27.08.2014 Aufrufe

Stochastische Populationsmodelle - Abteilung für Mathematische ...

Stochastische Populationsmodelle - Abteilung für Mathematische ...

Stochastische Populationsmodelle - Abteilung für Mathematische ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

4 <strong>Populationsmodelle</strong> mit fester Populationsgröße<br />

Wir schauen uns nun eine weitere wichtige Größe, nämlich die Baumlänge der Genealogie von<br />

k Individuen an, die wir mit L k bezeichnen und die durch<br />

definiert werden kann.<br />

Es gilt<br />

und<br />

E[L k ] =<br />

k∑<br />

lE[T l ] =<br />

l=2<br />

Var[L k ] =<br />

L k := 2T 2 + · · · + kT k =<br />

k∑<br />

l=2<br />

l=2<br />

l=1<br />

k∑<br />

lT l<br />

l=2<br />

k∑<br />

k−1<br />

2<br />

l<br />

l(l − 1) = 2 ∑ 1<br />

l<br />

∑k−1<br />

l 2 Var[T l ] = 4<br />

l=1<br />

∼ 2 log k, für k → ∞<br />

1<br />

l 2 ∼ 2π2 , für k → ∞.<br />

3<br />

Insbesondere wächst ist die erwartete Länge unbeschränkt und die Varianz beschränkt in k.<br />

Nun kommen wir zur Verteilung von L k . Mit E(λ) bezeichnen wir eine exponentiell verteilte<br />

Zufallsvariable mit Rate λ. Alle solchen Zufallsvariablen die unten auftauchen sind unabhängig<br />

voneinander. Es gilt<br />

L k =<br />

k∑<br />

d<br />

lT l =<br />

l=2<br />

k∑<br />

( ) l − 1<br />

E<br />

2<br />

l=2<br />

∑k−1<br />

d<br />

=<br />

l=1<br />

min E lj(1/2) =<br />

d<br />

1≤j≤l<br />

max E j(1/2).<br />

1≤j≤k−1<br />

Es folgt<br />

P[L k ≤ t] =<br />

(<br />

1 − e −t/2) k−1<br />

, t ≥ 0.<br />

Daraus erhält man auch dass L k − 2 log k gegen die Gumbel-Verteilung mit Verteilungsfunktion<br />

e −e−t/2 konvergiert. Denn es ist<br />

P[L k − 2 log k ≤ t] =<br />

( )<br />

(<br />

k−1<br />

1 − e −t/2−log k) k−1<br />

= 1 − e−t/2 k→∞<br />

−−−→ e −e−t/2 .<br />

k<br />

Die Genealogie bei dem Moran Modell ist übersichtlicher als die bei dem (endlichen) Wright-<br />

Fisher Modell. Sie kann einfach von der graphischen Konstruktion abgelesen werden. Verfolgen<br />

wir eine Stichprobe von k Individuen, rückwärts in der Zeit, dann treffen wir irgendwann auf<br />

einen Pfeil der zwei Individuen miteinander verbindet. Das Individuum an der Pfeilspitze (wurde<br />

forwärt in der Zeit ersetzt) verschmilzt mit dem Individuum von dem der Pfeil ausgeht.<br />

Letzterer bleibt unverändert. Die Rate mit der man auf ein Pfeil zwischen k Individuen triff ist<br />

rückwärts wie vorwärts gleich und ist gegeben durch ( k<br />

2)<br />

. Dies ist genau die Verschmelzungsrate<br />

im Kingmann’s k-Koaleszent. Die Genealogie des Moran-Modells ist also genau durch den<br />

Kingman Koaleszent gegeben.<br />

Die große Stärke der Koaleszenten zeigt sich in der Betrachtung von neutralen Modellen im<br />

Multitypenfall und insbesondere mit Mutation. Wir erinnern an die graphische Konstruktion<br />

53

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!