La aplicación de redes de estado de eco a la predicción de series temporales ha proporcionado resultados notables, favorecidos por su reducido costo computacional, ya que los pesos de conexión no requieren aprendizaje. Sin embargo, existe la necesidad de métodos generales que guíen la elección de parámetros (particularmente el tamaño del depósito y el coeficiente de regresión de crestas), mejoren la precisión de la predicción y proporcionen una evaluación de la incertidumbre de las estimaciones. En este documento proponemos un mecanismo de cuantificación de incertidumbre basado en la deserción de Monte Carlo, donde la salida de un subconjunto de unidades de depósito se pone a cero antes del cálculo de la salida. La deserción solo se realiza en la etapa de prueba, ya que el objetivo inmediato es solo el cálculo de una medida de la bondad de la predicción. Los resultados muestran que la propuesta es un método prometedor para la cuantificación de la incertidumbre, proporcionando un valor que está fuertemente correlacionado con el error de predicción o refleja la predicción de características cualitativas de la serie temporal. Este mecanismo podría eventualmente ser incluido en el algoritmo de aprendizaje para obtener mejoras de rendimiento y aliviar la carga de la elección de parámetros.