随机过程的一般概念

随机过程：TTT是(−∞,∞)(-\infty,\infty)(−∞,∞)的子集，对于每个t∈Tt\in Tt∈T，XtX_tXt​是随机变量，则称随机变量的集合{Xt∣t∈T}\{X_t|t\in T\}{Xt​∣t∈T}是随机过程，TTT是随机过程的指标集‾\underline{指标集}指标集​
随机过程的观测或实现：对每个t∈Tt\in Tt∈T，都得到了XtX_tXt​的观测值xtx_txt​，称{xt∣t∈T}\{x_t|t\in T\}{xt​∣t∈T}是{Xt∣t∈T}\{X_t|t\in T\}{Xt​∣t∈T}是随机过程的一次实现或一次观测
轨迹或轨道：当TTT是[0,∞)[0,\infty)[0,∞)或(−∞,∞)(-\infty,\infty)(−∞,∞)时，{Xt∣t∈T}\{X_t|t\in T\}{Xt​∣t∈T}的一次观测又称为是一条轨道或一条轨迹
时间序列：T=NT=NT=N或T=ZT=ZT=Z时，随机过程又称为时间序列

计数过程的一般概念

计数过程:用来描述一段时间内发生的某类事件的次数的随机过程，计数过程{N(t)}\{N(t)\}{N(t)}定义为：N(t)N(t)N(t)是(0,t](0,t](0,t]时间内某事件发生的次数，满足：
(1)对t≥0t\ge 0t≥0，N(t)N(t)N(t)是取非负整数值的随机变量
(2)t≥st\ge st≥s时，N(t)≥N(s)≥0N(t)\ge N(s)\ge 0N(t)≥N(s)≥0
(3)N(t)−N(s)N(t)-N(s)N(t)−N(s)表示(s,t](s,t](s,t]时间段内该事件发生的次数
(4)N(t)N(t)N(t)的轨迹是单调不减右连续的阶梯函数
举例：计数过程可以表示某段时间内收到的手机短信数，某段时间内到达某个车站的乘客数目，某段时间内商场经理收到商品质量的投诉数，某段时间内股票市场股票成交的次数

独立增量性：对于计数过程{N(t)}\{N(t)\}{N(t)}，如果任取0<t1<t2<⋯<tn0<t_1<t_2<\cdots<t_n0<t1​<t2​<⋯<tn​，随机变量N(t1),N(t2)−N(t1),⋯,N(tn)−N(tn−1)N(t_1),N(t_2)-N(t_1),\cdots,N(t_n)-N(t_{n-1}) N(t1​),N(t2​)−N(t1​),⋯,N(tn​)−N(tn−1​)是相互独立的，则称计数过程{N(t)}\{N(t)\}{N(t)}具有独立增量性，该计数过程称为独立增量过程

平稳增量性：如果对计数过程{N(t)}\{N(t)\}{N(t)}，对任何的非负实数sss，随机变量
N(t2)−N(t1),N(t2+s)−N(t1+s)N(t_2)-N(t_1),N(t_2+s)-N(t_1+s)N(t2​)−N(t1​),N(t2​+s)−N(t1​+s)同分布，则称该计数过程具有平稳增量性，该计数过程称为平稳增量过程

泊松过程

泊松过程的定义

泊松过程 称满足以下条件的计数过程{N(t)}\{N(t)\}{N(t)}是强度为λ\lambdaλ的泊松过程：
(1){N(t)}\{N(t)\}{N(t)}是满足N(0)=0N(0)=0N(0)=0的独立增量过程和平稳增量过程
(2)N(t)N(t)N(t)满足参数为λt\lambda tλt的泊松分布

强度的含义：EN(t)=λtEN(t)=\lambda tEN(t)=λt，故单位时间内发生的平均事件数为EN(t)t=λ\frac{EN(t)}{t}=\lambda tEN(t)​=λ因此，强度的实际含义是单位时间内发生时间的平均次数

等价定义：如果计数过程{N(t)}\{N(t)\}{N(t)}满足：
(1)N(0)=0N(0)=0N(0)=0
(2){N(t)}\{N(t)\}{N(t)}是独立增量过程和平稳增量过程
(3){N(t)}\{N(t)\}{N(t)}满足普通性，即：{P(N(h)=1)=λh+o(h)P(N(h)≥2)=o(h)\begin{cases} P(N(h)=1)=\lambda h+o(h)\\ P(N(h)\ge 2)=o(h) \end{cases} {P(N(h)=1)=λh+o(h)P(N(h)≥2)=o(h)​则{N(t)}\{N(t)\}{N(t)}是强度为λ\lambdaλ的泊松过程（通俗地讲是，在极短的时间内，发生一次时间的概率同时间几乎成正比，几乎不可能发生两次或以上事件）

证：
令f0(h)=P{N(h)=0}=1−P{N(h)=1}−P{N(h)≥2}=1−λh+o(h)f_0(h)=P\{N(h)=0\}=1-P\{N(h)=1\}-P\{N(h)\ge 2\}=1-\lambda h+o(h)f0​(h)=P{N(h)=0}=1−P{N(h)=1}−P{N(h)≥2}=1−λh+o(h)，则当Δh>0\Delta h>0Δh>0时f0(h+Δh)=P{N(h+Δh)=0}=P{N(h)=0,N(h+Δh)−N(h)=0}=P{N(h)=0}P{N(Δh)=0}=f0(h)f0(Δh)\begin{aligned} &f_0(h+\Delta h)=P\{N(h+\Delta h)=0\}\\=&P\{N(h)=0,N(h+\Delta h)-N(h)=0\}\\ =&P\{N(h)=0\}P\{N(\Delta h)=0\}\\ =&f_0(h)f_0(\Delta h) \end{aligned}===​f0​(h+Δh)=P{N(h+Δh)=0}P{N(h)=0,N(h+Δh)−N(h)=0}P{N(h)=0}P{N(Δh)=0}f0​(h)f0​(Δh)​上式的第二个等号，可以从两个角度理解
第一个角度，计数过程的取值都是非负整数，且满足单调性，Δh>0\Delta h>0Δh>0，而N(h+Δh)=N(h)+N(h+Δh)−N(h)N(h+\Delta h)=N(h)+N(h+\Delta h)-N(h)N(h+Δh)=N(h)+N(h+Δh)−N(h)，由于N(h),N(h+Δh)−N(h)N(h),N(h+\Delta h)-N(h)N(h),N(h+Δh)−N(h)都取非负整数值，两者之和为零的充要条件是两者均为0，如果Δh<0\Delta h<0Δh<0
第二个角度，从计数过程的定义来看，(0,h+Δh](0,h+\Delta h](0,h+Δh]这段时间内没有任何事件发生的充要条件当然是(0,h],(h,h+Δh](0,h],(h,h+\Delta h](0,h],(h,h+Δh]时间段内都没有任何事件发生，这两段时间内只要有任何一段发生了一次事件，那么(0,h+Δh](0,h+\Delta h](0,h+Δh]这段时间内都至少会发生1次事件
于是，当Δh>0\Delta h>0Δh>0时，就有f0(h+Δh)−f0(h)=[f0(Δh)−1]f(h)=[−λΔh+o(Δh)]f0(h)f_0(h+\Delta h)-f_0(h)=[f_0(\Delta h)-1]f(h)=[-\lambda \Delta h+o(\Delta h)]f_0(h) f0​(h+Δh)−f0​(h)=[f0​(Δh)−1]f(h)=[−λΔh+o(Δh)]f0​(h)两边除以Δh\Delta hΔh，再令Δh→0+\Delta h\to 0^+Δh→0+，即可证得f(h)f(h)f(h)的右导数存在，并且f0+(h)=−λf0(h)f_0^{+}(h)=-\lambda f_0(h) f0+​(h)=−λf0​(h)如果Δh<0\Delta h<0Δh<0，那么f0(h)=f0(h+Δh)f0(−Δh)f_0(h)=f_0(h+\Delta h)f_0(-\Delta h) f0​(h)=f0​(h+Δh)f0​(−Δh)因此f0(h+Δh)−f0(h)=f0(h+Δh)[1−f0(−Δh)]=f0(h+Δh)[−λΔh+o(Δh)]f_0(h+\Delta h)-f_0(h)=f_0(h+\Delta h)[1-f_0(-\Delta h)]=f_0(h+\Delta h)[-\lambda \Delta h+o(\Delta h)]f0​(h+Δh)−f0​(h)=f0​(h+Δh)[1−f0​(−Δh)]=f0​(h+Δh)[−λΔh+o(Δh)]由上式不难得出lim⁡Δ→0−f0(h+Δh)=f(h)\displaystyle \lim_{\Delta \to 0^-}f_0(h+\Delta h)=f(h)Δ→0−lim​f0​(h+Δh)=f(h)，两边除以Δh\Delta hΔh，再令Δh→0−\Delta h\to 0^-Δh→0−，即可证得f(h)f(h)f(h)的左导数也存在，并且f0−(h)=−λf0(h)f^{-}_0(h)=-\lambda f_0(h) f0−​(h)=−λf0​(h)故f(h)f(h)f(h)在h=0h=0h=0处可导，且满足微分方程f0′(h)=−λf0(h)f_0^\prime(h)=-\lambda f_0(h) f0′​(h)=−λf0​(h)方程的通解为f0(h)=Ce−λhf_0(h)=Ce^{-\lambda h} f0​(h)=Ce−λh令h=0h=0h=0，f0(h)=1f_0(h)=1f0​(h)=1，故C=1C=1C=1，从而得到P{N(h)=0}=e−λhP\{N(h)=0\}=e^{-\lambda h}P{N(h)=0}=e−λh。接下来就可以求解P{N(h)=1}P\{N(h)=1\}P{N(h)=1}，同样地，我们令f1(h)=P{N(h)=1}f_1(h)=P\{N(h)=1\}f1​(h)=P{N(h)=1}，当Δh>0\Delta h>0Δh>0时f1(h+Δh)=f1(h)f0(Δh)+f1(Δh)f0(h)f_1(h+\Delta h)=f_1(h)f_0(\Delta h)+f_1(\Delta h)f_0(h) f1​(h+Δh)=f1​(h)f0​(Δh)+f1​(Δh)f0​(h)因此f1(h+Δh)−f1(h)=f1(h)[f0(Δh)−1]+f1(Δh)f0(h)=f1(h)[−λΔh+o(Δh)]+[λΔh+o(Δh)]e−λh\begin{aligned} &f_1(h+\Delta h)-f_1(h)=f_1(h)[f_0(\Delta h)-1]+f_1(\Delta h)f_0(h)\\ =&f_1(h)[-\lambda \Delta h +o(\Delta h)]+[\lambda \Delta h+o(\Delta h)]e^{-\lambda h} \end{aligned}=​f1​(h+Δh)−f1​(h)=f1​(h)[f0​(Δh)−1]+f1​(Δh)f0​(h)f1​(h)[−λΔh+o(Δh)]+[λΔh+o(Δh)]e−λh​两边除以Δh\Delta hΔh，令Δ→0+\Delta \to 0^+Δ→0+，即可证得f1(h)f_1(h)f1​(h)在hhh处存在右导数，并且f1+(h)=−λf1(h)+λe−λhf^+_1(h)=-\lambda f_1(h)+\lambda e^{-\lambda h} f1+​(h)=−λf1​(h)+λe−λh如果Δh<0\Delta h<0Δh<0，有f1(h+Δh)−f(h)=f1(h+Δh)[1−f0(−Δh)]−f1(−Δh)f0(h+Δh)=[−λΔh+o(Δh)]f1(h+Δh)−[−λΔh+o(Δh)]f0(h+Δh)\begin{aligned} &f_1(h+\Delta h)-f(h)\\ =&f_1(h+\Delta h)[1-f_0(-\Delta h)]-f_1(-\Delta h)f_0(h+\Delta h)\\ =&[-\lambda \Delta h +o(\Delta h)]f_1(h+\Delta h)-[-\lambda \Delta h+o(\Delta h)]f_0(h+\Delta h) \end{aligned} ==​f1​(h+Δh)−f(h)f1​(h+Δh)[1−f0​(−Δh)]−f1​(−Δh)f0​(h+Δh)[−λΔh+o(Δh)]f1​(h+Δh)−[−λΔh+o(Δh)]f0​(h+Δh)​同理可得f1−(h)f_1^{-}(h)f1−​(h)存在，并且f1−(h)=−λf1(h)+λe−λhf_1^{-}(h)=-\lambda f_1(h)+\lambda e^{-\lambda h} f1−​(h)=−λf1​(h)+λe−λh于是f1(h)f_1(h)f1​(h)在hhh处可导，并且满足微分方程f1′(h)=−λf1(h)+λe−λhf_1^\prime(h)=-\lambda f_1(h)+\lambda e^{-\lambda h} f1′​(h)=−λf1​(h)+λe−λh同时f1(0)=0f_1(0)=0f1​(0)=0，方程组的通解为f1(h)=λhe−λh+Ce−λhf_1(h)=\lambda h e^{-\lambda h}+Ce^{-\lambda h} f1​(h)=λhe−λh+Ce−λh由f1(0)=0f_1(0)=0f1​(0)=0，得到C=0C=0C=0，f1(h)=λhe−λhf_1(h)=\lambda h e^{-\lambda h}f1​(h)=λhe−λh，接下来我们用数学归纳法完成接下来的证明，假设对k≤nk\le nk≤n，都有P{N(h)=k}=(λh)kk!e−λhP\{N(h)=k\}=\frac{(\lambda h)^k}{k!}e^{-\lambda h} P{N(h)=k}=k!(λh)k​e−λh我们来求fn+1(h)=P{N(h)=n+1}f_{n+1}(h)=P\{N(h)=n+1\}fn+1​(h)=P{N(h)=n+1}，我们这里设fk(h)=(λh)kk!e−λh,k=1,⋯,nf_k(h)=\frac{(\lambda h)^k}{k!}e^{-\lambda h},k=1,\cdots,nfk​(h)=k!(λh)k​e−λh,k=1,⋯,n，同样地，当Δh>0\Delta h>0Δh>0时，有fn+1(h+Δh)=∑k=0n+1fk(h)fn+1−k(Δh)f_{n+1}(h+\Delta h)=\sum_{k=0}^{n+1}f_k(h)f_{n+1-k}(\Delta h) fn+1​(h+Δh)=k=0∑n+1​fk​(h)fn+1−k​(Δh)故fn+1(h+Δh)−fn+1(h)=fn+1(h)(1−f0(Δh))+∑k=0nfk(h)fn+1−k(Δh)f_{n+1}(h+\Delta h)-f_{n+1}(h)=f_{n+1}(h)(1-f_0(\Delta h))+\sum_{k=0}^nf_k(h)f_{n+1-k}(\Delta h) fn+1​(h+Δh)−fn+1​(h)=fn+1​(h)(1−f0​(Δh))+k=0∑n​fk​(h)fn+1−k​(Δh)两边除以Δh\Delta hΔh，再令Δh→0+\Delta h\to 0^+Δh→0+，可证得fn+1(h)f_{n+1}(h)fn+1​(h)在hhh处右导数存在，并且fn+1+(h)=λfn+1(h)+λfn(h)f_{n+1}^{+}(h)=\lambda f_{n+1}(h)+\lambda f_n(h) fn+1+​(h)=λfn+1​(h)+λfn​(h)模仿上面的证明，可以证得fn+1f_{n+1}fn+1​在hhh处左导数也存在，并且fn+1−(h)=λfn+1(h)+λfn(h)f_{n+1}^{-}(h)=\lambda f_{n+1}(h)+\lambda f_n(h) fn+1−​(h)=λfn+1​(h)+λfn​(h)故fn+1′(h)=λfn+1(h)+λn+1hnn!e−λhf_{n+1}^\prime(h)=\lambda f_{n+1}(h)+\frac{\lambda^{n+1}h^n}{n!}e^{-\lambda h} fn+1′​(h)=λfn+1​(h)+n!λn+1hn​e−λh该微分方程的通解为fn+1(h)=(λh)n+1(n+1)!e−λh+Ce−λhf_{n+1}(h)=\frac{(\lambda h)^{n+1}}{(n+1)!}e^{-\lambda h}+C e^{-\lambda h} fn+1​(h)=(n+1)!(λh)n+1​e−λh+Ce−λh再由fn+1(0)=0f_{n+1}(0)=0fn+1​(0)=0，得C=0C=0C=0，故fn+1(h)=(λh)n+1(n+1)!e−λhf_{n+1}(h)=\frac{(\lambda h)^{n+1}}{(n+1)!}e^{-\lambda h} fn+1​(h)=(n+1)!(λh)n+1​e−λh由归纳法，对任意的n=1,2,⋯n=1,2,\cdotsn=1,2,⋯，就有P{N(h)=n}=(λt)nn!e−λtP\{N(h)=n\}=\frac{(\lambda t)^n}{n!}e^{-\lambda t} P{N(h)=n}=n!(λt)n​e−λt故{N(t)}\{N(t)\}{N(t)}是泊松过程

泊松呼叫流、等待时间、年龄、寿命

先给出这几个概念，再给出他们的分布。假设对{N(t)}\{N(t)\}{N(t)}对应的事件流，第一次事件发生的时间点为S1S_1S1​，S2S_2S2​，S3S_3S3​，⋯\cdots⋯，我们将其画在时间轴上，即

泊松呼叫流：计数过程{N(t)}\{N(t)\}{N(t)}对应的各事件发生的时刻{Sn}\{S_n\}{Sn​}，{Sn}\{S_n\}{Sn​}是单调递增的非负时间序列，由泊松呼叫流的一次实现可以得到{N(t)}\{N(t)\}{N(t)}的一次实现，由于N(t)N(t)N(t)的含义是在(0,t](0,t](0,t]内发生的事件的次数，故我们只需要数(0,t](0,t](0,t]时间内有多少个SiS_iSi​，如果N(t)=nN(t)=nN(t)=n说明：Sn≤tS_n\le tSn​≤t，Sn+1>tS_{n+1}>tSn+1​>t，我们得到以下的基本关系式
{N(t)<n}={Sn>t}{N(t)=n}={Sn≤t<Sn+1}\{N(t)< n\}=\{S_n>t\}\\ \{N(t)=n\}=\{S_n\le t < S_{n+1}\} {N(t)<n}={Sn​>t}{N(t)=n}={Sn​≤t<Sn+1​}
等待时间：即相邻两次事件发生的时间间隔，即Xi=Si−Si−1,i=1,2,⋯X_i=S_{i}-S_{i-1},i=1,2,\cdotsXi​=Si​−Si−1​,i=1,2,⋯，这里定义S0=0S_0=0S0​=0
年龄和寿命：我们把S1,S2,⋯S_1,S_2,\cdotsS1​,S2​,⋯想象成更换某种零件的时间点，具体地讲，在0时刻第一个零件开始运作，在S1S_1S1​时刻第一个零件损坏，立即更换上第二个零件，在S2S_2S2​时刻，第二个零件损坏，立即更换上第三个零件，以此类推。假设N(t)=nN(t)=nN(t)=n，此时已经更换了nnn次零件，即此时运作的是机器的第n+1n+1n+1个零件，那么SnS_nSn​是这个零件开始运作的时刻，Sn+1S_{n+1}Sn+1​是这个零件损坏的时刻，那么，这个零件的年龄是t−Snt-S_nt−Sn​，剩余寿命是Sn+1−tS_{n+1}-tSn+1​−t，将nnn换成N(t)N(t)N(t)，年龄就是t−SN(t)t-S_{N(t)}t−SN(t)​，寿命就是SN(t)+1−tS_{N(t)+1}-tSN(t)+1​−t，前者我们记为A(t)A(t)A(t)，后者我们记为R(t)R(t)R(t)

呼叫流的联合分布

现在我们来求呼叫流(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的分布，首先求单个SnS_nSn​的分布：实际上{Sn≤t}={N(t)≥n}\{S_n\le t\}=\{N(t)\ge n\}{Sn​≤t}={N(t)≥n}，于是就得到SnS_nSn​的分布函数Fn(t)=∑k=n∞(λt)kk!e−λtF_n(t)=\sum_{k=n}^\infty \frac{(\lambda t)^k}{k!}e^{-\lambda t} Fn​(t)=k=n∑∞​k!(λt)k​e−λt求导即可得到其密度函数pn(t)=∑k=n∞kλktk−1k!e−λt−λ∑k=n∞(λt)kk!e−λt=λ∑k=n∞(λt)k−1(k−1)!e−λt−λ∑k=n∞(λt)kk!e−λt=λnΓ(n)tn−1e−λt\begin{aligned} p_n(t)=&\sum_{k=n}^\infty k\frac{\lambda^k t^{k-1}}{k!}e^{-\lambda t}-\lambda\sum_{k=n}^\infty \frac{(\lambda t)^k}{k!}e^{-\lambda t}\\ =&\lambda \sum_{k=n}^\infty \frac{(\lambda t)^{k-1}}{(k-1)!}e^{-\lambda t}-\lambda \sum_{k=n}^\infty \frac{(\lambda t)^{k}}{k!}e^{-\lambda t}\\ =&\frac{\lambda^n}{\Gamma(n)}t^{n-1}e^{-\lambda t} \end{aligned} pn​(t)===​k=n∑∞​kk!λktk−1​e−λt−λk=n∑∞​k!(λt)k​e−λtλk=n∑∞​(k−1)!(λt)k−1​e−λt−λk=n∑∞​k!(λt)k​e−λtΓ(n)λn​tn−1e−λt​可见SnS_nSn​服从伽马分布，参数为n,λn,\lambdan,λ，其均值为nλ\frac{n}{\lambda}λn​，接下来我们来求(S1,S2,⋯,Sn)(S_1,S_2,\cdots,S_n)(S1​,S2​,⋯,Sn​)的联合分布：我们假设其分布函数为F(s1,s2,⋯,sn)=P{S1≤s1,S2≤s2,⋯,Sn≤sn}F(s_1,s_2,\cdots,s_n)=P\{S_1\le s_1,S_2\le s_2,\cdots,S_n\le s_n\} F(s1​,s2​,⋯,sn​)=P{S1​≤s1​,S2​≤s2​,⋯,Sn​≤sn​}如果i<ji<ji<j,但si>sjs_i>s_jsi​>sj​，那么P{S1≤s1,⋯,Si>si,⋯,Sj≤sj,⋯,Sn≤sn}=P{S1≤s1,⋯,Si−1≤si−1,Si+1≤si+1,⋯,Sn≤sn}−F(x1,x2,⋅,xn)=0\begin{aligned} &P\{S_1\le s_1,\cdots,S_i>s_i,\cdots,S_j\le s_j,\cdots,S_n\le s_n\}\\ =&P\{S_1\le s_1,\cdots,S_{i-1}\le s_{i-1},S_{i+1}\le s_{i+1},\cdots ,S_n\le s_n\}-\\ &F(x_1,x_2,\cdot,x_n)=0 \end{aligned}=​P{S1​≤s1​,⋯,Si​>si​,⋯,Sj​≤sj​,⋯,Sn​≤sn​}P{S1​≤s1​,⋯,Si−1​≤si−1​,Si+1​≤si+1​,⋯,Sn​≤sn​}−F(x1​,x2​,⋅,xn​)=0​两边对x1,⋯,xnx_1,\cdots,x_nx1​,⋯,xn​依次求偏导，则p(x1,⋯,xn)=0p(x_1,\cdots,x_n)=0 p(x1​,⋯,xn​)=0因此，我们假设s1≤s2≤s3⋯≤sns_1\le s_2\le s_3\cdots\le s_ns1​≤s2​≤s3​⋯≤sn​，我们求分布函数F(s1,⋯,sn)F(s_1,\cdots,s_n)F(s1​,⋯,sn​)，以n=2n=2n=2为例，s1<s2s_1< s_2s1​<s2​，则F(s1,s2)=P{S1≤s1,S2≤s2}=P{S2≤s2}−P{S1>s1,S2≤s2}\begin{aligned} F(s_1,s_2)=&P\{S_1\le s_1,S_2\le s_2\}\\ =&P\{S_2\le s_2\}-P\{S_1>s_1,S_2\le s_2\} \end{aligned} F(s1​,s2​)==​P{S1​≤s1​,S2​≤s2​}P{S2​≤s2​}−P{S1​>s1​,S2​≤s2​}​而事件{S1>s1,S2≤s2}\{S_1>s_1,S_2\le s_2\}{S1​>s1​,S2​≤s2​}相当于在(0,s1](0,s_1](0,s1​]段事件发生了0次，(s1,s2](s_1,s_2](s1​,s2​]段事件至少发生了两次，有P{S1>s1,S2≤s2}=P{N(s1)=0,N(s2)−N(s1)≥2}=P{N(s1)=0}P{N(s2−s1)≥2}=e−λs1(∑k=2∞λk(s2−s1)kk!)e−λ(s2−s1)=(∑k=2∞λk(s2−s1)kk!)e−λs2\begin{aligned} P\{S_1>s_1,S_2\le s_2\}=&P\{N(s_1)=0,N(s_2)-N(s_1)\ge 2\}\\ =&P\{N(s_1)=0\}P\{N(s_2-s_1)\ge 2\}\\ =&e^{-\lambda s_1}(\sum_{k=2}^\infty\frac{\lambda^k(s_2-s_1)^k}{k!})e^{-\lambda(s_2-s_1)}\\ =&(\sum_{k=2}^\infty\frac{\lambda^k(s_2-s_1)^k}{k!})e^{-\lambda s_2} \end{aligned}P{S1​>s1​,S2​≤s2​}====​P{N(s1​)=0,N(s2​)−N(s1​)≥2}P{N(s1​)=0}P{N(s2​−s1​)≥2}e−λs1​(k=2∑∞​k!λk(s2​−s1​)k​)e−λ(s2​−s1​)(k=2∑∞​k!λk(s2​−s1​)k​)e−λs2​​则密度函数p(s1,s2)=∂2∂s1∂s2F(s1,s2)=λ2e−λs2p(s_1,s_2)=\frac{\partial^2}{\partial s_1\partial s_2}F(s_1,s_2)=\lambda^2e^{-\lambda s_2} p(s1​,s2​)=∂s1​∂s2​∂2​F(s1​,s2​)=λ2e−λs2​因此(S1,S2)(S_1,S_2)(S1​,S2​)的密度函数为p(s1,s2)=λ2e−λs2Is1<s2p(s_1,s_2)=\lambda^2e^{-\lambda s_2}I_{s_1<s_2}p(s1​,s2​)=λ2e−λs2​Is1​<s2​​，再求n=3n=3n=3的情形，设s1<s2<s3s_1< s_2< s_3s1​<s2​<s3​，那么F(s1,s2,s3)=P{S1≤s1,S2≤s2,S3≤s3}=P{S2≤s2,S3≤s3}−P{S1>s1,S2≤s2,S3≤s3}=P{S2≤s2,S3≤s3}−P{S1>s1,S2≤s2}+P{S1>s1,S2≤s2,S3>s3}\begin{aligned} F(s_1,s_2,s_3)=&P\{S_1\le s_1,S_2\le s_2,S_3\le s_3\}\\ =&P\{S_2\le s_2,S_3\le s_3\}-P\{S_1>s_1,S_2\le s_2,S_3\le s_3\}\\ =&P\{S_2\le s_2,S_3\le s_3\}-P\{S_1>s_1,S_2\le s_2\}+\\ &P\{S_1>s_1,S_2\le s_2,S_3>s_3\} \end{aligned}F(s1​,s2​,s3​)===​P{S1​≤s1​,S2​≤s2​,S3​≤s3​}P{S2​≤s2​,S3​≤s3​}−P{S1​>s1​,S2​≤s2​,S3​≤s3​}P{S2​≤s2​,S3​≤s3​}−P{S1​>s1​,S2​≤s2​}+P{S1​>s1​,S2​≤s2​,S3​>s3​}​从下图可以看出{S1>s1,S2≤s2,S3>s3}={N(s1)=0,N(s2)−N(s1)=2,N(s3)−N(s2)=0}\{S_1>s_1,S_2\le s_2,S_3>s_3\}=\{N(s_1)=0,N(s_2)-N(s_1)=2,N(s_3)-N(s_2)=0\} {S1​>s1​,S2​≤s2​,S3​>s3​}={N(s1​)=0,N(s2​)−N(s1​)=2,N(s3​)−N(s2​)=0}
故P{S1>s1,S2≤s2,S3>s3}=P{N(s1)=0}P{N(s2)−N(s1)=2}P{N(s3)−N(s2)=0}=e−λs1λ2(s2−s1)22e−λ(s2−s1)e−λ(s3−s2)=λ2(s2−s1)22e−λs3\begin{aligned} &P\{S_1>s_1,S_2\le s_2,S_3>s_3\}\\ =&P\{N(s_1)=0\}P\{N(s_2)-N(s_1)=2\}P\{N(s_3)-N(s_2)=0\}\\ =&e^{-\lambda s_1}\frac{\lambda^2(s_2-s_1)^2}{2}e^{-\lambda(s_2-s_1)}e^{-\lambda(s_3-s_2)}=\frac{\lambda^2(s_2-s_1)^2}{2}e^{-\lambda s_3} \end{aligned}==​P{S1​>s1​,S2​≤s2​,S3​>s3​}P{N(s1​)=0}P{N(s2​)−N(s1​)=2}P{N(s3​)−N(s2​)=0}e−λs1​2λ2(s2​−s1​)2​e−λ(s2​−s1​)e−λ(s3​−s2​)=2λ2(s2​−s1​)2​e−λs3​​同样地方法可以得到(S1,S2,S3)(S_1,S_2,S_3)(S1​,S2​,S3​)的密度函数为p(s1,s2,s3)=λ3e−λs3Is1<s2<s3p(s_1,s_2,s_3)=\lambda^3e^{-\lambda s_3}I_{s_1<s_2<s_3} p(s1​,s2​,s3​)=λ3e−λs3​Is1​<s2​<s3​​n=2n=2n=2及n=3n=3n=3情形已经给出求(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的一般方法，当n=2k+1n=2k+1n=2k+1，s1<s2<⋯<s2ks_1<s_2<\cdots<s_{2k}s1​<s2​<⋯<s2k​时，首先，比较容易求出的是以下概率Gk(s1,s2,⋯,s2k)=P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k}=∏i=1nP{N(s2i−1)−N(s2i−2)=0}.∏i=1n−1P{N(s2i)−N(s2i−1)=2}×P{N(s2k)−N(s2k−1)≥2}=∏i=1n−1λ2(s2i−s2i−1)22(∑j=2∞λj(s2k−s2k−1)jj!)e−λs2k\begin{aligned} &G_k(s_1,s_2,\cdots,s_{2k})\\ =&P\{S_1>s_1,S_2\le s_2,S_3>s_3,S_4\le s_4,\cdots,S_{2k-1}>s_{2k-1},S_{2k}\le s_{2k}\}\\ =&\prod_{i=1}^nP\{N(s_{2i-1})-N(s_{2i-2})=0\}.\prod_{i=1}^{n-1}P\{N(s_{2i})-N(s_{2i-1})=2\}\\ \times&P\{N(s_{2k})-N(s_{2k-1})\ge 2\}\\ =&\prod_{i=1}^{n-1}\frac{\lambda^2(s_{2i}-s_{2i-1})^2}{2}(\sum_{j=2}^\infty\frac{\lambda^j(s_{2k}-s_{2k-1})^j}{j!})e^{-\lambda s_{2k}} \end{aligned}==×=​Gk​(s1​,s2​,⋯,s2k​)P{S1​>s1​,S2​≤s2​,S3​>s3​,S4​≤s4​,⋯,S2k−1​>s2k−1​,S2k​≤s2k​}i=1∏n​P{N(s2i−1​)−N(s2i−2​)=0}.i=1∏n−1​P{N(s2i​)−N(s2i−1​)=2}P{N(s2k​)−N(s2k−1​)≥2}i=1∏n−1​2λ2(s2i​−s2i−1​)2​(j=2∑∞​j!λj(s2k​−s2k−1​)j​)e−λs2k​​其中规定s0=0s_0=0s0​=0，先对s1,⋯,s2k−2s_1,\cdots,s_{2k-2}s1​,⋯,s2k−2​依次求偏导∂2k−2∂s1∂s2⋯∂s2k−2Gk=λ2k−2(∑j=2∞λj(s2k−s2k−1)jj!)e−λs2k\frac{\partial^{2k-2}}{\partial s_1\partial s_2\cdots\partial s_{2k-2}}G_k=\lambda^{2k-2}(\sum_{j=2}^\infty\frac{\lambda^j(s_{2k}-s_{2k-1})^j}{j!})e^{-\lambda s_{2k}} ∂s1​∂s2​⋯∂s2k−2​∂2k−2​Gk​=λ2k−2(j=2∑∞​j!λj(s2k​−s2k−1​)j​)e−λs2k​这样对其余两个变元求偏导就轻松很多，具体过程不再详述，最终得到∂2k∂s1∂s2⋯∂s2kGk=(−1)kλ2ke−λs2k\frac{\partial^{2k}}{{\partial s_1\partial s_2\cdots\partial s_{2k}}}G_k=(-1)^k\lambda^{2k}e^{-\lambda s_{2k}} ∂s1​∂s2​⋯∂s2k​∂2k​Gk​=(−1)kλ2ke−λs2k​现在，我们令G1(s1,s2,⋯,sn)=P{S1>s1,S2≤s2,S3≤s3,⋯,S2k≤s2k}G2(s1,s2,⋯,sn)=P{S1>s1,S2≤s2,S3>s3,S4≤s4,S5≤s5,⋯,S2k≤s2k}⋯Gi(s1,s2,⋯,sn)=P{S1>s1,S2≤s2,⋯,S2i−1>s2i−1,Sj≤sj,n≥j>2i−1}⋯Gk(s1,s2,⋯,sn)=P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k}\begin{aligned} G_1(s_1,s_2,\cdots,s_n)=&P\{S_1>s_1,S_2\le s_2,S_3\le s_3,\cdots,S_{2k}\le s_{2k}\}\\ G_2(s_1,s_2,\cdots,s_n)=&P\{S_1>s_1,S_2\le s_2,S_3>s_3,S_4\le s_4,S_5\le s_5,\cdots,S_{2k}\le s_{2k}\}\\ \cdots\\ G_i(s_1,s_2,\cdots,s_n)=&P\{S_1>s_1,S_2\le s_2,\cdots,S_{2i-1}>s_{2i-1},S_j\le s_j,n\ge j>2i-1\}\\ \cdots\\ G_k(s_1,s_2,\cdots,s_n)=&P\{S_1>s_1,S_2\le s_2,S_3>s_3,S_4\le s_4,\cdots,S_{2k-1}>s_{2k-1},S_{2k}\le s_{2k}\} \end{aligned}G1​(s1​,s2​,⋯,sn​)=G2​(s1​,s2​,⋯,sn​)=⋯Gi​(s1​,s2​,⋯,sn​)=⋯Gk​(s1​,s2​,⋯,sn​)=​P{S1​>s1​,S2​≤s2​,S3​≤s3​,⋯,S2k​≤s2k​}P{S1​>s1​,S2​≤s2​,S3​>s3​,S4​≤s4​,S5​≤s5​,⋯,S2k​≤s2k​}P{S1​>s1​,S2​≤s2​,⋯,S2i−1​>s2i−1​,Sj​≤sj​,n≥j>2i−1}P{S1​>s1​,S2​≤s2​,S3​>s3​,S4​≤s4​,⋯,S2k−1​>s2k−1​,S2k​≤s2k​}​于是F(s1,s2,⋯,sn)=P{S2≤s2,S3≤s3,⋯,S2k≤s2k}−G1(s1,⋯,sn)G1(s1,⋯,sn)=P{S1>s1,S2≤s2,S4≤s4,⋯,S2k≤s2k}−G2(s1,⋯,sn)⋯F(s_1,s_2,\cdots,s_n)=P\{S_2\le s_2,S_3\le s_3,\cdots,S_{2k}\le s_{2k}\}-G_1(s_1,\cdots,s_n)\\ G_1(s_1,\cdots,s_n)=P\{S_1>s_1,S_2\le s_2,S_4\le s_4,\cdots,S_{2k}\le s_{2k}\}-G_2(s_1,\cdots,s_n)\\ \cdots F(s1​,s2​,⋯,sn​)=P{S2​≤s2​,S3​≤s3​,⋯,S2k​≤s2k​}−G1​(s1​,⋯,sn​)G1​(s1​,⋯,sn​)=P{S1​>s1​,S2​≤s2​,S4​≤s4​,⋯,S2k​≤s2k​}−G2​(s1​,⋯,sn​)⋯这样看FFF和GkG_kGk​的偏导数的关系应该是∂2k∂s1∂s2⋯∂s2kF=(−1)k∂2k∂s1∂s2⋯∂s2kGk\frac{\partial^{2k}}{{\partial s_1\partial s_2\cdots\partial s_{2k}}}F=(-1)^k\frac{\partial^{2k}}{{\partial s_1\partial s_2\cdots\partial s_{2k}}}G_k ∂s1​∂s2​⋯∂s2k​∂2k​F=(−1)k∂s1​∂s2​⋯∂s2k​∂2k​Gk​从而得到(S1,⋯,S2k)(S_1,\cdots,S_{2k})(S1​,⋯,S2k​)的联合密度应该是p(s1,⋯,sn)=λ2ke−λs2kI0<s1<⋯<s2kp(s_1,\cdots,s_n)=\lambda^{2k}e^{-\lambda s_{2k}}I_{0<s_1<\cdots<s_{2k}} p(s1​,⋯,sn​)=λ2ke−λs2k​I0<s1​<⋯<s2k​​当nnn为奇数的时候也进行类似的讨论，就得到(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的联合密度为p(s1,⋯,sn)=λne−λsnI0<s1<s2<⋯<snp(s_1,\cdots,s_n)=\lambda^ne^{-\lambda s_n}I_{0<s_1<s_2<\cdots<s_n} p(s1​,⋯,sn​)=λne−λsn​I0<s1​<s2​<⋯<sn​​
总结：{Sn}\{S_n\}{Sn​}是强度为λ\lambdaλ的泊松过程{N(t)}\{N(t)\}{N(t)}的呼叫流，则
(1)SnS_nSn​服从Γ(n,λ)\Gamma(n,\lambda)Γ(n,λ)
(2)(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的联合密度为p(s1,⋯,sn)=λne−λsnI0<s1<s2<⋯<snp(s_1,\cdots,s_n)=\lambda^ne^{-\lambda s_n}I_{0<s_1<s_2<\cdots<s_n} p(s1​,⋯,sn​)=λne−λsn​I0<s1​<s2​<⋯<sn​​

呼叫流的条件分布

下面给定N(t)=nN(t)=nN(t)=n的条件，(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的分布：
按照条件概率的定义P(S1≤s1,⋯,Sn≤sn∣N(t)=n)=P{Si≤si,i=1,2,⋯,n,N(t)=n}P{N(t)=n}P(S_1\le s_1,\cdots,S_n \le s_n|N(t)=n)=\frac{P\{S_i\le s_i,i=1,2,\cdots,n,N(t)=n\}}{P\{N(t)=n\}} P(S1​≤s1​,⋯,Sn​≤sn​∣N(t)=n)=P{N(t)=n}P{Si​≤si​,i=1,2,⋯,n,N(t)=n}​同非条件的联合分布的讨论一样，如果(s1,⋯,sn)(s_1,\cdots,s_n)(s1​,⋯,sn​)不满足0<s1<⋯<sn<t0<s_1<\cdots<s_n<t0<s1​<⋯<sn​<t，则对s1,⋯,sns_1,\cdots,s_ns1​,⋯,sn​依次求偏导等于0，因此我们假设0<s1<⋯<sn<t0<s_1<\cdots<s_n<t0<s1​<⋯<sn​<t。如果n=2kn=2kn=2k，比较容易求解的一个概率是P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k,N(t)=n}P\{S_1>s_1,S_2\le s_2,S_3>s_3,S_4\le s_4,\cdots,S_{2k-1}>s_{2k-1},S_{2k}\le s_{2k},N(t)=n\} P{S1​>s1​,S2​≤s2​,S3​>s3​,S4​≤s4​,⋯,S2k−1​>s2k−1​,S2k​≤s2k​,N(t)=n}我们把这些时刻画在时间轴上

这样，如何求解这个概率值就一目了然了，这个事件等价于在(0,s1](0,s_1](0,s1​]段事件发生了0次，在(s1,s2](s_1,s_2](s1​,s2​]段事件发生了2次，(s2,s3](s_2,s_3](s2​,s3​]段事件发生了0次，(s3,s4](s_3,s_4](s3​,s4​]段事件发生了2次，⋯\cdots⋯，在(s2k−1,s2k](s_{2k-1},s_{2k}](s2k−1​,s2k​]段事件发生了两次，在(s2k,t](s_{2k},t](s2k​,t]事件发生了0次。因此G(s1,⋯,sn)=P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k,N(t)=n}=∏i=1k(λ2(s2i−s2i−1)22e−λ(s2i−s2i−1))∏i=1ke−λ(s2i−1−s2i−2).e−λ(t−s2k)=∏i=1k[λ2(s2i−s2i−1)22]e−λt\begin{aligned} &G(s_1,\cdots,s_n)\\ =&P\{S_1>s_1,S_2\le s_2,S_3>s_3,S_4\le s_4,\cdots,S_{2k-1}>s_{2k-1},S_{2k}\le s_{2k},N(t)=n\}\\ =&\prod_{i=1}^{k}(\frac{\lambda^2(s_{2i}-s_{2i-1})^2}{2}e^{-\lambda(s_{2i}-s_{2i-1})}) \prod_{i=1}^ke^{-\lambda(s_{2i-1}-s_{2i-2})}.e^{-\lambda(t-s_{2k})}\\ =&\prod_{i=1}^k[\frac{\lambda^2(s_{2i}-s_{2i-1})^2}{2}]e^{-\lambda t} \end{aligned}===​G(s1​,⋯,sn​)P{S1​>s1​,S2​≤s2​,S3​>s3​,S4​≤s4​,⋯,S2k−1​>s2k−1​,S2k​≤s2k​,N(t)=n}i=1∏k​(2λ2(s2i​−s2i−1​)2​e−λ(s2i​−s2i−1​))i=1∏k​e−λ(s2i−1​−s2i−2​).e−λ(t−s2k​)i=1∏k​[2λ2(s2i​−s2i−1​)2​]e−λt​其对s1,⋯,s2ks_1,\cdots,s_{2k}s1​,⋯,s2k​依次求偏导，得到∂2k∂s1⋯∂s2kG=(−1)kλ2ke−λt\frac{\partial^{2k}}{\partial s_1\cdots\partial s_{2k}}G=(-1)^k\lambda^{2k}e^{-\lambda t} ∂s1​⋯∂s2k​∂2k​G=(−1)kλ2ke−λt类似于非条件分布的讨论，令F(s1,⋯,sn)=P{S1≤s1,⋯,Sn≤sn,N(t)=n}F(s_1,\cdots,s_n)=P\{S_1\le s_1,\cdots,S_n\le s_n,N(t)=n\}F(s1​,⋯,sn​)=P{S1​≤s1​,⋯,Sn​≤sn​,N(t)=n}，就有∂2k∂s1⋯∂s2kF=λ2ke−λt\frac{\partial^{2k}}{\partial s_1\cdots\partial s_{2k}}F=\lambda^{2k}e^{-\lambda t} ∂s1​⋯∂s2k​∂2k​F=λ2ke−λt于是，在给定N(t)=nN(t)=nN(t)=n条件下，条件密度为p(s1,⋯,sn)=λ2ke−λt(λt)2k(2k)!e−λt=(2k)!t2k=n!tnI0<s1<⋯<sn<tp(s_1,\cdots,s_n)=\frac{\lambda^{2k}e^{-\lambda t}}{\frac{(\lambda t)^{2k}}{(2k)!}e^{-\lambda t}}=\frac{(2k)!}{t^{2k}}=\frac{n!}{t^n}I_{0<s_1<\cdots<s_n<t} p(s1​,⋯,sn​)=(2k)!(λt)2k​e−λtλ2ke−λt​=t2k(2k)!​=tnn!​I0<s1​<⋯<sn​<t​当nnn为奇数时讨论也类似，得到的条件密度函数也是上式。实际上，这也是来自均匀分布U(0,t)U(0,t)U(0,t)的样本U1,⋯,UnU_1,\cdots,U_nU1​,⋯,Un​的顺序统计量U(1),⋯,U(n)U_{(1)},\cdots,U_{(n)}U(1)​,⋯,U(n)​的联合分布。也就是说，在给定N(t)=nN(t)=nN(t)=n的条件下，这nnn个事件发生的时间点在(0,t](0,t](0,t]内均匀分布，再进行一个排列就得到S1,⋯,SnS_1,\cdots,S_nS1​,⋯,Sn​。

结论：S1,S2,⋯,Sn∣N(t)=nS_1,S_2,\cdots,S_n|N(t)=nS1​,S2​,⋯,Sn​∣N(t)=n与U(1),⋯,U(n)U_{(1)},\cdots,U_{(n)}U(1)​,⋯,U(n)​同分布，其中U(1),⋯,U(n)U_{(1)},\cdots,U_{(n)}U(1)​,⋯,U(n)​是来自均匀分布U(0,t)U(0,t)U(0,t)的样本的顺序统计量。

等待时间的分布

有了(S1,⋯,Sn)(S_1,\cdots,S_n)(S1​,⋯,Sn​)的联合分布，就可以得到等待时间(X1,⋯,Xn)(X_1,\cdots,X_n)(X1​,⋯,Xn​)的联合分布，对变换{S1=X1S2=X1+X2S3=X1+X2+X3⋯Sn=X1+X2+X3+⋯+Xn\begin{cases} S_1=X_1\\ S_2=X_1+X_2\\ S_3=X_1+X_2+X_3\\ \cdots\\ S_n=X_1+X_2+X_3+\cdots+X_n \end{cases} ⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧​S1​=X1​S2​=X1​+X2​S3​=X1​+X2​+X3​⋯Sn​=X1​+X2​+X3​+⋯+Xn​​有∂(S1,⋯,Sn)∂(X1,⋯,Xn)=1\frac{\partial(S_1,\cdots,S_n)}{\partial(X_1,\cdots,X_n)}=1 ∂(X1​,⋯,Xn​)∂(S1​,⋯,Sn​)​=1则(X1,⋯,Xn)(X_1,\cdots,X_n)(X1​,⋯,Xn​)的密度函数为p(x1,x2,⋯,xn)=∣∂(S1,⋯,Sn)∂(X1,⋯,Xn)∣λne−λ∑k=1nxk∏k=1nIxk>0=λne−λ∑k=1nxk∏k=1nIxk>0\begin{aligned} &p(x_1,x_2,\cdots,x_n)=|\frac{\partial(S_1,\cdots,S_n)}{\partial(X_1,\cdots,X_n)}|\lambda^ne^{-\lambda\sum_{k=1}^nx_k}\prod_{k=1}^n I_{x_k>0}\\ =&\lambda^ne^{-\lambda\sum_{k=1}^nx_k}\prod_{k=1}^n I_{x_k>0} \end{aligned}=​p(x1​,x2​,⋯,xn​)=∣∂(X1​,⋯,Xn​)∂(S1​,⋯,Sn​)​∣λne−λ∑k=1n​xk​k=1∏n​Ixk​>0​λne−λ∑k=1n​xk​k=1∏n​Ixk​>0​​故X1,⋯,XnX_1,\cdots,X_nX1​,⋯,Xn​相互独立，都服从参数为λ\lambdaλ的指数分布，反过来，如果给定相互独立且服从参数为λ\lambdaλ的指数分布的随机变量序列X1,⋯,Xn,⋯X_1,\cdots,X_n,\cdotsX1​,⋯,Xn​,⋯，令Tn=∑k=1nXk,n=1,2,⋯\displaystyle T_n=\sum_{k=1}^nX_k,n=1,2,\cdotsTn​=k=1∑n​Xk​,n=1,2,⋯，显然{Tn,n=1,2,⋯}\{T_n,n=1,2,\cdots\}{Tn​,n=1,2,⋯}和{Sn,n=1,2,⋯}\{S_n,n=1,2,\cdots\}{Sn​,n=1,2,⋯}同分布。所谓同分布即任取有限个正整数t1<⋯<tkt_1<\cdots<t_kt1​<⋯<tk​，随机向量(Tt1,Tt2,⋯,Ttk)(T_{t_1},T_{t_2},\cdots,T_{t_k})(Tt1​​,Tt2​​,⋯,Ttk​​)和(St1,St2,⋯,Stk)(S_{t_1},S_{t_2},\cdots,S_{t_k})(St1​​,St2​​,⋯,Stk​​)同分布，定义计数过程N′(t)=∑n=1∞I{Tn≤t}N^\prime(t)=\sum_{n=1}^\infty I\{T_{n}\le t\} N′(t)=n=1∑∞​I{Tn​≤t}则{N′(t)}\{N^\prime(t)\}{N′(t)}是强度为λ\lambdaλ的泊松过程

年龄和寿命的分布

年龄：记为A(t)A(t)A(t)，定义为A(t)=t−SN(t)A(t)=t-S_{N(t)}A(t)=t−SN(t)​
寿命：记为R(t)R(t)R(t)，定义为R(t)=SN(t)+1−tR(t)=S_{N(t)+1}-tR(t)=SN(t)+1​−t

我们先来求寿命的分布：{R(t)≤s}\{R(t)\le s\}{R(t)≤s}等价于在[t,t+s][t,t+s][t,t+s]这段时间内至少发生了一次时间，因此P{R(t)≤s}=P{N(t+s)−N(t)≥1}=∑n=1∞(λs)nn!e−λsP\{R(t)\le s\}=P\{N(t+s)-N(t)\ge 1\}=\sum_{n=1}^\infty \frac{(\lambda s)^n}{n!}e^{-\lambda s} P{R(t)≤s}=P{N(t+s)−N(t)≥1}=n=1∑∞​n!(λs)n​e−λs两边求导，得到密度函数为pR(s)p_{R}(s)pR​(s)为pR(s)=λ∑n=0∞(λs)n−1(n−1)!e−λs−λ∑n=1∞(λs)nn!e−λs=λe−λsp_R(s)=\lambda \sum_{n=0}^\infty\frac{(\lambda s)^{n-1}}{(n-1)!}e^{-\lambda s}-\lambda \sum_{n=1}^\infty \frac{(\lambda s)^n}{n!}e^{-\lambda s}=\lambda e^{-\lambda s} pR​(s)=λn=0∑∞​(n−1)!(λs)n−1​e−λs−λn=1∑∞​n!(λs)n​e−λs=λe−λs于是R(t)R(t)R(t)服从参数为λ\lambdaλ的指数分布

再来求年龄的分布：此时年龄有一个最大值ttt，因此，年龄的分布应当是P{A(t)≤s}={0s≤01−e−λs0<s<t1s≥tP\{A(t)\le s\}=\begin{cases} 0&s\le 0\\ 1-e^{-\lambda s}&0<s< t\\ 1&s\ge t \end{cases} P{A(t)≤s}=⎩⎪⎨⎪⎧​01−e−λs1​s≤00<s<ts≥t​A(t)A(t)A(t)分布函数在s=ts=ts=t处有一个跳跃

并且A(t)A(t)A(t)和R(t)R(t)R(t)是相互独立的，只要考察P{A(t)≤u,R(t)≤v}P\{A(t)\le u,R(t)\le v\} P{A(t)≤u,R(t)≤v}如果u≥tu\ge tu≥t，那么{A(t)≤u}=Ω\{A(t)\le u\}=\Omega {A(t)≤u}=Ω因此{A(t)≤u,R(t)≤v}=P{R(t)≤v}\{A(t)\le u,R(t)\le v\}=P\{R(t)\le v\} {A(t)≤u,R(t)≤v}=P{R(t)≤v}故P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}P\{A(t)\le u,R(t)\le v\}=P\{A(t)\le u\}P\{R(t)\le v\} P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}如果0<u<t,v>00<u<t,v>00<u<t,v>0，则{A(t)≤u,R(t)≤v}={N(t−u,t]≥1,N(t,t+v]≥1}\{A(t)\le u,R(t)\le v\}=\{N(t-u,t]\ge 1,N(t,t+v]\ge 1\} {A(t)≤u,R(t)≤v}={N(t−u,t]≥1,N(t,t+v]≥1}因此P{A(t)≤u,R(t)≤v}=P{N(t−u,t]≥1}P{(t,t+v]≥1}P\{A(t)\le u,R(t)\le v\}=P\{N(t-u,t]\ge 1\}P\{(t,t+v]\ge 1\} P{A(t)≤u,R(t)≤v}=P{N(t−u,t]≥1}P{(t,t+v]≥1}由此可以验证P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}P\{A(t)\le u,R(t)\le v\}=P\{A(t)\le u\}P\{R(t)\le v\} P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}其他情况等式左右两边都为0，故等式也成立，这就说明了A(t)A(t)A(t)和R(t)R(t)R(t)是相互独立的。假设N(t)N(t)N(t)表示某零件的更换次数，R(t)R(t)R(t)表示现在正在工作的零件的剩余寿命，A(t)A(t)A(t)表示现在正在工作的零件的，那么X(t)=R(t)+A(t)X(t)=R(t)+A(t)X(t)=R(t)+A(t)表示当前工作零件的使用寿命。显然X(t)X(t)X(t)的期望满足EX(t)=ER(t)+EA(t)>EA(t)=1λEX(t)=ER(t)+EA(t)>EA(t)=\frac{1}{\lambda} EX(t)=ER(t)+EA(t)>EA(t)=λ1​而EXn=1λEX_n=\frac{1}{\lambda} EXn​=λ1​也就是说，当前正在工作的零件的平均使用寿命比所有零件的平均使用寿命要长。可以理解为：平均使用寿命长的零件在ttt时刻被我们碰到的概率比其他零件要高。

总结：
(1)R(t)R(t)R(t)服从参数为λ\lambdaλ的指数分布
(2)A(t)A(t)A(t)的分布函数为P{A(t)≤s}={0s≤01−e−λs0<s<t1s≥tP\{A(t)\le s\}=\begin{cases} 0&s\le 0\\ 1-e^{-\lambda s}&0<s< t\\ 1&s\ge t \end{cases} P{A(t)≤s}=⎩⎪⎨⎪⎧​01−e−λs1​s≤00<s<ts≥t​(3)R(t)R(t)R(t)和A(t)A(t)A(t)相互独立

泊松过程的汇合与分流

泊松过程的汇合

在某个公交车站，乘坐AAA线路的乘客以强度为λ1\lambda_1λ1​的泊松过程{N1(t)}\{N_1(t)\}{N1​(t)}到达，乘坐BBB线路的乘客以强度为λ2\lambda_2λ2​的泊松过程{N2(t)}\{N_2(t)\}{N2​(t)}到达，并且两个乘客流是独立的，令N(t)=N1(t)+N2(t)N(t)=N_1(t)+N_2(t)N(t)=N1​(t)+N2​(t)，我们下面证明N(t)N(t)N(t)也是一个泊松过程：
(1)首先，N(0)=N1(0)+N2(0)=0N(0)=N_1(0)+N_2(0)=0N(0)=N1​(0)+N2​(0)=0
(2)其次，我们要验证{N(t)}\{N(t)\}{N(t)}具有独立增量性：
对任意的0<t1<t2<⋯<tn0<t_1<t_2<\cdots<t_n0<t1​<t2​<⋯<tn​，对i=1,2,⋯,ni=1,2,\cdots,ni=1,2,⋯,n，令Zi=N(ti)−N(ti−1)=N1(ti)+N2(ti)−N1(ti−1)−N2(ti−1)Z_i=N(t_{i})-N(t_{i-1})=N_1(t_{i})+N_2(t_i)-N_1(t_{i-1})-N_2(t_{i-1})Zi​=N(ti​)−N(ti−1​)=N1​(ti​)+N2​(ti​)−N1​(ti−1​)−N2​(ti−1​)，再令Xi=N1(ti)−N1(ti−1),Yi=N2(ti)−N2(ti−1)X_i=N_1(t_{i})-N_1(t_{i-1}),Y_i=N_2(t_i)-N_2(t_{i-1})Xi​=N1​(ti​)−N1​(ti−1​),Yi​=N2​(ti​)−N2​(ti−1​)，由于(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)(X1​,X2​,⋯,Xn​)和(Y1,Y2,⋯,Yn)(Y_1,Y_2,\cdots,Y_n)(Y1​,Y2​,⋯,Yn​)是相互独立的，(X1,⋯,Xn)(X_1,\cdots,X_n)(X1​,⋯,Xn​)是相互独立的，(Y1,⋯,Yn)(Y_1,\cdots,Y_n)(Y1​,⋯,Yn​)的相互独立的，可以推得(X1,X2,⋯,Xn,Y1,Y2,⋯,Yn)(X_1,X_2,\cdots,X_n,Y_1,Y_2,\cdots,Y_n)(X1​,X2​,⋯,Xn​,Y1​,Y2​,⋯,Yn​)是相互独立的，而XiX_iXi​和YiY_iYi​也是相互独立的，从而(X1,Y1),(X2,Y2),⋯,(Xn,Yn)(X_1,Y_1),(X_2,Y_2),\cdots,(X_n,Y_n)(X1​,Y1​),(X2​,Y2​),⋯,(Xn​,Yn​)是相互独立的，从而Z1,Z2,⋯,ZnZ_1,Z_2,\cdots,Z_nZ1​,Z2​,⋯,Zn​是相互独立的。这就证得{N(t)}\{N(t)\}{N(t)}的独立增量性。
(3)其次，对任意的t>0,s>0t>0,s> 0t>0,s>0，N1(t+s)−N1(t)N_1(t+s)-N_1(t)N1​(t+s)−N1​(t)服从参数为λ1s\lambda_1sλ1​s的泊松分布，N2(s+t)−N2(t)N_2(s+t)-N_2(t)N2​(s+t)−N2​(t)服从参数为λ2s\lambda_2sλ2​s的泊松分布，且两者相互独立，因此，由泊松分布的可加性，N(s+t)−N(t)N(s+t)-N(t)N(s+t)−N(t)服从参数为(λ1+λ2)s(\lambda_1+\lambda_2)s(λ1​+λ2​)s的泊松分布

结论：{N1(t)}\{N_1(t)\}{N1​(t)}服从强度为λ\lambdaλ的泊松过程，{N2(t)}\{N_2(t)\}{N2​(t)}服从强度为μ\muμ的泊松过程，两个泊松过程独立，N(t)=N1(t)+N2(t)N(t)=N_1(t)+N_2(t)N(t)=N1​(t)+N2​(t)，{N(t)}\{N(t)\}{N(t)}服从强度为λ+μ\lambda+\muλ+μ的泊松过程

泊松过程的分流

假设乘客以强度λ\lambdaλ的泊松流到达一个车站，一个乘客到达后，以概率ppp乘坐A线，概率1−p1-p1−p乘坐B线，不同乘客选择乘坐线路的决定是相互独立的，在(0,t](0,t](0,t]时间内乘坐A线的乘客数记为N1(t)N_1(t)N1​(t)，B线的乘客记为N2(t)N_2(t)N2​(t)，如何求解N1(t)N_1(t)N1​(t)和N2(t)N_2(t)N2​(t)的分布呢？

直观分析：在[0,t][0,t][0,t]时间段内，平均有λt\lambda tλt个乘客到达车站，那么，从平均意义上讲，平均有pλtp\lambda tpλt个乘客乘坐A线，平均有(1−p)λt(1-p)\lambda t(1−p)λt个乘客乘坐B线，如果两个过程都是泊松过程，相当于将强度按p:1−pp:1-pp:1−p进行了分流，分成了两个泊松过程，因而称为泊松过程的分流。

数学表述：如何在数学上表述N1(t)N_1(t)N1​(t)和N2(t)N_2(t)N2​(t)，首先，{N(t)}\{N(t)\}{N(t)}是一个强度为λ\lambdaλ的泊松过程，对于乘客iii，YiY_iYi​为其是否选择乘坐AAA线，如果其选择乘坐A线，Yi=1Y_i=1Yi​=1，否则等于0，并且由于不同乘客之间的线路选择是独立的，故Y1,Y2,⋯,Yn,⋯Y_1,Y_2,\cdots,Y_n,\cdotsY1​,Y2​,⋯,Yn​,⋯独立同分布，都服从两点分布B(1,p)B(1,p)B(1,p)，并且我们还要求{Yn}\{Y_n\}{Yn​}与{N(t)}\{N(t)\}{N(t)}独立，那么，就应该有N1(t)=∑i=0N(t)YiN2(t)=∑i=0N(t)(1−Yi)N_1(t)=\sum_{i=0}^{N(t)}Y_i\\ N_2(t)=\sum_{i=0}^{N(t)}(1-Y_i) N1​(t)=i=0∑N(t)​Yi​N2​(t)=i=0∑N(t)​(1−Yi​)这里设Y0=0Y_0=0Y0​=0

验证两者都是泊松过程：
(1)首先，由于N(0)=0N(0)=0N(0)=0，故N1(0)=0N_1(0)=0N1​(0)=0
(2)其次，对t≥0t\ge 0t≥0，s>0s>0s>0，我们来求N1(t+s)−N1(t)N_1(t+s)-N_1(t)N1​(t+s)−N1​(t)的分布，按照定义N1(t+s)−N1(t)={∑j=N(t)+1N(t+s)YjN(t+s)>N(t)0N(t+s)=N(t)N_1(t+s)-N_1(t)=\begin{cases} \sum_{j=N(t)+1}^{N(t+s)}Y_j&N(t+s)>N(t)\\ 0&N(t+s)=N(t) \end{cases} N1​(t+s)−N1​(t)={∑j=N(t)+1N(t+s)​Yj​0​N(t+s)>N(t)N(t+s)=N(t)​对假设k=0k=0k=0，在N(t)=n,N(t+s)=m,m>nN(t)=n,N(t+s)=m,m> nN(t)=n,N(t+s)=m,m>n的条件下，由独立性可得P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}=P{∑n+1mYj=k∣N(t)=n,N(t+s)=m}=P{∑n+1mYj=k}=(1−p)m−n\begin{aligned} &P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\}\\ =&P\{\sum_{n+1}^{m}Y_j=k|N(t)=n,N(t+s)=m\}\\ =&P\{\sum_{n+1}^{m}Y_j=k\} =(1-p)^{m-n} \end{aligned} ==​P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}P{n+1∑m​Yj​=k∣N(t)=n,N(t+s)=m}P{n+1∑m​Yj​=k}=(1−p)m−n​即这个条件概率只与m−nm-nm−n有关，同理，m=nm=nm=n时P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}=1P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\}=1 P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}=1则P{N1(t+s)−N1(t)=0}=∑n=0∞∑m=n∞P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}P{N(t)=n,N(t+s)=m}=∑n=0∞∑m=n∞(1−p)m−nP{N(t)=n,N(t+s)=m}=∑n=0∞∑k=0∞(1−p)kP{N(t)=n,N(t+s)=n+k}=∑k=0∞(1−p)k∑n=0∞P{N(t)=n,N(t+s)−N(t)=k}=∑k=0∞(1−p)kP{N(t+s)−N(t)=k}=∑k=0∞(1−p)k(λs)kk!e−λs=e−pλs\begin{aligned} &P\{N_1(t+s)-N_1(t)=0\}\\ =&\sum_{n=0}^\infty\sum_{m=n}^\infty P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\}P\{N(t)=n,N(t+s)=m\}\\ =&\sum_{n=0}^\infty\sum_{m=n}^\infty (1-p)^{m-n}P\{N(t)=n,N(t+s)=m\}\\ =&\sum_{n=0}^\infty\sum_{k=0}^\infty (1-p)^k P\{N(t)=n,N(t+s)=n+k\}\\ =&\sum_{k=0}^\infty(1-p)^k\sum_{n=0}^\infty P\{N(t)=n,N(t+s)-N(t)=k\}\\ =&\sum_{k=0}^\infty(1-p)^k P\{N(t+s)-N(t)=k\}\\ =&\sum_{k=0}^\infty(1-p)^k \frac{(\lambda s)^k}{k!} e^{-\lambda s}=e^{-p\lambda s} \end{aligned} ======​P{N1​(t+s)−N1​(t)=0}n=0∑∞​m=n∑∞​P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}P{N(t)=n,N(t+s)=m}n=0∑∞​m=n∑∞​(1−p)m−nP{N(t)=n,N(t+s)=m}n=0∑∞​k=0∑∞​(1−p)kP{N(t)=n,N(t+s)=n+k}k=0∑∞​(1−p)kn=0∑∞​P{N(t)=n,N(t+s)−N(t)=k}k=0∑∞​(1−p)kP{N(t+s)−N(t)=k}k=0∑∞​(1−p)kk!(λs)k​e−λs=e−pλs​类似地可以证明k=1,2,⋯k=1,2,\cdotsk=1,2,⋯，有P{N1(t+s)−N1(t)=k}=(pλs)kk!e−pλsP\{N_1(t+s)-N_1(t)=k\}=\frac{(p\lambda s)^k}{k!}e^{-p\lambda s} P{N1​(t+s)−N1​(t)=k}=k!(pλs)k​e−pλs(3)只需要验证独立增量性即可证得{N1(t)}\{N_1(t)\}{N1​(t)}是泊松过程：
对m>nm> nm>n，对t≥0,s>0t\ge 0,s>0t≥0,s>0，条件概率P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}=P{∑j=n+1mYj=k∣N(t)=n,N(t+s)=m}=P{∑j=n+1mYj=k}=P{∑j=1m−nYj=k}\begin{aligned} &P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\}\\ =&P\{\sum_{j=n+1}^m Y_j=k|N(t)=n,N(t+s)=m\}\\ =&P\{\sum_{j=n+1}^m Y_j=k\}=P\{\sum_{j=1}^{m-n}Y_j=k\} \end{aligned} ==​P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}P{j=n+1∑m​Yj​=k∣N(t)=n,N(t+s)=m}P{j=n+1∑m​Yj​=k}=P{j=1∑m−n​Yj​=k}​对m≥nm\ge nm≥n，P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\}P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}也只与m−nm-nm−n和kkk有关，于是，我们定义g(m−n,k)=P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}g(m-n,k)=P\{N_1(t+s)-N_1(t)=k|N(t)=n,N(t+s)=m\} g(m−n,k)=P{N1​(t+s)−N1​(t)=k∣N(t)=n,N(t+s)=m}故P{N1(t+s)−N1(t)=k∣N(t),N(t+s)}=g(N(t+s)−N(t),k)a.s.P\{N_1(t+s)-N_1(t)=k|N(t),N(t+s)\}=g(N(t+s)-N(t),k) \quad a.s. P{N1​(t+s)−N1​(t)=k∣N(t),N(t+s)}=g(N(t+s)−N(t),k)a.s.对0≤t1≤t2≤⋯tm0\le t_1\le t_2 \le \cdots t_m0≤t1​≤t2​≤⋯tm​，对任意的非负整数n1,n2,⋯,nmn_1,n_2,\cdots,n_mn1​,n2​,⋯,nm​，以及任意的非负整数0=k0≤k1≤k2≤⋯≤km0=k_0\le k_1 \le k_2\le \cdots \le k_m0=k0​≤k1​≤k2​≤⋯≤km​，有P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm∣N(t1)=k1,N(t2)=k2,⋯,N(tm)=km}=P{∑j=ki−1+1kiYj=ni,i=1,2,⋯,m∣N(t1)=k1,N(t2)=k2,⋯,N(tm)=km}=P{∑j=ki−1+1kiYj=ni,i=1,2,⋯,m}=∏i=1mP{∑j=ki−1+1kiYj=ni}=∏i=1mg(ki−ki−1,ni)\begin{aligned} &P\{N_1(t_1)=n_1,N_1(t_2)-N_1(t_1)=n_2,\cdots,N_{1}(t_m)-N_1(t_{m-1})=n_m|\\ &N(t_1)=k_1,N(t_2)=k_2,\cdots,N(t_m)=k_m\}\\ =&P\{\sum_{j= k_{i-1}+1}^{k_i}Y_j=n_i,i=1,2,\cdots,m|N(t_1)=k_1,N(t_2)=k_2,\cdots,N(t_m)=k_m\}\\ =&P\{\sum_{j= k_{i-1}+1}^{k_i}Y_j=n_i,i=1,2,\cdots,m\}\\ =&\prod_{i=1}^mP\{\sum_{j= k_{i-1}+1}^{k_i}Y_j=n_i\}\\ =&\prod_{i=1}^mg(k_i-k_{i-1},n_i) \end{aligned} ====​P{N1​(t1​)=n1​,N1​(t2​)−N1​(t1​)=n2​,⋯,N1​(tm​)−N1​(tm−1​)=nm​∣N(t1​)=k1​,N(t2​)=k2​,⋯,N(tm​)=km​}P{j=ki−1​+1∑ki​​Yj​=ni​,i=1,2,⋯,m∣N(t1​)=k1​,N(t2​)=k2​,⋯,N(tm​)=km​}P{j=ki−1​+1∑ki​​Yj​=ni​,i=1,2,⋯,m}i=1∏m​P{j=ki−1​+1∑ki​​Yj​=ni​}i=1∏m​g(ki​−ki−1​,ni​)​故P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm∣N(t1),N(t2),⋯,N(tm)}=∏i=1mg(N(ti)−N(ti−1),ni)\begin{aligned} &P\{N_1(t_1)=n_1,N_1(t_2)-N_1(t_1)=n_2,\cdots,N_{1}(t_m)-N_1(t_{m-1})=n_m| N(t_1),N(t_2),\cdots,N(t_m)\}\\ =&\prod_{i=1}^mg(N(t_i)-N(t_{i-1}),n_i) \end{aligned} =​P{N1​(t1​)=n1​,N1​(t2​)−N1​(t1​)=n2​,⋯,N1​(tm​)−N1​(tm−1​)=nm​∣N(t1​),N(t2​),⋯,N(tm​)}i=1∏m​g(N(ti​)−N(ti−1​),ni​)​取期望，即可得P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm}=∏i=1mEg(N(ti)−N(ti−1),ni)=∏i=1mP{N1(ti)−N1(ti−1)=ni}\begin{aligned} &P\{N_1(t_1)=n_1,N_1(t_2)-N_1(t_1)=n_2,\cdots,N_{1}(t_m)-N_1(t_{m-1})=n_m\}\\ =&\prod_{i=1}^m Eg(N(t_i)-N(t_{i-1}),n_i)\\ =&\prod_{i=1}^m P\{N_1(t_{i})-N_1(t_{i-1})=n_i\} \end{aligned} ==​P{N1​(t1​)=n1​,N1​(t2​)−N1​(t1​)=n2​,⋯,N1​(tm​)−N1​(tm−1​)=nm​}i=1∏m​Eg(N(ti​)−N(ti−1​),ni​)i=1∏m​P{N1​(ti​)−N1​(ti−1​)=ni​}​故独立增量性成立，从而{N1(t)}\{N_1(t)\}{N1​(t)}是强度为pλp\lambdapλ的泊松过程，由于{1−Yn}\{1-Y_n\}{1−Yn​}也与{N(t)}\{N(t)\}{N(t)}独立，且独立同分布，均服从B(1,1−p)B(1,1-p)B(1,1−p)，故同理也可以得到{N2(t)}\{N_2(t)\}{N2​(t)}是强度为(1−p)λ(1-p)\lambda(1−p)λ的泊松过程。

验证{N1(t)}\{N_1(t)\}{N1​(t)}和{N2(t)}\{N_2(t)\}{N2​(t)}是两个独立的泊松过程：
对任意的0=t0≤t1<t2<⋯<tm0=t_0\le t_1< t_2<\cdots <t_m0=t0​≤t1​<t2​<⋯<tm​，任取mmm个非负整数n1≤n2⋯≤nmn_1\le n_2\cdots\le n_mn1​≤n2​⋯≤nm​及mmm个非负整数k1≤k2≤⋯≤kmk_1\le k_2\le\cdots\le k_mk1​≤k2​≤⋯≤km​，规定n0=k0=0n_0=k_0=0n0​=k0​=0，下面我们证明：P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}=P{N1(ti)=ni,i=1,2,⋯,m}P{N2(ti)=ki,i=1,2,⋯,m}\begin{aligned} &P\{N_1(t_i)=n_i,N_2(t_i)=k_i,i=1,2,\cdots,m\}\\ =&P\{N_1(t_i)=n_i,i=1,2,\cdots,m\}P\{N_2(t_i)=k_i,i=1,2,\cdots,m\} \end{aligned}=​P{N1​(ti​)=ni​,N2​(ti​)=ki​,i=1,2,⋯,m}P{N1​(ti​)=ni​,i=1,2,⋯,m}P{N2​(ti​)=ki​,i=1,2,⋯,m}​实际上P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}=P{N1(ti)−N1(ti−1)=ni−ni−1,N(ti)−N(ti−1)=ni+ki−ni−1−ki−1,i=1,2⋯,m}\begin{aligned} &P\{N_1(t_i)=n_i,N_2(t_i)=k_i,i=1,2,\cdots,m\}\\ =&P\{N_1(t_i)-N_1(t_{i-1})=n_i-n_{i-1},N(t_i)-N(t_{i-1})=n_i+k_i-n_{i-1}-k_{i-1},i=1,2\cdots,m\} \end{aligned} =​P{N1​(ti​)=ni​,N2​(ti​)=ki​,i=1,2,⋯,m}P{N1​(ti​)−N1​(ti−1​)=ni​−ni−1​,N(ti​)−N(ti−1​)=ni​+ki​−ni−1​−ki−1​,i=1,2⋯,m}​令Ni=ni+ki−ni−1−ki−1,i=1,2,⋯,mN_i=n_i+k_i-n_{i-1}-k_{i-1},i=1,2,\cdots,mNi​=ni​+ki​−ni−1​−ki−1​,i=1,2,⋯,m，应该有Ni≥ni−ni−1,i=1,2,⋯,mN_i\ge n_{i}-n_{i-1},i=1,2,\cdots,mNi​≥ni​−ni−1​,i=1,2,⋯,m，则P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}=P{N1(ti)−N1(ti−1)=ni−ni−1,N(ti)−N(ti−1)=Ni,i=1,2⋯,m}=P{∑j=Ni−1+1NiYj=ni−ni−1,i=1,2,⋯,m,N(ti)−N(ti−1)=Ni,i=1,2⋯,m}=P{∑j=Ni−1+1NiYj=ni−ni−1,i=1,2,⋯,m}P{N(ti)−N(ti−1)=Ni,i=1,2⋯,m}\begin{aligned} &P\{N_1(t_i)=n_i,N_2(t_i)=k_i,i=1,2,\cdots,m\}\\ =&P\{N_1(t_i)-N_1(t_{i-1})=n_i-n_{i-1},N(t_i)-N(t_{i-1})=N_i,i=1,2\cdots,m\}\\ =&P\{\sum_{j=N_{i-1}+1}^{N_{i}}Y_j=n_i-n_{i-1},i=1,2,\cdots,m,N(t_i)-N(t_{i-1})=N_i,i=1,2\cdots,m\}\\ =&P\{\sum_{j=N_{i-1}+1}^{N_{i}}Y_j=n_i-n_{i-1},i=1,2,\cdots,m\}P\{N(t_i)-N(t_{i-1})=N_i,i=1,2\cdots,m\} \end{aligned} ===​P{N1​(ti​)=ni​,N2​(ti​)=ki​,i=1,2,⋯,m}P{N1​(ti​)−N1​(ti−1​)=ni​−ni−1​,N(ti​)−N(ti−1​)=Ni​,i=1,2⋯,m}P{j=Ni−1​+1∑Ni​​Yj​=ni​−ni−1​,i=1,2,⋯,m,N(ti​)−N(ti−1​)=Ni​,i=1,2⋯,m}P{j=Ni−1​+1∑Ni​​Yj​=ni​−ni−1​,i=1,2,⋯,m}P{N(ti​)−N(ti−1​)=Ni​,i=1,2⋯,m}​其中第三个等号利用的是{Yn}\{Y_n\}{Yn​}与{N(t)}\{N(t)\}{N(t)}的独立性，并且对i=1,2,⋯,mi=1,2,\cdots,mi=1,2,⋯,m，规定当Ni=Ni−1N_i=N_{i-1}Ni​=Ni−1​时，此时当然有ni−ni−1=0n_i-n_{i-1}=0ni​−ni−1​=0，∑j=Ni−1+1NiYj=0\displaystyle\sum_{j=N_{i-1}+1}^{N_{i}}Y_j=0j=Ni−1​+1∑Ni​​Yj​=0，那么，P{∑j=Ni−1+1NiYj=ni−ni−1}=1=CNini−ni−1pni−ni−1(1−p)ki−ki−1\displaystyle P\{\sum_{j=N_{i-1}+1}^{N_{i}}Y_j=n_i-n_{i-1}\}=1=C_{N_i}^{n_i-n_{i-1}}p^{n_i-n_{i-1}}(1-p)^{k_i-k_{i-1}}P{j=Ni−1​+1∑Ni​​Yj​=ni​−ni−1​}=1=CNi​ni​−ni−1​​pni​−ni−1​(1−p)ki​−ki−1​，这里规定C00=1=0!0!0!C_0^0=1=\frac{0!}{0!0!}C00​=1=0!0!0!​。因此P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}=P{∑j=Ni−1+1NiYj=ni−ni−1,i=1,2,⋯,m}P{N(ti)−N(ti−1)=Ni,i=1,2⋯,m}=∏i=1mNi!(ni−ni−1)!(ki−ki−1)!pni−ni−1(1−p)ki−ki−1.∏i=1m[λ(ti−ti−1)Ni]Ni!e−λ(ti−ti−1)=∏i=1mP{N1(ti)−N1(ti−1)=ni−ni−1}P{N2(ti)−N2(ti−1)=ki−ki−1}\begin{aligned} &P\{N_1(t_i)=n_i,N_2(t_i)=k_i,i=1,2,\cdots,m\}\\ =&P\{\sum_{j=N_{i-1}+1}^{N_{i}}Y_j=n_i-n_{i-1},i=1,2,\cdots,m\}P\{N(t_i)-N(t_{i-1})=N_i,i=1,2\cdots,m\} \\=&\prod_{i=1}^m\frac{N_i!}{(n_i-n_{i-1})!(k_i-k_{i-1})!}p^{n_i-n_{i-1}}(1-p)^{k_i-k_{i-1}}.\\ &\prod_{i=1}^m\frac{[\lambda(t_i-t_{i-1})^{N_i}]}{N_i!}e^{-\lambda(t_i-t_{i-1})}\\ =&\prod_{i=1}^m P\{N_1(t_i)-N_1(t_{i-1})=n_i-n_{i-1}\}P\{N_2(t_i)-N_2(t_{i-1})=k_i-k_{i-1}\} \end{aligned} ===​P{N1​(ti​)=ni​,N2​(ti​)=ki​,i=1,2,⋯,m}P{j=Ni−1​+1∑Ni​​Yj​=ni​−ni−1​,i=1,2,⋯,m}P{N(ti​)−N(ti−1​)=Ni​,i=1,2⋯,m}i=1∏m​(ni​−ni−1​)!(ki​−ki−1​)!Ni​!​pni​−ni−1​(1−p)ki​−ki−1​.i=1∏m​Ni​![λ(ti​−ti−1​)Ni​]​e−λ(ti​−ti−1​)i=1∏m​P{N1​(ti​)−N1​(ti−1​)=ni​−ni−1​}P{N2​(ti​)−N2​(ti−1​)=ki​−ki−1​}​这就证得了(N1(t1),N1(t2),⋯,N1(tm))(N_1(t_1),N_1(t_2),\cdots,N_1(t_m))(N1​(t1​),N1​(t2​),⋯,N1​(tm​))和(N2(t1),N2(t2),⋯,N2(tm))(N_2(t_1),N_2(t_2),\cdots,N_2(t_m))(N2​(t1​),N2​(t2​),⋯,N2​(tm​))是相互独立的，不难证明，这等价于两个泊松过程是相互独立的。

泊松过程的统计推断

以事件数估计强度

以到达时刻估计事件数

泊松过程的推广

复合泊松过程

非时齐泊松过程

随机过程学习笔记1：泊松过程相关推荐

1. 指数随机变量 泊松过程跳_随机过程学习笔记(1)：指数分布与泊松过程

   笔记主要基于中文版<应用随机过程 Introduction to Probability Models >(Sheldon M. Ross),只有非常少的一部分是我自己的注解.写这个笔记的 ...

2. 随机过程学习笔记04 布朗运动

   终于要到这一章了!在很多随机的分析当中都需要用到它. 文章目录 布朗运动 性质 布朗运动 设{Bt,t≥0}\{B_t,t\ge 0\}{Bt​,t≥0}是一个随机过程,如果它满足以下三条 Bt+s− ...

3. Python可视化物理随机过程---pygame学习笔记2

   Python可视化物理随机过程-pygame学习笔记2 文章目录 Python可视化物理随机过程---pygame学习笔记2 一.扩散现象的简单的介绍 二.代码实现 三.运行代码的效果展示 四.总结 ...

4. 2020-4-5 深度学习笔记17 - 蒙特卡罗方法 3 ( 马尔可夫链蒙特卡罗方法MCMC-先验分布/后验分布/似然估计，马尔可夫性质)

   第十七章 蒙特卡罗方法 中文 英文 2020-4-4 深度学习笔记17 - 蒙特卡罗方法 1 (采样和蒙特卡罗方法-必要性和合理性) 2020-4-4 深度学习笔记17 - 蒙特卡罗方法 2 ( 重要 ...

5. AI学习笔记（七）图像滤波器、OpenCV算法解析

   AI学习笔记之图像滤波器.OpenCV算法解析 图像滤波器 图像噪声 噪声的产生 信噪比 高斯噪声 椒盐噪声 其他噪声 图像滤波 滤波的目的 滤波的要求 各种滤波器 均值滤波 中值滤波 最大最小值滤波 ...

6. 深度学习笔记 | 第16讲：语音识别——一份简短的技术综述

   原标题:深度学习笔记 | 第16讲:语音识别--一份简短的技术综述 大家好!又到了每周一狗熊会的深度学习时间了.在上一讲中,小编给大家介绍了经典的 seq2seq,以及著名的注意力模型,并且小编在这些 ...

7. 学习笔记：匿名通信与暗网研究综述

   本文仅为作者学习笔记,内容源自论文"匿名通信与暗网研究综述--罗军舟等"本身以及相关网络搜索 1.匿名通信与暗网 匿名通信指采取一定的措施隐蔽通信流中的通信关系,使窃听者难以获取或 ...

8. 【论文学习笔记-2】高分辨率3D深度重建

   [论文学习笔记-2] 高分辨率3D深度重建 背景介绍 模型 目标 Related Works 背景介绍 应用场景广泛:桥,电缆etc 高分辨率图像的特点:像素多,potential disparity ...

9. cs224w（图机器学习）2021冬季课程学习笔记4 Link Analysis: PageRank (Graph as Matrix)

   诸神缄默不语-个人CSDN博文目录 cs224w(图机器学习)2021冬季课程学习笔记集合 文章目录 1. Graph as Matrix 2. PageRank / the Google Algor ...

最新文章

1. 计算机学院心理节活动,计算机学院成功举办 “说出你的故事” 心理交流互助活动...
2. python opencv模板匹配多目标_基于opencv的多目标模板匹配
3. Linux操作oracle——关闭、停止、重启
4. oracle ebs技术开发,Oracle EBS应用架构技术方案.pdf
5. 【SSM】基于注解@Controller的控制器
6. matlab canny边缘,matlab – 定向Canny边缘检测
7. Python中该使用%还是format来格式化字符串？
8. 抢票神器成GitHub热榜第一，支持候补抢票，Python跑起来 | 标星8400
9. ajax带来的主要问题有哪些,ajax面试题
10. 探讨一下Java单例设计模式
11. oracle安装 redo log file,Oracle Dump Redo Log File 说明
12. 反序列化 还是记一下吧
13. CSAPP-计算机漫游
14. mysql打印语句_抓取mysql、redis、mongodb、http等协议并打印语句
15. 可实现的python拟牛顿法的DFP算法
16. Julia:关于push 与 Array 和Dict 数据结构
17. 关于iOS获取音乐库的音乐信息 （获取本地音乐文件）
18. link rel=canonical概念和用法(增加页面权重,利于排名)
19. 小米商城网页版（js+css）
20. 51单片机c语言相位计,相位计.doc

热门文章

1. 十分钟了解ZAB（Zookeeper Atomic Broadcast）协议
2. 甲骨文中国乱象：渠道混乱售后屡遭投诉
3. fanuc机器人自动程序前怎么回原点_FANUC机器人..ppt
4. IT男的”幸福”生活
5. VBA几个常用的模块
6. Stacking：解决机器学习进行多模型组合的实用工具
7. Excel公式不能自动更新数据
8. 计算机二级报名在学籍库无法报名,报考计算机二级啦！
9. 地磁基本知识（三）磁异常处理与转换
10. 2018计算机保研夏令营情况介绍（清华，人大，北航，中科院计算所，中科院软件所，南大）