隨機過程的一般概念
隨機過程:T是(−∞,∞)的子集,對於每個t∈T,Xt是隨機變量,則稱隨機變量的集合{Xt∣t∈T}是隨機過程,T是隨機過程的指標集
隨機過程的觀測或實現:對每個t∈T,都得到了Xt的觀測值xt,稱{xt∣t∈T}是{Xt∣t∈T}是隨機過程的一次實現或一次觀測
軌跡或軌道:當T是[0,∞)或(−∞,∞)時,{Xt∣t∈T}的一次觀測又稱爲是一條軌道或一條軌跡
時間序列:T=N或T=Z時,隨機過程又稱爲時間序列
計數過程的一般概念
計數過程:用來描述一段時間內發生的某類事件的次數的隨機過程,計數過程{N(t)}定義爲:N(t)是(0,t]時間內某事件發生的次數,滿足:
(1)對t≥0,N(t)是取非負整數值的隨機變量
(2)t≥s時,N(t)≥N(s)≥0
(3)N(t)−N(s)表示(s,t]時間段內該事件發生的次數
(4)N(t)的軌跡是單調不減右連續的階梯函數
舉例:計數過程可以表示某段時間內收到的手機短信數,某段時間內到達某個車站的乘客數目,某段時間內商場經理收到商品質量的投訴數,某段時間內股票市場股票成交的次數
獨立增量性:對於計數過程{N(t)},如果任取0<t1<t2<⋯<tn,隨機變量N(t1),N(t2)−N(t1),⋯,N(tn)−N(tn−1)是相互獨立的,則稱計數過程{N(t)}具有獨立增量性,該計數過程稱爲獨立增量過程
平穩增量性:如果對計數過程{N(t)},對任何的非負實數s,隨機變量
N(t2)−N(t1),N(t2+s)−N(t1+s)同分布,則稱該計數過程具有平穩增量性,該計數過程稱爲平穩增量過程
泊松過程
泊松過程的定義
泊松過程 稱滿足以下條件的計數過程{N(t)}是強度爲λ的泊松過程:
(1){N(t)}是滿足N(0)=0的獨立增量過程和平穩增量過程
(2)N(t)滿足參數爲λt的泊松分佈
強度的含義:EN(t)=λt,故單位時間內發生的平均事件數爲tEN(t)=λ因此,強度的實際含義是單位時間內發生時間的平均次數
等價定義:如果計數過程{N(t)}滿足:
(1)N(0)=0
(2){N(t)}是獨立增量過程和平穩增量過程
(3){N(t)}滿足普通性,即:{P(N(h)=1)=λh+o(h)P(N(h)≥2)=o(h)則{N(t)}是強度爲λ的泊松過程(通俗地講是,在極短的時間內,發生一次時間的概率同時間幾乎成正比,幾乎不可能發生兩次或以上事件)
證:
令f0(h)=P{N(h)=0}=1−P{N(h)=1}−P{N(h)≥2}=1−λh+o(h),則當Δh>0時===f0(h+Δh)=P{N(h+Δh)=0}P{N(h)=0,N(h+Δh)−N(h)=0}P{N(h)=0}P{N(Δh)=0}f0(h)f0(Δh)上式的第二個等號,可以從兩個角度理解
第一個角度,計數過程的取值都是非負整數,且滿足單調性,Δh>0,而N(h+Δh)=N(h)+N(h+Δh)−N(h),由於N(h),N(h+Δh)−N(h)都取非負整數值,兩者之和爲零的充要條件是兩者均爲0,如果Δh<0
第二個角度,從計數過程的定義來看,(0,h+Δh]這段時間內沒有任何事件發生的充要條件當然是(0,h],(h,h+Δh]時間段內都沒有任何事件發生,這兩段時間內只要有任何一段發生了一次事件,那麼(0,h+Δh]這段時間內都至少會發生1次事件
於是,當Δh>0時,就有f0(h+Δh)−f0(h)=[f0(Δh)−1]f(h)=[−λΔh+o(Δh)]f0(h)兩邊除以Δh,再令Δh→0+,即可證得f(h)的右導數存在,並且f0+(h)=−λf0(h)如果Δh<0,那麼f0(h)=f0(h+Δh)f0(−Δh)因此f0(h+Δh)−f0(h)=f0(h+Δh)[1−f0(−Δh)]=f0(h+Δh)[−λΔh+o(Δh)]由上式不難得出Δ→0−limf0(h+Δh)=f(h),兩邊除以Δh,再令Δh→0−,即可證得f(h)的左導數也存在,並且f0−(h)=−λf0(h)故f(h)在h=0處可導,且滿足微分方程f0′(h)=−λf0(h)方程的通解爲f0(h)=Ce−λh令h=0,f0(h)=1,故C=1,從而得到P{N(h)=0}=e−λh。接下來就可以求解P{N(h)=1},同樣地,我們令f1(h)=P{N(h)=1},當Δh>0時f1(h+Δh)=f1(h)f0(Δh)+f1(Δh)f0(h)因此=f1(h+Δh)−f1(h)=f1(h)[f0(Δh)−1]+f1(Δh)f0(h)f1(h)[−λΔh+o(Δh)]+[λΔh+o(Δh)]e−λh兩邊除以Δh,令Δ→0+,即可證得f1(h)在h處存在右導數,並且f1+(h)=−λf1(h)+λe−λh如果Δh<0,有==f1(h+Δh)−f(h)f1(h+Δh)[1−f0(−Δh)]−f1(−Δh)f0(h+Δh)[−λΔh+o(Δh)]f1(h+Δh)−[−λΔh+o(Δh)]f0(h+Δh)同理可得f1−(h)存在,並且f1−(h)=−λf1(h)+λe−λh於是f1(h)在h處可導,並且滿足微分方程f1′(h)=−λf1(h)+λe−λh同時f1(0)=0,方程組的通解爲f1(h)=λhe−λh+Ce−λh由f1(0)=0,得到C=0,f1(h)=λhe−λh,接下來我們用數學歸納法完成接下來的證明,假設對k≤n,都有P{N(h)=k}=k!(λh)ke−λh我們來求fn+1(h)=P{N(h)=n+1},我們這裏設fk(h)=k!(λh)ke−λh,k=1,⋯,n,同樣地,當Δh>0時,有fn+1(h+Δh)=k=0∑n+1fk(h)fn+1−k(Δh)故fn+1(h+Δh)−fn+1(h)=fn+1(h)(1−f0(Δh))+k=0∑nfk(h)fn+1−k(Δh)兩邊除以Δh,再令Δh→0+,可證得fn+1(h)在h處右導數存在,並且fn+1+(h)=λfn+1(h)+λfn(h)模仿上面的證明,可以證得fn+1在h處左導數也存在,並且fn+1−(h)=λfn+1(h)+λfn(h)故fn+1′(h)=λfn+1(h)+n!λn+1hne−λh該微分方程的通解爲fn+1(h)=(n+1)!(λh)n+1e−λh+Ce−λh再由fn+1(0)=0,得C=0,故fn+1(h)=(n+1)!(λh)n+1e−λh由歸納法,對任意的n=1,2,⋯,就有P{N(h)=n}=n!(λt)ne−λt故{N(t)}是泊松過程
泊松呼叫流、等待時間、年齡、壽命
先給出這幾個概念,再給出他們的分佈。假設對{N(t)}對應的事件流,第一次事件發生的時間點爲S1,S2,S3,⋯,我們將其畫在時間軸上,即
泊松呼叫流:計數過程{N(t)}對應的各事件發生的時刻{Sn},{Sn}是單調遞增的非負時間序列,由泊松呼叫流的一次實現可以得到{N(t)}的一次實現,由於N(t)的含義是在(0,t]內發生的事件的次數,故我們只需要數(0,t]時間內有多少個Si,如果N(t)=n說明:Sn≤t,Sn+1>t,我們得到以下的基本關係式
{N(t)<n}={Sn>t}{N(t)=n}={Sn≤t<Sn+1}
等待時間:即相鄰兩次事件發生的時間間隔,即Xi=Si−Si−1,i=1,2,⋯,這裏定義S0=0
年齡和壽命:我們把S1,S2,⋯想象成更換某種零件的時間點,具體地講,在0時刻第一個零件開始運作,在S1時刻第一個零件損壞,立即更換上第二個零件,在S2時刻,第二個零件損壞,立即更換上第三個零件,以此類推。假設N(t)=n,此時已經更換了n次零件,即此時運作的是機器的第n+1個零件,那麼Sn是這個零件開始運作的時刻,Sn+1是這個零件損壞的時刻,那麼,這個零件的年齡是t−Sn,剩餘壽命是Sn+1−t,將n換成N(t),年齡就是t−SN(t),壽命就是SN(t)+1−t,前者我們記爲A(t),後者我們記爲R(t)
呼叫流的聯合分佈
現在我們來求呼叫流(S1,⋯,Sn)的分佈,首先求單個Sn的分佈:實際上{Sn≤t}={N(t)≥n},於是就得到Sn的分佈函數Fn(t)=k=n∑∞k!(λt)ke−λt求導即可得到其密度函數pn(t)===k=n∑∞kk!λktk−1e−λt−λk=n∑∞k!(λt)ke−λtλk=n∑∞(k−1)!(λt)k−1e−λt−λk=n∑∞k!(λt)ke−λtΓ(n)λntn−1e−λt可見Sn服從伽馬分佈,參數爲n,λ,其均值爲λn,接下來我們來求(S1,S2,⋯,Sn)的聯合分佈:我們假設其分佈函數爲F(s1,s2,⋯,sn)=P{S1≤s1,S2≤s2,⋯,Sn≤sn}如果i<j,但si>sj,那麼=P{S1≤s1,⋯,Si>si,⋯,Sj≤sj,⋯,Sn≤sn}P{S1≤s1,⋯,Si−1≤si−1,Si+1≤si+1,⋯,Sn≤sn}−F(x1,x2,⋅,xn)=0兩邊對x1,⋯,xn依次求偏導,則p(x1,⋯,xn)=0因此,我們假設s1≤s2≤s3⋯≤sn,我們求分佈函數F(s1,⋯,sn),以n=2爲例,s1<s2,則F(s1,s2)==P{S1≤s1,S2≤s2}P{S2≤s2}−P{S1>s1,S2≤s2}而事件{S1>s1,S2≤s2}相當於在(0,s1]段事件發生了0次,(s1,s2]段事件至少發生了兩次,有P{S1>s1,S2≤s2}====P{N(s1)=0,N(s2)−N(s1)≥2}P{N(s1)=0}P{N(s2−s1)≥2}e−λs1(k=2∑∞k!λk(s2−s1)k)e−λ(s2−s1)(k=2∑∞k!λk(s2−s1)k)e−λs2則密度函數p(s1,s2)=∂s1∂s2∂2F(s1,s2)=λ2e−λs2因此(S1,S2)的密度函數爲p(s1,s2)=λ2e−λs2Is1<s2,再求n=3的情形,設s1<s2<s3,那麼F(s1,s2,s3)===P{S1≤s1,S2≤s2,S3≤s3}P{S2≤s2,S3≤s3}−P{S1>s1,S2≤s2,S3≤s3}P{S2≤s2,S3≤s3}−P{S1>s1,S2≤s2}+P{S1>s1,S2≤s2,S3>s3}從下圖可以看出{S1>s1,S2≤s2,S3>s3}={N(s1)=0,N(s2)−N(s1)=2,N(s3)−N(s2)=0}
故==P{S1>s1,S2≤s2,S3>s3}P{N(s1)=0}P{N(s2)−N(s1)=2}P{N(s3)−N(s2)=0}e−λs12λ2(s2−s1)2e−λ(s2−s1)e−λ(s3−s2)=2λ2(s2−s1)2e−λs3同樣地方法可以得到(S1,S2,S3)的密度函數爲p(s1,s2,s3)=λ3e−λs3Is1<s2<s3n=2及n=3情形已經給出求(S1,⋯,Sn)的一般方法,當n=2k+1,s1<s2<⋯<s2k時,首先,比較容易求出的是以下概率==×=Gk(s1,s2,⋯,s2k)P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k}i=1∏nP{N(s2i−1)−N(s2i−2)=0}.i=1∏n−1P{N(s2i)−N(s2i−1)=2}P{N(s2k)−N(s2k−1)≥2}i=1∏n−12λ2(s2i−s2i−1)2(j=2∑∞j!λj(s2k−s2k−1)j)e−λs2k其中規定s0=0,先對s1,⋯,s2k−2依次求偏導∂s1∂s2⋯∂s2k−2∂2k−2Gk=λ2k−2(j=2∑∞j!λj(s2k−s2k−1)j)e−λs2k這樣對其餘兩個變元求偏導就輕鬆很多,具體過程不再詳述,最終得到∂s1∂s2⋯∂s2k∂2kGk=(−1)kλ2ke−λs2k現在,我們令G1(s1,s2,⋯,sn)=G2(s1,s2,⋯,sn)=⋯Gi(s1,s2,⋯,sn)=⋯Gk(s1,s2,⋯,sn)=P{S1>s1,S2≤s2,S3≤s3,⋯,S2k≤s2k}P{S1>s1,S2≤s2,S3>s3,S4≤s4,S5≤s5,⋯,S2k≤s2k}P{S1>s1,S2≤s2,⋯,S2i−1>s2i−1,Sj≤sj,n≥j>2i−1}P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k}於是F(s1,s2,⋯,sn)=P{S2≤s2,S3≤s3,⋯,S2k≤s2k}−G1(s1,⋯,sn)G1(s1,⋯,sn)=P{S1>s1,S2≤s2,S4≤s4,⋯,S2k≤s2k}−G2(s1,⋯,sn)⋯這樣看F和Gk的偏導數的關係應該是∂s1∂s2⋯∂s2k∂2kF=(−1)k∂s1∂s2⋯∂s2k∂2kGk從而得到(S1,⋯,S2k)的聯合密度應該是p(s1,⋯,sn)=λ2ke−λs2kI0<s1<⋯<s2k當n爲奇數的時候也進行類似的討論,就得到(S1,⋯,Sn)的聯合密度爲p(s1,⋯,sn)=λne−λsnI0<s1<s2<⋯<sn
總結:{Sn}是強度爲λ的泊松過程{N(t)}的呼叫流,則
(1)Sn服從Γ(n,λ)
(2)(S1,⋯,Sn)的聯合密度爲p(s1,⋯,sn)=λne−λsnI0<s1<s2<⋯<sn
呼叫流的條件分佈
下面給定N(t)=n的條件,(S1,⋯,Sn)的分佈:
按照條件概率的定義P(S1≤s1,⋯,Sn≤sn∣N(t)=n)=P{N(t)=n}P{Si≤si,i=1,2,⋯,n,N(t)=n}同非條件的聯合分佈的討論一樣,如果(s1,⋯,sn)不滿足0<s1<⋯<sn<t,則對s1,⋯,sn依次求偏導等於0,因此我們假設0<s1<⋯<sn<t。如果n=2k,比較容易求解的一個概率是P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k,N(t)=n}我們把這些時刻畫在時間軸上
這樣,如何求解這個概率值就一目瞭然了,這個事件等價於在(0,s1]段事件發生了0次,在(s1,s2]段事件發生了2次,(s2,s3]段事件發生了0次,(s3,s4]段事件發生了2次,⋯,在(s2k−1,s2k]段事件發生了兩次,在(s2k,t]事件發生了0次。因此===G(s1,⋯,sn)P{S1>s1,S2≤s2,S3>s3,S4≤s4,⋯,S2k−1>s2k−1,S2k≤s2k,N(t)=n}i=1∏k(2λ2(s2i−s2i−1)2e−λ(s2i−s2i−1))i=1∏ke−λ(s2i−1−s2i−2).e−λ(t−s2k)i=1∏k[2λ2(s2i−s2i−1)2]e−λt其對s1,⋯,s2k依次求偏導,得到∂s1⋯∂s2k∂2kG=(−1)kλ2ke−λt類似於非條件分佈的討論,令F(s1,⋯,sn)=P{S1≤s1,⋯,Sn≤sn,N(t)=n},就有∂s1⋯∂s2k∂2kF=λ2ke−λt於是,在給定N(t)=n條件下,條件密度爲p(s1,⋯,sn)=(2k)!(λt)2ke−λtλ2ke−λt=t2k(2k)!=tnn!I0<s1<⋯<sn<t當n爲奇數時討論也類似,得到的條件密度函數也是上式。實際上,這也是來自均勻分佈U(0,t)的樣本U1,⋯,Un的順序統計量U(1),⋯,U(n)的聯合分佈。也就是說,在給定N(t)=n的條件下,這n個事件發生的時間點在(0,t]內均勻分佈,再進行一個排列就得到S1,⋯,Sn。
結論:S1,S2,⋯,Sn∣N(t)=n與U(1),⋯,U(n)同分布,其中U(1),⋯,U(n)是來自均勻分佈U(0,t)的樣本的順序統計量。
等待時間的分佈
有了(S1,⋯,Sn)的聯合分佈,就可以得到等待時間(X1,⋯,Xn)的聯合分佈,對變換⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧S1=X1S2=X1+X2S3=X1+X2+X3⋯Sn=X1+X2+X3+⋯+Xn有∂(X1,⋯,Xn)∂(S1,⋯,Sn)=1則(X1,⋯,Xn)的密度函數爲=p(x1,x2,⋯,xn)=∣∂(X1,⋯,Xn)∂(S1,⋯,Sn)∣λne−λ∑k=1nxkk=1∏nIxk>0λne−λ∑k=1nxkk=1∏nIxk>0故X1,⋯,Xn相互獨立,都服從參數爲λ的指數分佈,反過來,如果給定相互獨立且服從參數爲λ的指數分佈的隨機變量序列X1,⋯,Xn,⋯,令Tn=k=1∑nXk,n=1,2,⋯,顯然{Tn,n=1,2,⋯}和{Sn,n=1,2,⋯}同分布。所謂同分布即任取有限個正整數t1<⋯<tk,隨機向量(Tt1,Tt2,⋯,Ttk)和(St1,St2,⋯,Stk)同分布,定義計數過程N′(t)=n=1∑∞I{Tn≤t}則{N′(t)}是強度爲λ的泊松過程
年齡和壽命的分佈
年齡:記爲A(t),定義爲A(t)=t−SN(t)
壽命:記爲R(t),定義爲R(t)=SN(t)+1−t
我們先來求壽命的分佈:{R(t)≤s}等價於在[t,t+s]這段時間內至少發生了一次時間,因此P{R(t)≤s}=P{N(t+s)−N(t)≥1}=n=1∑∞n!(λs)ne−λs兩邊求導,得到密度函數爲pR(s)爲pR(s)=λn=0∑∞(n−1)!(λs)n−1e−λs−λn=1∑∞n!(λs)ne−λs=λe−λs於是R(t)服從參數爲λ的指數分佈
再來求年齡的分佈:此時年齡有一個最大值t,因此,年齡的分佈應當是P{A(t)≤s}=⎩⎪⎨⎪⎧01−e−λs1s≤00<s<ts≥tA(t)分佈函數在s=t處有一個跳躍
並且A(t)和R(t)是相互獨立的,只要考察P{A(t)≤u,R(t)≤v}如果u≥t,那麼{A(t)≤u}=Ω因此{A(t)≤u,R(t)≤v}=P{R(t)≤v}故P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}如果0<u<t,v>0,則{A(t)≤u,R(t)≤v}={N(t−u,t]≥1,N(t,t+v]≥1}因此P{A(t)≤u,R(t)≤v}=P{N(t−u,t]≥1}P{(t,t+v]≥1}由此可以驗證P{A(t)≤u,R(t)≤v}=P{A(t)≤u}P{R(t)≤v}其他情況等式左右兩邊都爲0,故等式也成立,這就說明了A(t)和R(t)是相互獨立的。假設N(t)表示某零件的更換次數,R(t)表示現在正在工作的零件的剩餘壽命,A(t)表示現在正在工作的零件的,那麼X(t)=R(t)+A(t)表示當前工作零件的使用壽命。顯然X(t)的期望滿足EX(t)=ER(t)+EA(t)>EA(t)=λ1而EXn=λ1也就是說,當前正在工作的零件的平均使用壽命比所有零件的平均使用壽命要長。可以理解爲:平均使用壽命長的零件在t時刻被我們碰到的概率比其他零件要高。
總結:
(1)R(t)服從參數爲λ的指數分佈
(2)A(t)的分佈函數爲P{A(t)≤s}=⎩⎪⎨⎪⎧01−e−λs1s≤00<s<ts≥t(3)R(t)和A(t)相互獨立
泊松過程的匯合與分流
泊松過程的匯合
在某個公交車站,乘坐A線路的乘客以強度爲λ1的泊松過程{N1(t)}到達,乘坐B線路的乘客以強度爲λ2的泊松過程{N2(t)}到達,並且兩個乘客流是獨立的,令N(t)=N1(t)+N2(t),我們下面證明N(t)也是一個泊松過程:
(1)首先,N(0)=N1(0)+N2(0)=0
(2)其次,我們要驗證{N(t)}具有獨立增量性:
對任意的0<t1<t2<⋯<tn,對i=1,2,⋯,n,令Zi=N(ti)−N(ti−1)=N1(ti)+N2(ti)−N1(ti−1)−N2(ti−1),再令Xi=N1(ti)−N1(ti−1),Yi=N2(ti)−N2(ti−1),由於(X1,X2,⋯,Xn)和(Y1,Y2,⋯,Yn)是相互獨立的,(X1,⋯,Xn)是相互獨立的,(Y1,⋯,Yn)的相互獨立的,可以推得(X1,X2,⋯,Xn,Y1,Y2,⋯,Yn)是相互獨立的,而Xi和Yi也是相互獨立的,從而(X1,Y1),(X2,Y2),⋯,(Xn,Yn)是相互獨立的,從而Z1,Z2,⋯,Zn是相互獨立的。這就證得{N(t)}的獨立增量性。
(3)其次,對任意的t>0,s>0,N1(t+s)−N1(t)服從參數爲λ1s的泊松分佈,N2(s+t)−N2(t)服從參數爲λ2s的泊松分佈,且兩者相互獨立,因此,由泊松分佈的可加性,N(s+t)−N(t)服從參數爲(λ1+λ2)s的泊松分佈
結論:{N1(t)}服從強度爲λ的泊松過程,{N2(t)}服從強度爲μ的泊松過程,兩個泊松過程獨立,N(t)=N1(t)+N2(t),{N(t)}服從強度爲λ+μ的泊松過程
泊松過程的分流
假設乘客以強度λ的泊松流到達一個車站,一個乘客到達後,以概率p乘坐A線,概率1−p乘坐B線,不同乘客選擇乘坐線路的決定是相互獨立的,在(0,t]時間內乘坐A線的乘客數記爲N1(t),B線的乘客記爲N2(t),如何求解N1(t)和N2(t)的分佈呢?
直觀分析:在[0,t]時間段內,平均有λt個乘客到達車站,那麼,從平均意義上講,平均有pλt個乘客乘坐A線,平均有(1−p)λt個乘客乘坐B線,如果兩個過程都是泊松過程,相當於將強度按p:1−p進行了分流,分成了兩個泊松過程,因而稱爲泊松過程的分流。
數學表述:如何在數學上表述N1(t)和N2(t),首先,{N(t)}是一個強度爲λ的泊松過程,對於乘客i,Yi爲其是否選擇乘坐A線,如果其選擇乘坐A線,Yi=1,否則等於0,並且由於不同乘客之間的線路選擇是獨立的,故Y1,Y2,⋯,Yn,⋯獨立同分布,都服從兩點分佈B(1,p),並且我們還要求{Yn}與{N(t)}獨立,那麼,就應該有N1(t)=i=0∑N(t)YiN2(t)=i=0∑N(t)(1−Yi)這裏設Y0=0
驗證兩者都是泊松過程:
(1)首先,由於N(0)=0,故N1(0)=0
(2)其次,對t≥0,s>0,我們來求N1(t+s)−N1(t)的分佈,按照定義N1(t+s)−N1(t)={∑j=N(t)+1N(t+s)Yj0N(t+s)>N(t)N(t+s)=N(t)對假設k=0,在N(t)=n,N(t+s)=m,m>n的條件下,由獨立性可得==P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}P{n+1∑mYj=k∣N(t)=n,N(t+s)=m}P{n+1∑mYj=k}=(1−p)m−n即這個條件概率只與m−n有關,同理,m=n時P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}=1則======P{N1(t+s)−N1(t)=0}n=0∑∞m=n∑∞P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}P{N(t)=n,N(t+s)=m}n=0∑∞m=n∑∞(1−p)m−nP{N(t)=n,N(t+s)=m}n=0∑∞k=0∑∞(1−p)kP{N(t)=n,N(t+s)=n+k}k=0∑∞(1−p)kn=0∑∞P{N(t)=n,N(t+s)−N(t)=k}k=0∑∞(1−p)kP{N(t+s)−N(t)=k}k=0∑∞(1−p)kk!(λs)ke−λs=e−pλs類似地可以證明k=1,2,⋯,有P{N1(t+s)−N1(t)=k}=k!(pλs)ke−pλs(3)只需要驗證獨立增量性即可證得{N1(t)}是泊松過程:
對m>n,對t≥0,s>0,條件概率==P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}P{j=n+1∑mYj=k∣N(t)=n,N(t+s)=m}P{j=n+1∑mYj=k}=P{j=1∑m−nYj=k}對m≥n,P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}也只與m−n和k有關,於是,我們定義g(m−n,k)=P{N1(t+s)−N1(t)=k∣N(t)=n,N(t+s)=m}故P{N1(t+s)−N1(t)=k∣N(t),N(t+s)}=g(N(t+s)−N(t),k)a.s.對0≤t1≤t2≤⋯tm,對任意的非負整數n1,n2,⋯,nm,以及任意的非負整數0=k0≤k1≤k2≤⋯≤km,有====P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm∣N(t1)=k1,N(t2)=k2,⋯,N(tm)=km}P{j=ki−1+1∑kiYj=ni,i=1,2,⋯,m∣N(t1)=k1,N(t2)=k2,⋯,N(tm)=km}P{j=ki−1+1∑kiYj=ni,i=1,2,⋯,m}i=1∏mP{j=ki−1+1∑kiYj=ni}i=1∏mg(ki−ki−1,ni)故=P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm∣N(t1),N(t2),⋯,N(tm)}i=1∏mg(N(ti)−N(ti−1),ni)取期望,即可得==P{N1(t1)=n1,N1(t2)−N1(t1)=n2,⋯,N1(tm)−N1(tm−1)=nm}i=1∏mEg(N(ti)−N(ti−1),ni)i=1∏mP{N1(ti)−N1(ti−1)=ni}故獨立增量性成立,從而{N1(t)}是強度爲pλ的泊松過程,由於{1−Yn}也與{N(t)}獨立,且獨立同分布,均服從B(1,1−p),故同理也可以得到{N2(t)}是強度爲(1−p)λ的泊松過程。
驗證{N1(t)}和{N2(t)}是兩個獨立的泊松過程:
對任意的0=t0≤t1<t2<⋯<tm,任取m個非負整數n1≤n2⋯≤nm及m個非負整數k1≤k2≤⋯≤km,規定n0=k0=0,下面我們證明:=P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}P{N1(ti)=ni,i=1,2,⋯,m}P{N2(ti)=ki,i=1,2,⋯,m}實際上=P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}P{N1(ti)−N1(ti−1)=ni−ni−1,N(ti)−N(ti−1)=ni+ki−ni−1−ki−1,i=1,2⋯,m}令Ni=ni+ki−ni−1−ki−1,i=1,2,⋯,m,應該有Ni≥ni−ni−1,i=1,2,⋯,m,則===P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}P{N1(ti)−N1(ti−1)=ni−ni−1,N(ti)−N(ti−1)=Ni,i=1,2⋯,m}P{j=Ni−1+1∑NiYj=ni−ni−1,i=1,2,⋯,m,N(ti)−N(ti−1)=Ni,i=1,2⋯,m}P{j=Ni−1+1∑NiYj=ni−ni−1,i=1,2,⋯,m}P{N(ti)−N(ti−1)=Ni,i=1,2⋯,m}其中第三個等號利用的是{Yn}與{N(t)}的獨立性,並且對i=1,2,⋯,m,規定當Ni=Ni−1時,此時當然有ni−ni−1=0,j=Ni−1+1∑NiYj=0,那麼,P{j=Ni−1+1∑NiYj=ni−ni−1}=1=CNini−ni−1pni−ni−1(1−p)ki−ki−1,這裏規定C00=1=0!0!0!。因此===P{N1(ti)=ni,N2(ti)=ki,i=1,2,⋯,m}P{j=Ni−1+1∑NiYj=ni−ni−1,i=1,2,⋯,m}P{N(ti)−N(ti−1)=Ni,i=1,2⋯,m}i=1∏m(ni−ni−1)!(ki−ki−1)!Ni!pni−ni−1(1−p)ki−ki−1.i=1∏mNi![λ(ti−ti−1)Ni]e−λ(ti−ti−1)i=1∏mP{N1(ti)−N1(ti−1)=ni−ni−1}P{N2(ti)−N2(ti−1)=ki−ki−1}這就證得了(N1(t1),N1(t2),⋯,N1(tm))和(N2(t1),N2(t2),⋯,N2(tm))是相互獨立的,不難證明,這等價於兩個泊松過程是相互獨立的。
泊松過程的統計推斷
以事件數估計強度
以到達時刻估計事件數
泊松過程的推廣
複合泊松過程
非時齊泊松過程