跳跃随机过程
1泊松过程
1.1定义
满足以下三个条件:
- N 0 = 0 N_0=0 N0=0
- P ( N t − N s = n ) = ( λ ( t − s ) ) n n ! e − λ ( t − s ) P(N_t-N_s=n)=\frac{(\lambda (t-s))^n}{n!}e^{-\lambda (t-s)} P(Nt−Ns=n)=n!(λ(t−s))ne−λ(t−s)
- 对任意的 t 1 < t 2 < . . . < t n , t_1<t_2<...<t_n, t1<t2<...<tn,有 N t 2 − N t 1 , N t 3 − N t 2 , . . . , N t n − N t n − 1 , N_{t_2}-N_{t_1},N_{t_3}-N_{t_2},...,N_{t_n}-N_{t_{n-1}}, Nt2−Nt1,Nt3−Nt2,...,Ntn−Ntn−1,是相互独立的随机变量
1.2一维分布与数字特征
- ∀ t > 0 , N t \forall t>0,N_t ∀t>0,Nt服从参数为 λ t \lambda t λt的泊松分布
-
m
N
(
t
)
=
λ
t
,
D
N
(
t
)
=
λ
t
,
R
N
(
s
,
t
)
=
λ
2
s
t
+
λ
m
i
n
(
s
,
t
)
m_N(t)=\lambda t,D_N(t)=\lambda t,R_N(s,t)=\lambda^2st+\lambda min(s,t)
mN(t)=λt,DN(t)=λt,RN(s,t)=λ2st+λmin(s,t)
2计数过程
2.1定义
如果 N t N_t Nt表示直到t时刻为止发生的事件总数,则称实随机过程 { N t , t ≥ 0 } \{N_t,t\geq 0\} {Nt,t≥0}为计数过程
2.2性质
- T n = τ 1 + τ 2 + . . . + τ n = ∑ k = 1 n τ k T_n=\tau_1+\tau_2+...+\tau_n=\sum_{k=1}^{n}\tau_k Tn=τ1+τ2+...+τn=∑k=1nτk
-
τ
n
=
T
n
−
T
n
−
1
\tau_n=T_n-T_{n-1}
τn=Tn−Tn−1
2.3定理
2.3.1时间间隔 → \rightarrow →泊松分布
如果计数过程
N
=
{
N
t
,
t
≥
0
}
N=\{N_t,t\geq 0\}
N={Nt,t≥0}的到达时间间隔序列
{
τ
n
,
n
=
1
,
2
,
.
.
.
,
n
}
\{\tau_n,n=1,2,...,n\}
{τn,n=1,2,...,n}是独立的、且同服从参数为
λ
>
0
\lambda >0
λ>0的指数分布,则该计数过程一定是参数为
λ
\lambda
λ的泊松分布
证明思路:
依靠
τ
n
\tau_n
τn满足指数分布
→
T
n
\rightarrow T_n
→Tn满足伽玛分布
→
P
(
N
t
=
n
)
=
P
(
T
n
≤
t
<
T
n
+
1
)
=
P
(
T
n
≤
t
)
−
P
(
T
n
+
1
≤
t
)
\rightarrow P(N_t=n)=P(T_n\leq t<T_{n+1})=P(T_n\leq t)-P(T_{n+1}\leq t)
→P(Nt=n)=P(Tn≤t<Tn+1)=P(Tn≤t)−P(Tn+1≤t)
2.3.2泊松分布 → \rightarrow →时间间隔
🙄🙄🙄🙄🙄🙄还没有完全看懂
已知泊松过程,证明其时间间隔分布是指数分布。
对
τ
1
,
\tau_1,
τ1,我们有
P
(
τ
1
<
t
)
=
P
(
T
1
<
t
)
=
1
−
P
(
T
1
≥
t
)
=
1
−
P
(
N
t
=
0
)
=
1
−
e
−
λ
t
P(\tau_1<t)=P(T_1<t)=1-P(T_1\geq t)=1-P(N_t=0)=1-e^{-\lambda t}
P(τ1<t)=P(T1<t)=1−P(T1≥t)=1−P(Nt=0)=1−e−λt为指数分布。
对于
0
<
t
1
<
t
2
,
0<t_1<t_2,
0<t1<t2,以及充分小的
δ
i
,
\delta_i,
δi,有
P
{
t
1
−
δ
1
<
T
1
≤
t
1
+
δ
1
,
t
2
−
δ
1
<
T
1
≤
t
2
+
δ
1
}
P\{t_1-\delta_1<T_1\leq t_1+\delta_1,t_2-\delta_1<T_1\leq t_2+\delta_1\}
P{t1−δ1<T1≤t1+δ1,t2−δ1<T1≤t2+δ1}
=
P
{
N
t
1
−
δ
1
=
0
,
N
t
1
+
δ
1
−
N
t
1
−
δ
1
=
1
,
N
t
2
−
δ
2
−
N
t
1
+
δ
1
=
0
,
N
t
2
+
δ
2
−
N
t
2
−
δ
2
=
0
}
={P\{N_{t_1-\delta_1}=0,N_{t_1+\delta_1}-N_{t_1-\delta_1}=1,N_{t_2-\delta_2}-N_{t_1+\delta_1}=0,N_{t_2+\delta_2}-N_{t_2-\delta_2}=0\}}
=P{Nt1−δ1=0,Nt1+δ1−Nt1−δ1=1,Nt2−δ2−Nt1+δ1=0,Nt2+δ2−Nt2−δ2=0}
=
e
−
λ
1
(
t
1
−
δ
1
)
λ
1
2
δ
1
e
−
2
λ
1
δ
1
e
−
λ
2
(
t
2
−
δ
2
−
t
1
−
δ
1
)
λ
2
2
δ
2
e
−
2
λ
2
δ
2
=e^{-\lambda_1(t_1-\delta_1)}\lambda_12\delta_1e^{-2\lambda_1\delta_1}e^{-\lambda_2(t_2-\delta_2-t_1-\delta_1)}\lambda_22\delta_2e^{-2\lambda_2\delta_2}
=e−λ1(t1−δ1)λ12δ1e−2λ1δ1e−λ2(t2−δ2−t1−δ1)λ22δ2e−2λ2δ2
则
f
T
1
,
T
2
(
t
1
,
t
2
)
=
l
i
m
δ
1
→
0
,
δ
2
→
0
e
−
λ
(
t
1
−
δ
i
)
λ
2
δ
i
e
−
2
λ
δ
i
e
−
λ
(
t
2
−
δ
i
−
t
1
−
δ
i
)
λ
2
δ
i
e
−
2
λ
δ
i
4
δ
1
δ
2
=
λ
2
e
−
λ
t
2
f_{T_1,T_2}(t_1,t_2)=lim_{\delta_1\rightarrow0,\delta_2\rightarrow0}\frac{e^{-\lambda(t_1-\delta_i)}\lambda2\delta_ie^{-2\lambda\delta_i}e^{-\lambda(t_2-\delta_i-t_1-\delta_i)}\lambda2\delta_ie^{-2\lambda\delta_i}}{4\delta_1\delta_2}=\lambda^2e^{-\lambda t_2}
fT1,T2(t1,t2)=limδ1→0,δ2→04δ1δ2e−λ(t1−δi)λ2δie−2λδie−λ(t2−δi−t1−δi)λ2δie−2λδi=λ2e−λt2
又
∵
\because
∵
T
1
=
τ
1
T_1=\tau_1
T1=τ1
T
2
=
τ
1
+
τ
2
T_2=\tau_1+\tau_2
T2=τ1+τ2由雅可比行列式可以得到
f
τ
1
,
τ
2
(
t
1
,
t
2
)
=
λ
2
e
−
λ
(
t
1
+
t
2
)
f_{\tau_1,\tau_2}(t_1,t_2)=\lambda^2e^{-\lambda(t_1+t_2)}
fτ1,τ2(t1,t2)=λ2e−λ(t1+t2)
联想到
τ
1
\tau_1
τ1的概率密度函数为
f
τ
1
(
t
)
=
λ
e
−
λ
t
,
f_{\tau_1}(t)=\lambda e^{-\lambda t},
fτ1(t)=λe−λt,而且
τ
1
,
τ
2
\tau_1,\tau_2
τ1,τ2相互独立
所以
f
τ
2
(
t
)
=
λ
e
−
λ
t
,
f_{\tau_2}(t)=\lambda e^{-\lambda t},
fτ2(t)=λe−λt,所以
τ
2
\tau_2
τ2也服从指数分布
以此类推,可以得到
τ
1
,
τ
2
,
.
.
.
,
τ
n
\tau_1,\tau_2,...,\tau_n
τ1,τ2,...,τn为指数分布
2.4例题
- 两个独立的泊松过程的和仍然是泊松过程
可以采取这样的思路证明:
P ( N 1 + N 2 = k ) = ∑ i = 0 k P ( N 1 = i ) P ( N 2 = n − i ) P(N_1+N_2=k)=\sum_{i=0}^{k}P(N_1=i)P(N_2=n-i) P(N1+N2=k)=∑i=0kP(N1=i)P(N2=n−i)