随机过程：泊松过程性质

(0)$X_i$ 独立同分布 $\lambda e^{\lambda x_i}$
$$\begin{gathered} 证明独立同分布P(AB)=P(A)\ast P(B|A)=P(A)\ast P(B) \\ 由泊松过程的定义，先求X_1的分布函数P(X_1\le x_1)， \\ P(X_1>x_1)=P(N_{x_1}=0)=e^{-\lambda x_1} \\ {X}_1的分布密度为：(1-e^{-\lambda x_1}{)}^{\prime }=\lambda e^{-\lambda x_1} \\ P(X_2>x_2|X_1=x_1)=e^{-\lambda x_2} \\ 结果与X_1的取值无关，X_1与X_2无关 \end{gathered}$$

泊 松 过 程 { N t , t ≥ 0 } ( 1 ) 当 s < t , P ( N s = k ∣ N t = n ) = C n k ( s t ) k ( 1 − s t ) n − k , k = 0 , 1 , … ， n 泊松过程\{N_t,t\geq 0\} \\ (1) 当s < t,P(N_s=k|N_t=n)=C_n^k(\frac{s}{t})^k(1-\frac{s}{t})^{n-k},k=0,1,…，n 泊松过程{Nt​,t≥0}(1)当s<t,P(Ns​=k∣Nt​=n)=Cnk​(ts​)k(1−ts​)n−k,k=0,1,…，n

泊 松 过 程 { N t , t ≥ 0 } ( 2 ) 在 [ 0 , t ] 内 事 件 A 已 经 发 生 n 次 ， 求 第 k 次 发 生 时 间 S k 的 条 件 概 率 密 度 （ S n 服 从 参 数 为 n , λ 的 分 布 密 度 f ( t ) = λ e − λ t ( λ t ) n − 1 ( n − 1 ) ! , t ≥ 0 ） 泊松过程\{N_t,t\geq 0\} \\ (2) 在[0,t]内事件A已经发生n次，求第k次发生时间S_k的条件概率密度（S_n服从参数为\color{red}n,\lambda \color{black} 的分布密度f(t)=\lambda e^{-\lambda t}\frac{(\lambda t)^{n-1}}{(n-1)!},t\geq 0） 泊松过程{Nt​,t≥0}(2)在[0,t]内事件A已经发生n次，求第k次发生时间Sk​的条件概率密度（Sn​服从参数为n,λ的分布密度f(t)=λe−λt(n−1)!(λt)n−1​,t≥0）
$$\begin{gathered} 先求分布函数，再求其微分的极限 \\ P(s<S_k\le s+h|N_t=n) \\ =\frac{P(s<S_k\le s+h,N_t=n)}{P(N_t=n)} \\ =\frac{P(s<S_k\le s+h,N_t-N_{s+h}=n-k)}{P(N_t=n)} \\ 利用bossion过程独立增量性 \\ =\frac{P(s<S_k\le s+h)\ast P(N_t-N_{s+h}=n-k)}{P(N_t=n)} \end{gathered}$$

$$\begin{gathered} S_k的条件概率密度分布，P(s|S_t=n)=f(s) \\ =\underset{h\to 0}{\lim }\frac{P(s<S_k\le s+h)\ast P(N_t-N_{s+h}=n-k)}{h\ast P(N_t=n)} \\ =\frac{P(N_t-N_s=n-k)}{P(N_t=n)}\ast \underset{h\to 0}{\lim }\frac{P(s<S_k\le s+h)}{h} \\ =\frac{P(N_t-N_s=n-k)}{P(N_t=n)}\ast \lambda e^{-\lambda s}\frac{(\lambda s{)}^{k-1}}{(k-1)!} \\ \frac{n!}{(k-1)!(n-k)!}\frac{s^{k-1}}{t^k}(1-\frac{s}{t}{)}^{n-k} \end{gathered}$$

$$\begin{gathered} 以上方法与根据已知的分布密度函数直接计算相同 \\ 更简单地直接带入：\frac{P(N_t-N_s=n-k)}{P(N_t=n)}\ast f_{S_k}(s) \end{gathered}$$

$(3)两个随机过程的和是随机过程$
$也算是继承了泊松分布（是满足可加性的分布）的特性(利用指数函数的加变\times 性质)$
$$\begin{gathered} {\phi }_{N_1}(u)=e^{({\lambda }_1\ast t)\ast (e^{iu}-1)} \\ {\phi }_{N_2}(u)=e^{({\lambda }_2\ast t)\ast (e^{iu}-1)} \\ {N}_1(t)+N_2(t)的特征函数：{\phi }_{N_1+N_2}(u)=E(e^{iu\ast (N_1(t)+N_2(t))}) \\ X,Y独立\Rightarrow E(f(X)\ast g(Y))=E(f(X))\ast E(g(Y)) \\ E(e^{iu\ast (N_1(t)+N_2(t))})=E(e^{iu\ast N_1(t)})\ast E(e^{iu\ast N_2(t)}) \\ =e^{({\lambda }_1\ast t)\ast (e^{iu}-1)}\ast e^{({\lambda }_2\ast t)\ast (e^{iu}-1)} \\ =e^{({\lambda }_1\ast t+{\lambda }_2\ast t)\ast (e^{iu}-1)} \\ 由特征函数与分布的一一对应关系可得N_1(t)+N_2(t)是强度为{\lambda }_1+{\lambda }_2的随机过程 \end{gathered}$$