Skip to content

定理Theorem

极端超越的 Poisson 点过程极限

施工中 · 内容逐步修订

Poisson point-process limit for extremes · Extreme exceedance point process

正则变化独立样本的极端观测保留发生时间与归一化高度后,形成具有幂型高度强度的 Poisson 点过程极限。

形式陈述 ​

只知道最大值会丢掉其他大观测的时间与高度。怎样同时保留全部极端点?设 X1,X2,… 为来自同一总体的IID 正变量,尾函数 F―∈RV−α,α>0,并选择 an>0 使 nF―(an)→1。

在状态空间 E=[0,1]×(0,∞] 上定义随机点测度

Nn=∑i=1nδ(i/n,Xi/an).

取高度坐标 1/y 后,E 同胚于 [0,1]×[0,∞),是第二可数局部紧 Hausdorff 空间。这里使用允许重数、紧集上点数有限的Radon 点测度。它与经验概率测度都把观测变成点质量,但每点质量为一,没有除以 n,并且同时记录时间与高度。

由正则变化,Nn 依分布趋向 Poisson 随机测度 N,强度为

μ(dt,dy)=dtαy−α−1dy,μ([0,1]×{∞})=0.

极限随机测度的定义是:对互不相交、强度有限的 Borel 区域 A1,…,Am,N(Aj) 相互独立,且各自服从均值 μ(Aj) 的Poisson 分布。若要从 vague 收敛进一步得到 Nn(Aj) 的联合计数收敛,可取这些区域相对紧且边界强度为零;在这里,相对紧意味着高度与零保持正距离。

空间使用局部有限点测度的 vague 拓扑:通过连续紧支撑测试函数的积分比较测度,测试支撑必须离高度零有正距离。高度端点 ∞ 可用坐标 1/y 紧化。随机点测度的分布则按这个取值空间上的概率律弱收敛理解。

直觉

把 n 个观测压进单位时间,再把高度除以典型最大值尺度 an。普通观测都挤向高度零,只有少量极端点仍留在可见区域。每个时刻贡献可见点的概率约为 1/n,独立的小概率机会累加后便出现 Poisson 规律。

高度越低,可见点越多,因此强度不是有限总质量的概率密度。这个极限专门观察远离零的稀有区域,而不是要求把全部 n 个点同时变成有限个点。

例子与边界

一个矩形的强度算到底 ​

取精确 Pareto 尾 P(X>x)=x−2、x≥1,则 an=n。考虑

A=(0,1/2]×(1,2].

这是前半段时间内,归一化高度超过一但不超过二的点。强度为

μ(A)=12∫122y−3dy=12(1−14)=38.

有限样本中,相关计数是 Binomial(⌊n/2⌋,3/(4n)),恰好趋向 Poisson(3/8)。因此该区域没有极端点的概率趋于 e−3/8≈0.6873。

若另取 B=(1/2,1]×(2,∞],强度为 1/8,两区计数极限独立。即便两个区域共享时间区间,只要高度部分不相交,联合稀有类别的极限计数仍独立;有限样本中同一个观测只能落进一类造成的依赖会在极限消失。

为什么必须避开高度零 ​

对每个 ε>0,

μ([0,1]×[ε,∞])=ε−α<∞.

但让 ε↓0,强度发散。不能把包括高度零的整幅图当成一个有限均值 Poisson 计数区域,也不能将强度 μ 当作总质量为一的概率分布。

如果观测有高值聚簇,独立 Poisson 点极限也可能失效。比如移动最大值让一个大创新产生相邻两个超越;归一化时间后它们可挤到同一极限时刻,形成簇点过程,见极值指数。

推论与应用

单区域的均值先由尾比值得到 ​

对矩形 A=(s,t]×(x,y],其中 0<x<y≤∞,约定 ∞−α=0,正则变化给

nP(X1/an∈(x,y])=n[F―(anx)−F―(any)]⟶x−α−y−α.

时间区间约有 n(t−s) 个观测,因此 ENn(A)→(t−s)(x−α−y−α)=μ(A)。有限个端点取整的影响趋零。

联合计数为何变独立 ​

取若干不交矩形,记 qn,i,j 为第 i 个点落入第 j 个区域的概率。单个点至多进入一个区域,不同 i 则独立。对任意固定实系数向量 θ,把计数的线性组合视为实随机变量,其指数矩可写成

Eexp⁡(∑jθjNn(Aj))=∏i=1n[1+∑jqn,i,j(eθj−1)].

所有区域离零有共同正距离,所以 maxi,jqn,i,j=O(1/n),而 ∑iqn,i,j→μ(Aj)。取对数,用 log⁡(1+z)=z+O(z2);二次余量的总和是 O(1/n)。极限为

exp⁡[∑jμ(Aj)(eθj−1)],

恰好分解成相互独立的 Poisson 指数矩。还要说明为什么这给出整个向量的联合收敛,不能仅把标量矩母函数定理直接当作向量判据。这里利用计数是非负整数给出一个完整论证。

各坐标的期望一致有界,Markov 与并集界给出有限格点盒之外的概率界

P(maxjNn(Aj)>L)≤1L∑jENn(Aj).

从任意子列,可对可数个整数向量逐个抽子列,使每个格点质量收敛。上面的盒外界保证这些极限质量之和仍为一,记为 p(m)。对 0<zj<1,先在有限盒上取极限,再令盒增大,得到该子列的联合概率母函数趋于 ∑mp(m)∏jzjmj。另一方面,在已证指数矩乘积中取 θj=log⁡zj,它必须等于

exp⁡[∑jμ(Aj)(zj−1)].

幂级数系数唯一:单变量的常数项可由 z↓0 取出,依次减去已知项、除以相应幂次,再取同样极限,就取出每个系数;余项由绝对可求和的系数控制。固定其余变量并逐个坐标重复,便恢复每个 p(m)。因此它恰为独立 Poisson 的乘积质量。每个子列都只有这个可能极限,再用有限盒的尾界,就得到原序列的联合收敛。这里保留了完整的联合结论,却不需要额外假定一个尚未说明的 Cramér–Wold 判据。

从有限计数到整个点测度 ​

先确定均值测度,避免在随机子列上循环论证。它为

ηn:=ENn=(1n∑i=1nδi/n)⊗[nL(X1/an)].

前面的矩形计算给其在离开高度零的窗口上趋于 μ,并给每个紧窗口的一致质量界。在坐标 (t,1/y) 中,用矩形阶梯函数逼近任意连续紧支撑 f,由一致连续性得 ηn(f)→μ(f)。高度无穷端不带极限原子,可先将极高尾部截去,其均值质量随截断高度增大趋零。因此这是先于随机子列识别建立的确定性均值测度收敛。

下面说明所用拓扑结论的来源。通过 w=1/y,状态空间等同于 S=[0,1]×[0,∞),其中 y=∞ 对应 w=0。这是局部紧的 Polish 空间。Basrak–Planinić 的 Example 2.4 与 Proposition 3.1 给出:以相对紧 Borel 集局部化的 Radon 测度空间 M(S),在 vague 拓扑下也是 Polish;其 §4 开头还给出 Borel σ-代数与有界集合计数的评价 σ-代数相同。这里精确采用该测度空间定理,不能由“S 是 Polish”一句话直接推出结论。

还需从一般测度转到点测度。若点测度 νn vague 收敛到 ν,则对每个相对紧且边界 ν-质量为零的球,vague Portmanteau 给 νn(B)→ν(B),所以 ν(B) 是非负整数。对 x∈suppν 取趋于零的这样的球;可选这些半径,因为有限质量窗口内至多可数个球面有正质量。每个球质量均为正整数,连续从上取极限得 ν({x}) 是至少一的整数。每个紧集因总质量有限而只容纳有限多个支持点;支持补集由可数基写成可数个零质量开集之并,故没有剩余的非原子部分。因此 ν 仍为点测度,允许正整数重数。点测度空间 Mp(S) 是 M(S) 的闭子空间,因而 Polish。

原分布有原子时,还要核对严格尾与闭窗口的差别。对固定 x>0 和 0<ε<1,

nF―(anx)≤nP(X1/an≥x)≤nF―(anx(1−ε)).

先令 n→∞,再令 ε↓0,夹逼给中项趋于 x−α;减去严格尾也得 nP(X1/an=x)→0。因此闭窗口的均值与有理水平边界的零质量结论都允许原分布有跳跃。

现在令 Kj=[0,1]×[1/j,∞]。每个窗口的期望计数满足 Cj:=supnENn(Kj)<∞:大 n 时它收敛到 jα,剩余有限多个 n 的计数也有限。给定 δ>0,选整数 mj 使 Cj/mj<δ2−j。由Markov 不等式和可数并集界,以至少 1−δ 的概率,所有窗口同时满足 Nn(Kj)≤mj。

这些点测度组成的集合在 vague 拓扑下相对紧。具体地,Kj 位于 Kj+1 的相对内部;后一窗口的点数界使我们能在其中抽取有限点的收敛子列,继而在前一窗口内控制所有紧支撑连续函数的积分。逐窗作对角抽取,点可以逃向更远窗口或合并为整数重数,得到一个局部有限的点测度极限。取闭包得到紧集。于是 Prokhorov 定理给出概率律的弱收敛子列,记其极限为 N′。这只使用紧窗口控制,没有要求整个 E 的总点数紧。

先排除边界点,再识别子列极限 ​

在 (t,w) 坐标取可数个有理矩形及其有限并差,并包含 t=0,t=1,w=0 的边界面和 [0,1]×[0,j] 的紧穷尽。只用开内部矩形会漏掉边界原子。其边界在任何紧窗口内都是 μ-零的紧集 D。

选非负连续紧支撑函数 fε≥1 于 D,其支撑缩到越来越窄的边界带,使 μ(fε)→0;w=0 用原高度越来越高的尾带。沿弱收敛子列,ν↦min{ν(fε),1} 是有界连续泛函,因此

P(N′(D)>0)≤Emin{N′(fε),1}=limnEmin{Nn(fε),1}≤limnENn(fε)=μ(fε).

令 ε↓0,再对可数个窗口和边界取交,得到 N′ 几乎必然不在这些边界上放点。这里没有交换无界随机变量的期望极限,也没有先假定所要证明的计数连续性。

现在这些相对紧区域的评价映射才在 N′ 处几乎处处连续;用连续映射定理,已经求出的有限向量计数极限确定了 N′ 的全部有理区域计数。多个重叠区域可先分成有限个不交的环元;边界面自身的均值趋零,故其计数也趋零。

为何这些计数能确定整个概率律?在一个固定紧窗口内,设 G 是有理矩形环的评价映射所生成的 σ-代数。具有 G-可测计数的 Borel 子集构成一个包含该环的 Dynkin 类:窗口内质量有限,嵌套集合之差的计数是两个有限数之差,不交可数并的计数是部分和极限。简述所用生成族论证:在包含该环的最小 Dynkin 类内,先固定一个环元,验证与它相交仍在该类的集合构成 Dynkin 类;再固定任意类内集合重复,便得到有限交封闭。具有有限交、补集和不交可数并封闭性的类是 σ-代数。因此窗口内每个 Borel 集的计数可测,再穷尽窗口,所有有界 Borel 评价均由这些有理计数生成。

结合前述评价与 vague Borel σ-代数相等,有限计数向量的分布便在生成的柱集合族上确定随机点测度的律;同一个生成族唯一性论证将其推广到全部 Borel 集。故 N′ 是强度 μ 的 Poisson 随机测度。每个子列只可能有这个极限,得到整列点测度收敛。最后对任意相对紧、μ-边界为零的 Borel 集再用计数连续性,即得形式陈述中的一般区域计数结论。

最大值与第 k 大值都是空点数问题 ​

最大值不超过 anx,等价于区域 [0,1]×(x,∞] 内没有点。因此

P(Mn/an≤x)→e−x−α,x>0.

这重新给出 Fréchet 极限,但还保留了更多信息。第 k 大观测不超过 anx,等价于该区域至多有 k−1 个点,所以

P(X(n−k+1)/an≤x)⟶e−x−α∑j=0k−1x−αjj!.

同一强度测度因而同时控制最高点、多个极端次序统计量及指定时间窗口中的超越次数。它给出已知尾部归一化下的分布近似;若 α 或 an 需要估计,参数不确定性不会自动包含在 Poisson 随机波动里。

参考资料
  • Richard L. Smith and Ishay Weissman, 《Extreme Values》,§1.2.4 的时间—高度点过程与 Poisson 强度、§3.5 的二维超越过程;正文另给联合计数、局部紧性与边界零质量论证。
  • Bojan Basrak、Hrvoje Planinić,A note on vague convergence of measures,arXiv:1803.07024v3(页边日期 2019-12-27,提交行 2019-12-30),Example 2.4、§2.1、Proposition 3.1 与 §4 开头。Proposition 3.1 的原文标明为证明概要,评价与 Borel σ-代数相等处援引 Kallenberg 2017 Lemma 4.7;本页采用这些精确定理,并完整补出点测度闭子空间、有理计数生成族及子列识别的具体步骤。
关系图谱30 个相邻概念 · 2 类关系

拖动节点调整位置。

显示关系

显示:依赖

  1. 前置三跳
  2. 前置二跳
  3. 前置一跳
  4. 当前条目
  5. 后续一跳
  6. 后续二跳
  7. 后续三跳
文字版关系按与当前条目的最短距离分组
类型化关系