1. 课程导入与布朗运动直观认识

1827年，苏格兰植物学家罗伯特·布朗在显微镜下观察悬浮于水中的花粉微粒时，发现这些微粒并非静止不动，而是沿着毫无规律的折线路径持续颤动、漂移。他最初怀疑这是花粉自身的“生命力”所致，但随后用研磨过的矿物粉末、甚至玻璃碎屑重复实验，同样观察到这种不规则运动。这一现象后来被称为布朗运动，而它的解释要等到1905年爱因斯坦用分子运动论给出定量描述之后才真正清晰：微粒看似自主的乱走，实际上是大量水分子从各个方向不均匀撞击的结果。

理解布朗运动，关键要抓住三个基本特征。第一是无规则性：单个微粒的瞬时运动方向不可预测，轨迹在任意尺度上都呈现锯齿状折线。第二是永不停息：只要温度高于绝对零度、介质分子仍在热运动，悬浮微粒就不会真正静止。第三是统计规律性：虽然单条轨迹不可预测，但大量微粒的位移分布、均方位移随时间的变化却服从确定的统计规律——这正是本课程后续要反复使用的核心思想。换句话说，布朗运动是“个体随机、集体有序”的典型范例。

从建模角度看，布朗运动最常用的数学抽象是随机游走。设想微粒每隔一个极短的时间步长 Δt 就随机选择一个方向移动一小段距离，若步长和步时都趋于零而保持适当缩放，其极限就是连续时间的布朗运动，位移服从正态分布，均方位移与时间成正比：⟨x²⟩ = 2Dt，其中 D 为扩散系数。这个简洁关系把微观随机性与宏观扩散现象联系了起来，也是本课程进行轨迹生成与统计分析的出发点。

上图把本节要建立的三层认识串在一起：左侧是物理机制，中间是轨迹形态，右侧是统计规律，底部则是整门课程的学习地图。需要强调的是，图中右侧的直线与数据点属于示意性示例，用于说明“均方位移与时间成正比”这一关系的形式，并非某次实际实验的测量结果。

那么，在计算机上如何“生成”一条布朗运动轨迹？最直接的做法是离散随机游走。以一维为例，设定步数 N、每步时长 Δt 和步长尺度 σ，每一步的位移取独立同分布的正态随机数：

import numpy as np

np.random.seed(42)          # 固定随机种子，保证示例可复现
N = 1000                    # 步数
dt = 0.01                   # 每步时长（示例参数）
sigma = np.sqrt(2 * 1.0 * dt)  # 取 D = 1.0，使每步方差 = 2D·dt

steps = np.random.normal(0, sigma, N)   # 每步位移
x = np.concatenate(([0.0], np.cumsum(steps)))  # 累积得到轨迹

msd = np.mean(x**2)         # 单条轨迹末端均方位移（示例）
print("末端位置:", x[-1])
print("末端均方位移:", msd, " 理论值 2Dt =", 2 * 1.0 * N * dt)

这段代码体现了三个关键约定，后续章节会反复用到。第一，随机种子决定示例是否可复现，教学演示中应固定种子，正式统计实验则应更换多组种子以观察波动。第二，步长方差与 Δt 成正比，这是保证离散模型收敛到连续布朗运动的前提；若随意设定步长，均方位移曲线就不会呈现正确的线性关系。第三，轨迹由增量累加得到，位置本身不是独立随机的，独立随机的是每一步的增量。运行后你会看到末端位置是一个可正可负的小数，而末端均方位移与理论值 2Dt 在同一量级但并不严格相等——这正是单条轨迹随机性的体现。

要判断生成结果是否合理，不能只看一条轨迹。正确的做法是重复生成 M 条独立轨迹（例如 M = 500），对每个时间点计算所有轨迹位置的平方平均，再对时间作图。若模型正确，散点应大致落在一条过原点的直线上，用最小二乘拟合斜率即可估计 2D。若曲线明显弯曲、截距显著偏离零，或不同种子下斜率差异过大，就说明步长设定、时间步长或样本量存在问题。这一“生成—统计—拟合—判断”的闭环，是后续各章分析工作的基本范式。

最后需要区分两个容易混淆的概念：布朗运动描述的是悬浮微粒在流体分子撞击下的被动运动，而随机游走是描述这类运动的数学工具；前者是物理现象，后者是模型抽象。同一套随机游走框架还可用于股价波动、动物觅食路径、粒子扩散等众多场景，但参数含义与适用条件各不相同。本课程聚焦布朗运动这一具体对象，从随机数生成出发，逐步完成轨迹构造、均方位移统计、扩散系数估计与模型检验，最终使你能够独立地用代码复现并分析一个布朗运动系统。