Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidade em Física
Prof. André Martorano Kuerten
Indaial – 2021
1a Edição
Copyright © UNIASSELVI 2021
Elaboração:
Prof. André Martorano Kuerten
K95e
ISBN 978-65-5663-524-8
ISBN Digital 978-65-5663-518-7
CDD 530
Impresso por:
Apresentação
Acadêmico! Bem-vindo à disciplina de Estatística e Probabilidade
em Física.
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para
você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para
apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto
em questão.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
Bons estudos!
UNI
Acesse o QR Code, que levará ao AVA, e veja as novidades que preparamos para seu estudo.
REFERÊNCIAS....................................................................................................................................... 73
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE
REVISÃO DA TERMODINÂMICA..................................................................... 75
REFERÊNCIAS..................................................................................................................................... 147
REFERÊNCIAS..................................................................................................................................... 213
UNIDADE 1 —
INTRODUÇÃO À PROBABILIDADE E
ESTATÍSTICA
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade,
você encontrará autoatividades com o objetivo de reforçar o conteúdo
apresentado.
CHAMADA
1
2
TÓPICO 1 —
UNIDADE 1
CONCEITOS BÁSICOS E
FUNDAMENTOS DE ESTATÍSTICA
1 INTRODUÇÃO
A estatística se faz presente em nossas vidas nos mais variados ramos da
atividade humana. Ela está presente em situações cotidianas como em eventos
esportivos, em informações cedidas por um determinado governo etc. Por exemplo,
em um evento esportivo, geralmente, nos deparamos com certas informações que
visam fundamentar as análises subsequentes dos cronistas esportivos acerca de
certa equipe ou, mais em geral, acerca do próprio evento esportivo, ou mesmo
da história do próprio esporte como um todo. Ali, a estatística pode surgir de
diferentes formas possíveis, como na contagem de chutes ao gol por jogo, a
eficiência de tais chutes etc.
3
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
2 ESTATÍSTICA NO COTIDIANO
A estatística aparece em nosso dia a dia de diversas formas, como já
havíamos mencionado, em eventos esportivos ou em estudos emitidos por um
determinado governo.
FONTE: O autor
Desse modo, num período de um dia foram contados 127 motos, 453
carros, 71 ônibus e 145 caminhões. A seguir, apresentamos uma representação
gráfica dos dados anteriores.
4
TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA
FONTE: O autor
Veículo Preço em R$
Moto 2,00
Carro 5,00
Ônibus 16,00
Caminhão 12,00
FONTE: O autor
Frequência R$
127 2,00
453 5,00
071 16,00
145 12,00
FONTE: O autor
5
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Frequência R$
071 16,00
127 2,00
145 12,00
453 5,00
FONTE: O autor
• Ônibus:
• Moto:
• Caminhão:
• Carro:
Frequência Relativa R$
0,089 16,00
0,159 2,00
0,182 12,00
0,573 5,00
FONTE: O autor
6
TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA
Tal amostra pode ser convertida num lucro bruto esperado da seguinte
maneira:
7
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
FONTE: O autor
8
TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA
3 TERMOS BÁSICOS
Um modelo estatístico é caracterizado por uma população A e uma
amostra a. Uma população engloba todo o conjunto de elementos os quais
possuem uma atribuição em comum. Um subconjunto de uma população é
denominado amostra. A população pode ser infinita ou finita enquanto a amostra
deve ser sempre finita.
Nominal
Qualitativa
Ordinal
Variável
Discreta
Quantitativa
Contínua
FONTE: Adaptado de Magalhães e Lima (2004, p. 8)
9
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
4 MEDIDAS DE POSIÇÃO
Começaremos trabalhando as medidas de posição. Consideremos um
conjunto de dados {di} de uma certa variável D. Define-se a média d como sendo
a somatória de di pela quantidade de valores n, isto é:
(1)
(2)
Matematicamente, temos:
10
TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA
(3)
I₁= ]d₁₀,dif]
4 3 5 7 6 4 4 2 6 8 7
FONTE: O autor
11
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
fi 1 1 3 1 2 2 1
di 2 3 4 5 6 7 8
FONTE: O autor
dmed = 5000.
dmod = 4000.
2 3 4 4 5 6 6 7 7 8
FONTE: O autor
(4)
12
TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA
d = ∑ Fi di, (5)
d = ∑ Fi Di , (6)
FONTE: O autor
13
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
dif / di0 fi ai
0 - 50 306 306
50 -100 102 408
100 -150 082 490
150 - 200 009 499
200 - 250 001 500
FONTE: O autor
Di fi ai
25 306 306
75 102 408
100 082 490
125 009 499
150 001 500
FONTE: O autor
DICAS
14
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
• Existem termos básicos que são úteis para trabalhar os modelos estatísticos.
15
AUTOATIVIDADE
14 17 13 13 18 13 20 19 18 18
16 15 13 19 17 17 15 14 20 16
13 15 16 13 14 14 18 16 15 13
17 16 18 14 13 17 19 20 14 13
16 16 19 14 14 19 14 17 16 20
13 21 15 14 17 18 16 15 20 14
fi 10 11 06 09 07 06 05 05 01
di 13 14 15 16 17 18 19 20 21
ai 10 21 27 35 44 50 53 59 60
di 13 14 15 16 17 18 19 20 21
16
( ) A tabela em termos de amplitude relativa tem a forma:
09 06 14 10 11 05 04 02 01
14 12 15 10 08 02 11 13 09
12 11 07 13 05 11 07 12 05
Nominal
Qualitativa Ordinal
Variável
Quantitativa Discreta
Contínua
17
Com suas próprias palavras, disserte sobre no que consiste cada tipo de
variável aleatória.
4 Muitas vezes, usa-se o conceito de classe para trabalhar com certos dados
estatísticos. Podemos dizer que em dados classificados por classes, se
disponibilizam tais em razão de seus intervalos. Sendo dif o limite superior do
intervalo, di0 o limite inferior e fi as frequências, através da tabela a seguir:
dif / di0 fi
0 - 20 26
20 - 40 59
40 - 60 22
60 - 80 07
80 - 100 01
18
TÓPICO 2 —
UNIDADE 1
1 INTRODUÇÃO
A probabilidade aparece em muitos ramos do conhecimento humano, tal
como Economia, Biologia, Física, Teoria dos Jogos etc. Seu estudo, sob o ponto
de vista matemático, remonta aos trabalhos de Bernoulli já no Século XVII, em
sua obra intitulada Ars Conjectandi, publicado no século seguinte em 1713, como
pode ser visto em Hald (2003). Inicialmente, o estudo da probabilidade surge com
o emergente interesse em jogos de azar, como pode ser lido em Memória (2004),
e se difundindo posteriormente sob as diversas ramificações do conhecimento
humano. Hoje em dia, a probabilidade é entendida como um ramo da estatística,
que estudamos anteriormente.
DICAS
O histórico artigo de Born (1954), pode ser obtido no site oficial do prêmio
Nobel, no endereço: nobelprize.org/prizes/physics/1954/born/lecture/.
19
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Espera-se, assim, que tal tópico sirva de suporte para um estudo mais
aprofundado que será desenvolvido no Tópico 3.
20
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
1 1 1
+ =.
6 6 36
DICAS
21
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Como exemplo, vamos imaginar a mesma aposta, mas agora com dados
viciados. Vamos considerar ainda que certo dado foi manipulado para que a
probabilidade de se obter o valor 6 seja de 50%. Os demais valores são igualmente
prováveis. Nesse caso, a probabilidade de se obter qualquer valor que não seja 6
deve ser de 1/10, pois a soma das probabilidades deve totalizar 100%, isto é:
• 6-1-4
• 6-6-2
• 6-6-6
• 3-5-2
Probabilidade
FONTE: O autor
22
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
(7)
Agora repare que (7) pode fornecer qualquer resultado da tabela anterior
apenas por computar o número de vezes em que as bolas aparecem na sequência,
como, também, a probabilidade de cada bola ser sorteada.
P1 + P2 + P3 + P4 + P5 + P6 = 1,
N1 + N2 + N3 + N4 + N5 + N6 = N. (8)
23
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
• “Para frente”
• “Para trás”
Vamos supor que nosso marinheiro caminhe com uma probabilidade P>
de seu passo ser dado para frente e uma probabilidade P< de seu passo ser dada
para trás. Depois de N passos, a probabilidade do marinheiro ter dado N> passos
para frente e N< passos para trás será dada por:
(9)
Note que temos aqui uma equação similar para os casos dados
anteriormente com a única diferença que, neste caso, estamos considerando
apenas duas possibilidades possíveis. De maneira também similar, teremos,
ainda:
P< + P> = 1,
• (P<)3 (P>)0
• (P<)2 (P>)1
• (P<)1 (P>)2
• (P<)0 (P>)3
24
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
Podemos, então, nos indagar: por que a soma das probabilidades de cada
possibilidade não totalizou 100%? Onde se encontra o fator 12/27?
• trás-frente-frente
• frente-trás-frente
• frente-frente-trás
Do modo similar, teremos três casos diferentes para dois passos para trás
e um para frente. Já para os casos de três passos para frente ou para trás, teremos
apenas uma possibilidade, ou seja:
frente-frente-frente ou trás-trás-trás.
25
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
(11)
(12)
DICAS
(13)
ΔX = X> – X<.
26
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
(14)
P< = 1 – P>
Encontramos
(15)
27
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Enquanto para os casos em que ele andou “para trás”, isto é, ΔX < 0,
encontramos:
P(10) = 1
Enquanto todos os demais são iguais a zero, pois 1 – P> = 0. Ou seja, temos
100% de certeza de que encontraremos o marinheiro na posição 10 m. No entanto,
se a probabilidade de andar para frente for nula, teremos:
P(–10) = 1
28
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
E os demais igual a zero, uma vez que P> = 0. Logo, temos 100% de
certeza de que encontraremos o marinheiro na posição –10 m. Analisado o caso
trivial, devemos agora querer estudar um caso não trivial. Consideraremos nosso
exemplo inicial, em que P> = 2/3. Substituindo este valor em P(10), encontramos
rapidamente:
P(10) ≃ 0,0173.
• P(6) ≃ 0,1951
• P(4) ≃ 0,2601
• P(2) ≃ 0,2276
• P(0) ≃ 0,1366
• P(-2) ≃ 0,0569
• P(-4) ≃ 0,0163
• P(-6) ≃ 0,0030
• P(-8) ≃ 0,0003
• P(-10) ≃ 0,0000
P(0) ≃ 13,66 %.
29
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
FONTE: O autor
Podemos reparar que o valor zero não nos fornece nenhuma informação
relevante para a melhor compreensão do sistema. Vamos analisar então uma
composição que leve em conta o valor ΔX, tal como seu “peso probabilístico”
P(ΔX). Supomos uma simples multiplicação, ou seja:
P(ΔX) ⋅ ΔX.
• P(5) ≃ 13,17 %
• P(3) ≃ 32,92 %
• P(1) ≃ 32,92 %
• P(–1) ≃ 16,46 %
• P(–3) ≃ 4,12 %
• P(–5) ≃ 0,41 %
30
TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE
FONTE: O autor
Podemos agora notar que o valor encontrado nos fornece uma informação
relevante do sistema. O que acabamos de encontrar, isto é:
31
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
De modo geral, tem-se que o desvio médio Δ(X) de X é dado neste caso por:
32
RESUMO DO TÓPICO 2
Neste tópico, você aprendeu que:
33
AUTOATIVIDADE
1° caso: um dado viciado com a probabilidade de 1/3 para cair o número seis.
2° caso: um dado viciado com a probabilidade de 1/2 para cair o número
quatro.
3° caso: dois dados viciados, um com probabilidade de 1/4 para cair o número
seis e outro com probabilidade de 1/5 para cair o mesmo número.
4° caso: dois dados viciados, um com probabilidade de 1/3 para cair o número
cinco e outro com probabilidade de 1/3 para cair o número seis.
5° caso: dois dados viciados, um com probabilidade de 1/3 para cair o número
três e outro com probabilidade de 1/3 para cair o número dois.
34
( ) O termo é um fator de normalização.
( ) P< + P> = P.
( ) N< + N> = N.
( ) A fórmula pode ser alternativamente representada por:
35
E sua fórmula matemática da questão anterior, classifique V para as sentenças
verdadeiras e F para as falsas:
36
TÓPICO 3 —
UNIDADE 1
FUNDAMENTOS DE PROBABILIDADE
1 INTRODUÇÃO
Depois do trabalho pioneiro de Bernoulli, ao longo dos séculos
subsequentes, a probabilidade tem sido desenvolvida em termos de uma
matemática mais formal e rigorosa. A primeira definição de probabilidade
(conhecida hoje como definição clássica) foi fornecida pelo matemático francês
Laplace, em sua obra intitulada como Théorie analytique des probabilités, em 1812.
(18)
37
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
P : A ↦ a, a ∈ ℝ, A ⊂ Ω. (19)
• 0 ≤ P(A) ≤1, A ⊂ Ω
• P(Ω) = 1
• P(A ∪ B) = P(A) + P(B) - P(A∩B)
A ∩ B = Ø.
Desde que P(Ø) = 0, o terceiro item é reescrito neste caso como segue:
A ∪ B = Ω e P(Ω) = 1
38
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
P(A) = 1 – P(B).
P(A∪B) = P(A)P(B).
• Cara A
• Coroa B
Ω = {A , B}.
• P(A) = 1/2
• P(B) = 1/2
39
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
P< = P> – 1
Ω = {A , B, C, D, E, F}
40
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
Vale a pena notar, aqui, que os eventos que queremos encontrar não
são dados pela ocorrência de um específico naipe, mas sim por uma sequência
determinada de naipes. O espaço amostral neste caso é estipulado como:
Ω = {♣ , ♠ , ♢ , ♡}.
P(J) = P(♠;♣,♢,♡)P(♢;♣,♡)P(♡;♣) = .
• ♠♢♡
• ♠♡♣
• ♠♢♡
• ♠♢♣
• ♠♢♡
• ♣♠♢
41
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
DICAS
3 VARIÁVEIS ALEATÓRIAS
Começaremos formalizando o conceito de variável aleatória. Uma
variável aleatória é uma função V que para cada elemento A de Ω associa um
número real v:
V : A ↦ v, v ∈ ℝ, A ⊂ Ω. (20)
Devemos enfatizar aqui que uma variável aleatória V é uma função, desde
que Ω ↦ ℝ, pois associa um número real v ∈ ℝ para cada elemento A do espaço
amostral Ω. Notamos ainda que Ω é o domínio enquanto ℝ é o contradomínio.
Tal variável aleatória pode ser tanto discreta como contínua. Podemos
caracterizar a natureza da variável aleatória da seguinte maneira:
P(V(A) = v) = P(A).
42
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
C1 ↦ v1 (Cara ↦ 0),
C2 ↦ v2 : (Coroa ↦ 1).
A ↦ v1 (Cara/Cara ↦ 0),
B ou C ↦ v2: (Cara/Coroa ou Coroa/Cara ↦ 1),
D ↦ v3 (Coroa/Coroa ↦ 2).
Com base nos dois exemplos anteriores, podemos perceber que uma variável
aleatória é discreta quando associa valores a Ω que podem ser enumerados.
43
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
0 ≤ Pi ≤ 1.
Devemos notar também que uma distribuição se torna útil para responder
outros problemas que podem surgir. Por exemplo, considerando ainda o
problema do caminho aleatório, podemos nos perguntar qual a probabilidade
(considerando por exemplo P> = 2/3) de o marinheiro ter efetivamente andado
para trás depois de percorrer uma distância total ΔX? Para responder essa
questão, começaremos considerando o caso do Gráfico 4 (ΔX=5). A variável
aleatória é definida como sendo a soma dos passos para frente e trás. Assim,
para a probabilidade de ter andado efetivamente para trás deve ser a soma das
probabilidades Pi (ΔXi= –5, –3, –1), ou seja:
44
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
FONTE: O autor
45
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
3.1.2 Dispersão
Agora, abordaremos outra definição importante, conhecida como
dispersão (ou variância) e usualmente denotada pelo símbolo σ 2. Dada uma
variável aleatória V que associa ao espaço amostral Ω os valores {vi}, define-se
dispersão como:
(26)
46
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
∫ f(v) dv = 1, (28)
47
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
fi 02 04 09 19 34 17 11 10 06 02 01
Ii 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1
FONTE: O autor
FONTE: O autor
48
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
um certo valor será estipulada pela Gráfico 5, que, como veremos mais a frente,
indica que tais medidas seguem uma distribuição de probabilidade. Podemos
então usar as variáveis aleatórias para mensurar certas quantidades importantes.
Por exemplo, o valor médio < v > = < I > da intensidade de corrente pode
ser encontrado pela fórmula (22) do seguinte modo:
4 DISTRIBUIÇÕES DE PROBABILIDADE
Temos visto que uma variável aleatória pode ser tanto discreta como
contínua e que o par formado por vi e Pi(vi) fornece uma distribuição de
probabilidade. No que segue, veremos alguns casos de funções que se adequam
a reais distribuições de probabilidade, tanto para o caso discreto como contínuo.
49
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Logo, vemos que P(1) = PS e P(0) = 1 - PS. O valor médio (22) neste caso fica:
Como exemplo, vamos supor que tem uma única bola de sinuca numa
determinada caçapa. Queremos, inicialmente, saber qual a probabilidade de
encontrar uma bola que seja denotada por um número primo. Considerando que
temos 15 bolas no jogo de sinuca, 14 delas numeradas entre um e 14 e mais uma
branca (sem número), a probabilidade de termos sucesso é PS = 7/15.
<v> = PS = 7/15.
σ 2 = PS PF ≃ 0,2489.
50
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
(30)
v = 0, 1, 2, ... , n.
A distribuição (30) já foi analisada por nós no tópico anterior através dos
exemplos referentes ao caminho aleatório do marinheiro.
DICAS
51
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
<v> = n PS (31)
σ 2 = n PS P F
<ΔX> ≃ 1,667.
<v> = n PS = .
Por que os valores esperados não são iguais, isto é <v> ≠ <ΔX>?
Em que X> está associado com v. Para o valor esperado <ΔX>, teremos,
então:
52
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
(32)
v = 0,1, 2, ... , ∞.
FONTE: O autor
FONTE: O autor
53
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
<v> = a,
54
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
nosso problema, devemos tomar a taxa referente a dez dia/ mês: 1/3. Logo, nossa
média de ocorrência em dez dias é de quatro casos, ou seja: a = 4. Se substituirmos
tais valores na distribuição de Poisson, obtemos:
55
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
Frequência 4 7 16 23 44 50
dpm 0 1 2 3 4 5
Frequência 44 43 27 23 17 2
dpm 6 7 8 9 10 11
FONTE: O autor
FONTE: O autor
56
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
FONTE: O autor
DICAS
57
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
(33)
–∞ < v < ∞.
FONTE: O autor
58
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
• Linha vermelha: a = 2
• Linha azul: a = 1
• Linha verde: a = 1/2
• Linha cinza: a = 1/4
• Linha azul: b = 0
• Linha vermelha: b = 1
• Linha verde: b = 2
• Linha cinza: b = 3
FONTE: O autor
59
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
DICAS
(34)
60
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
ln x! ≃ x ln x – x,
para
x ↦ ∞.
Temos:
em que usamos
para
n → ∞.
61
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
– ln v + ln (n – v) – ln (1 – PS) + ln PS = 0.
eln x = x.
(n - v) PS = v (1 - PS).
v = n PS.
Devemos notar aqui que o ponto de inflexão (neste caso o valor mais
provável) nos fornece o valor médio (31) quando n → ∞:
v = <v>.
Logo em:
v = v = <v> = n PS,
62
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
obtemos:
PS + PF = 1,
<Δ(vi)²> = n PS PF.
(35)
•
• < Δ(vi)² > = a
• <v> = b
63
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
FONTE: O autor
FONTE: O autor
64
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
FONTE: O autor
Assim, temos mostrado que, de um modo geral, pode-se pensar que certas
distribuições contínuas podem ser derivadas matematicamente de específicas
distribuições discretas como no caso trabalhado, em que a distribuição Normal é
obtida da distribuição Binomial.
65
UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA
LEITURA COMPLEMENTAR
66
TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE
67
RESUMO DO TÓPICO 3
Neste tópico, você aprendeu que:
CHAMADA
68
AUTOATIVIDADE
• 0 ≤ P(A) ≤1, A ⊂ Ω
• P(Ω) = 1
• P(A ∪ B) = P(A) + P(B) - P(A∩B)
( ) P(A∪B) = P(A)P(B).
( ) P(A ∪ B) = 1.
( ) P(A) = 1 - P(B).
( ) P(A∩B) = 0.
69
a) Encontre o valor de v para P = e –2.
b) Encontre o valor de a para P(1) = 0,14936.
c) Encontre P(5) para a = 4.
d) Encontre o valor médio para P(v) = 7ve–7.
e) Encontre o valor de v para P = e –a.
( ) v = 2. b) a = 4. c) P(5) = 0,15629.
( ) a = 3. c) P(5) = 0,15629. d) <v> = 7.
( ) P(5) = 0,16723. d) <v> = 9. e) v = 0.
( ) <v> = 7. e) v = 0. a) v = 2.
( ) v = 1. a) v = 0. b) a = 3.
70
Podemos dizer que e b = 0 e que o a referente a linha cinza é maior que o a da
linha verde, enquanto o a referente à linha vermelha é maior que o a da linha
azul.
71
Podemos dizer que e b = 0, b = 1, b = 2, b = 3 respectivamente para linha azul,
vermelha, verde e cinza e que o a tem o mesmo valor para todas as cores.
são válidas.
Com base na fórmula anterior, disserte como a distribuição Binomial pode ser
identificada com a distribuição padrão.
72
REFERÊNCIAS
73
74
UNIDADE 2 —
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade,
você encontrará autoatividades com o objetivo de reforçar o conteúdo
apresentado.
CHAMADA
75
76
TÓPICO 1 —
UNIDADE 2
FÓRMULA DE BAYES
1 INTRODUÇÃO
Uma fórmula muito importante em Estatística e Probabilidade é a
chamada Fórmula de Bayes, também conhecida como Teorema de Bayes,
expressão deduzida por Thomas Bayes (1702-1961).
DICAS
77
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
2 PROBABILIDADE CONDICIONAL
Para estudar a fórmula de Bayes é preciso estar a par da chamada
probabilidade condicional. A probabilidade condicional envolve a intersecção de
eventos do espaço amostral, como veremos a seguir. Antes de obter a fórmula,
é preciso iniciar analisando uma situação simples, que temos visto na unidade
anterior. Por exemplo, temos trabalhado o jogo de cartas de baralho no Tópico
3 da Unidade 1. Naquele caso específico, tínhamos nosso espaço amostral Ω,
dado por:
Ω = {♣ , ♠ , ♢ , ♡}.
ATENCAO
78
TÓPICO 1 — FÓRMULA DE BAYES
(1)
FONTE: O autor
79
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Dessa forma, para casos nos quais podemos aplicar a definição clássica, a
probabilidade condicional (1) pode ser reescrita como:
FONTE: O autor
80
TÓPICO 1 — FÓRMULA DE BAYES
n° (A ∩ B) = 1800.
n°(B) = 7500.
81
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
3 FÓRMULA DE BAYES
Para obtermos a fórmula de Bayes, consideraremos a equação (1),
realizando a seguinte manipulação:
P(A ∩ B) = P(B)P(A/B).
P(B ∩ A) = P(A)P(B/A).
(2)
82
TÓPICO 1 — FÓRMULA DE BAYES
(3)
83
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Desde que, observando o evento 6, as únicas opções são que um dos dois
dados tenha sido sorteado, devemos ter P(V/6) + P(Vʿ/6) = 1.
Uma vez que temos quatro dados, agora, para serem sorteados:
84
TÓPICO 1 — FÓRMULA DE BAYES
FONTE: O autor
(4)
85
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
DICAS
86
TÓPICO 1 — FÓRMULA DE BAYES
Devemos reparar que P(B = 2/A0) e P(B = 2/A1) são nulos. Desde que
temos observado duas bolas verdes, é impossível que, na sacola, não tenha ou
tenha apenas uma bola verde. Finalmente, basta encontrar as probabilidades
P(B = 2/A3) e P(B = 2/A4). Para P(B = 2/A3):
87
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
88
TÓPICO 1 — FÓRMULA DE BAYES
P(A0/B = 1) = 0,
89
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
90
TÓPICO 1 — FÓRMULA DE BAYES
91
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
92
TÓPICO 1 — FÓRMULA DE BAYES
FONTE: O autor
Pposteriori ∝ LPpriori.
P(Ai/B) ∝ P(Ai)P(B/Ai).
93
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
94
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
95
AUTOATIVIDADE
( ) Para qualquer resultado que pode ser obtido somando as três jogadas, a
probabilidade de serem sorteados dois números ímpares é de 83,3%.
( ) Sabendo, previamente, que dois dados forneceram números ímpares, a
probabilidade de o resultado ser consequência da soma composta pelos
números um, três e quatro é de 40%.
( ) Sabendo, previamente, que todos os dados forneceram números pares, a
probabilidade de o resultado ser consequência da soma da sequência dos
números dois-quatro-dois é de 25%.
( ) Sabendo, previamente, que dois dados forneceram números ímpares, a
probabilidade de o resultado ser consequência da soma da sequência dos
números seis-um-seis é de 6,6%.
Classe Social A B C
Porcentagem da População 6 54 40
Grupo Étnico D E F
Porcentagem da População 30 44 26
96
Com base nas informações e utilizando a fórmula da probabilidade condicional,
assinale a alternativa CORRETA:
Com base na fórmula, considere dez dados, sendo, um deles, não viciado. Já
para os dados viciados, dois deles têm probabilidade de 20% de ser sorteado
o número um, três deles, de 25% e, quatro deles, de 50%.
97
4 Um exemplo de distribuições a priori e a posteriori e a função de
verossimilhança são dados pela distribuição binomial
O termo (PS )v(1 – PS)n-v pode ser entendido como a função de verossimilhança,
sendo que PS é a probabilidade de “sucesso”.
98
TÓPICO 2 —
UNIDADE 2
PROCESSOS ESTOCÁSTICOS E
CADEIAS DE MARKOV
1 INTRODUÇÃO
Um importante ramo, dentre os processos estatísticos, são os denominados
processos estocásticos. Historicamente, tais processos foram úteis para a descrição
do movimento Browniano, com o qual Albert Einstein trabalhou e publicou um
artigo a respeito do tema no ano mirabilis, em 1905.
99
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
FONTE: O autor
FONTE: O autor
100
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
FONTE: O autor
FONTE: O autor
101
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
X = {Xt : t ∈ 𝕴}.
Xt : Ω → 𝕮,
102
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
FONTE: O autor
103
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
104
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
Para finalizar, o último caso pode ser a cotação de uma determinada ação
medida instantaneamente durante um determinado dia. Notamos que, nesse
caso, o espaço de parâmetros e o de estados são contínuos. Um outro exemplo
com aplicação em física é a intensidade espectral aleatória de uma estrela medida
em tempo real.
DICAS
DICAS
(5)
105
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
(6)
P (8) = P (7 → 8) + P (9 → 8).
106
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
(7)
107
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
ATENCAO
FONTE: O autor
108
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
FONTE: O autor
4 CADEIAS DE MARKOV
Dando seguimento a nossos estudos, introduziremos, agora, as chamadas
Cadeias de Markov.
Aqui t' < t, sendo t' o instante no passo anterior. Como temos mencionado,
anteriormente, o caminho aleatório é um exemplo de Cadeia de Markov. Podemos
tratar do problema de maneira alternativa, usando uma matriz de transição. Assim,
considere a seguinte matriz quadrada 𝓜:
⋱ ⋮ ⋮ ⋮ ⋮ ⋮ ⋰
⋯ 0 P> 0 0 0 ⋯
⋯ P< 0 P> 0 0 ⋯
⋯ 0 P< 0 P> 0 ⋯
⋯ 0 0 P< 0 P> ⋯
⋯ 0 0 0 P< 0 ⋯
⋰ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱
110
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
𝓟' 𝓜 = 𝓟.
(⋯ P(+1) P> + P(+3) P< P(0) P> + P(+2) P< P(–1) P> + P(+1) P<
P(–2) P> + P(0) P< P(–3) P> + P(–1) P< ⋯)
Já para a matriz 𝓟:
(𝓞 P(+1) P> 0 P(–1) P> + P(+1) P< 0 P(–3) P> + P(–1) P< 𝓞)
⋱ ⋮ ⋮ ⋮ ⋰
⋯ 0 Pi+1,j 0 ⋯
⋯ Pi, j–1 0 Pi, j+1 ⋯
⋯ 0 Pi–1, j 0 ⋯
⋰ ⋮ ⋮ ⋮ ⋱
com Pi+1, j = Pi,j + 1 = P>, Pi, j–1 = Pi–1, j = P<, e assim por diante. Notamos,
aqui, que explicitamos a linha e a coluna da matriz. De uma forma geral, para
qualquer sistema de Markov, é preciso usar uma notação mais compacta para
prosseguirmos.
X'𝓜 = X.
∑ Mij = 1,
Definição: Seja
P(Xt = j / X0’ = i0’, X1’ = i1’, X2’ = i2’, ..., Xt’ = it’ )
112
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
P(Xt = j / X0’ = i0’, X1’ = i1’, ... , Xt’ = it’ ) = P(Xt = j / Xt’ = it’ ).
Estado 0 1
0 P 1–P
1 1–P P
113
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Estado (classe) A B C
A 0,9 0,09 0,01
B 0,1 0,85 0,05
C 0,01 0,24 0,75
Estado (pop) 0 1 2 3 ⋯
0 1–P* P* 0 0 ⋯
1 P# 1 – (P* + P#) P* 0 ⋯
2 0 P# 1 – (P* + P#) P* ⋯
3 0 0 P# 1 – (P* + P#) ⋯
⋮ ⋮ ⋮ ⋮ ⋮ ⋱
114
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
Estado AA aA aa
AA 1/2 1/2 0
aa 0 1/2 1/2
115
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Logo, ele verifica que, com mais um cruzamento, obtém mais representantes
do Tipo 1 na sua lavoura.
Estado 0 1 2 3
0 3/4 0 0 1/4
1 0 1 0 0
2 0 1/2 1/2 0
3 2/5 0 0 3/5
116
TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
Estado R$ 0 1 2 3 4 5 6
0 1 0 0 0 0 0 0
1 1–P 0 P 0 0 0 0
2 0 1–P 0 P 0 0 0
3 0 0 1–P 0 P 0 0
4 0 0 0 1–P 0 P 0
5 0 0 0 0 1–P 0 P
6 0 0 0 0 0 0 1
117
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
118
RESUMO DO TÓPICO 2
Neste tópico, você aprendeu que:
119
AUTOATIVIDADE
X = {Xt : t ∈ 𝕴},
Xt : Ω → 𝕮.
120
c) ( ) Diferentes possíveis caminhos aleatórios serão representados a seguir:
Estado (classe) A B C
A 1 0 0
B 0,2 0,75 0,05
C 0,05 0,20 0,75
121
Assinale a alternativa CORRETA:
a) ( ) Somente o item III está correto.
b) ( ) Somente o item IV está correto.
c) ( ) Os itens I, III e IV estão corretos.
d) ( ) Os itens II, III e IV estão corretos.
e) ( ) Todos os itens estão corretos.
122
TÓPICO 3 —
UNIDADE 2
1 INTRODUÇÃO
A termodinâmica é uma das mais importantes áreas da física. As aplicações
englobam desde fenômenos corriqueiros até problemas mais fundamentais da
física teórica. Uma herança muito importante da termodinâmica é a entidade
matemática, conhecida como entropia. Além da praticidade, por exemplo, nas
engenharias, a entropia pode ser descrita como uma entidade estatística, assim
como outras quantidades importantes, como pressão e temperatura.
123
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
f (P, V, T) = 0.
PV = nRT, (10)
com R sendo a constante universal dos gases ideais e o valor sendo dado por:
R = 8,3143 J / mol K.
v = V /N.
124
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
3.1 TRABALHO
Iniciaremos os nossos estudos a respeito do trabalho recapitulando o
conceito na mecânica newtoniana.
O trabalho, sob uma partícula, é definido como a força aplicada nela vezes
o deslocamento (causado pela aplicação da força). Para uma força constante
paralela ao deslocamento, o trabalho é, formalmente, dado por:
W = Fd,
W = PAd.
125
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
ΔV = Ad,
O trabalho fica:
W = PΔV.
e .
dW = PdV,
W = ʃ PdV. (11)
126
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
ʃ dV = ΔV.
Para ilustrar, é preciso considerar o gás ideal descrito pela equação gases
ideais. Isolando a pressão e integrando ʃ PdV, obtemos:
(12)
127
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
W = ∮PdV ≠ 0,
128
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
3.2 CALOR
Para o estudo de trabalho, vimos que, em um processo isotérmico, o
trabalho é, basicamente, calculado observando o volume inicial e o final do sistema.
Supomos, agora, que, em um processo, a temperatura de uma determinada
substância sofre alteração, ou seja, Ti ≠ Tf. Dizemos que a temperatura se altera
devido a um fluxo de calor que ocorre entre o sistema e o ambiente externo.
ΔQ = CΔT' (13)
dQ = CdT. (14)
1 cal = 4,186 J.
129
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Q = ʃ CdT, (15)
ATENCAO
3.3 ENTROPIA
Antes de estudarmos as leis que regem a termodinâmica, devemos
recapitular uma última variável, conhecida como entropia. Para introduzirmos,
é útil revermos o chamado Ciclo de Carnot. O ciclo consiste em um sistema
termodinâmico regressando ao estado inicial (processo reversível), percorrendo
dois caminhos isotérmicos e dois caminhos adiabáticos.
(16)
f(T2 , T1) é uma função que depende das temperaturas T2 e T1. Para
explicitarmos f (T2 , T1), é preciso considerar o exposto a seguir:
130
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
131
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
(17)
Uma vez que o fluxo de calor Q1 é doado pelo sistema, Q1 < 0. Por outro
lado, o fluxo Q2 é recebido do exterior para o sistema, e, logo, Q2 > 0. Assim,
eliminando o módulo em (17):
(18)
132
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
(19)
(21)
Substituindo Q = mL:
133
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
Q = W.
(22)
que deve ser exatamente a variação de entropia para o gás em expansão livre.
4 LEIS DA TERMODINÂMICA
Assim como em outras teorias da física, os fenômenos térmicos são,
também, regidos por um conjunto determinado de leis. Por exemplo, na mecânica
clássica, as grandezas básicas de massa, aceleração e força são trabalhadas
observando as três leis de Newton. Na termodinâmica, não é diferente, e as
quantidades de volume, pressão e temperatura devem seguir três leis específicas,
com as quais trabalharemos em seguida.
134
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
TA = TB.
TA = TB,
TB = TC,
Segundo Halliday, Resnick & Walker (1993, p. 171), a lei zero menciona
que, “se dois corpos A e B estão em equilíbrio térmico com um terceiro corpo T,
então, estão em equilíbrio térmico um com o outro”.
dQ – dW
Q – W.
∆E = Q – W,
135
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
dE = dQ – dW.
dE = –dW = –PdV.
dQ = dW = PdV.
dE = –dW = –PdV.
dE = dQ.
Para finalizar essa parte, vale mencionar que, para um gás ideal,
com equação de estado (10), a energia interna só depende da temperatura.
Explicitamente, a energia interna é dada por:
(23)
Com o advento da física estatística, deve ficar claro que essa dependência
está relacionada com o fato de que a energia das componentes internos do gás
contém apenas contribuições cinéticas, isto é, para um gás ideal, não ocorrem
interações entre tais componentes, gerando a energia potencial nula.
136
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
ΔSB = QB / TB.
QA = +Q = C (TB – TA),
ΔSB = C (1 – TB / TA).
137
UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA
FONTE: O autor
Como ln (2) > 0, podemos concluir que a expressão (24) é válida novamente.
Temos visto que, nos três casos analisados, a entropia total do sistema
aumentou. Tais fatos servem como base para anunciarmos a Segunda Lei da
Termodinâmica como um princípio de aumento de entropia. Assim, pode-se
declarar o princípio de aumento de entropia como:
ΔS ≥ 0
LEITURA COMPLEMENTAR
Nate Silver
Suponhamos que você tenha começado o ano de 2001 com uma forte
crença na hipótese de que as emissões de carbono pelas indústrias continuariam
a causar uma elevação da temperatura. (Na minha opinião, tal crença teria sido
apropriada, devido ao forte entendimento das causas do efeito estufa e dos
indícios empíricos a seu favor). Digamos que você tenha atribuído uma chance
de 95% à hipótese de o aquecimento global ser verdadeira. Então, você observa
novos indícios: ao longo da próxima década, de 2001 a 2011, as temperaturas
globais não se elevam. Na verdade, chegam a cair, ainda que pouco. Pelo teorema
de Bayes, você deveria revisar, pelo menos, a estimativa da probabilidade de
aquecimento global.
140
TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA
FONTE: SILVER, N. O sinal e o ruído: por que tantas previsões falham e outras não. Rio de
Janeiro: Intrínseca, 2012, p. 414-416.
141
RESUMO DO TÓPICO 3
Neste tópico, você aprendeu que:
CHAMADA
142
AUTOATIVIDADE
f (P , V, T) = 0.
Por exemplo, para o chamado gás ideal, nós temos a equação de estado que o
caracteriza:
f (P , V, T) = P V – nRT.
W = ʃ PdV.
( ) A fórmula a seguir,
143
No gráfico, vemos quatro isotermas e duas possíveis evoluções adiabáticas.
Assim, analisando o gráfico dado e os itens a seguir:
Ciclo de Carnot,
144
3 A primeira e a segunda lei da termodinâmica foram construídas em termos
das chamadas propriedades do sistema. Tais grandezas termodinâmicas
dependem, apenas, dos estados inicial e final do sistema, e, por isso,
desenvolvem papéis fundamentais dentro da teoria. Assim, com base nos seus
conhecimentos da primeira, da segunda lei e das fundamentações, classifique
V para as sentenças VERDADEIRAS e F para as sentenças FALSAS:
145
146
REFERÊNCIAS
HALLIDAY, D.; RESNICK, R.; WALKER, J. Fundamentos de física: gravitação,
ondas e termodinâmica. Rio de Janeiro: LTC – Livros Técnicos e Científicos
Editora S.A., 1993.
147
148
UNIDADE 3 —
APLICAÇÕES DE PROBABILIDADE E
ESTATÍSTICA EM FÍSICA
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade,
você encontrará autoatividades com o objetivo de reforçar o conteúdo
apresentado.
CHAMADA
149
150
TÓPICO 1 —
UNIDADE 3
1 INTRODUÇÃO
Conceitos familiares, como calor e temperatura, foram desenvolvidos nos
estudos dos ditos fenômenos térmicos observados na natureza. Paralelamente,
partindo de uma visão atomista para compreender certas propriedades dos
gases, estiveram, também, desenvolvidas ideias estatísticas, para derivar,
alternativamente, algumas leis termodinâmicas conhecidas naquelas épocas.
Posteriormente a algumas ideias pioneiras desenvolvidas por Gassendi e Hooke,
no século XVII, a formulação de uma teoria cinética dos gases remonta ao tratado
de Bernoulli, no século XVIII. A ideia básica é tratar de um gás qualquer como
um conjunto de partículas ou moléculas formadas por pequenas entidades
sujeitas às leis da mecânica clássica. Desde que um gás deva, em tese, conter uma
quantidade enorme de entidades, a necessidade de uma interpretação estatística
emerge naturalmente. Assim, na Teoria Cinética dos Gases, a visão atomista é
fundamental para a interpretação estatística da termodinâmica.
151
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
n1 E1
n2 E2
n3 E3
⁞ ⁞
nk Ek
FONTE: O autor
152
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
NOTA
Ki = Ei.
E = <K>. (1)
153
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
(2)
Por outro lado, podemos imaginar que, na superfície desse corpo, encontra-
se uma atmosfera sujeita a uma temperatura T. Da equação (2), encontramos que a
velocidade quadrática média v2q, associada às moléculas, é:
(3)
(4)
154
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
Para entendermos o processo, devemos ter em mente que, por trás dessa
média, existe uma distribuição estatística que leva para tal valor médio. Por
exemplo, para gases ideais, a distribuição estatística de velocidades é dada pela
distribuição de Maxwell:
(5)
FONTE: O autor
155
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
É importante notar que, por mais que a velocidade média seja menor do
que a velocidade de escape, há um grupo de moléculas nas quais as velocidades
individuais superam o valor dessa velocidade. Por exemplo, se supormos uma
velocidade de escape igual a quatro, vemos, no gráfico, que, para temperaturas
maiores, um grupo maior de moléculas tem velocidades que superam a velocidade
de escape. Assim, tais moléculas desse grupo têm energia cinética suficiente para
escapar do planeta ou do corpo.
Como pode ser visto em Oliveira e Saraiva (2013), pode-se mostrar que se:
ve ≤ 6v q,
DICAS
156
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
pi + q i = pf + qf .
pi = pf + qf .
∆q = qf = 2m vx .
∆t = 2X / vx, (6)
∆q = 2nm vx.
157
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
n1 v1x
n2 v2x
n3 v3x
⁞ ⁞
nk vkx
FONTE: O autor
q = 2m Σ ni vix. (7)
(8)
Logo, vemos que a força com a parede depende das velocidades das
moléculas ao quadrado.
(9)
158
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
(10)
Como:
(11)
159
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
DICAS
Para uma boa compreensão conceitual acerca dos assuntos estudados neste
tópico e no próximo, é sugerida a visualização dos seguintes links: https://www.youtube.
com/watch?v=h8frudcqEf0 e https://www.youtube.com/watch?v=vNEhFxvaMkY.
(12)
PV = nRT. (13)
160
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
PV = CONSTANTE.
Desde que:
nRT = CONSTANTE,
P = PA + PB + PC + ... .
PAV = nA RT,
PBV = nB RT,
PCV = nC RT,
161
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
162
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
W = (P, V, T),
Como temos visto anteriormente, desde que < K > seja a energia
cinética média por molécula, podemos decompor o sistema em um quadro
de frequências, ou seja:
n1 K1
n2 K2
⁞ ⁞
nj Kj
FONTE: O autor
163
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
n'1 K'1
n'2 K'2
⁞ ⁞
n'j K'j
FONTE: O autor
Σ ni Ki = Σ n'i K'i
a relação seguinte é satisfeita: < K > = < K' >. Encontramos duas
configurações microscópicas diferentes, w e w', que são compatíveis com a
informação macroscópica representada por W, uma vez que:
164
TÓPICO 1 — TEORIA CINÉTICA DOS GASES
MACROESTADO MICROESTADOS
W w w' ... w'...'
n1 K1 n'1 K'1 ... n'...'1 K'...'1
n2 K2 n'2 K'2 ... n'...'2 K'...'2
...
⁞ ⁞ ⁞ ⁞ ⁞ ⁞ ⁞
nj Kj n'j K'j ... n' 'j
...
K'...'j
FONTE: O autor
ln Nº. (14)
S = k ln Ω,
165
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
166
AUTOATIVIDADE
= < >
167
3 Sob o ponto de vista estatístico, para um sistema termodinâmico
macroscópico, podemos ter diferentes configurações microscópicas que
levam a uma mesma informação macroscópica, como pressão e temperatura.
Em outras palavras, um sistema macroscópico (com um volume fixo),
caracterizado pela expressão
W = (P, V, T ),
pode ter diferentes sistemas que levam aos mesmos valores que caracterizam
tal sistema.
168
4 As leis dos gases ideais, de Dalton e de Boyle são diretamente deduzidas da
Teoria Cinética dos Gases e, em particular, da fórmula:
Através da Teoria Cinética dos Gases, derive a Lei dos Gases Ideais, mostre
quando a Lei de Boyle é válida e reinterprete a Lei de Boyle.
169
170
TÓPICO 2 —
UNIDADE 3
MECÂNICA ESTATÍSTICA
1 INTRODUÇÃO
Temos estudado, até agora, termodinâmica e a Teoria Cinética dos Gases,
para podermos aprender um pouco de mecânica estatística. Podemos ver a
mecânica estatística como uma formalização das ideias anteriores para os mais
diversos sistemas. Conceitos, como micro e macroestados, são amplamente
caracterizados, assim como a construção rigorosa de uma “ponte”, que tem,
como função, conectar a natureza estatística com a natureza termodinâmica.
Tais pontes são construídas em diferentes contextos físicos, e um exemplo delas
é a fórmula de Boltzmann, a qual conecta o número de microestados (obtido
através de análises estatísticas) à grandeza entropia (oriunda da teoria física da
termodinâmica). Outras pontes também são possíveis e, como veremos, existem
diferentes modelos para tratar de cada uma delas.
2 MICROESTADOS E MACROESTADOS
Vimos, no fim do Tópico 1, uma introdução informal de entropia,
e escrevemos a definição de Boltzmann. Formalmente, pode-se pensar em
um objeto matemático que contabilize todos os números de microestados
compatíveis com um macroestado termodinâmico. Para começarmos a entender,
mais rigorosamente, os papéis do macroestado, do microestado e da entropia,
voltaremos para o problema do marinheiro (ou caminho aleatório), já amplamente
trabalhado nas Unidades 1 e 2.
171
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
> > > > > < < > > <,
Isto é, caminhou cinco passos para frente, retornou dois, em seguida, deu
mais dois passos para frente e terminou a caminhada de dez passos retornando
um. No entanto, ele pode ter realizado uma sequência diferente de passos, como
as seguintes sequências:
> < > < > > > > > <, < < > > > > < > > >.
172
TÓPICO 2 — MECÂNICA ESTATÍSTICA
Macroestados Microestados
-10 m, +10 m 1
- 8 m, + 8 m 10
- 6 m, + 6 m 45
- 4 m, + 4 m 120
- 2 m, + 2 m 210
ZERO 252
FONTE: O autor
FONTE: O autor
173
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
O que ocorrerá quando retirarmos a placa que separa os dois lados? Por
intuição, podemos pensar que, ao remover a placa, algumas moléculas do gás
devem ocupar, aos poucos, a metade na qual, inicialmente, havia vácuo:
FONTE: O autor
FONTE: O autor
174
TÓPICO 2 — MECÂNICA ESTATÍSTICA
fator de normalização aparece porque dado N< moléculas no lado direito, tal
quantidade pode ser obtida por diferentes grupos de moléculas. Por exemplo,
podemos ter uma configuração microscópica para o macroestado, dada a seguir:
FONTE: O autor
FONTE: O autor
175
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
Macroestados Microestados
N>
FONTE: O autor
E ↑ = + μ B.
E ↓ = + μ B.
176
TÓPICO 2 — MECÂNICA ESTATÍSTICA
n Ω
1 1
3 3
5 10
7 35
9 126
11 462
13 1452
15 6353
FONTE: O autor
177
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
↑↑↓ ↑ ↓↑ ↓
↑↑
↓↓
↑ ↑
↓ ↓
↑↓↓
↑↑↑↓↓ ↑↑↓↑↓
↑↓↑↑↓ ↓
↑↑↑↓
↓
↑↑↓↑ ↓ ↓
↑ ↑↑
↓↓
↑↑↑ ↑↓↓↑↑
↑↑↓↓↑ ↑↓↑↓↑
3 PROBABILIDADE E ENTROPIA
Agora, tentaremos entender o conceito de entropia nos contextos de
microestado e de macroestado. Veremos que questões, como reversibilidade e
irreversibilidade, são muito bem apresentadas quando a entropia é entendida sob
as óticas probabilística e estatística.
P> = P< = ½,
desde que V> = V<, com V> o volume da parte direita e, V<, da esquerda.
178
TÓPICO 2 — MECÂNICA ESTATÍSTICA
P = A Ω, (15)
179
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
P = B ΩA ΩB , (16)
Desde que a probabilidade do sistema seja, também, dada por (15), então,
podemos combinar (15) e (16) para encontrar a expressão:
Ω = C ΩA ΩB . (17)
180
TÓPICO 2 — MECÂNICA ESTATÍSTICA
FONTE: O autor
Cada molécula tem uma posição e uma velocidade definida. Uma vez
que o sistema evolui, cada molécula muda, em geral, a posição e a velocidade,
indo, assim, o sistema, para uma configuração intermediária.
181
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
FONTE: O autor
S = f (Ω). (18)
S = SA + SB. (19)
182
TÓPICO 2 — MECÂNICA ESTATÍSTICA
S = k ln Ω. (20)
S = k ln Ω = k ln ΩA + k ln ΩA = SA + SB.
Ωf = (Vf/Vi )n Ωi ,
183
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
184
TÓPICO 2 — MECÂNICA ESTATÍSTICA
FONTE: O autor
NOTA
185
RESUMO DO TÓPICO 2
Neste tópico, você aprendeu que:
• O conjunto canônico deve ser aplicado para sistemas nos quais pode ocorrer
troca de calor, podendo, a energia, variar, mas o número de partículas é fixo,
enquanto isso, no macro canônico, o número de moléculas pode flutuar, estando
este em contato com um reservatório térmico em equilíbrio com o sistema.
186
AUTOATIVIDADE
S = f (Ω),
S = k ln(Ω).
187
Sabendo que Ω = ΩA ΩB, e com a fórmula de Boltzmann, assinale V para
VERDADEIRO e F para FALSO.
188
TÓPICO 3 —
UNIDADE 3
1 INTRODUÇÃO
Além das aplicações, em física, de estatística e de probabilidade, vistas, até
agora, nos tópicos anteriores desta unidade, outras situações históricas também
necessitaram da adaptação de tais conceitos na compreensão de certos fenômenos
naturais. Duas delas envolvem a descrição do movimento browniano e o
desenvolvimento de uma das bases da física moderna, assim, há o entendimento dos
fenômenos em escalas muito pequenas, isto é, os fenômenos quânticos.
FONTE: O autor
ma = 𝓕est. (21)
190
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
No exemplo anterior, podemos pensar que a força externa 𝓕est atua em cada
ponto da malha, mudando (ou não) o momento da partícula em uma dada
direção, como em uma colisão elástica. Em geral, 𝓕est atua instantaneamente sob
a partícula, com 𝓕est > 0 ou 𝓕est < 0. Assim como no exemplo construído por nós,
os sinais da força externa (positivo ou negativo), em cada instante, terão a mesma
probabilidade de ocorrer. A força 𝓕est é conhecida como força estocástica.
Uma vez que o valor da força, atuando no pólen, em cada instante, não
necessariamente, contém o mesmo valor, podemos redesenhar:
FONTE: O autor
191
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
(23)
(25)
192
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
(26)
(27)
193
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
(28)
Para encontrar < x2 >, basta tomar a integral da solução aproximada (28).
Integrando, encontramos:
(29)
FONTE: O autor
194
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
Por (30), podemos entender 𝓓 como um fator que mede a rapidez da área
de atuação do caminho aleatório se difundindo, uma vez que o deslocamento
∆X pode ser entendido como uma projeção em x para o movimento aleatório
bidimensional. O fator é conhecido como fator de difusão. Desde que os
deslocamentos em x e y sejam independentes, a mesma relação deve ser válida
para a trajetória em y.
(31)
195
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
e (32)
196
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
Ψ = Ψ (x,y,z,t)
em coordenadas cartesianas.
(33)
197
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
DICAS
V = V(x,t).
E supondo
(35)
é possível, reescrever (33) como (para detalhes, ver Eisberg & Resnick
(2006)):
(36)
198
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
k = (2mE)1/2/ ℏ.
sendo w = E / ℏ.
Devemos notar que (37) e (38) são funções complexas, assim, é preciso
entender que são como uma descrição abstrata da realidade. Podemos adiantar
que elas carregam a informação da partícula, mas, de forma alguma, podem
ser observadas experimentalmente. Como veremos, isso deve ser resolvido
pela interpretação de Born. Antes de prosseguirmos para tal interpretação,
analisaremos mais um exemplo.
ATENCAO
199
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
FONTE: O autor
Matematicamente:
V(–l/2) = V(+l/2) = ∞,
Ψ(x) = Acos{kx},
para –l/2 < x < +l/2 e com A sendo uma constante qualquer. Pode-se verificar
que ela contempla a Schroedinger independente do tempo com potencial nulo.
Para as paredes, com potencial infinito, a função de onda deve ser zero, isto é:
Ψ(x = ± l/2 ) = 0.
200
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
cos{±kl/2 } = 0,
En = n2 π2 k2 / 2ml2. (39)
FONTE: O autor
Agora, após os dois exemplos vistos, estamos aptos a estudar o que segue,
a interpretação de Born.
201
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
Born sugeriu que a forma deveria ser interpretada como uma densidade
de probabilidade ρ:
ρ = 1.
202
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
Sendo “rho 1”= ρ1, “rho 2”= ρ2 e “rho 3”= ρ3, observe:
FONTE: O autor
203
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
∫ Ψ * (x,t) Ψ (x,t) dx = 1,
204
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
Resolvendo a integral:
< x > = 0,
NOTA
205
UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA
< p > = 0.
206
TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA
LEITURA COMPLEMENTAR
FONTE: <https://sciam.com.br/nova-interpretacao-da-mecanica-quantica-sugere-que-a-realidade-
independe-do-observador/>. Acesso em: 24 fev. 2021.
208
RESUMO DO TÓPICO 3
Neste tópico, você aprendeu que:
• O objeto matemático básico que descreve uma partícula quântica é uma função
de onda.
CHAMADA
209
AUTOATIVIDADE
𝓕est é a força estocástica. Com base nos estudos e na fórmula citada, considere
os itens a seguir:
devendo ser considerado < x𝓕est > = 0 válido, assim como < v2 > = Cte.
III- Depois de muita álgebra, obtém-se a seguinte aproximação:
211
e) ( ) Considere as soluções representadas a seguir para o potencial infinito
do item anterior:
Nas posições dos nós das funções de ondas, a partícula têm uma
probabilidade pequena de ser encontrada em tais posições.
( ) O valor médio da posição no segundo nível de energia é diferente de zero,
uma vez que a probabilidade de se encontrar a partícula é maior no centro
de cada metade da caixa.
212
REFERÊNCIAS
213