Departamento de Física

ÁRVORES ALEATÓRIAS E PROCESSOS DE RAMIFICAÇÃO COM

APLICAÇÕES NA FÍSICA

Aluno: Guilherme Brando de Oliveira

Orientador: Stefan Zohren

1) Introdução:
Grafos aleatórios são entidades que encontramos em diversos campos de pesquisa. Sempre que nos
deparamos com objetos ou agentes que interagem entre si, podemos pensar os agentes como sendo os
vértices do grafo, e a interação como uma linha que liga os dois, as arestas. Esse projeto visou estudar dos
possíveis grafos, árvores que formam um grupo simples, que não possuem ciclos fechados. Em especial
focamos em árvores aleatórias e começamos os estudos nas chamadas árvores de Galton-Watson [1].

Uma árvore é chamada aleatória quando é constituída de um conjunto de árvores conectadas com
uma probabilidade de medida associada a ela, e para obtermos uma árvore aleatória infinita, utiliza-se um
condicionamento no tamanho, , seguido de um limite em que , ou através de um processo de
crescimento aleatório. O estudo dessas árvores, é feito de modo a obter propriedades importantes desses
objetos, como por exemplo as dimensões espectrais e fractais.

2) Objetivos:
Os objetivos do projeto visavam estudar processos de crescimento aleatório, trabalhando no início,
fundamentos da Teoria de Probabilidade [5] para auxiliar no cálculo de dados analíticos. Após a
introdução matemática, focamos em um caso especial de processo de crescimento, as árvores aleatórias.

3) Fundamentos Matemáticos do Projeto e Definições Importantes:

3.1) Processo de Galton-Watson:

Um Processo de Galton-Watson [1] é uma Cadeia de Markov { } nos inteiros não-
negativos. Sua função de transição é definida em termos de uma função de probabilidade {
}, com ,e∑ , como:

( ) { | } { (1)

onde é o Delta de Kronecker e { } é a i-ésima convolução da probabilidade comum

{ } Após definida a probabilidade de transição logo percebe-se que o Processo é de fato uma Cadeia de
Markov, já que o futuro dele depende apenas da geração presente.

Para poder estudar o processo, usamos técnicas de Teoria da Probabilidade. Uma importante
ferramenta para a análise são as funções geratrizes, definidas como:
Departamento de Física

( ) ∑ | | (2)

Define-se também a partir de (2), as iteradas das funções geratrizes:

( ) ( ) ( ) ( ) ( ) (3)

A partir delas podemos definir os momentos do processo, quando eles existem, que estão relacionados
com as derivadas das funções geratrizes, avaliadas em Os momentos mais importantes são a
esperança(média) e a variância. Para a esperança da primeira geração temos:
∑ ( ) ( ) (4)

E para a esperança da geração :

∑ ( ) ( ) ( ) ( ) ( )
Para definir a variância usa-se o fato de que:
( ) ( )[ ( )] ( ) ( )

E mostra-se que,
( ) ( )

deixando , conclui-se que a variância para a n-ésima geração é:

( )
{ ( ) (5)

Momentos maiores são derivados similarmente.

Ainda na discussão da Esperança, define-se 3 casos no Processo de Galton-Watson: Subcrítico,

Crítico e Supercrítico. A diferença entre eles está no valor de , que é respectivamente, menor, igual e
maior que . No caso Supercrítico a probabilidade do processo sobreviver é maior que 0, enquanto nos
casos Críticos e Subcríticos ela é 0. Nota-se, portanto, uma Transição de Fase, e o caso mais interessante a
ser estudado é o ponto de transição, o caso Crítico, e nesse projeto focamos nele.

Como o nosso foco foi estudar o ponto da Transição, temos que E da leitura de [1],
trabalhamos em cima da Lei Limite Exponencial para o Caso Crítico, que tem como Lema Básico:

Lema: Se e , então

(6)
[ ]
( )
Uniformemente para .

E podemos citar o Teorema:

Teorema: Se e , então quando

Departamento de Física

(7)
( ) ( )

Em palavras, a equação (7) nos diz que a probabilidade de sobrevivência do processo decai de maneira
inversa a geração n.

3.2) Caso Linear Fracional:

Estudamos um exemplo importante de um Processo de Galton-Watson, o qual podemos derivar
analiticamente, usando as técnicas já citadas, propriedades importantes. Esse caso tem como probabilidade
comum A partir deriva-se que:

( )

E podemos verificar facilmente que a média nesse exemplo é,

( )

Focando agora no caso em que ⁄ , com , Nesse caso (6) se

reescreve como:

(8)
[ ]
( )

E a probabilidade de sobrevivência:

( )

4) Árvores Aleatórias, Ensembles de Árvores e Tronco Infinito:

Árvores aleatórias são um caso de grafos aleatórios, os quais formam um grupo simples e não
possuem ciclos fechados. Em termos gerais Ensembles de Árvores Aleatórias são um conjunto de árvores
juntas, com uma probabilidade de medida associada a ele. Concentramos o estudo numa classe de infinitas
árvores com raízes num único, sem volta, caminho para o infinito, o qual chamamos de tronco infinito. Tal
ensemble pode se formar de diversos contextos, o discutido em [2] é o de árvores simples geradas por
Processos de Galton-Watson Subcríticos e Críticos, sendo o último o estudado nesse projeto.
Departamento de Física

Figura 1: Exemplo de árvore aleatória finita crescida a partir da raiz r. As arestas representam as
interações(no caso o parentesco), e os vértices os indivíduos(no caso filhos).

Figura 2: Exemplo de árvores finitas, nascendo de um único tronco infinito. Os índices { }

representam os vértices do tronco, e a partir dele crescem os conjuntos das árvores finitas { }.

Ainda nesse conjunto de árvores, podemos citar o Teorema 5 do trabalho [2] :

Teorema: Seja um ensemble de árvores aleatórias concentrado num conjunto de árvores em um

único tronco infinito com produtos crescidos independente e identicamente distribuídos (i.i.d.), ( ) ,
do tronco. Se as propriedades,

(i) A probabilidade do volume da árvore finita, número de vértices, é maior que uma variável
R, na ordem de , ou seja, ( ) , .
(ii) E a probabilidade da n-ésima geração, , ainda estar viva decai na ordem de , ou
seja, ( ) .

são satisfeitas, temos então que as dimensões espectrais, , e fractais, , existem e são definidas como:

(10)

5) Resultados:
O caso discutido no capítulo (3.2) é interessante do ponto de vista em que, se pode calcular
analiticamente os decaimentos ( )e ( ) discutidos no capítulo (4), e testá-los
numericamente. Para realizarmos os métodos numéricos do projeto, utilizamos o Programa R para
Departamento de Física

Estatística Computacional [4], e implementamos um código escrito em C++ e em R (tal código é discutido
com maiores detalhes nos Apêndices A e B após as Referências) a qual se baseia em C++. Simulamos
nesse programa [4], um total de 50000 árvores aleatórias finitas, e assim produzimos os histogramas,
figuras 3 e 4.

Nesses histogramas comprovamos os comportamentos previstos analiticamente a partir do exemplo

utilizado, em que ⁄ . Ainda no programa calculamos o coeficiente discutido em (10), e
encontramos próximo ao valor teórico de ⁄ .

Figura 3: Histograma gerado representando o decaimento de ( ) .

Departamento de Física

Figura 4: Histograma gerado simulando do decaimento de ( ) onde a linha roxa representa o

comportamento assintótico previsto analiticamente.

6) Conclusão e Perspectivas:
Estruturas fractais e espectrais de objetos com geometrias aleatórias, tem tido um foco maior nos
últimos anos. Essa nova perspectiva na área de crescimentos aleatórios é considerada de grande alcance
em diversos ramos científicos, como, por exemplo, estruturas filogenéticas, transporte de fluidos, teoria da
coalescência, e o uso da Teoria da Probabilidade tem obtido resultados satisfatórios até agora, em
Gravitação Quântica.

Podemos concluir o trabalho verificando a validade do método numérico, já que o utilizamos

tomando como base, resultados discutidos analiticamente também nesse projeto. No futuro, um próximo
passo seria estender a análise numérica para os casos ainda não conhecidos analiticamente, como os
exemplos de perspectiva citados no parágrafo anterior.

7) Referencias:
1 – ATHREYA, K.,B., Branching Processes, Grundlehren Der Mathematischen Wissenschaften
Series Vol 196, Springer-Verlag, 1972
2 – ZOHREN, Stefan; STÉFANSSON, S,O, Spectral dimensions of trees with unique infinite
spine, J. Stat. Phys., 147, 942-962, 2012
3 - SLACK, R., S., A Branching Process with Mean One and Possibly Infinite Variance, Z.
Wahrscheinlichkeitsttheorie verw., Geb. 9, 139-145, 1968
4 - http://www.r-project.org/
5 – FELLER, William, An Introduction to Probability Theory and Its Applications, Vol. 1,
Wiley, 1968
Departamento de Física

A) Apêndice – Código em R
A primeira parte do código é a parte em que fizemos a recursão de 50000 árvores, já com a
probabilidade comum de ⁄ , definindo assim os vetores de altura h e volume V:
N=10000
h<-rep(0,N)
V<-rep(0,N)
for(i in 1:N){
t<-cGWtree()
V[i]<-t$V
h[i]<-t$h
}

cGWtree() é o programa escrito em C++, o qual está descrito no próximo apêndice.

Na segunda parte geramos os histogramas, sendo assim começamos definindo outros vetores de forma a
redimensionalisar os vetores h e V em intervalos de 40, depois plotamos os resultados, adicionando as
linhas para comparação e por último calculando o coeficiente das retas:

x<-1:40
y<-1:40
for(i in 1:length(x)){
y[i]<-1-sum(h<x[i])/N
}
plot(log(x),log(y))
lines(log(x),-log(x))
lm(log(y)~log(x))

B) Apêndice – Código em C++

Nesse código usamos os pacotes do programa R e utilizamos funções exclusivas dele, como a
função runif(), a qual é um gerador de números aleatórios com probabilidade uniforme no intervalo de 0 a
1. A partir desse número começamos a crescer a árvore, vendo em qual intervalo ele ia cair de acordo com
a probabilidade do processo usado, ⁄ .
#include "Rcpp.h"

using namespace Rcpp;

using namespace std;

int V;
int h;

// [[Rcpp::export]]

List cGWtree(){
List out(0);

int offspring;
void branch(int l);
Departamento de Física

V=1;
h=1;
branch(1);

out["V"] = V;
out["h"] = h;

return out;
}

int offspring() {
double u=runif(1)[0];
int i=0;
while(u>(1-exp((-1-i)*log(2)) )){ i++;}
return i;
}

void branch(int l) {
int n=offspring();
V=V+n;
for (int i =1; i <= n; i++) {
branch(l+1);
}
h=max(h,l);
return;
}