重对数律：随机游走波动边界的精确刻画
重对数律 （Law of the Iterated Logarithm，简称 LIL）是概率论中刻画随机波动上界 的极限定理。它位于强大数律 与中心极限定理 之间的"精细尺度"上：强大数律给出部分和以 n n n n \sqrt{n} n 几乎必然边界 ——其量级为 2 n log log n \sqrt{2n\log\log n} 2 n log log n 柯尔莫哥洛夫 （Kolmogorov，1929）推广至更一般的独立随机变量序列。
经典形式
设 { X n } \{X_n\} { X n } E [ X 1 ] = 0 \mathbb{E}[X_1]=0 E [ X 1 ] = 0 E [ X 1 2 ] = σ 2 \mathbb{E}[X_1^2]=\sigma^2 E [ X 1 2 ] = σ 2 S n = ∑ i = 1 n X i S_n=\sum_{i=1}^n X_i S n = ∑ i = 1 n X i
lim sup n → ∞ S n 2 n log log n = σ , lim inf n → ∞ S n 2 n log log n = − σ 几乎必然 . \limsup_{n\to\infty}\frac{S_n}{\sqrt{2n\log\log n}} = \sigma,\quad
\liminf_{n\to\infty}\frac{S_n}{\sqrt{2n\log\log n}} = -\sigma \quad\text{几乎必然}. n → ∞ lim sup 2 n log log n S n = σ , n → ∞ lim inf 2 n log log n S n = − σ 几乎必然 . 其中 log log n \log\log n log log n σ \sigma σ − σ -\sigma − σ S n S_n S n ± 2 n log log n \pm\sqrt{2n\log\log n} ± 2 n log log n
与相关定理的关系
强大数律回答"平均收敛到哪里"，中心极限定理回答"标准化后如何分布"，而重对数律回答"极端波动有多大"。三者分别从几乎必然收敛、分布收敛和路径波动边界 三个层次描述了随机和的渐近行为，构成了概率论中从"宏观"到"微观"的完整谱系。
布朗运动的版本
对于标准布朗运动 { B ( t ) } \{B(t)\} { B ( t )}
lim sup t → ∞ B ( t ) 2 t log log t = 1 , lim inf t → ∞ B ( t ) 2 t log log t = − 1 几乎必然 . \limsup_{t\to\infty}\frac{B(t)}{\sqrt{2t\log\log t}} = 1,\quad
\liminf_{t\to\infty}\frac{B(t)}{\sqrt{2t\log\log t}} = -1\quad\text{几乎必然}. t → ∞ lim sup 2 t log log t B ( t ) = 1 , t → ∞ lim inf 2 t log log t B ( t ) = − 1 几乎必然 . 这表明布朗运动的长期波动被 2 t log log t \sqrt{2t\log\log t} 2 t log log t
应用与推广
柯尔莫哥洛夫将 LIL 推广至非同分布情形。在现代统计学中，LIL 用于分析极大似然估计的几乎必然收敛速率 、模型选择 准则的一致性和非参数估计 的边界性质。在随机优化与在线学习中，LIL 为随机梯度下降的极端波动提供了理论阈值，指导学习率选择。在金融高频数据中，LIL 为价格跳跃检测提供了理论参考边界 。
斯特拉森（Strassen，1964）进一步建立了函数形式的 LIL ，从函数空间角度深化了对重对数律的理解。重对数律已成为概率论、数理统计和机器学习等领域的基础性工具 。
\endinput
关于知经 KNOWECON
知经 KNOWECON 是深圳市卢可教育科技有限公司旗下的教育科技品牌，长期面向北京大学、清华大学、中国人民大学等顶尖院校，提供经济学、金融学、统计学、管理学等相关科目的专业课考研辅导与复试辅导。每年都有数十名同学在我们的帮助下完成系统备考，并成功进入理想院校。
知经主讲人喵喵学长毕业于北京大学汇丰商学院经济学专业和新加坡国立大学金融工程专业，获经济学硕士与金融工程硕士学位。他同时也是软件工程师和教育科技创业者，长期探索用讲义、题库、记忆系统、智能答疑与学习数据工具改善专业课学习体验。
我们相信，好的考研辅导不只是押题和陪跑，更是把复杂知识讲清楚、把复习路径设计清楚，并用技术让学习过程更可追踪、更可反馈、更可坚持。