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.
4 <strong>Populationsmodelle</strong> mit fester Populationsgröße<br />
Mit Hilfe der Green-Funktion kann man verschiedene Funktionale des Prozesses berechnen. Für<br />
stetige Funktionen g auf (a, b) gilt nämlich<br />
[ ∫ ]<br />
T ∗<br />
∫ b<br />
E x g(X s ) ds = G(x, ξ)g(ξ) dξ. (4.12)<br />
0<br />
Nehmen wir hier g ≡ 1, so steht hier auf der linken Seite E[T ∗ ]. Für die Wright-Fisher Diffusion<br />
erhalten wir also für p ∈ (0, 1)<br />
E p [T ∗ ] =<br />
= 2<br />
∫ 1<br />
= 2p<br />
0<br />
∫ 1<br />
G(p, ξ) dξ<br />
p<br />
∫ 1<br />
p<br />
a<br />
∫<br />
1<br />
p<br />
p(1 − ξ)<br />
ξ(1 − ξ) dξ + 2 1<br />
(1 − p)ξ<br />
ξ(1 − ξ) dξ<br />
∫<br />
1<br />
p<br />
ξ dξ + 2(1 − p)<br />
0<br />
0<br />
1<br />
1 − ξ dξ<br />
= −2(p log p + (1 − p) log(1 − p)).<br />
Für große N ist dies auch eine gute Approximation für die erwartete Absorptionszeit in dem<br />
Moran Modell bei Start des einen Typs mit Häufigkeit p. Für Wright-Fisher Modell auf der<br />
ursprünglichen Zeitskala und bei Start mit Häufigkeit p gilt wie wir schon in (4.7) bemerkt<br />
haben<br />
T (N)<br />
p<br />
≈ −2N(p log p + (1 − p) log(1 − p)),<br />
und insbesondere ist T (N)<br />
1/2<br />
≈ 2N log 2.<br />
Nun betrachten wir die Wright-Fisher Diffusion mit Mutation. In diesem Fall sind die Ränder<br />
nicht absorbierend also handelt es sich um eine regulären (d.h. jeder Punkt ist mit positiver<br />
Wahrscheinlichkeit von jedem anderen Punkt aus erreichbar, in der Sprache von Markovketten<br />
würde man irreduzibel sagen) Diffusion auf einem kompakten Intervall. Damit ist sie auch positiv<br />
rekurrent und in diesem Fall haben Markovketten eindeutige stationäre Verteilungen. Dasselbe<br />
ist auch für Diffusion wahr und schauen uns die stationäre Verteilung der Wright-Fisher Diffusion<br />
an.<br />
Es sei zunächst allgemein X = (X t ) t≥0 ein Diffusionsprozess auf [a, b] mit Generator (4.9).<br />
Eine stationäre Verteilung von X ist eine Verteilung Ψ mit der Eigenschaft X t ∼ Ψ für alle<br />
t ≥ 0, falls X 0 ∼ Ψ. Insbesondere ist dann<br />
An der Stelle t = 0 erhalten wir<br />
a<br />
∫ b<br />
0 = d dt E[f(X t)|X 0 ∼ Ψ] = d dt<br />
∫ b<br />
a<br />
∫ b<br />
a<br />
Af(x)Ψ(dx) = 0<br />
E[f(X t )|X 0 = x]Ψ(dx).<br />
für alle f ∈ D(A). Aus dieser Gleichung kann man manchmal Ψ bekommen. Wir schreiben im<br />
Folgenden ψ(x) dx = Ψ(dx). Mit partieller Integration erhalten wir<br />
∫ b<br />
( )<br />
1<br />
0 =<br />
2 σ2 (x) d2 f df<br />
(x) + µ(x)<br />
dx2 dx (x) ψ(x) dx<br />
=<br />
a<br />
( 1<br />
f(x)<br />
2<br />
d 2<br />
dx 2 (σ2 (x)ψ(x)) − d<br />
dx (µ(x)ψ(x)) )<br />
dx + Randterme.<br />
49