免費論壇 繁體 | 簡體
Sclub交友聊天~加入聊天室當版主
分享
返回列表 发帖

复合泊松分布,条件期望

$(L_t)_{t\geqslant 0}$ 是一个复合泊松过程 (compound Poisson process):$${ L }_{ t }=\sum _{ i=1 }^{ { N }_{ t } }{ { Y }_{ i } } ,i=1,2,...,$$其中 $Y_i$ 是伯努利变量,$Y_i=1$ 的概率是 $p$, 为 0 的概率是 $1-p$.
$(N_t)_{t\geqslant 0}$ 是一个有参数 $\lambda$ 的泊松过程,$(N_t)_{t\geqslant 0}$ 和 $Y_i, i=1,2,...,$ 都是互相独立的.

求条件期望:$E[N_t|L_t=k]$
提示:求 $P(N_t=n|L_t=k)$
分享到: QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友

回复 1# opuikl_0


这有啥难的呢.....

首先我们知道$L_t|N_t\sim BIN(N_t,p)$,有
\[P(N_t=n,L_t=k)=P(L_t=k|N_t=n)P(N_t=n)\]
\[=C^k_{n}p^{k}(1-p)^{n-k}·\frac{(\lambda t)^n}{n!}e^{-\lambda t}I(n\ge k)=\frac{1}{k!(n-k)!}p^k(1-p)^{n-k}(\lambda t)^ne^{-\lambda t}I(n\ge k)\]
\[P(L_t=k)=\sum_{n=k}^{\infty}\frac{1}{k!(n-k)!}p^k(1-p)^{n-k}(\lambda t)^ne^{-\lambda t}=\frac{(p\lambda t)^k}{k!}e^{-p\lambda t}\]
于是
\[P(N_t=n|L_t=k)=\frac{P(N_t=n,L_t=k)}{P(L_t=k)}\]
\[=\frac{((1-p)\lambda t)^{n-k}}{(n-k)!}e^{-(1-p)\lambda t}I(n\ge k)\]
所以均值自己求吧..

TOP

回复 2# 战巡

请问你第一句话的结论是怎么来的?另外I(n≥k)是表示指示函数(indicator function)吗?

TOP

回复 3# opuikl_0


如此显然的东西还要问啊...
你不是知道$Y_i\sim BIN(1,p)$么,那当$N_t$已知时,不就有$L_t|N_t\sim BIN(N_t,p)$么?

那个I的确是指示函数

TOP

回复 4# 战巡

明白了,谢谢!

TOP

回复 2# 战巡


    想再请教下,求条件期望这里用离散的公式:$$E[N_t|L_t=k]=\sum _{ n\ge k }^{  }{ nP(N_ t=n|L_ t=k)=\sum _{ n\ge k }^{  }{ \frac { { n((1-p)\lambda t) }^{ n-k } }{ (n-k)! } { e }^{ -(1-p)\lambda t } }  } $$
是这么来算吗?这还能再进一步化简吗?
谢谢!

TOP

回复 6# opuikl_0


.............
看来我不该留着让你算的...
我以为这个稍微移动了的泊松分布你应该能一眼看出来,最后$P(N_t=n|L_t=k)$的表达式中我都故意把项合并成那个形式了

稍微做个变换,令$N_t'=N_t-k$,那么
\[P(N_t'=a|L_t=k)=\frac{((1-p)\lambda t)^{a}}{a!}e^{-(1-p)\lambda t}I(a\ge 0)\]
于是$N_t'|L_t\sim POI((1-p)\lambda t)$,别告诉我你还算不出均值...

TOP

本帖最后由 opuikl_0 于 2017-4-22 01:47 编辑

回复 7# 战巡


谢谢谢谢!!这下明白了,均值就是 $(1-p)\lambda t+k$ ?。。。

TOP

返回列表 回复 发帖