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 />
Damit folgt<br />
E [exp(−uZ n /n)|Z n > 0] n→∞ −−−→<br />
1<br />
σ 2 u/2 + 1 .<br />
1.5 Wichtiges Lemma<br />
Bevor wir mit den Sub- und Superkritischen Fällen weitermachen beweisen wir hier ein Lemma,<br />
das im Folgenden wichtig sein wird. Dazu betrachten wir die Taylorentwicklung von g um 1:<br />
Es gilt<br />
und<br />
g(s) = 1 − m(1 − s) + r(s)(1 − s), 0 ≤ s ≤ 1. (1.7)<br />
r(s) = m − 1 − g(s)<br />
1 − s ,<br />
r(0) = m − (1 − p 0 ) ≥ 0,<br />
r(q) = m − 1, wenn q < 1,<br />
r(1−) = 0,<br />
r ′ (s) ≤ 0, 0 ≤ s < 1.<br />
Damit ist r eine fallende Funktion von [0, 1) nach [0, m].<br />
Lemma 1.16. Für alle δ ∈ (0, 1) gilt<br />
∞∑<br />
r(1 − δ k ) < ∞ ⇐⇒<br />
k=1<br />
∞∑<br />
p k k log k < ∞. (1.8)<br />
Die Bedingung auf der rechten Seite ist gleichbedeutend mit E 1 [Z 1 log Z 1 ] < ∞.<br />
Beweis. Für s ∈ [0, 1) gilt<br />
n=0<br />
k=1<br />
)<br />
∞∑<br />
∞∑<br />
r(s) = m − s<br />
(1 n − p k s k<br />
∞∑ ∞∑<br />
= m − s n +<br />
n=0<br />
k=0<br />
n=0<br />
( n∑<br />
k=0<br />
p k<br />
)<br />
s n = m −<br />
∞∑<br />
a n s n ,<br />
n=0<br />
wobei<br />
∞∑<br />
a n = p k .<br />
k=n+1<br />
9