Você está na página 1de 13

TEMA Tend. Mat. Apl. Comput., 12, No. 2 (2011), 111-123.

doi: 10.5540/tema.2011.012.02.0111
c Uma Publicao da Sociedade Brasileira de Matemtica Aplicada e Computacional.

Solues de Problemas envolvendo Equaes


Diferenciais Sujeitas a Incertezas

F.A. DORINI1, Departamento Acadmico de Matemtica, UTFPR - Univ Tecnol-


gica Federal do Paran, 80230-901 Curitiba, PR, Brasil.

M.C.C. CUNHA2, Departamento de Matemtica Aplicada, UNICAMP - Univ


Estadual de Campinas, 13083-970 Campinas, SP, Brasil.

S.P. OLIVEIRA3, Departamento de Matemtica, UFPR - Univ Federal do


Paran, 81531-990 Curitiba, PR, Brasil.

Resumo. Este trabalho objetiva analisar, atravs de alguns exemplos, a influn-


cia de se considerar aleatoriedades na soluo de equaes diferenciais com dados
e/ou parmetros aleatrios. Um comparativo das mdias das solues das equa-
es estocsticas com as solues das equaes determinsticas simplificadas, nas
quais substitumos os parmetros aleatrios por suas mdias, apresentado. Estes
exemplos mostram que a mdia da soluo, que normalmente uma informao
relevante em aplicaes, pode ser qualitativamente diferente da aproximao ob-
tida pela soluo de uma equao diferencial determinstica na qual substitumos
os parmetros aleatrios por suas mdias.
Palavras-chave. Equaes diferenciais estocsticas, variveis aleatrias, espe-
rana matemtica, funo de densidade de probabilidade.

1. Introduo
A modelagem de fenmenos fsicos atravs de equaes diferenciais cujos dados no
so precisamente conhecidos pode ser realizada utilizando modelos probabilsticos
(estocsticos) de tais dados. Os modelos probabilsticos compensam a escassez de
dados e fornecem margens de erros para estimativas de laboratrio. O escoamento
em meios porosos se encaixa neste perfil. Propriedades como a porosidade e a
condutividade hidrulica so estimadas, por exemplo, por meio de amostras do meio
poroso. Resultados experimentais sugerem que a distribuio lognormal represen-
ta satisfatoriamente estas propriedades [22]. Quando modelos probabilsticos so
acoplados aos parmetros das equaes diferenciais que governam o escoamento de
fluidos, o modelo completo passa a ser descrito por equaes diferenciais estocsticas.
1 fabio.dorini@gmail.com
2 cunha@ime.unicamp.br
3 saulopo@ufpr.br

Este trabalho foi apresentado no XXXIII CNMAC - Congresso Nacional de Matemtica Aplicada
e Computacional, 2010, guas de Lindia, SP, Brasil [6].

Recebido em 08 Setembro 2010; Aceito em 08 Maio 2011.


112 Dorini, Cunha e Oliveira

Na tentativa de resolver problemas deste tipo, duas vertentes tm sido moti-


vos de estudos nas ltimas dcadas. A mais formal segue da interpretao das
equaes diferenciais estocsticas como equaes integrais num sentido mais geral,
inicialmente introduzido por It, em meados de 1940, e generalizado por outros
autores (veja [7, 10, 14, 19], por exemplo). A extenso destas frmulas s equaes
diferenciais aparece a partir da dcada 1960. Por exemplo, em [4] so examina-
dos resultados gerais e recentes da anlise funcional de alguns tipos de equaes
diferenciais estocsticas sob condies de regularidade exigidas dos dados.
Na outra vertente esto mtodos numricos e tcnicas matemticas cujo obje-
tivo obter informaes prticas sobre a funo aleatria (estocstica) que soluo
do problema, no sentido probabilstico. Estas informaes podem ser a mdia (es-
perana matemtica), alguns momentos de ordem superior ou, melhor ainda, a
funo de densidade de probabilidade da soluo. O mtodo de Monte Carlo [8] foi
o primeiro nesta direo e se tornou conhecido nas simulaes da construo das
primeiras bombas atmicas quando, tambm, os primeiros computadores estavam
sendo usados na computao cientfica. A ideia do mtodo calcular mdias, ou
outros momentos, usando um grande nmero de ensaios experimentais, usualmente
gerados com sequncias pseudoaleatrias. Cada um destes ensaios deve resultar em
um problema determinstico cuja soluo possa ser calculada. Em outra direo
(do ponto de vista terico), alguns autores procuram equaes diferenciais determi-
nsticas cujas solues podem ser mdias, momentos [9, 18, 20, 22], e at mesmo a
funo de densidade de probabilidade [11, 16] da soluo.
Este trabalho objetiva analisar, atravs de alguns exemplos, a influncia de se
considerar aleatoriedades na soluo de equaes diferenciais com dados aleatrios.
Um estudo comparativo das mdias das solues das equaes estocsticas com as
solues das equaes determinsticas simplificadas, nas quais substitumos os par-
metros aleatrios por suas mdias, apresentado. Cabe ressaltar que o maior mrito
do trabalho o de ilustrar a importncia de se obter as solues estocsticas das
equaes, via distribuio ou esperana matemtica. Os autores esperam que esse
trabalho possa fomentar novas investigaes em uma rea de importncia crescente
na modelagem Matemtica.
Embora modelos aleatrios discretos sejam importantes em diversas aplicaes,
os exemplos tratados aqui concentram-se em modelos contnuos. Considere um
espao de probabilidade (, F , P) e uma varivel aleatria A : R, com funo
de densidade de probabilidade fA . Sua funo de distribuio cumulativa dada
por Z a
FA (a) = P ({ | A() a}) = P(A a) = fA (u) du.

A mdia, ou esperana matemtica, da varivel aleatria A definida por


Z +
E[A] = afA (a) da.

Nos trs problemas seguintes, um ou mais parmetros das equaes diferenciais


so variveis aleatrias. Tendo em vista o propsito de analisar a influncia dessas
aleatoriedades nas equaes, apresentada, para cada problema, um comparativo
Solues de equaes diferenciais sujeitas a incertezas 113

entre a mdia da soluo estocstica e a soluo da equao simplificada, na qual a


varivel aleatria A substituda pela sua mdia, E[A].
Cabe enfatizar que o uso de variveis aleatrias para modelar a incerteza nestes
problemas difere da abordagem empregada no Clculo Estocstico Clssico [4, 7,
10, 14], na qual os dados de entrada so processos idealizados, tais como processos
de Wiener e processos de Poisson [20, p. 3]. Isto indica, junto com as tcnicas
matemticas ou computacionais empregadas, uma separao entre os escopos da
vertente do Clculo Estocstico Clssico e a vertente adotada no presente trabalho.

2. Problema de Valor de Contorno Aleatrio


O ponto de partida o seguinte problema de valor de contorno:
 
d dU
A (x) = 1, 0 < x < 1,
dx dx
U (0) = U (1) = 0, (2.1)
em que A uma varivel aleatria que assume apenas valores positivos, isto ,
P(A 0) = 0. Este problema pode ser visto como um modelo rudimentar de
escoamentos em meios porosos, em que U corresponde carga hidrulica em um
reservatrio cuja permeabilidade hidrulica representada pelo parmetro aleatrio
A [1]. A aleatoriedade de A implica que a soluo do problema aleatrio acima
uma funo aleatria (ou, mais precisamente, um processo estocstico [15]). De
fato, para cada realizao A(), de A, considere o problema determinstico:
 
d dU
A() (x, ) = 1, 0 < x < 1,

dx dx
U (0, ) = U (1, ) = 0,

cuja soluo obtida integrando duas vezes os lados da equao e impondo as


condies de contorno:
x x2
U (x, ) = , 0 x 1.
2 A()
Observe que U (x, ) > 0 para 0 < x < 1 e . A fim de calcular a funo
de densidade de probabilidade, fU (q; x), q > 0, da soluo calcula-se, inicialmente,
a funo de distribuio cumulativa
x x2
 
FU (q; x) = P (U (x) q) = P q =
2A
x x2 x x2
   
=1P A = 1 FA .
2q 2q
Derivando FU (q; x) com relao varivel q obtm-se
x x2 x x2
   
d (x) (x)
fU (q; x) = FU (q; x) = fA = 2 fA , (2.2)
dq 2q 2 2q q q
onde (x) = (x x2 )/2.
114 Dorini, Cunha e Oliveira

2.1. Exemplo
Considere a varivel aleatria A, uniformemente distribuda no intervalo [1, 2], isto
, fA (q) = 1 quando 1 < q < 2 e nula fora deste intervalo. De (2.2) segue que

(x) (x)
, se < q < (x),
fU (q; x) = q2 2
0, caso contrrio.

Observe, para fins de comparao, que a esperana matemtica de U (x) dada


por
+ (x)
(x)
Z Z
E[U (x)] = qfU (q; x)dq = dq = q
0 (x)/2 q2

(x) ln (2)
x x2 . (2.3)

= (x) ln (q) (x)/2 =
2
Por outro lado, a soluo da equao simplificada (usando E[A] = 3/2 no lugar de
A em (2.1))
1
x x2 . (2.4)

U (x) =
3
Como ln (2)/2 0.3466 as funes dadas em (2.3) e (2.4) no diferem muito
para este caso, como mostra a Figura 1(a). A ttulo de ilustrao, apresentada
tambm a mdia gerada pelo mtodo de Monte Carlo, com 100 000 realizaes da
varivel aleatria A. Maiores detalhes sobre como se obter a mdia pelo mtodo de
Monte Carlo podem ser encontrados em [8] ou [22].

0.1 0.25

0.08 0.2

0.06 0.15

0.04 0.1

0.02 0.05

0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
x
x

(a) (b)

Figura 1: Ilustrao de E[U (x)] (linha slida), U (x) (linha pontilhada), e a mdia
da soluo obtida pelo mtodo de Monte Carlo (crculos), 0 x 1.
Solues de equaes diferenciais sujeitas a incertezas 115

2.2. Exemplo
Considere agora o caso em que A lognormal padro, A = exp (), N [0, 1]. A
funo de densidade de probabilidade de A dada por
[ln (q)]2
 
1
fA (q) = exp .
q 2 2

Tendo em vista (2.2), obtm-se

[ln ((x)/q)]2
   
(x) (x) (x) 1
fU (q; x) = 2 fA = 2 exp =
q q q 2[(x)/q] 2
[ln (q) ln ((x))]2
 
1
= exp , (2.5)
q 2 2

ou seja, U (x) tambm lognormal, U (x) = exp (), N [ln ((x)), 1]. Usando
(2.5) possvel calcular todos os momentos estatsticos de U (x). Em particular,
denotando o nmero de Euler, ou neperiano, por e, a esperana matemtica de
U (x) dada por

e
 
1
= e (x) = x x2 0.8244 x x2 ,
 
E[U (x)] = exp ln ((x)) +
2 2

enquanto a soluo da equao simplificada (considerando E[A] = e no lugar de
A em (2.1))
1
U (x) = x x2 0.3033 x x2 .
 
2 e
Na Figura 1(b) esboado E[U (x)] e U (x), bem como a mdia da soluo gerada
pelo mtodo de Monte Carlo, com 100 000 realizaes de A. Maiores detalhes sobre
momentos estatsticos de uma varivel aleatria lognormal podem ser encontrados
em [22].

3. Equao da Adveco Linear Aleatria


Considere, agora, a equao da adveco linear aleatria

U (x, t) + V U (x, t) = 0, t > 0, x R,
t x
U (x, 0) = U0 (x), (3.1)

onde a velocidade, V , uma varivel aleatria e a condio inicial, U0 (x), uma


funo aleatria.
Em [17] utilizado o mtodo das caractersticas [13] e a lei de probabilidade total
[15] para mostrar que a funo de densidade de probabilidade da soluo de (3.1)
no ponto (x, t), fU (q; x, t), dada por
Z  
1 x x0
fU (q; x, t) = fV fU0 (q; x0 ) dx0 , (3.2)
t t
116 Dorini, Cunha e Oliveira

ou, equivalentemente,
Z
fU (q; x, t) = fV (v) fU0 (q; x vt) dv = EV [fU0 (q; x V t)] .

Alm disso, no caso em que U0 (x) = u(x) uma funo determinstica, (3.2)
pode ser apresentada como
Z +
fU (q; x, t) = fV (v) (q u(x vt)) dv =

Z  
1 x x0
= fV (q u(x0 )) dx0 , (3.3)
t t

onde a distribuio delta de Dirac [21].

3.1. Exemplo
No caso particular em que u(x) uma funo (determinstica) suave, a equao
u(x) q = 0 tem n razes isoladas, xj,q , j = 1, 2, ..., n, e a derivada u (x) no se
anula em nenhuma das razes, tem-se (veja [21], por exemplo)
n
X (x xj,q )
(q u(x)) =
j=1
|u (xj,q )|

e, consequentemente,
+   n
1 x x0 X (x0 xj,q )
Z
fU (q; x, t) = fV dx0 =
t t j=1
|u (xj,q )|
n  
1 X 1 x xj,q
= f V . (3.4)
t j=1 |u (xj,q )| t

3.2. Exemplo
Considere V Gaussiana, V N (, 2 ), e a condio inicial u(x) sendo a funo
Heaviside,
se x < 0,

1,
u(x) =
0, se x > 0.
Esta condio inicial tem sido usada por vrios autores para estudar zonas de mis-
tura em concentraes de substncias [2]. De (3.3), segue que
Z x/t Z +
fU (q; x, t) = (q 1) fV (v)dv + (q) fV (v)dv =
x/t
x
= (q) + [(q 1) (q)] FV , (3.5)
t
Solues de equaes diferenciais sujeitas a incertezas 117

isto , U (x, t) a varivel aleatria discreta de Bernoulli com


Z x/t Z x/t
( )2
 
1
P(U (x, t) = 1) = fV (v)dv = exp d =
2 2 2

Z (xt)/( 2t)  
1 2 1 x t
= e d = 1 erfc ,
2 2t
onde erfc(x) a funo erro complementar.
Note que P(U (x, t) = 0) = 1 P(U (x, t) = 1) e que a esperana da soluo
 
1 x t
E[U (x, t)] = 1 . P(U (x, t) = 1) + 0 . P(U (x, t) = 0) = 1 erfc .
2 2t
A Figura 2 ilustra a mdia, E[U (x, t)], da soluo de (3.1) em t = 0.5 e t =
1.0, 4 x 4, com V N (0.5, 1). Tambm, apresenta a soluo da equao
simplificada U (x, t) = u(x E[V ]t) = u(x 0.5t), e a soluo produzida pelo
mtodo de Monte Carlo, com 10 000 realizaes de V . Este um exemplo de que
uma soluo simplificada pode omitir propriedades fsicas relevantes da soluo. A
difuso observada na Figura 2, causada pela aleatoriedade de V, comprovada pelos
resultados descritos na sequncia (em particular, pelo resultado do Corolrio 3.1).

1.5 1.5

1 1

0.5 0.5

0 0

0.5 0.5
4 2 0 2 4 4 2 0 2 4
x x

(a) (b)

Figura 2: Ilustrao de E[U (x, t)] (linha slida), U (x, t) (linha pontilhada), e a
mdia da soluo obtida pelo mtodo de Monte Carlo (crculos); t = 0.5 (a) e
t = 1.0 (b).

Lema 3.1. No caso em que V N (, 2 ), a funo h(x, t; ) = (1/t) fV ((x )/t)


satisfaz seguinte equao de adveco-difuso:
2
h(x, t; ) + h(x, t; ) = 2 t h(x, t; ). (3.6)
t x x2
118 Dorini, Cunha e Oliveira

Demonstrao. Como V N (, 2 ), segue que sua funo de densidade de proba-


bilidade dada por
(x )2
 
1
fV (x) = exp ,
2 2 2
com derivadas

d2 (x )2
   
d x fV (x)
fV (x) = fV (x) e f V (x) = 1 + .
dx 2 dx2 2 2

Deste modo,
 
1 (x )(x t)
h(x, t; ) = 2 h(x, t; ) t + ,
t t 2 t
 
1 x t
h(x, t; ) = 2 h(x, t; ) e
x t 2
2 (x t)2
 
1
h(x, t; ) = h(x, t; ) t + .
x2 2 t3 2 t

Portanto,


h(x, t; ) + h(x, t; ) =
t x  
1 (x )(x t) t (x t)
= 2 h(x, t; ) t + =
t 2 t 2 t
(x t)2 2
 
1 2
= 2 h(x, t; ) t + = t h(x, t; ).
t 2 t x2

Para os Exemplos 3.1. e 3.2., acima, vale o seguinte resultado:

Proposio 3.1. Se V Gaussiana, V N (, 2 ), ento as funes de densidade


de probabilidade (3.4) e (3.5) satisfazem seguinte equao de adveco-difuso:

2
fU (q; x, t) + fU (q; x, t) = 2 t fU (q; x, t). (3.7)
t x x2

Demonstrao. A funo de densidade (3.4) pode ser reescrita como


n
X 1
fU (q; x, t) = h(x, t; xj,q ).
j=1
|u (xj,q )|

Tendo em vista que h(x, t; xj,q ) satisfaz a equao (3.6) para cada xj,q , segue que
fU (q; x, t), dada em (3.4), satisfaz (3.7).
Solues de equaes diferenciais sujeitas a incertezas 119

Agora, denotando (q) = [(q 1) (q)] e derivando (3.5), obtm-se

x  x   x
fU (q; x, t) = (q)fV 2 = (q) h(x, t; 0) ,
t t   t t
x 1
fU (q; x, t) = (q)fV = (q) h(x, t; 0), e
x t t
2 x 1    x   x/t   1 

fU (q; x, t) = (q)fV = (q)fV =
x2 t t2 t 2 t2
 
x/t
= (q) h(x, t; 0) .
2 t

Assim,
2
fU (q; x, t) + fU (q; x, t) 2 t 2 fU (q; x, t) = 0,
t x x
ou seja, (3.5) satisfaz (3.7).
Corolrio 3.1. As mdias, E[U (x, t)], das solues dos problemas dos Exemplos
3.1. e 3.2., com V N (, 2 ), satisfazem equao de adveco-difuso

2
E[U (x, t)] + E[U (x, t)] = 2 t 2 E[U (x, t)].
t x x
Observao 3.1. Os resultados da Proposio 3.1 e do Corolrio 3.1 continuam
vlidos para a soluo de (3.1), com V N (, 2 ), desde que a derivao, em x
e t, sob o sinal de integrao em (3.2) seja possvel. Para tanto, so necessrias
hipteses de regularidade sobre a funo fU0 (q; x) (veja [12], p. 268, por exemplo).

4. Problema de Burgers-Riemann Aleatrio


Considere o caso no-linear obtido pelo problema de Riemann aleatrio para a
equao de Burgers (introduzida por J. M. Burgers em [3])

1 2
U (x, t) + U (x, t) = 0, t > 0, x R,
t  2 x
UL , se x < 0,
U (x, 0) = (4.1)
UR , se x > 0,

em que os estados iniciais, UL e UR , so variveis aleatrias. Observe que aqui a


aleatoriedade aparece apenas na condio inicial, transformando o problema como
um todo numa equao diferencial estocstica. Para uma simples realizao UL ()
e UR (), de UL e UR , respectivamente, tem-se o problema de Burgers-Riemann
determinstico:
1 2
u(x, t, ) + u (x, t, ) = 0, t > 0, x R,
t  2 x
UL (), se x < 0,
u(x, 0, ) = (4.2)
UR (), se x > 0.
120 Dorini, Cunha e Oliveira

Solues fisicamente corretas de (4.2), isto , solues de entropia, so ondas de


rarefao ou ondas de choque [13]. Em [5] mostrado que a soluo de (4.1), em
(x, t), pode ser representada por
U (x, t) = UL XR + XR0 + UR XR+ ,
onde = x/t, e XR , XR0 e XR+ so as funes caractersticas dos conjuntos
mutuamente exclusivos definidos na Figura 3. Observe que a funo caracterstica
de R0 , por exemplo, definida por:
se (UL , UR ) R0 ,

1,
XR0 =
0, se (UL , UR ) 6 R0 .

UR

R0 ()

P R ()

2 UL

R+ ()

Figura 3: Ilustrao das regies de integrao.

O m-simo momento estatstico de U (x, t) dado por


Z Z
E[U m (x, t)] = umL fUL UR (uL , uR )duL duR +
R
Z Z Z Z
+ m fUL UR (uL , uR )duL duR + um
R fUL UR (uL , uR )duL duR .
R0 R+
Para a obteno dos momentos estatsticos da soluo de (4.1), usando a expres-
so acima, deve-se calcular trs integrais duplas para cada valor de . Em alguns
casos possvel calcular tais integrais exatamente, como ilustrado no exemplo a
seguir.

4.1. Exemplo
Considere o caso em que UL e UR so variveis aleatrias independentes e unifor-
memente distribudas no intervalo [a, a]. Alguns clculos mostram que a mdia
da soluo de (4.1) dada por

(
2
2 (sgn() a) , se a a,
E[U (x, t)] = 4a (4.3)
0, caso contrrio,
Solues de equaes diferenciais sujeitas a incertezas 121

com = x/t e

1, se < 0,
sgn() = 0, se = 0,
1, se > 0.

Na Figura 4 ilustrada a mdia, E[U (x, t)], da soluo de (4.1) em t = 0.4 e


t = 0.8, 1 x 1. UL e UR so independentes e uniformemente distribudas
em [1, 1]. Convm ressaltar que a soluo da equao simplificada de (4.1), com
E[UL ] = E[UR ] = 0 no lugar de UL e UR , identicamente nula (linha tracejada na
Figura 4).

0.06 0.06

0.04 0.04

0.02 0.02

0 0

0.02 0.02

0.04 0.04

0.06 0.06
1 0.5 0 0.5 1 1 0.5 0 0.5 1

(a) (b)

Figura 4: Ilustrao da mdia, E[U (x, t)], dada por (4.3) (linha slida) e da mdia
obtida por Monte Carlo (crculos), t = 0.4 (a) e t = 0.8 (b), 1 x 1.

5. Concluses
Este trabalho apresentou alguns exemplos de solues de equaes diferenciais com
dados aleatrios, comparando suas mdias com as solues de equaes diferenci-
ais determinsticas resultantes da substituio dos parmetros aleatrios por suas
mdias.
Os exemplos ilustram que a substituio de parmetros aleatrios por suas m-
dias leva a previses qualitativamente errneas da mdia da soluo das equaes
(Figuras 1(b), 2 e 4). Por outro lado, a obteno da funo de densidade de proba-
bilidade da soluo por meio da funo de distribuio cumulativa levou no apenas
ao clculo de mdias da soluo consistentes com o mtodo de Monte Carlo, como
tambm garantiu informaes estatsticas completas sobre a soluo.
Este trabalho, complementado com as referncias citadas abaixo, pode servir
como ponto de partida para pesquisadores interessados em substituir custosas tc-
122 Dorini, Cunha e Oliveira

nicas de simulao por representaes analticas dos momentos estatsticos procu-


rados.

Agradecimentos
Os autores agradecem o apoio financeiro do CNPq (Processos 303701/2010-2 e
314553/2009-6) e aos revisores pelas diversas sugestes.

Abstract. We study through some examples the influence of uncertainties on the


solution of differential equations with random initial data and/or random parame-
ters. These examples show that the mean of the solution, which is usually a relevant
information on applications, may be qualitatively different from the approximate
solution computed from a deterministic differential equation in which the random
parameters are replaced by their averages.

Referncias
[1] J.S. Azevedo, S.P. Oliveira, O. A. L. Lima, Mtodos estocsticos para mode-
lagem de escoamento estacionrio e transiente em meios porosos. Rev. Bras.
Geof., 27 (2009), 241254.
[2] M.R. Borges, F. Furtado, F. Pereira, H.P.A. Souto, Scaling analysis for the
tracer flow problem in self-similar permeability fields. Multiscale Model. Simul.,
7 (2008), 11301147.
[3] J.M. Burgers, A mathematical model illustrating the theory of turbulance. Ad.
Appl. Mech., 1 (1948), 171179.
[4] P.L. Chow, Stochastic Partial Differential Equations, Chapman & Hall/CRC,
New York, 2007.
[5] M.C.C. Cunha, F.A. Dorini, Statistical moments of the solution of the random
Burgers-Riemann problem. Math. Comput. Simulation, 79 (2009), 14401451.
[6] F.A. Dorini, M.C.C. Cunha, Solues de problemas envolvendo equaes dife-
renciais em que existem incertezas, em Anais do XXXIII Congresso Nacional
de Matemtica Aplicada e Computacional, guas de Lindia, SP, 3 (2010),
180186.
[7] R. Durrett, Stochastic Calculus: a practical introduction, CRC Press, New
York, 1996.
[8] G.S. Fishman, Monte Carlo: concepts, algorithms and applications, Springer-
Verlag, New York, 1996.
[9] D. Gottlieb, D. Xiu, Galerkin method for wave equations with uncertain coef-
ficients. Commun. Comput. Phys., 3 (2008), 505518.
[10] I. Karatzas, S.E. Shreve, Brownian Motion and Stochastic Calculus, Springer-
Verlag, New York, 1988.
Solues de equaes diferenciais sujeitas a incertezas 123

[11] V. Klyatskin, Stochastic Equations and Waves in Randomly Inhomogeneous


Media, Nauka, Moscou, 1980.
[12] T.W. Korner, Fourier Analysis, Cambridge University Press, Cambridge,
1988.
[13] R.J. LeVeque, Numerical Methods for Conservation Laws, Birkhuser, Berlin,
1992.
[14] B.K. Oksendal, Stochastic Differential Equations: an introduction with appli-
cations, Springer, New York, 2000.
[15] A. Papoulis, Probability, Random Variables, and Stochastic Processes,
McGraw-Hill, Inc., New York, 1984.
[16] S.B. Pope, Lagrangian PDF methods for turbulent flows. Annu. Rev. Fluid
Mech., 26 (1994), 2363.
[17] L.T. Santos, F.A. Dorini, M.C.C. Cunha, The probability density function
to the random linear transport equation. Appl. Math. Comput., 216 (2010),
15241530.
[18] M. Shvidler, K. Karasaki, Exact averaging of stochastic equations for transport
in random velocity field. Transp. Porous Media, 50 (2003), 223241.
[19] T.T. Soong, Random Differential Equations in Sciences and Engineering, Aca-
demic Press, New York, 1973.
[20] D. Xiu, Numerical Methods for Stochastic Computations: a spectral method
approach, Princeton University Press, Princeton, 2010.
[21] E. Zauderer, Partial Differential Equations of Applied Mathematics, John
Wiley & Sons, New York, 1983.
[22] D. Zhang, Stochastic Methods for Flow in Porous Media - Coping with Un-
certainties, Academic Press, San Diego, 2002.