为何要放弃固定速率?
固定速率泊松(Poisson)过程把相同的期望计数分配给每一段等长区间。若某项服务的流量在早上逐渐增加,深夜又下降,这个假设便不合适。我们可以保留不相交区间的计数互相独立,却让期望计数取决于区间所处的位置。此时,“速率乘时间”应由确定性速率的积分取代。
关键是分清日历时间与累积的到达机会。静默期间,日历时间继续前进,但机会时钟暂停;流量高时,机会时钟走得较快。让普通速率一泊松过程依照第二个时钟运行,便得到所需模型。这个构造也能证明各条公式,而不只是提供记忆方法。
预备知识是齐次泊松过程、基本积分与条件概率。
强度与累积强度
固定观察期限 T > 0 T>0 T > 0 。设 λ : [ 0 , T ] → [ 0 , ∞ ) \lambda:[0,T]\to[0,\infty) λ : [ 0 , T ] → [ 0 , ∞ ) 可测且可积,定义
Λ ( t ) = ∫ 0 t λ ( u ) d u , 0 ≤ t ≤ T . \Lambda(t)=\int_0^t\lambda(u)\,du,\qquad 0\le t\le T. Λ ( t ) = ∫ 0 t λ ( u ) d u , 0 ≤ t ≤ T . 以此为强度的非齐次泊松过程,是路径右连续、非递减、跳幅为一,满足 N ( 0 ) = 0 N(0)=0 N ( 0 ) = 0 、具有独立增量,且
N ( t ) − N ( s ) ∼ Poisson ( Λ ( t ) − Λ ( s ) ) ( 0 ≤ s ≤ t ≤ T ) N(t)-N(s)\sim\operatorname{Poisson}(\Lambda(t)-\Lambda(s))
\quad(0\le s\le t\le T) N ( t ) − N ( s ) ∼ Poisson ( Λ ( t ) − Λ ( s )) ( 0 ≤ s ≤ t ≤ T ) 的计数过程。参数为零的泊松变量恒等于零。路径正则性是定义的一部分;以下构造将证明具有这些性质的过程确实存在。
可积性是有限期限上排除无限多次到达的条件。累积强度有限、连续、绝对连续且非递减,但不必严格递增。在勒贝格(Lebesgue)测度为零的集合上改变 λ \lambda λ ,不会改变 Λ \Lambda Λ 或过程的分布;在单一时刻指定一个速率值,不会在该时刻制造到达原子。
强度的单位是每单位时间的事件数,Λ ( t ) − Λ ( s ) \Lambda(t)-\Lambda(s) Λ ( t ) − Λ ( s ) 则是期望事件数。因此
E N ( t ) = Var ( N ( t ) ) = Λ ( t ) , Cov ( N ( s ) , N ( t ) ) = Λ ( s ) ( s ≤ t ) . \mathbb EN(t)=\operatorname{Var}(N(t))=\Lambda(t),\qquad
\operatorname{Cov}(N(s),N(t))=\Lambda(s)\quad(s\le t). E N ( t ) = Var ( N ( t )) = Λ ( t ) , Cov ( N ( s ) , N ( t )) = Λ ( s ) ( s ≤ t ) .
协方差公式来自 N ( t ) = N ( s ) + [ N ( t ) − N ( s ) ] N(t)=N(s)+[N(t)-N(s)] N ( t ) = N ( s ) + [ N ( t ) − N ( s )] ,以及括号内增量与 N ( s ) N(s) N ( s ) 独立。增量独立,不等于总计数 N ( s ) N(s) N ( s ) 与 N ( t ) N(t) N ( t ) 独立。
构造过程并证明分布
设 Y Y Y 是速率一的齐次泊松过程,则
N ( t ) = Y ( Λ ( t ) ) , 0 ≤ t ≤ T , N(t)=Y(\Lambda(t)),\qquad 0\le t\le T, N ( t ) = Y ( Λ ( t )) , 0 ≤ t ≤ T , 是具有指定强度的非齐次泊松过程。其有限维分布由增量分布与增量独立性唯一决定,且在 [ 0 , T ] [0,T] [ 0 , T ] 上几乎必然只有有限多次到达。
对有序日历时刻 0 = t 0 < t 1 < ⋯ < t m ≤ T 0=t_0<t_1<\cdots<t_m\le T 0 = t 0 < t 1 < ⋯ < t m ≤ T ,累积时刻也依序排列,但可能相等。增量
Y ( Λ ( t j ) ) − Y ( Λ ( t j − 1 ) ) Y(\Lambda(t_j))-Y(\Lambda(t_{j-1})) Y ( Λ ( t j )) − Y ( Λ ( t j − 1 )) 是速率一时钟中不相交区间的计数,故为独立泊松变量,参数为 Λ ( t j ) − Λ ( t j − 1 ) \Lambda(t_j)-\Lambda(t_{j-1}) Λ ( t j ) − Λ ( t j − 1 ) 。长度为零的区间贡献恒为零的变量,不会破坏独立性。把增量相加便还原 ( N ( t 1 ) , … , N ( t m ) ) (N(t_1),\ldots,N(t_m)) ( N ( t 1 ) , … , N ( t m )) ,所以同时证明了分布公式及其唯一性。
路径非递减。Λ \Lambda Λ 的连续性与单调性,连同 Y Y Y 的右连续性,给出合成路径的右连续性。由于 Λ \Lambda Λ 连续,时钟不能跳过一段非空的运行时间,故不能把多次不同的运行时钟到达合成一个跳跃。平坦段也不会增加跳跃,因为运行计数在该段保持不变。最后,N ( T ) = Y ( Λ ( T ) ) N(T)=Y(\Lambda(T)) N ( T ) = Y ( Λ ( T )) 几乎必然是有限的泊松变量,因此整段观察期间的跳跃次数有限。
证明透视
每个假设负责哪一步? 单调性把不相交的日历区间放进不相交的运行区间;时间变换是确定性的,让我们可以直接使用原来的独立增量定理。连续性防止跳过运行时间而产生多重跳幅。Λ ( T ) \Lambda(T) Λ ( T ) 有限则排除爆炸。不需要处处 λ > 0 \lambda>0 λ > 0 :积分强度为零的区间就是没有到达的区间。若时钟本身依赖同一到达过程,便必须重新证明独立性。
在满足 Λ ( t + h ) − Λ ( t ) = λ ( t ) h + o ( h ) \Lambda(t+h)-\Lambda(t)=\lambda(t)h+o(h) Λ ( t + h ) − Λ ( t ) = λ ( t ) h + o ( h ) (h ↓ 0 h\downarrow0 h ↓ 0 )的点 t < T t<T t < T ,令 a h = Λ ( t + h ) − Λ ( t ) a_h=\Lambda(t+h)-\Lambda(t) a h = Λ ( t + h ) − Λ ( t ) 。计数分布给出
Pr ( N ( t + h ) − N ( t ) = 1 ) = a h e − a h = λ ( t ) h + o ( h ) , \Pr(N(t+h)-N(t)=1)=a_he^{-a_h}=\lambda(t)h+o(h), Pr ( N ( t + h ) − N ( t ) = 1 ) = a h e − a h = λ ( t ) h + o ( h ) ,
Pr ( N ( t + h ) − N ( t ) ≥ 2 ) = 1 − e − a h ( 1 + a h ) = o ( h ) . \Pr(N(t+h)-N(t)\ge2)=1-e^{-a_h}(1+a_h)=o(h). Pr ( N ( t + h ) − N ( t ) ≥ 2 ) = 1 − e − a h ( 1 + a h ) = o ( h ) .
因此这个局部解释在 λ \lambda λ 的每个连续点成立;对可积强度,它几乎处处成立。但若任取可测函数的代表元,就不能要求它在每个指定点成立。真正的定义是积分增量分布;口语说法“概率为 λ ( t ) d t \lambda(t)\,dt λ ( t ) d t ”不能取代必要假设,更不能取代增量独立性。
观察时刻之后的下一次到达
固定一个确定性 时刻 s < T s<T s < T ,以 F s \mathcal F_s F s 表示截至 s s s 所有计数生成的信息。定义下一次可观察等待时间 W s W_s W s 为从 s s s 到 ( s , T ] (s,T] ( s , T ] 中首次到达的时间;若该区间没有到达,则令 W s = ∞ W_s=\infty W s = ∞ 。这里的无限值记录在 T T T 截尾,没有断言未指定的过程在 T T T 之后如何运行。
定理 1.5.3
(等待存活函数及其可能缺少的质量)
对 0 ≤ w ≤ T − s 0\le w\le T-s 0 ≤ w ≤ T − s ,几乎必然有
Pr ( W s > w ∣ F s ) = exp [ − ∫ s s + w λ ( u ) d u ] . \Pr(W_s>w\mid\mathcal F_s)
=\exp\left[-\int_s^{s+w}\lambda(u)\,du\right]. Pr ( W s > w ∣ F s ) = exp [ − ∫ s s + w λ ( u ) d u ] . W s W_s W s 在有限支撑部分的密度为
f s ( w ) = λ ( s + w ) exp [ − Λ ( s + w ) + Λ ( s ) ] 对几乎所有 0 < w < T − s . f_s(w)=\lambda(s+w)\exp[-\Lambda(s+w)+\Lambda(s)]
\quad\text{对几乎所有 }0<w<T-s. f s ( w ) = λ ( s + w ) exp [ − Λ ( s + w ) + Λ ( s )] 对几乎所有 0 < w < T − s . 其剩余质量为
Pr ( W s = ∞ ) = e − [ Λ ( T ) − Λ ( s ) ] . \Pr(W_s=\infty)=e^{-[\Lambda(T)-\Lambda(s)]}. Pr ( W s = ∞ ) = e − [ Λ ( T ) − Λ ( s )] .
事件 W s > w W_s>w W s > w 恰好表示 N ( s + w ) − N ( s ) = 0 N(s+w)-N(s)=0 N ( s + w ) − N ( s ) = 0 。这个增量与 F s \mathcal F_s F s 独立,其零计数概率就是所列指数式。对整段历史的独立性,可先由独立增量证明它与每一组有限个过往计数独立,再用通常的单调类延伸到这些变量生成的 σ \sigma σ -代数。绝对连续性及链式法则,让我们对“一减存活函数”几乎处处微分,得到密度。其积分为
∫ 0 T − s f s ( w ) d w = 1 − e − [ Λ ( T ) − Λ ( s ) ] . \int_0^{T-s}f_s(w)\,dw=1-e^{-[\Lambda(T)-\Lambda(s)]}. ∫ 0 T − s f s ( w ) d w = 1 − e − [ Λ ( T ) − Λ ( s )] . 余下部分正是 ( s , T ] (s,T] ( s , T ] 的零计数事件。由于 Λ \Lambda Λ 连续,有限端点没有额外原子。
确定性时刻 s s s 之后的未来与已观察的过去独立,但分布仍依赖 s s s 。固定强度令存活函数对实际时长 w w w 呈指数形式,变动强度通常不会。上述固定时刻论证本身,并不是任意随机观察时刻的定理。
若考虑无限期限,改为假设 λ \lambda λ 在每个有限区间都可积,相同构造便在每个有限时刻成立。若 L = ∫ 0 ∞ λ ( u ) d u < ∞ L=\int_0^\infty\lambda(u)\,du<\infty L = ∫ 0 ∞ λ ( u ) d u < ∞ ,总到达数为参数 L L L 的泊松变量,s s s 之后永不再到达的概率为 e − [ L − Λ ( s ) ] > 0 e^{-[L-\Lambda(s)]}>0 e − [ L − Λ ( s )] > 0 。事实上,Y ( Λ ( t ) ) Y(\Lambda(t)) Y ( Λ ( t )) 几乎必然递增至 Y ( L ) Y(L) Y ( L ) ,因为速率一泊松过程在固定点 L L L 没有跳跃。若 L = ∞ L=\infty L = ∞ ,则每个确定性时刻 s s s 之后几乎必然存在下一次到达。这些是无限期限模型的结论,与有限观察截尾不同。
在整条半直线上取 λ ( t ) = e − t \lambda(t)=e^{-t} λ ( t ) = e − t 。求永远没有到达的概率、总共至少到达两次的概率,以及给定截至 s s s 没有到达后,首次到达在 s s s 之后有限时间内发生的概率。
总累积强度为一,总计数故为 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) 。前两问为 e − 1 e^{-1} e − 1 及 1 − 2 e − 1 1-2e^{-1} 1 − 2 e − 1 。给定空的过去,未来计数仍独立于过去,其积分强度为 ∫ s ∞ e − u d u = e − s \int_s^\infty e^{-u}\,du=e^{-s} ∫ s ∞ e − u d u = e − s 。因此其后有有限首次到达的概率为 1 − e − e − s 1-e^{-e^{-s}} 1 − e − e − s 。互补质量在这个无限期限模型中,代表真正无限的等待时间。
反转时钟,不假设速率严格为正
设 E 1 , E 2 , … E_1,E_2,\ldots E 1 , E 2 , … 为独立的速率一指数变量,S n = E 1 + ⋯ + E n S_n=E_1+\cdots+E_n S n = E 1 + ⋯ + E n 为 Y Y Y 的到达时刻。实际第 n n n 次到达可构造为
A n = inf { t ∈ [ 0 , T ] : Λ ( t ) ≥ S n } , A_n=\inf\{t\in[0,T]:\Lambda(t)\ge S_n\}, A n = inf { t ∈ [ 0 , T ] : Λ ( t ) ≥ S n } ,
并约定空集的下确界为无限大。非递减连续时钟即使没有普通反函数,仍有广义反函数。在此构造中,{ A n ≤ t } = { S n ≤ Λ ( t ) } \{A_n\le t\}=\{S_n\le\Lambda(t)\} { A n ≤ t } = { S n ≤ Λ ( t )} ,所以
Pr ( A n > t ) = e − Λ ( t ) ∑ k = 0 n − 1 Λ ( t ) k k ! . \Pr(A_n>t)=e^{-\Lambda(t)}\sum_{k=0}^{n-1}\frac{\Lambda(t)^k}{k!}. Pr ( A n > t ) = e − Λ ( t ) k = 0 ∑ n − 1 k ! Λ ( t ) k .
事实上,A n A_n A n 恰好是 N = Y ∘ Λ N=Y\circ\Lambda N = Y ∘ Λ 的第 n n n 次到达,因为事件恒等式也可写成 { A n ≤ t } = { N ( t ) ≥ n } \{A_n\le t\}=\{N(t)\ge n\} { A n ≤ t } = { N ( t ) ≥ n } 。平坦段不会带来歧义:若运行到达恰等于平坦高度,两种定义都把实际到达放在平坦段左端。这种相等几乎必然不会发生:极大的非平凡平坦区间只有可数多个,因为内部互不相交且各含有理数,而每个 S n S_n S n 的分布连续。即使时钟暂停,也不需要普通反函数。
若只要生成确定性 s s s 之后的下一次到达,可抽取一个新的 E ∼ Exp ( 1 ) E\sim\operatorname{Exp}(1) E ∼ Exp ( 1 ) ,然后用广义反函数解
Λ ( s + w ) − Λ ( s ) = E . \Lambda(s+w)-\Lambda(s)=E. Λ ( s + w ) − Λ ( s ) = E .
若阈值超过 Λ ( T ) − Λ ( s ) \Lambda(T)-\Lambda(s) Λ ( T ) − Λ ( s ) ,则期限内没有可观察到达。指数抽样给的是“累积强度的等待量”,不是日历时间的等待量。
概念视角 分析
两个时钟,两种间隔 运行间隔 E n E_n E n 是独立同分布的指数变量。日历间隔 A n − A n − 1 A_n-A_{n-1} A n − A n − 1 则是把它们的累积和送进非线性广义反函数后得到,故一般既不同分布,也不独立。运行时钟的平坦段,在日历时间中插入一段确定的静默期。这不需要指数变量具有原子或固定间隔。
带静默区间的计算例子
观察至 T = 3 T=3 T = 3 ,取
λ ( t ) = { 2 t , 0 ≤ t < 1 , 0 , 1 ≤ t < 2 , 2 , 2 ≤ t ≤ 3. Λ ( t ) = { t 2 , 0 ≤ t ≤ 1 , 1 , 1 ≤ t ≤ 2 , 1 + 2 ( t − 2 ) , 2 ≤ t ≤ 3. \lambda(t)=
\begin{cases}
2t,&0\le t<1,\\
0,&1\le t<2,\\
2,&2\le t\le3.
\end{cases}
\qquad
\Lambda(t)=
\begin{cases}
t^2,&0\le t\le1,\\
1,&1\le t\le2,\\
1+2(t-2),&2\le t\le3.
\end{cases} λ ( t ) = ⎩ ⎨ ⎧ 2 t , 0 , 2 , 0 ≤ t < 1 , 1 ≤ t < 2 , 2 ≤ t ≤ 3. Λ ( t ) = ⎩ ⎨ ⎧ t 2 , 1 , 1 + 2 ( t − 2 ) , 0 ≤ t ≤ 1 , 1 ≤ t ≤ 2 , 2 ≤ t ≤ 3. ( 0 , 1 ] (0,1] ( 0 , 1 ] 、( 1 , 2 ] (1,2] ( 1 , 2 ] 、( 2 , 3 ] (2,3] ( 2 , 3 ] 的计数独立,分别服从 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) 、恒零及 Poisson ( 2 ) \operatorname{Poisson}(2) Poisson ( 2 ) 。因此 N ( 3 ) ∼ Poisson ( 3 ) N(3)\sim\operatorname{Poisson}(3) N ( 3 ) ∼ Poisson ( 3 ) ,且 Pr ( N ( 3 ) = 2 ) = 9 e − 3 / 2 \Pr(N(3)=2)=9e^{-3}/2 Pr ( N ( 3 ) = 2 ) = 9 e − 3 /2 。等长区间具有不同分布:增量独立性保留下来,平稳性则没有。
假设已观察至 s = 1 / 2 s=1/2 s = 1/2 。下一次可观察等待满足
Pr ( W 1 / 2 > w ∣ F 1 / 2 ) = { e − [ ( 1 / 2 + w ) 2 − 1 / 4 ] , 0 ≤ w ≤ 1 / 2 , e − 3 / 4 , 1 / 2 ≤ w ≤ 3 / 2 , e − [ 3 / 4 + 2 ( w − 3 / 2 ) ] , 3 / 2 ≤ w ≤ 5 / 2. \Pr(W_{1/2}>w\mid\mathcal F_{1/2})=
\begin{cases}
e^{-[(1/2+w)^2-1/4]},&0\le w\le1/2,\\
e^{-3/4},&1/2\le w\le3/2,\\
e^{-[3/4+2(w-3/2)]},&3/2\le w\le5/2.
\end{cases} Pr ( W 1/2 > w ∣ F 1/2 ) = ⎩ ⎨ ⎧ e − [( 1/2 + w ) 2 − 1/4 ] , e − 3/4 , e − [ 3/4 + 2 ( w − 3/2 )] , 0 ≤ w ≤ 1/2 , 1/2 ≤ w ≤ 3/2 , 3/2 ≤ w ≤ 5/2. 中段保持常数,表示停机期间不可能发生首次到达。没有下一次可观察到达的概率是 e − 11 / 4 e^{-11/4} e − 11/4 。不论 1 / 2 1/2 1/2 之前记录了什么计数,这些条件公式都相同。
直接模拟首次到达时,运行阈值 E = 1 / 2 E=1/2 E = 1/2 给出 A 1 = 1 / 2 A_1=1/\sqrt2 A 1 = 1/ 2 ;阈值 E = 3 / 2 E=3/2 E = 3/2 越过静默期,给出 A 1 = 2 + 1 / 4 = 9 / 4 A_1=2+1/4=9/4 A 1 = 2 + 1/4 = 9/4 ;阈值 E = 17 / 5 > 3 E=17/5>3 E = 17/5 > 3 则表示观察期限内没有到达。这些是代入样本阈值的计算,没有声称指数变量恰取某一实数具有正概率。
给定总计数后的到达位置
增量分布还有另一个实用结果。令 L = Λ ( T ) > 0 L=\Lambda(T)>0 L = Λ ( T ) > 0 ,把 [ 0 , T ] [0,T] [ 0 , T ] 分成有限个互不相交的时间区间 I j I_j I j ,其积分强度为 a j a_j a j 。独立泊松计数 K j K_j K j 在给定总数为 n n n 后,具有概率质量
Pr ( K 1 = k 1 , … , K m = k m ∣ N ( T ) = n ) = n ! k 1 ! ⋯ k m ! ∏ j = 1 m ( a j L ) k j , ∑ j k j = n . \Pr(K_1=k_1,\ldots,K_m=k_m\mid N(T)=n)
=\frac{n!}{k_1!\cdots k_m!}\prod_{j=1}^m\left(\frac{a_j}{L}\right)^{k_j},
\qquad \sum_jk_j=n. Pr ( K 1 = k 1 , … , K m = k m ∣ N ( T ) = n ) = k 1 ! ⋯ k m ! n ! j = 1 ∏ m ( L a j ) k j , j ∑ k j = n .
推导方法是把各区间的 e − a j a j k j / k j ! e^{-a_j}a_j^{k_j}/k_j! e − a j a j k j / k j ! 相乘,再除以 e − L L n / n ! e^{-L}L^n/n! e − L L n / n ! 。零强度区间的计数必为零,其概率因子按此解读。这正是 n n n 个独立时刻、各有密度 λ ( t ) / L \lambda(t)/L λ ( t ) / L 时的分配律。这个分配恒等式对每个有限区间分割都成立,因而决定有限点配置的分布。给定 N ( T ) = n N(T)=n N ( T ) = n 的有序到达,便是这些独立时刻的次序统计量。当 n ≥ 2 n\ge2 n ≥ 2 时,有序到达时刻本身并不独立。
在上述模型中,给定时间三之前恰有一次到达,它位于 ( 2 , 3 ] (2,3] ( 2 , 3 ] 的概率为 2 / 3 2/3 2/3 。其日历时间密度在 ( 0 , 1 ) (0,1) ( 0 , 1 ) 为 2 t / 3 2t/3 2 t /3 ,在 ( 1 , 2 ) (1,2) ( 1 , 2 ) 为零,在 ( 2 , 3 ) (2,3) ( 2 , 3 ) 为 2 / 3 2/3 2/3 。它并非在长度三的窗口上均匀分布。均匀性属于累积时间;实际时间则按强度分配权重。
在 [ 0 , 2 ] [0,2] [ 0 , 2 ] 上取 λ ( t ) = t \lambda(t)=t λ ( t ) = t 。给定 N ( 2 ) = 3 N(2)=3 N ( 2 ) = 3 ,求三次到达全部位于 ( 1 , 2 ] (1,2] ( 1 , 2 ] 的概率。给出此条件下单个未排序到达位置的密度,并解释为何三个排序位置不独立。
积分强度为 Λ ( 2 ) = 2 \Lambda(2)=2 Λ ( 2 ) = 2 ,Λ ( 2 ) − Λ ( 1 ) = 3 / 2 \Lambda(2)-\Lambda(1)=3/2 Λ ( 2 ) − Λ ( 1 ) = 3/2 。每个条件未排序位置落入 ( 1 , 2 ] (1,2] ( 1 , 2 ] 的概率为 3 / 4 3/4 3/4 ,故三个全落入的概率为 ( 3 / 4 ) 3 = 27 / 64 (3/4)^3=27/64 ( 3/4 ) 3 = 27/64 。单个位置的密度是 t / 2 t/2 t /2 (0 < t < 2 0<t<2 0 < t < 2 )。把三个独立抽样排序,产生几乎必然成立的 A 1 < A 2 < A 3 A_1<A_2<A_3 A 1 < A 2 < A 3 ,从而造成依赖。明确地,Pr ( A 1 > 1 ∣ N ( 2 ) = 3 ) = 27 / 64 > 0 \Pr(A_1>1\mid N(2)=3)=27/64>0 Pr ( A 1 > 1 ∣ N ( 2 ) = 3 ) = 27/64 > 0 ,而 Pr ( A 2 > 1 ∣ A 1 > 1 , N ( 2 ) = 3 ) = 1 \Pr(A_2>1\mid A_1>1,N(2)=3)=1 Pr ( A 2 > 1 ∣ A 1 > 1 , N ( 2 ) = 3 ) = 1 ,但 Pr ( A 2 > 1 ∣ N ( 2 ) = 3 ) = 54 / 64 < 1 \Pr(A_2>1\mid N(2)=3)=54/64<1 Pr ( A 2 > 1 ∣ N ( 2 ) = 3 ) = 54/64 < 1 。最后一值可由一减去 ( 0 , 1 ] (0,1] ( 0 , 1 ] 有两次或三次到达的二项概率得到。
修正常见误解
反例模式
随机速率改变依赖结构 先抽取一个共同随机速率 R R R ,各以一半概率取零或二;给定 R R R 后,运行该速率的齐次泊松过程。两段不相交、长度一的区间计数 X , Z X,Z X , Z 在给定 R R R 后独立,但
E ( X Z ) = E R 2 = 2 , E X E Z = ( E R ) 2 = 1. \mathbb E(XZ)=\mathbb ER^2=2,\qquad
\mathbb EX\,\mathbb EZ=(\mathbb ER)^2=1. E ( X Z ) = E R 2 = 2 , E X E Z = ( E R ) 2 = 1. 所以协方差为一。甚至单一区间的零计数概率也是 ( 1 + e − 2 ) / 2 (1+e^{-2})/2 ( 1 + e − 2 ) /2 ,而非 e − 1 e^{-1} e − 1 。对共同随机速率取平均,不会得到确定性强度为 E R \mathbb ER E R 的非齐次泊松过程。
另外三个错误来自逐点解读强度,或用一个汇总数字取代强度。
孤立一点的速率为零,不能说明附近是否有到达,因为在单一时刻改动 λ \lambda λ 既不改变 Λ \Lambda Λ ,也不改变过程。静默时段需要积分为零:若 Λ ( t ) − Λ ( s ) = 0 \Lambda(t)-\Lambda(s)=0 Λ ( t ) − Λ ( s ) = 0 ,则 ( s , t ] (s,t] ( s , t ] 内几乎必然没有到达。
用 [ 0 , T ] [0,T] [ 0 , T ] 上的平均速率 Λ ( T ) / T \Lambda(T)/T Λ ( T ) / T 取代 λ ( t ) \lambda(t) λ ( t ) ,只保留 N ( T ) N(T) N ( T ) 的分布;中间计数与到达位置通常都会改变。在静默区间模型中平均速率为一,会令 N ( 2 ) − N ( 1 ) N(2)-N(1) N ( 2 ) − N ( 1 ) 服从 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) ,而不是恒为零。
有限期限的等待密度积分小于一,因为“没有可观察的下一次到达”也是可能结果。把密度除以其积分,得到的是给定观察到一次到达时的条件分布,回答的是另一个问题。在静默区间模型中从 s = 1 / 2 s=1/2 s = 1/2 开始观察,缺少的质量是 e − 11 / 4 e^{-11/4} e − 11/4 。
练习
快速检查
(设 λ ( t ) = 3 t 2 \lambda(t)=3t^2 λ ( t ) = 3 t 2 ,0 ≤ t ≤ 2 0\le t\le2 0 ≤ t ≤ 2 。求 N ( 2 ) − N ( 1 ) N(2)-N(1) N ( 2 ) − N ( 1 ) 的分布、给定 N ( 1 ) = 4 N(1)=4 N ( 1 ) = 4 时 ( 1 , 2 ] (1,2] ( 1 , 2 ] 没有到达的条件概率,以及 Pr ( A 2 > 1 ) \Pr(A_2>1) Pr ( A 2 > 1 ) 。)
先求 Λ ( t ) \Lambda(t) Λ ( t ) ,再用事件等式处理 A 2 A_2 A 2 。
解答 Λ ( t ) = t 3 \Lambda(t)=t^3 Λ ( t ) = t 3 ,所以增量为 Poisson ( 7 ) \operatorname{Poisson}(7) Poisson ( 7 ) ,由独立性,条件零到达概率为 e − 7 e^{-7} e − 7 。又 { A 2 > 1 } = { N ( 1 ) ≤ 1 } \{A_2>1\}=\{N(1)\le1\} { A 2 > 1 } = { N ( 1 ) ≤ 1 } ,而 N ( 1 ) ∼ Poisson ( 1 ) N(1)\sim\operatorname{Poisson}(1) N ( 1 ) ∼ Poisson ( 1 ) ,故答案为 2 e − 1 2e^{-1} 2 e − 1 。时间一之前的计数不会改变未来的七单位累积强度。
快速检查
(对静默区间例子,观察者从 s = 3 / 2 s=3/2 s = 3/2 开始。求下一次可观察等待在 0 ≤ w ≤ 3 / 2 0\le w\le3/2 0 ≤ w ≤ 3/2 上的存活函数及其为无限大的概率。为何不能直接使用速率二的指数等待?)
先找出 s s s 之后 Λ \Lambda Λ 开始增加的时刻。
解答 日历时间二之前不能到达,即至少等待 1 / 2 1/2 1/2 。存活函数在 0 ≤ w ≤ 1 / 2 0\le w\le1/2 0 ≤ w ≤ 1/2 为一,在 1 / 2 ≤ w ≤ 3 / 2 1/2\le w\le3/2 1/2 ≤ w ≤ 3/2 为 e − 2 ( w − 1 / 2 ) e^{-2(w-1/2)} e − 2 ( w − 1/2 ) 。没有可观察到达的概率为 e − 2 e^{-2} e − 2 。立即启动的速率二指数等待,会给等待短于 1 / 2 1/2 1/2 正概率,与停机事实矛盾。
快速检查
(拟取 λ ( t ) = 1 / ( 1 − t ) \lambda(t)=1/(1-t) λ ( t ) = 1/ ( 1 − t ) ,0 ≤ t < 1 0\le t<1 0 ≤ t < 1 。时间变换构造在时间一之前给出什么?为何它不满足闭区间 [ 0 , 1 ] [0,1] [ 0 , 1 ] 上的有限期限假设?)
对 t < 1 t\lt1 t < 1 求 Λ ( t ) \Lambda(t) Λ ( t ) ,再令 t ↑ 1 t\uparrow1 t ↑ 1 。
解答 对 t < 1 t<1 t < 1 ,Λ ( t ) = − log ( 1 − t ) < ∞ \Lambda(t)=-\log(1-t)<\infty Λ ( t ) = − log ( 1 − t ) < ∞ ,故每个此类时刻都有有限泊松计数。但当 t ↑ 1 t\uparrow1 t ↑ 1 ,Λ ( t ) → ∞ \Lambda(t)\to\infty Λ ( t ) → ∞ 。由于 u → ∞ u\to\infty u → ∞ 时 Y ( u ) → ∞ Y(u)\to\infty Y ( u ) → ∞ 几乎必然,时间一之前会累积无限多次到达。拟用速率在 [ 0 , 1 ] [0,1] [ 0 , 1 ] 不可积,故不能在该闭期限上给出取有限值、非爆炸的计数过程。端点之前每个时刻的累积强度有限,不代表端点的累积强度有限。
联系与范围
取 Λ ( t ) = λ t \Lambda(t)=\lambda t Λ ( t ) = λ t 便回到齐次过程。确定性非线性时钟保留增量独立性,但通常消除增量平稳性与日历间隔的指数性。积分形式容许可测速率和静默期,无须引入人造点质量。随机强度、任意随机时刻条件化、数据估计及更新过程的剩余寿命理论,需要额外论证,不在本篇范围内。