> ## Documentation Index
> Fetch the complete documentation index at: https://docs.prodexlabs.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Monte Carlo

> Ejecuta simulaciones repetidas con diferentes semillas aleatorias para cuantificar la distribución de resultados.

## Visión general

Una sola ejecución (Run) de simulación usa un sorteo aleatorio de cada distribución (Distribution) en tu modelo (Model): es *una* versión posible de la realidad. Monte Carlo corre la misma configuración muchas veces con diferentes semillas aleatorias y reporta la **distribución** de resultados en lugar de una estimación puntual.

Esa es la diferencia entre *"el rendimiento (Throughput) es 847 unidades/día"* y *"el rendimiento es 847 ± 23, con un percentil 95 de 891"*. Una vez que puedes leer la distribución, puedes razonar sobre la confianza: una estrecha significa que la respuesta es robusta a la aleatoriedad; una amplia significa que el desempeño del modelo depende fuertemente de cómo se desarrollan los eventos (Events) estocásticos.

Monte Carlo es la herramienta correcta para **cuantificación de incertidumbre de configuración única**. Para comparar diferentes configuraciones lado a lado, ver [Experimentos (Experiments)](/es/product/experiments). Para paneles (Dashboards) ad-hoc a través de ejecuciones, ver [Hallazgos (Insights)](/es/product/insights).

<Tip>
  **Monte Carlo varía la semilla aleatoria, no tus parámetros.** Te dice qué tan confiado deberías estar en el comportamiento de una Instantánea (Snapshot). Para barridos de parámetros (*¿qué pasa si agrego una máquina CNC?*), captura múltiples Instantáneas y compáralas en un [Experimento](/es/product/experiments).
</Tip>

## Antes de ejecutar

Un lote de Monte Carlo corre contra la **configuración de la Ejecución actual**. La configuración se captura completamente en el momento de encolado:

* La Instantánea contra la que se ejecutó la Ejecución
* El calendario (Schedule) que estaba activo
* **Los KPIs y gráficos como están definidos cuando encolas el lote**

Una vez encolado, el lote es fijo. Editar KPIs, gráficos o el modelo después no afecta el lote en vuelo o completado.

<Warning>
  **Los KPIs están bloqueados en el momento de encolado.** Si encolas un lote y luego editas una definición de KPI, el lote mantiene la definición antigua hasta completarse. Para recoger cambios de KPI, encola un lote nuevo después de que la edición aterrice.
</Warning>

## Ejecutando un lote

Monte Carlo puede dispararse desde dos lugares:

* **Monte Carlo de ejecución única.** En la página de [Resultados](/es/product/results-and-analytics) de cualquier Ejecución, haz clic en **Monte Carlo** en la barra superior para cambiar la página a la vista Monte Carlo, luego haz clic en **Run Monte Carlo**. El modal pide **N Runs**, el número de semillas a barrer.
* **Monte Carlo por Instantánea dentro de un experimento.** Dentro de un [Experimento](/es/product/experiments), dispara Monte Carlo en la página de Ejecución individual de cada Instantánea cuando quieras tanto comparación entre Instantáneas como intervalos de confianza por Instantánea.

El campo N Runs predetermina a **100** y acepta cualquier valor entre **1** y **1,024**.

<Note>
  **El predeterminado de 100 semillas es el punto de partida correcto para la mayoría de los modelos.** Sube a **200+** cuando te importen las métricas de cola (P95, P99): las colas necesitan más muestras para estabilizarse. El máximo duro por lote es **1,024**; si necesitas más, ejecuta múltiples lotes y agrégalos.
</Note>

## Leyendo tus resultados

Un lote completado produce una vista de Resultados de Monte Carlo con tres capas de detalle:

* **Resúmenes estadísticos** para cada KPI: media, desviación estándar, mediana y percentiles (25, 75, 90, 95, 99).
* **Histogramas** de la distribución de cada KPI a través de todas las semillas: qué tan a menudo ocurrió cada resultado.
* **Box plots** mostrando la dispersión, cuartiles y valores atípicos de un vistazo.

La ejecución de cada semilla individual también es accesible: haz clic en la fila de una sola semilla para abrir su página de Resultados si quieres inspeccionar el event log o gráficos de una réplica específica.

## Construyendo gráficos

Los gráficos alcanzados a Monte Carlo son mejores para visualizar **a través de réplicas** en lugar de a lo largo del tiempo de simulación. Tipos útiles:

* **Histogramas**: distribución de un KPI a través de las semillas
* **Box plots**: cuartiles y valores atípicos por grupo (por ejemplo, por recurso (Resource))
* **Scatter**: relación entre dos KPIs a través de las semillas (por ejemplo, ¿el rendimiento se correlaciona con el WIP?)

Créalos a través de Dexter de la misma forma que crearías cualquier otro gráfico: describe lo que quieres y Dexter escribe la consulta subyacente contra el conjunto de resultados multi-semilla.

## Interpretando resultados

Algunas cosas a observar al leer la distribución:

* **Las distribuciones estrechas son tranquilizadoras.** Una desviación estándar pequeña relativa a la media significa que el comportamiento del modelo es robusto a la aleatoriedad, la estimación puntual es confiable.
* **Las distribuciones amplias son una señal.** Una dispersión amplia significa que los eventos estocásticos impulsan una varianza material de resultados; la media por sí sola puede ser engañosa.
* **Las colas importan para los SLAs.** "El rendimiento promedio está bien" no te dice nada sobre el peor caso. P95/P99 es donde encuentras los días en que un compromiso descendente no puede cumplirse.
* **El modelo no cambió.** Si las distribuciones de dos lotes lucen idénticas, eso es el sistema diciéndote que el cambio que hiciste no importa bajo ruido, a veces una respuesta útil.

## Trampas comunes

* **Editar el modelo a mitad del lote.** El lote usa la configuración capturada en el momento de encolado. Las ediciones no se propagan; encola un lote nuevo.
* **Confundir Monte Carlo con Experimentos.** MC = muchas semillas, una configuración. Experimentos = muchas configuraciones, una semilla cada una (o muchas semillas cada una). Usa ambos cuando ambas preguntas importen.
* **Leer P95 con muy pocas semillas.** Los percentiles de cola son ruidosos a 50–100 semillas. Sube a 200+ antes de sacar conclusiones sobre el comportamiento en el peor caso.

## Funciones relacionadas

* [Instantáneas](/es/reference/snapshots): la congelación inmutable contra la cual corre un lote de Monte Carlo
* [Experimentos](/es/product/experiments): comparando múltiples Instantáneas lado a lado, con Monte Carlo por Instantánea
* [Resultados](/es/product/results-and-analytics): la superficie alcanzada a Ejecución donde se renderizan las ejecuciones de semillas individuales
* [Hallazgos](/es/product/insights): paneles duraderos que pueden resumir a través de lotes