Risikoanalysten müssen in ihren Modellen häufig zwei Abweichungsquellen berücksichtigen:
Unsicherheit – Annahmen, die unsicher sind, weil Ihre Informationen über einen richtigen, aber unbekannten Wert unzureichend sind. Beispiele für Unsicherheit sind die Reservegröße eines Ölfeldes und der Basiszinssatz in einem Zeitraum von 12 Monaten. Sie können eine Unsicherheitsannahme mit einer Wahrscheinlichkeitsverteilung beschreiben. Theoretisch können Sie eine Unsicherheit durch das Sammeln weiterer Informationen beseitigen. In der Praxis können Informationen fehlen, weil Sie sie nicht gesammelt haben oder weil deren Beschaffung zu teuer ist.
Variabilität – Annahmen, die sich ändern, weil sie eine Population mit unterschiedlichen Werten beschreiben. Zu den Beispielen für Variabilität gehören individuelle Körpergewichte einer Bevölkerung oder die Anzahl der täglich verkauften Produkte während eines Jahres. Sie können eine Variabilitätsannahme mit einer diskreten Verteilung beschreiben (oder eine solche mit einer kontinuierlichen Verteilung näherungsweise darstellen). Variabilität ist einem System inhärent. Sie können sie nicht beseitigen, indem Sie weitere Informationen sammeln.
Bei vielen Risikoanalysetypen ist es wichtig, zwischen Unsicherheit und Variabilität zu unterscheiden (siehe die Quellenangabe zu Hoffman und Hammonds im Literaturverzeichnis). Durch die Trennung dieser beiden Konzepte in einer Simulation können Sie die Variation in einer Prognose, die auf fehlendem Wissen beruht, und die Variation, die durch die natürliche Variabilität einer Messung oder Population verursacht wird, genauer erkennen. Genauso wie sich eine eindimensionale Simulation im Allgemeinen besser als einmalige Schätzungen eignet, um die wahre Risikowahrscheinlichkeit aufzuzeigen, eignet sich eine zweidimensionale Simulation im Allgemeinen besser als eine eindimensionale Simulation, um ein Risiko zu charakterisieren.
Das 2D-Simulationstool führt eine äußere Schleife durch, um Unsicherheitswerte zu simulieren. Anschließend fixiert es die Unsicherheitswerte, während es eine innere Schleife (im gesamten Modell) durchführt, um die Variabilität zu simulieren. Dieser Prozess wird für eine bestimmte Anzahl äußerer Simulationen wiederholt. Dadurch wird veranschaulicht, wie sich die Prognoseverteilung aufgrund der Unsicherheit verändert.
Die wichtigste Ausgabe dieses Prozesses besteht in einem Diagramm, das eine Reihe kumulativer Häufigkeitsverteilungen grafisch darstellt. Sie können dieses Diagramm als den Bereich möglicher Risikokurven auslegen, die mit einer Population zusammenhängen.