El advenimiento del Internet de las Cosas trajo consigo una nueva era de funcionalidad de dispositivos interconectados, que van desde dispositivos personales y casas inteligentes hasta sistemas de control industrial. Sin embargo, han surgido mayores riesgos de seguridad a raíz de ello, en particular malware autorreplicante que explota la débil seguridad de los dispositivos. Los estudios que modelan epidemias de malware buscan predecir el comportamiento del malware de maneras esenciales, generalmente asumiendo una serie de simplificaciones, pero invariablemente simplifican la subdinámica más importante del malware: la propagación aleatoria. En nuestro trabajo anterior, derivamos y presentamos el primer modelo matemático exacto de propagación aleatoria, definido como la subdinámica de propagación de un modelo de malware. Las dinámicas de propagación se derivaron para el modelo SIS en forma discreta. En este trabajo, generalizamos la metodología de derivación y la extendemos a cualquier modelo de cadena de Markov de malware basado en propagación aleatoria. También proponemos un segundo método de derivación basado en la modificación de la forma más simple del modelo y ajustándolo para modelos más complejos. Validamos las dos metodologías en tres modelos de malware, utilizando simulaciones para confirmar la exactitud de las dinámicas de propagación. Se encontraron errores estocásticos de menos del 0.2% en todas las simulaciones. En comparación, el modelo estándar no lineal de propagación (presente en el 95% de los estudios) tiene un error promedio del 5% y un máximo del 9.88% frente a las simulaciones. Además, nuestro modelo tiene un bajo compromiso matemático de solo dos operaciones adicionales, siendo un sustituto adecuado al modelo de la literatura estándar siempre que las ecuaciones dinámicas se resuelvan numéricamente.