逆高斯过程的概率密度函数如何推导？

Question

在推导逆高斯过程的概率密度函数时，一个常见技术问题是：如何从布朗运动首次通过时间的分布出发，结合首达时（first-passage time）特性，严格推导出逆高斯分布的形式？具体而言，为何当漂移系数为正时，布朗运动首次到达某一固定阈值的时间服从逆高斯分布？推导过程中如何正确应用反射原理与拉普拉斯变换，并确保概率密度函数的归一性与非负性？这一步骤在可靠性分析与退化建模中至关重要，但常因忽略边界条件或误用随机过程对偶性而导致错误。

Answer 1

从布朗运动首达时到逆高斯分布的严格推导：理论与应用

1. 引言：逆高斯分布的背景与意义

在可靠性工程、退化建模与生存分析中，设备或系统的失效时间常被建模为随机过程首次通过某一阈值的时间，即“首达时”（First-Passage Time, FPT）。当底层随机过程为带漂移的布朗运动时，其首达时服从逆高斯分布。这一结论看似直观，但其严格数学推导涉及反射原理、拉普拉斯变换与边界条件处理，稍有不慎便会导致归一性破坏或非物理解。

2. 基本设定与问题形式化

考虑一个带正漂移的布朗运动：

dX(t) = \mu dt + \sigma dW(t), \quad X(0) = 0

其中 \(\mu > 0\) 为漂移系数，\(\sigma > 0\) 为扩散系数，\(W(t)\) 为标准布朗运动。定义首达时：

\tau_a = \inf\{ t > 0 : X(t) = a \}, \quad a > 0

目标是求 \(\tau_a\) 的概率密度函数 \(f(t)\)，并证明其服从逆高斯分布：

f(t) = \sqrt{\frac{\lambda}{2\pi t^3}} \exp\left( -\frac{\lambda (t - \mu)^2}{2\mu^2 t} \right)

其中 \(\lambda = a^2 / \sigma^2\)，\(\mu = a / \mu\)（注意此处参数命名惯例）。

3. 反射原理的应用与路径对称性

反射原理是推导首达时分布的核心工具。其基本思想是：对于任意路径在时间 \(t\) 首次到达 \(a\)，存在一条对称路径，该路径在 \(\tau_a\) 后关于水平线 \(a\) 反射。

• 设 \(M(t) = \max_{0 \leq s \leq t} X(s)\)，则事件 \(\{\tau_a \leq t\} = \{M(t) \geq a\}\)。
• 利用反射原理可得：
  \(\mathbb{P}(\tau_a \leq t) = 2 \mathbb{P}(X(t) \geq a)\)
• 此关系仅在无漂移（\(\mu = 0\)）时严格成立；当 \(\mu > 0\) 时需引入Girsanov变换进行测度变换。

4. Girsanov定理与测度变换

为处理漂移项，引入Girsanov定理将带漂移过程转化为无漂移过程下的等价测度。

原测度 \(\mathbb{P}\)	新测度 \(\mathbb{Q}\)
\(dX(t) = \mu dt + \sigma dW^\mathbb{P}(t)\)	\(dX(t) = \sigma dW^\mathbb{Q}(t)\)
漂移存在	漂移消除
Radon-Nikodym导数： \(\frac{d\mathbb{Q}}{d\mathbb{P}}\bigg|_{\mathcal{F}_t} = \exp\left(-\frac{\mu}{\sigma} W^\mathbb{P}(t) - \frac{\mu^2}{2\sigma^2} t \right)\)	用于重加权路径概率

5. 首达时分布的显式推导

在测度 \(\mathbb{Q}\) 下，反射原理适用：

\mathbb{Q}(\tau_a \leq t) = 2 \mathbb{Q}(X(t) \geq a) = 2 \left(1 - \Phi\left(\frac{a}{\sigma\sqrt{t}}\right)\right)

再转换回原测度 \(\mathbb{P}\)：

\mathbb{P}(\tau_a \leq t) = \mathbb{E}^\mathbb{Q}\left[ \frac{d\mathbb{P}}{d\mathbb{Q}} \cdot \mathbf{1}_{\{\tau_a \leq t\}} \right]

经积分计算可得累积分布函数（CDF）：

F(t) = \mathbb{P}(\tau_a \leq t) = \Phi\left( \frac{\mu t - a}{\sigma \sqrt{t}} \right) + \exp\left( \frac{2\mu a}{\sigma^2} \right) \Phi\left( \frac{-\mu t - a}{\sigma \sqrt{t}} \right)

6. 概率密度函数的导出与归一性验证

对 CDF 求导得到 PDF：

f(t) = \frac{d}{dt} F(t) = \sqrt{\frac{a^2}{2\pi \sigma^2 t^3}} \exp\left( -\frac{(a - \mu t)^2}{2\sigma^2 t} \right)

令 \(\lambda = a^2 / \sigma^2\)，\(\mu_{\text{ig}} = a / \mu\)，即得标准逆高斯形式：

f(t; \mu_{\text{ig}}, \lambda) = \sqrt{\frac{\lambda}{2\pi t^3}} \exp\left( -\frac{\lambda (t - \mu_{\text{ig}})^2}{2 \mu_{\text{ig}}^2 t} \right)

验证归一性：

\int_0^\infty f(t) dt = 1

可通过拉普拉斯变换或直接积分完成，关键在于指数项衰减速度与 \(t^{-3/2}\) 的可积性。

7. 拉普拉斯变换在推导中的作用

拉普拉斯变换提供了一种替代路径积分的方法。定义首达时的Laplace-Stieltjes变换：

\mathcal{L}[\tau_a](s) = \mathbb{E}[e^{-s \tau_a}]

利用生成元方法或ODE求解可得：

\mathcal{L}[\tau_a](s) = \exp\left( \frac{\mu a}{\sigma^2} \left(1 - \sqrt{1 + \frac{2\sigma^2 s}{\mu^2}} \right) \right)

该表达式与逆高斯分布的Laplace变换一致，从而反证PDF正确性。

8. 常见技术误区与解决方案

1. 误用反射原理于有漂移过程：未进行测度变换直接使用对称性，导致概率超限。
2. 忽略边界吸收条件：未设置吸收壁导致路径重复计数。
3. 参数混淆：将漂移系数 \(\mu\) 与逆高斯均值参数 \(\mu_{\text{ig}}\) 混淆。
4. 归一性缺失：推导中遗漏指数修正项 \(\exp(2\mu a/\sigma^2)\)，导致积分不为1。
5. 非负性验证不足：未检查PDF在 \(t \to 0^+\) 和 \(t \to \infty\) 的行为。
6. 数值实现溢出：在小 \(t\) 时 \(t^{-3/2}\) 易导致浮点溢出，需对数空间计算。
7. 误认为所有FPT均为逆高斯：仅适用于线性漂移布朗运动，非线性系统不适用。
8. 忽略起始点偏移：若 \(X(0) = x_0 > 0\)，阈值应调整为 \(a - x_0\)。
9. 多维扩展误用：高维首达时不再服从逆高斯，需用其他分布近似。
10. 软件包参数差异：R中rig函数与Python中scipy.stats.invgauss参数定义不同。

9. 应用场景与工程价值

graph TD
    A[设备退化过程] --> B[建模为带漂移布朗运动]
    B --> C[定义失效阈值a]
    C --> D[首达时τ_a ~ 逆高斯分布]
    D --> E[预测剩余使用寿命RUL]
    E --> F[制定维护策略]
    F --> G[降低停机风险]
    G --> H[提升系统可靠性]

10. 数值验证示例（Python代码片段）

import numpy as np
from scipy.stats import invgauss
import matplotlib.pyplot as plt

# 参数设置
mu_ig = 5.0  # 逆高斯均值
lambda_ig = 2.0  # 形状参数
t = np.linspace(0.1, 20, 1000)

# 计算PDF
pdf = invgauss.pdf(t, mu=mu_ig/lambda_ig, scale=lambda_ig)

# 验证归一性
integral = np.trapz(pdf, t)
print(f"PDF积分（归一性）: {integral:.6f}")  # 应接近1

plt.plot(t, pdf, label=f'IG(μ={mu_ig}, λ={lambda_ig})')
plt.xlabel('Time t')
plt.ylabel('Density f(t)')
plt.title('Inverse Gaussian Distribution')
plt.legend()
plt.grid(True)
plt.show()