【应用随机过程】05. 泊松过程
文章目录
- 第五讲 泊松过程
- 一、泊松过程的两种定义
- Part 1:独立增量与平稳增量
- Part 2:计数过程与泊松过程
- Part 3:泊松过程两种定义的等价性证明
- 二、泊松过程的性质
- Part 1:数字特征与条件概率
- Part 2:等待时间与到达时间间隔的分布
- Part 3:到达时刻的条件分布
- Part 4:泊松过程的合成与分解
- 三、非齐次泊松过程
- Part 1:非齐次泊松过程的定义
- Part 2:非齐次泊松过程的合成与分解
第五讲 泊松过程
一、泊松过程的两种定义
Part 1:独立增量与平稳增量
对于任意一个随机过程,我们先了解一下增量的概念,这一概念在泊松过程和布朗运动中都会用到。
设 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 是随机过程,参数空间 TTT 是 R\mathbb{R}R 的子集,对任意的 s<ts<ts<t ,将 X(t)−X(s)X(t)-X(s)X(t)−X(s) 称为此过程在时间区间 (s,t](s,t](s,t] 上的增量。在此基础上,我们可以定义独立增量过程和平稳增量过程。
独立增量过程:对于随机过程 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} ,如果对任意 k≥2k\geq2k≥2 和 t0<t1<t2<⋯<tkt_0<t_1<t_2<\cdots<t_kt0<t1<t2<⋯<tk 有
X(t1)−X(t0),X(t2)−X(t1),⋯,X(tk)−X(tk−1)X(t_1)-X(t_0),X(t_2)-X(t_1),\cdots,X(t_k)-X(t_{k-1}) X(t1)−X(t0),X(t2)−X(t1),⋯,X(tk)−X(tk−1)
相互独立,则称 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 为独立增量过程。独立增量过程的特点是:在不相重叠的时间段上,状态的增量是相互独立的。
平稳增量过程:对于随机过程 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} ,如果对任意的 h∈Rh\in\mathbb{R}h∈R 和任意的 s<ts<ts<t 都有
X(t+h)−X(s+h)=dX(t)−X(s),X(t+h)-X(s+h)\xlongequal{d}X(t)-X(s) \ , X(t+h)−X(s+h)dX(t)−X(s) ,
则称 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 为平稳增量过程。平稳增量过程的特点是:增量 X(t)−X(s)X(t)-X(s)X(t)−X(s) 的分布仅依赖与时间差 t−st-st−s 而与 sss 和 ttt 无关。
平稳独立增量过程:如果随机过程 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 既是独立增量过程,又是平稳增量过程,则称随机过程 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 为平稳独立增量过程。
这里我们需要介绍一条关于独立增量过程的十分有用的性质。
如果 {X(t):t∈T}\{X(t):t\in T\}{X(t):t∈T} 是独立增量过程,X(0)=0X(0)=0X(0)=0 且二阶矩存在,则
CX(s,t)=σX2(min{s,t})=defσX2(s∧t).C_X(s,t)=\sigma_X^2\left(\min\{s,t\}\right)\xlongequal{def}\sigma_X^2\left(s\wedge t\right) \ . CX(s,t)=σX2(min{s,t})defσX2(s∧t) .
证明:当 s=ts=ts=t 时,等式显然成立。不妨设 s<ts<ts<t ,则
CX(s,t)=Cov(X(s),X(t))=Cov[X(s)−X(0),(X(t)−X(s)+X(s)−X(0))]=Cov[X(s)−X(0),X(t)−X(s)]+Var(X(s)−X(0))=σX2(s).\begin{aligned} C_X(s,t)&={\rm Cov}\left(X(s),X(t)\right) \\ &={\rm Cov}\left[X(s)-X(0),(X(t)-X(s)+X(s)-X(0))\right] \\ &={\rm Cov}\left[X(s)-X(0),X(t)-X(s)\right]+{\rm Var}(X(s)-X(0)) \\ &=\sigma_X^2(s) \ . \end{aligned} CX(s,t)=Cov(X(s),X(t))=Cov[X(s)−X(0),(X(t)−X(s)+X(s)−X(0))]=Cov[X(s)−X(0),X(t)−X(s)]+Var(X(s)−X(0))=σX2(s) .
Part 2:计数过程与泊松过程
泊松过程是通过计数过程定义的,所以在介绍泊松过程之前,我们先介绍一下计数过程。若 N(t)N(t)N(t) 表示到 ttt 时刻为止已发生的事件的总数,则称随机过程 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 为计数过程。计数过程是一个状态空间为非负整数的具有连续时间的随机过程,显然计数过程具有如下性质:
- N(t)≥0N(t)\geq0N(t)≥0 且 N(t)N(t)N(t) 是整数值;
- 若 s<ts<ts<t ,则 N(s)≤N(t)N(s)\leq N(t)N(s)≤N(t) ;
- 若 s<ts<ts<t ,则 N(t)−N(s)N(t)-N(s)N(t)−N(s) 等于区间 (s,t](s,t](s,t] 中发生的事件的个数。
泊松过程是计数过程的最重要的类型之一,我们可以从两个角度去定义泊松过程。
泊松过程的第一种定义:计数过程 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 称为参数为 λ\lambdaλ 的齐次泊松过程,如果满足以下条件:
- N(0)=0N(0)=0N(0)=0 ;
- {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是独立增量过程;
- 稀有性: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) ;
- 相继性:P(N(t+h)−N(t)≥2)=o(h)P(N(t+h)-N(t)\geq2)=o(h)P(N(t+h)−N(t)≥2)=o(h) 。
我们将稀有性和相继性合并在一起理解,其含义是在充分小的时间间隔内,几乎不可能同时发生两个及以上个事件。
回顾一下在数学分析中函数的无穷小量的定义:如果一个函数 f(x)f(x)f(x) ,满足
limx→0f(x)x=0,\lim_{x\to0}\dfrac{f(x)}{x}=0 \ , x→0limxf(x)=0 ,
则称函数 f(x)f(x)f(x) 是 xxx 的高阶无穷小量,或称函数 f(x)f(x)f(x) 是 o(x)o(x)o(x) 的。
泊松过程的第二种定义:计数过程 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 称为参数为 λ\lambdaλ 的齐次泊松过程,如果满足以下条件:
- N(0)=0N(0)=0N(0)=0 ;
- {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是独立增量过程;
- 对任意的 0≤s<t0\leq s<t0≤s<t ,都有 N(t)−N(s)∼P(λ(t−s))N(t)-N(s)\sim P(\lambda(t-s))N(t)−N(s)∼P(λ(t−s)) 。
由此泊松分布条件可知泊松过程也是平稳增量过程,称参数 λ\lambdaλ 为泊松过程的速率或强度。
Part 3:泊松过程两种定义的等价性证明
下面我们给出两种定义的等价性证明,这部分内容欣赏即可,不要求掌握。
首先证明 ⟸\Longleftarrow⟸
由第二种定义的泊松分布条件可知 N(t+h)−N(t)∼P(λh)N(t+h)-N(t)\sim P(\lambda h)N(t+h)−N(t)∼P(λh) ,于是
P(N(t+h)−N(t)=1)=λhe−λh=λh(1−λh+o(h))=λh+o(h).P(N(t+h)−N(t)≥2)=1−P(N(t+h)−N(t)=0)−P(N(t+h)−N(t)=1)=1−e−λh−λhe−λh=1−(1−λh+o(h))−λh(1−λh+o(h))=o(h).\begin{aligned} P(N(t+h)-N(t)=1)&=\lambda h e^{-\lambda h}=\lambda h(1-\lambda h+o(h))=\lambda h+o(h) \ . \\ \\ P(N(t+h)-N(t)\geq2)&=1-P(N(t+h)-N(t)=0)-P(N(t+h)-N(t)=1) \\ &=1-e^{-\lambda h}-\lambda he^{-\lambda h} \\ &=1-(1-\lambda h+o(h))-\lambda h(1-\lambda h+o(h)) \\ &=o(h) \ . \end{aligned} P(N(t+h)−N(t)=1)P(N(t+h)−N(t)≥2)=λhe−λh=λh(1−λh+o(h))=λh+o(h) .=1−P(N(t+h)−N(t)=0)−P(N(t+h)−N(t)=1)=1−e−λh−λhe−λh=1−(1−λh+o(h))−λh(1−λh+o(h))=o(h) .
证明中用到了 exe^xex 的泰勒展开式,至此我们就证明了第一种定义的稀有性和相继性成立。下面证明 ⟹\Longrightarrow⟹
这里我们需要引入 N(t)N(t)N(t) 的矩母函数。固定 u>0u>0u>0 ,定义 ϕu(t)=E[euN(t)]\phi_u(t)={\rm E}\left[e^{uN(t)}\right]ϕu(t)=E[euN(t)] 为 N(t)N(t)N(t) 的矩母函数。对任意的 h>0h>0h>0 ,我们推导 g(t)g(t)g(t) 的一个微分方程如下:
ϕu(t+h)=E[euN(t+h)]=E[euN(t)eu(N(t+h)−N(t))]=E[euN(t)]E[eu(N(t+h)−N(t))]=ϕu(t)E[eu(N(t+h)−N(t))].\begin{aligned} \phi_u(t+h)&={\rm E}\left[e^{uN(t+h)}\right] \\ &={\rm E}\left[e^{uN(t)}e^{u(N(t+h)-N(t))}\right] \\ &={\rm E}\left[e^{uN(t)}\right]{\rm E}\left[e^{u(N(t+h)-N(t))}\right] \\ &=\phi_u(t){\rm E}\left[e^{u(N(t+h)-N(t))}\right] \ . \end{aligned} ϕu(t+h)=E[euN(t+h)]=E[euN(t)eu(N(t+h)−N(t))]=E[euN(t)]E[eu(N(t+h)−N(t))]=ϕu(t)E[eu(N(t+h)−N(t))] .
其中第三个等号利用了第一种定义中的独立增量性,下面由稀有性和相继性知
P(N(t+h)−N(t)=0)=1−λh+o(h),P(N(t+h)−N(t)=1)=λh+o(h),P(N(t+h)−N(t)≥2)=o(h).\begin{aligned} P(N(t+h)-N(t)=0)&=1-\lambda h+o(h) \ , \\ P(N(t+h)-N(t)=1)&=\lambda h+o(h)\ , \\ P(N(t+h)-N(t)\geq2)&=o(h) \ . \\ \end{aligned} P(N(t+h)−N(t)=0)P(N(t+h)−N(t)=1)P(N(t+h)−N(t)≥2)=1−λh+o(h) ,=λh+o(h) ,=o(h) .
由全概率公式/全期望公式可知
E[eu(N(t+h)−N(t))]=e0(1−λh+o(h))+eu(λh+o(h))+∑k=2∞ekuo(h)=1−λh+o(h)+eu(λh+o(h))+o(h)=1−λh+euλh+o(h).\begin{aligned} {\rm E}\left[e^{u(N(t+h)-N(t))}\right]&=e^0(1-\lambda h+o(h))+e^u(\lambda h+o(h))+\sum_{k=2}^\infty e^{ku}o(h) \\ &=1-\lambda h+o(h)+e^u(\lambda h+o(h))+o(h) \\ &=1-\lambda h+e^u\lambda h+o(h) \ . \end{aligned} E[eu(N(t+h)−N(t))]=e0(1−λh+o(h))+eu(λh+o(h))+k=2∑∞ekuo(h)=1−λh+o(h)+eu(λh+o(h))+o(h)=1−λh+euλh+o(h) .
进而可以得到
ϕu(t+h)=ϕu(t)(1+λh(eu−1))+o(h).\phi_u(t+h)=\phi_u(t)(1+\lambda h(e^u-1))+o(h) \ . ϕu(t+h)=ϕu(t)(1+λh(eu−1))+o(h) .
由此推出
ϕu(t+h)−ϕu(t)h=ϕu(t)λ(eu−1))+o(h)h.\frac{\phi_u(t+h)-\phi_u(t)}{h}=\phi_u(t)\lambda(e^u-1))+\frac{o(h)}{h} \ . hϕu(t+h)−ϕu(t)=ϕu(t)λ(eu−1))+ho(h) .
令 h→0h\to0h→0 ,便得到如下微分方程
ϕu′(t)=ϕu(t)λ(eu−1).\phi_u'(t)=\phi_u(t)\lambda(e^u-1) \ . ϕu′(t)=ϕu(t)λ(eu−1) .
取初值条件为 ϕu(0)=E[euN(0)]=1\phi_u(0)={\rm E}\left[e^{uN(0)}\right]=1ϕu(0)=E[euN(0)]=1 ,求解得到上述微分方程的解为
ϕu(t)=eλt(eu−1).\phi_u(t)=e^{\lambda t\left(e^u-1\right)} \ . ϕu(t)=eλt(eu−1) .
由矩母函数和分布函数的相互唯一确定性(拉普拉斯变换的唯一性),我们可以得出 N(t)N(t)N(t) 服从均值为 λt\lambda tλt 的泊松分布。由于定义中的独立增量性,即可证明 N(t)−N(s)∼P(λ(t−s))N(t)-N(s)\sim P(\lambda(t-s))N(t)−N(s)∼P(λ(t−s)) 。至此我们也证明了第二种定义的泊松分布条件成立。
二、泊松过程的性质
Part 1:数字特征与条件概率
设 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的齐次泊松过程,则有 N(t)N(t)N(t) 服从参数为 λt\lambda tλt 的泊松分布 。由泊松分布的数字特征即可得到如下泊松过程的数字特征。
- 均值函数:μN(t)=E(N(t))=λt\mu_N(t)={\rm E}(N(t))=\lambda tμN(t)=E(N(t))=λt ;
- 方差函数:σN2(t)=Var(N(t))=λt\sigma_N^2(t)={\rm Var}(N(t))=\lambda tσN2(t)=Var(N(t))=λt ;
- 自协方差函数:CN(s,t)=λmin{s,t}=λ(s∧t)C_N(s,t)=\lambda\min\{s,t\}=\lambda(s\wedge t)CN(s,t)=λmin{s,t}=λ(s∧t) ;
- 自相关函数:rN(s,t)=λ(s∧t)+λ2str_N(s,t)=\lambda(s\wedge t)+\lambda^2strN(s,t)=λ(s∧t)+λ2st 。
关于泊松过程,我们常常遇到两类条件概率。在已知某一确定时刻的事件发生数目的条件下,一类是求该时刻后某一时刻的给定事件发生数目的条件概率,另一类是求该时刻前某一时刻的给定事件发生数目的条件概率。
- 对于第一类条件概率,只需用独立增量性即可完成计算。不妨设 s<t,m≤ns<t,\,m\leq ns<t,m≤n ,则有
P(N(t)=n∣N(s)=m)=P(N(t)−N(s)=n−m∣N(s)=m)=P(N(t)−N(s)=n−m)=e−λ(t−s)[λ(t−s)]n−m(n−m)!.\begin{aligned} P(N(t)=n|N(s)=m)&=P(N(t)-N(s)=n-m|N(s)=m) \\ &=P(N(t)-N(s)=n-m) \\ &=e^{-\lambda(t-s)}\frac{\left[\lambda(t-s)\right]^{n-m}}{(n-m)!} \ . \end{aligned} P(N(t)=n∣N(s)=m)=P(N(t)−N(s)=n−m∣N(s)=m)=P(N(t)−N(s)=n−m)=e−λ(t−s)(n−m)![λ(t−s)]n−m .
- 对于第二类条件概率,需要用贝叶斯公式完成计算。不妨设 s<t,m≤ns<t,\,m\leq ns<t,m≤n ,则有
P(N(s)=m∣N(t)=n)=P(N(s)=m,N(t)=n)P(N(t)=n)=P(N(t)−N(s)=n−m)P(N(s)=m)P(N(t)=n)=(e−λ(t−s)[λ(t−s)]n−m(n−m)!⋅e−λs(λs)mm!)/(e−λt(λt)nn!)=Cnm(st)m(1−st)n−m.\begin{aligned} P(N(s)=m|N(t)=n)&=\frac{P(N(s)=m,N(t)=n)}{P(N(t)=n)} \\ &=\frac{P(N(t)-N(s)=n-m)P(N(s)=m)}{P(N(t)=n)} \\ &=\left(e^{-\lambda(t-s)}\frac{\left[\lambda(t-s)\right]^{n-m}}{(n-m)!}\cdot e^{-\lambda s}\frac{\left(\lambda s\right)^{m}}{m!}\right)\bigg/\left(e^{-\lambda t}\frac{\left(\lambda t\right)^n}{n!}\right) \\ &=C_n^m\left(\frac st\right)^m\left(1-\frac st\right)^{n-m} \ . \end{aligned} P(N(s)=m∣N(t)=n)=P(N(t)=n)P(N(s)=m,N(t)=n)=P(N(t)=n)P(N(t)−N(s)=n−m)P(N(s)=m)=(e−λ(t−s)(n−m)![λ(t−s)]n−m⋅e−λsm!(λs)m)/(e−λtn!(λt)n)=Cnm(ts)m(1−ts)n−m .
Part 2:等待时间与到达时间间隔的分布
对于一个泊松过程,我们将第 nnn 个事件到达的时刻记为 SnS_nSn ,也称为直到第 nnn 个事件的等待时间。
定理:等待时间 SnS_nSn 服从参数为 nnn 和 λ\lambdaλ 的 Γ\GammaΓ 分布,记为 Sn∼Γ(n,λ)S_n\sim\Gamma(n,\lambda)Sn∼Γ(n,λ) ,其概率密度函数为
fSn(t)=λnΓ(n)e−λttn−1=λe−λt(λt)n−1(n−1)!,t≥0.f_{S_n}(t)=\frac{\lambda^n}{\Gamma(n)}e^{-\lambda t}t^{n-1}=\lambda e^{-\lambda t}\frac{(\lambda t)^{n-1}}{(n-1)!} \ , \quad t\geq0 \ . fSn(t)=Γ(n)λne−λttn−1=λe−λt(n−1)!(λt)n−1 ,t≥0 .
我们来证明上述定理。注意到第 nnn 个事件在时刻 ttt 前发生当且仅当直到 ttt 为止发生事件的个数至少是 nnn ,用泊松随机变量表示为
N(t)≥n⟺Sn≤t.N(t)\geq n \quad \iff \quad S_n\leq t \ . N(t)≥n⟺Sn≤t .
这是一个非常重要的等价命题。因此有
FSn(t)=P(Sn≤t)=P(N(t)≥n)=∑j=n∞e−λt(λt)jj!,F_{S_n}(t)=P(S_n\leq t)=P(N(t)\geq n)=\sum_{j=n}^\infty e^{-\lambda t}\frac{(\lambda t)^j}{j!} \ , FSn(t)=P(Sn≤t)=P(N(t)≥n)=j=n∑∞e−λtj!(λt)j ,
对 ttt 求导可得
fSn(t)=−∑j=n∞λe−λt(λt)jj!+∑j=n∞λe−λt(λt)j−1(j−1)!=λe−λt(λt)n−1(n−1)!−∑j=n∞λe−λt(λt)jj!+∑j=n+1∞λe−λt(λt)j−1(j−1)!=λe−λt(λt)n−1(n−1)!.\begin{aligned} f_{S_n}(t)&=-\sum_{j=n}^\infty\lambda e^{-\lambda t}\frac{(\lambda t)^j}{j!}+\sum_{j=n}^\infty\lambda e^{-\lambda t}\frac{(\lambda t)^{j-1}}{(j-1)!} \\ &=\lambda e^{-\lambda t}\frac{(\lambda t)^{n-1}}{(n-1)!} -\sum_{j=n}^\infty\lambda e^{-\lambda t}\frac{(\lambda t)^j}{j!}+\sum_{j=n+1}^\infty\lambda e^{-\lambda t}\frac{(\lambda t)^{j-1}}{(j-1)!} \\ &=\lambda e^{-\lambda t}\frac{(\lambda t)^{n-1}}{(n-1)!} \ . \end{aligned} fSn(t)=−j=n∑∞λe−λtj!(λt)j+j=n∑∞λe−λt(j−1)!(λt)j−1=λe−λt(n−1)!(λt)n−1−j=n∑∞λe−λtj!(λt)j+j=n+1∑∞λe−λt(j−1)!(λt)j−1=λe−λt(n−1)!(λt)n−1 .
所以 Sn∼Γ(n,λ)S_n\sim\Gamma(n,\lambda)Sn∼Γ(n,λ) 。
对于一个泊松过程,我们将第一个事件到达的时间记为 T1T_1T1 ,对 n≥2n\geq2n≥2 ,用 TnT_nTn 表示第 n−1n-1n−1 个事件与第 nnn 个事件发生的时间间隔。补充定义 S0=0S_0=0S0=0 ,容易看出 SnS_nSn 和 TnT_nTn 的关系为
Sn=∑i=1nTi,Tn=Sn−Sn−1,n≥1.S_n=\sum_{i=1}^nT_i \ , \quad T_n=S_n-S_{n-1} \ , \quad n\geq1 \ . Sn=i=1∑nTi ,Tn=Sn−Sn−1 ,n≥1 .
定理:{N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程当且仅当其到达时间间隔 T1,T2,⋯T_1,T_2,\cdotsT1,T2,⋯ 独立同分布且服从参数为 λ\lambdaλ 的指数分布。
我们只证明必要性。若{N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程,我们先计算 T1T_1T1 的分布。注意到事件 {T1>t}\{T_1>t\}{T1>t} 等价于泊松过程在区间 (0,t](0,t](0,t] 中没有事件发生,从而
FT1(t)=P(T1≤t)=1−P(T1>t)=1−P(N(t)=0)=1−e−λt,t≥0.F_{T_1}(t)=P(T_1\leq t)=1-P(T_1>t)=1-P(N(t)=0)=1-e^{-\lambda t} \ , \quad t\geq0 \ . FT1(t)=P(T1≤t)=1−P(T1>t)=1−P(N(t)=0)=1−e−λt ,t≥0 .
因此 T1T_1T1 服从参数为 λ\lambdaλ 的指数分布。接下来考虑 T2T_2T2 在给定 T1=sT_1=sT1=s 下的条件分布。同样我们可以注意到事件 {T2>t,T1=s}\{T_2>t,T_1=s\}{T2>t,T1=s} 等价于泊松过程在区间 (s,s+t](s,s+t](s,s+t] 中没有事件发生,从而
FT2∣T1(t∣s)=P(T2≤t∣T1=s)=1−P(T2>t∣T1=s)=1−P(T2>t,T1=s∣T1=s)=1−P(N(s+t)−N(s)=0∣T1=s)=1−P(N(s+t)−N(s)=0)=1−e−λt,t≥0.\begin{aligned} F_{T_2|T_1}(t|s)&=P(T_2\leq t|T_1=s) \\ &=1-P(T_2>t|T_1=s) \\ &=1-P(T_2>t,T_1=s|T_1=s) \\ &=1-P(N(s+t)-N(s)=0|T_1=s) \\ &=1-P(N(s+t)-N(s)=0) \\ &=1-e^{-\lambda t} \ , \quad t\geq0 \ . \end{aligned} FT2∣T1(t∣s)=P(T2≤t∣T1=s)=1−P(T2>t∣T1=s)=1−P(T2>t,T1=s∣T1=s)=1−P(N(s+t)−N(s)=0∣T1=s)=1−P(N(s+t)−N(s)=0)=1−e−λt ,t≥0 .
因此 T2T_2T2 与 T1T_1T1 相互独立且服从参数为 λ\lambdaλ 的指数分布。重复同样的推导可得 T1,T2,⋯T_1,T_2,\cdotsT1,T2,⋯ 相互独立,且同服从参数为 λ\lambdaλ 的指数分布。
Part 3:到达时刻的条件分布
下面我们再介绍一下到达时刻的条件分布。如果已知在 (0,t](0,t](0,t] 内恰好有 nnn 个事件发生,我们想要确定这 nnn 个事件发生的时刻的概率分布。首先看恰好有 111 个事件发生的情况。
定理:设{N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程。若已知在 (0,t](0,t](0,t] 内恰好有 111 个事件发生,则此事件发生的时刻 S1S_1S1 在 (0,t](0,t](0,t] 内服从均匀分布。
证明条件均匀分布,我们只需要求出 S1S_1S1 的条件分布函数。对任意的 0<s≤t0<s\leq t0<s≤t 有
P(S1≤s∣N(t)=1)=P(T1≤s,N(t)=1)P(N(t)=1)=P(N(s)=1)P(N(t)−N(s)=0)P(N(t)=1)=λse−λs×e−λ(t−s)λte−λt=st,0<s≤t.\begin{aligned} P(S_1\leq s|N(t)=1)&=\frac{P(T_1\leq s,N(t)=1)}{P(N(t)=1)} \\ &=\frac{P(N(s)=1)P(N(t)-N(s)=0)}{P(N(t)=1)} \\ &=\frac{\lambda se^{-\lambda s}\times e^{-\lambda(t-s)}}{\lambda te^{-\lambda t}} \\ &=\frac st \ , \quad 0<s\leq t \ . \end{aligned} P(S1≤s∣N(t)=1)=P(N(t)=1)P(T1≤s,N(t)=1)=P(N(t)=1)P(N(s)=1)P(N(t)−N(s)=0)=λte−λtλse−λs×e−λ(t−s)=ts ,0<s≤t .
所以我们有 S1∣N(t)=1∼U(0,t)S_1|N(t)=1\sim U(0,t)S1∣N(t)=1∼U(0,t) 。
下面我们将结果推广到 nnn 个事件,这里需要涉及次序统计量的概念,我们只介绍结论而不作证明。
定理:设{N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程,在已知 N(t)=nN(t)=nN(t)=n 的条件下,这 nnn 个事件的到达时刻 S1,S2,⋯,SnS_1,S_2,\cdots,S_nS1,S2,⋯,Sn 与 nnn 个独立同分布的均匀分布 U(0,t)U(0,t)U(0,t) 随机变量的次序统计量同分布,即
(S1,S2,⋯,Sn∣N(t)=n)=d(U(1),U(1),⋯,U(n)),(S_1,S_2,\cdots,S_n|N(t)=n)\xlongequal{d}\left(U_{(1)},U_{(1)},\cdots,U_{(n)}\right) \ , (S1,S2,⋯,Sn∣N(t)=n)d(U(1),U(1),⋯,U(n)) ,
其中 U(1),U(2),⋯,U(n)U_{(1)},U_{(2)},\cdots,U_{(n)}U(1),U(2),⋯,U(n) 为 nnn 个独立同分布的 U(0,t)U(0,t)U(0,t) 随机变量 U1,U2,⋯,UnU_1,U_2,\cdots,U_nU1,U2,⋯,Un 的次序统计量。
补充一个次序统计量的知识点。
设 X1,X2,⋯,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn 是来自密度函数为 f(x)f(x)f(x) 的连续总体的简单随机样本。即 X1,X2,⋯,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn 独立同分布,且具有密度函数 f(x)f(x)f(x) 。把 X1,X2,⋯,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn 从小到大排列,即可得到次序统计量
X(1)≤X(2)≤⋯≤X(n),X_{(1)}\leq X_{(2)}\leq\cdots\leq X_{(n)} \ , X(1)≤X(2)≤⋯≤X(n) ,
则 (X(1),X(2),⋯,X(n))\left(X_{(1)},X_{(2)},\cdots,X_{(n)}\right)(X(1),X(2),⋯,X(n)) 具有联合概率密度函数
g(x1,x2,⋯,xn)={n!f(x1)f(x2)⋯f(xn),x1<x2<⋯<xn,0,otherwise .g(x_1,x_2,\cdots,x_n)=\left\{ \begin{array}{ll} n!f(x_1)f(x_2)\cdots f(x_n) \ , & x_1<x_2<\cdots<x_n \ , \\ 0 \ , & \text{otherwise} \ . \end{array}\right. g(x1,x2,⋯,xn)={n!f(x1)f(x2)⋯f(xn) ,0 ,x1<x2<⋯<xn ,otherwise .
对于本课程而言,推广到 nnn 个事件的到达时刻的条件分布仅供了解。
Part 4:泊松过程的合成与分解
这部分我们只需掌握以下两个定理的应用。
定理:设 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 和 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 分别为参数为 λ1\lambda_1λ1 和 λ2\lambda_2λ2 的泊松过程,且两个泊松过程相互独立,定义 N(t)=N1(t)+N2(t)N(t)=N_1(t)+N_2(t)N(t)=N1(t)+N2(t) ,则 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ1+λ2\lambda_1+\lambda_2λ1+λ2 的泊松过程。
定理:设 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程,若每个事件独立地且独立于 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 以概率 ppp 为第一类事件,以概率 1−p1-p1−p 为第二类事件,定义 N1(t)N_1(t)N1(t) 和 N2(t)N_2(t)N2(t) 分别表示到 ttt 时刻为止的第一类事件和第二类事件发生的个数,则 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 和 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 分别是参数为 λp\lambda pλp 和 λ(1−p)\lambda(1-p)λ(1−p) 的泊松过程,且相互独立。
利用泊松过程的第二种定义,可以较为方便地证明这两个定理,其中最复杂的部分在于证明独立增量性。这两个定理的证明不要求掌握,在此便不做赘述。
三、非齐次泊松过程
Part 1:非齐次泊松过程的定义
之前我们所讨论的泊松过程均为齐次泊松过程,参数 λ\lambdaλ 的含义是事件发生的速率,是一个常数,不会随时间的改变而改变。下面我们将泊松过程推广为非齐次的泊松过程,也称为非平稳的泊松过程,它允许在时间 ttt 内事件发生的速率是一个关于 ttt 的函数。首先给出非齐次泊松过程的两种定义。
非齐次泊松过程的第一种定义:计数过程 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 称为强度函数为 λ(t)(t≥0)\lambda(t)\ (t\geq0)λ(t) (t≥0) 的非齐次泊松过程,如果满足以下条件:
- N(0)=0N(0)=0N(0)=0 ;
- {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是独立增量过程;
- 稀有性: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) ;
- 相继性:P(N(t+h)−N(t)≥2)=o(h)P(N(t+h)-N(t)\geq2)=o(h)P(N(t+h)−N(t)≥2)=o(h) 。
按照如下定义的函数 m(t)m(t)m(t) 称为非齐次泊松过程的均值函数:
m(t)=∫0tλ(y)dy.m(t)=\int_0^t\lambda(y){\rm d}y \ . m(t)=∫0tλ(y)dy .
非齐次泊松过程的第二种定义:计数过程 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 称为强度函数为 λ(t)(t≥0)\lambda(t)\ (t\geq0)λ(t) (t≥0) 的非齐次泊松过程,如果满足以下条件:
- N(0)=0N(0)=0N(0)=0 ;
- {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是独立增量过程;
- 对任意的 0≤s<t0\leq s<t0≤s<t ,都有 N(t)−N(s)∼P(∫stλ(y)dy)N(t)-N(s)\sim P\left(\displaystyle\int_s^t\lambda(y){\rm d}y\right)N(t)−N(s)∼P(∫stλ(y)dy) 。
可以验证 E(N(t))=m(t){\rm E}(N(t))=m(t)E(N(t))=m(t) ,这就是我们把 m(t)m(t)m(t) 称为均值函数的原因。关于非齐次泊松过程的两种定义的等价性我们就不再证明了。
非齐次泊松过程的意义在于我们不再需要平稳增量的限制,这可以用来解释事件在某些时间比在其他时间更有可能会发生的情况。
Part 2:非齐次泊松过程的合成与分解
同样这里我们只给出两个定理。
定理:设 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 和 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 分别是强度函数为 λ1(t)\lambda_1(t)λ1(t) 和 λ2(t)\lambda_2(t)λ2(t) 的非齐次泊松过程且相互独立。定义 N(t)=N1(t)+N2(t)N(t)=N_1(t)+N_2(t)N(t)=N1(t)+N2(t) ,则 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ1(t)+λ2(t)\lambda_1(t)+\lambda_2(t)λ1(t)+λ2(t) 的非齐次泊松过程。
定理:设 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 是参数为 λ\lambdaλ 的泊松过程,若在 ttt 时刻发生的事件独立地且独立于 {N(t):t≥0}\{N(t):t\geq0\}{N(t):t≥0} 以概率 p(t)p(t)p(t) 为第一类事件,以概率 1−p(t)1-p(t)1−p(t) 为第二类事件,定义 N1(t)N_1(t)N1(t) 和 N2(t)N_2(t)N2(t) 分别表示到 ttt 时刻为止的第一类事件和第二类事件发生的个数,则 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 和 {N1(t):t≥0}\{N_1(t):t\geq0\}{N1(t):t≥0} 分别是强度函数为 λp(t)\lambda p(t)λp(t) 和 λ(1−p(t))\lambda(1-p(t))λ(1−p(t)) 的非齐次泊松过程,且相互独立。
【应用随机过程】05. 泊松过程相关推荐
- 【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: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 ...
- 随机过程 $3泊松过程
§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 ...
- 【随机过程】泊松过程的协方差
- 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 ...
- 【随机过程】14 - 离散时间马氏链与转移概率
离散时间马尔科夫链与转移概率 文章目录 离散时间马尔科夫链与转移概率 1. 马尔科夫性的引入 2. 马尔科夫性与马尔科夫链 2.1 定义 2.2 马尔科夫性的解读 2.3 马尔科夫性的扩展 2.3.1 ...
- 【工程数学】笔记4:随机过程
目录 1 基本概念 2 工具和技术 布朗运动 泊松过程 马尔可夫过程 3 常见应用 在自然语言处理中的应用 在精算中的应用 在系统维修中的应用 4 参考资料 图片来源:Ergodic Theory a ...
- python随机库函数_python标准库中的随机分布函数
random.random() 返回一个 随机的浮点数, 值域为 [0.0, 1.0] random.uniform(a, b) 均匀分布 返回一个随机的浮点数N, N的值在a与b之间 等同于 a + ...
- SLS机器学习介绍(01):时序统计建模
文章系列链接 SLS机器学习介绍(01):时序统计建模 SLS机器学习介绍(02):时序聚类建模 SLS机器学习介绍(03):时序异常检测建模 SLS机器学习介绍(04):规则模式挖掘 SLS机器学习 ...
最新文章
- python小程序-第一个python小程序——即时动态时钟(代码解读)
- 总体参数的估计(概念)
- AI开发者大会:2020年7月3日09:30--09:50司罗《为商业搭建语言桥梁》
- 微信系列研究之-----资源文件保护的小把戏
- Multi-Scale Densenet续作?搞定Transformer降采样,清华联合华为开源动态ViT!
- JSF 2.0/2.1 生命周期简介
- 2020-爬虫技术ftx
- JavaScript日期有效性检查
- ZOJ-2575 Full of Painting 动态规划
- pycharm——常用快捷键操作
- mfc中句柄与指针的区别
- 体系结构方案 - 临时性数据计算
- nginx location正则匹配规则
- 马克思主义基本原理概论
- steam官网网页服务器打不开,steam打不开,教您怎么解决steam打不开
- headfirst 笔记 第七章
- 打造自己的图像识别模型
- 怎么用计算机弹少年这首歌,为什么《少年》这首歌,能火遍全网,它带来了多少收益呢?...
- 年度规划复盘及一些收获
- 什么是最小二乘法,及最小二乘法的应用详解
热门文章
- 几种相机模型:针孔相机模型、双目相机模型、RGB-D相机——SLAM学习笔记5
- xcode 真机调试 需要付费吗_iOS真机调试配置
- Vue学习(三十五)——fetch的用法
- linux 怎么登陆mysql数据库连接_Linux系统下实现远程连接MySQL数据库的方法教程
- Python 学习之路(二) - 条件语句及循环
- 苹果ios 11系统无法连接服务器,ios11 App Store无法连接解决办法,亲测可用
- 赢在中国主题曲《在路上》
- CSS图片水平垂直居中的三种方法
- 京牌车辆是否可以继承
- 计算机遇到错误无法安装windows,无法安装windows10 - Microsoft Community