第二课 : Poisson过程
1. 导言
先对照着第一节课内容的框架简单复习:
- 【什么是随机过程?】:既有时间维度也有随机属性的二元函数——同一概率空间上的一族随机变量.
- 【随机过程怎么刻画?】: 用有限维分布族刻画
- 【不同随机过程之间的关系】:版本、修正、不可区分、独立
- 【随机过程的数值特征】:均值、方差、自相关函数、协方差
- 【几类典型的随机过程】:独立增量过程、平稳独立增量过程、计数过程、Poisson过程.
2. Poisson过程定义及命题
定义: 设 N = { N ( t ) : t ≥ 0 } N=\{N(t):t \ge0\} N={
N(t):t≥0} 为计数过程, 且等待时间 { W k : k ∈ Z + } \{W_k:k \in Z^+\} {
Wk:k∈Z+} 独立同分布于 参数为 λ \lambda λ的指数分布 E x p ( λ ) Exp(\lambda) Exp(λ), 则称计数过程 N N N为强度为 λ \lambda λ的Poisson过程.
命题1: 设 N = { N ( t ) : t ≥ 0 } N=\{N(t):t \ge 0\} N={
N(t):t≥0} 为强度为 λ \lambda λ的Poisson过程,则 ∀ t ≥ 0 \forall t \ge 0 ∀t≥0 ,有 N ( t ) ∼ P o i ( λ t ) N(t) \sim Poi(\lambda t) N(t)∼Poi(λt) , 更一般的对 ∀ t , s > 0 \forall t,s >0 ∀t,s>0 , N ( t + s ) − N ( s ) ∼ P o i ( λ t ) N(t+s)-N(s) \sim Poi(\lambda t) N(t+s)−N(s)∼Poi(λt) .
命题1证明:
分析 → \to → 本质是要求出 P ( N ( t ) = k ) P(N(t)=k) P(N(t)=k) 到的概率, 即 N ( t ) N(t) N(t)的分布列.
P ( N ( t ) = k ) = P ( T k ≤ t < T k + 1 ) = P ( T k ≤ t < T k + W k + 1 ) P(N(t)=k)=P(T_k \le t <T_{k+1})=P(T_k \le t <T_k+W_{k+1}) P(N(t)=k)=P(Tk≤t<Tk+1)=P(Tk≤t<Tk+Wk+1)
这个式子中有2个变量 → \to → T k T_k Tk和 W k + 1 W_{k+1} Wk+1 , 由Poisson过程定义中等待时间独立同分布于指数分布知 T k T_k Tk和 W k W_k Wk相互独立, 且 T k ∼ Γ ( k , λ ) T_k \sim \Gamma(k,\lambda) Tk∼Γ(k,λ) , W k ∼ E x p ( λ ) W_k \sim Exp(\lambda) Wk∼Exp(λ)
(继续) P ( T k ≤ t < T k + W k + 1 ) = ∫ 0 t P ( T k ≤ t < T k + W k + 1 ∣ T k = u ) f T k ( u ) d u P(T_k \le t <T_k+W_{k+1})=\int_{0}^t P(T_k \le t <T_k+W_{k+1}|T_k=u)f_{T_k}(u)du P(Tk≤t<Tk+Wk+1)=∫0tP(Tk≤t<Tk+Wk+1∣Tk=u)fTk(u)du
【这一步其实是全概率公式, 两个变量固定一个求结果,再对固定的这个变量求一下所有情况的加权和】
(继续) ∫ 0 t P ( T k ≤ t < T k + W k + 1 ∣ T k = u ) f T k ( u ) d u = ∫ 0 t P ( u ≤ t < u + W k + 1 ∣ T k = u ) f T k ( u ) d u \int_{0}^t P(T_k \le t <T_k+W_{k+1}|T_k=u)f_{T_k}(u)du=\int_{0}^t P(u \le t <u+W_{k+1}|T_k=u)f_{T_k}(u)du ∫0tP(Tk≤t<Tk+Wk+1∣Tk=u)fTk(u)du=∫0tP(u≤t<u+W