Ein kompartimentales epidemiologisches Modell (z. B. SIR, SEIR), bei dem Übergänge zwischen Kompartimenten und Ereignisse als stochastische Prozesse dargestellt werden (z. B. zeitkontinuierliche Markov‑Ketten, Poisson‑Prozesse oder Gillespie‑Algorithmen) und das Wahrscheinlichkeitsverteilungen von Ausbruchsverläufen statt einer einzigen deterministischen Bahn liefert.

Prinzip

Wenn Zahlen klein sind oder Ereignisse diskret auftreten, kann zufällige Variation in Übertragung, Genesung und Einschleppungen das Ergebnis wesentlich beeinflussen: stochastische Modelle liefern Verteilungen (einschließlich Wahrscheinlichkeiten frühzeitiger Auslöschung) und quantifizieren Unsicherheit, die deterministische Modelle mitteln.

Demonstration

Illustratives Szenario → Eine kleine Herde mit einem indexinfizierten Tier: eine stochastische SIR‑Implementierung zeigt eine von null verschiedene Wahrscheinlichkeit, dass die Infektion ohne Sekundärfälle ausläuft, obwohl das entsprechende deterministische Modell Wachstum vorhersagt; viele stochastische Simulationen ergeben eine Verteilung von Ausbruchsgrößen und ‑dauern zur Risikoabschätzung.

Fehlanwendung

Eine einzelne stochastische Simulation als repräsentativ betrachten oder deterministische Schwellregeln (z. B. R0>1) anwenden, ohne die Ergebnisverteilung zu berücksichtigen. Der Fehler besteht darin, eine Realisation oder Feldmittel‑Schwellen mit der Bandbreite möglicher stochastischer Verläufe zu verwechseln.

Konsequenz

Stochastische Kompartimentmodelle liefern quantifizierte Wahrscheinlichkeiten seltener Ereignisse (Auslöschung, Superspreading) und Konfidenzintervalle für Ausbruchsmetriken und informieren somit Überwachungsanforderungen, Auslösebedingungen und Notfallplanung; sie erfordern explizite Modellierung des Zufalls, zahlreiche Replikate und sorgfältigen Umgang mit Parameterunsicherheit.

Umkehrung

In sehr großen, gut durchmischten Populationen oder über lange Zeiträume mitteln sich stochastische Schwankungen aus und deterministische Kompartimentmodelle approximieren das erwartete Verhalten gut; in diesen Fällen ist stochastische Detaillierung für manche Planungszwecke entbehrlich.

Abgrenzung

Eindeutig innerhalb: Systeme, in denen diskrete Ereignisse, kleine Populationsgrößen oder seltene Einschlüsse die Ergebnisse beeinflussen (z. B. kleine Herden, frühe Ausbruchsphase). Grenzfall: mittlere Populationsgrößen, in denen stochastische Effekte vorhanden sind, das Durchschnittsverhalten jedoch aufschlussreich bleibt. Eindeutig außerhalb: makroskopische endemische Dynamik in sehr großen Populationen, wo deterministische Modelle mittlere Trends ausreichend abbilden.

Semantische Spannung

Rechenaufwand und Interpretierbarkeit (stochastische Modelle benötigen viele Läufe und probabilistische Interpretation) ↔ Genauigkeit bezüglich Unsicherheit und seltener Ereignisse (stochastische Modelle erfassen Auslöschungswahrscheinlichkeiten und Variabilität, die Deterministen fehlen).

Synthese

Stochastische Kompartimentmodelle sind erforderlich, wenn diskrete Ereignisse, geringe Zahlen oder politisch relevante seltene Outcomes das Ergebnis bestimmen; die Resultate sind als Verteilungen möglicher Verläufe zu interpretieren, nicht als Einzelvorhersagen, und Unsicherheit ist klar zu kommunizieren.