為何要放棄固定速率?
固定速率泊松(Poisson)過程把相同的期望計數分配給每一段等長區間。若某項服務的流量在早上逐漸增加,深夜又下降,這個假設便不合適。我們可以保留不相交區間的計數互相獨立,卻讓期望計數取決於區間所處的位置。此時,「速率乘時間」應由確定性速率的積分取代。
關鍵是分清日曆時間與累積的到達機會。靜默期間,日曆時間繼續前進,但機會時鐘暫停;流量高時,機會時鐘走得較快。讓普通速率一泊松過程依照第二個時鐘運行,便得到所需模型。這個構造也能證明各條公式,而不只是提供記憶方法。
先備知識是齊次泊松過程、基本積分與條件概率。
強度與累積強度
固定觀察期限 T > 0 T>0 T > 0 。設 λ : [ 0 , T ] → [ 0 , ∞ ) \lambda:[0,T]\to[0,\infty) λ : [ 0 , T ] → [ 0 , ∞ ) 可測且可積,定義
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 . 以此為強度的非齊次泊松過程,是路徑右連續、非遞減、跳幅為一,滿足 N ( 0 ) = 0 N(0)=0 N ( 0 ) = 0 、具有獨立增量,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 ) 的計數過程。參數為零的泊松變量恆等於零。路徑正則性是定義的一部分;以下構造將證明具有這些性質的過程確實存在。
可積性是有限期限上排除無限多次到達的條件。累積強度有限、連續、絕對連續且非遞減,但不必嚴格遞增。在勒貝格(Lebesgue)測度為零的集合上改變 λ \lambda λ ,不會改變 Λ \Lambda Λ 或過程的分佈;在單一時刻指定一個速率值,不會在該時刻製造到達原子。
強度的單位是每單位時間的事件數,Λ ( t ) − Λ ( s ) \Lambda(t)-\Lambda(s) Λ ( t ) − Λ ( s ) 則是期望事件數。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 ) .
協方差公式來自 N ( t ) = N ( s ) + [ N ( t ) − N ( s ) ] N(t)=N(s)+[N(t)-N(s)] N ( t ) = N ( s ) + [ N ( t ) − N ( s )] ,以及括號內增量與 N ( s ) N(s) N ( s ) 獨立。增量獨立,不等於總計數 N ( s ) N(s) N ( s ) 與 N ( t ) N(t) N ( t ) 獨立。
構造過程並證明分佈
設 Y Y Y 是速率一的齊次泊松過程,則
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 , 是具有指定強度的非齊次泊松過程。其有限維分佈由增量分佈與增量獨立性唯一決定,且在 [ 0 , T ] [0,T] [ 0 , T ] 上幾乎必然只有有限多次到達。
對有序日曆時刻 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 ,累積時刻也依序排列,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 )) 是速率一時鐘中不相交區間的計數,故為獨立泊松變量,參數為 Λ ( t j ) − Λ ( t j − 1 ) \Lambda(t_j)-\Lambda(t_{j-1}) Λ ( t j ) − Λ ( t j − 1 ) 。長度為零的區間貢獻恆為零的變量,不會破壞獨立性。把增量相加便還原 ( N ( t 1 ) , … , N ( t m ) ) (N(t_1),\ldots,N(t_m)) ( N ( t 1 ) , … , N ( t m )) ,所以同時證明了分佈公式及其唯一性。
路徑非遞減。Λ \Lambda Λ 的連續性與單調性,連同 Y Y Y 的右連續性,給出合成路徑的右連續性。由於 Λ \Lambda Λ 連續,時鐘不能跳過一段非空的運行時間,故不能把多次不同的運行時鐘到達合成一個跳躍。平坦段也不會增加跳躍,因為運行計數在該段保持不變。最後,N ( T ) = Y ( Λ ( T ) ) N(T)=Y(\Lambda(T)) N ( T ) = Y ( Λ ( T )) 幾乎必然是有限的泊松變量,因此整段觀察期間的跳躍次數有限。
證明透視
每個假設負責哪一步? 單調性把不相交的日曆區間放進不相交的運行區間;時間變換是確定性的,讓我們可以直接使用原來的獨立增量定理。連續性防止跳過運行時間而產生多重跳幅。Λ ( T ) \Lambda(T) Λ ( T ) 有限則排除爆炸。不需要處處 λ > 0 \lambda>0 λ > 0 :積分強度為零的區間就是沒有到達的區間。若時鐘本身依賴同一到達過程,便必須重新證明獨立性。
在滿足 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 )的點 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 ) 。計數分佈給出
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 ) .
因此這個局部解釋在 λ \lambda λ 的每個連續點成立;對可積強度,它幾乎處處成立。但若任取可測函數的代表元,就不能要求它在每個指定點成立。真正的定義是積分增量分佈;口語說法「概率為 λ ( t ) d t \lambda(t)\,dt λ ( t ) d t 」不能取代必要假設,更不能取代增量獨立性。
觀察時刻之後的下一次到達
固定一個確定性 時刻 s < T s<T s < T ,以 F s \mathcal F_s F s 表示截至 s s s 所有計數生成的資訊。定義下一次可觀察等待時間 W s W_s W s 為從 s s s 到 ( s , T ] (s,T] ( s , T ] 中首次到達的時間;若該區間沒有到達,則令 W s = ∞ W_s=\infty W s = ∞ 。這裏的無限值記錄在 T T T 截尾,沒有斷言未指定的過程在 T T T 之後如何運行。
定理 1.5.3
(等待存活函數及其可能缺少的質量)
對 0 ≤ w ≤ T − s 0\le w\le T-s 0 ≤ w ≤ T − s ,幾乎必然有
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 在有限支撐部分的密度為
f s ( w ) = λ ( s + w ) exp [ − Λ ( s + w ) + Λ ( s ) ] 對幾乎所有 0 < w < T − s . f_s(w)=\lambda(s+w)\exp[-\Lambda(s+w)+\Lambda(s)]
\quad\text{對幾乎所有 }0<w<T-s. f s ( w ) = λ ( s + w ) exp [ − Λ ( s + w ) + Λ ( s )] 對幾乎所有 0 < w < T − s . 其剩餘質量為
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 。這個增量與 F s \mathcal F_s F s 獨立,其零計數概率就是所列指數式。對整段歷史的獨立性,可先由獨立增量證明它與每一組有限個過往計數獨立,再用通常的單調類延伸到這些變量生成的 σ \sigma σ -代數。絕對連續性及鏈式法則,讓我們對「一減存活函數」幾乎處處微分,得到密度。其積分為
∫ 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 )] . 餘下部分正是 ( s , T ] (s,T] ( s , T ] 的零計數事件。由於 Λ \Lambda Λ 連續,有限端點沒有額外原子。
確定性時刻 s s s 之後的未來與已觀察的過去獨立,但分佈仍依賴 s s s 。固定強度令存活函數對實際時長 w w w 呈指數形式,變動強度通常不會。上述固定時刻論證本身,並不是任意隨機觀察時刻的定理。
若考慮無限期限,改為假設 λ \lambda λ 在每個有限區間都可積,相同構造便在每個有限時刻成立。若 L = ∫ 0 ∞ λ ( u ) d u < ∞ L=\int_0^\infty\lambda(u)\,du<\infty L = ∫ 0 ∞ λ ( u ) d u < ∞ ,總到達數為參數 L L L 的泊松變量,s s s 之後永不再到達的概率為 e − [ L − Λ ( s ) ] > 0 e^{-[L-\Lambda(s)]}>0 e − [ L − Λ ( s )] > 0 。事實上,Y ( Λ ( t ) ) Y(\Lambda(t)) Y ( Λ ( t )) 幾乎必然遞增至 Y ( L ) Y(L) Y ( L ) ,因為速率一泊松過程在固定點 L L L 沒有跳躍。若 L = ∞ L=\infty L = ∞ ,則每個確定性時刻 s s s 之後幾乎必然存在下一次到達。這些是無限期限模型的結論,與有限觀察截尾不同。
在整條半直線上取 λ ( t ) = e − t \lambda(t)=e^{-t} λ ( t ) = e − t 。求永遠沒有到達的概率、總共至少到達兩次的概率,以及給定截至 s s s 沒有到達後,首次到達在 s s s 之後有限時間內發生的概率。
總累積強度為一,總計數故為 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) 。前兩問為 e − 1 e^{-1} e − 1 及 1 − 2 e − 1 1-2e^{-1} 1 − 2 e − 1 。給定空的過去,未來計數仍獨立於過去,其積分強度為 ∫ s ∞ e − u d u = e − s \int_s^\infty e^{-u}\,du=e^{-s} ∫ s ∞ e − u d u = e − s 。因此其後有有限首次到達的概率為 1 − e − e − s 1-e^{-e^{-s}} 1 − e − e − s 。互補質量在這個無限期限模型中,代表真正無限的等待時間。
反轉時鐘,不假設速率嚴格為正
設 E 1 , E 2 , … E_1,E_2,\ldots E 1 , E 2 , … 為獨立的速率一指數變量,S n = E 1 + ⋯ + E n S_n=E_1+\cdots+E_n S n = E 1 + ⋯ + E n 為 Y Y Y 的到達時刻。實際第 n n n 次到達可構造為
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 } ,
並約定空集的下確界為無限大。非遞減連續時鐘即使沒有普通反函數,仍有廣義反函數。在此構造中,{ 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 .
事實上,A n A_n A n 恰好是 N = Y ∘ Λ N=Y\circ\Lambda N = Y ∘ Λ 的第 n n n 次到達,因為事件恆等式也可寫成 { A n ≤ t } = { N ( t ) ≥ n } \{A_n\le t\}=\{N(t)\ge n\} { A n ≤ t } = { N ( t ) ≥ n } 。平坦段不會帶來歧義:若運行到達恰等於平坦高度,兩種定義都把實際到達放在平坦段左端。這種相等幾乎必然不會發生:極大的非平凡平坦區間只有可數多個,因為內部互不相交且各含有理數,而每個 S n S_n S n 的分佈連續。即使時鐘暫停,也不需要普通反函數。
若只要生成確定性 s s s 之後的下一次到達,可抽取一個新的 E ∼ Exp ( 1 ) E\sim\operatorname{Exp}(1) E ∼ Exp ( 1 ) ,然後用廣義反函數解
Λ ( s + w ) − Λ ( s ) = E . \Lambda(s+w)-\Lambda(s)=E. Λ ( s + w ) − Λ ( s ) = E .
若閾值超過 Λ ( T ) − Λ ( s ) \Lambda(T)-\Lambda(s) Λ ( T ) − Λ ( s ) ,則期限內沒有可觀察到達。指數抽樣給的是「累積強度的等待量」,不是日曆時間的等待量。
概念視角 分析
兩個時鐘,兩種間隔 運行間隔 E n E_n E n 是獨立同分佈的指數變量。日曆間隔 A n − A n − 1 A_n-A_{n-1} A n − A n − 1 則是把它們的累積和送進非線性廣義反函數後得到,故一般既不同分佈,也不獨立。運行時鐘的平坦段,在日曆時間中插入一段確定的靜默期。這不需要指數變量具有原子或固定間隔。
帶靜默區間的計算例子
觀察至 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 ] 的計數獨立,分別服從 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) 、恆零及 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 。等長區間具有不同分佈:增量獨立性保留下來,平穩性則沒有。
假設已觀察至 s = 1 / 2 s=1/2 s = 1/2 。下一次可觀察等待滿足
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. 中段保持常數,表示停機期間不可能發生首次到達。沒有下一次可觀察到達的概率是 e − 11 / 4 e^{-11/4} e − 11/4 。不論 1 / 2 1/2 1/2 之前記錄了甚麼計數,這些條件公式都相同。
直接模擬首次到達時,運行閾值 E = 1 / 2 E=1/2 E = 1/2 給出 A 1 = 1 / 2 A_1=1/\sqrt2 A 1 = 1/ 2 ;閾值 E = 3 / 2 E=3/2 E = 3/2 越過靜默期,給出 A 1 = 2 + 1 / 4 = 9 / 4 A_1=2+1/4=9/4 A 1 = 2 + 1/4 = 9/4 ;閾值 E = 17 / 5 > 3 E=17/5>3 E = 17/5 > 3 則表示觀察期限內沒有到達。這些是代入樣本閾值的計算,沒有聲稱指數變量恰取某一實數具有正概率。
給定總計數後的到達位置
增量分佈還有另一個實用結果。令 L = Λ ( T ) > 0 L=\Lambda(T)>0 L = Λ ( T ) > 0 ,把 [ 0 , T ] [0,T] [ 0 , T ] 分成有限個互不相交的時間區間 I j I_j I j ,其積分強度為 a j a_j a j 。獨立泊松計數 K j K_j K j 在給定總數為 n n n 後,具有概率質量
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 .
推導方法是把各區間的 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 ! 。零強度區間的計數必為零,其概率因子按此解讀。這正是 n n n 個獨立時刻、各有密度 λ ( t ) / L \lambda(t)/L λ ( t ) / L 時的分配律。這個分配恆等式對每個有限區間分割都成立,因而決定有限點配置的分佈。給定 N ( T ) = n N(T)=n N ( T ) = n 的有序到達,便是這些獨立時刻的次序統計量。當 n ≥ 2 n\ge2 n ≥ 2 時,有序到達時刻本身並不獨立。
在上述模型中,給定時間三之前恰有一次到達,它位於 ( 2 , 3 ] (2,3] ( 2 , 3 ] 的概率為 2 / 3 2/3 2/3 。其日曆時間密度在 ( 0 , 1 ) (0,1) ( 0 , 1 ) 為 2 t / 3 2t/3 2 t /3 ,在 ( 1 , 2 ) (1,2) ( 1 , 2 ) 為零,在 ( 2 , 3 ) (2,3) ( 2 , 3 ) 為 2 / 3 2/3 2/3 。它並非在長度三的窗口上均勻分佈。均勻性屬於累積時間;實際時間則按強度分配權重。
在 [ 0 , 2 ] [0,2] [ 0 , 2 ] 上取 λ ( t ) = t \lambda(t)=t λ ( t ) = t 。給定 N ( 2 ) = 3 N(2)=3 N ( 2 ) = 3 ,求三次到達全部位於 ( 1 , 2 ] (1,2] ( 1 , 2 ] 的概率。給出此條件下單個未排序到達位置的密度,並解釋為何三個排序位置不獨立。
積分強度為 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 。每個條件未排序位置落入 ( 1 , 2 ] (1,2] ( 1 , 2 ] 的概率為 3 / 4 3/4 3/4 ,故三個全落入的概率為 ( 3 / 4 ) 3 = 27 / 64 (3/4)^3=27/64 ( 3/4 ) 3 = 27/64 。單個位置的密度是 t / 2 t/2 t /2 (0 < t < 2 0<t<2 0 < t < 2 )。把三個獨立抽樣排序,產生幾乎必然成立的 A 1 < A 2 < A 3 A_1<A_2<A_3 A 1 < A 2 < A 3 ,從而造成依賴。明確地,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 。最後一值可由一減去 ( 0 , 1 ] (0,1] ( 0 , 1 ] 有兩次或三次到達的二項概率得到。
修正常見誤解
反例模式
隨機速率改變依賴結構 先抽取一個共同隨機速率 R R R ,各以一半概率取零或二;給定 R R R 後,運行該速率的齊次泊松過程。兩段不相交、長度一的區間計數 X , Z X,Z X , Z 在給定 R R R 後獨立,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. 所以協方差為一。甚至單一區間的零計數概率也是 ( 1 + e − 2 ) / 2 (1+e^{-2})/2 ( 1 + e − 2 ) /2 ,而非 e − 1 e^{-1} e − 1 。對共同隨機速率取平均,不會得到確定性強度為 E R \mathbb ER E R 的非齊次泊松過程。
另外三個錯誤來自逐點解讀強度,或以一個摘要數字取代強度。
孤立一點的速率為零,不能說明附近是否有到達,因為在單一時刻改動 λ \lambda λ 既不改變 Λ \Lambda Λ ,也不改變過程。靜默時段需要積分為零:若 Λ ( t ) − Λ ( s ) = 0 \Lambda(t)-\Lambda(s)=0 Λ ( t ) − Λ ( s ) = 0 ,則 ( s , t ] (s,t] ( s , t ] 內幾乎必然沒有到達。
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 ) 的分佈;中途計數與到達位置通常都會改變。在靜默區間模型中平均速率為一,會令 N ( 2 ) − N ( 1 ) N(2)-N(1) N ( 2 ) − N ( 1 ) 服從 Poisson ( 1 ) \operatorname{Poisson}(1) Poisson ( 1 ) ,而不是恆為零。
有限期限的等待密度積分小於一,因為「沒有可觀察的下一次到達」也是可能結果。把密度除以其積分,得到的是給定觀察到一次到達時的條件分佈,回答的是另一個問題。在靜默區間模型中從 s = 1 / 2 s=1/2 s = 1/2 開始觀察,缺少的質量是 e − 11 / 4 e^{-11/4} e − 11/4 。
練習
快速檢查
(設 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 ) 的分佈、給定 N ( 1 ) = 4 N(1)=4 N ( 1 ) = 4 時 ( 1 , 2 ] (1,2] ( 1 , 2 ] 沒有到達的條件概率,以及 Pr ( A 2 > 1 ) \Pr(A_2>1) Pr ( A 2 > 1 ) 。)
先求 Λ ( t ) \Lambda(t) Λ ( t ) ,再用事件等式處理 A 2 A_2 A 2 。
解答 Λ ( t ) = t 3 \Lambda(t)=t^3 Λ ( t ) = t 3 ,所以增量為 Poisson ( 7 ) \operatorname{Poisson}(7) Poisson ( 7 ) ,由獨立性,條件零到達概率為 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 ) ,故答案為 2 e − 1 2e^{-1} 2 e − 1 。時間一之前的計數不會改變未來的七單位累積強度。
快速檢查
(對靜默區間例子,觀察者從 s = 3 / 2 s=3/2 s = 3/2 開始。求下一次可觀察等待在 0 ≤ w ≤ 3 / 2 0\le w\le3/2 0 ≤ w ≤ 3/2 上的存活函數及其為無限大的概率。為何不能直接使用速率二的指數等待?)
先找出 s s s 之後 Λ \Lambda Λ 開始增加的時刻。
解答 日曆時間二之前不能到達,即至少等待 1 / 2 1/2 1/2 。存活函數在 0 ≤ w ≤ 1 / 2 0\le w\le1/2 0 ≤ w ≤ 1/2 為一,在 1 / 2 ≤ w ≤ 3 / 2 1/2\le w\le3/2 1/2 ≤ w ≤ 3/2 為 e − 2 ( w − 1 / 2 ) e^{-2(w-1/2)} e − 2 ( w − 1/2 ) 。沒有可觀察到達的概率為 e − 2 e^{-2} e − 2 。立即啟動的速率二指數等待,會給等待短於 1 / 2 1/2 1/2 正概率,與停機事實矛盾。
快速檢查
(擬取 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 。時間變換構造在時間一之前給出甚麼?為何它不滿足閉區間 [ 0 , 1 ] [0,1] [ 0 , 1 ] 上的有限期限假設?)
對 t < 1 t\lt1 t < 1 求 Λ ( t ) \Lambda(t) Λ ( t ) ,再令 t ↑ 1 t\uparrow1 t ↑ 1 。
解答 對 t < 1 t<1 t < 1 ,Λ ( t ) = − log ( 1 − t ) < ∞ \Lambda(t)=-\log(1-t)<\infty Λ ( t ) = − log ( 1 − t ) < ∞ ,故每個此類時刻都有有限泊松計數。但當 t ↑ 1 t\uparrow1 t ↑ 1 ,Λ ( t ) → ∞ \Lambda(t)\to\infty Λ ( t ) → ∞ 。由於 u → ∞ u\to\infty u → ∞ 時 Y ( u ) → ∞ Y(u)\to\infty Y ( u ) → ∞ 幾乎必然,時間一之前會累積無限多次到達。擬用速率在 [ 0 , 1 ] [0,1] [ 0 , 1 ] 不可積,故不能在該閉期限上給出取有限值、非爆炸的計數過程。端點之前每個時刻的累積強度有限,不代表端點的累積強度有限。
聯繫與範圍
取 Λ ( t ) = λ t \Lambda(t)=\lambda t Λ ( t ) = λ t 便回到齊次過程。確定性非線性時鐘保留增量獨立性,但通常消除增量平穩性與日曆間隔的指數性。積分形式容許可測速率和靜默期,毋須引入人造點質量。隨機強度、任意隨機時刻條件化、數據估計及更新過程的剩餘壽命理論,需要額外論證,不在本篇範圍內。