Gli analisti del rischio devono spesso prendere in considerazione due origini di variazione nei propri modelli:
Incertezza: ipotesi incerte perché le informazioni su un valore reale ma sconosciuto sono insufficienti. Sono esempi di incertezza le dimensioni delle riserve petrolifere di un bacino e il tasso di interesse principale in 12 mesi. È possibile descrivere un'ipotesi di incertezza con una distribuzione di probabilità. In teoria, è possibile eliminare l'incertezza raccogliendo ulteriori informazioni. In pratica, le informazioni possono essere mancanti in quanto non sono state raccolte o perché è troppo dispendioso raccoglierle.
Variabilità: ipotesi che cambiano perché descrivono una popolazione con valori diversi. Sono esempi di variabilità i singoli pesi corporei di una popolazione o il numero giornaliero di prodotti venduti in un anno. È possibile descrivere un'ipotesi di variabilità con una distribuzione discreta (o una approssimativa con una distribuzione continua). La variabilità è inerente al sistema e non è possibile eliminarla raccogliendo ulteriori informazioni.
Per numerosi tipi di accertamenti del rischio è importante fare una netta distinzione tra incertezza e variabilità (consultare i riferimenti relativi a Hoffman e Hammonds nella bibliografia). La separazione di questi concetti in una simulazione consente di rilevare con maggiore precisione la variazione in una previsione dovuta ad assenza di informazioni e la variazione causata dalla variabilità naturale in una misurazione o una popolazione. Così come una simulazione unidimensionale è generalmente migliore delle stime di singoli punti per mostrare la reale probabilità di rischio, allo stesso modo una simulazione bidimensionale è generalmente migliore di una simulazione unidimensionale quando si tratta di caratterizzare il rischio.
Lo strumento Simulazione 2D esegue un loop esterno per simulare i valori di incertezza, quindi congela tali valori mentre esegue un loop interno (dell'intero modello) per simulare la variabilità. Questo processo viene ripetuto per un certo numero di simulazioni esterne, consentendo di tracciare la variazione della distribuzione di previsione a causa dell'incertezza.
L'output principale di questo processo è un grafico che rappresenta una serie di distribuzioni di frequenza cumulativa. È possibile interpretare questo grafico come l'intervallo di possibili curve di rischio associate a una popolazione.