{
  "id": "wiener-process",
  "title": "维纳过程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "维纳过程是具有连续路径和独立高斯增量的连续时间随机过程，是布朗运动的标准数学模型。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "标准维纳过程",
    "标准布朗运动"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/wiener-process/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/wiener-process/",
      "json": "https://aiwiki.page/en/wiener-process.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "维纳过程是一种实值、连续时间的随机过程，从零开始，具有连续的样本路径，其增量相互独立且服从正态分布，增量的方差等于相应时间间隔的长度。它也称为标准布朗运动，为不规则运动提供了精确的数学模型，也是随机分析中一种基本的随机性来源。维纳过程以诺伯特·维纳的名字命名，他在20世纪20年代为这一过程奠定了严格的数学基础。这一数学对象应与它所理想化描述的物理现象相区分。(stat.uchicago.edu)"
    },
    {
      "heading": "定义与分布",
      "text": "在概率空间 \\((\\Omega,\\mathcal F,\\mathbb P)\\) 上，标准维纳过程是一族满足以下条件的随机变量 \\((W_t)_{t\\geq0}\\)：\n\n- \\(W_0=0\\) 以概率1成立。\n- 样本路径 \\(t\\mapsto W_t(\\omega)\\) 几乎必然连续。\n- 不相交时间区间上的增量具有统计独立性。\n- 对于 \\(0\\leq s<t\\)，\n\n\\[W_t-W_s\\sim\\mathcal N(0,t-s).\\]\n\n这里，\\(\\mathcal N(m,v)\\) 表示均值为 \\(m\\)、方差为 \\(v\\) 的正态分布。因此，增量的分布仅取决于时间区间的长度，而不取决于其起始时刻，即增量是平稳的。连续性是一项单独的要求；仅规定各个时刻的取值服从高斯分布，并不足以定义维纳过程。(stat.uchicago.edu)\n\n在任一时刻 \\(t\\)，其期望值为零，方差为 \\(t\\)。其协方差函数为\n\n\\[\\operatorname{Cov}(W_s,W_t)=\\min(s,t).\\]\n\n更一般地，任意有限个时刻的过程取值都服从多元正态分布。因此，维纳过程是一种高斯过程，其零均值、协方差函数以及路径连续性要求共同构成了完整的刻画。尽管不相交区间上的增量相互独立，不同时刻的取值通常仍然相互依赖。(stat238.berkeley.edu)"
    },
    {
      "heading": "缩放、记忆与条件化",
      "text": "对于任意 \\(c>0\\)，缩放后的过程\n\n\\[\\widetilde W_t=c^{-1/2}W_{ct}\\]\n\n与 \\(W_t\\) 具有相同的概率分布。这种布朗缩放体现了典型位移与经过时间的平方根之间的关系。反射也保持其分布不变：\\(-W_t\\) 仍是标准维纳过程。对于固定的 \\(s\\)，平移后的过程 \\(W_{s+t}-W_s\\) 也是一个标准维纳过程，并且独立于截至时刻 \\(s\\) 的全部历史。(stat.uchicago.edu)\n\n自然滤过 \\(\\mathcal F_t=\\sigma(W_r:0\\leq r\\leq t)\\) 记录了上述历史。相对于这一滤过，维纳过程具有马尔可夫性质：给定条件后的未来行为取决于当前值，而非全部过去。它也是一个鞅，满足\n\n\\[\\mathbb E[W_t\\mid\\mathcal F_s]=W_s,\\qquad s\\leq t.\\]\n\n这一等式通过条件期望表达了不存在可预测漂移的性质。对自然滤过作通常的增广后，布朗运动还具有强马尔可夫性质，将从某一时刻重新开始的原理推广到适当的随机停时。(stat.uchicago.edu)"
    },
    {
      "heading": "样本路径的不规则性",
      "text": "虽然每条典型路径都是连续函数，但它处处不可微，并且在每个非退化的有界区间上都具有无穷大的全变差。因此，维纳路径不存在通常意义下的速度。在紧区间上，路径几乎必然对每个严格小于 \\(1/2\\) 的指数都满足霍尔德连续性，这为其粗糙程度提供了定量描述。(wias-berlin.de)\n\n然而，其二次变差是有限的。对于最大子区间长度趋于零的确定性分割 \\(0=t_0<\\cdots<t_n=t\\)，\n\n\\[\\sum_{i=1}^{n}(W_{t_i}-W_{t_{i-1}})^2\\longrightarrow t\\]\n\n在均方意义下收敛，因而也依概率收敛。沿二进分割，上述收敛还几乎必然成立。通常将这一结果记为 \\([W]_t=t\\)。非零的二次变差将维纳路径与连续可微路径区分开来，也是随机积分的核心所在。(ocw.mit.edu)"
    },
    {
      "heading": "构造与随机游走极限",
      "text": "一种构造方法是先给出相容的有限维高斯分布，再证明存在一个连续版本。由此得到的、定义在从零出发的连续路径空间上的概率分布称为维纳测度。它描述的是整条轨迹的概率，而不仅仅是选定时刻上位置的概率。(wias-berlin.de)\n\n维纳过程也可以作为随机游走的缩放极限出现。设各步增量独立同分布，均值为零，方差为有限的正数 \\(\\sigma^2\\)，将其部分和记为 \\(S_k\\)。在时刻 \\(k/n\\) 取值 \\(S_k/(\\sigma\\sqrt n)\\)，并在这些取值之间作线性插值。唐斯克定理指出，这些随机路径依分布收敛到标准维纳过程。这是中心极限定理的函数型推广，涉及整条路径，而非仅仅一个标准化后的和。(math.cmu.edu)"
    },
    {
      "heading": "随机微积分与扩散",
      "text": "由于维纳路径具有无穷变差，以其为积分器进行积分需要超出通常逐路径积分的框架。伊藤积分 \\(\\int_0^t H_s\\,dW_s\\) 是针对适当的非预见性被积过程构造的。对于二阶连续可微函数 \\(f\\)，伊藤公式给出\n\n\\[df(W_t)=f'(W_t)\\,dW_t+\\tfrac12f''(W_t)\\,dt.\\]\n\n其中的二阶项反映了二次变差，并修正了通常的链式法则。因此，维纳过程可作为随机微分方程的驱动过程，将确定性漂移与随机波动区分开来。(live.ocw.mit.edu)\n\n维纳过程与扩散的联系可由转移密度表示：\n\n\\[p(t,x,y)=\\frac{1}{\\sqrt{2\\pi t}} \\exp\\!\\left(-\\frac{(y-x)^2}{2t}\\right).\\]\n\n它满足热方程 \\(\\partial_t p=\\tfrac12\\partial_{yy}p\\)。因此，布朗运动所描述的概率演化，对应于密度在微分方程支配下的确定性演化。(stat.uchicago.edu)\n\n在有限时间网格上进行数值模拟时，可以按下式依次生成各时刻的取值：\n\n\\[W_{t_{k+1}}=W_{t_k}+\\sqrt{t_{k+1}-t_k}\\,Z_k,\\]\n\n其中 \\(Z_k\\) 是相互独立的标准正态随机变量。这些网格点上的取值具有精确的维纳过程有限维分布；在它们之间进行线性插值，只是对连续随机路径的近似。(stat238.berkeley.edu)"
    }
  ],
  "links": [
    "stochastic-process",
    "brownian-motion",
    "norbert-wiener",
    "probability-space",
    "random-variable",
    "almost-surely",
    "statistical-independence",
    "normal-distribution",
    "expected-value",
    "variance",
    "covariance",
    "multivariate-normal-distribution",
    "gaussian-process",
    "filtration-probability",
    "markov-property",
    "martingale",
    "conditional-expectation",
    "continuous-function",
    "quadratic-variation",
    "random-walk",
    "central-limit-theorem",
    "ito-integral",
    "itos-lemma",
    "stochastic-differential-equation",
    "diffusion",
    "heat-equation"
  ],
  "sources": [
    {
      "title": "Brownian Motion",
      "url": "https://www.stat.uchicago.edu/~lalley/Courses/313/WienerProcess.pdf"
    },
    {
      "title": "Wiener’s Construction of the Brownian Motion",
      "url": "https://link.springer.com/chapter/10.1007/978-3-030-20103-6_6"
    },
    {
      "title": "STAT 238 — Bayesian Statistics Lecture Twenty One",
      "url": "https://stat238.berkeley.edu/spring-2026/lecturetwentyone238spring2026/"
    },
    {
      "title": "Stochastic Calculus",
      "url": "https://www.math.cmu.edu/~xig/Files/Teaching/Stochastic%20Calculus%20%28Fall%202017%29/Stochastic%20Calculus.pdf"
    },
    {
      "title": "Brownian Motion and Itô Calculus",
      "url": "https://www.wias-berlin.de/people/bayerc/files/shortcourse.pdf"
    },
    {
      "title": "Lecture 8: Quadratic Variation",
      "url": "https://ocw.mit.edu/courses/15-070j-advanced-stochastic-processes-fall-2013/ead1ddea0e6f0454a87c0d88e2553fee_MIT15_070JF13_Lec8.pdf"
    },
    {
      "title": "Lecture 17: Ito Process and Formula",
      "url": "https://live.ocw.mit.edu/courses/15-070j-advanced-stochastic-processes-fall-2013/d9d7372cbf65d56aa8aa9d59ba0ab2e8_MIT15_070JF13_Lec17.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}