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:
- 他是一个计数过程,且 N ( 0 ) = 0 N(0)=0 N(0)=0;
- (独立增量)任取 0 < t 1 < t 2 < ⋯ < t n 0 < t_1 < t_2 < \cdots < t_n 0<t1<t2<⋯<tn, N ( t 1 ) , N ( t 2 ) − N ( t 1 ) , . . . , N ( t n ) − N ( t n − 1 ) N(t_1),N(t_2)-N(t_1),...,N(t_n)-N(t_{n-1}) N(t1),N(t2)−N(t1),...,N(tn)−N(tn−1) 相互独立;
- (平稳增量) ∀ s , t ≥ 0 , n ≥ 0 \forall s,t\ge0,n\ge0 ∀s,t≥0,n≥0, P ( N ( s + t ) − N ( s ) = n ) = P ( N ( t ) = n ) P(N(s+t)-N(s)=n) = P(N(t)=n) P(N(s+t)−N(s)=n)=P(N(t)=n);
- 对任意 t > 0 t>0 t>0 和充分小的 Δ t > 0 \Delta t>0 Δt>0,有 P ( N ( t + Δ t ) − N ( t ) = 1 ) = λ Δ t + o ( Δ t ) P(N(t+\Delta t)-N(t)=1) = \lambda \Delta t + o(\Delta t) P(N(t+Δt)−N(t)=1)=λΔt+o(Δt), P ( N ( t + Δ t ) − N ( t ) ≥ 2 ) = o ( Δ t ) P(N(t+\Delta t)-N(t)\ge 2)=o(\Delta t) P(N(t+Δt)−N(t)≥2)=o(Δt);
其中 λ > 0 \lambda>0 λ>0 称为强度常数, o ( Δ t ) o(\Delta t) o(Δt) 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 λ \lambda λ 的时齐泊松过程,若满足如下条件:
- N ( 0 ) = 0 N(0)=0 N(0)=0;
- 它是独立增量过程;
- ∀ s , t ≥ 0 , N ( s + t ) − N ( s ) \forall s,t\ge0,N(s+t)-N(s) ∀s,t≥0,N(s+t)−N(s) 是参数为 λ t \lambda t λt 的泊松分布,即 P ( N ( t + s ) − N ( s ) = k ) = ( λ t ) k k ! e − λ t P(N(t+s)-N(s)=k) = \frac{(\lambda t)^k}{k!} e^{-\lambda t} P(N(t+s)−N(s)=k)=k!(λt)ke−λt。
两种定义是等价的。
基本性质:
- 均值 E [ N ( t ) ] = λ t {\mathbb E}[N(t)] = \lambda t E[N(t)]=λt;
- 方差 var ( N ( t ) ) = E [ ( N ( t ) − λ t ) 2 ] = λ t \text{var}(N(t)) = {\mathbb E}[(N(t)-\lambda t)^2] = \lambda t var(N(t))=E[(N(t)−λt)2]=λt;
- 特征函数 ϕ N ( t ) ( x ) = E [ exp ( − j N ( t ) x ) ] = exp ( − λ t e j x ) \phi_{N(t)}(x) = {\mathbb E}[\exp(-j N(t)x)] = \exp(-\lambda t e^{jx}) ϕN(t)(x)=E[exp(−jN(t)x)]=exp(−λtejx);
- E [ N ( t ) 2 ] = ( λ t ) 2 + λ t {\mathbb E}[N(t)^2] = (\lambda t)^2 + \lambda t E[N(t)2]=(λt)2+λt;
- 自相关函数 R ( t + τ , t ) = E [ N ( t + τ ) N ( t ) ] = ( λ t ) 2 + λ t + λ 2 t τ , ( τ > 0 ) R(t+\tau,t) = {\mathbb E}[N(t+\tau)N(t)] = (\lambda t)^2 + \lambda t + \lambda^2 t\tau,(\tau>0) R(t+τ,t)=E[N(t+τ)N(t)]=(λt)2+λt+λ2tτ,(τ>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 λ \lambda λ 的时齐泊松过程, S 0 = 0 , S n S_0=0,S_n S0=0,Sn 为第 n n n 个事件发生的时刻,则 N ( t ) N(t) N(t) 关于 { S n , n ≥ 0 } \{S_n,n\ge0\} {Sn,n≥0} 不是停时,但是 N ( t ) + 1 N(t)+1 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 N(t)+1 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 ≥ 0 N(t),t\ge0 N(t),t≥0 是计数过程,令 S 0 = 0 , S n S_0=0,S_n S0=0,Sn 表示第 n n n 个事件发生的时刻, X n = S n − S n − 1 X_n=S_n-S_{n-1} Xn=Sn−Sn−1 表示第 n n n 个与第 n − 1 n-1 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 ) N(t) N(t) 可以表示为 N ( t ) = ∑ n = 1 ∞ I [ 0 , t ] ( S n ) N(t)=\sum_{n=1}^{\infty} I_{[0,t]}(S_n) N(t)=∑n=1∞I[0,t](Sn)。
P ( S n ≤ t ) = P ( N ( t ) ≥ n ) = 1 − e − λ t ∑ k = 0 n − 1 ( λ t ) k k ! P(S_n \le t) = P(N(t)\ge n) = 1-e^{-\lambda t} \sum_{k=0}^{n-1} \frac{(\lambda t)^k}{k!} P(Sn≤t)=P(N(t)≥n)=1−e−λt∑k=0n−1k!(λt)k,特别当 n = 1 n=1 n=1 时,有 P ( S 1 ≤ t ) = P ( X 1 ≤ t ) = 1 − e − λ t P(S_1\le t) = P(X_1\le t) = 1-e^{-\lambda t} P(S1≤t)=P(X1≤t)=1−e−λt,即 X 1 ∼ E ( λ ) X_1\sim E(\lambda) X1∼E(λ) 是参数为 λ \lambda λ 的指数分布。同样的可以得到 X n ( n ≥ 2 ) X_n(n\ge2) Xn(n≥2) 也服从指数分布,均值为 1 / λ 1/\lambda 1/λ,方差为 1 / λ 2 1/\lambda^2 1/λ2。
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 ≥ 0 N(t),t\ge0 N(t),t≥0 是泊松过程,则对 ∀ 0 < s < t \forall 0< s < t ∀0<s<t 有 P ( X 1 ≤ s ∣ N ( t ) = 1 ) = s / t P(X_1\le s | N(t)=1) = s/t P(X1≤s∣N(t)=1)=s/t。
证明: P ( X 1 ≤ s ∣ N ( t ) = 1 ) = P ( X 1 ≤ s , N ( t ) = 1 ) / P ( N ( t ) = 1 ) = P ( N ( s ) = 1 , N ( t ) − N ( s ) = 0 ) / P ( N ( t ) = 1 ) 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) P(X1≤s∣N(t)=1)=P(X1≤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 ≥ 0 N(t),t\ge0 N(t),t≥0 是泊松过程,则对 ∀ 0 < s < t , k ≤ n \forall 0< s < t,k\le n ∀0<s<t,k≤n 有 P ( S k ≤ s ∣ N ( t ) = n ) = ∑ l = k n n ! l ! ( n − l ) ! ( s t ) l ( 1 − s t ) n − l 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} P(Sk≤s∣N(t)=n)=∑l=knl!(n−l)!n!(ts)l(1−ts)n−l。特别当 k = n k=n k=n 时,有 P ( S n ≤ s ∣ N ( t ) = n ) = ( s t ) n P(S_n\le s | N(t)=n) = (\frac{s}{t})^n P(Sn≤s∣N(t)=n)=(ts)n。
证明:略。
4.3.2 顺序统计量
Y
1
,
.
.
.
,
Y
n
Y_1,...,Y_n
Y1,...,Yn 是
n
n
n 个随机变量,如果
Y
(
k
)
Y_{(k)}
Y(k) 是
Y
1
,
.
.
.
,
Y
n
Y_1,...,Y_n
Y1,...,Yn 中第
k
k
k 个最小的随机变量,我们称
Y
(
1
)
,
.
.
.
,
Y
(
n
)
Y_{(1)},...,Y_{(n)}
Y(1),...,Y(n) 是关于
Y
1
,
.
.
.
,
Y
n
Y_1,...,Y_n
Y1,...,Yn 的顺序统计量。如果
Y
1
,
.
.
.
,
Y
n
Y_1,...,Y_n
Y1,...,Yn 是独立同分布的连续随机变量,其概率密度分布为
f
(
y
)
f(y)
f(y),则
Y
(
1
)
,
.
.
.
,
Y
(
n
)
Y_{(1)},...,Y_{(n)}
Y(1),...,Y(n) 的联合分布概率密度函数为
f
(
y
1
,
.
.
.
,
y
n
)
=
n
!
Π
k
=
1
n
f
(
y
k
)
,
y
1
<
y
2
<
⋯
<
y
n
f(y_1,...,y_n) = n! \Pi_{k=1}^n f(y_k), ~ y_1 < y_2 < \cdots < y_n
f(y1,...,yn)=n!Πk=1nf(yk), y1<y2<⋯<yn
特别的,当
Y
1
,
.
.
.
,
Y
n
Y_1,...,Y_n
Y1,...,Yn 为
(
0
,
t
)
(0,t)
(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
)
Y_{(1)},...,Y_{(n)}
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
<
⋯
<
y
n
<
t
f(y_1,...,y_n) = n! / t^n, ~ 0< y_1 < y_2 < \cdots < y_n < t
f(y1,...,yn)=n!/tn, 0<y1<y2<⋯<yn<t
定理 4.4:设
N
(
t
)
,
t
≥
0
N(t),t\ge0
N(t),t≥0 为泊松过程,则在已给
N
(
t
)
=
n
N(t)=n
N(t)=n 时事件相继发生的时间
S
1
,
.
.
.
,
S
n
S_1,...,S_n
S1,...,Sn 的条件概率密度为
f
(
t
1
,
t
2
,
.
.
.
,
t
n
)
=
{
n
!
/
t
n
,
0
<
t
1
<
t
2
<
⋯
<
t
n
0
,
o
t
h
e
r
s
f(t_1,t_2,...,t_n) = \begin{cases}n!/t^n, & 0< t_1 < t_2 < \cdots < t_n \\ 0, & others \end{cases}
f(t1,t2,...,tn)={n!/tn,0,0<t1<t2<⋯<tnothers
证明:对任取的
0
=
t
0
<
t
1
<
t
2
<
⋯
<
t
n
<
t
n
+
1
=
t
0=t_0 < t_1 < t_2 < \cdots < t_n < t_{n+1}=t
0=t0<t1<t2<⋯<tn<tn+1=t,取
h
0
=
h
n
+
1
=
0
h_0=h_{n+1}=0
h0=hn+1=0 及充分小的
h
i
h_i
hi,则
P
(
t
i
<
S
i
≤
t
i
+
h
i
,
1
≤
i
≤
n
∣
N
(
t
)
=
n
)
=
P
(
N
(
t
i
+
h
i
)
−
N
(
t
i
)
=
1
,
1
≤
i
≤
n
,
N
(
t
j
+
1
)
−
N
(
t
j
+
h
j
)
=
0
,
1
≤
j
≤
n
)
P
(
N
(
t
)
=
n
)
=
n
!
t
n
h
1
h
2
⋯
h
n
\begin{aligned} &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{aligned}
==P(ti<Si≤ti+hi,1≤i≤n∣N(t)=n)P(N(t)=n)P(N(ti+hi)−N(ti)=1,1≤i≤n, N(tj+1)−N(tj+hj)=0,1≤j≤n)tnn!h1h2⋯hn
取极限即可得证。
Remark:上述定理表明,若非负函数 g ( x 1 , . . . , x n ) g(x_1,...,x_n) g(x1,...,xn) 是关于 x i , i = 1 , . . . , n x_i, i=1,...,n xi,i=1,...,n 的对称函数,即对任意一种排列模式 ϕ \phi ϕ,有 g ( x 1 , . . . , x n ) = g ( x ϕ ( 1 ) , x ϕ ( 2 ) , . . . , x ϕ ( n ) ) g(x_1,...,x_n) = g(x_{\phi(1)}, x_{\phi(2)},..., x_{\phi(n)}) g(x1,...,xn)=g(xϕ(1),xϕ(2),...,xϕ(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 ) = d g ( Y ( 1 ) , . . . , Y ( n ) ) = g ( Y 1 , . . . , Y n ) g(S_1,...,S_n|N(t)=n) \overset{d}{=} g(Y_{(1)},...,Y_{(n)}) = g(Y_1,...,Y_n) g(S1,...,Sn∣N(t)=n)=dg(Y(1),...,Y(n))=g(Y1,...,Yn)
其中 Y 1 , . . . , Y n Y_1,...,Y_n Y1,...,Yn 为 ( 0 , t ) (0,t) (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 λ \lambda λ 的泊松流,求在时刻 t t t 工人完成的总的工程量的期望值。
解:设第 i i i 个工人到达工地的时刻为 S i S_i Si,在 [ 0 , t ] [0,t] [0,t] 内工人完成的总工程量为 S ( t ) = ∑ i = 1 N ( t ) ( t − S i ) S(t)=\sum_{i=1}^{N(t)}(t-S_i) S(t)=∑i=1N(t)(t−Si)。有 E [ S ( t ) ∣ N ( t ) = n ] = n t − E [ ∑ i = 1 n S i ∣ N ( t ) = n ] = n t − E [ ∑ j = 1 n Y j ∣ N ( t ) = n ] = n t / 2 {\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 E[S(t)∣N(t)=n]=nt−E[∑i=1nSi∣N(t)=n]=nt−E[∑j=1nYj∣N(t)=n]=nt/2,于是 E [ S ( t ) ] = E [ E [ S ( t ) ∣ N ( t ) = n ] ] = λ t 2 / 2 {\mathbb E}[S(t)] = {\mathbb E}[{\mathbb E}[S(t) | N(t)=n]] = \lambda t^2/2 E[S(t)]=E[E[S(t)∣N(t)=n]]=λt2/2.
定理 4.5:设 N ( t ) , t ≥ 0 N(t),t\ge0 N(t),t≥0 是参数为 λ \lambda λ 的泊松过程, S k , k ≥ 1 S_k,k\ge1 Sk,k≥1 为到达时刻,则对任意的 [ 0 , + ∞ ) [0,+\infty) [0,+∞) 上可积函数 f f f 有 E [ ∑ n = 1 ∞ f ( S n ) ] = λ ∫ 0 ∞ f ( s ) d s {\mathbb E}[\sum_{n=1}^{\infty} f(S_n)] = \lambda\int_0^\infty f(s)ds E[∑n=1∞f(Sn)]=λ∫0∞f(s)ds.
证明:当 t ≥ 0 t\ge0 t≥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 ≤ t ) = P ( N ( t ) ≥ n ) = ∑ j = n ∞ ( λ t ) j j ! e − λ t P(S_n\le t)=P(N(t)\ge n) = \sum_{j=n}^\infty \frac{(\lambda t)^j}{j!} e^{-\lambda t} P(Sn≤t)=P(N(t)≥n)=∑j=n∞j!(λt)je−λt,求导得到 S n S_n Sn 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−1e−λtI{t≥0},因此 E [ f ( S n ) ] = λ ∫ 0 ∞ f ( s ) ( λ s ) n − 1 ( n − 1 ) ! e − λ s d s {\mathbb E}[f(S_n)] = \lambda \int_0^\infty f(s)\frac{(\lambda s)^{n-1}}{(n-1)!} e^{-\lambda s} ds E[f(Sn)]=λ∫0∞f(s)(n−1)!(λs)n−1e−λsds,再对 n n 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 ) f(s)=I_{[0,t]}(s)(t-s) f(s)=I[0,t](s)(t−s),则 S ( t ) = ∑ i = 1 ∞ f ( s i ) S(t)=\sum_{i=1}^{\infty} f(s_i) S(t)=∑i=1∞f(si),利用定理 4.5 结论即可得到 E [ S ( t ) ] = λ t 2 / 2 {\mathbb E}[S(t)] = \lambda t^2 /2 E[S(t)]=λt2/2。
4.4 泊松过程的分流
定理 4.6:设 N ( t ) , t ≥ 0 N(t),t\ge0 N(t),t≥0 是参数为 λ \lambda λ 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 s>0 s>0,则它属于类型 1 的概率为 P ( s ) P(s) P(s),输于类型 2 的概率为 1 − P ( s ) 1-P(s) 1−P(s)。假设 N m ( t ) , ( m = 1 , 2 ) N_m(t),(m=1,2) Nm(t),(m=1,2) 表示 ( 0 , t ] (0,t] (0,t] 内到达的类型 m m m 的事件数,则 N 1 ( t ) N_1(t) N1(t) 和 N 2 ( t ) N_2(t) N2(t) 是两个独立的泊松变量,相应的均值分别为 λ p t \lambda pt λpt 和 λ ( 1 − p ) t \lambda(1-p)t λ(1−p)t,其中 p = 1 t ∫ 0 t P ( s ) d s p=\frac{1}{t}\int_0^t P(s) ds p=t1∫0tP(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 ) 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) P(N1(t)=k,N2(t)=l)=P(N1(t)=k,N2(t)=l∣N(t)=k+l)P(N(t)=k+l),考虑发生在 ( 0 , t ] (0,t] (0,t] 的事件,如果事件在时刻 s s s 发生,由于其在 ( 0 , t ] (0,t] (0,t] 服从均匀分布,那么该事件是类型 1 的概率为 p = 1 t ∫ 0 t P ( s ) d s p=\frac{1}{t}\int_0^t P(s)ds p=t1∫0tP(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 ) = ( k + l k ) p k ( 1 − p ) l P(N_1(t)=k, N_2(t)=l | N(t)=k+l)=\tbinom{k+l}{k}p^k(1-p)^l P(N1(t)=k,N2(t)=l∣N(t)=k+l)=(kk+l)pk(1−p)l。证毕。
Remark:如果 P ( s ) P(s) P(s) 与 s s 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