Pocas frases dan tanta falsa seguridad como "el proyecto va a costar 100.000 euros". Un número único y seco esconde todo lo que no sabemos: el precio de los materiales puede subir, un proveedor puede retrasarse, la demanda puede sorprender. La realidad no es un número — es un abanico de resultados posibles, cada uno con su probabilidad.
La simulación de Monte Carlo es una forma sencilla y potente de lidiar con esa incertidumbre. En lugar de calcular un escenario, calcula miles, asignando a cada variable incierta un intervalo de valores plausibles y dejando que el azar los combine. Al final, en vez de un número, tenemos una distribución: qué probable es quedar dentro del presupuesto, cuál es el peor caso razonable, cuánto margen de seguridad hay.
El nombre viene de los casinos de Montecarlo, porque el método se apoya en la aleatoriedad. Pero no tiene nada de juego de azar: es una de las herramientas más útiles para decidir cuando el futuro es, por naturaleza, incierto.
Qué es la simulación de Monte Carlo
La idea es esta: se toma un modelo que une entradas a un resultado — por ejemplo, coste = materiales + mano de obra + imprevistos — y, en lugar de dar un valor fijo a cada entrada, se describe cada una como un intervalo con una forma (una distribución). Después, el ordenador "sortea" un valor de cada entrada, calcula el resultado y repite esto miles de veces.
Cada repetición es un futuro posible. Juntándolas todas se obtiene la distribución del resultado: no solo el valor medio, sino también la dispersión y las colas — esos escenarios malos pero posibles que una estimación única nunca muestra.
Por qué una estimación única engaña
Cuando sumamos los valores "más probables" de varias partidas, es tentador suponer que el total también es el más probable. Rara vez lo es. Basta con que una o dos partidas salgan mal a la vez para que el total se dispare. Es el llamado optimismo de los planes: cada pieza parece razonable, pero el conjunto acumula riesgo.
Una sola línea en el presupuesto — "100.000" — no dice si hay un 90% de probabilidades de quedar por debajo de esa cifra o solo un 40%. La simulación responde exactamente a esa pregunta, convirtiendo "¿cuánto va a costar?" en "¿con qué probabilidad queda por debajo de X?".
Monte Carlo vs análisis de escenarios
Muchos equipos ya usan el análisis de escenarios: un caso optimista, un caso base y uno pesimista. Es útil e intuitivo, pero tiene límites. Tres escenarios son tres puntos en un universo de miles de combinaciones, y es fácil elegirlos de forma sesgada.
- Análisis de escenarios: pocos casos discretos, fáciles de explicar, pero sin probabilidades y con cobertura limitada.
- Monte Carlo: cubre todo el abanico de combinaciones y devuelve probabilidades, a costa de exigir distribuciones y algo de cálculo.
- Complementarios: el análisis de escenarios ayuda a comunicar; la simulación aporta la base cuantitativa que hay detrás.
Cómo funciona, paso a paso
En la práctica, una simulación sigue siempre la misma receta:
- Construir el modelo: la fórmula que une las entradas al resultado que interesa (coste, plazo, retorno).
- Describir las incertidumbres: para cada entrada incierta, elegir una distribución y sus límites.
- Considerar relaciones: si dos variables se mueven juntas, hay que reflejar esa correlación.
- Correr las iteraciones: sortear valores y calcular el resultado miles de veces.
- Analizar la distribución: leer medias, percentiles y probabilidades de superar umbrales.
Elegir las distribuciones adecuadas
Aquí está la mitad del valor — y la mitad del riesgo. Una distribución normal sirve para magnitudes que se agrupan alrededor de una media. La triangular es práctica cuando solo se conoce el mínimo, el más probable y el máximo. La uniforme se aplica cuando cualquier valor en un intervalo es igualmente plausible. Y, siempre que existan datos históricos, la mejor distribución es a menudo la propia historia.
El objetivo no es la perfección estadística, sino capturar con honestidad lo que se sabe y lo que no. Una distribución aproximada basada en experiencia real vale más que un número fijo disfrazado de certeza.
Leer los resultados sin engañarse
El producto de una simulación no es un número, es una distribución — y hay que saber leerla. En lugar de la media, mire los percentiles: el P10, el P50 (la mediana) y el P90 indican, respectivamente, el caso bueno, el central y el malo razonable. La pregunta más útil suele ser: "¿cuál es la probabilidad de superar este umbral?".
Un análisis de sensibilidad completa el cuadro, mostrando cuáles de las entradas hacen oscilar más el resultado. A menudo, una o dos variables explican casi toda la incertidumbre — y ahí es donde vale la pena investigar mejor o negociar.
Mini-caso: caber en el presupuesto ¿con qué probabilidad?
Una empresa de servicios preparaba una propuesta para un proyecto y quería comprometerse con un precio fijo. La estimación "de bolsillo" era de 200.000 euros, sumando los valores más probables de cada partida. La dirección, sin embargo, quería saber el riesgo de superar esa cifra.
El equipo describió cada partida como un intervalo: la mano de obra entre 90.000 y 130.000, los subcontratos entre 40.000 y 80.000, y un margen para imprevistos. Corrieron 10.000 iteraciones. El resultado sorprendió: la mediana quedaba en 205.000 y había cerca de un 60% de probabilidad de superar los 200.000. Para tener un 90% de confianza de no perder dinero, el precio tendría que rondar los 235.000.
Con esta información, la decisión dejó de ser una corazonada. La empresa propuso un valor intermedio, con una cláusula para variaciones de coste de los subcontratos — precisamente la variable que el análisis de sensibilidad señaló como la mayor fuente de riesgo.
Errores comunes
El más grave es el clásico "basura entra, basura sale": distribuciones inventadas sin ninguna base producen números con aire científico y ningún valor. Le sigue ignorar las correlaciones — tratar como independientes variables que en realidad suben y bajan juntas subestima el riesgo. Correr pocas iteraciones vuelve inestables los resultados. Y, quizá lo más peligroso, presentar las salidas como si fueran exactas: "hay un 63,7% de probabilidad" transmite una precisión que el método no tiene. Los resultados son estimaciones, buenas para comparar y decidir, no verdades al decimal.
En la práctica
La simulación de Monte Carlo no elimina la incertidumbre — la hace visible y utilizable. Al sustituir un número por una distribución, cambia la conversación de "¿cuánto cuesta?" a "¿cuánto riesgo estamos dispuestos a correr?", que es la pregunta que los gestores realmente necesitan responder. No hace falta software caro: una hoja de cálculo basta para modelos simples, mientras que un lenguaje como Python o R corre millones de iteraciones en segundos para los más grandes.
Empiece pequeño: elija una decisión importante con varias fuentes de incertidumbre, descríbalas con honestidad, corra la simulación y comunique los resultados en percentiles y probabilidades. Verá pronto que decidir con un abanico de escenarios delante es mucho más sólido que confiar en un único número que, en el fondo, nunca fue más que una corazonada bien vestida.
