泊松过程到达时间分布

泊松过程的到达时间分布是其最重要的性质之一，它描述了事件在某段时间内的发生情况。我们将详细讨论 泊松过程 的事件到达时间分布，包括事件发生的间隔分布和累积发生时间的分布。

1. 泊松过程的定义

假设 ( {N(t), t >= 0} ) 是一个参数为$\lambda$的泊松过程，其中 (N(t)) 表示时间 (t) 时发生的事件总数，且具有以下性质：

• (N(0) = 0)。
• 独立增量性：对任意的 (t_1 < t_2)，在 ( [t_1, t_2] ) 内发生的事件数 (N(t_2) - N(t_1)) 与过去事件无关，独立于 ([0, t_1]) 之前的事件数。
• 定常增量性：任意时间段 ([t, t + h]) 内发生事件的数量 (N(t + h) - N(t)) 只依赖于长度 (h)，与 (t) 无关。
• 在很短的时间间隔 (h) 内，发生 1 次事件的概率大约是 ($\lambda h$ )，发生两次或更多事件的概率是 (o(h))-无穷小量。

基于这些性质，我们可以得到泊松过程的到达时间分布。

2. 事件到达间隔时间的分布

泊松过程的事件到达间隔时间是相互独立的，且服从指数分布。

a. 首次事件到达时间分布

设 (T_1) 是首次事件发生的时间，即 ( T 1 = inf ⁡ { t > 0 : N ( t ) = 1 } (T_1 = \inf \{ t > 0 : N(t) = 1 \} (T1​=inf{t>0:N(t)=1})。我们希望知道 (T_1) 的分布。

泊松分布的分布函数为：

$$P(N(t)=k)=\frac{(\lambda t{)}^k{e}^{-\lambda t}}{k!}$$

对任意时间 (t > 0)，事件在 (t) 时刻仍未发生的概率为：

$$P(T_1>t)=P(N(t)=0)=e^{-\lambda t}$$

因此，首次事件发生的时间 (T_1) 的累积分布函数为：

$$P(T_1\le t)=1-P(T_1>t)=1-e^{-\lambda t}$$

由此，我们可以得到 (T_1) 的概率密度函数：

$$f_{T_1}(t)=\frac{d}{dt}\left(1-e^{-\lambda t}\right)=\lambda e^{-\lambda t},t\ge 0$$

所以，首次事件发生的时间 (T_1) 服从参数为 ( \lambda ) 的指数分布，即 $(T_1\sim \text{Exp}(\lambda )$)。

b. 后续事件的到达间隔分布

假设 (T_k) 是第 (k) 次事件发生的时间，而 S_k = T_k - T_{k-1}表示第 (k) 次事件与第 (k-1) 次事件的时间间隔。泊松过程具有独立增量性，因此每个到达间隔 (S_k) 也是相互独立的，并且和首次事件的到达时间 (T_1) 一样，服从参数为 $\lambda$的指数分布：

$$S_k\sim \text{Exp}(\lambda ),k=1,2,3,\dots$$

换句话说，每次事件发生的时间间隔都是独立的，并且服从相同的指数分布。

3. 累积到达时间的分布

设 (T_k) 表示第 (k) 次事件发生的时刻，那么 (T_k) 是前 (k) 个独立的指数分布随机变量之和。由于 $(S_1,S_2,\dots ,S_k$) 互相独立，且均服从 $(\text{Exp}(\lambda )$) 分布，因此 (T_k) 的分布为伽马分布。

a. 第 (k) 次事件到达时间分布

我们可以写出第 (k) 次事件发生时刻 (T_k) 为：

$$T_k=S_1+S_2+\cdots +S_k$$

其中每个 (S_i) 都服从 $(\text{Exp}(\lambda )$)。根据伽马分布的性质，(T_k) 服从伽马分布，参数为 (k) 和 $(\lambda$)，记作$(T_k\sim \text{Gamma}(k,\lambda )$)，其概率密度函数为：

$$f_{T_k}(t)=\frac{{\lambda }^k{t}^{k-1}{e}^{-\lambda t}}{(k-1)!},t\ge 0$$

这意味着，第 (k) 次事件发生的时间 (T_k) 服从参数为 (k) 和 $(\lambda$) 的伽马分布。

4. 泊松过程的性质总结

• 到达间隔时间 (S_k) 是相互独立的，且每个 $(S_k\sim \text{Exp}(\lambda )$)。
• 第 (k) 次事件的发生时刻 (T_k) 是前 (k) 个到达间隔的和，服从参数为 (k) 和 $(\lambda$) 的伽马分布。
• 泊松过程的无记忆性：泊松过程的事件到达时间分布具有无记忆性，这意味着未来的事件分布与过去发生了多少次事件无关。