随机过程 Poisson 过程

这篇具有很好参考价值的文章主要介绍了随机过程 Poisson 过程。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

随机过程 Poisson 过程

基本概念

(这里介绍了 Poisson 过程的两种定义方法)

计数过程:随机过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 称为计数过程,如果 N ( t ) N(t) N(t) 表示从 0 0 0 t t t 时刻某一特定时间 A A A 发生的次数,它具备以下两个特点:

  • N ( t ) ≥ 0 N(t)\geq 0 N(t)0 且取值为整数;
  • s < t s\lt t s<t 时, N ( s ) ≤ N ( t ) N(s)\leq N(t) N(s)N(t) ,且 N ( t ) − N ( s ) N(t)-N(s) N(t)N(s) 表示 ( s ,   t ] (s,\,t] (s,t] 时间内事件 A A A 发生的次数。

Poisson 过程:计数过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 被称为参数为 λ \lambda λ λ > 0 \lambda\gt 0 λ>0)的 Poisson 过程,如果:

  • N ( 0 ) = 0 N(0)=0 N(0)=0
  • 过程有独立增量
  • 在任一长度为 t t t 的时间区间中事件发生的次数服从均值为 λ t \lambda t λt 的 Poisson 分布,即对一切 s ≥ 0 s\geq 0 s0 t > 0 t \gt 0 t>0 ,有

P ( N ( t + s ) − N ( s ) = n ) = e − λ t ( λ t ) n n ! , n = 0 ,   1 ,   2 ,   ⋯ P(N(t+s)-N(s)=n)=e^{-\lambda t}\frac{(\lambda t)^n}{n!},\quad n=0,\,1,\,2,\,\cdots P(N(t+s)N(s)=n)=eλtn!(λt)n,n=0,1,2,

Poisson 过程的特点

  • 从第三点可以看出,任意 t t t 时间间隔内的分布与起始时间 s s s 无关,因此 Poisson 过程具有平稳增量性;
  • λ \lambda λ 可以看作单位时间内事件发生的平均次数,一般被称为强度、速率或发生率

:某火车站售票处早上 8:00 开始营业,乘客以 10 10 10 人/小时的平均速率到达,则 9:10~10:00 这 1 个小时内最多有 5 名乘客来此购票的概率是多少?10:00~11:00 没有人来买票的概率是多少?

:我们用一个泊松过程来描述,参数 λ = 10 \lambda=10 λ=10 ,有:
P ( N ( 2 ) − N ( 1 ) ≤ 5 ) = ∑ n = 0 5 e − 10 1 0 n n ! P ( N ( 3 ) − N ( 2 ) = 0 ) = e − 10 ( 10 ) 0 0 ! = e − 10 \begin{array}{c} P(N(2)-N(1)\leq 5)=\sum\limits_{n=0}^{5}e^{-10}\frac{10^n}{n!} \\ P(N(3)-N(2)=0)=e^{-10}\frac{(10)^0}{0!}=e^{-10} \end{array} P(N(2)N(1)5)=n=05e10n!10nP(N(3)N(2)=0)=e100!(10)0=e10
小概率事件原理:实际当中有很多现象都可以用 Poisson 过程来描述,是因为 Bernoulli 实验的次数很多时,二项分布就会逼近 Poisson 分布。这些具体的性质用数学表述为:

Th:设 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq0\} {N(t),t0} 是一个计数过程,它满足:则它是一个 Poisson 过程

  1. N ( 0 ) = 0 N(0)=0 N(0)=0
  2. 过程有平稳独立增量
  3. 存在 λ > 0 \lambda >0 λ>0 ,当 h → 0 + h\to 0^+ h0+ 时,有:

P ( N ( t + h ) − N ( t ) = 1 ) = λ h + o ( h ) P(N(t+h)-N(t)=1)=\lambda h+o(h) P(N(t+h)N(t)=1)=λh+o(h)

  1. h → 0 + h\to 0^+ h0+ 时,有:

P ( N ( t + h ) − N ( t ) ≥ 2 ) = o ( h ) P(N(t+h)-N(t)\geq 2)=o(h) P(N(t+h)N(t)2)=o(h)

大致说明:首先,我们把 [ 0 ,   t ] [0,\,t] [0,t] 划分为 n n n 个相等的区间,则由条件 4. 得到,当 n → ∞ n\to\infty n 时,每个小区间内事件发生两次及以上的概率趋于 0,因此事件发生一次的概率 p ≈ λ t n p\approx \lambda\frac{t}{n} pλnt (这里 t n \frac{t}{n} nt 大概就是上边条件中的 h h h ),事件不发生的概率 1 − p ≈ 1 − λ t n 1-p\approx 1-\lambda\frac{t}{n} 1p1λnt ,这恰好对应于 Bernoulli 的一次实验,而 N ( t ) N(t) N(t) 就相当于 n n n 重 Bernoulli 试验中成功的总次数。

严格证明:充分性:设计数过程 { N ( t ,   t ≥ 0 } \{N(t,\,t\geq 0\} {N(t,t0} 满足以上四个条件,要证明它是 Poisson 过程,只需验证 N ( t ) N(t) N(t) 服从参数为 λ t \lambda t λt 的 Poisson 分布。记:
P n ( t ) =   P ( N ( t ) = n ) , n = 0 ,   1 ,   2 ,   ⋯ P ( h ) =   P ( N ( h ) ≥ 1 ) =   P 1 ( h ) + P 2 ( h ) + ⋯ =   1 − P 0 ( h ) \begin{align} P_n(t)=&\,P(N(t)=n),\quad n=0,\,1,\,2,\,\cdots \\ P(h)=&\,P(N(h)\geq 1) \\ =&\, P_1(h)+P_2(h)+\cdots \\ =&\,1-P_0(h) \end{align} Pn(t)=P(h)===P(N(t)=n),n=0,1,2,P(N(h)1)P1(h)+P2(h)+1P0(h)
则:
P 0 ( t + h ) =   P ( N ( t + h ) = 0 ) =   P ( N ( t + h ) − N ( t ) = 0 ,   N ( t ) = 0 ) =   P ( N ( t + h ) − N ( t ) = 0 ) ⋅ P ( N ( t ) = 0 ) ( 独立增量性 ) =   P 0 ( t ) P 0 ( h ) =   P 0 ( t ) ( 1 − λ h + o ( h ) ) ( 条件 3. ) \begin{align} P_0(t+h)=&\,P(N(t+h)=0) \\ =&\,P(N(t+h)-N(t)=0,\,N(t)=0) \\ =&\,P(N(t+h)-N(t)=0)\cdot P(N(t)=0) \quad(独立增量性)\\ =&\,P_0(t)P_0(h) \\ =&\,P_0(t)(1-\lambda h+o(h))\quad (条件 3.) \end{align} P0(t+h)=====P(N(t+h)=0)P(N(t+h)N(t)=0,N(t)=0)P(N(t+h)N(t)=0)P(N(t)=0)(独立增量性)P0(t)P0(h)P0(t)(1λh+o(h))(条件3.)
因此
P 0 ( t + h ) − P 0 ( t ) h = − λ P 0 ( t ) + o ( h ) h \frac{P_0(t+h)-P_0(t)}{h}=-\lambda P_0(t)+\frac{o(h)}{h} hP0(t+h)P0(t)=λP0(t)+ho(h)
h → 0 h\to 0 h0 ,得:
P 0 ′ ( t ) = − λ P 0 ( t ) P_0'(t)=-\lambda P_0(t) P0(t)=λP0(t)
解这个微分方程,得到:
P 0 ( t ) = c e − λ t P_0(t)=ce^{-\lambda t} P0(t)=ceλt
有初始条件 P 0 ( 0 ) = 1 P_0(0)=1 P0(0)=1 c = 1 c=1 c=1 ,故:
P 0 ( t ) = e − λ t P_0(t)=e^{-\lambda t} P0(t)=eλt
同理,当 n ≥ 1 n\geq 1 n1 时,有:
P n ( t + h ) =   P ( N ( t + h ) = n ) =   P ( N ( t + h ) − N ( t ) = 0 ) P ( N ( t ) = n ) +   P ( N ( t + h ) − N ( t ) = 1 ) P ( N ( t ) = n − 1 ) +   P ( N ( t + h ) − N ( t ) ≥ 2 ,   N ( t + h ) = n ) =   P 0 ( h ) P n ( t ) + P 1 ( h ) P n − 1 ( t ) + o ( h ) =   ( 1 − λ h ) P n ( t ) + λ h P n − 1 ( t ) + o ( h ) \begin{align} P_n(t+h)=&\,P(N(t+h)=n) \\ =&\,P(N(t+h)-N(t)=0)P(N(t)=n)\\+&\,P(N(t+h)-N(t)=1)P(N(t)=n-1)\\+&\,P(N(t+h)-N(t)\geq 2,\,N(t+h)=n) \\ =&\,P_0(h)P_n(t)+P_1(h)P_{n-1}(t)+o(h) \\ =&\,(1-\lambda h)P_n(t)+\lambda hP_{n-1}(t)+o(h) \end{align} Pn(t+h)==++==P(N(t+h)=n)P(N(t+h)N(t)=0)P(N(t)=n)P(N(t+h)N(t)=1)P(N(t)=n1)P(N(t+h)N(t)2,N(t+h)=n)P0(h)Pn(t)+P1(h)Pn1(t)+o(h)(1λh)Pn(t)+λhPn1(t)+o(h)
于是:
P n ( t + h ) − P n ( t ) h = − λ P n ( t ) + λ P n − 1 ( t ) + o ( h ) h \frac{P_n(t+h)-P_n(t)}{h}=-\lambda P_n(t)+\lambda P_{n-1}(t)+\frac{o(h)}{h} hPn(t+h)Pn(t)=λPn(t)+λPn1(t)+ho(h)
h → 0 h\to 0 h0 ,解微分方程,代入初始条件,得到:
P n ( t ) = e − λ t ( λ t ) n n ! = P ( N ( t ) = n ) P_n(t)=e^{-\lambda t}\frac{(\lambda t)^n}{n!}=P(N(t)=n) Pn(t)=eλtn!(λt)n=P(N(t)=n)
充分性:Poisson 过程已经满足条件 1. 和 2.,只需要证明满足条件 3. 和 4.,有:
P ( N ( t + h ) − N ( t ) = 1 ) =   P ( N ( h ) − N ( 0 ) = 1 ) =   e − λ h λ h 1 ! =   λ h ∑ n − 0 ∞ ( λ h ) n n ! = λ h ( 1 − λ h + o ( h ) ) ( T a y l o r 展开 ) =   λ h + o ( h ) \begin{align} P(N(t+h)-N(t)=1)=&\,P(N(h)-N(0)=1)\\ =&\,e^{-\lambda h}\frac{\lambda h}{1!}\\ =&\,\lambda h\sum\limits_{n- 0}^{\infty}\frac{(\lambda h)^n}{n!}=\lambda h(1-\lambda h+o(h))\quad(Taylor展开)\\=&\,\lambda h+o(h) \end{align} P(N(t+h)N(t)=1)====P(N(h)N(0)=1)eλh1!λhλhn0n!(λh)n=λh(1λh+o(h))(Taylor展开)λh+o(h)

P ( N ( t + h ) − N ( t ) ≥ 2 ) =   P ( N ( h ) − N ( 0 ) ≥ 2 ) =   ∑ n = 2 ∞ e − λ h ( λ h ) n n ! =   o ( h ) \begin{align} P(N(t+h)-N(t)\geq 2)=&\,P(N(h)-N(0)\geq 2) \\ =&\, \sum\limits_{n=2}^{\infty}e^{-\lambda h}\frac{(\lambda h)^n}{n!} \\ =&\, o(h) \end{align} P(N(t+h)N(t)2)===P(N(h)N(0)2)n=2eλhn!(λh)no(h)

很妙哇,我感觉就是泰勒展开的原理。

:事件 A A A 的发生形成强度为 $\lambda $ 的 Poisson 过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} ,如果每次事件发生时能够以概率 p p p 被记录下来,并以 M ( t ) M(t) M(t) 表示到时刻 t t t 被记录下来的时间总数,则 { M ( t ) ,   t ≥ 0 } \{M(t),\,t\geq 0\} {M(t),t0} 是一个强度为 λ p \lambda p λp 的泊松过程

显然, M ( t ) M(t) M(t) 也一定有平稳独立增量,且 M ( 0 ) = 0 M(0)=0 M(0)=0 ,只需要证明 M ( t ) M(t) M(t) 服从参数为 λ p \lambda p λp 的 Poisson 过程
P ( M ( t ) = m ) =   ∑ n = 0 ∞ P ( M ( t ) = n ∣ N ( t ) = m + n ) ⋅ P ( N ( t ) = m + n ) =   ∑ n = 0 ∞ C m + n m p m ( 1 − p ) n ⋅ e − λ t ( λ t ) m + n ( m + n ) ! =   1 m ! p m ( λ t ) m e − λ t ∑ n = 0 ∞ ( 1 − p ) n ( λ t ) n n ! =   1 m ! p m ( λ t ) m e − λ t e ( 1 − p ) λ t =   e − p λ t ( p λ t ) m m ! \begin{align} P(M(t)=m)=&\,\sum\limits_{n=0}^{\infty}P(M(t)=n|N(t)=m+n)\cdot P(N(t)=m+n) \\ =&\, \sum\limits_{n=0}^{\infty}C_{m+n}^mp^m(1-p)^{n}\cdot e^{-\lambda t}\frac{(\lambda t)^{m+n}}{(m+n)!}\\ =&\,\frac{1}{m!}p^m(\lambda t)^me^{-\lambda t}\sum\limits_{n=0}^{\infty}\frac{(1-p)^n(\lambda t)^n}{n!} \\ =&\,\frac{1}{m!}p^m(\lambda t)^me^{-\lambda t}e^{(1-p)\lambda t} \\ =&\,e^{-p\lambda t}\frac{(p\lambda t)^m}{m!} \\ \end{align} P(M(t)=m)=====n=0P(M(t)=nN(t)=m+n)P(N(t)=m+n)n=0Cm+nmpm(1p)neλt(m+n)!(λt)m+nm!1pm(λt)meλtn=0n!(1p)n(λt)nm!1pm(λt)meλte(1p)λtepλtm!(pλt)m
M ( t ) M(t) M(t) 服从 λ p \lambda p λp 的泊松过程

(这个例子相当于用一个泊松分布,以概率 p p p 导出得到了另一个泊松分布)

与 Poisson 过程相联系的若干分布

Poisson 的样本路径一般是跳跃度为 1 1 1 的阶梯函数:

poisson过程,# 随机过程,概率论,机器学习,算法

其中 T n T_n Tn 代表第 n n n 次事件发生的间隔,规定 T 0 = 0 T_0=0 T0=0 X n X_n Xn 代表第 n n n 次和第 n − 1 n-1 n1 次事件发生的时间间隔

X n X_n Xn T n T_n Tn 的分布

X n X_n Xn 的分布 X n X_n Xn 服从参数为 λ \lambda λ 的指数分布,且相互分布

证明:首先考虑 X 1 X_1 X1 的分布,有:
P ( X 1 > t ) = P ( N ( t ) = 0 ) = e − λ t ⇒ P ( X 1 ≤ t ) = 1 − e − λ t P(X_1\gt t)=P(N(t)=0)=e^{-\lambda t}\Rightarrow P(X_1\leq t)=1-e^{-\lambda t} P(X1>t)=P(N(t)=0)=eλtP(X1t)=1eλt
再观察 X 2 X_2 X2 ,有:
P ( X 2 > t ∣ X 1 = s ) =   P ( N ( t + s ) − N ( s ) = 0 ∣ X 1 = s ) =   P ( N ( t + s ) − N ( s ) = 0 ) ( 独立增量性 ) =   e − λ t \begin{align} P(X_2\gt t|X_1=s)=&\,P(N(t+s)-N(s)=0|X_1=s) \\ =&\,P(N(t+s)-N(s)=0) \quad(独立增量性) \\ =&\, e^{-\lambda t} \end{align} P(X2>tX1=s)===P(N(t+s)N(s)=0∣X1=s)P(N(t+s)N(s)=0)(独立增量性)eλt
所以 X 1 X_1 X1 X 2 X_2 X2 相互独立,且都服从参数为 λ \lambda λ 的指数分布,可以重复推导

Def:Poisson 过程的第三种定义:计数过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 是参数为 λ \lambda λ 的 Poisson 过程,如果每次事件的时间间隔 X 1 X_1 X1 X 2 X_2 X2 ⋯ \cdots 相互独立,且服从参数为 λ \lambda λ 的指数分布。

(Poisson 过程具有平稳独立增量,正好对应于指数分布的无记忆性)

T n T_n Tn 的分布 T n T_n Tn 服从参数为 n n n λ \lambda λ Γ \Gamma Γ 分布

证明:由 T n = ∑ i = 1 n X i T_n=\sum\limits_{i=1}^nX_i Tn=i=1nXi ,指数分布是参数为 1 1 1 λ \lambda λ Γ \Gamma Γ 分布,由 Γ \Gamma Γ 分布的独立可加性得到, T n T_n Tn 服从参数为 n n n λ \lambda λ Γ \Gamma Γ 分布

:设从早上 8:00 开始由无穷多人排队等候服务,只有一名服务员,且每个人接受服务的事件是独立的并服从均值为 20 分钟的指数分布,则到中午 12:00 为止平均有多少人已经离去?已有 9 个人接受服务的概率是多少?

由此可知离去的人数 { N ( t ) } \{N(t)\} {N(t)} 服从参数为 3 的泊松过程(以小时为单位),故:
P ( N ( 4 ) − N ( 0 ) = n ) = e − 12 ( 12 ) n n ! P(N(4)-N(0)=n)=e^{-12}\frac{(12)^n}{n!} P(N(4)N(0)=n)=e12n!(12)n
该分布的均值为 12,因此到中午 12:00 位置平均已有 12 人离去,已有 9 个人接受服务的概率为: P ( N ( 4 ) − N ( 0 ) = 9 ) = e − 12 ( 12 ) n 9 ! P(N(4)-N(0)=9)=e^{-12}\frac{(12)^n}{9!} P(N(4)N(0)=9)=e129!(12)n

事件发生各时刻的条件分布

假设到时刻 t t t ,Poisson 过程描述的事件 A A A 已经发生了 n n n 次,现在考虑 T 1 T_1 T1 T 2 T_2 T2 ⋯ \cdots T n T_n Tn 的联合分布;首先考虑 n = 1 n=1 n=1 的情况,对于 s ≥ t s\geq t st ,有:
P ( T 1 ≤ s ∣ N ( t ) = 1 ) =   P ( T 1 ≤ s , N ( t ) = 1 ) P ( N ( t ) = 1 ) =   P ( N ( s ) = 1 ) ⋅ P ( N ( t ) − N ( s ) = 0 ) P ( N ( t ) = 1 ) =   λ s e − λ s ⋅ e − λ ( t − s ) λ t e − λ t =   s t \begin{align} P(T_1\leq s|N(t)=1)=&\,\frac{P(T_1\leq s, N(t)=1)}{P(N(t)=1)} \\ =&\, \frac{P(N(s)=1)\cdot P(N(t)-N(s)=0)}{P(N(t)=1)} \\ =&\, \frac{\lambda se^{-\lambda s}\cdot e^{-\lambda(t-s)}}{\lambda te^{-\lambda t}} \\ =&\, \frac{s}{t} \end{align} P(T1sN(t)=1)====P(N(t)=1)P(T1s,N(t)=1)P(N(t)=1)P(N(s)=1)P(N(t)N(s)=0)λteλtλseλseλ(ts)ts
可以理解成,在已知 [ 0 ,   t ] [0,\,t] [0,t] 时间内 A A A 只发生一次的前提下, A A A 发生时刻在 [ 0 ,   t ] [0,\,t] [0,t] 上是均匀分布的,这是因为 Poisson 过程具有平稳独立增量, A A A [ 0 ,   t ] [0,\,t] [0,t] 的任何长度相同的子区间内发生的概率都是相等的。现在考虑 n ≥ 2 n\geq 2 n2 的情况:

Th:在已知 N ( t ) = n N(t)=n N(t)=n 的条件下,事件发生的 n n n 个时刻 T 1 T_1 T1 T 2 T_2 T2 ⋯ \cdots T n T_n Tn 的联合概率密度函数为:
f ( t 1 ,   t 2 ,   ⋯   ,   t n ) = n ! t n , 0 < t 1 < t 2 < ⋯ < t n f(t_1,\,t_2,\,\cdots,\,t_n)=\frac{n!}{t^n},\quad 0<t_1<t_2<\cdots<t_n f(t1,t2,,tn)=tnn!,0<t1<t2<<tn
证明:设 0 < t 1 < t 2 < ⋯ < t n < t n + 1 = t \quad 0<t_1<t_2<\cdots<t_n<t_{n+1}=t 0<t1<t2<<tn<tn+1=t ,取 h i h_i hi 充分小使得 t i + h i < t i + 1 t_i+h_i<t_{i+1} ti+hi<ti+1 ,则:
  P ( t i < T ≤ t i + h i ,   i = 1 ,   2 ,   ⋯   ,   n ∣ N ( t ) = n ) =   P [ N ( t i + h i ) − N ( t i ) = 1 ,   N ( t i + 1 ) − N ( t i + h i ) = 0 ,   1 ≤ i ≤ n ,   N ( t 1 ) = 0 ] P ( N ( t ) = n ) =   λ h 1 e − λ h 1 ⋯ λ h n e − λ h n ⋅ e − λ ( t − ∑ i = 0 n h i ) e − λ t ( λ t ) n n ! =   n ! t n ∏ i = 0 n h i \begin{align} &\,P(t_i<T\leq t_i+h_i,\,i=1,\,2,\,\cdots,\,n|N(t)=n) \\ =&\, \frac{P[N(t_i+h_i)-N(t_i)=1,\,N(t_{i+1})-N(t_i+h_i)=0,\,1\leq i\leq n,\,N(t_1)=0]}{P(N(t)=n)} \\ =&\, \frac{\lambda h_1e^{-\lambda h_1}\cdots\lambda h_ne^{-\lambda h_n}\cdot e^{-\lambda(t-\sum\limits_{i=0}^nh_i)}}{e^{-\lambda t}\frac{(\lambda t)^n}{n!}} \\ =&\, \frac{n!}{t^n}\prod_{i=0}^nh_i \end{align} ===P(ti<Tti+hi,i=1,2,,nN(t)=n)P(N(t)=n)P[N(ti+hi)N(ti)=1,N(ti+1)N(ti+hi)=0,1in,N(t1)=0]eλtn!(λt)nλh1eλh1λhneλhneλ(ti=0nhi)tnn!i=0nhi

按照定义,给定 N ( t ) = n N(t)=n N(t)=n 时, ( T 1 ,   T 2 ,   ⋯   T n ) (T_1,\,T_2,\,\cdots\,T_n) (T1,T2,Tn) n n n 为条件分布密度为:
f ( t 1 ,   t 2 ,   ⋯   ,   t n ) = lim ⁡ h i → 0 P ( t i < T ≤ t i + h i ,   i = 1 ,   2 ,   ⋯   ,   n ∣ N ( t ) = n ) ∏ i = 0 n h i = n ! t n , 0 < t 1 < t 2 < ⋯ < t n f(t_1,\,t_2,\,\cdots,\,t_n)=\lim_{h_i\to 0}\frac{P(t_i<T\leq t_i+h_i,\,i=1,\,2,\,\cdots,\,n|N(t)=n)}{\prod_{i=0}^nh_i}=\frac{n!}{t^n},\quad 0<t_1<t_2<\cdots<t_n f(t1,t2,,tn)=hi0limi=0nhiP(ti<Tti+hi,i=1,2,,nN(t)=n)=tnn!,0<t1<t2<<tn
这个式子恰好是 [ 0 ,   t ] [0,\,t] [0,t] 区间上服从均匀分布的 n n n 个相互独立随机变量 Y 1 Y_1 Y1 Y 2 Y_2 Y2 ⋯ \cdots Y n Y_n Yn 的顺序统计量 Y ( 1 ) Y_{(1)} Y(1) Y ( 2 ) Y_{(2)} Y(2) ⋯ \cdots Y ( n ) Y_{(n)} Y(n) 的联合分布。所以直观上,在已知 [ 0 ,   t ] [0,\,t] [0,t] 内发生了 n n n 次事件的前提下,各事件发生的时刻 T 1 T_1 T1 T 2 T_2 T2 ⋯ \cdots T n T_n Tn (不排序)可看作相互独立的随机变量,且都服从 [ 0 ,   t ] [0,\,t] [0,t] 上的均匀分布。

:乘客按照强度为 λ \lambda λ 的 Poisson 过程来到某火车站,火车在 t t t 时刻启程,计算在 ( 0 ,   t ] (0,\,t] (0,t] 内到达的乘客等待事件的总和的期望值,即求 E [ ∑ i = 1 N ( t ) ( t − T i ) ] E\left[ \sum\limits_{i=1}^{N(t)}(t-T_i) \right] E[i=1N(t)(tTi)] ,其中 T i T_i Ti 是第 i i i 个乘客到达的时刻

:在 N ( t ) N(t) N(t) 给定的条件下,取条件期望:
E [ ∑ i = 1 N ( t ) ( t − T i ) ∣ N ( t ) = n ] = E [ ∑ i = 1 n ( t − T i ) ∣ N ( t ) = n ] = n t − E [ ∑ i = 1 n T i ∣ N ( t ) = n ] E\left[ \sum\limits_{i=1}^{N(t)}(t-T_i)|N(t)=n \right]=E\left[ \sum\limits_{i=1}^n(t-T_i)|N(t)=n \right]=nt-E\left[ \sum\limits_{i=1}^nT_i|N(t)=n \right] E i=1N(t)(tTi)N(t)=n =E[i=1n(tTi)N(t)=n]=ntE[i=1nTiN(t)=n]
由上边证明的定理得, n n n 个乘客的到来可以看作 n n n 个服从均匀分布的随机变量,记 U 1 U_1 U1 U 2 U_2 U2 ⋯ \cdots U n U_n Un n n n 个独立的服从 ( 0 ,   t ] (0,\,t] (0,t] 上均匀分布的随机变量,有:
E [ ∑ i = 1 n T i ∣ N ( t ) = n ] = E ( ∑ i = 1 n U i ) = n t 2 E\left[ \sum\limits_{i=1}^nT_i|N(t)=n \right]=E(\sum\limits_{i=1}^nU_i)=\frac{nt}{2} E[i=1nTiN(t)=n]=E(i=1nUi)=2nt
因此:
E [ ∑ i = 1 N ( t ) ( t − T i ) ∣ N ( t ) = n ] = n t − E [ ∑ i = 1 n T i ∣ N ( t ) = n ] = n t 2 E\left[ \sum\limits_{i=1}^{N(t)}(t-T_i)|N(t)=n \right]=nt-E\left[ \sum\limits_{i=1}^nT_i|N(t)=n \right]=\frac{nt}{2} E i=1N(t)(tTi)N(t)=n =ntE[i=1nTiN(t)=n]=2nt
所以:
E [ ∑ i = 1 N ( t ) ( t − T i ) ] = E { E [ ∑ i = 1 N ( t ) ( t − T i ) ∣ N ( t ) ] } = ∑ n = 0 ∞ n t 2 ⋅ P ( N ( t ) = n ) = λ t 2 2 E\left[ \sum\limits_{i=1}^{N(t)}(t-T_i) \right]=E\left\{ E\left[ \sum\limits_{i=1}^{N(t)}(t-T_i)|N(t) \right] \right\}=\sum\limits_{n=0}^{\infty}\frac{nt}{2}\cdot P(N(t)=n)=\frac{\lambda t^2}{2} E i=1N(t)(tTi) =E E i=1N(t)(tTi)N(t) =n=02ntP(N(t)=n)=2λt2
(我猜条件期望就是这样算的吧hhh)

Poisson 过程的推广

非齐次 Poisson 过程

非齐次 Poisson 过程:Poisson 过程中的 λ \lambda λ 不再是常数,二而是与时间 t t t 有关的函数时,就推广成了非齐次 Poissson 过程。定义为:计数过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 称作强度函数为 λ ( t ) \lambda(t) λ(t) λ ( t ) > 0 ,   t ≥ 0 \lambda(t)\gt 0,\,t\geq 0 λ(t)>0,t0) 的非齐次 Poisson 过程,如果:

  • N ( 0 ) = 0 N(0)=0 N(0)=0
  • { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 具有独立增量;
  • 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)
  • P ( N ( t + h ) − N ( t ) ≥ 2 ) = o ( h ) P(N(t+h)-N(t)\geq 2)=o(h) P(N(t+h)N(t)2)=o(h)

若令 m ( t ) = ∫ 0 t λ ( s )   d s m(t)=\int_{0}^t\lambda(s)\,ds m(t)=0tλ(s)ds ,则类似于 Poisson 过程;非齐次 Poisson 过程有如下等价定义:

Def:计数过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 称为强度函数为 λ ( t ) \lambda(t) λ(t) λ ( t ) > 0 ,   t ≥ 0 \lambda(t)\gt 0,\,t\geq 0 λ(t)>0,t0) 的非齐次 Poisson 过程,如果:

  • N ( 0 ) = 0 N(0)=0 N(0)=0
  • { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 具有独立增量;
  • 对任意实数 t ≥ 0 t\geq 0 t0 s > 0 s\gt 0 s>0 N ( t + s ) − N ( t ) N(t+s)-N(t) N(t+s)N(t) 为具有参数 m ( t + s ) − m ( t ) = ∫ t t + s λ ( u )   d u m(t+s)-m(t)=\int_{t}^{t+s}\lambda(u)\,du m(t+s)m(t)=tt+sλ(u)du 的 Poisson 分布

此时称 m ( t ) m(t) m(t) 为非齐次 Poisson 过程的均值函数(或累计强度函数)

非齐次 Poisson 过程的重要性在于不再要求平稳增量性,从而允许时间在某些时刻发生的可能性比另外一些时刻大。

以下定理给出了 Poisson 过程与非齐次 Poisson 过程之间的转换关系;事实上,非齐次 Poisson 过程就是进行时间变换过后的 Poisson 过程,使得某些时候时间更密,某些时候时间更稀疏,于是 λ \lambda λ 就变得随着时间变化了。

poisson过程,# 随机过程,概率论,机器学习,算法

Th:设 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 是强度函数为 λ ( t ) \lambda(t) λ(t) 的非齐次 Poisson 过程。对任意 t ≥ 0 t\geq 0 t0 ,令 N ∗ ( t ) = N [ m − 1 ( t ) ] N^*(t)=N[m^{-1}(t)] N(t)=N[m1(t)] ,则 { N ∗ ( t ) } \{N^*(t)\} {N(t)} 是一个强度为 1 的 Poisson 过程。

(很显然 m ( t ) = ∫ 0 t λ ( s )   d s m(t)=\int_{0}^t\lambda(s)\,ds m(t)=0tλ(s)ds 是一个单调递增函数,所以有反函数)

证明:我们证明 N ∗ ( t ) N^*(t) N(t) 满足第一节中 Poisson 过程的第二个定义。由 N ( t ) N(t) N(t) 的性质,易得 N ∗ ( t ) N^*(t) N(t) 满足条件 1. 和 2. ,我们只需证明其满足条件 3. 和 4. ;

v ( t ) = m − 1 ( t ) v(t)=m^{-1}(t) v(t)=m1(t) ,则 N ∗ ( t ) = N [ v ( t ) ] N^*(t)=N[v(t)] N(t)=N[v(t)] ;设 v = m − 1 ( t ) v=m^{-1}(t) v=m1(t) v + h ′ = m − 1 ( t + h ) v+h'=m^{-1}(t+h) v+h=m1(t+h) ,则:
h = m ( v + h ′ ) − m ( v ) = ∫ v v + h ′ λ ( s )   d s = λ ( v ) h ′ + o ( h ′ ) h=m(v+h')-m(v)=\int_{v}^{v+h'}\lambda(s)\,ds=\lambda(v)h'+o(h') h=m(v+h)m(v)=vv+hλ(s)ds=λ(v)h+o(h)
(这一步我没有太懂,我觉得是这样:假设 λ ( t ) \lambda(t) λ(t) 连续(一般都是这样),由积分中值定理得 ∫ v v + h ′ λ ( s )   d s = h ′ λ ( v + ε ) \int_{v}^{v+h'}\lambda(s)\,ds=h'\lambda(v+\varepsilon) vv+hλ(s)ds=hλ(v+ε),其中 0 ≤ ε ≤ h ′ 0\le \varepsilon \leq h' 0εh ,而 λ ( v + ε ) = λ ( v ) + o ( 1 ) \lambda(v+\varepsilon)=\lambda(v)+o(1) λ(v+ε)=λ(v)+o(1) (在 v v v 处泰勒展开),因此 = h ′ λ ( v ) + o ( h ′ ) =h'\lambda(v)+o(h') =hλ(v)+o(h)

得:
  lim ⁡ h → 0 + P ( N ∗ ( t + h ) − N ∗ ( t ) = 1 ) h =   lim ⁡ h → 0 + P ( N ( v + h ′ ) − N ( v ) = 1 ) λ ( v ) h ′ + o ( h ′ ) ( 上边推导出来的   h = λ ( v ) h ′ + o ( h ′ ) ) =   lim ⁡ h → 0 + λ ( v ) h ′ + o ( h ′ ) λ ( v ) h ′ + o ( h ′ ) = 1 ( 非齐次 P o i s s o n 过程的定义中的第 3 个条件 ) \begin{align} &\,\lim_{h\to 0^+}\frac{P(N^*(t+h)-N^*(t)=1)}{h} \\ =&\,\lim_{h\to 0^+}\frac{P(N(v+h')-N(v)=1)}{\lambda(v)h'+o(h')} \quad(上边推导出来的\,h=\lambda(v)h'+o(h'))\\ =&\,\lim_{h\to 0^+}\frac{\lambda(v)h'+o(h')}{\lambda(v)h'+o(h')}=1 \quad(非齐次Poisson过程的定义中的第3个条件) \end{align} ==h0+limhP(N(t+h)N(t)=1)h0+limλ(v)h+o(h)P(N(v+h)N(v)=1)(上边推导出来的h=λ(v)h+o(h))h0+limλ(v)h+o(h)λ(v)h+o(h)=1(非齐次Poisson过程的定义中的第3个条件)
即:(条件 3. )
P ( N ∗ ( t + h ) − N ∗ ( t ) = 1 ) = h + o ( h ) P(N^*(t+h)-N^*(t)=1)=h+o(h) P(N(t+h)N(t)=1)=h+o(h)
同理可得:
  lim ⁡ h → 0 + P ( N ∗ ( t + h ) − N ∗ ( t ) ≥ 2 ) h =   lim ⁡ h → 0 + P ( N ( v + h ′ ) − N ( v ) ≥ 2 ) λ ( v ) h ′ + o ( h ′ ) ( 上边推导出来的   h = λ ( v ) h ′ + o ( h ′ ) ) =   lim ⁡ h → 0 + o ( h ′ ) λ ( v ) h ′ + o ( h ′ ) = 0 ( 非齐次 P o i s s o n 过程的定义中的第 4 个条件 ) \begin{align} &\,\lim_{h\to 0^+}\frac{P(N^*(t+h)-N^*(t)\geq 2)}{h} \\ =&\,\lim_{h\to 0^+}\frac{P(N(v+h')-N(v)\geq 2)}{\lambda(v)h'+o(h')} \quad(上边推导出来的\,h=\lambda(v)h'+o(h'))\\ =&\,\lim_{h\to 0^+}\frac{o(h')}{\lambda(v)h'+o(h')}=0 \quad(非齐次Poisson过程的定义中的第4个条件) \end{align} ==h0+limhP(N(t+h)N(t)2)h0+limλ(v)h+o(h)P(N(v+h)N(v)2)(上边推导出来的h=λ(v)h+o(h))h0+limλ(v)h+o(h)o(h)=0(非齐次Poisson过程的定义中的第4个条件)
即:(条件 4. )
P ( N ∗ ( t + h ) − N ∗ ( t ) ≥ 2 = o ( h ) P(N^*(t+h)-N^*(t)\geq 2=o(h) P(N(t+h)N(t)2=o(h)
所以 { N ∗ ( t ) ,   t ≥ 0 } \{N^*(t),\,t\geq 0\} {N(t),t0} 是参数为 1 1 1 的 Poisson 过程

注意:可以用这个定理将非齐次 Poisson 过程的问题简化到 Poisson 过程中进行讨论,也可以反过来操作

:设某设备的使用期限为 10 年,前 5 年内它平均 2.5 年需要维修一次,后 5 年平均两年需要维修一次,试求他在试用期内只维修过一次的概率。

标准解答:考虑为非齐次 Poisson 过程,强度函数:
λ ( t ) = { 1 2.5 0 ≤ t ≤ 5 1 2 5 < t ≤ 10 \lambda(t)=\left\{ \begin{array}{ll} \frac{1}{2.5} & 0\leq t\leq 5 \\ \frac{1}{2} & 5\lt t \leq 10 \end{array} \right. λ(t)={2.51210t55<t10
则:
m ( 10 ) = ∫ 0 10 λ ( s )   d s = ∫ 0 5 1 2.5   d s + ∫ 5 10 1 2   d s = 4.5 m(10)=\int_{0}^{10}\lambda(s)\,ds=\int_{0}^{5}\frac{1}{2.5}\,ds+\int_{5}^{10}\frac{1}{2}\,ds=4.5 m(10)=010λ(s)ds=052.51ds+51021ds=4.5
因此:
P ( N ( 10 ) − N ( 0 ) ) = 1 = e − 4.5 4. 5 1 1 ! = 9 2 e − 9 2 P(N(10)-N(0))=1=e^{-4.5}\frac{4.5^1}{1!}=\frac{9}{2}e^{-\frac{9}{2}} P(N(10)N(0))=1=e4.51!4.51=29e29
我的解答:就像上面解释的,将非齐次 Poisson 过程看作时间伸缩过后的 Poisson 过程。前 5 年平均 2.5 年需要维修一次,可以看成 4 年内平均每 2 年需要维修一次,这样 λ \lambda λ 就统一为了 1 2 \frac{1}{2} 21 ,此时 n = 4 + 5 = 9 n=4+5=9 n=4+5=9 ,故 P ( N ( t ) = 1 ) = e − 1 2 ⋅ 9 ( 1 2 ⋅ 9 ) 1 1 ! = 9 2 e − 9 2 P(N(t)=1)=e^{-\frac{1}{2}\cdot 9}\frac{(\frac{1}{2}\cdot9)^1}{1!}=\frac{9}{2}e^{-\frac{9}{2}} P(N(t)=1)=e2191!(219)1=29e29

复合 Poisson 过程

复合 Poisson 过程:称随机过程 { X ( t ) ,   t ≥ 0 } \{X(t),\,t\geq 0\} {X(t),t0} 为复合 Poisson 过程,如果对于 t ≥ 0 t\ge 0 t0 ,它可以表示为:
X ( t ) = ∑ i = 1 N ( t ) Y i X(t)=\sum\limits_{i=1}^{N(t)}Y_i X(t)=i=1N(t)Yi
式中, { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 是一个 Poisson 过程, { Y i ,   i = 1 ,   2 ,   ⋯   } \{Y_i,\,i=1,\,2,\,\cdots\} {Yi,i=1,2,} 是一族独立同分布的随机变量,并且与 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 独立

复合 Poisson 过程不一定是计数过程,但是当 Y i ≡ c Y_i\equiv c Yic 时,可以转化为 Poisson 过程

:保险公司每年需要被索赔的人数服从泊松分布,但是每个人需要赔偿的金额是个随机的随机变量;走进商店的顾客人数是个泊松过程,但是每个人消费的金额是个随机的随机变量;这些都可以用复合 Poisson 过程表示。

Th:设 { X ( t ) = ∑ i = 1 N ( t ) Y i ,   t ≥ 0 } \left\{ X(t)=\sum\limits_{i=1}^{N(t)}Y_i,\,t\geq 0 \right\} {X(t)=i=1N(t)Yi,t0} 是一个复合泊松过程,其中泊松过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 的强度为 λ \lambda λ ,则:

  • X ( t ) X(t) X(t) 有独立增量;
  • E ( Y i 2 ) < ∞ E(Y_i^2)\lt \infty E(Yi2)< ,则 E [ X ( t ) ] = λ t E ( Y 1 ) E[X(t)]=\lambda tE(Y_1) E[X(t)]=λtE(Y1) V a r [ X ( t ) ] = λ t E ( Y 1 2 ) Var[X(t)]=\lambda tE(Y_1^2) Var[X(t)]=λtE(Y12)

证明我没有看懂,跳过吧hhh;注意这里 Y i Y_i Yi 是独立同分布的,所以选择 Y 1 Y_1 Y1 还是 Y i Y_i Yi 作为 E ( X ) E(X) E(X) V a r ( X ) Var(X) Var(X) 的表达式都没u关系

:设顾客以每分钟 6 人的平均速率进入商场,进入商场的每位顾客买东西的概率为 0.9 ,且顾客是否消费与商场人数无关、相互独立,求商城一天(按 12 小时计)中消费的顾客数的均值。

:这里套了一层的复合 Poisson 过程,以 N 1 ( t ) N_1(t) N1(t) 表示在时间 ( 0 ,   t ] (0,\,t] (0,t] 内进入商场的顾客数(单位为分钟),则 { N 1 ( t ) ,   t ≥ 0 } \{N_1(t),\,t\geq 0\} {N1(t),t0} 是速率为 λ = 6 \lambda=6 λ=6 的 Poisson 过程。再以 N 2 ( t ) N_2(t) N2(t) 表示在时间 ( 0 ,   t ] (0,\,t] (0,t] 内在该商场消费的顾客数,并设:
Y i = { 1 如果第   i   位顾客消费了 0 如果第   i   位顾客没消费 Y_i=\left\{ \begin{array}{ll} 1 & 如果第\,i\,位顾客消费了 \\ 0 & 如果第\,i\,位顾客没消费 \\ \end{array} \right. Yi={10如果第i位顾客消费了如果第i位顾客没消费
Y i Y_i Yi 独立同分布与 B ( 1 ,   0.9 ) B(1,\,0.9) B(1,0.9) ,与 { N 1 ( t ) ,   t ≥ 0 } \{N_1(t),\,t\geq 0\} {N1(t),t0} 独立,且:
N 2 ( t ) = ∑ i = 1 N 1 ( t ) Y i N_2(t)=\sum\limits_{i=1}^{N_1(t)}Y_i N2(t)=i=1N1(t)Yi
所以商城一天中消费的顾客数的均值为 E [ N 2 ( 720 ) ] = 3888 E[N_2(720)]=3888 E[N2(720)]=3888 人;

条件 Poisson 过程

条件 Poisson 过程:涉及具体个体时, λ \lambda λ 可能是固定的,但是不同个体的 λ \lambda λ 又是不同的。我们可以把分布式解释为给定 λ \lambda λ 时, N ( t ) N(t) N(t) 的条件分布 P N ∣ λ ( t ) P_{N|\lambda}(t) PNλ(t) ,数学定义为:设随机变量 Λ > 0 \Lambda \gt 0 Λ>0 ,在 Λ = λ \Lambda=\lambda Λ=λ 的条件下,计数过程 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 是参数为 λ \lambda λ 的 Poisson 过程,则称 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 为条件 Poisson 过程。

Λ \Lambda Λ 的分布为 G G G ,那么随机选择一个个体在长度为 t t t 的时间区间内发生 n n n 次事件的概率为:
P ( N ( t + s ) − N ( s ) = n ) = ∫ 0 ∞ e − λ t ( λ t ) n n !   d G ( λ ) P(N(t+s)-N(s)=n)=\int_0^\infty e^{-\lambda t}\frac{(\lambda t)^n}{n!}\,dG(\lambda) P(N(t+s)N(s)=n)=0eλtn!(λt)ndG(λ)
这里 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 不是 Poisson 过程,它只具有平稳增量,而不具有独立增量

Th { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t0} 为条件 Poisson 过程,且 E ( Λ 2 ) < ∞ E(\Lambda^2)<\infty E(Λ2)< ,则:

  1. E [ N ( t ) ] = t E ( Λ ) E[N(t)]=tE(\Lambda) E[N(t)]=tE(Λ)
  2. V a r [ N ( t ) ] = t 2 V a r ( Λ ) + t E ( Λ ) Var[N(t)]=t^2Var(\Lambda)+tE(\Lambda) Var[N(t)]=t2Var(Λ)+tE(Λ)

证明
E [ N ( t ) ] =   E [ E ( N ( t ) ∣ Λ ) ] =   ∑ λ E ( N ( t ) ∣ λ ) ⋅ P ( Λ = λ ) =   t E ( Λ ) \begin{align} E[N(t)]=&\,E[E(N(t)|\Lambda)] \\ =&\,\sum\limits_{\lambda}E(N(t)|\lambda)\cdot P(\Lambda=\lambda) \\ =&\,tE(\Lambda) \end{align} E[N(t)]===E[E(N(t)∣Λ)]λE(N(t)λ)P(Λ=λ)tE(Λ)

V a r [ N ( t ) ] =   E [ N 2 ( t ) ] − [ E ( N ( t ) ) ] 2 =   ∑ λ E ( N 2 ( t ) ∣ λ ) ⋅ P ( Λ = λ ) − t 2 E 2 ( Λ ) =   ∑ λ ( λ t + λ 2 t 2 ) ⋅ P ( Λ = λ ) − t 2 E 2 ( Λ ) \begin{align} Var[N(t)]=&\,E[N^2(t)]-[E(N(t))]^2 \\ =&\,\sum\limits_{\lambda}E(N^2(t)|\lambda)\cdot P(\Lambda=\lambda)-t^2E^2(\Lambda) \\ =&\,\sum\limits_{\lambda}(\lambda t+\lambda^2t^2)\cdot P(\Lambda=\lambda)-t^2E^2(\Lambda) \\ \end{align} Var[N(t)]===E[N2(t)][E(N(t))]2λE(N2(t)λ)P(Λ=λ)t2E2(Λ)λ(λt+λ2t2)P(Λ=λ)t2E2(Λ)

我真的不会条件期望的求法。。。按照我自己的理解来做:
V a r ( Λ ) = E ( Λ 2 ) − E 2 ( Λ ) = ∑ λ λ 2 P ( Λ = λ ) − E 2 ( Λ ) ⇒ ∑ λ λ 2 P ( Λ = λ ) = V a r ( Λ ) + E 2 ( Λ ) Var(\Lambda)=E(\Lambda^2)-E^2(\Lambda)=\sum\limits_{\lambda}\lambda^2P(\Lambda=\lambda)-E^2(\Lambda)\Rightarrow \sum\limits_{\lambda}\lambda^2P(\Lambda=\lambda)=Var(\Lambda)+E^2(\Lambda) Var(Λ)=E(Λ2)E2(Λ)=λλ2P(Λ=λ)E2(Λ)λλ2P(Λ=λ)=Var(Λ)+E2(Λ)
因此:
V a r [ N ( t ) ] =   t ∑ λ λ ⋅ P ( Λ = λ ) + t 2 ∑ λ λ 2 P ( Λ = λ ) − t 2 E 2 ( Λ ) =   t E ( Λ ) + t 2 ( V a r ( λ ) + E 2 ( Λ ) ) − t 2 E 2 ( Λ ) =   t 2 V a r ( Λ ) + t E ( Λ ) \begin{align} Var[N(t)]=&\,t\sum\limits_{\lambda}\lambda \cdot P(\Lambda=\lambda)+t^2\sum\limits_{\lambda}\lambda^2P(\Lambda=\lambda)-t^2E^2(\Lambda) \\ =&\,tE(\Lambda)+t^2(Var(\lambda)+E^2(\Lambda))-t^2E^2(\Lambda) \\ =&\,t^2Var(\Lambda)+tE(\Lambda) \end{align} Var[N(t)]===tλλP(Λ=λ)+t2λλ2P(Λ=λ)t2E2(Λ)tE(Λ)+t2(Var(λ)+E2(Λ))t2E2(Λ)t2Var(Λ)+tE(Λ)
:(这个例子属实是硬造出来的)设意外事故的发生频率受某种未知因素影响有两种可能 λ 1 \lambda_1 λ1 λ 2 \lambda_2 λ2 ,且 P ( Λ = λ 1 ) = p P(\Lambda=\lambda_1)=p P(Λ=λ1)=p P ( Λ = λ 2 ) = 1 − p = q P(\Lambda=\lambda_2)=1-p=q P(Λ=λ2)=1p=q 0 < p < 1 0<p<1 0<p<1 为已知。已知到了时刻 t t t 发生了 n n n 次事故,求下一次事故在 t + s t+s t+s 之前不会到来的概率。另外,这个发生频率为 λ 1 \lambda_1 λ1 的概率是多少?

下一次事故在 t + s t+s t+s 之前不会到来的概率,就是在已知到了时刻 t t t 发生了 n n n 次事故的条件下, N ( t + s ) − N ( t ) N(t+s)-N(t) N(t+s)N(t) 为 0 的概率,为:
∑ i = 1 2 P ( N ( t ) = n ,   N ( s + t ) − N ( t ) = 0 ∣ Λ = λ i ) ∑ i = 1 2 P ( N ( t ) = n ∣ Λ = λ 1 ) P ( Λ = λ i ) = p λ 1 n e − λ 1 ( t + s ) + q λ 2 n e − λ 2 ( t + s ) p λ 1 n e − λ 1 t + q λ 2 n e − λ 2 t \frac{\sum\limits_{i=1}^2P(N(t)=n,\,N(s+t)-N(t)=0|\Lambda=\lambda_i)}{\sum\limits_{i=1}^2P(N(t)=n|\Lambda=\lambda_1)P(\Lambda=\lambda_i)}=\frac{p\lambda_1^ne^{-\lambda_1(t+s)}+q\lambda_2^ne^{-\lambda_2(t+s)}}{p\lambda_1^ne^{-\lambda_1t}+q\lambda_2^ne^{-\lambda_2t}} i=12P(N(t)=n∣Λ=λ1)P(Λ=λi)i=12P(N(t)=n,N(s+t)N(t)=0∣Λ=λi)=pλ1neλ1t+qλ2neλ2tpλ1neλ1(t+s)+qλ2neλ2(t+s)
以及:(贝叶斯公式,这里的分母已经在上边的式子里求出来了)
P ( Λ = λ 1 ∣ N ( t ) = n ) = P ( Λ = λ 1 ,   N ( t ) = n ) P ( N ( t ) = n ∣ Λ = λ 1 ) + P ( N ( t ) = n ∣ Λ = λ 2 ) = p λ 1 n e − λ 1 t p λ 1 n e − λ 1 t + q λ 2 n e − λ 2 t P(\Lambda=\lambda_1|N(t)=n)=\frac{P(\Lambda=\lambda_1,\,N(t)=n)}{P(N(t)=n|\Lambda=\lambda_1)+P(N(t)=n|\Lambda=\lambda_2)}=\frac{p\lambda_1^ne^{-\lambda_1t}}{p\lambda_1^ne^{-\lambda_1t}+q\lambda_2^ne^{-\lambda_2t}} P(Λ=λ1N(t)=n)=P(N(t)=n∣Λ=λ1)+P(N(t)=n∣Λ=λ2)P(Λ=λ1,N(t)=n)=pλ1neλ1t+qλ2neλ2tpλ1neλ1t文章来源地址https://www.toymoban.com/news/detail-785041.html

到了这里,关于随机过程 Poisson 过程的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 概率论与数理统计:第一章:随机事件及其概率

    ①古典概型求概率 ②几何概型求概率 ③七大公式求概率 ④独立性 (1)随机试验、随机事件、样本空间 1. 随机试验 E 2. 随机事件 A、B、C ① 必然事件 Ω : P ( Ω ) = 1 P(Ω)=1 P ( Ω ) = 1 ② 不可能事件 Ø : P ( Ø ) = 0 P(Ø)=0 P ( Ø ) = 0 3.样本空间 ① 样本点 ω = 基本事件 ② 样本空间

    2024年02月14日
    浏览(50)
  • 宋浩概率论笔记(三)随机向量/二维随机变量

    第三更:本章的内容最重要的在于概念的理解与抽象,二重积分通常情况下不会考得很难。此外,本次暂且忽略【二维连续型随机变量函数的分布】这一章节,非常抽象且难度较高,之后有时间再更新。 目录 1.1二维随机变量及其分布函数 1.2二维离散型随机变量的联合分布与

    2024年02月14日
    浏览(40)
  • 宋浩概率论笔记(二)随机变量

    本章节内容较多,是概率论与数理统计中最为重要的章节,对于概率密度和分布函数的理解与计算要牢牢掌握,才能在后期的学习中更得心应手。 目录 1.随机变量的概念 2.1离散型随机变量及其概率分布 2.2连续型随机变量及其概率密度 2.3分布函数 2.4离散型的分布函数 2.5连续

    2024年02月14日
    浏览(45)
  • 概率论专题-随机游动(复习笔记自用)

    直线上的一个质点,每经过一个单位时间,分别以概率p,q向右或向左移动一格,若该点在时刻0从原点出发,而且每次移动是相互独立的。 用随机变量描述质点的运动 (无限制随机游动的结果) 设n时刻质点向右移动k次,则必然向左移动了n-k次,于是质点的位置即S=2k-n 故S的概

    2024年02月03日
    浏览(34)
  • 【概率论】多维随机变量函数的分布(三)

    设随机变量X,Y相互独立同分布,均服从(0,1)上的均匀分布,则下列随机变量中仍然服从相应区间或区域上均匀分布的是()。 A. X 2 X^2 X

    2024年02月13日
    浏览(41)
  • 【考研数学】概率论与数理统计 | 第一章——随机事件与概率(1)

    若一个试验满足如下条件: 在相同的条件下该试验可重复进行; 试验的结果是多样的且所有可能的结果在试验前都是确定的; 某次试验之前不确定具体发生的结果, 这样的试验称为随机试验,简称试验,一般用字母 E E E 表示。 设 E E E 为随机试验,随机试验 E E E 的 所有

    2024年02月12日
    浏览(51)
  • 概率论与数理统计---随机变量的分布

    随机变量 随机变量就是随机事件的数值体现。 例如投色子记录色子的点数,记录的点数其实就是一个随机变量,他是这个点数出现的数值体现。 注意: 随机变量X = X(e) , 是一个单实值函数,每个随机事件的结果只能对应一个随机变量。 X(e)体现的是对随机事件的描述,本质

    2024年02月13日
    浏览(44)
  • 概率论与数理统计————3.随机变量及其分布

    设E是一个随机试验,S为样本空间,样本空间的任意样本点e可以通过特定的对应法则X,使得每个样本点都有与之对应的数对应,则称 X=X(e)为随机变量 分布函数: 设X为随机变量,x是任意实数,则事件{Xx}为随机变量X的分布函数,记为F(x) 即: F(x)=P(Xx) (1)几何意

    2024年01月18日
    浏览(39)
  • 【考研数学】概率论与数理统计 | 第一章——随机事件与概率(2,概率基本公式与事件独立)

    承接上文,继续介绍概率论与数理统计第一章的内容。 P ( A − B ) = P ( A B ‾ ) = P ( A ) − P ( A B ) . P(A-B)=P(A overline{B} )=P(A)-P(AB). P ( A − B ) = P ( A B ) = P ( A ) − P ( A B ) . 证明: A = ( A − B ) + A B A=(A-B)+AB A = ( A − B ) + A B ,且 A − B A-B A − B 与 A B AB A B 互斥,根据概率的有限可加

    2024年02月12日
    浏览(48)
  • 概率论之 多维随机变量的期望,协方差矩阵

    上一次写了一维随机变量的期望,方差,协方差。本次来记录多维随机变量的期望和协方差矩阵。这一块内容由浅入深,因此会有更新。 假设系统状态有多个分量 x 1 , x 2 , … , x n x_1,x_2,dots,x_n x 1 ​ , x 2 ​ , … , x n ​ ,则将其表示为向量的形式 X = ( x 1 , x 2 , … , x n ) T X=

    2024年02月04日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包