【随机过程】12 - 泊松过程的推广型

泊松过程的推广型

1. 泊松过程基本型回顾

1.1 性质

  泊松过程具有三个很重要的特性：独立增量特性、平稳增量特性以及稀疏性。同时，我们对泊松分布的研究主要集中在概率密度上，也就是时间t内事件发生次数的概率。

$$\begin{gathered} N(0)=0 \\ \text{Independent Increment} \\ \text{Stationary Increment} \\ \text{Sparsity} \\ \Rightarrow P(N(t)=k)=\frac{(\lambda t{)}^k}{k!}exp(-\lambda t) \end{gathered}$$

1.2 泊松分布与射击模型

  下面对泊松分布进行稍加说明

  泊松分布其实是射击模型的一种逼近。我们假设射击n次，每次射击命中率为P，那么射中k次的概率可以表示为

$$\begin{gathered} \text{Binomial Distribution} \\ P(Z=k)=C_n^k(P{)}^k(1-P{)}^{n-k} \end{gathered}$$

  现在对射击模型进行逼近，假设命中率P趋近于0，射击次数n趋近于无穷大，并且nP=λ是常数

$$\begin{gathered} P\to 0 \\ n\to \infty \\ nP=\lambda \end{gathered}$$

  我们可以计算一下这个射击模型的极限

$$\begin{gathered} P(Z=k)=C_n^k(\frac{\lambda }{n}{)}^k(1-\frac{\lambda }{n}{)}^{n-k} \\ li{m}_{n\to \infty }{C}_n^k(\frac{\lambda }{n}{)}^k(1-\frac{\lambda }{n}{)}^{n-k} \\ =li{m}_{n\to \infty }\frac{n!}{k!(n-k)!}(\frac{\lambda }{n}{)}^k(1-\frac{\lambda }{n}{)}^{-k}(1-\frac{\lambda }{n}{)}^n \\ =li{m}_{n\to \infty }\frac{{\lambda }^k}{k!}\frac{(n\ast (n-1)\ast ...\ast (n-k+1))}{n^k}(1-\frac{\lambda }{n}{)}^{-k}(1-\frac{\lambda }{n}{)}^n \\ =\frac{{\lambda }^k}{k!}\ast 1\ast 1\ast e^{-\lambda }=\frac{{\lambda }^k}{k!}{e}^{-\lambda } \end{gathered}$$

  我们就得到了泊松分布。泊松分布是二项分布的逼近。二项分布是射击模型。当命中率足够小，射击次数足够多，就变成了泊松分布。泊松是在等待，等待一个稀有事件的到来，因此泊松具有稀疏性。

$$\text{Waitting Rare Events}$$

$$\begin{gathered} Z\sim P(\lambda ) \\ E(Z)=\lambda \\ Var(Z)=\lambda \end{gathered}$$

2. 泊松过程的推广型

  我们知道，独立性、平稳性和稀疏性是泊松分布三个很重要的特性，下面，我们会逐渐的放松这些性质，可以得到更加实用性的泊松过程的推广型。

2.1 放宽平稳性

2.1.1 非平稳泊松过程

$$\text{Stationary}$$

  我们回忆，在计算泊松过程的母函数的时候，用到了平稳增量特性进行变换

$$E(Z^{N(t+\Delta t)-N(t)}-1)=E(Z^{N(\Delta t)}-1)$$

  现在没有平稳增量特性了，我们就需要使用原始的式子进行求解了

$$\begin{gathered} E(Z^{N(t+\Delta t)-N(t)}-1)=P(N(t+\Delta t)-N(t)=0)-1+ZP(N(t+\Delta t)-N(t)=1) \\ +\sum _{k\ge 2}{Z}^{k}P(N(t+\Delta t)-N(t)=k) \end{gathered}$$

  之前我们做的时候，利用平稳增量、独立增量特性可以把第一个概率证明出是指数函数,现在我们做额外的假设

$$\begin{gathered} \text{Let } \\ li{m}_{\Delta t\to 0}\frac{P(N(t+\Delta t)-N(t)=0)-1}{\Delta t}=-\lambda (t) \end{gathered}$$

  之前的结果是λ，是个确数。现在得到的是一个与时间t有关的函数

$$\begin{gathered} \frac{P(N(t+\Delta t)-N(t)=0)-1}{\Delta t}+\frac{P(N(t+\Delta t)-N(t)=1)}{\Delta t}(Z+\sum _{k\ge 2}{Z}^k\frac{P(N(t+\Delta t)-N(t)=k)}{P(N(t+\Delta t)-N(t)=1)}) \\ =\frac{P(N(t+\Delta t)-N(t)=0)-1}{\Delta t}+\frac{P(N(t+\Delta t)-N(t)=1)}{\Delta t}(Z+O(\Delta t)) \\ =-\lambda (t)+\lambda (t)Z \end{gathered}$$

  因此

$$\frac{d{G}_{N(t)}(Z)}{dt}=G_{N(t)}(Z)(-\lambda (t)+\lambda (t)Z)$$

  得到了一个变系数微分方程

$$\Rightarrow G_{N(t)}(Z)=exp((Z-1){\int }_0^t\lambda (s)ds)$$

  与平稳增量的结果进行对比

$$G_{N(t)}(Z)=exp(-\lambda t)exp(\lambda Zt)=exp((Z-1)\lambda t)$$

  根据泊松分布的母函数形式来看，放宽平稳增量特性之后，得到的仍然是个泊松分布。现在这种泊松过程叫做非齐次泊松过程或者叫非平稳泊松过程

$$\text{Non-Homogenous Posisson}$$

  如果强度是个常数了之后，非平稳泊松过程是可以变回泊松过程的
$$\lambda (s)=\lambda \Rightarrow {\int }_0^t\lambda (s)ds=\lambda t$$

  非平稳泊松过程意味着，在不同时刻，事件发生的强度是不同的，这就给之前网络的模型提供了更加好的模型。因为可以描述半夜三点和下午三点网络流量不同的这种情况了。

2.2 放宽稀疏性

2.3.1 复合泊松过程

  下面，我们要改变一下泊松过程的跳跃规律。因此每次事件发生的时候，都认为是让当前计数值加一，也就是跳高一步。现在我们要改变这个跳跃规律，让每次事件发生的时候跳起来的高度有所变化。

  这个需要是非常有用的。比如我们研究网络流量的时候，数据包的数量往往是不定长的。也就是每次网络事件发生的时候，数据包增加的量也是个随机变量

  我们对泊松过程做一些修改

Y ( t ) = ∑ k = 1 N ( t ) X k X k ∼ i . i . d . { X k }  independent of  N ( t ) Y(t) = \sum_{k=1}^{N(t)} X_k \\ X_k \sim i.i.d. \\ \{ X_k\} \text{ independent of } N(t) Y(t)=k=1∑N(t)​Xk​Xk​∼i.i.d.{Xk​} independent of N(t)

  每个事件X都是独立同分布的。然后事件X与事件发生的次数N(t)之间也是独立的。

  这个新的随机过程中，包含了两个随机因素。一方面(0,t)内事件发生的次数是随机的。然后X是随机的，也就是每次事件发生带来的影响是不一定的。

  我们想了解这个新的随机过程的概率。先从Y(t)的母函数开始计算

$$G_{Y(t)}(Z)=E(Z^{Y(t)})=E(Z^{{\sum }_{k=1}^{N(t)}{X}_k})$$

  因为里面有两个随机变量，所以要使用条件期望，逐个求解

$$\begin{gathered} E(Z^{{\sum }_{k=1}^{N(t)}{X}_k})=E_N(E_X(Z^{{\sum }_{k=1}^n{X}_k})|N(t)=n) \\ =E_N(E_X(\prod _{k=1}^n{Z}^{X_k})|N(t)=n) \\ =E(\prod _{k=1}^{N(t)}E(Z^{X_k}))=E(E(Z^{X_1}{)}^{N(t)}) \end{gathered}$$

  其中,底数可以替换成X的母函数

$$G_{X_1}(Z)=E(Z^{X_1})$$

$$\begin{gathered} \text{Then } \\ {G}_{Y(t)}(Z)=E(Z^{{\sum }_{k=1}^{N(t)}{X}_k})=E(G_{X_1}(Z{)}^{N(t)}) \end{gathered}$$

  令

$$\text{Let}\tilde{Z}=G_{X_1}(Z)$$

$$\begin{gathered} \text{Then } \\ {G}_{Y(t)}(Z)=E(Z^{{\sum }_{k=1}^{N(t)}{X}_k})=E({\tilde{Z}}^{N(t)}) \\ =G_{N(t)}(\tilde{Z}){|}_{\tilde{Z}=G_{X_1}(Z)} \end{gathered}$$

  我们把结果代入N(t)的母函数中

$$G_{N(t)}(Z)=exp(\lambda t(Z-1))$$

$$G_{Y(t)}(Z)=G_{N(t)}(\tilde{Z}){|}_{\tilde{Z}=G_{X_1}(Z)}=G_{N(t)}(G_{X_1}(Z))=exp(\lambda t(G_{X_1}(Z)-1))$$

  如果我们想要退回到一般的泊松分布，我们仅仅需要让每次事件的变化即是+1即可

$$\begin{gathered} Y(t)=\sum _{k=1}^{N(t)}{X}_k \\ {X}_k\equiv 1 \end{gathered}$$

$$G_{X_k}(Z)=E(Z^{X_k})=E(Z)=Z$$
$$G_{Y(t)}(Z)=exp(\lambda t(G_{X_1}(Z)-1))=exp(\lambda t(Z-1))$$

  我们得到的这个过程叫做复合泊松过程

$$\text{Compound Poisson}$$

  非平稳泊松过程是从平稳性出发做的推广，改变的是泊松分布的强度。现在改变的是每一次事件发生对泊松造成的影响，让每一次事件的影响不是次数+1了，而是有了不同的影响。

2.3.2 复合泊松过程举例

$$\text{Thining}$$

  现在对复合泊松分布进行举例说明。假设同学们按照泊松分布来上学，然后每次进来的是男生§和女生(1-p)的概率是已知的，现在统计到学校的男生人数服从什么分布

$$\left(\begin{array}{cc}p& 1-p\\ M& F\end{array}\right)$$

  我们假设总人数的分布是N(t),男生人数分布是M(t),女生人数的分布是F(t)

$$N(t)M(t)F(t)$$

  我们给M(t)进行定义,事件X服从两点分布

$$\begin{gathered} M(t)=\sum _{k=1}^{N(t)}{X}_k \\ {X}_k\sim \left(\begin{array}{cc}p& 1-p\\ 1& 0\end{array}\right) \end{gathered}$$

  因此，这是一个复合泊松分布，求母函数

$$\begin{gathered} G_{M(t)}(Z)=E(Z^{M(t)}) \\ =exp(\lambda t(G_{X_1}(Z)-1)) \end{gathered}$$

$$G_{X_1}(Z)=E(Z_1^X)=Z^{1}p+Z^0(1-p)=PZ+(1-p)$$

  可得

$$\begin{gathered} G_{M(t)}(Z)=exp(\lambda t(pZ+(1-p)-1)) \\ =exp(\lambda pt(Z-1)) \end{gathered}$$

  得到的仍然是一个泊松分布，强度是λp

  这里继续举一个例子，如果是来的人服从泊松分布，但是第一个来的人计数，第二个不计数，这样得到的分布不是泊松分布。因为破坏了无记忆性。

2.3.3 泊松过程的和

  下面说明，两个泊松过程做和得到的是否还是泊松过程。假设两个泊松过程是独立的

$$\begin{gathered} N_1(t){\lambda }_1 \\ {N}_2(t){\lambda }_2 \\ N(t)=N_1(t)+N_2(t) \end{gathered}$$

  我们可以用母函数来处理和的问题

$$\begin{gathered} G_{N(t)}(Z)=E(Z^{N_1(t)+N_2(t)}) \\ =E(Z^{N_1(t)})E(Z^{N_2(t)}) \\ =exp({\lambda }_{1}t(Z-1))exp({\lambda }_{2}t(Z-1)) \\ =exp(({\lambda }_1+{\lambda }_2)t(Z-1)) \end{gathered}$$

  可以发现两个泊松过程的和仍然是泊松过程

2.3.4 泊松过程的差

  下面来继续分析两个独立泊松过程的差是否还是个泊松过程

$$N(t)=N_1(t)-N_2(t)$$

  事实上，这一定不是个泊松过程，因为N(t)是可能小于0的

$$P(N_1(t)-N_2(t)<0)\cancel{=}0$$

  泊松过程是一个计数过程，不可能小于0。因此，这一定不是是泊松过程。但是我们可以计算一下这个函数的母函数进行分析

$$\begin{gathered} G_{N(t)}(Z)=E(Z^{N_1(t)-N_2(t)}) \\ =E(Z^{N_1(t)})E(Z^{-N_2(t)}) \\ =E(Z^{N_1(t)})E((\frac{1}{Z}{)}^{N_2(t)}) \\ =exp({\lambda }_{1}t(Z-1))exp({\lambda }_{2}t(\frac{1}{Z}-1)) \\ =exp(({\lambda }_1+{\lambda }_2)t(\frac{{\lambda }_1}{{\lambda }_1+{\lambda }_2}Z+\frac{{\lambda }_2}{{\lambda }_1+{\lambda }_2}{Z}^{-1}-1)) \end{gathered}$$

  我们可以看到，这是一个复合泊松分布。

$$G_X(Z)=\frac{{\lambda }_1}{{\lambda }_1+{\lambda }_2}Z+\frac{{\lambda }_2}{{\lambda }_1+{\lambda }_2}{Z}^{-1}$$

  这是一个伯努利分布的母函数

$$X\sim \left(\begin{array}{cc}1& -1\\ \frac{{\lambda }_1}{{\lambda }_1+{\lambda }_2}& \frac{{\lambda }_2}{{\lambda }_1+{\lambda }_2}\end{array}\right)$$

  因此我们可以看到，两个泊松分布的和是泊松，两个泊松的差是复合泊松

  上图是两个泊松差的事件发生情况

2.3.5 复合泊松与稀疏性

  事实上，复合泊松分布是在稀疏性上放宽的要求得到的一种分布

  我们对稀疏性的解析定义是这样的

$$li{m}_{\Delta t\to 0}\frac{P(N(\Delta t)\ge 2)}{P(N(\Delta t)=1)}=0$$

  现在我们取消稀疏性的限制，让每一个事件发生的概率都存在，也就是

$$li{m}_{\Delta t\to 0}\frac{P(N(\Delta t)=k)}{P(N(\Delta t)\ge 1)}=P_k$$

  我们继续从泊松过程证明过程出发，把稀疏性的部分进行替换

$$\begin{gathered} \frac{E(Z^{N(\Delta t)}-1)}{\Delta t}=\frac{P(N(\Delta t)=0)-1}{\Delta t}+\frac{ZP(N(\Delta t)=1)+{\sum }_{k\ge 2}{Z}^{k}P(N(\Delta t)=k)}{\Delta t} \\ =\frac{P(N(\Delta t)=0)-1}{\Delta t}+\frac{{\sum }_{k\ge 1}{Z}^{k}P(N(\Delta t)=k)}{\Delta t} \\ =\frac{P(N(\Delta t)=0)-1}{\Delta t}+\frac{P(N(\Delta t)\ge 1)}{\Delta t}\frac{{\sum }_{k\ge 1}{Z}^{k}P(N(\Delta t)=k)}{P(N(\Delta t)\ge 1)} \\ =\frac{P(N(\Delta t)=0)-1}{\Delta t}+\frac{P(N(\Delta t)\ge 1)}{\Delta t}\sum _{k\ge 1}{Z}^k{P}_k \\ =\frac{P(N(\Delta t)=0)-1}{\Delta t}+\frac{1-P(N(\Delta t)=0)}{\Delta t}\sum _{k\ge 1}{Z}^k{P}_k \\ =-\lambda +\lambda \sum _{k\ge 1}{Z}^k{P}_k \end{gathered}$$

$$\begin{gathered} \text{Let }G(Z)=\sum _{k\ge 1}{Z}^k{P}_k \\ \text{Then } \\ \frac{E(Z^{N(\Delta t)}-1)}{\Delta t}=-\lambda +\lambda G(Z) \end{gathered}$$

  得到母函数的微分方程

$$\frac{d{G}_{N(t)}(Z)}{dt}=G_{N(t)}(Z)(-\lambda +\lambda G(Z))$$

$$G_{N(t)}=exp(\lambda t(G(Z)-1)$$

  我们比较一下放宽稀疏性和复合泊松得到的母函数

$$\begin{gathered} G(Z)=\sum _{k\ge 1}{P}_k{Z}^k{P}_k=li{m}_{\Delta t\to 0}\frac{P(N(\Delta t)=k)}{P(N(\Delta t)\ge 1)}\text{Sparsity} \\ {G}_{X_1}(Z)=\sum _{k\ge 1}\widetilde{P_k}{Z}^k\widetilde{P_k}=P(X_1=k)\text{Compound} \end{gathered}$$

  我们发现二者是极其相似的

2.3 放宽独立性

  接下来，我们会放宽独立增量特性。但是对于泊松过程来说，独立增量特性是一个极其重要的性质。放弃了这个性质，我们之前用来做泊松过程解析计算的方法就变得寸步难行

2.3.1 案例引入

  我们先举一个小例子进行引入

  我们假设有一个泊松过程N(t)，强度是λ，这个泊松分布四段事件发生的间隔是T1，T2，T3，T4。四次事件发生的时刻是S1，S2，S3，S4,求一个条件期望E(S4|N(1)=2)，就是在第一个时间段内事件发生了两次的前提下，计算第四次事件发生的时间的均值

$$\begin{gathered} N(t)\lambda T_1,T_2,T_3,T_4{S}_1,S_2,S_3,S_4 \\ E(S_4|N(1)=2) \end{gathered}$$

  我们可以把这个条件期望转换为一段时间内事件发生的次数

$$E(S_4|N(1)=2)$$

  因此，我们先从条件分布开始求,我们想求在第一个时间段内发生两次的条件下，第四个事件发生时间的分布，也就是第一个时刻发生两次，并且后面的时间段发生至少两次的概率

$$\begin{gathered} F_{S_4}(t|N(1)=2)=P(S_4\le t|N(1)=2)=\frac{P(S_4\le t,N(1)=2)}{P(N(1)=2)} \\ =\frac{P(N(1)=2,N(t)-N(1)\ge 2)}{P(N(1)=2)} \\ =\frac{P(N(1)=2)P(N(t)-N(1)\ge 2)}{P(N(1)=2)} \\ =P(N(t)-N(1)\ge 2) \\ =P(N(t-1)\ge 2)=1-P(N(t-1)=0)-P(N(t-1)=1) \\ =1-exp(-\lambda (t-1))-\lambda (t-1)exp(-\lambda (t-1)) \end{gathered}$$

  求导和积分之后就能够得到这个概率

$$\begin{gathered} f_{S_4}(t|N(1)=2)=\frac{d{F}_{S_4}(t|N(1)=2)}{dt} \\ E(S_4|N(1)=2)={\int }_0^{+\infty }t{f}_{S_4}(t|N(1)=2)dt \\ =1+\frac{2}{\lambda } \end{gathered}$$

2.3.2 Inspection Paradox

  针对2.3.1中的案例，我们还有其他角度可以进行理解

  因为我们要求的是第一个时间段发生了两次事件，第四个时间段的分布函数。那么我们必定是已经有了1个时间了。而从第一个时刻往后看，后面两次事件发生的间隔是两个指数分布。指数分布的期望是1/λ，因此，我们可以直接得到

$$E(S_4|N(1)=2)=1+\frac{2}{\lambda }$$

  这个事情看起来非常的矛盾，因为按理来说，应该两个事件发生的间隔是个指数分布，而不应该从T1时间段之后开始算。这样的话，得到的期望应该比1/λ小才对,但是实际上却能够得到正确的答案。

  我们来分析这样一问题

  假设有第t次发生事件的时刻和第t+1次发生事件的时刻，然后我们中间选了一个时间t，问画圈的这个三个时间间隔，都是什么分布。我们可以来计算一下

$$\begin{gathered} S_{N(t+1)}-S_{N(t)} \\ A(t):t-S_N(t) \\ B(t):S_{N(t+1)}-t \end{gathered}$$

  首先来看A(t)和B(t)的分布情况，我们计算一下(x,y)之间的分布情况

$$P(x>A(t),y>B(t))$$

  如果我们用上面这个概率计算不太好，因为我们不能确定x+y这段时间内事件发生的次数，如果把时间段限定在(A(t)+B(t))之内能够确定事件发生了0次，所以我们修改一下概率表达式

$$\begin{gathered} P(A(t)>x,B(t)>y)=P(N(x+y)=0)=exp(-\lambda (x+y)) \\ x\ge 0y\ge 0 \end{gathered}$$

  然后就可以计算A(t)和B(t)的分布函数了

$$\begin{gathered} P(B(t)>y)=P(A(t)>0,B(t)>y)=exp(-\lambda y) \\ P(A(t)>x)=P(A(t)>x,B(t)>0)=exp(-\lambda x) \end{gathered}$$

  我们发现A(t)和B(t)确实是指数分布。不过，由于A(t)最左边是零点，不能继续延伸了，A(t)实际上上指数分布的延伸。而B(t)是严格的指数分布

  再来看看S_N(t+1)-S_N(t)这个时间间隔的分布情况。按理来说，两个事件发生的间隔时间确实应该是个指数分布。但是这样就不对了，因为里面两个小的时间分布都是指数，外面还是指数分布。这个情况叫做检验悖论

$$\text{Insepction Paradox}$$

$$P(S_{N(t+1)}-S_{N(t)}\le t)=E_{N(t)}(P(S_{n+1}-S_n\le t|N(t)=n))=E(1-exp(-\lambda t))=1-exp(-\lambda t)\text{x}$$

  按照上面的条件期望求法，两个事件发生间隔的分布应该也是指数分布。但是这么做是错的，因为条件概率后面的条件必须对前面没有影响，这里给的条件会影响前面的分布。0，t内事件发生的次数一旦给定了，事件发生的间隔的分布就变了

2.3.3 间隔时间条件分布求解–微元法引入

(1) t时刻内发生了1次

  下面我们来求一下，第t+1个事件发生时间和第t个事件发生时间这段间隔的分布。上面说了，增加了一个条件之后，这段时间间隔的分布会受到影响，因此按照上面的条件概率计算方法是错误的。

  我们先举一个例子，假设时间t内只发生了一次事件，然后我们计算第一次事件发生间隔的分布。现在我们既不用但是这段时间内它不发生，也不用担心会发生很多次。因此，这段时间，我们就等着这个事件发生就行，感觉像是一个均匀分布,然后我们计算一下，这段时间发生间隔的分布

$$\begin{gathered} N(t)=1S \\ {F}_S(x|N(t)=1)=P(S\le x|N(t)=1)=\frac{P(S\le x,N(t)=1)}{P(N(t)=1)} \\ =\frac{P(N(x)=1,N(t)-N(x)=0)}{P(N(t)=1)}=\frac{P(N(x)=1)P(N(t)-N(x)=0)}{P(N(t)=1)} \\ =\frac{\lambda xexp(-\lambda x)exp(-\lambda (t-x))}{\lambda texp(-\lambda t)}=\frac{x}{t} \end{gathered}$$

  对x求导就得到了概率密度

$$f_s(x|N(t)=1)=\frac{d}{dx}{F}_S(x|N(t)=1)=\frac{1}{t}$$

  因此在t时刻内只发生1次的基础上求事件发生时刻S的分布，是个均匀分布。而本来第一次事件发生的这个时刻，也就是第一段时间的分布，是个指数分布

$$S|N(t)=1\sim U(0,t)$$

(2) t时刻内发生了2次

  现在我们修改一下条件，我们假设t时刻内发生了2次事件，我们要求一下s1和s2事件发生时刻的联合分布
$$F_{s_1,s_2}(x_1,x_2|N(t)=2)=P(s_1\le x_1,s_2\le x_2|N(t)=2)$$

  因为对于泊松过程有关的分布，我们必须把概率转换为单位时间内发生的次数才能计算。但是这样不好转换，因为s1和s2发生在什么位置没法确定，需要分情况讨论。如果这么做的话，事件发生的一多，就没有办法求解了

  因此，对于这种问题，比较好的是引入微元法进行处理,我们对事件的发生做双边限制。假设微元delta x₁和delta x₂中分别发生了一次事件，其他地方没有发生。不过两个事件也可能挤在一个微元里，但是由于概率非常低，是高阶无穷小，取极限后就没了。并且求得的概率除以这个微元之后，得到的就是联合概率密度

$$\text{Microcell}$$

$$f_{s_1,s_2}(x_1,x_2|N(t)=2)=\frac{P(x_1\le S_1\le x_1+\Delta x_1,x_2<S_2\le x_2+\Delta x_2|N(t)=2)}{\Delta x_1\Delta x_2}$$
  做了双边限制以后，区域就可以分成五段了

$$\begin{gathered} P(x_1\le S_1\le x_1+\Delta x_1,x_2<S_2\le x_2+\Delta x_2|N(t)=2) \\ =P(N(x_1)=0,N(x_1+\Delta x_1)-N(x_1)=1, \\ N(x_2)-N(x_1+\Delta x_1)=0,N(x_2+\Delta x_2)-N(x_2)=1,N(t)-N(x_2+\Delta x_2)=0|N(t)=2) \end{gathered}$$

  由于独立增量特性和平稳增量特性，概率可以独立出来，并且三段没有事件发生的区域可以合并

$$\begin{gathered} P(x_1\le S_1\le x_1+\Delta x_1,x_2<S_2\le x_2+\Delta x_2|N(t)=2)= \\ P(N(t-\Delta x_1-\Delta x_2)=0,N(x_1+\Delta x_1)-N(x_1)=1,N(x_2+\Delta x_2)-N(x_2)=1|N(t)=2) \\ =\frac{P(N(t-\Delta x_1-\Delta x_2)=0)P(N(x_1+\Delta x_1)-N(x_1)=1)P(N(x_2+\Delta x_2)-N(x_2)=1)}{P(N(t)=2)} \\ =\frac{exp(-\lambda (t-\Delta x_1-\Delta x_2))\lambda (\Delta x_1)exp(-\lambda x_1)\lambda \Delta x_2(-\lambda \Delta x_2)}{\frac{(\lambda t{)}^{2}exp(-\lambda t)}{2!}} \\ =2\frac{\Delta x_1\Delta x_2}{t^2}(0\le x_1\le x_2\le t) \end{gathered}$$

  然后就得到了联合概率密度
$$\begin{gathered} f_{s_1,s_2}(x_1,x_2|N(t)=2)=\frac{P(x_1\le S_1\le x_1+\Delta x_1,x_2<S_2\le x_2+\Delta x_2|N(t)=2)}{\Delta x_1\Delta x_2} \\ =\frac{2}{t^2}(0\le x_1\le x_2\le t) \end{gathered}$$

  注意，我们这个事情在做的时候，已经默认了x1和x2发生是有先后次序的，因此我们必须把这个成立条件放到后面。否则这个联合概率密度积分不是1。

  事实上，我们发现，t时刻内发生了2次的分布，还是一个均价分布，不过这个两次事件的发送不具有独立性，是有顺序关系的。

(3) t时刻内发生了n次

  下面我们来计算t时刻内发生了n次事件的联合分布,我们可以直接写出来这个结果

$$\begin{gathered} P(x_1<S_2\le x_1+\Delta x_1,...,x_n<S_n\le x_n+\Delta x_n|N(t)=n) \\ =\frac{exp(-\lambda (t-\Delta x_1-...-\Delta x_n){\prod }_{k=1}^n{\lambda }_k\Delta x_{k}exp(-\lambda \Delta x_k)}{\frac{(\lambda t{)}^n}{n!}exp(-\lambda t)} \\ =n!\frac{\Delta x_1\ast ...\ast \Delta x_n}{t^n}=\frac{n!}{t^n}\prod _{k=1}^n\Delta x_k(0\le x_1\le ...\le x_n\le t) \end{gathered}$$

  联合概率密度

$$f_{S_1,..,S_n|N(t)=n}=\frac{n!}{t^n}(0\le x_1\le ...\le x_n\le t)$$

  我们又得到了一个均匀，但是又不独立的分布。

2.3.4 顺序统计量

  接下来我们引入一个顺序统计量的概念

Order Statistics { Z 1 , Z 2 , . . . , Z n } ∼ ( i . i . d ) f Z ( x ) \text{Order Statistics} \\ \{Z_1,Z_2,...,Z_n \} \sim(i.i.d) \quad f_Z(x) Order Statistics{Z1​,Z2​,...,Zn​}∼(i.i.d)fZ​(x)

  我们假设有n个独立同分布的随机变量

  Y1到Yn分别对应着(Z1,…,Zn)中第1小，第2小，…,第n小的随机变量

$$\begin{gathered} Y_1=min(Z_1,...,Z_n) \\ {Y}_2=mi{n}_2(Z_1,...,Z_n) \\ ... \\ {Y}_n=max(Z_1,...,Z_n) \end{gathered}$$

  得到的Y₁,…,Y_n就叫做顺序统计量

$$(Y_1,...,Y_n)\text{ is order Statistics of }(Z_1,...,Z_n)$$

  这里需要解释一下随机变量的最小值和最大值。他们并不是指代Z里面具体的随机变量，Y仍然是个随机变量。随机变量是个函数，是样本空间映射到实数轴的函数

  比如蓝色线是Z1的样本轨道，黄色线是Z2的样本轨道，橙色线就是min(Z1,Z2)

  顺序统计量的不独立的

2.3.5 顺序统计量的分布

  下面我们尝试来计算一下顺序统计量的分布

(1)最大值的分布

  首先我们来算一下最大值的分布

$$\begin{gathered} Y_n=max(Z_1,...,Z_n) \\ {F}_{Y_n}(y)=P(z_1\le y,...,z_n\le y)=(P(Z_1\le y){)}^n=(F_Z(y){)}^n \\ {f}_{Y_n}(y)=\frac{d{F}_{Y_n}(y)}{dy}=n(F_Z(x){)}^{n-1}{F}_Z^{\prime }(x)=n(F_Z(x){)}^{n-1}{f}_Z(x) \end{gathered}$$

(2) 最小值的分布

  然后一算一下最小值的分布

$$\begin{gathered} Y_1=min(Z_1,...,Z_n) \\ {F}_{Y_1}(y)=P(Y_1\le y)=1-P(Y_1>y) \\ =1-P(y<Z_1,...,y<Z_n) \\ =1-P(y<Z_1)...P(y<Z_n) \\ =1-(1-P(y>Z_1))...(1-P(y>Z_n)) \\ =1-(1-F_Z(y){)}^n \\ \Rightarrow f_{Y_1}(y)=n(1-F_Z(y){)}^{n-1}{f}_Z(y) \end{gathered}$$

(3) 顺序统计量的一元分布

  我们可以直接求最大值的分布，也可以用差值的方法表示最小值的分布。但是中间的那些顺序统计量就不容易表示了。

$$\begin{gathered} Y_k \\ {F}_{Y_k}(y)=P(Y_k<y)? \end{gathered}$$

  我们可以用微元法进行处理

$$F_{Y_k}(y+\Delta y)-F_{Y_k}(y)=P(y<Y_k\le y+\Delta y)$$

  这个式子除以delta y，再令delta y 趋近于0，即可得到概率密度

$$\begin{gathered} P(Z<y)=F_Z(y) \\ P(Z>y+\Delta y)=1-P(Z<y+\Delta y)=1-F_Z(y+\Delta y) \\ P(y<Z<y+\Delta y)=F_Z(y+\Delta y)-F_Z(y) \end{gathered}$$

  我们计算一下这个式子,这个式子可以把区间划分为三段,前面有k-1个Z比y小，后面有n-k+1个Z比y+delta y 大，然后再乘y到y+delta y的分布即可

$$\begin{gathered} F_{Y_k}(y+\Delta y)-F_{Y_k}(y)=P(y<Y_k\le y+\Delta y) \\ =(F_Z(y){)}^{k-1}(1-F_Z(y+\Delta y){)}^{n-k}(F_Z(y+\Delta y)-F_Z(y)) \end{gathered}$$

  但是只是这么表达还不够，因为我们不知道是哪k-1个随机变量Z在前面，哪个随机变量Z在中间，哪n-k个随机变量Z在后面，我们这么求的概率只是其中一种情况。我们还需要加入组合数

$$\begin{gathered} Z_1,(Z_2),Z_3 \\ {Z}_2,(Z_1),Z_3 \\ ... \end{gathered}$$
  引入组合数

$$\begin{gathered} F_{Y_k}(y+\Delta y)-F_{Y_k}(y)=P(y<Y_k\le y+\Delta y) \\ =C_n^{k-1}{C}_{n-k+1}^{n-k}{C}_1^1(F_Z(y){)}^{k-1}(1-F_Z(y+\Delta y){)}^{n-k}(F_Z(y+\Delta y)-F_Z(y)) \end{gathered}$$

  我们就可以得到Y_k的概率密度函数了

$$\begin{gathered} f_{Y_k}(y)=li{m}_{\Delta y\to 0}\frac{F_{Y_k}(y+\Delta y)-F_{Y_k}(y)}{\Delta y} \\ =li{m}_{\Delta y\to 0}\frac{C_n^{k-1}{C}_{n-k+1}^{n-k}{C}_1^1(F_Z(y){)}^{k-1}(1-F_Z(y+\Delta y){)}^{n-k}(F_Z(y+\Delta y)-F_Z(y))}{\Delta y} \\ =C_n^{k-1}{C}_{n-k+1}^{n-k}{C}_1^1(F_Z(y){)}^{k-1}li{m}_{\Delta y\to 0}(1-F_Z(y+\Delta y){)}^{n-k}li{m}_{\Delta y\to 0}\frac{F_Z(y+\Delta y)-F_Z(y)}{\Delta y} \\ =C_n^{k-1}{C}_{n-k+1}^{n-k}(F_Z(y){)}^{k-1}(1-F_Z(y){)}^{n-k}{f}_Z(y) \end{gathered}$$

  然后我们就得到了顺序统计量的一元分布

(4) 顺序统计量的二元分布

  我们继续再来分析顺序统计量的二元分布，依旧使用微元法

  我们可以直接写出这分布函数,由于k和m有顺序，需要进行标注

$$\begin{gathered} f_{Y_k,Y_m}(y_k,y_m)=C_n^{k-1}{C}_{n-k+1}^1{C}_{n-k}^{m-k+1}{C}_{n-m+1}^1{C}_{n-m}^{n-m}\ast \\ (F_Z(y_k){)}^{k-1}{f}_Z(y_k)(F_Z(y_m)-F_Z(y_k){)}^{m-k+1}{f}_Z(y_m)(1-F_Z(y_m){)}^{n-m} \\ (y_k\le y_m) \end{gathered}$$

(5) 顺序统计量的n元分布

  要写顺序

$$\begin{gathered} f_{Y_1,...,Y_n}(y_1,...,y_n)=C_n^1{C}_{n-1}^1...C_1^1{f}_Z(y_1)...f_Z(y_n) \\ =n!f_Z(y_1)...f_Z(y_n) \\ (y_1\le y_2\le ...\le y_n) \end{gathered}$$

  现在我们知道了，我们限制(0,t)内事件发生n次，然后求n个事件发生时刻的联合分布，其实得到的就是一个顺序统计量的n元分布

2.3.6 顺序统计量的应用

  顺序统计量可以用来计算设备的寿命。因为如果器件是串联的，寿命取决于器件寿命的最小值。如果器件是并联的，寿命取决于器件寿命的最大值，如果又有串联又有并联，我们就需要既取出最小值，又要取出最大值。

2.3.7 过滤泊松过程

  有了顺序统计量之后，我们就可以放松独立增量性质了。

(1) 独立增量的本质

$$\text{Independent Increment}$$

  在放松独立增量性质之前，我们首先要考虑，独立增量的本质是什么。我们知道平稳增量影响的是事件发生的强度，稀疏性影响的是每次事件发生的影响。

  我们可以发现，之所以时间差之间是独立的，其根本原因在于，每次事件发生，对系统产生了影响之后，其输入和输出是一样的。因此，可以通过两个时刻做差的形式，让前面产生的影响与后面抵消掉。也就是说，独立性的本质在于，系统对事件的时间响应是直线。一旦响应随着时间的变化不是固定的了，独立增量特性就消失了。

  因此，如果我们想要放松独立增量特性，只要让这个台阶不平就行。

(2) 过滤泊松过程模型的建立

  然后我们就可以建立新的模型了

$$Z(t)=\sum _{k=1}^{N(t)}{Z}_k(t,S_k)$$

  我们让每次事件的影响不但与时间t有关，还与事件发生的时刻有关。

  这个模型依赖于三个随机变量，事件发生的次数N(t)是随机变量，事件发生的时间S_k是随机变量，事件发生的影响Zk也是随机变量

(3) 分布函数求解

  下面，我们想求这个随机过程的分布函数。我们用特征函数来进行求解

$${\varphi }_{Z(t)}(\omega )=E(exp(j\omega Z(t)))=E(exp(j\omega \sum _{k=1}^{N(t)}{Z}_k(t,S_k)))$$

  用条件概率来进行处理。我们同时限制事件发生时间和次数，来求事件发生影响的期望

$$\begin{gathered} {\varphi }_{Z(t)}(\omega )=E_{N(t),S_k}(E_{Z_k}(exp(j\omega \sum _{k=1}^{N(t)}{Z}_k(t,S_k))|S_1,...,S_n,N(t)=n)) \\ =E_{N(t),S_k}(\prod _{k=1}^{N(t)}{E}_{Z_k}(exp(j\omega Z_k(t,S_k)))) \\ \text{Let }{B}_k(t,S_k)=E(exp(j\omega Z_k(t,S_k))) \\ \text{Then } \\ {\varphi }_{Z(t)}(\omega )=E_{N(t),S_k}(\prod _{k=1}^{N(t)}{B}_k(t,S_k)) \\ =E_{N(t)}(E_{S_k}(\prod _{k=1}^n{B}_k(t,S_k)|N(t)=n)) \end{gathered}$$

  现在就变成了，我们现在(0,t)内事件发生了n次，求n个事件的联合分布的问题了

$$\begin{gathered} E_{N(t)}(E_{S_k}(\prod _{k=1}^n{B}_k(t,S_k)|N(t)=n)) \\ =E_{N(t)}(\int ...{\int }_{0\le S_1\le ...\le S_n}\prod _{k=1}^n{B}_k(t,S_k)\frac{n!}{t^n}d{S}_1...d{S}_n) \end{gathered}$$

  这个积分其实可以看做是棱锥的一部分切块。我们可以做个试验。假设有一个x=y=z=100mm的三棱锥

$$\begin{gathered} \text{Suppose} \\ 0<x_1<x_2<100 \end{gathered}$$

  我们在x,y,z上分布选取这样的部分

$$\begin{gathered} x\in (0,x_1) \\ y\in (x_1,x_2) \\ z\in (x_2,100) \end{gathered}$$

  按照这样的顺序选取，就得到了完整三菱柱的一部分。这样的选取方法有3!种，并且每种选取方法得到的体积都是一样的，因此如果我们要求这个三棱锥这种有次序的积分所得到的面积，可以表述为

$$\int \int {\int }_{0<x<y<z=t}f(x,y,z)dxdydz=\frac{1}{3!}{\int }_0^t{\int }_0^t{\int }_0^{t}f(x,y,z)dxdydz$$

  我们就可以使用这种性质，来求解我们的顺序统计量积分

$$\begin{gathered} {\varphi }_{Z(t)}(\omega )=E_{N(t)}(\int ...{\int }_{0\le S_1\le ...\le S_n}\prod _{k=1}^n{B}_k(t,S_k)\frac{n!}{t^n}d{S}_1...d{S}_n) \\ =E_{N(t)}(\frac{1}{n!}{\int }_0^t...{\int }_0^t\prod _{k=1}^n{B}_k(t,S_k)\frac{n!}{t^n}d{S}_1...d{S}_n) \\ =E_{N(t)}(\frac{1}{t^n}({\int }_0^{t}B(t,S)dS{)}^n) \\ =E_{N(t)}((\frac{1}{t}{\int }_0^{t}B(t,S)dS{)}^{N(t)}) \end{gathered}$$

  这是一个类似母函数的形式

$$\begin{gathered} \text{Let }Z=\frac{1}{t}{\int }_0^{t}B(t,S)dS \\ E(Z^{N(t)}){|}_{Z=\frac{1}{t}{\int }_0^{t}B(t,S)dS} \\ =G_{N(t)}(Z)=exp(\lambda t(Z-1)){|}_{Z=\frac{1}{t}{\int }_0^{t}B(t,S)dS} \\ =exp(\lambda t(\frac{1}{t}{\int }_0^{t}B(t,S)dS-1)) \\ =exp(\lambda ({\int }_0^{t}B(t,S)dS-t)) \\ =exp(\lambda {\int }_0^t(B(t,S)-1)dS) \end{gathered}$$

  再把B(t,s)代回来

$${\varphi }_{Z(t)}(\omega )=exp(\lambda {\int }_0^t(E(exp(j\omega Z(t,S)))-1)dS)$$

  得到的这个形式叫做过滤泊松过程

$$\text{Filtering Poisson}$$

  因为这个相当于多个泊松冲激通过线性系统得到响应的叠加

(4) 过滤泊松过程的均值

  我们可以用特征函数求均值

$$\begin{gathered} {\varphi }_Z(\omega )=E(exp(j\omega Z)) \\ \frac{d{\varphi }_Z(\omega )}{d\omega }{|}_{\omega =0}=E(jZexp(j\omega Z)){|}_{\omega =0}=E(jZ)=jE(Z) \\ \Rightarrow E(Z)=\frac{1}{j}\frac{d{\varphi }_Z(\omega )}{d\omega }{|}_{\omega =0} \end{gathered}$$

  我们来求一下均值

$$\begin{gathered} {\varphi }_{Z(t)}(\omega )=exp(\lambda {\int }_0^t(E(exp(j\omega Z(t,S)))-1)dS) \\ \frac{1}{j}\frac{d{\varphi }_Z(\omega )}{d\omega }=\frac{1}{j}exp(\lambda {\int }_0^t(E(exp(j\omega Z(t,S)))-1)dS){|}_{\omega =0}\ast \frac{d(\lambda {\int }_0^t(E(exp(j\omega Z(t,S)))-1)dS))}{d\omega } \\ =\frac{1}{j}\frac{d(\lambda {\int }_0^t(E(exp(j\omega Z(t,S)))-1)dS))}{d\omega } \\ =\frac{1}{j}\lambda {\int }_0^t\frac{d(E(exp(j\omega Z(t,S)))-1))}{d\omega }dS \\ =\frac{1}{j}\lambda {\int }_0^{t}jZ(t,S)E(exp(j\omega Z(t,S))){|}_{\omega =0}dS \\ =\frac{1}{j}\lambda {\int }_0^{t}jZ(t,S)dS \\ =\lambda {\int }_0^{t}Z(t,S)dS \end{gathered}$$

  注意，因为这里面的期望是对S求的，所以jZ可以从期望里面拿出去

  于是我们就得到了过滤泊松过程的期望

(4) 过滤泊松过程的方差

  为了简化计算，我们假设冲激响应本身没有随机性。

$$\begin{gathered} B(t,S)=exp(j\omega Z(t,S)) \\ {\varphi }_{Z(t)}(\omega )=exp(\lambda {\int }_0^t(exp(j\omega Z(t,S))-1)dS) \\ E(Z^2)=-\frac{d^2{\varphi }_Z(\omega )}{d{\omega }^2}{|}_{\omega =0} \\ =\lambda {\int }_0^t{Z}^2(t,S)dS+(\lambda {\int }_0^{t}Z(t,S)dS{)}^{2}Var(Z)=E(Z^2)-(E(Z){)}^2=\lambda {\int }_0^t{Z}^2(t,S)dS \end{gathered}$$

2.3.8 小结

  过滤泊松过程是泊松过程中最复杂的一个问题，我们在这个问题中做了这样的事情

• 首先，我们认识到了一个基本的事实，如果一个时间段内发生事件的次数成为了一个条件，这个事件发生的时间间隔将不是一个指数分布了
• 然后，我们利用微元法求解这个条件期望，得到了一个不独立的均匀分布
• 继续，我们引入了顺序统计量，解释了这个不独立的均匀分布的本质是什么
• 然后我们讨论了泊松过程的独立增量特性的本质是什么，并且，我们提出，如果要放松独立增量特性，就必须改变台阶的平缓性
• 然后我们建立了新的模型，新的模型中有三个随机变量，我们利用特征函数的形式，写成了一个复杂的积分
• 最后，我们利用这个积分是对称函数的性质，解出了这个积分，最后得到了过滤泊松过程的特征函数，并且基于这个特征函数求得了过滤泊松过程的均值

3. 更新过程

3.1 概述

  之前我们研究的泊松过程的推广，主要着眼于对泊松过程三个重要性质的放松。现在，我们从事件发生的间隔开始推广。一般泊松过程的事件发生间隔是独立同分布的指数分布，现在我们假定，事件发生的间隔是独立同分布的任意间隔，得到的新的随机过程叫做更新过程

$$\text{Renewal Processes}$$

  我们假定有计数过程N(t)，其事件发生的间隔T_k为独立同分布的随机变量，概率分布函数和密度函数分别是F_T(x)和f_T(x),则称N(t)为更新过程

{ N ( t ) , t ≥ 0 } { T k , k ∈ N } T k ∼ f T ( x ) \{N(t),t\geq 0 \} \\ \{ T_k, k \in N\} \\ T_k \sim f_T(x) {N(t),t≥0}{Tk​,k∈N}Tk​∼fT​(x)

3.2 N(t)的分布与期望

3.2.1 分布

$$\begin{gathered} P(N(t)=n)=P(N(t)\ge n)-P(N(t)\ge n+1) \\ =P(S_n<t)-P(S_{n+1}<t) \end{gathered}$$

  其中Sn是第n次事件发生的时刻

$$S_n=T_1+..+T_n$$

  我们知道，独立同分布随机变量的和的分布是这些随机变量分布的n重卷积

$$\begin{gathered} {\varphi }_{S_n}(\omega )=E(exp(j\omega S_n)) \\ =E(exp(j\omega (T_1+...+T_n)))=\prod _{k=1}^{n}E(exp(j\omega T_k)) \end{gathered}$$

  特征函数相当于是频域，频域的乘积必定对应时域的卷积。

  因此,这个计数过程的分布能够表示，但是不容易表示

3.2.2 期望

(1)与期望有关的变形

  如果不能用分布对一个随机变量进行刻画，我们就希望通过期望来对其进行粗略描绘

  假设期望是m_N(t)

$$m_N(t)=E(N(t))=\sum _{n=1}^{\infty }nP(N(t)=n)(a-1)$$

  我们在这里证明先一个与期望有关的变形关系

$$\begin{gathered} \text{Prove} \\ E(X)=\sum _{n=1}^{\infty }nP(X=n)=\sum _{n=1}^{\infty }P(X\ge n)(a-2) \end{gathered}$$

  这个形式是离散的形式

$$\begin{gathered} E(X)=\sum _{n=1}^{\infty }nP(X=n) \\ =\sum _{n=1}^{\infty }n(P(X\ge n)-P(X\ge n+1)) \\ =\sum _{n=1}^{\infty }(n+1)P(X\ge n+1)+P(X\ge 1)-nP(X\ge n+1) \\ =\sum _{n=1}^{\infty }P(X\ge n+1)+P(X\ge 1) \\ =\sum _{n=1}^{\infty }P(X\ge n)(a-3) \end{gathered}$$

  我们就完成了对(a-2)式子的证明

  这种期望的变形关系也可以推广到连续随机变量上

$$\text{Prove}{\int }_0^{\infty }P(X>t)dt={\int }_0^{\infty }xf(x)dt=E(X)(b-1)$$

  我们假设X的分布函数是F(x),概率密度函数是f(x),然后开始证明

$${\int }_0^{\infty }P(X>t)dt={\int }_0^{\infty }{\int }_t^{\infty }IdF(x)dt$$

  然后交换x和t的积分限

$$\begin{gathered} {\int }_0^{\infty }P(X>t)dt={\int }_0^{\infty }{\int }_t^{\infty }IdF(x)dt \\ ={\int }_0^{\infty }{\int }_0^{x}IdtdF(x) \\ ={\int }_0^{\infty }xdF(x)=E(X)(b-2) \end{gathered}$$

(2)期望的求解

  有了(a-2)式之后，我们就能够对期望进行表示了

$$\begin{gathered} m_N(t)=E(N(t))=\sum _{n=1}^{\infty }nP(N(t)=n) \\ =\sum _{n=1}^{\infty }P(N(t)\ge n) \\ =\sum _{n=1}^{\infty }P(S_n<t) \\ =\sum _{n=1}^{\infty }{F}_{S_n}(t)(c) \end{gathered}$$

3.3 更新方程

  我们还可以对得到的期望进行变形。我们对©左右求导。并且，单位时间内事件发生的次数，就是强度。

$${\lambda }_N(t)=\frac{d{m}_N(t)}{dt}=\sum _{n=1}^{\infty }{f}_{S_n}(t)$$

  两边做拉氏变换

$${\int }_0^{\infty }{\lambda }_N(t)e^{-st}dt={\int }_0^{\infty }\sum _{n=1}^{\infty }{f}_{S_n}(t)e^{-st}dt$$

$$\begin{gathered} \text{Let} \\ \Lambda (s)={\int }_0^{\infty }{\lambda }_N(t)e^{-st}dt \\ T(s)={\int }_0^{\infty }{f}_T(t)e^{-st}dt \end{gathered}$$

  我们知道Sn的概率密度是T的概率密度是n重卷积，因此，我们可以知道

$$\begin{gathered} {\int }_0^{\infty }{f}_{S_n}(t)e^{-st}dt=(T(s){)}^n \\ \Lambda (s)=\sum _{n=1}^{\infty }(T(s){)}^n \\ =\frac{T(s)}{1-T(s)} \end{gathered}$$

  可以得到

$$T(s)=\Lambda (s)-\Lambda (s)T(s)$$

  对该式子再做反拉氏变换

$$f_T(t)={\lambda }_N(t)-{\int }_0^t{\lambda }_N(\tau -t)f_T(\tau )d\tau$$

  得到的这个方程叫做更新方程

$$\text{Renewal Equation}$$

3.4 N(t)的变化率

  这里给出三个与N(t)变化率极限有关的式子，不进行证明了

$$\begin{gathered} li{m}_{t\to \infty }\frac{N(t)}{t}=\frac{1}{\mu } \\ li{m}_{t\to \infty }\frac{m_N(t)}{t}=\frac{1}{\mu } \\ li{m}_{t\to \infty }{m}_N(t+a)-m_N(t)=\frac{a}{\mu } \end{gathered}$$