成本风险模型扩展了基于算法的参数模型的适用性，该算法将成本与定量系统特征联系起来。概率成本估算方法引起的不精确程度可以通过采用诸如三点法（后文将讨论）或更复杂的技术来降低。

将这些方法与仿真方法相结合，可以得到更好的结果。如前所述，蒙特卡罗是一个著名的仿真模型家族，它基于使用随机抽样方法来解决某个问题，无论是不确定性的还是确定性的。

蒙特卡罗模拟评估模型中固有的整体不确定性。它使用从每个模型组件的误差分布中随机选择的值迭代地计算模型，然后使用所有迭代的结果集来估算整个模型结果的分布。蒙特卡罗方法被波兰数学家Stanislaw Ulam于1946年发明后，已经成功地应用于科学应用领域。

不确定或随机变量的概率分布可以组合在系统购置计划的大成本模型中，以获得总成本概率分布。

数据收集和分析是成本风险估算过程中最重要的部分，也是这一过程中的关键一步。首先需要确定成本估算模型中所有可能受风险和不确定性影响的变量。这些变量通常包括简单的比率和因素，以及基于回归分析的更复杂的CER。

需要估算或选择每个变量的概率分布。这需要首先选择要应用的分布类型，然后估算分布的参数，如高、低和最有可能的值。

历史数据可提供关于风险和不确定性的有用信息来源，用于成本风险评估。例如，应用最小二乘法回归分析，以生成蒙特卡罗模拟的输入。历史数据通常用于概率估算，但在数据选择过程中仍然存在一些困难。(www.daowen.com)

在相关历史数据缺乏的情况下，例如，如果所研究的系统代表了几乎没有经验的新概念和技术，则通常采用专家判断法。换言之，如果数据不相关或不易获得，或者获取这些数据的成本太高，或者解释不明确，那么专家判断法可能是合适的。

例如，北约出版物RTO TR-SAS-054——《LCC计算方法和模型》（见参考文献）中讨论了成本风险估算的细节。程序摘要如下所述。

在数据收集和分析过程之后，使用蒙特卡罗模拟生成成本估算基准。为了生成成本估算基准，将成本动因（即自变量）的固定值输入CER；其他CER遵循类似的过程。对所有CBS要素的成本进行汇总，并重复几次该程序，直到出现基准成本估算。

基准成本估算用于解释每个CER中因变量和自变量之间相关性的不确定性。可用数据的局限性以及人为的随机性和错误可能会导致这种不确定性。

随后，生成风险调整成本估算。在这个阶段，成本动因（自变量）不再被认为是确定性的，而是随机的。通常，这些参数的分布是三角形的。

虽然基准成本估算包含建模不确定性，但风险调整成本估算同时包含建模不确定性和技术不确定性与风险，这意味着风险调整后的概率分布具有比基准成本估算更高的平均值和更高的方差。两种分布的平均值（期望值）的差异定义了成本风险。