文章目录
4.5 非时齐次泊松过程
定义:一个计数过程若满足:
- N ( 0 ) = 0 N(0)=0 N(0)=0;
- 它是独立增量过程;
- 对充分小的 Δ t > 0 \Delta t>0 Δt>0,有 P ( N ( t + Δ t ) − N ( t ) = 1 ) = λ ( t ) Δ t + o ( Δ t ) P(N(t+\Delta t)-N(t)=1) = \lambda(t) \Delta t + o(\Delta t) P(N(t+Δt)−N(t)=1)=λ(t)Δt+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);
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
≥
0
N(t),t\ge0
N(t),t≥0 是非时齐次泊松过程,令
m
(
t
)
=
∫
0
t
λ
(
s
)
d
s
m(t)=\int_0^t \lambda (s)ds
m(t)=∫0tλ(s)ds,则对
∀
s
,
t
≥
0
\forall s,t\ge0
∀s,t≥0,有
P
(
N
(
t
+
s
)
−
N
(
s
)
=
n
)
=
(
m
(
s
+
t
)
−
m
(
s
)
)
n
n
!
exp
(
−
(
m
(
s
+
t
)
−
m
(
s
)
)
)
,
n
≥
0
P(N(t+s)-N(s)=n) = \frac{(m(s+t)-m(s))^n}{n!}\exp(-(m(s+t)-m(s))), ~ n\ge0
P(N(t+s)−N(s)=n)=n!(m(s+t)−m(s))nexp(−(m(s+t)−m(s))), n≥0
上述定理最主要特点在于
E
[
N
(
t
+
s
)
−
N
(
s
)
]
=
m
(
s
+
t
)
−
m
(
s
)
=
∫
s
s
+
t
λ
(
s
)
d
s
{\mathbb E}[N(t+s)-N(s)] = m(s+t)-m(s) = \int_s^{s+t} \lambda (s)ds
E[N(t+s)−N(s)]=m(s+t)−m(s)=∫ss+tλ(s)ds,相应的方差为
D
[
N
(
s
+
t
)
−
N
(
s
)
]
=
m
(
s
+
t
)
−
m
(
s
)
D_{[N(s+t)-N(s)]}=m(s+t)-m(s)
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 ) = ∑ i = 1 N ( t ) Y i X(t)=\sum_{i=1}^{N(t)} Y_i X(t)=∑i=1N(t)Yi 称为复合泊松过程。
为求
X
(
t
)
X(t)
X(t) 的矩,先求它的矩母函数
ϕ
t
(
u
)
=
E
[
exp
(
u
X
(
t
)
)
]
=
∑
n
=
0
∞
P
(
N
(
t
)
=
n
)
E
[
exp
(
u
X
(
t
)
)
∣
N
(
t
)
=
n
]
=
exp
(
λ
t
(
ϕ
Y
(
u
)
−
1
)
)
\begin{aligned} \phi_t(u) &= {\mathbb E}[\exp(u X(t))] \\ &= \sum_{n=0}^\infty P(N(t)=n){\mathbb E}[\exp(uX(t)) | N(t)=n] \\ &= \exp(\lambda t(\phi_Y(u)-1)) \end{aligned}
ϕt(u)=E[exp(uX(t))]=n=0∑∞P(N(t)=n)E[exp(uX(t))∣N(t)=n]=exp(λt(ϕY(u)−1))
其中
ϕ
Y
(
u
)
=
E
[
exp
(
u
Y
)
]
\phi_Y(u)={\mathbb E}[\exp(uY)]
ϕY(u)=E[exp(uY)] 为
Y
Y
Y 的矩母函数。上式在
u
=
0
u=0
u=0 处求导得到
E
[
X
(
t
)
]
=
ϕ
t
′
(
0
)
=
λ
t
E
Y
{\mathbb E}[X(t)] = \phi_t'(0) = \lambda t {\mathbb E}Y
E[X(t)]=ϕt′(0)=λtEY,
D
[
X
(
t
)
]
=
ϕ
t
′
′
(
0
)
−
(
ϕ
t
′
(
0
)
)
2
=
λ
t
E
Y
2
{D}[X(t)] = \phi_t''(0)-(\phi_t'(0))^2 = \lambda t{\mathbb E}Y^2
D[X(t)]=ϕt′′(0)−(ϕt′(0))2=λtEY2。若
Y
i
Y_i
Yi 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 = ∑ i = 1 N X i Y=\sum_{i=1}^N X_i Y=∑i=1NXi 是复合泊松随机变量,其中随机变量 N N N 服从均值为 λ \lambda λ 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 N N 统计独立。设 X k , ( k = 1 , 2 , . . . ) X_k,(k=1,2,...) Xk,(k=1,2,...) 的分布函数为 F ( x ) F(x) F(x),则对任意的有界函数 h ( x ) h(x) h(x) 有 E [ Y h ( Y ) ] = λ E [ X h ( Y + X ) ] {\mathbb E}[Y h(Y)] = \lambda {\mathbb E}[X h(Y+X)] E[Yh(Y)]=λE[Xh(Y+X)],其中随机变量 X X X 与 N N N 统计独立,它的分布函数也为 F ( x ) F(x) F(x)。
证明:略。
推论 4.8.1:对任何正整数 n n n 有 E [ Y n ] = λ ∑ k = 0 n − 1 ( n − 1 k ) E [ Y k ] E [ X n − k ] {\mathbb E}[Y^n] = \lambda \sum_{k=0}^{n-1} \tbinom{n-1}{k} {\mathbb E}[Y^k]{\mathbb E}[X^{n-k}] E[Yn]=λ∑k=0n−1(kn−1)E[Yk]E[Xn−k]。
证明:令 h ( x ) = x n − 1 h(x)=x^{n-1} h(x)=xn−1 即可得证。
利用此推论可以得到:
E
Y
=
λ
E
X
E
Y
2
=
λ
E
X
2
+
λ
2
(
E
X
)
2
E
[
Y
−
E
Y
]
2
=
λ
E
X
2
E
[
Y
−
E
Y
]
3
=
λ
E
X
3
\begin{aligned} {\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{aligned}
EYEY2E[Y−EY]2E[Y−EY]3=λEX=λEX2+λ2(EX)2=λEX2=λEX3
4.7 条件泊松过程
定义:设
Λ
\Lambda
Λ 是一个正的随机变量,分布函数为
G
(
x
)
,
x
≥
0
G(x),x\ge0
G(x),x≥0,设
{
N
(
t
)
,
t
≥
0
}
\{N(t),t\ge0\}
{N(t),t≥0} 是一个计数过程,且给定
Λ
=
λ
\Lambda=\lambda
Λ=λ 的条件下,
{
N
(
t
)
,
t
≥
0
}
\{N(t),t\ge0\}
{N(t),t≥0} 是一个泊松过程,即
∀
s
,
t
≥
0
,
n
∈
N
,
λ
≥
0
\forall s,t\ge0,n\in \mathbb{N},\lambda\ge0
∀s,t≥0,n∈N,λ≥0,有
P
(
N
(
s
+
t
)
−
N
(
s
)
=
n
∣
Λ
=
λ
)
=
(
λ
t
)
n
n
!
e
−
λ
t
P(N(s+t)-N(s)=n | \Lambda=\lambda) = \frac{(\lambda t)^n}{n!} e^{-\lambda t}
P(N(s+t)−N(s)=n∣Λ=λ)=n!(λt)ne−λt
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
)
=
∫
0
∞
(
λ
t
)
n
n
!
e
−
λ
t
d
G
(
λ
)
P(N(s+t)-N(s)=n) = \int_0^{\infty} \frac{(\lambda t)^n}{n!} e^{-\lambda t} dG(\lambda)
P(N(s+t)−N(s)=n)=∫0∞n!(λt)ne−λtdG(λ)
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
- E [ N ( s + t ) − N ( t ) ] = s E Λ {\mathbb E}[N(s+t)-N(t)] = s{\mathbb E}\Lambda E[N(s+t)−N(t)]=sEΛ
- D [ N ( s + t ) − N ( t ) ] = s E Λ + s 2 D Λ D[N(s+t)-N(t)] = s{\mathbb E}\Lambda + s^2 D\Lambda D[N(s+t)−N(t)]=sEΛ+s2DΛ
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 ) F(x) F(x),且 F ( 0 ) < 1 F(0)<1 F(0)<1。令 S 0 = 0 , S n = ∑ k = 1 n X k S_0=0, S_n=\sum_{k=1}^n X_k S0=0,Sn=∑k=1nXk,对 ∀ t ≥ 0 \forall t\ge0 ∀t≥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 ) F_n(x) Fn(x) 为 S n S_n Sn 的分布函数,易知 F 1 ( x ) = F ( x ) F_1(x)=F(x) F1(x)=F(x), F n ( x ) = ∫ 0 x F n − 1 ( x − u ) d F ( u ) , ( n ≥ 2 ) F_n(x)=\int_0^x F_{n-1}(x-u)dF(u),(n\ge2) Fn(x)=∫0xFn−1(x−u)dF(u),(n≥2),即 F n ( x ) F_n(x) Fn(x) 是 F ( x ) F(x) F(x) 的 n n n 重卷积。记 m ( t ) = E [ N ( t ) ] m(t)={\mathbb E}[N(t)] m(t)=E[N(t)],称 m ( t ) m(t) 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 ) = ∫ 0 x f n − 1 ( x − u ) f ( u ) d u f_n(x) = \int_0^x f_{n-1}(x-u)f(u)du fn(x)=∫0xfn−1(x−u)f(u)du。
定理 4.10: ∀ t ≥ 0 \forall t\ge0 ∀t≥0 有 m ( t ) = ∑ n = 1 ∞ F n ( t ) m(t)=\sum_{n=1}^\infty F_n(t) m(t)=∑n=1∞Fn(t)。
证明: m ( t ) = ∑ n n P ( N ( t ) = n ) = ∑ n P ( N ( t ) ≥ n ) = ∑ n P ( S n ≤ t ) = ∑ n F n ( t ) 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) m(t)=∑nnP(N(t)=n)=∑nP(N(t)≥n)=∑nP(Sn≤t)=∑nFn(t).
栗子 4.3: F ( x ) F(x) F(x) 是指数分布函数,相应的概率密度函数为 f ( x ) = λ e − λ x , x ≥ 0 , λ > 0 f(x)=\lambda e^{-\lambda x},x\ge0,\lambda > 0 f(x)=λe−λx,x≥0,λ>0,那么由此可以计算 f n ( x ) = λ ( λ x ) n − 1 ( n − 1 ) ! e − λ x f_n(x)=\frac{\lambda (\lambda x)^{n-1}}{(n-1)!} e^{-\lambda x} fn(x)=(n−1)!λ(λx)n−1e−λx,然后计算得到 m ( t ) = λ t m(t) = \lambda t m(t)=λt,这与之前泊松过程的结论是一致的。
栗子 4.4:设 F ( x ) F(x) F(x) 是 Gamma 分布函数,相应的额概率密度函数为 f ( x ) = x e − x f(x)=xe^{-x} f(x)=xe−x,其 Laplace 变换为 f ^ ( s ) = 1 / ( 1 + s ) 2 \hat{f}(s) = 1/(1+s)^2 f^(s)=1/(1+s)2,利用 Laplace 变换的性质知道 f n ^ ( s ) = 1 / ( 1 + s ) 2 n \hat{f_n}(s)=1/(1+s)^{2n} fn^(s)=1/(1+s)2n,反变换即可得到 f n ( x ) f_n(x) fn(x),然后再根据定理 4.10计算得到 m ( t ) = − 1 4 + t 2 + e − 2 t 4 m(t)=-\frac{1}{4} + \frac{t}{2} + \frac{e^{-2t}}{4} m(t)=−41+2t+4e−2t。
4.8.2 更新过程的剩余寿命与年龄
设 N ( t ) N(t) N(t) 表示 [ 0 , t ] [0,t] [0,t] 上事件发生的个数, S n S_n Sn 表示第 n n n 个事件发生的时刻,那么 S N ( t ) S_{N(t)} SN(t) 表示在 t t t 之前最后一个事件发生的时刻, S N ( t ) + 1 S_{N(t)+1} SN(t)+1 表示 t t 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 ) W(t)=S_{N(t)+1}-t, V(t)=t-S_{N(t)} W(t)=SN(t)+1−t,V(t)=t−SN(t),则 W ( t ) W(t) W(t) 表示 t t 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 ) F(x) F(x),则对 ∀ x , t ≥ 0 \forall x,t\ge0 ∀x,t≥0,有
- P ( W ( t ) > x ) = 1 − F ( x + t ) + ∫ 0 t P ( W ( t − u ) > x ) d F ( u ) P(W(t) > x)=1 - F(x+t) + \int_0^t P(W(t-u) > x) dF(u) P(W(t)>x)=1−F(x+t)+∫0tP(W(t−u)>x)dF(u)
- P ( V ( t ) ≤ x ) = ( 1 − F ( t ) ) I [ 0 , x ] ( t ) + ∫ 0 t P ( V ( t − y ) ≤ x ) d F ( y ) P(V(t) \le x) = (1-F(t)) I_{[0,x]}(t) + \int_0^t P(V(t-y) \le x) dF(y) P(V(t)≤x)=(1−F(t))I[0,x](t)+∫0tP(V(t−y)≤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 λ \lambda λ 的泊松过程,则
- W ( t ) W(t) W(t) 与 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn,n≥1} 同分布,即 P ( W ( t ) ≤ x ) = 1 − exp ( − λ x ) , x ≥ 0 P(W(t)\le x)=1-\exp(-\lambda x),x\ge0 P(W(t)≤x)=1−exp(−λx),x≥0
- V ( t ) V(t) V(t) 是截尾的指数分布,即 P ( V ( t ) ≤ x ) = { 1 − exp ( − λ x ) 0 ≤ x < t 1 x ≥ t P(V(t)\le x)=\begin{cases} 1-\exp(-\lambda x) & 0\le x < t \\ 1 & x\ge t \end{cases} P(V(t)≤x)={1−exp(−λx)10≤x<tx≥t
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 T T 为非负整数随机变量,若对任一 n ∈ N n\in{\mathbb N} n∈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 , . . . X_{n+1},X_{n+2},... Xn+1,Xn+2,... 独立,则称 T T 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, μ = E X n < ∞ \mu={\mathbb E}X_n < \infty μ=EXn<∞, X n X_n Xn 与 X X X 同分布, τ \tau τ 关于 { X n , n ≥ 1 } \{X_n,n\ge1\} {Xn,n≥1} 是停时,且 E τ < ∞ {\mathbb E}\tau < \infty Eτ<∞,则 E [ ∑ n = 1 τ X n ] = E X E τ {\mathbb E}[\sum_{n=1}^\tau X_n] = {\mathbb E}X {\mathbb E}\tau E[∑n=1τXn]=EXEτ
证明:略。
4.11 泊松过程与鞅
线性方法构造的鞅, Y ( t ) = N ( t ) − λ t , U ( t ) = Y 2 ( t ) − λ t Y(t)=N(t)-\lambda t, U(t)=Y^2(t)-\lambda t Y(t)=N(t)−λt,U(t)=Y2(t)−λt
基于特征函数构造的鞅 V ( t ) = exp ( − θ N ( t ) + λ t ( 1 − e − θ ) ) V(t)=\exp(-\theta N(t) + \lambda t(1-e^{-\theta})) V(t)=exp(−θN(t)+λt(1−e−θ))
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