Novo método iterativo para la aproximación del punto fijo de una clase de mapeos generalizados ( $$\alpha ,\beta$$ )-no expansivos con aplicaciones al modelo epidémico SEIR

Por qué importa esto para la modelización de enfermedades

Cuando oímos hablar de modelos informáticos que predicen cómo se propagará una epidemia, esas previsiones dependen en última instancia de resolver ecuaciones matemáticas complejas. A menudo, esas ecuaciones son demasiado difíciles de resolver de una sola vez, por lo que los científicos emplean procedimientos de aproximación paso a paso llamados esquemas iterativos. Este artículo presenta una forma nueva, más rápida y fiable de llevar a cabo esos cálculos iterativos, y luego muestra cómo puede afinar el análisis de un modelo SEIR moderno que incluye efectos memoria en la transmisión de la enfermedad.

Mejorando el motor detrás de muchas simulaciones

En el núcleo de innumerables modelos en física, ingeniería, economía y epidemiología está la idea de un punto fijo: un estado que permanece inalterado cuando se aplican las reglas del sistema. Encontrar tal estado rara vez es sencillo, por lo que los investigadores utilizan procedimientos iterativos: partir de una conjetura, aplicar una transformación y repetir hasta que las actualizaciones se estabilicen. A lo largo de los años se han propuesto muchos de estos procedimientos, cada uno adaptado a supuestos técnicos distintos. Los autores se centran en una clase muy amplia de transformaciones que mueven suavemente los puntos sin estirar demasiado las distancias, conocidas como mapeos generalizados (α, β)-no expansivos. Este marco amplio ya incluye varios métodos de uso común, por lo que un esquema más potente aquí puede afectar a muchas áreas de aplicación a la vez.

Una nueva receta paso a paso

El artículo propone una nueva iteración de cuatro etapas que refina sistemáticamente una conjetura inicial. En cada ciclo, la conjetura actual se transforma una vez, luego se mezcla con evaluaciones más avanzadas de la misma transformación y, finalmente, se aplica la transformación de nuevo. Estos pasos de mezcla actúan como promedios controlados, diseñados para estabilizar la trayectoria e incorporar información más profunda sobre el comportamiento del sistema. Matemáticamente, los autores prueban que bajo condiciones naturales en un espacio de Banach uniformemente convexo —un marco estándar para tratar problemas en dimensiones infinitas—, la nueva receta siempre produce una sucesión que se aproxima a un punto fijo cuando éste existe. Establecen tanto formas de convergencia “débil” como “fuerte”, que corresponden aproximadamente a aproximarse a la solución verdadera en sentidos cada vez más estrictos.

Convergencia más rápida y estable en la práctica

Para comprobar si el nuevo esquema es meramente elegante o también eficiente, los autores lo comparan con varios métodos iterativos populares, incluida la iteración clásica de Picard y variantes multietapa más recientes. Usando problemas de prueba cuidadosamente elegidos, siguen la rapidez con la que cada método se aproxima al punto fijo correcto y cuántos pasos necesita hasta que los errores numéricos se vuelven despreciables. Las tablas y gráficos muestran que el nuevo esquema suele alcanzar el objetivo en menos iteraciones o con un comportamiento más estable, especialmente en ejemplos difíciles. Más allá de la rapidez, los autores analizan también la sensibilidad del método a pequeños cambios en las reglas subyacentes, una propiedad conocida como dependencia de datos, y demuestran nociones llamadas G-estabilidad y casi G-estabilidad. Estos resultados muestran que el procedimiento es robusto: pequeñas perturbaciones no descarrilan la convergencia, sino que sólo provocan cambios controlados y acotados en la respuesta final.

Vinculando las matemáticas abstractas con las curvas epidémicas

Para demostrar la relevancia en el mundo real, los autores aplican su maquinaria de punto fijo a un modelo epidémico SEIR, que divide a la población en grupos susceptibles, expuestos, infecciosos y recuperados. En lugar de usar derivadas ordinarias que contemplan sólo la tasa de cambio presente, adoptan una derivada fraccional de tipo Caputo, que incorpora memoria del pasado —una característica especialmente importante para enfermedades con largos periodos de incubación o efectos persistentes. Este sistema SEIR fraccional puede reescribirse como una ecuación integral equivalente cuyas soluciones corresponden a puntos fijos de un operador adecuado. Al demostrar que este operador encaja en su marco generalizado no expansivo y satisface una cota técnica de tipo Lipschitz, los autores muestran que su nuevo esquema iterativo converge a la solución única del modelo epidémico. En términos prácticos, se puede partir de una conjetura inicial sobre cómo evolucionan las cuatro cohortes a lo largo del tiempo y aplicar repetidamente el esquema para obtener trayectorias epidémicas cada vez más precisas.

Lo que el estudio demuestra en última instancia

En pocas palabras, los autores han construido un motor más versátil y fiable para los cálculos paso a paso que sustentan muchos modelos científicos. Muestran que esta nueva iteración puede unificar y extender varios métodos existentes, converger de forma rápida y estable, y manejar sistemas complejos como modelos epidémicos SEIR fraccionales con memoria. Para un lector no especialista, la idea clave es que los avances en las matemáticas subyacentes de la aproximación de puntos fijos pueden mejorar directamente nuestra capacidad para simular y comprender sistemas dinámicos complejos —desde cómo se propagan las enfermedades en una población hasta cómo evolucionan otros procesos no lineales en el tiempo—, lo que resulta en predicciones y análisis más fiables.

Cita: Alharthi, N.H., Okeke, G.A., Udo, A.V. et al. Novel iterative method for the approximation of fixed point of a class of generalized (\(\alpha ,\beta\))-nonexpansive mapping with applications to seir epidemic model. Sci Rep 16, 11833 (2026). https://doi.org/10.1038/s41598-026-38884-y

Palabras clave: iteración de punto fijo, modelo SEIR fraccional, dinámica epidémica, convergencia numérica, sistemas dinámicos no lineales