La expectativa de vida de las personas está aumentando, lo que resulta en una creciente población anciana. Esa población está sujeta a problemas de dependencia, siendo las caídas un problema debido a las complicaciones de salud asociadas. Algunos proyectos intentan mejorar la independencia de las personas mayores monitoreando su estado, típicamente mediante dispositivos portátiles. Estos dispositivos a menudo cuentan con algoritmos de Aprendizaje Automático (ML) para la detección de caídas utilizando acelerómetros. Sin embargo, el software implementado a menudo carece de datos confiables para el entrenamiento de los modelos. Para superar este problema, hemos desarrollado un simulador de caídas disponible públicamente capaz de recrear muestras de caídas de acelerómetro de dos de los tipos más comunes de caídas: síncope y hacia adelante. Estas muestras simuladas son como caídas reales grabadas utilizando acelerómetros reales para utilizarlas posteriormente como entrada para aplicaciones de ML. Para validar nuestro enfoque, hemos utilizado diferentes clasificadores sobre ambas caídas simuladas y datos de dos conjuntos de datos públicos basados en datos reales. Nuestros tests muestran que el simulador de caídas logra una alta precisión para generar datos de acelerómetro a partir de una caída, permitiendo crear conjuntos de datos más grandes para el entrenamiento de software de detección de caídas en dispositivos portátiles.