動機
到達記錄有兩種讀法:指定時間以前發生了多少次事件,或指定的第幾次事件要等多久。計數與等待以不同方向描述同一條樣本路徑,但取值空間不同:計數是非負整數,連續等待時間是非負實數。分清這些隨機對象,才能避免把概率質量當成密度等建模錯誤。
設處理器在等距時鐘節拍接收診斷封包。每個節拍獨立地以概率 p p p 收到一個封包,便是伯努利(Bernoulli)模型。若封包可在任意實數時刻到達,則需要連續時鐘。當不相交時段的計數獨立,且規律只取決於時段長度時,齊次泊松(Poisson)過程是合適模型。這些是實質假設;共同觸發器產生的突發封包,即使平均速率固定,也未必符合。
本節建立兩個模型及其聯繫。讀者應熟悉獨立性、條件概率、期望及基本積分。過程是一個概率空間上的一族隨機變量;只列出各時刻的分佈,尚未指定不同時刻之間的依賴關係。
定義
設 B 1 , B 2 , … B_1,B_2,\ldots B 1 , B 2 , … 獨立,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 。定義
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 ) 是伯努利試驗過程,( S n ) (S_n) ( S n ) 是計數過程,T r T_r T r 是第 r r r 次成功的節拍。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 ,得到相鄰成功之間的等待時間。
此處幾何分佈把成功的節拍也算在內,故支集從 1 1 1 開始。S n S_n S n 服從二項分佈:指定 j j j 個成功位置的概率是 p j ( 1 − p ) n − j p^j(1-p)^{n-j} p j ( 1 − p ) n − j ,而這樣的位置集合共有 ( n j ) \binom nj ( j n ) 個。不相交節拍區段的計數獨立,因為它們使用不同組的獨立試驗。
速率 λ > 0 \lambda>0 λ > 0 的齊次泊松過程 ( N ( t ) ) t ≥ 0 (N(t))_{t\ge0} ( N ( t ) ) t ≥ 0 從 N ( 0 ) = 0 N(0)=0 N ( 0 ) = 0 開始,路徑為非遞減、右連續、只跳升一的整數值函數,具有獨立平穩增量,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 , … . 到達時刻為 A r = inf { t : N ( t ) ≥ r } A_r=\inf\{t:N(t)\ge r\} A r = inf { t : N ( t ) ≥ r } ;相鄰到達間隔為 E r = A r − A r − 1 E_r=A_r-A_{r-1} E r = A r − A r − 1 ,約定 A 0 = 0 A_0=0 A 0 = 0 。
平穩增量指一段時間內「變化量」的分佈,不是總計數的分佈。事實上 E N ( t ) = λ t \mathbb E N(t)=\lambda t E N ( t ) = λ t 隨時間增加,所以過程本身的有限維分佈並不在時間平移下保持不變。λ \lambda λ 的單位是每單位時間的事件數;指數密度 λ e − λ t \lambda e^{-\lambda t} λ e − λ t 帶有時間倒數的單位,這也是密度所需的量綱。
概念視角 分析
由短時段得到泊松分佈 不必直接指定泊松分佈,可以只指定短時段的行為:獨立平穩增量,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 ) . 記 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 處分開,得 p 0 ′ = − λ p 0 p_0'=-\lambda p_0 p 0 ′ = − λ p 0 及 k ≥ 1 k\ge1 k ≥ 1 時 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 } 。逐條求解便得 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 ! 。在這個描述中,λ \lambda λ 是極短時段內出現一次到達的每單位時間概率。
定理/命題
W r W_r W r 獨立同分佈,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 . 對整數 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 。
取獨立的 E r E_r E r ,其密度為 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 } ,並包括 r = 0 r=0 r = 0 。則幾乎必然有 A r → ∞ A_r\to\infty A r → ∞ ,此構造給出齊次泊松過程,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 ) . 反過來,泊松過程的到達間隔是速率 λ \lambda λ 的獨立指數變量。
A r → ∞ A_r\to\infty A r → ∞ 是非爆炸性,保證有限時刻的最大值有限。相同指數速率自動符合此條件,但後面遇到的狀態相依時鐘未必符合。上述密度稱為 Erlang 分佈,是形狀參數為整數 r r r 、速率為 λ \lambda λ 的伽馬分佈。
證明思路
指定正整數 m 1 , … , m r m_1,\ldots,m_r m 1 , … , m r 後,前 r r r 個等待時間恰為這些值,表示連續的不相交區段各先失敗、後成功。因此其聯合概率為
∏ 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 . 此分解同時證明等待時間的分佈與獨立性。又 Pr ( W 1 > m ) = ( 1 − p ) m \Pr(W_1>m)=(1-p)^m Pr ( W 1 > m ) = ( 1 − p ) m ,兩個尾概率相除便得無記憶性。尾和公式給出 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 。
連續時間定理需要三個獨立的論證:非爆炸性、計數的泊松分佈,以及支持獨立增量的重啟性質。
指數變量也滿足 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 。由獨立性及強大數定律,A r / r → 1 / λ A_r/r\to1/\lambda A r / r → 1/ λ ,故非爆炸。考慮恰有 n n n 個有序到達 0 < t 1 < ⋯ < t n < t 0<t_1<\cdots<t_n<t 0 < t 1 < ⋯ < t n < t ,且下一次到達在 t t t 之後。各間隔密度乘上最後的生存概率,得到常數因子 λ n e − λ t \lambda^n e^{-\lambda t} λ n e − λ t 。有序單純形的體積為 t n / n ! t^n/n! t n / n ! ,積分便得泊松概率。n = 0 n=0 n = 0 時直接使用 Pr ( E 1 > t ) = e − λ t \Pr(E_1>t)=e^{-\lambda t} Pr ( E 1 > t ) = e − λ t 。
在固定時刻 s s s ,給定截至 s s s 的全部到達記錄。若當前等待已持續 u u u ,無記憶性使剩餘等待仍為同速率指數變量,並獨立於已觀察的過去;往後完整的間隔則由構造互相獨立。因此從 s s s 重新開始是一個全新副本,證明增量獨立且平穩。反方向先用 Pr ( N ( t ) = 0 ) \Pr(N(t)=0) Pr ( N ( t ) = 0 ) 求首次等待的尾分佈,再在各到達時刻重啟。從固定時刻延伸到隨機到達時刻,可用從上逼近到達時刻的網格時刻及右連續性嚴格證明。
最後,用卷積歸納求 r r r 個指數變量之和的密度。假定公式對 r r r 成立,與 λ e − λ ( t − u ) \lambda e^{-\lambda(t-u)} λ e − λ ( t − u ) 卷積後,對 u r − 1 u^{r-1} u r − 1 在 0 0 0 至 t t t 積分便產生 t r / r t^r/r t r / r 。事件等式則直接來自計數路徑的單調性,將等待問題連接到計數問題。
證明透視
相同速率在構造中的作用 假設在三處分別用上。E r E_r E r 的獨立性使前 n n n 個到達時刻的聯合密度分解為各間隔密度之積;速率相同,才使這個乘積化為 λ n e − λ t \lambda^ne^{-\lambda t} λ n e − λ t ,在有序單純形 0 < t 1 < ⋯ < t n < t 0\lt t_1\lt\cdots\lt t_n\lt t 0 < t 1 < ⋯ < t n < t 上是常數。於是計數分佈只是體積計算;同一個常數性亦使條件化後的到達時刻成為均勻順序統計量。無記憶性只在重啟時使用:它把時刻 s s s 時已部分經過的等待變成獨立於過去的全新指數變量,往後每個時段都化為從 0 0 0 開始的副本,論證由此閉合。非爆炸性是另一項輸入,由強大數定律提供。
去掉相同速率,兩步都會失效。若第 r r r 次等待的速率為 r 2 r^2 r 2 ,則 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 幾乎必然遞增至有限極限,而對超過該極限的每個 t t t 都有 N ( t ) = ∞ N(t)=\infty N ( t ) = ∞ 。即使未爆炸,不同密度之積亦依賴位置 t 1 , … , t n t_1,\ldots,t_n t 1 , … , t n ,單純形積分便不再給出泊松概率。
已知總數會改變甚麼
獨立增量是不相交時段的無條件敘述;若揭示其聯集的總計數,各部分必須加起來等於該總數,便會相依。「到達互相獨立」若未說明隨機變量及所給定資訊,很容易引起誤解。
對 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 ) 。未加條件時,兩者獨立,平均分別為 λ s \lambda s λ s 、λ ( t − s ) \lambda(t-s) λ ( t − s ) 。把聯合概率除以 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:已知次數後,由時段比例決定分配。若總數為一,知道首段有一次便迫使後段為零;原本獨立的增量在此條件下相依。有限多個時段的分割同理得到多項分佈,概率是各段相對長度。已知總數後,有序到達時刻的分佈亦等於獨立均勻樣本排序的分佈:由證明中的常數密度可得,條件化後單純形上密度為 n ! / t n n!/t^n n ! / t n 。
獨立標記分出兩個時鐘
設各次到達互相獨立地以概率 a a a 標紅,並獨立於原過程,其中 0 < a < 1 0<a<1 0 < a < 1 。給定總數 n n n ,紅色計數為參數 n , a n,a n , a 的二項分佈。長度 t t t 時段內,紅色 r r r 次、未標記 b b b 次的無條件聯合概率為
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 ] .
分解證明兩種計數獨立且各服從泊松分佈。同時對不相交時段使用此論證,便證明兩種標記過程是獨立泊松過程。標記獨立是必要假設;若同一批突發封包全部同色,便不能如此分解。再次注意資訊差別:給定總數時,兩種顏色的計數相依;讓總數保持隨機時,兩者獨立。建模時須交代正在描述哪個實驗。
例題詳解
取 p = 1 / 4 p=1/4 p = 1/4 。第三次成功恰在第 7 7 7 拍,要求前六拍恰有兩次成功,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 . 這不同於 Pr ( S 7 = 3 ) \Pr(S_7=3) Pr ( S 7 = 3 ) ,後者容許第三次成功在第 3 3 3 至第 7 7 7 拍發生。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 得期望為 12 12 12 。若頭四拍均失敗,首次成功所需的額外拍數之條件期望仍為 4 4 4 ;但首次成功的總節拍之條件期望為 8 8 8 。
封包按每分鐘速率 2 2 2 的泊松過程到達。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 . 往後兩分鐘的平均計數為 4 4 4 ,並獨立於已知計數。第二次到達晚於一分鐘的概率,可由事件對偶求得:
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 . 這避免了不必要的 Erlang 密度積分。第二次到達的期望時刻為 2 / 2 = 1 2/2=1 2/2 = 1 分鐘,但超過期望時刻的概率未必是二分之一。
把長度 t t t 的時段分為 m m m 拍,每拍獨立地以概率 λ t / m \lambda t/m λ t / m 放置一個事件,假設 m > λ t m>\lambda t m > λ t 。對固定 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 . 把二項係數寫成 m ( m − 1 ) ⋯ ( m − k + 1 ) / k ! m(m-1)\cdots(m-k+1)/k! m ( m − 1 ) ⋯ ( m − k + 1 ) / k ! ,約去 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。這只證明一個時段計數的收斂;完整過程收斂還需聯合時刻論證及指定路徑收斂方式。不過,獨立節拍區段確實給出任意固定有限分割的聯合極限。
常見錯誤
反例模式
泊松邊際分佈未能確定過程 泊松邊際分佈並不蘊含獨立增量。例如只取一個均勻變量 U U U ,對所有 t t t 都以同一個 U U U 代入平均值 λ t \lambda t λ t 的泊松分佈之逆分佈函數,得到 M ( t ) M(t) M ( t ) 。各時刻確有正確泊松分佈,但增量並不獨立。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 ) ,則分位數區間給出
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. 第一式把區間長 e − 2 e^{-2} e − 2 除以 e − 1 e^{-1} e − 1 。第二式中兩計數皆為一的重疊區間是 ( e − 1 , 3 e − 2 ] (e^{-1},3e^{-2}] ( e − 1 , 3 e − 2 ] ,長 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 。兩個條件概率不同,證明相依;單時刻計數分佈不能取代過程定義。
另外兩個錯誤涉及無記憶性及連續時間究竟斷言了甚麼。
無記憶性是幾何分佈與指數分佈的性質,並非一般等待時間的性質。固定一分鐘的等待便不符合:已等四分之三分鐘後,剩餘等待是四分之一分鐘,而不是重新等一分鐘。反過來,指數等待在已生存的條件下也不會變成確定值;剩餘等待仍是同速率的指數變量。
由於 A r A_r A r 有密度,對每個預先指定的實數 t t t 都有 Pr ( A r = t ) = 0 \Pr(A_r=t)=0 Pr ( A r = t ) = 0 。到達概率應按時段計算,例如 Pr ( s < A r ≤ t ) \Pr(s\lt A_r\le t) Pr ( s < A r ≤ t ) ,或對 f A r f_{A_r} f A r 積分;密度的取值並不是概率。
總結
獨立伯努利試驗產生二項計數與獨立幾何等待;獨立指數等待產生泊松計數及非爆炸連續時間過程。{ N ( t ) ≥ r } = { A r ≤ t } \{N(t)\ge r\}=\{A_r\le t\} { N ( t ) ≥ r } = { A r ≤ t } 是兩種描述之間的橋樑。計算以前,須交代速率、獨立性、增量平穩性及等待分佈的支集約定。
練習
快速檢查
(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 ,並說明為何最後一拍要分開處理。)
解答 頭四拍恰有一次成功,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 。獨立等待給出 E T 2 = 2 / ( 1 / 3 ) = 6 \mathbb E T_2=2/(1/3)=6 E T 2 = 2/ ( 1/3 ) = 6 。只計五拍內兩次成功,會包括第二次成功較早發生的路徑。
快速檢查
(泊松速率為每小時 3 3 3 次。已知前一小時有五次到達,求往後半小時沒有到達的概率。從零開始計時,另求 Pr ( A 3 > 1 ) \Pr(A_3>1) Pr ( A 3 > 1 ) 。)
解答 · 答案 由獨立平穩增量,答案為 e − 3 / 2 e^{-3/2} e − 3/2 ,與之前的計數無關。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 。兩式的時間單位都是小時。
快速檢查
(證明指數等待滿足 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 ) 。第二個結論提供了甚麼額外資訊?)
把 e − λ h e^{-\lambda h} e − λh 展開至二階。
解答 泰勒(Taylor)展開給出 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 ) 。計數分佈則給出 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 ) 。第一式只關於至少一次到達;第二式控制短時段內多次到達的概率,不能單由第一式決定。
快速檢查
(兩個獨立泊松過程的速率分別為 λ \lambda λ 及 μ \mu μ 。推導長度 t t t 時段內總計數的分佈,並解釋相加過程的增量為何獨立。)
解答 獨立性與卷積給出 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 ! 。不相交時段使用兩個獨立輸入過程各自的不相交增量,所以獨立;分佈只依賴時段長度,故平穩。獨立過程幾乎必然不會同時到達,因此和過程只跳升一,是速率 λ + μ \lambda+\mu λ + μ 的泊松過程。