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 />
Theorem 1.25. Ist m = 1, σ 2 = g ′′ (1−) < ∞ und 0 < a := h ′ (1) < ∞ dann konvergiert Y n /n<br />
in Verteilung gegen eine gamma verteilte Zufallsvariable mit Dichte<br />
w(x) =<br />
1<br />
Γ(α)β α xα−1 e −x/β , x > 0, (1.32)<br />
wobei α = 2a/σ 2 und β = σ 2 /2. Insbesondere ist im Falle a = σ 2 /2<br />
w(x) = 1 x<br />
σ 2 /2 e− σ 2 /2<br />
. (1.33)<br />
Bemerkung 1.26. In Theorem 1.15(iii) haben wir bereits gesehen, dass Z n /n bedingt auf {Z n ><br />
0} gegen eine Zufallsvariable mit Dichte w(x) aus (1.33) in Verteilung konvergiert. Zusammen<br />
mit obigem Theorem folgt also daraus, dass das Bedingen auf {Z n > 0} und Immigration mit<br />
Mittelwert σ 2 /2 denselben Effekt haben.<br />
Theorem 1.27. Es sei m > 1. Dann gilt<br />
(i) Ist E[log + ζ 0 ] < ∞, dann konvergiert Z n /m n in Verteilung und der Grenzwert ist f.s.<br />
endlich.<br />
(ii) Ist E[log + ζ 0 ] = ∞, dann gilt lim sup n→∞ Z n /c n = ∞ f.s. für jedes c > 0.<br />
1.9.2 Verzweigungsprozesse in zufälliger Umgebung<br />
Wie der Name schon vermuten lässt, ist die Evolution eines Verzweigungsprozesses in zufälliger<br />
Umgebung (engl. branching process in random environment (BPRE)) wie die des “gewöhnlichen”<br />
Verzweigungsprozesses mit dem Unterschied, dass sich die Nachkommensverteilung von Generation<br />
zu Generation ändern kann. Man denke beispielsweise an eine Population von Pflanzen mit<br />
einem Lebenszyklus von einem Jahr, bei der die Nachkommensverteilung von Wetterverhältnissen<br />
beeinflusst wird.<br />
Zum ersten mal wurden BPRE in (Athreya and Karlin 1970, Smith and Wilkinson 1969)<br />
eingeführt. Wir halten uns hier an die Darstellung in (Birkner et al. 2005).<br />
Es sei ∆ die Menge der Wahrscheinlichkeitsmaße auf N 0 , ausgestattet mit Totalvariationsabstand<br />
Polnisch ist. Ferner sei Q eine ∆-wertige Zufallsvariable und Π = (Q 1 , Q 2 , . . . ) eine Folge<br />
von u.i.v. Zufallsvariablen mit derselben Verteilung wie Q.<br />
Definition 1.28. Eine Folge Z := (Z n ) n=0,1,... von N 0 -wertigen Zufallsvariablen ist ein Verzweigungsprozess<br />
in zufälliger Umgebung Π falls Z 0 unabhängig von Π ist und gegeben Π die<br />
Folge Z eine Markovkette ist mit<br />
[ i∑<br />
]<br />
P[Z n = j|Z n−1 = i, Π = (q 1 , q 2 , . . . )] = P ξ (qn)<br />
k<br />
= j<br />
k=1<br />
für alle n ≥ 1, i, j ∈ N 0 und q 1 , q 2 , . . . ∆. Dabei sind ξ (q i)<br />
1 , ξ (q i)<br />
2 , . . . u.i.v. q i verteilt.<br />
Im Folgenden nehmen wir immer Z 0 = 1 f.s. an. Mit Z kann man wie folgt eine Irrfarht S =<br />
(S 0 , S 1 , . . . ) assoziieren. Sei S 0 = 0 und definiere die Inkremente von S durch X n = S n − S n−1 ,<br />
n ≥ 1, wobei<br />
∞∑<br />
X n := log yQ n ({y}),<br />
y=0<br />
21