Poisson过程

Poisson过程

基本概念

• 初值给定的独立增量过程是马氏过程。
• poisson过程是一计数过程，增量平稳且独立，增量满足参数为$\lambda t$的poisson分布。即

P { N ( s + t ) − N ( s ) = k } = P { N ( t ) = k } = ( λ t ) k k ! e − λ t , k = 0 , 1 , 2 , ⋯ P\{N(s+t)-N(s)=k\}=P\{N(t)=k\}=\frac{(\lambda t)^{k}}{k!}e^{-\lambda t},k=0,1,2,\cdots P{N(s+t)−N(s)=k}=P{N(t)=k}=k!(λt)k​e−λt,k=0,1,2,⋯

E { N ( t ) } = λ t E\{N(t)\}=\lambda t E{N(t)}=λt

注意：研究poisson过程的时候一定要利用它增量独立的性质，尤其是算均值和相关的时候，把大一点的时间拆开。

poisson过程和指数分布的关系

• { N ( t ) } \{N(t)\} {N(t)}是计数过程
• { S n } \{S_n\} {Sn​}是第n个事件发生的时刻
• { X ( n ) = S n − S n − 1 } \{X(n)=S_n-S_{n-1}\} {X(n)=Sn​−Sn−1​}表示第n-1个事件和第n个事件发生的时间间隔，也就是第n-1个事件的寿命。
• { N ( t ) } \{N(t)\} {N(t)}是强度为$\lambda$的时齐poisson过程 ⟺ { X ( n ) } \Longleftrightarrow\{X(n)\} ⟺{X(n)}是独立且参数同为$\lambda$的指数分布。

P { N ( t ) = k } = ( λ t ) k k ! e − λ t , k = 0 , 1 , 2 , ⋯ P\{N(t)=k\}=\frac{(\lambda t)^{k}}{k!}e^{-\lambda t},k=0,1,2,\cdots P{N(t)=k}=k!(λt)k​e−λt,k=0,1,2,⋯

P { X ( n ) ≤ x } = 1 − e − λ x , x ≥ 0 P\{X(n)\leq x\}=1-e^{-\lambda x},x\geq 0 P{X(n)≤x}=1−e−λx,x≥0

剩余寿命和年龄

• $S_{N(t)}$表示在$t$时刻前最后一个事件发生的时刻，$S_{N(t)+1}$表示在$t$时刻后首次事件发生的时刻。年龄是指：$V(t)=t-S_{N(t)}$，剩余寿命是指：$W(t)=S_{N(t)+1}-t$。
• { N ( t ) } \{N(t)\} {N(t)}是强度为$\lambda$的时齐poisson过程$⟹$
  • $W(t)$和 { X n } \{X_n\} {Xn​}同分布
  • $V(t)$是截尾的指数分布

P { W ( t ) ≤ x } = { 1 − e − λ x 1 − e − λ t , 0 ≤ x < t 1 , t ≤ x P\{W(t)\leq x\}=\left\{\begin{array}{ll}\frac{1-e^{-\lambda x}}{1-e^{-\lambda t}}&,0\leq x< t\\1&,t\leq x\end{array}\right. P{W(t)≤x}={1−e−λt1−e−λx​1​,0≤x<t,t≤x​

到达时间的分布

齐次poisson过程，$N(t)=n$时， { S n } \{S_n\} {Sn​}的条件分布和n个在$[0,t]$上相互独立同均匀分布的顺序统计量的分布函数一样。
$$f(t_1,t_2,\cdots ,t_n)=\{\begin{array}{ll}\frac{n!}{t^n}& ,0<t_1<t_2<\cdots <t_n\le t\\ 0& ,else\end{array}$$

• 在$N(t)=1$时，$S_1$是$[0,t]$上的均匀分布（$X_1$也是）$⟹$poisson过程

例题

基本计算

判断是否是poisson过程：状态空间是非负整数。

判断是否平稳：计算均值（常数）和自相关函数（只与时间差有关）。

计算均值函数和相关函数：代到均值里化简，独立的就拆开，然后利用条件概率和全概率公式计算。

复合poisson过程：固定一个（把一个变为条件），然后一层一层算。要注意，个数服从poisson过程，时间间隔就服从指数分布。

计算$p(S_n=t)$：取两个时间$t-h,t$，则有$N(t-h)=n-1,N(h)=1$，计算概率然后令h趋于0。计算多次发生时间点的联合分布也是这样做，记得除以$h^n$。

计算$P(N(t)=n)$：利用$N(t),S_n$的关系。 { N ( t ) = n } = { S n < t } − { S n + 1 < t } \{N(t)=n\}=\{S_n<t\}-\{S_{n+1}<t\} {N(t)=n}={Sn​<t}−{Sn+1​<t}

$[0,t]$内顾客等待总时间、敲击损失

先算$N(t)=n$时的条件均值（ { S k } \{S_k\} {Sk​}均匀分布），再对$n=1,2,\cdots ,\infty$求均值。

更新过程

过滤的poisson过程

定义

$[0,T]$内有一串个数服从poisson分布的冲激脉冲串，经过线性时不变系统，滤波器输出是一随机过程：
$$\xi (t)={\Sigma }_{i=1}^{N(T)}h(t-S_i)$$
称作过滤的poisson过程。

基本假设

• 脉冲持续时间很短
• 因果性，即：$t<S_i$时，$h(t-S_i)=0$

统计特性

E { ξ ( t ) } = λ ∫ 0 T h ( y ) d y = λ α E\{\xi(t)\}=\lambda\int_0^Th(y)dy=\lambda \alpha E{ξ(t)}=λ∫0T​h(y)dy=λα

$C_{\xi \xi }(\tau )=\lambda {\int }_0^{T}h(y)h(y+\tau )dy$

D { ξ ( t ) } = λ ∫ 0 T [ h ( y ) ] 2 d y = λ β 2 D\{\xi(t)\}=\lambda\int_0^T[h(y)]^2dy=\lambda \beta^2 D{ξ(t)}=λ∫0T​[h(y)]2dy=λβ2

特征函数

Φ ξ ( t ) ( v ) = E { e j v ξ ( t ) } = exp ⁡ { λ ∫ 0 T [ exp ⁡ ( j v h ( y ) ) − 1 ] d y } \Phi_{\xi(t)}(v)=E\{e^{jv\xi(t)}\}=\exp\{\lambda\int_0^T[\exp(jvh(y))-1]dy\} Φξ(t)​(v)=E{ejvξ(t)}=exp{λ∫0T​[exp(jvh(y))−1]dy}

这个式子说明，$\xi (t)$的特征函数与$t$无关，$\xi (t)$是严平稳过程。

将$\xi (t)$进行标准化：$\eta (t)=\frac{\xi (t)-\lambda \alpha }{\sqrt{\lambda }\beta }$

令$\lambda \to \infty$可以得到：

$\lim {\Phi }_{\eta (t)}(v)=e^{-\frac{v^2}{2}}$

由特征函数与分布函数唯一确定性，我们知道当$\lambda \to \infty$ 时，$\eta (t)$是服从标准正态分布的随机变量。因此可知$\xi (t)$也是服从正态分布的随机变量。即单位时间内出现的平均脉冲数无限增大时，$\xi (t)$的极限分布是正态分布，这符合中心极限定理。