Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho 1
Trabalho 1
Trabalho 1
José Gonçalves
Alíneas de apoio
b) Considerando que:
𝑚 = 𝑛+ − 𝑛− = 2𝑛+ − 𝑁 (1)
𝑁 = 𝑛+ + 𝑛− (2)
Somando/subtraindo as equações (1) e (2), tem-se que:
𝑁+𝑚 (1) + (2)
2𝑛+ = 𝑁 + 𝑚 ⟺ 𝑛+ =
2
𝑁 𝑁
𝑁! ∂ 𝑁!
̅̅̅+̅ = ∑ 𝑛+
𝑛 𝑝𝑛+ 𝑞 𝑛− = (𝑝 ) ∑ 𝑝𝑛+ 𝑞 𝑛−
𝑛+ ! 𝑛− ! ∂𝑝 𝑛+ ! 𝑛− !
𝑛+ =0 𝑛+ =0
1
Para n+2, tem-se:
𝑁 𝑁
̅̅̅̅̅
2 = ∑ 𝑛 2
𝑁! 𝑛+ 𝑛−
∂ ∂ 𝑁!
𝑛 + + 𝑝 𝑞 = (𝑝 ) (𝑝 ) ∑ 𝑝𝑛+ 𝑞 𝑛−
𝑛+ ! 𝑛− ! ∂𝑝 ∂𝑝 𝑛+ ! 𝑛− !
𝑛+ =0 𝑛+ =0
̅̅̅̅̅ ∂
𝑛+2 = (𝑝 ) 𝑁𝑝(𝑝 + 𝑞)𝑁−1 = 𝑝[𝑁(𝑝 + 𝑞)𝑁−1 + 𝑁𝑝(𝑁 − 1)(𝑝 + 𝑞)𝑁−2 ] ⇔
∂𝑝
⟺ ̅̅̅̅̅ 𝑛+ 2
𝑛+2 = 𝑁𝑝(1 − 𝑝) + 𝑁 2 𝑝2 = 𝑁𝑝𝑞 + ̅̅̅̅
̅̅̅̅̅̅̅̅̅
(Δ𝑛 2 ̅̅̅̅2 𝑛+ 2 = 𝑁𝑝𝑞
+ ) = 𝑛+ − ̅̅̅
Para m, partindo da equação (1), tem-se:
̅̅̅̅̅̅̅̅̅̅̅2
𝜎𝑛+ = √(Δ𝑛+ ) = √𝑁𝑝𝑞
𝜎𝑛+ √𝑁𝑝𝑞 1 𝑞
= = √
̅𝑛̅̅+̅ 𝑁𝑝 √𝑁 𝑝
2
Alíneas principais
a)
i) Para p=q, obtiveram-se os seguintes gráficos de barras:
3
Algumas notas acerca da apresentação destes 8 gráficos:
• Todos foram construídos usando a funcionalidade
matplotlib.pyplot.bar, com os valores de m no eixo dos x
e com o parâmetro “height” igual a WN (m);
• No caso de N=5, as larguras das barras foram ainda
ajustadas manualmente para 0.5 para reforçar o facto de
que m se trata de uma variável apenas com valores
inteiros;
• No caso de N=1001, a janela de visualização foi alterada
para incluir apenas uma região de ±100 do valor médio
(que será discutido na alínea seguinte). Isto faz com que
o gráfico pareça estar centrado mesmo no caso de p=4q,
mas é importante salientar que a janela de visualização
não está centrada em 0. Esta medida foi tomada uma vez
que, fora desta região, a expressão binomial tem
resultados praticamente negligíveis, logo, a apresentação
de todo o eixo Ox desde -N a +N dificultaria a
visualização do gráfico.
𝑛
̅̅̅+̅ 𝑚
̅ ̅̅̅̅̅̅̅̅̅
(Δ𝑛+ )2 (̅̅̅̅̅̅̅̅
Δ𝑚)2
N
p=q p=4q p=q p=4q p=q p=4q p=q p=4q
4
Na verdade, os valores obtidos não foram exatamente estes,
contendo alguns erros. No entanto, eram de uma ordem de
grandeza tão baixa comparativamente ao que está apresentado na
tabela que puderam ser atribuídos à natureza dos cálculos com
floats do python e, consequentemente, ignorados.
̅̅̅̅)
(𝑛 −𝑛 2 (𝑛 −𝑁𝑝) 2
1 − + + 1 − +
𝑊𝑁 (𝑛+ ) = √ ̅̅̅̅̅̅̅̅̅2 𝑒 2𝑁𝑝𝑞 =√ 𝑒 2𝑁𝑝𝑞
2𝜋(Δ𝑛+ ) 2𝜋𝑁𝑝𝑞
𝑁+𝑚
[ −𝑁𝑝]2 [𝑚−𝑁(𝑝−𝑞 )] 2
1 − 2 1 −
𝑊𝑁 (𝑚) = √ ̅̅̅̅̅̅̅̅̅2 𝑒 2𝑁𝑝𝑞 =√ 𝑒 8𝑁𝑝𝑞
2𝜋(Δ𝑛+ ) 2𝜋𝑁𝑝𝑞
(Nota: Na construção destas gaussianas, usar-se-ão as expressões da esquerda, isto
é, colocar-se-ão diretamente as médias e os desvios quadráticos médios calculados
em b) nos parâmetros da função de python. Caso contrário, o seu cálculo na alínea
anterior teria sido redundante).
5
Antes de comentar os resultados obtidos nestes gráficos, é
fundamental delinear alguns aspetos acerca deste ajuste:
• A primeira aproximação feita é a de considerar que, para valores
de n+ e m suficientemente grandes, WN não varia
significativamente para valores muito próximos do valor médio
e, portanto, pode ser considerada uma função contínua de
variável contínua (isto é, |𝑊 (𝑛
̅̅̅+̅ + 1) − 𝑊 (𝑛
̅̅̅+̅)| ≪ 𝑊(𝑛
̅̅̅+̅));
6
• Partindo da suposição anterior, o máximo de W N pode ser
𝑑𝑊 𝑑𝑙𝑛 (𝑊)
descrito pela condição = 0 (ou = 0), podendo-se
𝑑𝑛+ 𝑑𝑛+
então fazer uma expansão em série de potências em torno de ̅𝑛̅̅+̅;
• Ao expandir ln (W) em série de potências em torno do valor
médio, o termo de primeira ordem será nulo, por se estar a
expandir em torno de um máximo. A gaussiana obtém-se
considerando apenas os termos de ordem 0 e 2, situação na qual
se obtém:
|𝐵2 | 2 𝑑 2 ln (𝑊)
𝑛 + )𝑒 −
𝑊𝑁 (𝑛+ ) = 𝑊 (̅̅̅̅ 2
𝜂
, 𝐵2 =( ) , 𝜂 = 𝑛+ − ̅̅̅̅
𝑛+
𝑑𝑛+ 2 𝑛 ̅̅̅̅
+ =𝑛 +
7
conduz a um maior valor de Npq, o que facilita a existência de valores
de 𝜂 que cumpram os dois requisitos supramencionados.
No entanto, mesmo para N=1001, o ajuste não é completamente
fidedigno, sobretudo para p=4q. Na verdade, a cláusula Npq>>1
assegura que Npq e √𝑁𝑝𝑞 estarão em ordens de grandezas muito
distintas, que é o que permite que se respeitem simultaneamente 𝜂 ≪
𝑁𝑝𝑞 e 𝜂 ≫ √𝑁𝑝𝑞.
Tal como mostra esta tabela, Npq e a respetiva raiz, mesmo para o
valor de N mais alto, estão apenas a uma ordem de grandeza de
distância. Ampliando agora os gráficos de N=1001, poderá ser
discutida uma última observação a respeito destes resultados:
8
Por conseguinte, partindo do valor médio e andando para a esquerda,
as probabilidades caem de forma mais abrupta, e a gaussiana, sendo
incapaz de acompanhar a queda, comete erros por excesso. Em
contrapartida, indo da média para a direita, a gaussiana decresce
demasiado rápido, cometendo erros por defeito.
Referências
[1] Reif, Statistical and Thermal Physics, McGraw-Hill, pp. 19-20,
1965.