In this paper we investigate the positivity and boundedness of the solution of a stochastic seasonal epidemic model for the respiratory syncytial virus (RSV ). The stochasticity in the model is due to fluctuating physical and social environments and is introduced by perturbing the transmission parameter of the seasonal disease. We show the existence and uniqueness of the positive solution of the stochastic seasonal epidemic model which is required in the modeling of populations since all populations must be positive from a biological point of view. In addition, the positivity and boundedness of solutions is important to other nonlinear models that arise in sciences and engineering. Numerical simulations of the stochastic model are performed using the Milstein numerical scheme and are included to support our analytic results. Positividad y acotamiento de soluciones de un modelo epidemiologico estacional estocástico para el virus respiratorio sincitial ResumenEn este trabajo se investiga la positividad y acotamineto de la solución de un modelo epidemiologico estacional estocástico para el virus respiratorio sincitial (RSV ). La estocasticidad en el modelo se debe a entornos físicos y sociales fluctuantes y se introduce perturbando el parámetro de transmisión de la enfermedad. Se demuestra la existencia y unicidad de la solución positiva del modelo epidemiologico estacional estocástico, lo cual se requiere en el modelado de las poblaciones ya que todas las poblaciones deben ser positivos desde el punto de vista biológico. Adicionalmente, la positividad y la acotación de las soluciones es importante para otros modelos no lineales que se presentan en las ciencias y la ingeniería. Las simulaciones numéricas del modelo estocástico se realizan utilizando el esquema numérico de Milstein y se incluyen para apoyar los resultados analíticos.Palabras clave: Modelo epidemiologico estacional estocástico; virus respiratorio sincitial; modelización matemática; positividad; sistema dinámi-co.

RESUMENLa extensión teórica de los modelos lineales de promedios móviles al caso no lineal es directa y sencilla. Sin embargo, el uso práctico de los modelos no lineales de promedios móviles es limitado debido a la complejidad del espacio de parámetros y la imposibilidad de las establecer derivadas analíticas de la función de estimación. En este artículo, se evalúa el uso del algoritmo híbrido Evolución DiferencialOptimización del Enjambre de Partículas para calcular los parámetros óptimos del modelo no lineal de promedios móviles. Los resultados obtenidos muestran que la técnica meta-heurística utilizada es capaz de calcular con mayor precisión los valores de los parámetros del modelo en comparación con los algoritmos tradicionales. Este hallazgo nos alienta a explorar el uso de las meta-heurísticas en la estimación de los parámetros de otros modelos no lineales de promedios móviles.

A numerical method to solve a general random linear parabolic equation where the diffusion coefficient, source term, boundary and initial conditions include uncertainty, is developed. Diffusion equations arise in many fields of science and engineering, and, in many cases, there are uncertainties due to data that cannot be known, or due to errors in measurements and intrinsic variability. In order to model these uncertainties the corresponding parameters, diffusion coefficient, source term, boundary and initial conditions, are assumed to be random variables with certain probability distributions functions. The proposed method includes finite difference schemes on the space variable and the differential transformation method for the time. In addition, the Monte Carlo method is used to deal with the random variables. The accuracy of the hybrid method is investigated numerically using the closed form solution of the deterministic associated ResumenUn método numérico para resolver una ecuación parabólica general aleatoria lineal donde el coeficiente de difusión, el término fuente, las condiciones de contorno e iniciales incluyen la incertidumbre, se ha desarrollado. Ecuaciones de difusión surgen en muchos campos de la ciencia y la ingeniería, y en muchos casos, existen la incertidumbres debido a los datos que no se pueden saber, o debido a errores en las mediciones y la variabilidad intrín-seca. Para modelar estas incertidumbres los parámetros correspondientes, coeficiente de difusión, término fuente, condiciones de contorno e iniciales, se suponen que son variables aleatorias con determinadas distribuciones de probabilidad. Basándose en los resultados numéricos, se obtienen los intervalos de confianza y valores medios esperados para la solución. Además, se obtienen con las soluciones numéricas-analíticas del método híbrido propuesto.Palabras clave: modelos lineales de difusión aleatorios; condiciones de incertidumbre; Esquemas de diferencias finitas; método de transformación diferencial; solución analítica-numérica