Fa oltà di S ienze Matemati he, Fisi he e Naturali
Corso di Laurea in Matemati a
TESI DI LAUREA SPECIALISTICA
27 Giugno 2008
Metodi numeri i per la probabilità di
estinzione di un Markovian Binary Tree
Candidato
Emiliano Morini
Relatori Controrelatore
Prof. Dario Andrea Bini Prof. Lu a Gemignani
Prof.ssa Beatri e Meini
Introduzione 5
1 Ri hiami 9
1.1 Catene di Markov . . . 9
1.1.1 Classi azionedegli stati . . . 10
1.1.2 Classi irridu ibili . . . 11
1.1.3 Distribuzione stazionaria . . . 13
1.1.4 Catene di Markov atempi ontinui . . . 15
1.1.5 Matri i non negative nite . . . 17
1.2 Partizionamenti regolari . . . 18
1.3 Prodottoe somma diKrone ker . . . 20
1.4 Norme . . . 21
2 Modellizzazione tramite MBT 23 2.1 Multitype Bran hing Pro esses . . . 23
2.2 Markov ArrivalPro esses. . . 25
2.3 Markovian Binary Trees . . . 26
2.3.1 Esempio: diusione deiles peer-to-peer . . . 30
3 Metodi numeri i 31 3.1 Lemmipreliminari . . . 31
3.2 Metodilineari . . . 33
3.2.1 Studiodell'errore . . . 37
3.2.2 Casi parti olari: metodi giànoti . . . 41
3.3 Il metodo diNewton . . . 48
3.3.1 Interpretazione probabilisti a . . . 52
3.4 Unmetododel terzo ordine . . . 54
4 Esperimenti numeri i 61 4.1 Nas ita diglie . . . 61
4.3 Dimensioni elevate . . . 67
5 Con lusioni e argomenti di ri er a 71
A Listati delle funzioni utilizzate 73
B Notazioni utilizzate 79
In questa tesi i o upiamo dello sviluppo e dell'analisidi nuovi metodi
ite-rativi per il al olo della soluzione minimale non negativa
q
dell'equazione quadrati ax
− a − Ψ(x ⊗ x) = 0,
(1) dovea
= (a
i
)
∈ R
n
,Ψ = (Ψ
i,jk
)
∈ R
n×n
2
,
0
≤ a
i
, Ψ
i,jk
≤ 1
per ognii, j, k = 1, . . . , n
, ee
− a − Ψ(e ⊗ e) = 0,
on
e
= (1, 1, . . . , 1)
T
.
Perminimalenon negativaintendiamo he
0
≤ q ≤ y
per ogni altra soluzione non negativay
di (1), dove le disuguaglianze sono fatte omponente per omponente. L'esistenza diq
è dimostratain [1℄.L'importanzadi (1)è dovuta alfatto he la soluzione
q
he si vuole al- olare ha un signi ato probabilisti o molto interessante nelle appli azioni.Infatti,l'equazioneanalizzataèstrettamente ollegataadun parti olare
pro- esso di diramazione, il Markovian Binary Tree (MBT), introdotto da N.
Kontoleon ([11℄), e studiato negli ultimi anni da diversi matemati i del
set-toreprobabilisti o-appli ativo([2,10℄). IlMBTrisultaesseremoltoutileper
modellizzarel'evoluzionediunapopolazione he inizia onunsoloindividuo,
ilqualesiriprodu esdoppiandosi,dandoluogoadunglio onlemedesime
aratteristi he. Ogni elemento della popolazione sitrova in una della
possi-bili
n
fasiprestabilite. Talemodellotrovaappli azioneindiversi ambiti: nel settorebiologi o,adesempio,ilMBT èstatoutilizzatopermodellizzare unapopolazione di esseri umani, della quale si onsiderano solo gli individui di
sessofemminile([9℄). Nel ampoinformati o,inve e,un interessanteimpiego
delMBT riguardal'analisidellos ambiodiles nelleretipeer-to-peer([10℄).
Ulteriori possibili utilizzi di questo pro esso di diramazione sono indi ati in
[11℄.
Unavolta reatoilmodellodievoluzione,permolteappli azioniprati heè
parti olarmenteinteressante al olarela probabilità he l'intera popolazione
si estingua, sapendo he l'individuo da ui si origina è in una data fase
i
all'inizio del pro esso. Grazie ai risultati relativiai pro essi di diramazione([1,7℄),sipuòdimostrare hela omponente
i
-esimadelvettoreq
rappresenta proprioquesta probabilità.L'equazione (1) è stata studiata re entemente damolti autori ([8, 9, 10,
11℄), i quali, adattando metodi già noti in letteratura, hanno proposto i
seguenti algoritmiper al olare
q
: 1. depth ([9, 11℄),2. order ([9, 11℄),
3. thi knesses ([9, 10℄),
4. metodo diNewton ([8℄).
Il primo ed il se ondo metodosono l'analogo di al une iterazioni funzionali
sviluppateperrisolvereunproblemaderivantedalle atenediMarkovditipo
QBD (siveda [5℄); ilterzo usa inmanieraalternata l'equazione he denis e
il se ondo metodo e la sua simmetri a. L'ultimo algoritmo è uno dei più
onos iuti ed impiegati per al olare numeri amente gli zeri delle funzioni
([3℄). La onvergenza deiprimitremetodièlineare,mentre quelladelquarto
èquadrati a.
Le novità he apportiamo on questo lavoro sono prin ipalmentedue:
(a) la prima riguarda una famiglia di metodi iterativi per approssimare
q
dipendente da al uni parametri, della quale fanno parte, ome asi parti olari,iquattroalgoritmigiànotiinletteratura. Èpossibilemodi- areiparametriadogniiterazione,apattodirispettareun'opportuna
ondizione. Per tutti i metodi della famiglia si ries ono a dimostrare
parti olari proprietà relative alle su essioni generate, e per molti di
essi, analizzando dettagliatamente l'errore di approssimazione, si può
determinarel'ordine di onvergenza.
(b) L'altro ontributoriguardalostudiodella sequenzaottenuta
appli an-do all'equazione (1) una variante del metodo di Newton (proposta in
[18℄). An he inquesto aso rius iamoadare delle ondizioni su ienti
an hé le approssimazioni generate onvergano a
q
, dimostrando in manieramolto sempli e he la onvergenza è ubi a.L'e a ia omputazionale dei metodi analizzati è onfermata dai risultati
diun'ampia sperimentazionenumeri a svoltasuproblemitest di dimensioni
nel apitolo 1 ri hiamiamo sinteti amente i on etti fondamentali
ri-guardantile atenediMarkov, l'ingredienteprin ipale perla
modelliz-zazioneprobabilisti a;riportiamoinoltreal unirisultatibennotiin
let-teraturariguardantiipartizionamentiregolari,ilprodottodiKrone ker
e lenorme;
nel apitolo2 introdu iamoil MBT, des rivendo an he opportuni
pro- essi di Markov ne essari per omprendere ilmodello;
nel apitolo3passiamoallostudioeettivodeimetodiperrisolvere(1),
esponendo in dettaglio sia i nuovi risultati he quanto già presente in
letteratura;
nel apitolo4 onfrontiamoimetodiesaminatisual uniesempi
on re-ti,analizzandoitempidiese uzioneedilnumerodiiterazionine essarie
per approssimare
q
on una pre isione ssata; nelquintoedultimo apitoloriportiamole on lusionirelativeallavoro
svolto ed i possibili sviluppi.
Il odi e utilizzatoper implementaregli algoritmianalizzatinel apitolo4 è
Ri hiami
1.1 Catene di Markov
Le atene diMarkov sono utilizzatepermodellizzare sistemi he sievolvono
neltempo. In letteraturasitrovanomoltissimitesti he ledes rivono, siada
unpuntodivistastrettamenteprobabilisti o, he daun'otti apiù operativa.
Per questo lavoro, faremo una breve panorami a sull'argomentoseguendo il
se ondoappro io,proponendol'esposizionefattain[5℄, a uisirimandaper
ledimostrazioni.
Consideriamo un pro esso sto asti o
{X
t
: t
∈ T }
, ossia una famigliadi variabili aleatorieX
t
indi izzate da un qual he insieme dei tempi ordinatoT
, a valori in uno spazio di stati ssatoE
, he nel nostro aso sarà sem-pre supposto numerabile. Se an heT
è numerabile, il pro esso viene detto dis reto, altrimentiè ontinuo.Perprima osa, deniamo le atene di Markov dis rete, supponendo he
T = N
.Denizione1.1.1 (ProprietàdiMarkov). Unpro essosto asti o
{X
n
: n
∈
N
}
èuna atena di Markov se 1P [X
n+1
= j
|X
0
, X
1
, . . . , X
n
] = P [X
n+1
= j
|X
n
],
(1.1)per ogni
j
∈ E
eperognin
∈ N
.La proprietà di Markov esprime il fatto he se è noto lo stato attuale
del pro esso, la onos enza del passato non fornis e ulteriori informazioni
sull'evoluzioneall'istantesu essivo.
1
Indi hiamo on
P
[X = i]
laprobabilità he lavariabilealeatoriaX
assumail valorei
,e onP[X = i
|Y = j]
laprobabilità ondizionale heX
assumail valorei
sapendo he lavariabilealeatoriaY
haassuntoilvalorej
.Disolito,vienefattal'assunzione he lalegge he governa l'evoluzionedel
pro esso siaindipendentedal tempo:
Denizione 1.1.2. Una atena diMarkov è detta omogenea se
P [X
n+1
= j
|X
n
= i] = P [X
1
= j
|X
0
= i]
(1.2) pertutti gli statii, j
∈ E
eperognin
∈ N.
In seguito supporremo sempre he le atene on ui abbiamo a he fare
siano omogenee.
Consideriamola matri e
P = (p
ij
)
i,j∈E
denitadap
ij
= P [X
1
= j
|X
0
= i]
per ognii, j
inE.
Questaprende ilnomedimatri e di transizione della atenadiMarkov. Per
omeè denita, èevidente he
P
èsto asti a,ossia veri aP
≥ 0
eP e = e
, dovee
è ilvettore on tutte le omponenti uguali aduno.Vediamoqual he primaproprietà della atena esprimibiletramitela
ma-tri e ditransizione.
Proposizione 1.1.3. Risulta
P [X
n+k
= j
|X
n
= i] = (P
k
)
ij
per ogni
n, k
≥ 0
, e per ogni oppia di stati oppia di statii, j
. Introdu iamoilvettoreπ
(n)
= (π
(n)
i
)
i∈E
, denito omeπ
(n)
i
= P [X
n
= i]
. Per quantoappena detto, risultaπ
(n+1)T
= π
(n)T
P,
n
≥ 0,
ossia
π
(n)T
= π
(0)T
P
n
,
n
≥ 0.
1.1.1 Classi azione degli stati
Gli stati di una atena di Markov possono essere transienti o ri orrenti, in
base alnumerodi visite he la atena fa allostato analizzato. I ri orrenti si
dividono,alorovolta, inpositivi ri orrenti ori orrenti nulli,ase ondadegli
intervalliditempo (aleatori) he inter orrono tradue visite onse utive.
Per eettuare questa analisi, si introdu ono le variabili aleatorie
N
j
he ontanoil numero totale divisite fattedalla atena allostatoj
, ossiaN
j
=
∞
X
n=0
dove
I
{·}
è la funzione indi atri e, he vale 1 se la ondizione dentro le parentesi grae èveri ata, altrimentivale0. Inoltre, onsideriamo l'istantediprimo ritorno nello stato
j
T
j
= min
{n ≥ 1 : X
n
= j
},
e lequantità
f
ij
= P [T
j
<
∞|X
0
= i],
he rappresentano le probabilità he, partendo dallo stato
i
, la atena di Markov visitilo statoj
in tempo nito. Un generi oj
∈ E
è detto transiente, se
f
jj
< 1,
ri orrente,sef
jj
= 1.
In quest'ultimo aso, si di e positivo ri orrente se 2
E[T
j
|X
0
= j] <
∞,
mentre è ri orrente nullo se tale valore atteso è innito.
Si può dimostrare he
N
j
<
∞
quasi ertamente⇐⇒ j
ètransiente.1.1.2 Classi irridu ibili
Adogni atenadiMarkovpuòessereasso iato,inmanieranaturale, ungrafo
di transizione: adognistato orrispondeun nododelgrafoeperogni
p
ij
> 0
si denis e un ar o orientato dal nodoi
al nodoj
, e lo si indi a on(i, j)
. Unasequenza nitadi ar hi(i, k
1
), (k
1
, k
2
), . . . , (k
n
, j)
èdetta ammino dai
aj
. In parti olare, un amminodai
adi
è detto loop. Lo statoi
porta allo statoj
se esiste un amminodai
versoj
, ei
omuni a onj
sei
porta aj
ej
porta adi
.È molto utile adottare la onvenzione he ogni stato omuni hi on sé.
Inquesto modo, larelazionedi omuni azioneèuna relazionediequivalenza
e possiamo onsiderare le lassi di equivalenza indotte, dette lassi di stati
omuni anti. Una atena di Markov è detta irridu ibile se tutti i suoi stati
omuni ano, ossiaseèformata daunasola lasse omuni ante. Ciòequivale
an he a dire he lamatri e
P
è irridu ibile. 2Indi hiamo on
E[X]
lasperanzamatemati adellavariabilealeatoriaX
,e onE[X
|A]
lasperanza ondizionata diX
,datol'eventoA
.1 2 3 4
Figura1.1: grafodi transizione diuna atena irridu ibile.
Se la atenaha
K
lassi omuni anti,indi ate omeC
1
, . . . , C
K
, glistati possono essere permutati in modo he lamatri e di transizioneP
′
= ΠP Π
T
asso iataalla atenapermutata sia della forma
P
′
=
P
11
0
P
21
P
22
. . . . . . . . .P
K1
P
K2
. . . P
KK
,
(1.3)dove
P
ij
è lamatri editransizionedagli statidiC
i
aglistati diC
j
, iblo hi diagonalisono irridu ibiliequadrati, eΠ
èuna matri e dipermutazione.Le lassi omuni antivengonodivise indue ategorie:
nali,se non 'è al un ammino he es e dalla lasse: per ogni
i
nella lasse, perognij
fuori dalla lasse, non esiste un amminodai
aj
; dipassaggio,seesisteunostatodella lasse heportaadunostatofuoridalla lasse.
Se un singolostato formauna lasse nale, questo è detto assorbente.
Nel aso in ui lospazio degli stati sia nito, il grafodi transizione è un
utile strumento per lassi aregli stati: uno stato
i
è transientese porta ad uno statoj
he non porta adi
, altrimenti è ri orrente. SeE
è innito, il grafoorientato non èpiù su iente.1 2 3 4
Figura 1.2: l'insieme
C =
{1, 2}
è una lasse di passaggio, osì ome{3}
, mentre lostato4
èassorbente1 2 3 4
Figura1.3: l'insieme
C =
{1, 2}
èuna lassenale,mentre{3}
èdipassaggio elo stato4
èassorbente.Teorema 1.1.4. Gli stati di una lasse di passaggiosonotutti transienti. In
una lasse nale,gli stati sono tutti opositiviri orrenti, ori orrenti nulli, o
transienti.
La se onda partediquesto teorema idi e he serius iamoastabilirela
tipologiadiun qualsiasistatodiuna lassenale,otteniamo
automati amen-telatipologiadituttiglistatidellastessa lasse. Solitamente,la lassenale
viene hiamatapositivari orrente, ri orrentenullaotransiente,ase onda di
ome sono i suoi stati.
Teorema 1.1.5. Se una lasse nale ontiene un numero nito di stati, è
ne essariamente positiva ri orrente.
Teorema 1.1.6. Se
C
è una lasse nale di stati ri orrenti, alloraf
ij
= 1
per ognii, j
∈ C
.Alla lu e dei risultati appena esposti, è evidente he quando è stata
in-dividuata la struttura delle lassi di una atena, è su iente analizzare le
sole lassi nali. Ciò spiega per hé, molto spesso, viene fattal'ipotesi he la
matri e di transizione sia irridu ibile, ossia he tutti gli stati omuni hino.
Dove non meglio spe i ato, an he noi supporremo
P
irridu ibile.1.1.3 Distribuzione stazionaria
Cer hiamodistudiareil omportamentoasintoti odelladistribuzionedi
pro-babilità di
X
n
, he oin ide on lo studio delle potenzeP
n
della matri e di
transizione,per
n
→ ∞
. Perfare iò,introdu iamolanozionediperiodi ità. Uno statoi
è detto periodi o di periodoδ > 1
se la lunghezza di un qualsiasi loop he parte dai
è un multiplo diδ
. In maniera equivalente, si può dire heP [X
n
= i
|X
0
= i] > 0 =
⇒ n = 0
modδ.
An he laperiodi itàèunaproprietàdi lasseetuttiglistatiinuna lasse
omuni antehannolostessoperiodo. Quindi,avendosupposto
P
irridu ibile, tuttiglistati nonsono periodi ioppuretuttihannolostesso periodoδ
(e, in quest'ultimo aso, si di e he la atena haperiodoδ
).Se
P
èlamatri editransizionediuna atenadiMarkovirridu ibile,nita e di periodoδ
, esiste una matri e di permutazioneΠ
tale heP
siadella forma
P
′
=
0
0
· · ·
0
P
1δ
P
21
0
. . .0
P
32
. . . . . . . . . . . .0
0
0
P
δ δ−1
0
,
(1.4)dove i blo hi diagonali sono quadrati. Ogni matri e he può essere
permu-tata inquesto modoèdetta i li a diperiodo
δ
.1 2 3 4 5 6 7
Figura 1.4: grafodi una atenainnita, irridu ibileedi periodo3.
Enun iamoal uni risultati riguardanti ladistribuzione limite.
Teorema 1.1.7. Se la atena di Markov è irridu ibile e transiente, allora
lim
n→∞
P [X
n
= j
|X
0
= i] = 0
per ogni
i
e per ognij
.Teorema 1.1.8. Supponiamo he la atena di Markov sia irridu ibile. Gli
stati sono positivi ri orrenti se e solo se esiste un vettore invariante di
pro-babilità strettamente positivo, ioè un vettore
π
= (π
i
)
tale heπ
i
> 0
per ognii
, onπ
T
P = π
T
eπ
T
e
= 1.
In tal aso,
sela atenanon è periodi a, allora
lim
n→∞
P [X
n
= j
|X
0
= i] = π
j
perogni
j
,indipendentemente dai
; sela atenaè periodi a diperiodo
δ
, alloralim
n→∞
P [X
nδ
= j
|X
0
= j] = δπ
j
Il vettore invariante
π
è uni o tra i vettori non negativi, a meno di moltipli azioneperuna ostante.Peril aso ri orrente nullo, valeun risultatointermediotrai due appena
riportati.
Teorema 1.1.9. Supponiamodi avereuna atenadi Markovirridu ibile. Se
gli stati sono ri orrenti nulli, allora
lim
n→∞
P [X
n
= j
|X
0
= i] = 0
per ogni
i
ej
. Inoltre, esiste un vettore invariante strettamente positivo, uni o a meno di moltipli azione per una ostante, tale he la somma dei suielementi non sia nita.
Per quanto appena detto, per la matri e di transizione di una atena di
Markov ri orrente esiste sempre un vettore invariante. Nel aso transiente,
tale vettore può esistere (ma on somma delle omponenti innita) o non
esistere.
1.1.4 Catene di Markov a tempi ontinui
Nel aso in uisiane essario onsiderareiltempo omeparametro ontinuo,
è possibile utilizzare una atena di Markov a tempi ontinui, detta an he
pro esso di Markov. Come on i tempi dis reti, parleremo solo del aso
omogeneo.
Denizione 1.1.10. Il pro esso sto asti o
{X(t) : t ∈ R
+
}
sullo spazio di
stati numerabile
E
è un pro esso di Markov omogeneo seP [X(t + s) = j
|X(u) : 0 ≤ u ≤ t] = P [X(t + s) = j|X(t)]
e se
P [X(t + s) = j
|X(t) = i] = P [X(s) = j|X(0) = i]
pertuttiglistati
i
ej
inE
,perogni tempot
≥ 0
eperogni intervallos
≥ 0
. Sotto opportune ipotesi di regolarità riguardanti il omportamentosto- asti o del pro esso di Markov ( he nelle appli azioni reali sono sempre
veri ate), sipuò dimostrare he le funzionidi transizione
F
ij
(t) = P [X(t) = j
|X(0) = i]
sono le soluzionidelle equazioni di Kolmogorov
∂F (t)
on
F (0) = I,
dove gli elementidella matri eQ
(dettageneratore innitesi-male) hannola seguente interpretazione: per
i
6= j
,Q
ij
èil tasso di passaggioistantaneo dallo statoi
allostatoj
. In prati aQ
ij
h
≈ P [X(t + h) = j|X(t) = i],
perun intervallo
h
su ientemente pi olo. Perdenizione,Q
ij
è non negativo. Glielementi diagonalisono tali he
Q
ii
=
−
X
j∈E,j6=i
Q
ij
.
Il pro esso rimane in ogni stato perun intervallodi tempo distribuito
inmanieraesponenziale, on parametro
q
i
=
−Q
ii
perlostatoi
,prima dipassare allo stato su essivo. SeQ
ii
= 0
, alloraQ
ij
= 0
per ognij
, e quindi lo statoi
è uno stato assorbente: una volta he il pro esso lo raggiunge, i rimanepersempre e smettedi evolversi.Lamatri e
Q
halamedesime aratteristi he dellamatri eP
− I
del aso dis reto. Le pro edure he vengono sviluppate per atene a tempi dis retipossono essere immediatamenteadeguate ai pro essi di Markov, utilizzando
Q
al posto diP
− I
.Le denizioni date nelle sezioni pre edenti si adattano in maniera
natu-rale. An he iteoremiriguardantileprobabilità stazionarierestanoinvariati,
epertanto ne enun iamosolamente uno.
Teorema 1.1.11. Supponiamo he il pro esso di Markov sia irridu ibile.
Allora èpositivo ri orrente se esolo se esisteun vettore di probabilità
π
tale heπ
i
> 0
per ognii
,π
T
Q = 0,
e
π
T
e
= 1
. Questo vettore è tale he
lim
t→∞
P [X(t) = j
|X(0) = i] = π
j
(1.6)
per ogni
j
, indipendentemente dai
, ed è uni o tra i vettori non negativi, a meno di moltipli azioneper una ostante.Vista l'analogia dei due asi, solitamente lo studio viene eettuato
1.1.5 Matri i non negative nite
Dal momento he la matri e di transizione di una atena di Markov è
sto- asti a (in parti olare non negativa), quando lo spazio degli stati è nito è
possibilesfruttarelateoriadiPerron-Frobenius, hestabilis ediversirisultati
riguardantiil raggiospettrale.
Teorema 1.1.12 (Perron-Frobenius). Sia
A
≥ 0
una matri e irridu ibiledi ordinen
. Allora1.
A
ha un autovalore reale positivo uguale aρ(A)
. 2. C'è un autovettorex
> 0
tale heAx = ρ(A)x.
3.ρ(A)
è un autovalore sempli e.4. Se
A
haesattamentep
autovaloridi moduloρ(A)
, allora questisono le radi i dell'equazioneλ
p
− ρ(A)
p
= 0.
Se
p > 1
,A
è i li a di periodop
;5. Per ogni
B
≥ 0
tale heA
− B ≥ 0
,B
6= A
, risultaρ(A) > ρ(B)
. Con questo risultato, per le matri i nite, le ondizioni di esistenza eduni ità del vettore di probabilità invariante sono molto sempli i. Infatti, se
la matri e sto asti a
P
è irridu ibile e nita, allora esiste un uni o vettore positivoπ
tale heπ
T
P = π
T
.
Graziealteorema(1.1.8),possiamodedurre hela atenadiMarkovasso iata
a
P
è positivari orrente.Se la matri e è non negativa, ma non ne essariamente irridu ibile, vale
un risultato più debole:
Teorema 1.1.13. Sia
A
una matri e quadrata on elementi non negativi. Allora1.
A
ha un autovalore reale non negativo uguale aρ(A)
. 2. esistex
≥ 0
tale heAx = ρ(A)x
;3. per ogni
B
≥ 0
tale heA
− B ≥ 0
, risultaρ(A)
≥ ρ(B).
ne-Proposizione 1.1.14 (Lemma di Neumann). Sia
A
∈ R
n×n
on
ρ(A) < 1
. AlloraI
− A
è invertibile e risulta(I
− A)
−1
=
∞
X
i=0
A
i
.
(1.7)Dimostrazione. Poi hé
ρ(A) < 1, I
− A
non ha0
ome autovalore equindi è invertibile. Inoltre, osservando he(I
− A)(I + A + · · · + A
k
) = I
− A
k+1
perogni
k
, risultaI + A +
· · · + A
k
= (I
− A)
−1
− (I − A)
−1
A
k+1
.
La tesi segue dal fatto he
lim
k→∞
A
k
= 0
,visto he il raggio spettrale di
A
èminore diuno.Proposizione 1.1.15. Sia
A
una matri e quadrata on elementi non ne-gativi. Allora(I
− A)
−1
esiste ed è non negativa se e solo se
ρ(A) <
1
.Dimostrazione. Se
ρ(A) < 1
, il lemma di Neumann i garantis e he(I
−
A)
−1
esista e sia non negativa, in quanto lo sono tutte le potenze diA
. Per provare l'altra impli azione, prendiamo un generi o autovaloreλ
diA
, on un orrispondenteautovettorex
= (x
i
)
. Sia|x| = (|x
i
|)
. Risulta allora|λ||x| ≤ A|x|,
da ui(I
− A)|x| ≤ (1 − |λ|)|x|,
ossia|x| ≤ (1 − |λ|)(I − A)
−1
|x|
, per hé(I
− A)
−1
è non negativa. Dato
he
x
6= 0
, poi hé è un autovettore, deve ne essariamente essere|λ| < 1
, on ludendo la dimostrazione.1.2 Partizionamenti regolari
Consideriamoil sistemalineare
on
A
∈ R
n×n
e
x
, b
∈ R
n
. Per al olare la soluzione di (1.8), molti metodi
iterativi sibasano sul partizionamentodella matri e
A
. Infatti, supponendo he tale matri esia invertibile, è tipi o er are diapprossimare lasoluzionex
= A
−1
b
on
x
k+1
= M
−1
Nx
k
+ M
−1
b,
(1.9) doveM
èinvertibileeM
−N = A
. Unrisultatobennoto([4℄)è heilmetodo iterativo osì ottenuto è onvergente(perogni vettoreinizialex
0
s elto) see soloseρ(M
−1
N) < 1
.
È evidente he la s elta del partizionamento di
A
gio a un ruolo ru- iale nella onvergenza del metodo, e quindi sarebbe opportuno avere delleondizioni he permettanodistabilirequandoun partizionamentoèmigliore
di un altro. Per una lasse molto interessante di partizionamenti sono stati
presentatidiversi risultati he fornis ono proprioqueste ondizioni.
Denizione 1.2.1. Siano
A, M, N
∈ R
n×n
onA = M
− N
. Si di e heM
− N
èun partizionamento regolare diA
se M
èinvertibile, M
−1
≥ 0,
N
≥ 0
.Riportiamo iseguenti teoremiriguardanti ipartizionamenti regolari,per
la ui dimostrazionesi rimandaa[19℄, [20℄ o[21℄.
Teorema 1.2.2. Sia
A = M
− N
un partizionamento regolare della matri e invertibileA
. SeA
−1
≥ 0
, alloraρ(M
−1
N) =
ρ(A
−1
N)
1 + ρ(A
−1
N)
< 1.
(1.10) Vi eversa, seρ(M
−1
N) < 1
, alloraA
−1
≥ 0
.Teorema 1.2.3. Siano
A = M
1
−N
1
= M
2
−N
2
due partizionamentiregolari della matri e invertibileA
, e siaA
−1
≥ 0
. SeN
2
≥ N
1
, alloraρ(M
1
−1
N
1
)
≤ ρ(M
2
−1
N
2
).
(1.11) In parti olare,seA
−1
> 0
eN
2
≥ N
1
,N
2
6= N
1
, alloraρ(M
1
−1
N
1
) < ρ(M
2
−1
N
2
).
(1.12)Teorema1.2.4. Siano
A = M
1
−N
1
= M
2
−N
2
duepartizionamentiregolari della matri e invertibileA
, e siaA
−1
≥ 0
. SeM
−1
1
≥ M
2
−1
, alloraρ(M
1
−1
N
1
)
≤ ρ(M
2
−1
N
2
).
(1.13) In parti olare, seA
−1
> 0
eM
−1
1
> M
2
−1
, alloraρ(M
1
−1
N
1
) < ρ(M
2
−1
N
2
).
(1.14)1.3 Prodotto e somma di Krone ker
Siano
A
∈ C
m×n
e
B
∈ C
p×q
. Si denis e prodotto di Krone ker (o diretto o
tensoriale) di
A
eB
lamatri eA
⊗ B ∈ C
mp×nq
A
⊗ B =
a
11
B
a
12
B
· · · a
1n
B
a
21
B
a
22
B
· · · a
2n
B
. . . . . . . . . . . .a
m1
B a
m2
B
· · · a
mn
B
.
(1.15)L'operazione osì denita gode di diverse proprietà, fra ui le seguenti,
veri abili inmanieradiretta.
Proposizione 1.3.1. Siano
A, B
eC
di dimensioni opportune, eλ
∈ C
. AlloraA
⊗ (B + C) = A ⊗ B + A ⊗ C,
(A + B)
⊗ C = A ⊗ C + B ⊗ C,
(λA)
⊗ B = A ⊗ (λB) = λ(A ⊗ B),
A
⊗ (B ⊗ C) = (A ⊗ B) ⊗ C.
Nel resto della tesi, spe ialmente nel apitolo 3, useremo molto questa
proprietà (an h'essa di dimostrazioneimmediata):
Proposizione 1.3.2. Siano
a
eb
due vettori di dimensionen
. Allora(a
⊗ b) = (I ⊗ b)a = (a ⊗ I)b,
(1.16) doveI
è la matri e identi a di ordinen
.Se
x
ey
sono due vettori di dimensionen
, possiamo denire la somma di Krone kerx
⊕ y
ome1.4 Norme
Un'appli azione
k·k : C
n
→ R
èdettanorma(vettoriale) seperogni
x
∈ C
n
kxk ≥ 0,
kxk = 0 ⇔ x = 0,
kλxk = |λ|kxk,
∀λ ∈ C,
kx + yk ≤ kxk + kyk,
∀y ∈ C.
Le normepiù omunemente usate sono:
kxk
1
=
X
i
|x
i
|,
kxk
2
=
s
X
i
|x
i
|
2
,
kxk
∞
= max
i
|x
i
|,
e sono hiamate,rispettivamente, norma1, norma 2 e norma innito.
In maniera simile si può denire una norma (matri iale) per l'insieme
delle matri i
n
× n
a oe ienti omplessi. In questo aso, solitamente, si ri hiede he valgaan he la seguenteproprietà:kABk ≤ kAkkBk,
∀A, B ∈ C
n×n
.
Fissata una normavettoriale
k·k
, possiamo onsiderare l'appli azioneA
7−→ max
kxk=1
kAxk = max
x6=0
kAxk
kxk
.
(1.18)Èimmediatoveri are he questaèunanormamatri ialeeprendeilnomedi
norma matri iale indotta dallanorma vettoriale
k·k.
Le normeindotte dalle tre norme vettorialides ritte in pre edenzasonokAk
1
= max
j
X
i
|a
ij
|,
kAk
2
=
pρ(A
H
A),
kAk
∞
= max
i
X
j
|a
ij
|,
doveA
H
èla matri etrasposta oniugata di
A
.Teorema 1.4.1. L'appli azione
x
7−→ kxk, x ∈ C
n
,
è uniformemente ontinua.
Teorema 1.4.2 (Equivalenzadellenorme). Per ogni oppia di norme
vetto-riali
k·k
,k·k
′
su
C
n
esistono due ostanti positive
α
eβ
tali heα
kxk ≤ kxk
′
≤ βkxk
(1.19)per ogni
x
∈ C
n
.
Un risultatoanalogovaleper lenorme matri iali.
Teorema 1.4.3. Sia
A
una matri em
× m
. Per ogni norma matri iale indottak·k
risultaρ(A)
≤ kAk.
Inoltre, per ogni
ε > 0
, esisteuna norma matri iale indottak·k
′
tale he
kAk
′
≤ ρ(A) + ε.
Teorema 1.4.4. Sia
A
una matri em
× m
. Per ogni norma matri ialek·k
e per ogniz
∈ Z
risultaρ(A) = lim
n
kA
n+z
k
1/n
.
Proposizione 1.4.5. SeA
∈ C
n×n
eB
∈ C
m×m
,
allorakA ⊗ Bk = kAkkBk
(1.20) per le norme 1, 2 e∞.
Modellizzazione tramite MBT
In questa sezione introdu iamo un modello basato sul Markovian Binary
Tree (MBT), struttura introdotta da N. Kontoleon in [11℄. Grazie allaloro
versatilità,questi modellisono moltoutilisiaperstudiarefenomenibiologi i
(spe ialmenteperlema roevoluzioni), heperl'analisidelleretiPeer-to-Peer
per la ondivisione di les, [10℄, lequali sono semprepiù inespansione.
Primadides rivereindettaglioilmodello,ène essariointrodurrequal he
parti olaretipologiadipro essisto asti i,seguendo l'esposizionefattain[9℄.
2.1 Multitype Bran hing Pro esses
UnMultitype Bran hing Pro ess(MBP) èuna atenadiMarkov hedes rive
l'evoluzione di un erto numero di individui, suddivisi in
n
possibili tipi, ias uno dei quali agis e inmaniera indipendente dagli altri. Alla ne dellapropriavita,un soggettoditipo
i
siriprodu e,dando luogoanuovi soggetti divariotipo,seguendounaprobabilitàdiriproduzionedenitadallafunzionegeneratri e
P
i
(s) =
X
j
p
ij
s
j
=
X
j
1
,...,j
n
p
ij
s
j
1
1
· · · s
j
n
n
,
i = 1, . . . , n,
(2.1)dove
s
= (s
1
, . . . , s
n
),
ej
= (j
1
, . . . , j
n
),
ons
i
∈ [0, 1]
ej
i
∈ N
per ognii.
Il oe ientep
ij
rappresentala probabilità he un individuo ditipoi
generij
1
individui di tipo 1,j
2
individui di tipo 2, ...,j
n
individui di tipon
. Di solitosiassume he questeprobabilitànon ambinoneltempo. Supponiamoinoltre he la funzione(2.1) sia tale he
M
ij
=
∂P
i
(s)
∂s
j
s=e
ossia he il numero medio di elementi di tipo
j
nati da un soggetto di tipoi
(in una sola generazione) sia nito. In questo modo, possiamo denire la matri e dellamediaM = (M
ij
)
.Denizione 2.1.1. Un MBP sidi e:
positivo regolare,se lamatri e della media
M
è irridu ibile, singolare, se(P
1
(s), . . . , P
n
(s)) = sA,
dove
A
èunamatri en
×n
nonnegativa. Inquesto aso,ogniindividuo, alla ne della propria vita, origina esattamente un solo esemplare, equindiilpro essoèequivalenteadun'ordinaria atenadiMarkovnita.
Deniamo
Z
i
(t)
ome il numero totale di elementi di tipoi
esistenti al-l'istantet
(dovet
appartiene ad un opportuno insieme dei tempi, he di solito èR
+
). Il vettore aleatorio
Z(t) = (Z
1
(t), . . . , Z
n
(t))
è una atena di Markov on spazio degli statiN
n
. Se si suppone he il MBP sia positivo
re-golaree non singolare 1
, sipuò dimostrare ([1℄) he tutti glistati della forma
(z
1
, . . . , z
n
)
6= 0
sono transienti 2. Il pro esso si estingue se non 'è nessun
elementoin vita,ossia se
Z(t) = 0
ad un qual he istante; questo i di e he lostato0
è assorbente.Seindi hiamo on
q
i
laprobabilità heilpro essosiestingua, ondizionata alfatto he sia iniziato on un solosoggetto ditipoi
, si può dimostrare he valeil seguente risultato([1℄, [9℄):Teorema 2.1.2. Il vettore
q
= (q
1
, . . . , q
n
)
è la soluzione minimale non negativa dell'equazioneP
(s) = s,
(2.3)dove
P
(s) = (P
1
(s), . . . , P
n
(s)).
Inoltre, indi ando onλ
il raggio spettrale diM,
si presentano tre asi: se
λ < 1
, il pro esso è detto sub riti o eq
= e
; seλ = 1
, il pro esso è riti o eq
= e
; se
λ > 1
, il pro esso è super riti o e risultaq
< e
nel aso positivo regolare,q
≤ e, q 6= e
, altrimenti.1
Ledue ipotesiin questionesono operative evengonousualmente fattenello studio
dei pro essi di diramazione multitipo. Servono per evitare strani omportamenti della
variabile
Z(t)
. PerunostudiodeiMBPsinipotesipiùgeneralisiveda[15℄. 2Permodellizzarel'evoluzione diunapopolazionediindividui onunMBP è
Daquantoappenadetto,èevidente hesolonel asosuper riti ohasenso
al olarela probabilitàdi estinzione delpro esso.
2.2 Markov Arrival Pro esses
IMarkov ArrivalPro esses(MAPs)sonoparti olaripro essiatempidis reti
oppure a tempi ontinui. Il primo ad introdurre tali pro essi è stato M.F.
Neuts in [16℄; inseguito sono stati ripresi (e generalizzati)dadiversi autori,
frai qualiG.Latou he, M.A. Remi hee P.G.Taylor([13℄), di uiseguiremo
l'esposizione. Visto he nei due asi la teoria è molto simile, presenteremo
solamente la versione ontinua, he sarà quella di ui avremo bisogno in
seguito.
Un MAP a tempi ontinui èuna atena di Markov bidimensionale
{(N(t), ϕ(t)) : t ∈ R
+
}
on spazio degli stati
{(m, i) : m ∈ N, i ∈ {0, 1, . . . , n < ∞}}.
Considerando un generi o stato
(m, i)
, sono possibili solamente due tipi ditransizioni: nas oste, ossia verso uno stato della forma
(m, j),
per un ertoj
6= i
, oppure osservabili, ioèverso
(m + 1, j),
onj
qualsiasi.Inoltre, il tasso ditransizione dallo stato
(m, i)
non dipende dam
. Così, in tempi ontinui,lamatri editransizionediun MAPhalaseguentestrutturaQ =
D
∗
0
D
1
∗
0
0
0
D
∗
0
D
1
∗
0
. . .0
0
D
∗
0
D
∗
1
. . .0
0
0
D
∗
0
. . . . . . . . . . . . . . .
,
(2.4) dove(D
∗
0
)
ij
, i
6= j
,e(D
∗
1
)
ij
sono,rispettivamente, i tassiistantanei di transi-zioneda(m, i)
a(m, j)
eda(m, i)
a(m + 1, j)
. LadiagonalediD
∗
0
èdenita inmodo he la somma deglielementidi ogni rigadiQ
siazero, ioè(D
0
∗
)
ii
=
−
X
1≤j≤m, j6=i
(D
0
∗
)
ij
−
X
1≤j≤m
(D
1
∗
)
ij
,
per
1
≤ i ≤ m
.Nel aso dis reto, la situazione èanaloga: la matri edi transizioneha la
stessa struttura di
Q
, mentreD
∗
0
eD
∗
1
sono non negative e laloro somma è sto asti a.La fase
ϕ(t)
del MAP si evolve ome una atena di Markov a tempi ontinuisullospazio deglistati{0, 1, . . . , n},
on matri easso iataD
∗
0
+ D
1
∗
. SeN(0) = 0
,illivelloN(t)
ontailnumeroditransizioniosservabiliavvenute nell'intervallo(0, t)
. In eetti, per i nostri s opi, possiamo sempre supporre he illivelloiniziale sia nullo, in mododa rendere più intuitivo ilsigni atodella variabile
N(t)
.Quello he i serve in questo lavoro è la seguente lasse parti olare di
MAPs.
Denizione 2.2.1. UnMAP sidi e transiente se haun generatore
innite-simaledella forma
(
2.4),
onD
0
∗
=
0
0
d
0
D
0
eD
∗
1
=
0
0
d
1
D
1
,
dove
d
0
, d
1
≥ 0
,D
1
≥ 0
eglielementinondiagonalidiD
0
sono nonnegativi, mentre quellidiagonalisono tali heD
0
e
+ D
1
e
+ d
0
+ d
1
= 0.
Osservazione 2.2.2. Sipuò dimostrare([13℄) he iMAPs transientisono tali
he
lim
t→∞
N(t) <
∞
quasi ertamente.Nellasezioneseguente utilizzeremodeiMAPstransientiparti olari, dove
d
1
= 0
,D
0
+ D
1
è irridu ibile,D
0
è invertibile e almeno una omponente did
= d
0
è strettamentepositiva. Ciinteresserà parti olarmenteil seguente on etto:Denizione 2.2.3. Di iamo he siveri a una atastrofe sesiha una
tran-sizioneda uno stato della forma
(m, i)
a(m, 0)
.Inprati a,sihauna atastrofesedaunqual hestatosihaunatransizione
nas osta in 0. In generale, una atastrofe può aver luogo an he in presenza
ditransizioniosservabili(siveda [13℄),maavendo supposto
d
1
= 0
,nel aso esaminato iònon è possibile.2.3 Markovian Binary Trees
Un Markovian Binary Tree (MBT) è l'evoluzione temporale di un pro esso
di diramazione he inizia on un singolo individuo, la uivita è regolata da
Ad ogni transizione osservabile del MAP orrisponde la nas ita di un
glio. Questo evento è rappresentato on un punto di diramazione
dell'albero. Seguendola onvenzionediKontoleon([11℄),l'ar osinistro
è l'ar o glio, mentre quello destro è l'ar o padre. Dopo la nas ita, il
padre ontinua autonomamente la propria vita, osì ome il glio, la
ui evoluzione è regolata da un MAP identi o a quello del padre e
indipendenteda ogni altra osa.
Se avviene unatransizione nello statoassorbentedelMAP,l'individuo
muore. Questievento orrispondonoad una foglia dell'albero.
Le transizioninas oste non sono ragurate.
Siveda la gura 2.1per un esempio.
Un individuo he si trova nella fase
i
può originareun glio he si trova in fasej
e fare una transizione nella fasek
; iò a ade on tassoB
i,jk
, dove lamatri eB =
B
1,11
B
1,12
· · · B
1,1n
· · · B
1,n1
B
1,n2
· · · B
1,nn
B
2,11
B
2,12
· · · B
2,1n
· · · B
2,n1
B
2,n2
· · · B
2,nn
. . . . . . . . . . . .· · · ·
. . . . . . . . . . . .B
n,11
B
n,12
· · · B
n,1n
· · · B
n,n1
B
n,n2
· · · B
n,nn
è ollegataa
D
1
dall'equazioneD
1
= B(e
⊗ I).
?
tempo MAPi
j
k
Figura2.1: rappresentazione di un MBT.Peressere più formali,un MBT èun pro esso
X(t) = N(t), ϕ
1
(t), . . . , ϕ
N (t)
(t)
denitosullo spazio degli stati
∞
[
k=0
{k} × {1, . . . , n}
k
.
Lavariabile aleatoria
N(t)
indi ail numerodirami invita altempot
, men-treϕ
k
(t)
rappresenta la fase, all'istantet
, delk
-esimo ramo vivo, perk =
1, . . . , N(t)
. Le variabiliϕ
k
(t)
sievolvono omelafase delMAP(d, D
0
, D
1
)
. Si noti he nello spazio degli stati non è stata messa la fase 0 in quanto seun ramo è intale fase è morto,e quindi non viene più rappresentato.
Supponiamo he all'istante
t
il pro esso sia in uno stato onm
rami. Fissiamoilramok
≤ m
, la uifase èr
. Lo stato delpro esso sarà del tipom, a, . . . ,
b,
r,
c,
. . . , d
1
. . .
k
− 1 k k + 1 . . .
m
dove è stata s ritta espli itamente la numerazione deirami. Vediamo ome
simodi alo stato inbase alletransizioni possibili.
Unatransizione nas osta alla fase
j
6= r
, he avviene on tasso(D
0
)
rj
, omporta he lostato diventim, a, . . . ,
b,
j,
c,
. . . , d
1
. . .
k
− 1 k k + 1 . . .
m
Una transizione osservabile in uisi genera un glio he si trova nello
stato
i
, mentre il padre passa nello statoj
. Il tasso di questo aso èB
r,ij
eil nuovo stato èm + 1, a, . . . ,
b,
i
j,
c,
. . . ,
d
1
. . .
k
− 1 k k + 1 k + 2 . . . m + 1
dove si sono rinumeratial uni stati.
Una atastrofe, ossia una transizione verso lo stato 0, he avviene on
tasso
d
r
. Si arrivaallostatom
− 1, a, . . . ,
b,
c, . . . ,
d
1
. . .
k
− 1 k . . . m − 1
Èpossibileinterpretare un MBT ome un MBP nelseguentemodo:
possibili tipidegli individui(nell'otti a del MBP) sono le fasi
{1, . . . , n}
del MAP (mentre, ome già detto, la fase0
orrisponde all'essere una foglia); di iamo he un individuoèditipoi
setale èlasua fasesubitodopol'ultimo punto di diramazione a ui è ollegato. Un soggetto di tipoi
, può morire senza generare al un glio, dopoaver avuto al unetransizioni nas oste, onprobabilità
a
i
, dovea
= (
−D
0
)
−1
d
; oppurepuò produrreun glioditipo
j
e ambiarelasua faseink
(equindi diventareditipok
), onprobabilitàΨ
i,jk
, doveΨ =
Ψ
1,11
Ψ
1,12
· · · Ψ
1,1n
· · · Ψ
1,n1
Ψ
1,n2
· · · Ψ
1,nn
Ψ
2,11
Ψ
2,12
· · · Ψ
2,1n
· · · Ψ
2,n1
Ψ
2,n2
· · · Ψ
2,nn
. . . . . . . . . . . .· · · ·
. . . . . . . . . . . .Ψ
n,11
Ψ
n,12
· · · Ψ
n,1n
· · · Ψ
n,n1
Ψ
n,n2
· · · Ψ
n,nn
è la matri e(
−D
0
)
−1
B
. In questo modola funzione generatri e (2.1) per il
tipo
i
diventaP
i
(s) = a
i
+
n
X
j,k=1
Ψ
i,jk
s
j
s
k
,
(2.6)he, innotazione matri iale,può essere s ritta ome
P
(s) = a + Ψ(s
⊗ s).
(2.7)Questo impli a he l'equazione (2.3) assuma laforma
s
= a + Ψ(s
⊗ s),
(2.8)a ui diamo il nome di equazione di estinzione. È immediato veri are he
il vettore
e
è una soluzione banale di questa equazione. Quello he a noi interessa, inve e, è al olareq
, la soluzione non negativa minimale, he, ri- ordiamo, orrisponde alla probabilità di estinzione del MBT, supponendohe ilpro esso inizi on un uni o individuoin una data fase:
q
i
= P [T
e
|ϕ
0
= i],
(2.9) doveϕ
0
è la fase iniziale dell'individuo da ui parte il pro esso, eT
e
rap-presenta l'evento he l'albero si estingua. Per brevità, spesso s riveremoq
= P [T
e
|ϕ
0
].
Come pre edentemente osservato, l'uni o aso interessante, ioètale he
q
6= e
, è quello in ui il raggio spettrale della matri e della mediaM
è maggioredi 1. In questo ontesto, risulta2.3.1 Esempio: diusione dei les peer-to-peer
Diamo un'idea di ome sia possibile utilizzare il MBT per modellizzare la
diusione di un le ondiviso in un network peer-to-peer (P2P), riferendo i
inparti olare alla rete eDonkey [6℄, una delle più famose al giorno d'oggi. I
dettaglidi questa appli azionesi possono trovare in [10℄.
Consideriamo una rete di peers on un numero molto elevato di utenti
onnessi. Per sempli ità, possiamo assumere he questo numerosia innito.
NellareteeDonkey,ognileèsuddivisoinparti(dette hunks),grandi,alpiù,
9.28
MB, ias una ompostadablo hidi180
kBs ari abiliindividualmente. Unpeerèattivo ses ari ao ondividedeiles,per ui isonodueperiodidi attività: il periodo di s ari amento, eventualmente seguito dal periodo di
ondivisione.
Quando un peer vuole s ari are un le, si ollega ad un nodo spe iale
dellarete,l'index server,a uiri hiedelalistadegliutenti he ondividono il
ledesiderato. Unavoltari evutalalista,ilpeer he vuoles ari aresimette
nella oda di s ari amento degli utenti indi ati dall'index server. Dopo he
èrius ito as ari are orrettamentetutti i blo hidi un hunk, questo viene
messo automati amentein ondivisione. Quando tutte le parti del lesono
state s ari ate, l'utente può de idere selas iare illean ora in ondivisione
oppurerimuoverlo.
Cer hiamodi aratterizzareil omportamentodelladiusionediun
singo-lole ondivisodadiversiutenti,des rivendo ome ostruireilMBT.
Suppo-niamo he sialafasedis ari amento he quelladi ondivisionesianoregolate
da opportuni pro essi di Markov, e he sia ssata una probabilità di
ondi-visione
p
c
, se ondo la quale un peer ontinua a ondividere il le. Queste quantità determinano il pro esso he regola la vita del generi o utente. Seun peer de ide di togliere il le dalla ondivisione, on probabilità
1
− p
c
, allora questi non è più attivo, e quindi si rea una foglia del MBT. Si hainve e un puntodi diramazionequando un utente inizia as ari are il leda
unaltro helosta ondividendo: inquesto aso, olui hes ari arappresenta
ilramo glio, mentre hi hail lein ondivisione èil ramo padre.
Nel modello appena des ritto, la probabilità diestinzione rappresenta la
Metodi numeri i
Inquesta partedis utiamodiversi metodinumeri iper al olarelasoluzione
minimalenon negativa
q
dell'equazione diestinzionex
= a + Ψ(x
⊗ x).
(3.1)Laprima osa he fa iamo èstudiare al une aratteristi he della funzione
F (x) = x
− a − Ψ(x ⊗ x),
(3.2) per laqualerisultaF (q) = q
− a − Ψ(q ⊗ q) = 0.
(3.3) Questo i permette di dimostrare diverse proprietà di onvergenza di unafamigliadimetodilineari,delmetododiNewton e diun metodoan orapiù
velo e.
3.1 Lemmi preliminari
Riportiamoal uni utilirisultatipresentatiin [8℄ ed in[9℄ riguardanti la
fun-zione (3.2) e la sua matri e Ja obiana. Fa endo espli itamente il al olo, si
trova he tale matri e,valutata nelpunto
x
, èF
x
′
= I
− Ψ(x ⊕ x).
(3.4)Lemma 3.1.1. Se il MBT è super riti o e positivo regolare, allora
ρ(Ψ(q
⊕ q)) < 1,
e
(I
− Ψ(q ⊕ q))
−1
Dimostrazione. Deniamo
P
1
(s) = P (s)
eP
k
(s) = P (P
k−1
(s))
,doveP
(s)
èdenita da(2.7):P
(s) = a + Ψ(s
⊗ s).
SiainoltreM
k
(s) = (m
(k)
ij
(s)), 1
≤ i, j ≤ n,
onm
(k)
ij
(s) =
∂(P
k
(s))
i
∂s
j
.
È immediatoveri are he risulta
M
k
(s) = M(P
k−1
(s))M
k−1
(s),
(3.5) onM
1
(s) = M(s) = Ψ(s
⊗ I + I ⊗ s)
. La matri edella mediadel pro esso èM = M(e)
, mentre la matri e di ui vogliamo stimare il raggio spettrale èM(q)
. Per denizione diq
, si ha heP
(q) = q = P
k
(q)
per ognik
, e quindi, graziea (3.5), si ottieneM
k
(q) = M(q)M
k−1
(q) = M
k
(q).
(3.6) Poi hélim
k→∞
P
k
(s) = q
per ogni
s
nel ubo unitario{(x
1
, . . . , x
n
)
∈ R
n
:
0
≤ x
i
≤ 1, i =
1, . . . , n, x
j
< 1
per almenounj
}
, ome risultada[1℄ (sezione V.3,teorema 2),segue helim
k→∞
M
k
(s) = 0
(3.7)
per ogni
s
nel ubo. Avendo supposto he il pro esso sia super riti o e positivo regolare,sappiamo heq
< e
,da uilim
k→∞
M
k
(q) = lim
k→∞
M
k
(q) = 0,
equindi
ρ(M(q)) < 1.
Indi hiamo on
h0, qi
l'insieme dei vettorix
tali he0
≤ x ≤ q
, utiliz-zandol'ordinamentoparzialex
≤ y
sex
i
≤ y
i
per ognii
.Lemma 3.1.2. Se il pro essoè super riti o e positivo regolare, allora
F (x)
− F (y) ≥ F
x
′
(x
− y)
(3.8) per ognix
≤ y
inh0, qi
. Inoltre(F
′
x
)
−1
esiste per ogni
x
∈ h0, qi,
è non negativa e siha(F
x
′
)
−1
≤ F
′
y
−1
Dimostrazione. Innanzi tutto,
F (x)
− F (y) = (x − y) − Ψ(x ⊗ x) + Ψ(y ⊗ y)
= (x
− y) − Ψ(x ⊗ (x − y)) − Ψ((x − y) ⊗ y)
≥ F
x
′
(x
− y)
poi hé
x
≤ y
.Segue dal lemma pre edente he
ρ(Ψ(x
⊕ x)) < 1
per ognix
inh0, qi
, quindi(F
′
x
)
−1
esiste ed è non negativa. Inoltre
F
y
′
−1
=
X
n≥0
[Ψ(y
⊕ y)]
n
≥
X
n≥0
[Ψ(x
⊕ x)]
n
= (F
′
x
)
−1
≥ 0
per ognix
≤ y
inh0, qi
.Il risultato seguente non dipende dalla parti olare norma s elta. Spesso
sarà onveniente utilizzarela
k·k
∞
siaper ivettori he perle matri i. Lemma 3.1.3. Per ogni normavettorialek·k
esiste una ostanteγ > 0
tale hekF
x
′
− F
′
y
k ≤ γkx − yk
(3.9)per ogni
x
, y
∈ h0, qi,
dovekF
′
x
− F
y
′
k
è la normamatri iale indotta dak·k
. Dimostrazione. Prendiamo un generi o vettoreh
di norma 1, esianox
ey
inh0, qi.
Poi hé[F
x
′
− F
y
′
]h = Ψ((y
− x) ⊕ (y − x))h,
risultak[F
x
′
− F
′
y
]h
k ≤ 2ckΨkkx − yk,
dove
0 < c <
∞
, per hékhk = 1
ekz ⊗ Ik
∞
=
kI ⊗ zk
∞
=
kzk
∞
per ogniz
. Ciò dimostrala(3.9) onγ = 2c
kΨk.
3.2 Metodi lineari
In questo paragrafo introdu iamo dei nuovi metodi iterativi a onvergenza
lineare he dipendono da al uni parametri. Della lasse he presentiamo
fanno parte an he i metodi già noti menzionati nel apitolo introduttivo di
questa tesi.
Ris riviamo (3.1) nelseguente modo
dove
α + β + γ = 1.
Se la matri eI
− (βΨ(I ⊗ x) + γΨ(x ⊗ I))
èinvertibile, possiamos rivere
x
= [I
− (βΨ(I ⊗ x) + γΨ(x ⊗ I))]
−1
(a + αΨ(x
⊗ x)) .
(3.11)Risulta allora naturale onsiderare ilmetodoiterativo
x
k+1
= [I
− Ψ(β(I ⊗ x
k
) + γ(x
k
⊗ I))]
−1
(a + αΨ(x
k
⊗ x
k
)),
(3.12)apatto he lasu essione sia ben denita.
Vediamo hesevalgonoopportune ondizionisuiparametri,lesu essioni
generate on questi metodigodonodi interessanti proprietà.
Teorema 3.2.1. Se il pro esso è super riti o e positivo regolare, per ogni
x
0
∈ h0, ai
la su essione ottenuta appli ando (3.12) onβ, γ
∈ [0, 1]
è ben denita e, per ognik
, veri a1.
F (x
k
)
≤ 0
;2.
0
≤ x
k
≤ x
k+1
≤ q
; 3.lim
k→∞
x
k
= q.
Dimostrazione. Proviamoperinduzionesu
k
helasu essioneèbendenita e he valgono i primi due punti. Nel aso iniziale, poi héx
0
≤ q
, in quantoq
≥ a
( ome risulta da(3.3)) ex
0
≤ a,
si ha0
≤ βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I) ≤ Ψ(q ⊕ q),
equindi
[I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
esisteed ènonnegativa,invirtù
di1.1.14 e 1.1.15, e
x
1
èben denito. Inoltre, da(3.8)segue heF (0)
− F (x
0
)
≥ F
0
′
(0
− x
0
),
da ui
F (x
0
)
≤ 0
,poi héF (0) =
−a
eF
′
0
= I
. Risulta an hex
1
− x
0
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
·
· [a + αΨ(x
0
⊗ x
0
)
− (I − Ψ(β(I ⊗ x
0
) + γ(x
0
⊗ I))x
0
)]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
·
· [a + αΨ(x
0
⊗ x
0
)
− x
0
+ (β + γ)Ψ(x
0
⊗ x
0
)]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
[a
− x
0
+ Ψ(x
0
⊗ x
0
)]
≥ 0,
per hé, ome già detto,
a
≥ x
0
. In manierasimileq
− x
1
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
·
· [(I − (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I)))q − a − αΨ(x
0
⊗ x
0
)]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
·
· [q − βΨ(q ⊗ x
0
)
− γΨ(x
0
⊗ q) − a − αΨ(x
0
⊗ x
0
)]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
[q
− a − Ψ(q ⊗ q) +
+ Ψ(q
⊗ q) − βΨ(q ⊗ x
0
)
− γΨ(x
0
⊗ q) − αΨ(x
0
⊗ x
0
)]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
Ψ
· [(1 − β − γ)((q ⊗ q) − (x
0
⊗ x
0
)) +
+ β((q
⊗ q) − (q ⊗ x
0
)) + γ((q
⊗ q) − (x
0
⊗ q))]
= [I
− (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
Ψ
·
· [(q ⊗ (q − x
0
)) + ((q
− x
0
)
⊗ x
0
)
−
− β((q − x
0
)
⊗ x
0
)
− γ(x
0
⊗ (q − x
0
))]
≥ [I − (βΨ(I ⊗ x
0
) + γΨ(x
0
⊗ I))]
−1
Ψ
·
· [(1 − β)((q − x
0
)
⊗ x
0
) + (1
− γ)(x
0
⊗ (q − x
0
))]
≥ 0,
e quindi0
≤ x
0
≤ x
1
≤ q.
Supponiamo ora di aver dimostrato la tesi per tutti gli indi i
n < k
e vediamo il ason = k
. Ragionando ome per il passo base, è fa ile vedere hex
k+1
è ben denito e veri ax
k+1
≤ q
. Inoltrex
k+1
− x
k
= [I
− (βΨ(I ⊗ x
k
) + γΨ(x
k
⊗ I))]
−1
·
· [a + αΨ(x
k
⊗ x
k
)
− (I − (βΨ(I ⊗ x
k
) + γΨ(x
k
⊗ I)))x
k
]
= [I
− (βΨ(I ⊗ x
k
) + γΨ(x
k
⊗ I))]
−1
·
· [a − x
k
+ Ψ(x
k
⊗ x
k
)]
= [I
− (βΨ(I ⊗ x
k
) + γΨ(x
k
⊗ I))]
−1
· (−F (x
k
))
≥ 0.
Rimane da vedere he