En el post anterior vimos cómo la predicción cuantitativa analítica parte de una estructura estimada y la proyecta hacia el futuro. Funciona especialmente bien cuando el fenómeno es relativamente estable y las relaciones pueden formalizarse mediante una ecuación o función. Pero no todos los sistemas se comportan así.
Hay contextos donde:
- Las interacciones entre elementos generan dinámicas emergentes.
- La incertidumbre es central y acumulativa.
- Los resultados no dependen de una única trayectoria, sino de muchas posibles.
- El comportamiento futuro depende de decisiones que se retroalimentan.
En estos casos, en lugar de resolver un modelo, necesitamos simular un sistema. Eso nos lleva a la segunda gran familia de la predicción cuantitativa: la predicción basada en simulación.
1. ¿Cuándo conviene usar predicción cuantitativa por simulación?
Este enfoque es especialmente adecuado cuando:
- El sistema es dinámico e interactivo: Las partes del sistema influyen entre sí (personas, unidades organizativas, mercados, agentes).
- La incertidumbre se acumula en el tiempo: Pequeñas variaciones iniciales pueden amplificarse.
- No existe una solución cerrada sencilla: No puedes escribir una ecuación que “resuelva” el futuro en un solo paso.
- Te interesan escenarios, no solo una cifra puntual: Quieres saber qué puede pasar bajo distintos supuestos.
- Necesitas experimentar sin intervenir en la realidad: Simular permite probar políticas, reformas o decisiones antes de aplicarlas.
En planificación sanitaria, por ejemplo, no siempre basta con proyectar la serie histórica de bajas laborales. Si cambian las condiciones contractuales, si hay incentivos nuevos o si una política afecta el comportamiento de los profesionales, el sistema puede reaccionar. En ese momento, simular se vuelve más razonable que simplemente extrapolar.
La simulación no proyecta una estructura fija: recrea el mecanismo.
2. Tipos de modelos cuantitativos por simulación
La clasificación más clara distingue seis grandes enfoques. No son compartimentos estancos, pero ayudan a orientarse.
2.1 Simulación estocástica simple
Es la forma más básica de simulación: introducir azar de manera controlada.
Imaginemos que conocemos la variabilidad histórica de las ventas mensuales de una empresa. En lugar de proyectar una única cifra, generamos miles de meses futuros posibles tomando valores aleatorios coherentes con esa variabilidad.
Cada simulación produce una trayectoria distinta. Algunas serán mejores, otras peores. El interés no está en una sola, sino en el conjunto.
Este enfoque es especialmente útil cuando:
- El sistema es sencillo.
- Queremos capturar incertidumbre sin modelar interacciones complejas.
- Nos interesa estimar rangos plausibles.
Es, en cierto modo, el punto de partida natural para entender la lógica de la simulación.
2.2 Simulación Monte Carlo
La simulación Monte Carlo generaliza la idea anterior. No solo introducimos azar en una variable, sino en múltiples parámetros al mismo tiempo.
Supongamos que queremos estimar la rentabilidad futura de una cartera de inversión. En lugar de usar una rentabilidad media fija, asignamos distribuciones a:
- Rentabilidades esperadas.
- Volatilidad.
- Correlaciones entre activos.
- Inflación futura.
A partir de ahí generamos miles de escenarios posibles. El resultado no es “la rentabilidad prevista”, sino una distribución completa de resultados: percentiles, probabilidades de pérdida, riesgo extremo.
Monte Carlo es particularmente potente cuando la pregunta tiene esta forma: ¿Qué probabilidad hay de que ocurra algo adverso?
Es una herramienta central en finanzas, ingeniería, energía, seguros y planificación estratégica.
2.3 Simulación basada en agentes
Aquí el foco cambia radicalmente. En lugar de modelar variables agregadas, modelamos individuos con reglas de comportamiento.
Cada agente (persona, empresa, consumidor, conductor…) toma decisiones según ciertas reglas. La dinámica global emerge de la interacción entre todos ellos.
Por ejemplo:
- Simular cómo se difunde una innovación tecnológica en una red social.
- Analizar cómo se forman burbujas inmobiliarias cuando los compradores reaccionan a los precios.
- Estudiar cómo se propaga una opinión política en función de la estructura de la red.
La clave es que el comportamiento agregado no se impone desde arriba: emerge desde abajo.
Este enfoque es especialmente útil cuando la heterogeneidad importa, existen efectos de red y el comportamiento es adaptativo.
2.4 Dinámica de sistemas
La dinámica de sistemas se centra en representar el mundo como un conjunto de stocks (acumulaciones) y flujos (movimientos) conectados por bucles de retroalimentación.
Es muy útil cuando existen efectos indirectos y retrasos temporales.
Por ejemplo:
- Modelar el crecimiento poblacional considerando nacimientos, muertes y migraciones.
- Analizar cómo una subida de precios reduce la demanda, lo que afecta la producción, que a su vez influye en el empleo y vuelve a impactar en la demanda.
- Estudiar la transición energética considerando inversión, capacidad instalada y emisiones acumuladas.
La dinámica de sistemas permite visualizar cómo pequeñas decisiones pueden generar efectos no intuitivos debido a los bucles de retroalimentación.
No se trata solo de azar, sino de estructura dinámica.
2.5 Simulación de eventos discretos
Este enfoque modela sistemas donde los cambios ocurren en momentos concretos: llega un cliente, se produce una avería, entra un pedido.
Se utiliza mucho en logística, transporte y gestión de operaciones.
Por ejemplo:
- Simular el funcionamiento de un aeropuerto: llegada de vuelos, tiempos de embarque, colas en seguridad.
- Analizar cuánto tiempo espera un cliente en un call center según el número de operadores.
- Estudiar el impacto de aumentar una caja en un supermercado en horas punta.
El sistema evoluciona evento a evento. El tiempo no fluye de forma continua, sino a saltos.
Es especialmente útil cuando el cuello de botella y los tiempos de espera son centrales.
2.6 Simulación estructural / contrafactual
Este enfoque combina teoría causal y simulación para responder preguntas del tipo: ¿Qué habría pasado si…?
Partimos de una estructura que representa cómo creemos que funciona el sistema, y modificamos un elemento para observar qué ocurre.
Por ejemplo:
- ¿Qué habría pasado con el mercado laboral sin una determinada reforma?
- ¿Cómo cambiaría el consumo si se introduce un nuevo impuesto?
- ¿Qué impacto tendría una política de subvenciones en la adopción de vehículos eléctricos?
Aquí la simulación no busca solo describir incertidumbre, sino evaluar decisiones alternativas y es especialmente relevante en economía pública y análisis de políticas.
3. ¿Cómo elegir un enfoque de simulación?
Una forma útil de orientarse es preguntarse:
- ¿Estoy modelando incertidumbre simple o interacción compleja?
- ¿El comportamiento individual es relevante?
- ¿Existen retroalimentaciones?
- ¿Quiero analizar colas y procesos?
- ¿Estoy evaluando un contrafactual?
No todos los problemas necesitan simulación sofisticada pero cuando la realidad es adaptativa, interactiva o altamente incierta, la simulación suele capturar mejor su naturaleza.
Para cerrar
La predicción cuantitativa por simulación no es una versión “más complicada” de la analítica. Es otra forma de pensar.
Mientras que la analítica resuelve una estructura y la proyecta, la simulación recrea un sistema y observa qué ocurre.
En entornos relativamente estables, la analítica es eficiente y elegante. Sin embargo ,en sistemas complejos, adaptativos o estratégicos, la simulación permite explorar lo que no puede resolverse en una sola ecuación.
Simular es, en cierto sentido, aceptar que el futuro no es una línea que prolongamos, sino un espacio de trayectorias posibles y, a veces, entender ese espacio es más importante que acertar un único número.
En futuras entregas exploraremos cada uno de estos diferentes métodos de predicción, con ejemplos para procurar entenderlos mejor.
The Bayesian Fox 