随机过程 10：更新过程

Poisson process 很漂亮，但它的假设也很强：相邻事件之间的等待时间必须服从指数分布。

如果现实中的等待时间不是 exponential distribution 怎么办？

最自然的推广就是 renewal process（更新过程）。

1. 从到达间隔到更新过程

1.1 从到达间隔开始

设 $Y_1,Y_2,\dots$ 是相邻事件之间的等待时间，并且它们 i.i.d.，但分布可以是任意非负分布。

定义第 $n$ 次事件发生的时间：

S_n=Y_1+\cdots+Y_n

那么到时间 $t$ 为止发生的事件数为：

N(t)=\max\{n:S_n\le t\}

这就是 renewal counting process。

1.2 为什么叫 renewal

“Renewal”可以理解成“更新、重新开始”。

例如机器每次坏掉以后立即换成一台全新的机器，那么每次更换之后，系统从概率意义上重新开始。

如果每台机器寿命 $Y_i$ 独立同分布，那么故障/更换次数就形成 renewal process。

1.3 Poisson process 是特殊的 renewal process

如果 inter-arrival time 满足：

Y_i\sim\operatorname{Exponential}(\lambda)

那么 renewal process 就退化为 Poisson process。

所以：

\boxed{\text{Poisson process} \subset \text{Renewal process}}

区别在于 renewal process 不要求等待时间具有无记忆性。

2. 更新过程的核心量

2.1 Renewal function

定义：

m(t)=E[N(t)]

称为 renewal function。

它表示到时间 $t$ 为止平均发生多少次更新。

如果等待时间均值为 $\mu=E[Y_1]$ ，长期来看会有一个非常自然的结果：

\frac{N(t)}{t}\to\frac1\mu

也就是说，长期平均更新速率约等于“平均等待时间”的倒数。

2.2 Renewal reward process

如果每次 renewal 伴随一个奖励 $R_i$ ，就得到 renewal reward process。

例如：

每次机器运行带来收益；
每次故障产生维修成本；
每个客户带来随机收入。

如果长期平均每个周期奖励为 $E[R]$ ，平均周期长度为 $E[Y]$ ，那么长期平均单位时间奖励通常与：

\frac{E[R]}{E[Y]}

有关。

这是一个非常实用的长期平均公式。

3. 观察时刻带来的偏差

3.1 Age 和 residual life

在某个观察时刻 $t$ ，还可以问：

上一次 renewal 到现在已经多久；
距离下一次 renewal 还要多久。

前者叫 age，后者叫 residual life。

在 Poisson process 中，由于 exponential distribution 无记忆，residual life 和已经等待多久没有关系。

但在一般 renewal process 中，二者通常有关。

3.2 Inspection paradox

一个非常有趣的现象是：如果随机选择一个时间点去观察公交车间隔，往往更容易落在一个“较长的间隔”里。

所以随机时刻看到的平均间隔，通常比直接对 inter-arrival times 求平均更长。

这叫 inspection paradox。

它提醒我们：

“随机抽一个事件”与“随机抽一个时间点”产生的分布可能完全不同。

4. 应用

Renewal theory 广泛用于：

机器故障与维修；
设备替换策略；
保险理赔；
通信系统；
交通到达；
库存补货；
可靠性分析。

它特别适合描述“事件不断发生，每次发生以后系统重新开始”的结构。

5. 小结

Poisson process 假设 inter-arrival time 是 exponential distribution，而 renewal process 把它推广到一般分布。

因此 renewal theory 的核心是：

\boxed{\text{研究随机周期不断重复以后，长期会形成什么统计规律}}

它也是从“简单随机到达”走向一般寿命、故障和周期系统的重要一步。