Você está na página 1de 54
Mecânica Estatística de Não – Equilíbrio Dinâmica estocástica: modelagem de problemas de populações biológicas

Mecânica Estatística de NãoEquilíbrio Dinâmica estocástica:

modelagem de problemas de populações biológicas

Tânia Tomé
Tânia Tomé

III Escola de Inverno de Física Programa de Pós-Graduação em Física 26 a 30 de Julho de 2010 - Instituto de Física da UFBA - Salvador - Bahia

de 2010 - Instituto de Física da UFBA - Salvador - Bahia Tânia Tomé IFUSP: Primeira
de 2010 - Instituto de Física da UFBA - Salvador - Bahia Tânia Tomé IFUSP: Primeira

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

Tânia Tomé

Colaboração: David R. de Souza (IFUSP)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

2

Resumo

Apresentaremos neste mini-curso uma breve introdução ao formalismo da mecânica estatística de não-equilíbrio fundamentado na

dinâmica estocástica.

Dentro deste contexto analisaremos modelos estocásticos de gás na rede e autômatos celulares probabilísticos, isto é, modelos estocásticos e espacialmente estruturados.

é, modelos estocásticos e espacialmente estruturados . Mostraremos aplicações deste formalismo relacionadas à

Mostraremos aplicações deste formalismo relacionadas à modelagem de problemas da dinâmica de populações biológicas e, principalmente, a processos de espalhamento de epidemias. Também, discutiremos sucintamente propriedades das transições de fase cinéticas em sistemas descritos por dinâmicas irreversíveis.

Essa discussão será realizada juntamente com as aplicações acima referidas.

Exporemos ainda alguns dos métodos comumente utilizados para analisar modelos estocásticos em reticulados.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

3

Equação mestra

Programa
Programa

Modelos estocásticos definidos em reticulados

Aproximação de campo médio dinâmico e outros métodos

Modelo de contato & Relação com um processo epidêmico simples

Modelo Susceptível Infectado - Recuperado (SIR) estocástico e espacialmente estruturado

Modelo predador-presa estocástico em reticulado

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

4

Bibliografia

Tânia Tomé e M. J. de Oliveira,

Dinâmica Estocástica e Irreversibilidade (Edusp, São Paulo, 2001).

J. Marro and R. Dickman, Nonequilibrium Phase Transitions (Cambridge University, Cambridge, 1999).

Artigos sobre modelos estocásticos e espacialmente estruturados para descrever a dinâmica de espalhamento de epidemias e artigos sobre sistemas predador-presa: ver, por exemplo, artigos listados em http://fge.if.usp.br/~ttome/ (e referências citadas nestes).

.

Outras referências serão dadas no decorrer das aulas.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

5

Mecânica estatística de Não-Equilíbrio
Mecânica estatística de Não-Equilíbrio

&

Dinâmica Estocástica

Introdução:

Mecânica estatística de equilíbrio

Introdução: Mecânica estatística de equilíbrio Distribuições de Gibbs Mecânica estatística de

Distribuições de Gibbs

Mecânica estatística de não-equilíbrio

de Gibbs Mecânica estatística de não-equilíbrio Uma abordagem: Dinâmica Estocástica Modelos

Uma abordagem:

Dinâmica Estocástica

de não-equilíbrio Uma abordagem: Dinâmica Estocástica Modelos estocásticos em reticulados Transições de fase em

Modelos estocásticos em reticulados

Dinâmica Estocástica Modelos estocásticos em reticulados Transições de fase em sistemas fora do equilíbrio ,

Transições de fase em sistemas fora do equilíbrio, classes de universalidade e criticalidade.

Modelagem de problemas biologicamente motivados e outros.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

6

Processos estocásticos

Teoria do Movimento Browniano

Einstein (1905), Smoluchowsky (1906), Langevin (1908), Perrin (1908) Uhlenbeck & Ornstein (1930) Chandrasekhar (1943), Mark Kac (1947)

Método de Monte Carlo Metropolis et al. (1953)

Dinâmica de Glauber-Ising Glauber (1963)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

7

Formulação Estocástica para processos epidemiológicos

Processos de “nascimento e morte” Bartlett (1949) Bailey (1953)

Processo de contato

Harris, (1974) Grassberger & de la Torre (1979)

Modelo Susceptível Infectado Removido (SIR) Estocástico

e Espacialmente Estruturado Grassberger (1983) Durrett & Levin (1994) Muitos outros : algumas referências

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

8

Algumas referências Autômatos celulares e modelos estocásticos em reticulado para descrever problemas de dinâmica de populações biológicas

P. Grassberger (1983).

R. Durrett & S. Levin (1994).

J. E. Satulovsky & T. Tomé (1994).

S. M. Dammer and H. Hinrichsen (2003).

E. Arashiro & T. Tomé (2007).

L. B. L. Santos, M. C. Costa, S. T. R. Pinho, R. F. S. Andrade, F. R. Barreto and M. G. Teixeira and M. L. Barreto (2009).

V. R. V. Assis and M. Copelli (2009).

D. R. de Souza and T. Tomé (2010).

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

9

Processos de “nascimento & morte”

Exemplo mais simples:

Processo de decaimento radioativo

ou

um exemplo simples da dinâmica de populações biológicas:

Processo de morte pura (PMP)

de populações biológicas: Processo de morte pura (PMP) . Imaginemos uma população de indivíduos que vive

. Imaginemos uma população de indivíduos que vive em um ambiente isolado.

. Imaginemos também que o ambiente esteja altamente poluído e que isto resulte na não reprodução dos indivíduos.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

10

PMP

Abordagem determinística:

t

n n e

0

dn n (t ) dt

Abordagem estocástica:

Probabilidade de um dado indivíduo estar vivo no instante de tempo t.

Probabilidade de

n indivíduos estarem vivos em

t

n é uma variável estocástica

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

11

Processo de morte pura

Processo de morte pura Número de pássaros sobreviventes versus tempo (Kraak et al (1940 ) in

Número de pássaros sobreviventes versus

tempo

(Kraak et al (1940 ) in Hutchinson, (1978)

Renshaw (1991)

(Kraak et al (1940 ) in Hutchinson, (1978) Renshaw (1991) E. Renshaw, Modeling Biological Populations in

E. Renshaw, Modeling Biological Populations in

Space and Time Cambridge UniversityPress, Cambridge, 1991)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

12

Processo de morte pura

n Simulações de um modelo estocástico para o processo de morte pura 0 n e
n
Simulações de um modelo estocástico
para o processo de morte pura
0
n
e

t
0
 n   n 
//
Podemos obter a partir da solução
da equação mestra para
este problema!!
t
//
///
Para
0
grande
0
t
 n   n 
 n (t )   n    n 
2
2

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

13

Abordagem de dinâmica estocástica

Abordagem de dinâmica estocástica 1) Equação mestra Foco deste mini-curso 2) Modelos estocásticos em reticulados 3)

1)

Equação mestra
Equação mestra

Foco deste mini-curso

2) Modelos estocásticos em reticulados

3) Autômatos celulares probabilísticos

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

14

Equação mestra:

Processo markoviano a tempo contínuo

Equação mestra : Processo markoviano a tempo contínuo P(n,t) é a probabilidade de o sistema estar
Equação mestra : Processo markoviano a tempo contínuo P(n,t) é a probabilidade de o sistema estar

P(n,t) é a probabilidade de o sistema estar no estado n no

instante de tempo t.

W(n,m)
W(n,m)
W(n,m) Taxa de Transição de m para n

Taxa de Transição de m para n

(*) Observação: essa equação é obtida a partir da equação de evolução

para um processo markoviano “a tempo discreto”.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

15

Obtenção da equação mestra a partir da equação de evolução para um processo markoviano “a
Obtenção da equação mestra a partir da equação de evolução para um
processo markoviano “a tempo discreto”
Próximo slide ( n )   T n m P m ( , )
Próximo slide
(
n
)
T n m P m
(
,
)
(
)
P   1
m
Cadeia de Markov
m P m ( , ) ( ) P   1  m Cadeia de

Probabilidade

do estado

instante

n no

(

T n m

) 1

n

,

T ( n , m )

Matriz estocástica

)  1 n , T ( n , m ) Matriz estocástica Probabilidade de transição
Probabilidade de transição
Probabilidade
de transição

de

m

para

n

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

16

t

x

t

x

t

0

n

0

Cadeias de Markov

Variável estocástica discreta

1  1
1
1

n

1

n

de Markov Variável estocástica discreta 1  1 n 1 n n  1 P (

n

1
1
P ( n , n , , n )  P ( n | n
P ( n
, n ,
,
n )
P ( n
| n ,
,
n ) P ( n ,
,
n )
1
1
0
1
1
0
0

P

( n

| n ,

n )

P ( n

| n )

,  1  1 0  1  1
,
1
1
0
1
1
) P ( n | n )  ,  1  1 0  1

Propriedade markoviana

P ( n )   P ( n | n P n ) (
P
(
n
)
P
(
n
|
n P n
)
(
)
1
1
1
1

n

P ( n )   P ( n | n P n ) ( )

Relação de recorrência

n , n , , n  soma em 0 1 1
n , n ,
, n 
soma em
0
1
1

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

17

Cadeias de Markov

Relação de recorrência:

P ( n )   P ( n | n P n ) (
P
(
n
)
P
(
n
|
n P n
)
(
)
1
1
1
1

n

P ( n )   P ( n | n P n ) ( )

Notação simplificada:

T ( n, m)

Probalidade de transição de m para n

Probalidade de transição de m para n

Relação de recorrência:

( n )   T n m P m ( , ) ( )
(
n
)
 
T n m P m
(
,
)
(
)
P   1
m

Propriedade:

(

T n m

) 1

n

,

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

18

Obtenção da equação mestra

Passagem para o contínuo (tempo) t   P  ( n )  P
Passagem para o contínuo (tempo)
t  
P  ( n )  P ( n, t )
t   (  1) 
t   (  1) 

Probabilidade do estado no instante t

n

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

19

Passagem para o contínuo (tempo)

Obtenção da equação mestra

P

1

(

n

)

m

T n m P m

,

(

)

(

)

 

n

T n m

(

|

) 1

 
 
   
 

(

P n t

,

)

(

P n t

,

)

(

T n m

,

)

P m t

 

(

T m n

,

)

P n t

 

 

 

m n

 

(

,

)

 

(

,

)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

20

Passagem para o contínuo (tempo)

 suficientemente pequeno
 suficientemente
pequeno
para o contínuo (tempo)  suficientemente pequeno Obtenção da equação mestra A probabilidade de o sistema

Obtenção da equação mestra

A probabilidade de o sistema continuar no mesmo estado é aproximadamente igual a 1:

T ( n , n ) 1

no intervalo

Obtenção da equação mestra Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

21

0

Limite em que
Limite em que

P ( n, t ) P ( n, t ) 0 T ( m, n ) 0 ( m n )

e

Mas,

Obtenção da equação mestra

P ( n , t   ) P ( n , t ) 
P ( n , t
) P ( n , t )
dP ( n , t )
dt
 0
P ( n , t )
Derivada de
com relação a
(
t = tempo)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

22

Limite em que   0 Obtenção da equação mestra ( T m n 

Limite em que 0

Obtenção da equação mestra

(

T m n

)

0

,

(

W m n

,

,  ( W m n , ) (  m n )
,  ( W m n , ) (  m n )

)

(

m n

)

W ( m , n ) Taxa de transição de n para m.
W ( m , n )
Taxa de transição de n para m.

Neste limite:

dt

m n

dP ( n , t )

 W n m P m t W m n P n t ( ,
W n m P m t W m n P n t
(
,
)
(
,
)
(
,
)
(
, )
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W
dP ( n , t )    W n m P m t W

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

23

EQUAÇÃO MESTRA
EQUAÇÃO
MESTRA

equação mestra

dP n t ( , )    W n m P m t
dP n t
(
,
)
W n m P m t
(
,
)
(
,
)
W m n P n t
(
,
)
(
,
)
dt
m  n

P ( n , t ) = Probabilidade do estado n no instante t

P ( n , t ) = Probabilidade do estado n no instante t Define o
Define o modelo!!
Define o
modelo!!

Taxa de transição de m para n

W n m W n

(

,

)

(

m )

Probabilidade por unidade de tempo de o sistema estando em m ir para n.
Probabilidade por unidade de tempo de o
sistema estando em m ir para n.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

24

EQUAÇÃO MESTRA: “Equação de ganho e perda” dP n t ( , )  
EQUAÇÃO MESTRA:
“Equação de ganho e perda”
dP n t
(
,
)
W n m P m t
(
,
)
(
,
)
W m n P n t
(
,
)
(
,
)
dt
m  n
m
m
ganho
perda
n

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

25

Exemplo 1) Equação mestra para processos em que o número de elementos envolvidos determina o
Exemplo 1)
Equação mestra para processos em que o número de elementos
envolvidos determina o estado.

.

.

.

Processos de “Nascimento e Morte” b b n n  1
Processos de
“Nascimento e
Morte”
b
b
n
n  1
. Processos de “Nascimento e Morte” b b n n  1 // // / /

// //

/

/

n  2
n  2
e Morte” b b n n  1 // // / / n  2 .
e Morte” b b n n  1 // // / / n  2 .

.

.

.

e Morte” b b n n  1 // // / / n  2 .
// // // n  1 n  1 / n / /
//
//
//
n  1
n  1
/
n / /
d n
d
n
/ n  2 . . . // // // n  1 n  1
Processos de “nascimento e morte” ou processos de “um passo”
Processos de “nascimento e morte” ou processos de “um passo”

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

26

Exemplo: Equação mestra para o processo de morte pura (PMP)

Número de indivíduos no instante :
Número de indivíduos no instante
:

t 0 n

0

Os indivíduos não se reproduzem.

Os indivíduos não interagem entre si (são um conjunto de elementos Independentes).

 A taxa de morte
A taxa de morte

é

a mesma para todos os indivíduos

e

não se altera com o tempo.

Probabilidade por unidade de tempo

Número de indivíduos
Número de indivíduos

n ( t ) t

sobreviventes no instante de tempo
sobreviventes no instante de tempo
processo markoviano
processo markoviano

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

27

PMP

Formulação do problema : a probabilidade de transição de um estado m para um estado

Formulação do problema : a probabilidade de transição de um estado m para

um estado n em um certo intervalo de tempo curto

: t

estado n em um certo intervalo de tempo curto :  t T T ( n

T

T

( n , m ) 0

( n , m ) m t T ( n, m) t W ( n, m)

se

n m

se

n m 1

)  t W ( n , m ) se n  m se n 

n m

W ( n , m ) m  ( n , m 1 )

n m

n , m )  m  ( n , m  1 ) n 

Delta de Kronecker

Equação mestra:

d

dt

P ( n, t ) ( n 1) P ( n 1, t ) n P ( n, t )

n

 

t

( )

P t

n

0

n

(1

e

t

)

n 0

 

e

1 e

t

 

n

n 

n n P ( n, t )

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

28

Processo de morte pura (PMP) n Simulações de um modelo estocástico para o processo de
Processo de morte pura (PMP)
n
Simulações de um modelo estocástico
para o processo de morte pura
0
n
e

t
0
 n   n 
//
t
//
///
Para
0
grande
0
t
 n (t )  n    n 
2
2
 n   n 

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

29

Equação mestra / Processos de “Nascimento e Morte”
Equação mestra / Processos de “Nascimento e Morte”
( n  1)  P t ( )  ( n  1) 
(
n
 1)
 P t
( )
(
n
1)
 P t
( )
n 
(
 P t
)
( )
dt d P ( t ) 
n
 1
n  1
n
n

MOSTRAR QUE:

d

dt    

n

n

(

)

nascimento

morte

d 2

dt

2

   

n

2 (

)

n

(

)

n

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

30

Equação mestra, exemplo 2:

Modelo de Glauber-Ising

Modelo de Ising:

(

E

) 

J 

i

( ij )

j

(*ver apêndice dessa aula)

a soma é sobre os pares de primeiros vizinhos numa rede com

Nsítios

i : variável estocástica associada ao sítio i da rede

i

 1

J const .

Glauber (1963)

Para simular a evolução de um estado inicial qualquer para o equilíbrio

termodinâmico devemos acoplar uma dinâmica estocástica.

Modelo de Glauber-Ising

O modelo estocástico em reticulado mais simples, que descreve um sistema com

interações locais e que relaxa para o equilíbrio termodinâmico é o modelo de Ising

com dinâmica de Glauber.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

31

Mudança de notação

 Estado
Estado
 P (  , t ) Probabilidade do estado no instante t Equação Mestra
P (  , t )
Probabilidade do estado
no instante t
Equação Mestra
(
,
t
)
W
(

,
´)
P
(
´, )
t
W
(
 
´ ,
)
P
(
,
t
)
dt d P
 
´(  )

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

32

Equação mestra, exemplo 2:

Modelo de Glauber-Ising

Vamos ver a seguir
Vamos
ver a
seguir
 

d P

dt

(

,

t

)

i

 

w

i

(

i

)

P

(

i

,

t

)

w

i

 

(

)

P

(

,

t

)

 

(

1

,

,

i

,

,

N

)

i

(

1

,

,

i

,

,

 

(

 

)

 

1 {1
2

 

tanh (

 

J

 

)}

   

w

   

i

i

kT

i

N

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

)

33

Vamos ver detalhe
Vamos
ver
detalhe

Equação mestra, exemplo 3:

Modelo de Contato: dinâmica irreversível (Modelo SIS estocástico e espacialmente estruturado)

-> modelo irreversível mais simples.

dP (  , t )  i i      (
dP
( 
,
t
)
i
i
   
(
)
P
(
)
(
)
P
( )
i
i
dt

(

   

,

1

,

2

,

i

,

,

N

)

(

)



i

S -> I  (1   )  i j  j 
S -> I
(1
)
i
j 
j

(



i

1

,

2

,

,

(1

I -> S  i
I -> S
i

i

),

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

)

,

N

34

Dinâmicas estocásticas em reticulados
Dinâmicas estocásticas em reticulados

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

35

Dinâmicas estocásticas em reticulados

Sistemas de partículas (unidades, elementos) interagentes residindo nos sítios de uma rede e evoluindo no tempo de acordo com uma prescrição estocástica local.

Estado microscópico do sistema:    , , ,  , ,  
Estado microscópico do sistema:
 
,
,
,
,
,
1
2
i
N
“Vetor estocástico”
 i variável estocástica associada ao sítio i
Assume k valores
denotam os estados de cada sítio.

Interesse principal: obtenção da distribuição de probabilidades estacionária associada aos estados microscópicos do sistema e

médias de grandezas de estado.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

36

EXEMPLO:

Reticulados ou redes

Rede quadrada regular com N= 4 x 4 = 16 sítios

 

 

 

 

sítio i da rede

sítio i da rede

Valores assumidos por

 i
i

EXEMPLO:

cada sítio i

variável

 

i i

por  i EXEMPLO: cada sítio i variável   i i assume k=2 valores: 

assume k=2 valores:

 1

i

 1

i

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

37

Sistema de partículas (unidades, elementos) evoluindo no tempo

de acordo com uma dinâmica estocástica

evoluindo no tempo de acordo com uma dinâmica estocástica Modelos estocásticos em reticulados Equação mestra
evoluindo no tempo de acordo com uma dinâmica estocástica Modelos estocásticos em reticulados Equação mestra

Modelos estocásticos em reticulados

Equação mestra

Autômatos celulares probabilísticos

Autômatos celulares probabilísticos Equação de evolução para a distribuição de probabilidades de uma dinâmica
Equação de evolução para a distribuição de probabilidades de uma dinâmica markoviana síncrona.

Equação de evolução para a distribuição de probabilidades de uma dinâmica markoviana síncrona.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

38

Autômato celular probabilístico
Autômato celular probabilístico

Variável estocástica discreta

 ( , , ,  , ,  ) 1 2 i N

(
,
,
,
,
,
)
1
2
i
N
P (  )   T (   | ' ) P (
P
(
)
 
T
(
 
|
' )
P
(
' )
 1
'

P

( )

P (  ' )   1   ' P (  ) Probabilidade

Probabilidade do estado

T ( | ´) Probabilidade

de transição

T (| ´)

N

w

i

i 1

(| ´)

i

no passo de tempo

´

Atualização Síncrona

w  

i

i

(

|

´)

: probabilidade de transição associada ao sítio i

| ´) : probabilidade de transição associada ao sítio i Tânia Tomé IFUSP: Primeira aula Julho

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

39

Modelos estocásticos em reticulados

     

Equação mestra

   

d P

dt

(

,

t

)

´(

 

)

W

(

,



´)

P

(

´, )

t

W

(

´ ,

 

)

P

(

,

t

)

P ( , t ) : probabilidade do estado microscópico

no instante de tempo

W (, ´) 0

´

W ( ,



´)

0

ou

 0    ´   W ( ,   ´) 0 ou

dt d P t

(

)

( )

W P t

W
W

matriz de evolução

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

t

40

´( )

 

W

(

P

est

(

)



,

dP  t ( , Regime estacionário )  0 dt
dP  t
(
,
Regime estacionário
)  0
dt
)  , dP  t ( , Regime estacionário )  0 dt ´) P

´)

P

est

( ´)

W

(

´ ,

 

)

P

est

(

)

: distribuição de probabilidades estacionária.

0

Balanceamento detalhado (BD)
Balanceamento detalhado (BD)
W (  P   W   P  , ´) ( ´)
W (
 P   W   P 
,
´)
( ´)
(
´ ,
)
(
)
est
est

A probabilidade de transição em t é igual a sua reversa.

´

BD

Se BD não é satisfeita

Dinâmica estocástica irreversível.
Dinâmica estocástica irreversível.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

41

dP  t ( , )  0 Estados estacionários dt Estados estacionários Estados estacionários
dP  t
(
,
)  0
Estados estacionários
dt
Estados estacionários
Estados estacionários
de equilíbrio
termodinâmico
de não-equilíbrio

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

42

Estados Estacionários

Se a condição de balanceamento detalhado (B D) é observada

Então

Distribuição estacionária de Gibbs

Sistema atinge estado estacionário de equilíbrio termodinâmico

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

43

Sistemas em equilíbrio termodinâmico
Sistemas em equilíbrio termodinâmico
Mecânica Estatística de Equilíbrio Distribuição de probabilidade de Gibbs  Estado microscópicos do sistema
Mecânica Estatística de Equilíbrio
Distribuição de
probabilidade de Gibbs
Estado microscópicos do sistema
 H
( )/
k T
e
B
P ( ) 
Z

Propriedades macroscópicas do sistema em equilíbrio termodinâmico:

F

 

F ( ) P ( )

 

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

44

Modelo de Glauber-Ising

Modelo de Ising:

(

E

) 

J 

i

( ij )

j

(* para explicação mais detalhada ver slide “apêndice” desta aula )

a soma é sobre os pares de primeiros vizinhos numa rede com

Nsítios

i : variável estocástica associada ao sítio i da rede

i

 1

J const .

Glauber (1963)

Para simular a evolução de um estado inicial qualquer para o equilíbrio

termodinâmico devemos acoplar uma dinâmica estocástica.

Modelo de Glauber-Ising

O modelo estocástico em reticulado mais simples, que descreve um sistema com

interações locais e que relaxa para o equilíbrio termodinâmico é o modelo de Ising

com dinâmica de Glauber.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

45

Dinâmicas com mudança de um único sítio

Reticulado em um espaço de d dimensões

variáveis estocásticas

i que assumem, por exemplo, os valores

i  1

N W  ( , ')     ( , ')  
N
W 
(
,
')
 
(
,
')
 
(
,
')
  w 
(
,
')
(
')
1
1
i
i
N
N
i
i  1

i

(

)

taxa de inversão de sinal da variável

i

 

i

d P

 

)

 

i

 

i

)

 

(

 

i

)

 

(

 

)

 

)

 

(

t

w

(

P

t

w

 

P

(

 

t

dt

 

,

i

 

,

i

 

,

 

(

1

,

,

i

,

,

N

)

i

(

1

,

,

i

,

,

w

N

Sistemas com simetria “up- down”: -down”:

w

i

(

w

i

)

(

)

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

)

46

Dinâmicas com mudança de

um único sítio & Modelo de Glauber-Ising

 

i

(

)

 

1 {1
2

 

tanh (

J

 

)}

w

i

kT

i

 

2

J

i

 

w ( ) min(1, exp{

i

kT

i

})

Glauber

(*)

Metropolis

(*)

(*) a soma é sobre os primeiros vizinhos do sítio i

Estado estacionário: possui balanceamento detalhado

w

i

(

i )

P

(

)

w (

i

)

P (

i )

Probabilidade estacionária associada ao modelo de Ising

P ( )

e

E

( )/

kT

Z

E  J 

i

(

)

( ij )

j

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

47

T T

c

T  T c estado ordenado T  T c T muito próxima da crítica T

estado ordenado

T T

c

T  T c estado ordenado T  T c T muito próxima da crítica T

T muito próxima da crítica

T T

c

T  T c T muito próxima da crítica T  T c estado desordenado Simulações

estado desordenado

Simulações de Monte Carlo em redes quadradas regulares. Instantâneos da rede gerados utilizando a prescrição de Metropolis para o modelo de Ising.

T

c

Temperatura crítica

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

48

Referências

N. G. van Kanpen, Stochastic Processes in Physics and Chemistry, (North-Holland, Anasterdan, 1981).

Tânia Tomé e Mário José de Oliveira,

Dinâmica estocástica e Irreversibilidade (Editora da Universidade de São Paulo (Edusp), S. Paulo, 2001).

J. Marro and R. Dickman, Nonequilibrium Phase Transitions in Lattice Models,

(Cambridge University Press, Cambridge, 1999).

Silvio R. A. Salinas, Introdução à Física Estatística, (Editora da Universidade de São Paulo (Edusp), S. Paulo, 1997).

R. J. Glauber,

Time-Dependent Statistics of the Ising Model J. Math. Phys. 4, 294 (1963).

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

49

W. O. Kermack and A. G. McKendrick , Proc. Royal Soc. London A 115 , 700

(1927).

N . T. J. Bailey, Biometrika 40, 177 (1953); The Mathematical Theory of Epidemics (Hafner, New York, 1957)”.

T. E. Harris, Ann. Probab. 2, 969 (1974).

P. Grassberger and A. de la Torre (1979). Ann. Phys. 122, 373 (1979).

E. Renshaw , Modelling Biological Populations in Space and Time Cambridge University Press, Cambridge, 1991.

M. J. Keeling and P. Rohani, Modeling Infectious Diseases in Human and

Animals, Princeton University Press, 2008.

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

50

P.

Grassberger, Math. Biosc. 63, 157 (1983).

R.

Durrett and S. Levin, Theor. Popul. Biol. 46, 363 (1994).

J. Satulovsky, T. Tomé, Phys. Rev. E 49 5073 (1994).

S.

M. Dammer and H. Hinrichsen, Phys. Rev. E 68, 016114 (2003).

E.

Arashiro and T. Tome, J. Phys. A 40 , 887 (2007).

L. B. L. Santos, M. C. Costa, S. T. R. Pinho , R. F. S. Andrade,

F. R. Barreto and M. G. Teixeira and M. L. Barreto ,

Phys. Rev. E 80, 016102 (2009).

V.

R.V. Assis and M. Copelli, Phys. Rev. E 80, 061105 (2009).

D.

R. de Souza and T. Tomé Physica A 389, 1142 (2010).

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

51

(*) Apêndice aula 1

Definição de notação

para o Modelo de Ising

E  ( )  J    H   i j i
E 
(
) 
J 
H 
i
j
i
( ij )
i

Energia de uma configuração

microscópica:

 ( , , ,  , ,  ) 1 2 i N

(
,
,
,
,
,
)
1
2
i
N

i 1

variável de spin associada ao sítio i

da rede

H
H

constante proporcional ao

campo magnético externo.

( ij )

soma sobre os pares de átomos vizinhos

na rede.

Vamos considerar:

os pares de átomos vizinhos na rede. Vamos considerar: ( E  )   J

(

E

) 

J 

i

( ij )

j

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

52

(*) Apêndice aula 1

Esboço do diagrama de fase do modelo de Ising bidimensional a campo nulo

0

F P |
F
P
|

T

c

T

T

Temperatura

F Fase ferromagnética.

P Fase paramagnética.

Parâmetro ordem

| m |

T

c

Temperatura crítica.

Para temperaturas acima da temperatura crítica o sistema se encontra no estado paramagnético (desordenado).

o parâmetro ordem

| m | 0

se anula para

T T

c

(sistema infinito).

Para temperaturas abaixo da temperatura crítica o sistema se encontra no estado ferromagnético (ordenado).

| m | 0

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

T T

c

53

FIM

Primeira Aula

Tânia Tomé IFUSP: Primeira aula Julho de 2010 - Salvador

54