第三章 泊松过程 2
合集下载
随机过程——泊松过程(习题讲解)

n 0 k 1
n ( x t )n
n!
e ( x t )
因此,
dP( Sn k
k 1 n ( x t )n ( x t ) d 1 e k k 1 n! x | N (t ) n) n 0 ( x t ) e ( x t ) dx dx (k 1)!
即,在 N (t ) n 条件下,在时刻 t 之后首次事件发生的平均时间为 t
1 .
下面求 E{Sn k | N (t ) n} , ( k 1) : E ( Sn k | N (t ) n)
t
xdP(Sn k x | N (t ) n) ,而
由于在 N(t)=n 的条件下,n 个到达时刻 < < …< 区 间 [0 , t] 上 均 匀 分 布
( )<
与时间
,
,… ,
的 顺 序 统 计量
<…<
有相同分布,所以
故
= 习题九:假设车站有两辆客车准备开出,乘客以速率为 泊松过程登上 A 车,当 A 车坐满 的事件,乘客以速率为 的
个乘客就开出;与此独立
P( Sn k x, N (t ) n) P( N ( x) N (t ) k , N (t ) n) P( N (t ) n) P( N (t ) n) P( N ( x) N (t ) k ) P( N (t ) n) P( N ( x t ) k ) 1 P( N ( x t ) k 1) P( N (t ) n) P( Sn k x | N (t ) n) 1
t
e ( x t )
n ( x t )n
n!
e ( x t )
因此,
dP( Sn k
k 1 n ( x t )n ( x t ) d 1 e k k 1 n! x | N (t ) n) n 0 ( x t ) e ( x t ) dx dx (k 1)!
即,在 N (t ) n 条件下,在时刻 t 之后首次事件发生的平均时间为 t
1 .
下面求 E{Sn k | N (t ) n} , ( k 1) : E ( Sn k | N (t ) n)
t
xdP(Sn k x | N (t ) n) ,而
由于在 N(t)=n 的条件下,n 个到达时刻 < < …< 区 间 [0 , t] 上 均 匀 分 布
( )<
与时间
,
,… ,
的 顺 序 统 计量
<…<
有相同分布,所以
故
= 习题九:假设车站有两辆客车准备开出,乘客以速率为 泊松过程登上 A 车,当 A 车坐满 的事件,乘客以速率为 的
个乘客就开出;与此独立
P( Sn k x, N (t ) n) P( N ( x) N (t ) k , N (t ) n) P( N (t ) n) P( N (t ) n) P( N ( x) N (t ) k ) P( N (t ) n) P( N ( x t ) k ) 1 P( N ( x t ) k 1) P( N (t ) n) P( Sn k x | N (t ) n) 1
t
e ( x t )
4第三章泊松过程

例如: 到达体育场的公共汽车数是一泊松过程,而每辆公共 汽车内所载的乘客数是一个随机变量。若各辆车内 的乘客数Yn服从相同分布,且又彼此统计独立,各辆车 的乘客数和车辆数N(t)又是统计独立的,则到达体育 馆的总人数X(t)是一个复合泊松过程.
X (t )
N (t ) n 1
Y ,
n
t0
等待时间Wn的分布
等待时间Wn是指第n次事件A出现的时刻(或第 n次事件A的等待时间)
Wn
T
i 1
n
i
因此Wn是n个相互独立的指数分布随机变量之和。
定理3.3: 设{Wn,n≥1}是与泊松过程{X(t),t≥0}对应的 一个等待时间序列,则Wn服从参数为n与 λ 的Г 分布(也称爱尔兰分布),其概率 密度为
解:
W1(2)
y y
W1(2)
合
y
非齐次泊松过程
定义3.4: 允许速率或强度是t的函数 称计数过程{X(t),t≥0}为具有跳跃强度函数 λ (t)的非齐次泊松过程,若它满足下列条件:
1. X(0)=0;
2. X(t)是独立增量过程;
3. P{ X (t h) X (t ) 1} (t )h o(h)
X (t ) Yi
i 1
N (t )
1 P{Y 1} P{Y 4} 6 1 P{Y 2} P{Y 3} 3
则:
E[Y ]
15 6
E[Y ]2
43 215 2 D[ X (5)] tE[Y ] 10 6 3
1 e t , t 0 FTn (t ) P{Tn t} t0 0,
其概率密度为
证明
e t , f Tn (t ) 0,
随机过程——泊松过程(2)

4.2.2 复合Poisson过程
二、定义
设 N t , t 0 为一齐次 Poisson 过程,n , n 1是 i.i.d 序列,且与N t , t 0相互独立,令
Yt n1 n
Nt
Y 则称随机过程 t , t 0 为复合 Poisson 过程.
• 4.1 到达时间间隔与等待时间分布 • 4.1’ Poisson过程的分解 • 4.2 非齐次和复合Poisson过程
4.1’ Poisson过程的分解
一、Poisson过程的分解
N t , t 0为 一 齐 次 sson 程, 有 时 会 Poi 过
将 事 件 分 类 ,型 和II型 , 事 件 被 分 为 哪 I 一类依赖于发生的时,即事件发生在 间 时 刻s, 则 以 概 率 s 被 归 为 型 , 以 P I 的归类独立,则有如结论: 下
s 0
P0 t , s 1 t s h oh
ln P0 t , s t x dx m t s m t
P0 t , s e
m t s m t
再来看k 1的情形
4.2.1 非齐次P机过程 N t 是一个计数过程,若满 足
(2)N t 是独立增量过程 .
(1) N 0 0
(4)h 0,PN t h N t 1 t h oh
则 称N t 具 有 强 度 函 数t 的 非 齐 次 为 Poisson 程 . 过
u t s P0 t , s t
k 1 e iuk t s Pk t , s t s Pk 1 t , s
iuk iu
随机过程第三章 泊松过程

解:设一年开始为 0 时刻,1 月末为时刻 1,则年末为时刻 12,依泊松过程的定义可知
PN (12) N (0) n e412 (412)n
n!
平均索赔请求次数及金额
E[N(12) N(0)] 412 48
3.2 与泊松过程相联系的若干分布
记 Tn , n 1, 2,表示第 n 次事件发生的时刻,规定T0 0 。记 Xn , n 1,2, 表示第 n
即
N(t) n Tn t
因此
PTn
T
P N (t )
n
in
et
(t)i i!
对上式求导,得到Tn 的概率密度函数
f (t)
et (t)i
et
(t)i1
et
(t )( n 1)
in
i! in
(i 1)!
(n 1)!
命题得证。
注:Tn 的数字特征
ETn
n
,
DTn
n 2
;且
ETn
nEX n
P ti Ti ti hi ,i 1, 2,, n N (t) n
PN (ti
hi )
N (ti )
1,
N (ti1) N (ti hi )
PN (t) n
0,1
i
n,
N (t1)
0
h1e h1
h e e hn (th1h2 hn ) n et (t)n / n!
n! tn
-2-
P0 (t) et
类似地,当 n 1时
Pn (t h) PN (t h) n PN (t) n, N (t h) N (t) 0 PN (t) n 1, N (t h) N (t) 1
第3讲第三章泊松过程

对于n>1 和t>0,以及 s1,s2,…,sn-1>0,有
P Tn t T1 s1,,Tn1 sn1 P Nt s1 sn1 Ns1 sn1 1T1 s1,,Tn1 sn1
PN t s1 sn1 N s1 sn1 1
1 PN t s1 sn1 N s1 sn1 0
(2) N(t)是独立增量过程;
(3) 对一切0≤s,t, N(t+s) -N(s) ~P(λt),即
P[N (t s) N (s)] k et [t]k , k 0,1, 2,
k! 称{N( t ),t≥0)是参数为λ的齐次泊松过程.
注1 从增量分布知:齐次泊松过程也是平稳增量过程.
注2 N(t) ~P(λt).
et (t)k1 dt
t0
(k 1)!
例3.3 设N1(t)和N2( t )分别是强度为λ1和λ2的相互独立的
泊松过程, Wk1为过程N1(t)的第k个事件的到达时间,
W12 为过程N2(t)的第1个事件的到达时间,求 P Wk1 W12
解: fwk1
x
e1x 1
1 x k1
(k 1)!
所以3.2→定义3.3
再证 由定义3.3 → 定义3.2
即:需证明 N(t s) N(s) ~ t 由于是平稳增量故只需证 N(t) ~ t
记:Pn t PN(t) n
下面我们依次求Po(t), P1(t),…, Pk(t) ,…
首先,由定义3.3中的条件(3):
P1 h h oh
P0
0
1,由条件1
N
0
0
解得p0 (t) et , t 0
当n≥1时, n
pn (t h) pk (h)pnk (t) k 0 p0 (h) pn (t) p1(h) pn1(t) oh
P Tn t T1 s1,,Tn1 sn1 P Nt s1 sn1 Ns1 sn1 1T1 s1,,Tn1 sn1
PN t s1 sn1 N s1 sn1 1
1 PN t s1 sn1 N s1 sn1 0
(2) N(t)是独立增量过程;
(3) 对一切0≤s,t, N(t+s) -N(s) ~P(λt),即
P[N (t s) N (s)] k et [t]k , k 0,1, 2,
k! 称{N( t ),t≥0)是参数为λ的齐次泊松过程.
注1 从增量分布知:齐次泊松过程也是平稳增量过程.
注2 N(t) ~P(λt).
et (t)k1 dt
t0
(k 1)!
例3.3 设N1(t)和N2( t )分别是强度为λ1和λ2的相互独立的
泊松过程, Wk1为过程N1(t)的第k个事件的到达时间,
W12 为过程N2(t)的第1个事件的到达时间,求 P Wk1 W12
解: fwk1
x
e1x 1
1 x k1
(k 1)!
所以3.2→定义3.3
再证 由定义3.3 → 定义3.2
即:需证明 N(t s) N(s) ~ t 由于是平稳增量故只需证 N(t) ~ t
记:Pn t PN(t) n
下面我们依次求Po(t), P1(t),…, Pk(t) ,…
首先,由定义3.3中的条件(3):
P1 h h oh
P0
0
1,由条件1
N
0
0
解得p0 (t) et , t 0
当n≥1时, n
pn (t h) pk (h)pnk (t) k 0 p0 (h) pn (t) p1(h) pn1(t) oh
随机过程 第3章 泊松过程

泊松过程
[定义] 称计数过程{ X (t) , t 0 }为具有参数 的泊松过程, 若它满足下列条件: (1) X (0) = 0 ; (2) X (t) 是独立增量过程; (3) (平稳性)在任一长度为 t 的区间中,事件A发生的次 数服从参数 >0的泊松分布,即对任意 s , t 0 ,有
3.2 泊松过程的基本性质
泊松分布:
( t ) n t P{ X (t s ) X ( s ) n} e , n!
n 0, 1,
( t ) n t P{ X (t ) n} e , n 0, 1, 2, n!
Φ X ( ) E[e
假设在[0 , t ]内事件A已经发生一次,确定这一事件到 达时间W1的分布 ——均匀分布
P{W1 s, X (t ) 1} P{W1 s X (t ) 1} P{ X (t ) 1} P{ X ( s ) 1, X (t ) X ( s ) 0} P{ X (t ) 1} P{ X ( s ) 1} P{ X (t ) X ( s ) 0} P{ X (t ) 1}
故仪器在时刻 t0 正常工作的概率为:
k 1 ( t ) P P (T t 0 ) e t dt t0 ( k 1)! n k 1 ( t ) 0 P [ X (t 0 ) k ] e t
0
n0
n!
(3) 到达时间的条件分布
P{ X k }
k e
k!
, k 0, 1, 2, ( 0为常数 )
则随机变量X 服从参数为 的泊松分布,简记为 ()。
E(X ) ,
泊松过程及例子2

f X ( x) 30e x0
P( X 2 60) 30e30 x dx 0.368 故有(1) 2 60
(2)P( X 4 60)
4 60
30e30 x dx 0.865
3 60 1 60
P (3) (1 60 X 3 60)
30e30 x dx 0.384
0 [ m X ( t s ) m X ( t )]
或 P ( s) e . 同理 0 Pn(s+h)=P{X(t+s+h)-X(t)=n} =P{(t,t+s]中有n个事件,(t+s,t+s+h]中没事件} +P{(t,t+s]中有n-1个事件,(t+s,t+s+h]中有1个事件} +P{(t,t+s]中有n-2个事件,(t+s,t+s+h]中有2个事件} +…+P{(t,t+s]中没有事件,(t+s,t+s+h]中有n个事件} =Pn(s)[1-λ(t+s)h+o(h)]+Pn-1(s)[λ(t+s)h]+o(h)
定理3.4 设{X(t),t≥0}是泊松过程,已知在[0,t]内事件 A发生n次,则这n次到达时间W1<W2<…<Wn与相应于n 个[0,t]上均匀分布的独立随机变量的顺序统计量有相 同的分布. 证明: 令0≤t1<t2<…<tn+1=t,且取hi充分小,使得对i
2, [0 = P{[t i , t i hi ]中有一事件(i 1, ,n),,t ]的别处无事件} P{ X (t ) n}
hn
P( X 2 60) 30e30 x dx 0.368 故有(1) 2 60
(2)P( X 4 60)
4 60
30e30 x dx 0.865
3 60 1 60
P (3) (1 60 X 3 60)
30e30 x dx 0.384
0 [ m X ( t s ) m X ( t )]
或 P ( s) e . 同理 0 Pn(s+h)=P{X(t+s+h)-X(t)=n} =P{(t,t+s]中有n个事件,(t+s,t+s+h]中没事件} +P{(t,t+s]中有n-1个事件,(t+s,t+s+h]中有1个事件} +P{(t,t+s]中有n-2个事件,(t+s,t+s+h]中有2个事件} +…+P{(t,t+s]中没有事件,(t+s,t+s+h]中有n个事件} =Pn(s)[1-λ(t+s)h+o(h)]+Pn-1(s)[λ(t+s)h]+o(h)
定理3.4 设{X(t),t≥0}是泊松过程,已知在[0,t]内事件 A发生n次,则这n次到达时间W1<W2<…<Wn与相应于n 个[0,t]上均匀分布的独立随机变量的顺序统计量有相 同的分布. 证明: 令0≤t1<t2<…<tn+1=t,且取hi充分小,使得对i
2, [0 = P{[t i , t i hi ]中有一事件(i 1, ,n),,t ]的别处无事件} P{ X (t ) n}
hn
随机过程第三章 泊松过程

第三章 泊松过程
第一节 泊松过程的基本概念
定义3.1(计数过程)随机过程
称为计{数N过(程t),,如t 果0}
N (t) 表示t时刻为止,某一特定事件A发生的次数.
由定义,计数过程具有以下两个特点:
(1) N取(值t)为非负的整数;
s t (2)
时,
N (且s) N (t) 表示N时段(t) 内N (s) 事件A发生的次(s数,.t]
(3)PN(12) 9 N(5) 4 PN(12) N(5) 5 N(5) 4
PN(12) N(5) 5 (7)5e7 5!
(4)PN (5) 4 N (12) 9
PN (5) 4, N (12) 9 PN (12) 9
PN(5) 4PN(12) N(5) 5 PN(12) 9
1. E N t0,t EN t N t0 t t0 ;
2. D N t0,t D N t N t0 t t0 , 特别地,t0 0,由假设N 0 0,可得: N t E N t t, DN t D N t t;
3. CN s,t DN mins,t mins,t, s,t 0;
P{M
(t)
m
|
N
(t)
n}
n m
pm
(1
p)nm
若
nm
由题意
P{N (t) n} (t)n et
n!
于是
P{M
(t)
m}
nm
n m
p
m
(1
p)nm
(t)n
n!
et
et pm (t)m (1 p)nm (t)nm
m!
nm
(n m)!
et pm (t)m et (1 p)
第一节 泊松过程的基本概念
定义3.1(计数过程)随机过程
称为计{数N过(程t),,如t 果0}
N (t) 表示t时刻为止,某一特定事件A发生的次数.
由定义,计数过程具有以下两个特点:
(1) N取(值t)为非负的整数;
s t (2)
时,
N (且s) N (t) 表示N时段(t) 内N (s) 事件A发生的次(s数,.t]
(3)PN(12) 9 N(5) 4 PN(12) N(5) 5 N(5) 4
PN(12) N(5) 5 (7)5e7 5!
(4)PN (5) 4 N (12) 9
PN (5) 4, N (12) 9 PN (12) 9
PN(5) 4PN(12) N(5) 5 PN(12) 9
1. E N t0,t EN t N t0 t t0 ;
2. D N t0,t D N t N t0 t t0 , 特别地,t0 0,由假设N 0 0,可得: N t E N t t, DN t D N t t;
3. CN s,t DN mins,t mins,t, s,t 0;
P{M
(t)
m
|
N
(t)
n}
n m
pm
(1
p)nm
若
nm
由题意
P{N (t) n} (t)n et
n!
于是
P{M
(t)
m}
nm
n m
p
m
(1
p)nm
(t)n
n!
et
et pm (t)m (1 p)nm (t)nm
m!
nm
(n m)!
et pm (t)m et (1 p)
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
泊松贡献:
泊松的科学生涯开始于研究微分方程及其 在摆的运动和声学理论中的应用。他工作 的特色是应用数学方法研究各类力学和物 理问题,并由此得到数学上的发现。他对 积分理论、行星运动理论、热物理、弹性 理论、电磁理论、位势理论和概率论都有 重要贡献。
3.1.2.泊松分布和泊松定理
泊松分布:
设随机变量X所有可能取的值为0,1,2, …,而 取各个值得概率为
.
泊松过程是一类时间连续状态离散的随机过程
例如: • 电话交换机在一段时间内接到的呼叫次数; • 火车站某段时间内购买车票的旅客数; • 机器在一段时间内发生故障的次数;
3.1.3 泊松过程
• 定义1 随机过程{N(t),t 0 }称为计数过程, 如果 N(t) 表示从0到t 时刻某一特定事件事件A 发生的次数,它具备以下两个特点
在此之前,首先熟悉一个函数f是o(h)的概念(高 阶无穷小)
即:若对于一个函数f,满足:
f (h)
lim h0
h
0
则称函数f是o(h).
• 定义2' 计数过程{N(t),t 0 }是泊松 过程,如果N(t)满足
(1) N(0)=0, (2) N(t)是平稳独立增量过程,
(3) 存在>0,当h↘0 时,有
{N(t), t 0 }是一个泊松过程.
15
➢例(Poisson过程在排队论中的应用)随机服
➢务系统中排队现象,可以用Poisson过程描述
➢。例如,到达电话总机呼叫数目、到达车站
➢顾客数等等。以车站售票处为例,上午8:00
➢开始,连续售票,乘客10人/h的速度到达,
➢从9:00-10:00这1小时内最多5名乘客到来
(1) N(t) 0 ,且 N(t) 取整数; (2)当s< t 时,则 N(s)N(t), 且 N(t)-N(s)
表示在时间(s, t]时间内事件A 发生的 次数.
10
Poisson过程
➢例 ➢对观察事件出现的次数感兴趣,可以用
计数过程描述。 ➢一段时间内某商店购物的顾客数。 ➢经过公路上某一路口的汽车数量。 ➢保险公司接到的索赔次数。
➢ N(t)表示(0,t]时间内发生事故的次数。 ➢Poisson过程就是{N(t),t 0 }很好的一种 ➢近似。考虑保险公司每次赔付都是1,每 ➢月平均4次接到索赔要求,一年中他要付 ➢出P的{N平(12均) 金N额(0)为 多n}少 (?412)n e412,
n! E[N (12) N (0)] 4 12 48.
13
• 定义2 计数过程{N(t),t 0 }称为参数为
( >0)的泊松过程, 如果
(1) N(0)=0, (2) 过程有独立增量 (3) 在任一长度为 t 的时间区间中事件A发
生的次数服从均值为 t 的泊松分布,
即对任意s 0, t >0,有
P N (t s) N (s) n et (t)n ,
➢的概率?10:00-11:00之间没人来的概率?
➢ 解 设8:00为0时刻,9:00为1时刻,参数λ 10.
P{N (2) N (1) 5} 5 e101 (10 1)n ,
n0
n!
P{N (3) N (2) 0} e10 (10)0 e10. 0!
16
➢ (事故的发生次数和保险公司接到的索赔数)
泊松生平:
1798年入巴黎综合工科学校深造。 毕业时,因优秀的研究论文而被指定为讲师。 受到P.-S.拉普拉斯、J.-L.拉格朗日的赏识。 1800年毕业后留校任教 1802年任副教授 1806年接替J.-B.-J.傅里叶任该校教授。
1808年任法国经度局天文学家
1809年任巴黎理学院力学教授。 1812年当选为巴黎科学院院士。
P{X k} ke , k 0,1, 2,L ,
k!
其中λ>0是常数,则称X服从参数为λ的泊松 分布,记为X~p(λ)
E(X ) D(X )
泊松定理 :
设λ>0是一个常数,n是任意正整数,设,则 对于任一固定的非负整数k,有
e
pn (1 pn )
k!
12
• 独立增量计数过程: 对于t1<t2<<tn (n>3),N(t2)-N(t1), N(t3)N(t2), , N(tn)-N(tn-1) 相互独立.
• 平稳增量计数过程: 在(t, t+s]内(s>0),事件A 发生的次数
N(t+s)-N(t) 仅与时间间隔 s 有关,而 与初始时刻 t 无关.
17
由定义2可知,为了确定一个任意的计数过程 实际上是一个泊松过程,必须证明它同时满足定义
中的(1)、(2)、(3)三个条件,其中条件(1) 只是说明事件的计数过程是从时刻t=0开始的,条件 (2)根据我们对计数过程了解的情况直接验证,而
对于条件(3)我们全然不知道如何去满足。
因此,给出另一个泊松过程的定义是就显得很 有必要,接下来介绍泊松过程的另一个定义:
第三章 泊松过程
目录
➢ Poisson过程 ➢ 与Poisson过程相联系的若干分布 ➢ Poisson过程的推广
2
3.1 泊松过程
➢3.1.1 泊松简介 ➢3.1.2 泊松分布和泊松定理 ➢3.1.3 泊松过程
3.1.1 泊松简介
泊松,法国著 名数学家。 1781 年6月21 日生于法国 卢瓦雷省的 皮蒂维耶, 1840年4月25 日卒于法国 索镇。
P N (t h) N (t) 1 h o(h)
n! n 0,1, 2,L
14
注: (1)泊松过程是平稳独立增量过程;
(2)E[N(t)]=t , E表[N示(t单)] 位
时间内事件A发生的平均次t 数,一般称为 过程的强度或速率.
例 在(0, t]内接到服务台咨询电话的次数 N(t),在(0, t]内到某火车站售票处购买车 票的旅客数N(t) 等都是泊松变量,
11
Poisson过程
➢ Poisson过程是以法国数学家泊松的名字命名的 ➢ 泊松过程是随机过程的一种,是以事件的发生
时间来定义的。 ➢ 一个泊松过程是在每个有界的时间区间,赋予
一个随机的事件数,使得在一个时间区间内的 事件数,和另一个互斥(不重叠)的时间区间 的事件数,这两个随机变量是独立的。 ➢ 在每一个时间区间内的事件数是一个随机变量 ,遵循泊松分布。