引言
泊松过程是一类较为简单的事件连续状态离散的随机过程。泊松过程在物理徐、地质学、生物学、医学、天文学、服务系统和可靠性理论等领域中都有广泛的应用。
泊松过程的定义和例子
定义1(计数过程):设
N
(
t
)
N(t)
N(t)表示到时刻
t
t
t为止已经发生的“事件A”的总数,若
N
(
t
)
N(t)
N(t)满足以下条件:
(1)
N
(
t
)
≥
0
N(t) \geq 0
N(t)≥0
(2)
N
(
t
)
N(t)
N(t)取正整数
(3)若
s
<
t
s < t
s<t,则
N
(
s
)
≤
N
(
t
)
N(s) \leq N(t)
N(s)≤N(t)
(4)当
s
<
t
s < t
s<t时,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A”的次数,则称随机过程{N(t),
t
≥
0
t \geq 0
t≥0}为计数过程。
如果计数过程 N ( t ) N(t) N(t)在不相重叠的时间间隔内,事件A发生的次数时相互独立的,即若 t 1 < t 2 ≤ t 3 < t 4 t_{1} < t_{2} \leq t_{3} < t_{4} t1<t2≤t3<t4,则在 ( t 1 , t 2 ] (t_{1},t_{2}] (t1,t2]内事件A发生的次数 N ( t 2 ) − N ( t 1 ) N(t_{2}) - N(t_{1}) N(t2)−N(t1)与在 ( t 3 , t 4 ] (t_{3},t_{4}] (t3,t4]内事件A发生的次数 N ( t 3 ) − N ( t 4 ) N(t_{3}) - N(t_{4}) N(t3)−N(t4)相互独立,此时该计数过程为独立增量过程。
若计数过程 N ( t ) N(t) N(t)在 ( t , s + t ] ( s > 0 ) (t,s+t](s>0) (t,s+t](s>0)内,事件A发生的次数 N ( t + s ) − N ( s ) N(t+s) - N(s) N(t+s)−N(s)仅与时间差 s s s有关,而与 t t t无关,则称计数过程 N ( t ) N(t) N(t)是平稳增量过程。
泊松过程是计数过程最重要的类型之一,它的定义有两种,如下:
定义2.1(泊松过程):设计数过程{X(t),
t
≥
0
t \geq 0
t≥0}满足下列条件:
(1)
X
(
0
)
=
0
X(0)=0
X(0)=0;
(2)
X
(
t
)
X(t)
X(t)是独立增量过程;
(3)在任一长度为
t
t
t的区间中,事件A发生的次数服从参数
λ
t
>
0
\lambda t>0
λt>0的泊松分布,即对任意
s
,
t
≥
0
s,t \geq 0
s,t≥0,有
P
{
X
(
t
+
s
)
−
X
(
s
)
=
n
}
=
e
−
λ
t
(
λ
t
)
n
n
!
P\{X(t+s)-X(s)=n\} = e^{-\lambda t}\frac{(\lambda t)^{n}}{n!}
P{X(t+s)−X(s)=n}=e−λtn!(λt)n
则称计数过程{X(t),
t
≥
0
t \geq 0
t≥0}为具有参数
λ
>
0
\lambda >0
λ>0的泊松过程。
定义2.2(泊松过程):设计数过程{X(t),
t
≥
0
t \geq 0
t≥0}满足下列条件:
(1)
X
(
0
)
=
0
X(0)=0
X(0)=0;
(2)
X
(
t
)
X(t)
X(t)是独立平稳增量过程;
(3)
X
(
t
)
X(t)
X(t)满足下列两式:
P
{
X
(
t
+
h
)
−
X
(
t
)
=
1
}
=
λ
h
+
o
(
h
)
P\{X(t+h)-X(t)=1\} = \lambda h + o(h)
P{X(t+h)−X(t)=1}=λh+o(h)
P
{
X
(
t
+
h
)
−
X
(
t
)
≥
2
}
=
o
(
h
)
P\{X(t+h)-X(t)\geq2\} = o(h)
P{X(t+h)−X(t)≥2}=o(h)
则称计数过程{X(t),
t
≥
0
t \geq 0
t≥0}为具有参数
λ
>
0
\lambda >0
λ>0的泊松过程。
注意:定理2.1与2.2等价!
从定义2.1的条件(3)可知泊松过程是平稳增量过程且 E [ X ( t ) ] = λ t E[X(t)]=\lambda t E[X(t)]=λt。由于 λ = E [ x ( t ) ] t \lambda = \frac{E[x(t)]}{t} λ=tE[x(t)]表示单位时间内事件A发生的平均个数,故称 λ \lambda λ为此过程的速率或者强度
泊松过程的基本性质
根据泊松过程的定义,我们可以得出泊松过程的几个常用的数字特征。
设{X(t),
t
≥
0
t \geq 0
t≥0}是泊松过程,对任意的
s
,
t
∈
[
0
,
∞
)
s,t \in [0,\infty)
s,t∈[0,∞),且
s
<
t
s<t
s<t,有
E
[
X
(
t
)
−
X
(
s
)
]
=
D
[
X
(
t
)
−
X
(
s
)
]
=
λ
(
t
−
s
)
E[X(t)-X(s)]=D[X(t)-X(s)]=\lambda(t-s)
E[X(t)−X(s)]=D[X(t)−X(s)]=λ(t−s)
由于
X
(
0
)
=
0
X(0)=0
X(0)=0,故期望:
m
x
(
t
)
=
E
[
X
(
t
)
]
=
E
[
X
(
t
)
−
X
(
0
)
]
=
λ
t
m_{x}(t)=E[X(t)]=E[X(t)-X(0)]=\lambda t
mx(t)=E[X(t)]=E[X(t)−X(0)]=λt
方差:
σ
x
2
(
t
)
=
D
[
X
(
t
)
]
=
D
[
X
(
t
)
−
X
(
0
)
]
=
λ
t
\sigma^{2}_{x}(t)=D[X(t)]=D[X(t)-X(0)]=\lambda t
σx2(t)=D[X(t)]=D[X(t)−X(0)]=λt
自相关函数:
R
x
(
s
,
t
)
=
E
[
X
(
s
)
X
(
t
)
]
=
λ
s
(
λ
t
+
1
)
R_{x}(s,t)=E[X(s)X(t)]=\lambda s(\lambda t+1)
Rx(s,t)=E[X(s)X(t)]=λs(λt+1)
协方差函数:
B
x
(
s
,
t
)
=
R
x
(
s
,
t
)
−
m
x
(
t
)
m
x
(
s
)
=
λ
s
B_{x}(s,t)=R_{x}(s,t)-m_{x}(t)m_{x}(s)=\lambda s
Bx(s,t)=Rx(s,t)−mx(t)mx(s)=λs
一般来说泊松过程的协方差函数可以表示为:
B
x
(
s
,
t
)
=
λ
m
i
n
(
s
,
t
)
B_{x}(s,t)=\lambda min(s,t)
Bx(s,t)=λmin(s,t)
泊松过程的特征函数为
g
x
(
u
)
=
E
[
e
i
u
X
(
t
)
]
=
e
x
p
{
λ
t
(
e
i
u
−
1
)
}
g_{x}(u)=E[e^{iuX(t)}]=exp\{\lambda t(e^{iu}-1)\}
gx(u)=E[eiuX(t)]=exp{λt(eiu−1)}
时间间隔与等待时间分布: 如果我们用泊松过程来描述服务系统接收服务的顾客数,则顾客到来接收服务的时间间隔、顾客排队的等待时间等分布问题都需要进行研究。下面我们对泊松过程与时间特征有关的分布进行较为详细的讨论。
定理3:设{X(t),
t
≥
0
t \geq 0
t≥0}是具有参数
λ
\lambda
λ的泊松分布,
{
T
n
,
n
≥
0
}
\{T_{n},n \geq 0\}
{Tn,n≥0}是对应的时间间隔序列,则随机变量
T
n
(
N
=
1
,
2
,
.
.
.
)
T_{n}(N=1,2,...)
Tn(N=1,2,...)是独立同分布的均值为
1
/
λ
1 / \lambda
1/λ的指数分布。
其分布函数为:
F
T
n
(
t
)
=
P
{
T
n
≤
t
}
=
{
1
−
e
−
λ
t
,
t
≥
0
,
0
,
t < 0
,
F_{T_{n}}(t)=P\{T_{n} \leq t\} = \begin{cases} 1-e^{- \lambda t},&t \geq 0,\\ 0,& \text{t < 0}, \end{cases}
FTn(t)=P{Tn≤t}={1−e−λt,0,t≥0,t < 0,
其概率密度函数为:
f
T
n
(
t
)
=
{
λ
e
−
λ
t
,
t
≥
0
,
0
,
t < 0
,
f_{T_{n}}(t)= \begin{cases} \lambda e^{- \lambda t},&t \geq 0,\\ 0,& \text{t < 0}, \end{cases}
fTn(t)={λe−λt,0,t≥0,t < 0,
定理4:设
{
W
n
,
n
≥
1
}
\{W_{n},n \geq 1\}
{Wn,n≥1}是与泊松过程{X(t),
t
≥
0
t \geq 0
t≥0}对应的一个等待时间序列,则
W
n
W_{n}
Wn服从参数为
n
n
n与
λ
\lambda
λ的
Γ
\Gamma
Γ分布,其概率密度为:
f
W
n
(
t
)
=
{
λ
e
−
λ
t
(
λ
t
n
−
1
)
(
n
−
1
)
!
,
t
≥
0
,
0
,
t < 0
,
f_{W_{n}}(t)= \begin{cases} \lambda e^{- \lambda t} \frac{(\lambda t^{n-1})}{(n-1)!},&t \geq 0,\\ 0,& \text{t < 0}, \end{cases}
fWn(t)={λe−λt(n−1)!(λtn−1),0,t≥0,t < 0,
分布函数为 :
F
W
n
(
t
)
=
P
{
W
n
≤
t
}
=
P
{
X
t
≥
n
}
=
∑
j
=
n
∞
e
−
λ
t
(
λ
t
j
)
(
j
)
!
F_{W_{n}}(t)=P\{W_{n} \leq t\} = P\{X_{t} \geq n\} = \sum^{\infty} _{j=n} e^{- \lambda t} \frac{(\lambda t^{j})}{(j)!}
FWn(t)=P{Wn≤t}=P{Xt≥n}=∑j=n∞e−λt(j)!(λtj)
定理4又被称为爱尔兰分布,它是 n n n个相互独立且服从指数分布的随机变量之和的概率密度。
到达时间的条件分布:假设在
[
0
,
t
]
[0,t]
[0,t]内事件A已经发生过一次,我们要确定这一事件到达事件
W
1
W_{1}
W1的分布。因为泊松过程有平稳独立增量,故有理由认为
[
0
,
t
]
[0,t]
[0,t]内长度相等的区间包含这个事件的概率应该相同。换言之,这个事件的到达事件应在
[
0
,
t
]
[0,t]
[0,t]上服从均匀分布。事实上,对
s
<
t
s<t
s<t有:
P
{
W
1
≤
s
∣
X
(
t
)
=
1
}
=
s
t
P\{W_{1} \leq s|X(t)=1\} = \frac{s}{t}
P{W1≤s∣X(t)=1}=ts
分布函数为:
F
W
n
(
t
)
=
{
0
,
s
<
0
,
s
/
t
,
0
≤
s
<
t
,
1
,
s
≥
t
,
F_{W_{n}}(t)= \begin{cases} 0,&s < 0,\\ s/t,& 0 \leq s < t,\\ 1,& s\geq t, \end{cases}
FWn(t)=⎩⎪⎨⎪⎧0,s/t,1,s<0,0≤s<t,s≥t,
分布密度为:
f
W
n
(
t
)
=
{
1
/
t
,
0
≤
s
<
t
,
0
,
其
它
.
f_{W_{n}}(t)= \begin{cases} 1/t,& 0 \leq s < t,\\ 0,& 其它. \end{cases}
fWn(t)={1/t,0,0≤s<t,其它.
非齐次泊松过程
定义5:设计数过程{X(t),
t
≥
0
t \geq 0
t≥0}满足下列条件:
(1)
X
(
0
)
=
0
X(0)=0
X(0)=0;
(2)
X
(
t
)
X(t)
X(t)是独立平稳增量过程;
(3)
X
(
t
)
X(t)
X(t)满足下列两式:
P
{
X
(
t
+
h
)
−
X
(
t
)
=
1
}
=
λ
(
t
)
h
+
o
(
h
)
P\{X(t+h)-X(t)=1\} = \lambda (t)h + o(h)
P{X(t+h)−X(t)=1}=λ(t)h+o(h)
P
{
X
(
t
+
h
)
−
X
(
t
)
≥
2
}
=
o
(
h
)
P\{X(t+h)-X(t)\geq2\} = o(h)
P{X(t+h)−X(t)≥2}=o(h)
则称计数过程{X(t),
t
≥
0
t \geq 0
t≥0}为具有跳跃强度函数
λ
(
t
)
\lambda (t)
λ(t)的非齐次泊松过程。并且均值函数为:
m
x
(
t
)
=
∫
0
t
λ
(
s
)
d
s
m_{x}(t)=\int^{t}_{0}\lambda(s)ds
mx(t)=∫0tλ(s)ds
非齐次泊松过程的概率分布如下:
定理6:设{X(t),
t
≥
0
t \geq 0
t≥0}是具有均值函数
m
x
(
t
)
=
∫
0
t
λ
(
s
)
d
s
m_{x}(t)=\int^{t}_{0}\lambda(s)ds
mx(t)=∫0tλ(s)ds的非齐次泊松过程,则有
P
{
X
(
t
+
s
)
−
X
(
t
)
=
n
}
=
[
m
x
(
t
+
s
)
−
m
x
(
t
)
]
n
!
e
−
[
m
x
(
t
+
s
)
−
m
x
(
t
)
]
,
n
≥
0
P\{X(t+s)-X(t)=n\}=\frac{[m_{x}(t+s)-m_{x}(t)]}{n!}e^{-[m_{x}(t+s)-m_{x}(t)]},n\geq 0
P{X(t+s)−X(t)=n}=n![mx(t+s)−mx(t)]e−[mx(t+s)−mx(t)],n≥0
或
P
{
X
(
t
)
=
n
}
=
[
m
x
(
t
)
]
n
!
e
−
[
m
x
(
t
)
]
,
n
≥
0
P\{X(t)=n\}=\frac{[m_{x}(t)]}{n!}e^{-[m_{x}(t)]},n\geq 0
P{X(t)=n}=n![mx(t)]e−[mx(t)],n≥0
复合泊松过程
定义7:设{N(t),
t
≥
0
t \geq 0
t≥0}是强度为
λ
\lambda
λ的泊松过程,
{
Y
k
,
k
=
1
,
2
,
.
.
.
}
\{Y_{k},k=1,2,...\}
{Yk,k=1,2,...}是一列独立同分布随机变量,且与
{
N
(
t
)
,
t
≥
0
}
\{N(t),t\geq 0 \}
{N(t),t≥0}独立,令
X
(
t
)
=
∑
k
=
1
N
(
t
)
Y
k
,
t
≥
0
,
X(t)=\sum^{N(t)}_{k=1}Y_k,t\geq0,
X(t)=∑k=1N(t)Yk,t≥0,
则称
{
X
(
t
)
,
t
≥
0
}
\{X(t),t\geq 0 \}
{X(t),t≥0}为复合泊松过程。
定理8:设
X
(
t
)
=
∑
k
=
1
N
(
t
)
Y
k
,
t
≥
0
,
X(t)=\sum^{N(t)}_{k=1}Y_k,t\geq0,
X(t)=∑k=1N(t)Yk,t≥0,是复合泊松过程,则
(1)
{
X
(
t
)
,
t
≥
0
}
\{X(t),t\geq 0 \}
{X(t),t≥0}是独立增量过程;
(2)
X
(
t
)
X(t)
X(t)的特征函数
g
x
(
t
)
(
u
)
=
e
λ
t
[
g
Y
(
u
)
−
1
]
g_{x(t)}(u)=e^{ \lambda t [g_{Y}(u)-1]}
gx(t)(u)=eλt[gY(u)−1],其中
g
Y
(
u
)
g_{Y}(u)
gY(u)是随机变量
Y
1
Y_{1}
Y1的特征函数;
λ
\lambda
λ是事件的到达率。
(3)如果二阶矩存在,则
E
[
X
(
t
)
]
=
λ
t
E
[
Y
1
]
,
D
[
X
(
t
)
]
=
λ
t
E
[
Y
1
2
]
E[X(t)]= \lambda tE[Y_{1}],D[X(t)]= \lambda tE[Y_{1}^{2}]
E[X(t)]=λtE[Y1],D[X(t)]=λtE[Y12]