4. Hálózati folyamatok 49
4.3. A numerikus szimuláció
sze-replő három paraméter, λW, λB, γ ismeretében megadható az endemikus egyensúly (vannak fertőzöttek is a populációban, tehát x0 6= 1) létezésének pontos feltétele.
Tetszőlegesnesetén a [64] dolgozatban található hasonló, de nem szükséges és elég-séges feltétel.
4.3. A numerikus szimuláció
SIS típusú betegségterjedés esetén a rendszer állapotere a {0,1}N halmaz. Jelölje a rendszer t időpontbeli állapotát x(t) ∈ {0,1}N, ennek k-adik koordinátája xk(t), melynek értéke 0, ha a k-adik csúcs S típusú, illetve 1, ha I típusú. Jelölje a gráf szomszédsági mátrixát A. Ekkor az Ax(t) vektor azt adja meg, hogy az egyes csú-csoknak hányI szomszédjuk van. Mivel csak azS csúcsok esetében van szükségünk az I típusú szomszédok számára, azért ezt a vektort koordinátánként megszorozzuk az e−x(t) vektorral, ahol e a csupa egyesből álló vektor. A koordinátánként való szorzásra vezessük be a∗ jelölést:
x∗y= (x1y1, x2y2, . . . , xNyN).
Így az Ax(t)∗(e−x(t)) vektor S csúcsokhoz tartozó koordinátái azt adják meg, hogy az S csúcsoknak hány I típusú szomszédjuk van, azon koordinátái pedig nul-lák, amelyek az x(t) vektorban I csúcsoknak felelnek meg. Mind a fertőzést és a gyógyulást független Poisson-folyamatnak tekintjük. Ez azt jelenti, hogy egy rövid
∆t idő alatt1−exp(−mτ∆t) annak a valószínűsége, hogy egyS csúcs, melynek m darabI szomszédja van, megfertőződik. Itt aτ számot nevezzük fertőzési rátának.
Hasonlóan, egy rövid ∆t idő alatt 1−exp(−γ∆t) annak a valószínűsége, hogy egy I csúcs meggyógyul. Aγ számot gyógyulási rátának nevezzük. Megjegyezzük, hogy a gyógyulás a szomszédok állapotától, és így a gráftól is független. A Monte-Carlo szimuláció során tehát generálunk egy r ∈ [0,1]N véletlen számokból álló vektort.
Tekintsük a gráf egy csúcsát, jelölje ennek sorszámátj, és nézzük először azt az ese-tet, amikor ez a csúcs atidőpontban S típusú, azazxj(t) = 0. At+ ∆tidőpontban ez a csúcsI típusú lesz, azaz megfertőződik, ha
rj <1−exp (−(Ax(t)∗(e−x(t)))jτ∆t).
Nézzük most azt az esetet, amikor ez a csúcs atidőpontbanI típusú, azazxj(t) = 1.
At+ ∆tidőpontban ez a csúcsS típusú lesz, azaz meggyógyul, ha rj <1−exp(−γ∆t).
A ∆tszámot kellően kicsire kell választani ahhoz, hogy a Monte-Carlo szimulációk sokszori megismétlése jól közelítse a Poisson-folyamatot. Ennek numerikus részle-tei nem képezik a dolgozat tárgyát, annyit azonban érdemes megemlíteni, hogy a
∆t megfelelő választását ellenőrizhetjük azzal is, hogy a szimuláció során ∆t idő alatt csak egy csúcsnál történjen változás. Amennyiben a∆telegendően kicsi, akkor használhatjuk az 1−exp(−x) = x lineáris közelítést. Ennek segítségével könnyen
felírható, hogy mi annak feltétele, hogy a j-edik csúcsban változás történjen, neve-zetesen
rj <(Ax(t)∗(e−x(t))τ +x(t)γ)j∆t.
Legyenv∈ {0,1}N olyan vektor, amelynek azonjkoordinátáinál van 1, ahol a fenti feltétel fennáll, a többi koordinátája 0. Képlettel megadva
v= 1
2(sign[Ax(t)∗(e−x(t))τ∆t+x(t)γ∆t−r] +e),
ahol asign függvényt egy vektorra koordinátánként alkalmazzuk. Av vektor tehát azt adja meg, hogy a[t, t+ ∆t]időintervallumban mely csúcsoknál történik változás.
A változást megadó vektor pedige−2x(t), ugyanis ebben a vektorban azScsúcsoknál +1, az I csúcsoknál pedig−1szerepel. Így ∆t idő elteltével az állapotvektor
x(t+ ∆t) =x(t) +v∗(e−2x(t)) (4.20) lesz. A Monte-Carlo szimuláció algoritmusa tehát a következő. Megadunk egy kez-deti x(0) állapotot, illetve egy M lépésszámot, és a fenti képlettel meghatározzuk a ∆t,2∆t, . . . M∆t időpontokban az állapotvektort. A szimulációt kellően sokszor megismételve, és az eredmények átlagát véve a folyamat jó közelítését kapjuk.
Ha véletlen gráfon zajló folyamatot modellezünk, akkor az algoritmus valamivel bonyolultabb. Ekkor ugyanis sem a gráf szomszédsági mátrixa, A, sem a kezdeti állapotvektor x(0) nem rögzített. A szomszédsági mátrix helyett mátrixok egy A halmaza adott, ez adja meg, hogy milyen típusú véletlen gráfról van szó. A szimulá-ció ekkor a következőképpen zajlik. Véletlenszerűen választunk egy A∈ Amátrixot (általában egyenletes eloszlás szerint, vagy generálunk egy gráfot az A halmazból), majd generálunk egy véletlen kezdeti állapotot, szintén valamilyen előírt halmazból (legtöbbször azt írjuk elő, hogy hány egyes legyen benne). Ezután a (4.20) képlet alapján kiszámítjuk az állapotvektort a ∆t,2∆t, . . . M∆t időpontokban. Ezt meg-ismételjük kellően sokszor, de minden esetben új A ∈ A mátrixot és x(0) kezdeti állapotot generálunk.
A numerikus szimulációval kapott eredményeket különböző gráfok esetében a 4.2.
és 4.3. ábrákon láthatjuk.
5. fejezet
SIS dinamika általános gráfon
Tekintsünk ismét egy N csúcsú, irányítatlan, hurokélmentes gráfot, szomszédsági mátrixát jelöljeG∈ {0,1}N2, azazgij = 1, amennyiben aziésjcsúcs össze vannak kötve, egyébként pedig gij = 0. A hálózaton SIS típusú járványterjedést fogunk vizsgálni, azaz a gráf csúcsai kétféle állapotban, fertőző (I), illetve egészséges (S), lehetnek. A gráf egy csúcsának állapota kétféleképpen változhat: egyI típusú csúcs adott valószínűséggel meggyógyul, azaz S típusú lesz, illetve egy S típusú csúcsot azI típusú szomszédai valamilyen valószínűséggel megfertőznek és maga is I típusú lesz. A gráf összes lehetséges állapotainak 2N elemű halmaza alkotja az állapotte-ret, melyen a fenti átmenetek egy Markov-láncot határoznak meg. A fertőzési rátát szokásos módon τ, a gyógyulási rátát pedig γ fogja jelölni. A következő alfejezet-ben ezen Markov-lánc alapegyenletét fogjuk felírni tetszőleges gráf esetén. A gráf tetszőleges voltát azért hangsúlyozzuk, mert az irodalomban, Sharkey más megköze-lítést alkalmazó dolgozatait kivéve [132, 133], csak speciális gráfok esetén írták fel az alapegyenletet, tetszőleges gráfra az alapegyenletet a [188] dolgozatban adtuk meg.
5.1. Alapegyenletek
Egy adott időpontban minden csúcs egészséges(S)vagy fertőző(I), ezért a rendszer állapota egyN hosszúságú vektorral adható meg, melynek minden elemeS vagyI. Így a Markov-lánc állapottere azS ={S, I}N vagy S ={0,1}N, 2N elemet tartal-mazó halmaz. A rendszer dinamikáját az átmenet mátrix határozza meg, amely azt adja meg, hogy az egyes állapotokból milyen valószínűséggel jut a rendszer egységnyi idő alatt egy másik állapotba. A folyamatot folytonos idejűnek tekintve az átmenet mátrix segítségével felírható az alapegyenlet, amely egy lineáris differenciálegyenlet-rendszer az egyes állapotok valószínűségeire. Ennek felírásához először célszerű a2N elemet tartalmazó állapotteret a következő N + 1 részhalmazra felbontani. Legyen S0 az az állapot, amelyben minden csúcs S típusú, azaz S0 = (S, S, . . . , S). Je-lölje Sk azon állapotok halmazát, amelyekben k darab I típusú csúcs van. Az Sk részhalmazban tehát Nk
állapot van. Végül jelölje SN a csupa I csúcsból álló álla-potot, azazSN = (I, I, . . . , I). AzSkrészhalmaz elemeit jelöljeS1k,S2k, . . . ,Sckk, ahol ck = Nk
. Az Sjk állapotban az l-edik csúcs típusát jelölje Sjk(l), tehát Sjk(l) = S, vagySjk(l) =I. Amint fent említettük, a rendszer állapota kétféleképpen változhat.
67
• Fertőzés: Egy S csúcs I típusú lesz, ami Sjk → Sik+1 típusú átmenet, ahol j és iolyanok, hogy ∃l, amelyre Sjk(l) =S, Sik+1(l) = I, és Sjk(m) =Sik+1(m)
∀ m6=l. Továbbá∃ r6=l, amelyreSjk(r) =I ésglr= 1(azaz van(S, I)típusú él azl ésr csúcs között).
• Gyógyulás: EgyI csúcs S típusú lesz, amiSjk → Sik−1 típusú átmenet, ahol j és iolyanok, hogy ∃l, amelyre Sjk(l) =I,Sik−1(l) =S, és Sjk(m) =Sik−1(m)
∀ m 6= l. Ez azt jelenti, hogy az Sjk és Sik−1 állapotok csak egy csúcsnál, nevezetesen az l-edik csúcsnál különböznek.
A folyamatot egy folytonos idejű Markov-lánccal fogjuk leírni. Jelölje Xjk(t) annak valószínűségét, hogy atidőpontban a rendszer azSjkállapotban van. Legyen
Xk(t) = (X1k(t), X2k(t), . . . , Xckk(t))
a k beteget tartalmazó állapotok valószínűségeit tartalmazó ck-dimenziós vektor, k = 0,1, . . . , N. A fenti átmenetek az Xjk(t) függvényekre egy lineáris, állandó együtthatós differenciálegyenlet-rendszert határoznak meg, ezt fogjuk alapegyenlet-nek, vagy master egyenletnek nevezni. Mivel az átmenetek során a fertőző csúcsok száma legfeljebb eggyel változhat, azért az alapegyenlet az alábbi blokk-tridiagonális alakba írható.
X˙k=AkXk−1+BkXk+CkXk+1, k= 0,1, . . . , N, (5.1) ahol A0 ésCN zérus mátrixok. A fenti egyenlet mátrix alakja
X˙ =P X, ahol
P =
B0 C0 0 0 0 0
A1 B1 C1 0 0 0 0 A2 B2 C2 0 0 0 0 A3 B3 C3 0 ... ... · · · ...
0 0 · · · AN BN
.
Megjegyezzük, hogy az irodalomban gyakran a P mátrix transzponáltját használ-ják, ez esetben X nem oszlop, hanem sorvektor, mi azonban a differenciálegyenlet-rendszerek hagyományainak megfelelően a változók oszlopvektoros jelölését fogjuk használni.
AzAk mátrixok írják le a fertőzés, aCkmátrixok pedig a gyógyulás folyamatát.
A hálózat szerkezete azAkmátrixokban tükröződik. Ezen mátrixok elemeit az alábbi módon lehet meghatározni. Jelölje Aki,j az Ak mátrix i-edik soránakj-edik elemét.
Ez a szám adja meg azSjk−1 állapotból azSikállapotba történő átmenet rátáját. Az Sk−1 osztálynak ck−1, azSk osztálynak pedig ck eleme van, ezért az Ak mátrixnak ck sora és ck−1 oszlopa van. Az Aki,j elem pontosan akkor nem nulla, ha az Sjk−1
és Sik állapotok csak egy csúcsban térnek el egymástól, legyen ez az l-edik csúcs, és
5.1. ALAPEGYENLETEK 69 fennáll Sjk−1(l) = S,Sik(l) =I, valamint Sjk−1(m) = Sik(m) minden m 6= l esetén.
Továbbá léteznie kell olyanr 6=l számnak, amelyreSjk−1(r) =I ésglr = 1(azaz az l-edik ésr-edik csúcsot egy (S, I) él köti össze). Ebben az esetben
Aki,j =τ·#{r ∈ {1,2, . . . , N}:Sjk−1(r) =I, glr= 1}. (5.2) Az Ak mátrix felépítésének szemléltetéséhez tekintsünk egy Sjk−1 állapotot, és vá-lasszunk egy olyanl indexet, melyreSjk−1(l) =S, azaz azl csúcs S típusú. Ezután gyűjtsük össze azon i∈ {1,2, . . . , ck} indexeket, melyekre az Sjk−1 és Sik állapotok csak az l csúcsnál különböznek, azazSik(l) =I ésSjk−1(m) =Sik(m) minden m6=l esetén. Jelölje q azon csúcsok számát, melyek az Sjk−1 állapotban I típusúak, és össze vannak kötve azl csúccsal, ami S típusú. Ekkor Aki,j =τ q. Megismételve ezt az eljárást minden olyanl ∈ {1,2, . . . , N} számra, melyre Sjk−1(l) = S, észrevehet-jük, hogy azSjk−1 állapotban az(S, I) élek számátτ-val megszorozva, az Ak mátrix j-edik oszlopának összegét kapjuk. Tehát minden j∈ {1,2, . . . , ck−1} esetén fennáll
ck
X
i=1
Aki,j =τ NSI(Sjk−1), (5.3) aholNSI(Sjk−1) jelöli azSjk−1 állapotban az(S, I) élek számát.
JelöljeCi,jk aCkmátrixi-edik soránakj-edik elemét. Ez a szám adja meg azSjk+1 állapotból azSik állapotba történő átmenet rátáját. AzSk+1osztálynakck+1, azSk osztálynak pedigck eleme van, ezért aCk mátrixnakck sora ésck+1 oszlopa van. A Ci,jk elem pontosan akkor nem nulla, ha az Sjk+1 ésSik állapotok csak egy csúcsban térnek el egymástól, legyen ez az l-edik csúcs, és fennáll Sjk+1(l) = I, Sik(l) = S, valamint Sjk+1(m) =Sik(m) minden m 6=l esetén. Ebben az esetben Ci,jk = γ. Az Sjk+1 állapotban a gráfnakk+ 1darabI típusú csúcsa van, ezért aCkmátrix j-edik oszlopában összesen k+ 1 elem van, amelyek egyenlőek γ-val, a többi elem pedig nulla. Így bármelyj∈ {1,2, . . . , ck+1} esetén fennáll
ck
X
i=1
Ci,jk =γ(k+ 1). (5.4)
A Bk mátrixok diagonálisak ck darab sorral és oszloppal. Ugyanis a Bk mátrix elemei azSik → Sjk típusú átmenetek rátáit adják meg, ezek viszont csak abban az esetben nem nullák, hai=j. ABkmátrix átlójában szereplő elemeket az határozza meg, hogy a P mátrix minden oszlopában az elemek összege nulla. Így az átló elemeire a következőt kapjuk
Bi,ik =−
cXk+1
j=1
Ak+1j,i −
cXk−1
j=1
Cj,ik−1. (5.5)
Érdemes azN = 3 csúccsal rendelkező teljes gráf (háromszög gráf) esetén felírni az alapegyenletet. Ekkor az állapottérnek 23 eleme van, amelyeket a fenti módon
négy osztályba sorolhatunk be az I típusú csúcsok száma szerint. Ebben az esetben
Az egyes részmátrixokat a fenti szabályok alapján elkészítve az alábbiakat kapjuk.
B0 = 0
Itt például azA2mátrix első oszlopának elemei(τ τ 0)az alábbi átmenetek rátáit adják: SSI →SII,SSI→ISI ésSSI →IIS. Az első két átmenet esetében azért szerepelτ, mert azSSIállapotban a második, illetve az első,Stípusú csúcsnak egyI típusú szomszédja van. A harmadik átmenet nem valósulhat meg, mert a két állapot között több, mint egy helyen van különbség. Az (5.1) lineáris differenciálegyenlet-rendszer az alábbi alakba írható
X˙0 = B0X0+C0X1,
X˙1 = A1X0+B1X1+C1X2, X˙2 = A2X1+B2X2+C2X3, X˙3 = A3X2+B3X3.
5.2. AZ ALAPEGYENLETEK EGYSZERŰSÍTÉSE ÖSSZEVONÁSSAL 71 Az X1 ésX2 vektorokhoz tartozó egyenleteket koordinátánként kiírva, és szemléle-tesebb jelölésekre áttérve az alapegyenlet a következő alakot ölti.
X˙SSS = γ(XSSI+XSIS+XISS), Az átmenet mátrix tehát a következő
P = A három csúcsú teljes gráfhoz hasonlóan tetszőleges gráf esetén elkészíthető az SIS típusú dinamikát leíró Markov-lánc alapegyenlete. Készítettünk egy MATLAB programot, amely a gráf szomszédsági mátrixából kiindulva előállítja a P átmenet mátrixot. Fontos megjegyezni, hogy ez csak kisebb gráfok esetén használható, hiszen például egy N = 20csúcsú gráf esetén aP mátrix már220 méretű.
Mivel a feladat könnyen kezelhetetlen méretűvé válhat, azért a továbbiakban azt mutatjuk meg, hogy bizonyos gráfok esetén az exponenciális méretű feladat polino-miális méretűvé tehető.
5.2. Az alapegyenletek egyszerűsítése összevonással
Megfelelő tulajdonságú, nagyméretű lineáris közönséges differenciálegyenlet-rendsze-rekből úgynevezett összevonással (lumping) előállítható olyan kisebb méretű lineá-ris rendszer, amelynek megoldása az eredeti nagyméretű rendszer megoldásairól is szolgáltat információt. A továbbiakban megmutatjuk, hogy ez alkalmazható az alap-egyenletre, amennyiben a gráf automorfizmus csoportja kellően nagy. Látni fogjuk, hogy ilyen gráfoknál az egyenletek száma2N-ről akárO(N)-re, vagyO(Nk)-ra csök-kenthető. Ezeket az eredményeinket a [188] dolgozatunk tartalmazza. A módszer lényegét célszerű először egy kisméretű gráfon megmutatni.
5.2.1. Összevonás három csúcsú teljes gráf esetén
Három csúccsal rendelkező teljes gráf esetén a P mátrixot az (5.6) egyenlet adja, melynek segítségével felírhatók az alapegyenletek az X0, X1, X2, X3 függvényekre.
Az összevonás lényege az alábbi új függvények bevezetése:
x0 =X0, x1 =X11+X21+X31, x2=X12+X22+X32, x3 =X3.
Adjuk össze az X11, X21, X31 változókra vonatkozó differenciálegyenleteket, illetve az X12, X22, X32változókra vonatkozó differenciálegyenleteket. Ekkor az imént bevezetett x0, x1, x2, x3 függvényekre az alábbi 4-változós lineáris differenciálegyenlet-rendszert kapjuk
˙
x0 = γx1,
˙
x1 = 2γx2−(2τ+γ)x1,
˙
x2 = 3γx3+ 2τ x1−2(τ +γ)x2,
˙
x3 = 2τ x2−3γx3.
Az összevonással kapott rendszer x˙ =Qx alakba írható, ahol
Q=
0 γ 0 0
0 −2τ −γ 2γ 0
0 2τ −2(τ +γ) 3γ
0 0 2τ −3γ
.
AQmátrix elemeit az Ak,Bk ésCkmátrixok oszlopösszegeiből kapjuk. Ha például az x1→ x2 átmenetet tekintjük, akkor azx2-re vonatkozó differenciálegyenletben a 2τ x1 tagot az
A2 =
τ τ 0 τ 0 τ 0 τ τ
mátrix oszlopösszegeiből kapjuk. Esetünkben, és mint később látni fogjuk, az álta-lános esetben is, az összevonás feltétele az, hogy az A2 mátrix minden oszlopának összege ugyanannyi legyen. Az összevonás során az eredeti 8 változós rendszerből egy 4 változós rendszert kaptunk, ami nyilván információvesztéssel jár, azonban az alkal-mazás szempontjából fontos mennyiség, nevezetesen az egészséges és fertőző csúcsok számának várható értéke [S](t)és[I](t) a 4-változós rendszerből is meghatározható, hiszen
[I](t) =x1(t) + 2x2(t) + 3x3(t), [S](t) = 3x0(t) + 2x1(t) +x2(t).
A továbbiakban ezt az egyszerű gondolatmenetet általánosítjuk tetszőleges gráf-ra. Mielőtt azonban ezt megtennénk, ismertetjük az összevonás módszerét általános lineáris differenciálegyenlet esetén.
5.2. AZ ALAPEGYENLETEK EGYSZERŰSÍTÉSE ÖSSZEVONÁSSAL 73 5.2.2. Lineáris differenciálegyenletek összevonása
Legyen A egy tetszőleges n×n méretű mátrix, és tekintsük az X˙ = AX lineáris differenciálegyenlet-rendszert.
5.1. Definíció. Az X˙ =AX lineáris rendszert összevonhatónak nevezzük, ha meg-adható az{1,2, . . . , n}halmaz olyan{L1, L2, . . . , Lm}partíciója, amely rendelkezik az alábbi tulajdonságokkal. Az {1,2, . . . , m} halmaz bármely j és l eleméhez van olyanBjl szám, melyre
Bjl= X
i∈Lj
Air,∀r ∈Ll,
azaz a fenti összeg nem függ r választásától, amennyiben r ∈ Ll. Az m×m-es B mátrixot nevezzük az A mátrix összevonásának, és azY˙ =BY lineáris differenciál-egyenletet az eredetiX˙ =AX rendszer összevonásának.
A rendszer összevonhatóságát jellemzi az alábbi Állítás.
5.1. Állítás. Ha aB mátrix azAösszevonásával keletkezett, akkor megadható olyan m×n méretű T mátrix, melyre T A=BT.
Bizonyítás: Definiáljuk a T mátrixot a következőképpen. Ha i∈Lj, akkor legyen Tji = 1, a T többi eleme pedig legyen nulla. Ekkor a T A mátrix j-edik sorának r-edik eleme
(T A)jr= Xn
i=1
TjiAir= X
i∈Lj
Air =Bjl, aholl olyan index, amelyrer ∈Ll.
A BT mátrix j-edik soránakr-edik eleme (BT)jr=
Xm
k=1
BjkTkr=Bjl,
ahollolyan index, amelyrer∈Ll, feltéve, hogyT minden oszlopában pontosan egy helyen szerepel 1, a többi elem 0. Ez utóbbi tény egyszerűen következik abból, hogy {L1, L2, . . . , Lm} egy partíció.
A mátrix összevonhatósága a következő módon vonja maga után a differenciálegyen-let-rendszer összevonhatóságát.
5.2. Állítás. LegyenB azn×nméretűAmátrix összevonásával keletkezettm×m-es mátrix, és legyenT az a mátrix, amelyre fennáll T A=BT. A T mátrix segítségével vezessük be az eredeti X vektor m dimenziós összevonását a következőképpen: Y = T X. Ekkor a t7→Y(t) függvény teljesíti azY˙ =BY lineáris differenciálegyenletet.
Bizonyítás: AzY függvényt deriválva, és felhasználva, hogyXteljesíti azX˙ =AX lineáris rendszert
Y˙ =TX˙ =T AX=BT X=BY.
A lineáris rendszer összevonásához tehát a fázistér egy 5.1. Definíciónak megfelelő partícióját kell megadni. A partíció ismeretében egyszerűen előállítható a T mát-rix, majd annak segítségével az összevont rendszerB mátrixa. Azonban a megfelelő partíció meghatározása általánosságban igen nehéz feladat. A következő szakasz-ban visszatérünk az SIS típusú dinamikával tetszőleges gráfra felírt alapegyenlet P mátrixának összevonhatóságához. Ekkor tehát egy tetszőlegesAmátrix összevonása helyett a speciális szerkezetű P mátrix összevonásáról lesz szó. Megmutatjuk, hogy a megfelelő partíció hogyan állítható elő a gráf automorfizmuscsoportjának ismere-tében.
5.2.3. Az SIS dinamikához tartozó alapegyenlet összevonása a gráf automorfizmusainak segítségével
Tekintsük ismét az (5.1) lineáris rendszert, amelyben aP mátrix blokk-tridiagonális struktúrájú. Erre a rendszerre fogjuk most alkalmazni az összevonás előző szakaszban ismertetett általános módszerét, kihasználva a mátrix blokk-tridiagonális struktúrá-ját. Induljunk ki a fázistér speciális felépítéséből. Az előző szakaszban a fázistér általánosan az{1,2, . . . , n}halmaz volt. AzSIS dinamika ésN csúcsú gráf esetén a fázistér2N elemű, azonban az{1,2, . . . ,2N}halmaz helyett tekintsük az 5.1 szakasz elején bevezetett S halmazt fázistérnek. Ugyanis ezt a halmazt azI csúcsok száma szerint elő lehet állítani S = ∪Sk alakban, amely felbontást célszerű az összevonás során is megőrizni, azért, hogy az összevonás után is meg lehessen határozni az I típusú csúcsok számának várható értékét. Ugyanis egy tetszőleges összevonás során előfordulhat, hogy olyan mértékű az információvesztés, ami az összevonást haszon-talanná teszi. Például a triviális összevonás esetén, amikor a T mátrix egy csupa egyesből álló sorvektor, az összevonással kapottB mátrix1×1méretű nulla mátrix, ugyanis a P mátrix minden oszlopa zéró összegű. Így az összevont rendszerből csak azt lehet megtudni, hogy minden időpontban az állapotok valószínűségeinek összege egy, azonban például az I típusú csúcsok számának várható értéke nem határozható meg belőle. Mivel számunkra ennek meghatározása az egyik cél, azért a továbbiak-ban csak olyan összevonásokat tekintünk megengedettnek, amelyek megőrzik az I típusú csúcsok számát. Ez azt jelenti, hogy a partíciót csak úgy lehet megválasztani, hogy egy osztályba csak olyan állapotok kerülhetnek, amelyekben azI csúcsok száma azonos. Ezt fejezi ki a következő definíció.
5.2. Definíció. Az (5.1) lineáris rendszer (illetve a megfelelő Markov-lánc) összevon-ható, ha az S fázistérnek van olyan {L1, L2, . . . , Lm} partíciója, amely rendelkezik az alábbi két tulajdonsággal.
1. Bármelyl számhoz létezik olyan k, amelyreLl⊂ Sk.
2. Bármelyj, l∈ {1,2, . . . , m} számokhoz van olyanQjl, amelyre Qjl= X
i∈Lj
Pir, ∀r ∈Ll, (5.7)
azaz a fenti összeg nem függ r választásától, amennyiben r∈Ll. Az m×m méretűQ mátrixot nevezzük aP összevonásának.
5.2. AZ ALAPEGYENLETEK EGYSZERŰSÍTÉSE ÖSSZEVONÁSSAL 75 Megjegyezzük, hogy a Definíció első részében az eredeti rendszer fázisterének az S halmazt tekintjük, a második részben viszont a fázisteret az{1,2, . . . ,2N}halmazzal azonosítjuk. Ezen kettősség elkerülése érdekében célszerű a partíció osztályaira az alábbi jelölést használni. Azokat az osztályokat, amelyek az Sk részhalmazai jelölje Lk1, Lk2, . . . , Lkl
k. Ekkor fenn kell állnia annak, hogy Sk = Lk1 ∪Lk2 ∪. . .∪Lkl
k, és a partícióban az összes osztályok számam=l0+l1+. . .+lN. Érdemes megemlíteni, hogy mindig fennáll l0 = lN = 1, mivel S0 és SN részhalmazok egy eleműek. Az osztályok ezen új jelölésével a Definíció első része automatikusan teljesül, a második rész pedig azAk és Ck mátrixok segítségével az alábbi módon fejezhető ki.
5.1. Lemma. Az (5.1) lineáris rendszer összevonható, ha mindenk∈ {0,1,2, . . . , N} esetén megadható azSk halmaz olyan Lk1, Lk2, . . . , Lklk partíciója, amely rendelkezik a következő tulajdonságokkal.
Bármely p ∈ {1,2, . . . , lk−1} és r ∈ {1,2, . . . , lk} esetén létezik olyan Akrp szám, amelyre
Akrp = X
Sik∈Lkr
Akij, ∀ Skj−1 ∈Lkp−1, (5.8) azaz a fenti összeg független j-től, amennyiben Sjk−1∈Lkp−1.
Bármely p ∈ {1,2, . . . , lk+1} és r ∈ {1,2, . . . , lk} esetén létezik olyan Ckrp szám, amelyre
Ckrp = X
Ski∈Lkr
Cijk, ∀ Sk+1j ∈Lk+1p , (5.9)
azaz a fenti összeg független j-től, amennyiben Sjk+1∈Lk+1p .
Bizonyítás: Amint fent említettük, csak azt kell igazolni, hogy az 5.2. Definíció második feltétele teljesül. Tekintsünk két tetszőleges osztályt, legyenek ezekLj ésLl. Az osztályok új jelölése szerint létezik olyank∈ {0,1,2, . . . , N}ésr∈ {1,2, . . . , lk}, hogyLj =Lkr, valamint létezik olyan h∈ {0,1,2, . . . , N} és p∈ {1,2, . . . , lh}, hogy Ll=Lhp. Az (5.1) egyenletben szereplőP mátrix blokk-tridiagonális szerkezete miatt a következő négy esetet érdemes külön-külön kezelni: h = k−1,h =k, h =k+ 1 vagy h értéke ettől eltérő. Ugyanis, tekintve a lehetséges átmeneteket, amelyekkel a rendszer egy Sk halmazhoz tartozó állapotba juthat, nyilvánvaló, hogy az Sk−1 halmazhoz tartozó állapotokból kerülhet ide fertőzéssel, azSk+1 halmazhoz tartozó állapotokból pedig gyógyulással. A többi Sl halmazból, azaz l ∈ {0,1,2, . . . , N} \ {k−1, k+ 1}esetén nem juthat ide.
A továbbiakban mind a négy esetre külön megmutatjuk, hogy fennáll az össze-vonás definíciójában szereplő (5.7) egyenlet. A h =k−1 esetben aP mátrix azon része, amely az (5.7) egyenletben szereplő indexekhez tartozik az Ak mátrix része, ezért az (5.7) egyenlet ekvivalens az (5.8) egyenlettel. Ah=k+ 1esetben aP mát-rix azon része, amely az (5.7) egyenletben szereplő indexekhez tartozik aCk mátrix része, ezért az (5.7) egyenlet ekvivalens az (5.9) egyenlettel. A h =k esetben a P mátrix azon része, amely az (5.7) egyenletben szereplő indexekhez tartozik aBk mát-rix része, ezért az (5.7) egyenlet ekvivalens a következővel. Bármelyp∈ {1,2, . . . , lk}
ésr ∈ {1,2, . . . , lk} számhoz van olyanBkrp, amelyre Bkrp= X
Sik∈Lkr
Bijk, ∀ Sjk ∈Lkp. (5.10) Az utóbbi egyenletet az (5.8) és (5.9) egyenletekből kapjuk, az (5.16) felhasználá-sával, azaz figyelembe véve, hogy a P mátrix oszlopainak összege zérus. Végül, ha
Bijk, ∀ Sjk ∈Lkp. (5.10) Az utóbbi egyenletet az (5.8) és (5.9) egyenletekből kapjuk, az (5.16) felhasználá-sával, azaz figyelembe véve, hogy a P mátrix oszlopainak összege zérus. Végül, ha