Registro de publicación
Título: Risk Assessment of Road Construction Projects Using the Monte Carlo Simulation Approach: Empirical Results From Tanzania
| Campo | Detalle |
|---|---|
| Autores | Mbona Mtala Luhida; Ismail W. R. Taifa |
| Revista | Journal of Engineering |
| Plataforma editorial | Wiley Online Library |
| Primera publicación | 12 de junio de 2026 |
| Volumen y número | 2026(1) |
| Artículo | 3261435 |
| DOI | 10.1155/je/3261435 |
| Acceso | Artículo de investigación en acceso abierto |
El estudio
Los investigadores evaluaron la incertidumbre en proyectos de construcción vial en Tanzania. Su trabajo combinó una revisión de literatura, respuestas de expertos, análisis estadístico, distribuciones de probabilidad ajustadas y simulación Monte Carlo. El resumen publicado informa datos de 55 proyectos viales y analiza riesgos operativos, técnicos, administrativos y de gobernanza.
El objetivo no era asignar únicamente una puntuación a cada riesgo. Al modelar la incertidumbre mediante distribuciones de probabilidad, el estudio generó un rango de resultados posibles y los utilizó para priorizar riesgos.
Dónde interviene Phitter
El artículo señala que Phitter se usó para construir distribuciones de probabilidad discretas a partir de valoraciones expertas sobre la probabilidad y el impacto de los riesgos. Esas distribuciones ajustadas se convirtieron en entradas para el flujo Monte Carlo.
La metodología menciona SPSS 27 para el análisis descriptivo, Phitter para el ajuste de distribuciones y Argo 4.1.3 para la simulación Monte Carlo. También informa el uso de pruebas Chi-cuadrado y Kolmogorov–Smirnov durante el ajuste. La tabla 8 enumera modelos ajustados—entre ellos distribuciones binomiales e hipergeométricas—para las variables de probabilidad e impacto asociadas a cada riesgo.
Este es un uso aplicado y concreto de Phitter: las valoraciones observadas se transformaron en entradas de un modelo de riesgo de ingeniería. El artículo cita Phitter como referencia 57 y enlaza phitter.io.
Por qué importa esta mención
El estudio demuestra un flujo que va más allá de un conjunto de datos de ejemplo. El ajuste de distribuciones alimenta un modelo de decisión posterior, y las distribuciones elegidas afectan la incertidumbre que propaga la simulación.
También muestra por qué la documentación transparente es esencial. Para reproducir o cuestionar el resultado, un lector debería poder identificar los datos de entrada, las distribuciones candidatas, las pruebas de selección, los parámetros ajustados y el software de simulación.