如果你还没有 Robert Brown 的新书《植物花粉的显微观察》,那我送你一本。 —— George Eliot《Middlemarch》

3.1 动机

3.1.1 历史背景

早在 1826 年左右 R. Brown 就发现了花粉粒子在水中的不规则运动。他发现

  1. 每个粒子在水中的运动路径非常不规律
  2. 两个粒子的路径之间似乎没有联系

到了 1990 年左右,L. Bachelier 开始用数学工具刻画股市价格变化的波动,他的研究结果后来被 A. Einstein 在 1905 年重新发现并推广。后者是这样研究 Brown 发现的现象的:考虑一个装满水的长管道,在 t=0 时刻我们在 x=0 处注入单位体积的墨水。令 u=u(x,t) 表示在时刻 t>0 时在水管的 x∈R 位置处墨水粒子的密度。因此我们能得到最开始时

u(x,0)=δ0

其中 δ0 是 0 处的 Dirac 质量。接着,假设某个墨水粒子从 x 在短时间 τ 内迁移到 x+y 的概率密度函数是 f(y,τ) ,则有

(3.1)u(x,t+τ)=∫−∞∞u(x−y,t)f(y,τ)dy=∫−∞∞(u−uxy+12uxxy2+⋯)f(y,τ)dy

其中 ux=∂u∂x , uxx=∂2u∂x2 。第二步是将 y 看做主元,变成 ux,t(y) ,然后在 y=0 处展开的结果。由于 f 是概率密度函数,我们知道 ∫−∞∞fdy=1 ;根据对称性,还可以得到 f(−y,τ)=f(y,τ) ,因此 ∫−∞∞yfdy=0 。我们进一步假设 f 的方差关于 τ 是线性的,即存在某个常数 D>0 ,使得

∫−∞∞y2f(y,τ)dy=Dτ

我们把这些都代入 (3.1),得到

u(x,t+τ)=u(x,t)∫−∞∞f(y,τ)dy−ux(x,t)∫−∞∞yf(y,τ)dy+12uxx(x,t)∫−∞∞y2f(y,τ)dy+⋯=u(x,t)+0+Dτ2uxx(x,t)+⋯

我们考虑下面的极限

(3.2)∂u∂t=ut=limτ→0u(x,t+τ)−u(x,t)τ=limτ→0[D2uxx(x,t)+{高阶项}]=D2uxx

这就是所谓的 扩散方程 或是 热传导方程。它是一个偏微分方程,以为初值条件 u(x,0)=δ0 的解是

(3.3)u(x,t)=1(2πDt)1/2e−x22Dt

可见墨水在水管中 t 时刻的分布是 Gauss 分布,均值为 0 ,方差为 Dt 。Einstein 还计算了常数 D 的值:

D=RTNAf,

其中 R 是气体常数, T 是绝对温度, f 是摩擦系数, NA 是 Avogadro 常数。Brown 运动和这个式子一起促成了 J. Perrin 计算 Avogadro 常数的值,对物质的原子理论非常重要。N. Wiener 在 1920 年代将这个问题严格化,他的思想构成了 3.3 至 3.5 节内容的核心。

3.1.2 随机游走

上文中 Einstein 所讨论的问题有一个变种。考虑一个二维方形网格

{(mΔx,nΔt):m=0,±1,±2,…;n=1,2,…}

其中 Δx 和 Δt 都是给定的正数。一个粒子在零时刻位于 x=0 处, nΔt 时刻时,它分别有 12 选择往左走或往右走,到了 (n+1)Δt 时刻到达新的位置。令 p(m,n) 是该粒子在 nΔt 时刻位于 mΔx 的概率,则有

p(m,0)={0m≠01m=0

以及

p(m,n+1)=12p(m−1,n)+12(m+1,n)

因此

p(m,n+1)−p(m,n)=12[p(m+1,n)−2p(m,n)+p(m−1,n)]

此时假设 (Δx)2Δt 是某个正常数 D ,用类似的技法,也有

p(m,n+1)−p(m,n)Δt=D2⋅p(m+1,n)−2p(m,n)+p(m−1,n)(Δx)2

令 Δt→0 , Δx→0 , mΔx→x , nΔt→t ,并保证 (Δx)2Δt=D 不变,我们会发现 p(m,n) 将会收敛到 u(x,t) (因为上式右边取极限后就变成了扩散方程里面的 uxx ),也就是粒子在 t 时刻位置 x 处的概率密度。这样我们又回到了上文的扩散方程。

3.1.3 理论修正

对上述问题中求极限过程更加严谨的讨论需要借助 Laplace-De Moivre 定理。假设每到 nΔt 时刻,粒子以等概率向左或向右移动 Δx 。定义

Sn:=∑i=1nXi$$其中对$i=1,…$,$Xi$满足

\begin{cases} \displaystyle P(X_{i} = 0) = \frac{1}{2} \ \displaystyle P(X_{i} = 1) = \frac{1}{2} \end{cases}

因此$V(Xi)=14$。记$X(t)$为粒子在$t=nΔt$时刻到达的位置,就有$$X(t)=SnΔx+(n−Sn)(−Δx)=(2Sn−n)Δx

其方差为

V(X(t))=(Δx)2V(2Sn−n)=4(Δx)2V(Sn)=4n(Δx)2V(X1)=(Δx)2n=(Δx)2Δtt

假设 (Δx)2Δtt=D ,有

X(t)=(2Sn−n)Δx=[Sn−n/2n/4]nΔx=[Sn−n/2n/4]nΔtD=[Sn−n/2n/4]tD

注意方括号中已经凑成了可以使用 Laplace-De Moivre 定理的形式。我们用它,得到

limn→∞t=nΔt,(Δx)2Δt=DP(a⩽X(t)⩽b)=limn→∞[atD⩽Sn−n/2n/4⩽btD]=12π∫atDbtDe−x2/2dx=12πDt∫abe−x22Dtdx.

这样我们就严格证明了离散网格上的随机游走给定时间下粒子的概率密度是 Gauss 函数。