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.
2 Verzweigungsprozesse in stetiger Zeit<br />
2. Es sei X eine symmetrische Irrfahrt auf Z in stetiger Zeit, d.h. wenn X s = x ist dann<br />
springt die Irrfahrt nach einer exponentiell verteilten Zeit mit Parameter λ zu einem der<br />
nächsten Nachbarn jeweils mit Wahrscheinlichkeit 1/2. Dann kann man für f : Z → R wie<br />
oben T t f(x) hinschreiben und zeigen, dass<br />
T t f(x) − f(x)<br />
t<br />
t→0<br />
−−→ λ 2 (f(x + 1) − f(x)) + λ (f(x − 1) − f(x)) = Af(x).<br />
2<br />
3. Für diejenigen, die Q-Matrizen gewohnt sind sei bemerkt, dass in den oberen Beispielen<br />
Af(x) = (Qf) x ist. In der Tat werden Q-Matrizen auch infinitesimale Generatoren<br />
genannt. Die Q Matrix des Poissonprozesses ist<br />
⎛<br />
Q =<br />
⎜<br />
⎝<br />
und (Qf) x = −λf(x) + λf(x + 1) = Af(x).<br />
2.3 BGWP in stetiger Zeit<br />
⎞<br />
−λ λ 0 0 · · ·<br />
0 −λ λ 0 · · · ⎟<br />
⎠<br />
.<br />
. .. . ..<br />
Hier konstruieren wir den BGWP in stetiger Zeit. Bei diesem Prozess produziert ein Individuum<br />
unabhängig von den anderen (und von der Vorgeschichte) mit Rate α Nachkommen gemäß<br />
einer vorher festgelegten Verteilung. Mit anderen Worten ist die Lebensdauer eines Individuums<br />
exponentiell verteilt mit Rate α. Es sei Z 0 eine N 0 -wertige Zufallsvariable und sei (ξ n ) n∈N0 eine<br />
Folge von u.i.v. Zufallsvariablen mit Verteilung p j = P[ξ n = j], j ∈ N 0 und erzeugenden Funktion<br />
g. Ferner sei (T n ) n∈N0 eine Folge exponentiell verteilter Zufallsvariablen mit Parameter 1.<br />
Schließlich definieren wir die eingebettete Sprungkette (Y n ) n∈N0 und die zugehörigen Inkremente<br />
der Sprungzeiten ( ˜T n ) n∈N0 durch<br />
Y n = Z 0 +<br />
n∑<br />
(ξ k − 1) und ˜T n = T n<br />
. (2.6)<br />
αY n<br />
k=1<br />
Man beachte, dass bedingt auf Y n die Sprungzeit ˜T n wie das Minimum von Y n u.i.v. Zufallsvariablen<br />
mit Parameter α verteilt ist.<br />
Der Bienaymé-Galton-Watson-Prozess Z := (Z t ) t∈R+ in stetiger Zeit mit Start in Z 0 ist<br />
definiert durch<br />
Z t :=<br />
{<br />
Z 0 : falls 0 ≤ t < ˜T 0<br />
Y n : falls ∑ n−1 k=0 k ≤ t < ∑ n k=0 k .<br />
(2.7)<br />
Mit der Konvention T/0 = ∞ folgt auch, dass Z t = 0 für alle t ≥ ∑ n ∗ −1<br />
k=1<br />
˜T k , wobei n ∗ = inf{n ≥<br />
0 : Y n = 0}. Im Gegensatz zu Prozessen in diskreter Zeit kann es bei Prozessen in stetiger<br />
Zeit zu unendlich vielen Sprüngen in endlicher Zeit kommen. Man spricht dann von Explosion<br />
der Markovkette. In diesem Fall wäre (Z t ) t∈R+ kein Prozess mit Pfaden in D N0 (R + ), weil es<br />
in endlicher Zeit den Wert unendlich erreicht. Das folgende Resultat liefert ein Kriterium das<br />
Explosion ausschließt (siehe Harris (1963, Thm. III.1) oder Athreya and Ney (1972, Thm. V.9.1)).<br />
29