Un modelo compartimental epidemiológico (p. ej. SIR, SEIR) en el que las transiciones entre compartimentos y la ocurrencia de eventos se representan como procesos estocásticos (por ejemplo cadenas de Markov en tiempo continuo, procesos de Poisson o algoritmos de Gillespie), produciendo distribuciones de probabilidad de trayectorias de brote en lugar de una trayectoria determinista única.

Principio

Cuando los números son pequeños o los eventos discretos, la variación aleatoria en la transmisión, la recuperación y las introducciones puede afectar materialmente los resultados: los modelos estocásticos generan distribuciones (incluida la probabilidad de extinción temprana) y cuantifican incertidumbre que los modelos deterministas promedian.

Demostración

Escenario ilustrativo → Un pequeño rebaño con un ave índice infectada: una implementación estocástica SIR muestra una probabilidad no nula de que la infección se extinga sin casos secundarios aunque el modelo determinista correspondiente prediga crecimiento; repetir muchas simulaciones estocásticas da una distribución de tamaños y duraciones de brotes para evaluar el riesgo.

Aplicación incorrecta

Tratar una única simulación estocástica como representativa o usar reglas umbral deterministas (p. ej. R0>1) sin considerar la distribución de resultados. El error es confundir una realización o un umbral de campo medio con el rango de trayectorias estocásticas posibles.

Consecuencia

Los modelos compartimentales estocásticos proporcionan probabilidades cuantificadas de eventos raros (extinción, superspreading) e intervalos para métricas del brote, informando sensibilidad de vigilancia, reglas de activación y planificación de contingencias; requieren representación explícita del azar, muchas réplicas de simulación y tratamiento cuidadoso de la incertidumbre paramétrica.

Inversión

En poblaciones muy grandes y bien mezcladas o en horizontes temporales largos, las fluctuaciones estocásticas se promedian y los modelos deterministas aproximan de cerca el comportamiento esperado; en esos regímenes el detalle estocástico puede ser innecesario para algunas tareas de planificación.

Límite

Claramente dentro: sistemas donde eventos discretos, tamaños poblacionales pequeños o introducciones raras afectan los resultados (p. ej. pequeños hatos, fase inicial de un brote). Caso límite: tamaños intermedios donde hay efectos estocásticos pero el comportamiento medio es informativo. Claramente fuera: dinámicas endémicas a macroescala en poblaciones muy grandes donde los modelos deterministas capturan adecuadamente las tendencias medias.

Tensión semántica

Complejidad computacional e interpretabilidad (los modelos estocásticos requieren muchas ejecuciones e interpretación probabilista) ↔ fidelidad a la incertidumbre y a dinámicas de eventos raros (los modelos estocásticos capturan probabilidades de extinción y variabilidad que los deterministas no).

Síntesis

Emplee modelos compartimentales estocásticos cuando los eventos discretos, los números pequeños o los resultados raros de interés para políticas determinen los desenlaces; interprete resultados como distribuciones de trayectorias posibles, no como predicciones únicas, y comunique la incertidumbre.