一般的积分是指黎曼积分, 其计算是把区域无限细分求和并取极限, 有另外一种积分是把区域无限细分求积并取极限, 这个在生存模型中有很多应用.
生存模型
设生存的时间为随机变量\(T\), 则生存函数定义为
\[S(t):= \mathrm{Pr} (T \ge t), \: t>0, \]
显然\(S(0)=0\). 生存函数表示, 一个个体生存时间超过\(t\)的概率.
连续情形
设随机变量\(T\)所对应的密度函数为\(f(t)\), 并定义hazard rate为
\[\alpha (t) := \mathop{\lim} \limits_{h \rightarrow 0} \frac{\mathrm{Pr}(t \le T \le t+h|T \ge t)}{h}, \]
注意到
\[\frac{\mathrm{Pr}(t \le T \le t+h|T \ge t)}{h}= \frac{\mathrm{Pr}(t\le T \le t+h)}{h \cdot \mathrm{Pr}(T\ge t)}, \]
故
\[\alpha(t)=f(t)/S(t). \]
又
\[f(t) =\frac{\mathrm{d}F(t)}{\mathrm{d}t} = \frac{\mathrm{d}(1-S(t))}{\mathrm{d}t}=-\frac{d}{dt}S(t)=:S'(t). \]
所以
\[\alpha(t)=-\frac{S'(t)}{S(t)}=-\frac{\mathrm{d}}{\mathrm{d}t} \log S(t), \]
故
\[S(t)=\exp \{ -\int_{0}^t \alpha(s) \mathrm{d}s\}, \: t>0. \]
离散情形
此时假设\(f(t)=\mathrm{Pr}(T=t)\),
\[\alpha(t):=\mathrm{Pr}(T=t|T\ge t)=f(t)/S(t), \]
可以证明
\[S(t)= \prod_0^t (1-\alpha(s)), \]
注意, 这里的\(\prod\)个人感觉都没法用极限去理解, 只能用无限(即便是不可数)个1相乘仍为1理解.
不妨设\(f(t)\)仅在\(0<t_1 < t_2 < \cdots\)处非零, 则
\[S(t)=1, \: t\le t_1, \\ S(t)=1-f(t_1)=1-\alpha(t_1), \: t_1 < t \le t_2, \\ \]
\[S(t)=1-f(t_1)-f(t_2)=1-\alpha(t_1)- \alpha(t_2)S(t_2)=(1-\alpha(t_1)(1-\alpha(t_2)), \: t_2 < t \le t_3 \\ \cdots \]
统一
记连续情况下
\[A(t) = \int_0^t \alpha(s) \mathrm{d}s \]
离散情况下
\[A(t) =\sum_0^t \alpha(s), \]
这里的\(\sum\)请用勒贝格积分理解, 二者在实变函数下统一为
\[A(t) = \int_0^t \frac{1}{S(s)} \mathrm{d}S(s). \]
\(A(t+h)-A(t)\)可以理解为个体在\([t,t+h]\)内死亡的概率, 则
\[S(t)= \lim_{\max |t_i - t_{i-1}| \rightarrow 0} \prod_0^t (1-(A(t_i)-A(t_{i-1}))=:\prod_0^t (1-dA(s)) \]
意思就是, 个体想活过\(t\), 必须前面的每一个阶段都是活着的(严格的推导, 以及极限存在等等不知).
还有在矩阵和马尔可夫上的推广, 一知半解, 就不记录了.