泊松过程

泊松过程 (Poisson Process)

泊松过程 (Poisson Process) 是一种用于描述在连续时间或空间中，随机且独立地发生的事件序列的随机过程（随机过程）。它是概率论和随机过程理论中最重要的基本模型之一。其核心特征是事件以一个恒定的平均速率发生，并且一个时间段内事件的发生与另一时间段完全独立。

泊松过程被广泛应用于模拟各种现实世界中的现象，例如：

• 一个呼叫中心在特定时间段内接到的电话数量。
• 放射性物质在单位时间内发生的衰变次数。
• 一段时间内到达一家商店的顾客人数。
• 一本长书中印刷错误的数量。

形式化定义

一个计数过程 $\{N(t), t \ge 0\}$ 是一个参数为 $\lambda > 0$ 的 泊松过程，如果它满足以下几个公理：

1. 初始状态 (Initial State)：过程从零开始计数，即 $N(0) = 0$。
2. 独立增量 (Independent Increments)：在任何不重叠的时间区间内，事件发生的数量是相互独立的。也就是说，对于任何时间点 $0 \le t_1 < t_2 \le t_3 < t_4$，随机变量 $N(t_2) - N(t_1)$（在区间 $(t_1, t_2]$ 内发生的事件数）与 $N(t_4) - N(t_3)$（在区间 $(t_3, t_4]$ 内发生的事件数）是独立随机变量。
3. 平稳增量 (Stationary Increments)：在任何长度为 $t$ 的时间区间内，发生事件数量的概率分布是相同的，与区间的起点无关。对于任何 $s > 0$ 和 $t > 0$，$N(t+s) - N(s)$ 的概率分布与 $N(t)$ 的概率分布相同。这一性质也称为过程的 时齐性 (time-homogeneity)。
4. 事件数服从泊松分布 (Poisson Distribution of Counts)：在任何长度为 $t$ 的时间区间内，发生事件的数量 $N(t)$ 是一个服从泊松分布的随机变量，其期望值为 $\lambda t$。即，观测到 $k$ 个事件的概率为： \[ P(N(t) = k) = \frac{e^{-\lambda t}(\lambda t)^k}{k!}, \quad k = 0, 1, 2, \ldots \] 这里的参数 $\lambda$ 被称为过程的 速率 (rate) 或 强度 (intensity)，表示单位时间间隔内平均发生的事件数。

微分形式定义 (Infinitesimal Definition)

泊松过程也可以通过其在极小时间间隔 $\Delta t$ 内的行为来等价定义。对于一个足够小的 $\Delta t$：

• 在一个小区间内发生一个事件的概率与区间长度成正比： \[ P(N(t+\Delta t) - N(t) = 1) = \lambda \Delta t + o(\Delta t) \]
• 在一个小区间内发生多于一个事件的概率是极小的，可以忽略不计： \[ P(N(t+\Delta t) - N(t) \ge 2) = o(\Delta t) \]
• 一个事件发生的概率与之前是否发生事件无关（独立增量）。

这里的 $o(\Delta t)$ 是小o符号（小o符号），表示一个当 $\Delta t \to 0$ 时，比 $\Delta t$ 更快趋向于零的项。这个定义直观地说明了事件是"稀有"且"独立"的。

关键性质与相关分布

泊松过程的结构引出了几个重要的相关概率分布，理解它们之间的关系至关重要。

事件间隔时间 (Interarrival Times)

事件间隔时间是指两个连续事件发生之间的时间间隔。令 $T_1$ 为第一个事件发生的时间，$T_2$ 为第一个和第二个事件之间的时间间隔，以此类推，$T_n$ 为第 $(n-1)$ 个和第 $n$ 个事件之间的时间间隔。

对于一个速率为 $\lambda$ 的泊松过程，其事件间隔时间 $T_1, T_2, \ldots$ 是一系列独立同分布 (i.i.d.) 的随机变量，并且它们都服从参数为 $\lambda$ 的指数分布。其概率密度函数 (PDF) 为：

这个性质与指数分布的无记忆性（无记忆性）密切相关。无记忆性意味着，无论你已经等待了多长时间，未来需要等待的时间的分布仍然是相同的。这正好对应了泊松过程的独立增量特性：过去的事件发生历史不影响未来的事件发生概率。

等待时间 (Waiting Times)

等待时间 $S_n$ 是指从时间 $0$ 开始，直到第 $n$ 个事件发生所经过的总时间。显然，它是前 $n$ 个事件间隔时间之和：

由于 $T_i$ 是独立同分布的指数随机变量，它们的和 $S_n$ 服从 伽玛分布。具体来说，$S_n$ 服从形状参数为 $n$、速率参数为 $\lambda$ 的伽玛分布。当形状参数为整数时，该分布也称为 爱尔朗分布。其概率密度函数为：

泊松分布与指数分布的对偶关系

泊松过程巧妙地将离散计数的泊松分布与连续时间的指数分布联系在一起。这种对偶关系可以总结如下：

• 固定时间，计数事件：在固定的时间区间 $[0, t]$ 内，事件发生的次数 $N(t)$ 是一个服从泊松分布（均值为 $\lambda t$）的离散随机变量。
• 固定事件数，计量时间：等待第 $n$ 个事件发生的时间 $S_n$ 是一个服从伽玛分布（参数为 $n, \lambda$）的连续随机变量。特别地，等待第一个事件发生的时间 $T_1 = S_1$ 服从指数分布（参数为 $\lambda$）。

这种对偶关系是等价的：如果一个事件流的事件间隔时间是独立同分布的指数随机变量，那么这个事件流必然构成一个泊松过程。

泊松过程的推广与变体

标准泊松过程（速率 $\lambda$ 为常数）也被称为 齐次泊松过程 (Homogeneous Poisson Process, HPP)。在许多实际应用中，事件发生的速率可能随时间变化，这引出了更复杂的模型。

非齐次泊松过程 (Non-Homogeneous Poisson Process, NHPP)

在非齐次泊松过程中，事件发生的速率不再是常数，而是一个关于时间的函数 $\lambda(t)$。例如，工作日早高峰时段的交通事故发生率远高于午夜。

• 变动的速率：速率函数 $\lambda(t) \ge 0$ 描述了在时间 $t$ 附近事件发生的瞬时强度。
• 增量分布：在时间区间 $(t_1, t_2]$ 内发生的事件数 $N(t_2) - N(t_1)$ 仍然服从泊松分布，但其均值是速率函数在该区间上的积分： \[ \mu = \int_{t_1}^{t_2} \lambda(\tau) d\tau \]
• 性质：NHPP 仍然具有 独立增量 的性质，但不再具有 平稳增量 的性质，因为相同长度的不同时间区间的事件发生概率可能会因 $\lambda(t)$ 的变化而不同。

复合泊松过程 (Compound Poisson Process)

在复合泊松过程中，每个泊松事件都伴随着一个随机的"量值"。该过程可以表示为：

其中 $\{N(t), t \ge 0\}$ 是一个标准的泊松过程，而 $\{Y_i\}$ 是一系列独立同分布的随机变量，且与 $N(t)$ 独立。例如，在保险中，$N(t)$ 可以代表索赔发生的次数，而 $Y_i$ 可以代表第 $i$ 次索赔的金额。$X(t)$ 就代表了到时间 $t$ 为止的总索赔金额。

空间泊松过程 (Spatial Poisson Process)

泊松过程的概念可以从一维的时间轴推广到二维平面或三维空间。此时，过程描述的是点在空间中的随机分布，而不是事件在时间上的发生。例如，森林中某种特定树木的分布，或者星系在宇宙中的分布，都可以用空间泊松过程来近似建模。

在经济与金融中的应用

泊松过程及其变体是许多经济和金融定量模型的基础。

• 排队论（排队论）：泊松过程是构建排队模型的基础。顾客到达服务系统（如银行柜台、服务器）的模式通常被假设为泊松过程。经典的M/M/1排队模型中的第一个"M"（马尔可夫性）就代表到达过程是泊松过程。
• 信用风险（信用风险）建模：在信用衍生品定价的简约模型（简约模型）中，公司违约事件的发生被建模为一个泊松过程（或其推广形式，如Cox过程）。参数 $\lambda$ 在此背景下被称为风险率（风险率）或违约强度，代表了公司在单位时间内发生违约的瞬时概率。
• 精算学（精算学）：保险公司使用泊松过程来模拟索赔事件的发生频率。通过对索赔频率 ($\lambda$) 和索赔严重性（每次索赔的金额）进行建模，公司可以估算预期的总赔付额，从而确定合理的保费（保费）并维持充足的偿付准备金。
• 市场微观结构（市场微观结构）：在高频交易领域，交易指令（买单或卖单）到达交易所的模式有时可以用泊松过程来近似，这有助于分析流动性、价格冲击和交易策略。