Lecture 14: Poisson Process I

前言：这节课讲泊松过程定义，泊松过程中的两个随机变量，
number of arrivals given time period, needed time given number of arrivals. 以及泊松过程和伯努利过程的对比。

上节课讲了随机过程，随机过程就是随时间发展的随机试验，也可以把随机过程理解成一项实验，这个实验由无限多的步骤组成。
上节课的例子是：伯努利过程
Bernoulli process, which is nothing but the sequence of Bernoulli trials-- an infinite sequence of Bernoulli trials. For example, flipping a coin over and over.
对于伯努利过程这个实验，主要讲了三个随机变量

1. n次实验中成功的次数
2. 区间到达时间，interarrival time
3. k次到达的时间

memoryless解释：
如果n次实验为 $X_1,X_2,X_3,...,X_t,X_{t+1},X_{t+2}$,
$X_t$是小明来到实验现场的时间，假如小明来的条件是有三个连续的head，那么$X_{t-2},X_{t-1},X_t$就都是head，这样小明才在t时刻被喊来，从$X_{t+1}$开始第一次出现head需要的次数和从$X_1$开始第一次出现head需要的次数是一样的（memoryless），因为小明在$X_t$时刻的到来是由前几次的结果决定的，并没有对$X_{t+1}$以及以后时刻产生任何影响。

但如果有人能预知未来，假如小明来的条件是小明来了之后的三次观察是三个连续的head，那么$X_{t+1},X_{t+2},X_{t+3}$就都是head，从$X_{t+1}$开始第一次出现head需要的次数和从$X_1$开始第一次出现head需要的次数是不一样的，因此这是已经不具备memoryless。

开始泊松过程，首先来两个假设：
假设一：时间同性，在不同时刻，给定相同的时间段，到达次数的分布是相同的。
假设二：无重叠时间段的到达次数是独立的。
我们可以定义：
对于任意的一个非常短的时间段$\delta$，到达的数量是1的概率是$\lambda \delta$
$\lambda$也可以理解成单位时间内到达的次数的期望值。看到单位时间就有连续时间的味道了
下面来推导泊松过程

首先可以通过类比伯努利过程，求得$[0,\tau ]$时间内到达次数为N的PMF。
具体推导过程如下图

把$[0,\tau ]$时间分成n分，然后每一份都是一个伯努利实验，每份实验的到达概率是$p=\lambda \delta$,这样当n取极限的时候，就是到达率为$\lambda$的连续时间$[0,\tau ]$内到达k次的PMF。

期望的求法：
伯努利过程n次实验的期望是$n\ast p$，因为$p=\frac{\lambda \ast t}{n}$,注意这里$\tau$ 用t表示是一样的，所以$E[N_t]=\lambda \ast t$

方差的求法：
伯努利过程n次实验的方差是$n\ast p\ast (1-p)$,因为$p=\frac{\lambda \ast t}{n}$, 注意这里p是小量，所以$Var[N_t]=n\ast p=\lambda \ast t$

举个例子

换一个随机变量，$Y_k$表示k次到达需要的时间，假设第k次到达发生在$[t,t+\delta ]$时间段内， 那么$[0,t]$就有k-1次到达，正好用上泊松分布的公式。得到的新的分布叫erlang分布。
如果k= 1，就是第一次到达需要的时间，是指数分布。

泊松分布和伯努利分布的总结

泊松过程的合并