隨機過程 10：更新過程

泊松過程很漂亮，但假設也很強：相鄰事件之間的等待時間必須服從指數分佈。如果現實中的等待時間不是指數分佈怎麼辦？最自然的推廣就是更新過程（renewal process）。

1. 從到達間隔到更新過程

1.1 定義：任意非負到達間隔

設 $Y_1,Y_2,\dots$ 是相鄰事件之間的等待時間，彼此 i.i.d.，但分佈可以是任意非負分佈，不再限定指數分佈。第 $n$ 次事件發生的時間是 $S_n=Y_1+\cdots+Y_n$，到時間 $t$ 為止發生的事件數是 $N(t)=\max\{n:S_n\le t\}$，這就是 renewal counting process。

1.2 為什麼叫「更新」，以及泊松過程只是特例

「Renewal」可以理解成「更新、重新開始」：例如機器每次壞掉以後立即換成一台全新的機器，每次更換之後系統從機率意義上重新開始，若每台機器壽命 $Y_i$ 獨立同分佈，故障／更換次數就形成一個更新過程。若 inter-arrival time 恰好滿足 $Y_i\sim\operatorname{Exponential}(\lambda)$，更新過程就退化為泊松過程——泊松過程是更新過程的特殊情形，差別在於更新過程不要求等待時間具有無記憶性。

2. 更新過程的核心量：具體算一次

2.1 Renewal function 與長期更新率

定義 renewal function $m(t)=E[N(t)]$，表示到時間 $t$ 為止平均發生多少次更新。若等待時間平均值為 $\mu=E[Y_1]$，長期會有 $N(t)/t\to1/\mu$：長期平均更新速率等於平均等待時間的倒數。假設某型機器的壽命平均是 4 年（例如壽命在 2 到 6 年之間均勻分佈），長期平均更換速率就是 $1/4$ 台/年，40 年內大約會更換 $40\times(1/4)=10$ 台。

2.2 Renewal reward process

如果每次更新伴隨一個獎勵（或成本）$R_i$，就得到 renewal reward process：每次機器運轉帶來收益、每次故障產生維修成本、每個客戶帶來隨機收入都是典型例子。若每個週期的平均獎勵是 $E[R]$、平均週期長度是 $E[Y]$，長期平均單位時間獎勵會趨近 $E[R]/E[Y]$。延續上面的機器例子，若每次更換成本是 500 元、平均壽命 4 年，長期平均每年的更換成本就是 $500/4=125$ 元，不需要逐年模擬，只靠這兩個平均數就能算出長期的每年成本。

3. 觀察時刻帶來的偏差

3.1 Age 與 residual life

在某個觀察時刻 $t$，還可以問「上一次更新到現在已經多久」（age）與「距離下一次更新還要多久」（residual life）。在泊松過程中，由於指數分佈無記憶，residual life 跟已經等待多久沒有關係；但在一般更新過程中，兩者通常有關——已經等待很久，可能代表這次的等待間隔本身就比較長，會影響對剩餘等待時間的合理預期。

3.2 檢查悖論：具體算一次

一個常違反直覺的現象是：隨機選一個時間點去觀察公車間隔，往往更容易落在一個「較長的間隔」裡，這叫檢查悖論（inspection paradox）。假設公車的到站間隔 $Y$ 只有兩種可能：5 分鐘或 15 分鐘，各佔一半機率，直接對間隔取平均得到 $E[Y]=10$ 分鐘。但一個在隨機時刻抵達車站的乘客，看到的間隔並不是均勻抽樣，而是按間隔長度加權抽樣——間隔越長，佔據的時間越多，隨機時刻落在其中的機率也越高，這位乘客實際感受到的平均間隔是 $E[Y^2]/E[Y]$。代入數字：$E[Y^2]=0.5\times25+0.5\times225=125$，所以 $E[Y^2]/E[Y]=125/10=12.5$ 分鐘，比直接對間隔取平均得到的 10 分鐘更長。兩者的差距正好等於 $\operatorname{Var}(Y)/E[Y]=25/10=2.5$ 分鐘：間隔長度的變異數愈大，檢查悖論的效應愈明顯，若所有間隔長度都相同（變異數為 0），兩種平均會完全一致，檢查悖論也就消失。「隨機抽一個事件」與「隨機抽一個時間點」對應的是兩種不同的抽樣方式，產生的分佈可以完全不同。

4. 應用與模型限制

更新理論廣泛用於機器故障與維修、設備替換策略、保險理賠、通訊系統、交通到達、庫存補貨與可靠性分析，特別適合描述「事件不斷發生，每次發生以後系統重新開始」的結構。它的核心限制跟假設本身直接對應：到達間隔必須獨立同分佈，如果系統存在老化、磨損累積或維修後狀態不如全新（imperfect repair），每次更新後的行為就不再等價，更新過程的長期平均公式也不再適用，需要更一般的模型（例如非齊次或帶狀態的過程）來描述。

5. 小結

泊松過程假設 inter-arrival time 是指數分佈，更新過程把它推廣到一般分佈，換來的代價是失去無記憶性，換來的好處是能描述更貼近現實的壽命與故障模式。更新函數與長期更新率把「隨機重複發生的週期」轉換成長期平均速率，renewal reward 進一步把每個週期的獎勵或成本轉換成長期平均報酬率，而檢查悖論提醒我們：觀察方式本身會影響看到的統計量，這是研究隨機週期重複現象時，從「簡單隨機到達」走向一般壽命、故障和週期系統之後，必須隨時留意的一個陷阱。