Las incertidumbres en la atmósfera y las condiciones de vuelo pueden impactar drásticamente el rendimiento de una aeronave y resultar en retrasos en la certificación. Sin embargo, la propagación de incertidumbres en simulaciones de alta fidelidad, que se han vuelto integrales en el proceso de diseño, puede presentar costos computacionales inabordables. Este estudio presenta un método de modelado de orden reducido paramétrico no intrusivo para permitir la predicción de campos inciertos con miles de variables aleatorias y características no lineales bajo presupuestos de muestreo limitados. La metodología combina la reducción de dimensionalidad lineal con expansiones de caos polinómico disperso y se evalúa en una variedad de casos de prueba basados en CFD, incluyendo flujo supersónico 3D sobre una aeronave de pasajeros con condiciones de vuelo inciertas. Cada problema tiene fuertes no linealidades, como choques, para investigar la efectividad de los modelos en simulaciones aerodinámicas del mundo real que pueden surgir durante el diseño conceptual o preliminar. El rendimiento se evalúa comparando la media incierta, la varianza, las predicciones puntuales y las cantidades integradas de interés obtenidas utilizando los ROM con simulaciones de Monte Carlo. Se observa que si el flujo es completamente supersónico o subsónico, entonces el método puede predecir el campo de presión de manera precisa y rápida. Además, también se observa que los momentos estadísticos se pueden obtener de manera eficiente utilizando expresiones analíticas en forma cerrada y coinciden estrechamente con los resultados de Monte Carlo.