09.第五章 Galton-Watson分枝过程

第五章 Galton-Watson分枝过程

1.分枝过程模型

令$\xi$是一个非负整型随机变量，分布是$P(\xi =k)=p_k,k\ge 0,p_0<1$。假设某物种繁衍的后代数服从$\xi$的分布，且物种内每个个体的繁衍是独立的，第一代个体为$Z_1$，第二代为$Z_2$，自然地有
$$Z_{n+1}=\sum _{j=1}^{Z_n}{\xi }_{n,j}$$
如此得到一列随机变量$Z_0,Z_1,\cdots$，它们取非负整数值，$Z_0=1$，$Z_n$满足递推关系式，则这样的随机过程$\mathbf{Z}=(Z_n,n\ge 0)$是Markov链，状态空间为${\mathbb{Z}}^{+}$，转移概率为
$$p_{ij}=P\left(\sum _{k=1}^i{\xi }_k=j\right),i,j\ge 0$$
定义了分枝过程，可以求其数字特征。假设$\xi$的分布为$P(\xi =k)=p_k,E\xi =\mu ,D\xi ={\sigma }^2$，则有以下结论：

1. $E{Z}_n={\mu }^n$

   由定义$Z_1\stackrel{d}{=}\xi$，所以$E{Z}_1=E\xi =\mu$。

   对$n\ge 1$，由全期望公式有
   $$\begin{array}{rl}E{Z}_{n+1}=& E\left(\sum _{k=1}^{Z_n}{\xi }_{n,j}\right)\\ =& \sum _{N=0}^{\infty }E\left(\sum _{k=1}^{Z_n}{\xi }_{n,k}|Z_n=N\right)P(Z_n=N)\\ =& \sum _{N=0}^{\infty }E\left(\sum _{k=1}^N{\xi }_{n,k}\right)P(Z_n=N)\\ =& \sum _{N=0}^{\infty }\mu NP(Z_n=N)\\ =& \mu E{Z}_n\end{array}$$
   由此递推关系式，可以得到$E{Z}_n={\mu }^n$。

2. $D{Z}_n={\sigma }^2{\mu }^{n-1}(1+\mu +\cdots +{\mu }^{n-1})$

   由于$Z_1\stackrel{d}{=}\xi$，所以$D{Z}_1=D\xi ={\sigma }^2$。

   对$n\ge 1$，由全期望公式有
   $$\begin{array}{rl}E(Z_{n+1}^2)=& E{\left(\sum _{k=1}^{Z_n}{\xi }_k\right)}^2\\ =& \sum _{N=0}^{\infty }E\left[{\left(\sum _{k=1}^{Z_n}{\xi }_k\right)}^2|Z_n=N\right]P(Z_n=N)\\ =& \sum _{N=0}^{\infty }E\left[{\left(\sum _{k=1}^N{\xi }_k\right)}^2\right]P(Z_n=N)\\ =& \sum _{N=0}^{\infty }[NE{\xi }^2+N(N-1)(E\xi {)}^2]P(Z_n=N)\\ =& \sum _{N=0}^{\infty }({\sigma }^2+{\mu }^2)NP(Z_n=N)+\sum _{N=0}^{\infty }{\mu }^{2}N(N-1)P(Z_n=N)\\ =& ({\sigma }^2+{\mu }^2)E{Z}_n+{\mu }^{2}E(Z_n^2-Z_n)\\ =& {\sigma }^2{\mu }^n+{\mu }^{2}E{Z}_n^2\\ & \\ D(Z_{n+1})=& E(Z_{n+1}^2)-(E{Z}_{n+1}{)}^2\\ =& {\sigma }^2{\mu }^n+{\mu }^{2}E(Z_n^2)-{\mu }^2{\mu }^{2n}\\ =& {\sigma }^2{\mu }^n+{\mu }^{2}D{Z}_n\end{array}$$
   归纳得到$D(Z_n)={\sigma }^2{\mu }^{n-1}(1+\mu +\cdots +{\mu }^{n-1})$。

虽然分枝过程的数字特征可以求出，但其具体分布却不易求得。

2.生成函数

对于非负整型随机变量$\xi$，概率分布列为$P(\xi =k)=p_k$，则定义其生成函数为
$${\varphi }_{\xi }(s)=E{s}^{\xi }=\sum _{k=0}^{\infty }{p}_k{s}^k,0\le s\le 1$$
生成函数具有一些性质：

1. $\varphi (1)=1,0\le \varphi (s)\le 1$；

2. $\varphi (s)$在$[0,1]$上一致连续；

3. 如果$E{\xi }^k<\infty$，那么$\varphi (s)$在$[0,1]$上$k$次可微，特别当$E{\xi }^2<\infty$时${\varphi }^{\prime }(1)=E\xi ,{\varphi }^{\prime \prime }(1)=E{\xi }^2-E\xi$；

4. $\varphi (s)$在$s=0$处无穷次可微，且
   $$p_k=\frac{{\varphi }^{(k)}(0)}{k!},\forall k\ge 0$$

5. 如果$\xi ,\eta$独立，都是非负整型随机变量，那么$\xi +\eta$的生成函数为${\varphi }_{s+t}(s)={\varphi }_s(s){\varphi }_{\eta }(s)$。

现在求Galton-Watson分枝过程的生成函数，记$\xi$的生成函数为$\varphi (s)$，$Z_n$的生成函数为${\varphi }_n(s)$，则由于$Z_1\stackrel{d}{=}\xi$，有${\varphi }_1(s)=\varphi (s)$，并且
$$\begin{array}{rl}{\varphi }_2(s)=& E{s}^{Z_2}\\ =& E[E(s^{Z_2}|Z_1=N)]\\ =& \sum _{N=0}^{\infty }E(s^{\sum _{k=1}^N{\xi }_k}|Z_1=N)P(Z_1=N)\\ =& \sum _{N=0}^{\infty }(E{s}^{\sum _{k=1}^N{\xi }_k})P(Z_1=N)\\ =& \sum _{N=0}^{\infty }[\varphi (s){]}^{N}P(Z_1=N)\\ =& E(\varphi (s){)}^{\xi }\\ =& \varphi (\varphi (s))\end{array}$$
以此类推，可以得到${\varphi }_{n+1}(s)=\varphi ({\varphi }_n(s))={\varphi }_n(\varphi (s))$，这就是分枝过程的生成函数。得到高阶分枝过程的生成函数后，比较$s^k$的系数即可得到$p_k$的值。

3.生存与灭绝概率

灭绝概率：记${\alpha }_n=P(Z_n=0)$，这里$({\alpha }_n,n\ge 1)$为单调不减非负有界数列，存在极限即灭绝概率记作$\tau$，即
$$\tau =\underset{n\to \infty }{\lim }{\alpha }_n,0\le \tau \le 1.$$
当$\mu =E\xi <1$时，有$P(Z_n>0)=P(Z_n\ge 1)\le E{Z}_n={\mu }^n$，故$\tau =1$，也就是繁衍均值$<1$时物种以概率1灭绝。

假设$Z_n$的生成函数为${\varphi }_n(s)$，因为${\varphi }_n(0)={\alpha }_n$，所以有${\alpha }_n={\varphi }_n(s)=\varphi ({\varphi }_{n-1}(s))={\alpha }_{n-1}$，令$n\to \infty$，有$\tau =\varphi (\tau )$，因此灭绝概率一定满足方程
$$s=\varphi (s)$$
如果这个方程只有一个解，那必定是$s=1$，也就是物种以概率1灭绝。如果$\mu >1$，则$\tau$为方程的最小正解，且$0<\tau <1$。因此有如下定理：

• 对于$p_0>0$的分枝过程，设$E\xi =\mu$，则：

  如果$\mu \le 1$，那么$\tau =1$；

  如果$\mu >1$，那么$\tau$是方程$\varphi (s)=s$的最小正解，且$0<\tau <1$。