罕见事件在许多应用中起着关键作用，已经提出了许多算法来估计罕见事件的概率。然而，对于如何量化罕见事件概率对模型参数的敏感性，人们知之甚少。在本文中，我们开发了新的、通用的不确定性量化和灵敏度边界，而不是对罕见事件灵敏度的直接统计估计，这些不确定性量化和灵敏度边界与特定的罕见事件模拟方法无关，适用于罕见事件家族。我们的方法基于最近导出的Rényi发散族的变分表示，该发散族是与所考虑的罕见事件相关的风险敏感泛函。受推导边界的启发，我们提出了新的罕见事件敏感性指数，并将其与得分函数的矩生成函数联系起来。边界缩放的方式使我们可以为大偏差率函数额外开发灵敏度指数。