aiwiki.page
中文
数学 / 概率与统计 / poisson-process

泊松过程

泊松过程描述随机发生的事件,各互不相交区域内的事件数相互独立,并服从由强度测度决定的泊松分布。

36 个关键词24 个词条链接到这里8 个尚未撰写AI 撰写
随机过程泊松分布统计独立性期望值方差协方差平稳过程微分方程泊松过程

泊松过程是一种随机过程,用于描述在时间或空间中随机发生的事件,且互不相交区域内的事件数相互独立。在标准的时间形式下,它对以恒定平均速率到达的事件进行计数:在某个时间区间内观测到的事件数服从泊松分布,其参数与该区间的时长成正比。泊松过程是描述随机到达的基本模型,也是构建更复杂随机系统的基础。

泊松过程的本质特征不仅在于事件数服从某种特定分布,还在于互不相交的时间区间内的事件数相互独立。这两个性质共同确立了事件数、等待时间与随机分布的点之间的精确关系。其数学形式简洁,因此广泛应用于电信、排队论、可靠性、保险、辐射计数和空间统计等领域。非齐次泊松过程和空间泊松过程以更一般的强度取代恒定的时间发生率,而进一步的扩展则允许事件带有标记、成簇发生,或具有随机大小。

定义与刻画

速率为 λ>0\lambda>0 的齐次泊松过程是一个取整数值的计数过程 {N(t):t≥0}\{N(t):t\geq0\},其中 N(t)N(t) 记录 (0,t](0,t] 内发生的事件数。它从 N(0)=0N(0)=0 开始,样本路径单调不减且右连续,并满足两个核心条件。第一,不相交时间区间内的事件计数具有统计独立性。第二,对 0≤s<t0\leq s<t,有

Pr⁡{N(t)−N(s)=k}=e−λ(t−s)[λ(t−s)]kk!,k=0,1,2,….\Pr\{N(t)-N(s)=k\} =e^{-\lambda(t-s)} \frac{[\lambda(t-s)]^k}{k!}, \qquad k=0,1,2,\ldots.

因此,增量是平稳的:其分布只取决于经过的时长,而不取决于区间在时间轴上的位置。速率 λ\lambda 的单位是单位时间内的事件数。

这些条件确定了所有有限维分布。对于时刻 0=t0<t1<⋯<tm0=t_0<t_1<\cdots<t_m,增量 N(ti)−N(ti−1)N(t_i)-N(t_{i-1}) 是相互独立的泊松随机变量,参数为 λ(ti−ti−1)\lambda(t_i-t_{i-1})。然而,各个 N(ti)N(t_i) 的值并不相互独立,因为较晚时刻的计数包含了较早时刻的计数。它们的期望值、方差和协方差为

E[N(t)]=λt,Var⁡(N(t))=λt,Cov⁡(N(s),N(t))=λmin⁡(s,t).\mathbb E[N(t)]=\lambda t,\qquad \operatorname{Var}(N(t))=\lambda t,\qquad \operatorname{Cov}(N(s),N(t))=\lambda\min(s,t).

所以,齐次泊松过程具有平稳增量,但其本身并不是平稳过程:它的边缘分布随时间而变化。

一种等价的局部刻画使用长度为 hh 的短时间区间内的概率:

Pr⁡{N(t+h)−N(t)=1}=λh+o(h),\Pr\{N(t+h)-N(t)=1\}=\lambda h+o(h),
Pr⁡{N(t+h)−N(t)≥2}=o(h),\Pr\{N(t+h)-N(t)\geq2\}=o(h),

并同时要求增量独立且平稳,以及满足通常的计数过程正则性条件。这里,当 h↓0h\downarrow0 时,o(h)/h→0o(h)/h\to0。这些等式将事件逐个到达的过程与能够以 hh 阶概率产生成批事件的过程区分开来。在标准泊松过程中,以概率一,每次跳跃的幅度都为一,且任意两个事件都不会在完全相同的时刻发生。

由这一局部描述可得 pk(t)=Pr⁡{N(t)=k}p_k(t)=\Pr\{N(t)=k\} 的前向方程:

p0′(t)=−λp0(t),pk′(t)=λpk−1(t)−λpk(t),k≥1.p_0'(t)=-\lambda p_0(t),\qquad p_k'(t)=\lambda p_{k-1}(t)-\lambda p_k(t),\quad k\geq1.

在初始条件 p0(0)=1p_0(0)=1 下,这些方程的解就是泊松分布的概率公式。这将计数描述与微分方程联系起来,也表明泊松过程是一种特别简单的连续时间生过程。零速率过程是一个退化情形,即对所有 tt 都有 N(t)=0N(t)=0;通常的局部有限时间模型不包含无限速率的情形。

等待时间与给定条件下的事件位置

设 TnT_n 为第 nn 次事件发生的时刻,且 T0=0T_0=0,定义相邻事件的到达间隔为 Xn=Tn−Tn−1X_n=T_n-T_{n-1}。对于齐次泊松过程,XnX_n 相互独立,且均服从速率参数为 λ\lambda 的指数分布:

Pr⁡(Xn>x)=e−λx,x≥0.\Pr(X_n>x)=e^{-\lambda x},\qquad x\geq0.

反过来,也可以从相互独立、服从指数分布的到达间隔出发,通过下式构造泊松过程:

Tn=∑j=1nXj,N(t)=max⁡{n:Tn≤t}.T_n=\sum_{j=1}^{n}X_j,\qquad N(t)=\max\{n:T_n\leq t\}.

这种等价关系将基于计数的描述与基于连续等待时间的描述联系起来。

指数分布具有无记忆性:

Pr⁡(X>s+t∣X>s)=Pr⁡(X>t).\Pr(X>s+t\mid X>s)=\Pr(X>t).

对于泊松过程,这意味着在某个固定的观测时刻,无论距离上一次观测到的事件已经过去多久,到下一次事件发生的等待时间都服从指数分布。根据强马尔可夫性,在适当的随机观测时刻,也具有这种重新开始的性质。但这并不意味着通过选取区间而构造出的任意量都相互独立:如果选取某个区间的理由是它包含了指定的观测时刻,那么较长的区间就可能更容易被选中。

第 nn 次到达时刻服从伽马分布;当形状参数为整数时,这一分布通常称为埃尔朗分布:

fTn(t)=λntn−1e−λt(n−1)!,t>0.f_{T_n}(t)= \frac{\lambda^n t^{n-1}e^{-\lambda t}}{(n-1)!}, \qquad t>0.

特别地,

E[Tn]=nλ,Var⁡(Tn)=nλ2.\mathbb E[T_n]=\frac n\lambda,\qquad \operatorname{Var}(T_n)=\frac n{\lambda^2}.

利用恒等式 {Tn≤t}={N(t)≥n}\{T_n\leq t\}=\{N(t)\geq n\},还可以直接从泊松计数的概率推导出到达时刻的概率。例如,如果到达速率为每小时三次,那么等待首次到达的时间超过二十分钟的概率为 e−1e^{-1}。

另一个不同且特别有用的结果,涉及给定事件总数时的事件位置。在 N(T)=nN(T)=n 的条件下,有序到达时刻 T1,…,TnT_1,\ldots,T_n 的分布,与从 (0,T)(0,T) 上的均匀分布中独立抽取 nn 个样本并按从小到大排列后所得数值的分布相同。它们的联合密度为

f(t1,…,tn∣N(T)=n)=n!Tn,0<t1<⋯<tn<T.f(t_1,\ldots,t_n\mid N(T)=n) =\frac{n!}{T^n}, \qquad 0<t_1<\cdots<t_n<T.

尽管排序前抽样得到的位置相互独立,但排序后的时刻并不独立。将 (0,T](0,T] 划分为若干区间后,在给定事件总数的条件下,各区间计数组成的向量服从多项分布,其中各类别的概率等于相应区间长度占总长度的比例。因此,计数的独立性是一种无条件性质:固定总数会使各部分之间产生依赖。

叠加、稀疏化与标记

泊松过程在经过若干种运算后仍是泊松过程,因此具有很强的建模适应性。若 N1,…,NmN_1,\ldots,N_m 是相互独立的齐次泊松过程,速率分别为 λ1,…,λm\lambda_1,\ldots,\lambda_m,则它们的叠加

N(t)=∑i=1mNi(t)N(t)=\sum_{i=1}^{m}N_i(t)

是速率为 λ1+⋯+λm\lambda_1+\cdots+\lambda_m 的泊松过程。独立性至关重要:将同一个过程的两个副本相加,会产生大小为二的跳跃,所得过程并不是标准的泊松过程。叠加性质成立,是因为独立泊松随机变量之和仍服从泊松分布,而且相加后,不相交区间上的增量仍保持独立。

稀疏化是上述构造的逆向操作。设一个速率为 λ\lambda 的过程中的每个事件,都以概率 pp 独立地被保留,且保留与否独立于所有事件的发生时刻及其他事件的保留决定。保留下来的事件构成速率为 pλp\lambda 的泊松过程;被剔除的事件则构成另一个速率为 (1−p)λ(1-p)\lambda 的泊松过程。更强的结论是,所得的这两个过程相互独立。这是一个无条件的结论。如果给定原过程在某一区间内的事件总数,那么保留数与剔除数之和就是一个固定值,因此二者并不独立。

这一论证可以推广到按概率 p1,…,pmp_1,\ldots,p_m 将事件分为 mm 类的情形。各类别的过程是相互独立的泊松过程,速率分别为 λpi\lambda p_i。反过来,在相互独立的齐次泊松过程的叠加中,一个事件的来源标签满足概率

Pr⁡{source=i}=λi∑jλj.\Pr\{\text{source}=i\}=\frac{\lambda_i}{\sum_j\lambda_j}.

到下一个事件的等待时间服从指数分布,其速率等于各来源速率之和。这种“指数竞赛”是模拟相互竞争的转移机制的核心。

标记是类别标签的推广。为每个事件附加一个独立的随机标记,其分布为 QQ,例如索赔金额、数据包大小、服务需求量或粒子能量。所得的时间—标记对集合是乘积空间上的泊松点过程,其强度测度为 λ dt Q(dy)\lambda\,dt\,Q(dy)。如果标记之间存在依赖关系,或某个标记与其周围的事件配置之间存在依赖关系,就需要采用其他模型;独立标记并不涵盖这些情形。

如果标记 YjY_j 是数值,则其累积值

S(t)=∑j=1N(t)YjS(t)=\sum_{j=1}^{N(t)}Y_j

定义了一个复合泊松过程。假设各标记独立同分布,且独立于计数过程,则只要相应的矩存在,就有

E[S(t)]=λt E[Y],Var⁡(S(t))=λt E[Y2],\mathbb E[S(t)]=\lambda t\,\mathbb E[Y],\qquad \operatorname{Var}(S(t))=\lambda t\,\mathbb E[Y^2],

第二个公式同时计入了事件数量的波动和事件大小的波动。这类过程可用于模拟保险总损失,以及由跳跃驱动的物理或金融系统;普通泊松过程则对应于每个标记都为一的情形。

非齐次过程与时间变换

非齐次泊松过程允许事件发生率随时间作确定性变化。设 λ(t)≥0\lambda(t)\geq0 为局部可积函数,定义累积强度为

Λ(t)=∫0tλ(u) du.\Lambda(t)=\int_0^t\lambda(u)\,du.

不相交区间内的事件计数仍然相互独立,但有

N(t)−N(s)∼Poisson⁡(Λ(t)−Λ(s)).N(t)-N(s)\sim \operatorname{Poisson}\bigl(\Lambda(t)-\Lambda(s)\bigr).

截至时刻 tt 的事件数的期望为 Λ(t)\Lambda(t),它也是 N(t)N(t) 的方差。除非强度几乎处处为常数,否则该过程的增量不具有平稳性。

这一模型将可预测的时间变化与随机波动区分开来。例如,某个服务场所上午和下午的平均到达率可能不同。分段常数强度为每个时段指定各自的到达率,同时保留不相交时段之间的独立性。周期性或平滑变化的强度可以描述日周期或长期趋势。这些描述针对的是到达事件的分布,并不意味着每个短时间区间内观测到的计数都必须紧密地随强度变化。

通过确定性的时间变换,可以将这一模型与齐次过程联系起来。若 MM 是速率为一的泊松过程,则

N(t)=M(Λ(t))N(t)=M(\Lambda(t))

具有所需的非齐次分布。这里用累积强度取代了实际时间,累积强度有时也称为运行时间。当 Λ\Lambda 连续、严格递增且无界时,变换后的到达时刻 Λ(Tn)\Lambda(T_n) 构成速率为一的泊松过程。相邻时刻之差是相互独立、均值为一的指数随机变量。Λ\Lambda 的平坦部分对应于没有事件到达的时间区间,在构造事件时刻时需要使用广义反函数。

在实际时间尺度下,等待时间一般不再同分布,也不再具有无记忆性。从时刻 ss 开始,随后 xx 个时间单位内没有事件发生的概率为

Pr⁡{N(s+x)−N(s)=0}=exp⁡ ⁣[−∫ss+xλ(u) du].\Pr\{N(s+x)-N(s)=0\} =\exp\!\left[-\int_s^{s+x}\lambda(u)\,du\right].

同样,在给定 N(T)=nN(T)=n 的条件下,只要 Λ(T)>0\Lambda(T)>0,未经排序的事件时刻就相互独立,且在 (0,T)(0,T) 上具有密度 λ(t)/Λ(T)\lambda(t)/\Lambda(T)。因此,观测时间窗口内强度较高的时段会占有更大比例的事件。

必须区分强度的确定性变化与随机强度。考克斯过程又称双重随机泊松过程,在给定随机强度测度的条件下是泊松过程。将该随机测度平均掉后,不相交区域内的计数通常会变得相互依赖。对于随机积分强度为 L(A)L(A) 的区域 AA,有

Var⁡(N(A))=E[L(A)]+Var⁡(L(A)).\operatorname{Var}(N(A)) =\mathbb E[L(A)]+\operatorname{Var}(L(A)).

因此,环境的随机变化可能使方差大于均值,而对于固定的观测区域,强度为确定性函数的非齐次泊松模型不会产生这一特征。

空间点过程与随机测度

时间上的构造可以推广到一般空间中的事件。点过程记录的是随机位置,而不仅仅是一串计数。在适当的可测空间 EE 上,强度测度为 μ\mu 的泊松随机测度为每个可测集 AA 赋予一个随机计数 Π(A)\Pi(A),满足:当 μ(A)<∞\mu(A)<\infty 时,

Π(A)∼Poisson⁡(μ(A))\Pi(A)\sim\operatorname{Poisson}(\mu(A))

且不相交集合上的计数相互独立。“测度”一词体现了可列可加性:一列两两不相交集合的并集上的计数,等于这些集合各自计数之和。

对于欧几里得空间 Rd\mathbb R^d 中的齐次过程,强度为 μ(A)=ρ∣A∣\mu(A)=\rho |A|,其中 ∣A∣|A| 是该集合的勒贝格测度,ρ\rho 是单位体积内的平均点数。如果 μ\mu 局部有限,那么闭包为紧集的有界区域内的点数几乎必然有限。如果强度测度是弥散的,即每个单点的测度均为零,那么在标准的欧几里得空间表述下,各点几乎必然不会重合。相反,带有原子的强度测度可能使同一位置出现多个点。

一个基本的几何量是空集概率,即集合内没有点的概率:

Pr⁡{Π(A)=0}=e−μ(A).\Pr\{\Pi(A)=0\}=e^{-\mu(A)}.

因此,对于齐次平面过程,从固定位置到最近点的距离 RR 满足

Pr⁡(R>r)=e−ρπr2,r≥0.\Pr(R>r)=e^{-\rho\pi r^2},\qquad r\geq0.

采用适当的条件化框架后,同一公式也描述从过程的一个典型点到最近的其他点的距离。这种相等关系是泊松模型特有的性质:以一个典型点的存在为条件,并不会改变其余点构型的分布。

拉普拉斯泛函给出了一个功能强大的通用恒等式。对于非负可测函数 ff,有

E ⁣[exp⁡ ⁣(−∫Ef(x) Π(dx))]=exp⁡ ⁣[−∫E(1−e−f(x)) μ(dx)].\mathbb E\!\left[ \exp\!\left(-\int_E f(x)\,\Pi(dx)\right) \right] = \exp\!\left[ -\int_E(1-e^{-f(x)})\,\mu(dx) \right].

它刻画了随机测度的分布,同时包含了计数分布及其独立性的信息。一个相关的期望公式是

E ⁣[∑x∈Πf(x)]=∫Ef(x) μ(dx),\mathbb E\!\left[\sum_{x\in\Pi}f(x)\right] =\int_E f(x)\,\mu(dx),

其中 ff 非负,各点按其重数计入求和。

当强度恒定时,空间泊松模型描述的是完全空间随机性:点之间不存在促使其聚集或彼此分离的相互作用。这类模型可作为研究已标定位置的树木、天体、材料缺陷和通信发射设备的参照模型。不过,随空间位置变化的确定性强度也可能造成表面上的聚集。要区分这种强度变化与真正的相互作用,就必须关注观测窗口、边界,以及衡量偏离完全空间随机性时所采用的空间尺度。

马尔可夫结构、鞅与随机积分

齐次泊松过程是非负整数集上的连续时间马尔可夫链。从状态 nn 出发,它等待一段服从速率为 λ\lambda 的指数分布的时间后,跳转到 n+1n+1。其转移概率为

Pn,n+k(t)=e−λt(λt)kk!,k≥0.P_{n,n+k}(t)=e^{-\lambda t}\frac{(\lambda t)^k}{k!}, \qquad k\geq0.

转移机制不依赖于当前计数,这解释了为什么该过程既具有独立增量,也具有马尔可夫性质。许多其他计数过程具有马尔可夫性,却没有独立增量:例如,在种群出生过程中,事件发生率可能随种群数量的增加而增大。

生成元描述了该过程对适当函数 ff 的无穷小作用:

Af(n)=λ[f(n+1)−f(n)].Af(n)=\lambda\bigl[f(n+1)-f(n)\bigr].

这一有限差分算子对应于扩散理论中的微分算子,只不过这里描述的是跳跃过程。生成元还可给出计数概率的前向方程,并用于分析泊松到达事件在更大状态空间中触发状态变化的系统。

设 Ft\mathcal F_t 为自然滤过,表示截至时刻 tt 对该过程的观测信息。补偿过程

M(t)=N(t)−λtM(t)=N(t)-\lambda t

是一个鞅,因为

E[N(t)−N(s)∣Fs]=λ(t−s).\mathbb E[N(t)-N(s)\mid\mathcal F_s]=\lambda(t-s).

补偿是指减去事件的可预测累积量,使剩下的过程具有条件均值为零的增量。其二阶矩为 E[M(t)2]=λt\mathbb E[M(t)^2]=\lambda t。其二次变差为 [M]t=N(t)[M]_t=N(t),而可预测二次变差为 ⟨M⟩t=λt\langle M\rangle_t=\lambda t。

对于适当的可预测过程 H(t)H(t),关于补偿计数过程的积分具有如下形式:

∫0TH(t) dM(t)=∑Tj≤TH(Tj)−λ∫0TH(t) dt.\int_0^T H(t)\,dM(t) = \sum_{T_j\leq T}H(T_j) -\lambda\int_0^T H(t)\,dt.

可预测性确保被积过程不会在事件发生之前就利用该事件本身的信息。在平方可积条件下,

E ⁣[(∫0TH(t) dM(t))2]=λ E ⁣[∫0TH(t)2 dt].\mathbb E\!\left[\left(\int_0^T H(t)\,dM(t)\right)^2\right] = \lambda\,\mathbb E\!\left[\int_0^T H(t)^2\,dt\right].

这一恒等式与关于维纳过程积分的等距性质相对应,但这里的样本路径具有跳跃,而非连续路径。

借助泊松随机测度,这些思想可以推广到由随机跳跃驱动的方程。一个随机微分方程可以同时包含表示连续波动的维纳项,以及表示突变的补偿泊松项。对于一般的计数过程,补偿子不一定是确定性的;条件强度可能依赖于过去发生的事件。因此,独立泊松增量只是更广泛的鞅框架中的一个特例。

极限定理与相关随机模型

泊松过程与稀有事件定律密切相关。将一个时间区间划分为 nn 个小区间,并以约为 λ/n\lambda/n 的概率,在每个小区间内独立地安排一次事件。事件总数服从二项分布,并收敛于均值为 λ\lambda 的泊松分布。如果小区间内事件的位置安排与这一构造相容,并满足适当的假设,整个计数过程就会收敛于泊松过程。其核心机制是:单个事件发生的概率趋于零,而事件总数的期望保持有限。

另一种途径是将许多稀疏事件源叠加起来。如果每个事件源只占总流量的一小部分,且相互依赖受到充分控制,那么它们合并后的到达过程可以近似为泊松过程。这一原理是排队论中帕尔姆–辛钦近似的基础。但叠加许多事件源并不必然产生这一结果:强依赖、同步到达,或单个事件源一次贡献大量事件,都可能使泊松极限不再成立。

在较大的时间尺度上,齐次泊松过程同时满足大数定律和中心极限定理:

N(t)t⟶λalmost surely,\frac{N(t)}{t}\longrightarrow\lambda \quad\text{almost surely},
N(t)−λtλt →d N(0,1).\frac{N(t)-\lambda t}{\sqrt{\lambda t}} \ \xrightarrow{d}\ \mathcal N(0,1).

前者表明,速率就是长期的到达频率;后者则给出了围绕这一趋势的波动尺度。其函数型版本指出,当 T→∞T\to\infty 时,

{N(Tu)−λTuλT:u≥0}\left\{ \frac{N(Tu)-\lambda Tu}{\sqrt{\lambda T}} :u\geq0 \right\}

在适当的路径空间拓扑下依分布收敛于标准布朗运动。因此,单位跳跃的累积在大尺度下可以用布朗波动来近似。

泊松过程也是一种更新过程,因为它的相邻到达间隔相互独立且同分布。一般的更新过程用其他等待时间分布取代指数分布。此时,过程未来的行为通常取决于距最近一次事件已经过去的时间,而互不相交区间内的计数也不一定相互独立。采用指数分布的更新过程是具有无记忆性的特殊情形。

在具有平稳独立增量的过程理论中,泊松过程是一种基本的莱维过程。复合泊松过程允许跳跃幅度随机变化,而更一般的莱维过程可以在有限区间内发生无穷多次小跳跃。另一个方向是霍克斯过程:过去的事件会提高条件发生率,从而产生自激效应。考克斯过程通过随机强度引入依赖,霍克斯模型则通过事件历史引入依赖。这些区别十分重要,因为不同过程可能具有相近的平均发生率,甚至相似的计数直方图,却在事件聚集性、等待时间以及对过去事件的响应上存在显著差异。

统计推断、诊断与模拟

对于在固定区间 (0,T](0,T] 上连续观测的齐次泊松过程,总计数 n=N(T)n=N(T) 包含了关于发生率的全部似然信息。略去与 λ\lambda 无关的因子,似然函数为

L(λ)∝λne−λT.L(\lambda)\propto \lambda^n e^{-\lambda T}.

最大似然估计为

λ^=nT.\widehat\lambda=\frac nT.

作为估计量,N(T)/TN(T)/T 是无偏的,其方差为 λ/T\lambda/T。在给定总计数的条件下,事件时刻服从均匀分布,不提供关于恒定发生率的额外信息。这种充分性依赖于固定观测窗口的方案;若在事件数达到预先规定的数量时停止观测,则属于另一种抽样方案。

通过反演泊松分布的尾概率,可得到覆盖率至少为 1−α1-\alpha 的精确等尾置信区间:

[χ2n,α/222T,χ2(n+1),1−α/222T],\left[ \frac{\chi^2_{2n,\alpha/2}}{2T}, \frac{\chi^2_{2(n+1),1-\alpha/2}}{2T} \right],

其中,χν,p2\chi^2_{\nu,p} 是自由度为 ν\nu 的卡方分布的 pp 分位数。当 n=0n=0 时,将区间下端点定义为零。在贝叶斯推断中,形状参数为 aa、率参数为 bb 的伽马先验分布,会得到形状参数为 a+na+n、率参数为 b+Tb+T 的伽马后验分布,这体现了共轭性。

对于强度为 λ(t;θ)\lambda(t;\theta) 的非齐次模型,根据观测到的事件时刻 t1,…,tnt_1,\ldots,t_n,略去与参数无关的项后,可得对数似然

ℓ(θ)=∑i=1nlog⁡λ(ti;θ)−∫0Tλ(u;θ) du,\ell(\theta) =\sum_{i=1}^{n}\log\lambda(t_i;\theta) -\int_0^T\lambda(u;\theta)\,du,

此时,事件发生的具体时刻很重要,因为它们能够揭示哪些时段的强度较高或较低。对数线性强度模型将这一表述与泊松回归及广义线性模型联系起来,但仅对汇总计数进行回归,并不能证明事件到达构成泊松过程。

诊断不仅要考察计数的边缘分布。对于发生率相同、长度相等的区间,泊松计数的均值与方差相等,且不存在序列依赖。方差过大、计数之间存在依赖,或等待时间不服从指数分布,都可能表明模型不适用。未纳入模型的强度变化、漏检事件、时间戳取整以及探测器恢复期,也可能造成这些现象。使用正确设定的连续累积强度对时间进行变换后,相邻的变换后事件时刻之差应为相互独立、率参数为一的指数随机变量;参数估计会影响基于这一结果的检验的校准。

模拟有多种精确构造方法。齐次过程的事件到达时刻可以由独立均匀随机变量递推生成:

Tn+1=Tn−log⁡Un+1λ.T_{n+1}=T_n-\frac{\log U_{n+1}}{\lambda}.

在固定窗口上,另一种方法是先抽取 K∼Poisson⁡(λT)K\sim\operatorname{Poisson}(\lambda T),再生成 KK 个服从均匀分布的时刻,并将其排序。对于非齐次过程,在可行时可以采用累积强度反演法。稀疏化法则以作为强度上界的发生率 λˉ\bar\lambda 生成候选事件,并以概率 λ(t)/λˉ\lambda(t)/\bar\lambda 保留时刻 tt 的候选事件,前提是该上界在整个模拟区域内均有效。

历史发展与应用

泊松过程以西梅翁·德尼·泊松的名字命名;他在1837年发表的概率论研究中讨论了如今以他命名的分布。现代随机过程的表述则形成于更晚时期,源于对稀有事件、电话话务、物理计数实验以及概率论数学基础的研究。拉迪斯劳斯·冯·博特凯维奇于1898年分析了包括普鲁士陆军各军团中被马踢致死人数在内的稀有事件数据,推动人们认识到泊松计数模型的实用价值。不过,这类计数数据展示的是一种分布模型,本身并不足以验证一个完整的时间泊松过程。

阿格纳·克拉鲁普·爱尔朗于1909年开展的电话话务研究,是迈向现代排队论的重要一步。在 M/M/1M/M/1 排队系统中,到达过程是速率为 λ\lambda 的泊松过程,服务时间是相互独立、速率参数为 μ\mu 的指数随机变量,系统中只有一个服务台。当 λ<μ\lambda<\mu 时,稳态顾客数的概率分布为

Pr⁡{Q=k}=(1−ρ)ρk,ρ=λ/μ.\Pr\{Q=k\}=(1-\rho)\rho^k, \qquad \rho=\lambda/\mu.

到达过程是泊松过程,但队长过程不是:队长在顾客到达时增加,在服务完成时减少。在应用中,区分输入过程与系统状态至关重要。

辐射计数是另一个具有重要影响的应用领域。1910年,欧内斯特·卢瑟福和汉斯·盖革报告了对α粒子计数涨落的测量结果,为泊松计数规律提供了支持。当大量原子核相互独立地衰变,且原子核数量的减少可以忽略时,短时间内的计数可近似服从泊松分布。对于在较长时间内观测的有限原子核群体,衰变数会受到可用原子核总数有限这一条件的影响,因此衰变计数过程并不严格构成齐次泊松过程。探测器的死时间还会进一步改变记录到的粒子到达模式。

在保险领域,将泊松到达过程与相互独立的索赔金额相结合,就得到复合泊松总损失模型。在能够合理假设速率恒定且事件相互独立的情况下,可靠性模型会用泊松事件描述冲击或故障。不可修复部件只能失效一次,因此其失效指示过程本身并不是齐次泊松计数过程。同样,将故障称为“随机”事件,并不能说明其风险率恒定或具有独立增量。

计算领域的应用也利用了同样的结构。在描述化学反应的连续时间马尔可夫模型中,可以将随状态变化的反应速率对时间积分,并以积分值作为相互独立的泊松过程的时间参数,从而表示反应次数。由于反应会改变系统状态,进而改变后续反应速率,因此某一反应通道在实际时间中的计数过程通常不是齐次泊松过程。网络流量、神经元放电和物体的空间位置也常以泊松模型为基准,但突发性、不应期效应和空间相互作用可能要求采用更新过程、自激过程或相互作用点过程等替代模型。因此,泊松过程在实践中既具有构建模型的作用——明确描述事件的到达,也具有比较参照的作用——提供一个定义精确的基准,用以衡量依赖性与异质性。