泊松过程很漂亮，但假设也很强：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指数分布怎么办？最自然的推广就是更新过程（renewal process）。
1. 从到达间隔到更新过程
1.1 定义：任意非负到达间隔
设 是相邻事件之间的等待时间，彼此 i.i.d.，但分布可以是任意非负分布，不再限定指数分布。第 次事件发生的时间是 ，到时间 为止发生的事件数是 ，这就是 renewal counting process。
1.2 为什么叫”更新”，以及泊松过程只是特例
“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，每次更换之后系统从概率意义上重新开始，若每台机器寿命 独立同分布，故障／更换次数就形成一个更新过程。若 inter-arrival time 恰好满足 ，更新过程就退化为泊松过程——泊松过程是更新过程的特殊情形，差别在于更新过程不要求等待时间具有无记忆性。
2. 更新过程的核心量：具体算一次
2.1 Renewal function 与长期更新率
定义 renewal function ，表示到时间 为止平均发生多少次更新。若等待时间平均值为 ，长期会有 ：长期平均更新速率等于平均等待时间的倒数。假设某型机器的寿命平均是 4 年（例如寿命在 2 到 6 年之间均匀分布），长期平均更换速率就是 台/年，40 年内大约会更换 台。
2.2 Renewal reward process
如果每次更新伴随一个奖励（或成本），就得到 renewal reward process：每次机器运转带来收益、每次故障产生维修成本、每个客户带来随机收入都是典型例子。若每个周期的平均奖励是 、平均周期长度是 ，长期平均单位时间奖励会趋近 。延续上面的机器例子，若每次更换成本是 500 元、平均寿命 4 年，长期平均每年的更换成本就是 元，不需要逐年模拟，只靠这两个平均数就能算出长期的每年成本。
3. 观察时刻带来的偏差
3.1 Age 与 residual life
在某个观察时刻 ，还可以问”上一次更新到现在已经多久”（age）与”距离下一次更新还要多久”（residual life）。在泊松过程中，由于指数分布无记忆，residual life 跟已经等待多久没有关系；但在一般更新过程中，两者通常有关——已经等待很久，可能代表这次的等待间隔本身就比较长，会影响对剩余等待时间的合理预期。
3.2 检查悖论：具体算一次
一个常违反直觉的现象是：随机选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，这叫检查悖论（inspection paradox）。假设公交车的到站间隔 只有两种可能：5 分钟或 15 分钟，各占一半概率，直接对间隔取平均得到 分钟。但一个在随机时刻抵达车站的乘客，看到的间隔并不是均匀抽样，而是按间隔长度加权抽样——间隔越长，占据的时间越多，随机时刻落在其中的概率也越高，这位乘客实际感受到的平均间隔是 。代入数字：，所以 分钟，比直接对间隔取平均得到的 10 分钟更长。两者的差距正好等于 分钟：间隔长度的方差愈大，检查悖论的效应愈明显，若所有间隔长度都相同（方差为 0），两种平均会完全一致，检查悖论也就消失。“随机抽一个事件”与”随机抽一个时间点”对应的是两种不同的抽样方式，产生的分布可以完全不同。
4. 应用与模型限制
更新理论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、库存补货与可靠性分析，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。它的核心限制跟假设本身直接对应：到达间隔必须独立同分布，如果系统存在老化、磨损累积或维修后状态不如全新（imperfect repair），每次更新后的行为就不再等价，更新过程的长期平均公式也不再适用，需要更一般的模型（例如非齐次或带状态的过程）来描述。
5. 小结
泊松过程假设 inter-arrival time 是指数分布，更新过程把它推广到一般分布，换来的代价是失去无记忆性，换来的好处是能描述更贴近现实的寿命与故障模式。更新函数与长期更新率把”随机重复发生的周期”转换成长期平均速率，renewal reward 进一步把每个周期的奖励或成本转换成长期平均报酬率，而检查悖论提醒我们：观察方式本身会影响看到的统计量，这是研究随机周期重复现象时，从”简单随机到达”走向一般寿命、故障和周期系统之后，必须随时留意的一个陷阱。