# Constructor de Simulación Monte Carlo

Define distribuciones de entrada (normal/uniforme/lognormal/triangular), escribe una fórmula, ejecuta miles de pruebas y obtén el histograma con intervalos de confianza.

> Página canónica: https://elysiatools.com/es/tools/monte-carlo-simulation-builder

- **Categoría:** Data Analysis

- **Palabras clave:** monte carlo, simulación, probabilidad, distribución, normal, uniforme, lognormal, triangular, intervalo de confianza, riesgo, pronóstico, aleatorio

## Descripción general

Construye simulaciones Monte Carlo combinando entradas aleatorias.

**1. Declara variables** — una por línea, formato: `name = tipo [params]`

| Tipo | Parámetros | Ejemplo |
|------|------------|---------|
| `normal` | [media, sigma] | `revenue = normal [100, 20]` |
| `uniform` | [min, max] | `rate = uniform [0.02, 0.08]` |
| `lognormal` | [mu, sigma] | `loss = lognormal [0, 0.5]` |
| `triangular` | [a, b, c] | `demand = triangular [50, 100, 200]` |

**2. Fórmula de salida** — expresión aritmética con los nombres de variables. Soporta `+`, `-`, `*`, `/`, `%`, `^`, paréntesis y `abs/sqrt/exp/log/min/max/pow/sin/cos/tan`, constantes `PI` y `E`.

**3. Ejecutar** — la herramienta muestrea cada entrada N veces (PRNG con semilla, reproducible), evalúa la fórmula y devuelve media/mediana/desv., histograma, intervalo de confianza y P(resultado > 0).

## Entradas

- **Distribuciones (una por línea: name = tipo \[params\])** (textarea): Declara cada entrada aleatoria. Tipos: normal \[media, sigma\], uniform \[min, max\], lognormal \[mu, sigma\], triangular \[a, b, c\].
- **Fórmula de salida** (text): Expresión aritmética sobre las variables. Soporta + - * / % ^, paréntesis, abs/sqrt/exp/log/min/max/pow, PI, E.
- **Número de pruebas** (number): Cuántas muestras. Más pruebas → histograma más suave (100–200000).
- **Semilla aleatoria (opcional, reproducible)** (text): Semilla fija = reproducible. Vacío = aleatorio nuevo.
- **Nivel de confianza (%)** (number): Banda percentil del intervalo (50–99,9%). Por defecto 90% → P5–P95.

## Cuándo usarlo

- Cuando necesite evaluar la viabilidad financiera de un proyecto considerando ingresos y costes variables.
- Al estimar el margen de error o la tolerancia en mediciones físicas y de ingeniería con componentes ruidosos.
- Para calcular la probabilidad de éxito o el riesgo de pérdidas en carteras de inversión y modelos de negocio bajo incertidumbre.

## Cómo funciona

- Defina las variables de entrada asignando a cada una un nombre y su tipo de distribución (normal, uniforme, lognormal o triangular) con sus respectivos parámetros.
- Escriba la fórmula matemática de salida utilizando operadores aritméticos, funciones matemáticas comunes y las variables declaradas.
- Configure el número de pruebas, el nivel de confianza deseado y, opcionalmente, una semilla aleatoria para obtener resultados reproducibles al instante.

## Casos de uso

- Estimación del beneficio neto de un proyecto restando costes variables distribuidos uniformemente de ingresos con distribución normal.
- Cálculo del área de una superficie circular donde el radio presenta variaciones o ruido de medición normal.
- Análisis de exposición al riesgo multiplicando un valor de pérdida lognormal por una tasa de ocurrencia uniforme.

## Preguntas frecuentes

### ¿Qué distribuciones de probabilidad puedo utilizar?

Puede utilizar distribuciones normales, uniformes, lognormales y triangulares especificando sus parámetros correspondientes.

### ¿Cómo se garantiza que los resultados sean reproducibles?

Al ingresar un valor en el campo de semilla aleatoria (seed), el generador de números pseudoaleatorios producirá exactamente la misma secuencia de muestras.

### ¿Qué funciones matemáticas soporta la fórmula de salida?

Soporta operadores básicos (+, -, *, /, %, ^), paréntesis, constantes como PI y E, y funciones como abs, sqrt, exp, log, min, max, pow, sin, cos y tan.

### ¿Cuál es el límite de pruebas que puedo ejecutar?

La herramienta permite configurar desde 100 hasta un máximo de 200,000 pruebas por simulación.

### ¿Qué información muestra el resultado final?

Muestra un histograma de distribución, la media, la mediana, la desviación estándar, el intervalo de confianza seleccionado y la probabilidad de que el resultado sea mayor que cero.

## Herramientas relacionadas

- [Calculadora de Significancia A/B](https://elysiatools.com/es/tools/ab-test-significance-calculator): Introduce los datos de control/tratamiento y obtén diferencia de tasas, intervalos de confianza al 95%/99%, p-value del Z-test (proporciones) o Welch t (continuas), significancia, lift, tamaño muestral para 80%/90% de potencia, días recomendados, advertencia de sequential testing y corrección de Bonferroni.
- [Etiquetas PDF QR/Codigo de Barras](https://elysiatools.com/es/tools/pdf-qr-barcode-labels): Genera etiquetas PDF por lotes con QR y codigo de barras
- [Detector de anomalias en series temporales](https://elysiatools.com/es/tools/time-series-anomaly-detector): Sube datos de series temporales en CSV o JSON, detecta anomalías con Z-Score e IQR y devuelve un informe con grafico
- [Trazador de distribución normal](https://elysiatools.com/es/tools/normal-distribution-plotter): Traza una curva normal en SVG con marcadores z, sombreado de intervalo o cola, y bandas σ 68/95/99.7.
- [Calculadora de Puntuación APACHE II](https://elysiatools.com/es/tools/apache-ii-score): Calcula la puntuación APACHE II: APS agudo (12 variables fisiológicas, 0-4 puntos cada una, peor valor en las primeras 24 h de UCI) + puntos por edad (0-6) + salud crónica (0/2/5); total 0-71; mayor puntuación, peor pronóstico. Oxigenación: si FiO₂≥0.5 usa gradiente A-a, si no PaO₂; la creatinina duplica puntos en insuficiencia renal aguda; GCS = 15−GCS. Incluye predicción de mortalidad del modelo base (logit=−3.517+0.146×puntuación, sin peso diagnóstico). Fuentes: Knaus 1985 Crit Care Med, tabla SFAR. No sustituye el juicio clínico. No es consejo médico.
- [Calculadora de Intervalo de Confianza](https://elysiatools.com/es/tools/confidence-interval-calculator): Calcula intervalos de confianza para una media muestral o una proporcion usando datos brutos o estadisticas resumidas
- [Calculadora de integral de convolución (numérica)](https://elysiatools.com/es/tools/convolution-integral-calculator): Calcula numéricamente la convolución de dos señales (f*g)(t) = ∫ f(τ)g(t−τ)dτ: modo causal (ambas señales son cero para t<0, integral en \[max(τmin,0), min(τmax,t)\], ideal para productos del dominio de Laplace) y modo de ventana directa (integral en todo \[τmin, τmax\], ideal para señales bilaterales como las gaussianas), mediante la regla compuesta de Simpson (2000 intervalos por defecto). Clásicos: e^(−t)*e^(−2t) = e^(−t)−e^(−2t), 0.2325 en t=1; dos gaussianas se convolucionan en √(π/2)·e^(−t²/2).
- [Procesador de Valores Atípicos](https://elysiatools.com/es/tools/data-outlier-processor): Herramienta avanzada de detección y procesamiento de valores atípicos que identifica, elimina o reemplaza valores anómalos usando múltiples métodos estadísticos.

## Ejemplos

- [Ejemplos de Procesamiento de Imágenes Android Java](https://elysiatools.com/es/samples/android-image-processing-java): Ejemplos de procesamiento de imágenes Android Java incluyendo lectura/escritura, escalado y conversión de formato
- [Ejemplos de Procesamiento de Imágenes Android Kotlin](https://elysiatools.com/es/samples/android-image-processing-kotlin): Ejemplos de procesamiento de imágenes Android Kotlin incluyendo lectura/escritura, escalado y conversión de formato
- [Ejemplos de Procesamiento de Imágenes Web Python](https://elysiatools.com/es/samples/web-image-processing-python): Ejemplos de procesamiento de imágenes Web Python usando PIL/Pillow incluyendo lectura, guardado, redimensionamiento y conversión de formato
- [Ejemplos de Procesamiento de Imágenes Web Rust](https://elysiatools.com/es/samples/web-image-processing-rust): Ejemplos de procesamiento de imágenes Web Rust incluyendo lectura/escritura, escalado y conversión de formato