Stochastische Populationsmodelle - Abteilung für Mathematische ...
Stochastische Populationsmodelle - Abteilung für Mathematische ...
Stochastische Populationsmodelle - Abteilung für Mathematische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
1 Bienaymé-Galton-Watson-Prozess<br />
Die Folge (X 2 n(s)) ist ein [0, 1]-wertiger Submartingal. Für s < 1 gilt daher (hier ist nach unserer<br />
Annahme 1.1 Z 1 nicht-trivial in dem Sinne, dass P[Z 1 = 0] < 1)<br />
E[X 2 ∞(s)] ≥ E[X 2 1(s)] > E 2 [X 1 (s)].<br />
Insgesamt ist X ∞ (s) eine Zufallsvariable mit positiver Varianz.<br />
Wir definieren C n (s) := (− log gn<br />
−1 (s)) −1 und ˜W (s) := − log X ∞ (s) (der Wert unendlich ist<br />
zunächst mal nicht ausgeschlossen). Es gilt nun<br />
1<br />
C n (s) Z n = − log(g −1<br />
n (s))Z n = − log(X n (s)) → ˜W (s) f.s.<br />
Um zu zeigen, dass ˜W (s) f.s. endlich ist betrachten wir die Taylorentwicklung von g. Wie wir<br />
im Abschnitt 1.5 gesehen haben ist<br />
1 − g(s) = (m − r(s))(1 − s).<br />
Ersetzen wir s durch g −1 (s) für q < s < 1 dann gilt<br />
Produkt über k = 1, . . . , n liefert<br />
k<br />
1 − g −1<br />
k<br />
(s)<br />
1 − g −1<br />
k−1 (s) = 1<br />
m(1 − r(g −1<br />
k<br />
(s))/m).<br />
m n (1 − g −1<br />
n (s)) =<br />
∏ n<br />
k=1<br />
1 − s<br />
(1.20)<br />
(1 − r(g−1<br />
k<br />
(s))/m).<br />
Wegen − log x ∼ 1 − x für x ↑ 1 und gn<br />
−1 (s) ↑ 1 für n → ∞ und s > q folgt<br />
lim<br />
n→∞<br />
C n (s)<br />
C n−1 (s) = lim 1 − g −1<br />
n→∞<br />
Nun können wir die f.s. Endlichkeit von ˜W zeigen. Es gilt<br />
P[˜W (s) < ∞] = E[P[ lim<br />
[ [<br />
= E P<br />
n→∞ C−1<br />
lim<br />
n→∞<br />
(<br />
= g P[˜W (s) < ∞]<br />
n−1 (s)<br />
1 − g −1 n (s) = m.<br />
n (s)Z n < ∞|Z 1 ]]<br />
] ]<br />
C n−1 (s)<br />
Z1<br />
C n (s) C−1 n−1 (s)Z n−1 < ∞<br />
)<br />
.<br />
Analog zeigt man, dass<br />
(<br />
)<br />
P[˜W (s) = 0] = g P[˜W (s) = 0] .<br />
Da die Wahrscheinlichkeit auf der linken Seite kleiner 1 ist, folgt P[˜W (s) = 0] = q. Schließlich<br />
ist<br />
s = E[X ∞ (s)] = E[e −˜W (s) ] ≤ P[˜W (s) < ∞]<br />
und somit ist P[˜W (s) < ∞] = 1 für s > q. Ansonsten hätten wir nach Lemma 1.10 q < s ≤<br />
P[˜W (s) < ∞] = g n (P[˜W (s) < ∞]) → q für n → ∞, was zu einem Widerspruch führt.<br />
15