Escolar Documentos
Profissional Documentos
Cultura Documentos
1
0
1
0
l
11
00
00
11
00
11
00
11
11
00
00
11
00
11
00
11
00
11
1
0
0
1
1
0
0
1
1
0
1
0
1
0
0
1
111
000
000
111
000
111
1
0
1
0
1
0
0
1
1
0
0
1
1
0
1
0
1
0
0
1
1
0
1
0
1
0
0
1
1
0
1
0
1
0
1
0
1
0
0
1
1
0
1
0
1.1. Elementos b
asicos de estatstica
Tomemos de uma vari
avel u que s
o possa assumir um conjunto cont
avel
(finito ou infinito) de M valores
u1, u2, , uM .
Esta vari
avel e chamada de estoc
astica quando seu valor s
o pode ser determinado
ap
os o exame do resultado do experimento, como por exemplo no jogo de cara
ou coroa. Podemos definir P (ui), a probabilidade de um
P experimento dar ui .
Obviamente a func
ao P (u) deve satisfazer P (u) 0 e i P (ui ) . O valor
medio de u, que ser
a denotado por u, e dado por
PM
P (ui)ui
P (u1)u1 + + P (uM )uM
u=
u = Pi=1
ou
.
(1)
M
P (u1) + + P (uM )
i=1 P (ui )
Por conveniencia, em geral, as distribuico
es de probabilidade s
ao normalizadas
u
`nidade,
M
X
P (ui) = 1 .
(2)
i=1
5
Assim sendo a media passa a ser dada pela forma mais simples
M
X
u=
P (ui)ui .
(3)
i=1
Esta definica
o e facilmente estendida a medias de funco
es arbitr
arias da vari
avel
u
M
X
f(u) =
P (ui)f(ui ) .
(4)
i=1
M
X
P (ui)un
i .
(5)
i=1
Em primeira inspeca
o, poderamos conjecturar que conhecendo todos os momentos de uma distribuica
o, te-la-amos caracterizado completamente. Infelizmente
h
a alguns contra-exemplos que desmentem esta asserciva. Ainda assim, por
vezes o primeiro e segundo momentos de uma distribuic
ao contem informaca
o
suficiente para diversas aplicaco
es fsicas.
O primeiro momento nada mais e do que a media da distribuica
o, como fica
claro ao compararmos a Eq. (3) com a Eq. (5). Muito u
til tambem e a vari
ancia,
definida como o segundo momento em torno da media, ou
(u)2 (u u)2 =
M
X
P (ui)(ui u)2 2 ,
(6)
i=1
(7)
6
a probabilidade de que o resultado de uma medida de x esteja entre os valores
a e b e dada por:
Z b
dx P (x) .
(8)
P(a x b) =
a
Esta definica
o e tambem a justificativa para chamarmos P (x) de densidade de
probabilidade. A igualdade acima e v
alida para P (x) normalizados a unidade
Z
dx P (x) = 1 ,
D
onde a integraca
o e feita sobre todo o domnio D da densidade de probabilidade.
Estas consideraco
es nos levam imediatamente `
a generalizaca
o dos momentos de
uma distribuic
ao. A definica
o agora passa a ser
Z
n
x =
dx xn P (x) .
D
Esta relaca
o ser
a muito utilizada nos captulos que se seguem.
n1 n2 = m .
(9)
q q
| {z }
= pn1 qn2 .
(10)
n2 vezes
H
a, no entanto, para um total de N passos v
arias seq
uencias distintas compostas
de n1 passos `
a direita e n2 passos `
a esquerda. O n
umero total de seq
uencias
distintas C corresponde ao n
umero de permutaco
es na ordem em que os passos
s
ao dados para a direita e para a esquerda. Este n
umero e
C=
N!
.
n1!n2!
(11)
Ent
ao a probabilidade de tomarmos n1 passos `
a direita (ou n2 = N n1 `
a esquerda) em qualquer ordem e obtida multiplicando a probabilidade pelo n
umero
de caminhos possveis.
WN (n1 ) =
N ! n1 n2
p q .
n1 !n2!
(12)
Esta e a distribuic
ao binomial. 1
Como n1 e N determinam a posica
o m, pois n1 = (N + m)/2 e n2 =
(N m)/2, podemos traduzir WN (n1) em PN (m)
PN (m) =
N!
p(N +m)/2 (1 p)(N m)/2 .
(N + m)/2 ! (N m)/2 !
(13)
N
X
n1 =0
1 Aqui
WN (n1) n1 =
N
X
n1
N!
pn1 qN n1 n1 .
n
!(N
n1)!
=0 1
conv
em nos lembrarmos da expans
ao binomial: (p + q)N =
n
N
n
.
n)!)p q
PN
n=0
(14)
N !/(n!(N
8
Atraves do metodo da forca bruta podemos calcular n1 atraves dos seguintes
passos: Primeiro corta-se o fator multiplicativo n1 com o fatorial tomando o
cuidado de alterar o somat
orio
n1 =
N
X
n1
N!
pn1 qN n1 ,
(n
1)!(N
n
)!
1
1
=1
N
1
X
n0 =0
N
1
X
0
0
N!
(N 1)!
n0 +1 N 1n0
q
=
N
p
p
pn qN 1n .
0
0
0
0
n !(N 1 n )!
n !(N 1 n )!
0
n =0
A nova somat
oria e a expans
ao binomial de (p + q)N 1 . O resultado final e
n1 = N p .
(15)
Este resultado j
a era previsvel antes mesmo de fazermos as contas, pois a media
de passos para a esquerda nada mais e do que o n
umero total de passos N vezes
a probabilidade p de ir para a esquerda a cada passo.
Um modo mais elegante de obtermos este resultado e observarmos que
n1pn1 = p
n1
(p ) .
p
n1 = p
WN (n1) = p (p + q)N = p N .
p n =0
p
(16)
n21
2
N
X
N!
N!
pn1 qN n1
pn1 qN n1 n21 =
p
n
!(N
n
)!
n
!(N
n
)!
p
1
1
1
1
n1 =0
n1 =0
2
p
(p + q)N .
(17)
p
N
X
Desta equaca
o, operando as derivadas e ap
os algumas manipulac
oes algebricas,
obtemos
n21 = (N p)2 + N pq ,
(18)
o que nos leva ao resultado final para a vari
ancia
n21 (n1 n1 )2 = N pq .
(19)
9
A vari
ancia envolve quadrados de n1 e uma boa estimativa da vari
ancia tpica
vem de
p
p
r
n21
N pq
q 1
n21
1
=
.
=
ou
(20)
n1
Np
p N
n1
N
A express
ao (20) implica
ao dividido pelo
que com N crescente o desvio padr
valor medio cai com 1/ N . Este quociente e um bom par
ametro para uma
estimativa do intervalo de confiabilidade (ou erro) de um experimento, como
por exemplo N jogos de cara ou coroa.
1.3. A distribui
ca
o de Poisson
A distribuic
ao poissoniana e um caso particular da distribuic
ao binomial,
quando um evento tem probabilidade muito pequena de ocorrer (p 1), mas
o n
umero total de eventos e muito grande (N 1) de modo que N p seja uma
constante finita. Ou seja, n = N p 1. Neste caso n
ao e difcil mostrar que a
distribuica
o binomial se reduz a:
WN (n) =
nn n
N!
.
pn (1 p)N n
e
(N n)!n!
n!
n! 2n
,
(21)
e
a qual nos permite extender para o contnuo o domnio da vari
avel discreta n.
Facamos agora a
algebra: usando a f
ormula de Stirling, vemos que
N N
N!
N
e
Nn .
(N n)!
N n N n N n
e
Empregando esta relaca
o e lembrando que p = n/N , podemos escrever
N n
n
Nn n
WN (n)
.
p 1
n!
N
Para chegar ao resultado desejado, agora basta apenas lembrar que para a finito,
a N
lim 1
= ea ,
N
N
s(1) 0.90 ,
s(2) 0.96 ,
s(5) 0.98 ,
s(10) 0.99 ,
etc.
10
e uma das definico
es da funca
o exponencial.
Note que a nova distribuic
ao n
ao depende separadamente de p e N , mas da
ao e a distribuica
o de Poisson:
combinaca
o a n = N p. Esta express
Pa (n) =
an a
e .
n!
(22)
Esta distribuica
o tem m
ultiplas aplicaco
es em disversas
areas da fsica. Um
dos exemplos mais simples e o do decaimento radiativo nuclear. Imagine uma
amostra de algumas gramas de um material contendo uma concentrac
ao razo
avel
de n
ucleos que decaem espontaneamente com tempo medio de decaimento (tempo
de meia vida) da ordem de semanas. Neste caso dar um tratamento microsc
opico
ao problema e virtualmente impossvel, uma vez que o n
umero de constituintes
do sistema e enorme e a natureza da interaca
o nuclear e complexa. Conclui-se
que o tratamente estatstico se faz necess
ario. Notemos ent
ao que o n
umero de
n
ucleos e grande (N 1), e que no entanto a probabilidade de que um dado
n
ucleo decaia em um segundo, por exemplo, e baixa (p 1). Destas condico
es
vemos que a distribuic
ao de Poisson deve ser a mais indicada para descrever o
processo. A an
alise dos dados mostra que ela o faz com grande sucesso.
N n
2N Ne
p 1 (1 p)N n1
WN (n1)
n1 p
N n1 .
1
2n1 ne1
2(N n1 ) N n
e
Explicitando a
algebra, mesmo correndo o risco de sermos tediosos, WN (n1)
pode ser rearranjado como:
WN (n1 )
n N 1/2
1 n1 n1 1/2 N n1 1
pn1 (1 p)N n1
N
2N N
Para as simplificac
oes subseq
uentes e necess
ario escrever WN (n1 ) como uma
exponencial
n
1
1 n1
1
N n1
WN (n1 ) =
(N n1 + ) ln
+
exp (n1 + ) ln
2
N
2
N
2N
11
1
2N
n1 ln p + (N n1 ) ln(1 p)
o
n
exp f(n1 ) .
o
(23)
n1
N n1
n1
1
1
N
1+ln
+ln pln(1p) ,
+
+
N 2n1
N
2(N n1 ) N n1 N n1
+
+ ln p ln(1 p)
dn1
dn1
N
2n1
N
2(N n1 )
1
1
=
+ O(N 2)
(25)
n1
N n1
portanto, para n1 = n1
f (n1 )
00
n1 =n1
1
1
1
=
.
Np N Np
N pq
A derivada terceira e:
f 000 (n1)
d 00
d
f (n1 ) =
dn1
dn1
1
1
1
1
= 2
,
n1 N n1
n1 (N n1 )2
(26)
12
o que d
a
f (n1 )
000
=
n1 =n1
1
(p2 q2 ) .
(N pq)2
(27)
(28)
n1 =n1
n1
1
1
N n1
= (n1 + ) ln
(N n1 + ) ln
+ n1 ln p + (N n1 ) ln(1 p)
2
N
2
N
1
N Np 1 N Np
= N p ln p ln p (N N p) ln
ln
+
2
N
2
N
N p ln p + (N N p) ln(1 p)
1
1
= ln p ln q .
(29)
2
2
onde
N =
p
N pq .
(30)
N 1, h
a muitos valores de n1 neste intervalo ( N ).
Dito isto, voltemos ao problema do passeio aleat
orio e ao inves de contar o
n
umero de passos `
a direita, digamos que o que nos interessa e a posic
ao final:
x = (2n1 1 N )` ,
(31)
13
contnua. Resta-nos agora transformar WN (n1 ) em uma distribuica
o P (x) com
x contnuo. Para tal observemos que
P (x)dx = WN (n1 )
dx
.
2`
(32)
Esta relaca
o e simples de verificar graficamente (Fig. 1.3)
Figura 1.3
(33)
a distribuic
ao gaussiana.
Examinemos agora propriedades da distribuica
o gaussiana. Primeiro, sua
normalizaca
o tem de ser verificada
Z
Z
Z
2
2
2
1
1
dxP (x) =
dx
dy ey /2 = 1 ,
e(x) /2 =
2
2
1.5. Fun
c
ao caracterstica e o teorema do limite central
comum caracterizarmos uma distribuic
E
ao por seus momentos. Para isto e
muito u
til trabalharmos com a funca
o caracterstica da distribuic
ao em quest
ao.
Ela e dada pela transformada de Fourier da densidade de probabilidade
Z
ikx
(k) e
= dx eikxP (x) .
(34)
14
Expandindo a funca
o caracterstica em uma serie de potencias em k, obtemos o
seguinte resultado
Z
i 3 3
1 2 2
(k) =
dx P (x) 1 + ikx k x k x +
2!
3!
2
n
X
(ik)n xn
k
(ik) n
= 1 + ikx x2 + +
x + =
. (35)
2!
n!
n!
n=0
Alternativamente a densidade de probabilidade e a transformada de Fourier
inversa da funca
o caracterstica. Conhecendo a funca
o caracterstica, podemos
facilmente calcular os momentos de todas as ordens de uma distribuica
o:
1 dn(k)
xn = n
.
i
dkn
k=0
A utilidade da funca
o caracterstica fica mais patente quando examinamos
um evento que depende de duas ou mais vari
aveis aleat
orias. Por simplicidade,
consideremos inicialmente uma vari
avel aleat
oria z que seja funca
o das vari
aveis
aleat
orias x e y, com z = G(x, y). A densidade de probabilidade de z e definida
como
Z
Z
P3(z) = dx dy (z G(x, y))P (x, y) ,
onde P (x, y) e a densidade de probabilidade para a combinaca
o de eventos (x, y).
Se estes forem independentes, ent
ao P (x, y) = P1(x)P2 (y) e fica f
acil de ver que
a func
ao caracterstica de P3(z)
Z
3(k) dz eikz P3(z)
e expressa por
Z
Z
Z
Z
Z
3 (k) = dz eikz dx dy (zG(x, y)) P1 (x)P2(y) = dx dy eikG(x,y)P1(x)P2 (y) .
Para G(x, y) = x + y
3 (k) =
Z
dx dy eik(x+y) P1(x)P2(y) = 1(k)2 (k)
ou seja, a funca
o caracterstica de z e o produto das funco
es caractersticas de
x e y.
A aplicaca
o mais direta disto e: Consideremos uma vari
avel aleat
oria x que
siga a distribuic
ao de probabilidade P (x) com primeiro e segundo momentos
respectivamente x e x2. Ent
ao facamos n medidas de x e tomemos a media
a=
1
(x1 + x2 + + xn) .
n
(36)
15
Qual ser
a a distribuica
o Q(a) da vari
avel a? O melhor modo de obtermos uma
resposta a esta pergunta e calcularmos (k), a funca
o caracterstica de Q(a):
Z
(k) =
da eik(ax) Q(a x)
h
Z
i
ik
=
dx1 dxnP (x1) P (xn) exp
(x1 x1) + + (xn xn)
n
Z
Z
ik
ik
=
dx1P (x1) exp
(x1 x1) dxnP (xn) exp
(xn xn)
n
n
n
k
=
.
(37)
n
Definindo, por consistencia,
Z
1
(k) = dxP (x x)eik(xx) = 1 k2 2 + O(k3 )
2
(convenca-se disto comparando (35) com a express
ao acima), segue que
n
1 k22
k3
(k) = 1
+O 3
2 n2
n
a qual no limite de n 1, resulta em
(k)
ek
2 /2n
(38)
!2
p
Z
Z
2
2 2
n/2
n (a n)
k
.
dk eik(ax) ek /2n = exp
dk exp i
(a x) +
2
2
2n
n
n (a x)2
Q(a x) =
(39)
exp
2
2
2
o que nos mostra que independente da forma de P (x), a media de um grande
n
umero de x ser
a uma gaussiana centrada em x e com desvio padr
ao N 1/2 vezes
menor do que o desvio padr
ao da densidade de probabilidade P (x). O u
nico
16
requerimento e de que P (x) tenha momentos finitos. Este resultado e chamado
de teorema do limite central.
T
opico especial: Equa
c
ao de Difus
ao
Consideremos novamente o problema do passeio aleat
orio em uma dimens
ao,
onde uma vari
avel segue a probabilidade condicional T de dar passos de comprimento ` a cada intervalo de tempo . Se conhecermos:
T n1 `, (s 1) |n2`, s )
a probabilidade condicional de que uma vari
avel estoc
astica
u ter o valor n2 no s-esimo passo dado que tenha o valor n1
no (s 1)-esimo passo,
(40)
onde u = 0, 1, 2, d
a o valor absoluto da posica
o da partcula, podemos
escrever a equac
ao de evoluca
o temporal para probabilidade de encontrarmos
uma partcula na posic
ao n2 ` como
X
P1 (n2`, s ) =
P1(n1 `, (s 1) )T (n1`, (s 1) |n2`, s ) .
(41)
n1
1
1
P1((n 1)`, (s 1) ) + P1((n + 1)`, (s 1) )
2
2
2
Vamos agora escrever x = n` e t = s e tomar o limite ` e 0, de modo
que D = `2/2 seja finito. Como resultado obtemos a equaca
o de difus
ao
P1 (x, t)
2 P1(x, t)
.
=D
t
x2
(42)
17
Assim, a Eq. (42) assume a forma
Pe (k, t)
= Dk2 Pe1(k, t) ,
t
que podemos imediatamente solucionar, dando
2
Pe1(k, t) = A eDk t
(43)
o
P
(x,
t).
O
mo1
R
mento hx(t)i dxxP1(x, t) d
a a posica
o media da partcula como funca
o
do tempo. Multiplicando a Eq. (42) por x e integrando sobre x, encontramos
Z
dhx(t)i
2P1(x, t)
dxx
=0
=D
dt
x2
ou seja
hx2(t)i = 2Dt
Sugest
oes bibliogr
aficas
Boa parte dos textos de mec
anica estatstica partem do pressuposto de que a
teoria de distribuico
es e um pre-requisito para o curso e d
ao uma enfase diferente
as quest
`
oes matem
aticas tratadas neste captulo. Assim, textos tradicionais
costumam ser bastante sinteticos, com a not
avel excess
ao do livro do Reif [1],
o qual recomendo fortemente como leitura suplementar. Boas referencias para
teoria de distribuic
oes para fsicos s
ao Matthews e Walker [2] e um pouco mais
avancado Hoel [3]. Estudantes com pendores matem
aticos que queiram ler um
pouco mais sobre teoria erg
otica devem consultar o texto de Kinchin [4].
18
1. F. Reif, Fundamentals of Statistical and Thermal Physics (McGraw-Hill
Book Co., New York, 1965).
2. J. Matthews e R. L. Walker, Mathematical Methods of Physics (W. A.
Benjamin, Menlo Park, 1973)
3. P. G. Hoel, Introduction to Mathematical Statistics (Wiley, New York,
1966).
4. A. I. Kinchin, Mathematical Foundations of Statistical Mechanics (Dover
Publications, New York, 1949).
Problemas resolvidos
1. Um recipiente macrosc
opico de volume V contem N moleculas de um g
as
ideal em equilbrio termico.
(a) A probabilidade de que uma dada molecula esteja numa pequena
parte de volume v do recipiente e p = v/V . Qual a funca
o distribuic
ao
f(n) que d
a a probabilidade de encontrarmos n moleculas em v?
(b) Calcule o n
umero medio de partculas em v como funca
o de N, v e V
(c) Qual a probabilidade de que n
ao haja molecula alguma em v? Se
o ar fosse composto apenas de O2 , qual a probabilidade de nossos
pulm
oes n
ao capturarem molecula alguma de O2 em uma aspirac
ao
tpica (v = 103m3)?
Resoluca
o:
(a) Se v V , ent
ao p = v/V 1, mas num recipiente macrosc
opico h
a
um n
umero de moleculas N 1. Da a distribuica
o que nos d
a a
probabilidade de encontrarmos n moleculas em v e a Poisson.
P (n) =
an a
e
n!
com
a = pN .
(b) O n
umero medio de partculas e n = pN .
(c) Nenhuma molecula em v corresponde a n = 0
P (0) = ea
com
a=
v
N.
V
19
2. O modelo de Drude para metais considera que cada
atomo da rede cristalina
contribui com um certo n
umero de eletrons de valencia, os quais se movem
quase livremente dentro do metal. A probabilidade de um eletron sofrer
uma colis
ao em um intervalo de tempo infinitesimal dt e dt/ .
(a) Mostre que um eletron escolhido aleatoriamente em um certo instante
tem probabilidade et/ de n
ao ter sofrido colis
ao alguma nos t segundos anteriores. Mostre tambem que a probabilidade de n
ao haver
colis
ao alguma nos pr
oximos t segundos e a mesma.
(b) Mostre que a probabilidade de que o intervalo entre duas colis
oes
sucessivas esteja compreendido entre t e t + dt e (dt/ ) et/ .
(c) Mostre que, como conseq
uencia, o tempo medio entre colis
oes sucessivas de um eletron e .
Resoluca
o:
(a) Tomemos um eletron aleat
orio no instante t e digamos que a probabilidade de ele n
ao ter sofrido colis
ao desde t = 0 seja P (t). A probabilidade de que ele continue se propagando livremente ate t + dt e
ent
ao dada por
dt
P (t + dt) = (1 )P (t) .
Reescrevemos a express
ao acima como:
dP P (t + dt) P (t) =
dt
P (t)
ou
dP
dt
= .
P
Integrando a equaca
o acima em ambos os lados e considerando que
P (0) = 1, obtemos o resultado desejado P (t) = et/ . O outro caso
do enunciado e deixado para o leitor.
(b) O raciocnio e muito parecido com o do item anterior. Agora, queremos que o eletron que propagou livremente ate t (processo com
probabilidade P (t)) sofra colis
ao entre os intantes t e t + dt (processo
com probabilidade dt/ ). Isto d
a
Pc (t) =
dt
P (t)
ou seja
Pc(t) =
dt t/
,
e
0
0
cujo resultado e t = .
20
Problemas propostos
1. Considere a distribuic
ao poissoniana Pa (n) = (an /n!) ea
(a) Demonstre que a distribuic
ao de Poisson e normalizada
(b) Calcule o valor medio da distribuic
ao e sua vari
ancia.
2. A vari
avel aleat
oria x obedece `
a distribuica
o de probabilidade
f(x) = ex
(0 < x < )
(a) Encontre x
ao escolhidos independentemente. Encontre
(b) Dois valores x1 e x2 s
x1 + x2 e x1 x2
(c) Qual a distribuica
o de probabilidade P (a) da vari
avel aleat
oria a =
(x1 + x2)/2. Sugest
ao: Cuidado com os domnios de integraca
o!)
3. Mostre que a funca
o caracterstica para a distribuica
o gaussiana e
(k) = eikx ek
2 /2
(Veja que o fator gaussiano em (k) faz com que apenas valores de k da
ordem de 1/ sejam importantes, pois (k) e muito pequeno para k 1/.
Trace analogia com o princpio da incerteza!)
4. Em 0.30 mg de 238U temos 7.6 1017
atomos. A probabilidade de que um
n
ucleo se desintegre por segundo (emitindo uma partcula ) e 4.91018.
Ent
ao, para t = 1s, p = 4.9 1018. Estamos supondo que o decaimento
de diferentes
atomos n
ao seja correlacionado.)
(a) Argumente por que a distribuica
o de Poisson e uma boa aproximaca
o
para o decaimento estatstico do 238U , supondo que a distribuic
ao
binomial descreve bem o processo.
(b) Escreva a distribuica
o de Poisson que d
a a probabilidade de que em
1 s, n n
ucleos decaiam e construa o histograma de Pa (n 15).
(c) Qual a probabilidade de que em 1 s nenhum
atomo decaia?
(d) Qual a probabilidade de que em 1 s pelo menos 5
atomos decaiam?
5. No caso da distribuic
ao gaussiana o devio padr
ao tem um significado estatstico bem definido. No caso em que
1
(x )2
P (x) =
,
exp
22
2
(a) Qual a probabilidade de observarmos um evento num intervalo [
, + ]?
21
(b) E em [ 3, + 3]? (Observaca
o: O resultado ser
a em termos
da funca
o erro. O valor numerico pode ser obtido consultando uma
tabela - recomendo Abramowitz e Stegun, Handbook of Mathematical Functions (Dover, New York).)
6. A teoria estatstica de reaco
es nucleares de n
ucleo composto, uma secc
ao
de choque tpica e dada por
2
X
i
(E) =
i
E
i
i
2
i
onde a soma e feita sobre ress
onancias isoladas, cada uma delas correspondendo a uma energia Ei, uma largura partial i e um largura total
i . Para o n
ucleo composto existe um regime onde as seguintes hip
oteses
s
ao v
alidas: (i) todos i s
ao reais e iguais `
a constante ; (ii) os i s
ao
n
umeros reais distribuidos aleatoriamente com
i = 0
i2 = 2 = cte
(iii) os Ei s
ao igualmente espacados, com espacamento D e (iv) D .
(Caso voce esteja interessado na fsica do problema, consulte K. S. Krane,
Introductory Nuclear Physics.)
Usando as aproximac
oes acima calcule (E), 2 (E) e (E)(E + ) e
mostre que
(E)
2(E)
1
2
(E) (E + )
2 (E)
2
.
2 + 2