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),t≥0} 称为计数过程,如果 N ( t ) N(t) N(t) 表示从 0 0 0 到 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;
- 当 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),t≥0} 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 s≥0 , 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)=e−λtn!(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
例: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?
解: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=0∑5e−10n!10nP(N(3)−N(2)=0)=e−100!(10)0=e−10
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),t≥0} 是一个计数过程,它满足:则它是一个 Poisson 过程
- N ( 0 ) = 0 N(0)=0 N(0)=0 ;
- 过程有平稳独立增量
- 存在 λ > 0 \lambda >0 λ>0 ,当 h → 0 + h\to 0^+ h→0+ 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)
- 当 h → 0 + h\to 0^+ h→0+ 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} p≈λnt (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} 1−p≈1−λnt ,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,t≥0} 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)+⋯1−P0(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)(1−λh+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)
令
h
→
0
h\to 0
h→0 ,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)=ce−λt
有初始条件
P
0
(
0
)
=
1
P_0(0)=1
P0(0)=1 得
c
=
1
c=1
c=1 ,故:
P
0
(
t
)
=
e
−
λ
t
P_0(t)=e^{-\lambda t}
P0(t)=e−λt
同理,当
n
≥
1
n\geq 1
n≥1 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)=n−1)P(N(t+h)−N(t)≥2,N(t+h)=n)P0(h)Pn(t)+P1(h)Pn−1(t)+o(h)(1−λh)Pn(t)+λhPn−1(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)+λPn−1(t)+ho(h)
令
h
→
0
h\to 0
h→0 ,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)=e−λtn!(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)e−λh1!λhλhn−0∑∞n!(λh)n=λh(1−λh+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=2∑∞e−λhn!(λh)no(h)
很妙哇,我感觉就是泰勒展开的原理。
例: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),t≥0} ,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),t≥0} 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=0∑∞P(M(t)=n∣N(t)=m+n)⋅P(N(t)=m+n)n=0∑∞Cm+nmpm(1−p)n⋅e−λt(m+n)!(λt)m+nm!1pm(λt)me−λtn=0∑∞n!(1−p)n(λt)nm!1pm(λt)me−λte(1−p)λte−pλtm!(pλt)m
故
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:
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 n−1 次事件发生的时间间隔
X n X_n Xn 和 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)=e−λt⇒P(X1≤t)=1−e−λt
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>t∣X1=s)===P(N(t+s)−N(s)=0∣X1=s)P(N(t+s)−N(s)=0)(独立增量性)e−λt
所以
X
1
X_1
X1 和
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),t≥0} 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 和 λ \lambda λ 的 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=1∑nXi ,指数分布是参数为 1 1 1 和 λ \lambda λ 的 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 和 λ \lambda λ 的 Γ \Gamma Γ 分布
例: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)=e−12n!(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)=e−129!(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
s≥t ,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(T1≤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
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 在
[
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
n≥2 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<T≤ti+hi,i=1,2,⋯,n∣N(t)=n)P(N(t)=n)P[N(ti+hi)−N(ti)=1,N(ti+1)−N(ti+hi)=0,1≤i≤n,N(t1)=0]e−λtn!(λt)nλh1e−λh1⋯λhne−λhn⋅e−λ(t−i=0∑nhi)tnn!i=0∏nhi
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) 的
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)=hi→0lim∏i=0nhiP(ti<T≤ti+hi,i=1,2,⋯,n∣N(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。
例: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=1∑N(t)(t−Ti)] ,其中 T i T_i Ti 是第 i i i 个乘客到达的时刻
解: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=1∑N(t)(t−Ti)∣N(t)=n
=E[i=1∑n(t−Ti)∣N(t)=n]=nt−E[i=1∑nTi∣N(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 为
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=1∑nTi∣N(t)=n]=E(i=1∑nUi)=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=1∑N(t)(t−Ti)∣N(t)=n
=nt−E[i=1∑nTi∣N(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=1∑N(t)(t−Ti)
=E⎩
⎨
⎧E
i=1∑N(t)(t−Ti)∣N(t)
⎭
⎬
⎫=n=0∑∞2nt⋅P(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),t≥0} 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,t≥0) 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),t≥0} 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),t≥0} 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,t≥0) 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),t≥0} 具有独立增量;
- 对任意实数 t ≥ 0 t\geq 0 t≥0 , 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。
Th:设 { N ( t ) , t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t≥0} 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 t≥0 ,令 N ∗ ( t ) = N [ m − 1 ( t ) ] N^*(t)=N[m^{-1}(t)] N∗(t)=N[m−1(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. ;
记
v
(
t
)
=
m
−
1
(
t
)
v(t)=m^{-1}(t)
v(t)=m−1(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=m−1(t) ,
v
+
h
′
=
m
−
1
(
t
+
h
)
v+h'=m^{-1}(t+h)
v+h′=m−1(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+h′λ(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+h′λ(s)ds=h′λ(v+ε),其中
0
≤
ε
≤
h
′
0\le \varepsilon \leq h'
0≤ε≤h′ ,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')
=h′λ(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}
==h→0+limhP(N∗(t+h)−N∗(t)=1)h→0+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′))h→0+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}
==h→0+limhP(N∗(t+h)−N∗(t)≥2)h→0+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′))h→0+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),t≥0} 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
例: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)={2.51210≤t≤55<t≤10
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=e−4.51!4.51=29e−29
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)=e−21⋅91!(21⋅9)1=29e−29
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),t≥0} 为复合 Poisson 过程,如果对于
t
≥
0
t\ge 0
t≥0 ,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=1∑N(t)Yi
式中,
{
N
(
t
)
,
t
≥
0
}
\{N(t),\,t\geq 0\}
{N(t),t≥0} 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),t≥0} 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 Yi≡c 时,可以转化为 Poisson 过程
例: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=1∑N(t)Yi,t≥0} 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),t≥0} 的强度为 λ \lambda λ ,则:
- X ( t ) X(t) X(t) 有独立增量;
- 若 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) 和 V a r ( X ) Var(X) Var(X) 的表达式都没u关系
例: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。
解: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),t≥0} 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
则
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),t≥0} 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=1∑N1(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) PN∣λ(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),t≥0} 是参数为 λ \lambda λ 的 Poisson 过程,则称 { N ( t ) , t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t≥0} 为条件 Poisson 过程。
设
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)=∫0∞e−λtn!(λt)ndG(λ)
这里
{
N
(
t
)
,
t
≥
0
}
\{N(t),\,t\geq 0\}
{N(t),t≥0} 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),t≥0} 为条件 Poisson 过程,且 E ( Λ 2 ) < ∞ E(\Lambda^2)<\infty E(Λ2)<∞ ,则:
- E [ N ( t ) ] = t E ( Λ ) E[N(t)]=tE(\Lambda) E[N(t)]=tE(Λ) ;
- 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)]λ∑E(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))]2λ∑E(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)=λ∑λ2P(Λ=λ)−E2(Λ)⇒λ∑λ2P(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)]===tλ∑λ⋅P(Λ=λ)+t2λ∑λ2P(Λ=λ)−t2E2(Λ)tE(Λ)+t2(Var(λ)+E2(Λ))−t2E2(Λ)t2Var(Λ)+tE(Λ)
例:(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 和
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)=1−p=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?文章来源:https://www.toymoban.com/news/detail-785041.html
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=1∑2P(N(t)=n∣Λ=λ1)P(Λ=λi)i=1∑2P(N(t)=n,N(s+t)−N(t)=0∣Λ=λi)=pλ1ne−λ1t+qλ2ne−λ2tpλ1ne−λ1(t+s)+qλ2ne−λ2(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=λ1∣N(t)=n)=P(N(t)=n∣Λ=λ1)+P(N(t)=n∣Λ=λ2)P(Λ=λ1,N(t)=n)=pλ1ne−λ1t+qλ2ne−λ2tpλ1ne−λ1t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!