24.01.2013 Aufrufe

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

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.

572 26 Stochastische Differentialgleichungen<br />

Lösung wissen. Die wahre Stärke der Methode der Dualität kann sich also erst in<br />

höherdimensionalen Problemen entfalten. Hierzu betrachten wir als Beispiel eine<br />

Erweiterung von Beispiel 26.29.<br />

Beispiel 26.32 (Wechselwirkende Wright-Fisher Diffusionen).<br />

Die Wright-Fisher Diffusion aus Beispiel 26.29 beschreibt die Fluktuationen der<br />

Genfrequenz eines Allels in einer großen Population. Wir wollen nun mehrere Populationen<br />

betrachten, die auf den Punkten i ∈ S := {1,...,N} leben, und miteinander<br />

durch Migration, die durch Wechselwirkungsraten r(i, j) ≥ 0 quantifiziert<br />

wird, in Wechselwirkung stehen. Als Modell für die Genfrequenzen Xt(i)<br />

am Ort i zur Zeit t stellen wir daher die folgende N-dimensionale SDGL für<br />

X =(X(1),...,X(N)) auf:<br />

dXt(i) = � γXt(i)(1 − Xt(i)) dW i N�<br />

t + r(i, j) � Xt(j) − Xt(i) � dt. (26.31)<br />

Dabei ist W =(W 1 ,...,W N ) eine N-dimensionale Brown’sche Bewegung. Diese<br />

SDGL hat nach Satz 26.22 schwache Lösungen, jedoch greift keines unserer<br />

allgemeinen Kriterien für schwache Eindeutigkeit. Wir werden daher die schwache<br />

Eindeutigkeit vermittels Dualität zeigen.<br />

Es ist, ähnlich wie in Beispiel 26.29, nicht schwer zu zeigen, dass Lösungen von<br />

(26.31), die in X0 = x ∈ E := [0, 1] S starten, in [0, 1] S bleiben. Die Diagonalterme<br />

r(i, i) tauchen in (26.31) nicht auf, daher können wir sie noch beliebig festsetzen<br />

und wählen r(i, i) = − �<br />

j�=i r(i, j). SeiY = (Yt)t≥0 der Markovprozess auf<br />

E ′ := SN0 mit der folgenden Q-Matrix<br />

⎧<br />

j=1<br />

ϕ(i) r(i, j), falls η = ϕ − {i} + {j} für<br />

gewisse i, j ∈ S, i �= j,<br />

⎪⎨<br />

q(ϕ, η) =<br />

γ<br />

⎪⎩<br />

� � ϕ(i)<br />

2 , falls η = ϕ − {i} für ein i ∈ S,<br />

� �<br />

ϕ(i)r(i, i) − γ<br />

i∈S<br />

� � ϕ(i)<br />

2<br />

�<br />

, falls η = ϕ,<br />

0, sonst.<br />

Dabei bezeichnet ϕ ∈ E ′ einen generischen Zustand mit ϕ(i) Teilchen am Ort<br />

i ∈ S, und {i} ∈ E ′ bezeichnet den Zustand mit genau einem Teilchen am Ort<br />

i. Der Prozess Y beschreibt ein System von Teilchen, die unabhängig voneinander<br />

mit Rate r(i, j) vom Ort i zum Ort j springen. Sind mehrere Teilchen an einem Ort<br />

i, so verschmilzt jedes der � � ϕ(i)<br />

2 Paare von Teilchen mit der selben Rate γ zu einem<br />

Teilchen. Die gängige genealogische Interpretation dieses Prozesses ist, dass er (in<br />

umgekehrter Zeit) die Ahnenlinien einer Stichprobe von je Y0(i) Individuen ein den<br />

Orten i ∈ S, beschreibt. Durch Migration wechseln die Linien den Ort. Haben zwei<br />

Individuen den selben Vorfahren, so verschmelzen zwei Linien. Offenbar ist für<br />

einen gemeinsamen Vorfahren notwendig aber nicht hinreichend, dass beide Linien<br />

am selben Ort sind.

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

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!