Simulación de Montecarlo explicada con ejemplos y código

Su minorista debe decidir cuánto inventario comprar antes de la temporada alta, pero la demanda no esperará a tener información perfecta. El clima, el momento de las promociones y los precios de la competencia podrían impulsar las ventas a cualquier valor entre 800 y 1400 unidades, dejando a un simple pronóstico de hoja de cálculo con una tarea incómoda: comprimir muchos futuros plausibles en una sola cifra.

Supongamos que el equipo se compromete con 1100 unidades. Si la demanda se acerca al extremo inferior, el exceso de stock inmoviliza efectivo y puede requerir descuentos. Si la demanda sube hacia el extremo superior, el desabastecimiento puede costar ventas, confianza del cliente y margen. La hoja de cálculo no necesariamente ha cometido un error. Ha respondido a una pregunta más limitada de lo que el negocio necesita.

La simulación de Montecarlo reemplaza esa estimación puntual por una distribución de posibles resultados. Prueba repetidamente combinaciones plausibles de variables inciertas y luego muestra con qué frecuencia ocurre cada tipo de resultado. Eso permite hacer una pregunta más útil: no “¿cuántas unidades venderemos?”, sino “¿qué nivel de inventario nos da un equilibrio aceptable entre escasez y exceso?”

La misma lógica ayuda con presupuestos, flujo de caja, costos de proyectos, exposición al tipo de cambio y riesgo de inversión. Si ya está usando el análisis de escenarios (what-if), Montecarlo añade probabilidad y frecuencia a los escenarios que está comparando. Antes, sin embargo, necesita un modelo mental claro de lo que hace este método.

Índice

• Una decisión empresarial que no se puede predecir con una hoja de cálculo
• • La debilidad de un pronóstico único
  • De una respuesta a un rango de decisiones
• Qué significa realmente la simulación de Montecarlo
• • Cinco términos que facilitan el método
  • Por qué el resultado es más útil que un promedio
• Cómo funciona la simulación de Montecarlo paso a paso
• • 1. Definir la pregunta y la métrica objetivo
  • 2. Identificar las variables inciertas
  • 3. Asignar distribuciones
  • 4. Construir el modelo
  • 5. Ejecutar las iteraciones
  • 6. Analizar la distribución
• Dónde usan hoy las empresas la simulación de Montecarlo
• • Previsión de ventas
  • Optimización de inventario
  • Evaluación de riesgo financiero
• Por qué los resultados pueden inducir a error incluso cuando el cálculo es correcto
• • Las distribuciones de entrada establecen el límite superior
  • Las correlaciones dan forma a los resultados combinados
  • Las reglas de parada protegen las colas
• Errores comunes al ejecutar la simulación de Montecarlo
• • Error uno, tratar el resultado como una estimación puntual
  • Error dos, ignorar la correlación
  • Error tres, usar una distribución normal para todo
  • Error cuatro, perseguir iteraciones en lugar de mejorar las variables de entrada
  • Error cinco, omitir las comprobaciones de convergencia de las colas
• Cómo incorporar Montecarlo a su flujo de trabajo analítico
• • Una ruta práctica de adopción

Una decisión empresarial que no se puede predecir con una hoja de cálculo

La debilidad de un pronóstico único

Una celda de hoja de cálculo con 1100 unidades parece precisa. Puede basarse en las ventas de la temporada pasada, en la estimación de un gerente o en el promedio de varios pronósticos. Sin embargo, la celda oculta los factores que hacen difícil la decisión: la demanda puede cambiar con el clima, las promociones pueden alterar el momento de compra y un competidor puede modificar su precio después de que se haya realizado el pedido.

El verdadero problema de planificación del minorista tiene al menos dos dimensiones:

• Incertidumbre de la demanda: Los clientes pueden comprar sustancialmente menos o más de lo esperado.
• Costo de la decisión: Demasiado inventario consume capital de trabajo, mientras que muy poco genera desabastecimiento y pérdida de ingresos.
• Riesgo de tiempo: Es posible que el equipo deba comprometerse antes de contar con información completa sobre las condiciones del mercado.

Un pronóstico de caso base sigue teniendo valor. Le da al equipo un punto de referencia y crea un supuesto de partida. El problema comienza cuando las personas tratan ese punto de referencia como una predicción sin un rango significativo a su alrededor.

Regla práctica: Un pronóstico debe mostrar lo que podría suceder, no solo lo que alguien espera que ocurra.

De una respuesta a un rango de decisiones

Un modelo de Montecarlo podría generar un valor de demanda para cada temporada simulada, vincular ese valor con el nivel de inventario propuesto y registrar el resultado de desabastecimiento o exceso de stock que se produzca. Repetir el proceso genera una distribución que hace visibles las disyuntivas.

El modelo podría mostrar que una cantidad de pedido menor reduce la exposición al exceso de stock pero aumenta la probabilidad de quedarse sin existencias. Una cantidad mayor puede proteger la disponibilidad mientras genera más riesgo de rebajas. El método no elige el pedido por el minorista. Le da al responsable de la decisión una visión más clara de las consecuencias asociadas a cada opción.

Esa distinción importa para las pymes. No necesita un pronóstico perfecto para mejorar la planificación. Necesita supuestos que reflejen la realidad, un modelo que conecte esos supuestos con una decisión y un resultado que comunique la incertidumbre con claridad.

Las raíces históricas de este enfoque se remontan a 1777, cuando Georges-Louis Leclerc, Comte de Buffon, propuso un experimento con una aguja que estimaba π comparando la probabilidad de que una aguja intersectara líneas paralelas. El método moderno se desarrolló de forma sistemática durante la Segunda Guerra Mundial en Los Álamos, donde Stanislaw Ulam y John von Neumann aplicaron el muestreo aleatorio a problemas de transporte de neutrones y protección. En 1948, un equipo formado por John y Klara von Neumann y Nick Metropolis ejecutó las primeras simulaciones de Monte Carlo computarizadas en ENIAC, seguidas del artículo fundacional de 1953, “Equation of State Calculations by Fast Computing Machines”, tal como se documenta en esta historia de los métodos Monte Carlo.

Qué significa realmente la simulación Monte Carlo

Empieza con un dado trucado. No conoces su comportamiento real, pero puedes lanzarlo repetidamente y registrar las caras que salen. Después de muchos lanzamientos, la frecuencia observada de cada cara se convierte en una estimación de las probabilidades subyacentes del dado. El promedio te indica su tendencia central, mientras que la dispersión te indica cuán variables son los resultados.

La simulación Monte Carlo aplica esa misma intuición a un modelo de negocio. En lugar de lanzar un dado, extraes un valor de una distribución de probabilidad. En lugar de registrar una cara, calculas un resultado como los ingresos, el inventario restante, el coste del proyecto o la pérdida de una cartera. Repites el proceso y resumes la distribución de resultados obtenida.

Cinco términos que facilitan el método

1. Extracción aleatoria: Un valor muestreado de una distribución de entrada, como un valor de demanda seleccionado del historial de demanda del minorista.
2. Iteración: Un recorrido completo del modelo. Utiliza entradas muestreadas y produce un resultado posible.
3. Distribución de probabilidad: Una descripción de qué valores de entrada son plausibles y cómo varía su probabilidad.
4. Distribución de resultados: El conjunto de resultados producidos a lo largo de todas las iteraciones.
5. Convergencia: El punto en el que las iteraciones adicionales dejan de cambiar de forma significativa el resultado que te interesa.

La razón estadística por la que esto funciona es la ley fuerte de los grandes números. A medida que aumenta el número de pruebas aleatorias, el promedio muestral converge hacia el valor esperado. Por eso las simulaciones repetidas pueden convertir la incertidumbre en estimaciones como porcentajes de éxito, distribuciones de riesgo e intervalos de confianza. Los métodos Monte Carlo entraron en aplicaciones nucleares en la década de 1940, se extendieron a la estadística en general en la década de 1960 y fueron ampliamente adoptados por los estadísticos en la década de 1980, según estos apuntes de estadística sobre la simulación Monte Carlo.

Por qué el resultado es más útil que un promedio

Un solo promedio puede ocultar una larga cola de resultados costosos. Una distribución de resultados te permite examinar el centro, la variación y los resultados menos frecuentes en los extremos. Para un minorista, eso podría significar comparar la probabilidad de quedarse sin stock con distintas cantidades de pedido. Para un equipo financiero, podría significar revisar el rango de posibles ganancias y pérdidas en lugar de depender de un único rendimiento esperado.

El método también separa dos ideas que los equipos suelen confundir:

• Incertidumbre: La entrada podría razonablemente tomar valores distintos.
• Error: El modelo o la suposición pueden ser incorrectos.

Más iteraciones pueden reducir el ruido del muestreo, pero no pueden reparar una distribución de demanda defectuosa. No pueden descubrir una correlación ausente ni corregir una fórmula que representa mal el proceso de negocio.

A medida que las simulaciones crecen, las operaciones de datos también importan. Los equipos deben diseñar flujos de trabajo que mantengan bajo control los costes de la infraestructura de datos, especialmente cuando las ejecuciones repetidas del modelo consumen recursos de computación considerables. Las variantes modernas pueden usar secuencias cuasi-aleatorias para lograr una cobertura más uniforme del espacio de entrada, mientras que la aceleración por GPU puede reducir el tiempo de ejecución. Esas técnicas mejoran el muestreo o la velocidad, pero no eliminan la necesidad de contar con suposiciones sólidas.

Cómo funciona la simulación Monte Carlo paso a paso

Un modelo práctico comienza con la decisión, no con el generador de números aleatorios. Sigue esta secuencia.

1. Define la pregunta y la métrica objetivo

Escribe la decisión en lenguaje operativo. “¿Cuánto inventario deberíamos pedir?” es un buen punto de partida, pero el modelo necesita un resultado medible, como la exposición a quiebres de stock, las unidades sobrantes o el margen esperado.

2. Identifica las entradas incierta

Enumera las variables que pueden cambiar de forma significativa el resultado. En el ejemplo del minorista, estas podrían incluir la demanda, el momento de las promociones, el precio de la competencia y el plazo de reabastecimiento. Mantén fuera de la capa de incertidumbre los valores conocidos o fijados contractualmente.

3. Asignar distribuciones

Use observaciones históricas cuando sean fiables. Cuando la evidencia sea escasa, documente el juicio experto y haga explícito el rango. No debe elegirse una distribución porque resulte familiar. Debe representar el modo en que se comporta el input.

Por ejemplo, la demanda puede representarse con una distribución empírica basada en periodos comparables. Un plazo de entrega con un mínimo, un valor probable y un máximo claros puede ajustarse a un enfoque triangular. Una variable de pérdida financiera puede requerir una distribución que preste más atención a los resultados extremos que una simple curva normal.

4. Construir el modelo

El modelo convierte los inputs muestreados en un output. Una relación básica de rentabilidad podría ser:

Beneficio = Ingresos - Gastos

Para el inventario, la lógica podría calcular las ventas como el menor valor entre la demanda y el stock disponible, y luego derivar el inventario sobrante y el margen. La relación se mantiene constante en todas las iteraciones. Los inputs muestreados cambian.

5. Ejecutar las iteraciones

Cada iteración muestrea los inputs inciertos, ejecuta el modelo y almacena el output. La ley fuerte de los grandes números explica por qué la estimación del output generalmente se vuelve más estable a medida que aumentan las repeticiones, pero la estabilidad debe comprobarse para la métrica que importa, especialmente un resultado de cola.

6. Analizar la distribución

Revise la forma completa, no solo la media. Algunas preguntas útiles son:

• ¿Con qué frecuencia el resultado queda por debajo del objetivo?
• ¿Qué rango contiene los resultados que la dirección considera aceptables?
• ¿Qué input contribuye más a la variación?
• ¿Cambia la conclusión cuando cambia un supuesto clave?

Un breve esquema de pseudocódigo se ve así:

define target_metric
define distributions for uncertain inputs
for each iteration:
draw values from the input distributions
calculate the model output
store the output
summarize the output distribution
check convergence and sensitivity
stop when the decision metric is stable enough to use

Aquí tiene un ejemplo compacto en Python usando NumPy. Simula la demanda en un rango entre los supuestos de planificación inferior y superior del minorista.

import numpy as np

# Set a reproducible random generator for repeatable analysis
rng = np.random.default_rng(42)

# Define the number of simulated seasons
iterations = 10000

# Draw one demand value for each simulated season
demand = rng.uniform(800, 1400, iterations)

# Set the proposed inventory commitment
inventory = 1100

# Calculate units sold in each simulated season
units_sold = np.minimum(demand, inventory)

# Calculate stockout units when demand exceeds available inventory
stockout_units = np.maximum(demand - inventory, 0)

# Summarize the simulated outcomes
average_demand = demand.mean()
stockout_rate = np.mean(stockout_units > 0)

Este código utiliza una distribución uniforme únicamente para demostrar la mecánica. Un modelo de producción debería justificar la distribución utilizando datos de demanda, estacionalidad, promociones y dependencias relevantes.

La regla de parada también debe ser explícita. Compare la estimación entre lotes, monitorice la cola objetivo o el percentil, y deténgase cuando más iteraciones ya no cambien la decisión de forma material. La pregunta correcta no es «¿Hemos ejecutado un gran número de iteraciones?». Es «¿Es el resultado lo bastante estable para esta decisión?».

Para profundizar en un muestreo más eficiente, consulta la guía de ELECTE para pymes, especialmente cuando la cobertura de los datos de entrada importa tanto como el volumen bruto de iteraciones.

Dónde utilizan hoy las empresas la simulación de Monte Carlo

El mismo esqueleto computacional aparece en distintas funciones empresariales:

1. Definir los rangos inciertos.
2. Extraer muestras de los datos de entrada.
3. Agregar los resultados.
4. Interpretar el resultado en función de un umbral de decisión.

Lo que cambia son los datos, la estructura de dependencia y el coste de equivocarse.

Previsión de ventas

Un equipo de ventas puede modelar la demanda como una distribución en lugar de un objetivo fijo. Las entradas pueden incluir ventas históricas, calendario de campañas, cambios de precio y disponibilidad de producto. El resultado puede mostrar la probabilidad de alcanzar un umbral de ingresos e identificar si el precio, el volumen o el momento de la promoción impulsa la mayor variación.

Esa información afina la asignación de recursos. Un gestor podría ajustar el presupuesto de una campaña, fijar un rango para los compromisos de ventas o preparar la capacidad ante una demanda más fuerte sin tratar el resultado más alto como garantizado.

Optimización de inventario

Los modelos de inventario conectan la incertidumbre de la demanda con la mecánica de reposición. El plazo de entrega importa porque un retraso del proveedor puede convertir un periodo de demanda moderada en una escasez. La correlación también importa. Una promoción puede aumentar la demanda mientras también cambia el momento de los pedidos, así que tratar esas variables como no relacionadas puede distorsionar el resultado.

El resultado de la decisión debe ser operativo. Los equipos pueden usar la distribución para comparar puntos de pedido, evaluar la exposición a la escasez y establecer una política de contingencia. El modelo se vuelve útil cuando cambia lo que hace el comprador antes de que llegue la incertidumbre.

Evaluación de riesgo financiero

Los equipos financieros pueden simular pérdidas de cartera, costes de proyecto, flujo de caja o movimientos de tipo de cambio. Una distribución de riesgo puede respaldar decisiones sobre reservas, coberturas, límites de aprobación y tolerancia presupuestaria. También puede revelar cómo cambia un resultado bajo distintos supuestos sobre volatilidad o dependencia.

El Valor en Riesgo es solo un resumen de una distribución más amplia. Los equipos que necesiten contexto en torno a esa medida pueden usar interpretar el Valor en Riesgo junto con el análisis de sensibilidad y los escenarios de estrés.

Los resultados financieros nunca deben tratarse como asesoramiento personal de inversión, crédito o cumplimiento sin la revisión profesional adecuada. En trabajos regulados, documente los supuestos, la propiedad del modelo, la evidencia de validación y los controles de aprobación.

Por Qué los Resultados Pueden Engañar Incluso Cuando las Matemáticas Son Correctas

Una simulación puede ejecutarse perfectamente y aun así producir una respuesta poco fiable. El motor muestrea exactamente como se le indica. Si las instrucciones describen mal el negocio, el resultado hereda esa debilidad.

Tres factores generan la mayoría de los problemas.

Las distribuciones de entrada fijan el límite

Los datos escasos o inestables dificultan la selección de la distribución. Un historial de ventas corto puede no representar una promoción nueva, una cadena de suministro interrumpida o un cambio en la combinación de clientes. Un analista que ajusta una curva pulcra a evidencia débil puede producir un histograma bien acabado que da una falsa sensación de certeza.

Un artículo metodológico de 2026 identifica la convergencia lenta, la dependencia de distribuciones de entrada precisas y el coste computacional como limitaciones de la fiabilidad de Monte Carlo, en particular para su uso en decisiones críticas en entornos inciertos. Su implicación práctica central es importante para las pymes: la precisión del resultado puede superar la calidad de los supuestos.

Las correlaciones determinan los resultados combinados

La demanda y el precio pueden moverse juntos. Los costes del proyecto y el tiempo de finalización pueden aumentar a la vez cuando los retrasos requieren mano de obra adicional. Los movimientos de divisas pueden afectar tanto a los ingresos como a los gastos. Si el modelo muestrea variables correlacionadas de forma independiente, puede generar combinaciones que rara vez ocurren en la práctica empresarial, u omitir combinaciones que crean una exposición grave.

Las estructuras de correlación, incluidos los enfoques basados en cópulas cuando corresponda, ayudan al modelo a representar el comportamiento conjunto. La técnica debe ajustarse a los datos y a la decisión. Más sofisticación no es automáticamente mejor si el equipo no puede validarla.

Las reglas de parada protegen las colas

Supongamos que un modelo de ingresos reporta un intervalo de confianza del 90%. Extraer más muestras puede hacer que ese intervalo parezca más estrecho porque el ruido de muestreo ha disminuido. Eso no demuestra que el modelo de negocio haya mejorado, ni significa que la cola superior o inferior esté bien estimada.

Controle la métrica sobre la que va a actuar. Si la decisión depende de un límite de alta pérdida, revise ese límite en distintos lotes en lugar de comprobar únicamente el promedio.

Un flujo de trabajo propio de 2026 debería combinar diagnósticos de convergencia, modelado de correlaciones, gráficos de sensibilidad y validación frente a resultados conocidos. La fuerza bruta puede entregar resultados más rápido, pero la velocidad no responde a la única pregunta que importa: ¿es este resultado lo bastante estable como para actuar sobre él?

Errores comunes al ejecutar una simulación de Monte Carlo

Los errores más peligrosos suelen parecer razonables durante un ciclo de planificación intenso. Utilice estas preguntas de diagnóstico antes de compartir los resultados.

Error uno, tratar el resultado como una estimación puntual

Si el informe solo destaca un promedio, pregunte: ¿qué rango de resultados oculta ese promedio? Quienes toman las decisiones necesitan la distribución, los percentiles relevantes y el umbral en el que cambia la acción a tomar.

Error dos, ignorar la correlación

Si la demanda y el precio, el coste y el calendario, o los ingresos y el tipo de cambio pueden moverse juntos, pregunte: ¿representa el modelo esa relación? Las extracciones aleatorias independientes pueden crear combinaciones poco realistas.

Error tres, usar una distribución normal para todo

Una curva de campana resulta cómoda, pero la comodidad no es evidencia. Pregunte: ¿tiene el dato de entrada un límite inferior estricto, un sesgo marcado o resultados extremos especialmente importantes? Una distribución debe reflejar el comportamiento observado o un criterio claramente documentado.

Error cuatro, perseguir iteraciones en lugar de mejorar los datos de entrada

Más cómputo puede reducir el ruido de muestreo, pero no puede corregir un histórico sesgado, variables ausentes o una lógica de modelo deficiente. Pregunte: ¿mejorarían los datos o los supuestos de dependencia la decisión más de lo que lo haría otro gran lote de ejecuciones?

Error cinco, omitir las comprobaciones de convergencia de las colas

El promedio puede parecer estable mientras un límite de alto riesgo sigue siendo ruidoso. Pregunta: ¿Se ha estabilizado la métrica vinculada a la decisión a lo largo de lotes repetidos?

Las capas de análisis basadas en IA pueden reducir la fricción de configuración al sugerir distribuciones candidatas, revelar relaciones en los datos cargados y señalar resultados que permanecen inestables. Deben apoyar el juicio del analista, no sustituirlo. El propietario del negocio aún debe preguntarse si los datos representan el mercado actual y si el modelo refleja el proceso de decisión.

Una simulación más rápida solo es valiosa una vez que los supuestos son creíbles.

Incorporar Monte Carlo en tu flujo de trabajo analítico

Las pymes no necesitan reconstruir toda su infraestructura analítica para usar la planificación probabilística. Empieza con una decisión donde la incertidumbre ya afecta reuniones, presupuestos o servicio al cliente.

Una ruta de adopción práctica

• Prepara la evidencia: Limpia los datos históricos, registra los periodos faltantes y los eventos inusuales, y separa las observaciones fiables de los supuestos.
• Crea una biblioteca de supuestos: Documenta distribuciones, rangos, correlaciones, responsables y la fecha de cada cambio.
• Pilota una decisión: Elige inventario, capacidad de ventas, flujo de caja o costo de proyecto. Define el resultado antes de construir el modelo.
• Valida la lógica: Compara el modelo con resultados históricos, referencias simples y la revisión de las partes interesadas.
• Integra el resultado: Añade la distribución, la vista de sensibilidad y el umbral de decisión a los informes recurrentes.
• Automatiza con cuidado: Vuelve a ejecutar cuando cambien datos de entrada relevantes, conservando las versiones del modelo y los registros de aprobación.

Los entornos analíticos modernos pueden reducir la barrera técnica para equipos sin estadísticos dedicados. Python y R ofrecen flexibilidad, mientras que los complementos de hojas de cálculo pueden convenir a equipos que ya trabajan en Excel. Las plataformas potenciadas por IA pueden ayudar a revelar distribuciones y correlaciones candidatas, pero la gobernanza sigue siendo esencial.

El primer modelo útil puede tomar menos tiempo que una transformación analítica completa, pero una adopción confiable requiere iteración. Trata cada ejecución como un activo analítico gobernado, con un responsable designado, supuestos documentados, notas de validación y control de versiones.

ELECTE, una plataforma de análisis de datos impulsada por IA para pymes, puede conectar datos empresariales, generar pronósticos, evaluar riesgos y producir informes que facilitan discutir la incertidumbre. Usa la plataforma como una capa posible alrededor de un modelo documentado, con revisión humana para los supuestos y las decisiones.

¿Listo para hacer de la incertidumbre parte de la planificación diaria? Visita ELECTE para explorar análisis impulsados por IA para pronósticos, análisis de riesgo, informes automatizados y decisiones empresariales más claras. Empieza con una pregunta recurrente, pon a prueba los supuestos y convierte la distribución resultante en una acción que tu equipo pueda revisar.