Processus de Galton-Watson

Menu



On fixe une loi discrète finie $p$ sur $\mathbb{N}$ : $p=(p_0,p_1,\dots,p_r)$.
On définit un processus de population $(Z_n)_{n\in\mathbb{N}}$, où $Z_n$ est le nombre d'individus de la $n$-ième génération:



1. Simulations numériques.

Il est possible de simuler de proche en proche les variables aléatoires $Z_n$.
Si on note $L_n^{(k)}$ la variable aléatoire égale au nombre d'enfants du $k$-ième individu de la $n$-ième génération, les variables aléatoires $(L^{(n)}_k)_{(k,n)\in\mathbb{N}}$ sont i.i.d. de loi $p$ et : $$ Z_{n+1}=\left\{ \begin{array}{cl} 0 & \hbox{si  } Z_n=0 \\\\
\displaystyle\sum_{k=1}^{Z_n} L_n^{(k)} & \hbox{sinon} \end{array}\right. $$ Notons en particulier que, pour tout $n\in\mathbb{N}$, $Z_n$ est indépendante de la famille $(L^{(n)}_k)_{k\in\mathbb{N}}$, ie que la taille de la population de la $n$-ième génération est indépendante du nombre d'enfants que va avoir chaque individu de cette même génération.
On dispose en fait d'un algorithme plus efficace.
Si on note $A_{n,k}$ le nombre d'individus de la $n$-ième génération qui ont exactement $k$ enfants alors, sachant $Z_n=i$, le vecteur $(A_{n,0},A_{n,1},\dots,A_{n,r})$ suit la multinômiale de paramètres $(i,p)$ et : $$Z_{n+1}=\sum_{k=0}^r k\times A_{n,k}$$




2. Loi du nombre d'individus.

On peut déterminer la loi de $Z_n$ à l'aide de sa fonction génératrice.
Pour cela, on note $\varphi_{Z_n}$ la fonction génératrice de $Z_n$, $\varphi_p$ la fonction génératrice de $p$ et : $$\varphi_p^{\bigotimes n}=\underset{n\hbox{ compositions}}{\underbrace{\varphi_p\circ\varphi_p\circ\dots \circ\varphi_p}}$$ Rappelons que pour tout $s\in[-1,1]$ : $$\varphi_{Z_n}(s)=\mathbb{E}\big(s^{Z_n}\big)=\sum_{k=0}^{+\infty}s^k\mathbb{P}(Z_n=k)\quad\hbox{et} \quad \varphi_p(s)=\sum_{k=0}^{+\infty}s^k p_k$$ On a alors le résultat suivant : pour tout $n\in\mathbb{N}^*$ et $s\in[-1,1]$, $\;\varphi_{Z_{n+1}}(s)=\varphi_p\big(\varphi_{Z_n}(s)\big)$.
On en déduit que $\varphi_{Z_n}(s)=\varphi_p^{\bigotimes n}(s)$.

DEMONSTRATION [ afficher/masquer ]

On suppose dans la suite que la loi de reproduction a un moment d'ordre $2$.
On notera $\mu$ son espérance, $\sigma^2$ sa variance : $$\mu=\sum_{k=0}^{+\infty}k\times p_k\quad\hbox{et}\quad\sigma^2=\sum_{k=0}^{+\infty}(k-\mu)^2\times p_k$$ et on supposera que $\sigma^2>0$.
On est maintenant en mesure de calculer l'espérance et la variance de $Z_n$.
$Z_n$ a un moment d'ordre $2$ et on a : $$\E(Z_n)=\mu^n\quad\hbox{et}\quad V(Z_n)=\begin{cases}n\sigma^2&\hbox{si }\mu=1\\ \dfrac{\sigma^2(\mu^n-1)\mu^{n-1}}{\mu-1}&\hbox{si }\mu\neq1\end{cases}$$

DEMONSTRATION [ afficher/masquer ]

Une autre quantité intéressante est la probabilité d'extinction : $$q=\p\left(\bigcup_{n=0}^{+\infty}[Z_n=0]\right)$$ Puisqu'on a $[Z_n=0]\subseteq[Z_{n+1}=0]$, pour tout $n\in\N$, le théorème de continuité monotone donne que : $$q=\lim_{n\to+\infty}\p(Z_n=0)$$ Cette probabilité $q$ peut être calculée à l'aide de la fonction génératrice $\varphi_p$.
$q$ est une racine de l'équation $\varphi_p(s)=s$.
Si on suppose de plus que $p_0+p_1<1$ (les individus ont une probabilité non nulle d'avoir au moins 2 enfants), alors :
Cas sur-critique : si $\mu>1$, alors $0\leq q<1$.
Cas critique : si $\mu=1$, alors $q=1$.
Cas sous-critique : si $\mu<1$, alors $q=1$.
Remarque. Dans le cas sur-critique, avec une loi de fécondation géométrique, on peut calculer $q$ de manière explicite.

DEMONSTRATION [ afficher/masquer ]

On en déduit immédiatement une convergence presque sûre dans le cas $\mu\leq 1$.
Si $\mu\leq 1$ et $p_0+p_1<1$, alors $Z_n\underset{n\to+\infty}{\overset{\hbox{p.s.}}{\longrightarrow}}0$.

DEMONSTRATION [ afficher/masquer ]

Dans les cas de non extinction, on a le résultat suivant.
La suite $\left(\dfrac{1}{\mu^n}\p(Z_n>0)\right)_{n\in\N}$ est décroissante.

DEMONSTRATION [ afficher/masquer ]



Author: Arnaud Bégyn

Created: 2024-08-14 mer. 23:49

Validate