1. 课程导入与泊松过程直觉建立

在开始推导任何公式之前，先想一个具体场景：某呼叫中心在上午 9:00 到 10:00 之间接到 120 通来电。这 120 通电话并不是每隔 30 秒准时响一次，而是有时连续几通挤在一起，有时又安静好几分钟。类似地，网站访问日志里请求的到达、生产线上设备的随机故障、公交站乘客的陆续到来，都呈现出同一种"看似杂乱、却又有稳定统计规律"的特征。泊松过程正是用来刻画这类随机到达事件的数学模型。

本课程的目标不是把泊松过程讲成一堆公式，而是让你能够：从真实现象中识别它是否适用、用参数描述它、用代码模拟它，并最终用它做容量规划与风险评估。下面先建立直觉，再给出严格定义，最后给出整门课的学习地图。

一、从现象到模型：三个真实场景

观察下面三类事件，注意它们的共同点：

• 呼叫中心来电：一天中不同时段的平均来电量不同（上午高峰、午间低谷），但在一个较短的时段内（如 9:00–9:10），来电的"平均强度"大致稳定；任意两通电话的到达时刻互不影响。
• 网站访问：正常运营时，每秒请求数在一个基线附近波动；某个用户点击不会"导致"另一个无关用户在同一毫秒点击。
• 设备故障：一批同型号设备在稳定运行期（排除磨合期与老化期）的故障到达，往往近似随机且独立。

这三个场景共享三个关键特征：事件在时间轴上随机发生、在短时间内的平均发生率稳定、事件之间近似独立。这正是泊松过程的三条核心假设的直观来源。

二、泊松过程的定义与核心假设

设 N(t) 表示从时刻 0 到时刻 t 内到达的事件总数，N(0)=0。若计数过程 {N(t), t≥0} 满足以下条件，则称其为强度为 λ 的齐次泊松过程：

1. 独立增量：任意两个不重叠时间区间内到达的事件数相互独立。
2. 平稳增量：长度为 Δt 的区间内到达数只与 Δt 有关，与区间起点无关。
3. 稀有事件条件：在极短区间 Δt 内，到达 1 个事件的概率约为 λΔt，到达 2 个及以上的概率为 o(Δt)（可忽略）。

由这三条可推出两个最常用的结论：在长度 t 的区间内，到达数服从参数为 λt 的泊松分布，即 P(N(t)=k)=e^−λt(λt)^k/k!；相邻两次到达的时间间隔服从均值为 1/λ 的指数分布。这两个结论是后续所有建模与模拟的基石。

三、一个可手算的示例

假设某网站在平稳时段的请求到达近似泊松过程，λ=0.5 次/秒。我们关心 10 秒窗口内的请求数。此时 λt=5，则：

• 10 秒内平均到达 5 次，方差也是 5（泊松分布均值等于方差，这是检验数据是否近似泊松的重要线索）。
• 恰好到达 3 次的概率为 e⁻⁵·5³/3! ≈ 0.00674×125/6 ≈ 0.1404，约 14%。
• 相邻请求的平均间隔为 1/λ=2 秒；间隔超过 5 秒的概率为 e^−0.5×5=e^−2.5≈0.082，约 8.2%。

这些数字可以直接用于容量判断：若服务器在 10 秒内处理能力为 8 次请求，那么超过 8 次的概率 P(N>8) 就是过载风险，可用泊松尾概率计算或模拟估计。请注意，以上数值是基于假设参数 λ=0.5 的教学示例，并非真实系统实测。

四、课程学习地图

下图把本课程的知识结构串成一条从"现象识别"到"工程应用"的主线，帮助你明确每一章在整体中的位置。

沿着这张图，课程会依次回答四个问题：什么现象可以用泊松过程描述（现象层与假设检验）；它的数学性质是什么（分布、间隔、叠加与分解）；如何用代码把它模拟出来（指数间隔法、时间轴推进、统计验证）；如何在工程中用它做决策（容量、风险、排队输入）。

五、建模前必须确认的三件事

在把任何真实数据套进泊松模型之前，建议先做三项检查，它们决定了模型是否成立：

• 平稳性检查：把观测期切成若干等长区间，统计每区间事件数。若均值随时间明显漂移（如早晚高峰），齐次泊松过程不适用，应考虑非齐次泊松过程或分段建模。
• 独立性检查：事件是否成簇出现？例如一次故障引发连锁告警，或一个用户刷新页面产生多个请求，都会破坏独立性。
• 均值—方差检查：泊松分布的理论方差等于均值。若实测方差远大于均值（过度离散），说明存在聚集性；远小于均值则说明事件过于规律。

建立直觉的关键在于：泊松过程描述的不是"事件何时发生"的确定性规律，而是"在给定强度下，各类到达模式出现的概率有多大"。一旦你习惯用 λ 和分布尾概率来思考问题，呼叫中心的排班、服务器的扩容、备件的库存，都可以转化为同一类可计算的问题。接下来的章节将从定义与性质出发，逐步把这套直觉变成可执行的计算与模拟能力。