计数过程

计数过程 (Counting Process)

计数过程（Counting Process）是随机过程理论中的一类基本过程，用于描述某一特定事件在时间区间 $[0, t]$ 内累计发生的次数。计数过程在概率论、可靠性工程、排队论、保险精算和金融数学等领域均有广泛应用。形式上，一个计数过程 $\{N(t), t \geq 0\}$ 是一个取非负整数值的随机过程，满足：$N(0) = 0$；对任意 $0 \leq s < t$，$N(t) - N(s)$ 表示在区间 $(s, t]$ 内发生的事件数；样本路径 $t \mapsto N(t)$ 是右连续、具有左极限（càdlàg）的阶梯函数，每次跳跃幅度为 $+1$。

基本性质与分类

计数过程由其随机跳跃时间序列 $\{T_n\}_{n \geq 1}$ 完全刻画，其中 $T_n = \inf\{t \geq 0 : N(t) = n\}$ 为第 $n$ 次事件的发生时刻。等价地，也可由相邻事件的时间间隔 $X_n = T_n - T_{n-1}$（设 $T_0 = 0$）定义。计数过程 $N(t)$ 与事件时间的关系为：

计数过程可按增量性质分类。若增量独立，则称为独立增量计数过程；若增量平稳（即 $N(t+h) - N(s+h)$ 的分布不依赖于 $h$），则称为平稳增量计数过程。兼具两者时即为泊松过程。另一个重要的子类是更新过程（Renewal Process），其中相邻间隔 $\{X_n\}$ 独立同分布，但不要求增量独立。

泊松过程

泊松过程是计数过程中最经典、最重要的特例。一个强度为 $\lambda > 0$ 的齐次泊松过程 $\{N(t), t \geq 0\}$ 满足：

1. $N(0) = 0$;
2. 增量独立：对任意 $0 < t_1 < t_2 < \cdots < t_n$，$N(t_1), N(t_2)-N(t_1), \dots, N(t_n)-N(t_{n-1})$ 相互独立；
3. 增量服从泊松分布：对任意 $s, t \geq 0$，$N(t+s) - N(s) \sim \text{Poisson}(\lambda t)$，即 \[ P(N(t+s) - N(s) = k) = e^{-\lambda t} \frac{(\lambda t)^k}{k!}, \qquad k = 0, 1, 2, \dots \]

泊松过程的事件间隔 $\{X_n\}$ 独立同分布于参数为 $\lambda$ 的指数分布，这是泊松过程与指数分布的深刻联系。第 $n$ 个事件发生时刻 $T_n = X_1 + \cdots + X_n$ 服从形状参数为 $n$、尺度参数为 $1/\lambda$ 的伽马分布（Erlang 分布）。

非齐次泊松过程

将强度参数推广为时间函数 $\lambda(t) \geq 0$，即得非齐次泊松过程。其增量 $N(t) - N(s)$ 服从均值为 $\int_s^t \lambda(u)\,du$ 的泊松分布，且不同区间上的增量依然独立。此时事件间隔不再同分布，过程丧失了平稳性，但仍保留独立增量性。累积强度函数 $\Lambda(t) = \int_0^t \lambda(u)\,du$ 在理论和应用中极为重要：通过时间变换 $N(t) = M(\Lambda(t))$，可将非齐次泊松过程映射为标准（强度为1的）齐次泊松过程 $M(\cdot)$，这是模拟和统计推断的有力工具。

更新过程

更新过程放宽了泊松假设，仅要求事件间隔 $\{X_n\}_{n \geq 1}$ 独立同分布，分布函数为 $F$，均值为 $\mu = E[X_n] < \infty$。更新过程的核心是更新函数 $U(t) = E[N(t)]$，它满足更新方程：

更新方程在理论和应用中无处不在。

两个基石定理刻画了更新过程的长期行为。大数定律（更新定理）：$\lim_{t \to \infty} N(t)/t = 1/\mu$ 几乎必然成立。基本更新定理：在 $F$ 为非算术分布（即分布不集中在某格点集上）的条件下，对任意 $h > 0$，$\lim_{t \to \infty} [U(t+h) - U(t)] = h/\mu$。交替更新过程和延迟更新过程进一步丰富了这一理论框架，使更新模型适用于设备维修、库存管理等场景。

鞅方法与补偿过程

在现代随机分析框架中，计数过程常借助鞅（Martingale）理论研究。考虑一个计数过程 $N(t)$ 及其自然滤子 $\mathcal{F}_t = \sigma\{N(s) : s \leq t\}$。若存在一个可料增过程 $A(t)$ 使得 $M(t) = N(t) - A(t)$ 为 $\mathcal{F}_t$-鞅，则称 $A(t)$ 为 $N(t)$ 的补偿过程（Compensator）。这是杜布-迈耶分解（Doob-Meyer Decomposition）在计数过程上的具体体现：任何适可积的右连续下鞅 $N(t)$ 均可唯一分解为一个可料增过程与一个鞅之和。

对于强度为 $\lambda$ 的齐次泊松过程，补偿过程为 $A(t) = \lambda t$，此时 $N(t) - \lambda t$ 是一个鞅。对于更一般的强度过程（即随机强度 $\lambda(t)$ 是 $\mathcal{F}_t$-可料的），补偿过程为 $A(t) = \int_0^t \lambda(s)\,ds$。这一结构使得计数过程可以纳入随机积分的框架，衍生出点过程（Point Process）的随机强度建模。

似然函数与统计推断

在统计推断中，假设在时间区间 $[0, \tau]$ 上观测到一个计数过程，事件发生时刻为 $t_1, t_2, \dots, t_{N(\tau)}$。若过程具有可料强度过程 $\lambda(t; \theta)$（其中 $\theta$ 为未知参数），则其似然函数为：

此公式是参数估计和假设检验的基础。对泊松过程，$\lambda(t) \equiv \lambda$ 时，$\hat{\lambda} = N(\tau)/\tau$ 为最大似然估计。

推广与应用

计数过程理论的发展远远超越了经典泊松框架。自激点过程（Self-Exciting Point Process）如霍克斯过程（Hawkes Process），其强度 $\lambda(t) = \mu + \alpha \sum_{t_i < t} g(t - t_i)$ 依赖于历史事件，在金融高频数据、地震预测和社交网络传播中具有广泛应用。考克斯过程（Cox Process）即双重随机泊松过程，强度本身是一个随机过程，适合刻画过离散（over-dispersion）计数数据。在生存分析中，计数过程表示为 $N_i(t) = \mathbf{1}_{\{T_i \leq t, \delta_i = 1\}}$，其中 $T_i$ 为生存时间、$\delta_i$ 为删失指示，补偿过程为 $A_i(t) = \int_0^t Y_i(s)\alpha(s)\,ds$（$Y_i$ 为风险指示，$\alpha$ 为风险函数），由此发展出Cox比例风险模型的鞅估计理论。

在经济学中，计数过程被应用于拍卖出价时序建模、违约事件聚类分析、失业持续时间研究以及专利产出计数。在可靠性工程中，设备故障的发生通常建模为计数过程，通过分析故障间隔分布来制定最优维修策略。在保险精算中，索赔到达过程常以泊松过程或其推广建模，索赔次数预测直接关系到保费厘定和准备金计提。排队系统中顾客到达的计数建模是分析等待时间和系统拥堵的基础。

计数过程与马尔可夫过程也存在紧密联系。纯生过程（Pure Birth Process）是计数过程的马尔可夫推广，其转移强度可能依赖于当前状态 $n$，即 $P(N(t+h)=n+1 \mid N(t)=n) = \lambda_n h + o(h)$。当 $\lambda_n = \lambda$ 时退化为泊松过程，当 $\lambda_n = n\lambda$ 时为尤尔过程（Yule Process）。这一推广沟通了计数过程与连续时间马尔可夫链，极大拓展了其在种群动力学和流行病传播建模中的应用范围。计数过程理论的核心地位源自其将离散事件发生模式统一纳入连续时间随机过程框架的能力，使其成为跨越理论与应用的桥梁。