Você está na página 1de 69

Dinâmica estocástica e Irreversibilidade (Din. Est.)

&

Simulação de processos físicos com método de Monte

Carlo (SPMC)

IFUSP, Agosto de 2010

Tânia Tomé

Sala 316-A Ala I

Monitor: David R. de Souza (IFUSP)

Programa:

DinEst

& SPMC

Núcleo básico

Programa do núcleo básico:

1. Introdução geral

2. Variável aleatória discreta e contínua.

3. Distribuições de probabilidade; momentos e cumulantes.

4. Função característica e função geratriz.

5. Distribuição de probabilidades conjunta.

6. Mudança de variáveis e geração de números aleatórios.

7. Seqüências de variáveis aleatórias e teorema central do limite.

8. Passeio aleatório em uma dimensão e mais dimensões.

9. Cadeias de Markov, equação mestra e balanceamento detalhado.

Tânia Tomé IFUSP

Bibliografia: núcleo básico

T. Tomé e M. J. de Oliveira, Dinâmica Estocástica e Irreversibilidade (Edusp, São Paulo, 2001).

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

W. Feller, An Introduction to Probability Theory and its Aplications ( Wiley, Londres, 1950).

C. W. Gardiner, Handbook of Stchastic Methods for Physics , Chemistry and Natural Sciences (Springer, Berlim, 1983).

D.P. Landau e K. Binder, A Guide to Monte Carlo Simulation in Statistical Physics, (Cambridge University Press, Cambridge, 2000).

W. H. Press et al, Numerical Recipes: The Art of Scientific Computing, vols. 1 e 2, Cap. 7, 2ª edição (Cambridge University Press, Cambridge, 1996) .

Programa resumido: Simulação de processos físicos com método de Monte Carlo Continuação

processos físicos com método de Monte Carlo Continuação (i) Simulação de Líquidos Moleculares; (ii) Física

(i) Simulação de Líquidos Moleculares;

(ii) Física Estatística: Transições de Fase e Criticalidade;

(iii)

Física Nuclear;

(iv)

Radiações e Dosimetria.

Cada bloco terá duração de duas semanas

Tânia Tomé IFUSP

Programa dinâmica estocástica Continuação 10. Equação de Langevin 11. Equação de Fokker-Planck 12. Equação

Programa dinâmica estocástica Continuação

10. Equação de Langevin

11. Equação de Fokker-Planck

12. Equação mestra: dedução e propriedades

13. Simulações de Monte Carlo

14. Algoritmo de Metropolis e dinâmica de Glauber para o modelo de Ising

15. Modelos estocásticos reversíveis

16. Modelos estocásticos irreversíveis Modelo contato Modelagem de sistemas biologicamente motivados Modelo do Votante

17. Teoria de campo médio

18. Autômatos celulares probabilísticos

Tânia Tomé IFUSP

6

Avaliação

Simulação de processos físicos com método de Monte Carlo (SPMC)

Listas de exercícios Prova no final de setembro Seminários (segunda parte do curso)

Avaliação

Dinâmica Estocástica e irreversibilidade

Listas de exercícios

Seminários

Tânia Tomé IFUSP Avaliação

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)

Formulação Estocástica para problemas da dinâmica de populações biológicas

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

Espacialmente Estruturado Grassberger (1983) Muitos outros trabalhos ( a serem vistos no decorrer do curso)

e

Modelo para descrever a coexistência de espécies biológicas estocástico

Espacialmente Estruturado Durrett & Levin (1994) Muitos outros trabalhos ( a serem vistos no decorrer do curso)

e

Tânia Tomé IFUSP

Movimento browniano
Movimento browniano

Equação de difusão

 

t

P

D

2

x

2

P

 

P

(

x t

,

)

1

2

x

/4

Dt

2

 Dt
 Dt

e

 

D

k

B T

3 a

Relação de Einstein-Smoluchowski
Relação de Einstein-Smoluchowski

2

x  2Dt

Equação de Fokker-Planck
Equação de Fokker-Planck
2     t  x  x
2
t
x
x

P 

f P

D

2

P

Movimento browniano de uma partícula clássica

Equação de Langevin

browniano de uma partícula clássica Equação de Langevin d x  f ( x ) 
d x  f ( x )  ( t ) dt
d x
f
(
x
)

(
t
)
dt

(t ) 0

  ( t )  0   ( t )  ( t ')
  ( t )  ( t ')   ( t  t

(t )(t ')(t t ')

Que está associada à equação de Fokker-Planck em uma variável, a equação de Smoluchowski,
Que está associada à equação de Fokker-Planck em uma variável, a equação de
Smoluchowski,

t

x



2

2

x

P

(

x t

,

)



[

f

(

x

)

P x t

(

, )]

P ( x t , )  [ f ( x ) P x t (
P ( x t , )  [ f ( x ) P x t (

2

P

(

x t

, ).

P( x,t)

Distribuição de probabilidades associada a x.

Exemplo de processos estocásticos:

Equação mestra para processos em que o número de elementos envolvidos determina o estado

Processo de decaimento radioativo

ou

Um exemplo simples da dinâmica de populações biológicas

Processo de morte pura

dinâmica de populações biológicas Processo de morte pura . 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.

Processo estocásticos Problemas da dinâmica de populações biológicas Processo de morte pura

dinâmica de populações biológicas Processo de morte pura Número de pássaros sobreviventes versus tempo (Kraak et

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

14

Processos de “Morte pura”

Suposições:

Processos de “Morte pura” Suposições: 1) População de indivíduos que vive em um ambiente isolado 2)

1) População de indivíduos que vive em um ambiente isolado

2) Ambiente está altamente poluído e isto resulta na não reprodução dos indivíduos.

3) Os indivíduos não interagem entre si.

Processo de morte pura

Processo de morte pura n 0 // // /// 0 0 t Tânia Tomé IFUSP 16
Processo de morte pura n 0 // // /// 0 0 t Tânia Tomé IFUSP 16
n 0 // // /// 0 0 t
n
0
//
//
///
0
0
t

Dinâmica estocástica & Processos estocásticos em física e outras áreas

IMPORTANTE

estocástica & Processos estocásticos em física e outras áreas IMPORTANTE Equação mestra Tânia Tomé IFUSP 17
Equação mestra
Equação mestra

Equação mestra =

Processo markoviano a tempo contínuo

Equação mestra = Processo markoviano a tempo contínuo d dt P ( n t , )

d

dt

P

(

n t

,

)

m

(

n

)

W

(

n m P m t

,

,

)

(

)

W

(

m n P n t

,

,

)

(

)

Equação

mestra

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

A equação mestra é obtida a partir da equação de evolução para um processo markoviano “a tempo discreto” (veremos em

detalhe no curso)!

t

x

t

x

t

0

n

0

Cadeias de Markov

Variável estocástica discreta

Processo markoviano a tempo discreto

1 1
1
1

n

1

n

discreta Processo markoviano a tempo discreto 1 1 n 1 n n  1 P (n

n

1
1
P (n ,n , ,n )  P (n |n , ,n )P (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
P
(n
|n ,
,n
)
P
(n
|n )
1
1
0
1
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 , , soma em n  0 1 1
n
,n ,
,
soma em
n 
0
1
1

Tânia Tomé IFUSP

19

Cadeias de Markov

Relação de recorrência:

Processo markoviano a

tempo discreto

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)

Probabilidade de transição de m para n

Probabilidade 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

EQUAÇÃO MESTRA
EQUAÇÃO
MESTRA

equação mestra

Processo markoviano a tempo contínuo

dP n t ( , )    W ( n m , )
dP n t
(
,
)
 
W
(
n m
,
)
P m t
(
,
)
W
(
m n
,
)
P n t
(
,
)
dt
m
 n
Será
introduzida e
estudada
P(n,t) = Probabilidade do estado n no instante t
durante o
curso!!
Probabilidade do estado n no instante t durante o curso!! Define o modelo!! Taxa de transição
Define o modelo!!
Define o
modelo!!

Taxa de transição de m para n

curso!! Define o modelo!! Taxa de transição de m para n W ( n m ,

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.
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

Exemplo 1) Equação mestra para processos em que o número de elementos

envolvidos determina o estado

Processos de “nascimento e morte”

Exemplo mais simples entre os processos de nascimento e morte:

Equação mestra para o

Processo de decaimento radioativo

ou

Processo de morte pura em dinâmica de populações biológicas

ou

a reação química

X

Y

Exemplo mais simples:

Processo de decaimento radioativo

Descrever o processo de decaimento radioativo em termos de um processo markoviano a tempo contínuo (equação mestra)

um processo markoviano a tempo contínuo (equação mestra) Objetivo: caracterizar a evolução temporal de um conjunto

Objetivo: caracterizar a evolução temporal de um conjunto de núcleos radioativos

a evolução temporal de um conjunto de núcleos radioativos Obter a distribuição de probabilidades de termos

Obter a distribuição de probabilidades de termos n núcleos

“sobreviventes” em um instante de tempo t

1)

Processos de “Morte pura”

1) Processos de “Morte pura” Imaginemos uma população de indivíduos que vive em um ambiente isolado

Imaginemos uma população de indivíduos que vive em um ambiente isolado

2) Imaginemos também que o ambiente esteja altamente poluído e que isto

resulte na não reprodução dos indivíduos.

3) Os indivíduos não interagem entre si.

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

t 0

Processo de morte pura

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.

O número de indivíduos
O número de indivíduos

n (t)

sobreviventes no instante de tempo
sobreviventes no instante de tempo

t

é um processo markoviano
é um processo markoviano

t 0

Processo de morte pura

ou

Decaimento radioativo

Abordagem determinística:

dn dt n(t)

Condição inicial:

t 0

n

n

t

0 e

n n

0

Processo de morte pura

ou

Decaimento radioativo

Abordagem estocástica:

 

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

Probabilidade de

n

indivíduos estarem vivos em

t

 
 
 

n

é uma variável estocástica

 

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

P (t)

n

P(n,t)

 

= Probabilidade de

n

indivíduos estarem vivos em t

 

Simulações de um modelo estocástico para o processo de morte pura (ou decaimento radioativo)

David R. de Souza

 n 
 n 
t  0 n  n 0  100  1 David R. de Souza
t  0
n  n
0  100
 1
David R. de Souza
Desvio com relação ao valor médio
n(t) é significativo.
//
///
Abordagem
Para
estocástica
grande
é relevante!!
Formulação do problema
Formulação do problema

Probabilidade de transição de um estado m para um estado n em um certo

intervalo de tempo curto

t:

T (n , m ) 0

T

para

(n , m ) m t

n m

para

n m 1

W

(

n

,

Ou seja,

m

)

m

t

t

W (n , m ) m   ( n, m 1)

  t  t W ( n , m )  m   (

Delta de Kronecker

n m

Processo de morte pura

ou

Decaimento radioativo

Algoritmo para simular o processo de decaimento radioativo ou Morte pura (David):

2.

3.

4.

0

Cria-se uma lista com estado de cada indivíduo (vivo ou morto)

Sorteia-se um indivíduo

Se o indivíduo está vivo então ele pode morrer com uma certa probabilidade p.

1.

Fixa-se os parâmetros:

n

e

Equação mestra para o processo de morte pura d P ( ) t  (
Equação mestra
para o processo
de morte pura
d
P
( )
t
(
n
1)

P
( )
t
n
P
( )
t
n
n
 1
n
dt

Condição inicial:

número de indivíduos no instante

P

n 0

(0)

1

n n

0

em

t 0

t 0

:

é

n

0

P ( ) t Encontrar n d P ( ) t  ( n 
P
( )
t
Encontrar
n
d
P
( )
t
(
n
1)

P
( )
t
n
P
( )
t
n
n
 1
n
dt
Utilizar a função geratriz
Função geratriz
f
(
x t
,
)
n
geratriz Função geratriz f ( x t , )   n x n P n

x

n P

n

t

( )

 

     
 

f

x 1



( )

n t

x

 

 x x

 

x

f

 

x 1



n

2

t

( )

 n  0   t n  n   t n f
n
0
t
n
n
t
n
f
(
x t
,
)
(1
e
)
0
(
xe
)
n
n
n
0
t
n
n
t n
n
f
(
x t
,
)
0
(1
e
)
(
e
)
x
n
n 

Mas,

Então:

f ( x t , )   x n P ( ) t n
f
(
x t
,
)
 x
n P
( )
t
n
n
n
n
t
e
0
t
n
n
0
P
( )
t
(1
e
)
n
t
n
1  e
n  n   t   e  0   t n
n
n
t
e
0
t
n
0
P
( )
t
(1
e
)
n
t
n
1  e
P
( )
t
(1
e  t
)
n
0
0
n
!
t
e
t
n
P
( )
t
0 (1
e
)
0
1
t
(
n
 1)!
1  e
0

Para

Para P ( t )  1 0

P (t) 1

0

P (t) 0

1

P

n

t

( )

0

Processo de morte pura (*) Equação mestra para o processo de morte pura

pura (*) Equação mestra para o processo de morte pura d dt P n t (

d

dt

P

n

t

( )

(

n

1)



P

n

1

t

( )

n

P

n

t

( )

t  0 n Condição inicial: número de indivíduos no instante : é 0 P
t  0
n
Condição inicial: número de indivíduos no instante
:
é
0
P
(0)
1
n  n
t  0
n
0
em
0
Solução
n
n
t
e
0
t
n
n
0
P
( )
t
(1
e
)
n
t
n
1  e

Mudança de notação

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

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

d

dt

P

(

t

)

( )

W P t

W
W

matriz de evolução

t

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

´(

 

)

W

(

P

est

(

)



,

´)

P

est

(

´)

W

(

´ ,

 

)

P

est

(

)

0

: distribuição de probabilidades estacionária.

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

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

Estados Estacionários

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

Então

Distribuição estacionária de Gibbs

Sistema atinge estado estacionário de equilíbrio termodinâmico

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(

 

)

Equação mestra Exemplo 2:

Modelo de Glauber-Ising

(

E

) 

J 

i

(

ij

)

j

Modelo de Ising:

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

N sítios

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

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.

Modelo de Glauber-Ising

w i (

)

 

1 {1
2

 

tanh (

J

 

)}

i

kT

i

 

2 J

i

 

w (

i

)

min(1, exp{

kT

i

})

Glauber

(*)

Metropolis

(*)

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

Estado estacionário: possui balanceamento detalhado

w (  ) P (  i ) i  w (  i
w (
 )
P (
 i )
i
w
(
i )
P
(
)
i

Probabilidade estacionária associada ao modelo de Ising

P (

)

E

e

(

)/

kT

Z

E J 

i

(

)

(

ij

)

j

Algoritmo de Metropolis para Modelo de Ising

Gera-se uma configuração inicial.

1) Escolhe-se aleatoriamente um spin i que poderá ser invertido

 i i

i
i

2) Calcula-se a diferença de energia devida à essa possível inversão

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

 

E

i

E()

E()

3) Se

4 a) Se

E  0 E  0
E  0
E  0

inverte-se o spin.

calcula-se a probabilidade de transição

w exp(E)

4

b) Gera-se número aleatório

0 1
0 1

4 c)

Se

w

inverte-se o spin. Caso contrário o spin não é invertido.

5) A configuração gerada é analisada e as propriedades necessárias para o cálculo

das médias desejada são armazenadas.

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

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

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

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.

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 do

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

Tânia Tomé IFUSP

Atualização Síncrona w   i i ( | ´) : probabilidade de transição associada ao

48

Dinâmicas estocásticas irreversíveis

1) A irreversibilidade microscópica decorre da ausência de balanceamento

detalhado

Estado estacionário de não-equilíbrio.

detalhado Estado estacionário de não-equilíbrio. 2) Sistema definido por uma dinâmica estocástica

2) Sistema definido por uma dinâmica estocástica (conjunto de regras markovianas locais).

Tânia (2010)
Tânia (2010)

Modelos com estados absorventes: modelos intrinsecamente irreversíveis

Na evolução temporal, se o sistema cair em um estado microscópico

absorvente então o sistema não sai mais deste estado.

Propriedade do estado absorvente

Exemplo: seja um sistema de partículas interagentes que evolui de acordo com

uma dinâmica em que o estado com ausência completa de partículas é um estado estacionário.

Denota a ocupação do sítio por uma partícula (“elemento biológico”, por exemplo: (“elemento biológico”, por exemplo:
Denota a ocupação do sítio por uma partícula (“elemento biológico”, por exemplo:

Denota o sítio vazio

Dinâmica estocástica intrinsecamente irreversível

vazio Dinâmica estocástica intrinsecamente irreversível (Infectado) (Suscetível) t Transição permitida
(Infectado) (Suscetível)

(Infectado)

(Suscetível)

t
t
intrinsecamente irreversível (Infectado) (Suscetível) t Transição permitida Transição proibida t  t

Transição permitida

irreversível (Infectado) (Suscetível) t Transição permitida Transição proibida t  t Tânia Tomé IFUSP 50

Transição proibida

irreversível (Infectado) (Suscetível) t Transição permitida Transição proibida t  t Tânia Tomé IFUSP 50

t t

irreversível (Infectado) (Suscetível) t Transição permitida Transição proibida t  t Tânia Tomé IFUSP 50

Equação mestra Exemplo (3) Modelo de Contato:

Equação mestra Exemplo (3) Modelo de Contato: “Modelo Suscetível – infectado – Suscetível (SIS)
Equação mestra Exemplo (3) Modelo de Contato: “Modelo Suscetível – infectado – Suscetível (SIS)

“Modelo Suscetível – infectado Suscetível (SIS) espacialmente estruturado e estocástico”.

Cada sítio do reticulado pode estar ocupado por um

indivíduo.

Cada sítio pode estar em dois estados:

reticulado

. Cada sítio pode estar em dois estados : reticulado   i 0 Sítio i
  i
i

0 Sítio i ocupado por um indivíduo suscetível (S)

z
z

1 Sítio ocupado por um indivíduo infectado

(I)

1 Sítio ocupado por um indivíduo infectado (I)

variável estocástica associada ao sítio i do reticulado.

Modelo de Contato é definido por uma dinâmica estocástica que não obedece ao balanceamento detalhado. É um modelo que exibe um estado absorvente.

Modelo de contato ou Processo de Contato (PC)
Modelo de contato ou Processo de Contato (PC)

Modelo estocástico em reticulado com um estado absorvente

Processo de contato

Sítio vazio

Sítio ocupado

Processo de contato Sítio vazio Sítio ocupado Epidemia simples Indivíduo susceptível ( S ) Indivíduo infectado
Processo de contato Sítio vazio Sítio ocupado Epidemia simples Indivíduo susceptível ( S ) Indivíduo infectado
Processo de contato Sítio vazio Sítio ocupado Epidemia simples Indivíduo susceptível ( S ) Indivíduo infectado

Epidemia simples

Indivíduo susceptível (S)

Indivíduo infectado (I)

PC exibe uma transição de fase cinética de um estado absorvente para um estado ativo Limiar de espalhamento da epidemia

Estados estacionários:

Limiar de espalhamento da epidemia Estados estacionários : Estado absorvente : rede completamente vazia (preenchida

Estado absorvente: rede completamente vazia (preenchida por indivíduos S).

Estado ativo: partículas são criadas e aniquiladas continuamente.

Indivíduos S se tornam I e se recuperam continuamente.

Tânia Tomé IFUSP

52

Dinâmica Local do Modelo de Contato

Sítio i é escolhido aleatoriamente

do Modelo de Contato Sítio i é escolhido aleatoriamente Se o sítio está ocupado por um

Se o sítio está ocupado por um indivíduo suscetível:do Modelo de Contato Sítio i é escolhido aleatoriamente Taxa de  infecção: i 1 (i)

Taxa de  infecção:
Taxa de
infecção:
i 1
i 1

(i) Infecção auto-catalítica:

de  infecção: i 1 (i) Infecção auto-catalítica: i i  1   / 2

i

i 1

i 1 (i) Infecção auto-catalítica: i i  1   / 2   i

/ 2

auto-catalítica: i i  1   / 2   i  1 i i

i 1

i

i 1

i i  1   / 2   i  1 i i 
i i  1   / 2   i  1 i i 

Se o sítio i está ocupado por um indivíduo infectado:

(ii) Recuperação espontânea:

Rede 1d

o

o

i 1

o

i

infectado: (ii) Recuperação espontânea: Rede 1d o o i  1 o i i o i

i

o

i 1

o

i

1
1

Modelo de contato em uma dimensão: taxa de transição

Dinâmica de um sítio

Dinâmica

global:

i

i

0

 0 I

I

1

 1 S

S

W (  , ')  j    ( , ')  (
W
(

,
')

j 
 
(
,
')

(
,(1
'))
 
(
,
'
))
w
(
')
1
1
c
j
j
N
N
j

Modelo de contato em uma dimensão

Taxa de transição por sítio:

Dinâmica

local:

 

 

) Soma sobre os primeiros vizinhos do sítio i

w

i

(

)

i

{(1

i

)

 

j

}

i

j

(

 

2

j

 
Equação mestra:
Equação mestra:
Dinâmica de um sítio
Dinâmica de um sítio

d

dt

N

i 1

P

(

t

)

,

P ( t   ) ,  { w i (  i ) P
P ( t   ) ,  { w i (  i ) P
P ( t   ) ,  { w i (  i ) P

{

w

i

(

i

)

P

(

i

,

t

)

w

i

(

)

P

(

,

t

)}

(

 

1

,

2

,

,

i

,

,

N

)

   

(

 

i

1

,

2

,

,(1

i

),

 

,

N

)

Vamos ver no curso

(I)

Modelo de contato em uma dimensão

Taxa de transição por sítio:

2

w i

(

)

i

w i ( )   i (1   i )  j j

(1

i

)

j

j

 

i

j

(

)

Soma sobre os primeiros vizinhos do sítio i

Densidade de partículas versus taxa de criação de partículas

Simulações de Monte Carlo para o modelo de contato definido em cadeias regulares de diversos tamanhos L




versus

 Densidade de infectados = parâmetro de ordem

 Densidade de infectados = parâmetro de ordem
 Densidade de infectados = parâmetro de ordem

Densidade de infectados = parâmetro de ordem

Densidade de infectados = parâmetro de ordem

c Classe de universalidade da percolação direcionada Limiar de espalhamento da epidemia
c
Classe de
universalidade
da percolação
direcionada
Limiar de
espalhamento
da epidemia

c

3,298(2)

0,277

c

3,298(2)

      0,277   c 3,298(2) L TT & MJO, 2005
L
L
L
L
TT & MJO, 2005 Taxa de  infecção:
TT & MJO, 2005
Taxa de
infecção:
    0,277   c 3,298(2) L TT & MJO, 2005 Taxa de
    0,277   c 3,298(2) L TT & MJO, 2005 Taxa de
    0,277   c 3,298(2) L TT & MJO, 2005 Taxa de
    0,277   c 3,298(2) L TT & MJO, 2005 Taxa de

Tânia Tomé IFUSP

56

Processo de Contato em uma dimensão.

Regime subcrítico

Processo de Contato em uma dimensão. Regime subcrítico E volução temporal das configurações  3,298(2) c

Evolução temporal das configurações

 3,298(2) c  Tempo  i i   z z  / 

3,298(2)
c
Tempo
i
i
 
z
z  / 
Tânia Tomé IFUSP
57

Oscilações em um sistema predador-presa: ciclos populacionais

em um sistema predador-presa: ciclos populacionais Tânia Tomé IFUSP Número de lebres (presa) e linces

Tânia Tomé IFUSP

Número de lebres (presa) e linces (predador) versus tempo (anos) McLulich, Canadá, (1937).

(predador) versus tempo (anos) McLulich, Canadá, (1937). Autômato celular probabilístico predador-presa
Autômato celular probabilístico predador-presa
Autômato celular
probabilístico
predador-presa

Simulações de Monte Carlo

58

Padrões Espaciais
Padrões
Espaciais
& Oscilações temporais Autômato Predador- Presa
&
Oscilações
temporais
Autômato
Predador-
Presa

Azul: presa

Vermelho: predador

Branco: vazio

a = 0,17

b = 0,77

c = 0,06

T = Período

de

Oscilação

t

1

= 0,17 b = 0,77 c = 0,06 T = Período de Oscilação t 1 t
= 0,17 b = 0,77 c = 0,06 T = Período de Oscilação t 1 t

t

2

t T / 4

1

T = Período de Oscilação t 1 t 2  t  T / 4 1
T = Período de Oscilação t 1 t 2  t  T / 4 1

Simulações de Monte Carlo

t

3

t T / 2

1

Tânia Tomé IFUSP

t

4

3

t T

1

/ 4

59

Modelo Predador- Presa : Fotografias da rede geradas

a partir da configuração inicial com um único predador

na origem de uma rede coberta por presas

um único predador na origem de uma rede coberta por presas Simulações Dependentes do Tempo Cluster

Simulações Dependentes do Tempo

rede coberta por presas Simulações Dependentes do Tempo Cluster Ativo p = - 0.3 t =1750

Cluster Ativo

p = - 0.3 t =1750

c = 0.0075

Branco: presa Ver.: predador Cinza: vazio

Cluster Crítico

Arashiro & TT 2007

p = - 0.3 t = 20000

c = 0.0867

Epidemia com imunização MODELO SIR estocástico e descrito por uma

equação mestra

R

S

SIR estocástico e descrito por uma equação mestra R S Infection auto-catalítica I Recuperação espontânea
SIR estocástico e descrito por uma equação mestra R S Infection auto-catalítica I Recuperação espontânea

Infection auto-catalítica

e descrito por uma equação mestra R S Infection auto-catalítica I Recuperação espontânea Tânia Tomé IFUSP

I

Recuperação espontânea

Modelo SIR estocástico definido em uma rede regular e assíncrono Cada sítio de uma rede

Modelo SIR estocástico definido em uma rede regular e assíncrono

Cada sítio de uma rede pode estar em três estados:

Suscetível (S) (1) Infectado (I) (2) Recuperado (R) (0)

Simulação do modelo( S ) (1) Infectado ( I ) (2) Recuperado ( R) (0) Escolhe-se aleatoriamente um

Escolhe-se aleatoriamente um i da rede. i da rede.

.

Se o sítio i estiver no estado I i estiver no estado I

Então: gera-se um número aleatórioum i da rede. . Se o sítio i estiver no estado I Se  

Seestiver no estado I Então: gera-se um número aleatório   c então I  R

c

então I

R

Caso contrário:gera-se um número aleatório Se   c então I  R  no intervalo (0,1)

no intervalo

(0,1)

.

Escolhe-se aleatoriamente um dos primeiros Vizinhos do sítio i. Se o sítio vizinho escolhido está no estado S então S I.

Modelo SIR assíncrono c  c c Rede quadrada regular L=520 Número de sítios R
Modelo SIR assíncrono
c  c
c
Rede quadrada regular L=520
Número de sítios R no “cluster”: 51034
Verde: recuperados
Branco: suscetíveis
Ziff & TT
Curvas epidêmicas: Autômato SIR estocástico e espacialmente estruturado Simulações de Monte Carlo
Curvas epidêmicas:
Autômato SIR estocástico e espacialmente estruturado
Simulações de Monte Carlo
Limiar de espalhamento: r c ~ 0.22 b =1- c =probabilidade de infecção r 
Limiar de espalhamento:
r
c ~ 0.22
b =1- c =probabilidade de infecção
r  dz / dt  cy
z 
t
Número de
recuperados
(imunes)
(Arashiro & TT)

Epidemia com imunização Modelo Suscetível- Infectado-Removido (SIR) espacialmente estruturado e estocástico

Clusters” gerados por um único infectado no centro da rede coberta por susceptíveis (no instante inicial)

Limiar de espalhamento da epidemia
Limiar de
espalhamento
da epidemia

Transição da fase contínua

b = 0,78 ~ probabilidade de infecção crítica

= Limiar de espalhamento da epidemia

Abaixo da criticalidade:

Regime de espalhamento da epidemia

Arashiro & TT (2007), David & TT (2010)

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).

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.

(*) 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

(*) 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

T T

c

69