动机
到达记录有两种读法:指定时间以前发生了多少次事件,或指定的第几次事件要等多久。计数与等待以不同方向描述同一条样本路径,但取值空间不同:计数是非负整数,连续等待时间是非负实数。分清这些随机对象,才能避免把概率质量当成密度等建模错误。
设处理器在等距时钟节拍接收诊断数据包。每个节拍独立地以概率 p p p 收到一个数据包,便是伯努利(Bernoulli)模型。若数据包可在任意实数时刻到达,则需要连续时钟。当不相交时段的计数独立,且规律只取决于时段长度时,齐次泊松(Poisson)过程是合适模型。这些是实质假设;共同触发器产生的突发数据包,即使平均速率固定,也未必符合。
本节建立两个模型及其联系。读者应熟悉独立性、条件概率、期望及基本积分。过程是一个概率空间上的一族随机变量;只列出各时刻的分布,尚未指定不同时刻之间的依赖关系。
定义
设 B 1 , B 2 , … B_1,B_2,\ldots B 1 , B 2 , … 独立,且 Pr ( B k = 1 ) = p \Pr(B_k=1)=p Pr ( B k = 1 ) = p 、Pr ( B k = 0 ) = 1 − p \Pr(B_k=0)=1-p Pr ( B k = 0 ) = 1 − p ,其中 0 < p < 1 0<p<1 0 < p < 1 。定义
S 0 = 0 , S n = ∑ k = 1 n B k , T r = inf { n ≥ 1 : S n = r } ( r ≥ 1 ) . S_0=0,\qquad S_n=\sum_{k=1}^n B_k,\qquad
T_r=\inf\{n\ge1:S_n=r\}\quad(r\ge1). S 0 = 0 , S n = k = 1 ∑ n B k , T r = inf { n ≥ 1 : S n = r } ( r ≥ 1 ) . ( B k ) (B_k) ( B k ) 是伯努利试验过程,( S n ) (S_n) ( S n ) 是计数过程,T r T_r T r 是第 r r r 次成功的节拍。令 T 0 = 0 T_0=0 T 0 = 0 、W r = T r − T r − 1 W_r=T_r-T_{r-1} W r = T r − T r − 1 ,得到相邻成功之间的等待时间。
此处几何分布把成功的节拍也算在内,故支集从 1 1 1 开始。S n S_n S n 服从二项分布:指定 j j j 个成功位置的概率是 p j ( 1 − p ) n − j p^j(1-p)^{n-j} p j ( 1 − p ) n − j ,而这样的位置集合共有 ( n j ) \binom nj ( j n ) 个。不相交节拍区段的计数独立,因为它们使用不同组的独立试验。
速率 λ > 0 \lambda>0 λ > 0 的齐次泊松过程 ( N ( t ) ) t ≥ 0 (N(t))_{t\ge0} ( N ( t ) ) t ≥ 0 从 N ( 0 ) = 0 N(0)=0 N ( 0 ) = 0 开始,路径为非递减、右连续、只跳升一的整数值函数,具有独立平稳增量,且
Pr { N ( t + s ) − N ( s ) = k } = e − λ t ( λ t ) k k ! , k = 0 , 1 , … . \Pr\{N(t+s)-N(s)=k\}=e^{-\lambda t}\frac{(\lambda t)^k}{k!},
\qquad k=0,1,\ldots. Pr { N ( t + s ) − N ( s ) = k } = e − λ t k ! ( λ t ) k , k = 0 , 1 , … . 到达时刻为 A r = inf { t : N ( t ) ≥ r } A_r=\inf\{t:N(t)\ge r\} A r = inf { t : N ( t ) ≥ r } ;相邻到达间隔为 E r = A r − A r − 1 E_r=A_r-A_{r-1} E r = A r − A r − 1 ,约定 A 0 = 0 A_0=0 A 0 = 0 。
平稳增量指一段时间内“变化量”的分布,不是总计数的分布。事实上 E N ( t ) = λ t \mathbb E N(t)=\lambda t E N ( t ) = λ t 随时间增加,所以过程本身的有限维分布并不在时间平移下保持不变。λ \lambda λ 的单位是每单位时间的事件数;指数密度 λ e − λ t \lambda e^{-\lambda t} λ e − λ t 带有时间倒数的单位,这也是密度所需的量纲。
概念视角 分析
由短时段得到泊松分布 不必直接指定泊松分布,可以只指定短时段的行为:独立平稳增量,加上
Pr ( N ( h ) = 1 ) = λ h + o ( h ) , Pr ( N ( h ) ≥ 2 ) = o ( h ) . \Pr(N(h)=1)=\lambda h+o(h),\qquad \Pr(N(h)\ge2)=o(h). Pr ( N ( h ) = 1 ) = λh + o ( h ) , Pr ( N ( h ) ≥ 2 ) = o ( h ) . 记 p k ( t ) = Pr ( N ( t ) = k ) p_k(t)=\Pr(N(t)=k) p k ( t ) = Pr ( N ( t ) = k ) ,把 [ 0 , t + h ] [0,t+h] [ 0 , t + h ] 在 t t t 处分开,得 p 0 ′ = − λ p 0 p_0'=-\lambda p_0 p 0 ′ = − λ p 0 及 k ≥ 1 k\ge1 k ≥ 1 时 p k ′ = − λ p k + λ p k − 1 p_k'=-\lambda p_k+\lambda p_{k-1} p k ′ = − λ p k + λ p k − 1 ,初值 p k ( 0 ) = 1 { k = 0 } p_k(0)=\mathbf1_{\{k=0\}} p k ( 0 ) = 1 { k = 0 } 。逐个求解即得 p k ( t ) = e − λ t ( λ t ) k / k ! p_k(t)=e^{-\lambda t}(\lambda t)^k/k! p k ( t ) = e − λ t ( λ t ) k / k ! 。在这一描述中,λ \lambda λ 是极短时段内出现一次到达的每单位时间概率。
定理/命题
W r W_r W r 独立同分布,且
Pr ( W r = m ) = ( 1 − p ) m − 1 p , m ≥ 1 , E W r = 1 p . \Pr(W_r=m)=(1-p)^{m-1}p,\qquad m\ge1,
\qquad \mathbb E W_r=\frac1p. Pr ( W r = m ) = ( 1 − p ) m − 1 p , m ≥ 1 , E W r = p 1 . 对整数 m , n ≥ 0 m,n\ge0 m , n ≥ 0 ,Pr ( W 1 > m + n ∣ W 1 > m ) = ( 1 − p ) n \Pr(W_1>m+n\mid W_1>m)=(1-p)^n Pr ( W 1 > m + n ∣ W 1 > m ) = ( 1 − p ) n 。
取独立的 E r E_r E r ,其密度为 λ e − λ t \lambda e^{-\lambda t} λ e − λ t ,t > 0 t>0 t > 0 。令 A r = E 1 + ⋯ + E r A_r=E_1+\cdots+E_r A r = E 1 + ⋯ + E r 、N ( t ) = max { r : A r ≤ t } N(t)=\max\{r:A_r\le t\} N ( t ) = max { r : A r ≤ t } ,并包括 r = 0 r=0 r = 0 。则几乎必然有 A r → ∞ A_r\to\infty A r → ∞ ,此构造给出齐次泊松过程,而且
{ N ( t ) ≥ r } = { A r ≤ t } , f A r ( t ) = λ r t r − 1 e − λ t ( r − 1 ) ! ( t > 0 ) . \{N(t)\ge r\}=\{A_r\le t\},\qquad
f_{A_r}(t)=\frac{\lambda^r t^{r-1}e^{-\lambda t}}{(r-1)!}\quad(t>0). { N ( t ) ≥ r } = { A r ≤ t } , f A r ( t ) = ( r − 1 )! λ r t r − 1 e − λ t ( t > 0 ) . 反过来,泊松过程的到达间隔是速率 λ \lambda λ 的独立指数变量。
A r → ∞ A_r\to\infty A r → ∞ 是非爆炸性,保证有限时刻的最大值有限。相同指数速率自动符合此条件,但后面遇到的状态依赖时钟未必符合。上述密度称为 Erlang 分布,是形状参数为整数 r r r 、速率为 λ \lambda λ 的伽马分布。
证明思路
指定正整数 m 1 , … , m r m_1,\ldots,m_r m 1 , … , m r 后,前 r r r 个等待时间恰为这些值,表示连续的不相交区段各先失败、后成功。因此其联合概率为
∏ j = 1 r ( 1 − p ) m j − 1 p . \prod_{j=1}^r(1-p)^{m_j-1}p. j = 1 ∏ r ( 1 − p ) m j − 1 p . 此分解同时证明等待时间的分布与独立性。又 Pr ( W 1 > m ) = ( 1 − p ) m \Pr(W_1>m)=(1-p)^m Pr ( W 1 > m ) = ( 1 − p ) m ,两个尾概率相除便得无记忆性。尾和公式给出 E W 1 = ∑ m ≥ 0 ( 1 − p ) m = 1 / p \mathbb E W_1=\sum\limits_{m\ge0}(1-p)^m=1/p E W 1 = m ≥ 0 ∑ ( 1 − p ) m = 1/ p 。
连续时间定理需要三个独立的论证:非爆炸性、计数的泊松分布,以及支撑独立增量的重启性质。
指数变量也满足 Pr ( E > u + v ∣ E > u ) = e − λ v \Pr(E>u+v\mid E>u)=e^{-\lambda v} Pr ( E > u + v ∣ E > u ) = e − λ v 。由独立性及强大数定律,A r / r → 1 / λ A_r/r\to1/\lambda A r / r → 1/ λ ,故非爆炸。考虑恰有 n n n 个有序到达 0 < t 1 < ⋯ < t n < t 0<t_1<\cdots<t_n<t 0 < t 1 < ⋯ < t n < t ,且下一次到达在 t t t 之后。各间隔密度乘上最后的生存概率,得到常数因子 λ n e − λ t \lambda^n e^{-\lambda t} λ n e − λ t 。有序单纯形的体积为 t n / n ! t^n/n! t n / n ! ,积分便得泊松概率。n = 0 n=0 n = 0 时直接使用 Pr ( E 1 > t ) = e − λ t \Pr(E_1>t)=e^{-\lambda t} Pr ( E 1 > t ) = e − λ t 。
在固定时刻 s s s ,给定截至 s s s 的全部到达记录。若当前等待已持续 u u u ,无记忆性使剩余等待仍为同速率指数变量,并独立于已观察的过去;往后完整的间隔则由构造互相独立。因此从 s s s 重新开始是一个全新副本,证明增量独立且平稳。反方向先用 Pr ( N ( t ) = 0 ) \Pr(N(t)=0) Pr ( N ( t ) = 0 ) 求首次等待的尾分布,再在各到达时刻重启。从固定时刻延伸到随机到达时刻,可用从上逼近到达时刻的网格时刻及右连续性严格证明。
最后,用卷积归纳求 r r r 个指数变量之和的密度。假定公式对 r r r 成立,与 λ e − λ ( t − u ) \lambda e^{-\lambda(t-u)} λ e − λ ( t − u ) 卷积后,对 u r − 1 u^{r-1} u r − 1 在 0 0 0 至 t t t 积分便产生 t r / r t^r/r t r / r 。事件等式则直接来自计数路径的单调性,将等待问题连接到计数问题。
证明透视
相同速率在构造中的作用 假设在三处分别用到。E r E_r E r 的独立性使前 n n n 个到达时刻的联合密度分解为各间隔密度之积;速率相同,才使这个乘积化为 λ n e − λ t \lambda^ne^{-\lambda t} λ n e − λ t ,在有序单纯形 0 < t 1 < ⋯ < t n < t 0\lt t_1\lt\cdots\lt t_n\lt t 0 < t 1 < ⋯ < t n < t 上是常数。于是计数分布只是体积计算;同一常数性也使条件化后的到达时刻成为均匀顺序统计量。无记忆性只在重启时使用:它把时刻 s s s 时已部分经过的等待变成独立于过去的全新指数变量,此后每个时段都化为从 0 0 0 开始的副本,论证由此闭合。非爆炸性是另一项输入,由强大数定律提供。
去掉相同速率,两步都会失效。若第 r r r 次等待的速率为 r 2 r^2 r 2 ,则 E ∑ r E r = ∑ r r − 2 = π 2 / 6 \mathbb E\sum\limits_rE_r=\sum\limits_r r^{-2}=\pi^2/6 E r ∑ E r = r ∑ r − 2 = π 2 /6 有限,故 A r A_r A r 几乎必然递增到有限极限,而对超过该极限的每个 t t t 都有 N ( t ) = ∞ N(t)=\infty N ( t ) = ∞ 。即使没有爆炸,不同密度之积也依赖位置 t 1 , … , t n t_1,\ldots,t_n t 1 , … , t n ,单纯形积分便不再给出泊松概率。
已知总数会改变什么
独立增量是不相交时段的无条件叙述;若揭示其并集的总计数,各部分必须加起来等于该总数,便不再独立。“到达互相独立”若未说明随机变量及所给定信息,很容易引起误解。
对 0 < s < t 0<s<t 0 < s < t ,令 U = N ( s ) U=N(s) U = N ( s ) 、V = N ( t ) − N ( s ) V=N(t)-N(s) V = N ( t ) − N ( s ) 。未加条件时,两者独立,平均分别为 λ s \lambda s λ s 、λ ( t − s ) \lambda(t-s) λ ( t − s ) 。把联合概率除以 U + V = n U+V=n U + V = n 的概率,得到
Pr ( U = k ∣ N ( t ) = n ) = ( n k ) ( s / t ) k ( 1 − s / t ) n − k , 0 ≤ k ≤ n . \Pr(U=k\mid N(t)=n)
=\binom nk(s/t)^k(1-s/t)^{n-k},\quad 0\le k\le n. Pr ( U = k ∣ N ( t ) = n ) = ( k n ) ( s / t ) k ( 1 − s / t ) n − k , 0 ≤ k ≤ n .
速率消去:已知次数后,由时段比例决定分配。若总数为一,知道首段有一次便迫使后段为零;原本独立的增量在此条件下不再独立。有限多个时段的分割同理得到多项分布,概率是各段相对长度。已知总数后,有序到达时刻的分布亦等于独立均匀样本排序的分布:由证明中的常数密度可得,条件化后单纯形上密度为 n ! / t n n!/t^n n ! / t n 。
独立标记分出两个时钟
设各次到达互相独立地以概率 a a a 标红,并独立于原过程,其中 0 < a < 1 0<a<1 0 < a < 1 。给定总数 n n n ,红色计数为参数 n , a n,a n , a 的二项分布。长度 t t t 时段内,红色 r r r 次、未标记 b b b 次的无条件联合概率为
e − λ t ( λ t ) r + b ( r + b ) ! ( r + b r ) a r ( 1 − a ) b = [ e − a λ t ( a λ t ) r r ! ] [ e − ( 1 − a ) λ t ( ( 1 − a ) λ t ) b b ! ] . e^{-\lambda t}\frac{(\lambda t)^{r+b}}{(r+b)!}
\binom{r+b}{r}a^r(1-a)^b
=\left[e^{-a\lambda t}\frac{(a\lambda t)^r}{r!}\right]
\left[e^{-(1-a)\lambda t}\frac{((1-a)\lambda t)^b}{b!}\right]. e − λ t ( r + b )! ( λ t ) r + b ( r r + b ) a r ( 1 − a ) b = [ e − aλ t r ! ( aλ t ) r ] [ e − ( 1 − a ) λ t b ! (( 1 − a ) λ t ) b ] .
分解证明两种计数独立且各服从泊松分布。同时对不相交时段使用此论证,便证明两种标记过程是独立泊松过程。标记独立是必要假设;若同一批突发数据包全部同色,便不能如此分解。再次注意信息差别:给定总数时,两种颜色的计数不独立;让总数保持随机时,两者独立。建模时须交代正在描述哪个实验。
例题详解
取 p = 1 / 4 p=1/4 p = 1/4 。第三次成功恰在第 7 7 7 拍,要求前六拍恰有两次成功,第七拍成功,故
Pr ( T 3 = 7 ) = ( 6 2 ) ( 1 / 4 ) 3 ( 3 / 4 ) 4 = 1215 16384 . \Pr(T_3=7)=\binom62(1/4)^3(3/4)^4=\frac{1215}{16384}. Pr ( T 3 = 7 ) = ( 2 6 ) ( 1/4 ) 3 ( 3/4 ) 4 = 16384 1215 . 这不同于 Pr ( S 7 = 3 ) \Pr(S_7=3) Pr ( S 7 = 3 ) ,后者容许第三次成功在第 3 3 3 至第 7 7 7 拍发生。由 T 3 = W 1 + W 2 + W 3 T_3=W_1+W_2+W_3 T 3 = W 1 + W 2 + W 3 得期望为 12 12 12 。若头四拍均失败,首次成功所需的额外拍数之条件期望仍为 4 4 4 ;但首次成功的总节拍之条件期望为 8 8 8 。
数据包按每分钟速率 2 2 2 的泊松过程到达。即使已知 N ( 3 ) = 8 N(3)=8 N ( 3 ) = 8 ,仍有
Pr { N ( 5 ) − N ( 3 ) = 1 ∣ N ( 3 ) = 8 } = 4 e − 4 . \Pr\{N(5)-N(3)=1\mid N(3)=8\}=4e^{-4}. Pr { N ( 5 ) − N ( 3 ) = 1 ∣ N ( 3 ) = 8 } = 4 e − 4 . 往后两分钟的平均计数为 4 4 4 ,并独立于已知计数。第二次到达晚于一分钟的概率,可由事件对偶求得:
Pr ( A 2 > 1 ) = Pr ( N ( 1 ) ≤ 1 ) = e − 2 ( 1 + 2 ) = 3 e − 2 . \Pr(A_2>1)=\Pr(N(1)\le1)=e^{-2}(1+2)=3e^{-2}. Pr ( A 2 > 1 ) = Pr ( N ( 1 ) ≤ 1 ) = e − 2 ( 1 + 2 ) = 3 e − 2 . 这避免了不必要的 Erlang 密度积分。第二次到达的期望时刻为 2 / 2 = 1 2/2=1 2/2 = 1 分钟,但超过期望时刻的概率未必是二分之一。
把长度 t t t 的时段分为 m m m 拍,每拍独立地以概率 λ t / m \lambda t/m λ t / m 放置一个事件,假设 m > λ t m>\lambda t m > λ t 。对固定 k k k ,
( m k ) ( λ t / m ) k ( 1 − λ t / m ) m − k ⟶ e − λ t ( λ t ) k k ! . \binom mk(\lambda t/m)^k(1-\lambda t/m)^{m-k}
\longrightarrow e^{-\lambda t}\frac{(\lambda t)^k}{k!}. ( k m ) ( λ t / m ) k ( 1 − λ t / m ) m − k ⟶ e − λ t k ! ( λ t ) k . 把二项系数写成 m ( m − 1 ) ⋯ ( m − k + 1 ) / k ! m(m-1)\cdots(m-k+1)/k! m ( m − 1 ) ⋯ ( m − k + 1 ) / k ! ,约去 m k m^k m k ,再用 ( 1 − a / m ) m → e − a (1-a/m)^m\to e^{-a} ( 1 − a / m ) m → e − a 即得。这只证明一个时段计数的收敛;完整过程收敛还需联合时刻论证及指定路径收敛方式。不过,独立节拍区段确实给出任意固定有限分割的联合极限。
常见错误
反例模式
泊松边际分布未能确定过程 泊松边际分布并不蕴含独立增量。例如只取一个均匀变量 U U U ,对所有 t t t 都以同一个 U U U 代入平均值 λ t \lambda t λ t 的泊松分布之逆分布函数,得到 M ( t ) M(t) M ( t ) 。各时刻确有正确泊松分布,但增量并不独立。取 λ = 1 \lambda=1 λ = 1 、s = 1 , t = 2 s=1,t=2 s = 1 , t = 2 ,令 D = M ( 2 ) − M ( 1 ) D=M(2)-M(1) D = M ( 2 ) − M ( 1 ) ,则分位数区间给出
Pr ( D = 0 ∣ M ( 1 ) = 0 ) = e − 1 , Pr ( D = 0 ∣ M ( 1 ) = 1 ) = 3 / e − 1. \Pr(D=0\mid M(1)=0)=e^{-1},\qquad
\Pr(D=0\mid M(1)=1)=3/e-1. Pr ( D = 0 ∣ M ( 1 ) = 0 ) = e − 1 , Pr ( D = 0 ∣ M ( 1 ) = 1 ) = 3/ e − 1. 第一式把区间长 e − 2 e^{-2} e − 2 除以 e − 1 e^{-1} e − 1 。第二式中两计数皆为一的重叠区间是 ( e − 1 , 3 e − 2 ] (e^{-1},3e^{-2}] ( e − 1 , 3 e − 2 ] ,长 3 e − 2 − e − 1 3e^{-2}-e^{-1} 3 e − 2 − e − 1 ,再除以 Pr ( M ( 1 ) = 1 ) = e − 1 \Pr(M(1)=1)=e^{-1} Pr ( M ( 1 ) = 1 ) = e − 1 。两个条件概率不同,证明不独立;单时刻计数分布不能取代过程定义。
另外两个错误涉及无记忆性和连续时间究竟断言了什么。
无记忆性是几何分布与指数分布的性质,并非一般等待时间的性质。固定一分钟的等待就不满足:已等四分之三分钟后,剩余等待是四分之一分钟,而不是重新等一分钟。反过来,指数等待在已存活的条件下也不会变成确定值;剩余等待仍是同速率的指数变量。
由于 A r A_r A r 有密度,对每个预先指定的实数 t t t 都有 Pr ( A r = t ) = 0 \Pr(A_r=t)=0 Pr ( A r = t ) = 0 。到达概率应按时段计算,例如 Pr ( s < A r ≤ t ) \Pr(s\lt A_r\le t) Pr ( s < A r ≤ t ) ,或对 f A r f_{A_r} f A r 积分;密度的取值并不是概率。
总结
独立伯努利试验产生二项计数与独立几何等待;独立指数等待产生泊松计数及非爆炸连续时间过程。{ N ( t ) ≥ r } = { A r ≤ t } \{N(t)\ge r\}=\{A_r\le t\} { N ( t ) ≥ r } = { A r ≤ t } 是两种描述之间的桥梁。计算以前,须交代速率、独立性、增量平稳性及等待分布的支集约定。
练习
快速检查
(取 p = 1 / 3 p=1/3 p = 1/3 ,求 Pr ( T 2 = 5 ) \Pr(T_2=5) Pr ( T 2 = 5 ) 及 E T 2 \mathbb E T_2 E T 2 ,并说明为何最后一拍要分开处理。)
解答 头四拍恰有一次成功,第五拍成功,故 Pr ( T 2 = 5 ) = ( 4 1 ) ( 1 / 3 ) 2 ( 2 / 3 ) 3 = 32 / 243 \Pr(T_2=5)=\binom41(1/3)^2(2/3)^3=32/243 Pr ( T 2 = 5 ) = ( 1 4 ) ( 1/3 ) 2 ( 2/3 ) 3 = 32/243 。独立等待给出 E T 2 = 2 / ( 1 / 3 ) = 6 \mathbb E T_2=2/(1/3)=6 E T 2 = 2/ ( 1/3 ) = 6 。只计五拍内两次成功,会包括第二次成功较早发生的路径。
快速检查
(泊松速率为每小时 3 3 3 次。已知前一小时有五次到达,求往后半小时没有到达的概率。从零开始计时,另求 Pr ( A 3 > 1 ) \Pr(A_3>1) Pr ( A 3 > 1 ) 。)
解答 · 答案 由独立平稳增量,答案为 e − 3 / 2 e^{-3/2} e − 3/2 ,与之前的计数无关。又 Pr ( A 3 > 1 ) = Pr ( N ( 1 ) ≤ 2 ) = e − 3 ( 1 + 3 + 9 / 2 ) = 17 e − 3 / 2 \Pr(A_3>1)=\Pr(N(1)\le2)=e^{-3}(1+3+9/2)=17e^{-3}/2 Pr ( A 3 > 1 ) = Pr ( N ( 1 ) ≤ 2 ) = e − 3 ( 1 + 3 + 9/2 ) = 17 e − 3 /2 。两式的时间单位都是小时。
快速检查
(证明指数等待满足 Pr ( E ≤ h ) = λ h + O ( h 2 ) \Pr(E\le h)=\lambda h+O(h^2) Pr ( E ≤ h ) = λh + O ( h 2 ) ,而 Pr ( N ( h ) ≥ 2 ) = O ( h 2 ) \Pr(N(h)\ge2)=O(h^2) Pr ( N ( h ) ≥ 2 ) = O ( h 2 ) 。第二个结论提供了什么额外信息?)
把 e − λ h e^{-\lambda h} e − λh 展开到二阶。
解答 泰勒(Taylor)展开给出 1 − e − λ h = λ h − λ 2 h 2 / 2 + O ( h 3 ) 1-e^{-\lambda h}=\lambda h-\lambda^2h^2/2+O(h^3) 1 − e − λh = λh − λ 2 h 2 /2 + O ( h 3 ) 。计数分布则给出 1 − e − λ h ( 1 + λ h ) = λ 2 h 2 / 2 + O ( h 3 ) 1-e^{-\lambda h}(1+\lambda h)=\lambda^2h^2/2+O(h^3) 1 − e − λh ( 1 + λh ) = λ 2 h 2 /2 + O ( h 3 ) 。第一式只关于至少一次到达;第二式控制短时段内多次到达的概率,不能单由第一式决定。
快速检查
(两个独立泊松过程的速率分别为 λ \lambda λ 及 μ \mu μ 。推导长度 t t t 时段内总计数的分布,并解释相加过程的增量为何独立。)
解答 独立性与卷积给出 e − ( λ + μ ) t ∑ j = 0 k ( λ t ) j ( μ t ) k − j / [ j ! ( k − j ) ! ] = e − ( λ + μ ) t ( ( λ + μ ) t ) k / k ! e^{-(\lambda+\mu)t}\sum\limits_{j=0}^k(\lambda t)^j(\mu t)^{k-j}/[j!(k-j)!]=e^{-(\lambda+\mu)t}((\lambda+\mu)t)^k/k! e − ( λ + μ ) t j = 0 ∑ k ( λ t ) j ( μ t ) k − j / [ j ! ( k − j )!] = e − ( λ + μ ) t (( λ + μ ) t ) k / k ! 。不相交时段使用两个独立输入过程各自的不相交增量,所以独立;分布只依赖时段长度,故平稳。独立过程几乎必然不会同时到达,因此和过程只跳升一,是速率 λ + μ \lambda+\mu λ + μ 的泊松过程。