Analistas de risco devem geralmente considerar duas origens de variação nos seus modelos:
Incerteza — Pressupostos que são incertos porque não há tem informações suficientes sobre um valor verdadeiro, mas desconhecido. Exemplos de incerteza incluem o tamanho da reserva de um campo de óleo e a taxa de juros primária em 12 meses. Você pode descrever um pressuposto de incerteza com uma distribuição de probabilidade. Teoricamente, você pode eliminar a incerteza coletando mais informações. Praticamente, informações podem estar ausentes porque ainda não foram coletadas ou porque recolhê-las exige muitos gastos.
Variabilidade — Pressupostos que alteram porque descrevem uma população com valores diferentes. Exemplos de variabilidade incluem o peso corporal individual em uma população ou o número diário de produtos vendidos em um ano. Você pode descrever um pressuposto de variabilidade com uma distribuição discreta (ou aproximar um com uma distribuição contínua). A variabilidade é inerente no sistema, e não é possível eliminá-la coletando mais informações.
Para muitos tipos de avaliações de risco, é importante distinguir claramente entre incerteza e variabilidade (consulte a Bibliografia de Hoffman e Hammonds). Separar esses conceitos em uma simulação permite detectar mais precisamente a variação em uma previsão devido à falta de conhecimento e a variação causada pela variabilidade natural em uma medição ou população. Da mesma maneira que uma simulação unidimensional geralmente é melhor que as estimativas de ponto simples de exibição da verdadeira probabilidade de risco, uma simulação bidimensional geralmente é melhor que uma simulação unidimensional para caracterizar o risco.
A ferramenta de Simulação 2D executa um loop externo para simular valores de incerteza, e congela esse valor enquanto ele é executado em um loop interno (do modelo inteiro) para simular a variabilidade. Este processo repete-se para diversas simulações externas, fornecendo um retrato de como a distribuição de previsão varia devido à incerteza.
A saída principal deste processo é um gráfico que ilustra uma série de distribuições de frequência acumulativa. Você possa interpretar este gráfico como o intervalo de possíveis curvas de risco associadas a uma população.