Captulo 8

Sistemas Aleat
orios

Dizemos que um sistema e aleat orio quando seu estado futuro s o pode ser conhecido pela realizaca o de uma
experiencia. O exemplo mais simples desse tipo de sistema e uma moeda sendo jogada para o alto. N ao ha
como saber qual a face estar a para cima quando a moeda cair, essa informaca o so e obtida ao realizarmos
a experiencia, que e jogar a moeda no caso. Porque ocorre essa indeterminac ao? Para poder prever o
resultado deveramos analisar a moeda com detalhe, assim como a forma com que e jogada para o alto, e
resolver as complicadas equaco es de movimento. Se a moeda estiver sendo jogada por uma pessoa teramos
que garantir que esta seria capaz de repetir exatamente a forma de jogar a moeda. Claro que a soluca o
desse simples problema e completamente invi avel, sempre existir a algum indeterminaca o no processo. Um
sistema tambem aleat orio e o formado por moleculas de um g as. Vamos supor que as moleculas est ao
separadas o suficiente para que seja razo avel desprezar a interacao entre elas. A ` temperatura ambiente essas
moleculas tem um movimento que combina translac ao do centro de massa e rotaca o em torno de diversos
eixos de simetria molecular. Dentro do recipiente que contem o g as as moleculas est ao constantemente
colidindo umas com as outras e colidindo com as paredes do reservat orio. Imagine que desejemos entender
o comportamento desse g as pelo conhecimento da trajet oria das cerca de 1023 partculas. Seja o caso mais
simples, um g as monoat omico sem energia cinetica de rotac ao, neste caso precisaramos de 6 vari aveis reais
para cada partcula, tres para definir ~r e tres para ~v . Ent ao, apenas apra armazenar a informaca o de um
determinado estado do g as precisara mos de cerca de 5 1018 Mb! Supondo que temos essa quantidade de
mem oria disponvel, imagine quanto tempo levaramos para calcular as trajet orias. O pior de tudo e que toda
essa informac ao de nada serviria para o entendimento do comportamento do g as. E muito mais vantajoso
encarar o movimento err atico das moleculas como uma trajet oria aleat oria e usar o fato de que s ao muitas
moleculas e que de fato observamos o resultado medio de suas trajet orias.
De uma forma geral, todos os sistemas macrosc opicos se apresentam a n os pelas medias de seus compo-
nentes at omicos e moleculares, sendo a temperatura a respons avel pela aleatoriedade no nvel microsc opico.
A Mec anica Estatstica e o ramo da fsica que estuda como calcular essas medias a partir do conhecimento
das propriedades microsc opicas do sistema. Existem outros sistemas aleat orios que ocorrem em uma escala
muito diferente, e que n ao s
ao necessariamente regidos por leis fsicas microsc opicas. Por exemplo a formaca o
das especies, a bolsa de valores, o tr ansito e os terremotos e avalanches. Em todos esse caso o que se busca e
uma descrica o probabilstica do sistema que permita o estudo de medias, correlaco es e outras grandezas que
o caracterizem. Como sempre, a descrica o puramente analtica s o e possvel em situacoes muito simples, e os
c
alculos numericos s ao amplamente usados no estudo de sistemas aleat orios. Veremos aqui alguns elementos
basicos desse tipo de problema.

8.1 Probabilidades: Nosso senso comum

Vamos comecar explorando a noca o cotidiana para o conceito de probabilidade. Em primeiro lugar, a
necessidade de empregar esse conceito vem da impossibilidade de prever o resultado de um determinado
experimento. Por experimento entende-se uma enorme variedade de situac oes, por exemplo podemos estar
interessados em saber se uma jogada de moeda vai ter como resultado cara ou coroa, se vai chover ou n
ao no
dia seguinte, ou se um investimento na bolsa de valores ser
a lucrativo. Como vimos acima, a previs
ao exata

56
CAPITULO 8. SISTEMAS ALEATORIOS
57

desses resultados e invi

avel, e prefervel construir um modelo que nos permita calcular a probabilidade de cada
resultado possvel. No caso da moeda, esse modelo certamente incluir a consideraco
es sobre a distribuic
ao
de massa da moeda, sobre a forma com que e jogada e sobre o n umero de resultados possveis, ou seja,
devemos considerar a possibilidade da moeda cair em pe? A esse u ltimo passo chamamos de definir o espaco
de amostragem, e e uma etapa fundamental no c alculo de probabilidades. Para a moeda, em geral, supomos
dois resultados possveis e igualmente prov aveis, j
a que cair em pe e um evento muito raro, e, em geral, n ao
h
a razao para se supor que uma face tenha prioridade sobre a outra. Note que estamos usando a qualificaca o
evento raro de forma bastante qualitativa. Chamando de P (?) ` a probabilidade do evento ? ocorrer, obtemos
ent
ao
1
P (cara) = P (coroa) = . (8.1)
2
Como podemos comprovar experimentalmente esse modelo? Jogando a moeda. Na verdade poderamos
ter determinado P (cara) e P (coroa) jogando a moeda, e aqui entra em cena outro elemento importante, o
n
umero de vezes, N , que jogamos a moeda. Aplicando a previs ao do modelo sem muito cuidado, podemos
dizer que ao jogar a moeda N vezes teremos que o n umero de resultados cara (Ncara ) seria
N
Ncara = P (cara)N = = Ncoroa . (8.2)
2
claro que se N for pequeno muitas vezes teremos resultados bem diferentes desse. A
E ` medida que formos
aumentando o numero de jogadas chegaremos cada vez mais perto de ter Ncara = Ncoroa = N/2. Se f ossemos
determinar as probabilidades experimentalmente teramos que ter o cuidado de repetir a experiencia (jogar
a moeda, no caso) um grande n umero de vezes, e assim teramos uma definica
o experimental
Ncara
P (cara) = lim . (8.3)
N N

Mas, quanto grande N deve ser? O maior possvel. Veremos mais tarde que a pergunta correta e : Que erro
estamos cometendo ao usar a definic ao (8.3) com N finito? Ou melhor, quanto o valor observado para Ncara
e diferente de N/2? E e claro, as respostas estar
ao relacionada com a precis
ao com que estamos medindo.

8.2 Distribui
coes
Chamamos de vari avel estoc
astica ou aleatoria, a vari
avel cujo valor so pode ser determinado atraves de
uma experiencia. Usaremos a partir de agora a seguinte notaca o: em letras mai usculas teremos o nome da
vari
avel (ex: X e resultado da jogada da moeda), e em min usculas, o seu valor (ex:x = 1 para cara ou x = 0
para coroa). Uma vari avel estoc
astica X e uma funcao que associa um n umero real a cada ponto do espaco
de amostragem.

Vari
aveis estoc
asticas discretas
Seja X uma variavel estoc astica em que pode tomar um n umero contavel (finito ou infinito) de valores,
ou seja, X() = {x1 , x2 , . . .}. Sabendo a probabilidade para cada valor xi podemos definir a distribui c
ao
de probabilidade, f (xi ) = P (xi ) satisfazendo as seguintes condico
es

f (xi ) 0 , (8.4)

e X
f (xi ) = 1 , (8.5)
i
onde a soma e sobre todos os valores possveis da vari
avel X.
Vejamos como exemplo o dado. X e o n umero tirado, e x1 = 1, . . . , x6 = 6. Todos os valores tem probabili-
ao chama-se distribui
dade 1/6 de ocorrer, portanto f (xi ) = 1/6. Essa distribuic c
ao uniforme.
Voltando `
a moeda, a probabilidade de tirar N1 caras em N jogadas e dada pela distribuic ao binomial
N!
P (N, N 1) = pN1 q N N1 , (8.6)
N1 !(N N 1)!
CAPITULO 8. SISTEMAS ALEATORIOS
58

onde p e a probabilidade de tirar cara em uma jogada, e q de tirar coroa. Para uma moeda simetrica,
p = q = 0.5. A Fig 8.1 mostra o gr
afico de (8.6) para N = 10.

Figura 8.1: Probabilidade de se tirar N1 caras numa seq

uencias de 10 jogadas independentes.

A determinaca
o de f (xi ) (que em geral n
ao e possvel), permite o conhecimento completo de um sistema.
Em geral podemos apenas determinar alguns momentos da distribuic ao que s
ao relacionados com observ
aveis
que podem ser medidos. O n-esimo momento de X e definido como
X
Mn = hX n i = xni f (xi ) . (8.7)
i

Alguns momentos tem nomes especiais devido a sua freq

uente utilizaca
o
primeiro momento M1 = hXi = media ou valor esperado
segundo momento M2 = hX 2 i
O segundo momento em geral aparece combinado com o primeiro na forma M2 M12 = hX 2 i hXi2 =
vari
ancia de X.

Vari
aveis estoc
asticas contnuas
Varias situac
oes tem uma descric
ao mais adequada atraves de vari
aveis contnuas. Por exemplo, se estivermos
considerando um n umero muito grande de jogadas, por exemplo 500, a distribuic ao binomial (8.6) pode ser
aproximada pela funca o contnua [7]
 
1 (x N p)2
P (N, x) = exp (8.8)
2N pq 2N pq
A Fig. 8.2 mostra a comparaca o entre as descric
oes discreta e contnua para a distribuica
o binomial.
Fica sem sentido falar na probabilidade de ter x como resultado se X e uma vari avel contnua. Neste caso
devemos definir um intervalo infinitesimal dx e definir dP (x) como a probabilidade de encontrar o resultado
entre x e x + dx. Essa probabilidade depende, em princpio, de x, e tambem do tamanho de dx. Quanto
maior for o intervalo considerado, maior ser a o valor numerico de dP (x) para um mesmo x. Neste caso e
o de densidade de probabilidade, da seguinte forma
mais significativa a definica
dP (x)
= fX (x), (8.9)
dx
ou seja,
dP (x) = P (x)dx = fX (x)dx. (8.10)
CAPITULO 8. SISTEMAS ALEATORIOS
59

Figura 8.2: Comparaca

o entre as distribuic
oes dadas por (8.6) e (8.8) apra N = 500, p = q = 0.5.

ofX (x) define a distribui

A funca c
ao da vari
avel aleat
oria X.
Se queremos tratar de um intervalo n ao infinitesimal, por exemplo se queremos saber qual a probabilidade
de ter x entre os valores a e b, temos
Z b
P (a x b) = fX (x)dx. (8.11)
a

A densidade de probabilidade, fX (x), e uma funca

o contnua por partes satisfazendo

fX (x) 0 (8.12)

e Z
fX (x)dx = 1, (8.13)

onde e o espaco de amostragem.
Os momentos ficam definidos como
Z
Mn = hX n i = dx xn fX (x) . (8.14)

Histogramas distribui
coes contnuas
Muitas vezes queremos relacionar um conjunto finito de valores de uma vari avel estoc
astica com uma de-
terminada distribuica o contnua. Isso pode ser feito atraves da an
alise do histograma obtido a partir das
valores medidos tomando-se os devidos cuidados para garantir a mesma normalizaca o nas duas descrico
es.
A equaca o (8.10) nos diz que dP (x) = fX (x)dx e a probabilidade de encontrar X entre x e x + dx, devi-
damente normalizada como em (8.13). Ao construirmos um histograma dividimos o intervalo de observaca o
da variavel em bins de largura b e contamos quantos dados caem em cada bin. A quantidade de dados classi-
ficados num determinado bin depende linearmente da largura deste, assim, ao finalizar a contagem teremos
obtido
P n i = ni b, que
e o n
umero de dados contado no i-esimo bin de largura b. A normalizacao deve ser tal
que N b
i=1 ni = N , onde Nb e o n
umero de bins e N o numero total de valores analisados. Podemos calcular
a fraca
o de dados que cairam em cada bin como Fi = ni /N = (ni /N )b. A normalizaca o agora deve ser
CAPITULO 8. SISTEMAS ALEATORIOS
60

PNb
i=1 Fi = 1. A lei dos n
umeros grandes nos garante que quando N , Fi Pi , que e a probabilidade
de encontrar um valor no i-esimo bin. Se desejamos obter (ou ajustar) a distribuic
ao de probalidade para
esse conjunto de dados, devemos trabalhar com os valores de (Fi )/b, que ser
ao a densidade de probalidade
de encontrar os valores nos bins.

8.3 Gera
c
ao de n
umeros aleat
orios
Num problema determinstico, o objetivo e conhecer a trajetoria ou a evoluca
o temporal de uma determinada
vari
avel. Se o sistema e aleatorio, cada trajet
oria ser
a diferente, mesmo partindo de uma u nica condica
o
inicial. O que tem sentido e conhecer o comportamento medio, e entender como as flutuaco es afetam o
sistema. Um possibilidade e usar o computador para simular processos ou trajet orias, usando regras pre-
determinadas, que em geral envolver ao aleatoriedade em alguma forma. Essas regras formam o modelo, e
saberemos se s ao adequadas a posteriori, ou seja, depois que calcularmos as medias e flutuacoes e comparar-
mos com um sistema real. Um ingrediente fundamental e escolher a forma correta de aleatoriedade, ou seja
escolher corretamente a distribuicao utilizada. Na simulacao computacional isso e feito sempre a partir de
um gerador de n umeros aleat orios. Todas as linguagens possuem um mecanismo, em geral uma funca o,
para produzir uma seq uencia de n
umeros aleatorios, que na verdade sao pseudo-aleatorios, com um perodo
o bastante longo. Um exemplo e o gerador linear congruente, que a partir de uma semente x0
de repetica
gera uma seq uencia de numeros xn de acordo com o mapa

xn+1 = (axn + b)mod 2m , (8.15)

A expressao mod 2m significa que apenas os m primeiros bits s ao mantidos. Em geral m tem os valores 32
ou 64. As constantes a e b s ao escolhidas de forma a que sequencia x1 , x2 . . . seja aleat
oria, obedecendo a
uma distribuicao uniforme entre 0 e 2m 1. A razao pela qual as seq
uencias de n umeros geradas por (8.15)
s
ao aleat
orias e o regime ca
otico, muito parecido com o obtido no caso do mapa logstico, adequadamente
sintonizado pelos valores de a e b usados.
Veja um exemplo de uso da funca o disponvel no C padrao ANSI no programa unif.c abaixo.

unif.c
#include <stdio.h>
#include <stdlib.h>
int main()
{
int s, i, N, nmax;

printf("inicializando a sequencia...\n");
printf("digite um numero inteiro e pressione enter\n\n");
scanf("\n%d", &s);
printf("informe o numero de sorteios\n\n");
scanf("%d", &N);
nmax = RAND_MAX; // valor maximo do numero gerado, definido em stdlib.h
printf("\nserao sorteados %d inteiros entre 0 e %d:\n\n", N, nmax);
srand(s); // inicializa a semente
for(i = 1; i <= N; i++){
printf("%d %d\n\n",i,rand());
}
return 1;
}
A funca
o rnd tem alguns problemas. Primeiro, o fato de gerar numeros em um intervalo que depende da
maquina utilizada e desagrad
avel, embora facilmente contornado pela divis
ao pelo valor maximo definido em
stdlib.h. Serio mesmo e o fato de gerar n umeros que se repetem cedo demais para aplicac oes cientficas.
Essa funca
o padrao e duramente criticada pelo Numerical Recipes, que prop oe varias opco
es de geradores
CAPITULO 8. SISTEMAS ALEATORIOS
61

port
ateis e de longo perodo. Vamos adotar um delas, a ran2 listada abaixo. Trata-se de gerador de
umeros de periodo maior que 2 1018 , retornando um n
n umero double uniformemente distribuido entre
0 e 1, excluindo os extremos. E chamada a partir de um inteiro negativo, o idum, usado para inicializar
a seq
uencia. idum nao deve ser alterado entre chamadas sucessivas, para n
ao reinicializar a geraca
o de
n
umeros.

ran2.c
/* note #undefs no fim do arquivo */
#define IM1 2147483563
#define IM2 2147483399
#define AM (1.0/IM1)
#define IMM1 (IM1-1)
#define IA1 40014
#define IA2 40692
#define IQ1 53668
#define IQ2 52774
#define IR1 12211
#define IR2 3791
#define NTAB 32
#define NDIV (1+IMM1/NTAB)
#define EPS 1.2e-7
#define RNMX (1.0-EPS)

double ran2(int *idum)

{
int j;
long k;
static long idum2=123456789;
static long iy=0;
static long iv[NTAB];
double temp;

if (*idum <= 0) {
if (-(*idum) < 1) *idum=1;
else *idum = -(*idum);
idum2=(*idum);
for (j=NTAB+7;j>=0;j--) {
k=(*idum)/IQ1;
*idum=IA1*(*idum-k*IQ1)-k*IR1;
if (*idum < 0) *idum += IM1;
if (j < NTAB) iv[j] = *idum;
}
iy=iv[0];
}
k=(*idum)/IQ1;
*idum=IA1*(*idum-k*IQ1)-k*IR1;
if (*idum < 0) *idum += IM1;
k=idum2/IQ2;
idum2=IA2*(idum2-k*IQ2)-k*IR2;
if (idum2 < 0) idum2 += IM2;
j=iy/NDIV;
iy=iv[j]-idum2;
iv[j] = *idum;
if (iy < 1) iy += IMM1;
CAPITULO 8. SISTEMAS ALEATORIOS
62

if ((temp=AM*iy) > RNMX) return RNMX;

else return temp;
}
#undef IM1
#undef IM2
#undef AM
#undef IMM1
#undef IA1
#undef IA2
#undef IQ1
#undef IQ2
#undef IR1
#undef IR2
#undef NTAB
#undef NDIV
#undef EPS
#undef RNMX
Exemplo de uso correto :
#include "NR.h"
#include <stdio.h>
int main()
{
int s, i, N;
double x;

printf("entre com o valor de um inteiro negativo para inicializar ran2\n\n");

scanf("%d", &s);
if (s>0){
s = -s; // garante que e negativo
printf("\npedi um numero negativo e voce deu um positivo -> ja corrigido!\n");
}
printf("\nentre com o tamanho da sequencia\n\n");
scanf("%d", &N);
printf("\n%d doubles entre 0 e 1 serao gerados\n\n",N);

for(i = 1; i <= N ; i++){

x = ran2(&s);
printf(" %d %lf\n",i,x);
}

return 0;
}
Muitas vezes precisamos de n umeros aleatorios que obedecam a uma distribuic
ao que n
ao a uniforme. De-
vemos obter essa distribuic
ao a partir dos n
umeros gerados com a uniforme, o que pode ser feito de duas
maneiras: pelo metodo da transformacao, ou pelo da rejeica
o.

M
etodo da transforma
cao
Suponha que a colecao de variaveis {x1 , x2 , x3 . . .} seja distribuida de acordo com a func
ao PX (x). Ou seja,
a probabilidade de encontrar X com valor entre x e x + dx e PX (x)dx. Seja y uma outra vari avel aleat
oria,
tal que y = f (x). A distribuic
ao PY (y) pode ser obtida a partir de PX (x) usando-se
 
 dx 
|PX (x)dx| = |PY (y)dy| ou PY (y) = PX (x)   (8.16)
dy
CAPITULO 8. SISTEMAS ALEATORIOS
63

Por exemplo, suponha que queremos gerar uma distribuic ao de Poisson, descrita por PY (y) = exp(y), a
partir da distribuica
o uniforme PX (x) = C. Usando (8.16) temos
   
 dx   dx 
PY (y) = exp(y) = PX (x)   = C   = y = ln x
  (8.17)
dy dy
Assim, usamos o gerador de n umeros padr
ao para conseguir valores de x e calculamos y usando y = f (x) =
importante notar que em geral isso envolve manipular os n
ln x. E umeros gerados de alguma forma,
ajustando normalizac
ao e deslocamento.

M
etodo da rejei
cao
Nem sempre a determinaca o da relaca
o entre y e x e possvel. Nesses casos lancamos m ao do metodo da
rejeica
o. No que se segue vamos supor que x seja um n umero real aleat orio, uniformemente distribudo entre
0 e 1. Queremos gerar n umeros de acordo com uma distribuic ao PY (y), definida no intervalo [ymin , ymax ], cujo
valor m aximo e 1, como mostra a figura 8.3. Isso significa que queremos examinar uma seq unecia {y1 , y2 . . .}
e aceitar alguns valores, a aceitacao se dando com probabilidade PY (y). Assim, sorteamos um n umero y1
de uma seq uencia uniforme entre ymin e ymax , usando o gerador disponvel. Calculamos PY (y1 ). Geramos
um outro n umero aleat orio entre 0 e 1, que chamaremos de pteste . O n umero y1 e aceito se PY (y1 ) > pteste .
Continuamos o procedimento com o sorteio e teste de outro valor, y2 , etc. A squ uencia dos n
umeros aceitos
obedece a PY (y).

P(y1)

pteste

ymin y1 ymax

Figura 8.3: Metodo da rejeica

o para a determinacao de P (y). O n umero sorteado (y1 ) foi usado para o
c
alculo de P (Y1 ). Um segundo numero aleatorio, pteste e sorteado e comparado a P (y1 ). Para a situac
ao
indicada, y1 foi aceito.

Integra
c
ao Monte Carlo
Suponha que desejamos calcular o valor da integral definida
Z b
I= g(x)dx. (8.18)
a

Seja PV (v) a densidade de probabilidade associada `

a vari
avel aleat
oria V definida no intervalo [a, b]. Defin-
imos agora a vari
avel aleat
oria H como
g(x)
H = f (x) = . (8.19)
PV (x)
CAPITULO 8. SISTEMAS ALEATORIOS
64

O valor medio de H est

a relacionado com o valor da integral que desejamos calcular como
Z b Z b
g(x)
hHi = f (x)PV (x)dx = PV (x)dx = I (8.20)
a a PV (x)

Na pr atica usaremos a media aritmetica de um n

umero finito de valores de H como valor da integral, ou
seja, usaremos
N
1 X g(vj )
I . (8.21)
N j=1 PV (vj )

O erro que estaremos comentendo pode ser calculado pela vari

ancia com relac
ao ao valor verdadeiro I, como
Z b
2 g 2 (x)
H = hH 2 i I 2 = dx I 2 . (8.22)
a PV (x)

Pode-se mostrar que a vari ancia e minimizada se escolhemos PV (v) proporcional a |g(x)|, mas pode ser
bastante complicado gerar as variaveis aleat
orias com essa distribuic
ao. Em geral basta usar g(x) como um
guia para a escolha de PV (v), lembrando que esta deve estar normalizada no intervalo [a, b]. Na verdade
n
ao vale a pena usar o metodo Monte Carlo para o c alculo de integrais como (8.18), mas quando se trata de
uma integral mutipla e uma excelente opca
o.
Vejamos um exemplo. Seja g(x) = sen(x), a = 0 e b = /2. Nesse caso o valor da integral e conhecido,
I = 1. Vamos ver como calcular essa integral pelo metodo Monte Carlo usando duas opc oes para PV (v).

R /2
Figura 8.4: Comparaca
o entre distribuic
oes para o c
alculo da integral I = 0 sen(x)dx.

Seja PV (v) a distribuic

ao uniforme no intervalo [0, /2]: PV (v) = 2/. Se r e um n
umero aleat
orio entre
0 e 1, gerado por exemplo por ran2, v pode ser obtido como

v= r. (8.23)
2
Sorteamos N = 10 valores para r, calculamos os 10 valores de v correspondentes, e os 10 valores de sen(v),
ou seja,
N
X
I1 = sen(vj ) (8.24)
2N j=1

A tabela abaixo mostra um exemplo desse c

alculo.
CAPITULO 8. SISTEMAS ALEATORIOS
65

j 1 2 3 4 5 6 7 8 9 10
rj 0.865 0.159 0.079 0.566 0.155 0.664 0.345 0.655 0.812 0.332
vj 1.359 0.250 0.124 0.889 0.243 1.043 0.542 1.029 1.275 0.521
sen(vj ) 0.978 0.247 0.124 0.776 0.241 0.864 0.516 0.857 0.957 0.498
O valor de I a partir dos 10 sorteios e ent
ao

I1 = 0.952. (8.25)

Podemos melhorar muito a acur acia no c o PV (v) = 8v/ 2 , indicada

alculo de I com o uso da distribuica
na figura 8.4. Nosso ponto de partida e um n umero aleat
orio r, entre 0 e 1. Para gerar v obedecendo a
PV (v), a partir de r, usamos o metodo da tranformacao.
 
 8x 
 dx = |dy| (8.26)
 2 

ou seja, Z Z
v r
8x
dx = dy, (8.27)
0 2 0
dando

v= r. (8.28)
2
A vari
avel v obedece ` ao PV (v) = 8v/ 2 . Com essa escolha, o valor de I pode ser calculado com
a distribuic
N sorteios como
N
2 X sen(vj )
I2 = . (8.29)
8N j=1 vj

2 senv
Prosseguimos ent ao sorteando r, calculando v atraves de (8.28), e calculando 8v . A tabela abaixo mostra
esse c
alculo para 10 sorteios.
j 1 2 3 4 5 6 7 8 9 10
rj 0.865 0.159 0.079 0.566 0.155 0.664 0.345 0.655 0.812 0.332
vj 1.359 0.250 0.124 0.889 0.243 1.043 0.542 1.029 1.275 0.521
sen(vj )
vj 0.978 0.247 0.124 0.776 0.241 0.864 0.516 0.857 0.957 0.498

O c
alculo de I agora e,
I2 = 1.016. (8.30)

8.4 Exerccios
1. Se um determinado evento aleat orio e descrito pela densidade de probabilidade f (x), a probalidade de
que o resultado associado a esse evento esteja entre a e b e dada por
Z b
P (a < x < b) = f (x)dx.
a

Quando o intervalo de integraca

o compreende todos os possveis valores de s, o valor da probabilidade
deve ser 1, o que define a normalizac
ao de f (x).
Use o metodo de Simpson para calcular essa probabilidade nas situac
oes indicadas abaixo, e para ver-
ificar a normalizaca
o numericamente.
CAPITULO 8. SISTEMAS ALEATORIOS
66

(a) Distribuic
ao Gaussiana, definida como
 
1 (x xm )2
f (x) = exp ,
2 2 2

para > 0, e x entre e +.

i. a = xm + e b =
ii. a = xm e b = xm +
iii. a = xm 2 e b = xm + 2

(b) Distribuic
ao Log-normal, definida como
 
1 [ln(x/xm )]2
f (x) = exp
x 2 2 2

para > 0, e x entre 0 e +.

i. a = xm / exp() e b =
ii. a = xm / exp() e b = xm exp()
iii. a = xm /[exp()]2 e b = xm [exp()]2

2. Use o metodo da rejeica

o para gerar uma seq
uencia de n
umeros distribudo de acordo com
(a) a distribuic
ao gaussiana
1  
PY (y) = exp (y ym )2 /2 2 ,
2
(b) a distribuica
o log-normal
 
1 [ln(x/xm )]2
PX (x) = exp
x 2 2 2

usando o gerador de n
umeros aleat
orios ran2 do Numerical Recipes.
Experimente diversos valores de e ym , sempre construindo o histograma e examinando o gr
afico.
Reponda ` as perguntas: O acontece com a distribuic
ao quando ym tem seu valor aumentado? E ?
Qual o significado desses par
ametros para a forma da curva?
3. Sabemos que, se x e uma vari avel aleat
oria regida pela distribuica
o Px , e y = f (x), ent
ao |PX (x)dx| =
|PY (y)dy|. Use esta informaca o para mostrar que se y obedece ` a distribuic
ao gaussiana, e y = ln(x),
ent
ao x obedece `a distribuic
ao log-normal.
4. Use o metodo da transformaca
o para gerar n
umeros aleat
orios que obedecam `
a distribuic
ao PX (x) =
8x/ 2 .
5. Suponha que tenhamos N partculas com velocidades de m
odulo v e direco
es aleat
orias, de acordo com
uma distribuic
ao uniforme. Para um valor de N razoavelmente grande, a aleatoriedade das direc oes
CAPITULO 8. SISTEMAS ALEATORIOS
67

grarante que
N
1 X
hvi = ~vi = 0 (8.31)
N i=1
e que
1 2
hva2 i = v , (8.32)
D
onde a = x, y, z e D e a dimens
ao espacial.
(a) Verifique as express
oes acima para um sistema bidimensional (D = 2), supondo v = 1. Use o
seguinte esquema:
Gere N angulos uniformemente distribudos entre 0 e 2.
Use-os para calcular vx e vy para cada partcula.
Calcule as medias pedidas.
(b) Estenda para o caso tridimensional (D = 3). O
anglo azimutal pode ser sorteado como no caso
bidimensional, mas voce deve ter cuidado com o sorteio do
angulo polar . A integral sobre a
superfcie de uma esfera e Z Z2 1
d d(cos ) = 4 (8.33)
0 1

Assim, para angulos uniformemente distribudos, a probabilidade de ter uma direca

o com
angulo
polar entre e + d, e azimutal entre e + d e
1 1
d(cos ) d. (8.34)
2 2
Em resumo, o esquema e
Gere N angulos uniformemente distribudos entre 0 e 2.
Gere N valores de cos uniformemente distribudos entre 1 e 1. Para cada valor use a
funca
o acos da biblioteca matem atica para calcular .
Use-os para calcular vx , vy , e vz para cada partcula.
Calcule as medias pedidas.
6. Use a integrac
ao Monte Carlo para calcular a integral elptica
Z /2
1
K(m) = p d
0 1 m sin2
para m = 0.2,
(a) usando uma distribuic
ao uniforme PX = 2x/
o PX = 8x/ 2 . O valor tabelado em Handbook of Mathematical Functions,
(b) usando a distribuica
editado por Abramowitz e Stegun e 1.659623598610528. Escolha o numero de sorteios de forma
a ter concord
ancia de 3 casas decimais.
Bibliografia

[1] Intel Coporporation. IA-32 Intel Architecture Software Developer s Manual.

http://support.intel.com/design/Pentium4/documentation.htm, 2004.
[2] Winn L. Rosch. The Winn L. Rosch Hardware Bible (6th Edition). Que, 2003.
[3] http://computer.howstuffworks.com/computer-memory.htm.
[4] http://arstechnica.com/paedia/r/ram guide/ram guide.part1-1.html.
[5] H. Moyses Nussenzveig. Curso de Fsica B
asica 2. Edgard Blucher, 1983.
[6] Kittel e Kroemer. Thermal Physics. W.H. Freeman and Company, 1980.

[7] S. R. A. Salinas. Introduca

o `
a Fsica Estatstica. Edusp, 1997.
[8] W. H. Press, B.P. Flannery, S. A. Teukolsky, and W.T. Vetterling. Numerical Recipes in C. The Art of
Scientific Computing. Cambridge, 1988.
[9] K. R. Symon. Mechanics. Addison-Wesley, 1972.
[10] P. Collet and J-P. Eckmann. Iterated Maps on the Interval as Dynamical Systems. Birkhauser, 1980.
[11] E. A. Jackson. Perspectives of nonlinear dynamics, volume 1. Cambridge, 1989.
[12] H. Moyses Nussenzveig, editor. Complexidade e Caos. Editora UFRJ/COPEA, 1999.
[13] P. M. Castro de Oliveira. Sistemas complexos. Ci
ncia Hoje, 16:35, 1994.

51