文章目录
随机过程 更新过程
更新过程的定义及若干分布
更新过程:Poisson 过程的
X
i
X_i
Xi 服从参数为
λ
\lambda
λ 的指数分布。这里我们进行推广,保留
X
i
X_i
Xi 的独立性同分布性,而允许任意分布,这样的过程称为更新过程。数学定义为:设
{
X
n
,
n
=
1
,
2
,
⋯
}
\{X_n,\,n=1,\,2,\,\cdots\}
{Xn,n=1,2,⋯} 是一列独立同分布的非负随机变量,分布函数为
F
(
x
)
F(x)
F(x) (为了避免平凡的情况,设
F
(
0
)
=
P
(
X
n
=
n
)
≠
1
F(0)=P(X_n=n)\not=1
F(0)=P(Xn=n)=1),记
μ
=
E
(
X
n
)
=
∫
0
∞
x
F
(
x
)
d
x
\mu=E(X_n)=\int_0^{\infty}xF(x)\,dx
μ=E(Xn)=∫0∞xF(x)dx ,则
0
<
μ
≤
∞
0<\mu\leq \infty
0<μ≤∞ ;令
T
n
=
∑
i
=
1
n
X
i
,
n
≥
1
,
T
0
=
0
T_n=\sum\limits_{i=1}^nX_i,\,n\geq 1,\,T_0=0
Tn=i=1∑nXi,n≥1,T0=0 ,我们把由
N
(
t
)
=
sup
{
n
:
T
n
≤
t
}
N(t)=\sup\{n:\,T_n\leq t\}
N(t)=sup{n:Tn≤t}
定义的计数过程称为更新过程。
例:机器零件的更换,每个零件的寿命为 X i X_i Xi ,一个坏了就换另一个,那么到 t t t 时刻为止所更换的零件数目就构成一个更新过程。
N ( t ) N(t) N(t) 的分布及 E [ N ( t ) ] E[N(t)] E[N(t)] 的性质
问题:在有限时间
[
0
,
t
]
[0,\,t]
[0,t] 内是否会发生无穷多次更新,即
N
(
t
)
=
∞
N(t)=\infty
N(t)=∞ ;答案是不会发生这种情况的概率为
1
1
1 。由强大数定律可知:
∑
i
=
1
n
X
i
n
=
T
n
n
→
μ
\frac{\sum\limits_{i=1}^nX_i}{n}=\frac{T_n}{n}\to \mu
ni=1∑nXi=nTn→μ
而
0
<
μ
≤
∞
0<\mu\leq \infty
0<μ≤∞ ,所以当
n
→
∞
n\to\infty
n→∞ 时,
T
n
→
∞
T_n\to\infty
Tn→∞ ,也就是说无穷多次更新只可能在无限长的时间内发生,也就是以概率为
1
1
1 有
N
(
t
)
<
∞
N(t)\lt \infty
N(t)<∞ .
N(t)的分布 :注意到
N
(
t
)
≥
n
=
T
n
≤
t
N(t)\geq n=T_n\leq t
N(t)≥n=Tn≤t ,因此有:
P
(
N
(
t
)
=
n
)
=
P
(
N
(
t
)
≥
n
)
−
P
(
N
(
t
)
≥
n
+
1
)
=
P
(
T
n
≤
t
)
−
P
(
T
n
+
1
≤
t
)
=
P
(
∑
i
=
1
n
X
i
≤
t
)
−
P
(
∑
i
=
1
n
+
1
X
i
≤
t
)
\begin{align} P(N(t)=n)=&\,P(N(t)\geq n)-P(N(t)\geq n+1) \\ =&\,P(T_n\leq t)-P(T_{n+1}\leq t) \\ =&\,P( \sum\limits_{i=1}^nX_i\leq t)-P( \sum\limits_{i=1}^{n+1}X_i\leq t) \end{align}
P(N(t)=n)===P(N(t)≥n)−P(N(t)≥n+1)P(Tn≤t)−P(Tn+1≤t)P(i=1∑nXi≤t)−P(i=1∑n+1Xi≤t)
计
F
n
F_n
Fn 为
T
n
T_n
Tn 的分布,则
F
n
F_n
Fn 是
F
F
F 的
n
n
n 重卷积,所以:
P
(
N
(
t
)
=
n
)
=
F
n
(
t
)
−
F
n
+
1
(
t
)
P(N(t)=n)=F_n(t)-F_{n+1}(t)
P(N(t)=n)=Fn(t)−Fn+1(t)
E[N(t)]的分布 :记
M
(
t
)
=
E
[
N
(
t
)
]
M(t)=E[N(t)]
M(t)=E[N(t)] ,称为更新函数。注意
M
(
t
)
M(t)
M(t)是关于
t
t
t 的函数 ,而不是随机变量。由定义可知:
M
(
t
)
=
∑
i
=
1
n
n
P
(
N
(
t
)
=
n
)
=
∑
i
=
1
n
n
(
F
n
(
t
)
−
F
n
+
1
(
t
)
)
=
∑
i
=
1
n
F
n
(
t
)
\begin{align} M(t)=&\,\sum\limits_{i=1}^n nP(N(t)=n) \\ =&\,\sum\limits_{i=1}^nn(F_n(t)-F_{n+1}(t)) \\ =&\,\sum\limits_{i=1}^n F_n(t) \end{align}
M(t)===i=1∑nnP(N(t)=n)i=1∑nn(Fn(t)−Fn+1(t))i=1∑nFn(t)
Th :
M
(
t
)
M(t)
M(t) 的是
t
t
t 的不减函数,且对
0
≤
t
<
+
∞
0\leq t\lt+\infty
0≤t<+∞ ,
M
(
t
)
<
+
∞
M(t)\lt +\infty
M(t)<+∞ 。
证明 :因为
N
(
t
)
N(t)
N(t) 是关于
t
t
t 不减的,因此
M
(
t
)
M(t)
M(t) 关于
t
t
t 也一定是不减的。
假设
F
(
0
)
<
1
F(0)<1
F(0)<1 ,即
P
(
X
n
=
0
)
<
1
P(X_n=0)<1
P(Xn=0)<1 (或
P
(
X
n
>
0
)
>
0
P(X_n\gt 0)\gt0
P(Xn>0)>0),则存在
a
a
a ,使得
P
(
X
n
≥
a
)
>
0
P(X_n\ge a)>0
P(Xn≥a)>0 且
P
(
X
n
<
a
)
<
1
P(X_n<a)<1
P(Xn<a)<1 。而
F
(
a
)
=
P
(
X
n
≤
a
)
=
P
(
X
n
=
a
)
+
P
(
X
n
<
a
)
F(a)=P(X_n\leq a)=P(X_n=a)+P(X_n<a)
F(a)=P(Xn≤a)=P(Xn=a)+P(Xn<a)
为了避免
P
(
X
n
≥
a
)
=
P
(
X
n
=
a
)
P(X_n\geq a)=P(X_n=a)
P(Xn≥a)=P(Xn=a) 的情况,我们取
0
<
b
<
a
0<b<a
0<b<a ,显然:
F
(
b
)
≤
P
(
X
n
<
a
)
<
1
F(b)\leq P(X_n<a)<1
F(b)≤P(Xn<a)<1
下面通过三个不等式来证明 M(t) 是有限的:
① 对于任意
t
t
t ,恒能找到正整数
k
k
k 使得
t
≤
b
k
t\leq bk
t≤bk ,所以:
{
T
k
≤
t
}
⊆
{
T
k
≤
b
k
}
⊂
{
X
1
>
b
,
X
2
>
b
,
⋯
,
X
k
>
b
}
c
\{T_k\leq t\}\subseteq\{T_k\leq bk\}\subset\{ X_1>b,\,X_2>b,\,\cdots,\, X_k>b\}^c
{Tk≤t}⊆{Tk≤bk}⊂{X1>b,X2>b,⋯,Xk>b}c
记
β
=
(
1
−
F
(
b
)
)
k
>
0
\beta=(1-F(b))^k>0
β=(1−F(b))k>0 ,有:
P
(
T
k
≤
t
)
<
1
−
(
1
−
P
(
X
i
≤
b
)
)
k
=
1
−
(
1
−
F
(
b
)
)
k
=
1
−
β
\begin{align} P(T_k\le t)\lt 1-(1-P(X_i\leq b))^k=1-(1-F(b))^k=1-\beta \end{align}
P(Tk≤t)<1−(1−P(Xi≤b))k=1−(1−F(b))k=1−β
② 对于任意正整数
m
m
m ,有:(组间放缩)
{
T
m
k
≤
t
}
⊂
{
T
k
−
T
0
≤
t
,
T
2
k
−
T
k
≤
t
,
⋯
,
T
m
k
−
T
(
m
−
1
)
k
≤
t
}
\{T_{mk}\leq t\}\subset \{T_k-T_0\leq t,\,T_{2k}-T_k\leq t,\,\cdots,\,T_{mk}-T_{(m-1)k}\le t \}
{Tmk≤t}⊂{Tk−T0≤t,T2k−Tk≤t,⋯,Tmk−T(m−1)k≤t}
由更新区间的独立同分布(其实就是
X
i
X_i
Xi 之间的相互独立同分布),有:
P
(
T
m
k
≤
t
)
<
(
P
(
T
k
≤
t
)
)
m
<
(
1
−
β
)
m
P(T_{mk}\leq t)< (P(T_k\leq t))^m<(1-\beta)^m
P(Tmk≤t)<(P(Tk≤t))m<(1−β)m
③ 对任意正整数
j
j
j 有:(组内放缩)
{
T
m
k
+
j
≤
t
}
⊂
{
T
m
k
≤
t
}
\{ T_{mk+j}\leq t \}\subset \{T_{mk}\leq t\}
{Tmk+j≤t}⊂{Tmk≤t}
即:
P
(
T
m
k
+
j
≤
t
)
<
P
(
T
m
k
≤
t
)
P(T_{mk+j}\leq t)< P(T_{mk}\leq t)
P(Tmk+j≤t)<P(Tmk≤t)
综上,有:(相当于把后边无穷多个元素分成
k
k
k 个一组,然后用 ② 和 ③ 进行放缩)
M
(
t
)
=
∑
n
=
1
∞
F
n
(
t
)
=
∑
n
=
1
∞
P
(
T
n
≤
t
)
=
∑
n
=
1
k
−
1
P
(
T
n
≤
t
)
+
∑
n
=
k
∞
P
(
T
n
≤
t
)
=
∑
n
=
1
k
−
1
P
(
T
n
≤
t
)
+
∑
m
=
1
∞
∑
j
=
0
k
−
1
P
(
T
m
k
+
j
≤
t
)
<
∑
n
=
1
k
−
1
P
(
T
n
≤
t
)
+
∑
m
=
1
∞
k
P
(
T
m
k
≤
t
)
<
∑
n
=
1
k
−
1
P
(
T
n
≤
t
)
+
∑
m
=
1
∞
k
(
1
−
β
)
m
=
∑
n
=
1
k
−
1
P
(
T
n
≤
t
)
+
k
β
<
∞
\begin{align} M(t)=&\,\sum\limits_{n=1}^{\infty}F_n(t) \\ =&\,\sum\limits_{n=1}^{\infty}P(T_n\leq t) \\ =&\,\sum\limits_{n=1}^{k-1}P(T_n\leq t)+\sum\limits_{n=k}^{\infty}P(T_n\leq t) \\ =&\,\sum\limits_{n=1}^{k-1}P(T_n\leq t)+\sum\limits_{m=1}^{\infty}\sum\limits_{j=0}^{k-1}P(T_{mk+j}\leq t) \\ <&\,\sum\limits_{n=1}^{k-1}P(T_n\leq t) + \sum\limits_{m=1}^{\infty}kP(T_{mk}\leq t) \\ <&\,\sum\limits_{n=1}^{k-1}P(T_n\leq t) + \sum\limits_{m=1}^{\infty}k(1-\beta)^{m} \\ =&\,\sum\limits_{n=1}^{k-1}P(T_n\leq t) + \frac{k}{\beta} < \infty \end{align}
M(t)====<<=n=1∑∞Fn(t)n=1∑∞P(Tn≤t)n=1∑k−1P(Tn≤t)+n=k∑∞P(Tn≤t)n=1∑k−1P(Tn≤t)+m=1∑∞j=0∑k−1P(Tmk+j≤t)n=1∑k−1P(Tn≤t)+m=1∑∞kP(Tmk≤t)n=1∑k−1P(Tn≤t)+m=1∑∞k(1−β)mn=1∑k−1P(Tn≤t)+βk<∞
因此对于任意有限的
t
t
t ,
M
(
t
)
M(t)
M(t) 也是有限的。
例:考虑一个时间离散的更新过程 { N j , j = 1 , 2 , ⋯ , } \{N_j,\,j=1,\,2,\,\cdots,\,\} {Nj,j=1,2,⋯,},在每个时刻独立进行 Bernoulli 试验,成功的概率为 p p p ,失败的概率为 q = 1 − p q=1-p q=1−p 。以试验成功作为事件(更新),求该更新过程的更新函数。
解:更新的时间间隔满足几何分布,即:
P
(
X
i
=
n
)
=
q
n
−
1
p
P(X_i=n)=q^{n-1}p
P(Xi=n)=qn−1p
则第
r
r
r 次成功(更新)的时刻
T
r
T_r
Tr 服从 Pascal 分布(负二项分布),有:
P
(
T
r
=
n
)
=
C
n
−
1
r
−
1
q
n
−
r
p
r
n
=
r
,
r
+
1
,
⋯
P(T_r=n)=C_{n-1}^{r-1}q^{n-r}p^r \quad\, n=r,\,r+1,\,\cdots
P(Tr=n)=Cn−1r−1qn−rprn=r,r+1,⋯
因此,有:
P
(
N
(
m
)
=
r
)
=
P
(
T
r
≤
m
)
−
P
(
T
r
+
1
≤
m
)
=
∑
n
=
r
m
C
n
−
1
r
−
1
q
n
−
r
p
r
−
∑
n
=
r
+
1
m
C
n
−
1
r
q
n
−
r
−
1
p
r
+
1
\begin{align} &\,P(N(m)=r) \\ =&\,P(T_r\leq m)-P(T_{r+1}\leq m) \\ =&\,\sum\limits_{n=r}^mC_{n-1}^{r-1}q^{n-r}p^r-\sum\limits_{n=r+1}^mC_{n-1}^{r}q^{n-r-1}p^{r+1} \end{align}
==P(N(m)=r)P(Tr≤m)−P(Tr+1≤m)n=r∑mCn−1r−1qn−rpr−n=r+1∑mCn−1rqn−r−1pr+1
所以更新函数为:
M
(
t
)
=
E
[
N
(
t
)
]
=
∑
r
=
1
t
r
P
(
N
(
t
)
=
r
)
M(t)=E[N(t)]=\sum\limits_{r=1}^{t} rP(N(t)=r)
M(t)=E[N(t)]=r=1∑trP(N(t)=r)
(这里求和
r
r
r 只需要到
t
t
t ,因为是离散化的时间,
t
t
t 时间内最多更新
t
t
t 次)
更新方程及其应用
更新方程
更新密度:更新函数的导出存在时,称其导数为更新密度,记为
m
(
t
)
m(t)
m(t) 。由
M
(
k
)
=
∑
n
=
1
∞
F
n
(
t
)
M(k)=\sum\limits_{n=1}^{\infty}F_n(t)
M(k)=n=1∑∞Fn(t) 得:
m
(
t
)
=
∑
n
=
1
∞
f
n
(
t
)
m(t)=\sum\limits_{n=1}^{\infty}f_n(t)
m(t)=n=1∑∞fn(t)
Th:更新函数和更新密度分别满足以下积分方程:
M
(
t
)
=
F
(
t
)
+
∫
0
t
M
(
t
−
s
)
d
F
(
s
)
m
(
t
)
=
f
(
t
)
+
∫
0
t
m
(
t
−
s
)
f
(
s
)
d
s
\begin{array}{c} M(t)=F(t)+\int_{0}^{t}M(t-s)\,dF(s) \\ m(t)=f(t)+\int_{0}^{t}m(t-s)f(s)\,ds \end{array}
M(t)=F(t)+∫0tM(t−s)dF(s)m(t)=f(t)+∫0tm(t−s)f(s)ds
证明 :由定义得,以
∗
*
∗ 代表卷积操作:
M
(
t
)
=
∑
n
=
1
∞
F
i
(
t
)
=
F
(
t
)
+
∑
n
=
2
∞
F
n
(
t
)
=
F
(
t
)
+
∑
n
=
2
∞
F
n
−
1
(
t
)
∗
F
(
t
)
=
F
(
t
)
+
(
∑
n
=
1
∞
F
n
(
t
)
)
∗
F
(
t
)
=
F
(
t
)
+
M
∗
F
(
t
)
\begin{align} M(t)=&\,\sum\limits_{n=1}^{\infty}F_i(t)=F(t)+\sum\limits_{n=2}^{\infty}F_n(t) \\ =&\,F(t)+\sum\limits_{n=2}^{\infty}F_{n-1}(t)*F(t) \\ =&\,F(t)+(\sum\limits_{n=1}^\infty F_n(t))*F(t) \\ =&\,F(t)+M*F(t) \end{align}
M(t)====n=1∑∞Fi(t)=F(t)+n=2∑∞Fn(t)F(t)+n=2∑∞Fn−1(t)∗F(t)F(t)+(n=1∑∞Fn(t))∗F(t)F(t)+M∗F(t)
有
M
∗
F
(
t
)
=
∫
0
t
M
(
t
−
s
)
d
F
(
s
)
M*F(t)=\int_{0}^{t}M(t-s)\,dF(s)
M∗F(t)=∫0tM(t−s)dF(s) ,因此得到上边的方程。第二个方程由第一个方程求导得到。
更新方程:具有以下形式的积分方程称为更新方程:
K
(
t
)
=
H
(
t
)
+
∫
0
t
K
(
t
−
s
)
d
F
(
s
)
K(t)=H(t)+\int_0^tK(t-s)dF(s)
K(t)=H(t)+∫0tK(t−s)dF(s)
式中,
H
(
t
)
H(t)
H(t) 和
F
(
t
)
F(t)
F(t) 已知,且当
t
<
0
t<0
t<0 时,有
H
(
t
)
=
F
(
t
)
=
0
H(t)=F(t)=0
H(t)=F(t)=0 。当
H
(
t
)
H(t)
H(t) 在任意区间内均有界时,称为适定更新方程,简称为更新方程。
卷积的性质:设 B ( t ) B(t) B(t) 是单调递增的右连续函数且 B ( 0 ) = 0 B(0)=0 B(0)=0(比如分布函数); C ( t ) C(t) C(t) , C 1 ( t ) C_1(t) C1(t) , C 2 ( t ) C_2(t) C2(t) 为光滑有界函数(这些条件保证了卷积有定义),则有:
- max 0 ≤ t ≤ T ∣ B ∗ C ( t ) ∣ ≤ B ( t ) ⋅ max 0 ≤ t ≤ T ∣ C ( t ) ∣ \max\limits_{0\leq t \leq T}|B*C(t)|\leq B(t)\cdot \max\limits_{0\leq t\leq T}|C(t)| 0≤t≤Tmax∣B∗C(t)∣≤B(t)⋅0≤t≤Tmax∣C(t)∣ ;
- B ∗ C 1 ( t ) + B ∗ C 2 ( t ) = B ∗ ( C 1 + C 2 ) ( t ) B*C_1(t)+B*C_2(t)=B*(C_1+C_2)(t) B∗C1(t)+B∗C2(t)=B∗(C1+C2)(t) ;(分配律)
- B 1 ∗ ( B 2 ∗ C ) ( t ) = ( B 1 ∗ B 2 ) C ( t ) B_1*(B_2*C)(t)=(B_1*B_2)C(t) B1∗(B2∗C)(t)=(B1∗B2)C(t) ;(结合律)
Th:设更新方程中
H
(
t
)
H(t)
H(t) 为有界函数,则方程存在唯一的在有限区间内有界的解:
K
(
t
)
=
H
(
t
)
+
∫
0
t
H
(
t
−
s
)
d
M
(
s
)
K(t)=H(t)+\int_0^tH(t-s)dM(s)
K(t)=H(t)+∫0tH(t−s)dM(s)
式中
M
(
t
)
=
∑
n
=
1
∞
F
n
(
t
)
M(t)=\sum\limits_{n=1}^\infty F_n(t)
M(t)=n=1∑∞Fn(t) ,为
F
(
t
)
F(t)
F(t) 的更新函数。
证明:
① 证明该解是有界的:由前边的定理可知,更新函数
M
(
t
)
M(t)
M(t) 有界不减,所以
∀
T
>
0
\forall T\gt 0
∀T>0 ,有:(最后一步是因为
M
(
t
)
M(t)
M(t) 和
H
(
t
)
H(t)
H(t) 都是有界的)
sup
0
≤
t
≤
T
∣
K
(
t
)
∣
≤
sup
0
≤
t
≤
T
∣
H
(
t
)
∣
+
∫
0
T
sup
0
≤
s
≤
T
∣
H
(
T
−
s
)
∣
d
M
(
s
)
≤
(
1
+
M
(
T
)
)
sup
0
≤
t
≤
T
∣
H
(
t
)
∣
<
∞
\sup\limits_{0\leq t\leq T}|K(t)|\leq \sup\limits_{0\leq t \leq T}|H(t)|+\int_{0}^T\sup\limits_{0\leq s \leq T}|H(T-s)|dM(s)\leq (1+M(T))\sup\limits_{0\leq t \leq T}|H(t)|\lt\infty
0≤t≤Tsup∣K(t)∣≤0≤t≤Tsup∣H(t)∣+∫0T0≤s≤Tsup∣H(T−s)∣dM(s)≤(1+M(T))0≤t≤Tsup∣H(t)∣<∞
所以在有界区间上
K
(
t
)
K(t)
K(t) 是有界的。
② 证明该解确实是更新方程的解:该解满足更新方程
K
(
t
)
=
H
(
t
)
+
M
∗
H
(
t
)
=
H
(
t
)
+
(
∑
n
=
1
∞
F
n
)
∗
H
(
t
)
=
H
(
t
)
+
F
∗
H
(
t
)
+
(
∑
n
=
2
∞
F
n
)
∗
H
(
t
)
=
H
(
t
)
+
F
∗
H
(
t
)
+
(
∑
n
=
2
∞
(
F
n
−
1
∗
F
)
)
∗
H
(
t
)
=
H
(
t
)
+
F
∗
[
H
(
t
)
+
(
∑
n
−
1
∞
F
n
)
∗
H
(
t
)
]
=
H
(
t
)
+
F
∗
K
(
t
)
=
H
(
t
)
+
∫
0
t
K
(
t
−
s
)
d
F
(
s
)
\begin{align} K(t)=&\,H(t)+M*H(t) \\ =&\,H(t)+(\sum\limits_{n=1}^{\infty}F_n)*H(t) \\ =&\,H(t)+F*H(t)+(\sum\limits_{n=2}^{\infty}F_n)*H(t) \\ =&\,H(t)+F*H(t)+\left(\sum\limits_{n=2}^{\infty}(F_{n-1}*F)\right)*H(t) \\ =&\,H(t)+F*[H(t)+(\sum\limits_{n-1}^{\infty}F_n)*H(t)] \\ =&\,H(t)+F*K(t) \\ =&\,H(t)+\int_0^tK(t-s)dF(s) \end{align}
K(t)=======H(t)+M∗H(t)H(t)+(n=1∑∞Fn)∗H(t)H(t)+F∗H(t)+(n=2∑∞Fn)∗H(t)H(t)+F∗H(t)+(n=2∑∞(Fn−1∗F))∗H(t)H(t)+F∗[H(t)+(n−1∑∞Fn)∗H(t)]H(t)+F∗K(t)H(t)+∫0tK(t−s)dF(s)
yes!
③ 证明该解的唯一性:设有另外一解
K
~
\tilde{K}
K~ 是更新方程的解,并且满足有界性条件,则其满足:
K
~
(
t
)
=
H
(
t
)
+
F
∗
K
~
(
t
)
\tilde{K}(t)=H(t)+F*\tilde{K}(t)
K~(t)=H(t)+F∗K~(t)
连续代换
K
~
(
t
)
\tilde{K}(t)
K~(t) ,有:(有点像是递归表达式求解通项时不断展开的意思)
K
~
(
t
)
=
H
(
t
)
+
F
∗
(
H
+
F
∗
K
~
)
(
t
)
=
H
(
t
)
+
F
∗
H
(
t
)
+
F
2
∗
K
~
(
t
)
=
H
(
t
)
+
F
∗
H
(
t
)
+
F
2
∗
(
H
+
F
∗
K
~
)
=
⋯
=
H
(
t
)
+
(
∑
i
=
1
n
F
i
)
∗
H
(
t
)
+
F
n
∗
K
~
(
t
)
\begin{align} \tilde{K}(t)=&\,H(t)+F*(H+F*\tilde{K})(t) \\ =&\,H(t)+F*H(t)+F_2*\tilde{K}(t) \\ =&\,H(t)+F*H(t)+F_2*(H+F*\tilde{K}) \\ =&\,\cdots \\ =&\,H(t)+(\sum\limits_{i=1}^n F_i)*H(t)+F_n*\tilde{K}(t) \end{align}
K~(t)=====H(t)+F∗(H+F∗K~)(t)H(t)+F∗H(t)+F2∗K~(t)H(t)+F∗H(t)+F2∗(H+F∗K~)⋯H(t)+(i=1∑nFi)∗H(t)+Fn∗K~(t)
对任何
t
t
t ,有:
∣
F
n
∗
K
~
∣
=
∣
∫
0
t
K
~
(
t
−
x
)
d
F
n
(
x
)
∣
≤
sup
0
≤
x
≤
t
∣
K
~
(
t
−
x
)
∣
⋅
F
n
(
t
)
|F_n*\tilde{K}|=\left|\int_{0}^t\tilde{K}(t-x)dF_n(x)\right|\leq \sup\limits_{0\leq x\leq t}|\tilde{K}(t-x)|\cdot F_n(t)
∣Fn∗K~∣=
∫0tK~(t−x)dFn(x)
≤0≤x≤tsup∣K~(t−x)∣⋅Fn(t)
我们本来假定
K
~
(
t
)
\tilde{K}(t)
K~(t) 是有界的,而且更新函数
M
(
t
)
=
∑
n
=
1
∞
F
n
(
t
)
M(t)=\sum\limits_{n=1}^{\infty}F_n(t)
M(t)=n=1∑∞Fn(t) 之前证明过就是有界的,那么有
lim
n
→
∞
F
n
(
t
)
=
0
\lim\limits_{n\to\infty}F_n(t)=0
n→∞limFn(t)=0 ,因此:
K
~
(
t
)
=
H
(
t
)
+
lim
n
→
∞
[
∑
k
=
1
n
−
1
F
k
∗
H
(
t
)
+
F
n
∗
K
~
(
t
)
]
=
H
(
t
)
+
M
∗
H
(
t
)
\tilde{K}(t)=H(t)+\lim\limits_{n\to\infty}\left[ \sum\limits_{k=1}^{n-1}F_k*H(t)+F_n*\tilde{K}(t) \right]=H(t)+M*H(t)
K~(t)=H(t)+n→∞lim[k=1∑n−1Fk∗H(t)+Fn∗K~(t)]=H(t)+M∗H(t)
与
K
(
t
)
K(t)
K(t) 是一样的
更新方程的应用
例:(Wald 等式)若
X
1
X_1
X1 ,
X
2
X_2
X2 ,
⋯
\cdots
⋯ 是独立同分布的随机变量,设
E
(
x
i
)
<
∞
E(x_i)\lt \infty
E(xi)<∞ ,证明:
E
(
T
N
(
t
)
+
1
)
=
E
(
X
1
+
X
2
+
⋯
+
X
N
(
t
)
+
1
)
=
E
(
X
1
)
E
(
N
(
t
)
+
1
)
E(T_{N(t)+1})=E(X_1+X_2+\cdots+X_{N(t)+1})=E(X_1)E(N(t)+1)
E(TN(t)+1)=E(X1+X2+⋯+XN(t)+1)=E(X1)E(N(t)+1)
解:对于第一次更新的时刻
X
1
X_1
X1 ,取条件:
E
[
T
N
(
t
)
+
1
∣
X
1
=
x
]
=
{
x
x
>
t
x
+
E
[
T
N
(
t
−
x
)
+
1
]
x
≤
t
E[T_{N(t)+1}|X_1=x]=\left\{ \begin{array}{ll} x & x\gt t \\ x+E[T_{N(t-x)+1}] & x\leq t \end{array} \right.
E[TN(t)+1∣X1=x]={xx+E[TN(t−x)+1]x>tx≤t
可以理解为,如果
x
>
t
x>t
x>t ,那么说明第一次更新发生在
t
t
t 时刻之后,因此
t
t
t 时刻及以前更新次数为
0
0
0 (
N
(
t
)
=
0
N(t)=0
N(t)=0 ),所以此时
T
N
(
t
)
+
1
=
x
T_{N(t)+1}=x
TN(t)+1=x ;如果
x
≤
t
x\leq t
x≤t ,那么由于独立增量,可以将第一次更新的时间看作开始的时间,之后的时间的期望就是
E
[
T
N
(
t
−
x
)
+
1
]
E[T_{N(t-x)+1}]
E[TN(t−x)+1] ;
记
K
(
t
)
=
E
[
T
N
(
t
)
+
1
]
K(t)=E[T_{N(t)+1}]
K(t)=E[TN(t)+1] ,
F
(
x
)
F(x)
F(x) 是
x
x
x 的分布函数,则:
K
(
t
)
=
E
[
T
N
(
t
)
+
1
]
=
E
[
E
(
T
N
(
t
)
+
1
)
∣
X
1
]
=
∫
0
∞
E
[
T
N
(
t
)
+
1
∣
X
1
=
x
]
d
F
(
x
)
=
∫
t
∞
x
d
F
(
x
)
+
∫
0
t
[
x
+
E
[
T
N
(
t
−
x
)
+
1
]
]
d
F
(
x
)
=
∫
0
∞
x
d
F
(
x
)
+
∫
0
t
E
[
T
N
(
t
−
x
)
+
1
]
d
F
(
x
)
=
E
(
X
1
)
+
∫
0
t
K
(
t
−
x
)
d
F
(
x
)
\begin{align} K(t)=&\,E[T_{N(t)+1}]=E[E(T_{N(t)+1})|X_1] \\ =&\,\int_{0}^{\infty}E[T_{N(t)+1}|X_1=x]\,dF(x) \\ =&\,\int_{t}^{\infty}x\,dF(x)+\int_{0}^{t}[x+E[T_{N(t-x)+1}]]\,dF(x) \\ =&\,\int_{0}^{\infty}x\,dF(x)+\int_{0}^{t}E[T_{N(t-x)+1}]\,dF(x) \\ =&\,E(X_1)+\int_{0}^{t}K(t-x)\,dF(x) \\ \end{align}
K(t)=====E[TN(t)+1]=E[E(TN(t)+1)∣X1]∫0∞E[TN(t)+1∣X1=x]dF(x)∫t∞xdF(x)+∫0t[x+E[TN(t−x)+1]]dF(x)∫0∞xdF(x)+∫0tE[TN(t−x)+1]dF(x)E(X1)+∫0tK(t−x)dF(x)
根据更新方程及其解的形式可以知道:(注意
E
(
X
1
)
E(X_1)
E(X1) 是一个值,而不是函数)
K
(
t
)
=
E
(
X
1
)
+
∫
0
t
E
(
X
1
)
d
M
(
x
)
=
E
(
X
1
)
[
1
+
M
(
t
)
]
=
E
(
X
1
)
[
E
(
N
(
t
)
)
+
1
]
=
E
(
X
1
)
E
[
N
(
t
)
+
1
]
\begin{align} K(t)=&\,E(X_1)+\int_{0}^{t}E(X_1)dM(x)=E(X_1)[1+M(t)]=E(X_1)[E(N(t))+1]=E(X_1)E[N(t)+1] \end{align}
K(t)=E(X1)+∫0tE(X1)dM(x)=E(X1)[1+M(t)]=E(X1)[E(N(t))+1]=E(X1)E[N(t)+1]
事实上我们不用更新方程也可以直接证明:
E
[
T
N
(
t
)
+
1
]
=
∑
k
=
0
∞
P
(
N
(
t
)
=
k
)
[
∑
i
=
1
k
+
1
∫
0
∞
x
i
d
F
(
x
i
)
]
=
∑
k
=
0
∞
P
(
N
(
t
)
=
k
)
(
k
+
1
)
E
(
X
1
)
=
E
(
X
1
)
[
∑
k
=
0
∞
k
⋅
P
(
N
(
t
)
=
k
)
+
∑
k
=
0
∞
P
(
N
(
t
)
=
k
)
]
=
E
(
X
1
)
[
E
(
N
(
t
)
)
+
1
]
=
E
(
X
1
)
E
[
N
(
t
)
+
1
]
\begin{align} E[T_{N(t)+1}]=&\,\sum\limits_{k=0}^{\infty}P(N(t)=k)\left[ \sum\limits_{i=1}^{k+1}\int_{0}^{\infty}x_idF(x_i) \right] \\ =&\,\sum\limits_{k=0}^{\infty}P(N(t)=k)(k+1)E(X_1) \\ =&\,E(X_1)[\sum\limits_{k=0}^{\infty}k\cdot P(N(t)=k)+\sum\limits_{k=0}^{\infty}P(N(t)=k)] \\ =&\,E(X_1)[E(N(t))+1]=E(X_1)E[N(t)+1] \end{align}
E[TN(t)+1]====k=0∑∞P(N(t)=k)[i=1∑k+1∫0∞xidF(xi)]k=0∑∞P(N(t)=k)(k+1)E(X1)E(X1)[k=0∑∞k⋅P(N(t)=k)+k=0∑∞P(N(t)=k)]E(X1)[E(N(t))+1]=E(X1)E[N(t)+1]
例:(人口学中的应用)考虑一个确定性的人口模型:
- B ( t ) B(t) B(t) 表示在时刻 t t t 女婴的出生率,即在时间 [ t , t + d t ] [t,\,t+dt] [t,t+dt] 内有 B ( t ) d t B(t)dt B(t)dt 个女婴出生;
- S ( x ) S(x) S(x) 为生存函数,代表一个新生女婴能够活到年龄 x x x 的概率;
- β ( x ) \beta(x) β(x) 为生育的年龄强度,即在年龄 [ x , x + d x ] [x,\,x+dx] [x,x+dx] 时生下 β ( x ) d x \beta(x)dx β(x)dx 个女婴
我们已知过去的
B
(
t
)
B(t)
B(t)
(
t
≤
0
)
(t\le 0)
(t≤0) ,要预测未来的
B
(
t
)
B(t)
B(t)(
t
>
0
t\gt 0
t>0)。在时刻
t
t
t ,有
B
(
t
−
x
)
S
(
x
)
d
x
B(t-x)S(x)dx
B(t−x)S(x)dx 个女性居民的年龄在
x
x
x 和
x
+
d
x
x+dx
x+dx 之间;在此时刻,单位时间内该群体将生育
B
(
t
−
x
)
S
(
x
)
β
(
x
)
B(t-x)S(x)\beta(x)
B(t−x)S(x)β(x) 个女婴。由此可得每单位之间内由所有育龄段的女性所生育的女婴数应为:
B
(
t
)
=
∫
0
∞
B
(
t
−
x
)
S
(
x
)
β
(
x
)
d
x
B(t)=\int_{0}^{\infty}B(t-x)S(x)\beta(x)\,dx
B(t)=∫0∞B(t−x)S(x)β(x)dx
根据过去和未来的生育情况,将上述积分分成两段:
B
(
t
)
=
∫
t
∞
B
(
t
−
x
)
S
(
x
)
β
(
x
)
d
x
+
∫
0
t
B
(
t
−
x
)
S
(
x
)
β
(
x
)
d
x
B(t)=\int_{t}^{\infty}B(t-x)S(x)\beta(x)\,dx+\int_{0}^{t}B(t-x)S(x)\beta(x)\,dx
B(t)=∫t∞B(t−x)S(x)β(x)dx+∫0tB(t−x)S(x)β(x)dx
这是一个更新方程,其中
f
(
x
)
=
S
(
x
)
β
(
x
)
f(x)=S(x)\beta(x)
f(x)=S(x)β(x) ,
H
(
x
)
=
∫
t
∞
B
(
t
−
x
)
S
(
x
)
β
(
x
)
d
x
H(x)=\int_{t}^{\infty}B(t-x)S(x)\beta(x)\,dx
H(x)=∫t∞B(t−x)S(x)β(x)dx
做变量替换
x
=
y
+
t
x=y+t
x=y+t ,得:
H
(
t
)
=
∫
0
∞
B
(
−
y
)
S
(
y
+
t
)
β
(
y
+
t
)
d
y
H(t)=\int_{0}^{\infty}B(-y)S(y+t)\beta(y+t)\,dy
H(t)=∫0∞B(−y)S(y+t)β(y+t)dy
H
(
t
)
H(t)
H(t) 是由年龄为
t
t
t 或更大的女性在单位时间
[
t
,
t
+
d
t
]
[t,\,t+dt]
[t,t+dt] 内生育的女婴数;此外,每一个新生的女婴将在期待年龄
[
x
,
x
+
d
x
]
[x,\,x+dx]
[x,x+dx] 内生育
f
(
x
)
d
x
f(x)\,dx
f(x)dx 个女婴。于是,每一个新生的女婴在死亡或生存到年龄
x
x
x 之前将期待生育
F
(
x
)
=
∫
0
x
f
(
x
)
d
x
F(x)=\int_{0}^{x}f(x)\,dx
F(x)=∫0xf(x)dx 个女婴,从而她一生将期待生育
F
(
∞
)
F(\infty)
F(∞) 个女婴。
若
F
(
∞
)
>
1
F(\infty)>1
F(∞)>1 ,则
B
(
t
)
∼
C
e
−
R
t
B(t)\sim Ce^{-Rt}
B(t)∼Ce−Rt (
t
→
∞
t\to \infty
t→∞)(我解不出来。。。),其中
C
C
C 为常数,
R
R
R 满足方程:
∫
0
∞
e
R
y
S
(
y
)
β
(
y
)
d
y
=
1
\int_{0}^{\infty}e^{Ry}S(y)\beta(y)\,dy=1
∫0∞eRyS(y)β(y)dy=1
即出生率(以及具有此速率的人群)将以渐进指数增长。
若 F ( ∞ ) < 1 F(\infty)<1 F(∞)<1 , k > 0 k>0 k>0 , B ( t ) B(t) B(t) 渐进指数地趋于 0,也就是说人群最终要消亡;只有当 F ( ∞ ) = 1 F(\infty)=1 F(∞)=1 时,出生率最终将趋于一个有限的正数。