独 立 增 量 性 = 只 与 时 间 长 短 有 关 , 与 时 间 起 点 无 关 平 稳 增 量 性 = 独 立 增 量 性 + i i d 独立增量性= 只与时间长短有关,与时间起点无关\\ 平稳增量性=独立增量性+iid 独立增量性=只与时间长短有关,与时间起点无关平稳增量性=独立增量性+iid
齐次泊松过程
N
t
计
数
函
数
:
(
0
,
t
]
时
间
发
生
N
次
事
件
N_t计数函数:(0,t]时间发生N次事件
Nt计数函数:(0,t]时间发生N次事件
如
果
N
t
满
足
以
下
条
件
,
称
其
为
泊
松
过
程
:
如果N_t满足以下条件,称其为泊松过程:
如果Nt满足以下条件,称其为泊松过程:
1.
N
0
=
0
2.
{
N
t
}
为
独
立
增
量
过
程
,
(
在
不
相
交
的
时
间
区
间
发
生
事
件
的
个
数
独
立
)
3.
N
s
+
t
−
N
s
分
布
密
度
是
参
数
为
(
t
×
λ
)
的
泊
松
分
布
,
(
λ
t
)
k
k
!
e
−
λ
t
,
k
为
时
间
间
隔
发
生
的
事
件
个
数
1.N_0=0 \\ 2.\{N_t\}为独立增量过程,\tiny(在不相交的时间区间发生事件的个数独立)\normalsize \\ 3.N_{s+t}-N_s 分布密度是参数为(t×\lambda)的泊松分布,\\ \color{red} \frac{(\lambda t)^k}{k!}e^{-\lambda t},k为时间间隔发生的事件个数
1.N0=02.{Nt}为独立增量过程,(在不相交的时间区间发生事件的个数独立)3.Ns+t−Ns分布密度是参数为(t×λ)的泊松分布,k!(λt)ke−λt,k为时间间隔发生的事件个数
事件到达"时间间隔" X n X_n Xn
∵ P ( X 1 > t ) = P ( N t = 0 ) = e − λ t P ( X 2 > t ∣ X 1 = s ) = P ( N s , s + t = 0 ) = P ( N t = 0 ) = e − λ t ∴ 每 个 X n 是 i i d 的 ( 1 − e − λ t ) ′ \because P(X_1>t)= P(N_t=0)=e^{-\lambda t}\\ P(X_2>t|X_1=s)= P(N_{s,s+t}=0)=P(N_t=0)=e^{-\lambda t}\\ \therefore 每个X_n是iid的(1-e^{-\lambda t})' ∵P(X1>t)=P(Nt=0)=e−λtP(X2>t∣X1=s)=P(Ns,s+t=0)=P(Nt=0)=e−λt∴每个Xn是iid的(1−e−λt)′
(
X
1
∣
N
t
=
1
)
∼
U
(
0
,
t
)
(
均
匀
分
布
)
先
求
分
布
函
数
P
(
X
1
≤
s
∣
N
t
=
1
)
=
P
(
X
1
≤
s
,
N
t
=
1
)
P
(
N
t
=
1
)
=
P
(
N
s
=
1
)
P
(
N
s
,
t
=
0
)
P
(
N
t
=
1
)
=
s
t
(X_1|N_t=1) \sim U(0,t) \ \tiny (均匀分布)\\ 先求分布函数P(X_1\leq s|N_t=1) =\frac{P(X_1\leq s,N_t=1)}{P(N_t=1)}=\frac{P(N_s=1)P(N_{s,t}=0)}{P(N_t=1)}=\frac{s}{t}
(X1∣Nt=1)∼U(0,t) (均匀分布)先求分布函数P(X1≤s∣Nt=1)=P(Nt=1)P(X1≤s,Nt=1)=P(Nt=1)P(Ns=1)P(Ns,t=0)=ts
(
S
1
∣
N
t
=
1
)
∼
U
(
0
,
t
)
(
均
匀
分
布
)
(S_1|N_t=1) \sim U(0,t) \ \tiny (均匀分布)
(S1∣Nt=1)∼U(0,t) (均匀分布)
事件n发生时间 S n = X 1 + X 2 + … + X n S_n=X_1+X_2+…+X_n Sn=X1+X2+…+Xn
S n : 发 生 时 间 , 等 于 x 1 + x 2 + … + x n S n 是 n , λ 的 Γ 分 布 S_n: 发生时间,等于 x1+x2+ …+ x_n\\ \tiny S_n是n,\lambda的\Gamma分布 Sn:发生时间,等于x1+x2+…+xnSn是n,λ的Γ分布
计 算 S n 的 条 件 概 率 密 度 计算S_n的条件概率密度 计算Sn的条件概率密度
在 N t = n 的 条 件 下 , n 个 事 件 到 达 时 刻 , 的 联 合 概 率 密 度 为 n ! t n 证 明 : P ( t i − δ t ≤ S i ≤ t i ∣ N t = n ) / ( δ t ) n 其 中 P ( t i − δ t ≤ S i ≤ t i ∣ N t = n ) = P ( N t i − δ t , t i = 1 , N t i − 1 , t i − δ t = 0 ) / P ( N t = n ) 带 入 泊 松 过 程 定 义 即 可 在N_t=n的条件下,n个事件到达时刻,的联合概率密度为\frac{n!}{t^n}\\ 证明:\tiny P(t_i-\delta t\leq S_i \leq t_i|N_t=n)/(\delta t)^n \\ 其中P(t_i-\delta t\leq S_i \leq t_i|N_t=n)=P(N_{t_i-\delta t,t_i}=1,N_{t_{i-1},t_i-\delta t}=0)/P(N_t=n)带入泊松过程定义即可 在Nt=n的条件下,n个事件到达时刻,的联合概率密度为tnn!证明:P(ti−δt≤Si≤ti∣Nt=n)/(δt)n其中P(ti−δt≤Si≤ti∣Nt=n)=P(Nti−δt,ti=1,Nti−1,ti−δt=0)/P(Nt=n)带入泊松过程定义即可
这 与 [ 0 , t ] 上 的 个 均 匀 独 立 分 布 的 随 机 变 量 , 进 行 排 序 的 联 合 分 布 一 样 。 即 在 已 知 [ 0 , t ] 发 生 的 事 件 个 数 为 n 的 条 件 下 , S i 也 有 这 样 的 性 质 。 这与[0,t]上的个均匀独立分布的随机变量,进行排序的联合分布一样。\\即在已知[0,t]发生的事件个数为n的条件下,S_i也有这样的性质。 这与[0,t]上的个均匀独立分布的随机变量,进行排序的联合分布一样。即在已知[0,t]发生的事件个数为n的条件下,Si也有这样的性质。