2.2 泊松过程的三张面孔：等价定义与互推练习

2.2 泊松过程的三张面孔：等价定义与互推练习

本节摘要：泊松过程有三份等价的"说明书"：按计数分布定义、按到达间隔定义、按微小增量定义。本节把三份说明书并排摆开，给出任意两份之间的互推路线，并用数值实验验证三者的模拟结果一致。能独立完成互推，才算把"等价"两个字焊牢。

直接背定义不难，难的是理解为什么同一个对象能从三个方向刻画。把泊松过程想成一台黑箱机器：数出口看，计数服从泊松分布；拆开看间隔，间隔是独立指数；凑近看瞬间，任意瞬间发生事件的机会是一个无穷小常数。三份描述说的是同一台机器，各有各的顺手场景——排队论偏爱间隔版，可靠性理论偏爱计数版，随机分析偏爱增量版。

面孔一：计数分布版

定义 A：计数过程 {N(t)} 称为强度参数 λ 的（齐次）泊松过程，若它满足独立增量与平稳增量，且对任意 t：

P(N(t) = k) = (λt)ᵏ · e^(−λt) / k!，k = 0, 1, 2, …

这一版直接给出任意时刻的计数分布，是上一节二项极限推导的正式化。它的直接推论：E[N(t)] = Var(N(t)) = λt。工程上"用样本均值与样本方差是否接近来初步判断泊松性"的常用检验，就是从这个等式引申的：两数差距悬殊，基本可以断定不是齐次泊松（方差明显偏大提示聚集，偏小提示比泊松更规则，比如设施强制错峰的预约制服务）。

面孔二：到达间隔版

定义 B：记 S₁ 为首次到达时刻，S₂ 为第一次与第二次到达的间隔，以此类推。若 S₁, S₂, … 独立同分布，均服从参数 λ 的指数分布（密度 λ·e^(−λt)），则计数过程 N(t) = 满足 S₁ + … + Sₙ ≤ t 的最大 n，它是强度 λ 的泊松过程。

这一版把"恒定机会"翻译成了间隔语言：任何时刻往后看，下一次到达的等待时间分布都一样——这正是指数分布无记忆性的内容，2.3 节专门展开。它也是模拟泊松过程最方便的姿势：生成一串指数随机数，累加即得到达时刻，上一节的代码用的就是这条路。

面孔三：微小增量版

定义 C：计数过程满足独立增量与平稳增量，且在长度 h 的微小区间内：恰有一件的概率为 λh + o(h)，两件及以上的概率为 o(h)，其中 o(h) 表示比 h 更高阶的无穷小。

这一版是连续时间建模的"微积分起点"。它的好处是让微分方程式推导变得自然：想算 P(N(t) = k)，写 N(t + h) = N(t) + 微小增量，按"多 zero 件、多一件、多两件以上"三种情形展开，整理成差分方程，令 h 趋于零，得到一组微分方程链。k 阶方程联系 k−1 与 k+1 阶，配合初始条件逐级解出泊松分布——这正是柯尔莫哥洛夫前向方程最简单的亮相，第 3 章生灭过程会原样重演这套手法，只是把"泊松钟"换成了"状态相关钟"。

图：三张面孔的互推路线

互推练习：三条路线各走一遍

A 到 B（从计数分布求间隔分布）：P(S₁ > t) = P(N(t) = 0) = e^(−λt)，所以 S₁ 服从指数分布。对后续间隔，用独立增量把条件概率拆开：P(S₂ > s | S₁ = t₁) = P(N(t₁ + s) − N(t₁) = 0) = e^(−λs)。间隔与过去无关、彼此同分布，B 得证。这个推导同时暴露了无记忆性的来源：一切条件概率都被独立增量瞬间清空。

B 到 C：设当前距上次到达已过了 u 个单位时间，由指数分布的无记忆性，下一小段 h 内到达的概率与 u 无关：P(间隔 ≤ u + h | 间隔 > u) = 1 − e^(−λh) ≈ λh。两件以上需要两个指数变量同时落在 h 内，概率量级为 h²，归入 o(h)。C 得证。

C 到 A：按前述微分方程链，令 pₖ(t) = P(N(t) = k)。微小区间分析给出 pₖ'(t) = −λpₖ(t) + λpₖ₋₁(t)，k ≥ 1，以及 p₀'(t) = −λp₀(t)。先解出 p₀(t) = e^(−λt)，再逐级代入（可用归纳法），解得 pₖ(t) = (λt)ᵏe^(−λt)/k!。A 得证。

三条路线走完，"等价"不再是宣称而是亲历。考试与面试里最常考的是 A 到 B，工程里最常用的是 B（模拟），理论延伸最常借助的是 C（微分方程）。三张面孔各司其职。

⚠️ 一个经典陷阱：非齐次泊松过程（强度 λ(t) 随时间变化）仍然满足独立增量与普通性，但违反平稳增量。见到"到达率随时间变化却仍叫泊松"的表述不要惊讶——那是把定义 A 中的 λt 换成累积强度函数 ∫λ(s)ds 后的推广。判断一个模型是否"泊松"，先问清楚是齐次还是非齐次。

数值实验：三张面孔模拟同一过程

import numpy as np

rng = np.random.default_rng(88)
lam, T = 2.0, 5.0
n_paths = 50_000

# 面孔 B 的模拟：指数间隔串联
# 每条路径各生成一段足够长的间隔序列，再截断到 T 之前
gaps = rng.exponential(1/lam, size=(n_paths, 40))
times = np.cumsum(gaps, axis=1)
counts_B = (times <= T).sum(axis=1)

# 面孔 A 的对照：直接从泊松分布抽 N(T)
counts_A = rng.poisson(lam*T, size=n_paths)

print(f"间隔法 N(5) 均值 {counts_B.mean():.3f}，方差 {counts_B.var():.3f}")
print(f"直接法 N(5) 均值 {counts_A.mean():.3f}，方差 {counts_A.var():.3f}")
# 理论值 λT = 10.0：两种模拟的均值与方差都应在 10 附近
# 两列样本做相关性检验也应接近零——间隔实现与分布抽样是相互独立的两次实验
​

均值与方差都落在 λT 附近，正是"均值方差相等"的泊松指纹。若把间隔分布换成非指数（比如均匀分布），再跑一遍：均值仍是 λT，但方差会明显偏离——间隔法与计数法立刻失配，这就是"等价"被破坏的数值信号。

一道综合题：把三张面孔串在一支笔上

题目：某十字路口的违章抓拍按率 λ = 6 件每小时的泊松流发生。回答四问，每问刻意用不同的面孔。

第一问（面孔 A）：下午三点到五点（两小时窗口）内恰有十次违章的概率。直接套计数分布：均值 λt = 12，P(N = 10) = 12 的十次方乘 e 的负十二次方再除以十的阶乘，约 0.105。

第二问（面孔 B）：等待第三次违章超过四十分钟的概率。第三次到达时刻是三个独立指数（均值各十分钟）之和，服从伽马分布；P(时间超过四十分钟) = 前四十分钟内到达数不足三次 = P(N(2/3 小时) ≤ 2)，均值 4，算得约 0.238。注意两问互为镜像——间隔视角的问题总能翻译回计数视角。

第三问（面孔 C）：五分钟窗口内恰有一件的概率，用微小增量近似验证：λh = 0.5，精确值 0.5×e 的负 0.5 次方 ≈ 0.303；一阶近似 λh×e 的负 λh 就是精确值在"小窗口"下的自然形态，误差进入二阶项。

第四问（反方向核查）：若实测两小时窗口的方差是 18（均值仍 12），说明什么？方差明显超过均值——过度离散，泊松性被破坏，多半存在自激励或状态切换（比如交警换班后执法强度变化）。三张面孔的任何一张出现"均值方差失配"，都是换模型的信号。

这道题的四问对应四种工程问法："固定窗口计数""第 n 次何时发生""短窗近似""模型体检"——面试与实务里出现频率最高的四种泊松题目形态，一次练全。

本节要点回顾

• 三张面孔：计数分布版、到达间隔版、微小增量版，互为充要条件。
• 互推路线：A 到 B 靠差分与独立增量，B 到 C 靠无记忆性，C 到 A 靠微分方程链。
• 各面孔的用武之地：统计检验用 A，模拟用 B，理论推导用 C。
• 非齐次泊松：违反平稳增量但保留独立增量，强度换累积函数即可容纳时间漂移。
• 均值方差相等是泊松指纹：样本层面的快速自检依据。

计数分布之外，间隔视角还藏着一个著名的"等待悖论"。下一节把它完整推一遍，顺带解决"已知到达次数后的布点"问题。