张叶安的小站

本页面只读。您可以查看源文件，但不能更改它。如果您觉得这是系统错误，请联系管理员。
====== 第二章 泊松过程 ======

===== 2.1 引言 =====

泊松过程是最基本也是最重要的计数过程之一，它描述了一类随机事件随时间发生的过程。典型应用包括：服务系统中顾客的到达、电话交换台的呼叫、放射性物质的衰变、网络数据包的到达、交通事故的发生等。

**泊松过程的特点**：
  * 事件在不相交的时间区间内独立发生
  * 在很短的时间内，事件发生概率很小
  * 单位时间内事件发生的平均次数是常数

===== 2.2 泊松过程的定义 =====

==== 2.2.1 计数过程 ====

**定义2.1（计数过程）** 随机过程 $\{N(t), t \geq 0\}$ 称为**计数过程**，如果 $N(t)$ 表示到时刻 $t$ 为止某类事件发生的次数，满足：
  * $N(t) \geq 0$
  * $N(t)$ 取非负整数值
  * 若 $s < t$，则 $N(s) \leq N(t)$
  * 对 $s < t$，$N(t) - N(s)$ 表示区间 $(s, t]$ 内事件发生次数

==== 2.2.2 泊松过程的定义 ====

**定义2.2（泊松过程，定义一）** 计数过程 $\{N(t), t \geq 0\}$ 称为参数为 $\lambda$（$\lambda > 0$）的**泊松过程**，如果满足：

  * **(i)** $N(0) = 0$
  * **(ii)** 具有**独立增量**：对任意 $0 \leq t_1 < t_2 < \cdots < t_n$，增量 $N(t_2)-N(t_1), N(t_3)-N(t_2), \ldots, N(t_n)-N(t_{n-1})$ 相互独立
  * **(iii)** 具有**平稳增量**：对任意 $s, t \geq 0$，$N(t+s) - N(t)$ 的分布只依赖于 $s$
  * **(iv)** 对任意 $t > 0$ 和充分小的 $h > 0$：
    * $P(N(t+h) - N(t) = 1) = \lambda h + o(h)$
    * $P(N(t+h) - N(t) \geq 2) = o(h)$

条件(iv)称为**稀有性条件**，表示在很短的时间内，事件发生概率很小，且多个事件同时发生的概率可以忽略。

**定义2.3（泊松过程，定义二）** 计数过程 $\{N(t), t \geq 0\}$ 称为参数为 $\lambda$ 的**泊松过程**，如果满足：
  * $N(0) = 0$
  * 具有独立增量
  * 对任意 $t \geq 0$，$N(t) \sim Poisson(\lambda t)$，即：
$$P(N(t) = k) = \frac{(\lambda t)^k}{k!}e^{-\lambda t}, \quad k = 0, 1, 2, \ldots$$

**定理2.1（两种定义的等价性）** 定义2.2和定义2.3是等价的。

**证明概要**：

（定义2.2 $\Rightarrow$ 定义2.3）：设 $P_n(t) = P(N(t) = n)$。对于充分小的 $h > 0$：

$$\begin{aligned}
P_0(t+h) &= P(N(t+h) = 0) = P(N(t) = 0, N(t+h) - N(t) = 0) \\
&= P_0(t) \cdot P(N(t+h) - N(t) = 0) = P_0(t)[1 - \lambda h + o(h)]
\end{aligned}$$

因此：
$$\frac{P_0(t+h) - P_0(t)}{h} = -\lambda P_0(t) + \frac{o(h)}{h}$$

令 $h \to 0$，得微分方程：
$$P_0'(t) = -\lambda P_0(t), \quad P_0(0) = 1$$

解得：$P_0(t) = e^{-\lambda t}$。

类似地，对 $n \geq 1$：
$$P_n(t+h) = P_n(t)(1-\lambda h) + P_{n-1}(t)\lambda h + o(h)$$

得到递推微分方程：
$$P_n'(t) = -\lambda P_n(t) + \lambda P_{n-1}(t)$$

利用归纳法可证 $P_n(t) = \frac{(\lambda t)^n}{n!}e^{-\lambda t}$。

===== 2.3 泊松过程的性质 =====

==== 2.3.1 基本数字特征 ====

设 $\{N(t), t \geq 0\}$ 是参数为 $\lambda$ 的泊松过程：

**均值函数**：
$$E[N(t)] = \lambda t$$

**方差函数**：
$$Var(N(t)) = \lambda t$$

**协方差函数**：对于 $s \leq t$，
$$Cov(N(s), N(t)) = Var(N(s)) = \lambda s$$

一般地：
$$Cov(N(s), N(t)) = \lambda \min(s, t)$$

==== 2.3.2 可加性 ====

**定理2.2** 设 $\{N_1(t)\}$ 和 $\{N_2(t)\}$ 是独立的泊松过程，参数分别为 $\lambda_1$ 和 $\lambda_2$，则 $\{N_1(t) + N_2(t)\}$ 是参数为 $\lambda_1 + \lambda_2$ 的泊松过程。

**证明**：独立泊松随机变量之和仍服从泊松分布，参数为两者之和。

==== 2.3.3 分解性 ====

**定理2.3** 设 $\{N(t)\}$ 是参数为 $\lambda$ 的泊松过程，每个事件以概率 $p$ 被标记为类型I，以概率 $1-p$ 被标记为类型II，且标记相互独立。设 $N_1(t)$ 和 $N_2(t)$ 分别表示到时刻 $t$ 类型I和类型II事件发生的次数，则：

  * $\{N_1(t)\}$ 是参数为 $\lambda p$ 的泊松过程
  * $\{N_2(t)\}$ 是参数为 $\lambda(1-p)$ 的泊松过程
  * $\{N_1(t)\}$ 和 $\{N_2(t)\}$ 相互独立

**证明**：对给定的 $N(t) = n$，$N_1(t) \sim B(n, p)$。因此：
$$\begin{aligned}
P(N_1(t) = k, N_2(t) = m) &= P(N_1(t) = k, N_2(t) = m | N(t) = k+m)P(N(t) = k+m) \\
&= \binom{k+m}{k}p^k(1-p)^m \cdot \frac{(\lambda t)^{k+m}}{(k+m)!}e^{-\lambda t} \\
&= \frac{(\lambda p t)^k}{k!}e^{-\lambda pt} \cdot \frac{(\lambda(1-p)t)^m}{m!}e^{-\lambda(1-p)t}
\end{aligned}$$

这证明了独立性和泊松性。

===== 2.4 到达时间间隔与等待时间 =====

==== 2.4.1 到达时间间隔 ====

设 $S_0 = 0$，$S_n$ 表示第 $n$ 个事件发生的时刻（$n \geq 1$）。定义**到达时间间隔**：
$$T_n = S_n - S_{n-1}, \quad n = 1, 2, \ldots$$

**定理2.4** 泊松过程的到达时间间隔 $\{T_n, n \geq 1\}$ 是独立同分布的随机变量，服从参数为 $\lambda$ 的指数分布，即 $T_n \sim Exp(\lambda)$。

**证明**：

首先求 $T_1$ 的分布：
$$P(T_1 > t) = P(N(t) = 0) = e^{-\lambda t}$$

所以 $T_1 \sim Exp(\lambda)$。

对于 $T_2$：
$$\begin{aligned}
P(T_2 > t | T_1 = s) &= P(N(s+t) - N(s) = 0 | T_1 = s) \\
&= P(N(s+t) - N(s) = 0) = e^{-\lambda t}
\end{aligned}$$

由平稳增量性，这与 $s$ 无关，故 $T_2 \sim Exp(\lambda)$ 且与 $T_1$ 独立。

由归纳法可证结论。

==== 2.4.2 等待时间 ====

**定理2.5** 第 $n$ 个事件的等待时间 $S_n = T_1 + T_2 + \cdots + T_n$ 服从参数为 $n$ 和 $\lambda$ 的**伽马分布**（Gamma分布），即 $S_n \sim \Gamma(n, \lambda)$，密度函数为：
$$f_{S_n}(t) = \frac{\lambda^n t^{n-1}}{(n-1)!}e^{-\lambda t}, \quad t \geq 0$$

**证明**：由于 $T_1, \ldots, T_n$ 独立同分布于 $Exp(\lambda)$，其和服从伽马分布。

也可直接证明：
$$P(S_n \leq t) = P(N(t) \geq n) = \sum_{k=n}^{\infty} \frac{(\lambda t)^k}{k!}e^{-\lambda t}$$

求导得密度函数。

**例2.1** 设顾客按照泊松过程到达商店，速率 $\lambda = 4$（人/小时）。

(1) 求两位顾客到达的时间间隔小于10分钟的概率
(2) 求第5位顾客在1小时内到达的概率

**解**：

(1) $T \sim Exp(4)$，10分钟 = 1/6小时：
$$P(T < \frac{1}{6}) = 1 - e^{-4/6} = 1 - e^{-2/3} \approx 0.487$$

(2) $S_5 \sim \Gamma(5, 4)$：
$$P(S_5 \leq 1) = P(N(1) \geq 5) = 1 - \sum_{k=0}^{4} \frac{4^k}{k!}e^{-4} \approx 0.371$$

===== 2.5 泊松过程的等价刻画 =====

**定理2.6** 设 $\{N(t), t \geq 0\}$ 是计数过程，$T_n$ 为到达时间间隔，则以下陈述等价：

  * $\{N(t)\}$ 是参数为 $\lambda$ 的泊松过程
  * $\{T_n\}$ 是独立同分布的 $Exp(\lambda)$ 随机变量
  * 给定 $N(t) = n$ 时，$n$ 个到达时刻 $S_1, S_2, \ldots, S_n$ 的联合分布与 $[0, t]$ 上 $n$ 个独立均匀分布随机变量的次序统计量同分布

==== 2.5.1 条件分布 ====

**定理2.7** 设 $\{N(t)\}$ 是泊松过程，给定 $N(t) = n$ 时，到达时刻 $(S_1, S_2, \ldots, S_n)$ 的联合密度为：
$$f(s_1, s_2, \ldots, s_n | N(t) = n) = \frac{n!}{t^n}, \quad 0 < s_1 < s_2 < \cdots < s_n < t$$

这正是 $n$ 个独立 $U[0, t]$ 随机变量的次序统计量的密度。

**例2.2** 设乘客按照泊松过程到达火车站，速率 $\lambda$。火车在时刻 $t$ 开出。求所有乘客等待时间之和的期望。

**解**：设第 $i$ 个乘客到达时刻为 $S_i$，等待时间为 $t - S_i$。总等待时间为：
$$W = \sum_{i=1}^{N(t)} (t - S_i)$$

求条件期望：
$$\begin{aligned}
E[W | N(t) = n] &= E\left[\sum_{i=1}^{n} (t - S_i) | N(t) = n\right] \\
&= nt - E\left[\sum_{i=1}^{n} S_i | N(t) = n\right] \\
&= nt - n \cdot \frac{t}{2} = \frac{nt}{2}
\end{aligned}$$

其中利用了给定 $N(t) = n$ 时，$S_i$ 的期望为 $\frac{it}{n+1}$，故 $\sum E[S_i] = \frac{nt}{2}$。

因此：
$$E[W] = E[E[W|N(t)]] = E\left[\frac{N(t)t}{2}\right] = \frac{\lambda t^2}{2}$$

===== 2.6 复合泊松过程 =====

==== 2.6.1 定义 ====

**定义2.4（复合泊松过程）** 设 $\{N(t), t \geq 0\}$ 是参数为 $\lambda$ 的泊松过程，$\{Y_n, n \geq 1\}$ 是独立同分布的随机变量序列，且与 $\{N(t)\}$ 独立。定义：
$$X(t) = \sum_{n=1}^{N(t)} Y_n, \quad t \geq 0$$
（当 $N(t) = 0$ 时，$X(t) = 0$）

则称 $\{X(t), t \geq 0\}$ 为**复合泊松过程**。

**例2.3（保险公司理赔）** 设 $N(t)$ 为到时刻 $t$ 的理赔次数，$Y_n$ 为第 $n$ 次理赔金额，则 $X(t)$ 为到时刻 $t$ 的总理赔金额。

**例2.4（商店收入）** 设顾客按泊松过程到达，每位顾客消费金额为 $Y_n$，则 $X(t)$ 为到时刻 $t$ 的总收入。

==== 2.6.2 数字特征 ====

设 $E[Y_1] = \mu$，$Var(Y_1) = \sigma^2$。

**均值**：
$$E[X(t)] = E[N(t)] \cdot E[Y_1] = \lambda t \mu$$

**方差**（利用条件方差公式）：
$$\begin{aligned}
Var(X(t)) &= E[Var(X(t)|N(t))] + Var(E[X(t)|N(t)]) \\
&= E[N(t)\sigma^2] + Var(N(t)\mu) \\
&= \lambda t \sigma^2 + \lambda t \mu^2 = \lambda t (\sigma^2 + \mu^2)
\end{aligned}$$

**矩母函数**：
$$\phi_{X(t)}(u) = E[e^{uX(t)}] = \exp(\lambda t(\phi_Y(u) - 1))$$

其中 $\phi_Y(u) = E[e^{uY_1}]$ 是 $Y_1$ 的矩母函数。

**例2.5** 在保险理赔例子中，设 $\lambda = 5$（次/天），$Y_n \sim Exp(1/1000)$（均值1000元）。求30天内总理赔金额的均值和方差。

**解**：$\mu = 1000$，$\sigma^2 = 1000^2 = 10^6$

$$E[X(30)] = 5 \times 30 \times 1000 = 150000 \text{（元）}$$
$$Var(X(30)) = 5 \times 30 \times (10^6 + 10^6) = 3 \times 10^8$$
标准差约为 $17321$ 元。

===== 2.7 泊松过程的推广 =====

==== 2.7.1 非齐次泊松过程 ====

**定义2.5** 计数过程 $\{N(t), t \geq 0\}$ 称为强度函数为 $\lambda(t)$ 的**非齐次泊松过程**，如果：
  * $N(0) = 0$
  * 具有独立增量
  * $P(N(t+h) - N(t) = 1) = \lambda(t)h + o(h)$
  * $P(N(t+h) - N(t) \geq 2) = o(h)$

此时 $N(t+s) - N(t) \sim Poisson(\int_t^{t+s} \lambda(u)du)$。

==== 2.7.2 条件泊松过程 ====

**定义2.6** 设 $\Lambda$ 是正的随机变量，给定 $\Lambda = \lambda$ 时，$\{N(t)\}$ 是参数为 $\lambda$ 的泊松过程，则称 $\{N(t)\}$ 为**条件泊松过程**。

===== 2.8 本章例题详解 =====

**例题1** 证明：对泊松过程，当 $s < t$ 时，$E[N(s)|N(t)] = \frac{s}{t}N(t)$。

**证明**：由条件分布的性质，给定 $N(t) = n$ 时，$N(s)$ 服从二项分布 $B(n, s/t)$。因此：
$$E[N(s)|N(t) = n] = n \cdot \frac{s}{t}$$
即 $E[N(s)|N(t)] = \frac{s}{t}N(t)$。

**例题2** 设 $\{N(t)\}$ 是泊松过程，$S_n$ 是第 $n$ 个到达时刻。求 $E[S_4 | N(1) = 2]$。

**解**：给定 $N(1) = 2$ 时，前两个到达时刻 $S_1, S_2$ 是 $[0,1]$ 上两个独立均匀分布的次序统计量。设 $U_{(1)}, U_{(2)}$ 为其次序统计量，则：
$$E[S_1 | N(1) = 2] = E[U_{(1)}] = \frac{1}{3}$$
$$E[S_2 | N(1) = 2] = E[U_{(2)}] = \frac{2}{3}$$

对于 $S_3, S_4$，利用无记忆性，从时刻1重新开始：
$$S_3 = 1 + T_3, \quad S_4 = 1 + T_3 + T_4$$

其中 $T_3, T_4 \sim Exp(\lambda)$ 独立。因此：
$$\begin{aligned}
E[S_4 | N(1) = 2] &= E[S_2 | N(1) = 2] + E[T_3] + E[T_4] \\
&= \frac{2}{3} + \frac{1}{\lambda} + \frac{1}{\lambda} = \frac{2}{3} + \frac{2}{\lambda}
\end{aligned}$$

**例题3** 设 $\{N_1(t)\}$ 和 $\{N_2(t)\}$ 是独立泊松过程，参数分别为 $\lambda_1$ 和 $\lambda_2$。求 $N_1(t)$ 的第一个事件发生在 $N_2(t)$ 的第一个事件之前的概率。

**解**：设 $T_1, T_2$ 分别是两个过程的第一个到达时间间隔，则 $T_1 \sim Exp(\lambda_1)$，$T_2 \sim Exp(\lambda_2)$，独立。

$$P(T_1 < T_2) = \int_0^{\infty} P(T_2 > t) \lambda_1 e^{-\lambda_1 t} dt = \int_0^{\infty} e^{-\lambda_2 t} \lambda_1 e^{-\lambda_1 t} dt = \frac{\lambda_1}{\lambda_1 + \lambda_2}$$

===== 2.9 本章习题 =====

**习题2.1** 设 $\{N(t), t \geq 0\}$ 是参数 $\lambda = 3$ 的泊松过程。

(1) 求 $P(N(1) = 2, N(3) = 5)$
(2) 求 $P(N(1) = 2 | N(3) = 5)$
(3) 求 $Cov(N(1), N(3))$

**习题2.2** 设 $\{N(t)\}$ 是泊松过程，证明：对 $s < t$，给定 $N(t) = n$ 时，$N(s)$ 的条件分布为二项分布 $B(n, s/t)$。

**习题2.3** 顾客按泊松过程到达商店，速率 $\lambda = 6$ 人/小时。商店9:00开门。

(1) 求到9:30恰好有2位顾客的概率
(2) 求到9:30至少有1位顾客的概率
(3) 已知到9:30有2位顾客，求到10:00有4位顾客的概率

**习题2.4** 设 $\{N(t)\}$ 是泊松过程，$S_n$ 是第 $n$ 个到达时刻。

(1) 求 $(S_1, S_2)$ 的联合分布
(2) 求 $E[S_n \cdot S_m]$ 对 $n \leq m$

**习题2.5** 保险公司理赔按泊松过程到达，速率 $\lambda = 10$ 次/月。每次理赔金额 $Y \sim Exp(1/5000)$。

(1) 求月平均理赔金额
(2) 求月理赔金额的方差
(3) 求月理赔金额超过60000元的概率（用正态近似）

**习题2.6** 设 $\{N(t)\}$ 是泊松过程，定义 $X(t) = N(t+1) - N(t)$。证明 $\{X(t), t \geq 0\}$ 是严平稳过程。

**习题2.7** 某路口东西向和南北向车辆分别按泊松过程到达，速率分别为 $\lambda_1 = 2$ 辆/分钟和 $\lambda_2 = 3$ 辆/分钟，相互独立。

(1) 求第一辆车是东西向的概率
(2) 求在5分钟内至少有10辆车到达的概率

**习题2.8** 设 $\{N(t)\}$ 是非齐次泊松过程，强度函数 $\lambda(t) = 2t$。求：

(1) $N(2) - N(1)$ 的分布
(2) $E[N(t)]$ 和 $Var(N(t))$

----

**上一章**：[[第一章_随机过程的基本概念]] | **下一章**：[[第三章_更新过程]]