Presentamos una guía práctica y un diagrama de flujo paso a paso para establecer intervalos de incertidumbre para los resultados clave del modelo en un modelo de simulación frente a parámetros inciertos. El proceso comienza con la optimización de Powell para encontrar un conjunto de parámetros inciertos (el conjunto óptimo de parámetros o OPS) que minimiza el error de ajuste del modelo en relación con los datos históricos. La optimización también ayuda en el refinamiento de los rangos de incertidumbre de los parámetros. A continuación, se utiliza la aleatorización tradicional de Monte Carlo (TMC) o la cadena de Markov Monte Carlo (MCMC) para crear una muestra de conjuntos de parámetros que se ajustan al comportamiento de los datos de referencia casi tan bien como el OPS. Bajo el método TMC, se explora ampliamente todo el espacio de parámetros con un gran número de ejecuciones, y los resultados se ordenan para la selección de conjuntos de parámetros calificados (QPS) para asegurar un buen ajuste y distribuciones de parámetros que estén centralmente ubicadas dentro de los rangos de incertidumbre. Además, las salidas de QPS se grafican como gráficos de sensibilidad o diagramas de caja y bigotes para su comparación con los datos históricos. Finalmente, se ejecutan políticas y escenarios alternativos contra el OPS y todos los QPS, y se encuentran intervalos de incertidumbre para los resultados proyectados del modelo. Ilustramos el enfoque completo de incertidumbre de parámetros con un modelo de dinámica de sistemas (publicado anteriormente) de la epidemia de opioides en EE. UU., y demostramos cómo puede enriquecer los resultados de modelado de políticas.