2026-10-10 · 有限时刻看不见的尖峰

0. 导读与元结构 (Orientation & Meta-structure)

2026 年 10 月 10 日，星期六。 Develata，今天收束函数紧致性微弧，第 3/3 日：前两日从函数族抽出路径，再用积分残差确认它是解；今天不再抽一条曲线，而是抽取整条随机曲线的概率分布。

起点是一个失败：即使任取有限多个固定时刻，观测到的随机向量都收敛，也未必能断言整条路径收敛。越来越窄的尖峰可以避开每一个固定观测点，却仍保持高度一。

对象分层。 $t$ 是时间，$x$ 是一条连续路径，$X_n$ 是以路径为值的随机变量，${\mu }_n$ 是它的概率律。各 $X_n$ 可以定义在不同概率空间上。今日要找的是：给定允许损失的概率 $\eta$，先选一个不依赖 $n$ 的确定紧集 $K_{\eta }$，再使所有 ${\mu }_n$ 都将至少 $1-\eta$ 的质量放进去。

预备与去向。 需一致范数、Arzelà–Ascoli、概率的可数次可加性及并集上界。核心引擎是“给每个连续尺度分配可求和的失败预算 → 交出一个紧集”。研究生延伸才调用 Prokhorov 定理 (Prokhorov theorem)，将紧集控制变成概率律的弱收敛子列。本期是对昨日的桥接，而不是把“抽子列”换个名字重讲。

1. 核心概念、定理与谱系 (Concept, Theorem & Lineage)

1.1 将路径当作一个随机对象

固定

$$E=C([0,1],\mathbb{R}),d(x,y)=\parallel x-y{\parallel }_{\mathrm{\infty }}.$$

每个 $X_n:({\mathrm{\Omega }}_n,{\mathcal{F}}_n,{\mathbb{P}}_n)\to (E,\mathcal{B}(E))$ 均可测。其概率律 (law) 定义为

$$\mathrm{\forall }A\in \mathcal{B}(E),{\mu }_n(A)={\mathbb{P}}_n(X_n\in A).$$

称概率律族 $({\mu }_n{)}_{n\ge 1}$ 紧 (tight)，若

$$\mathrm{\forall }\eta >0\mathrm{\exists }{K}_{\eta }\subset E\text{ 紧}\mathrm{\forall }n\ge 1,{\mu }_n(K_{\eta })\ge 1-\eta .$$

真正的信息在于量词次序：$K_{\eta }$ 可以依赖整个族和 $\eta$，但不能随后依赖 $n$。单个概率律紧，不等于整个族统一紧。

对 $x\in E$、$\delta >0$ 定义连续模量 (modulus of continuity)

$$w(x,\delta )=\underset{\begin{array}{c}s,t\in [0,1]\\ |s-t|\le \delta \end{array}}{sup}|x(t)-x(s)|.$$

每条固定路径满足 $w(x,\delta )\to 0$。但其收敛速度可以因路径而异，这正是概率控制要补充的信息。

1.2 紧性判据：初值不能逃，振荡不能挤进小尺度

定理。 上述概率律族紧，当且仅当同时满足：

(I) 初值一致尾控制。

$$\mathrm{\forall }\eta >0\mathrm{\exists }R=R(\eta )<\mathrm{\infty }\mathrm{\forall }n\ge 1,{\mu }_n\{|x(0)|>R\}<\eta .$$

(M) 概率意义的一致模量控制。

$$\mathrm{\forall }\epsilon >0\mathrm{\forall }\eta >0\mathrm{\exists }\delta =\delta (\epsilon ,\eta )>0\mathrm{\forall }n\ge 1,{\mu }_n\{w(x,\delta )>\epsilon \}<\eta .$$

等价地，$\underset{\delta \downarrow 0}{lim}\underset{n}{sup}{\mu }_n\{w(x,\delta )>\epsilon \}=0$ 对每个 $\epsilon >0$ 成立。

RMK. (M) 并不要求几乎每条路径都满足同一个确定的 Lipschitz 界。它允许少量坏路径，但每个尺度的坏概率必须能统一压低。MIT 课程讲义将 Ascoli 与此类判据接起来，并用于 Wiener 测度构造；下面给出全指标统一版本的自足证明。[1]

1.3 充分性：用可求和预算把无限多个条件同时保住

固定 $0<\eta <1$。由 (I) 选 $R$，使

$$\underset{n}{sup}{\mu }_n\{|x(0)|>R\}<\eta /2.$$

令 $a_j=2^{-j}$。由 (M)，对每个 $j\ge 1$ 选 ${\delta }_j>0$，满足

$$\underset{n}{sup}{\mu }_n\{w(x,{\delta }_j)>a_j\}<\eta 2^{-j-1}.$$

缩小 ${\delta }_j$ 不会增大坏事件，故可额外要求 ${\delta }_j\downarrow 0$。定义

$$K_{\eta }=\{x:|x(0)|\le R\}\cap \bigcap _{j=1}^{\mathrm{\infty }}\{x:w(x,{\delta }_j)\le 2^{-j}\}.$$

先核对概率，再核对几何：

1. 概率质量。 由可数并集上界，对所有 $n$，

$${\mu }_n(K_{\eta }^c)\le {\mu }_n\{|x(0)|>R\}+\sum _{j\ge 1}{\mu }_n\{w(x,{\delta }_j)>2^{-j}\}<\eta .$$

这里没有用独立性。

2. 共同等度连续。 给定 $\epsilon >0$，先选 $j$ 使 $2^{-j}<\epsilon$；则对所有 $x\in K_{\eta }$、所有 $|t-s|\le {\delta }_j$，均有 $|x(t)-x(s)|<\epsilon$。

3. 共同幅度界。 取整数 $m$ 使 $1/m\le {\delta }_1$。从 $0$ 到任意 $t$ 分为 $m$ 个等长小步，每步变化至多 $1/2$，所以

$$\mathrm{\forall }x\in K_{\eta },\parallel x{\parallel }_{\mathrm{\infty }}\le R+m/2.$$

这解释了为何只控制一个初值即可，不必另加整个上确界的尾假设。

4. 闭性。 $x\mapsto x(0)$ 连续，且

$$|w(x,\delta )-w(y,\delta )|\le 2\parallel x-y{\parallel }_{\mathrm{\infty }}.$$

因此上述约束集都闭，其可数交也闭。Ascoli 给出相对紧性，闭性再给出紧性。

于是 $K_{\eta }$ 正是所需的统一承载紧集。不是先对每个尺度各找一个紧集，而是将尺度约束全部装入同一个紧集。

1.4 必要性：紧集内部不能隐藏任意快的振荡

假设 $({\mu }_n)$ 紧。给定 $\eta >0$，选紧集 $K$ 使 $\underset{n}{sup}{\mu }_n(K^c)<\eta$，例如用紧性定义中的预算 $\eta /2$。

连续泛函 $x\mapsto |x(0)|$ 在 $K$ 上有界，故某个 $R$ 使 $\{|x(0)|>R\}\subset K^c$，得到 (I)。

由 Ascoli，紧集 $K$ 一致等度连续。给定 $\epsilon >0$，选足够小的 $\delta$，使 $\underset{x\in K}{sup}w(x,\delta )\le \epsilon$。于是

$$\{x:w(x,\delta )>\epsilon \}\subset K^c,$$

得到 (M)。这也说明缺少初值控制与缺少模量控制是两种不同的逃逸：常值路径 $x_n(t)=n$ 只会触犯前者，第 4 节的尖峰只会触犯后者。

版本说明。 文献常写 $\underset{\delta \downarrow 0}{lim}\underset{n\to \mathrm{\infty }}{lim sup}$。对已经是 $E$ 值随机变量的序列，可以先控制大指标，再用每个固定 $n$ 的 $w(X_n,\delta )\to 0$ 几乎处处，补上有限多个早期指标；取这些尺度的最小值，即回到 (M)。这一步依赖单条路径连续，不能对任意函数空间照搬。

1.5 Graduate extension：紧性负责存在，有限维分布负责身份

弱收敛 (weak convergence) ${\mu }_n\Rightarrow \mu$ 指

$$\mathrm{\forall }F\in C_b(E),{\int }_{E}Fd{\mu }_n⟶{\int }_{E}Fd\mu ,$$

其中 $C_b(E)$ 是所有有界连续实值泛函。

$E$ 是完备可分度量空间，即 Polish space。此处调用、不在本期证明的 Prokhorov 定理说：统一紧的概率律族相对弱紧；特别地，每个序列都有弱收敛子列。主线证明只借 Ascoli 建造了紧集；从紧集跳到概率律抽取，确实还需要这座桥。[1]

给定时刻 $t_1,\dots ,t_k$，评价映射

$${\pi }_{t_1,\dots ,t_k}(x)=(x(t_1),\dots ,x(t_k))$$

连续，故路径律弱收敛蕴含每个这样的有限维联合分布收敛。反向需要紧性：若 ${\mu }_n$ 紧，且所有有限维分布收敛到某个已给定的 $E$ 上概率律 $\mu$ 的对应分布，则 ${\mu }_n\Rightarrow \mu$。

证明架构。 任意子列可再抽出弱极限 $\nu$；评价映射连续，迫使 $\nu$ 与 $\mu$ 的所有有限维分布相同。$C([0,1])$ 的 Borel $\sigma$-代数由有理时刻评价生成，因此 $\nu =\mu$。所有子列的可能弱极限都相同，再用“坏子列 → 紧致抽取”的反证，得到整列收敛。

生成性也有具体理由：连续函数间的上确界距离等于有理时刻距离的上确界，故范数闭球是可数个坐标约束的交；开球可写成半径较小闭球的可数并，而 $E$ 可分使开集由可数基生成。概率律在有限维柱集上一致，再由概率测度唯一性定理推广至整个 Borel 代数。

这条谱系是

$$\text{Ascoli 的路径紧集}⟶\text{高概率统一承载}⟶\text{Prokhorov 抽取概率律}⟶\text{有限维分布识别}.$$

它通向 Donsker 不变原理 (Donsker invariance principle)，但本期没有证明随机游走所需的模量估计，不能仅凭这张地图宣布已证明该原理。

2. 固定模板习题 (Template Exercise)

题目

设实值随机过程 $Y(t)$ 满足：存在 $p,\beta ,C>0$，对任意 $s,t\in [0,1]$，

$$\mathbb{E}|Y(t)-Y(s){|}^p\le C|t-s{|}^{1+\beta }.$$

不预设增量独立。固定 $0<\gamma <\beta /p$，定义第 $m$ 级二进网格最大相邻增量

$$D_m=\underset{0\le k<2^m}{max}|Y((k+1)2^{-m})-Y(k{2}^{-m})|.$$

证明：对每个 $\lambda >0$、整数 $M\ge 0$，

$$\mathbb{P}(\mathrm{\exists }m\ge M:D_m>\lambda 2^{-\gamma m})\le \frac{C{\lambda }^{-p}{2}^{-M(\beta -p\gamma )}}{1-2^{-(\beta -p\gamma )}}.$$

并说明在 $p=4,\beta =1$ 时，为什么此估计要求 $\gamma <1/4$，而非仅要求 $\gamma <1$。

模板识别

“许多增量的最大值 + 已知矩估计”提示 Markov 不等式 + 并集上界 + 几何级数。先估计一个增量，再数网格边数；最后才跨尺度求和。题目只要求网格事件估计，不要求你凭空推出全路径连续性。

分级提示

1. 对单条网格边，阈值的 $p$ 次方与时间步长的 $1+\beta$ 次方分别贡献什么指数？
2. 第 $m$ 层有 $2^m$ 条边；这个数量会吃掉矩估计中的一个衰减因子。
3. 将剩余指数记为 $a$。跨全部 $m\ge M$ 求和何时有限？为什么没有任何一步需要事件独立？

3. 大家之言 (Mathematician in Their Own Words)

语境。 Terence Tao 在本人博客 What's New 的 Career Advice 文章 There’s more to mathematics than rigour and proofs 中，提出从前严谨、严谨到后严谨的学习图景。当前取回正文未给出可确认的原始发布日期，本期不为它补日期。这是数学家本人撰写的方法反思，不是采访转述。[2]

“The ideal state to reach is when every heuristic argument naturally suggests its rigorous counterpart, and vice versa.”

中译。 “理想的状态是：每一个启发式论证都自然提示其严格对应物，反之亦然。”

转述（paraphrase）。 Tao 强调严谨性的目的不是消灭直觉，而是排除坏直觉、澄清并提升好直觉；熟练掌握形式推理后，应重新检查和修炼早先的直觉，而非将它们全数丢弃。

本文评论。 今日要淘汰的直觉是：“看过任意有限多个时刻，应该已经看见整条曲线。”第 4 节不只是说它不够严谨，而是用一个恒高尖峰说明到底遗漏了什么：观测时刻固定之后，尖峰仍能躲进更细的尺度。

值得保留并严格化的直觉则是：“大部分路径不能在任意小尺度上突然跳动。”它的严格对应物不是每条路径各有连续模量，而是 (M) 的量词顺序；要让全部尺度同时成立，还需将坏概率预算取成可求和数列。图景提示该控制什么，量词与预算解释如何同时控制。

因此“后严谨”不等于省略证明，而是看到一幅图时能指出所需的不等式，看到一串量词时能解释它排除了哪种失败。本期以这一具体接口应用 Tao 的观点，不把此处的路径概率论例子冒称为他的原例。

4. 反例与边界 (Counterexample & Boundary)

对整数 $n\ge 2$ 定义确定性连续路径

$$f_n(t)=max\{1-4n|t-1/n|,0\},0\le t\le 1,$$

并取路径概率律 ${\mu }_n={\delta }_{f_n}$。这是中心 $1/n$、高度 $1$、半宽 $1/(4n)$ 的三角尖峰。

逐项核对。

1. 每条路径连续，且初值固定。 绝对值、仿射变换与取正部均连续；$f_n(0)=0$。因此 (I) 成立。
2. 支撑收缩到零附近，但不碰零。 非零区域为 $(3/(4n),5/(4n))$，闭支撑为相应闭区间，整个区间位于 $[0,1]$。
3. 每个固定时刻都看见零极限。 $t=0$ 时恒为零；固定 $t>0$ 后，当 $n>5/(4t)$，有 $f_n(t)=0$。所以任取有限多个固定时刻，取各自阈值的最大值后，联合向量都恰为零。所有有限维分布收敛到零路径的对应分布。
4. 一致距离却始终为一。 $f_n(1/n)=1$，故 $\parallel f_n{\parallel }_{\mathrm{\infty }}=1$，不能一致收敛到零。
5. 概率模量条件确切失败。 给定任意 $\delta >0$，取 $n$ 足够大使 $1/(4n)\le \delta$。中心与左支撑端点的时间差为 $1/(4n)$、函数值差为 $1$，所以

$$w(f_n,\delta )=1,\underset{n\ge 2}{sup}{\mu }_n\{w(x,\delta )>1/2\}=1.$$

因此 (M) 失败，由判据知路径律族不紧。

还可直接用有界连续泛函证伪目标弱收敛。取

$$F(x)=min\{1,\parallel x{\parallel }_{\mathrm{\infty }}\}.$$

则 $\int Fd{\mu }_n=1$，而 $\int Fd{\delta }_0=0$。因此 ${\mu }_n\nRightarrow {\delta }_0$。若有弱收敛子列，其有限维分布会迫使极限为 ${\delta }_0$，又与这个泛函矛盾；所以连弱收敛子列都不存在。

边界结论。 本例甚至不是“一维分布遗漏相关性”那么弱：它通过了所有有限维联合分布的检验，仍然丢失整条曲线的信息。缺口恰在微小时间尺度上的峰，而非某个未检查的固定时刻。这里全为显式解析验算，无需用图片或模拟替代证明。

5. 今日一问与数学地图 (Question & Map)

今日一问。 设 $(X_n)$ 是连续路径随机变量，$(X_n(0))$ 的概率律紧，并且存在统一常数 $p,\beta ,C>0$，使

$$\mathrm{\forall }n\ge 1\mathrm{\forall }s,t\in [0,1],\mathbb{E}|X_n(t)-X_n(s){|}^p\le C|t-s{|}^{1+\beta }.$$

能否从第 2 节的网格估计推出 $(\mathcal{L}(X_n))$ 在 $C([0,1])$ 中紧？最关键的缺失步骤是什么：如何将所有二进相邻增量的好事件，转成任意两个邻近实数时刻的连续模量界？

方向提示。 不要对不可数多个 $(s,t)$ 直接做并集上界。先在不同尺度上逼近两个端点，用二进链式估计 (dyadic chaining) 将误差写成几何级数，再利用路径连续性处理极限。这里只给桥的入口，保留完整证明空间。

数学地图。

• 已有：一致范数与 Ascoli → 确定性函数族紧致 → 昨日的 Peano 近似解闭合。
• 今日：概率尾预算 + 全尺度模量 → 路径律紧性 → Prokhorov 弱极限。
• 近邻：矩增量估计与 Kolmogorov 连续性判据；须区分“构造连续修改”与“已有连续路径族的统一紧性”。
• 去向：有限维极限识别 + 紧性 → 随机过程的泛函极限定理；例如随机游走通向 Wiener 测度。
• 研究连接：路径空间大偏差需要更强的指数紧性 (exponential tightness)，即坏集概率在指定速度下指数衰减，而非仅能压到任意固定 $\eta$。今日的预算构造可提供方法动机，却不是指数紧性的现成证明。

微弧结语。 第一天问哪些路径能留下来；第二天问留下的是不是解；第三天问哪些路径集合能承载几乎全部概率，以及留下的概率律是谁。几何紧性、方程闭合与概率识别各司其职。

附录 A：习题完整解答 (Full Solution)

展开完整解答

可复用模板：单项矩尾界 → 有限并集计数 → 可数尺度求和。

记 ${\mathrm{\Delta }}_{m,k}=Y((k+1)2^{-m})-Y(k{2}^{-m})$。对每个 $m\ge 0$、$0\le k<2^m$，由 Markov 不等式，

$$\begin{array}{rl}\mathbb{P}(|{\mathrm{\Delta }}_{m,k}|>\lambda 2^{-\gamma m})& \le \frac{\mathbb{E}|{\mathrm{\Delta }}_{m,k}{|}^p}{{\lambda }^p{2}^{-p\gamma m}}\\ & \le C{\lambda }^{-p}{2}^{-m(1+\beta -p\gamma )}.\end{array}$$

若 $D_m$ 超过阈值，至少一条边的增量超过阈值。因此

$$\mathbb{P}(D_m>\lambda 2^{-\gamma m})\le \sum _{k=0}^{2^m-1}\mathbb{P}(|{\mathrm{\Delta }}_{m,k}|>\lambda 2^{-\gamma m})\le C{\lambda }^{-p}{2}^{-m(\beta -p\gamma )}.$$

令 $a=\beta -p\gamma >0$，再次用可数并集上界及几何级数公式：

$$\begin{array}{rl}\mathbb{P}(\mathrm{\exists }m\ge M:D_m>\lambda 2^{-\gamma m})& \le C{\lambda }^{-p}\sum _{m=M}^{\mathrm{\infty }}{2}^{-ma}\\ & =\frac{C{\lambda }^{-p}{2}^{-Ma}}{1-2^{-a}}.\end{array}$$

每一步只用矩界和并集上界，增量可以相关。

当 $p=4,\beta =1$ 时，单边估计的指数为 $2-4\gamma$；计入 $2^m$ 条边后，只剩 $1-4\gamma$。为使跨尺度几何级数收敛，必须取 $\gamma <1/4$。这是当前估计方法的充分范围，不是声称所有满足该矩条件的过程都不可能具有更好的正则性。在临界 $\gamma =1/4$，此上界失去衰减；不能由证明失效推出命题必假。

所得结论只约束二进网格上的增量。要转成全路径模量，还须完成第 5 节提出的链式论证，并使用连续路径假设或另行构造连续修改。

资料与来源 (Sources)

1. L2／大学官方课程讲义。 MIT OpenCourseWare，6.265/15.070J Advanced Stochastic Processes, Fall 2013，Lecture 21，讲义正文题为 Functional Law of Large Numbers. Construction of the Wiener Measure，日期 11/27/2013。本期使用 p. 2 的 Ascoli—紧性判据及 pp. 5–9 的“紧性抽取—有限维识别”架构。讲义／PDF 提取中的集合下标与阈值有不一致之处，本期没有照抄该行，而是明确构造 $w(x,{\delta }_j)\le 2^{-j}$ 并完整证明；这里统一采用全指标紧性定义。 https://ocw.mit.edu/courses/15-070j-advanced-stochastic-processes-fall-2013/47c18ebc5d68ab0e2fdb9e39e1a4b0ac_MIT15_070JF13_Lec21.pdf

2. L2／作者第一人称方法论文章。 Terence Tao，There’s more to mathematics than rigour and proofs，What's New, Career Advice。当前页面原始发布日期未确认。引句取自主文讨论启发与严格论证对应的段落；未引用评论区或嵌入的其他作者文字。 https://terrytao.wordpress.com/career-advice/theres-more-to-mathematics-than-rigour-and-proofs/

3. L1／明确接续的本刊档案。 2026-10-09，折线为何能长成解：Peano 存在定理、积分残差与唯一性的缺口。本期回应其最后提出的“从确定性路径集合转到路径空间概率律”，增量为概率承载与极限识别。 本地路径：/opt/data/output/daily-mathematics-journal/2026/10/2026-10-09.md。

4. L1／Ascoli 的直接前驱。 2026-10-08，有限采样何时控制整条曲线：Arzelà–Ascoli 定理与共同连续模量。本期使用其确定性判据，不重证有限网格逼近；新增“可求和坏事件 → 高概率共同紧集”。对照阅读同时确认，2026-07-18 的度量紧致性基础并未展开今日的路径概率律判据。元数据引用 analysis.compactness 表示对这一既有主题的明确桥接，不将其假装成全新主题。 本地路径：/opt/data/output/daily-mathematics-journal/2026/10/2026-10-08.md；/opt/data/output/daily-mathematics-journal/2026/07/2026-07-18.md。

核验与发现覆盖。 本期核验截至 2026-10-10（Asia/Shanghai）；不是限定过去 24 小时的新闻综述。预运行 RSS 同日刷新回执成功，平衡投影含 6 个来源、9 条线索，其中一条机构线索状态为 failed；刷新汇总也记录一次正文抓取失败，不能宣称所有正文抓取成功。本文实际打开了上述 Tao 原文及 MIT PDF，并曾打开但未采用 Hales 的当日客座文章；未把 RSS 标题、发现时间或摘要当作证据。数学结论以文内解析证明及明确标注的外部定理为依据；没有声称运行数值实验或形式证明器。