¿Qué es un análisis de Monte Carlo en reconstrucción de accidentes?

Es un método para saber cuánto puede moverse el resultado de un cálculo cuando los datos de entrada no se conocen con exactitud. Se declara un margen para cada variable dudosa, se repite el cálculo miles de veces sorteando todas a la vez, y en vez de un número se obtiene el reparto completo de resultados posibles, del que se extraen los percentiles.

¿Qué diferencia hay con una tabla de sensibilidad?

La tabla de sensibilidad mueve una variable y deja las demás quietas, así que responde a «qué pasa si me he equivocado en esto». El Monte Carlo las mueve todas a la vez, que es la situación real de un expediente: la incertidumbre del EES y la de la masa existen al mismo tiempo. Sobre los mismos datos las dos pueden dar respuestas distintas sobre qué variable manda.

¿Qué intervalo se declara en un informe pericial?

El del 95% central, indicando siempre los márgenes de partida de los que sale. Un intervalo sin las hipótesis que lo generan no es interpretable: su anchura es consecuencia directa de los márgenes declarados, no una medida de la exactitud del método.

¿Puedo escribir el resultado como media ± desviación típica?

Solo si la distribución de salida es simétrica. Cuando la mediana se separa de la media, la calculadora lo avisa: en ese caso los intervalos de media ± sigma no cubren el porcentaje que anuncian y hay que dar percentiles. Los modelos de reconstrucción no son lineales, así que la salida puede ser asimétrica aunque las entradas sean simétricas.

¿Cuántas iteraciones hacen falta?

Con 10.000 los percentiles centrales ya son estables entre repeticiones. Subir la cifra afina las colas —el 99% central y los extremos—, pero no cambia apreciablemente la mediana ni el 95%. Si dos ejecuciones seguidas dan intervalos que difieren de forma apreciable, el problema no son las iteraciones: son los márgenes.

Cómo se lee un análisis de Monte Carlo

Actualizado en 2026 · lectura de 7 minutos

Un cálculo devuelve un número. Pero ese número sale de datos que no se conocen con exactitud: un EES estimado a ojo sobre una fotografía, una tara sacada de una ficha técnica que no distingue acabados, un coeficiente de rozamiento elegido de una tabla. La pregunta que decide un informe no es cuánto sale, sino cuánto puede moverse. De eso va esto.

Por qué un solo número no es una respuesta

Si el EES de un vehículo puede estar entre 7,2 y 8,8, el resultado del cálculo no es 16,7 km/h. Es «algo alrededor de 16,7 km/h», y lo que hay que averiguar es cuánto alrededor. Un perito que declare 16,7 sin más está afirmando una precisión que sus datos no sostienen, y eso se desmonta en cuanto la parte contraria pregunte de dónde ha salido el EES.

La salida honesta no es un número: es un intervalo con las hipótesis a la vista.

Qué se le pide

Se marcan las variables que no se conocen con certeza y se le da a cada una un margen: desde y hasta. Lo que no se marca se mantiene fijo en el valor introducido.

Uniforme o normal

Uniforme: cualquier valor dentro del intervalo es igual de probable. Es la postura más prudente y la que conviene por defecto: se está diciendo «no tengo ni idea de dónde cae dentro de este rango». Da intervalos de salida más anchos.
Normal: el intervalo se interpreta como el 95% central de una campana, de donde salen la media y la desviación con las que se sortea. Se elige cuando de verdad hay razones para pensar que el centro es más probable que los extremos —por ejemplo, una medida repetida varias veces—. Da intervalos más estrechos, y por eso hay que poder justificarla.

Qué hace exactamente

Diez mil veces seguidas:

Sortea un valor para cada variable marcada, todas a la vez.
Ejecuta el cálculo completo con esa combinación.
Guarda el resultado.

Al final ordena los diez mil resultados de menor a mayor. No hay más estadística que ésa: es fuerza bruta, y su virtud es que no necesita suponer que el modelo sea lineal ni que la salida sea normal.

Las combinaciones que no dan resultado físico válido —una deceleración negativa, una raíz de un número negativo— se descartan y se cuentan aparte. Si se descartan muchas, los márgenes están sacando al modelo de su dominio y hay que revisarlos.

En qué se diferencia de la tabla de sensibilidad

Es la confusión más frecuente, y las dos cosas responden a preguntas distintas:

	Tabla de sensibilidad	Monte Carlo
Qué mueve	una variable, las demás quietas	todas a la vez
Qué responde	qué pasa si me he equivocado en esto	cuánto puede moverse el resultado en conjunto
Qué produce	unas cuantas filas	un reparto completo y sus percentiles

La segunda es la situación real de un expediente: la incertidumbre del EES y la de la masa no se turnan, existen al mismo tiempo. Y las dos herramientas pueden discrepar sobre qué variable manda, porque una influencia puede quedar tapada o realzada según se muevan las demás.

Cómo se lee el resultado

Cada barra cuenta cuántas de las 10.000 simulaciones cayeron en ese tramo. La banda marca el 95% central y la línea de puntos, la mediana. Lo que hay fuera de la banda son las colas: resultados posibles pero poco probables.

El número grande es la mediana, no la media: la mitad de las simulaciones salieron por debajo y la mitad por encima. Debajo vienen los intervalos, y se leen contando simulaciones:

68% central: 6.800 de las 10.000 cayeron ahí.
95% central: 9.500 cayeron ahí. Es el que se declara en un informe.
99% central: 9.900 cayeron ahí. Sirve para responder a «¿y en el peor de los casos?».

Son percentiles empíricos, contados sobre las simulaciones válidas. No salen de ninguna fórmula de propagación de errores ni suponen que la salida sea normal.

Media, desviación y el aviso de asimetría

Si la media y la mediana coinciden, el reparto es simétrico y el resultado se puede escribir como media ± desviación típica. Cuando se separan, la calculadora lo avisa — y entonces no hay que escribirlo así: una banda de media ± sigma sobre una distribución asimétrica no cubre el porcentaje que anuncia. Los percentiles siguen siendo válidos en los dos casos, y por eso se dan siempre.

El histograma es lo que permite verlo de un vistazo: una campana simétrica, una cola larga hacia un lado, o dos jorobas. Lo tercero significa que el modelo está saltando entre dos regímenes distintos, y hay que averiguar por qué antes de declarar nada.

Qué variable manda

La tabla de abajo mide, sobre esas mismas simulaciones, cuánto decide cada entrada sobre cada salida cuando todas se mueven a la vez. Es una correlación de rangos, y va de −1 a +1:

Ejemplo real sobre un alcance trasero. Los dos EES mandan sobre la velocidad de impacto; las taras, en esa misma salida, no deciden nada. El signo importa: la tara del embestido tiene −0,50 sobre su propio ΔV, es decir, cuanto más pesa, menos ΔV recibe.

Se lee así:

Cerca de +1: cuando esa entrada sube, esa salida sube casi siempre.
Cerca de −1: cuando sube, la salida baja.
Cerca de 0: esa variable no decide esa salida. Afinar su medida no estrecharía el resultado.

Y ahí está la utilidad práctica: dice dónde merece la pena gastar el esfuerzo. Si la velocidad de impacto la deciden los EES y las masas dan casi cero, buscar la tara exacta del vehículo no va a estrechar el intervalo ni un kilómetro por hora; volver a las fotografías del daño, sí.

Los signos también sirven de comprobación. En un choque entre dos vehículos, la tara de cada uno tiene signos opuestos sobre los dos ΔV: si uno pesa más, se lleva menos cambio de velocidad y el otro más. Que eso salga limpiamente es señal de que el modelo se está comportando.

Lo que este método no hace

Importante

El intervalo que sale no mide la exactitud del método. Es la consecuencia aritmética de los márgenes declarados. Si el EES real pudiera estar entre 6 y 10 y se han declarado 7,2 y 8,8, el intervalo que resulta es falsamente estrecho. El Monte Carlo propaga la incertidumbre, no la valida.

Tampoco corrige un sesgo del modelo. Si el método sobrestima un 7% de forma sistemática, las diez mil simulaciones sobrestimarán ese 7% igual de bien. La incertidumbre de los datos y el error del método son dos cosas distintas, y en un informe serio se declaran por separado.

Cómo se declara en un informe

El intervalo se da siempre acompañado de las hipótesis que lo generan, para que quien lo lea pueda juzgarlo:

Redacción de ejemplo

Velocidad de impacto del vehículo A: 16,7 km/h (intervalo del 95%: 15,4 – 17,9 km/h). Obtenido por simulación de Monte Carlo con 10.000 iteraciones, asumiendo distribución uniforme del EES entre 7,2 y 8,8 en ambos vehículos y de las taras con un margen del ±10%. El intervalo refleja la incertidumbre de los datos de partida declarados; no incorpora el error propio del método.

Escrito así, el intervalo es defendible: dice de dónde sale, qué cubre y qué no. Un intervalo sin sus hipótesis es un número más, y de los que peor aguantan una pregunta.

Abrir la calculadora →

Preguntas frecuentes

¿Qué es un análisis de Monte Carlo en reconstrucción de accidentes?: Es un método para saber cuánto puede moverse el resultado de un cálculo cuando los datos de entrada no se conocen con exactitud. Se declara un margen para cada variable dudosa, se repite el cálculo miles de veces sorteando todas a la vez, y en vez de un número se obtiene el reparto completo de resultados posibles, del que se extraen los percentiles.
¿Qué diferencia hay con una tabla de sensibilidad?: La tabla de sensibilidad mueve una variable y deja las demás quietas, así que responde a «qué pasa si me he equivocado en esto». El Monte Carlo las mueve todas a la vez, que es la situación real de un expediente: la incertidumbre del EES y la de la masa existen al mismo tiempo. Sobre los mismos datos las dos pueden dar respuestas distintas sobre qué variable manda.
¿Qué intervalo se declara en un informe pericial?: El del 95% central, indicando siempre los márgenes de partida de los que sale. Un intervalo sin las hipótesis que lo generan no es interpretable: su anchura es consecuencia directa de los márgenes declarados, no una medida de la exactitud del método.
¿Puedo escribir el resultado como media ± desviación típica?: Solo si la distribución de salida es simétrica. Cuando la mediana se separa de la media, la calculadora lo avisa: en ese caso los intervalos de media ± sigma no cubren el porcentaje que anuncian y hay que dar percentiles. Los modelos de reconstrucción no son lineales, así que la salida puede ser asimétrica aunque las entradas sean simétricas.
¿Cuántas iteraciones hacen falta?: Con 10.000 los percentiles centrales ya son estables entre repeticiones. Subir la cifra afina las colas —el 99% central y los extremos—, pero no cambia apreciablemente la mediana ni el 95%. Si dos ejecuciones seguidas dan intervalos que difieren de forma apreciable, el problema no son las iteraciones: son los márgenes.