esta se
mantiene dentro de márgenes razonables y no compromete la estabilidad numérica del modelo, lo que sugiere que
la herramienta TI está correctamente parametrizada y reproduce de manera realista el comportamiento estocástico
7
esperado para macizos rocosos fracturados (Chuaiwate et al., 2022; Kar & Roy, 2022). No obstante, esta
coherencia depende directamente de la calidad de los datos de entrada: en escenarios con información geotécnica
escasa o poco representativa del sitio específico, el modelo heredaría dicha incertidumbre sin capacidad de
corregirla internamente, lo que constituye una limitación a considerar en su aplicación práctica.
Probabilidad de falla y gestión digital del riesgo
Un índice de confiabilidad β = 4,512 corresponde, en la distribución normal estándar, a una probabilidad
de falla de 3,2 × 10⁻⁶ (0,00032%), que al redondearse a dos decimales se reporta como 0,00%. En términos
sencillos, el índice β cuantifica cuántas desviaciones estándar separan el valor esperado del Factor de Seguridad
respecto del umbral crítico (FS = 1); cuanto mayor es β, menor es la probabilidad de que el sistema falle. Desde el
punto de vista normativo (Eurocódigo 7, AASHTO LRFD), se exige habitualmente un β objetivo entre 3,0 y 4,0 para
fallas de tipo dúctil; el valor de 4,5 obtenido en este estudio indica que el diseño de sostenimiento evaluado está
sobredimensionado respecto al mínimo normativo exigible. Esta lectura crítica es relevante porque evidencia que
la herramienta TI no solo confirma la seguridad del diseño, sino que además permite identificar un margen técnico
y económico susceptible de optimización sin comprometer los niveles mínimos de confiabilidad estructural. Esta
capacidad de traducir resultados probabilísticos en decisiones concretas de ingeniería —reducir sostenimiento,
redistribuir recursos, priorizar sectores críticos— es, en definitiva, el valor agregado que las TI aportan al proceso
de toma de decisiones (Rusydy et al., 2024). Cabe advertir, sin embargo, que esta conclusión asume que los
parámetros geomecánicos de entrada representan fielmente las condiciones reales del macizo rocoso; una
caracterización geotécnica insuficiente podría subestimar la variabilidad real y, en consecuencia, sobrestimar la
confiabilidad calculada.
Prueba de Kolmogorov-Smirnov y limitaciones del ajuste
El valor p = 0,0094, al ser menor que el nivel de significancia convencional de 0,05, implica que, en sentido
estadístico estricto, la distribución lognormal no constituye un ajuste perfecto para los datos simulados. Para un
lector no familiarizado con las pruebas de bondad de ajuste, conviene precisar que la prueba de Kolmogorov-
Smirnov (KS) mide la distancia máxima entre la función de distribución empírica de los datos y la función de
distribución teórica propuesta; valores de p bajos señalan que dicha distancia es estadísticamente significativa.
Sin embargo, este resultado debe interpretarse con cautela, pues constituye un efecto esperado en muestras
masivas: con N = 50.000 observaciones, la prueba KS adquiere una potencia estadística muy elevada, capaz de
detectar diferencias mínimas —incluso en las colas de la distribución— que carecen de relevancia práctica y que
no son perceptibles visualmente en el histograma. Desde una perspectiva de ingeniería, resulta más relevante
evaluar la coincidencia entre los momentos estadísticos (media y varianza) y el área bajo la cola izquierda de la
distribución, que es precisamente la que determina la probabilidad de falla (Pf). En este sentido, la discrepancia
de apenas 1,5% en el índice β entre ambos métodos respalda la robustez funcional de la herramienta digital,
incluso cuando el ajuste distribucional no es matemáticamente exacto (Low & Boon, 2024). Esta distinción entre
significancia estadística y relevancia práctica constituye una limitación conceptual que debe considerarse al
interpretar pruebas de bondad de ajuste en estudios con tamaños muestrales elevados.
Eficiencia computacional de la herramienta TI
La herramienta basada en el método de Rosenblueth, al requerir solamente 32 evaluaciones frente a las
50.000 necesarias para Monte Carlo, demuestra que las Tecnologías de la Información pueden diseñarse en
múltiples niveles de eficiencia según la complejidad computacional del problema abordado. Esta diferencia resulta
especialmente relevante en escenarios donde cada evaluación individual del modelo geotécnico es costosa en
tiempo de cómputo, como ocurre en los modelos de elementos finitos tridimensionales, en los que una sola corrida
puede tardar horas; en tales casos, ejecutar 50.000 iteraciones de Monte Carlo sería computacionalmente inviable,
mientras que las 32 evaluaciones que exige Rosenblueth constituyen una alternativa práctica y accesible. Esta
capacidad de escalar la eficiencia computacional según el contexto del problema representa una ventaja
estratégica de las herramientas TI en la ingeniería contemporánea (Man et al., 2024; Pandit & Sivakumar Babu,
2021). No obstante, es importante reconocer que dicha eficiencia conlleva un costo conceptual: el método de
Rosenblueth se basa en una aproximación de momentos estadísticos de segundo orden, por lo que su precisión
puede degradarse en distribuciones con alta asimetría o ante correlaciones complejas entre variables, limitación
que no afecta de la misma manera al método Monte Carlo.
8
Síntesis crítica y limitaciones del estudio
En conjunto, los hallazgos discutidos evidencian que la herramienta TI desarrollada no solo reproduce de
manera fiable los resultados de dos métodos probabilísticos ampliamente validados en la literatura, sino que
además permite traducir dicha información estadística en criterios prácticos de diseño y gestión de riesgo. No
obstante, el alcance de estas conclusiones está condicionado por limitaciones metodológicas propias del estudio.
En primer lugar, el análisis se circunscribe a un mecanismo de falla planar con área de discontinuidad fija (A = 25
m²), por lo que su extrapolación a geometrías de falla más complejas —cuñas, superficies circulares o taludes
estratificados— requeriría desarrollos adicionales. En segundo lugar, los parámetros de entrada se definieron a
partir de distribuciones estadísticas truncadas sin contraste directo con datos de campo de un macizo rocoso
específico, lo que limita la validación empírica de los resultados frente a condiciones reales de sitio. Futuras
investigaciones deberían orientarse a validar la herramienta digital con casos históricos documentados y a
incorporar la variabilidad espacial de los parámetros geomecánicos, ampliando así su aplicabilidad a escenarios
geotécnicos más diversos.
Conclusiones
La puesta en marcha de este estudio permitió diseñar e implementar una herramienta digital de simulación
probabilística de estabilidad geotécnica mediante Tecnologías de la Información, utilizando Python y sus bibliotecas
científicas (NumPy, SciPy y Matplotlib). Dicha herramienta demostró ser funcional, eficiente y accesible para
incorporar la incertidumbre de los parámetros geomecánicos en la estimación del Factor de Seguridad.
Vale acotar que, la herramienta TI desarrollada alcanzó un Factor de Seguridad medio de 3,602 (Monte
Carlo) y un índice de confiabilidad β = 4,512, con probabilidad de falla prácticamente nula (P(FS<1) ≈ 0,00%). Este
nivel de sobreseguridad, cuantificado digitalmente con precisión, sugiere un margen significativo para optimizar el
sostenimiento económicamente sin comprometer la seguridad mínima exigible, lo que se traduce en un ahorro
directo en proyectos de excavación.
Además, la comparación entre los dos métodos implementados en la herramienta digital arrojó una
discrepancia mínima del 1,5% en el índice β, validando que el método Rosenblueth —con solo 32 evaluaciones—
replica los resultados de Monte Carlo de forma casi instantánea. Esto demuestra que las TI permiten diseñar
herramientas escalables, eficientes para problemas simples y estratégicamente superiores cuando el costo
computacional de Monte Carlo sería prohibitivo (modelos 3D de elementos finitos).
Si bien la prueba Kolmogorov-Smirnov rechazó el ajuste exacto a la distribución lognormal (KS = 0,0073;
p = 0,0094) por la alta sensibilidad muestral, el ajuste es funcionalmente excelente para estimar la media, la
varianza y la probabilidad de falla. Esto demuestra que en el contexto de las herramientas TI para ingeniería, la
precisión en los momentos estadísticos es más relevante para la toma de decisiones que el ajuste perfecto de la
distribución teórica.
En síntesis, la aplicación de Tecnologías de la Información mediante Python constituye una herramienta
digital de gestión de riesgos geotécnicos, accesible, reproducible y de código abierto, que permite al ingeniero
cuantificar la incertidumbre, optimizar el diseño y justificar técnicamente las decisiones de proyecto, avanzando
hacia un enfoque más racional y eficiente que los métodos determinísticos tradicionales. Se recomienda ampliar
la aplicación de esta herramienta a otros tipos de falla geotécnica y explorar su integración con plataformas de
información geoespacial.
Referencias
Chuaiwate, P., Jaritngam, S., Panedpojaman, P., & Konkong, N. (2022). Probabilistic analysis of slope against
uncertain soil parameters. Sustainability, 14(21), 14530. https://doi.org/10.3390/su142114530
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., ... Oliphant, T. E.
(2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-
2649-2
Hoek, E., & Bray, J. W. (1981). Rock slope engineering (3ra ed.). Institution of Mining and Metallurgy.
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95.
https://doi.org/10.1109/MCSE.2007.55
Hurtado, J. (2000). Metodología de la investigación holística. SYPAL.
9
Kar, S. S., & Roy, L. B. (2022). Probabilistic based reliability slope stability analysis using FOSM, FORM, and MCS.
Engineering, Technology & Applied Science Research, 12(2), 8236–8240.
https://doi.org/10.48084/etasr.4689
Low, B. K., & Boon, C. W. (2024). Probability-based design of reinforced rock slopes using coupled FORM and
Monte Carlo methods. Rock Mechanics and Rock Engineering, 57, 1195–1217.
https://doi.org/10.1007/s00603-023-03607-6
Man, J., Zhang, T., Huang, H., & Dias, D. (2024). Probabilistic analysis of tunnel face seismic stability in layered
rock masses using polynomial chaos Kriging metamodel. Journal of Rock Mechanics and Geotechnical
Engineering, 16(7), 2678–2693. https://doi.org/10.1016/j.jrmge.2023.09.020
Nguyen, P. M. V., & Marciniak, M. (2024). Stochastic rock slope stability analysis: Open pit case study with adjacent
block caving. Geotechnical and Geological Engineering, 42, 5827–5845. https://doi.org/10.1007/s10706-
024-02862-w
Nguyen, T. S., Tanapalungkorn, W., & Likitlersuang, S. (2024). Probabilistic analysis of dual circular tunnels in rock
masses considering rotated anisotropic random fields. Computers and Geotechnics, 170, 106319.
https://doi.org/10.1016/j.compgeo.2024.106319
Pandit, B., & Sivakumar Babu, G. L. (2021). Probabilistic stability assessment of tunnel-support system considering
spatial variability in weak rock mass. Computers and Geotechnics, 137, 104242.
https://doi.org/10.1016/j.compgeo.2021.104242
Qin, W., Chen, E. J., Wang, F., Liu, W., & Zhou, C. (2024). Data-driven models in reliability analysis for tunnel
structure: A systematic review. Tunnelling and Underground Space Technology, 152, 105928.
https://doi.org/10.1016/j.tust.2024.105928
Rana, H., Pandit, B., & Sivakumar Babu, G. L. (2023). Estimation of uncertainties in soil using MCMC simulation
and effect of model uncertainty. Geotechnical and Geological Engineering, 41, 6249–6266.
https://doi.org/10.1007/s10706-023-02523-4
Renaud, V., & Al Heib, M. (2024). Probabilistic slope stability analysis: A novel distribution for soils exhibiting highly
variable spatial properties. Probabilistic Engineering Mechanics, 76, 103586.
https://doi.org/10.1016/j.probengmech.2024.103586
Rusydy, I., Canbulat, I., Zhang, C., Wei, C., & McQuillan, A. (2024). The development and implementation of design
flowchart for probabilistic rock slope stability assessments: A review. Geoenvironmental Disasters, 11(28),
1–28. https://doi.org/10.1186/s40677-024-00290-9
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., ... van der Walt, S. J. (2020).
SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272.
https://doi.org/10.1038/s41592-019-0686-2
CONTRIBUCIONES DE AUTORÍA
Jesus Kliver Anchiraico Alderete: Conceptualización, metodología, software, investigación, redacción – documento
original.
Eugenio Emilio Orellana Mendoza: Supervisión, validación, redacción – revisión y edición.
Vilma Ayre Balbin: Curación de datos, visualización, análisis formal.
César Roberto Toykin Mucha: Investigación, recursos, administración del proyecto.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL (IA)
Se declara que la generación del contenido de este artículo no fue asistida por un modelo de inteligencia artificial.
Asimismo, el algoritmo desarrollado en Python es producto del diseño intelectual de los autores y constituye el
objeto de estudio de la investigación.
