Tabla de contenido
introducción
El proceso de Poisson es un proceso aleatorio relativamente simple en el que el evento es continuo y el estado es discreto. Los procesos de Poisson se utilizan ampliamente en física, geología, biología, medicina, astronomía, sistemas de servicios y teoría de la confiabilidad.
Definición y ejemplo del proceso de Poisson
Definición 1 (proceso de conteo) : Sea N ( t ) N(t)N ( t ) significa hasta el tiempottEl número total de "evento A" que ha ocurrido hasta t , si N ( t ) N(t)N ( t ) satisface las siguientes condiciones:
(1)N ( t ) ≥ 0 N(t) \geq 0norte ( t )≥0
(2)N ( t ) N(t)N ( t ) toma un entero positivo
(3) sis < ts < ts<t,则N ( s ) ≤ N ( t ) N(s) \leq N(t)norte ( s )≤N ( t )
(4)s < ts < ts<t , entoncesN ( t ) − N ( s ) N(t) - N(s)norte ( t )−N ( s ) es igual al intervalo( s , t ] (s,t]( s ,El número de "evento A" que ocurrió en t ] se llama proceso aleatorio {N(t),t ≥ 0 t \geq 0t≥0 } es el proceso de conteo.
Si el proceso de conteo N ( t ) N(t)N ( t ) En intervalos de tiempo que no se superponen, el número de ocurrencias del evento A es independiente entre sí, es decir, sit 1 < t 2 ≤ t 3 < t 4 t_{1} < t_{2} \leq t_{3} < t_{4}t1<t2≤t3<t4, luego en ( t 1 , t 2 ] (t_{1},t_{2}]( t1,t2] norte ( t 2 ) - norte ( t 1 ) N(t_{2}) - N(t_{1})N ( t2)−N ( t1) y en( t 3 , t 4 ] (t_{3},t_{4}]( t3,t4] norte ( t 3 ) - norte ( t 4 ) N(t_{3}) - N(t_{4})N ( t3)−N ( t4) son independientes entre sí, y el proceso de conteo esun proceso incremental independiente.
Si el proceso de conteo N ( t ) N(t)N ( t )在( t , s + t ] ( s > 0 ) (t,s+t](s>0)( t ,s+t ] ( s>0 ) , el número de ocurrencias del evento A esN ( t + s ) − N ( s ) N(t+s) - N(s)N ( t+s )−N ( s ) es solo con diferencia horariasss está relacionado conttt es irrelevante, el proceso de conteo se llamaN ( t ) N(t)N ( t ) esun proceso incremental estacionario.
El proceso de Poisson es uno de los tipos más importantes de procesos de conteo y tiene dos definiciones, de la siguiente manera:
Definición 2.1 (proceso de Poisson) : proceso de diseño numérico {X(t), t ≥ 0 t \geq 0t≥0 } satisface las siguientes condiciones:
(1)X ( 0 ) = 0 X(0)=0X ( 0 )=0;
(2)X ( t ) X(t)X ( t ) es un proceso incremental independiente;
(3) en cualquier longitudttEn el intervalo de t , el número de ocurrencias del evento A obedece al parámetroλ t > 0 \lambda t>0t _>0 Distribución de Poisson, es decir, para cualquiers , t ≥ 0 s, t \geq 0s , t≥0,有
P { X ( t + s ) − X ( s ) = norte } = mi − λ t ( λ t ) nn ! P\{X(t+s)-X(s)=n\} = e^{-\lambda t}\frac{(\lambda t)^{n}}{n!}PAG {
X ( t+s )−X ( s )=n }=mi- t_ _n !( t ) _n
Entonces se llama proceso de conteo {X(t), t ≥ 0 t \geq 0t≥0 } es con parámetroλ > 0 \lambda >0yo>0 Proceso de envenenamiento.
Definición 2.2 (proceso de Poisson) : proceso de diseño numérico {X(t), t ≥ 0 t \geq 0t≥0 } satisface las siguientes condiciones:
(1)X ( 0 ) = 0 X(0)=0X ( 0 )=0;
(2)X ( t ) X(t)X ( t ) es un proceso incremental estacionario independiente;
(3)X ( t ) X(t)X ( t ) satisface las siguientes dos fórmulas:
P { X ( t + h ) − X ( t ) = 1 } = λ h + o ( h ) P\{X(t+h)-X(t)=1 \ } = \lambda h + o(h)PAG {
X ( t+h )−X ( t )=1 }=λh _+o ( h )
PAGS { X ( t + h ) − X ( t ) ≥ 2 } = o ( h ) PAGS\{X(t+h)-X(t)\geq2\} = o(h)PAG {
X ( t+h )−X ( t )≥2 }=o ( h )
se llama el proceso de conteo {X(t),t ≥ 0 t \geq 0t≥0 } es con parámetroλ > 0 \lambda >0yo>0 Proceso de envenenamiento.
Nota: ¡El teorema 2.1 es equivalente al 2.2!
De la condición (3) de la definición 2.1, se puede ver que el proceso de Poisson es un proceso incremental estacionario y E [ X ( t ) ] = λ t E[X(t)]=\lambda tmi [ X ( t ) ]=λt . _ Dado queλ = mi [ x ( t ) ] t \lambda = \frac{E[x(t)]}{t}yo=tmi [ x ( t ) ]Indica el número promedio de eventos A que ocurren por unidad de tiempo, por lo que se llama λ \lambdaλ es la velocidad o intensidadde este proceso
Propiedades básicas de los procesos de Poisson
De acuerdo con la definición del proceso de Poisson, podemos derivar varias características numéricas de uso común del proceso de Poisson .
Sea {X(t), t ≥ 0 t \geq 0t≥0 } es un proceso de Poisson, para cualquiers , t ∈ [ 0 , ∞ ) s, t \in [0,\infty)s , t∈[ 0 ,∞ ),且s < t s<ts<t,有
E [ X ( t ) − X ( s ) ] = D [ X ( t ) − X ( s ) ] = λ ( t − s ) E[X(t)-X(s)]=D[ X(t)-X(s)]=\lambda(ts)E [ X ( t )−X ( s ) ]=D [ X ( t )−X ( s ) ]=λ ( t−s )
Dado queX ( 0 ) = 0 X(0)=0X ( 0 )=0 , por lo quese espera:
mx ( t ) = E [ X ( t ) ] = E [ X ( t ) − X ( 0 ) ] = λ t m_{x}(t)=E[X(t)]=E [X(t)-X(0)]=\lambda tmetrox( t )=mi [ X ( t ) ]=E [ X ( t )−X ( 0 ) ]=λ t
方差:
σ x 2 ( t ) = D [ X ( t ) ] = D [ X ( t ) − X ( 0 ) ] = λ t \sigma^{2}_{x}(t)=D[ X(t)]=D[X(t)-X(0)]=\lambda tpagX2( t )=D [ X ( t ) ]=D [ X ( t )−X ( 0 ) ]=λ t
función de autocorrelación:
R x ( s , t ) = E [ X ( s ) X ( t ) ] = λ s ( λ t + 1 ) R_{x}(s,t)=E[X(s) X (t)]=\lambda s(\lambda t+1)Rx( s ,t )=mi [ X ( s ) X ( t ) ]=λ s ( λ t+1 )
Función de covarianza:
B x ( s , t ) = R x ( s , t ) − mx ( t ) mx ( s ) = λ s B_{x}(s,t)=R_{x}(s, t )-m_{x}(t)m_{x}(s)=\lambda sBx( s ,t )=Rx( s ,t )−metrox( t ) metrox( s )=λ s
En general, la función de covarianza de un proceso de Poisson se puede expresar como:
B x ( s , t ) = λ min ( s , t ) B_{x}(s,t)=\lambda min(s,t)Bx( s ,t )=λ metro yo norte ( s ,t ) La función característica
del proceso de Poissonesgx ( u ) = E [ eiu X ( t ) ] = exp { λ t ( eiu − 1 ) } g_{x}(u)=E[e^{iuX(t ) }]=exp\{\lambda t(e^{iu}-1)\}
gramox( tu )=y [ miyo u X ( t ) ]=mi X pags {
λ t ( miyo tu−1 ) }
Intervalo de tiempo y distribución del tiempo de espera: si usamos el proceso de Poisson para describir la cantidad de clientes que reciben servicios en el sistema de servicio, los problemas de distribución, como el intervalo de tiempo para que los clientes reciban servicios y el tiempo de espera de los clientes en línea, deben ser estudió. A continuación, discutiremos en detalle la distribución del proceso de Poisson en relación con las características del tiempo.
Teorema 3 : Sea {X(t), t ≥ 0 t \geq 0t≥0 } es el parámetroλ \lambdaDistribución de Poisson de λ , { T n , n ≥ 0 } \{T_{n}, n \geq 0\}{
Tnn _≥0 } es la secuencia de intervalo de tiempo correspondiente, entonces la variable aleatoriaT n ( N = 1 , 2 , . . . ) T_{n}(N=1,2,...)Tn( norte=1 ,2 ,. . . ) es independiente e idénticamente distribuida con media1 / λ 1 / \lambdaDistribución exponencial de 1 / λ .
Sufunción de distribuciónes:
FT n ( t ) = P { T n ≤ t } = { 1 − e − λ t , t ≥ 0 , 0 , t < 0 , F_{T_{n}}(t)=P\ {T_{n} \leq t\} = \begin{casos} 1-e^{- \lambda t}, &t \geq 0,\\ 0, & \text{t < 0}, \end{casos}FTn( t )=P {
Tn≤t }={
1−mi- t _ _0 ,t≥0 ,t < 0 ,
Su función de densidad de probabilidad es:
f T n ( t ) = { λ e − λ t , t ≥ 0 , 0 , t < 0 , f_{T_{n}}(t)= \begin{cases} \lambda e^ {- \lambda t}, &t \geq 0,\\ 0, & \text{t < 0}, \end{casos}FTn( t )={
λe _- t _ _0 ,t≥0 ,t < 0 ,
Teorema 4 : Sea { W n , n ≥ 1 } \{W_{n}, n \geq 1\}{
Wnn _≥1 } está relacionado con el proceso de Poisson {X(t),t ≥ 0 t \geq 0t≥0 } correspondiente a una secuencia de tiempo de espera, entoncesW n W_{n}WnEl parámetro de obediencia es nnn与λ \lambdaλ的Γ \GammaΓequivalente , infinitesimal:F
W norte ( t ) = { λ mi - λ t ( λ tn - 1 ) ( norte - 1 ) ! , t ≥ 0 , 0 , t < 0 , f_{W_{n}}(t)= \begin{cases}\lambda e^{- \lambda t}\frac{(\lambda t^{n-1} )}{(n-1)!},&t \geq 0,\\ 0,& \text{t < 0}, \end{casos}FWn( t )={
λe _- t_ _( norte - 1 ) !( t_ _norte - 1 ),0 ,t≥0 ,t < 0 ,
La función de distribución es :
FW n ( t ) = P { W n ≤ t } = P { X t ≥ n } = ∑ j = n ∞ e − λ t ( λ tj ) ( j ) ! F_{W_{n} } (t)=P\{W_{n} \leq t\} = P\{X_{t} \geq n\} = \sum^{\infty} _{j=n} e^{- \lambda t } \frac{(\lambda t^{j})}{(j)!}FWn( t )=PAGS {
Wn≤t }=P {
Xt≥n }=∑j = norte∞mi- t_ _( j ) !( t_ _j )
El teorema 4 también se conoce como la distribución irlandesa, es nnLa densidad de probabilidad de la suma de n variables aleatorias independientes y distribuidas exponencialmente.
Distribución condicional del tiempo de llegada : suponga que en [ 0 , t ] [0,t][ 0 ,t ] El evento A ha ocurrido una vez, queremos determinar que este evento alcance el eventoW 1 W_{1}W1Distribución. Debido a que el proceso de Poisson tiene incrementos independientes estacionarios, es razonable pensar que [ 0 , t ] [0,t][ 0 ,t ] los intervalos de igual longitud que contienen este evento deben tener la misma probabilidad. En otras palabras, el evento de llegada de este evento debe ser en[ 0 , t ] [0,t][ 0 ,t ] obedecen a la distribución uniforme. De hecho, paras < t s<ts<t有:
PAGS { W 1 ≤ s ∣ X ( t ) = 1 } = st P\{W_{1} \leq s|X(t)=1\} = \frac{s}{t}PAGS {
W1≤s ∣ X ( t )=1 }=ts
分布函数为:
FW n ( t ) = { 0 , s < 0 , s / t , 0 ≤ s < t , 1 , s ≥ t , F_{W_{n}}(t)= \begin{cases} 0 ,&s < 0,\\ s/t,& 0 \leq s < t,\\ 1,& s\geq t, \end{casos}FWn( t )=⎩⎪⎨⎪⎧0 ,s / t ,1 ,s<0 ,0≤s<t ,s≥t ,
La densidad de distribución es:
f W n ( t ) = { 1 / t , 0 ≤ s < t , 0 , otros f_{W_{n}}(t)= \begin{cases} 1/t,& 0 \ leq s < t,\\ 0, y otros.\end{casos}FWn( t )={
1 / t ,0 ,0≤s<t ,Otro _
Proceso de Poisson no homogéneo
Definición 5 : Proceso numérico de diseño {X(t), t ≥ 0 t \geq 0t≥0 } satisface las siguientes condiciones:
(1)X ( 0 ) = 0 X(0)=0X ( 0 )=0;
(2)X ( t ) X(t)X ( t ) es un proceso incremental estacionario independiente;
(3)X ( t ) X(t)X ( t ) satisface las dos fórmulas siguientes:
P { X ( t + h ) − X ( t ) = 1 } = λ ( t ) h + o ( h ) P\{X(t+h)-X(t ) =1\} = \lambda (t)h + o(h)PAG {
X ( t+h )−X ( t )=1 }=λ ( t ) h+o ( h )
PAGS { X ( t + h ) − X ( t ) ≥ 2 } = o ( h ) PAGS\{X(t+h)-X(t)\geq2\} = o(h)PAG {
X ( t+h )−X ( t )≥2 }=o ( h )
se llama el proceso de conteo {X(t),t ≥ 0 t \geq 0t≥0 } es una función de fuerza de saltoλ ( t ) \lambda (t)Proceso de Poisson no homogéneo de λ ( t ) . Y la función media es:
mx ( t ) = ∫ 0 t λ ( s ) ds m_{x}(t)=\int^{t}_{0}\lambda(s)dsmetrox( t )=∫0tλ ( s ) re s
La distribución de probabilidad para un proceso de Poisson no homogéneo es la siguiente:
Teorema 6 : Sea {X(t), t ≥ 0 t \geq 0t≥0 } es una función mediamx ( t ) = ∫ 0 t λ ( s ) ds m_{x}(t)=\int^{t}_{0}\lambda(s)dsmetrox( t )=∫0tλ ( s ) d s proceso de Poisson no homogéneo, entonces
P { X ( t + s ) − X ( t ) = n } = [ mx ( t + s ) − mx ( t ) ] norte ! e − [ mx ( t + s ) − mx ( t ) ] , norte ≥ 0 P\{X(t+s)-X(t)=n\}=\frac{[m_{x}(t+s)- m_{x }(t)]}{n!}e^{-[m_{x}(t+s)-m_{x}(t)]},n\geq 0PAG {
X ( t+s )−X ( t )=n }=n ![ metrox( t + s ) - metrox( t ) ]mi- [ metrox( t + s ) - metrox( t ) ] ,norte≥0
或
P { X ( t ) = norte } = [ mx ( t ) ] norte ! mi − [ mx ( t ) ] , norte ≥ 0 P\{X(t)=n\}=\frac{[m_{x}(t)]}{n!}e^{-[m_{x} (t)]},n\geq 0PAGS {
X ( t )=n }=n ![ metrox( t ) ]mi- [ metrox( t ) ] ,norte≥0
proceso de Poisson compuesto
Definición 7 : Sea {N(t), t ≥ 0 t \geq 0t≥0 } es la fuerza deλ \lambdaProceso de Poisson de λ , { Y k , k = 1 , 2 , . . . } \{Y_{k},k=1,2,...\}{
Yk,k=1 ,2 ,. . . } es una columna de variables aleatorias independientes e idénticamente distribuidas, y está relacionada con{ N ( t ) , t ≥ 0 } \{N(t), t\geq 0 \}{
norte ( t ) , t≥0 } independiente, sea
X ( t ) = ∑ k = 1 norte ( t ) Y k , t ≥ 0 , X(t)=\sum^{N(t)}_{k=1}Y_k,t\geq0 ,X ( t )=∑k = 1norte ( t )Yk,t≥0 ,
se llama{ X ( t ) , t ≥ 0 } \{X(t), t\geq 0 \}{
X ( t ) , t≥0 } es un proceso de Poisson compuesto.
Figura 8 : Sea X ( t ) = ∑ k = 1 N ( t ) Y k , t ≥ 0 , X(t)=\sum^{N(t)}_{k=1}Y_k,t\geq0,X ( t )=∑k = 1norte ( t )Yk,t≥0 , es un proceso de Poisson compuesto, entonces
(1){ X ( t ) , t ≥ 0 } \{X(t), t\geq 0 \}{
X ( t ) , t≥0 } es un proceso incremental independiente;
(2)X ( t ) X(t)X ( t ) función independientegx ( t ) ( u ) = e λ t [ g Y ( u ) − 1 ] g_{x(t)}(u)=e^{ \lambda t [g_{Y}( u )-1]}gramox ( t )( tu )=miλ t [ gramoy( u ) − 1 ] , dondeg Y ( u ) g_{Y}(u)gramoy( u ) es una variable aleatoriaY 1 Y_{1}Y1La función característica de ; λ \lambdaλ es la tasa de llegada de eventos.
(3) Si existe el segundo momento, entoncesE [ X ( t ) ] = λ t E [ Y 1 ] , D [ X ( t ) ] = λ t E [ Y 1 2 ] E[X(t)]= \lambda tE[Y_{1}],D[X(t)]= \lambda tE[Y_{1}^{2}]mi [ X ( t ) ]=λ t mi [ Y1] ,D [ X ( t ) ]=λ t mi [ Y12]