Escolar Documentos
Profissional Documentos
Cultura Documentos
Dissertação apresentada ao
Programa de Pós-Graduação em
Física como requisito para a
obtenção do título de Mestre na
área de concentração em Física
Aplicada.
Rio Claro
S.P. – Brasil
2002
ii
AGRADECIMENTOS
DEDICATÓRIA
SUMÁRIO
CAPÍTULO 1 .......................................................................................................... 1
Introdução ............................................................................................................ 1
CAPÍTULO 2 .......................................................................................................... 3
Revisão da Literatura ........................................................................................... 3
2.1- Complexidade e Criticalidade ................................................................... 3
2.1.1 – Leis da Física versus Complexidade .................................................... 4
2.1.2 – O que pode explicar uma teoria da Complexidade............................... 7
2.1.3 – Catástrofes ............................................................................................ 7
2.1.4 – Geometria Fractal ................................................................................. 8
2.1.5 – Ruído “1/f” ........................................................................................... 8
2.1.6 – Lei de Zipf ............................................................................................ 9
2.1.7 – Leis de potência e criticalidade ............................................................ 9
2.1.8 – Sistemas em equilíbrio ....................................................................... 10
2.1.9 – Caos e complexidade.......................................................................... 11
2.2 – Distribuições Estatísticas....................................................................... 12
2.2.1 – Processos Gaussianos ......................................................................... 13
2.2.2 – Estabilidade de Distribuições Estatísticas .......................................... 18
2.2.2.2 – Teorema do limite central ............................................................ 21
2.2.3 – Bacias de atração ................................................................................ 29
vi
CAPÍTULO 3 ........................................................................................................ 31
Materiais e métodos ........................................................................................... 31
3.1 – Redes de Distribuição de água .............................................................. 31
3.2 – Metodologia........................................................................................... 34
CAPÍTULO 4 ........................................................................................................ 51
Conclusão e trabalhos futuros............................................................................ 51
4.1 - Conclusão............................................................................................... 51
4.2 – Trabalhos futuros ................................................................................... 53
Referências Bibliográficas .................................................................................... 54
Anexo .................................................................................................................... 58
vii
LISTA DE FIGURAS
LISTA DE TABELAS
Resumo
Palavras chave:
Abstract
Key words:
CAPÍTULO 1
Introdução
CAPÍTULO 2
Revisão da Literatura
2.1.3 – Catástrofes
que magnitude ocorrerá um terremoto, ela pode dizer muito sobre a probabilidade
da ocorrência de um terremoto de determinada magnitude.
da Noruega que possui fiordes de todos os tamanhos, ruídos 1/f possuem picos de
todas as durações. São, portanto, como fractais no tempo. A distribuição de
potência do sinal é inversamente proporcional à freqüência e é, portanto, a origem
do termo “1/f”, embora erroneamente chamado de ruído ao invés de sinal.
Ruídos 1/f são diferentes de ruídos brancos aleatórios, onde não existe
correlação entre os valores que descrevem o sinal e, geralmente, incluem todas as
freqüências em iguais quantidades.
Em alguns casos, o espectro pode não ser distribuído como 1/f, mas
como 1/ f α , 0 ≤ α ≤ 2 embora, mesmo assim, seja chamado simplesmente de
“1/f”.
N ( s ) ∝ s −τ (2.1)
Isso mostra que um gráfico de log N(s) versus log s é uma linha reta.
O expoente τ é a inclinação da reta.
−N ≤ m ≤ N (2.4)
N = n1 + n2
(2.5)
m = n1 − n2
Portanto:
m = 2n1 − N
1 1 (2.6)
n1 = ( N + m); n2 = ( N − m)
2 2
14
p. p. p. p... p . q.q.q...q = p n1 q n2
(2.7)
(n1 vezes ) (n2 vezes )
N!
(2.8)
n1! n2!
N ! n1 n2
Wn (n1 ) = p q (2.9)
n1! n2!
( N + m) ( N − m)
N!
PN (m) = p 2
(1 − p ) 2
(2.11)
( N + m) ( N − m)
! !
2 2
1
No caso simétrico, onde p = q = :
2
N
N! 1
PN (m) = (2.12)
( N + m) ( N − m) 2
!
!
2 2
W ( n1 + 1) − W ( n1 ) W ( n1 ) (2.13)
dW
=0 (2.14)
dn1
n1 = Np + η (2.15)
e expandindo-se ln W(n1):
1 1
ln W (n1 ) = ln W ( Np) + B1η + B2η 2 + B3η 3 + ... (2.16)
2 6
d k ln W
onde Bk = k
avaliado em n1=N p.
dn1
1 1
W (n1 ) = W% exp B2η 2 + B3η 3 + ... (2.17)
2 6
1
W (n1 ) = W% exp − B2 η 2 (2.18)
2
∑ W (n ) = 1
n1 = 0
1 (2.19)
N ∞
∑ W (n ) ≈ ∫ W (n )dn = ∫
n1 = 0
1 1 1
−∞
W ( Np + η )dη = 1 (2.20)
∞ 2π
W% ∫ W (n1 )dn1 = W% =1 (2.21)
−∞ B2
B2 1
W (n1 ) = exp − B2 (n1 − n%1 ) 2 , com n%1 = Np (2.22)
2π 2
S n ≡ x1 + x2 + ... + xn (2.23)
E { xin } = ∫
+∞
xin P( x)dx (2.24)
−∞
(pdf) que é, de modo geral, não-gaussiana e que assume uma forma gaussiana
apenas assintoticamente com n. A pdf do processo, P[ S n ] é função de n, e P ( xi ) é
arbitrária.
P[ S 2 ] = P ( x1 ) ⊗ P( x2 ) (2.25)
19
+∞
f ( x) ⊗ g ( x) = ∫
−∞
f ( x − y ) g ( y ) dy (2.26)
0 .5 0.5
0 .4 0.4
0 .3
0.3
0 .2
0.2
0 .1
0.1
-4 -2 2 4 (i) -4 -2 2 4 (ii)
0.5 0.5
0.4 0.4
0.3
0.3
0.2
0.2
0.1
0.1
-4 -2 2 4 (iii)
-4 -2 2 4 (iv)
Figura 2.2: Exemplos de diferentes pdfs:
(i) P( x) = δ ( x + 1) / 2 + δ ( x − 1) / 2 , (ii) distribuição uniforme com média zero e desvio padrão 1, (iii)
Gaussiana com média zero e desvio padrão unitário e (iv) Lorentziana com fator de escala unitário.
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
-4 -2 2 4 -4 -2 2 4
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1
0.1
-4 -2 2 4
-4 -2 2 4
0.5 0.5
0.4 0.4
0.3 0.3
0.2
0.2
0.1
0.1
-4 -2 2 4
-4 -2 2 4
0.5 0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
-4 -2 2 4
-4 -2 2 4
S1 S2
n
σ n2 = E{Sn2 } = ∑ si2 (2.27)
i =1
(MANTEGNA, 2000),
n
1
σ n2
∑ E{U
i =1
i
2
} →1 (2.28)
onde, para cada ε > 0,U i seja uma variável aleatória truncada igual a xi quando
| xi |≤ εσ n e zero nos outros casos. Então, o teorema do limite central afirma que
22
S x + x + ... + xn
S%n ≡ n = 1 2 (2.29)
σn σ n
− S%n2
1 ( )
PG ( S n ) = e 2
(2.30)
2π
(i)
(ii)
(iv)
(iii)
Figura 2.4: Simulação de P(Sn )
para valores de n=1 a n=30 para os casos onde P(x) é: (i) distribuição delta, (ii) distribuição uniforme, (iii)
distribuição Gaussiana e (iv) Lorentziana (escalas arbitrárias)
23
(ii)
(i)
(iii) (iv)
Figura 2.5: mesmas distribuições de 1.3,
agora utilizando-se um fator de escala Log[x] para melhorar a visualização
γ 1
P( x) = (2.31)
π γ + x2
2
+∞
ϕ (q) = ∫ P( x)eiqx dx (2.32)
−∞
−q γ
ϕ (q) = e (2.33)
S 2 = x1 + x2 (2.35)
A pdf da soma de duas variáveis iid é dada pela convolução das duas
pdfs de cada uma das variáveis:
P2 ( S 2 ) = P ( x1 ) ⊗ P( x2 ) (2.36)
ϕ 2 (q ) = [ϕ (q ) ]
2
(2.37)
25
Pn ( S n ) = P( x1 ) ⊗ P( x2 ) ⊗ ... ⊗ P( xn ) (2.38)
−2 q γ
ϕ 2 (q) = e (2.39)
+∞
1
∫ ϕ ( q )e
− iqx
P( x) = dq (2.40)
2π −∞
2γ 1
P2 ( S 2 ) = (2.41)
π 4γ + x 2
2
1 x2
P( x) = exp 2 (2.42)
2π σ 2σ
σ2 2
−( )q 2
ϕ (q) = e 2
= e −γ q (2.43)
2
ϕ 2 (q ) = e −2γ q (2.44)
1 x2
P2 ( S 2 ) = exp − (2.45)
8π γ 8γ
1 x2
P2 ( S 2 ) = exp − (2.46)
( )
2
2π ( 2σ ) 2 2σ
conclui-se que σ 2 = 2σ .
α
−γ q
ϕ (q) = e (2.47)
α q π
i µ q − γ q 1 − i β tan , [α ≠ 1]
q 2
ln ϕ ( q) = (2.48)
q 2
i µ q − γ q 1 + i β q π ln q , [α = 1]
28
• α = 1/ 2, β = 1 (Lévy-Smirnov)
• α = 1, β = 0 (Lorentziana)
• α = 2 (Gaussiana)
∞
1 − qα γ
π ∫0
PL ( x) ≡ e cos(qx)dq (2.49)
Γ(1 + α ) sin(πα / 2)
PL ( x ) ≈
− (1+α )
1+α
≈ x (2.51)
π x
CAPÍTULO 3
Materiais e métodos
De um modo geral, o total diário, por pessoa, deve situar-se entre 200 e
500 litros, a variação ficando na dependência maior dos gastos industriais e nos
serviços públicos e do tipo da população. Na Grande São Paulo, com uma
população de 13.200.000 habitantes, em 1980, a oferta de água era de 2.833.320
de metros cúbicos por dia, ou seja, 0,21m³ por dia por habitante. Essa proporção
tem se mantida equilibrada nos três últimos decênios, mas já foi maior, chegando
a 0,32 m³ por dia por habitante em 1941. Em 1980 o número de ligações de água
no município de São Paulo era de 1.279.0301.
1
http://www.sabesp.com.br - Página acessada em 26/08/2002
34
3.2 – Metodologia
A ⋅ P ( xm )
P( x) = (3.1)
A + ( x − xm )1+α
K = 0.05 ± 0,27
2
conforme exemplificado no notebook anexo
51
CAPÍTULO 4
4.1 - Conclusão
Referências Bibliográficas
Phys Rev Letters, 59 (1987) 381 & Phys Rev A 38 (1988) 364
BAK, P.
BERGSTRÖM, H.
GALTON, F.
The Geometric Mean in Vital and Social Statistics. Procedings of the Royal
Society of London 29, 365-367, 1879
GNEDENKO, B. V.
GUPTA, H. M. CAMPANHA, J. R.
GUTENBERG, B. RICHTER, C.
HIGUCHI, T.:
Relationship between the Fractal dimension and the power law index for a
time series: A numerical Investigation. Physica D 46 (1990) 254-264
http://www.ibge.net/home/estatistica/populacao/censo2000/ufs.php?tipo=31.
Página acessada em 23/07/2002.
Sur les loi stables. C.R. Acad. Sci. Paris, 202, 374-376, 1936
KORSAN, R. J.
MANDELBROT, B.
MANDELBROT, B.
Fractals and Scaling in Finance. Selecta Volume E. New York: Springer Verlag,
1997
MANDELBROT, B.
Multifractals and 1/f Noise: Wild Self-Affinity in Physics. Springer-verlag,
1999
MANTEGNA, R. STANLEY, H.
MANTEGNA, R.
MARQUARDT, D.W.
Journal of the Society for Industrial and Applied Mathematics, vol. 11, pp.
431–441, 1963.
MITIC, P. THOMAS P.
LÉVY, P.
PARETO V.
Cours d’Economie Politique. Reprint as a volume. Ouvres Completes. Droz
Geneur 1896-1965
TSALLIS, C.
TSALLIS, C.
UNESCO, PNUD, PNUMA, FAO, OMS, OMM, ONUDI, Banco Mundial e SEI.
ZIPF, G.K.
Human Behavior and the Principle of Least Effort. Addision-Wesley, Reading,
Mass. 1949.
58
Anexo
<<Statistics`DataManipulation`
<<Graphics`Graphics`
<<Statistics`NonlinearFit`
<<Graphics`Legend`
<<Graphics`MultipleListPlot`
<<Graphics`Colors`
lista1=ReadList["c:/meus documentos/mestrado/final/campinas.txt"];
1000
10
0.1
1000
10
0.1
Clear [Resultado];
Resultado = NonlinearRegress[Drop[ListaAjuste, 1], AA*Pxm/(AA + (x -
Xm)^(1 + Alfa)),
x, {AA, Alfa}, RegressionReport -> BestFitParameters,
ShowProgress -> False, MaxIterations -> 300]
{BestFitParameters -> {AA -> 248.02, Alfa -> 1.17025}}
Show[Imagem, ImagemAjuste]
1000
10
0.1
Total = 0;
Funcao[x_] := AAA*Pxm / (AAA + (x - Xm)^(1 + AAlfa));
Clear[x, y]
Alfas = {Datum[{0.96, 0.0977}], Datum[{1.06, 0.1062}], Datum[{1.09,
0.0872}], Datum[{1.17, 0.0819}]};
habitantes = {17082, 99030, 168087, 968172};
i NP
y
slope = NP ∗ ‚ H Log@10, habitantes@@iDDD ∗ Log@10, Alfas@@iDDDL − „ Log@10, habitantes@@iDDD ∗ ‚ Log@10, Alfas@@iDDD ì
NP NP
k i=1 ki=1 { {
Datum[{0.05, 0.27}]
intercept =
i NP
„ Log@10, habitantes@@iDDD ∗ Log@10, habitantes@@iDDD ∗ ‚ Log@10, Alfas@@iDDD −
NP
k i=1 i=1
NP y
„ Log@10, habitantes@@iDDD ∗ ‚ H Log@10, habitantes@@iDDD ∗ Log@10, Alfas@@iDDDL ì
NP
i=1 i=1 {
i i NP y y
NP ∗ ‚ Log@10, habitantes@@iDDD ^2 − ‚ Log@10, habitantes@@iDDD ^2
NP
k i=1 ki=1 { {
Datum[{-0.24, 0.91}]