04.第三章 Poisson过程(2)

第三章 Poisson过程(2)

1.Poisson过程的合成与分解

泊松过程的合成：对于两个泊松过程${\mathbf{N}}_1,{\mathbf{N}}_2$，参数分别为${\lambda }_1,{\lambda }_2$，令$N(t)=N_1(t)+N_2(t)$，则$\mathbf{N}=(N(t),t\ge 0)$是参数为${\lambda }_1+{\lambda }_2$的泊松过程。由于${\mathbf{N}}_1,{\mathbf{N}}_2$各自具有独立平稳增量性，所以只要证明$N(t)$的分布即可。
$$\begin{array}{rl}& P(N(t)=k)\\ =& P(N_1(t)+N_2(t)=k)\\ =& \sum _{l=0}^{k}P(N_1(t)=l,N_2(t)=k-l)\\ =& \sum _{l=0}^k\frac{({\lambda }_{1}t{)}^l}{l!}{e}^{-{\lambda }_{1}t}\frac{({\lambda }_{2}t{)}^{k-l}}{(k-l)!}{e}^{-{\lambda }_{2}t}\\ =& \frac{({\lambda }_1+{\lambda }_2{)}^k{t}^k}{k!}{e}^{-({\lambda }_1+{\lambda }_2)t}\end{array}$$
泊松过程的分解：对于参数为$\lambda$的Poisson过程$\mathbf{N}$，发生的事件可以分为I型与II型，且每一个事件独立地以$p$概率属于I型，以$1-p$概率属于II型。则I型事件的发生服从参数为$\lambda p$的Poisson过程${\mathbf{N}}_1$，II型事件的发生服从参数为$\lambda (1-p)$的Poisson过程${\mathbf{N}}_2$，且${\mathbf{N}}_1,{\mathbf{N}}_2$也相互独立。

设${\xi }_i=1$代表第$i$个事件为I型，${\xi }_i=0$代表第$i$个事件为II型，那么${\xi }_i$独立同分布于$b(1,p)$。这样就有
$$N_1(t)=\sum _{i=1}^{N(t)}{\xi }_i,N_2(t)=\sum _{i=1}^{N(t)}(1-{\xi }_i)$$
证明${\mathbf{N}}_1$是参数为$\lambda p$的随机过程，有
$$\begin{array}{rl}& P(N_1(t)=k)\\ =& \sum _{n=k}^{\infty }P(N_1(t)=k|N(t)=n)P(N(t)=n)\\ =& \sum _{n=k}^{\infty }{C}_n^k{p}^k(1-p{)}^{n-k}\frac{{\lambda }^n{t}^n}{n!}{e}^{-\lambda t}\\ =& \sum _{n=k}^{\infty }\frac{p^k(1-p{)}^{n-k}(\lambda t{)}^n}{k!(n-k)!}{e}^{-\lambda t}\\ =& \frac{p^k(\lambda t{)}^k}{k!}{e}^{-\lambda t}\sum _{n=k}^{\infty }\frac{[\lambda t(1-p){]}^{n-k}}{(n-k)!}\\ =& \frac{(\lambda tp{)}^k}{k!}{e}^{-\lambda tp}\end{array}$$
独立平稳增量性也可以证明。

2.到达时刻的条件分布

到达时刻的条件分布，指的是在给定$N(t)=n$的情况下，在$[0,t]$区间内会发生$n$个事件，它们的到达次序依次为$S_1,\cdots ,S_n$，求$(S_1,\cdots ,S_n)$的联合分布。事实上，有
$$(S_1,\cdots ,S_n|N(t)=n)\stackrel{d}{=}(U_{(1)},\cdots ,U_{(n)})$$
这里$U_{(1)},\cdots ,U_{(n)}$是$[0,t]$上$n$个独立同分布的均匀随机变量的次序统计量。
$$\begin{array}{rl}& P(S_k\in (x_k-{\epsilon }_k,x_k+{\epsilon }_k)|N(t)=n)\\ =& \frac{P(S_k\in (x_k-{\epsilon }_k,x_k+{\epsilon }_k),N(t)=n)}{P(N(t)=n)}\\ =& \frac{[{\prod }_{k=1}^n\lambda (2{\epsilon }_k)]e^{-\lambda t}}{\frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}}=\frac{n!}{t^n}\prod _{k=1}^n(2{\epsilon }_k)\end{array}$$
注意，计算这个条件概率的分子时，实际上要将$[0,t]$分为$2k+1$个区间，其中$k$个区间是$(x_k-{\epsilon }_k,x_k+{\epsilon }_k)$，它们中各有一个事件发生；另外$k+1$个是出去这$k$个后的剩余区间，它们中都没有事件发生。由此计算条件概率
$$\begin{array}{rl}& p_{S_1,\cdots ,S_n|N(t)}(x_1,\cdots ,x_n|n)\\ =& \frac{P(S_k\in (x_k-{\epsilon }_k,x_k+{\epsilon }_k)|N(t)=n)}{{\prod }_{k=1}^n(2{\epsilon }_k)}\\ =& \frac{n!}{t^n}\end{array}$$
这恰好是$(U_{(1)},\cdots ,U_{(n)})$的联合密度函数。

3.复合Poisson过程

复合Poisson过程指的是，对于一系列独立同分布于$G(x)$的随机变量${\xi }_i$以及参数为$\lambda$的泊松过程$N(t)$，称随机过程$\mathbf{Z}=(Z(t),t\ge 0)$为复合Poisson过程，其中
$$Z(t)=\sum _{i=1}^{N(t)}{\xi }_i$$
如果$\mathbf{N}$和${\xi }_i$相互独立且$E{\xi }_i=\mu ,D{\xi }_i={\sigma }^2$，那么

1. $E(Z(t))=\mu \lambda t$；
   $$\begin{array}{rl}EZ(t)=& E\sum _{i=1}^{N(t)}{\xi }_i\\ =& \sum _{n=0}^{\infty }E[\sum _{i=1}^{N(t)}{\xi }_i|N(t)=n]\cdot P(N(t)=n)\\ =& \sum _{n=0}^{\infty }\left(\sum _{i=1}^{n}E{\xi }_i\cdot P(N(t)=n)\right)\\ =& \sum _{n=0}^{\infty }\left(n\mu \cdot \frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}\right)\\ =& \mu \lambda t\end{array}$$
   这里用到全期望公式
   $$\begin{gathered} EY=\sum _{x_i}E(Y|X=x_i)P(X=x_i) \\ EY={\int }_{-\infty }^{\infty }E(Y|X=x)p(x)dx \end{gathered}$$

2. $D(Z(t))=({\mu }^2+{\sigma }^2)\lambda t$；
   $$\begin{array}{rl}& E[Z(t){]}^2\\ =& E{\left(\sum _{i=1}^{N(t)}{\xi }_i\right)}^2\\ =& \sum _{n=0}^{\infty }E\left({\left(\sum _{i=1}^{N(t)}{\xi }_i\right)}^2|N(t)=n\right)P(N(t)=n)\\ =& \sum _{n=0}^{\infty }E\left(\sum _{i=1}^n{\xi }_i^2+2\sum _{1\le i<j\le n}{\xi }_i{\xi }_j\right)P(N(t)=n)\\ =& \sum _{n=0}^{\infty }(n({\sigma }^2+{\mu }^2)+n(n-1){\mu }^2)\frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}\\ =& \left[({\sigma }^2+{\mu }^2)\lambda t\sum _{n=1}^{\infty }\frac{(\lambda t{)}^{n-1}}{(n-1)!}+{\mu }^2(\lambda t{)}^2\sum _{n=2}^{\infty }\frac{(\lambda t{)}^{n-2}}{(n-2)!}\right]e^{-\lambda t}\\ =& \lambda t({\sigma }^2+{\mu }^2)+(\lambda t\mu {)}^2\\ & \\ & D[Z(t)]=E[Z(t){]}^2-[EZ(t){]}^2=\lambda t({\sigma }^2+{\mu }^2)\end{array}$$

3. $Z(t)$具有独立平稳增量性。令$\varphi (\cdot )$为${\xi }_1$的特征函数，任给$s<t$和$u,v\in \mathbb{R}$，得
   $$\begin{array}{rl}& E{e}^{iu[Z(t)-Z(s)]+ivZ(s)}\\ =& E_{\mathbf{N}}{E}_{\xi }[e^{iu\sum _{j=N(s)}^{N(t)}{\xi }_j+iv\sum _{k=1}^{N(s)}{\xi }_k}]\\ =& E_{\mathbf{N}}\left(E_{\xi }{e}^{iu{\sum }_{j=N(s)+1}^{N(t)}{\xi }_j}\cdot E_{\xi }{e}^{iv{\sum }_{k=1}^{N(s)}{\xi }_k}\right)\\ =& E_{\mathbf{N}}\varphi (u{)}^{N(t)-N(s)}\cdot E_{\mathbf{N}}\varphi (v{)}^{N(s)}\\ =& E{e}^{iu[Z(t)-Z(s)]}E{e}^{ivZ(s)}\end{array}$$
   这就证明了独立增量性，再证明$E{e}^{iu[Z(t)-Z(s)]}=E{e}^{iuZ(t-s)}$即证明平稳增量性。

   证明两个随机变量$X,Y$独立，只需要证明以下等式成立（择一）：
   $$\begin{gathered} E{e}^{uX+vY}=E{e}^{uX}E{e}^{vY} \\ E{e}^{iuX+ivY}=E{e}^{iuX}E{e}^{ivY} \end{gathered}$$

复合泊松过程在实际应用中，常常用到全期望公式和期望与概率的关联式。全期望公式即
$$EY=E[E(Y|X)]=E{\int }_{-\infty }^{\infty }E(Y|X=x)d{F}_X(x)$$
当随机变量$X$为非负随机变量，即$X>0$时，有
$$EX={\int }_0^{\infty }xdF(x)={\int }_0^{\infty }{\int }_0^{x}dtdF(x)={\int }_0^{\infty }P(X>x)dt$$

当运用全期望公式时会经常需要计算条件概率，此时要联系$S_i$与$U_i$的关系换元计算。