Palm分布

同義語:パルム分布Palm確率Palm distributionPalm probability

概要

Palm分布(Palm distribution)とは、点過程を典型的な点から見たときの分布で、$\mathbb R^d$ 上の定常な点過程 $\Phi$(強度 $\gamma\in(0,\infty)$)では、集合 $B$ の中の点 $x$ ごとに $x$ を原点に移した配置 $\theta_x\Phi$ を数えて平均の個数で割ることで定まる確率測度 $P^0$ で、原点に点があるという条件のもとでの分布と読める。定常 Poisson 過程は、Palm 分布が $\Phi+\delta_0$ の分布になる点過程として特徴づけられる(Mecke–Slivnyak の定理)。直線の上の単純で両側に無限個の点をもつ定常な点過程では、逆変換公式により定常分布が Palm 分布から復元され、原点を含む間隔の長さの分布は典型的な間隔の分布を長さで重みづけたものになる。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 点過程, Poisson点過程, Lebesgue測度, Dynkinのπ-λ定理

Palm分布(Palm distribution)は、点過程を「典型的な点から見た」ときの分布である。空間に一様にばらまかれた点の配置(たとえば森の木の位置、通信網の基地局、到着時刻の列)を考えると、問い方が 2 通りある。空間の決まった場所(原点)から見た配置の分布と、無作為に選んだ点から見た配置の分布である。前者が点過程そのものの分布(定常分布)、後者が Palm 分布で、Palm 分布は「原点に点があるという条件のもとでの分布」と読める。
2 つの分布は一般に異なる。直線の上で、原点から見ると原点を含む点の間隔は長いものほど選ばれやすいが、典型的な点から見た次の点までの間隔にはそのような偏りがない(cor-palm-interval)。Poisson 点過程では、原点に点があると条件づけても残りの点の分布は変わらず、Palm 分布は「元の過程に原点の点を 1 つ加えたもの」になる。この性質は Poisson 過程を特徴づける(Mecke–Slivnyak の定理、thm-palm-slivnyak)。
この記事では、$\mathbb R^d$ 上の定常な点過程について Palm 分布を定義し(thm-palm-campbell)、Mecke–Slivnyak の定理と、直線の上で定常分布を Palm 分布から復元する逆変換公式(thm-palm-inversion)を証明する。

結果内容扱い
prop-palm-intensity定常な点過程の強度測度は Lebesgue 測度の定数倍証明
thm-palm-campbell精密化された Campbell の定理と Palm 分布の存在証明
thm-palm-slivnyakMecke–Slivnyak の定理証明
thm-palm-inversion直線の上の逆変換公式証明
cor-palm-interval典型的な間隔の平均と、原点を含む間隔の長さの偏り証明

設定:定常な点過程

$d\ge1$ とし、$\lambda_d$ を $\mathbb R^d$ の Lebesgue測度 とする。点過程の空間と記号は 点過程 の定義「計数測度の空間と点過程」に従う。$\mathbb R^d$ の上の計数測度 $\mu$ で、有界な Borel 集合の上で有限な値をとるもの(局所有限なもの)の全体を $\mathbf N_l$ とし、$\mu\mapsto\mu(B)$ を可測にする σ-代数を入れる。$\mu\in\mathbf N_l$ と $y\in\mathbb R^d$ について、ずらし を
$$\theta_y\mu(B):=\mu(B+y)\qquad(B\text{ は Borel 集合})$$
で定める。$\mu=\sum_i\delta_{x_i}$ なら $\theta_y\mu=\sum_i\delta_{x_i-y}$ で、点 $y$ が原点に移る($\theta_y\delta_y=\delta_0$)。$\theta_0$ は恒等写像で、$\theta_y\circ\theta_x=\theta_{x+y}$ である。$(x,\mu)\mapsto\theta_x\mu$ は $\mathbb R^d\times\mathbf N_l$ の上で可測である(LP17 Lemma 9.2、p. 84)。
点過程 $\Phi$ が 定常 であるとは、すべての $y$ について $\theta_y\Phi$ と $\Phi$ の分布が等しいことをいう(LP17 Definition 8.1、p. 70)。$\gamma:=E[\Phi((0,1]^d)]$ を $\Phi$ の 強度 という。

定常な点過程の強度測度

$\Phi$ を $\mathbb R^d$ 上の定常な点過程で $\gamma< \infty$ とする。$\Phi$ の強度測度は $\gamma\lambda_d$ である。とくに $\Phi$ は確率 $1$ で局所有限である。

平行移動で不変な測度は Lebesgue 測度の定数倍

要点:強度測度は定常性から平行移動で不変になり、$(0,1]^d$ での値で正規化すると Lebesgue 測度に一致する。

詳しい証明を開く

強度測度 $\Lambda(B):=E[\Phi(B)]$ は、定常性から $\Lambda(B+y)=E[\theta_y\Phi(B)]=E[\Phi(B)]=\Lambda(B)$ を満たす。$\gamma=0$ なら、$\mathbb R^d$ は $(0,1]^d$ の可算個の平行移動で覆われるので $\Lambda=0$ である。$\gamma>0$ なら $\Lambda/\gamma$ は平行移動で不変で $(0,1]^d$ の値が $1$ なので、Carathéodoryの拡張定理 の系「平行移動で不変な測度」により $\lambda_d$ に等しい。有界な $B$ では $E[\Phi(B)]=\gamma\lambda_d(B)< \infty$ なので $\Phi(B)< \infty$ a.s. で、有界な集合は可算個の立方体で尽くせるので、確率 $1$ で同時に局所有限である。$\square$

LP17 Proposition 8.2(p. 70)は同じ主張を $[0,1]^d$ で述べている。また、定常な点過程は確率 $1$ で点がないか無限個の点をもつ(LP17 Proposition 8.4、p. 71)。

Palm 分布の定義

精密化された Campbell の定理

$\Phi$ を $\mathbb R^d$ 上の定常な点過程で $0< \gamma< \infty$ とする。$\mathbf N_l$ 上の確率測度 $P^0$ で、すべての可測な $f\colon\mathbb R^d\times\mathbf N_l\to[0,\infty]$ について
$$E\Bigl[\int f(x,\theta_x\Phi)\,\Phi(dx)\Bigr]=\gamma\int_{\mathbb R^d}\int_{\mathbf N_l}f(x,\mu)\,P^0(d\mu)\,dx\qquad(1)$$
を満たすものがただ 1 つある。$P^0$ は、$0< \lambda_d(B)< \infty$ となる任意の Borel 集合 $B$ について
$$P^0(A)=\frac1{\gamma\lambda_d(B)}E\Bigl[\int\mathbf 1_B(x)\,\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)\Bigr]\qquad(2)$$
で与えられる。

点ごとの事象の数え上げが平行移動で不変になる

可測な $A\subset\mathbf N_l$ について、Borel 集合 $B$ に
$$\nu_A(B):=E\Bigl[\int\mathbf 1_B(x)\,\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)\Bigr]$$
を対応させる。被積分関数の可測性は $(x,\mu)\mapsto\theta_x\mu$ の可測性による。単調収束定理により $\nu_A$ は $\mathbb R^d$ 上の測度である。$y\in\mathbb R^d$ を固定する。ずらした測度での積分の公式 $\int g\,d(\theta_y\mu)=\int g(x-y)\,\mu(dx)$ を $g(z):=\mathbf 1_B(z)\,\mathbf 1_A(\theta_z(\theta_y\Phi))$ に使い、$\theta_{x-y}(\theta_y\Phi)=\theta_x\Phi$ に注意すると
$$\int\mathbf 1_B(z)\,\mathbf 1_A\bigl(\theta_z(\theta_y\Phi)\bigr)\,(\theta_y\Phi)(dz)=\int\mathbf 1_{B+y}(x)\,\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)$$
である。右辺の期待値は $\nu_A(B+y)$、左辺の期待値は $\Phi$ を $\theta_y\Phi$ に替えた $\nu_A(B)$ で、$\theta_y\Phi$ と $\Phi$ の分布は等しいので $\nu_A(B+y)=\nu_A(B)$ である。また $\nu_A(B)\le E[\Phi(B)]=\gamma\lambda_d(B)$ である。prop-palm-intensity の証明と同じ議論で、$\nu_A=\gamma_A\lambda_d$、$\gamma_A:=\nu_A((0,1]^d)$ となる。
$A\mapsto\gamma_A$ は、単調収束定理により $\mathbf N_l$ 上の測度で、$\gamma_{\mathbf N_l}=E[\Phi((0,1]^d)]=\gamma$ である。$P^0(A):=\gamma_A/\gamma$ とおくと $P^0$ は確率測度で、
$$E\Bigl[\int\mathbf 1_B(x)\,\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)\Bigr]=\gamma\,P^0(A)\,\lambda_d(B)$$
となる。これは (1) の $f=\mathbf 1_{B\times A}$ の場合である。有界な Borel 集合 $D$ を固定すると、(1) の両辺は $f=\mathbf 1_{C\cap(D\times\mathbf N_l)}$($C$ は可測)について $\gamma\lambda_d(D)$ 以下の有限な測度なので、等しくなる $C$ の全体は Dynkin 族で、長方形 $B\times A$ の全体(共通部分で閉じ、積 σ-代数を生成する)を含む。Dynkinのπ-λ定理 により (1) は $f=\mathbf 1_{C\cap(D\times\mathbf N_l)}$ で成り立ち、$D=[-j,j]^d$、$j\to\infty$ として単調収束定理からすべての指示関数で成り立ち、線形性と単調収束定理で一般の $f\ge0$ に広がる。
一意性と (2):(1) を満たす $P^0$ は、$f=\mathbf 1_{B\times A}$ を代入すると (2) を満たすので、ただ 1 つである。$\square$

Palm 分布

thm-palm-campbell の $P^0$ を $\Phi$ の Palm 分布 という(LP17 Definition 9.3、p. 84)。分布が $P^0$ の点過程 $\Phi^0$ を $\Phi$ の Palm 版 といい、$P^0$ による期待値を $E^0$ と書く。

  1. は Palm 分布の意味を表している。右辺の積分は、$B$ の中の点 $x$ のうち「$x$ から見た配置 $\theta_x\Phi$ が $A$ に入るもの」の個数で、それを $B$ の中の点の平均の個数 $\gamma\lambda_d(B)$ で割っている。つまり $P^0(A)$ は、$B$ の点を 1 つ無作為に選んで、その点から見た配置が $A$ に入る割合の平均である。(2) で $A:=\{\mu:\mu(\{0\})>0\}$ とすると、$x\in\Phi$ なら $\theta_x\Phi$ は原点に点をもつので、$P^0(A)=\frac{E[\Phi(B)]}{\gamma\lambda_d(B)}=1$ である。Palm 版は確率 $1$ で原点に点をもつ(LP17 (9.7)、p. 84)。同じ議論で、$\Phi$ が確率 $1$ でもつ性質のうち、ずらしで保たれるもの(単純であること、両側に無限個の点をもつこと)は $\Phi^0$ も確率 $1$ でもつ。
    $f(x,\mu)$ を $f(x,\theta_{-x}\mu)$ に替えると、(1) は
    $$E\Bigl[\int f(x,\Phi)\,\Phi(dx)\Bigr]=\gamma\int_{\mathbb R^d}E^0\bigl[f(x,\theta_{-x}\Phi^0)\bigr]\,dx\qquad(3)$$
    と書ける(LP17 (9.6))。$\theta_{-x}\Phi^0$ は、Palm 版を原点の点が $x$ に来るように動かしたものである。
Palm 分布の局所的な解釈

$\Phi$ が単純なら、$P^0$ は「原点の近くに点がある」という条件のもとでの分布の極限として得られる:$B_n$ を半径が $0$ に近づく閉球、$X$ を原点にいちばん近い $\Phi$ の点とすると、有界な可測関数 $g$ について $E[g(\theta_X\Phi)\mid\Phi(B_n)\ge1]\to E^0[g(\Phi^0)]$ である(LP17 Proposition 9.5、p. 85。この記事では証明しない)。$\Phi(\{0\})>0$ という事象自体は確率 $0$ なので、Palm 分布は通常の条件付き確率では定義できない。

Poisson 点過程の Palm 分布

$\gamma\in(0,\infty)$ とし、強度測度 $\gamma\lambda_d$ の Poisson点過程 を強度 $\gamma$ の 定常 Poisson 過程 という。これは定常である(LP17 Proposition 8.3、p. 70)。

Mecke–Slivnyak の定理

$\Phi$ を $\mathbb R^d$ 上の定常な点過程で $0< \gamma< \infty$ とする。$\Phi$ が強度 $\gamma$ の定常 Poisson 過程であるための必要十分条件は、Palm 分布が $\Phi+\delta_0$ の分布に等しいこと、すなわち
$$P^0=P(\Phi+\delta_0\in\cdot\,)$$
が成り立つことである。

Mecke の等式を Palm 分布で書き直す

$\gamma\lambda_d$ は σ-有限なので s 有限であり、Poisson点過程 の定理「Mecke の等式」が $\lambda:=\gamma\lambda_d$ で使える。
必要性. $\Phi$ を強度 $\gamma$ の定常 Poisson 過程とし、可測な $A\subset\mathbf N_l$ と $0< \lambda_d(B)< \infty$ をとる。Mecke の等式を $f(x,\mu):=\mathbf 1_B(x)\,\mathbf 1_A(\theta_x\mu)$ に使い、$\theta_x(\mu+\delta_x)=\theta_x\mu+\delta_0$ に注意すると
$$E\Bigl[\int\mathbf 1_B(x)\,\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)\Bigr]=\gamma\int_BP\bigl(\theta_x\Phi+\delta_0\in A\bigr)\,dx=\gamma\lambda_d(B)\,P(\Phi+\delta_0\in A)$$
である。2 つ目の等号は、$\theta_x\Phi$ と $\Phi$ の分布が等しいことによる。thm-palm-campbell の (2) と比べて $P^0(A)=P(\Phi+\delta_0\in A)$ である。
十分性. $P^0$ が $\Phi+\delta_0$ の分布なら、(3) と $\theta_{-x}(\mu+\delta_0)=\theta_{-x}\mu+\delta_x$ から、可測な $f\ge0$ について
$$E\Bigl[\int f(x,\Phi)\,\Phi(dx)\Bigr]=\gamma\int E\bigl[f(x,\theta_{-x}\Phi+\delta_x)\bigr]\,dx=\gamma\int E\bigl[f(x,\Phi+\delta_x)\bigr]\,dx$$
である。2 つ目の等号は $\theta_{-x}\Phi$ と $\Phi$ の分布が等しいことによる。これは $\lambda=\gamma\lambda_d$ の Mecke の等式なので、Mecke の等式による特徴づけから $\Phi$ は強度測度 $\gamma\lambda_d$ の Poisson 点過程である。$\square$

LP17 Theorem 9.4(p. 85)は同じ証明を与えている。定常 Poisson 過程では、典型的な点から見ると、その点のほかには元の過程と同じ分布の点がある。とくに典型的な点からいちばん近い点までの距離は、原点からいちばん近い点までの距離と同じ分布をもつ。

直線の上の逆変換公式

この節では $d=1$ とし、$\Phi$ を $\mathbb R$ 上の定常な点過程で $0< \gamma< \infty$ とする。さらに、確率 $1$ で $\Phi$ は 単純(各点の重みが $1$)で、$(0,\infty)$ と $(-\infty,0]$ の両方に無限個の点をもつとする。$\mathbf N_l$ の元 $\mu$ で、$(0,\infty)$ と $(-\infty,0]$ の両方に無限個の点をもつもの(単純でなくてもよい)について
$$T_-(\mu):=\max\{t\le0:\mu(\{t\})>0\},\qquad T_+(\mu):=\min\{t>0:\mu(\{t\})>0\}$$
とおく(局所有限なので最大・最小がある)。それ以外の $\mu$ では $T_\pm(\mu):=0$ とする。$\{T_+> s\}=\{\mu((0,s])=0\}$ などから $T_\pm$ は可測である。原点に点をもつ $\mu$ では、$T_+(\mu)$ は原点の点から次の点までの間隔である。

逆変換公式

この設定で、可測な $h\colon[0,\infty)\times\mathbf N_l\to[0,\infty]$ について
$$E\bigl[h\bigl(-T_-(\Phi),\ \theta_{T_-(\Phi)}\Phi\bigr)\bigr]=\gamma\,E^0\Bigl[\int_0^{T_+(\Phi^0)}h(t,\Phi^0)\,dt\Bigr]\qquad(4)$$
が成り立つ。とくに可測な $g\colon\mathbf N_l\to[0,\infty]$ について
$$E[g(\Phi)]=\gamma\,E^0\Bigl[\int_0^{T_+(\Phi^0)}g(\theta_t\Phi^0)\,dt\Bigr].\qquad(5)$$

原点を含む間隔の左端を数える

$\mathbb R\times\mathbf N_l$ の上の可測関数
$$f(x,\mu):=h(-x,\mu)\,\mathbf 1\{x\le0< x+T_+(\mu)\}$$
に thm-palm-campbell の (1) を使う($x>0$ では $h(-x,\cdot)$ は使われないので、$h(-x,\mu)$ を $0$ と読む)。
左辺:確率 $1$ で $\Phi$ は単純で両側に無限個の点をもつ。$\Phi$ の点 $x$ について、$\theta_x\Phi$ の点は $\Phi$ の点を $x$ だけ左にずらしたものなので、$x+T_+(\theta_x\Phi)$ は $x$ の次の $\Phi$ の点である。よって $x\le0< x+T_+(\theta_x\Phi)$ となる $\Phi$ の点 $x$ は、$0$ 以下で次の点が $0$ より右にあるもの、すなわち $x=T_-(\Phi)$ だけである。単純なので重みは $1$ で、
$$\int f(x,\theta_x\Phi)\,\Phi(dx)=h\bigl(-T_-(\Phi),\ \theta_{T_-(\Phi)}\Phi\bigr)$$
となる。
右辺:Fubini の定理(非負なので順序を替えてよい)と $t:=-x$ の変数変換により
$$\gamma\int_{\mathbb R}E^0\bigl[h(-x,\Phi^0)\,\mathbf 1\{-T_+(\Phi^0)< x\le0\}\bigr]\,dx=\gamma\,E^0\Bigl[\int_0^{T_+(\Phi^0)}h(t,\Phi^0)\,dt\Bigr]$$
である(端点の 1 点は Lebesgue 測度 $0$ である)。両辺を合わせて (4) を得る。
(5):$t:=-T_-(\Phi)\ge0$ とおくと、$\theta_{-t}$ と $\theta_t$ は互いに逆なので $\Phi=\theta_{-T_-(\Phi)}\bigl(\theta_{T_-(\Phi)}\Phi\bigr)=\theta_t\bigl(\theta_{T_-(\Phi)}\Phi\bigr)$ である。(4) を $h(t,\mu):=g(\theta_t\mu)$ に使えばよい。$\square$

  1. は定常分布を Palm 分布から作る式である。Palm 版 $\Phi^0$ を原点の点から次の点までの間で一様な速さで「流し」、間隔の長さで重みをつけて平均すると、定常分布になる。$\mathbb R^d$ では間隔の代わりに Voronoi 図の原点の点の細胞を使って同じ形の式が成り立つ(LP17 Theorem 9.6 と (9.17)、p. 88。Voronoi図)。
典型的な間隔と原点を含む間隔

thm-palm-inversion の設定で、原点を含む間隔の長さを $L:=T_+(\Phi)-T_-(\Phi)$、原点から次の点までの距離を $T_+(\Phi)$ とする。

  1. $E^0[T_+(\Phi^0)]=1/\gamma$。
  2. 可測な $k\colon(0,\infty)\to[0,\infty]$ について $E[k(L)]=\gamma\,E^0\bigl[T_+(\Phi^0)\,k(T_+(\Phi^0))\bigr]$。すなわち $L$ の分布は、典型的な間隔 $T_+(\Phi^0)$ の分布を長さで重みづけたものである。とくに $E[L]=\gamma E^0[T_+(\Phi^0)^2]\ge1/\gamma$ で、等号は $T_+(\Phi^0)$ が確率 $1$ で定数のときに限る。
  3. $s\ge0$ について $P(T_+(\Phi)>s)=\gamma\,E^0\bigl[(T_+(\Phi^0)-s)^+\bigr]=\gamma\int_s^\infty P^0\bigl(T_+(\Phi^0)>u\bigr)\,du$。
(4) に間隔の関数を入れる

要点:原点を含む間隔の長さは、左端を原点に移した配置の $T_+$ である。(4)・(5) に $g\equiv1$、$h=k(T_+)$、$h=\mathbf 1\{T_+-t>s\}$ を入れる。

詳しい証明を開く

$T_-(\Phi)$ は $\Phi$ の点で、$\theta_{T_-(\Phi)}\Phi$ はその点を原点に移したものなので、$T_+(\theta_{T_-(\Phi)}\Phi)=T_+(\Phi)-T_-(\Phi)=L$ である。

1. (5) で $g\equiv1$ とすると $1=\gamma E^0[T_+(\Phi^0)]$。 2. (4) で $h(t,\mu):=k(T_+(\mu))$ とすると、左辺は $E[k(L)]$、右辺は $\gamma E^0[T_+(\Phi^0)k(T_+(\Phi^0))]$ である。$k(\ell)=\ell$ として $E[L]=\gamma E^0[T_+(\Phi^0)^2]$ で、Jensenの不等式 と 1 から $E^0[T_+(\Phi^0)^2]\ge(E^0[T_+(\Phi^0)])^2=\gamma^{-2}$、等号は $T_+(\Phi^0)$ が定数のときに限る。 3. $T_+(\Phi)=T_-(\Phi)+L$ なので、(4) で $h(t,\mu):=\mathbf 1\{T_+(\mu)-t>s\}$ とすると、左辺は $P(L+T_-(\Phi)>s)=P(T_+(\Phi)>s)$、右辺は $\gamma E^0\bigl[\int_0^{T_+}\mathbf 1\{T_+-t>s\}\,dt\bigr]=\gamma E^0[(T_+-s)^+]$ である。最後の等号は $(T_+-s)^+=\int_s^\infty\mathbf 1\{T_+>u\}\,du$ と Fubini の定理による。$\square$

2 は 検査のパラドックス の定常分布での形である。決まった時刻(原点)を含む間隔は、典型的な間隔より平均で長い。更新過程 の定理「検査のパラドックス(時間平均の形)」は同じ偏りを時間平均で述べている。

例

定常 Poisson 過程

$\Phi$ を $\mathbb R$ 上の強度 $\gamma$ の定常 Poisson 過程とする。thm-palm-slivnyak により $\Phi^0$ は $\Phi+\delta_0$ と同じ分布なので、$T_+(\Phi^0)$ は $\Phi$ の正の最初の点と同じ分布で、$P^0(T_+(\Phi^0)>s)=P(\Phi((0,s])=0)=e^{-\gamma s}$ である。典型的な間隔は平均 $1/\gamma$ の指数分布に従い、cor-palm-interval の 1 と合う。2 から原点を含む間隔の長さ $L$ の密度は $\gamma\ell\cdot\gamma e^{-\gamma\ell}$($\ell>0$)で、$E[L]=\gamma E^0[T_+(\Phi^0)^2]=\gamma\cdot\frac2{\gamma^2}=\frac2\gamma$ と、典型的な間隔の 2 倍になる。3 からは $P(T_+(\Phi)>s)=\gamma\int_s^\infty e^{-\gamma u}\,du=e^{-\gamma s}$ で、原点から次の点までの距離も平均 $1/\gamma$ の指数分布である。これは Poisson過程 の無記憶性と一致する。

一様にずらした格子

$U$ を $(0,1]$ 上の一様分布に従う確率変数とし、$\Phi:=\sum_{k\in\mathbb Z}\delta_{k+U}$ とおく。$\theta_y\Phi=\sum_k\delta_{k+U-y}$ で、$U-y$ を $1$ を法として $(0,1]$ に戻したものも一様分布に従うので、$\Phi$ は定常で、$\gamma=E[\Phi((0,1])]=1$ である。$\Phi$ の点 $x$ について $\theta_x\Phi=\sum_k\delta_k=:\mu_{\mathbb Z}$ はつねに整数の格子なので、(2) から $P^0(A)=E[\Phi((0,1])]\,\mathbf 1_A(\mu_{\mathbb Z})=\mathbf 1_A(\mu_{\mathbb Z})$、すなわち $P^0$ は $\mu_{\mathbb Z}$ の 1 点に集中する。$\Phi+\delta_0$ は確率 $1$ で整数でない点をもつので $P^0$ と異なり、thm-palm-slivnyak からも $\Phi$ は Poisson 過程でない。$T_+(\Phi^0)=1$ は定数で、cor-palm-interval の 2 の等号の場合にあたり、$L=1$ である。

定常な更新過程

thm-palm-inversion の設定で、$\Phi$ の Palm 版の点の間隔(原点の点から両側へ順に測った間隔)が独立で同じ分布 $F$(平均 $m< \infty$、$F(0)=0$)に従うとする。cor-palm-interval の 1 から $\gamma=1/m$ で、3 から
$$P(T_+(\Phi)>s)=\frac1m\int_s^\infty\bigl(1-F(u)\bigr)\,du$$
である。これは 更新過程 の例「定常な更新過程」の最初の遅れの分布 $G$ にほかならない。$F$ が $(0,2m)$ 上の一様分布なら、$E[L]=E^0[T_+(\Phi^0)^2]/m=\frac{4m}3$ である。

一般の空間での Palm 分布

定常性を使わない形もある。$(S,\mathcal S)$ を可測空間、$\Phi$ を $S$ 上の点過程とし、強度測度 $\Lambda$ が σ-有限であるとする。Campbell 測度 を
$$C(B\times A):=E\Bigl[\int\mathbf 1_B(x)\,\mathbf 1_A(\Phi)\,\Phi(dx)\Bigr]\qquad(B\in\mathcal S,\ A\subset\mathbf N\text{ は可測})$$
で定める。$C(\cdot\times A)\le\Lambda$ なので、各 $A$ について $C(\cdot\times A)$ は $\Lambda$ に絶対連続で、Radon–Nikodymの定理 により密度 $P^x(A)$ が $\Lambda$-a.e. の $x$ で定まる。$S$ から $\mathbf N$ への確率核 $x\mapsto P^x$ で、すべての $B$、$A$ について $C(B\times A)=\int_BP^x(A)\,\Lambda(dx)$ となるものを Palm 核 といい、$P^x$ を $x$ での Palm 分布 という。「$x$ に点があるという条件のもとでの $\Phi$ の分布」と読む。

  • $\Phi$ が強度測度 $\Lambda$(s 有限)の Poisson 点過程なら、Mecke の等式を $f(x,\mu)=\mathbf 1_B(x)\mathbf 1_A(\mu)$ に使うと、$P^x:=P(\Phi+\delta_x\in\cdot\,)$ が Palm 核である。
  • $\Phi$ が $\mathbb R^d$ 上の定常な点過程で $0< \gamma< \infty$ なら、(3) を $f(x,\mu)=\mathbf 1_B(x)\mathbf 1_A(\mu)$ に使うと、$P^x:=P(\theta_{-x}\Phi^0\in\cdot\,)$ が Palm 核である。$\Lambda=\gamma\lambda_d$ で、原点での Palm 分布が def-palm-main の $P^0$ である。

反例

thm-palm-campbell と thm-palm-inversion の仮定を 1 つずつ外す。$\Psi$ は $\mathbb R$ 上の強度 $1$ の定常 Poisson 過程とする。

外した仮定例成り立たなくなる結論
定常性(thm-palm-campbell)強度測度 $\mathbf 1_{(0,\infty)}(x)\,dx$ の Poisson 点過程(1) を満たす確率測度 $P^0$ が存在しない
単純であること(thm-palm-inversion)$\Phi:=2\Psi$(各点の重みが $2$)(5) が $g\equiv1$ で成り立たない(左辺 $1$、右辺 $2$)
両側に無限個の点があること(thm-palm-inversion)$\xi$ を $\Psi$ と独立に確率 $\frac12$ ずつ $0,1$ をとる確率変数とし、$\Phi:=\xi\Psi$(5) が $g\equiv1$ で成り立たない(左辺 $1$、右辺 $\frac12$)
反例の確かめ

要点:各行で (2) から $P^0$ を求め、(1) または (5) の両辺を比べる。

詳しい証明を開く

1 行目:強度は $E[\Phi((0,1]^1)]=1$ で、外したのは定常性だけである。(1) に $f(x,\mu)=\mathbf 1_{(-1,0]}(x)$ を入れると、左辺は $E[\Phi((-1,0])]=0$、右辺は $\gamma\lambda_1((-1,0])=1$ となり、どんな $P^0$ でも成り立たない。

2 行目:$2\Psi$ は定常で、$\gamma=2$、両側に無限個の点をもつ。$\Phi$ の点 $x$ では $\theta_x\Phi=2\theta_x\Psi$ なので、prf-palm-slivnyak の必要性の計算を集合 $\{\mu:2\mu\in A\}$ に使うと $E[\int\mathbf 1_B(x)\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)]=2\lambda_1(B)P(2(\Psi+\delta_0)\in A)$ となり、(2) から $P^0$ は $2(\Psi+\delta_0)$ の分布である。$T_+(\Phi^0)$ は $\Psi$ の正の最初の点と同じ分布で平均 $1$ なので、(5) の右辺は $\gamma E^0[T_+]=2$、左辺は $1$ である。原点を含む間隔の左端の点が重み $2$ で 2 回数えられることが原因である。

3 行目:$\Phi$ は定常で単純、$\gamma=E[\xi]E[\Psi((0,1])]=\frac12$ である。$\xi$ と $\Psi$ は独立なので $E[\int\mathbf 1_B(x)\mathbf 1_A(\theta_x\Phi)\,\Phi(dx)]=\frac12\lambda_1(B)P(\Psi+\delta_0\in A)$ で、(2) から $P^0$ は $\Psi+\delta_0$ の分布、$E^0[T_+]=1$ である。(5) の右辺は $\frac12$ で、左辺の $1$ と違う。確率 $\frac12$ で点がなく、そのとき原点を含む間隔がないことが原因である。

補足

名前

考え方は C. Palm の電話の通話量の研究(1943)にさかのぼる。thm-palm-slivnyak は Mecke による証明で、直線の上の定常 Poisson 過程についての先行する形は Slivnyak による(LP17 Historical Notes、p. 275)。

関連項目

参考文献

[1]
Günter Last, Mathew Penrose, Lectures on the Poisson Process, Cambridge University Press (Institute of Mathematical Statistics Textbooks 7), 2017, Definition 8.1・Proposition 8.2・8.3(p. 70)、Proposition 8.4(p. 71)、Theorem 9.1(精密化された Campbell の定理、pp. 82–83)、Lemma 9.2・Definition 9.3・(9.6)・(9.7)(p. 84)、Theorem 9.4(Mecke–Slivnyak の定理)・Proposition 9.5(p. 85)、Theorem 9.6 と (9.17)(p. 88)、Historical Notes の第 9 章(p. 275)

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する