Poisson随机现象

1. Poisson随机现象

1.1 引言

文献[1]中的例子：

1898年由Ladislaus Bortkiewicz在《小数法则》中提出了一个实际应用的例子。当时他得到一个任务：调查1875到1894年的20年间普鲁士军队14个军团中偶然被马踢伤而致死的士兵数量。这 20×14= 280 个纪录, 见“./data/因马踢伤死亡士兵数.xlsx”，按死亡人数来分，则如下表左二栏所示：

表1-1 因马踢伤致死的士兵数

x=每年因马踢伤死亡士兵数	记录数(次/团年)
0	141
1	91
2	32
3	11
4	2
$\ge 5$	0

问题：在20年内，理想中每团每年因马踢伤意外死亡的士兵人数$X$的分布是什么样的。

1.2. 微分方程建模

Poisson随机变量建模的给定流体空间中稀有事件发生的次数，例如交通（流体空间）的事故（稀有事件）次数，股票市场（流体空间）中买入股票（稀有事件）的次数等。Poisson随机现象具有三个特性³：

（1） 在一个短区间$\Delta z$内，发生一次事件的概率与$\Delta z$成正比： $\eta \Delta z$ 。
（2） 在短区间$\Delta z$内发生两次及以上事件的概率可以忽略。
（3） 在不重叠的短区间$\Delta z$段落里，事件各自发生的次数是独立的。

1.2.1 基本假设和定义

为了描述方便，将成功观察到稀有事件定义为二项式随机变量中，“正”事件，反之，未观察到稀有事件定义为“负”事件。对上文中的Poisson随机现象，以binomial随机变量为模型进行如下定义和假设：

• [1] 在单位区间长度 $z$内，$\Delta z$是短区间长度，可以理解为$z$的邻域。Poisson随机现象的特性（2）建模，在短区间$\Delta z$内观察到超过1次以上“正”事件的概率为0。（数学语言表示就是 ${\lim }_{\Delta z\to 0}\mathcal{O}(\Delta z)/\Delta z=0$, $\mathcal{O}(\Delta z)$表示短区间$\Delta z$中的发生“正”事件次数超过1的概率，被定义为高阶无穷小量。这个是Poisson随机现象的性质特点，）
• [2] $p$表示在短区间$\Delta z$内观察到1个"正"事件的概率，$p$与短区间$\Delta z$成正比。
  $$p=\eta \Delta z\text{\hspace{1em}(1-1)}$$
  式中，$\eta$是在单位区间$z$上，发生“正”事件的概率，是个未知的常量。
• [3] 区间均匀性假设：在任何给定的短区间$\Delta z$上，“正”事件发生的概率相同。
• [4] 区间独立性假设：一个短区间$\Delta z_i$与任何其他不重叠的短区间$\Delta z_j$相互独立，互不影响。
• [5] 随机变量$X$是在单位区间$z$上，观察到“正”事件的次数。

使用二项式随机变量来建模，令二项式随机变量中伯努利试验次数$n$非常大，而且$n=z/\Delta z$，每一个伯努利试验只有“正”和“反”两种结果。

1.2.2 建模

定义$P_x(z)$：
$$P_x(z)=P(X=x在区间z内)\text{\hspace{1em}(1-2)}$$
在区间$z+\Delta z$内观察到“正”事件发生$x$次的概率$P_x(z+\Delta z)$:
$$P_x(z+\Delta z)=P(E_1+E_2+E_3)\text{\hspace{1em}(1-3)}$$
式中：
E 1 E_1 E