跳转至

第 3 章 Brown 运动与"白噪声"（Brownian Motion and "White Noise"）

作者

Lawrence C. Evans，UC Berkeley 数学系教授。本章是全书技术核心的前半段——把"白噪声" \(\xi(\cdot)\) 这一 Ch 1 中形式上引入的抽象对象落实为可严格构造的 Wiener 过程 \(W(\cdot)\)，并刻画其轨道性质（连续、不可微、Markov 性）。

内容概述

本章分四节，按"动机 → 构造 → 性质 → Markov 性"的逻辑展开。第 A 节从历史和物理背景出发：Brown 1826 年观察花粉颗粒在水中的不规则运动，路径无切线、不同颗粒运动独立；Bachelier 1900 年试图用数学描述股票价格波动；Einstein 1905 年用扩散方程描述墨水在水中扩散，把 Brown 运动密度 \(f(x,t)\) 与扩散方程 \(f_t = (D/2) f_{xx}\) 联系起来，并计算扩散系数 \(D = RT/(N_A f)\)（含 Avogadro 常数 \(N_A\)）。Perrin 用这一关系通过实验测定 \(N_A \approx 6 \times 10^{23}\)，确认了物质原子论。N. Wiener 1920s 把这套理论放到严格的数学基础上。Einstein 论证的随机游走版本（中心化 + 缩放）通过 Laplace–DeMoivre 定理（Ch 2 §G）严格给出 \(\mathcal{N}(0, tD)\) 极限。基于此，Evans 给出 Wiener 过程的正式定义：\(W(0)=0\) a.s.；\(W(t) - W(s) \sim \mathcal{N}(0, t-s)\)；独立增量。

第 B 节给出 Brown 运动的严格构造——Lévy–Ciesielski 方法。核心想法：把"白噪声"形式展开为 \(L^2(0,1)\) 上正交基 \(\xi(t) = \sum_n A_n \psi_n(t)\)，其中 \(A_n\) 应是独立 \(\mathcal{N}(0,1)\) 随机变量；积分后 \(W(t) = \sum_n A_n s_n(t)\)，\(s_n\) 是 \(\psi_n\) 的积分（即 Schauder 函数）。选 Haar 函数作正交基（§B 给出构造）：\(h_0 = 1\)、\(h_1\) 是 \([0,1/2]\) 取 \(1\)、\((1/2,1]\) 取 \(-1\)、\(h_k\)（\(2^n \le k < 2^{n+1}\)）是 \(2^{n/2}\) 倍的局部"高低块"。Schauder 函数 \(s_k(t) = \int_0^t h_k(s) ds\) 满足 \(\max |s_k| = 2^{-n/2-1}\)、支撑宽度 \(2^{-n}\)，且支撑两两不交（\(2^n \le k < 2^{n+1}\) 内部）。三个引理合力完成构造：Lemma 2（Schader 函数级数 \(|a_k| = O(k^\delta)\) 对 \(\delta < 1/2\) 一致收敛）+ Lemma 3（\(|A_k| = O(\sqrt{\log k})\) a.s.，用 Gaussian 尾巴 + Borel–Cantelli）+ Lemma 4（\(\sum s_k(s) s_k(t) = s \wedge t\)，刻画协方差结构）。最后用特征函数计算 \(\mathbb{E}(e^{i\lambda(W(t)-W(s))}) = e^{-\lambda^2(t-s)/2}\)，验证 Gaussian 增量；用联合特征函数（多元独立乘积）验证独立增量；通过可数拼接把 \([0,1]\) 推广到 \([0,\infty)\)。第 B 末尾给出 \(n\) 维 Wiener 过程的定义（\(n\) 个独立 1 维 Wiener 过程的组合）和协方差公式 \(\mathbb{E}(W^k(t) W^l(s)) = (t \wedge s) \delta_{kl}\)。

第 C 节刻画样本路径性质。两部分：(1) 连续性 + Hölder 连续性：Kolmogorov 连续性定理——若 \(\mathbb{E}(|X(t) - X(s)|^\beta) \le C|t-s|^{1+\alpha}\)，则 \(X\) 的几乎所有轨道在任意 \([0,T]\) 上一致 Hölder 连续，指数为 \(\gamma < \alpha/\beta\)。应用到 Brown 运动：\(\mathbb{E}(|W(t)-W(s)|^{2m}) = C_m |t-s|^m\)（用 Gaussian 矩），对每个 \(m\) 取 \(\beta = 2m, \alpha = m-1\) 得 \(\gamma < 1/2\)。故 a.s. 一致 Hölder 连续指数任意 \(\gamma < 1/2\)。(2) 不可微性：Dvoretzky–Erdös–Kakutani 证明：若 \(W\) 在某点 Hölder 指数 \(\gamma > 1/2\)，则存在 \(N\) 使 \(N(\gamma - 1/2) > 1\) 且 \(|W(j/n) - W((j+1)/n)| \le Mn^{-\gamma}\) 对 \(N\) 个连续 \(j\) 成立；但 Gaussian 集中估计给出 \(P(|W(1/n)| \le Mn^{-\gamma}) \le Cn^{1/2-\gamma}\)，\(N\) 个独立事件的联合概率是 \(C^N n^{N(1/2-\gamma)}\)，乘 \(n\)（有 \(n\) 个候选起点）后极限为 0。故 a.s. 处处非 Hölder（指数 \(> 1/2\)），特别地 a.s. 处处不可微 + 每个子区间上全变差无穷大。

第 D 节给出 Markov 性：Markov 过程定义为 \(P(X(t) \in B | \mathcal{U}(s)) = P(X(t) \in B | X(s))\) a.s.——"已知当前，未来分布与过去无关"。Brown 运动是 Markov 过程，转移概率为 \(\mathcal{N}(W(s), (t-s)I)\)，即 \(P(W(t) \in B | W(s)) = \int_B (2\pi(t-s))^{-n/2} e^{-|x-W(s)|^2/2(t-s)} dx\)。证明依赖 Ch 2 §H 条件期望的 \(\mathcal{U}(W(s))\)-可测性。Markov 性直观上"解释"了不可微性——Brown 运动"记不得"如何到达某点，所以无法形成切线。

阅读本章需要 Ch 2 全部内容（σ-代数、独立性、特征函数、条件期望），加上 Fourier 分析基础（Lemma 4 中 \(\sum s_k s_k = s \wedge t\) 的协方差结构用到 Schauder 函数的完备性，与 \(L^2(0,1)\) 上 Fourier 级数有同构关系）。构造部分涉及的实分析细节（Schauder 函数支撑、Hölder 连续性 dyadic 论证）可以先放一放，看懂主定理陈述与证明思路即可。

核心方程与概念

关键定义（3.1）——Wiener 过程（1 维）

实值随机过程 \(W(\cdot)\) 称为 Brown 运动或 Wiener 过程，若 (i) \(W(0) = 0\) a.s.；(ii) \(W(t) - W(s) \sim \mathcal{N}(0, t-s)\) 对所有 \(t \ge s \ge 0\)；(iii) 对所有 \(0 < t_1 < t_2 < \cdots < t_n\)，随机变量 \(W(t_1), W(t_2) - W(t_1), \ldots, W(t_n) - W(t_{n-1})\) 独立（"独立增量"）。直接推论：\(\mathbb{E}(W(t)) = 0\)、\(\mathbb{E}(W^2(t)) = t\)、协方差 \(\mathbb{E}(W(t) W(s)) = t \wedge s\)（Ch 2 §H 中条件期望协方差的标准计算）。

关键方程（3.2）——Einstein 扩散方程

墨水密度 \(f(x,t)\) 满足

\[f_t = \frac{D}{2} f_{xx}, \quad f(x, 0) = \delta_0,\]

解为

\[f(x, t) = \frac{1}{\sqrt{2\pi Dt}} e^{-x^2/2Dt},\]

即 \(\mathcal{N}(0, Dt)\)。这是 Brown 运动概率密度的等价描述。

关键概念（3.3）——"白噪声"作为 \(\xi = \dot W\) 的协方差刻画

Wiener 过程 a.s. 处处不可微，所以 \(\dot W\) 不存在。但 \(\xi = \dot W\) 在分布意义下仍然有定义——它应满足

\[\mathbb{E}(\xi(t) \xi(s)) = \delta_0(t - s).\]

"形式证明"：\(\mathbb{E}\bigl(\frac{W(t+h)-W(t)}{h} \cdot \frac{W(s+h)-W(s)}{h}\bigr) = \frac{1}{h^2}\bigl[(t+h) \wedge (s+h) - (t+h) \wedge s - t \wedge (s+h) + t \wedge s\bigr]\)；对 \(t \ne s\) 取 \(h \to 0\) 得 0；总积分为 1（\(\int \phi_h = 1\)）。这正是 \(\delta_0(t-s)\) 的逼近形式。

关键概念（3.4）——白噪声的频谱平坦性

宽平稳过程 \(X(\cdot)\) 的频谱密度 \(f(\lambda) = \frac{1}{2\pi}\int e^{-i\lambda t} c(t) dt\)，其中 \(c(t-s) = \mathbb{E}(X(t)X(s))\)。白噪声 \(c(t) = \delta_0\) 对应 \(f(\lambda) = \frac{1}{2\pi}\)（常数），即"所有频率贡献相等"——类比白光由所有颜色光等量混合而成。这一命名学来源是物理学家。

关键构造（3.5）——Lévy–Ciesielski（Haar + Schauder 展开）

Haar 函数 \(\{h_k\}_{k \ge 0}\) 是 \(L^2(0,1)\) 的完备正交基：\(h_0 = 1\)（区间 \([0,1]\)），\(h_1\) 是 \(1/2\) 处跳变 \(\pm 1\)，\(h_k\)（\(2^n \le k < 2^{n+1}\)）是 \(2^{n/2}\) 缩放的"阶梯块"，宽度 \(2^{-n-1}\)。Schauder 函数 \(s_k(t) = \int_0^t h_k(\tau) d\tau\) 是 Schauder 基函数；\(\max |s_k| = 2^{-n/2-1}\)，支撑宽度 \(2^{-n}\)，\(2^n \le k < 2^{n+1}\) 内部 \(s_k\) 支撑两两不交。

构造：取 \(\{A_k\}_{k \ge 0}\) 独立 \(\mathcal{N}(0,1)\) 随机变量（在同一概率空间 \((\Omega, \mathcal{U}, P)\) 上），定义

\[W(t, \omega) = \sum_{k=0}^\infty A_k(\omega) s_k(t), \quad 0 \le t \le 1.\]

收敛性三步骤： 1. Lemma 2（代数层）：若 \(|a_k| = O(k^\delta)\)，\(\delta < 1/2\)，则 \(\sum a_k s_k(t)\) 一致收敛。证明用 \(2^n \le k < 2^{n+1}\) 内部 \(s_k\) 支撑不交 + \(\max |s_k| = 2^{-n/2-1}\)，得 \(|a_k s_k| \le C(2^{n+1})^\delta \cdot 2^{-n/2-1}\)，\(n \to \infty\) 时趋于 0（因为 \(\delta < 1/2\)）。 2. Lemma 3（概率层）：独立 \(\mathcal{N}(0,1)\) 序列 \(\{A_k\}\) 满足 \(|A_k| = O(\sqrt{\log k})\) a.s.。证明用 \(P(|A_k| \ge 4\sqrt{\log k}) \le C/k^4\)，配合 Borel–Cantelli（Ch 2 §E）得 i.o. 不发生。 3. 综合：把 Lemma 3 的 \(O(\sqrt{\log k})\) 代入 Lemma 2 的 \(\delta < 1/2\) 条件，得 \(W(t, \omega)\) 关于 \(t\) 一致收敛 a.s.。

关键 Lemma 4——协方差结构：

\[\sum_{k=0}^\infty s_k(s) s_k(t) = s \wedge t = \min\{s, t\}, \quad 0 \le s, t \le 1.\]

这是构造中"协方差正确"的核心等式；它把 Schauder 基与 Brown 运动协方差函数 \(t \wedge s\) 联系起来。证明用 Haar 基的完备性（Lemma 1）：阶梯函数 \(\phi_t(\tau) = 1\) 若 \(\tau \le t\)、\(0\) 否则，展开为 \(\phi_t = \sum a_k h_k\) 其中 \(a_k = \int_0^1 \phi_t h_k = \int_0^t h_k = s_k(t)\)；于是 \(s = \int_0^1 \phi_s \phi_t d\tau = \sum_k s_k(s) s_k(t)\)（Parseval）。

关键定理（3.6）——Brown 运动存在性

设 \((\Omega, \mathcal{U}, P)\) 上有可数个独立 \(\mathcal{N}(0,1)\) 随机变量 \(\{A_n\}_{n=1}^\infty\)，则存在 1 维 Brown 运动 \(W(\cdot)\) 定义在 \(\omega \in \Omega\)、\(t \ge 0\) 上。证明：上面的 Lévy–Ciesielski 构造给出 \([0,1]\) 上的 Brown 运动；重新索引 \(\{A_n\}\) 得到可数个可数族，每个族构造 \([0,1]\) 上的 Brown 运动 \(W^n(t)\)；再设 \(W(t) = W^{(n-1)} + W^n(t - (n-1))\) 对 \(n-1 \le t \le n\)，拼成 \([0,\infty)\) 上的 Brown 运动。

关键定理（3.7）——Kolmogorov 连续性定理

设 \(X(\cdot)\) a.s. 连续，\(\mathbb{E}(|X(t) - X(s)|^\beta) \le C |t-s|^{1+\alpha}\)（\(\beta, \alpha > 0\)），则对每个 \(0 < \gamma < \alpha/\beta\)、\(T > 0\)，a.e. \(\omega\) 存在常数 \(K = K(\omega, \gamma, T)\) 使 \(|X(t, \omega) - X(s, \omega)| \le K |t-s|^\gamma\) 对所有 \(0 \le s, t \le T\) 成立。

应用到 Brown 运动：\(\mathbb{E}(|W(t) - W(s)|^{2m}) = C_m |t-s|^m\)（高斯矩 + 变量替换）；取 \(\beta = 2m\)、\(\alpha = m-1\)，得 \(\gamma < 1/2\) 一致 Hölder。

关键定理（3.8）——Brown 运动 a.s. 处处不可微

(i) 对每个 \(1/2 < \gamma \le 1\) 和 a.e. \(\omega\)，\(W(t, \omega)\) 在任何点都不以 \(\gamma\) 为 Hölder 指数。(ii) 特别地，\(W\) a.s. 处处不可微，且在每个子区间上全变差无穷大。

关键概念（3.9）——Markov 过程

随机过程 \(X(\cdot)\) 是 Markov 的，若 \(P(X(t) \in B | \mathcal{U}(s)) = P(X(t) \in B | X(s))\) a.s.，即"给定当前，未来条件分布不依赖过去"。

关键定理（3.10）——Wiener 过程是 Markov 过程

\(n\) 维 Wiener 过程 \(W(\cdot)\) 是 Markov 过程，转移密度为

\[P(W(t) \in B | W(s)) = \int_B \frac{1}{(2\pi(t-s))^{n/2}} e^{-|x - W(s)|^2 / 2(t-s)} dx \quad \text{a.s.}\]

证明：设 \(\Phi(y) = \int_B g(x, t-s | y) dx\)，\(\Phi(W(s))\) 是 \(\mathcal{U}(W(s))\)-可测；要求 \(\int_C \chi_{\{W(t) \in A\}} dP = \int_C \Phi(W(s)) dP\) 对所有 \(C \in \mathcal{U}(W(s))\)（Ch 2 条件期望定义）。取 \(C = \{W(s) \in B\}\)，左端 \(= P(W(s) \in B, W(t) \in A) = \int_B g(y, s|0) \Phi(y) dy\)，右端 \(= \int_B \Phi(y) g(y, s|0) dy\)，两边相等。

关键概念（3.11）——白噪声的 \(\mathbb{R}^n\) 推广

\(n\) 维 Wiener 过程 \(W(\cdot) = (W^1(\cdot), \ldots, W^n(\cdot))\) 是 \(n\) 个独立 1 维 Wiener 过程，且 \(\sigma\)-代数 \(\mathcal{W}^k = \sigma(W^k(t) | t \ge 0)\) 独立。协方差 \(\mathbb{E}(W^k(t) W^l(s)) = (t \wedge s) \delta_{kl}\)，\(W(t) \sim \mathcal{N}(0, tI_n)\)。

关键结论

  • Wiener 过程的完整定义（D 1.2）：\(W(0) = 0\)、独立增量 \(W(t) - W(s) \sim \mathcal{N}(0, t-s)\)、连续轨道。
  • Einstein 扩散方程：\(f_t = (D/2) f_{xx}\)，对应解 \(f(x, t) = (2\pi Dt)^{-1/2} e^{-x^2/2Dt}\)——Brown 运动作为扩散方程的源点解。
  • Lévy–Ciesielski 构造：用 Haar-Schauder 基把 Wiener 过程写成 \(W(t) = \sum A_k s_k(t)\)，\(\{A_k\}\) 独立 \(\mathcal{N}(0,1)\)。这一构造完成 Ch 1 提出的"严格定义白噪声"任务。
  • Kolmogorov 连续性定理：对 a.s. 连续且 \(\mathbb{E}(|X(t)-X(s)|^\beta) \le C|t-s|^{1+\alpha}\) 的过程，样本路径一致 Hölder 指数 \(\gamma < \alpha/\beta\)。Brown 运动对应 \(\gamma < 1/2\)。
  • Brown 运动 a.s. 处处不可微：对每个 \(\gamma > 1/2\) a.s. 处处非 Hölder；特别地 a.s. 处处不可微 + 每个子区间上全变差无穷。
  • Markov 性：\(P(W(t) \in B | \mathcal{U}(s)) = P(W(t) \in B | W(s))\) a.s.，转移核是高斯核 \(g(x, t-s | W(s))\)。
  • 协方差结构：\(\mathbb{E}(W(t) W(s)) = t \wedge s\)；\(n\) 维情形 \(\mathbb{E}(W^k(t) W^l(s)) = (t \wedge s) \delta_{kl}\)。
  • 频谱平坦性：白噪声的协方差函数 \(c(t) = \delta_0\) 对应常值频谱密度 \(f(\lambda) = 1/(2\pi)\)，所有频率等量贡献。

挑战和开放性问题

  • 不可微性的"几何直觉"：作者证明 a.s. 处处不可微，但没有给出几何解释——为什么 Brown 运动轨道如此"曲折"？Kahane 在 1980s 给出了一种分形几何解释：Hölder 指数 \(< 1/2\) 对应分形维数 \(d = 2 - 2\gamma\) 的极端情形；Brown 运动轨道是分形维数 2 的曲线（充满平面），所以不可微。
  • 重对数律：几乎必然的轨道增长满足 \(\limsup_{t \to 0} W(t, \omega) / \sqrt{2 t \log \log(1/t)} = 1\) a.s.（Lévy 重对数律）。这一精细刻画把"\(\sqrt{t}\) 量级"具体化，但本章未给出。
  • 反射原理：Brown 运动首次击中某水平线的时间分布 \(T_a = \inf\{t : W(t) = a\}\) 满足 \(P(T_a \le t) = 2 P(W(t) \ge a)\)（反射原理）。这是期权定价（敲出期权）的核心工具，Ch 6 简略提及。
  • 轨道支撑的拓扑：\(W(\cdot)\) 在 \(C[0,T]\)（连续函数空间）上的轨道分布在 Wiener 测度下，不是 Borel 概率测度——支撑是 Hölder 指数 \(\gamma < 1/2\) 的连续函数集，恰好是 Polish 空间的 co-meager 集（Frostman 定理）。这一拓扑说明 \(C[0,T]\) 上的 Wiener 测度是"极端异常"的。
  • \(n\) 维构造的严格性：第 B 节末尾对 \(n\) 维情形只说"按 1 维情形证明"，但严格地说需要 \(n\) 套独立的 Haar-Schauder 系数 \(\{A_k^{(j)}\}_{j=1}^n\)，每个用独立 \(\mathcal{N}(0,1)\) 序列。
  • Markov 性的"反方向"：Lévy 给出了一个逆命题——若连续 martingale 具有 Markov 性且转移核是高斯型，则必是 Wiener 过程。本章未触及这一"分类定理"。
  • Lévy 模连续性：轨道连续模的精细刻画是 \(\limsup_{h \to 0} \sup_{|t-s| \le h} |W(t) - W(s)| / \sqrt{2h \log(1/h)} = 1\) a.s.，比"\(\gamma < 1/2\) 一致 Hölder"更精确。

个人反思与批判性分析

本章是全书最长的章节之一（24 页），也是技术最密集的一章。值得讨论的教学法和数学细节很多。

长处： 1. 物理 + 历史 + 数学三位一体的引言：第 A 节从 Brown 花粉、Bachelier 股票、Einstein 墨水扩散、Perrin 测 Avogadro 数出发，再过渡到 Wiener 数学公理化，最后用随机游走 + Laplace–DeMoivre 给出严格化。这种"问题驱动"的开篇对本科生极有吸引力——他们能感受到 Brown 运动不是凭空发明的数学构造，而是物理观察的直接抽象。 2. Lévy–Ciesielski 构造的可读性：在所有 Brown 运动构造中（Kolmogorov 延拓、Wiener 测度、Faber–Schauder 展开），Lévy–Ciesielski 是最适合本科生的——它完全显式，不需要测度论延伸定理，只需要线性代数（\(L^2\) 正交基）和概率论（独立随机变量）。作者在 Lemma 2-4 中给出详尽的收敛性证明，是其他教材（如 Oksendal）所没有的"hands-on"细节。 3. 不可微性的"三步反证"思路：Dvoretzky–Erdös–Kakutani 证明的精髓在于"\(\gamma > 1/2\) 蕴含有 \(N\) 个连续 \(j\) 满足 \(|W(j/n) - W((j+1)/n)| \le Mn^{-\gamma}\)，而独立事件的同时满足概率为 \((C n^{1/2-\gamma})^N = o(1/n)\)"。这一"独立性 + 集中估计"的论证模式在概率论中反复出现（Erdös–Kahane 等），值得作为本科概率论的核心方法之一掌握。 4. Kolmogorov 连续性定理 vs 不可微性的对比：作者用同一个工具（Chebyshev + Borel–Cantelli）证明两个看似矛盾的结论——一个是"\(W\) 一致 Hölder 指数 \(< 1/2\)"，另一个是"\(W\) 不以指数 \(> 1/2\) Hölder 处处连续"。二者的"分界点"是 \(1/2\)，背后物理量级是 \((dW)^2 = dt\)。

可以改进之处： 1. Lemma 3 中"对几乎所有 \(\omega\) \(|A_k| = O(\sqrt{\log k})\)"的证明：作者用 \(P(|A_k| \ge 4\sqrt{\log k}) \le C e^{-4 \log k} = C/k^4\)，然后 Borel–Cantelli。但 \(C\) 是多少？作者没明确给出。实际上 Gaussian 尾巴的精确估计是 \(P(|Z| \ge x) \le (2/\sqrt{2\pi}) e^{-x^2/2}/x\)（\(x > 0\)），所以 \(C\) 是某个具体常数 \(C \approx 0.5\)。但本节不要求常数精确，可以略过。 2. Lemma 4 的"几何"理解：作者用 \(\phi_s \phi_t\) 展开和 Parseval 恒等式 \(\langle \phi_s, \phi_t \rangle = s \wedge t\) 证明 \(\sum s_k(s) s_k(t) = s \wedge t\)。但对本科生来说这个证明需要先理解 Haar 基的完备性（Lemma 1 第二部分"用 \(f \in L^2\) 检验正交分解能表示 \(f\)"，需要"逐点微分 + dyadic 区间积分 = 0" 的细节）。如果改用 Fourier 基的余弦/正弦级数，证明会更直接（\(\sum_n \sin((n+1/2)\pi s) \sin((n+1/2)\pi t) \propto s \wedge t\) 在某些归一化下），但 Fourier 级数在边界点收敛性差，反而没有 Haar 基的简洁性。Schauder 基的"双正交"性质（\(s_k\) 与 \(h_k\) 互为"积分-差分"对偶）是本章构造的精髓。 3. Lévy–Ciesielski 推广到 \([0,\infty)\) 的细节：作者说"重新索引 \(A_n\) 得到可数个可数族"，但这一步需要"把 \(A_1, A_2, A_3, \ldots\) 拆成 \(\{A_{n,j}\}\)，每个 \(j\) 族用于构造 \([j, j+1]\) 段"——具体拆分方法未给出。其实只要 \(A_n\) 无限可分（i.i.d. 序列是无限可分的）即可。 4. 不可微证明中的"\(W\) 不可微"与"全变差无穷"的逻辑链：作者在 Theorem 3.8 第二部分说"若 \(W\) 在某区间有界变差则 a.e. 可微"，但没有给出细节。这其实是实分析基本定理——有界变差函数 a.e. 可微（Lebesgue 定理）——本科生应能补上。 5. 与物理的连接：第 A 节说白噪声对应"\(f(\lambda) = 1/(2\pi)\)（频谱平坦）"，但没有给出这一"频谱平坦"如何在工程应用（如电路噪声）中被测量——通常用功率谱密度来描述。一个具体的电路例子（譬如热噪声 Johnson–Nyquist 噪声）会让物理系读者更信服。

与本书其他章节的连接：本章是 Ch 1 (引论) 中"严格化白噪声"任务的兑现；为 Ch 4 (Itô 积分) 提供"被积对象" \(W(\cdot)\)；为 Ch 5 (SDE 解) 提供"驱动噪声"；为 Ch 6 (应用) 提供期权定价、停止时间、Feynman–Kac 公式的核心工具。

与现有教材的对比： - Øksendal《随机微分方程》第 2 章用 Kolmogorov 延拓定理构造 Brown 运动（无需 Haar-Schauder），但牺牲了"构造可显式写出"这一优点。 - Stroock《Probability Theory》第 3 章用 Wiener 测度 + Minlos 定理（更抽象、更强力），适合研究生。 - Karatzas & Shreve《Brownian Motion and Stochastic Calculus》第 1 章与 Evans 类似，但更详细（含 \(L^p\) 模连续性的精细刻画）。 - Revuz & Yor《Continuous Martingales and Brownian Motion》第 0-1 章是参考标准。

对本科生读者来说，Evans 的 Lévy–Ciesielski 构造是最易理解的；对研究生读者来说，Stroock 的 Wiener 测度方法更现代。

重要参考文献

  • [X1] N. Wiener. "Differential-space." J. Math. Phys. 2 (1923), 131–174. — Wiener 过程数学公理化的开山论文，把"Brown 运动的物理现象"转化为严格概率对象。
  • [X2] A. Einstein. "Über die von der molekularkinetischen Theorie der Wärme geforderte Bewegung von in ruhenden Flüssigkeiten suspendierten Teilchen." Ann. Phys. 17 (1905), 549–560. — 1905 年原创论文，扩散方程的物理推导。本章 §A 的核心思想来源。
  • [X3] J. Perrin. Les Atomes. Alcan, 1913; 英文版 Brownian Movement and Molecular Reality, Taylor & Francis, 1910. — Perrin 用 Brown 运动实验测 Avogadro 常数，确认物质原子论，获 1926 Nobel 物理奖。
  • [X4] A. Dvoretzky, P. Erdös, S. Kakutani. "Double points of Brownian motion in n-space." Acta Sci. Math. (Szeged) 12 (1950), 75–81. — 不可微性定理的原始来源，本章 Theorem 3.8 的核心。
  • [X5] P. Lévy. Processus stochastiques et mouvement brownien. Gauthier-Villars, 1948. — Lévy 模连续性、重对数律等精细结果的源头；也包含 Lévy–Ciesielski 构造的早期形式。
  • [X6] A. Kolmogorov. "Curve im 2-dimensionalen Wahrscheinlichkeitsraum, die nirgends differenzierbar ist." C. R. Acad. Sci. Paris 193 (1931), 39–43. — 不可微曲线的最早构造（与 Brown 运动独立）；连续性定理的雏形。
  • [X7] M. Pinsky. Introduction to Fourier Analysis and Wavelets. Brooks/Cole, 2002. — 作者明确推荐的"Wavelet 分析"参考；Evans 用的 Haar + Schauder 构造就是 wavelet 分析的早期形式（远早于 Mallat 1989）。
  • [X8] J. Lamperti. Probability. W. A. Benjamin. — Ch 2 推荐的入门教材；也包含 Brown 运动构造的另一条路线（Donsker 不变原理 + 直方图嵌入）。
  • [X9] I. Karatzas and S. Shreve. Brownian Motion and Stochastic Calculus. 2nd ed., Springer, 1991. — 研究生级别 Brown 运动专著，包含本章所有结果的精细版本（重对数律、模连续性、轨道支撑的拓扑等）。
  • [X10] D. Revuz and M. Yor. Continuous Martingales and Brownian Motion. 3rd ed., Springer, 1999. — Brown 运动与连续鞅的标准参考；§0-1 是 Wiener 过程最完整的数学处理。