Stochastic modeling is a mathematical approach that incorporates randomness to simulate and analyze complex systems with inherent uncertainty.Método de investigación de sistemas complejos mediante la construcción de un modelo matemático que incluye variables aleatorias y transiciones probabilísticas, y su reproducción numérica múltiple (método de Montecarlo). El modelado estocástico es indispensable cuando la solución analítica de ecuaciones es demasiado engorrosa o desconocida, pero se dispone de las propiedades estadísticas de los eventos elementales. Se utiliza en física, biología, finanzas, epidemiología para evaluar riesgos e incertidumbres.
Las bases formales fueron establecidas a principios del siglo XX por los trabajos de A. A. Markov, A. Einstein (movimiento browniano) y N. Wiener. El método de Montecarlo fue inventado por Stanisław Ulam y John von Neumann en la década de 1940 para el Proyecto Manhattan. Con el auge de las computadoras, el modelado estocástico se convirtió en una herramienta estándar en todas las ciencias, incluidas la climatología (predicciones de conjuntos) y la biología computacional.
Se define un modelo probabilístico: por ejemplo, la EDE dX_t = μ(X_t,t)dt + σ(X_t,t)dW_t, donde W_t es un proceso de Wiener (proceso aleatorio continuo con incrementos normales independientes). Un esquema numérico (Euler-Maruyama) genera incrementos discretos añadiendo ruido blanco gaussiano. Repitiendo la simulación N veces, se obtienen N trayectorias, a partir de las cuales se construyen histogramas, intervalos de confianza, etc. La convergencia del método es del orden 1/√N.
Predicción de la propagación de infecciones, modelado del movimiento de multitudes, cálculo de la fiabilidad de centrales eléctricas.
Ya a mediados del siglo XX, los físicos modelaban el movimiento de neutrones en un reactor nuclear utilizando números aleatorios; así surgió el método de Montecarlo, llamado así por el casino.
| P(D|θ) | variable | probability of data given parameters — probabilidad |
| y_model | variable | model prediction — value |
| y_data | variable | observed data point — value |
| σ | variable | standard deviation of Gaussian noise — desviación estándar |
| log | operador | natural logarithm — logaritmo |
| ∑ | operador | sum over all data points — suma |
| f(x_i) | variable | model prediction at input x_i — valor de la función |
| y_i | variable | observed data point — data value |
| σ_i | variable | standard deviation of measurement error — desviación estándar |
| ∏ | operador | Product over all data points i — operador producto |
| exp | operador | Exponential function — función exponencial |














