Ja analītiskās metodes ir neproduktīvas, mēs varam izmantot skaitliskās metodes, lai iegūtu aptuvenus risinājumus. Kaut arī tiem nekad nav tādas pašas vispārības kā analītiskie risinājumi, tie jebkurā konkrētā gadījumā var būt tikpat labi. Modeļu vienādojumu skaitlisks risinājums kopumā atdarina modelī aprakstītos procesus. Diferenciālvienādojumos ciparu risinājums ir precīzs, jo mēs varam izmantot vienādojumos noteiktos noteikumus, lai sekotu sistēmas attīstībai. Ar stohastisku modeli mēs varam atkārtoti simulēt rezultātus, izmantojot gadījuma skaitļu ģeneratoru, un apvienot lielu skaitu simulāciju, lai tuvinātu rezultātu izplatīšanu.
Ir svarīgi saprast, ka modeļa uzvedību var aprakstīt divos veidos. Kvalitatīvais apraksts sniedz atbildi uz jautājumiem par "kā", bet kvantitatīvais apraksts atbild uz jautājumiem par "cik daudz". Kopumā kvalitatīva uzvedība būs vienāda visiem grupas modeļiem un līdz ar to ir pakļauti vispārējiem rezultātiem. Tas ir būtiski pretstatā kvantitatīvai uzvedībai, kas bieži vien attiecas tikai uz atsevišķiem apstākļiem.
Stohastisko modeļu kvalitatīvā uzvedība, visticamāk, parādīsies daudzveidīgāka nekā atbilstošie deterministiskie modeļi. Piemēram, atšķirīgie stohastisko populāciju modeļu realizējumi var izpausties kā eksponenciālā augšana un izzušana. Tāpēc ar stohastiskiem modeļiem tas ir svarīgi ne tikai apraksta vidējo uzvedību, bet arī apraksta uzvedības veidu klāstu.
Sarežģītu modeļu novērtēšana bieži vien var aizņemt daudz laika datorā. Ja modelis ir jānovērtē atkārtoti, mēs varam pieņemt zināmu precizitātes zudumu novērtējumā, ja tas samazina novērtēšanas laiku. Protams, ir vajadzīgs saprātīgs modeļa tuvinājums, bet, atceroties, ka modelis ir tikai tuvinājums, mēs sapratīsim, ka par nelielu detaļu zudumu nebūtu jāuztraucas, ja tas paātrina aprēķinus.…
