【定义】
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\geq 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。
=======================================
【定理】
设
{
X
(
t
)
=
∑
i
=
1
N
(
t
)
Y
i
,
t
≥
0
}
\{X(t)=\sum \limits_{i=1}^{N(t)} Y_i,t\geq 0\}
{X(t)=i=1∑N(t)Yi,t≥0} 是一个复合 Poisson 过程,Poisson 过程
{
N
(
t
)
,
t
≥
0
}
\{N(t),t\geq 0\}
{N(t),t≥0} 的强度为
λ
\lambda
λ,则
(1)
X
(
t
)
X(t)
X(t) 有独立增量;
(2)若
E
(
Y
i
2
)
<
+
∞
E(Y_i^2)<+\infty
E(Yi2)<+∞,则
E
[
X
(
t
)
]
=
λ
t
E
(
Y
1
)
,
V
a
r
[
X
(
t
)
]
=
λ
t
E
(
Y
1
2
)
E[X(t)]=\lambda tE(Y_1),Var[X(t)]=\lambda tE(Y_1^2)
E[X(t)]=λtE(Y1),Var[X(t)]=λtE(Y12)
【证明】
(1)令
0
≤
t
0
<
t
1
<
⋯
<
t
n
0\leq t_0\lt t_1\lt \cdots \lt t_n
0≤t0<t1<⋯<tn,则
X
(
t
k
)
−
X
(
t
k
−
1
)
=
∑
i
=
N
(
t
k
−
1
)
+
1
N
(
t
k
)
Y
i
,
k
=
1
,
2
,
⋯
,
n
X(t_k)-X(t_{k-1})=\sum \limits_{i=N(t_{k-1})+1}^{N(t_k)}Y_i,k=1,2,\cdots,n
X(tk)−X(tk−1)=i=N(tk−1)+1∑N(tk)Yi,k=1,2,⋯,n
由 Poisson 过程的独立增量性及各
Y
i
,
(
i
=
1
,
2
,
⋯
,
n
)
Y_i,(i=1,2,\cdots,n)
Yi,(i=1,2,⋯,n) 之间的独立性,可以得出
X
(
t
)
X(t)
X(t) 的独立增量性。
(2)求
X
(
t
)
X(t)
X(t) 的矩母函数
ϕ
X
(
t
)
(
μ
)
=
E
[
e
μ
X
(
t
)
]
\phi_{X(t)}(\mu)=E[e^{\mu X(t)}]
ϕX(t)(μ)=E[eμX(t)]
=
∑
n
=
0
∞
E
[
e
μ
X
(
t
)
∣
N
(
t
)
=
n
]
⋅
P
[
N
(
t
)
=
n
]
=\sum \limits_{n=0}^{\infty}E[e^{\mu X(t)}|N(t)=n] \cdot P[N(t)=n]
=n=0∑∞E[eμX(t)∣N(t)=n]⋅P[N(t)=n]
=
∑
n
=
0
∞
E
[
e
μ
(
Y
1
+
Y
2
+
⋯
+
Y
n
)
∣
N
(
t
)
=
n
]
⋅
e
−
λ
t
(
λ
t
)
n
n
!
\displaystyle =\sum \limits_{n=0}^{\infty}E[e^{\mu (Y_1+Y_2+\cdots+Y_n)}|N(t)=n] \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}
=n=0∑∞E[eμ(Y1+Y2+⋯+Yn)∣N(t)=n]⋅e−λtn!(λt)n
=
∑
n
=
0
∞
E
[
e
μ
(
Y
1
+
Y
2
+
⋯
+
Y
n
)
]
⋅
e
−
λ
t
(
λ
t
)
n
n
!
\displaystyle =\sum \limits_{n=0}^{\infty}E[e^{\mu (Y_1+Y_2+\cdots+Y_n)}] \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}
=n=0∑∞E[eμ(Y1+Y2+⋯+Yn)]⋅e−λtn!(λt)n
=
∑
n
=
0
∞
E
(
e
μ
Y
1
)
E
(
e
μ
Y
2
)
⋯
E
(
e
μ
Y
n
)
⋅
e
−
λ
t
(
λ
t
)
n
n
!
\displaystyle =\sum \limits_{n=0}^{\infty}E(e^{\mu Y_1}) E(e^{\mu Y_2}) \cdots E(e^{\mu Y_n})\cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}
=n=0∑∞E(eμY1)E(eμY2)⋯E(eμYn)⋅e−λtn!(λt)n
=
∑
n
=
0
∞
[
E
(
e
μ
Y
1
)
]
n
⋅
e
−
λ
t
(
λ
t
)
n
n
!
\displaystyle =\sum \limits_{n=0}^{\infty}[E(e^{\mu Y_1})]^n \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}
=n=0∑∞[E(eμY1)]n⋅e−λtn!(λt)n
=
e
−
λ
t
∑
n
=
0
∞
[
λ
t
E
(
e
μ
Y
1
)
]
n
n
!
=
e
−
λ
t
⋅
e
λ
t
E
(
e
μ
Y
1
)
=
e
λ
t
E
(
e
μ
Y
1
)
−
λ
t
\displaystyle =e^{-\lambda t}\sum \limits_{n=0}^{\infty} \frac {[\lambda tE(e^{\mu Y_1})]^n}{n!}=e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})}=e^{\lambda t E(e^{\mu Y_1})-\lambda t}
=e−λtn=0∑∞n![λtE(eμY1)]n=e−λt⋅eλtE(eμY1)=eλtE(eμY1)−λt
对上面所得的矩母函数求导,得:
ϕ
X
(
t
)
′
(
μ
)
=
e
−
λ
t
⋅
e
λ
t
E
(
e
μ
Y
1
)
⋅
λ
t
E
(
e
μ
Y
1
⋅
Y
1
)
=
λ
t
e
−
λ
t
⋅
e
λ
t
E
(
e
μ
Y
1
)
⋅
E
(
Y
1
e
μ
Y
1
)
\phi_{X(t)}^{'}(\mu)=e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot \lambda t E(e^{\mu Y_1} \cdot Y_1)=\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot E(Y_1 e^{\mu Y_1})
ϕX(t)′(μ)=e−λt⋅eλtE(eμY1)⋅λtE(eμY1⋅Y1)=λte−λt⋅eλtE(eμY1)⋅E(Y1eμY1)
ϕ
X
(
t
)
′
′
(
μ
)
=
λ
t
e
−
λ
t
⋅
[
e
λ
t
E
(
e
μ
Y
1
)
⋅
λ
t
E
(
Y
1
e
μ
Y
1
)
]
⋅
E
(
Y
1
e
μ
Y
1
)
+
λ
t
e
−
λ
t
⋅
e
λ
t
E
(
e
μ
Y
1
)
⋅
E
(
Y
1
e
μ
Y
1
⋅
Y
1
)
\phi_{X(t)}^{''}(\mu)=\lambda t e^{-\lambda t} \cdot [e^{\lambda t E(e^{\mu Y_1})} \cdot \lambda tE(Y_1 e^{\mu Y_1})] \cdot E(Y_1 e^{\mu Y_1})+\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^\mu Y_1)} \cdot E(Y_1 e^{\mu Y_1} \cdot Y_1)
ϕX(t)′′(μ)=λte−λt⋅[eλtE(eμY1)⋅λtE(Y1eμY1)]⋅E(Y1eμY1)+λte−λt⋅eλtE(eμY1)⋅E(Y1eμY1⋅Y1)
=
λ
t
e
−
λ
t
⋅
e
λ
t
E
(
e
μ
Y
1
)
⋅
[
λ
t
E
(
Y
1
e
μ
Y
1
)
⋅
E
(
Y
1
e
μ
Y
1
)
+
E
(
Y
1
2
e
μ
Y
1
)
]
=\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot [\lambda tE(Y_1e^{\mu Y_1}) \cdot E(Y_1e^{\mu Y_1})+E(Y_1^2 e^{\mu Y_1})]
=λte−λt⋅eλtE(eμY1)⋅[λtE(Y1eμY1)⋅E(Y1eμY1)+E(Y12eμY1)]
由矩母函数的性质
ϕ
X
(
t
)
′
(
0
)
=
E
(
X
(
t
)
)
,
ϕ
X
(
t
)
′
′
(
0
)
=
E
(
X
2
(
t
)
)
\phi_{X(t)}^{'}(0)=E(X(t)),\ \phi_{X(t)}^{''}(0)=E(X^2(t))
ϕX(t)′(0)=E(X(t)), ϕX(t)′′(0)=E(X2(t)) 知,将
μ
=
0
\mu =0
μ=0 代入上面的
ϕ
X
(
t
)
′
(
μ
)
\phi_{X(t)}^{'}(\mu)
ϕX(t)′(μ) 及
ϕ
X
(
t
)
′
′
(
μ
)
\phi_{X(t)}^{''}(\mu)
ϕX(t)′′(μ) 中,可得:
ϕ
X
(
t
)
′
(
0
)
=
E
(
X
(
t
)
)
=
λ
t
E
(
Y
1
)
\phi_{X(t)}^{'}(0)=E(X(t))=\lambda tE(Y_1)
ϕX(t)′(0)=E(X(t))=λtE(Y1),
ϕ
X
(
t
)
′
′
(
0
)
=
E
(
X
2
(
t
)
)
=
[
λ
t
E
(
Y
1
)
]
2
+
λ
t
E
(
Y
1
2
)
\phi_{X(t)}^{''}(0)=E(X^2(t))=[\lambda t E(Y_1)]^2+\lambda t E(Y_1^2)
ϕX(t)′′(0)=E(X2(t))=[λtE(Y1)]2+λtE(Y12),
进而推出,
V
a
r
[
X
(
t
)
]
=
E
(
X
2
(
t
)
)
−
[
E
(
X
(
t
)
)
]
2
=
λ
t
E
(
Y
1
2
)
Var[X(t)]=E(X^2(t))-[E(X(t))]^2=\lambda t E(Y_1^2)
Var[X(t)]=E(X2(t))−[E(X(t))]2=λtE(Y12),得证。
【本文的LaTeX代码】
【定义】
称随机过程 $\{X(t),t\geq 0\}$ 为复合 Poisson 过程,如果对于 $t\geq 0$,它可以表示为:$X(t)=\sum \limits_{i=1}^{N(t)} Y_i$
式中,$\{N(t),t\geq 0\}$ 是一个 Poisson 过程;$\{Y_i,i=1,2,\cdots\}$ 是一族独立同分布的随机变量,并且与 $\{N(t),t\geq 0\}$ 独立。
=======================================
【定理】
设 $\{X(t)=\sum \limits_{i=1}^{N(t)} Y_i,t\geq 0\}$ 是一个复合 Poisson 过程,Poisson 过程 $\{N(t),t\geq 0\}$ 的强度为 $\lambda$,则
(1) $X(t)$ 有独立增量;
(2)若$E(Y_i^2)<+\infty$,则 <font color=red>$E[X(t)]=\lambda tE(Y_1),Var[X(t)]=\lambda tE(Y_1^2)$</font>
\
【证明】
(1)令$0\leq t_0\lt t_1\lt \cdots \lt t_n$,则
$X(t_k)-X(t_{k-1})=\sum \limits_{i=N(t_{k-1})+1}^{N(t_k)}Y_i,k=1,2,\cdots,n$
由 Poisson 过程的独立增量性及各 $Y_i,(i=1,2,\cdots,n)$ 之间的独立性,可以得出 $X(t)$ 的独立增量性。
(2)求 $X(t)$ 的矩母函数
$\phi_{X(t)}(\mu)=E[e^{\mu X(t)}]$
$=\sum \limits_{n=0}^{\infty}E[e^{\mu X(t)}|N(t)=n] \cdot P[N(t)=n]$
$\displaystyle =\sum \limits_{n=0}^{\infty}E[e^{\mu (Y_1+Y_2+\cdots+Y_n)}|N(t)=n] \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}$
$\displaystyle =\sum \limits_{n=0}^{\infty}E[e^{\mu (Y_1+Y_2+\cdots+Y_n)}] \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}$
$\displaystyle =\sum \limits_{n=0}^{\infty}E(e^{\mu Y_1}) E(e^{\mu Y_2}) \cdots E(e^{\mu Y_n})\cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}$
$\displaystyle =\sum \limits_{n=0}^{\infty}[E(e^{\mu Y_1})]^n \cdot e^{-\lambda t}\frac{(\lambda t)^n}{n!}$
$\displaystyle =e^{-\lambda t}\sum \limits_{n=0}^{\infty} \frac {[\lambda tE(e^{\mu Y_1})]^n}{n!}=e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})}=e^{\lambda t E(e^{\mu Y_1})-\lambda t}$
对上面所得的矩母函数求导,得:
$\phi_{X(t)}^{'}(\mu)=e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot \lambda t E(e^{\mu Y_1} \cdot Y_1)=\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot E(Y_1 e^{\mu Y_1})$
$\phi_{X(t)}^{''}(\mu)=\lambda t e^{-\lambda t} \cdot [e^{\lambda t E(e^{\mu Y_1})} \cdot \lambda tE(Y_1 e^{\mu Y_1})] \cdot E(Y_1 e^{\mu Y_1})+\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^\mu Y_1)} \cdot E(Y_1 e^{\mu Y_1} \cdot Y_1)$
$=\lambda t e^{-\lambda t} \cdot e^{\lambda t E(e^{\mu Y_1})} \cdot [\lambda tE(Y_1e^{\mu Y_1}) \cdot E(Y_1e^{\mu Y_1})+E(Y_1^2 e^{\mu Y_1})]$
由矩母函数的性质 <font color=red>$\phi_{X(t)}^{'}(0)=E(X(t)),\ \phi_{X(t)}^{''}(0)=E(X^2(t))$</font> 知,将$\mu =0$ 代入上面的 $\phi_{X(t)}^{'}(\mu)$ 及 $\phi_{X(t)}^{''}(\mu)$ 中,可得:
$\phi_{X(t)}^{'}(0)=E(X(t))=\lambda tE(Y_1)$,
$\phi_{X(t)}^{''}(0)=E(X^2(t))=[\lambda t E(Y_1)]^2+\lambda t E(Y_1^2)$,
进而推出,$Var[X(t)]=E(X^2(t))-[E(X(t))]^2=\lambda t E(Y_1^2)$,得证。
\
\