读书笔记：复合 Poisson 过程

【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 $t\ge 0$，它可以表示为：$X(t)=\sum _{i=1}^{N(t)}{Y}_i$
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 $\lambda$，则
（1） $X(t)$ 有独立增量；
（2）若$E(Y_i^2)<+\infty$，则 $E[X(t)]=\lambda tE(Y_1),Var[X(t)]=\lambda tE(Y_1^2)$

【证明】
（1）令$0\le t_0<t_1<\cdots <t_n$，则
$X(t_k)-X(t_{k-1})=\sum _{i=N(t_{k-1})+1}^{N(t_k)}{Y}_i,k=1,2,\cdots ,n$
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
${\varphi }_{X(t)}(\mu )=E[e^{\mu X(t)}]$
$=\sum _{n=0}^{\infty }E[e^{\mu X(t)}|N(t)=n]\cdot P[N(t)=n]$
$=\sum _{n=0}^{\infty }E[e^{\mu (Y_1+Y_2+\cdots +Y_n)}|N(t)=n]\cdot e^{-\lambda t}\frac{(\lambda t{)}^n}{n!}$
$=\sum _{n=0}^{\infty }E[e^{\mu (Y_1+Y_2+\cdots +Y_n)}]\cdot e^{-\lambda t}\frac{(\lambda t{)}^n}{n!}$
$=\sum _{n=0}^{\infty }E(e^{\mu Y_1})E(e^{\mu Y_2})\cdots E(e^{\mu Y_n})\cdot e^{-\lambda t}\frac{(\lambda t{)}^n}{n!}$
$=\sum _{n=0}^{\infty }[E(e^{\mu Y_1}){]}^n\cdot e^{-\lambda t}\frac{(\lambda t{)}^n}{n!}$
$=e^{-\lambda t}\sum _{n=0}^{\infty }\frac{[\lambda tE(e^{\mu Y_1}){]}^n}{n!}=e^{-\lambda t}\cdot e^{\lambda tE(e^{\mu Y_1})}=e^{\lambda tE(e^{\mu Y_1})-\lambda t}$
对上面所得的矩母函数求导，得：
${\varphi }_{X(t)}^{{}^{\prime }}(\mu )=e^{-\lambda t}\cdot e^{\lambda tE(e^{\mu Y_1})}\cdot \lambda tE(e^{\mu Y_1}\cdot Y_1)=\lambda t{e}^{-\lambda t}\cdot e^{\lambda tE(e^{\mu Y_1})}\cdot E(Y_1{e}^{\mu Y_1})$
${\varphi }_{X(t)}^{{}^{\prime \prime }}(\mu )=\lambda t{e}^{-\lambda t}\cdot [e^{\lambda tE(e^{\mu Y_1})}\cdot \lambda tE(Y_1{e}^{\mu Y_1})]\cdot E(Y_1{e}^{\mu Y_1})+\lambda t{e}^{-\lambda t}\cdot e^{\lambda tE(e^{\mu }{Y}_1)}\cdot E(Y_1{e}^{\mu Y_1}\cdot Y_1)$
$=\lambda t{e}^{-\lambda t}\cdot e^{\lambda tE(e^{\mu Y_1})}\cdot [\lambda tE(Y_1{e}^{\mu Y_1})\cdot E(Y_1{e}^{\mu Y_1})+E(Y_1^2{e}^{\mu Y_1})]$
由矩母函数的性质 ${\varphi }_{X(t)}^{{}^{\prime }}(0)=E(X(t)),{\varphi }_{X(t)}^{{}^{\prime \prime }}(0)=E(X^2(t))$ 知，将$\mu =0$ 代入上面的 ${\varphi }_{X(t)}^{{}^{\prime }}(\mu )$ 及 ${\varphi }_{X(t)}^{{}^{\prime \prime }}(\mu )$ 中，可得：
${\varphi }_{X(t)}^{{}^{\prime }}(0)=E(X(t))=\lambda tE(Y_1)$，
${\varphi }_{X(t)}^{{}^{\prime \prime }}(0)=E(X^2(t))=[\lambda tE(Y_1){]}^2+\lambda tE(Y_1^2)$，
进而推出，$Var[X(t)]=E(X^2(t))-[E(X(t)){]}^2=\lambda tE(Y_1^2)$，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。

\
\