有些随机过程不研究”位置”，而研究”事件数量”：一小时来了多少顾客、一分钟服务器收到多少请求、一段时间内发生多少次放射性衰变。这类过程最经典的模型就是泊松过程（Poisson process），概率与统计 2已经介绍过泊松分布本身，本文把它放进”随时间持续发生”的过程视角。

1. 从计数过程到泊松过程

1.1 定义

定义 N(t)N(t) 为从时间 0 到 tt 为止发生的事件总数，{N(t)}t≥0\{N(t)\}_{t\ge0} 就是一个计数过程（counting process），一条样本路径呈阶梯状：事件发生时计数增加 1，没有事件时保持不变。强度为 λ>0\lambda>0 的齐次泊松过程要求：N(0)=0N(0)=0、不重叠时间区间上的增量互相独立、长度为 tt 的区间内事件数服从 N(t)∼Poisson⁡(λt)N(t)\sim\operatorname{Poisson}(\lambda t)，其中 λ\lambda 是单位时间内平均发生的事件数。

1.2 泊松分布描述一个时刻，泊松过程描述整条轨迹

泊松分布描述”一个固定区间里发生多少次事件”，例如 N(10)N(10) 是一个随机变量；泊松过程描述的则是”累计事件数 N(t)N(t) 随时间怎么变化”，也就是整条随机过程 {N(t)}t≥0\{N(t)\}_{t\ge0}。以 λ=4\lambda=4（每分钟平均 4 个事件）为例，两分钟内恰好发生 10 次事件的概率是 P(N(2)=10)=e−8810/10!≈0.0993P(N(2)=10)=e^{-8}8^{10}/10!\approx0.0993——这个计算只用到 N(2)∼Poisson⁡(8)N(2)\sim\operatorname{Poisson}(8) 这一个时间点的分布；泊松过程要问的是这类计数如何在所有时刻上一起演化，而不只是单一时刻的分布长什么样。

2. 增量结构：独立且平稳

若区间 [0,1][0,1] 和 [2,3][2,3] 不重叠，标准泊松过程假设两个区间里的事件数 N(1)−N(0)N(1)-N(0) 与 N(3)−N(2)N(3)-N(2) 互相独立，这叫独立增量（independent increments）。泊松过程同时具有平稳增量：对任意 s,t≥0s,t\ge0，N(s+t)−N(s)∼Poisson⁡(λt)N(s+t)-N(s)\sim\operatorname{Poisson}(\lambda t) 只取决于区间长度 tt，不取决于区间从什么时候开始——同样长度的一小时，不论发生在早上还是晚上，在齐次模型里都有相同的统计规律。

3. 到达间隔与无记忆性

3.1 到达间隔服从指数分布

设 T1T_1 为第一次事件发生前的等待时间，事件在 tt 之前还没发生的概率是 P(T1>t)=P(N(t)=0)=e−λtP(T_1>t)=P(N(t)=0)=e^{-\lambda t}，因此 T1∼Exponential⁡(λ)T_1\sim\operatorname{Exponential}(\lambda)，而且相邻到达事件之间的等待时间也是 i.i.d. 指数分布。仍以 λ=4\lambda=4 为例，等待超过 0.5 分钟才发生下一个事件的概率是 P(T1>0.5)=e−4×0.5=e−2≈0.1353P(T_1>0.5)=e^{-4\times0.5}=e^{-2}\approx0.1353。泊松过程因此有两个等价视角：看固定时间内发生多少次，是泊松分布；看下一次事件要等多久，是指数分布——两者描述的是同一个随机机制，只是切入的角度不同。

3.2 无记忆性

指数分布具有无记忆性：P(T>s+t∣T>s)=P(T>t)P(T>s+t\mid T>s)=P(T>t)，已经等待了多久，不会改变还需要继续等待多久的分布。这与泊松过程的 Markov 性质密切相关：知道”目前为止还没有事件发生”这件事本身，不会透露任何关于”还要多久”的额外信息。

4. 过程的合并、拆分与推广

4.1 Superposition 与 thinning：具体算一次

如果两个独立泊松过程的速率分别为 λ1,λ2\lambda_1,\lambda_2，把它们的事件合并以后仍然是泊松过程，速率为 λ1+λ2\lambda_1+\lambda_2，这叫 superposition（叠加）：例如两类独立用户请求合并成总请求流，速率 3+5=83+5=8（每分钟）。反过来，如果一个速率为 λ\lambda 的泊松过程中，每个事件独立地以概率 pp 被标记为 A 类，A 类事件本身形成一个新的泊松过程，速率为 pλp\lambda，剩余事件的速率为 (1−p)λ(1-p)\lambda，这叫 thinning（稀疏化）：例如原始请求流速率 10（每分钟），若 30% 的请求来自移动设备，移动设备请求本身是速率 0.3×10=30.3\times10=3 的泊松过程，其余设备请求则是速率 0.7×10=70.7\times10=7 的泊松过程，两者仍然互相独立。

4.2 非齐次泊松过程

现实中的事件速率往往随时间变化，例如餐厅中午和凌晨的客流显然不同。这时可以让强度变成 λ(t)\lambda(t)，得到非齐次泊松过程，区间 [a,b][a,b] 的平均事件数变成 ∫abλ(t) dt\int_a^b\lambda(t)\,dt，其余假设（独立增量、给定平均事件数下服从泊松分布）维持不变，只是不再有平稳增量——不同时段的统计规律可以不一样。

5. 模型限制与小结

泊松过程假设事件之间没有长程依赖、到达速率结构简单、inter-arrival time 恰好是指数分布，这三个假设合在一起，等于假设”事件发生的倾向不会因为最近发生过什么而改变”。很多现实系统并不满足这个条件：用户访问常常爆发式聚集（一个事件触发一连串相关事件，违反独立增量）、机器故障寿命通常不是指数分布（磨损效应让故障概率随使用时间增加，违反无记忆性）。放宽”到达间隔必须是指数分布”这个限制、保留”到达间隔独立同分布”的核心结构，就自然引出更一般的 renewal process。

泊松过程是最基础的随机到达模型：固定平均速率、独立增量、计数服从泊松分布，把泊松分布、指数等待时间、Markov 性质和计数过程串在了一起，也是理解更一般到达模型的起点。