泊松过程1 | 定义与基本性质

4.1 泊松过程的定义与基本性质

定义 4.1：随机过程 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 称为时齐泊松过程，若满足下列条件：

1. 他是一个计数过程，且 $N(0)=0$；
2. （独立增量）任取 $0<t_1<t_2<\cdots <t_n$，$N(t_1),N(t_2)-N(t_1),...,N(t_n)-N(t_{n-1})$ 相互独立；
3. （平稳增量）$\forall s,t\ge 0,n\ge 0$，$P(N(s+t)-N(s)=n)=P(N(t)=n)$；
4. 对任意 $t>0$ 和充分小的 $\Delta t>0$，有 $P(N(t+\Delta t)-N(t)=1)=\lambda \Delta t+o(\Delta t)$，$P(N(t+\Delta t)-N(t)\ge 2)=o(\Delta t)$；

其中 $\lambda >0$ 称为强度常数，$o(\Delta t)$ 为高阶无穷小。

定义 4.2：计数过程 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0}，被称为参数为 $\lambda$ 的时齐泊松过程，若满足如下条件：

1. $N(0)=0$；
2. 它是独立增量过程；
3. $\forall s,t\ge 0,N(s+t)-N(s)$ 是参数为 $\lambda t$ 的泊松分布，即 $P(N(t+s)-N(s)=k)=\frac{(\lambda t{)}^k}{k!}{e}^{-\lambda t}$。

两种定义是等价的。

基本性质：

1. 均值 $\mathbb{E}[N(t)]=\lambda t$；
2. 方差 $\text{var}(N(t))=\mathbb{E}[(N(t)-\lambda t{)}^2]=\lambda t$；
3. 特征函数 ${\varphi }_{N(t)}(x)=\mathbb{E}[\exp (-jN(t)x)]=\exp (-\lambda t{e}^{jx})$；
4. $\mathbb{E}[N(t{)}^2]=(\lambda t{)}^2+\lambda t$；
5. 自相关函数 $R(t+\tau ,t)=\mathbb{E}[N(t+\tau )N(t)]=(\lambda t{)}^2+\lambda t+{\lambda }^{2}t\tau ,(\tau >0)$（非平稳过程）

栗子 4.1： { N ( t ) , t ≥ 0 } \{N(t), t\ge0\} {N(t),t≥0} 是参数为 $\lambda$ 的时齐泊松过程，$S_0=0,S_n$ 为第 $n$ 个事件发生的时刻，则 $N(t)$ 关于 { S n , n ≥ 0 } \{S_n,n\ge0\} {Sn​,n≥0} 不是停时，但是 $N(t)+1$ 关于 { S n , n ≥ 0 } \{S_n,n\ge0\} {Sn​,n≥0} 是停时。

证明： { N ( t ) = n }    ⟺    { S n ≤ t < S n + 1 } = { S n ≤ t } − { S n + 1 ≤ t } \{N(t)=n\} \iff \{S_n\le t < S_{n+1} \}=\{S_n\le t \} - \{S_{n+1}\le t \} {N(t)=n}⟺{Sn​≤t<Sn+1​}={Sn​≤t}−{Sn+1​≤t}，因此 { N ( t ) = n } \{N(t)=n\} {N(t)=n} 可以由 { S 0 , . . . , S n + 1 } \{S_0,...,S_{n+1} \} {S0​,...,Sn+1​} 构成的事件表示，因此 $N(t)+1$ 关于 { S n , n ≥ 0 } \{S_n,n\ge0\} {Sn​,n≥0} 是停时。

4.2 泊松过程与指数分布的关系

$N(t),t\ge 0$ 是计数过程，令 $S_0=0,S_n$ 表示第 $n$ 个事件发生的时刻，$X_n=S_n-S_{n-1}$ 表示第 $n$ 个与第 $n-1$ 个事件之间的间隔，于是有 S n = inf ⁡ { t : N ( t ) = n } , n ≥ 1 S_n=\inf\{t:N(t)=n \},n\ge1 Sn​=inf{t:N(t)=n},n≥1。相应的 $N(t)$ 可以表示为 $N(t)={\sum }_{n=1}^{\infty }{I}_{[0,t]}(S_n)$。

$P(S_n\le t)=P(N(t)\ge n)=1-e^{-\lambda t}{\sum }_{k=0}^{n-1}\frac{(\lambda t{)}^k}{k!}$，特别当 $n=1$ 时，有 $P(S_1\le t)=P(X_1\le t)=1-e^{-\lambda t}$，即 $X_1\sim E(\lambda )$ 是参数为 $\lambda$ 的指数分布。同样的可以得到 $X_n(n\ge 2)$ 也服从指数分布，均值为 $1/\lambda$，方差为 $1/{\lambda }^2$。

定理 4.1：计数过程是泊松过程的充要条件是 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 是独立的同指数分布。

证明：略。

4.3 到达时间的条件分布

4.3.1 到达时间的条件分布

定理 4.2：设 $N(t),t\ge 0$ 是泊松过程，则对 $\forall 0<s<t$ 有 $P(X_1\le s|N(t)=1)=s/t$。

证明：$P(X_1\le s|N(t)=1)=P(X_1\le s,N(t)=1)/P(N(t)=1)=P(N(s)=1,N(t)-N(s)=0)/P(N(t)=1)$。

定理 4.3：设 $N(t),t\ge 0$ 是泊松过程，则对 $\forall 0<s<t,k\le n$ 有 $P(S_k\le s|N(t)=n)={\sum }_{l=k}^n\frac{n!}{l!(n-l)!}(\frac{s}{t}{)}^l(1-\frac{s}{t}{)}^{n-l}$。特别当 $k=n$ 时，有 $P(S_n\le s|N(t)=n)=(\frac{s}{t}{)}^n$。

证明：略。

4.3.2 顺序统计量

$Y_1,...,Y_n$ 是 $n$ 个随机变量，如果 $Y_{(k)}$ 是 $Y_1,...,Y_n$ 中第 $k$ 个最小的随机变量，我们称 $Y_{(1)},...,Y_{(n)}$ 是关于 $Y_1,...,Y_n$ 的顺序统计量。如果 $Y_1,...,Y_n$ 是独立同分布的连续随机变量，其概率密度分布为 $f(y)$，则 $Y_{(1)},...,Y_{(n)}$ 的联合分布概率密度函数为
$$f(y_1,...,y_n)=n!{\Pi }_{k=1}^{n}f(y_k),y_1<y_2<\cdots <y_n$$
特别的，当 $Y_1,...,Y_n$ 为 $(0,t)$ 上独立的均匀分布随机变量时，相应的顺序统计量 $Y_{(1)},...,Y_{(n)}$ 的联合分布概率密度函数为
$$f(y_1,...,y_n)=n!/t^n,0<y_1<y_2<\cdots <y_n<t$$
定理 4.4：设 $N(t),t\ge 0$ 为泊松过程，则在已给 $N(t)=n$ 时事件相继发生的时间 $S_1,...,S_n$ 的条件概率密度为
$$f(t_1,t_2,...,t_n)=\{\begin{array}{ll}n!/t^n,& 0<t_1<t_2<\cdots <t_n\\ 0,& others\end{array}$$
证明：对任取的 $0=t_0<t_1<t_2<\cdots <t_n<t_{n+1}=t$，取 $h_0=h_{n+1}=0$ 及充分小的 $h_i$，则
$$\begin{array}{rl}& P(t_i<S_i\le t_i+h_i,1\le i\le n|N(t)=n)\\ =& \frac{P(N(t_i+h_i)-N(t_i)=1,1\le i\le n,N(t_{j+1})-N(t_j+h_j)=0,1\le j\le n)}{P(N(t)=n)}\\ =& \frac{n!}{t^n}{h}_1{h}_2\cdots h_n\end{array}$$
取极限即可得证。

Remark：上述定理表明，若非负函数 $g(x_1,...,x_n)$ 是关于 $x_i,i=1,...,n$ 的对称函数，即对任意一种排列模式 $\varphi$，有 $g(x_1,...,x_n)=g(x_{\varphi (1)},x_{\varphi (2)},...,x_{\varphi (n)})$（也就是函数值与各分量的顺序无关），则在概率分布的意义上下列等式成立
$$g(S_1,...,S_n|N(t)=n)\stackrel{d}{=}g(Y_{(1)},...,Y_{(n)})=g(Y_1,...,Y_n)$$
其中 $Y_1,...,Y_n$ 为 $(0,t)$ 上独立的均匀分布随机变量。

栗子 4.2：设某工地有一工程任务，工人到达工地遵照参数为 $\lambda$ 的泊松流，求在时刻 $t$ 工人完成的总的工程量的期望值。

解：设第 $i$ 个工人到达工地的时刻为 $S_i$，在 $[0,t]$ 内工人完成的总工程量为 $S(t)={\sum }_{i=1}^{N(t)}(t-S_i)$。有 $\mathbb{E}[S(t)|N(t)=n]=nt-\mathbb{E}[{\sum }_{i=1}^n{S}_i|N(t)=n]=nt-\mathbb{E}[{\sum }_{j=1}^n{Y}_j|N(t)=n]=nt/2$，于是 $\mathbb{E}[S(t)]=\mathbb{E}[\mathbb{E}[S(t)|N(t)=n]]=\lambda t^2/2$.

定理 4.5：设 $N(t),t\ge 0$ 是参数为 $\lambda$ 的泊松过程，$S_k,k\ge 1$ 为到达时刻，则对任意的 $[0,+\infty )$ 上可积函数 $f$ 有 $\mathbb{E}[{\sum }_{n=1}^{\infty }f(S_n)]=\lambda {\int }_0^{\infty }f(s)ds$.

证明：当 $t\ge 0$ 时，有 { S n ≤ t } = { N ( t ) ≥ n } \{S_n\le t\}=\{N(t)\ge n\} {Sn​≤t}={N(t)≥n}，因此有 $P(S_n\le t)=P(N(t)\ge n)={\sum }_{j=n}^{\infty }\frac{(\lambda t{)}^j}{j!}{e}^{-\lambda t}$，求导得到 $S_n$ 的概率密度为 f S n ( t ) = λ ( λ t ) n − 1 ( n − 1 ) ! e − λ t I { t ≥ 0 } f_{S_n}(t)=\lambda \frac{(\lambda t)^{n-1}}{(n-1)!} e^{-\lambda t}I_{\{t\ge0\}} fSn​​(t)=λ(n−1)!(λt)n−1​e−λtI{t≥0}​，因此 $\mathbb{E}[f(S_n)]=\lambda {\int }_0^{\infty }f(s)\frac{(\lambda s{)}^{n-1}}{(n-1)!}{e}^{-\lambda s}ds$，再对 $n$ 求和即可得证。

栗子 4.3：题干同上面的栗子 4.2.

解：定义 $f(s)=I_{[0,t]}(s)(t-s)$，则 $S(t)={\sum }_{i=1}^{\infty }f(s_i)$，利用定理 4.5 结论即可得到 $\mathbb{E}[S(t)]=\lambda t^2/2$。

4.4 泊松过程的分流

定理 4.6：设 $N(t),t\ge 0$ 是参数为 $\lambda$ 的泊松过程，到达事件的类型取决于它到达的时间。如果某到达时间是 $s>0$，则它属于类型 1 的概率为 $P(s)$，输于类型 2 的概率为 $1-P(s)$。假设 $N_m(t),(m=1,2)$ 表示 $(0,t]$ 内到达的类型 $m$ 的事件数，则 $N_1(t)$ 和 $N_2(t)$ 是两个独立的泊松变量，相应的均值分别为 $\lambda pt$ 和 $\lambda (1-p)t$，其中 $p=\frac{1}{t}{\int }_0^{t}P(s)ds$。

证明：$P(N_1(t)=k,N_2(t)=l)=P(N_1(t)=k,N_2(t)=l|N(t)=k+l)P(N(t)=k+l)$，考虑发生在 $(0,t]$ 的事件，如果事件在时刻 $s$ 发生，由于其在 $(0,t]$ 服从均匀分布，那么该事件是类型 1 的概率为 $p=\frac{1}{t}{\int }_0^{t}P(s)ds$。

另外由于这些事件相互独立，因此 $P(N_1(t)=k,N_2(t)=l|N(t)=k+l)=(\genfrac{}{}{0ex}{}{k+l}{k})p^k(1-p{)}^l$。证毕。

Remark：如果 $P(s)$ 与 $s$ 无关，那么分流之后将得到两个新的泊松流，否则不是泊松流。

最后给我的博客打个广告，欢迎光临
https://glooow1024.github.io/
https://glooow.gitee.io/

前面的一些博客链接如下
泛函分析专栏
高等数值分析专栏
随机过程专栏
随机过程1 绪论
随机过程2 平稳过程与二阶矩
离散鞅论1 | 基本概念
离散鞅论2 | 停时与停时定理
离散鞅论3 | 鞅论应用
泊松过程1 | 定义与基本性质
泊松过程2 | 泊松过程扩展
布朗运动 1 | 基本概念与性质
布朗运动 2 | 布朗运动的推广
马尔可夫过程1 | 基本概念
马尔可夫过程2 | 状态空间
连续参数马尔可夫链