Escolar Documentos
Profissional Documentos
Cultura Documentos
MÓDULO 1 - AULA 2
19 de Janeiro de 2015
Meta
Apresentar os elementos básicos para a descrição estatı́stica de sistemas
fı́sicos discretos.
Objetivos
Ao final desta aula, você deverá ser capaz de:
Pré-requisitos
Esta aula requer que você esteja familiarizado com os conceitos básicos
de probabilidade e distribuição binomial apresentados em Introdução à Prob-
abilidade.
Introdução
Como vimos na Aula 1, o estudo das propriedades dos materiais envolve
um número gigantesco de átomos. Para definirmos grandezas macroscópicas
21 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
a partir das grandezas atômicas precisamos realizar médias, que serão asso-
ciadas às variáveis macroscópicas. O cálculo dessas médias envolve o conhe-
cimento da probabilidade de ocorrência de cada possı́vel valor da variável
observada, por isso vamos rever alguns conceitos básicos sobre probabili-
dades.
Vamos imaginar dois experimentos. No primeiro um carro está em
movimento retilı́neo uniforme com velocidade de 60 km/h durante 30 minu-
tos. Qual a distância percorrida? Neste caso a resposta é totalmente pre-
visı́vel, a distância será de 30 km. Dizemos que este é um experimento deter-
minı́stico. Na segunda experiência jogamos uma moeda para cima e queremos
saber que face cairá para cima: cara ou coroa. Em princı́pio poderı́amos pre-
ver o resultado de uma jogada de moeda. Para tanto terı́amos que verificar
a posição exata do centro de massa da moeda e calcular as forças que atuam
sobre a moeda durante a jogada, assim como durante seu movimento no ar
etc. Se realmente pudéssemos fazer todos esses cálculos, para cada jogada
de cada moeda, poderı́amos conhecer com uma precisão inalcansável, o seu
movimento e portanto prever se o resultado seria cara ou coroa. É claro que
isso não é viável por muitas razões. Em vez disso, preferimos classificar o
experimento como aleatório e buscar uma descrição probabilı́stica que nos
diga quais as chances de obter cada resultado. Para tanto, imaginamos o
experimento sendo repetindo N vezes, sendo N 1. Se chamarmos de hni
o número de caras que esperamos obter em N jogadas, temos
hni = pN , (2.1)
Nx
PX (x) = lim , (2.2)
N →∞ N
CEDERJ 22
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
as duas situações é o valor de N. Mas, quanto grande N deve ser para termos
os valores esperado e medido sejam próximos? O maior possı́vel. Veremos
mais tarde que a pergunta correta é : Que erro estamos cometendo ao usar
a definição (2.2) com N finito?
Uma outra possibilidade para a determinação de PX (x) é a construção
de um modelo que nos permita calcular a probabilidade de ocorrência de cada
resultado possı́vel. Nesse modelo certamente entrariam considerações sobre
a distribuição de massa da moeda (é homogênea ou não?), sobre a forma com
que é jogada e sobre o número de resultados possı́veis (devemos considerar a
possibilidade da moeda cair em pé?). Para a moeda, em geral, supomos dois
resultados possı́veis, já que cair em pé é muito raro. Também supomos que
cara e coroa são igualmente prováveis já que, em geral, não há razão para
se supor que uma face tenha prioridade sobre a outra. Assim, um modelo
razoável leva a p = q = 1/2 sendo q a probabilidade de dar coroa.
23 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
W W W
Exemplo 2.1
Seja o experimento em que um dado é jogado e o número da face voltada para
cima é anotado. Primeiro definimos o espaço amostral: o resultado será um
inteiro de 1 a 6, ou seja Ω = {1, 2, 3, 4, 5, 6} e NΩ = 6. Supondo que seja um
dado equilibrado, cada elemento de Ω pode ocorrer com igual probabilidade
que é 1/6. Considere os eventos A, B e C definidos como:
A = o resultado é um número par
B = o resultado é um número maior que 2
C = o resultado é um número múltiplo de 3
O subconjunto correspondente ao evento A é A = {2, 4, 6} e NA = 3, portanto
P(A) = NA /NΩ = 1/2. Já B = {3, 4, 5, 6}, NB = 4, e P(B) = NB /NΩ =
2/3. Finalmente, C = {3, 6}, NC = 2 e P(C) = NC /NΩ = 1/3.
CEDERJ 24
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
P(A ∩ B) = 0 (2.4)
P(A ∪ B) = P(A) + P(B) regra da soma
Exemplo 2.2
Vamos voltar ao exemplo anterior. Se designamos a obtenção de cada número
na jogada de dado como um evento, temos que esses serão eventos inde-
pendentes (cada jogada não depende de jogadas anteriores) e mutuamente
exclusivos (não é possı́vel obter dois números ao mesmo tempo). Temos,
também:
25 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Exemplo 2.3
Voltando ao exempo da moeda. Nossa experiência agora consiste em jogar
duas moedas que serão rotuladas inicialmente como a e b. Suponha que p
seja a probabilidade de dar cara.
(a) Qual a probabilidade de se obter duas caras como resultado da ex-
periência?
Neste caso, sendo A o evento“obter duas caras”,
Ω = {(caraa , carab ) , (caraa , coroab )) , (coroaa, carab )) , (coroaa, coroab ))} e NΩ =
4.
A = {(caraa, carab )}e NA = 1.
Como Ω é equiprovável, P(A) = NA /NΩ = 1/4.
Também, podemos pensar direto do ponto de vista das jogadas indi-
viduais. Como as jogadas são independentes
1
P(A) = P(duas caras) = P(cara ∪ cara) = P(cara)P(cara) = p2 = .
4
(b) Agora, qual a probabilidade das duas moedas terem o mesmo resultado?
Neste caso podemos ter duas coroas também. Portanto,
B = {(caraa, carab ) , (coroaa , coroab )} e NB = 2
NB 2 1
P(iguais) = = = = P(cara ∪ cara) + P(coroa ∪ coroa) .
NΩ 4 2
Atividade 1
(Objetivos 1, 2 e 3)
Um certo tipo de motor elétrico falha se ocorrer uma das seguintes situações:
emperramento dos mancais, queima dos rolamentos, desgaste das escovas.
Suponha que o emperramento seja duas vezes mais provável do que a queima,
esta sendo quatro vezes mais provável do que o desgaste das escovas. Qual
será a probabilidade de que a falha seja devida a cada uma dessas cir-
cunstâncias?
CEDERJ 26
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
deixar 5cm
Resposta comentada
Sejam os eventos:
• E = emperramento
• Q = queima
• D = desgaste
Distribuições discretas
Chamamos de variável aleatória a variável cujo valor só pode ser deter-
minado através de uma experiência. Usaremos aqui a seguinte notação: em
letras maiúsculas teremos o nome da variável (ex: X é resultado da jogada
da moeda), e em minúsculas, o seu valor (ex: podemos fazer a associação
x = 0 para cara ou x = 1 para coroa).
Seja X uma variável aleatória definida no espaço de amostragem Ω
que pode tomar um número contável (finito ou infinito) de valores, ou seja,
X(Ω) = {x1, x2, . . .}. Sabendo a probabilidade para cada valor xi pode-
mos definir a distribuição de probabilidade, fX (xi ) ≡ P(xi ) satisfazendo as
seguintes condições
fX (xi) ≥ 0 , (2.7)
e
X
fX (xi ) = 1 , (2.8)
i
27 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Distribuição uniforme
A distribuição mais simples é a uniforme, ou seja, aquela em que todos
os elementos do espaço amostral tem igual probabilidade de ocorrer. Um
exemplo de sistema com distribuição uniforme é dado equilibrado. Se X é o
número tirado, então x1 = 1, . . . , x6 = 6. Todos os valores tem probabilidade
1/6 de ocorrer, portanto f(xi ) = 1/6. Neste caso dizemos que o espaço
amostral é equiprovável. Uma ilustração desta distribuição pode ser vista na
figura 2.2.
CEDERJ 28
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
(a) (b)
Figura 2.2: (a) Dado equilibrado com seis possı́veis resultados (b) Se o dado
for correto, todos os números serão igualmente prováveis dando origem a
uma distribuição uniforme
Distribuição binomial
A distribuição binomial é muito importante na Fı́sica Estatı́stica po-
dendo ser utilizada para resolver diversos problemas. Você deve ter apren-
dido sobre ela no colégio, em alguma aula de Matemática. Seu nome vem
exatamente do binômio porque ela dá os termos do desenvolvimento binomial
(p + q)N . Observe as expressões da expansão binomial para alguns valores
de N.
N = 2 → (p + q)2 = p2 + 2pq + q 2
N = 3 → (p + q)3 = p3 + 3p2 q + 3pq 2 + q 3
N = 4 → (p + q)4 = p4 + 4p3 q + 6p2 q 2 + 4pq 3 + q 4
29 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
N
X N!
(p + q)N = CN,npN −n q n onde CN,n = . (2.12)
n=0
n!(N − n)!
CEDERJ 30
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
J j a b c d n C4,n
1 1 p p p p 4 1
2 p p p q
3 p p q p
2 4 p q p p 3 4
5 q p p p
6 p p q q
7 p q p q
8 p q q p
3 9 q p p q 2 6
10 q p q p
11 q q p p
12 q q q p
4 13 q q p q 1 4
14 q p q q
15 p q q q
5 16 q q q q 0 1
N!
P(N, n) = CN,n pn q N −n = pn q N −n (2.13)
n!(N − n)!
N
X
P(N, n) = (p + q)N = 1 , (2.14)
n=0
31 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
N
X
hni = nP(N, n) . (2.16)
n=0
Fazemos então
N N
X d X d
hni = nP(N, n) = p P(N, n) = p (p+q)N = pN(p+q)N −1 = pN
n=0
dp n=0 dp
(2.17)
N −1
onde usamos que a equação 2.14 e também que (p + q) = 1, já que
p + q = 1.
Cálculo da variância σ 2
CEDERJ 32
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Já sabemos que M1 = hni = pN, vamos agora calcular M2 = hn2 i usando
a definição de probabilidade binomial (equação (2.13)) e a definição de dis-
tribuição binomial (equação (2.12))
N
X
2
hn i = n2 P(N, n)
n=0
N
X N!
= n2 pn q N −n
n=0
n!(N − n)!
2 XN
d
= p P(N, n)
dp n=0
2
d
= p (p + q)N = pN + (pN)2 − p2 N .
dp
Finalmente,
33 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Figura 2.3: PN (n) para N = 20, gráfico (a), e N = 40, gráfico (b). Para
os dois valores de N estão representados os valores correspondendo ao caso
simétrico (sı́mbolos sólidos) e assimétrico (sı́mbolos vazados). Todas os val-
ores estão representados em função de n − hni.
√
ou seja, σ/N, ou σ/hni, diminui com N quando N aumenta. Logo, quanto
maior o valor de N, menor será a flutuação relativa, menor será a chance
de se obter um valor muito diferente do esperado como resultado de uma
medida. Dizemos que o valor médio ou esperado fica melhor definido quanto
maior for o valor de N. Veremos mais tarde que este será o papel do limite
termodinâmico na Fı́sica Estatı́stica: fazer com que grandezas macroscópicas
provenientes de médias sobre grandezas microscópicas sejam bem definidas.
N p hni σ σ/N
20 0,5 10 2,2 0,1
20 0,2 4 1,8 0,09
20 0,5 20 3,2 0,08
20 0,2 8 2,5 0,06
CEDERJ 34
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Resposta comentada
35 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
onde
N!
CN,M = N +M
N −M , (2.24)
2
! 2
!
sendo
N +M N −M
n= e N −n= . (2.25)
2 2
Aproveitamos os exemplos para apresentar duas definições importantes:
micro e macroestados. O microestado é o estado do sistema levando em conta
o detalhamento microscópico. O macroestado é o estado levando em conta
a visão macroscópica apenas. Na maior parte dos casos o macroestado é
determinado pela energia do sistema e a situação mais comum é a de se
ter muitos microestados levando a um mesmo macroestado. Como se de
longe não pudéssemos perceber certos detalhes pequenos. Chamamos de
multiplicidade, g, ao número de microestados num dado macroestado.
CEDERJ 36
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Paramagneto uniaxial
s=+1 s=-1
37 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
CEDERJ 38
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Atividade 3
(Objetivos 1, 2, 3, 4, 5 e 6)
Preencha a tabela abaixo e classifique os microestados de acordo com o
macroestado a que pertence. De o valor de energia de cada microestado,
supondo que o campo aplicado seja B.
microestado M E
(a) {+ + + + + + + + ++}
(b) {+ − + − + − + − +−}
(c) {+ + + + + − − − −−}
(d) {− − + + − − + + −−}
(e) {+ − − − + + − − −+}
(f) {− − − − − − − − −−}
Resposta comentada
microestado M E
(a) {+ + + + + + + + ++} 10 -10B
(b) {+ − + − + − + − +−} 0 0
(c) {+ + + + + − − − −−} 0 0
(d) {− − + + − − + + −−} -2 2B
(e) {+ − − − + + − − −+} -2 2B
(f) {− − − − − − − − −−} -10 10B
Atividade 4
(Objetivos 1, 2, 3, 4, 5 e 6)
Encontre os macroestados e suas multiplicidades para um paramagneto uni-
axial com N = 4.
diagramador: deixar 10cm
39 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Resposta comentada
Temos um total de 2N = 24 = 16 microestados. n varia entre 0 e 4, ou M
entre −4 e 4, levando a 5 macroestados. Podemos usar a equação (2.28) para
calcular as multiplicidades. A tabela abaixo mostra os 24 = 16 microestados
do sistema, classificando-os de acordo com os rótulos de macroestado n ou
M. J e j são ı́ndices arbitrários que identificam os macro e microestados,
respectivamente.
J j a b c d n M g(M, 4)
1 1 + + + + 4 4 1
2 + + + −
3 + + − +
2 4 + − + + 3 2 4
5 − + + +
6 + + − −
7 + − + −
8 + − − +
3 9 − + + − 2 0 6
10 − + − +
11 − − + +
12 − − − +
4 13 − − + − 3 −2 4
14 − + − −
15 + − − −
5 16 − − − − 0 −4 1
Fim da atividade
CEDERJ 40
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Resposta comentada
Como a distância está dada em unidades de `, d = 8` significa que temos
M = 8. Como o número total de passos é N = 10, usando a definição de n
em termos de M e N, equação (2.25), temos n = 9.
(a) Usamos a equação (2.23) com N = 10, n = 9 e p = q = 0, !5:
9 1 10
10! 1 1 1 10
P10(9) = = 10 = = 9, 8 × 10−3
9!1! 2 2 2 1024
(b) O valor esperado para d é hdi = hMi`. Da relação entre n e M temos
que M = 2n − N, portanto
hMi = (2hni − N) = (2Np − N)` = N(2p − 1) ⇒ hdi = N(2p − 1)` .
Se p = 0,5, hdi = 0. Claro, a partı́cula dá passos para a direita e esquerda
com igual probabilidade, em média termina no ponto inicial.
41 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Conclusão
Podemos usar distribuições de probabilidades para descrever sistemas
fı́sicos discretos do ponto de vista estatı́stico. As principais grandezas nesse
contexto são o valor esperado, ou valor médio, e a variância. O valor espe-
rado, como indica o nome, é o que se espera obter como resultado de uma
experiência, quando a mesma for repetida um número infinito de vezes. Sendo
assim, realizando a experiência uma vez, ou um número finito de vezes, cer-
tamente obteremos valores diferentes do esperado. A variância é a grandeza
que nos permite quantificar essa dispersão de valores obtidos, com relação
ao valor esperado. Quanto maior o número de repetições da experiência,
menor será a dispersão relativa, fazendo com que o valor esperado seja uma
grandeza bem definida para a quantidade que está sendo medida.
Atividade Final
(Objetivos 1, 2, 3, 4, 5 e 6)
Um sólido contém N núcleos que não interagem entre si. Cada núcleo pode
estar em qualquer um de três estados quânticos, rotulados pelo número
quântico m, que pode ter os valores 0 e ±1. Devido a interações elétricas
com campos internos ao sólido, núcleos nos estados m = 1 ou m = −1 tem
a mesma energia > 0, enquanto que a energia do estado m = 0 é zero.
Calcule a multiplicidade g(E, N) do macroestado de energia E.
Dica: Escreva a energia como E = (N −N0 )ε, onde N0 é o número de núcleos
com m = 0. Agora você pode usar que (N − N0 ) = E/ε.
Resposta comentada
Como a energia pode ser escrita em termos de N e N0 , são essas as variáveis
que rotulam o macroestado, não importando o estado dos núcleos com m 6= 0.
A primeira contribuição para a multiplicidade vem de como escolher os
núcleos com m = 0. Dados N e N0 , há CN,N0 maneiras de fazer essa es-
colha. Para cada uma delas temos a liberdade de escolher quais núcleos com
m 6= 0 terão m = +1 ou −1, sem que a energia seja alterada. Por exemplo,
CEDERJ 42
Aula 2 - Descrição estatı́stica de um sistema discreto
MÓDULO 1 - AULA 2
Resumo
Nesta aula aprendemos como usar uam distribuição discreta para descr-
ever um sistema fı́sico. Em particular estudamos a distribuição binária, que
é usada com muita frequência na modelagem de sistemas fı́sicos. Aproveita-
mos para rever os conceitos de probabilidade, distribuição, valor esperado e
variância em sistemas discretos. Calculamos essas grandezas para o sistema
binário, analisando o comportamento da variância relativa com o número N
de componentes do sistema. Com isso, verificamos que o limite N → ∞
leva a distribuições muito centradas em torno do valor esperado. Aprende-
mos, também, as definições de macroestado, microestado e multiplicidade,
analisando as configurações possı́veis de um sistema binário.
43 CEDERJ
Aula 2 - Descrição estatı́stica de um sistema discreto
Física Estatística e
Matéria Condensada
Leitura complementar
• P. L. Meyer, Probabilidade-Aplicações à Estatı́stica, primeira edição,
LTC editora.
CEDERJ 44