Escolar Documentos
Profissional Documentos
Cultura Documentos
e
Irreversibilidade
Din
amica Estoc
astica e
Irreversibilidade
T
ania Tom
ee
M
ario Jos
e de Oliveira
A
Maria Roza
Wilson Tome
Natalina Bacchi de Oliveira
Jo
ao Batista de Oliveira
e
Pedro Tome de Oliveira
rio
Suma
1. Variaveis Aleat
orias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Variavel Aleat
oria Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Variavel Aleat
oria Contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Medias e Momentos de uma Distribuicao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Funcao Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6 Funcao Geratriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7 Mudanca de Variavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8 Distribuicao Conjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
13
15
15
16
17
19
20
22
2. Seq
uencia de Variaveis Independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1 Soma de Variaveis Independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Lei dos Grandes N
umeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Passeio Aleat
orio Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Passeio Aleat
orio Bidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
29
32
34
36
39
3. Equacao de Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1 Movimento Browniano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
10
Din
amica Estoc
astica e Irreversibilidade
3.2
3.3
3.4
3.5
3.6
Distribuicao de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conjunto de Equacoes de Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Evolucao Temporal dos Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Simulacao do Movimento Aleat
orio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Equacao de Fokker-Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
52
55
58
59
4. Equacao de Fokker-Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1 Equacao em uma Variavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Solucao Estacionaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Operador de Evolucao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4 Equacao Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5 Operador Hermitiano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6 Equacao em V
arias Variaveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7 Metodo Estocastico de Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
65
67
69
72
73
75
79
5. Cadeias de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.1 Processos Estocasticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Matriz Estocastica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.3 Teorema de Perron-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 Metodo Algebrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Reversibilidade Microsc
opica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.6 Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 93
5.7 Modelo de Ehrenfest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.8 Passeio Aleat
orio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.9 Recorrencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.10 Passeio Aleat
orio Multidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6. Equacao Mestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 107
6.1 Introducao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.2 Matriz de Evolucao W . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.3 Comportamento para Tempos Longos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.4 Entropia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Metodo Algebrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.6 Reversibilidade Microsc
opica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.7 Passeio Aleat
orio Generalizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.8 Reacoes Qumicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.9 Metodo da Funcao Geratriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.10 Expans
ao em Serie Temporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.11 Expans
ao Perturbativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Sum
ario
11
veis Aleato
rias
Varia
1.1
PROBABILIDADE
14
Din
amica Estoc
astica e Irreversibilidade
podemos perceber que o monte de folhas cadas no chao adquire uma certa
forma. Considerando uma outra seq
uencia de folhas que caem, cons- tataremos
que a forma do novo monte sera identica `a anterior, desde que o n
umero de
folhas seja suficientemente grande. Qualquer seq
uencia de folhas que caem ao
chao, a partir de um mesmo ponto, dar
a origem a montes de folhas com a mesma
essa a regularidade que se pode observar nesse fenomeno aleat
forma. E
orio.
Vari
aveis Aleat
orias
1.2
VARIAVEL
ALEATORIA
DISCRETA
Considere uma variavel numerica que assume os valores inteiros e suponha que
a cada valor de esteja associado um n
umero real p , nao negativo,
p 0,
tal que
p = 1.
(1.1)
(1.2)
(1.3)
onde a e um par
ametro tal que 0 < a < 1, b = 1 a e
(N
)=
N!
.
!(n )!
(1.4)
A variavel aleat
oria toma os valores 0, 1, 2, ..., N 1, N . Note que
N
X
p = (a + b)N = 1.
(1.5)
=0
,
(1.6)
!
onde e um par
ametro tal que > 0. A variavel aleat
oria toma os valores
0, 1, 2, 3, .... Note que
X
X
p = e
= 1.
(1.7)
!
p = e
=0
1.3
=0
VARIAVEL
ALEATORIA
CONTINUA
15
16
Din
amica Estoc
astica e Irreversibilidade
(1.9)
(x)dx = 1.
(1.10)
(1.11)
(1.12)
1
|x|
exp( ).
2
(1.13)
1.4
MEDIAS
E MOMENTOS DE UMA DISTRIBUIC
AO
n = hx i =
xn (x)dx.
(1.16)
Vari
aveis Aleat
orias
(1.18)
(1.19)
onde a e b s
ao constantes.
Exemplo 5. Momentos da distribuicao gaussiana. Considere a seguinte identidade:
Z
x2
(1.20)
)dx = 21/2 ,
exp(
2
v
alida para > 0. Se derivarmos com relacao a ambos os membros dessa
expressao m vezes, obtemos:
Z
x2
x2m exp(
(1.21)
)dx = 1 3 5 ... (2m 1) 21/2 2m .
2
4 = 3 4 ,
6 = 15 6 .
(1.23)
1.5
CARACTERISTICA
FUNC
AO
17
18
Din
amica Estoc
astica e Irreversibilidade
(1.25)
|g(k)| 1.
(1.26)
2 k2
).
2
(1.27)
A funcao caracterstica e u
til na obtencao dos momentos n , pois o desenvolvimento de g(k) em serie de Taylor, quando existe, nos da
X
(ik)n
g(k) = 1 +
n .
n!
n=1
(1.28)
(a2
a
,
+ x2 )
(1.29)
(1.30)
Esta claro que g(k) nao e diferenciavel em k = 0 e, portanto, nao possui desenvolvimento em serie de Taylor.
A funcao caracterstica tambem serve para gerar os cumulantes n que s
ao
definidos atraves de
X
(ik)n
g(k) = exp{
n }.
(1.31)
n!
n=1
Vari
aveis Aleat
orias
(1.32)
2 = 2 21 ,
(1.33)
3 = 3 32 1 + 231 ,
(1.34)
(1.35)
(1.38)
1.6
GERATRIZ
FUNC
AO
X
p z .
(1.40)
G(z) =
=0
19
20
Din
amica Estoc
astica e Irreversibilidade
p = hi
(1.41)
( 1)p = h2 i hi.
(1.42)
=1
e
G (1) =
X
=2
(1.44)
h2 i hi2 = N ab,
(1.45)
e a variancia
da distribuicao binomial.
1.7
MUDANC
A DE VARIAVEL
(y f (x))1 (x)dx,
(1.46)
Vari
aveis Aleat
orias
1
2
de onde obtemos:
1
2 (y) =
2
Z Z
Usando a representacao
(x) =
eiky g2 (k)dk,
eikx dk
(1.48)
(1.49)
(1.50)
(1.51)
x1
y1
onde x1 e x2 s
ao tais que y2 = f (x2 ) e y1 = f (x1 ). Essa expressao pode ser
escrita de forma equivalente como
2 (y)dy = 1 (x)dx.
(1.52)
2
(y x )dx =
2 (y) =
(x y)dx = .
(1.53)
2|x|
2
y
0
0
Outra maneira e usar a expressao (1.52) acima para obter
2 (y) = 1 (x)
1
1
1
=
= .
dy/dx
2x
2 y
(1.54)
21
22
Din
amica Estoc
astica e Irreversibilidade
Vamos considerar aqui somente o caso em que (x) corresponde a uma funcao
f () biunvoca. Nesse caso, usando a expressao (1.51), obtemos:
Z x
Z
(x )dx .
(1.55)
p( )d =
a
(1.56)
portanto x = f () = .
O metodo descrito acima s
o e interessante quando F (x) e sua inversa podem
ser obtidos em forma fechada. Esse nao e o caso, por exemplo, da distribuicao
gaussiana. Na parte final da proxima secao, veremos uma alternativa para
contornar esse problema para o caso gaussiano.
1.8
CONJUNTA
DISTRIBUIC
AO
Z Z
(x, y)dxdy = 1.
(1.59)
2 (y) =
(x, y)dx.
(1.61)
Vari
aveis Aleat
orias
23
As variaveis aleat
orias x e y s
ao independentes entre si quando (x, y) = 1 (x)2 (y).
Nesse caso, a media do produto de duas funcoes, X(x) e Y (y), e igual ao produto
da media, isto e,
hX(x)Y (y)i = hX(x)ihY (y)i.
(1.62)
Dado (x, y), a distribuicao de probabilidades 3 (z) de uma terceira variavel
aleat
oria z que depende de x e y atraves de z = f (x, y) pode ser obtida por
meio da formula
Z Z
3 (z) =
(z f (x, y))(x, y)dxdy.
(1.63)
Para o caso de duas variaveis aleat
orias u e v que dependem de x e y atraves
da seguinte trasformacao u = f1 (x, y) e v = f2 (x, y), a distribuicao conjunta de
probabilidades 3 (u, v) das variaveis aleat
orias u e v e dada por
Z Z
3 (u, v) =
(u f1 (x, y))(v f2 (x, y))(x, y)dxdy.
(1.64)
Ambas as formulas (1.63) e (1.64) podem ser demonstradas utilizando um procedimento analogo ao caso de uma variavel, visto na secao 1.7.
Se a transformacao (x, y) (u, v) for biunvoca, a formula (1.64) implica
3 (u, v)dudv = (x, y)dxdy.
(1.65)
3/2
(1.66)
onde vx , vy e vz s
ao as componentes cartesianas da velocidade de uma molecula,
e = m/(kB T ) onde m e a massa da molecula, kB e a constante de Boltzmann
e T a temperatura absoluta. Queremos determinar a distribuicao de probabilidades velq
(v) correspondente ao modulo v da velocidade de uma molecula, dada
por v = vx2 + vy2 + vz2 . Para isso, determinamos inicialmente a densidade de
probabilidades conjunta 3 (v, , ) onde e s
ao os angulos esfericos. A partir
de
3 (v, , )dvdd = (vx , vy , vz )dvx dvy dvz
(1.67)
e usando a relacao dvx dvy dvz = v 2 sin dvdd entre coordenadas cartesianas e
esfericas, obtemos:
3 (v, , ) =
3/2
(1.68)
24
Din
amica Estoc
astica e Irreversibilidade
Logo
vel (v) =
3 (v, , )dd = 4
3/2
v 2 exp( v 2 ).
2
2
(1.69)
Um exemplo muito u
til do emprego de transformacao de variaveis encontrase no seguinte algoritmo utilizado para gerar n
umeros aleat
orios que estejam distribudos de acordo com a distribuicao gaussiana a partir de n
umeros aleat
orios
gerados com igual probabilidade no intervalo [0, 1]. Sejam e duas variaveis
aleat
orias independentes e uniformemente distribudas no intervalo [0, 1] e considere duas variaveis aleat
orias r e definidas por
r
2
| ln(1 )|
e
= 2,
(1.70)
r=
1 (r) = r exp( r2 )
(1.71)
2
e
1
,
0 2,
(1.72)
2 () =
2
respectivamente. Definimos em seguida as variaveis x e y por
x = r sin
y = r cos .
(1.73)
(1.74)
exp{ (x2 + y 2 )}
2
2
(1.75)
1/2
exp( x2 )
2
2
(1.76)
Vari
aveis Aleat
orias
BIBLIOGRAFIA
Feller, W. 1950. An Introduction to Probability Theory and its Aplications.
Wiley, London.
Fernandez, P.J. 1973. Introduca
o a
` Teoria das Probabilidades. Livros Tecnicos
e Cientficos, Rio de Janeiro.
Gnedenko, B. V. 1976. The Theory of Probability. Mir Publishers, Moscow.
Haken, H. 1976. Synergetics, An Introduction. Springer-Verlag, Berlin.
James, B. R. 1981. Probabilidade: um Curso em Nvel Intermedi
ario. IMPA,
Rio de Janeiro.
Kac, M. 1959. Statistical Independence in Probability, Analysis and Number
Theory. The Mathematical Association of America.
Kampen, N. G. van 1981. Stochastic Processes in Physics and Chemistry.
North-Holland, Amsterdam.
EXERCICIOS
N
1. Determine a media e a variancia da distribuicao binomial p = (N
)a b
e da distribuicao de Poisson p = e /!.
2. Obtenha a distribuicao de Poisson a partir da distribuicao binomial, tomando o limite em que N e a 0 de tal forma que aN = ,
constante.
3. Mostre que h(x hxi)2 i = hx2 i hxi2 .
4. Determine todos os momentos das distribuicoes de probabilidades dadas
abaixo:
a) Distribuicao quadrada:
(x) =
0,
(2a)1 ,
|x| > a,
|x| a.
b) Distribuicao exponencial:
(x) = exp(x),
x 0.
25
26
Din
amica Estoc
astica e Irreversibilidade
c) Distribuicao de Laplace:
(x) =
exp(|x|).
2
Vari
aveis Aleat
orias
13. Gere n
umeros aleat
orios que sejam distribudos de acordo com a distribuicao gaussiana com largura = 1. Faca um histograma e compare com
a curva analtica.
27
e
ncia de Varia
veis Independentes
Sequ
2.1
SOMA DE VARIAVEIS
INDEPENDENTES
(2.1)
30
Din
amica Estoc
astica e Irreversibilidade
(2.2)
(2.4)
(2.5)
(2.6)
Ent
ao o resultado acima se generaliza para
G(k) = g1 (k)g2 (k)g3 (k)...gN (k).
(2.8)
(j)
N
X
n(j) .
(2.9)
j=1
Seq
uencia de Vari
aveis Independentes
e quando n = 2
hy 2 i hyi2 =
N
X
j=1
{hx2j i hxj i2 }.
(2.11)
N
X
j=1
hx2j i + 2
X
j<k
hxj ihxk i.
(2.12)
(2.13)
n = N n(j) .
(2.14)
hyi = N hxj i
(2.15)
(2.16)
e, portanto,
Em particular, quando n = 1,
e, quando n = 2,
Ou seja a media e a variancia de y s
ao iguais a N vezes a media e a variancia
de xj , respectivamente.
Exemplo 1. Ensaios de Bernoulli. Considere uma seq
uencia de N ensaios
independentes. Em cada ensaio, podem ocorrer apenas dois eventos A e B,
mutualmente excludentes. Seja p a probabilidade de ocorrencia de A e q = 1p a
probabilidade de ocorrencia de B. Desejamos determinar a probabilidade PN ()
de que A ocorra vezes numa seq
uencia de N ensaios. Para cada ensaio defina
uma variavel aleat
oria i (i = 1, 2, ..., N ) que toma o valor 1 caso ocorra A e o
valor 0 caso ocorra B. Portanto a probabilidade de i = 1 ou 0 e igual a p ou q,
respectivamente. Queremos determinar a distribuicao de probabilidades PN ()
da variavel aleat
oria
= 1 + 2 + ... + N
(2.17)
31
32
Din
amica Estoc
astica e Irreversibilidade
(2.21)
N
X
ik N
(N
q
,
)p e
(2.22)
=0
(2.23)
2.2
quando
N ,
(2.24)
Seq
uencia de Vari
aveis Independentes
(2.25)
N
1 X
j
N j=1
(2.26)
N
Y
j=1
heikj /N i = [g(
k N
)] .
N
(2.27)
(2.28)
ika
k
k N
)] = [1 +
+ o( )]N eika
N
N
N
quando
(2.29)
e portanto
Gy (k) = eika .
(2.30)
33
34
Din
amica Estoc
astica e Irreversibilidade
2.3
N
1 X
j N a}
{
N b j=1
(2.31)
(2.32)
(2.33)
k X
Gz (k) = heikz i = hexp{i
(j a)}i
N b j=1
(2.34)
ou por
Gz (k) =
N
Y
j=1
(2.35)
pois as variaveis s
ao independentes e possuem a mesma distribuicao de probabi
lidades, e a variavel K e definida por K = k/ N b. Usando a expansao de g(k)
em cumulantes, expressao (2.33), obtemos ainda
1
Gz (k) = exp{ N bK 2 + N o(K 2 )}.
2
(2.36)
(2.38)
Seq
uencia de Vari
aveis Independentes
(2.41)
35
36
Din
amica Estoc
astica e Irreversibilidade
e a variancia e
hj2 i hj i2 = 1 m2 = 1 tanh 2 H.
(2.42)
(2.43)
2.4
PASSEIO ALEATORIO
UNIDIMENSIONAL
(2.44)
(2.45)
(2.46)
(2.47)
Seq
uencia de Vari
aveis Independentes
n
X
(n )p q n eik(2n)
(2.48)
=0
Gn (k) =
Pn (m)eikm ,
(2.49)
m=n
n!
nm p
( n+m
2 )!( 2 )!
(n+m)/2 (nm)/2
(2.50)
(2.52)
(2.53)
v
alido para n 1.
A densidade de probabilidade (x, t) = Pn (m)/h da variavel x no instante t
e dada por
1
(x ct)2
exp{
(x, t) =
},
(2.54)
2Dt
2Dt
onde
ha
h(p q)
=
(2.55)
h2 4pq
h2 b
=
.
(2.56)
hxi = ct
(2.57)
(2.58)
c=
e
D=
Obtemos ainda os resultados:
e
37
38
Din
amica Estoc
astica e Irreversibilidade
(2.59)
(2.60)
Para obter a densidade de probabilidades da variavel x para n grande, utilizamos a mesma tecnica utilizada para a demonstracao do teorema central do
limite. Essa tecnica equivale a expandir a funcao caracterstica g(k) em cumulantes ate segunda ordem, isto e,
g(k) = eiAkBk
/2
(2.61)
/2
(2.62)
/2
(2.63)
(2.64)
= c
+
.
(2.65)
t
x
2 x2
Essa e uma equacao de difus
ao, com arrastamento, e e um caso particular das
equacoes de Fokker-Planck que serao estudadas no captulo 4.
Os resultados (2.64) podem ser mais bem entendidos se examinarmos um
sistema composto por um conjunto de muitas partculas que executam passeios
Seq
uencia de Vari
aveis Independentes
aleat
orios independentes. A densidade de partculas e proporcional `a densidade
de probabilidades dada acima. Assim, se imaginamos que no instante inicial
todas elas se encontram na origem, depois de algum tempo elas estarao espalhadas de acordo com a distribuicao acima. Para tempos longos, a densidade
2.5
PASSEIO ALEATORIO
BIDIMENSIONAL
Z Z
(2.66)
(2.67)
(2.68)
(2.69)
onde
a1 = hxj i
a2 = hyj i
(2.70)
s
ao os cumulante de primeira ordem e
b11 = hx2j i hxj i2 ,
(2.71)
39
40
Din
amica Estoc
astica e Irreversibilidade
(2.72)
(2.73)
s
ao os cumulantes de segunda ordem. Assim, para t = n grande temos
G(k) = exp{in(a1 k1 + a2 k2 )
n
(b11 k12 + 2b12 k1 k2 + b22 k22 )}.
2
(2.74)
2 n2 D
1
[b22 (x na1 )2 + 2b12 (x na1 )(y na2 ) + b11 (y a2 )2 ]} (2.76)
2nD
1 ihk1
+ eihk1 + eihk2 + eihk2 )
(e
4
(2.78)
ou
1
(cos hk1 + cos hk2 )
(2.79)
2
Para obter resultados v
alidos para n grande, utilizamos a expansao em cumu2
lantes ate ordem k , dada por
g(k1, k2 ) =
Portanto
1
g(k1 , k2 ) = exp{ h2 (k12 + k22 )}
4
(2.80)
1
G(k1 , k2 ) = exp{ nh2 (k12 + k22 )}.
4
(2.81)
Seq
uencia de Vari
aveis Independentes
x2 + y 2
1
exp{
}.
nh2
nh2
(2.82)
1
x2 + y 2
exp{
}.
2Dt
2Dt
(2.83)
1
2
(2.85)
(2.86)
h2 2
(k + k22 )}
4 1
(2.89)
41
42
Din
amica Estoc
astica e Irreversibilidade
BIBLIOGRAFIA
Feller, W. 1950. An Introduction to Probability Theory and its Aplications.
Wiley, London.
Fernandez, P. J. 1973. Introduca
o a
` Teoria das Probabilidades.
Tecnicos e Cientficos, Rio de Janeiro.
Livros
EXERCICIOS
1. Mostre que a soma de duas variaveis aleat
orias gaussianas tambem e gaussiana. Faca o mesmo para o caso das distribuicoes de Lorentz e de Poisson.
2. Gere uma seq
uencia de n
umeros aleat
orios 1 , 2 , 3 , ... que tomam o valores 1 ou +1 com igual probabilidade. Coloque num gr
afico a freq
uencia
fn = (1 + 2 + ... + n )/n versus o n
umero n de n
umeros gerados. Verifique que fn 0. Repita o procedimento para o caso em que os n
umeros
aleat
orios sejam gerados de acordo com a distribuicao de Lorentz dada
por 1/[(1 + 2 )]. Nesse caso fn 0 ?
3. Gere uma seq
uencia de N numeros aleat
orios 1 , 2 , ..., N que tomam o
Seq
uencia de Vari
aveis Independentes
n! = nn en 2n,
v
alida para n 1, e que da uma excelente aproximacao para n!, para
mostrar que a distribuicao de probabilidades binomial, expressao (2.23),
e dada por
1/2
N
N
PN () =
exp{ ln
(N ) ln
}
2(N )
Np
Nq
para N e grandes. Desenvolva a expressao entre chaves em torno de
seu maximo, = N p, para alcancar o resultado (2.39), deduzido por
intermedio do teorema central do limite.
6. Verifique que a densidade de probabilidade
(x, t) =
1
(x ct)2
exp{
}
2Dt
2Dt
1 2
= D 2 c .
t
2 x
x
7. Use a formula de Stirling para obter a densidade de probabilidades do
exerccio anterior a partir do resultado
Pn (m) =
n!
nm p
( n+m
2 )!( 2 )!
(n+m)/2 (nm)/2
v
alido para o passeio aleat
orio. As definicoes apropriadas s
ao x = hm,
2
t = n , D = h b/ , c = ha/ , a = p q e b = 4pq.
8. Considere o passeio aleat
orio unidimensional descrito pela seq
uencia 1 ,
2 , 3 , ..., n de variaveis aleat
orias independentes que tomam os valores
+1 (passo `
a direita) e 1 (passo `a esquerda). Suponha, entretanto, que
a probabilidade de j = +1 seja p se j for mpar e q se j for par, com
p + q = 1. Consequentemente, a probabilidade de j = 1 sera q se j
for mpar e p se j for par. Determine a distribuicao de probabilidades
da posicao x = h(1 + 2 + ... + n ) da partcula que executa o passeio
aleat
orio.
9. Uma partcula executa um passeio aleat
orio bidimensional. A cada intervalo de tempo os possveis deslocamentos s
ao (h, h) todos eles
com a mesma pro- babilidade. Determine a probabilidade de encontrar a
partcula na posicao r = (hm1 , hm2 ) depois de n intervalos de tempo.
43
44
Din
amica Estoc
astica e Irreversibilidade
o de Langevin
Equac
a
3.1
MOVIMENTO BROWNIANO
Considere uma partcula de massa m imersa num lquido. Essa partcula est
a
sujeita a uma forca viscosa, que consideraremos proporcional `a sua velocidade,
e a forcas de car
ater aleat
orio devidas ao impacto da partcula com as moleculas
do lquido. Vamos considerar o caso simples de um movimento unidimensional
ao longo do eixo x. A equacao de movimento sera
m
dv
= v + F (t),
dt
(3.1)
onde
dx
(3.2)
dt
e a velocidade e x a posicao da partcula. A primeira parcela do lado direito
da equacao (3.1) e a forca viscosa, sendo uma constante, e F (t) e a forca
aleat
oria que possui as seguintes propriedades:
v=
hF (t)i = 0,
(3.3)
(3.4)
46
Din
amica Estoc
astica e Irreversibilidade
(3.6)
h(t)(t )i = (t t ),
(3.7)
e
onde = B/m2 .
Velocidade quadr
atica media
A solucao generica da equacao diferencial (3.5) e obtida como segue. Comecamos
por escrever v(t) = u(t)et , onde u(t) e uma funcao de t a ser determinada.
Substituindo em (3.5), vemos que ela deve satisfazer a equacao
du
= et (t),
dt
cuja solucao e
u = u0 +
(3.8)
et (t )dt .
(3.9)
Portanto
v = v0 et + et
et (t )dt ,
(3.10)
(3.11)
(3.12)
Dessa forma
t
v hvi = e
Z tZ
0
et (t )dt ,
de onde obtemos
(v hvi)2 = e2t
(t )(t )e(t +t ) dt dt
(3.13)
Equac
ao de Langevin
e
h(v hvi)2 i = e2t
e2t dt ,
(3.14)
hv 2 i hvi2 =
(1 e2t ).
(3.15)
2
Para tempos longos, isto e, no regime estacion
ario, hvi = 0 e a velocidade
quadr
atica media se torna
hv 2 i =
.
(3.16)
2
Sabemos, a partir da teoria cinetica dos gases, que
1
1
mhv 2 i = kB T
2
2
(3.17)
2kB T
.
m
(3.18)
et
(t )et dt dt .
(3.21)
x = x0 + v0
et dt +
0
1
et dt dt .
(3.22)
x = x0 + v0 (1 et ) +
(t )et
t
0
1
1
x = x0 + v0 (1 et ) +
(t )(1 e(t
t)
)dt
(3.23)
47
48
Din
amica Estoc
astica e Irreversibilidade
que e v
alido para qualquer funcao temporal (t). Usando a propriedade (3.6),
obtemos o deslocamento medio da partcula:
1
hxi = x0 + v0 (1 et ).
(3.24)
O desvio quadr
atico medio calcula-se determinando primeiro, a partir de
(3.23) e de (3.24), a diferenca
Z
1 t
(t )(1 e(t t) )dt ,
(3.25)
x hxi =
0
de onde se obtem
1
(x hxi) = 2
Z tZ
0
t)
)dt dt .
t
h(x hxi)2 i = 2
(1 e(t t) )2 dt ,
0
(3.26)
(3.27)
2
1
{t (1 et ) +
(1 e2t )}.
2
(3.28)
(3.29)
(3.31)
kB T
.
3a
(3.32)
de modo que
D=
Equac
ao de Langevin
m
B
kB T
=
=
,
2
2m
m
(3.36)
49
50
Din
amica Estoc
astica e Irreversibilidade
3.2
DE PROBABILIDADES
DISTRIBUIC
AO
Distribuica
o das velocidades
Vimos que a velocidade v(t) de uma partcula livre num meio viscoso e sujeita
a forcas aleat
orias varia de acordo com a equacao de Langevin (3.5) onde (t)
e uma variavel estocastica, isto e, uma variavel aleat
oria dependente do tempo.
Da mesma forma, a velocidade v(t) tambem e uma variavel estocastica. A
diferenca entre elas e que a distribuicao de probabilidades de (t) e conhecida
previamente enquanto que a de v(t) desejamos determinar.
Para achar a distribuicao de probabilidades relativa a v(t), comecamos por
discretizar o tempo em intervalos iguais a , escrevendo t = n . Dessa maneira,
a equacao (3.5) e escrita na forma aproximada
(3.37)
vn+1 = avn + n ,
onde a = (1 ) e as variaveis aleat
orias j possuem as propriedades
hj i = 0
hj k i = jk .
(3.38)
w ,
(3.39)
n1
X
=0
w = a n1
(3.40)
n1
Y
=0
heikw i,
(3.41)
pois as variaveis w s
ao independentes. Supondo que a distribuicao de probabilidades da variavel seja uma gaussiana de media zero e variancia 1, segue-se
que a distribuicao de probabilidades da variavel w tambem sera uma gaussiana
de media zero mas de variancia a2 . Logo
2
heikw i = ea
k2 /2
(3.42)
de onde obtemos
gn (k) = ebn k
/2
(3.43)
Equac
ao de Langevin
onde
bn =
n1
X
a2 =
=0
1 a2n
.
1 a2
(3.44)
(3.45)
1
2b(t)
exp{
v2
},
2b(t)
(3.46)
kB T
(1 et ) =
(1 et ).
2
m
No regime estacion
ario, isto e, para t , b(t) kB T /m, e obtemos
r
m
mv 2
(v) =
exp{
},
2kB T
2kB T
(3.47)
(3.48)
(3.49)
n1
X
v ,
(3.50)
=1
onde
u =
1
(1 a ) n1 ,
(3.52)
51
52
Din
amica Estoc
astica e Irreversibilidade
n1
X
1 an
1 a2n
+
(1 a)2 }.
(1 a )2 = 2 {n 2
2
1a
1 a2
(3.55)
=1
(3.56)
2
1
{t (1 et ) +
(1 e2t )},
2
(3.57)
que por sua vez e a variancia de x(t) dada pela equacao (3.28). No regime em
que t e muito grande d(t) Dt e assim
1
x2
},
1 (x, t) =
exp{
2Dt
2Dt
(3.58)
que coincide com a expressao vista anteriormente para o caso do passeio aleat
orio.
3.3
CONJUNTO DE EQUAC
OES
DE LANGEVIN
Equac
ao de Langevin
e
hi (t)j (t )i = ij (t t ),
(3.61)
onde 11 , 12 , 22 , ... s
ao constantes. A equacao de Langevin (3.59) e uma
equacao estocastica em que o rudo e aditivo.
Exemplo 1. Considere uma partcula se movendo ao longo do eixo-x, que
realiza um movimento browniano e que esteja sujeita a uma forca viscosa e a
uma forca externa el
astica. A equacao de Newton para essa partcula e
m
dv
= v kx + F (t),
dt
(3.62)
(3.63)
hF (t)F (t )i = B(t t ),
(3.64)
e
A equacao (3.62) junto com a equacao
dx
=v
dt
(3.65)
(3.66)
(3.67)
h(t)(t )i = (t t ),
(3.68)
e
onde = B/m2 . Fazendo as identificacoes
x1 = x,
x2 = v,
f1 (x, v) = v,
(3.69)
f2 (x, v) = v 2 x
(3.70)
53
54
Din
amica Estoc
astica e Irreversibilidade
N
X
Aij xj
(3.71)
j=1
X
d
Aij xj + i
xi =
dt
j=1
(3.72)
(3.73)
onde x e s
ao matrizes colunas com elementos xi e i , respectivamente, e A e
a matriz quadrada, N N , cujos elementos s
ao Aij .
Para resolver a equacao matricial (3.73) determinamos, inicialmente, a matriz M que diagonaliza a matriz A (caso ela seja diagonaliz
avel), isto e, determinamos M tal que
M AM 1 = ,
(3.74)
onde e a matriz diagonal cujos elementos i s
ao os autovalores de A. Em
seguida, construmos a matriz R(t) cujos elementos s
ao
X
Rij (t) =
Mik ek t (M 1 )kj ,
(3.75)
k
ou seja,
R = M D(t)M 1 ,
(3.76)
k t
. Derivando
(3.77)
Mas, tendo em vista que M = AM , o lado direito dessa equacao se torna igual
a AR(t), de modo que
d
R(t) = AR(t).
(3.78)
dt
A solucao geral da equacao (3.73) se obtem com a ajuda de R(t). Para a
condicao inicial x(0) = x0 , a solucao e dada por
Z t
R(t t )(t )dt ,
(3.79)
x(t) = R(t)x0 +
0
Equac
ao de Langevin
que pode ser verificada por substituicao direta em (3.73), usando a propriedade
(3.78) e levando em conta que R(0) = I onde I e a matriz identidade. A partir
dessa solucao podemos obter os diversos momentos de xi .
3.4
(3.81)
h(t)(t )i = (t t ),
(3.82)
e, alem disso,
isto e, as variaveis (t) e (t ) s
ao independentes para t 6= t . A variavel aleat
oria
que possui essas propriedades e denominada de rudo branco pois a transformada
de Fourier de h(0)(t)i dada por
Z
eit h(0)(t)idt =
(3.83)
e independente da frequencia .
Exemplo 2. No movimento browniano, visto na secao 3.1, uma partcula
livre move-se num meio viscoso e est
a sujeita a forcas aleat
orias. Considere que
alem dessas forcas ela esteja sujeita a uma forca externa Fe (x). A equacao do
movimento sera ent
ao
m
d2 x
dx
= Fe (x)
+ F (t).
dt2
dt
(3.84)
dt
Dividindo ambos os membros por , essa equacao se torna do tipo (3.80) com
f (x) = Fe (x)/, e (t) = F (t)/ .
Resolver a equacao de Langevin significa determinar a distribuicao de probabilidade P (x, t) em cada instante t > 0, dada a distribuicao P (x, 0) no instante
55
56
Din
amica Estoc
astica e Irreversibilidade
xn+1 = xn + fn + n ,
(3.86)
onde fn = f (xn ) e n possui as propriedades
hn i = 0
hn n i = nn .
(3.87)
A equacao de Langevin discretizada pode ser vista como uma equacao de recorrencia. Notar que a variavel alet
oria xn+1 e independente de n+1 , embora
seja dependente de n , de n1 , de n2 etc.
Em seguida, vemos que
hxn+1 i = hxn i + hfn i
(3.88)
de onde obtemos
d
hxi = hf (x)i
dt
que e a equacao para a evolucao temporal para a media hxi.
Elevando ao quadrado ambos os membros de (3.86), temos:
(3.89)
(3.90)
de onde obtemos
hx2n+1 i = hx2n i + + 2 hxn fn i + 2 hfn2 i
(3.91)
xn+1 = {xn + fn + n } .
(3.93)
Equac
ao de Langevin
1
2 2
xn+1 = xn + n x1
+ x1
n
n fn + ( 1) n xn ,
2
(3.94)
de onde obtemos
e, portanto,
1
2
hxn+1 i = hxn i + hx1
n fn i + ( 1) hxn i
2
(3.95)
d
1
hx i = hx1 f (x)i + ( 1)hx2 i,
dt
2
(3.96)
d 2
hx i = 2chxi + ,
dt
(3.97)
(3.98)
(3.99)
57
58
Din
amica Estoc
astica e Irreversibilidade
d 2
hx i = 2hx2 i + .
(3.101)
dt
Vemos pois que por integracao das equacoes acima podemos obter os dois primeiros momentos. Com a condicao inicial hxi = x0 e hx2 i = x20 em t = 0
obtemos a seguinte solucao:
e
hx2 i =
hxi = x0 et
(3.102)
2t
+ (x20
)e
.
2
2
(3.103)
3.5
DO MOVIMENTO ALEATORIO
SIMULAC
AO
(3.104)
(3.105)
h(t)(t )i = (t t ),
(3.106)
n .
(3.107)
hn2 i = 1.
(3.108)
Equac
ao de Langevin
probabilidades para a variavel n e aquela em que ela toma somente dois valores
1 e +1, ambos com probabilidade 1/2.
Suponha que desejamos saber a posicao media da partcula como funcao do
tempo. Devemos ent
ao gerar in
umeras trajet
orias partindo do mesmo ponto x0 .
Uma estimativa da media xn = hxi no instante t = n sera dada por
L
xn =
1 X (j)
x ,
L j=1 n
(3.109)
(j)
onde L e o n
umero de trajet
orias geradas e xn denota a posicao da partcula
no instante t = n na j-esima trajet
oria. Da mesma forma, a estimativa do
2
2
segundo momento xn = hx i e dada por
L
x2n =
1 X (j) 2
[x ] ,
L j=1 n
(3.110)
3.6
DE FOKKER-PLANCK
EQUAC
AO
Seja Pn (xn ) a distribuicao de probabilidades da variavel xn e gn (k) a correspondente funcao caracterstica dada por
Z
ikxn
(3.111)
i = eikxn Pn (xn )dxn .
gn (k) = he
Ent
ao
gn+1 (k) = heikxn+1 i = heik[xn + f (xn )+ n ] i
(3.112)
(3.113)
59
60
Din
amica Estoc
astica e Irreversibilidade
(3.114)
1
1
1 + ik hn i k 2 2 hn2 i = 1 k 2 ,
2
2
(3.115)
e o segundo
2 ikxn
i}.
k he
2
d2 ikx
e i=
dx2
eikx
d2
Pn (x)dx
dx2
d2
d
Pn (x).
[f (x)Pn (x)] +
dx
2 dx2
(3.116)
(3.117)
(3.118)
(3.119)
2
P (x, t),
P (x, t) = [f (x)P (x, t)] +
t
x
2 x2
(3.120)
BIBLIOGRAFIA
Chandrasekhar, S. 1943. Stochastic problems in physics and astronomy.
Rev. Mod. Phys., 15, 1.
Gardiner, C. W. 1983. Handbook of Stochastic Methods for Physics, Chemistry and Natural Sciences. Springer-Verlag, Berlin.
Haken, H. 1976. Synergetics, An Introduction. Springer-Verlag, Berlin.
Kac, M. 1947. Random walk and the theory of Brownian motion. American
Mathematical Monthly , 54, 369.
Equac
ao de Langevin
EXERCICIOS
1. Mostre que a correlacao temporal das velocidades de uma partcula livre,
executando movimento browniano (ver secao 3.1), e dada por
hv(t0 )v(t0 + t)i = e|t|/m hv 2 (t0 )i.
Determine, a partir dela, a autocorrelacao de equilbrio K(t) definida por
K(t) = lim hv(t0 )v(t0 + t)i
t0
b
e a transformada de Fourier K()
=
eit K(t)dt.
61
62
Din
amica Estoc
astica e Irreversibilidade
dx
= v,
dt
onde o rudo (t) possui as propriedades
h(t)i = 0
h(t)(t )i = (t t ).
Use o metodo desenvolvido na secao 3.3 para determinar x(t) e v(t) como
funcoes do tempo para a condicao inicial x(0) = 0 e v(0) = 0. Mostre que
Z t
v(t) = a
onde
t
0
1
1 2
2 + + 2 = 0.
Em particular mostre que
hx2 i =
et 1 e22 t 1
a2 e21 t 1
(
+4
+
),
2
1
2
hxvi =
e
hv 2 i =
a2 1 t
(e e2 t )2
2
et 1
a2
[1 (e21 t 1) + 41 2
+ 2 (e22 t 1)].
2
d 2
hx i = 2hxvi
dt
A partir dessas equacoes, determine hxvi e hx2 i como funcoes do tempo.
Supo- nha que no instante t = 0 a posicao e a velocidade da partcula
sejam x0 e v0 , respectivamente.
Equac
ao de Langevin
dx2
= bx1 + 2 (t),
dt
c) f (x) = bx(x2 a2 ).
Faca histogramas para diversos valores de t.
7. Use a equacao de Fokker-Planck para deduzir a equacao de evolucao temporal dos momentos.
63
o de Fokker-Planck
Equac
a
4.1
EM UMA VARIAVEL
EQUAC
AO
(4.1)
(4.2)
h(t)(t )i = (t t ),
(4.3)
est
a associada `
a equacao de Fokker-Planck em uma variavel, ou equacao de
Smoluchowski,
(4.4)
66
Din
amica Estoc
astica e Irreversibilidade
d2 x
dx
=
+ Fe (x) + F (t),
2
dt
dt
(4.5)
= Fe (x) + F (t).
(4.6)
dt
Dividindo ambos os membros dessa equacao pelo coeficiente de atrito , camos
na equacao (4.1). Assim a grandeza f (x) da equacao (4.1) e interpretada como a
forca externa, dividida por , e o rudo (t) e interpretado como forca aleat
oria,
dividida por .
Dois casos particulares da equacao (4.1) ja foram vistos anteriormente: o
caso em que f (x) = c, constante, e o caso em que f (x) = x. O primeiro caso
corresponde `
a difus
ao de partculas sujeitas `a uma forca constante. O segundo
caso corresponde `
a difus
ao de partculas sujeitas `a uma forca elastica.
No primeiro caso, as equacoes de Langevin e Fokker-Planck s
ao
dx
= c + (t)
dt
(4.7)
P
P
2P
,
= c
+
t
x
2 x2
(4.8)
(x ct)2
1
exp{
}.
2t
2t
(4.9)
dx
= x + (t)
dt
(4.10)
P
(xP ) 2 P
=
+
.
t
x
2 x2
(4.11)
Equac
ao de Fokker-Planck
Essa u
ltima e conhecida tambem como equacao de Smoluchowski. A solucao
(ver exerccio 1) para a condicao inicial P (x, 0) = (x x0 ) e a gaussiana
P (x, t) = p
1
2b(t)
exp{
[x a(t)]2
}
2b(t)
(4.12)
(4.13)
(1 et ).
2
(4.14)
x2
P (x) =
exp{
}.
(4.15)
4.2
ESTACIONARIA
SOLUC
AO
Em seguida, vamos ver de que maneira pode ser obtida a solucao estacion
aria
da equacao de Fokker-Planck (4.4) no caso geral. Para isso, escrevemos essa
equacao na forma
P (x, t).
2 x
(4.17)
(4.18)
67
68
Din
amica Estoc
astica e Irreversibilidade
ent
ao o lado esquerdo da equacao (4.18) deve se anular, de onde se conclui que as
condicoes de contorno deve ser tais que J(a, t) = J(b, t). Assim, a conservacao
da probabilidade total (4.19) nao e conseq
uencia apenas da equacao de FokkerPlanck mas tambem das condicoes de contorno. Trataremos nesta secao somente
do caso em que a corrente de probabilidade nos extremos x = a e x = b se anule
para qualquer instante t, isto e, J(a, t) = J(b, t) = 0. A condicao de contorno
tal que a corrente de probabilidade se anula e denominada refletora.
No regime estacion
ario, a densidade de probabilidade sera independente de t
de modo que a corrente de probabilidade tambem sera independente de t, tendo
em vista a equacao (4.17). Como o lado esquerdo da equacao (4.16) se anula,
ent
ao a corrente de probabilidade sera tambem independente de x. Logo, ela
deve ter o mesmo valor qualquer que seja x. Mas como ela e nula nos extremos
do intervalo [a, b], ent
ao ela deve ser nula em todo o intervalo. Portanto, a
distribuicao estacion
aria P (x) deve satisfazer a equacao
f (x)P (x)
d
P (x) = 0
2 dx
(4.20)
ou ainda
2
d
ln P (x) = f (x).
(4.21)
dt
ent
ao
d
V (x)
dx
2
ln P (x) = V (x) + const,
(4.22)
(4.23)
de onde obtemos
2
P (x) = A exp{ V (x)},
(4.24)
Exemplo 2. Se no exemplo 1 denotarmos por U (x) a energia potencial associada a Fe (x), vemos que U (x) = V (x). No entanto, vimos no captulo anterior
que = 2kB T . Dessa forma temos:
P (x) = A exp{
U (x)
}.
kB T
(4.25)
Equac
ao de Fokker-Planck
A normalizacao de P (x) da A =
p
k/2kB T .
Exemplo 4. Considere o caso de uma partcula sujeita a um campo gravitacional, isto e, Fe (x) = mg. Nesse caso o intervalo de variacao de x e x 0.
Temos V (x) = mgx e portanto
P (x) = A exp{
mgx
}.
kB T
(4.27)
4.3
OPERADOR DE EVOLUC
AO
(4.28)
(4.29)
onde W e o operador de evolucao, que age sobre funcoes (x), definido por
2
(x).
[f (x)(x)] +
x
2 x2
W(x) =
(4.30)
W(x)dx = 0.
(4.31)
69
70
Din
amica Estoc
astica e Irreversibilidade
(4.32)
(4.33)
t2 2 t3 3
W + W + ...
2!
3!
(4.34)
(4.35)
a (x).
(4.36)
a et (x).
(4.37)
=0
Ent
ao a equacao (4.33) nos da
P (x, t) =
X
=0
(x)dx = 0,
(4.38)
X
=1
a et (x).
(4.39)
Equac
ao de Fokker-Planck
onde levamos em conta que a0 = 1, o que pode ser mostrado integrando ambos
os lados da equacao (4.36) e usando o resultado (4.38).
Veremos mais adiante, na secao 4.5, que os outros autovalores s
ao estritamente negativos de forma que todas as parcelas da somatoria se anulam quando
t . Portanto, nesse limite P (x, t) P (x).
O comportamento de P (x, t) para tempos longos sera portanto exponencial
e ca- racterizado pelo segundo autovalor dominante 1 , ou seja,
P (x, t) = P (x) + a1 (x)et|1 |
(4.40)
(4.41)
com as condicoes de contorno (L/2) = (L/2) = 0. As solucoes que obedecem essas condicoes s
ao
(
L1 cos(kx) = 0, 2, 4, ...
(x) =
(4.42)
= k 2 ,
1
2
L sin(kx) = 1, 3, 5, ...
onde k = /L e escolhemos a normalizacao de modo que 0 (x) = P (x). A
solucao da equacao de Fokker-Planck para o caso de a partcula estar na origem
em t = 0, isto e, P (x, 0) = (x), sera
P (x, t) =
1
2
+
L L
etk
/2
cos(kx).
(4.43)
=2(par)
71
72
Din
amica Estoc
astica e Irreversibilidade
4.4
ADJUNTA
EQUAC
AO
(4.45)
(4.46)
(4.47)
para quaisquer funcoes (x) e (x) que pertencam `a classe de funcoes mencionada logo abaixo da equacao (4.30). A partir das definicoes de W e de W
conclumos que
2
(x).
(4.48)
W (x) = f (x) (x) +
x
2 x2
Portanto, W nao e auto-adjunto (hermitiano), exceto quando f (x) 0.
Denotando por (x) as autofuncoes de W , podemos escrever
W = ,
(4.49)
pois o operador adjunto W deve ter os mesmos autovalores de W. Os conjuntos das autofuncoes desses dois operadores formam um conjunto bi-ortonormal,
possuindo as seguintes propriedades:
Z
(x) (x)dx =
(4.50)
e
(x ) (x) = (x x ).
(4.51)
Equac
ao de Fokker-Planck
2
P
+ P 2 +
= P .
x
2 x
x x
(4.52)
2
+
=
x
2 x2
(4.53)
(4.54)
p
Comparando com a equacao (4.53), podemos concluir que (x) = a H (x /)
e que = .
4.5
OPERADOR HERMITIANO
onde 0 (x) =
(4.55)
P (x). As autofuncoes de K s
ao (x) = [0 (x)]1 (x), pois
K = 01 W = 01 = ,
(4.56)
(0 )}.
(f 0 ) +
x
2 x2
(4.57)
1
1
ln 0 =
ln P (x) = f (x)
x
2 x
(4.58)
73
74
Din
amica Estoc
astica e Irreversibilidade
(4.59)
h2 2
+ Vef (x)
2m x2
(4.60)
1
1
{ f (x) + [f (x)]2 }
2 x
(4.61)
1
2
1
( 2 x2 ) +
.
2
2 x2
(4.62)
h2 2
1
1
+ m 2 x2 = h( + )
2m x2
2
2
(4.63)
1 2 2
2
x + = .
2 x2
2
2
(4.64)
Logo, = , e os autovalores s
ao negativos, exceto 0 = 0.
importante notar que a expressao (4.59) nos diz que K e de fato hermitiE
ano. Os operadores hermitianos possuem as seguintes propriedades: os autovalores s
ao reais, as autofuncoes s
ao ortogonais e formam um conjunto completo.
Essa u
ltima propriedade justifica a expansao feita em (4.36). Pode-se mostrar
ainda que o autovetor dominante (aquele que corresponde ao maior autovalor)
e estritamente positivo e nao degenerado. Portanto podemos identifica-lo com
a densidade de probabilidade estacion
aria P (x). Sendo nulo o autovalor correspondente (e nao degenerado), ent
ao todos os outros devem ser estritamente
negativos.
Equac
ao de Fokker-Planck
2
K =
=
0 ( ) ,
(4.66)
2
0 0
2 0
0
onde usamos a equacao (4.58) para eliminar f . Assim
Z
Z
2
Kdx =
( ) 0 ( ) dx
2
0
0
e, fazendo uma integracao por partes, obtemos:
2
Z
Z
2
Kdx =
( 0 ) 0 dx 0,
2
(4.67)
(4.68)
4.6
EM VARIAS
EQUAC
AO
VARIAVEIS
(4.71)
onde 11 , 12 , 22 , ... s
ao constantes.
Desejamos determinar a equacao da evolucao temporal da distribuicao de
probabilidades P (x1 , x2 , ..., xN , t) das variaveis x1 , x2 , ..., xN . Usando procedimento analogo `
aquele utilizado para o caso de uma variavel, visto no captulo
75
76
Din
amica Estoc
astica e Irreversibilidade
1 XX
2
P =
(fi P ) +
P,
ij
t
xi
2 i=1 j=1
xi xj
i=1
(4.72)
dv
= v + Fe (x) + F (t),
dt
(4.73)
(4.74)
hF (t)F (t )i = B(t t ),
(4.75)
e
onde B = 2kB T. A equacao (4.73) junto com a equacao
dx
=v
dt
(4.76)
P.
P = v P Fe (x) P +
(vP ) +
t
x
m
v
m v
2 v 2
(4.77)
Essa u
ltima equacao e denominada equacao de Kramers.
Para caso de uma forca externa elastica, Fe (x) = kx, a equacao se torna
P = v P + 2 x P + (vP ) +
P,
t
x
v
v
2 v 2
(4.78)
P =
Ji ,
(4.79)
t
x
i
i=1
Equac
ao de Fokker-Planck
Ji = fi P
1X
P.
ij
2 j=1
xj
(4.80)
N
N N
X
2
1 XX
ij
(fi P ) +
P = 0,
xi
2 i=1 j=1
xi xj
i=1
(4.81)
Ji = 0.
x
i
i=1
(4.82)
No caso de uma u
nica variavel, vimos que a corrente de probabilidade estacionaria deve ser constante, isto e, independente da posicao, e que essa constante
deve ser nula. Para mais de uma variavel, entretanto, isso pode nao acontecer.
O fato de a componente normal ser nula nos pontos da superficie de contorno
nao e suficiente para garantir que a corrente seja nula em toda parte. De fato,
as correntes podem ser circulares e tangentes `a superfcie de contorno.
Vamos examinar, em seguida, as condicoes que fi e ij devem satisfazer para
que, no regime estacion
ario, a corrente se anule em todos os pontos. Quando
a corrente e nula em todos os pontos, temos uma situacao de equilbrio termodin
amico. Se, no regime estacion
ario, Ji = 0, ent
ao, a equacao (4.80) nos
da
N
1X
fi =
lnP.
(4.83)
ij
2 j=1
xj
Por conveniencia definimos uma matriz quadradada G cujos elementos s
ao
ij e construmos a grandeza Fi dada por
Fi = 2
N
X
k=1
(G1 )ik fk ,
(4.84)
77
78
Din
amica Estoc
astica e Irreversibilidade
Fi =
lnP.
(4.85)
xi
Portanto, dessa equacao resulta a condicao procurada:
Fi =
Fj ,
xj
xi
(4.86)
.
xi
(4.87)
(4.88)
P = A exp{},
(4.89)
ou ainda
fi =
fj
(4.90)
xj
xi
para quaisquer pares i, j. Essa condicao nos diz que a forca deve ser conservativa,
isto e, deve ser o gradiente de um potencial V (x1 , x2 , ..., xN ):
fi =
V.
xi
(4.91)
(4.92)
Equac
ao de Fokker-Planck
4.7
METODO
ESTOCASTICO
DE LANGEVIN
1
1
exp{
V (x1 , x2 , ..., xN )},
Q
kB T
(4.93)
V (x1 , x2 , ..., xN )
(4.96)
fi (x1 , x2 , ..., xN ) =
xi
e com i = = 2kB T . Se usarmos a equacao de Langevin para gerar numericamente uma trajet
oria a partir de um estado inicial dado, os estados serao gerados
de acordo com a distribuicao de probabilidades P (x1 , x2 , ..., xN , t) dependente
do tempo e que satisfaz a equacao de Fokker-Planck
N
N
X
X
P (x, t) =
fi (x)P (x, t) + kB T
P (x, t).
t
xi
x2i
i=1
i=1
(4.97)
79
80
Din
amica Estoc
astica e Irreversibilidade
Para tempos longos os estados estarao sendo gerados de acordo com a densidade
de probabilidade dada por (4.93) pois essa distribuicao e a solucao estacion
aria
da equacao de Fokker-Planck (4.97). Assim, se descartarmos os estados iniciais, os estados seguintes estarao sendo gerados de acordo com a probabilidade
desejada. Note que nesse metodo nao e necessario determinar a constante de
normalizacao Q.
Para a efetiva utilizacao do metodo estocastico de Langevin, devemos inicialmente discretizar o tempo. Dessa forma escrevemos a equacao de Langevin
na forma
(+1)
xi
()
()
()
()
= xi + fi (x1 , x2 , ..., xN ) +
()
()
2 kB T i ,
(4.98)
s
ao independentes e possuem as propriedades
hi i = 0
()
h[i ]2 i = 1,
(4.99)
N
N
X
X
a
b
( x2i x4i ) c
xi xi+1 ,
2
4
i=1
i=1
(4.100)
onde a, b, e c s
ao par
ametros positivos, e usamos condicoes peri
odicas de contorno, isto e, xN +1 = x1 . A forca fi sera pois
fi = axi bx3i + c(xi1 + xi+1 ),
(4.101)
2 kB T i ,
(4.102)
Equac
ao de Fokker-Planck
BIBLIOGRAFIA
Chandrasekhar, S. 1943. Stochastic problems in physics and astronomy.
Rev. Mod. Phys., 15, 1.
Gardiner, C. W. 1983. Handbook of Stochastic Methods for Physics, Chemistry and Natural Sciences. Springer-Verlag, Berlin.
Haken, H. 1976. Synergetics, An Introduction. Springer-Verlag, Berlin.
Kac, M. 1947. Random walk and the theory of Brownian motion. American
Mathematical Monthly, 54, 369.
Kampen, N. G. van 1981. Stochastic Processes in Physics and Chemistry.
North-Holland, Amsterdam.
Nicolis G. & Prigogine, I. 1979. Self-Organization in Nonequilibrium Systems. John Wiley, New York.
Oliveira, M. J. de 1996. Numerical stochastic methods in statistical mechanics. Int. J. Mod. Phys., 10, 1313.
Risken, H. 1984. The Fokker-Planck Equation: Methods of Solution and Applications. Springer-Verlag, Berlin.
T. & Oliveira, M. J. de 1997. Stochastic mechanics of nonequiliTome
brium systems. Braz. J. Phys., 27, 525.
Ulenbeck G. E. & Ornstein, L. S. 1930. On the theory of the Brownian
motion. Phys. Rev. , 36, 823.
EXERCICIOS
1. Determine a solucao geral da equacao de Smoluchowski
P
2P
= (xP ) +
t
x
2 x2
correspondente a f (x) = x, supondo que ela seja da forma
P (x, t) = p
1
2b(t)
exp{
[x a(t)]2
},
2b(t)
81
82
Din
amica Estoc
astica e Irreversibilidade
x > 0,
,
f (x) =
0,
x = 0,
,
x < 0,
onde e uma constante positiva.
b
,
ab c2
hy 2 i =
a
ab c2
hxyi =
c
.
ab c2
Equac
ao de Fokker-Planck
onde a, b, e c s
ao constante positivas, e consideramos condicoes de contorno
pe- riodicas, isto e, xN +1 = x1 . Use o metodo estocastico de Langevin para
obter um histograma da variavel m definida por m = (x1 +x2 +...+xN )/N,
isto e, a densidade de probabilidade de m. Repita a simulacao para outras
temperaturas.
83
Cadeias de Markov
5.1
PROCESSOS ESTOCASTICOS
(5.1)
(5.2)
86
Din
amica Estoc
astica e Irreversibilidade
probabilidade condicional
P+1 (n+1 |n )
(5.3)
(5.4)
Vemos pois que o processo markoviano fica completamente definido pelas probabiliddes condicionais dadas por (5.3) e pela probabilidade inicial P0 (n0 ).
Vamos definir agora a probabilidade P (n ) de que a variavel xt tome o valor
n no instante t = independentemente de quais valores ela tenha tomado nos
instantes anteriores. Ela e dada por
P (n ) =
P (n0 , n1 , n2 , ..., n ),
(5.5)
n1
(5.6)
(5.7)
n1
T (n , n1 )P1 (n1 ).
(5.8)
Cadeias de Markov
5.2
MATRIZ ESTOCASTICA
P (n) =
(5.9)
(5.10)
T (n, m) = 1,
(5.11)
pois ela deve estar normalizada. Ou seja, os elementos da matriz T devem ser
nao negativos e a soma dos elementos de uma coluna qualquer deve ser igual
a unidade. Note que a somatoria e feita sobre a primeira variavel, que denota
o ndice de linha da matriz. Qualquer matriz quadrada que possua essas duas
propriedades e chamada de matriz estocastica.
Se definirmos a matriz P como a matriz coluna cujos elementos s
ao P (n),
ent
ao a equacao (5.9) pode ser escrita na forma de um produto de matrizes, isto
e,
P = T P1 .
(5.12)
(5.13)
(5.14)
87
88
Din
amica Estoc
astica e Irreversibilidade
5.3
TEOREMA DE PERRON-FROBENIUS
(5.15)
(5.16)
Com essa finalidade, apresentamos algumas propriedades gerais da matriz estocastica e algumas definicoes.
1) A matriz estocastica possui um autovalor igual `a unidade.
2) Qualquer autovalor de T satisfaz a condicao || 1, isto e, no plano
complexo, os autovalores se localizam no disco de raio igual `a unidade.
3) Ao autovalor = 1 corresponde um autovetor com componentes nao
negativas.
Notar que em geral os autovalores podem ser complexos e que ao autovalor
= 1 pode corresponder mais de um autovetor, isto e, o autovalor = 1 pode
ser degenerado.
Definica
o. Uma matriz estocastica e irredutvel se para cada par (m, n)
existe uma potencia tal que T (m, n) > 0. Isto significa que a probabilidade
de atingir um determinado estado a partir de um outro qualquer e nao nula. O
expoente nao precisa ser necessariamente o mesmo para todos os pares.
4) Teorema de Perron-Frobenius. O autovalor = 1 de uma matriz irredutvel e nao degenerado. Alem disso o autovetor correspondente possui todas
as componentes estritamente positivas.
Esse teorema afirma que a solucao estacion
aria da equacao (5.16) e u
nica e
que alem disso P (n) > 0. E importante notar que e possvel haver autovalores
tais que || = 1 alem do autovalor = 1. Isso pode ocorrer com as matrizes
chamadas cclicas.
Definica
o. Uma matriz estocastica e regular se todos os elementos de alguma
potencia de T s
ao estritamente positivos. Ou seja, se existe tal que T (n, m) >
0 para quaisquer n e m. Note que todos os elementos devem ser estritamente
positivos para o mesmo . Matriz regular e equivalente a matriz irredutvel e
aperi
odica.
5) Com excecao do autovalor = 1, todos os autovalores de uma matriz
regular s
ao, em modulo, estritamente menores do que a unidade, isto e, || < 1.
Cadeias de Markov
5.4
METODO
ALGEBRICO
(5.17)
k T = k k .
(5.18)
Note que k e uma matriz coluna enquanto que k e uma matriz linha. Os
autovetores formam um conjunto completo ortonormalizado de modo que
j k = jk
e
k k = I,
(5.19)
(5.20)
89
90
Din
amica Estoc
astica e Irreversibilidade
a matriz linha que possui todas as entradas iguais a unidade, isto e, 1 (n) = 1
para qualquer n. Realmente, a equacao
X
T (n, m) = 1
(5.21)
n
escrita na forma
(5.22)
obtemos:
P = T P0 =
k k (k P0 )
(5.25)
ou ainda
P = P +
k k (k P0 ),
(5.26)
k6=1
1 1
1
1 =
q+b
"
"
e
1 h
2 =
b
q+b
2 =
1
1
q
b
1 = 1
2 = 1 b q.
(5.27)
(5.28)
(5.29)
Cadeias de Markov
Assim obtemos:
T = 1 1 1 + 2 2 2
ou seja,
1
T =
q+b
"
q
b
q
b
(1 q b)
+
q+b
(5.30)
"
b
b
q
q
(5.31)
"
p1
p2
(5.32)
obtemos:
1
P = T P0 =
q+b
"
q
b
(1 q b)
+
q+b
"
bp1 qp2
bp1 + qp2
(5.33)
Se q + b 6= 0 ent
ao, no limite , P se aproxima da probabilidade estacionaria 1 independentemente da condicao inicial.
5.5
REVERSIBILIDADE MICROSCOPICA
A probabilidade estacion
aria P (n) satisfaz a equacao
X
P (n) =
T (n, m)P (m),
(5.34)
(5.35)
P
pois m T (m, n) = 1. Se a solucao da equacao (5.35) e tal que cada parcela
da somatoria se anula, ent
ao a solucao estacion
aria satisfaz o balanceamento
detalhado ou a condicao de reversibilidade microsc
opica. Nesse caso dizemos
que P (n) e a probabilidade de equilbrio termodin
amico. Entretanto, a reversibilidade microsc
opica e uma propriedade da matriz estocastica e, portanto, do
processo estocastico que estamos considerando. Alguns processos estocasticos
possuem reversibilidade microsc
opica, outros nao.
Suponha que o processo markoviano satisfaca o balanceamento detalhado
T (n, m)P (m) = T (m, n)P (n)
(5.36)
para qualquer par m, n de estados. O lado direito e interpretado como a probabilidade de transicao de m para n, enquanto que o lado direito e a probabilidade
91
92
Din
amica Estoc
astica e Irreversibilidade
(5.37)
(5.38)
(5.39)
1
1
Tb(m, n)
k (n) = k
k (m).
(n)
(m)
(5.42)
Cadeias de Markov
5.6
ENTROPIA
P (n) ln
P (n)
P (n)
(5.43)
(5.44)
m=1
onde
pm 0
N
X
pm = 1.
(5.46)
m=1
A partir da equacao de evolucao para P (n) e usando a condicao de balanceamento detalhado (5.36), obtemos:
P+1 (n) X
P (m)
=
.
T (m, n)
P (n)
P (m)
m
(5.47)
P (n)f (
X
P+1 (n)
P (m)
)
).
P (m)f (
P (n)
P (m)
m
(5.49)
P+1 (n) ln
P+1 (n) X
P (m)
P (m) ln
P (n)
P (m)
m
(5.50)
93
94
Din
amica Estoc
astica e Irreversibilidade
5.7
MODELO DE EHRENFEST
N n
,
n = 1, 2, ..., N 1, N,
(5.55)
N
onde q = 1 p. O modelo original de Ehrenfest e recuperado quando p = 0.
Substituindo T (m, n) na equacao de evolucao temporal
T (n + 1, n) = q
P+1 (m) =
N
X
(5.56)
n=0
obtemos:
n+1
n1
)P (n 1) + pP (n) + q(
)P (n + 1),
(5.57)
N
N
equacao que e valida para n = 0, 1, 2, ..., N , desde que coloquemos P (N +1) = 0
e P (1) = 0. Essa equacao sera resolvida para a condicao inicial P0 (n) = n,N
que corresponde a ter todas as bolas na urna A.
P+1 (n) = q(1
Cadeias de Markov
A probabilidade estacion
aria P (n) satisfaz a equacao
P (n) = (1
n1
n+1
)P (n 1) + (
)P (n + 1)
N
N
cuja solucao e
N
P (n) = 2
N
n
(5.58)
(5.59)
N
X
nP (n).
(5.60)
n=0
2
X ),
N
(5.61)
N
2
N
+ (1 q) .
2
2
N
(5.62)
N
X
n2 P (n).
(5.64)
n=0
4
q)Y + 2qX + q
N
(5.65)
N
2
N
(1 q) ,
4
4
N
(5.67)
95
96
Din
amica Estoc
astica e Irreversibilidade
(5.68)
n=0
ou ainda
q(1
n1
n+1
)(n 1) + p(n) + q(
)(n + 1) = (n),
N
N
(5.69)
v
alida para n = 0, 1, 2, ..., N , desde que coloquemos (1) = 0 e (N + 1) = 0.
Defina em seguida a funcao f (x) por
f (x) =
N
X
(n)xn
(5.70)
n=0
que e um polin
omio de grau N. Multiplicando ambos os membros da equacao
n
(5.69) por x e somando em n, conclumos que f (x) deve satisfazer a equacao
q(1 x2 )f (x) = N ( p qx)f (x)
(5.71)
(5.72)
cuja solucao e
onde A e uma constante e k = N ( 1)/2q.
Como a funcao f (x) deve ser um polin
omio de grau N , segue-se que k tem
que ser um n
umero inteiro maior ou igual a zero e menor ou igual a N. Portanto,
os autovalores s
ao dados por
k = 1
2q
k
N
com
k = 0, 1, 2, ..., N.
(5.73)
N
X
k (n)xn .
(5.74)
n=0
Como o autovetor 0 deve ser identificado com o vetor probabilidade estacionaria P, que est
a normalizado, ent
ao devemos ter f0 (1) = 1 de onde obtemos
N
A = 2 . Assim
fk (x) = 2N (1 + x)N k (1 x)k ,
(5.75)
Cadeias de Markov
(5.76)
N
X
(5.77)
m=0
N
X
k k (n)k (N ).
(5.78)
k=0
N
X
xn P (n) =
n=0
N
X
k fk (x)k (N ).
(5.79)
k=0
N
X
k=1
N
k (1)k (N
(1 + x)N k (1 x)k .
k )2
(5.80)
N
N
N
N
2
+ 1 =
+ (1 q)
2
2
2
2
N
(5.81)
n2
T (n 1, n)T (n, n 1)P (n 1)
= 2.
P (n)
N
(5.82)
97
98
Din
amica Estoc
astica e Irreversibilidade
(5.83)
(5.84)
n
T (n + 1, n)T (n, n + 1)P (n + 1)
= (1 )2 .
P (n)
N
(5.85)
5.8
PASSEIO ALEATORIO
Cadeias de Markov
1
1
qP (n + 1) + pP (n) + qP (n 1),
2
2
(5.89)
(5.90)
eikn P (n),
(5.93)
(5.94)
G (k) =
ent
ao
(5.95)
(5.96)
99
100
Din
amica Estoc
astica e Irreversibilidade
(5.101)
(5.102)
ou ainda
P (n) =
(5.103)
1 X
(p + q cos k) eikn .
N
(5.104)
5.9
RECORRENCIA
Seja R (n, m) a probabilidade de a partcula estar na posicao n, apos intervalos de tempo, dado que ela estava na posicao m no instante inicial e que em
nenhum instante ela tenha estado na posicao n. Em outras palavras, R (n, m)
e a probabilidade de a partcula atingir a posicao n pela primeira vez em intervalos de tempo comecando pela posicao m. De acordo com Kac, existe uma
relacao entre a matriz estocastica T e essa probabilidade dada por
T (n, m) =
X
j=1
(5.105)
Cadeias de Markov
v
alida para 1, onde Tj (n, m) = T j (n, m) e a probabilidadede de atingir n
em j intervalos de tempo comecando por m, sendo que T0 (n, m) = (n, m). Essa
relacao pode ser entendida como segue. Comecando do estado m, o estado n
pode ser atingido, em intervalos de tempo, atraves de maneiras mutuamente
excludentes. Cada maneira e rotulada pelo ndice j que indica o n
umero de
passos em que n e atingido pela primeira vez. Assim, a partcula estara em n
apos passos se ela atingir n pela primeira vez em j passos e voltando a n apos
j passos.
Definimos as funcoes geratrizes
g(n, m, z) =
(5.106)
=1
h(n, m, z) =
R (n, m)z .
(5.107)
=1
g(n, m, z) (n, m)
.
g(n, n, z)
Para m = n,
h(n, n, z) = 1
1
.
g(n, n, z)
(5.108)
(5.109)
(5.110)
X
1
R (n, n) = h(n, n, 1) = 1
R(n) =
.
(5.111)
g(n, n, 1)
=1
X
=1
R (n, n) = lim
z1
d
h(n, n, z).
dz
(5.112)
101
102
Din
amica Estoc
astica e Irreversibilidade
Usando a relacao
T (n, m) =
k k (n)k (m)
(5.113)
obtemos:
g(n, m, z) =
X
k
1
k (n)k (m).
1 zk
(5.114)
(5.115)
ou ainda para
g(n, n, z) =
P (n) X
1
+
k (n)k (n),
1z
1 zk
(5.116)
k6=0
1 X eik(nm)
,
N
1 zk
(5.117)
1
1 X
.
N
1 zk
(5.118)
1
dk.
1 zk
(5.119)
Cadeias de Markov
5.10
PASSEIO ALEATORIO
MULTIDIMENSIONAL
Vamos considerar inicialmente o caso em que uma partcula se move num plano.
A cada intervalo de tempo, ela pode saltar uma distanica h na direcao leste,
oeste, norte ou sul com igual probabilidade. Denotamos ent
ao a posicao da
partcula pelo vetor r = hn = h(n1 , n2 ). As probabilidades de transicao nao
nulas s
ao dadas por
T (n, m) =
1
q
4
se
n1 = m1 1 ou
n2 = m2 1,
(5.122)
e
T (n, n) = p,
(5.123)
1
q,
4
F (k) =
se
|n| = 1
f (0) = p,
(5.124)
1
eikn f (n) = p + q(cos k1 + cos k2 ),
2
(5.125)
de modo que
Z Z
2
dk1 dk2 .
2 cos k1 cos k2
(5.126)
103
104
Din
amica Estoc
astica e Irreversibilidade
Essa integral tambem diverge, pois, repetindo o argumento feito na secao anterior, temos que considerar a integral numa vizinhanca da origem. Nessa vizinhanca |k| 1 e devemos analisar o comportamento da integral
Z
Z Z
1
1
2kdk = 2 ln k.
(5.127)
dk
dk
=
1
2
2
2
k1 + k2
k2
Essa integral diverge de forma logaritma quando k 0. Portanto, no plano,
qualquer estado e recorrente.
Em tres ou mais dimensoes devemos generalizar a integral (5.126) para o
caso de um espaco de d dimensoes. A integral nesse espaco sera
1
g(n, n, 1) =
q(2)d
Z Z
...
d
dk1 dk2 ...dkd
d cos k1 cos k2 ... cos kd
(5.128)
e novamente devemos observar o comportamento proximo de k1 = k2 = ... =
kd = 0. A integral numa vizinhanca ao redor da origem e dada por
Z
Z
1 d1
1
1
dk
dk
...dk
=
c
k
dk = c
k d2 ,
(5.129)
1
2
d
k12 + k22 + ... + kd2
k2
d2
que e finita para d 3. Logo, R < 1, para d 3.
Os resultados acima permitem fazer a seguinte afirmacao devida a P
olya:
em uma e duas dimensoes qualquer estado e recorrente (R = 1), isto e, a
partcula voltar
a ao ponto de partida com probabilidade igual a um; em tres
ou mais dimensoes, entretanto, isso nao ocorre; nesses casos, a probabilidade de
recorrencia e menor do que um (R < 1) e a partcula podera nunca mais voltar
ao ponto de partida.
Em tres dimensoes
Z Z Z
1
3
g(n, n, 1) =
...
dk1 dk2 dk3 . (5.130)
3
q(2)
3 cos k1 cos k2 cos k3
1
1.516386...
q
(5.131)
BIBLIOGRAFIA
Chandrasekhar, S. 1943. Stochastic problems in physics and astronomy.
Rev. Mod. Phys., 15, 1.
Cadeias de Markov
EXERCICIOS
1. Uma cadeia e constituda por uma sucess
ao de atomos de tres tipos, A, B,
e C. Nessa cadeia, dois
atomos do mesmo tipo nunca aparecem juntos. Um
atomo do tipo B sucede um do tipo A com probabilidade 1/3 e um atomo
do tipo A sucede um
atomo do tipo B com probabilidade 1/3. Depois
de um
atomo do tipo C sempre vem um atomo do tipo A. Determine
a concentracao de cada tipo de atomo. Determine a fracao dos possveis
pares de
atomos vizinhos.
2. Uma cadeia de Markov e definida pela matriz estocastica T e pelo vetor
probabilidade inicial P0 , dados por
1
0
1/3 1
P0 = 0
T = 1/3 0
0
0
2/3 2/3 0
105
106
Din
amica Estoc
astica e Irreversibilidade
n1
n2
o Mestra
Equac
a
6.1
INTRODUC
AO
(6.2)
implica
(n) =
W (m, n).
(6.4)
m(6=n)
108
Din
amica Estoc
astica e Irreversibilidade
(6.6)
m(6=n)
m(6=n)
(6.9)
m(6=n)
que e a equaca
o mestra. W (n, m) e interpretada como a probabilidade de
transicao de m para n por unidade de tempo, ou ainda, taxa de transica
o de m
para n.
Exemplo 1. O passeio aleat
orio em tempo contnuo e definido como segue.
Um partcula se move ao longo de uma reta. A cada intervalo de tempo curto
t, ela salta uma distancia h para a esquerda ou para a direita com probabilidade t/2. As possveis posicoes da partcula s
ao dadas por x = nh onde
n = 0, 1, 2, ..., N 1. Por conveniencia consideramos condicoes peri
odicas de
contorno. As taxas de transicao W (n, m) s
ao dadas por
W (n, n + 1) = W (n, n 1) =
.
2
(6.10)
6.2
(6.11)
W
MATRIZ DE EVOLUC
AO
Equac
ao Mestra
nao participa dessa equacao podemos defini-lo segundo nossa conveniencia. Vamos definir W (n, n) de tal forma que
X
W (m, n) = 0,
(6.12)
(6.13)
isto e,
W (n, n) =
m(6=n)
W (m, n) = (n).
n 6= m,
(6.14)
b) a soma dos elementos de uma coluna e nula, equacao (6.12). Esta claro que
os elementos da diagonal devem ser negativos ou nulos. Seja uma matriz
coluna cujos elementos s
ao (n). Ent
ao, usando a equacao (6.13), vemos que
X
m
W (n, m)(m) =
(6.15)
m(6=n)
(6.16)
d
P (t) = W P (t),
dt
(6.17)
ou ainda
(6.18)
109
110
Din
amica Estoc
astica e Irreversibilidade
Exemplo 2. Considere o caso mais simples possvel de uma sistema com dois
estados n = 1, 2 com matriz de evolucao W dada por
!
/2 /2
W =
.
(6.20)
/2
/2
facil ver que
E
W = ()1 W,
= 1, 2, 3, ...
(6.21)
de modo que
exp{tW } = I +
t W =I +W
t ()1 = I +
=1
=1
1
(1 et )W, (6.22)
(6.23)
1
(1 et ) + et P (1, 0)
2
(6.24)
P (t) = P (0) +
ou, explicitamente,
P (1, t) =
e
1
(1 et ) + et P (2, 0).
(6.25)
2
No limite t temos P (1, t) = P (2, t) = 1/2, independente da condicao
inicial.
P (2, t) =
6.3
A solucao estacion
aria Pe (n) da equacao mestra e aquela que satisfaz a equacao
X
{W (n, m)Pe (m) W (m, n)Pe (n)} = 0
(6.26)
m(6=n)
ou
W Pe = 0.
(6.27)
(6.28)
Equac
ao Mestra
111
Uma forma de solucionar tal problema e reduzi-lo a um problema de processos markovianos de tempo discreto. Discretizando o tempo em intervalos t,
podemos es- crever a solucao formal (6.18) na forma
P (t) = (etW ) P (0),
(6.29)
onde e tal que t = t. Mas essa equacao pode ser entendida como um
processo markoviano discreto, como visto no captulo 5, cuja matriz estocastica
e
T = etW ,
(6.30)
que tambem pode ser escrita na forma
T = I + tW
(6.31)
6.4
ENTROPIA
X
n
Pne f (xn ),
xn (t) =
Pn (t)
,
Pne
(6.32)
112
Din
amica Estoc
astica e Irreversibilidade
onde f (x) e uma funcao diferenciavel, convexa e tal que f (x) 0 o que implica
H(t) 0. Estamos usando a notacao Pn (t) e Pne no lugar de P (n, t) e Pe (n),
respectivamente.
Derivando a funcao H(t), temos
X
dH
dPn
=
f (xn )
dt
dt
n
(6.33)
X
X
dH
e
=
f (xn )
{Wnm xm Pm
Wmn xn Pne }.
dt
n
(6.34)
e, portanto,
m(6=n)
m(6=n)
que, somado `
a equacao anterior, resulta em
dH
=
dt
e
{(xm f (xn ) + An )Wnm Pm
(xn f (xn ) + An )Wmn Pne } (6.36)
n,m(n6=m)
ou
dH
=
dt
e
{(xm f (xn ) + An ) (xm f (xm ) + Am )}Wnm Pm
.
(6.37)
n,m(n6=m)
e
{(xm xn )f (xn ) + f (xn ) f (xm )}Wnm Pm
.
(6.38)
n,m(n6=m)
Para uma funcao convexa, a expressao entre chaves e sempre estritamente negativa, exceto quando xm = xn , de modo que dH/dt < 0. No entanto, como
H(t) 0, ela deve decrescer e se aproximar de seu valor mnimo, ou seja, ela
deve se anular quando t , o que ocorre se, para qualquer par n, m tal
que Wnm 6= 0, tenhamos xn () = xm (). Se a matriz de evolucao W for tal
que qualquer estado possa ser atingido a partir de qualquer outro estado ent
ao
xn () deve ter o mesmo valor para todos os possveis valores de n de onde
conclumos que Pn () = Pne .
A escolha f (x) = x ln x x + 1, resulta na funcao H de Boltzmann dada por
H(t) =
X
n
Pn (t) ln
Pn (t)
,
Pne
(6.39)
Equac
ao Mestra
que est
a relacionada com a entropia S(t) atraves de S = kH + C onde k e
C s
ao constantes. A entropia assim definida e, portanto, uma funcao temporal
monotonica crescente.
6.5
METODO
ALGEBRICO
A solucao da equacao mestra pode ser obtida se determinarmos todos os autovetores e autovalores da matriz de evolucao W . Suponha que {k } e {k }
sejam os autovetores `
a esquerda e `a direita, respectivamente; e que {k } sejam
os autovalores correspondentes, isto e,
W k = k k
k W = k k .
(6.40)
k k = I,
(6.41)
0 (n)W (n, m) = 0
(6.42)
k k =
ak etk k ,
de onde obtemos:
P (t) =
etk k k
(6.43)
(6.44)
k(6=0)
ak etk k ,
(6.45)
113
114
Din
amica Estoc
astica e Irreversibilidade
(6.46)
(6.47)
e
1 h
1 =
b
q+b
1 =
"
1
1
1 = (b + q).
(6.48)
Assim, obtemos
etW = et0 0 0 + et1 1 1 ,
ou seja,
tW
1
=
q+b
"
q
b
q
b
et(b+q)
+
q+b
"
b
b
(6.49)
q
q
(6.50)
"
p1
p2
(6.51)
obtemos:
tW
P (t) = e
1
P (0) =
q+b
"
q
b
et(b+q)
+
(bp1 qp2 )
q+b
"
1
1
(6.52)
6.6
REVERSIBILIDADE MICROSCOPICA
Quando as taxas de transicao W (n, m) forem tais que a probabilidade estacionaria Pe (n) satisfizer a equacao
W (n, m)Pe (m) W (m, n)Pe (n) = 0
(6.53)
Equac
ao Mestra
para quaisquer pares de estados m e n, dizemos que elas obedecem o balanceamento detalhado. Nesse caso dizemos que Pe (n) alem de ser a probabilidade
estacion
aria e tambem a probabilidade de equilbrio termodin
amico. Entretanto, devemos observar que a obediencia ao balanceamento detalhado e uma
propriedade t
ao-somente da matriz de evolucao W . Algumas matrizes, ou seja,
alguns processos, obedecem o balanceamento, outros nao.
A condicao de balanceamento detalhado e equivalente `a reversiblidade microsc
opica. A probabilidade da transicao m n durante um intervalo de tempo
pequeno t, no estado estacion
ario, e igual a (t)W (n, m)Pe (m), enquanto a
probabilidade da transicao reversa n m e igual a (t)W (m, n) Pe (n). Se a
equacao (6.53), for satisfeita ent
ao essas duas probabilidades serao iguais para
quaisquer pares de estados m e n.
Podemos em princpio estabelecer se um determinado processo obedece a
reversibi- lidade microsc
opica sem apelar para a equacao (6.53), isto e, sem
que se saiba, a priori, a probabilidade estacion
aria. Considere tres estados
(6.54)
(6.56)
(6.58)
115
116
Din
amica Estoc
astica e Irreversibilidade
(6.59)
6.7
PASSEIO ALEATORIO
GENERALIZADO
Vamos considerar aqui um processo que pode ser entendido como um passeio
aleat
orio ao longo de uma reta, mas com transicoes que dependem da posicao
em que se encontra o passeante. As possveis posicoes ao longo da reta s
ao
dadas por x = hn. A cada intervalo de tempo pequeno t, uma partcula que
esteja na posicao x = hn salta uma distancia h para a direita com probabilidade
(t)an ou para a esquerda com probabilidade (t)bn . As taxas de transicao
Wnm s
ao pois dadas por
Wn+1,n = an
Wn1,n = bn .
(6.60)
(6.61)
N n
,
N
n = 0, 1, 2, ..., N 1
(6.62)
n
,
n = 1, 2, ..., N 1, N,
N
onde e uma constante positiva. A equacao mestra escreve-se
Wn1,n = bn =
d
n+1
n1
Pn (t) =
Pn+1 (t) + (1
)Pn1 (t) Pn (t).
dt
N
N
(6.63)
(6.64)
Equac
ao Mestra
(6.65)
(6.67)
6.8
REAC
OES
QUIMICAS
Nesta secao estudaremos a cinetica das reacoes qumicas sob o ponto de vista
estocastico. A principal raz
ao dessa abordagem e que as reacoes qumicas s
ao
de natureza estatstica. Em alguns casos, as flutuacoes s
ao pequenas, mas em
outros, elas s
ao grandes o suficiente para justificar um tratamento estocastico.
Uma tratamento detalhado das reacoes qumicas e difcil, de modo que usaremos uma abordagem aproximada. As reacoes qumicas serao descritas por um
modelo tal que as interacoes entre componentes s
o dependam do n
umero delas,
nao dependendo das configuracoes microsc
opicas das moleculas. Dentro desse
modelo, as taxas de reacao serao funcoes apenas dos n
umeros de moleculas de
cada especie envolvida nas reacoes. Um tratamento mais geral, em que se leve
em conta a individualidade das moleculas e sua configuracoes locais, sera objeto
de estudo mais adiante, no Captulo 11.
Vamos considerar inicialmente o caso mais simples da reacao A B com
taxa de reacao k e que corresponde, por exemplo, ao caso do decaimento radiativo. Os estados possveis correspondem ao n
umero n de moleculas do tipo A
onde n = 0, 1, 2, 3, .... A probabilidade de transicao n n 1 num intervalo de
tempo t pequeno e (t)kn de modo que bn = kn e an = 0. A equacao mestra
e pois
d
Pn (t) = k(n + 1)Pn+1 (t) knPn (t)
(6.68)
dt
117
118
Din
amica Estoc
astica e Irreversibilidade
(6.69)
d 2
hn i = 2khn2 i + khni.
dt
(6.70)
(6.71)
(6.72)
e
com a condicao inicial hni = n0 e hn2 i = n20 . A variancia e dada por
hn2 i hni2 = n0 ekt (1 ekt ).
(6.73)
2A,
(6.74)
A + B,
(6.75)
C,
(6.76)
bn = k2 n2 + k3 n.
(6.77)
(6.78)
Equac
ao Mestra
(6.79)
d 2
hn i = (k1 + k3 )hni + (2k1 2k3 + k2 )hn2 i 2k2 hn3 i.
(6.80)
dt
Vemos pois que a evolucao temporal de um determinado momento depende
de momentos de ordem superior. Uma maneira de resolver aproximadamente
essas equacoes e fazer um truncamento. O mais simples consiste em fazer a
aproximacao hn2 i = hni2 a qual, inserida na equacao (6.79), nos da a equacao
aproximada
d
hni = (k1 k3 )hni k2 hni2 .
(6.81)
dt
Para k1 6= k3 a solucao e
hni =
k1 k3
.
k2 + C exp{(k1 k3 )t}
(6.82)
onde C e uma constante que deve ser determinada pela condicao inicial.
No limite t obtemos as solucoes estacion
arias
hni = 0,
k1 < k3
(6.83)
k1 k3
,
k1 > k3 .
(6.84)
k2
Assim, no regime estacion
ario o sistema exibe uma transicao de fase de um
regime em que nao ha moleculas do tipo A, quando k1 < k3 , para um regime
em que o n
umero de moleculas e nao nulo, quando k1 > k3 . Em ambos os casos,
hni se aproxima de ser valor estacion
ario de forma exponencial, et/ , com um
tempo de relaxacao dado por
hni =
= |k1 k3 |1 ,
(6.85)
1
k2 t + c
(6.86)
(6.87)
de modo que para tempos longos hni t1 , ou seja, nesse caso, o decaimento
ao estado estacion
ario deixa de ser exponencial e torna-se algebrico.
119
120
Din
amica Estoc
astica e Irreversibilidade
6.9
GERATRIZ
METODO
DA FUNC
AO
Em alguns casos, a equacao mestra (6.61) pode ser resolvida de forma exata
atraves do metodo da funcao geratriz. Vamos ilustrar o metodo considerando
a reacao qumica linear descrita pela equacao mestra (6.68). A funcao geratriz
f (x) e definida por
n
f (x, t) = hx i =
Pn (t)xn ,
n=0
|x| < 1.
(6.88)
z = (1 x)ekt ,
(6.91)
onde a funcao (z) deve ser determinada pelas condicoes iniciais. Suponha
que no instante t = 0 haja n0 moleculas de modo que f (x, 0) = xn0 . Como
f (x, 0) = (1 x), ent
ao (z) = (1 z)n0 . Logo,
f (x, t) = [1 (1 x)ekt ]n0 .
(6.92)
(6.93)
Equac
ao Mestra
(6.94)
(6.95)
g = k1 (1 x)
t
x
(6.96)
e h(x) e solucao de
k1
h
k2 h = 0.
x
(6.97)
Logo
f (x, t) = (z)ex ,
z = (1 x)ek1 t ,
k2
.
k1
(6.98)
(6.100)
Portanto
f (x, t) = [1 (1 x)ek1 t ]n0 exp{(1 x)(1 ek1 t )}.
(6.101)
Quanto t , obtemos:
f (x, ) = exp{(1 x)}
e portanto
f (x, ) = e
X
1 n n
x
n!
n=1
(6.102)
(6.103)
e n
.
(6.104)
n!
O primeiro momento hni e igual a` derivada de f (x, t) com relacao a x calculado no ponto x = 1, ou
Pn () =
(6.105)
O decaimento exponencial s
o depende da constante k1 . No limite t obtemos hni = = k2 /k1 .
121
122
Din
amica Estoc
astica e Irreversibilidade
6.10
EM SERIE
EXPANSAO
TEMPORAL
Ate aqui estudamos alguns metodos exatos para a solucao da equacao mestra.
O metodo de expansao em serie temporal que apresentaremos a seguir tambem
e exato, desde que todos os termos da serie sejam calculados. Entretanto, em
muitas situacoes e impossvel, do ponto de vista pratico, calcular todos os termos. Se conseguirmos calcular um certo n
umero deles, a serie truncada podera
(6.106)
(6.107)
t2 2 t3 3
W + W + ...}P (0).
2!
3!
(6.108)
(6.109)
(6.111)
(6.112)
Equac
ao Mestra
pois
F P (t) =
(6.113)
t2 2 t3 3
W + W + ...}P (0).
2!
3!
Portanto
hF i = f0 +
onde os coeficientes s
ao dados por
t f ,
(6.114)
(6.115)
=1
f0 = F P (0),
(6.116)
1
F W P (0),
!
1.
(6.117)
(6.119)
ent
ao
1
1
1
1
Pb(z) = { I + 2 W + 3 W 2 + 4 W 3 + ...}P (0).
(6.120)
z
z
z
z
Mas a soma entre colchetes identifica-se com a inversa da matriz (zI W ), que
denotamos por (zI W )1 , isto e,
(zI W )1 =
1
1
1
1
I + 2 W + 3 W 2 + 4 W 3 + ...
z
z
z
z
(6.121)
de modo que
Pb(z) = (zI W )1 P (0).
(6.122)
123
124
Din
amica Estoc
astica e Irreversibilidade
(6.124)
(6.125)
z Pb(z) = P (0) +
z0
6.11
P (t)ezt dt.
(6.126)
P (t)dt = P ().
(6.127)
PERTURBATIVA
EXPANSAO
(6.128)
Para fazer uma expansao em serie, imaginamos que W possa ser escrito na forma
W = W0 + V,
(6.129)
onde W0 e uma matriz de evolucao nao perturbada e V a perturbacao. Pretendemos obter as propriedades do sistema descrito pelo operador W como series
de potencia em . Supomos conhecidos os conjuntos dos autovetores `a direita
{n }, `
a esquerda {n } e dos autovalores {n } da matriz de evolucao W0 . Eles
satisfazem as equacoes
W0 n = n n
n W0 = n n .
(6.130)
0 = .
(6.131)
Equac
ao Mestra
n n = I,
(6.132)
W0 =
n n n ,
(6.133)
n(6=0)
onde o termo n = 0 foi excludo pois 0 = 0. Para isso basta usar a identidade
W0 = W0 I e as propriedades contidas nas expressoes (6.130) e (6.132).
Em seguida, fazemos a hip
otese de que P possa ser desenvolvido em serie de
potencias de , ou seja,
P = P0 + P1 + 2 P2 + 3 P3 + ....
(6.134)
(6.135)
1.
(6.136)
6= 0.
(6.137)
n(6=0)
1
n
n
(6.138)
(6.139)
125
126
Din
amica Estoc
astica e Irreversibilidade
1.
(6.140)
1.
(6.141)
(6.142)
(RV ) P0 .
(6.143)
=1
(RV )
(6.144)
=1
(6.145)
hF i = F P
(6.146)
F (RV ) P0 ,
(6.147)
=1
ou seja,
hF i = f0 +
f ,
(6.148)
=1
onde
f0 = F P0 ,
f = F (RV ) P0 .
(6.149)
Equac
ao Mestra
BIBLIOGRAFIA
Gardiner, C. W. 1983. Handbook of Stochastic Methods for Physics, Chemistry and Natural Sciences. Springer-Verlag, Berlin.
Haken, H. 1976. Synergetics, An Introduction. Springer-Verlag, Berlin.
Kampen, N. G. van 1981. Stochastic Processes in Physics and Chemistry.
North-Holland, Amsterdam.
McQuarrie, D. A. 1967. Stochastic Approach to Chemical Kinetics. J.
Appl. Prob., 4, 413.
Nicolis, G. & Prigogine, I. 1979. Self-Organization in Nonequilibrium Systems. John Wiley, New York.
Risken, H. 1984. The Fokker-Planck Equation: Methods of Solution and Applications. Springer-Verlag, Berlin.
gl, F. 1972. Chemical reaction models for non-equilibrium phase tranSchlo
sitions. Z. Phys., 53, 147.
, T. 1996. Irreversibilidade: Modelos de Rede com Din
Tome
amicas Estoc
asticas.
Tese de Livre-Docencia, Instituto de Fsica, Universidade de Sao Paulo.
EXERCICIOS
1. Uma maneira de resolver numericamente uma equacao de Fokker-Planck
e discretiz
a-la. A discretizacao espacial de uma equacao de Fokker-Planck
resulta numa equacao mestra. Demonstre essa afirmacao para a equacao
de Smoluchowski, apresentada na secao 4.1, usando as seguintes aproximacoes para a primeira e segunda derivadas de uma funcao espacial
F (x):
F (x + x) F (x)
x
e
F (x + x) 2F (x) + F (x x)
.
(x)2
Quanto valem as taxas de transicao, nessa aproximacao?
2. Aplique o metodo do exerccio anterior `a equacao de Kramers correspondente a uma partcula sujeita a uma forca elastica, apresentado no exemplo
127
128
Din
amica Estoc
astica e Irreversibilidade
8 da captulo 4. Calcule numericmente, discretizando o tempo, a distribuicao das posicoes e das velocidades para diversos instantes. Calcule
tambem as distribuicoes estacion
arias. Considere como condicao inicial
que a partcula esteja em repouso na origem do sistema de coordenadas.
3. Use o metodo da funcao geratriz para determinar a solucao da equacao
mestra correspondente ao modelo das urnas de Ehrenfest.
4. Considere as seguintes reacoes:
A+X
2X,
B+X
C,
3X,
A + 2X
C.
B+X
Mostre tambem que nesse caso o sistema exibe uma transicao de primeira
ordem.
6. Mostre que a funcao geratriz f (x, t) correspondente `a equacao mestra
(6.61) obedece a equacao diferencial
1
Bxn = bn xn .
Equac
ao Mestra
129
7.1
INTRODUC
AO
onde
1
exp{H(s)}
Z
e Z e a funcao de particao dada por
X
Z=
exp{H(s)}.
P (s) =
(7.2)
(7.3)
(7.4)
132
Din
amica Estoc
astica e Irreversibilidade
Esse problema e o inverso do que se apresenta usualmente em processos markovianos. Em geral a matriz T e dada e desejamos determinar P . Aqui P e
dado e desejamos obter T. Em geral podemos ter mais de uma solucao para esse
u
ltimo problema o que e muito conveniente do ponto de vista computacional.
A maneira utilizada para construir a matriz estocastica e fazer uso da condicao
de balanceamento detalhado, isto e, construmos T (s, s ) tal que
T (s, s )P (s ) = T (s , s)P (s).
(7.6)
T (s , s) = 1.
(7.7)
7.2
ALGORITMO DE METROPOLIS
Um dos algoritmos mais utilizados para construir a matriz estocastica e o denominado algoritmo de Metropolis. Para cada estado s definimos um conjunto
V (s) de estados vizinhos a s e adotamos T (s , s) = 0 para o caso em que s nao
pertenca a essa vizinhanca. Isto significa que a transicao de s para estados fora
importante escolher as vizinhancas dos diversos
de sua vizinhanca e proibida. E
estados de modo que se um dado estado s nao pertence `a vizinhanca de um
outro estado s ent
ao s nao pertence `a vizinhanca de s . Por simplicidade todas
as vizinhancas s
ao escolhidas com o mesmo n
umero de estados que denotamos
por N.
Para um estado s que pertenca `a vizinhanca de s, a matriz estocastica e
definida por
T (s , s) =
1
exp{[H(s ) H(s)]},
N
e
T (s , s) =
1
,
N
se
se
H(s ) H(s),
(7.8)
(7.9)
(7.10)
s (6=s)
1
exp{[H(s1 ) H(s2 )]
N
1
.
N
(7.11)
1
exp{H(s2 )}.
Z
(7.12)
T (s2 , s1 ) =
1
exp{H(s1 )}
Z
P (s2 ) =
(7.13)
=1
7.3
OSCILADOR HARMONICO
133
134
Din
amica Estoc
astica e Irreversibilidade
por
P (n) =
1
exp{E(n)},
Z
E(n) = n,
n = 0, 1, 2, ...,
(7.14)
T (n + 1, n) =
1
q
2
(7.15)
T (n 1, n) =
1
,
2
(7.16)
1
p,
2
(7.17)
de onde obtemos
T (1, 0) =
1
q.
2
(7.18)
(7.19)
(7.20)
7.4
MODELO DE ISING
bem conhecido que certos materiais magneticos como o ferro possuem uma
E
magnetizacao permanente que desaparece quando o material e aquecido a temperaturas maiores do que a temperatura de Curie. Dizemos que, em temperaturas baixas, o sistema est
a numa fase termodin
amica ordenada e, em altas
temperaturas, numa fase desordenada. A descricao mais simples de tal fenomeno
e dada pelo modelo de Ising.
Considere um reticulado e suponha que em cada ponto do reticulado exista
um atomo magnetico. O estado de um atomo magnetico e caracterizado pela
direcao do momento dipolo magnetico. No modelo de Ising o momento de dipolo
magnetico se encontra na direcao do eixo z ou em direcao contraria a z. Assim,
o momento de dipolo i do i-esimo atomo e dado por
i = i ,
(7.21)
i j ,
(7.22)
(ij)
X
(ij)
i j H
i ,
(7.23)
135
136
Din
amica Estoc
astica e Irreversibilidade
1
exp{E()},
Z
(7.24)
i ,
(7.26)
(7.27)
b) a susceptibilidade
X=
1
{h[M ()]2 i M2 },
kB T
(7.28)
c) a energia media
U = hE()i,
(7.29)
d) a capacidade termica
C=
1
{h[E()]2 i U 2 }.
kB T 2
(7.30)
a) Se E 0, ent
ao a nova configuracao sera i .
b) Se E > 0, ent
ao calculamos p = exp{E} e geramos um n
umero
aleat
orio igualmente distribudo no intervalo [0, 1].
b1) Se p, ent
ao a nova configuracao sera i .
7.5
SISTEMA CLASSICO
DE MOLECULAS
Uma subst
ancia simples, como o oxigenio, nitrogenio ou argonio, apresenta tres
fases termodin
amicas, s
olido, lquido ou vapor (ou g
as), de acordo com a pressao
e temperatura em que ela se encontra. Esses tres estados da materia podem ser
previstos teoricamente admitindo-se que as moleculas tenham uma interacao
atrativa quando a distancia entre elas e grande, e repulsiva a curtas distancias.
Para o caso dos gases nobres, a energia de interacao entre duas moleculas separadas por uma distancia r e bem representada pelo potencial de Lennard-Jones
a
a
(r) = {( )12 ( )6 },
r
r
(7.32)
onde e a s
ao dois par
ametros positivos.
Podemos imaginar tambem potenciais de interacao menos realistas como o
potencial de interacao entre esferas rgidas de diametro a dado por
(r) =
,
0,
r < a,
a r,
(7.33)
,
(r) =
,
0,
r < a,
a r < b,
b r.
(7.34)
137
138
Din
amica Estoc
astica e Irreversibilidade
1X X
(rij ),
2 i
(7.35)
j(6=i)
1
exp{E(x)},
Q
(7.36)
1X X
rij F (rij ),
2 i
(7.37)
j(6=i)
(7.39)
= hW (x)i.
(7.40)
d
N kB T + Up ,
2
(7.41)
CV =
d
N kB +
2
kB T 2
(7.42)
e
P V = N kB T +
,
d
(7.43)
139
140
Din
amica Estoc
astica e Irreversibilidade
7.6
DE CORRELAC
FUNC
AO
AO
1 X
hr r +r i.
N
(7.45)
Dada uma configuracao de spins, gerada pela simulacao, essa funcao e obtida da
seguinte forma. Para cada par de spins separados por um vetor r, somamos +1
se os dois spins do par forem de mesmo sinal e 1 se forem de sinais contrarios.
O resultado da soma deve ser multiplicado por 2 e dividido por N . Para grandes
separacoes, a correlacao hr r +r i se aproxima de hr ihr +r i = (M/N )2 de
modo que G() = (M/N )2 .
facil mostrar que a susceptibilidade por stio = X/N se relaciona com a
E
funcao de correlacao G(r) por
=
1 X
{G(r) G()}.
kB T r
(7.46)
1 XX
h(rij r)i.
N i
(7.47)
j(6=i)
N
=
2
rF (r)G(r)dr.
(7.49)
BIBLIOGRAFIA
Allen, M. P. & Tildesley, D. J. 1987. Computer Simulation of Liquids.
Clarendon Press.
Binder, K. (ed.), 1986. Monte Carlo Method in Statistical Physics. 2. ed.
Springer-Verlag, Berlin.
Binder, K. & Heermann, D. H. 1992. Monte Carlo Simulation in Statistical
Physics. 2. ed. Springer-Verlag, Berlin.
Hammersley, J. M. & Handscomb, D. C. 1964. Monte Carlo Methods.
Chapman and Hall, London.
Heermann, D. W. 1990. Computer Simulation Methods in Theoretical Physics.
2. ed. Springer-Verlag, Berlin.
Metropolis, N.; Rosenbluth, A. W.; Rosenbluth, M. N.; Teller, A. H.
& Teller, E. 1953. Equation of state calculations by fast computing
machines. J. Chem. Phys., 21, 1087.
Mouritsen, O. G. 1984. Computer Studies of Phase Transitions and Critical
Phenomena. Springer-Verlag, Berlin.
Oliveira, M. J. de 1996. Numerical stochastic methods in statistical mechanics. Int. J. Mod. Phys., 10, 1313.
, T. 1996. Irreversibilidade: Modelos de Rede com Din
Tome
amicas Estoc
asticas.
Tese de Livre-Docencia, Instituto de Fsica, Universidade de Sao Paulo.
Wood, W. W. & Jacobson, J. D. 1957. Preliminary results from a recalculation of the Monte Carlo equation of state of hard spheres. J. Chem.
Phys., 27, 1207.
EXERCICIOS
1. Simule o oscilador harmonico de acordo com as probabilidades de transicao
apresentadas na secao 7.3. Determine numericamente P (n) e compare com
a expressao exata.
141
142
Din
amica Estoc
astica e Irreversibilidade
N
X
+1 ,
=1
1
h|M ()|i
N
1
{h[M ()]2 i h|M ()|i2 }
N
e faca um gr
afico delas como funcao da temperatura para L = 4, 8, 16 e
32.
5. Considere um g
as de N esferas rgidas de diametro a confinadas num recipiente c
ubico de volume V . Use o metodo de Monte Carlo para determinar
a funcao de correlacao radial G(r). A partir dela, determine a pressao p
que no caso de esferas duras est
a relacionada com a funcao de correlacao
por
a
pV
= 1 + G(a),
N kB T
2d
onde d = 3. Notar que G(a) e a altura do primeiro pico da funcao de
correlacao radial em r = a.
6. O mesmo problema anterior mas para o caso de N discos rgidos de
diametro a confinados numa superfcie quadrada de area A (d = 2).
7. O mesmo problema anterior mas para um sistema unidimensional (d =
1) de N bast
oes rgidos de comprimento a confinados num segmento de
comprimento L.
8. Simule um g
as de esferas duras atrativas. Calcule a funcao distribuicao
radial e a pressao.
9. Simule um g
as de partculas interagindo com o potencial de LennardJones. Calcule a energia media e a capacidade termica.
143
es de Fase e Criticalidade
Transic
o
8.1
INTRODUC
AO
A agua, quando aquecida a pressao constante, entra em ebulicao a uma temperatura bem definida, transformando-se em vapor. Para cada valor da pressao a
que est
a submetida a
agua, corresponde uma temperatura de transicao. Num diagrama temperatura-pressao, a transicao lquido-vapor e representada por uma
linha que possui uma inclinacao positiva, pois a temperatura de transicao cresce
com o aumento da pressao. Sobre a linha de transicao o lquido e o vapor coexistem em quaisquer proporcoes. Entretanto, o lquido e o vapor apresentam
densidades bem definidas que dependem apenas da temperatura de transicao.
` medida que aumentamos a temperatura ao longo da linha de coexistencia, as
A
diferencas entre as densidades do lquido e do vapor se tornam cada vez menores
e acabam se anulando num ponto crtico caracterizado por uma temperatura e
uma pressao bem definidas. Nesse ponto, o lquido e o vapor tornam-se indistintos e a linha de coexistecnia tem seu termino. A temperaturas mais altas,
nao ha mais distincao entre a fase lquida e a fase gasosa.
Outros tipos de transicao de fase ocorrem em fsica da materia condensada.
Uma subst
ancia ferromagnetica, quando aquecida, perde sua imantacao a uma
temperatura bem definida, denominada temperatura de Curie, tornando-se pa-
146
Din
amica Estoc
astica e Irreversibilidade
8.2
QUEBRA ESPONTANEA
DE SIMETRIA
Transic
oes de Fase e Criticalidade
1 N
( ).
2N n
(8.1)
147
148
Din
amica Estoc
astica e Irreversibilidade
menor de
atomos de zinco, ele e trocado com um atomo de cobre que esteja
em outra subrede. Se entretanto, pertencer `a subrede com um n
umero maior
de
atomos de zinco, essa troca e realizada com uma probabilidade p. Se p for
pequeno, esperamos que haja um ac
umulo de atomos de zinco na subrede que
inicialmente tenha mais atomos de zinco.
Seja n o n
umero de atomos de zinco na subrede A. De acordo com as regras
acima, a taxa de transicao Wn ,n de n n e dada por
n
,
N
N
,
2
(8.2)
n
p,
N
n>
N
,
2
(8.3)
Wn1,n =
Wn1,n =
e
Wn+1,n =
N n
p,
N
n<
N
,
2
(8.4)
N
N n
,
n ,
(8.5)
N
2
onde 0 p 1. A taxa de transicao vale zero em outros casos. Notar que
a taxa de transicao possui a propriedade simetrica WN n ,N n = Wn ,n , isto
e, ela e invariante pela mudanca n N n e n N n . O processo e
governado pela equacao mestra
Wn+1,n =
d
Pn = Wn,n+1 Pn+1 + Wn,n1 Pn1 Wn+1,n Pn Wn1,n Pn .
dt
(8.6)
N
1 N
(n ) exp{C|n |},
Z
2
(8.7)
(8.8)
Transic
oes de Fase e Criticalidade
1
f (x) = x ln x + (1 x) ln(1 x) C|x |.
2
Essa funcao possui mnimos em x = x+ e x = x onde
x+ =
1
,
1+p
x =
p
,
1+p
(8.10)
(8.11)
149
150
Din
amica Estoc
astica e Irreversibilidade
1p
.
1+p
(8.13)
8.3
MODELO CINETICO
DE BRAGG-WILLIAMS
Transic
oes de Fase e Criticalidade
K
N
1 N
( ) exp{
(n )2 },
Z n
2N
2
(8.18)
K
(2n N 1)}.
2N
(8.19)
A probabilidade estacion
aria (8.18) possui dois maximos enquanto o par
ametro
K for maior do que um certo valor crtico Kc e um u
nico em caso contrario.
Para determinar o valor crtico Kc , vamos examinar a distribuicao de probabilidades Pn para o caso em que N e muito grande. Novamente, vamos considerar
a distribuicao de probabilidades (x) da variavel x que da a concentracao de
atomos de zinco na subrede A. Usando a formula de Stirling, obtemos:
s
2N
1
exp{N f (x)},
(8.20)
(x) =
Z x(1 x)
onde
K
1
(x )2 .
(8.21)
2
2
Os maximos locais de (x) ocorrem nos mnimos locais de f (x).
Para analisar o comportamento da funcao f (x), determinamos suas derivadas, dadas por
1
(8.22)
f (x) = ln x ln(1 x) K(x ),
2
e
1
1
f (x) = +
K.
(8.23)
x 1x
Como f (1/2) = 0 e f (1/2) = 4 K, ent
ao a funcao f (x) possui um mnimo
em x = 1/2 enquanto K < 4. O mnimo e absoluto, pois f (x) > 0 para K < 4.
Quando K > 4, a funcao f (x) passa a ter um maximo local em x = 1/2,
e desenvolve dois mnimos que se localizam de forma simetrica em relacao a
x = 1/2. Portanto, a distribuicao de probabilidades estacion
aria (x) possui
4
um u
nico maximo para K Kc = 4 (b bc = e ) e dois maximos para
K > Kc (b < bc ).
Esses dois mnimos s
ao solucoes de f (x) = 0. Quando K se aproxima do
valor crtico Kc , esses mnimos se localizam proximo de x = 1/2. Portanto, para
f (x) = x ln x + (1 x) ln(1 x)
151
152
Din
amica Estoc
astica e Irreversibilidade
Para K Kc o par
ametro de ordem se anula.
Um sistema descrito pelo modelo cinetico de Bragg-Williams apresenta, portanto, uma quebra espont
anea de simetria e uma transicao de fase quando o
par
ametro externo K atinge seu valor crtico Kc . Quando K Kc ha um u
nico
estado estacion
ario correspondente a uma fase desordenada. Quando K > Kc
ha dois estados estacion
arios correspondentes a fases ordenadas.
8.4
TEORIA CINETICA
DE LANDAU
Transic
oes de Fase e Criticalidade
(8.28)
(8.29)
Supondo, em analogia com a teoria original de Landau, que f (m) possa ser
desenvolvida em serie de potencias de m, ent
ao a expansao s
o deve ter potencias
impares, ou seja,
f (m) = c1 m + c3 m3 + c5 m5 + ....
(8.30)
A solucao da equacao (8.27) pode ser feita explicitamente para o caso em que
f (m) pode ser aproximada pelos primeiros termos da expansao. Dessa forma
consideramos a seguinte equacao de evolucao para o par
ametro de ordem:
d
(8.31)
m = am bm3 ,
dt
onde a e b s
ao dois par
ametros dependentes de p, sendo que b e estritamente
positivo para que m seja limitado e a podendo ser positivo, negativo ou nulo.
Multiplicando ambos os lados de (8.31) por m chegamos `a equacao
1 d 2
m = am2 bm4 ,
2 dt
(8.32)
153
154
Din
amica Estoc
astica e Irreversibilidade
onde c e uma constante que deve ser determinada a partir da condicao inicial.
Quando t obtemos solucoes distintas dependendo do sinal do par
ametro
a. Se a > 0 ent
ao m 0, que corresponde ao estado desordenado. Se a < 0
p
ent
ao m m onde m = |a|/b, que corresponde ao estado ordenado. De
posse desses resultados, podemos admitir que a depende de p de acordo com
a = A(p pc ), para valores de p proximo de pc , onde A > 0. Dessa forma,
quando p estiver acima de seu valor crtico, o estado estacion
ario sera desordenado, m = 0; e abaixo desse valor, ordenado, m 6= 0. O par
ametro de ordem se
comporta portanto como
m (pc p)1/2 .
(8.34)
Quando p > pc (a > 0) vemos, a partir da solucao (8.33), que, para tempos
longos, m decai exponencialmente ao seu valor estacion
ario. Escrevendo
m = m0 et/ ,
(8.35)
ent
ao o tempo de relaxacao = 1/a . Logo, se comporta como
(p pc )1 .
(8.36)
Da mesma forma quando p < pc (a < 0), m decai exponencialmente ao seu valor
estacion
ario m , para tempos longos.
Quando p = pc (a = 0) o decaimento deixa de ser exponencial e passa a ser
algebrico. A partir da equacao
dm
= bm3 ,
dt
(8.37)
m t1/2 .
(8.38)
v
alida para a = 0, vemos que a solucao e m = 1/ 2bt + c. O comportamento
assint
otico de m para tempos longos e pois algebrico e e dado por
O par
ametro de ordem decai exponencialmente fora do ponto crtico com um
determinado tempo caracterstico, o tempo de relaxao , cujo comportamento
e dado por (8.36). Aproximando-se do ponto crtico, o tempo de relaxacao
cresce sem limites acabando por divergir nesse ponto. Sobre o ponto crtico
o comportamento do par
ametro de ordem deixa de ser exponencial e se torna
algebrico como dado pela expressao (8.38).
8.5
TEORIA DE ORNSTEIN-ZERNIKE
Transic
oes de Fase e Criticalidade
(8.39)
(8.40)
(8.41)
(8.42)
= C + D2 .
t
(8.43)
2 (d 1)
= C + D{ 2 +
},
t
r
r
r
(8.44)
2 (d 1)
+
} = 0,
r2
r
r
(8.45)
155
156
Din
amica Estoc
astica e Irreversibilidade
er/
r(d1)/2
r ,
(8.47)
p
onde Ad e uma constante que s
o depende da dimensao e = D/|C|. Vemos
pois que decai exponencialmente com a distancia com um comprimento de
correlacao que diverge quando C se anula. Portanto, C = 0 indica o ponto
crtico de modo que escrevemos C = C0 (pc p), que e analogo ao que fizemos na
secao anterior. Assim o comportamento do comprimento de correlacao para p
pr
oximo de pc e dado por
(p pc )1/2 .
(8.48)
Ad
,
rd2
d > 2.
(8.49)
e dada por
b(k)
1
,
2 + k 2
= 1 .
(8.51)
1
.
k2
(8.52)
(8.53)
Transic
oes de Fase e Criticalidade
8.6
EXPOENTES CRITICOS
(8.55)
com = 1. Os expoentes e s
ao denominados expoentes crticos e podem ser medidos experimentalmente. Verifica-se que os valores dos expoentes
crticos e , obtidos acima a partir da teoria de Landau, nao coincidem com
os valores experimentais. Isso e explicado se entendermos a teoria de Landau
como uma descricao aproximada dos fenomenos crticos. De fato, a principal
hip
otese utilizada na deducao dos expoentes, a de que certas funcoes possuem
desenvolvimento em serie de potencia, e em geral incorreta.
Podemos definir ainda outros expoentes crticos. O comprimento de correlacao espacial se comporta como
|| ,
(8.56)
(8.57)
r ,
(8.58)
k 0.
(8.59)
rd2+
ou
b(k)
1
k 2
(8.60)
A partir dos resultados da secao anterior, que devem ser tambem entendidos
como apro- ximacoes, temos = 1/2, z = 2, = 0 e = 1/2. Todos os
expoentes crticos encontrados na secao anterior s
ao denominados expoentes
classicos.
Os expoentes crticos definidos acima nao s
ao todos independentes mas est
ao
relacionados entre si por diversas relacoes. Duas delas s
ao
= (2 )
(8.61)
157
158
Din
amica Estoc
astica e Irreversibilidade
e
=
.
z
(8.62)
Outra relacao e
2 + = d,
(8.63)
que e v
alida para dimensoes d abaixo de uma dimensao crtica dc . Para d dc
a relacao se torna 2 + = dc e os expoentes crticos classicos passam a ser
v
alidos.
BIBLIOGRAFIA
Baker, Jr., G. A. 1990. Quantitative Theory of Critical Phenomena. Academic Press, Boston.
Binney, J. J.; Dowrick, N. J.; Fisher, A. J. & Newman, M. E. J. 1992.
The Theory of Critical Phenomena. Clarendon Press, Oxford.
Konno, K. 1994. Phase Transitions of Interacting Particle Systems. World
Scientific.
Landau, L. D. & Lifshitz, E. M. 1958. Statistical Physics. Pergamon Press,
Oxford.
Liggett, T. M. 1985. Interacting Particle Systems. Springer-Verlag, New
York.
Marro, J. & Dickman, R. 1999. Nonequilibrium Phase Transitions. Cambridge University Press, Cambridge.
Reichl, L. E. 1980. A Modern Course in Statistical Mechanics. University of
Texas Press, Austin.
Stanley, H. E. 1971. Introduction to Phase Transitions and Critical Phenomena. Oxford University Press, New York.
Thompson, C. J. 1979. Mathematical Statistical Mechanics. Princeton University Press, Princeton.
, T. 1996. Irreversibilidade: Modelos de Rede com Din
Tome
amicas Estoc
asticas.
Tese de Livre-Docencia, Instituto de Fsica, Universidade de Sao Paulo.
, T.; Brunstein, A. & Oliveira, M. J. de 2000. Symmetry and
Tome
universality in nonequilibrium models. Physica A, 283, 107.
Transic
oes de Fase e Criticalidade
EXERCICIOS
1. Simule o modelo definido na secao 8.2 para o caso de diversos valores de
p para N = 100. Faca histogramas da concentracao x = n/N .
2. Simule o modelo cinetico de Bragg-Williams para o caso de diversos valores
de K para N = 100. Faca histogramas da magnetizacao da concentracao
x = n/N .
3. Considere o modelo definido pela taxa de transicao
1
Wn+1,n = (N n) {1 + S(2n N )},
2
e
1
Wn1,n = n {1 S(2n N )},
2
onde S(x) e uma funcao tal que S(x) = 1 para x > 0, S(x) = 1 para
x < 0, e S(x) = 0 para x = 0; e e um par
ametro definido no intervalo
0 1. Simule esse modelo para diversos valores de e fazer os
respectivos histogramas da magnetizacao. A simulacao pode ser feita da
seguinte maneira. Definimos variaveis i , com i = 1, 2, ..., N , que tomam
valores 1. Escolhemos aleatoriamente uma delas. A probabilidade de a
variavel trocar de sinal sera (1 )/2, (1 + )/2, ou 1/2, conforme 2n N ,
tenha o mesmo sinal de i , tenha o sinal contrario de i , ou 2n N = 0,
respectivamante.
159