泊松过程2 | 泊松过程扩展

4.5 非时齐次泊松过程

定义：一个计数过程若满足：

1. $N(0)=0$；
2. 它是独立增量过程；
3. 对充分小的 $\Delta t>0$，有 $P(N(t+\Delta t)-N(t)=1)=\lambda (t)\Delta t+o(\Delta t)$，$P(N(t+\Delta t)-N(t)\ge 2)=o(\Delta t)$；

则称它为具有强度函数 { λ ( t ) , t ≥ 0 } \{\lambda(t),t\ge0\} {λ(t),t≥0} 的非时齐次泊松过程。

定理 4.7：若 $N(t),t\ge 0$ 是非时齐次泊松过程，令 $m(t)={\int }_0^t\lambda (s)ds$，则对 $\forall s,t\ge 0$，有
$$P(N(t+s)-N(s)=n)=\frac{(m(s+t)-m(s){)}^n}{n!}\exp (-(m(s+t)-m(s))),n\ge 0$$
上述定理最主要特点在于 $\mathbb{E}[N(t+s)-N(s)]=m(s+t)-m(s)={\int }_s^{s+t}\lambda (s)ds$，相应的方差为 $D_{[N(s+t)-N(s)]}=m(s+t)-m(s)$。

4.6 复合泊松过程

4.6.1 定义

定义：设 { Y i , i ≥ 1 } \{Y_i,i\ge1\} {Yi​,i≥1} 是独立同分布的随机变量序列， { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 为泊松过程，且与 { Y i , i ≥ 1 } \{Y_i,i\ge1\} {Yi​,i≥1} 独立，记 $X(t)={\sum }_{i=1}^{N(t)}{Y}_i$ 称为复合泊松过程。

为求 $X(t)$ 的矩，先求它的矩母函数
$$\begin{array}{rl}{\varphi }_t(u)& =\mathbb{E}[\exp (uX(t))]\\ & =\sum _{n=0}^{\infty }P(N(t)=n)\mathbb{E}[\exp (uX(t))|N(t)=n]\\ & =\exp (\lambda t({\varphi }_Y(u)-1))\end{array}$$
其中 ${\varphi }_Y(u)=\mathbb{E}[\exp (uY)]$ 为 $Y$ 的矩母函数。上式在 $u=0$ 处求导得到 $\mathbb{E}[X(t)]={\varphi }_t^{\prime }(0)=\lambda t\mathbb{E}Y$，$D[X(t)]={\varphi }_t^{\prime \prime }(0)-({\varphi }_t^{\prime }(0){)}^2=\lambda t\mathbb{E}{Y}^2$。若 $Y_i$ 取正整数的随机变量，则称 { X ( t ) , t ≥ 0 } \{X(t),t\ge0\} {X(t),t≥0} 为平稳无后效流。

4.6.2 复合泊松恒等式

定理 4.8：设 $Y={\sum }_{i=1}^N{X}_i$ 是复合泊松随机变量，其中随机变量 $N$ 服从均值为 $\lambda$ 的泊松分布，随机变量序列 { X k , k = 1 , 2 , . . . } \{X_k,k=1,2,...\} {Xk​,k=1,2,...} 是独立同分布的，且与 $N$ 统计独立。设 $X_k,(k=1,2,...)$ 的分布函数为 $F(x)$，则对任意的有界函数 $h(x)$ 有 $\mathbb{E}[Yh(Y)]=\lambda \mathbb{E}[Xh(Y+X)]$，其中随机变量 $X$ 与 $N$ 统计独立，它的分布函数也为 $F(x)$。

证明：略。

推论 4.8.1：对任何正整数 $n$ 有 $\mathbb{E}[Y^n]=\lambda {\sum }_{k=0}^{n-1}\left(\genfrac{}{}{0ex}{}{n-1}{k}\right)\mathbb{E}[Y^k]\mathbb{E}[X^{n-k}]$。

证明：令 $h(x)=x^{n-1}$ 即可得证。

利用此推论可以得到：
$$\begin{array}{rl}\mathbb{E}Y& =\lambda \mathbb{E}X\\ \mathbb{E}{Y}^2& =\lambda \mathbb{E}{X}^2+{\lambda }^2(\mathbb{E}X{)}^2\\ \mathbb{E}[Y-\mathbb{E}Y{]}^2& =\lambda \mathbb{E}{X}^2\\ \mathbb{E}[Y-\mathbb{E}Y{]}^3& =\lambda \mathbb{E}{X}^3\end{array}$$

4.7 条件泊松过程

定义：设 $\Lambda$ 是一个正的随机变量，分布函数为 $G(x),x\ge 0$，设 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 是一个计数过程，且给定 $\Lambda =\lambda$ 的条件下， { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 是一个泊松过程，即 $\forall s,t\ge 0,n\in \mathbb{N},\lambda \ge 0$，有
$$P(N(s+t)-N(s)=n|\Lambda =\lambda )=\frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}$$
则 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 是条件泊松过程。

Remark：这里 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 本身并不是独立增量过程，由全概率公式得到
$$P(N(s+t)-N(s)=n)={\int }_0^{\infty }\frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}dG(\lambda )$$
定理 4.9：设 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 是上述条件泊松过程，则

1. $\mathbb{E}[N(s+t)-N(t)]=s\mathbb{E}\Lambda$
2. $D[N(s+t)-N(t)]=s\mathbb{E}\Lambda +s^{2}D\Lambda$

证明：略。

4.8 更新过程

4.8.1 更新过程的定义

定义：设 { X k , k ≥ 1 } \{X_k,k\ge1\} {Xk​,k≥1} 独立同分布的非负随机变量，分布函数为 $F(x)$，且 $F(0)<1$。令 $S_0=0,S_n={\sum }_{k=1}^n{X}_k$，对 $\forall t\ge 0$，记 N ( t ) = sup ⁡ { n : S n ≤ t } N(t)=\sup\{n:S_n\le t\} N(t)=sup{n:Sn​≤t} 或者 N ( t ) = ∑ n = 1 ∞ I { S n ≤ t } N(t)=\sum_{n=1}^\infty I_{\{S_n\le t\}} N(t)=∑n=1∞​I{Sn​≤t}​，称 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 为更新过程。

记 $F_n(x)$ 为 $S_n$ 的分布函数，易知 $F_1(x)=F(x)$，$F_n(x)={\int }_0^x{F}_{n-1}(x-u)dF(u),(n\ge 2)$，即 $F_n(x)$ 是 $F(x)$ 的 $n$ 重卷积。记 $m(t)=\mathbb{E}[N(t)]$，称 $m(t)$ 为更新函数。

类似的，分布密度函数同样是卷积的形式 $f_n(x)={\int }_0^x{f}_{n-1}(x-u)f(u)du$。

定理 4.10：$\forall t\ge 0$ 有 $m(t)={\sum }_{n=1}^{\infty }{F}_n(t)$。

证明：$m(t)={\sum }_{n}nP(N(t)=n)={\sum }_{n}P(N(t)\ge n)={\sum }_{n}P(S_n\le t)={\sum }_n{F}_n(t)$.

栗子 4.3：$F(x)$ 是指数分布函数，相应的概率密度函数为 $f(x)=\lambda e^{-\lambda x},x\ge 0,\lambda >0$，那么由此可以计算 $f_n(x)=\frac{\lambda (\lambda x{)}^{n-1}}{(n-1)!}{e}^{-\lambda x}$，然后计算得到 $m(t)=\lambda t$，这与之前泊松过程的结论是一致的。

栗子 4.4：设 $F(x)$ 是 Gamma 分布函数，相应的额概率密度函数为 $f(x)=x{e}^{-x}$，其 Laplace 变换为 $\hat{f}(s)=1/(1+s{)}^2$，利用 Laplace 变换的性质知道 $\widehat{f_n}(s)=1/(1+s{)}^{2n}$，反变换即可得到 $f_n(x)$，然后再根据定理 4.10计算得到 $m(t)=-\frac{1}{4}+\frac{t}{2}+\frac{e^{-2t}}{4}$。

4.8.2 更新过程的剩余寿命与年龄

设 $N(t)$ 表示 $[0,t]$ 上事件发生的个数，$S_n$ 表示第 $n$ 个事件发生的时刻，那么 $S_{N(t)}$ 表示在 $t$ 之前最后一个事件发生的时刻，$S_{N(t)+1}$ 表示 $t$ 时刻后首次事件发生的时刻。令 $W(t)=S_{N(t)+1}-t,V(t)=t-S_{N(t)}$，则 $W(t)$ 表示 $t$ 时刻后直到首次事件发生的剩余时间。

定理 4.11：若非负随机变量 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 独立同分布，分布函数为 $F(x)$，则对 $\forall x,t\ge 0$，有

1. $P(W(t)>x)=1-F(x+t)+{\int }_0^{t}P(W(t-u)>x)dF(u)$
2. $P(V(t)\le x)=(1-F(t))I_{[0,x]}(t)+{\int }_0^{t}P(V(t-y)\le x)dF(y)$

证明：略。

定理 4.12：设 { N ( t ) , t ≥ 0 } \{N(t),t\ge0\} {N(t),t≥0} 是参数为 $\lambda$ 的泊松过程，则

1. $W(t)$ 与 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 同分布，即 $P(W(t)\le x)=1-\exp (-\lambda x),x\ge 0$
2. $V(t)$ 是截尾的指数分布，即 $P(V(t)\le x)=\{\begin{array}{ll}1-\exp (-\lambda x)& 0\le x<t\\ 1& x\ge t\end{array}$

证明：略。

4.10 瓦尔德等式

定义：设 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 为随机序列，$T$ 为非负整数随机变量，若对任一 $n\in \mathbb{N}$ 事件 { T = n } \{T=n\} {T=n} 仅依赖于 { X 1 , . . . , X n } \{X_1,...,X_n\} {X1​,...,Xn​}，而与 $X_{n+1},X_{n+2},...$ 独立，则称 $T$ 关于 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 是停时，或称马尔可夫时。

定理 4.13（Wald）：设 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 独立同分布，$\mu =\mathbb{E}{X}_n<\infty$，$X_n$ 与 $X$ 同分布，$\tau$ 关于 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn​,n≥1} 是停时，且 $\mathbb{E}\tau <\infty$，则 $\mathbb{E}[{\sum }_{n=1}^{\tau }{X}_n]=\mathbb{E}X\mathbb{E}\tau$

证明：略。

4.11 泊松过程与鞅

线性方法构造的鞅，$Y(t)=N(t)-\lambda t,U(t)=Y^2(t)-\lambda t$

基于特征函数构造的鞅 $V(t)=\exp (-\theta N(t)+\lambda t(1-e^{-\theta }))$

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