Punktprozess

Ein Punktprozess ist in der Wahrscheinlichkeitstheorie ein spezieller stochastischer Prozess und eine Zufallsvariable mit Werten im Raum der Zählmaße. Er ist ein Spezialfall eines zufälligen Maßes. Im Gegensatz zu den klassischen stochastischen Prozessen sind Punktprozess aber keine zeitindizierten Prozess, sondern mengenindizierte Prozesse <math>\{\xi(B)\colon B \in\mathcal{X}\}</math>, wobei <math>\mathcal{X}</math> die σ-Algebra ist.

Anschaulich modellieren Punktprozesse die zufällige Verteilung von Punkten, im einfachsten Fall auf den positiven reellen Zahlen, im <math> \R^n </math> oder in allgemeineren Mengen. Bekanntestes Beispiel eines Punktprozesses ist der Poisson-Prozess, der auch Poisson-Punkt-Prozess genannt wird.

Definition

Sei <math>(\mathbb{X},\mathcal{X})</math> ein messbarer Raum. Wir betrachten einen Raum <math>\Mu</math>, dessen Elemente s-endliche Zählmaße auf dem Raum <math>\mathbb{X}</math> sind. Dann ist die Zufallsvariable

<math>\xi\colon(\Omega,\mathcal{F})\to(\Mu,\mathcal{M})</math>,

ein Punktprozess. Ein Punktprozess ist ein Spezialfall eines zufälligen Maßes.

Erläuterungen

Es existieren drei Räume:

• <math>\mathbb{X}</math> ist der Raum, wo die Punkte <math>x_1,x_2,\dots</math> des Punktprozesses liegen
• <math>\Mu</math> ist der Raum der s-endlichen Zählmaße auf <math>\mathbb{X}</math>
• <math>\Omega</math> ist der Grundraum des Wahrscheinlichkeitsraum.

Die Definition sagt, ein Punktprozess <math>\xi</math> ist eine Zufallsvariable im Raum der s-endlichen Zählmaße auf <math>\mathbb{X}</math>. Das heißt für jedes <math>\omega\in\Omega</math> ist <math>\xi(\omega)</math> ein Zählmaß auf <math>\mathbb{X}</math>.

Unter geeigneten Regularitätsbedingungen (insbesondere für einfache Punktprozesse) besitzt er fast sicher eine Darstellung der Form

<math>\xi(\omega)=\sum_{i} \delta_{x_i(\omega)}</math>

besitzt, wobei die <math>x_i(\omega)\in \mathbb{X}</math> die zufälligen Punkte der Konfiguration darstellen.

Für jede messbare Menge <math>B\in\mathcal{X}</math> gilt dann

<math>

\xi(B)=\#\{i : x_i \in B\}, </math> also zählt <math>\xi(B)</math> die Anzahl der Punkte, die in <math>B</math> liegen.

Simpler Punktprozess

Ein Punktprozess wird simple oder einfach genannt, falls jeder Punkt fast sicher distinkt ist.

Moment-Maße

Für einen Punktprozess <math>\xi</math> lassen sich Maße für die Momente und Maße für die faktoriellen Momente definieren. Diese beschreiben jeweils erwartete Summen über <math>n</math>-Tupel von Punkten, unterscheiden sich jedoch darin, dass bei Moment-Maßen auch wiederholte Punkte berücksichtigt werden, während faktorielle Momente-Maße nur Beiträge von paarweise verschiedenen Punkten enthalten und dadurch die reine Interaktionsstruktur des Punktprozesses erfassen.

n-tes Moment-Maß

Das <math>n</math>-te Moment-Maß <math>M^n</math> für eine nicht-negative messbare Funktion <math>f:\mathbb{R}^n\to\mathbb{R}^+</math> ist definiert durch:

<math>\mathbb{E} \left[ \sum_{(x_1,\dots,x_n)\in \xi } f(x_1,\dots,x_n) \right]= \int_{\textbf{R}^{n}}f(x_1,\dots,x_n) M^n(dx_1,\dots,dx_n)</math>

n-tes faktorielles Moment-Maß

Sei <math>\delta</math> das Diracmaß und betrachte des Maß

<math>N^{(n)}=\sum\limits_{(x_1\neq\cdots\neq x_n)\in \xi }\delta_{(x_1,\dots,x_n)},</math>

dann ist das <math>n</math>-te faktorielle Moment-Maß <math>M^{(n)}</math> auf der Borelsche σ-Algebra <math>\mathcal{B}(\mathbb{R}^n)</math> definiert als

<math>M^{(n)}(A_1 \times \cdots \times A_n)=\mathbb{E}[N^{(n)}(A_1\times \cdots\times A_n)]</math>

für alle Borel-Mengen <math>A_i\subset\mathbb{R}</math>

Das heißt für eine nicht-negative messbare Funktion <math>f:\mathbb{R}^n\to\mathbb{R}^+</math>:

<math>\mathbb{E}\left[ \sum_{(x_1\neq\cdots\neq x_n)\in \xi } f(x_1,\ldots,x_n) \right]= \int_{\textbf{R}^{n}}f(x_1,\ldots,x_n) M^{(n)}(dx_1,\ldots,dx_n)</math>

n-Punkt Korrelationsfunktion

Falls das n-te faktorielle Moment-Maß absolut stetig bezüglich eines Referenz-Maßes <math>\lambda^n</math> (üblicherweise das Lebesgue-Maß) ist, so nennt man die Radon-Nikodým Dichte

<math>M^{(n)}(A_1 \times \cdots \times A_n)=\int_{A_1\times\dots \times A_n}\rho^{(n)}(x_1,\ldots,x_n) \mathrm{d}\lambda(x_1)\cdots\mathrm{d}\lambda(x_n)</math>

für alle Borell-Mengen <math>A_i\subset\mathbb{R}</math> die n-Punkt-Korrelationsfunktion (auch multivariate Intensität). Das heißt, es gilt

<math>

\mathbb{E}\left[ \sum_{(x_1\neq\cdots\neq x_n)\in \xi } f(x_1,\ldots,x_n) \right] =\int_{\textbf{R}^{n}} f(x_1,\ldots,x_n)\, \rho^{(n)}(x_1,\ldots,x_n)\, \mathrm{d}\lambda(x_1)\cdots\mathrm{d}\lambda(x_n) </math>

Die n-Punkt-Korrelationsfunktion <math>\rho^{(n)}(x_1,\ldots,x_n)</math> beschreibt die gemeinsame Dichte dafür, dass sich Punkte des Prozesses simultan in infinitesimalen Umgebungen der Punkte <math>x_1,\ldots,x_n</math> befinden.

Normierte Paar-Korrelationsfunktion

Sei <math>\rho^{(n)}</math> die Rado-Nikodým-Dichte eines n-ten faktoriellen Moment-Maß eines absolut-stetigen Punktprozesses. Dann lässt sich die normierte Paar-Korrelationfunktion oder normiert 2-Punkt Korrelationsfunktion wie folgt bilden

<math> \vartheta(x_1,x_2)=\frac{\rho^{(2)}(x_1,x_2)}{\rho^{(1)}(x_1) \rho^{(1)}(x_2) }</math>

für zwei Punkte <math>x_1,x_2\in \mathbb{R}</math>.

Definition auf den positiven Zahlen

Eine Folge von Zufallsvariable <math> (X_n)_{n \in \N} </math> heißt ein Punktprozess (auf <math> \R^+ </math>), wenn gilt:

• Es ist <math> X_0=0 </math>
• Die Folge ist fast sicher streng monoton wachsend, das heißt <math> X_0 < X_1 < X_2 < \dots </math>

Beispiele

Ein einfaches Beispiel für einen Punktprozess erhält man, wenn man eine unabhängig identisch verteilte Folge von Zufallsvariablen <math> (Y_k)_{k \in \N} </math>, die fast sicher echt positive Werte annehmen, betrachtet. Definiert man dann

<math> X_0=0 </math> und

<math> X_n := \sum_{i=1}^n Y_i </math>,

so ist die Folge der <math> X_n </math> monoton wachsend, somit handelt es sich um einen Punktprozess.

Poisson-Punktprozess

→ Hauptartikel: Poisson-Prozess

Hawkes-Prozess

Ein Hawkes-Prozess <math>H_t</math> ist ein einfacher Punktprozess, der einen Punktprozess modelliert, bei dem das Auftreten eines Ereignisses, einen positiven Einfluss (d. h. erhöhen) auf die Intensität für zukünftige Ereignisse hat.

Die bedingte Intensität <math>\lambda (t)</math> folgende Form hat

<math>\begin{array}{ll}

 \lambda (t) & = \mu (t) + \int_{- \infty}^t \nu (t - s) d H_s\\
 & = \mu (t) + \sum\limits_{k:T_k < t} \nu (t - T_k)

\end{array}</math>

wobei <math>\nu : \mathbb{R}^+ \rightarrow \mathbb{R}^+</math> ein Integralkern ist, der den positiven Einfluss vergangener Ereignisse <math>T_i</math> auf die jetzige Intensität <math>\lambda (t)</math> modelliert. Dabei ist <math>\mu (t)</math> entweder der zu erwartende, vorhersagbare, oder deterministische Teil der Intensität. <math>\{ T_i : T_i < T_{i + 1} \} \in \mathbb{R}</math> sind Stoppzeiten des i-ten Ereignisses.

Eigenschaften

Campbellsche Formel

Die Campbellsche Formel beschreibt eine wichtige Eigenschaft eines Punktprozesses <math>\xi</math> zu seiner Intensität <math>\gamma</math>. Für alle <math>\gamma</math>-integrierbaren Funktionen <math>f(x)</math> gilt

<math>\mathbb{E}\left(\int f(x)\xi(\mathrm{d}x)\right)=\int f(x)\gamma(\mathrm{d}x)</math>

Echte Punktprozesse

Man unterscheidet zwischen echten und unechten Punktprozessen. Ein Punktprozess <math>\xi</math> wird dann echt genannt, wenn ein Zufallsvariable <math>M</math> mit Werten in <math>\mathbb{N}_0\cup \{\infty\}</math> und Zufallsvariablen <math>(X_i)_{i\in \mathbb{N}}</math> existieren, so dass fast sicher gilt

<math>\xi(B) = \sum\limits_{n=1}^M \delta_{X_i}(B)\quad \forall B\in \mathcal{X}</math>

Es lässt sich zeigen, dass es für jeden Poisson Punktprozesse einen echten Punktprozess gibt, der die gleiche Verteilung auf demselben Raum besitzt.

Erläuterung

Ein Punktprozess auf <math> \R^+ </math> modelliert die zufällige Verteilung von Punkten auf den positiven Zahlen. Dabei besagt der erste Teil der Definition, dass der erste Punkt der Nullpunkt sein soll. Der zweite Teil besagt, dass die Punkte mit einer Ordnung versehen sind, also schon der Größe nach sortiert sind.

Im obigen Beispiel werden die Zufallsvariablen über <math> X_n </math> über ihre Zuwächse definiert. Dabei entsprechen die Verteilungen der Zuwächse, hier im Beispiel <math> X_{n+1}-X_n =Y_n</math>, im allgemeinen Fall <math> X_{n+1}-X_n </math>, der Verteilung des Abstandes der Punkte. So sind beispielsweise beim Poisson-Prozess die Abstände zwischen zwei Punkten exponentialverteilt.

Der zugehörige Zählprozess

Jedem Punktprozess auf <math> \R^+ </math> lässt sich durch

<math> N_t = \sum_{i=1}^\infty \mathbf 1_{\{X_i \leq t\}} </math>

ein Zählprozess zuordnen (<math> \mathbf 1_A </math> bezeichnet hier die charakteristische Funktion auf der Menge <math> A </math>). Anschaulich läuft der Zählprozess von Nullpunkt aus mit gleichbleibender Geschwindigkeit die positiven Zahlen ab und zählt, wie viele Punkt er bis zum Zeitpunkt <math> t </math> schon angetroffen hat. Zählprozess und Punktprozess beleuchten hier zwei Aspekte derselben Idee. In ihrer Formalisierung unterscheiden sie sich jedoch deutlich, wie sich schon an ihrer Indexmenge zeigt.

Weblinks

• Stover, Christopher: Point Process. In: MathWorld (englisch).

Literatur

• Ludger Rüschendorf: Mathematische Statistik. Springer Verlag, Berlin Heidelberg 2014, ISBN 978-3-642-41996-6, S. 358, doi:10.1007/978-3-642-41997-3. 
• David Meintrup, Stefan Schäffler: Stochastik. Theorie und Anwendungen. Springer-Verlag, Berlin Heidelberg New York 2005, ISBN 978-3-540-21676-6, S. 278–279, doi:10.1007/b137972.