跳轉到

6.3 Poisson 過程#

本章導言#

事件隨時間隨機發生：放射性衰變、顧客抵達、神經放電、地質裂震。Poisson 過程是這類「純粹隨機事件流」的數學模型——它在任意時間窗內的計數是 Poisson 分布（3.1 節），相鄰間隔是指數分布（3.3 節），並且擁有強大的獨立增量性。本節從計數分布出發，建立過程理論，並回顧它從電話交換（Erlang 1909）到現代系統建模的歷史。

定義：三種等價刻畫#

計數過程 \(N(t)\) 記錄 \([0, t]\) 內事件總數。Poisson 過程（速率 \(\lambda\) ）的定義路線有三，等價性本身即是理論：

  1. 稀疏極限路線：把 \([0, t]\) 切成 \(n\) 等分，每格以機率 \(\frac{\lambda t}{n}\) 獨立發生一次事件， \(n \to \infty\) 的極限（3.1 節 Poisson 極限的動態化）。
  2. 增量路線： \(N(0) = 0\) ；增量獨立（不相交時間窗的計數互不影響）；平穩增量（分布只依窗長）； \(P(N(h) = 1) = \lambda h + o(h)\) 、 \(P(N(h) \ge 2) = o(h)\) （瞬時雙事件可忽略）。
  3. 間隔路線：相鄰事件間隔 \(T_1, T_2, \ldots\) 獨立 \(Exp(\lambda)\) 。

路線 2 的微分式條件正是「事件無記憶、無干擾、無瞬時爆發」的精確數學；路線 3 直接引用指數分布的無記憶性（3.3 節）。三者等價的證明是機率論中「模型多面性」的教學典範。

主要性質#

  • 計數分布： \(N(t) \sim \text{Poisson}(\lambda t)\) ， \(\mathbb{E}[N(t)] = \operatorname{Var}(N(t)) = \lambda t\) 。
  • 第 \(k\) 事件時間： \(S_k = T_1 + \cdots + T_k \sim \Gamma(k, \lambda)\) （3.3 節）。
  • 條件均勻性：給定 \(N(t) = n\) ，這 \(n\) 個事件的發生時刻在 \([0, t]\) 上如同 \(n\) 個獨立均勻隨機點——「Poisson 過程 = 均勻隨機撒點的動態版」。
  • 疊加與分流（3.1 節場景二）：速率 \(\lambda_1, \lambda_2\) 的獨立過程之疊加是 \(\lambda_1 + \lambda_2\) ；把速率 \(\lambda\) 的過程以機率 \(p\) 標記分流，得速率 \(\lambda p\) 與 \(\lambda(1-p)\) 的兩條獨立過程——「流量匯聚與分流」的封閉代數，排隊論網路分析的基石。

Erlang 與排隊論的誕生#

Agner Krarup Erlang（厄蘭，1878–1929），丹麥哥本哈根電話公司的工程師，1909 年發表《機率論與電話交談的理論》——歷史上第一次以隨機過程分析服務系統。他假設呼叫依 Poisson 過程抵達、服務時長指數分布，分析「 \(k\) 條線路的擁塞機率」——Erlang 損失公式：

\[ B(k, \rho) = \frac{\rho^k / k!}{\sum_{j=0}^{k} \rho^j / j!}, \qquad \rho = \frac{\lambda}{\mu}. \]

這條公式至今用於電話中心、資料中心與行動網路的容量規劃（話務量單位「Erlang」即以他命名）。Erlang 之後，Kendall 1953 年的 A/B/c 記號（M/M/1：Poisson 抵達/指數服務/單窗口）與 Little 定律（1961：隊長 = 抵達率 × 停留時間， \(L = \lambda W\) ——僅靠守恆與期望即可證明的奇蹟公式）把排隊論建成體系。Poisson 過程是整座排隊理論的「抵達引擎」。

稀有性與普世性：為什麼 Poisson 無所不在#

Poisson 過程的普世性來自Palm–Khinchine 定理（Palm 1943、Khinchine 1955）的直觀精神：大量獨立、稀疏的事件流的疊加趨於 Poisson。一個人的來電不是 Poisson（有作息規律），但一個城市幾百萬人的來電疊加，在秒級尺度上幾乎完美 Poisson——異質個體的匯聚沖刷掉一切結構，只留下速率。這條「稀疏疊加定理」解釋了為何電信、保險、粒子物理、事故統計中的 Poisson 模型屢試不爽：它不是對機制的假設，而是聚合的極限定律（與 CLT 並列的普世現象，5.2 節的姊妹篇）。

一個具體例題#

例題 6.3.1：某伺服器故障依速率 \(\lambda = 0.2\) （次/天）的 Poisson 過程。(a) 求一週（7 天）內零故障的機率；(b) 求第 3 次故障在 10 天內發生的機率；(c) 已知本週共 2 次故障，求其（無序）發生日次的分布描述；(d) 運維策略討論。

解：

(a) \(N(7) \sim \text{Poisson}(1.4)\) ：

\[ P(N(7) = 0) = e^{-1.4} \approx 0.2466. \]

(b) \(S_3 \sim \Gamma(3, 0.2)\) ， \(P(S_3 \le 10) = P(N(10) \ge 3)\) ， \(N(10) \sim \text{Poisson}(2)\) ：

\[ P(N(10) \ge 3) = 1 - e^{-2}\left(1 + 2 + 2\right) = 1 - 5e^{-2} \approx 1 - 0.6767 \approx 0.3233. \]

（注意「等待時間」與「計數」兩種路線在此互換——Gamma 與 Poisson 的對偶。）

(c) 條件均勻性：給定 \(N(7) = 2\) ，兩個故障日如同 \([0, 7]\) 上的兩個獨立均勻點。因此「兩故障在不同天」的機率為 \(1 - \frac{1}{7} = \frac{6}{7}\) ，同一天的機率 \(\frac{1}{7}\) ；每次故障落在特定一天的機率為 \(\frac{1}{7}\) （均匀），且兩故障互相獨立（條件上）。這使「條件於總量後的空間結構」可以獨立分析——Poisson 過程最實用的計算技巧。

(d) 運維啟示：(i) 一週零故障機率僅 24.7%，因此「以一週無故障證明系統改善」統計上無力（樣本太小）；(ii) 想以 95% 信心觀察到至少一次故障，需要 \(t\) 滿足 \(1 - e^{-0.2t} \ge 0.95\) ， \(t \ge \frac{\ln 20}{0.2} \approx 15\) 天；(iii) 若故障後有「修復加速」（速率變動），則過程非齊次——需用非齊次 Poisson 過程 \(\Lambda(t) = \int_0^t \lambda(s) ds\) 建模，Weibull 型失效率（3.3 節場景一）是標準選擇。模型的選擇由「速率是否恆定」這一診斷決定。

歷史啟示#

  • 工程師的數學：Erlang 以實務問題（電話擁塞）創建排隊論——應用需求反哺純理論的經典路徑。
  • 兩個分布、一個過程：Poisson 分布（3.1）與指數分布（3.3）在過程語言中終於會師，各自是「快照」與「間隔」。
  • 聚合消除結構：稀疏疊加定理解釋 Poisson 的普世性——「個體規律不可見、總體規律只留速率」，這是統計思維的深刻範式。
  • 條件均勻性：把動態問題化為靜態撒點，是 Poisson 過程賜予建模者的最強化簡工具。

與其他章節及領域的關聯#

  • 3.1、3.3 節：Poisson 分布與指數分布的動態合體。
  • 6.2 節：Poisson 過程是連續時間馬可夫鏈；生滅過程（排隊 M/M/1）在其上加狀態依賴速率。
  • 7.1–7.3 節：布朗運動的跳躍版對照——擴散 vs. 跳躍，兩大隨機過程原型；Lévy 過程把兩者統一（跳 + 擴散）。
  • 8.3 節：以 \(N(t)\) 估計 \(\lambda\) 的推論（Poisson 的信賴區間）是品質與可靠度實務。
  • 流行病與地震學：余震的 Omori 律以非齊次 Poisson/自激過程（Hawkes 過程, 1971）建模——金融市場閃崩與社交媒體轉發也用 Hawkes。
  • 神經科學：神經元放電的 Poisson 模型（Rieke 等人 1997《Spikes》）是計算神經科學的零階模型。
  • 機器學習：推薦系統的到達率建模、生存分析的計數過程方法（Aalen 1978 起的計數過程推論）。

練習#

  1. 顧客依 \(\lambda = 5\) （人/時）的 Poisson 過程抵達。求 20 分鐘內恰 1 人、至多 2 人的機率。
  2. 證明條件均勻性：給定 \(N(t) = 1\) ，事件時刻 \(S_1\) 在 \([0, t]\) 上均勻分布。
  3. 兩條獨立 Poisson 過程（ \(\lambda_1 = 3\) 、 \(\lambda_2 = 2\) ）疊加。求「第一個到來的事件屬於過程一」的機率，並求首事件的期望等待時間。
  4. 求例題 6.3.1 中，速率降為 \(\lambda = 0.05\) 後，(a)(b) 的新答案，並討論「改善 4 倍速率」對觀測計畫的影響。
  5. 思考題：城市急診的到達在日內並非均勻（夜間低、傍晚高）。請描述如何以非齊次 Poisson 過程 \(\lambda(t)\) 建模一天流量，並說明如何用「累積速率函數 \(\Lambda(t)\) 的反函數」把非齊次問題化為齊次（時間變換技巧）。

進階研讀：事件流的五個深化場景#

場景一：非齊次 Poisson 過程與時間變換。速率 \(\lambda(t)\) 隨時間變化時，過程在時間 \(t\) 的計數 \(\sim \text{Poisson}(\Lambda(t))\) 。更強的技巧：以 \(\tau = \Lambda(t)\) 換時鐘，非齊次過程變齊次——「變換時鐘」是處理季節性流量的標準手法（可靠性試驗的 Duane 模型、軟體缺陷發現過程皆用）。

場景二：Hawkes 自激過程。每個事件短暫提高後續事件速率（ \(\lambda(t) = \mu + \sum_{t_i < t} \phi(t - t_i)\) ，Hawkes 1971），捕捉「事件誘發事件」：餘震序列、金融的閃崩傳染、社媒的病毒式轉發。它把 Poisson 的「無記憶」放寬為「衰減記憶」，是 2000 年代以後計量金融與社會計算的明星模型。

場景三：空間 Poisson 過程與 Pólya 果園。把時間軸換成平面/空間撒點：均勻 Poisson 點過程是隨機幾何的基礎（最近鄰距離分布、覆蓋半徑），應用於基地台部署、天文巡天、森林生態。兩維 Poisson 過程的「與最近鄰的距離」密度 \(f(r) = 2\pi\lambda r e^{-\lambda \pi r^2}\) ——把 6.1 篝 Pólya 定理的格點世界換成連續撒點世界。

場景四：排隊網路與 Jackson 定理。多個服務站串聯/並聯，外部 Poisson 抵達、指數服務、隨機路由：Jackson（1957）定理證明各站隊長獨立且各為 M/M/c 平穩——「網路分解」的奇蹟。BCMP 推廣（1975）與產能規劃（資料中心、雲計算 autoscaling）使 Poisson 過程成為系統工程的核心數學。

場景五：計數過程的統計推論。以觀測的 \(N(t)\) 推斷 \(\lambda\) ：MLE \(\hat{\lambda} = N(t)/t\) 、信賴區間由 Poisson 的卡方關係（3.3 節）給出；更強的框架是 Aalen（1978）的計數過程推論——把生存分析（Cox 模型，3.3 節場景一）的數學統一為「martingale + 計數過程」（條件期望的定理在此全部上場）。事件流的統計學，最終由 1930 年代建立的條件期望語言（4.3、5.3 節）承載。

名詞速查表（本節出現的核心術語）#

  • Poisson 過程：獨立平穩增量 + 瞬時稀疏的計數過程。
  • **速率 \(\lambda\) **：單位時間平均事件數； \(\mathbb{E}[N(t)] = \lambda t\) 。
  • 間隔指數性：相鄰事件間隔 iid \(Exp(\lambda)\) 。
  • 條件均勻性：給定總數，事件時刻如均勻撒點。
  • 疊加 / 分流：Poisson 流的匯聚與標記分解。
  • Erlang 損失公式： \(k\) 條線路的擁塞機率公式。
  • Little 定律： \(L = \lambda W\) ，排隊系統的守恆式。
  • 稀疏疊加定理：大量獨立稀疏流的疊加趨於 Poisson。
  • 非齊次 Poisson 過程：速率 \(\lambda(t)\) 隨時間變化的推廣。
  • Hawkes 過程：事件自激（誘發後續事件）的記憶流。

年表速查（本節涉及的關鍵年份）#

  • 1838：Poisson 分布（過程的靜態前身）。
  • 1909：Erlang《機率論與電話交談的理論》，排隊論誕生。
  • 1943：Palm 疊加理論。
  • 1953：Kendall 記號與 M/M/1 理論。
  • 1955：Khinchine《排隊論的數學方法》。
  • 1957：Jackson 排隊網路定理。
  • 1961：Little 定律。
  • 1971：Hawkes 自激過程。
  • 1978：Aalen 計數過程統計推論。
  • 1990s：Hawkes 過程進入金融；空間 Poisson 於無線網路規劃普及。

深化問答三則#

問：Poisson 過程與布朗運動都是「無記憶」的，差別在哪裡？ 答：兩者都是獨立平穩增量的 Lévy 過程，但增量的類型不同：Poisson 增量是跳躍（ \(N(t+h) - N(t) \in \{0, 1, \ldots\}\) ，離散跳）、布朗增量是連續擴散（常態、路徑連續不可微）。世界的事件分兩類：突變（故障、索賠、衰變——用 Poisson）與漸變（粒子游移、溫度、股價的連續近似——用布朗）。Lévy 1930s 的過程分類學證明：任何獨立平穩增量的過程 = 線性漂移 + 擴散 + Poisson 跳躍疊加——兩大原型是隨機世界的全部元素。

問：條件均勻性為什麼如此好用？ 答：它把「事件何時發生」的動態問題化為「撒點在哪裡」的靜態問題，於是順序統計量（6.1 節的秩序概念）、覆蓋問題、空隙分析等靜態工具全部可用。例題 (c) 中「給定總數後的分布」一步轉換，就解出了動態過程難以直接計算的條件結構。這是機率論「變換觀點」的又一範例（與 2.3 節生成函數、6.3 練習 5 的時間變換同構）。

問：Erlang 的工作對今日還有什麼意義？ 答：Erlang 公式仍在運作：客服中心的排班、5G 基站的通道預算、雲伺服器的併發上限。更深遠的是他的方法論：以隨機過程描述服務系統、以平穩分布回答容量問題——這個框架在過去 115 年只被擴充（網路、優先級、自適應）從未被取代。一位電話工程師的數學，成為一切「資源共享系統」的通用語言。

（本節完）