数一数破了多少纪录，却猜不出最高纪录有多高

设想一个逐日降雨量测量序列。有两个数字可以概括它的极端情况。第一个是最大值：降雨最多的那一天。第二个是纪录次数：有多少次某一天超过了之前所有的日子。最大值就是最后一次纪录。

然而，这两个数字都无法说明峰值是如何达到的。是一段长长的纪录阶梯，每一次都比上一次高一点？还是在长时间的平静之后，一场异乎寻常的暴雨？直觉告诉我们，两者应该相伴而行：一个非常高的最大值，理应需要一路上打破许多次纪录。Satya Majumdar（巴黎-萨克雷大学和法国国家科学研究中心）、Sanjib Sabhapandit（印度拉曼研究所）和Grégory Schehr（索邦大学和法国国家科学研究中心）着手精确计算这种关联。他们指出，最大值和纪录各自都已被研究了几十年，但它们的联合行为却“受到的关注少得惊人”。

一个由n个值组成、含K次纪录（R₁ … R_K）的随机序列；最后一次纪录就是最大值M。纪录之间的间隔ℓ是各纪录的“寿命”。——图1，Majumdar、Sabhapandit和Schehr（2026），arXiv:2610.23217，CC BY 4.0。

恰好毫无关联

先从最简单的情形开始：每个值都独立地从同一个连续分布中抽取，没有空缺也没有尖峰。在这种情况下，纪录已经有一个著名的性质：平均而言，一个由n个值组成的序列包含1 + 1/2 + 1/3 + … + 1/n次纪录，与分布无关。这个数字只按n的对数增长——纪录越来越难打破。

用团队自己的话说，他们的第一个结果“相当惊人，出乎意料”。对于任何这样的序列，无论长度如何，纪录次数K与最大值M都是完全独立的。它们的联合概率可以分解为两个单独概率的乘积。知道打破了多少次纪录，无法告诉你最高纪录有多高，反之亦然。

无雨日改变了一切

真实的降雨并不连续：有些日子根本不下雨。作者用一个无雨日（降雨量为零）的概率q，以及雨天降雨量的一个连续分布来建模。纪录只在雨天中计数。

现在，关联出现了。在雨天天数固定时，这两个量仍然相互独立。是雨天的随机天数把它们联系在了一起。在一段长时间的干旱期内，纪录次数和最大值都无法改变：它们一起被冻结，而这种共同的冻结让它们产生了相关性。对于非常长的序列，这种关联又会减弱。

两种效应相互竞争，结果在一个精确的阈值处发生翻转。当无雨日比例低于临界值q_c时，关联（用协方差衡量）只会随序列变长而减小。高于q_c时，它先增大、达到峰值，然后减小。作者给出了阈值的精确表达式：

q_c = ½(−b + √(b² + 8))，其中b = 1 + 2µ₁/µ₂

这里µ₁和µ₂是由雨天降雨量分布计算出的两个简单平均值。对于服从指数分布的降雨，q_c = (√33 − 5)/2 ≈ 0.372。对于服从均匀分布的降雨，为√6 − 2 ≈ 0.449。他们写道，这一转变的陡峭程度“令人惊讶，而且绝非显而易见”。对于长序列，关联按序列长度的幂律衰减，其指数取决于降雨分布尾部有多“重”，而与q无关。

用德国的降雨来检验

为了检验这一预测，团队使用了德国气象局（Deutscher Wetterdienst）的逐日数据：6105个气象站。为了消除天气在日与日之间的记忆，他们每十三天只保留一天。然后他们组建了两组：

• A组：232个气象站，拥有1974年至2013年的完整记录，约一半日子无雨（q ≈ 0.50）。对其降雨预测的阈值为0.315，因此关联应当先升后降。
• B组：15个无雨日较少的气象站的11月记录（q ≈ 0.23），低于其预测阈值0.28。关联应当只降不升。

理论只用到了实测的无雨日比例和实测的降雨分布，没有任何可调参数。两组都符合预测的形状。

德国降雨数据（蓝色方块）与精确理论（红色）的对比。左：无雨日约占50%的气象站，高于阈值——关联先升后降。右：无雨日占23%的11月数据，低于阈值——关联只降不升。——图3，Majumdar、Sabhapandit和Schehr（2026），arXiv:2610.23217，CC BY 4.0。

真实的降雨还带有从一天到下一天的记忆。作者对带有这种记忆的序列所做的初步研究表明，此时无论记忆有多强，关联总是先升后降——这正是他们接下来希望精确求解的计算，并且要把无雨日也考虑在内。