No necesariamente todos los estudios contendrán todas estas etapas y en el orden señalado; algunos estudios pueden contener etapas que no se reflejan en el diagrama. Además, un estudio de simulación no es un proceso secuencial simple. A medida que uno avanza con un estudio y un mejor entendimiento del sistema de interés es obtenido, es frecuentemente deseable volver a un paso previo.
Formulación del problema y planificación del estudio: cada estudio debe comenzar con una sentencia clara de los objetivos globales del estudio y las cuestiones específicas a ser atendidas; sin esta sentencia hay poca esperanza de éxito. El estudio completo debe ser planeado en términos del número de personas, los costos, y el tiempo requerido para cada aspecto del estudio.
Recolección de datos y definición de un modelo: la información y los datos deben ser tomados sobre el sistema de interés (si existe) y usado para especificar los procedimientos operativos y distribuciones de probabilidad para las variables aleatorias usadas en el modelo.
Por ejemplo, en el modelado de un banco, se podrían recolectar los tiempos entre arribos y los tiempos de servicio y usar esos datos para especificar distribuciones de tiempos inter-arribos y de servicios para usarlas en el modelo. Si es posible, los datos sobre el rendimiento del sistema, por ejemplo, demoras en la cola de clientes de un banco, deben ser recolectados para propósitos de validación en etapas posteriores.
Validación: aunque la validación es algo que debe ser hecho a lo largo de todo el estudio de simulación, hay varios puntos en el estudio donde la validación es particularmente apropiada.
En la construcción del modelo es útil incorporar personas que estén íntimamente familiarizados con las operaciones del sistema actual y los que deben tomar decisiones regularmente. Así se incrementará la validez del modelo y la credibilidad (o validez percibida) por parte de los responsables de decisiones también crecerá. Otro punto para validar es en la adecuación de las distribuciones de probabilidad especificadas para la generación de variables aleatorias de entrada, que debe ser testeadas usando pruebas de bondad de ajuste.
Construcción de un programa de computación y verificación: el modelador debe decidir si programar el modelo en un lenguaje de propósito general, o en un lenguaje de simulación diseñado especialmente o simulador. Un lenguaje de programación de propósito general probablemente ya será conocido y estará disponible. Un lenguaje de simulación puede reducir el tiempo de programación requerido significativamente. La verificación de un modelo programado significa que en las corridas no se produzcan errores.
Realización de corridas de prueba: las primeras corridas con el modelo verificado se hacen con propósitos de validación. Son pruebas de corridas con resultados conocidos para verificar si el modelo está bien programado y para validar las salidas de simulación con datos reales.
Validación: las corridas de prueba pueden ser utilizadas para chequear la sensibilidad de la salida del modelo a pequeños cambios en un parámetro de entrada. Si la salida varía mucho, se debe obtener una mejor estimación del parámetro de entrada. Si existe un sistema similar al de interés, los datos de salida pueden ser comparadas con aquellas del sistema existente actual. Si el acuerdo es bueno, el modelo validado es modificado de manera que represente el sistema de interés, siempre que esta modificación no sea demasiado costosa.
Diseño de experimentos: consiste en organizar las corridas de simulación con cambios en los valores de las variables de entrada. Se debe seleccionar el o los diseño/s de sistema y realizar las corridas. Por cada diseño de sistema a ser simulado se deben tomar decisiones sobre las condiciones iniciales para las corridas, la longitud de tiempo de puesta en marcha (si hubiera), la longitud de la o las corrida/s, y el número de corridas de simulación independientes a realizar para cada grupo de datos de entrada.
Realización de las corridas de producción: Las corridas de producción se hacen para proveer datos de rendimiento de los diseños del sistema de interés.
Análisis de los datos de salida: Se utilizan técnicas estadísticas para analizar los datos de salida de las corridas de producción. Los objetivos típicos son construir un intervalo de confianza para una medida de performance para un diseño de sistema particular o decidir cual sistema simulado es el mejor relativo a alguna medida específica de performance.
Documentación, presentación, e implementación de resultados: Como los modelos de simulación son comúnmente usados para más de una aplicación, es importante documentar las suposiciones que se hicieron en el modelo como así también el programa de computadora mismo. Finalmente, un estudio de simulación cuyos resultados nunca son implementados es probablemente una falla. Además, los resultados de modelos altamente creíbles serán probablemente usados.
IUPSM Simulacion 