泊松过程和维纳过程
关键词:独立增量过程
泊松过程和维纳过程是两个典型的随机过程,属于独立增量过程。
什么是独立增量过程呢?
在互不重叠的区间上,状态的增量是相互独立的
给定一个二阶矩过程:
{
X
(
t
)
,
t
≥
0
}
\{X(t),t\ge 0\}
{X(t),t≥0}称
X
(
t
)
−
X
(
s
)
,
0
≤
s
≤
t
X(t)-X(s),0\le s\le t
X(t)−X(s),0≤s≤t为随机过程在区间
(
s
,
t
]
(s,t]
(s,t]上的增量;
对于任何选中的正整数
n
n
n和任何选定的
0
≤
t
0
<
t
1
<
t
2
<
⋅
⋅
⋅
<
t
n
0\le t_0< t_1<t_2<···<t_n
0≤t0<t1<t2<⋅⋅⋅<tn,
n
n
n个增量:
X
(
t
1
)
−
X
(
t
0
)
,
X
(
t
2
)
−
X
(
t
1
)
,
⋅
⋅
⋅
,
X
(
t
n
)
−
X
(
t
n
−
1
)
X(t_1)-X(t_0),X(t_2)-X(t_1),···,X(t_n)-X(t_{n-1})
X(t1)−X(t0),X(t2)−X(t1),⋅⋅⋅,X(tn)−X(tn−1)互相独立,则称
{
X
(
t
)
,
t
≥
0
}
\{X(t),t\ge 0\}
{X(t),t≥0}为独立增量过程。
什么叫增量具有平稳性?
对任意的实数
h
h
h,
0
≤
s
+
h
<
t
+
h
0\le s+h< t+h
0≤s+h<t+h,
X
(
t
+
h
)
−
X
(
s
+
h
)
X(t+h)-X(s+h)
X(t+h)−X(s+h)和
X
(
t
)
−
X
(
h
)
X(t)-X(h)
X(t)−X(h)具有相同的分布。这时称增量具有平稳性。也就是说,增量的分布函数只依赖于时间差,而不是在于什么时候的分量(
t
、
s
t、s
t、s)。
当增量具有平稳性时,称相应的独立增量过程是齐次的或者时齐的。
1. 泊松过程
用 { N ( t ) , t ≥ 0 } \{N(t),t\ge 0\} {N(t),t≥0}表示一个计数过程,如图:
增量
N
(
t
0
,
t
)
N(t_0,t)
N(t0,t)表示增量内出现的点数,出现
k
k
k个点的概率为:
P
k
(
t
0
,
t
)
=
P
{
N
(
t
0
,
t
)
=
k
}
,
k
=
1
,
2
,
⋅
⋅
⋅
P_k(t_0,t)=P\{N(t_0,t)=k\}, \ k=1,2,···
Pk(t0,t)=P{N(t0,t)=k}, k=1,2,⋅⋅⋅
如果
N
(
t
)
N(t)
N(t)满足以下条件:
- 在互不重叠的区间上的增量具有独立性;
- 对于充分小的
Δ
t
\Delta t
Δt:
P 1 { N ( t , t + Δ t ) } = P { N ( t , t + Δ t ) = 1 } = λ Δ t + o ( Δ t ) P_1\{N(t,t+\Delta t)\}=P\{N(t,t+\Delta t)=1\}=\lambda \Delta t+o(\Delta t) P1{N(t,t+Δt)}=P{N(t,t+Δt)=1}=λΔt+o(Δt)其中 λ > 0 \lambda> 0 λ>0称为过程 N ( t ) N(t) N(t)的强度,而 o ( Δ t ) o(\Delta t) o(Δt)是 Δ t → 0 \Delta t \rightarrow 0 Δt→0时 Δ t \Delta t Δt的高阶无穷小。 - 对于充分小的
Δ
t
\Delta t
Δt:
∑ j = 2 + ∞ P j { N ( t , t + Δ t ) } = P { N ( t , t + Δ t ) = j } = o ( Δ t ) \sum _{j=2}^{+\infty} P_j\{N(t,t+\Delta t)\}=P\{N(t,t+\Delta t)=j\}=o(\Delta t) j=2∑+∞Pj{N(t,t+Δt)}=P{N(t,t+Δt)=j}=o(Δt) - N ( 0 ) = 0 N(0)=0 N(0)=0
条件2,3的意思是:在很小的时间间隔内,最多只有一个质点出现,而出现两个及以上质点的概率几乎为零
将满足此条件的计数过程
{
N
(
t
)
,
t
≥
0
}
\{N(t),t\ge 0\}
{N(t),t≥0}称为强度为
λ
\lambda
λ的泊松过程。
泊松分布的参数
λ
\lambda
λ是单位时间或单位面积内随机事件的平均发生率。
相应的质点流(或者说质点出现的随机时刻
t
1
,
t
2
,
⋅
⋅
⋅
t_1,t_2,···
t1,t2,⋅⋅⋅)称为强度为
λ
\lambda
λ的泊松流。
条件2,3也可以这样表述:
对任意的
t
>
t
0
≥
0
t>t_0\ge 0
t>t0≥0,增量:
N
(
t
)
−
N
(
t
0
)
∼
π
[
λ
(
t
−
t
0
)
]
N(t)-N(t_0)\sim \pi [\lambda(t-t_0)]
N(t)−N(t0)∼π[λ(t−t0)]即
P
{
N
(
t
)
−
N
(
t
0
)
=
k
}
=
e
−
λ
(
t
−
t
0
)
[
λ
(
t
−
t
0
)
]
k
k
!
,
k
=
1
,
2
,
⋅
⋅
⋅
P\{N(t)-N(t_0)=k\}=\frac{e^{-\lambda (t-t_0)}[\lambda (t-t_0)]^k}{k!},k=1,2,···
P{N(t)−N(t0)=k}=k!e−λ(t−t0)[λ(t−t0)]k,k=1,2,⋅⋅⋅
2. 维纳过程
什么又是维纳过程?
如果一个二阶矩
{
W
(
t
)
,
t
≥
0
}
\{W(t),t\ge 0\}
{W(t),t≥0}满足以下条件:
- 具有独立增量
- W ( 0 ) = 0 W(0)=0 W(0)=0
- 对任意的
t
>
s
≥
0
t>s\ge 0
t>s≥0,增量:
W ( t ) − W ( s ) ∼ N ( 0 , σ 2 ( t − s ) ) , σ > 0 W(t)-W(s)\sim N(0,\sigma^2(t-s)),\sigma >0 W(t)−W(s)∼N(0,σ2(t−s)),σ>0此过程称为维特过程
由条件3可知,维纳过程的分布至于时间差有关,所以它是齐次的独立增量过程
总的说来,泊松过程和维纳过程是两种齐次的独立增量过程。
只不过泊松过程的增量服从泊松分布,维纳过程的增量服从高斯分布
参考:
《概率论与数理统计》(浙大)