§3 泊松过程

C1 指数分布

1）无记忆性：∀s,t>0:P{X>s+t∣X>s}=P{X>t}\forall s,t\gt 0:P\{X\gt s+t|X\gt s\}=P\{X\gt t\}∀s,t>0:P{X>s+t∣X>s}=P{X>t}

X∼e(λ):E[X−t∣X>t]=EXX\sim e(\lambda): E[X-t|X\gt t]=EXX∼e(λ):E[X−t∣X>t]=EX
指数分布是唯一满足无记忆性的分布

证明：Fˉ(x)=1−F(x),∀s,t>0:Fˉ(s+t)=Fˉ(s)Fˉ(t)⟹F(x)=1−e−λt\bar F(x) = 1-F(x),\forall s,t\gt 0:\bar F(s+t) = \bar F(s)\bar F(t)\implies F(x)=1-e^{-\lambda t}Fˉ(x)=1−F(x),∀s,t>0:Fˉ(s+t)=Fˉ(s)Fˉ(t)⟹F(x)=1−e−λt

2）$T\sim e(\lambda),\forall f:E[\int^\infin_0e{-\lambda x}f(x)\mathrm{d}x] =E[\int^T_0f(x)\mathrm{d}x] $

3）Xi∼e(λi):min⁡i{Xi}∼e(∑iλi)X_i\sim e(\lambda_i):\min\limits_i\{X_i\}\sim e(\sum\limits_i\lambda_i)Xi∼e(λi):imin{Xi}∼e(i∑λi)，且与排序无关

P{Xk=min⁡i{Xi}}=λi∑iλiP\{X_k = \min\limits_i \{X_i\}\}= \frac{\lambda_i}{\sum\limits_i\lambda_i}P{Xk=imin{Xi}}=i∑λiλi

双服务台等待时间：

ET=E[T∣R1<R2]λ1λ1+λ2+E[T∣R2≤R1]λ2λ1+λ2ET = E[T|R_1\lt R_2]\frac{\lambda_1}{\lambda_1+\lambda_2}+E[T|R_2\le R_1]\frac{\lambda_2}{\lambda_1+\lambda_2}ET=E[T∣R1<R2]λ1+λ2λ1+E[T∣R2≤R1]λ1+λ2λ2
ET=1λ1+λ2ET = \frac{1}{\lambda_1+\lambda_2}ET=λ1+λ21

单服务台单队列，服务时间∼e(μ)\sim e(\mu)∼e(μ)，每个人的等待极限∼e(θ)\sim e(\theta)∼e(θ)

第n个人被服务概率Pn=(1−θnθ+μ)Pn−1=μnθ+μP_n = (1-\frac{\theta}{n\theta+\mu})P_{n-1}=\frac{\mu}{n\theta + \mu}Pn=(1−nθ+μθ)Pn−1=nθ+μμ

第n个人等待时间：Wn=1nθ+μ+Wn−1=∑k=1n1kθ+μW_n = \frac{1}{n\theta+\mu}+W_{n-1}=\sum_{k=1}^n\frac{1}{k\theta+\mu}Wn=nθ+μ1+Wn−1=∑k=1nkθ+μ1

4）独立同分布Xi∼e(λ):S=∑k=1nXk∼Γ(n,λ),pS(s)=λe−λs(λs)n−1(n−1)!X_i\sim e(\lambda):S = \sum\limits_{k=1}^nX_k\sim \Gamma(n,\lambda),p_S(s) = \lambda e^{-\lambda s}\frac{(\lambda s)^{n-1}}{(n-1)!}Xi∼e(λ):S=k=1∑nXk∼Γ(n,λ),pS(s)=λe−λs(n−1)!(λs)n−1

5）独立Xi∼e(λi):S=∑k=1nXk,pS(s)=∑k=1n[λke−ks∏j≠iλjλj−λi]X_i\sim e(\lambda_i):S = \sum\limits_{k=1}^nX_k,p_S(s) = \sum\limits_{k=1}^n[\lambda_ke^{-k s}\prod\limits_{j\ne i}\frac{\lambda_j}{\lambda_j-\lambda_i}]Xi∼e(λi):S=k=1∑nXk,pS(s)=k=1∑n[λke−ksj=i∏λj−λiλj]，称为亚指数分布

lim⁡s→∞rS(s)=min⁡i{λi}\lim\limits_{s\to \infin} r_S(s) = \min\limits_i\{\lambda_i\}s→∞limrS(s)=imin{λi}

6）失败率函数：r(t)=f(t)1−F(t),r(0)=0r(t) = \frac{f(t)}{1-F(t)},r(0)=0r(t)=1−F(t)f(t),r(0)=0，即时刻t发生损坏的概率

对于指数分布：r(t)≡λr(t)\equiv \lambdar(t)≡λ
失败率函数可唯一确定分布：F(t)=1−e−∫0tr(x)dxF(t) = 1-e^{-\int^t_0r(x)\mathrm{d}x}F(t)=1−e−∫0tr(x)dx

C2 泊松过程

1）泊松过程：满足以下条件的计数过程{N(t)∣t≥0}\{N(t)|t\ge 0\}{N(t)∣t≥0}：

N(0)=0,N(t)∈ZN(0) = 0,N(t)\in ZN(0)=0,N(t)∈Z
具有独立增量和平稳增量：不重叠时间段内增量独立，且只与时段长度相关
P{N(t+h)−N(t)=1}=λh+o(h)P\{N(t+h)-N(t) = 1\} = \lambda h+o(h)P{N(t+h)−N(t)=1}=λh+o(h)，λ\lambdaλ称为到达率
P{N(t+h)−N(t)=2}=h+o(h)P\{N(t+h)-N(t) = 2\} = h+o(h)P{N(t+h)−N(t)=2}=h+o(h)

2）增量分布：N(t+s)−N(s)∼p(λt)N(t+s)-N(s) \sim p(\lambda t)N(t+s)−N(s)∼p(λt)

证明：

对N(t)N(t)N(t)进行拉普拉斯变换：g(s,t)=Ee−sN(t)g(s,t) = Ee^{-sN(t)}g(s,t)=Ee−sN(t)

则∂g∂t(s,t)=lim⁡h→0h−1[Ee−sN(t+h)−Ee−sN(t)]\frac{\partial g}{\partial t}(s,t) = \lim\limits_{h\to 0}h^{-1}[Ee^{-sN(t+h)}-Ee^{-sN(t)}]∂t∂g(s,t)=h→0limh−1[Ee−sN(t+h)−Ee−sN(t)]

Ee−sN(t+h)=E[e−sN(t)e−s(N(t+h)−N(t))]Ee^{-sN(t+h)}=E[e^{-sN(t)}e^{-s(N(t+h)-N(t))}]Ee−sN(t+h)=E[e−sN(t)e−s(N(t+h)−N(t))]，由平稳增量性Ee−sN(t+h)=Ee−sN(t)Ee−s(N(t+h)−N(t))Ee^{-sN(t+h)}=Ee^{-sN(t)}Ee^{-s(N(t+h)-N(t))}Ee−sN(t+h)=Ee−sN(t)Ee−s(N(t+h)−N(t))

Ee−s(N(t+h)−N(t))=Ee−sN(h)Ee^{-s(N(t+h)-N(t))}=Ee^{-sN(h)}Ee−s(N(t+h)−N(t))=Ee−sN(h)，取条件于N(h)N(h)N(h),结合定义3，4得Ee−sN(h)=1−λh+λhe−s+o(h)Ee^{-sN(h)}=1-\lambda h+\lambda he^{-s} +o(h)Ee−sN(h)=1−λh+λhe−s+o(h)

得∂g∂t(s,t)=g(s,t)λ(e−s−1),g(s,t)=eλt(e−s−1)\frac{\partial g}{\partial t}(s,t) = g(s,t)\lambda(e^{-s}-1),g(s,t) = e^{\lambda t(e^{-s}-1)}∂t∂g(s,t)=g(s,t)λ(e−s−1),g(s,t)=eλt(e−s−1)

逆变换得：N(t)∼p(λt)N(t) \sim p(\lambda t)N(t)∼p(λt)

3）每个事件到达时间独立，到达间隔时间T∼e(λ)T\sim e(\lambda)T∼e(λ)

P{T>t}=P{N(t)=0}=e−λtP\{T\gt t\} = P\{N(t)=0\}=e^{-\lambda t}P{T>t}=P{N(t)=0}=e−λt

第n次事件到达时间Sn=∑k=1nTk∼Γ(n,λ)S_n = \sum\limits_{k=1}^n T_k \sim \Gamma(n,\lambda)Sn=k=1∑nTk∼Γ(n,λ)

收集k类奖券需要的抽奖次数ENENEN：

将抽奖过程描述为泊松分布p(1)p(1)p(1)

记Xi∼e(piλ)X_i\sim e(p_i\lambda)Xi∼e(piλ)为第iii类奖券首次出现的时间，X=max⁡iXiX = \max\limits_i X_iX=imaxXi即集齐全套的时间
P(X<t)=∏i(1−e−piλt)P(X\lt t)=\prod\limits_i (1-e^{-p_i\lambda t})P(X<t)=i∏(1−e−piλt)
EX=∫0∞P(X>t)dt=∫0∞(1−∏(1−e−piλt))dtEX = \int_0^\infin P(X\gt t)\mathrm{d}t=\int_0^\infin (1-\prod(1-e^{-p_i\lambda t}))\mathrm{d}tEX=∫0∞P(X>t)dt=∫0∞(1−∏(1−e−piλt))dt
又X=∑i=1NTi,TiX = \sum\limits_{i=1}^N T_i,T_iX=i=1∑NTi,Ti为第iii次到达间隔
得EX=ENETi=ENEX = ENET_i=ENEX=ENETi=EN

两独立泊松过程N1(t),N2(t)N_1(t),N_2(t)N1(t),N2(t)，P{S1n<S2m}P\{S_{1n}<S_{2m}\}P{S1n<S2m}等价于投掷硬币nnn次正面先于mmm次反面的概率，其中出现正面的概率为λ1λ1+λ2\frac{\lambda_1}{\lambda_1+\lambda_2}λ1+λ2λ1，即∑k=nn+m−1Cn+m−1k(λ1λ1+λ2)k(λ2λ1+λ2)n+m−1−k\sum_{k=n}^{n+m-1}C_{n+m-1}^k(\frac{\lambda_1}{\lambda_1+\lambda_2})^k(\frac{\lambda_2}{\lambda_1+\lambda_2})^{n+m-1-k}∑k=nn+m−1Cn+m−1k(λ1+λ2λ1)k(λ1+λ2λ2)n+m−1−k

发生多于nnn次时间的概率∑k=n+1∞λkk!e−λ=∫0tλxe−λx(λx)nn!dx\sum\limits_{k=n+1}^\infin \frac{\lambda^k}{k!}e^{-\lambda}=\int_0^t\lambda xe^{-\lambda x}\frac{(\lambda x)^n}{n!}\mathrm{d} xk=n+1∑∞k!λke−λ=∫0tλxe−λxn!(λx)ndx第n+1n+1n+1次事件发生早于ttt的概率

4）若事件以概率p1,…,pkp_1,\dots,p_kp1,…,pk分为kkk类，则Nk(t)∼p(λpit)N_k(t)\sim p(\lambda p_i t)Nk(t)∼p(λpit)且相独立

5）均匀到达性：

记次序统计量Y(i)Y_{(i)}Y(i)表示第iii小元素，则联合分布为：f(y1,…,yn)=n!∏k=1nf(yi)f(y_1,\dots,y_n)=n!\prod\limits_{k=1}^n f(y_i)f(y1,…,yn)=n!k=1∏nf(yi)。若Y(i)∼U[0,t]Y_{(i)}\sim U[0,t]Y(i)∼U[0,t]，则f=n!tnf = \frac{n!}{t^n}f=tnn!
给定N(t)=nN(t)=nN(t)=n，则事件均匀独立到达

f(s1,…,sn)=λe−λs1⋅λe−λ(s2−s1)⋯λe−λ(sn−sn−1)⋅e−λ(t−sn)(λt)nn!e−λt=n!tnf(s_1,\dots,s_n)=\frac{\lambda e^{-\lambda s_1}\cdot\lambda e^{-\lambda (s_2-s_1)}\cdots\lambda e^{-\lambda (s_n-s_{n-1})}\cdot e^{-\lambda (t-s_n)} }{\frac{(\lambda t)^n}{n!}e^{-\lambda t}}=\frac{n!}{t^n}f(s1,…,sn)=n!(λt)ne−λtλe−λs1⋅λe−λ(s2−s1)⋯λe−λ(sn−sn−1)⋅e−λ(t−sn)=tnn!

用例：Si∼p(λ)S_i\sim p(\lambda)Si∼p(λ)表示理赔时间，CiC_iCi表示均值为μ\muμ，分布为GGG的理赔金额，计算D(t)=∑i=1N(t)e−αSiCiD(t)=\sum\limits_{i=1}^{N(t)}e^{-{\alpha S_i}}C_iD(t)=i=1∑N(t)e−αSiCi

ED(t)=∑n=0∞E[D(t)∣N(t)=n](λt)nn!e−λtED(t) =\sum\limits_{n=0}^\infin E[D(t)|N(t)=n]\frac{(\lambda t)^n}{n!}e^{-\lambda t}ED(t)=n=0∑∞E[D(t)∣N(t)=n]n!(λt)ne−λt

由于S1…SnS_1\dots S_nS1…Sn与次序统计量U1…UnU_{1}\dots U_nU1…Un同分布：
E[D(t)∣N(t)=n]=E∑i=1ne−αUiCi=μn∫0t1te−αxdxE[D(t)|N(t)=n] = E\sum\limits_{i=1}^ne^{-\alpha U_i}C_i=\mu n\int_0^t\frac{1}{t}e^{-\alpha x}\mathrm{d}xE[D(t)∣N(t)=n]=Ei=1∑ne−αUiCi=μn∫0tt1e−αxdx

得ED(t)=λμα(1−e−αt)ED(t) = \frac{\lambda \mu}{\alpha}(1-e^{-\alpha t})ED(t)=αλμ(1−e−αt)
推论：给定第nnn个事件时间tnt_ntn的条件下，前n−1n-1n−1个事件分布同n−1n-1n−1个U(0,tn)U(0,t_n)U(0,tn)随机量的分布相同

6）时间抽样：若事件在时刻ttt以Pi(t)P_i(t)Pi(t)被分入iii类，则Ni(t)∼p(λ∫0tPi(x)dx)N_i(t)\sim p(\lambda\int^t_0P_i(x)\mathrm{d}x)Ni(t)∼p(λ∫0tPi(x)dx)

证明：

0−t0-t0−t时段内任意事件均匀到达，并以Pi(s)P_i(s)Pi(s)被分类，故Pi=1t∫0tPi(s)dsP_i=\frac{1}{t}\int^t_0P_i(s)\mathrm{d}sPi=t1∫0tPi(s)ds

故联合分布满足多项分布n!n1!⋯nk!P1n1⋯Pknk⋅(λt)nn!e−λt=∏k=1n(λtPi)nini!e−λtPi\frac{n!}{n_1!\cdots n_k!}P_1^{n_1}\cdots P_k^{n_k}\cdot \frac{(\lambda t)^n}{n!}e^{-\lambda t}=\prod\limits_{k=1}^n\frac{(\lambda tP_i)^{n_i}}{n_i!}e^{-\lambda tP_i}n1!⋯nk!n!P1n1⋯Pknk⋅n!(λt)ne−λt=k=1∏nni!(λtPi)nie−λtPi，即可分离形式

用例：在一段道路上车辆服从p(λ)p(\lambda)p(λ)，通过的时间服从分布GGG，则t时刻仍在道路上的车辆数期望：

在s时进入的车辆有概率1−G(t−s)1-G(t-s)1−G(t−s)未能完成通行，G(t−s)G(t-s)G(t−s)完成，故所求为λ∫0t(1−G(t−s))ds\lambda\int^t_0 (1-G(t-s))\mathrm{d} sλ∫0t(1−G(t−s))ds

C3 广义泊松过程

1）非时齐泊松过程：

定义：
- N(0)=0N(0)=0N(0)=0
- 具有独立增量
- 非平稳增量：P{N(t+h)−N(t)=1}=λ(t)h+o(h)P\{N(t+h)-N(t)=1\}=\lambda(t)h+o(h)P{N(t+h)−N(t)=1}=λ(t)h+o(h)
- λ(t)\lambda(t)λ(t)称为强度函数，m(t)=∫0tλ(x)dxm(t)=\int_0^t\lambda(x)\mathrm{d}xm(t)=∫0tλ(x)dx称均值函数
- P{N(t+h)−N(t)≥2}=o(h)P\{N(t+h)-N(t)\ge 2\} = o(h)P{N(t+h)−N(t)≥2}=o(h)
增量分布：N(t+s)−N(s)∼p(m(t+s)−m(s))N(t+s)-N(s)\sim p(m(t+s)-m(s))N(t+s)−N(s)∼p(m(t+s)−m(s))

证明：仿照泊松过程证明有∂g∂t(s,t)=g(s,t)λ(t)(e−s−1)\frac{\partial g}{\partial t}(s,t) =g(s,t)\lambda(t)(e^{-s}-1)∂t∂g(s,t)=g(s,t)λ(t)(e−s−1)
泊松过程的时间抽样为非泊松过程
第nnn个事件到达时间：∼λ(t)e−m(t)m(t)n−1(n−1)!\sim \lambda(t)e^{-m(t)}\frac{m(t)^{n-1}}{(n-1)!}∼λ(t)e−m(t)(n−1)!m(t)n−1

2）复合泊松过程：X(t)=∑i=1N(t)Yi,N(t)∼p(λ),YiX(t) = \sum\limits_{i=1}^{N(t)}Y_i,N(t)\sim p(\lambda),Y_iX(t)=i=1∑N(t)Yi,N(t)∼p(λ),Yi独立同分布

EX(t)=λtEY,DX(t)=λtEY2EX(t)=\lambda tEY,DX(t)=\lambda tEY^2EX(t)=λtEY,DX(t)=λtEY2
单服务台单队列不离队队列忙期，泊松到达，首个顾客服务时间为SSS
- 记N(S)N(S)N(S)为首个顾客服务期间的到达数
- N(S)=1N(S) = 1N(S)=1时，易见T=S+T1,T1T = S+T_1,T_1T=S+T1,T1与TTT同分布
- N(S)≠1N(S)\neq 1N(S)=1可认为在某顾客服务期间到达的人全部插队到其后一个位置，
  
  T=S+∑i=1N(S)Ti,TiT = S + \sum\limits_{i=1}^{N(S)} T_i,T_iT=S+i=1∑N(S)Ti,Ti与TTT同分布
- ET=ES=+λES⋅ET=ES1−λESET = ES =+ \lambda ES\cdot ET = \frac{ES}{1-\lambda ES}ET=ES=+λES⋅ET=1−λESES
若YYY为可数集，则当ttt增大时X(t)X(t)X(t)趋近于正态分布N(λtEY,λtEY2)N(\lambda tEY,\lambda tEY^2)N(λtEY,λtEY2)
若X(t),Y(t)X(t),Y(t)X(t),Y(t)是具有到达率λ1,λ2\lambda_1,\lambda_2λ1,λ2和分布F1,F2F_1,F_2F1,F2的独立复合泊松过程，则X(t)+Y(t)X(t)+Y(t)X(t)+Y(t)是具有到达率λ1+λ2\lambda_1+\lambda_2λ1+λ2和分布λ1λ1+λ2F1+λ2λ1+λ2F2\frac{\lambda_1}{\lambda_1+\lambda_2}F_1+\frac{\lambda_2}{\lambda_1+\lambda_2}F_2λ1+λ2λ1F1+λ1+λ2λ2F2的泊松过程(事件以概率λiλ1+λ2\frac{\lambda_i}{\lambda_1+\lambda_2}λ1+λ2λi来自FiF_iFi)

3）条件(混合)泊松过程：λ\lambdaλ为一个正随机量LLL的取值

P{N(t+s)−N(s)=n}=∫0∞P{N(t+s)−N(s)=n∣L=l}P{L=l}dl=∫0∞lnn!e−lP{L=l}dlP\{N(t+s)-N(s)=n\}=\int_0^\infin P\{N(t+s)-N(s)=n|L=l\}P\{L=l\}\mathrm{d}l=\int_0^\infin \frac{l^n}{n!}e^{-l}P\{L=l\}\mathrm{d}lP{N(t+s)−N(s)=n}=∫0∞P{N(t+s)−N(s)=n∣L=l}P{L=l}dl=∫0∞n!lne−lP{L=l}dl
由于一个时间段内计数可能反映LLL，一般不具有独立增量
EN(t)=tEL;DN(t)=tEL+t2DLEN(t) = tEL;DN(t) = tEL+t^2DLEN(t)=tEL;DN(t)=tEL+t2DL

C4 霍克斯过程

1）随机强度：到达率是依赖于ttt前历史的随机变量R(t)R(t)R(t)

2）霍克斯过程：R(t)=λ+∑i=1N(t)Miλe−α(t−Si)R(t) = \lambda + \sum\limits_{i=1}^{N(t)}M_i\lambda e^{-\alpha(t-S_i)}R(t)=λ+i=1∑N(t)Miλe−α(t−Si)

R(0)=λR(0) = \lambdaR(0)=λ，基础强度
每个事件到达将增强随机强度，增强量MiM_iMi取决于事件
增强量随时间指数衰减

3）EN(t)=∫0tER(s)dsEN(t) = \int_0^t ER(s)\mathrm{d}sEN(t)=∫0tER(s)ds

证明：

E[N(t+h)∣N(t),R(t)]=N(t)+R(t)h+o(h)E[N(t+h)|N(t),R(t)] = N(t) + R(t)h + o(h)E[N(t+h)∣N(t),R(t)]=N(t)+R(t)h+o(h)

两边取期望得EN(t+h)=EN(t)+ER(t)h+o(h)EN(t+h) = EN(t)+ER(t)h+o(h)EN(t+h)=EN(t)+ER(t)h+o(h)

(EN(t))′=ER(t)(EN(t))'=ER(t)(EN(t))′=ER(t)

若EM=μEM=\muEM=μ，则EN(t)=λt+λμ(μ−α)2(e(μ−α)t−1−(μ−α)t);ER(t)=λ+λμμ−α(e(μ−α)t−1)EN(t)=\lambda t+\frac{\lambda\mu}{(\mu-\alpha)^2}(e^{(\mu-\alpha)t}-1-(\mu-\alpha)t);ER(t) =\lambda+\frac{\lambda\mu}{\mu-\alpha}(e^{(\mu-\alpha)t}-1)EN(t)=λt+(μ−α)2λμ(e(μ−α)t−1−(μ−α)t);ER(t)=λ+μ−αλμ(e(μ−α)t−1)

随机过程 $3泊松过程相关推荐

随机过程：泊松过程性质
(0)XiX_iXi 独立同分布 λeλxi\lambda e^{\lambda x_i}λeλxi 证明独立同分布P(AB)=P(A)∗P(B∣A)=P(A)∗P(B)由泊松过程的定义,先求X1 ...
第十课.蒙特卡洛方法与随机过程
目录蒙特卡洛方法蒙特卡洛的概念蒙特卡洛采样方法直接采样接受-拒绝采样重要性采样小结随机过程随机变量与随机过程随机过程实际场景举例赌博中的随机过程股价变化的过程两个重要随机过程 ...
使用matlab模拟、检验和估计泊松过程
%泊松过程的模拟.检验及参数估计 syms Un X S; n=10;%生成n*n个随机数 r=1;%参数 temp=0; tem=0; Un=rand(n,1);%共产生n*n个随机数 for i= ...
指数随机变量泊松过程跳_《常见随机过程》（一）
点击返回目录一. 正态过程(高斯过程) 人们常常将噪声.误差视为正态变量,因为它们受到大量独立的.均匀微小的随机因素的叠加影响,利用中心极限定理可知它们近似服从正态分布(<高等统计物理学> ...
【随机过程】随机过程之泊松过程的推广
[随机过程]随机过程之泊松过程的推广声明:引用请注明出处http://blog.csdn.net/lg1259156776/ 泊松过程的两个定义 def 1: 计数过程,增量独立,增量服从泊松分布: ...
随机过程：指数分布、泊松过程、更新过程（renewal process）+大数定律
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 ...
随机过程第1讲——泊松过程的模拟与检验
定义:泊松过程,简单的来说,满足下列三条件的随机过程X={X(t),t≥0}:①P(X(0)=0)=1.②不相交区间上增量相互独立,即对一切0≤t1<t2<-<tn,X(t1),X( ...
关于泊松过程的参数估计
泊松过程的事件间隔之间服从指数分布,如果我能从数据中找到每个spike发生的时刻,那么每个spike之间的时间也就随之确定. 关于指数分布的参数估计,可见下面网址: https://wenku.bai ...
什么是泊松分布？什么是泊松过程？
1.泊松分布需要满足的条件(小概率事件,事件之间相互独立,概率是稳定的) 公式如下所示: 2. 泊松分布与二项分布之间的关系泊松分布由二项分布演进而来.二项分布十分好理解,给你n次机会抛硬币,硬币正 ...
机器学习中的随机过程（伯努利过程与泊松过程）
1.概述随机过程是处理包含时间以及数据序列的概率模型.比起一般的概率模型,随机过程更强调数据序列间的相关关系.长期均值和边界事件.随机过程是一组依赖于实参数的随机变量,一般具有时间的含义.在机 ...

随机过程 $3泊松过程