随机过程12 - 泊松过程的推广型

Posted Ciaran-byte

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了随机过程12 - 泊松过程的推广型相关的知识,希望对你有一定的参考价值。

泊松过程的推广型

文章目录

1. 泊松过程基本型回顾

1.1 性质

  泊松过程具有三个很重要的特性:独立增量特性、平稳增量特性以及稀疏性。同时,我们对泊松分布的研究主要集中在概率密度上,也就是时间t内事件发生次数的概率。

N ( 0 ) = 0 Independent Increment Stationary Increment Sparsity ⇒ P ( N ( t ) = k ) = ( λ t ) k k ! e x p ( − λ t ) N(0) = 0 \\\\ \\textIndependent Increment \\\\ \\textStationary Increment \\\\ \\textSparsity \\\\ \\Rightarrow P(N(t) = k) = \\frac(\\lambda t)^kk! exp(-\\lambda t) N(0)=0Independent IncrementStationary IncrementSparsityP(N(t)=k)=k!(λt)kexp(λt)

1.2 泊松分布与射击模型

  下面对泊松分布进行稍加说明

  泊松分布其实是射击模型的一种逼近。我们假设射击n次,每次射击命中率为P,那么射中k次的概率可以表示为

Binomial Distribution P ( Z = k ) = C n k ( P ) k ( 1 − P ) n − k \\textBinomial Distribution \\\\ P(Z=k) = C_n^k(P)^k (1-P)^n-k Binomial DistributionP(Z=k)=Cnk(P)k(1P)nk

  现在对射击模型进行逼近,假设命中率P趋近于0,射击次数n趋近于无穷大,并且nP=λ是常数

P → 0 n → ∞ n P = λ P \\rightarrow 0 \\\\ n \\rightarrow \\infty \\\\ nP = \\lambda P0nnP=λ

  我们可以计算一下这个射击模型的极限

P ( Z = k ) = C n k ( λ n ) k ( 1 − λ n ) n − k l i m n → ∞ C n k ( λ n ) k ( 1 − λ n ) n − k = l i m n → ∞ n ! k ! ( n − k ) ! ( λ n ) k ( 1 − λ n ) − k ( 1 − λ n ) n = l i m n → ∞ λ k k ! ( n ∗ ( n − 1 ) ∗ . . . ∗ ( n − k + 1 ) ) n k ( 1 − λ n ) − k ( 1 − λ n ) n = λ k k ! ∗ 1 ∗ 1 ∗ e − λ = λ k k ! e − λ P(Z=k) = C_n^k(\\frac\\lambdan)^k (1-\\frac\\lambdan)^n-k \\\\ lim_n\\rightarrow \\inftyC_n^k(\\frac\\lambdan)^k (1-\\frac\\lambdan)^n-k \\\\ = lim_n\\rightarrow \\infty \\fracn!k!(n-k)! (\\frac\\lambdan)^k (1-\\frac\\lambdan)^-k(1-\\frac\\lambdan)^n \\\\ \\\\ = lim_n\\rightarrow \\infty \\frac\\lambda^kk! \\frac(n*(n-1)*...*(n-k+1))n^k(1-\\frac\\lambdan)^-k(1-\\frac\\lambdan)^n \\\\ = \\frac\\lambda^kk! *1*1*e^-\\lambda = \\frac\\lambda^kk! e^-\\lambda P(Z=k)=Cnk(nλ)k(1nλ)nklimnCnk(nλ)k(1nλ)nk=limnk!(nk)!n!(nλ)k(1nλ)k(1nλ)n=limnk!λknk(n(n1)...(nk+1))(1nλ)k(1nλ)n=k!λk11eλ=k!λkeλ

  我们就得到了泊松分布。泊松分布是二项分布的逼近。二项分布是射击模型。当命中率足够小,射击次数足够多,就变成了泊松分布。泊松是在等待,等待一个稀有事件的到来,因此泊松具有稀疏性。

Waitting Rare Events \\textWaitting Rare Events Waitting Rare Events

Z ∼ P ( λ ) E ( Z ) = λ V a r ( Z ) = λ Z \\sim P(\\lambda) \\\\ E(Z) = \\lambda \\\\ Var(Z) = \\lambda ZP(λ)E(Z)=λVar(Z)=λ

2. 泊松过程的推广型

  我们知道,独立性、平稳性和稀疏性是泊松分布三个很重要的特性,下面,我们会逐渐的放松这些性质,可以得到更加实用性的泊松过程的推广型。

2.1 放宽平稳性

2.1.1 非平稳泊松过程

Stationary \\textStationary \\\\ Stationary

  我们回忆,在计算泊松过程的母函数的时候,用到了平稳增量特性进行变换

E ( Z N ( t + Δ t ) − N ( t ) − 1 ) = E ( Z N ( Δ t ) − 1 ) E(Z^N(t +\\Delta t) - N(t)-1) = E(Z^N(\\Delta t)-1) \\\\ E(ZN(t+Δt)N(t)1)=E(ZN(Δt)1)

  现在没有平稳增量特性了,我们就需要使用原始的式子进行求解了

E ( Z N ( t + Δ t ) − N ( t ) − 1 ) = P ( N ( t + Δ t ) − N ( t ) = 0 ) − 1 + Z P ( N ( t + Δ t ) − N ( t ) = 1 ) + ∑ k ≥ 2 Z k P ( N ( t + Δ t )

以上是关于随机过程12 - 泊松过程的推广型的主要内容,如果未能解决你的问题,请参考以下文章

随机过程12 - 泊松过程的推广型

随机过程11 - 泊松过程及其解析计算

随机过程11 - 泊松过程及其解析计算

随机过程和指数分布

随机过程13 - 过滤泊松的应用

随机过程13 - 过滤泊松的应用