Se presenta un estudio comparativo de dos controladores predictivos estocásticos de última generación para sistemas lineales con incertidumbres paramétricas y aditivas. Por un lado, el Control Predictivo Estocástico de Modelos (SMPC) se basa en métodos analíticos y resuelve un problema de control óptimo (OCP) similar a un Control Predictivo de Modelos clásico (MPC) con restricciones. SMPC define restricciones probabilísticas en los estados, que se transforman en restricciones determinísticas equivalentes. Por otro lado, el Control Predictivo de Modelos basado en Escenarios (SCMPC) resuelve un OCP para un número especificado de realizaciones aleatorias de incertidumbres, también llamados escenarios. En este artículo, se comparan el MPC clásico, SMPC y SCMPC a través de dos ejemplos numéricos. Gracias a varias simulaciones de Monte Carlo, se comparan las actuaciones del MPC clásico, SMPC y SCMPC utilizando varios criterios, como el número de ejecuciones exitosas, el número de veces que se violan las restricciones, el error absoluto integral y el costo computacional. Además, los autores desarrollaron un software, disponible en MATLAB Central, en el que es posible simular un SMPC o un SCMPC para controlar sistemas lineales multivariables con perturbaciones aditivas. Este software se utilizó para llevar a cabo parte de las simulaciones de los ejemplos numéricos en este artículo y se puede utilizar para reproducir los resultados.