2.3 到达间隔与条件均匀性：两条性质卡的完整推导

2.3 到达间隔与条件均匀性：两条性质卡的完整推导

本节摘要：到达间隔独立同分布指数，给出泊松过程的"无记忆"性格，也催生了反直觉的检查悖论；条件均匀性则回答"已知到达次数时，到达点如何分布"。本节把两条性质的推导、推论与易错点完整过一遍，并以公交站等车为例完成一次全流程计算。

车站上你刚错过了公交，下一班要等多久？如果你以为"刚走了一班，下一班大概率要等一整个间隔"，那就掉进了检查悖论。这个悖论的解释要用到本节的全部装备：间隔分布、无记忆性、以及一个隐蔽的"长度偏倚抽样"。把这道题算透，你对泊松过程的理解就从背定义升级到能上手。

到达间隔：指数分布与无记忆性

设 S 是相邻两次到达的间隔。2.2 节已经证过 S 服从参数 λ 的指数分布：P(S > t) = e^(−λt)。指数分布有一条所有连续分布中独一无二的特征——无记忆性：

P(S > s + t | S > t) = P(S > s)

证明只有一行：P(S > s + t) / P(S > t) = e^(−λ(s+t)) / e^(−λt) = e^(−λs)。左边是"已经等了 t 还没来，再等 s 以上的概率"，右边是"从头等 s 以上的概率"。已等的 t 像被系统清零了一样，对未来毫无影响。

无记忆性其实是"恒定机会"的间隔翻译：如果到达机会在每一瞬间都是常数 λ，那么"已经等了多久"当然不该影响下一瞬的机会。反过来，无记忆性也唯一确定指数分布——若你确信"等了半天该来了"，那这个到达流从一开始就不是齐次泊松，硬用指数间隔建模就是在给不存在的记忆强行记账。

实际到达流的间隔常被检验：把观测到的间隔画成直方图与指数密度对照，或算间隔的变异系数（标准差除以均值）。指数分布的变异系数恰为一：明显大于一说明间隔忽长忽短（聚集，比如余震型或热点型到达），明显小于一说明间隔被"拍平"了（强管理的时刻表服务）。变异系数一，是与非泊松间隔快速分诊的第一指标。

图：检查悖论的几何解释

检查悖论：完整走一遍算术

问题：公交按泊松过程到站（平均间隔 1/λ），你在随机时刻到站，问平均等待多久？

直觉答案"半个平均间隔（1 除以 2λ）"是错的，正确答案是整个平均间隔 1/λ。推导分两步：

第一步，长度偏倚。随机时刻落在某个间隔内的概率与该间隔的长度成正比——长的间隔在时间轴上占的面积大，被挑中的机会自然大。精确地说，选中间隔的长度分布带上了偏倚因子，密度正比于 s·f(s)，其中 f 是原始指数密度。归一化后得到"被截间隔"的密度：λ²·s·e^(−λs)（这是参数 2 的伽马分布，也写作两个独立指数之和的分布），期望为 2/λ——你落进的那个间隔，平均长度是普通间隔的两倍。

第二步，对称平分。你到站的时刻在所选间隔内均匀分布（这正是条件均匀性的特例，下一段证明），所以从你到站到下一班车的剩余等待平均是这个长间隔的一半：(2/λ) / 2 = 1/λ。

结论合并成一句话：你等的不是半个普通间隔，而是半个"被挑大的间隔"。实践含义不少：泊松假设下"刚错过一班"并不恶化你的处境（期望等待仍为 1/λ，无记忆性保票）；但如果到达流是强规则的（间隔固定），随机到站的期望等待会降到 1 除以 2λ——到达流越随机，随机到站者平均等待越久。调度策略里"以随机性换平滑"的取舍，在这里第一次露出数学獠牙。

条件均匀性：已知次数后的布点

定理：设泊松过程在区间 0 到 t 内恰好到达 n 次，则这 n 个到达时刻的（无序）位置，与把 n 个独立均匀分布点撒在区间上的次序统计量同分布。

证明思路是一次巧妙的条件化。把区间切成 m 等份，由独立平稳增量，各段计数独立同分布于均值为 λt/m 的泊松分布。在 m 趋于无穷时每段至多一件（普通性发力），"第 i 段恰有一件"的概率趋于均匀。因此给定总数 n 后，n 个点在各处的机会均等，次序统计量即均匀布点。

这个定理是"事后分析"的瑞士刀。例：某理赔时段内发生了 3 起事故，问第 2 起落在时段后半段的概率？把 3 个均匀布点的第 2 小个记为 S(2)，由次序统计量理论 S(2) 服从贝塔分布 B(2, 2)，密度 6x(1−x)，积分得 P(S(2) > 0.5) = 0.5。一般地，n 个均匀布点的第 k 小服从 B(k, n+1−k)——需要"第几件何时发生"的场合都能直接查表。

⚠️ 使用条件均匀性时先确认前提：它要求"齐次泊松 + 已知恰好 n 次"。非齐次过程里给定次数后的布点偏向强度高的时段（直观：高强度段更容易贡献到达）；事先规定"看第 n 次"与"事后发现恰好 n 次"是两个不同的条件，混用会得出错误的后验。

一次全流程计算：呼叫中心的加班判断

背景：某夜班热线，呼入近似强度 λ = 12 件每小时的泊松过程，夜班 10 小时，处理能力充足，唯一问题是当夜呼入超过 150 件需要申请支援。操作分四步：

建模：总呼入 N(10) 服从泊松分布，均值 λt = 120。

计算：P(N(10) > 150) 用正态近似（泊松在大均值下的标准技巧）：均值 120、标准差 √120 ≈ 10.95，超过 150 相当于超过 2.74 个标准差，概率约 0.003。

解读：不需要提前安排支援——每千个夜班只会有约三个触发支援线，临时调度完全来得及。

变式：若管理层把支援线定在 135 件（1.37 个标准差），概率升到约 0.085，每月值班约两三次触发，支援排班的固定化就值得讨论。你看，同一模型换一个阈值，运营结论从"无需准备"翻到"值得排班"——阈值选择的敏感性分析比点估计本身更有决策价值。

from scipy import stats

lam, T = 12.0, 10.0
mu = lam * T
for threshold in (150, 135):
    p = stats.poisson.sf(threshold, mu)          # P(N > threshold)
    z = (threshold - mu) / (mu ** 0.5)
    print(f"阈值 {threshold}: 精确泊松 p = {p:.4f}，正态近似 z = {z:.2f}")
# 典型输出：阈值 150: p ≈ 0.0027；阈值 135: p ≈ 0.0855
​

问答：等待问题的三个变体

变体一：已知上一班车刚走三分钟，等待期望变了吗？ 泊松假设下不变——无记忆性把"已等三分钟"清零，期望仍是 1/λ。若到达流是固定间隔（每十分钟一班），同样的信息会把期望从五分钟砍到三分钟半（还剩七分钟的平均再对折不到，精确值为剩余七分钟）。同一句"上一班刚走"，在两种流里的信息含量完全不同——这也是判断该用哪个模型的生活化试纸。

变体二：随机到站者的"完整间隔"期望为什么是 2/λ？ 因为长度偏倚抽样：长间隔在时间轴上占地大，被随机时刻截中的机会与长度成正比。想再直观一点，想象把一天切成许多间隔卡片，抽卡概率按卡片宽度加权——宽卡（车流稀疏段）被抽中的机会成倍放大，于是"抽中的间隔"平均比"随便一个间隔"宽一倍。

变体三：条件均匀性能算"已知恰好一次到达，它在前半段的概率"吗？ 能，且答案是漂亮的二分之一——单点均匀布点。推广到 n 次到达、问第 k 次的位置，就是次序统计量加贝塔分布（正文给出）。反过来提醒：若到达强度本身随时间线性上升，前半段的到达概率就不是二分之一而是一半的平方比——条件均匀性只在齐次假设下成立，强度有形状时布点跟着形状走。

本节要点回顾

• 间隔独立同分布指数，无记忆性是"恒定机会"的间隔语言，且唯一刻画指数分布。
• 变异系数为一是泊松间隔的快速体检指标，偏大提示聚集、偏小提示规则化。
• 检查悖论：随机到站者平均等待 1/λ 而非 1 除以 2λ，根源是长度偏倚抽样。
• 条件均匀性：给定到达次数后，到达点如均匀次序统计量，第 k 小服从贝塔分布。
• 前提先核对：齐次、恰 n 次，两个条件缺一，布点结论就不成立。

到达流本身讲完了。下一节给每次到达装上"随机幅度"，进入复合泊松与 Lévy 过程的通用框架。