Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Tese apresentada
ao
Instituto de Matemtica e Estatstica
da
Universidade de So Paulo
para
obteno do ttulo
de
Doutor em Cincias
Programa: Estatstica
Orientador: Prof. Antonio Galves
Comisso Julgadora:
Agradecimentos
Em primeiro lugar, quero agradecer ao meu orientador Antonio Galves que desde 2007 (quando
tambm orientou o meu Mestrado) vem sendo uma pessoa extremamente compreensiva comigo
mais at do que realmente mereo, para ser sincero e de quem recebi lies importantes para a
continuidade de minha carreira acadmica. Por sua excelente estrutura e ambiente de trabalho, o
Ncleo de Modelagem Estocstica e Complexidade (NUMEC-USP), coordenado pelo Prof. Galves,
tambm merece uma meno especial.
Tambm quero agradecer a trs pessoas que colaboraram de forma signicativa para que esta
Tese fosse concluda: a Daniel Takahashi pelas discusses sobre modelos de Ising e anlise estatstica
de dados ligados Neurocincia; a Eva Lcherbach pelas observaes sobre simulao perfeita e,
principalmente, a Roberto Fernndez pelas sugestes e comentrios adicionais sobre estados de
Gibbs e transio de fase durante sua ltima visita ao NUMEC-USP, em janeiro de 2013, quando
esta Tese se encontrava em fase nal de redao.
No poderia esquecer tambm dos amigos de NUMEC, que foram fundamentais no apenas
nas discusses que levaram a esta Tese mas tambm pelos timos momentos de descontrao nas
(poucas) horas vagas disponveis: Rodrigo Lambert, Manuel Gonzlez, Gabriel Peixoto, Douglas
Pinto, Bruno Monte, Alejandra Rada, Karina Yaginuma, Renata Khouri, Lina Thomas, Andressa
Cerqueira e por a vai no conseguiria citar todo mundo em apenas uma ou duas pginas. E,
claro, no posso me esquecer da Lourdes, secretria do NUMEC e uma pessoa incrvel.
Agradeo tambm a Florencia Leonardi, Miguel Abadi, Eduardo Jordo Neves, Fbio Machado,
Vladimir Belitsky e a todos os professores do NUMEC. Outros professores que passaram pelo Ncleo,
como Eugene Pechersky e Yuri Suhov, tambm merecem ser mencionados por aqui.
A todos os meus amigos e familiares: meu MUITO OBRIGADO. E, acima de tudo, obrigado
aos meus pais, que apesar de todas as diculdades nestas quase trs dcadas, me ensinaram muita
coisa, so parte importante da minha vida e mais do que justo dividir esta etapa concluda de
minha carreira acadmica com eles.
ii
Resumo
Simulao perfeita e aproximaes de alcance nito em sistemas de spins
com interaes de longo alcance. 2013. 41 p. Tese (Doutorado) - Instituto de Matemtica e
SOUZA, E. A.
Nosso objeto de estudo so os sistemas de spins com interaes de longo alcance; em particular,
estamos interessados em sistemas cuja probabilidade invariante o modelo de Ising em
A = {1, 1}
o espao de spins e
S =
AS ,
onde
Palavras-chave:
plamento.
iii
iv
Abstract
Perfect simulation and nite-range approximations in spin systems with
long-range interactions. 2013. 41 p. Tese (Doutorado) - Instituto de Matemtica e Estatstica,
SOUZA, E. A.
Our object of interest are spin systems with long-range interactions. As a special case, we are
interested in systems whose invariant measure is the Ising model on
space of spins and
S=
AS ,
where
A = {1, 1}
is the
Zd is the space of sites. We present two original results that are byproducts
of the application of Perfect Simulation and Coupling algorithms in the context of the construction
of these spin systems and their respective invariant measures.
vi
Sumrio
1 Introduo
1.1
. . . . . . . . . . . . . . . . . . . . . . . .
1.2
Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Organizao da Tese
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
Denies preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Decomposio de Kalikow
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Simulao Perfeita
13
3.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
13
3.2
17
3.3
A distncia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
24
25
. . . . . . . . . . . . . . . . . . . . . . . . .
25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
5.2
31
. . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . . . . . . . .
32
6 Discusso nal
39
Referncias Bibliogrcas
41
vii
viii
SUMRIO
Captulo 1
Introduo
A classe dos sistemas Markovianos de partculas interagentes uma famlia de processos estocsticos que, em termos de teoria de Probabilidade, comeou a ser estudada no nal da dcada
de 1960: alguns dos primeiros artigos que estudaram esta famlia de processos foram escritos pelo
norte-americano Frank Spitzer (1969, 1970) e o russo R.L. Dobrushin (1971). O objetivo inicial
deste estudo era descrever e analisar modelos estocsticos para evolues espao-temporais em espaos nitos ou innitos enumerveis e nos quais havia a possibilidade de se incluir interaes de
longo alcance ou mesmo de alcance innito, ou seja, entre dois pontos arbitrariamente distantes que
interagem entre si.
Naturalmente, a motivao original para o estudo destes modelos vinha da Mecnica Estatstica
e sua anlise tambm tornou-se importante para uma compreenso mais ampla do fenmeno de
transio de fase nos estados de Gibbs. Com o tempo, notou-se que este tipo de estrutura poderia
ser formulada, de uma forma igualmente natural, em outras linhas de pesquisa, como redes neuronais
e modelos de infeco. Liggett (1985) uma das principais referncias sobre a teoria de sistemas
Markovianos de partculas.
d1
A = {1, 1};
A.
Tipicamente, dene-se
S =
S)
construdos de tal forma que sejam reversveis e, portanto, invariantes com respeito a uma
medida de probabilidade em
famlia de nmeros reais
JR 6= 0
AS
R.
R S
(i, j) S S
com
||i j||
to grande quanto
S
quisermos. Tal modelo ter suporte no conjunto de conguraes innitas A , onde
A = {1, 1}
INTRODUO
S = Zd .
Dizemos que
1.2
(i, j)
o conjunto de pares
(i, j)
J(i, j) 6= 0.
tais que
O grafo de
J(i, j) 6= 0.
Como um exemplo que visa justicar o interesse por processos com interaes de longo alcance,
podemos citar a inuncia de variveis externas na observao de uma cadeia de Markov de alcance
xo (Collet e Leonardi, 2012) ou mesmo uma cadeia estocstica com memria de alcance varivel
(Collet, Galves e Leonardi, 2008): ao introduzirmos, de forma conveniente, uma sequncia estocstica que funciona como um rudo que pode alterar o valor da sequncia original, observa-se que
as cadeias observadas se comportam como uma cadeia estocstica com memria de ordem innita
(e, portanto, de alcance innito).
Ainda assim, sob algumas condies de continuidade e de perda de memria ao longo do tempo,
podemos reescrever a probabilidade de transio de uma cadeia estocstica de ordem innita como
uma combinao linear convexa de probabilidades de transio de cadeias de Markov de alcances
nitos. Este tipo de decomposio possibilita a construo explcita de processos com longo alcance
a partir de processos de alcance nito e simplica a construo de algoritmos de simulao perfeita
para a respectiva probabilidade invariante. Comets, Fernndez e Ferrari (2002) uma das principais
referncias para este tipo de decomposio que, por sua vez, est diretamente relacionada com o
trabalho de Bramson e Kalikow (1993) da vem o nome decomposio de Kalikow que adotaremos
em nosso contexto.
Em termos de simulao e de anlise estatstica de dados, no podemos observar mais do que
a projeo, em um conjunto nito de stios, de uma distribuio de probabilidade em
AZ
. Por
este motivo, torna-se importante estimar, por meio de algum acoplamento, a probabilidade de
discrepncia entre o modelo de Ising com interaes de alcance innito e sua verso restrita a um
conjunto nito
(ou seja,
(ou seja,
J(i, j) = 0
se
d entre
o modelo de Ising e
restrita a subconjuntos
d
nitos de Z . Nosso objetivo principal apresentar resultados originais que ajudem a incrementar
a percepo sobre estes dois pontos de vista distintos.
1.2 Contribuies
Nesta Tese, apresentaremos dois resultados originais:
Zd .
Por sua vez, nosso segundo resultado original, o Teorema 5.2.1 (Teorema de Aproximao
Emprica ), mostra que, sob certas hipteses, possvel acoplar duas dinmicas estocsticas
[L]
de Ising em regime estacionrio (Xs )sR e (Xs )sR de tal forma que possvel controlar a
proporo de tempo em que ambos os processos se diferenciam em uma janela de tempo nita.
Os processos
(Xs )sR
[L]
(Xs )sR
ORGANIZAO DA TESE
1.3
valores em
AS
L,
respectivamente.
No Captulo 3, discutimos alguns resultados conhecidos que garantem a existncia de um algoritmo de simulao perfeita para obter uma realizao do modelo de Ising e as consequncias
para a construo do respectivo processo estocstico ao longo de um intervalo de tempo nito.
INTRODUO
1.3
Captulo 2
mente, truncada ); isso ser feito na Seo 2.1. A seguir, na Seo 2.2, apresentamos os geradores
innitesimais de dois processos de Markov em tempo contnuo que tm os dois modelos como as
respectivas medidas de probabilidades reversveis. Finalmente, na Seo 2.3, apresentamos uma
decomposio das taxas destas dinmicas estocsticas que ser conveniente para a denio dos
algoritmos de simulao perfeita e do acoplamento das duas dinmicas.
spins e
S=
d
AZ o espao de conguraes. Denimos a norma
||i|| :=
d
X
L1 em
A = {1, 1}
o espao de
Zd :
|ik | ,
k=1
em que
, ,
...,
por exemplo.
Um ponto
i Zd
V Zd , (V ) AV
no stio
representar a restrio de
i.
i,
a notao
i Zd
e todo
V.
Se
nito,
|V |.
S,
L 1,
denimos
(i)
(j) ,
i (j) =
(i) ,
se
j 6= i
se
j = i.
(2.1)
i S :
2.2
Denio 2.1.1
(i, j)
1.
J(i, i) = 0
2.
J(i, j) = J(j, i)
para todo
Zd
de nmeros reais
i Zd ;
para todo
i 6= j
(grafo no orientado);
:= sup
(2.2)
iZd jZd
Denio 2.1.2
interao
em
Zd Zd } se para todo
i Zd ,
para todo
aA
para todo
e para todo
j 6= i})
S,
dada por
j 6= i})
1
n X
o.
=
1 + exp 2a
J(i, j)(j)
para todo
(2.3)
jZd
Analogamente, dizemos que a medida de probabilidade
interao
truncada no nvel
se para todo
[L]
verso da probabilidade condicional ({
[L]
em
Zd , para todo
a A,
para todo
e para todo
para todo
j 6= i})
S,
uma
dada por
j 6= i})
n
1 + exp 2a
1
X
J(i, j)(j)
o.
(2.4)
X
ci () = exp
J(i, j)(i)(j) ,
jZd
(2.5)
2.2
onde
>0
cilndricas
f :SR
do processo
(Xt )t
da seguinte forma:
Gf () =
ci ()[f ( i ) f ()] .
(2.6)
iZd
Observe que a condio de soma uniforme (2.2) implica diretamente que as taxas
uniformemente em
ci () so limitadas
sup
iZd
jZd
(2.7)
Sob as condies (2.2) e (2.7), o Teorema 3.9 do Captulo I de Liggett (1985) implica que
de fato, o gerador innitesimal de um processo de Markov
(Xt )t .
:= J(i, j)
como medida
ci ()
({ : (i) = (i) | (j) = (j) para todo j 6= i})
=
,
ci ( i )
({ : (i) = (i) | (j) = (j) para todo j 6= i})
a Proposio 2.7 do Captulo IV de Liggett (1985) garante que
Para um nmero inteiro
`1
(Xt )t
[`]
(Xt )tR
com
gerador innitesimal
G [`] f () =
[`]
ci ()[f ( i ) f ()] ,
(2.8)
iZd
onde as taxas
[`]
ci
so dadas por
X
[`]
[`]
ci () = ri exp
J(i, j)(i)(j) ,
(2.9)
jBi (`)
onde
X
[`]
ri = exp
|J(i, j)| .
j B
/ i (`)
A prxima proposio garante que
Proposio 2.2.1
O processo
J truncada no alcance
[`]
(Xt )t
[`]
[`]
(Xt )t .
[`]
de interao
`.
[`]
ci ()
[`]
ci ( i )
[`]
respeito a .
[`]
(Xt )t
reversvel com
ci .
[`]
ri
2.3
[`]
ci
Xt
[`]
Xt
quando este est em regime estacionrio, como foi demonstrado na Proposio 2.2.1.
Nosso objetivo principal demonstrar que podemos construir simultaneamente (ou simplesmente, acoplar ) as duas dinmicas estocsticas de Ising ao longo do tempo e de tal forma que a
probabilidade de discrepncia entre os valores das dinmicas possa ser controlada de forma conveniente.
ci ()
[`]
ci ()
como
combinaes lineares convexas de taxas de transio de alcances nitos. Chamaremos este tipo de
decomposio, ao longo desta Tese, de decomposio de Kalikow.
Como feito em Galves et al. (2010) com o objetivo de apresentar esta decomposio, introduziremos a seguinte notao: Denimos, para cada
Mi = 2e
e a probabilidade
(i (k))k0
no conjunto
i Zd ,
P
jZd
|J(i,j)|
{0, 1, 2, . . .}
P
2 jZd |J(i,j)|
P
P
2 jZd |J(i,j)|
/ i (1) |J(i,j)|
i (k) = e j B
e
P
P
j B
e j B
/ i (k) |J(i,j)|
/ i (k1) |J(i,j)|
e
Para todo
e para todo
[k]
pi ((i)|) =
e para
k 2,
se
k = 0,
se
k = 1,
se
k > 1.
j:||ij||=k
P
J(i,j)(i)(j)
e j:||ij||=k |J(i,j)|
P
j:||ij||=k |J(i,j)|
1e
k = 1,
P
[1]
pi ((i)|)
A,
[k]
k 1,
[k]
pi ((i)|) = 1 pi ((i)|) .
Finalmente, para
k = 0,
denimos
[0]
[0]
pi (1) = pi (1) =
1
.
2
i.
DECOMPOSIO DE KALIKOW
2.3
o, para todo
k 1,
as probabilidades
[k]
pi (a|)
dependem apenas de
[k]
escreveremos, de forma indiferente, pi (a|(Bi (k))) em vez de
(Bi (k)).
[k]
pi (a|) para
k1
diante.
Agora, apresentamos o teorema da decomposio de Kalikow das taxas.
Teorema 2.3.1
(Galves et al., 2010) Supondo que a condio de soma uniforme (2.2) vale, temos
que:
1. A sequncia
(i (k))k0
2. Para quaisquer
`1
S,
{0, 1, 2, . . .}.
temos que
#
`
1 X
[k]
= Mi i (0) +
i (k)pi ((i)|(Bi (k))) .
2
"
[`]
ci ()
(2.10)
k=1
3. Para todo
S,
temos que
1 X
[k]
i (k)pi ((i)|(Bi (k))) .
ci () = Mi i (0) +
2
"
(2.11)
k=1
1
[0]
ci () = Mi i (0)
2
e observe que, para todo
` 1,
vale que
`
X
[`]
ci () =
[k]
[k1]
[ci () ci
[0]
()] + ci () ,
k=1
onde as diferenas
[k]
[k1]
ci () ci
[k]
()
[k1]
ci () ci
[k]
[k]
lim ci () = ci () ,
k
uma vez que
(2.12)
[k]
posio desejada.
Gf () =
XX
iZd aA
(2.13)
10
onde
i,a S
2.3
a congurao modicada
para todo
j 6= i
c ()
i
ci (a|) =
M c ()
i
i
De forma anloga, para todo nmero inteiro
` 1,
c[`] ()
[`]
i
ci (a|) =
M P`
se
a = (i) ,
se
a = (i) .
(2.14)
denimos as taxas
[`]
k=0 i (k) ci ()
i,a (i) = a
se
a = (i) ,
se
a = (i) .
(2.15)
e o gerador
XX
G [`] f () =
iZd
[`]
(2.16)
aA
Esta nova notao inclui nos geradores as taxas de saltos invisveis nos quais o spin no stio
atualizado com o mesmo valor que tinha imediatamente antes do salto. Claramente, o gerador
apresentado em (2.6) (e em (2.8), respectivamente) dene a mesma dinmica estocstica representada pelo gerador (2.13) (e por (2.16), respectivamente).
Com isso, temos o seguinte corolrio do Teorema 2.3.1.
Corolrio 2.3.2
Gf () =
X XX
iZd
e para todo
[k]
(2.17)
aA k0
` 1,
G [`] f () =
`
X XX
iZd
[k]
(2.18)
aA k=0
[k]
[0]
para
k = 0.
so reescritos.
G [L]
tesimais.
Para cada
i Zd ,
Mi .
Ni
com probabilidade
i (k)
i toca, escolhe-
com probabili-
[k]
dade pi (a|(Bi (k))) que depende apenas das conguraes dentro do conjunto Bi (k). No caso do
[L] , apenas alcances menores ou iguais a L podem ser escolhidos.
processo com gerador G
DECOMPOSIO DE KALIKOW
2.3
11
Este tipo de construo, portanto, sugere que possvel construir os dois processos de forma
acoplada, utilizando os mesmos processos pontuais de Poisson e uma mesma famlia de variveis
aleatrias i.i.d. uniformes
[k]
de transio pi (|(Bi (k))). Isso ser feito no Captulo 4.
12
2.3
Captulo 3
Simulao Perfeita
Este captulo dedicado construo de algoritmos de simulao perfeita do modelo de Ising
e de sua verso truncada. Na Seo 3.1, apresentamos um processo Markoviano de saltos que a
base da simulao, enquanto que na Seo 3.2 apresentamos o algoritmo de simulao perfeita de
uma realizao da projeo do modelo de Ising em conjuntos nitos de stios de
Zd .
Zd .
i Zd
t0
d
conjunto de subconjuntos nitos de Z (que denotaremos por
o conjunto de stios no tempo
ts
(i,t)
(Cs
no tempo
t.
Este processo
(Xs )s .
i
i < T i < 0 < T i < T i < . . . os tempos de ocorrncia
Para cada i
. . . < T2 < T1
0
1
2
i
do processo pontual de Poisson N de taxa Mi . Naturalmente, denimos o respectivo processo de
ser a base para a construo do processo
Zd , sejam
contagem
N i ([s, u]) =
1{sTni u} .
nZ
Os processos de Poisson associados a stios diferentes so independentes. Para cada ponto
associamos uma marca
{0, 1, 2, . . .}
dada por
Kni ,
independente de
Tni
Tni ,
(i (k))k0 .
e comeando no tempo
de tempos
Tn(i,t) = t TN i ([0,t])n+1 , n 1 .
13
(3.1)
SIMULAO PERFEITA
14
3.1
1{sT (i,t) u} ,
(3.2)
nZ
as marcas associadas a este processo,
i
Kn(i,t) = KN
i ([0,t])n+1 , n 1
e, para cada
k 0,
o processo de Poisson
k -marcado,
(3.3)
(3.4)
nZ
Introduziremos uma famlia de transformaes
conjunto unitrio
{j}
F(Zd ) e
k 1,
{ (i,k) , i Zd , k 0}
F(Zd ).
Para quaisquer
denimos
B (k),
i
(i,k) ({j}) =
{j},
e, para
em
se
j=i
(3.5)
caso contrrio
k = 0,
,
(i,0) ({j}) =
{j},
F F(Zd ),
se
j=i
(3.6)
caso contrrio.
(i,k) (F ) =
(i,k) ({j}) .
(3.7)
jF
O processo reverso (backward sketch process ) comeando no stio i no tempo t ser escrito como
(i,t)
(i,t)
(Cs )s0 . O conjunto Cs
o conjunto de stios no tempo t s cujos spins afetam o spin do
stio
no tempo t.
f (Cs(i,t) )
(i,t)
f (C0 )
XXZ
k0 jZd
onde
f : F(Zd ) R
(i,t)
C0
(i,t)
= {i}
(i,t)
(3.8)
(i,t)
(Cs
)s0 .
Cs(F,t) =
F Zd ,
denimos
Cs(i,t) .
(3.9)
iF
De forma anloga, para o processo truncado
[L],(i,t)
(Cs
)s0 da seguinte forma:
f (Cs[L],(i,t) )
[L],(i,t)
f (C0
)
[L],(i,t)
C0
= {i}
L X Z
X
k=0 jZd
[L]
(Xs )s ,
[L],(i,t)
[f ( (j,k) (Cu
[L],(i,t)
)) f (Cu
(3.10)
3.1
F Zd
15
nito,
Cs[L],(F,t) =
Cs[L],(i,t) .
(3.11)
iF
A denio do processo reverso inspirada no artigo de Bertein e Galves (1977), que apresentam uma denio construtiva dos chamados sistemas de partculas aditivos (Harris, 1976), cuja
propriedade principal dada por (3.7), que nada mais do que uma condio de aditividade.
As propriedades dos processos denidos acima so resumidos pela seguinte
Proposio 3.1.1
d
(Galves et al., 2010) Para todo conjunto nito F Z e todo t 0 xados,
(F,t)
[L],(F,t)
d
os processos Cs
e Cs
, s 0, so processos Markovianos de salto em F(Z ) tendo como
geradores innitesimais,
Lf (C) =
XX
(3.12)
jC k1
com condio inicial no tempo
L[L] f (C) =
L
XX
(F,t)
t, C0
= F,
(3.13)
jC k=1
com condio inicial no tempo
[L],(F,t)
t, C0
= F,
respectivamente. Aqui,
f : F(Zd ) R
qualquer
Agora, seja
(F,t)
n 1,
(F,t)
(3.14)
(Cs
(F,t)
(i,t)
(F,t)
Tn(F,t) = inf{s > Tn1 : j C (F,t) , k : N (j,k,t) (]Tn1 , s]) = 1} .
Tn1
A sequncia
(F,t)
(Tn
)n1
(F,t)
(Cs
)s .
Agora, seja
(F,t)
C(F,t)
= C (F,t)
n
Tn
(F,t)
16
SIMULAO PERFEITA
3.1
(F,t)
P(NST OP < +) = 1 ,
mas tambm que o tempo de relaxamento nito.
Esta ltima observao importante porque garante que o procedimento de simulao perfeita
(a ser apresentado na prxima seo) tenha uma propriedade de perda de memria: sob algu-
(Xs (F ))s
Teorema 3.1.2
|t1 t2 |
Xt1 (F )
Xt2 (F )
sejam
Seja
:= 1 sup
iZd k=1
e suponha que
sup
(3.15)
iZd k=1
Ento, para todo
F Zd
s 0,
nito e todo
vale que
E(|Cs(F,t) |) |F |es .
(3.16)
e, por consequncia,
(F,t)
N N
xado. Denimos
(i,t)
Lis = |Cs
(3.17)
LisTN 1 +
k1 jZd
sTN
XXZ
jZd
sTN
XZ
(3.18)
Mj
X
temos que
j (k)[|Bj (k)| 1] j (0) ( inf Mj ) < 0 .
jZd
k1
E(LisTN ) 1 +
Mj
jZd
Z
E
0
sTN
X
j (k)[|Bj (k)| 1] j (0)
k1
Z
1{jC (i,t) } du 1 E
u
sTN
Liu du ,
(3.19)
3.2
17
jZd
Fazendo
E(Lis )
Z
1
E(Liu )du ,
0
o que implica que
E(Lis ) 1
para todo
s 0.
chegarmos a
(F,t)
|Cs
iF
E(Lis ) es
P
(i,t)
|Cs | = iF Lis ,
(3.20)
temos que
E(|Cs(F,t) |) |F |es .
(3.21)
(F,t)
(Xt (F ), F Zd ),
com
restrita ao conjunto
Seja
F.
xado e
Xt (F )
(backward sketch process ) apresentado na seo anterior, com o objetivo de determinar o conjunto de
stios e a sucesso de escolhas que afetam a congurao dos stios em
comea com
C =F
no instante
s = 0.
P
jC
no instante t. O algoritmo
jC
Mj
antes do tempo
t.
com probabilidade
Mj
P
e um alcance
com probabilidade
j (k).
Se
`C
M`
k = 0,
C.
com lei
[0]
pi
Bi (k)
ou quando
C =
tempo para atribuir spins aos stios j visitados). O procedimento est descrito formalmente pelo
Algoritmo 1.
Ento, em um segundo passo, realizamos um procedimento de atribuio de spins (forward spin
assingnment procedure ) para todos os stios envolvidos no Algoritmo 1. Este procedimento est descrito formalmente pelo Algoritmo 2. Primeiramente, todos os stios que no escolheram um alcance
no instante
s = 0. E ento, sucessivamente,
SIMULAO PERFEITA
18
3.2
Bj (k)
[k]
pj (|Bj (k)),
onde os
NST OP
TST OP
I
Zd
D = (D1 , D2 ),
{0, 1, 2, . . .}
onde
D1
D2
um vetor de elementos de
Zd
{0, 1, 2, . . .}
{0, 1, 2, . . .}
{0, 1, 2, . . .}
F(Zd )
uma funo de
Zd
em
A = {1, 1}
A.
Algoritmo 1
Mi0 i0 (k)
P(I = i0 , K = k) = P
.
jC Mj
6:
Se K = 0 Ento
7:
C C \ {I}
8:
Seno
9:
C C BI (K)
10:
Fim Se
11:
D(N ) (I, K)
12: Fim Enquanto
13: NST OP N
14: Devolva NST OP , D .
Para que o Algoritmo 1 seja bem sucedido, ele deve, com probabilidade 1, parar aps um nmero
nito de passos. Isso garantido pelo seguinte
3.2
Algoritmo 2
19
em
[0]
P(W = w) = pI (w) .
Seno
8:
9:
Escolha
aleatoriamente em
[K]
Fim Se
(I) W
V (N ) W
N N 1
Fim Enquanto
Devolva {(i, (i)), i F }
Teorema 3.2.1
1. Os Algoritmos 1 e 2 so bem-sucedidos.
2. A medida
{(i, (i)), i F }
em
AF .
Demonstrao. O item 1 consequncia direta do Teorema 3.1.2, uma vez que NST OP , o nmero
(F,t)
de passos do Algoritmo 1, equivalente a NST OP na denio do processo reverso. Portanto, resta
demonstrar o item 2.
a projeo de
F
em A , para todo conjunto nito de stios
em
(S, S)
Zd .
(Xs )s
e, portanto,
= .
Para isso,
faremos uma modicao nos Algoritmos 1 e 2 para construir Xt para alguma congurao inicial
S.
1. Entrada:
F , t;
Sada:
NST OP , C , D, TST OP
2.
N 0, NST OP 0, C F , TST OP 0
3.
jC
Mj .
T > 0
Atualize
TST OP TST OP + T .
SIMULAO PERFEITA
20
Aqui,
D = (D1 , D2 , D3 ),
3.2
onde:
D1
um vetor de elementos de
Zd
D2
um vetor de elementos de
{0, 1, 2, . . .}
D3
Devolva NST OP , C , D.
de stios no tempo
observe que se
C,
se o conjunto
TST OP < t
ento
obtido ao nal
C = ,
e, neste caso,
TST OP =
no tempo
t.
(F,t)
Ct
Finalmente,
(F,t)
TST OP o tempo de relaxamento
do processo reverso.
Para o Algoritmo 2, substitua o passo 1 por
1. Entrada:
NST OP , C , D;
Sada:
{(i, (i)), i F }
e o passo 3 por
3.
(j) (j)
para todo
j C ; (j)
{(i, (i)), i F }
para todo
j Zd \ C .
(3.22)
((i), i F ) a sada dos Algoritmos 1 e 2 originais. Sob as hipteses do Teorema 3.1.2, temos
que
quando
t ,
t
uma vez que
1{TST OP <t} 1
quase-certamente.
por qualquer condio estacionria inicial, temos a unicidade da probabilidade invariante. Com isso,
demonstramos que
(Xs )s .
(Xs )s
como sua nica probabilidade invariante, mas tambm indica um procedimento de simulao
perfeita da medida
F Zd
et al. (2010).
Observe que o Teorema 3.1.2 e o Teorema 3.2.1 so vlidos tambm para o processo
[L]
(Xs )s
3.2
21
argumentos das demonstraes de ambos, com a diferena de que utilizamos (3.10) na demonstrao
da Teorema 3.1.2 e o passo 5 do Algoritmo 1 original substitudo pelo passo
5. Escolha um stio
IC
K {0, 1, . . . , L}
Mi0 i0 (k)
.
PL
`=0 Mj j (`)
jC
P(I = i0 , K = k) = P
Observe que se
D2 (n) L
para todo
1 n NST OP ,
foi selecio-
[L]
uma amostra de F , a projeo do modelo de Ising
[L]
no conjunto
F.
((X(i), X [L] ), i F )
F
[L] (i) AF tem lei [L] . Esta modicao, que ser chamada de
tal que X(F ) A tem lei F e X
F
(F,t)
[L],(F,t)
Algoritmo 3, constri simultaneamente os processos reversos (Cn
)n e (Cn
)n utilizando os
mesmos processos pontuais de Poisson dados em (3.8) e (3.10).
Para este novo algoritmo, denimos as seguintes variveis adicionais:
[L]
NST OP
I [L]
Zd
K [L]
[L]
[L]
D[L] = (D1 , D2 ),
{0, 1, 2, . . .}
onde
D1[L]
D2[L]
um vetor de elementos de
[L]
uma funo de
Zd
A ,
em
Zd
{0, 1, 2, . . .}
C [L]
conjunto
{0, 1, 2, . . .}
F(Zd )
onde
A.
L.
Se
D = D[L] ,
X(F ) = X [L] (F ). Caso contrrio, usamos o Algoritmo 2 duas vezes, de forma independente uma
[L]
[L] para
da outra, usando a entrada NST OP , D para amostrar X(F ) e usando a entrada NST OP , D
[L] (F ).
amostrar X
Antes de apresentarmos o resultado ligado a este acoplamento, vamos denir os seguintes tempos
de parada com respeito ao processo reverso
(j,t),u
T1
(i,t)
(Cs
(i,t)
j Zd
u > 0,
seja
= inf{Tn(j,t) > u} u
(j,t)
(Tn
)n
TL
)s :
a partir do instante
u.
Finalmente, seja
k>L
(i,t)
selecionado no processo (Cs
)s , ou seja,
n
o
X X
(j,t),u
= inf u > 0 :
N (j,k,t) ([u, u + T1
[) 1 .
(i,t)
jCu
(i,t)
TL
(3.23)
22
SIMULAO PERFEITA
Algoritmo 3
3.2
Ising
[L]
com probabilidade
Mi0 i0 (k)
.
P(I = i0 , K = k) = P
jC Mj
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
Se K = 0 Ento
Seno
Fim Se
C C \ {I}
C C BI (K)
D(N ) (I, K)
Se C [L] 6= Ento
[L]
[L]
NST OP NST OP + 1
Se I C [L] e K {0, 1, . . . , L} Ento
I [L] I , K [L] K
Seno
Escolha um stio
I [L] C [L]
K [L] {0, 1, . . . L}
aleatoria-
Mi i (k)
PL
jC [L]
`=0 Mj j (`)
18:
Se K [L] = 0 Ento
19:
C [L] C [L] \ {I [L] }
20:
Seno
21:
C [L] C [L] BI [L] (K [L] )
22:
Fim Se
23:
D[L] (N ) (I [L] , K [L] )
24:
Fim Se
25:
Fim Se
26: Fim Enquanto
27: NST OP N
[L]
28: Devolva NST OP , NST OP , D , D [L]
3.2
Teorema 3.2.2
23
(Galves et al., 2010) Suponha que as condies do Teorema 3.1.2 esto satisfeitas.
Ento, uniformemente em
F Zd
nito e
t 0,
temos que
1.
(F,t)
(F,t)
NST OP
(F,t)
(Cs
(3.24)
)s .
2.
(i,t)
(i,t)
TST OP )
|F |
(L) ,
(3.25)
onde
(L) := sup (1 e
lB
/ j (L)
|J(j,l)|
).
(3.26)
jZd
L(i,t)
= |C(i,t)
n
n |
a cardinalidade do conjunto
C(i,t)
n
aps
(i,t)
Ln
pode ser
(i)
comparado com um processo de ramicao Wn cujo nmero mdio de descendentes limitado
(i,t)
(i)
por 1 em cada passo e de tal forma que Ln
Wn .
Os detalhes so dados em Galves et al. (2010), prova do Teorema 1, e no sero exibidos aqui.
Portanto,
(i,t)
{i},
em vez do con-
|F |
devido s
k L.
(i,t)
i (k) :=
`k
(i,t)
[L] ,
usamos os mesmos
(i,t)
TST OP ) .
1 i (L) (L).
P(TL
(i,t)
TST OP )
(i,t)
E(P({N (j,k,t) (]Tn1 , Tn(i,t) ]) = 1
n1
(i,t)
(i,t)
(i,t)
n1
jCn1
X
n1
jCn1
n1
Mj (L)
1{N (i,t) >n1}
ST OP
(i,t) Mk
kC
P
(i,t)
(i,t)
= (L)E(NST OP ) .
n1
j B
/ i (k)
|J(i,j)|
SIMULAO PERFEITA
24
3.3
(i,t)
(i,t)
Cn1 , Tn
um salto de
N (j,k,t)
com
probabilidade
M (k)
P j j
.
(i,t) Mk
kC
n1
k > L,
temos o termo
Mj (1 j (L))
P
.
(i,t) Mk
kC
n1
(i,t)
E(NST OP ) 1/ ;
logo,
1
(L) .
iF
|F |
(L) ,
3.3 A distncia d
Dadas duas medidas de probabilidades
uma medida de probabilidade em
Denotaremos por
A distncia
M(, )
d entre
S S
que tem
em um conjunto
S,
um acoplamento entre
em
S=
d
AZ denida da seguinte
forma:
1 , 2 ) :=
d(
onde
X`
inf
QM(1 ,2 )
sup Q(X1 (i) 6= X2 (i)) ,
(3.27)
iZd
` = 1, 2.
indica
distncia d
para
2 ,
[L] ,
apresentamos o seguinte
Teorema 3.3.1
P
/ i (L) |J(i,j)|
[L] ) 1 sup (1 e j B
d(,
).
iZd
(3.28)
Demonstrao. O resultado consequncia imediata do item 2 do Teorema 3.2.2, uma vez que o
limite superior em (3.25) tambm um limite superior para (3.27).
Captulo 4
Acoplamento e consequncias da
simulao perfeita
Na primeira seo deste captulo, denimos um acoplamento das dinmicas estocsticas (Xs )s e
[L]
(Xs ) que ser a base para a demonstrao do Teorema 5.2.1. Alm disso, na Seo 4.2, discutiremos
sobre a existncia de um acoplamento entre a probabilidade de alcance innito e sua verso cujas
interaes esto restritas a um conjunto nito de
(Xs )
em um
(Xs )s em um
d
Z nito. Usaremos uma verso
[0, t].
quando
K = 0.
s = t, um stio no desaparece
s = 0.
Chamaremos
S.
D do Algoritmo 4 e V
(Xs (F ), 0 s t)
da seguinte maneira.
1. Dena
X0 (F ) = (F ).
2. Se
V = ,
ento
3. Se
V 6= ,
Xs (F ) = (F )
para todo
s [0, t].
Sn = TST OP D3 (NST OP n + 1) ,
e
SNST OP +1 = t.
Denimos
Para
Xs (F ) = (F )
1 n NST OP ,
para todo
para
s [0, S1 [.
Sn s < Sn+1 ,
25
1 n NST OP ,
26
Algoritmo 4
4.1
jC Mj .
Atualize
TST OP TST OP + T .
5:
6:
N N +1
Escolha um stio
IC
K {0, 1, 2, . . .}
Mi0 i0 (k)
P(I = i0 , K = k) = P
.
jC Mj
7:
C C BI (K)
8:
D(N ) (I, K, TST OP )
9: Fim Enquanto
10: NST OP N
11: Devolva NST OP , C , D , TST OP .
para todo
para
iF
tal que
Proposio 4.1.1
Se
sup
(4.1)
iZd k1
ento o Algoritmo 4 para, quase certamente, aps um nmero nito de passos, ou seja,
P(NST OP < ) = 1 .
Demonstrao. Seja
(i,t)
(Cs
)s0
{i}
i = |Cs(i,t) |.
L
s
Dena, para
N N
i N } .
TN = inf{s : L
s
De forma anloga demonstrao do Teorema 3.1.2, temos que
isT ) 1 + m
E(L
N
sTN
iu du ,
L
onde
m := sup
iZd k0
xado,
4.1
Algoritmo 5
27
a distribuio
[0]
P(W = w) = pI (w) .
Seno
8:
9:
Escolha
aleatoriamente em
[K]
Fim Se
(I) W
V (N ) W
N N 1
Fim Enquanto
Devolva V
Fazendo
N ,
temos que
i ) 1 + m
E(L
s
i du ,
L
u
0
e, pelo Lema de Gronwall, nalmente chegamos a
i ) ems .
E(L
s
Isso implica que o nmero de stios que temos que determinar para saber o valor do spin do stio
no instante
(F,t)
Cs
pleta a demonstrao.
Observe que a condio (4.1) mais fraca que a condio (3.15), o que implica que podemos
aplicar a Proposio 4.1.1 em nosso contexto. Alm disso, o mesmo argumento pode ser utilizado
para construir o processo
(Xs (F ))s
(C)
(Xs (F ))s
[s1 , s2 ],
onde
s1 < s 2 .
[0, t]
em
com probabilidade
Captulo 3.
Para simularmos a evoluo
[L]
(Xs (F ), 0 s t)
IC
K {0, 1, . . . L}
Mi0 i0 (k)
.
PL
jC
k=0 Mj j (k)
P(I = i0 , K = k) = P
aplicamos o
28
Sejam
4.2
s (i))s0 e (X
s[L] (i))s0 as projees no stio i dos processos
i Zd e t > 0 xados. Sejam (X
X XX
Gf () =
iZd
e
G [L] f () =
[k]
(4.2)
aA k0
L
X XX
iZd
[k]
(4.3)
N (j,k,t) .
Construiremos estes
aA k=0
0 (i), X
[L] (i))
(X
0
do algoritmo de simulao perfeita apresentado no Captulo 3. Esta construo ser feita da seguinte
forma:
1. Primeiramente, construmos o processo reverso para a evoluo
2. Se
D2 (n) L
para todo
s (i))0st .
(X
1 n NST OP :
C,
onde
C Zd
a sada do Algoritmo
[L]
4, para obtermos um acoplamento de C e C e denimos os valores de
para
s=0
Utilizamos a sada
D2 (n) > L
s[L] (i)
X
s (i)
X
para algum
[L]
s (i))0st
(X
s (i))0st .
(X
n:
[L]
s (i))0st
(X
(j,k,t) .
de Poisson N
Seja
C [L] Zd
C [L] C
C [L]
e denimos os valores de
s (i)
X
s[L] (i)
X
para
s=0
a partir deste
acoplamento.
V [L]
do Algoritmo 4 para
[L]
s (i))0st
(X
s (i))0st .
(X
d,
respectivas verses com interaes de alcance truncado. Nesta seo, estenderemos a aplicao para
comparar uma medida de interao innita com sua verso cujas interaes existem apenas entre
stios pertencentes a um conjunto nito.
Sejam
i Zd
t>0
xados. Considere
(i,t)
(Cs
(i,t)
de Xt (i), TST OP seu tempo de relaxamento e
4.2
Zd
(i,t)
Cs esteja dentro desta caixa para todo
uma caixa
Bi (kL),
onde
k = k(L)
29
(i,t)
para algum
k(L)
quando
(i,t)
s [0, TST OP ]) = 0 .
(4.4)
A seguir, vamos denir um acoplamento entre a dinmica estocstica de Ising e uma outra
dinmica na qual h interaes apenas entre os stios de
satisfeita. Para um inteiro positivo
[L],(i)
(Ys
,s
0)
1
L
[L],(i)
(4.4)
esteja
[L],(i)
com interao J
denida da seguinte forma:
J(j, `),
J [L],(i) (j, `) =
0,
Seja
Bi (kL)
se
j Bi (L)
` Bi (L)
(4.5)
caso contrrio.
J [L],(i) .
Fixado
ABi (L)
(Bi (L))
,
observe
que
para todo
l 6= j})
1
n
o
X
1 + exp 2a
J(j, l)(l)
(4.6)
lBi (L)
para todo
aA
AZ
= (Bi (L))
.
(Bi (L))
.
Bi (L)
tal que
Esta escolha de
Teorema 4.2.1
lha. Ento, para todo k 1, existe um acoplamento das dinmicas (Xs (i))s , com interao
[kL],(i)
(Ys
(i))s , com interao J [L],(i) , tal que, uniformemente em t 0, temos que
[kL],(i)
P(Yt
onde
(L)
+ (1 )k ,
(i) 6= Xt (i)) k 2 (L)
J,
(4.7)
c 6=
P(Cs(i,t) (Bi (k L))
k
X
P pelo
m=1
k
X
m=1
para algum
menos um dos
(i,t)
m sup P(K1
iZd
(i,t)
s [0, TST OP ])
+ (1 )k =
> L)
N (i,t) = m + P(N (i,t) > k)
L;
ST OP
ST OP
P
k2 + k
j B
|J(i,j)|
/ i (L)
sup (1 e
) + (1 )k
2 iZd
+ (1 )k ,
k 2 (L)
onde a segunda desigualdade segue diretamente do item 1 do Teorema 3.2.2.
(4.8)
30
4.2
A construo do acoplamento equivalente ao que foi feito na Seo 4.1, com a diferena de que
caso o processo reverso associado a
construmos os dois processos reversos de forma independente, bem como os respectivos processos
de atribuio de spins. Logo, uma quota superior para a probabilidade de discrepncia entre as duas
conguraes no instante
Este teorema relevante por se tratar de uma correo de volume nito , uma vez que demonstra que, ao observarmos uma realizao de uma medida de alcance innito em um conjunto
de stios com cardinalidade sucientemente grande, o erro de aproximao em relao sua verso
de alcance nito pequeno.
O seguinte corolrio resume qual o raio da caixa que devemos escolher para obtermos uma
boa aproximao entre as medidas.
Corolrio 4.2.2
k(L)
2 (L)
= 0,
lim k(L)
tal que
(4.9)
L
temos que (4.4) est satisfeita.
Demonstrao. Escolhendo
a demonstrao.
Agora, seja
[kL]
Corolrio 4.2.3
[kL]
em termos da
[kL]
+ (1 )k .
d(,
) k 2 (L)
(4.10)
Captulo 5
-lgebras A
B,
denimos o coeciente
(A, B) =
-mixing
|P(A B) P(A)P(B)| .
sup
AA,BB
Seja
W1 , W2 , . . .
isto ,
||Y ||
c>0
Y.
(Wk )k1
fortemente
tal que
quando
n ,
(5.1)
k1
onde
Mk
-lgebra
gerada por
(Wl , l k)
Gk
-lgebra
gerada por
(Wl , l k).
A seguir, vamos enunciar o Teorema 1 de Merlevde, Peligrad e Rio (2009), que ser fundamental
para a demonstrao do Teorema de Aproximao Emprica.
31
32
Teorema 5.1.1
(Wk )k1
5.2
aleatrias de mdia zero e fortemente misturadoras no sentido de (5.1). Suponha tambm que exista
M >0
supk1 ||Wk || M .
tal que
n4
x 0,
temos
que
n1
n
X
P
Wk x exp
k=0
onde
C>0
o
Cx2
nM 2 + M x(ln n)(ln ln n)
(5.2)
c.
(L) :=
1
(L).
(5.3)
Teorema 5.2.1
sup
|Bi (k)|
iZd k=1
Ento, existe
cionrios
|J(i, j)| < .
(5.4)
j:||ij||=k
s, X
s[L] ) dos processos estac > 0 tal que, para todo < c , existe um acoplamento (X
(Xs )s
[L]
(Xs )s
t max{4 1 , 2 1 (L)}
2(L)
t1 ,
temos que
sup P
iZd
1 Z
t
ds 2 (L) + y
(i)}
(
exp
onde
C1 > 0
C2 > 0
(L) 2
)
C1 t y 2t1
= 1 sup
k 0,
dena
Si>k =
y.
iZd k=1
seja satisfeita. Para todo
X
j B
/ i (k)
|J(i, j)| .
(5.5)
< c , a condio
5.2
Para cada
i Zd ,
33
temos que
k=1
>k
|Bi (k)|(eSi
>k1
eSi
k=2
Si>1
= 2de
>0
(1 eSi e
jBi (1)
|J(i,j)|
>k
|Bi (k)|eSi (1 e
j:||ij||=k
|J(i,j)|
k=2
>0
>1
|J(i,j)|
jBi (1)
2deSi (1 eSi e
X
X
|Bi (k)|
+ sup
iZd
k=2
|J(i, j)| .
j:||ij||=k
Sob a condio do teorema, esta ltima expresso nita. Portanto, a condio (3.15) pode ser lida
como
>1
>0
jBi (1)
|J(i,j)|
))
iZd
+ sup
X
iZd
Finalmente, seja
k=2
|J(i, j)| < 1 .
|Bi (k)|
j:||ij||=k
a soluo de
>1
>0
jBi (1)
|J(i,j)|
))
iZd
+ sup
X
iZd
k=2
|J(i, j)| = 1 .
|Bi (k)|
j:||ij||=k
Isso conclui a primeira parte do teorema e permite a utilizao dos resultados apresentados anteriormente.
Agora, queremos uma quota inferior para a probabilidade
1 Z
P
para algum
ds 2 (L) + y
(i)}
(5.6)
0 < < t. Dena tambm n = n(t) = dt/e (para todo nmero real x, denimos dxe como
k , k = 0, 1, . . . , n)
menor nmero inteiro maior ou igual a x) e uma sequncia de tempos (t
Seja
sendo o
tal que
y>0
t0 = 0
tk+1 tk =
para todo
k = 0, 1, . . . , n 1.
tambm
s (i)}
, s 0.
(5.7)
Observe que
1
t
Z
0
Ys[L],(i) ds
n1 Z tk+1
1X
t
k=0
tk
Ys[L],(i) ds ,
(5.8)
34
tn = n t
5.2
[L],(i)
Vk = Vk
tk+1
:=
tk
Ys[L],(i) ds, k = 0, 1, . . . , n 1.
1 Z
P
ds 2 (L) + y P
(i)}
=P
n1
XZ
tk+1
k=0 tk
n1
X
Ys[L],(i) ds t(2 (L) + y)
Vk t(2 (L) + y) .
(5.9)
k=0
Para cada
k,
(i,tk+1 )
Ak = {TL
(i,tk+1 )
[L] (i) 6= X
(i)} .
< TST OP
} ; Bk = {X
tk
t
k
Z
Vk =
tk+1
tk
Z tk+1
+
tk
tk+1
tk
Ys[L],(i) 1Ak
tk+1
Z
1Bkc ds +
tk
Ys[L],(i) 1Bk ds
Ys[L],(i) 1Ak
tk+1
ds +
tk
Ys[L],(i) 1Bk ds
(1Ak + 1Bk ) ,
uma vez que, sob o evento
Ack Bkc ,
(5.10)
temos que
[L],(i)
Ys
=0
para todo
s [tk , tk+1 ].
[L],(i)
Zk = Zk
:= 1Ak + 1Bk , k = 0, 1, . . . , n 1.
Observe que, por construo, esta sequncia formada por variveis identicamente distribudas.
Com isso, temos que
n1
n1
n1
X
X
X
t
P
Vk t(2 (L) + y) P
Zk (2 (L) + y) P
Zk (n 1)(2 (L) + y) ,
k=0
k=0
k=0
(5.11)
uma vez que
ltm
t
t
=n
n<
+ 1.
Assumindo que
2 (L)
2 (L)
t 1
n1
(5.12)
(5.13)
5.2
n1
X
E(Zk ) 2 (L)
k,
para todo
35
temos que
n1
X
Zk (n 1)(2 (L) + y) = P
(Zk 2 (L)) (n 1)y 2 (L)
k=0
k=0
n1
X
P
(Zk E(Zk )) (n 1)y 2 (L)
k=0
n1
X
Zk (n 1)y 2 (L)
P
(5.14)
k=0
onde, por simplicao, escrevemos
Zk := Zk E(Z0 ), k = 0, 1, . . . , n 1 .
Agora, vamos mostrar que a sequncia
a mostrar que a sequncia original
sequncia
(Zk )k
(Zk )k
(Zk )k
a, b
m 1
no conjunto
{0, 1, 2},
(i,t
m+1
T (m) = TST OP
temos que
Zm
(5.15)
(5.16)
Como
lim
sup
m (a,b){0,1,2}2
temos que a sequncia
(Zk )k
(m; a, b) = 0,
fortemente misturadora.
> 1 ln 2
para que
(m; a, b) exp{cm}
para todo
m 1,
onde
c = ln 2 > 0.
n
t
4 t 4
(5.17)
M =2
(5.18)
36
t 2 1 (L).
Finalmente, denimos
= 1
x=y
5.2
2 (L)
.
n1
n
n1
X
Zk (n 1)y 2 (L) exp
P
o
C[(n 1)y 2 (L)]2
n4 + 2[(n 1)y 2 (L)](ln n)(ln ln n)
o
C(n 1)x2
k=0
= exp
n
(
exp
4n
n1
+ 2x(ln n)(ln ln n)
)
C1 nx2
C2 + 2x(ln n)(ln ln n)
)
C1 tx2
exp
C2 + 2x(ln(1 + t))(ln ln(1 + t))
(L) 2
(
)
C1 t y 2t1
= exp
,
(5.19)
1 Z
P
ds 2 (L)+y
(i)}
(
exp
(L) 2
)
C1 t y 2t1
Corolrio 5.2.2
1 Z
P
Zd .
Seja
F Zd
ds
2|F
|(
(L)
+
y)
(F )}
(
|F | exp
2
)
C1 t y 2(L)
t1
.
C2 + 2 y 2(L)
(ln(1
+
t))(ln
ln(1
+
t))
t
(5.20)
5.2
37
1
t
ds
(F )}
X1Z
iF
s (i)}
ds .
1 Z t
P
1{X [L] (F )6=X (F )} ds 2|F |( (L) + y)
s
s
t 0
X 1 Z t
P
1{X [L] (i)6=X (i)} ds 2( (L) + y)
s
s
t 0
iF
1 Z t
|F | sup P
1{X [L] (i)6=X (i)} ds 2( (L) + y) .
s
s
t 0
iZd
t > 0.
F,
(F )
a saber,
(Xs )0st
(Xs (F ))0st .
F Zd
1{Xs (F )=(F )} ds .
[L]
(5.21)
[L]
[L]
pt ((F ))
Agora, seja
1
:=
t
Z
0
(5.22)
s (F ), X
s[L] (F ))0st as projees em F
(X
construdo como na Seo 4.1 e que satisfaz as hipteses do Teorema de Aproximao Emprica. O
seguinte corolrio uma aplicao direta deste teorema.
Corolrio 5.2.3
Sejam
pt
[L]
pt
[L]
s (F ), X
s (F ))0st .
(X
sup
(F )AF
[L]
P pt ((F )) pt ((F )) 2|F |( (L) + y)
(
|F | exp
2
)
C1 t y 2(L)
t1
.
(ln(1 + t))(ln ln(1 + t))
C2 + 2 y 2(L)
t
(5.23)
Z
1 Z t
1 t
[L]
1{X [L] (F )=(F )} ds
1 [L]
ds .
pt ((F )) pt ((F ))
1
s
t 0 {Xs (F )=(F )}
t 0 {X s (F )6=X s (F )}
38
5.2
Captulo 6
Discusso nal
Nesta Tese, discutimos alguns resultados relacionados a sistemas de spins de longo alcance, em
especial, aqueles que tem o modelo de Ising como suas respectivas probabilidades invariantes. Na
mesma linha de Galves et al. (2010), utilizando a construo do processo reverso e os algoritmos de
simulao perfeita, apresentamos uma quota superior para a distncia
d entre
o modelo de Ising de
d
alcance innito e sua verso restrita a uma caixa nita de Z . Alm disso, apresentamos um resultado original sobre o comportamento da proporo do tempo em que dois processos estacionrios
acoplados (tendo
e [L]
so baseados nas medidas de Gibbs, das quais o modelo de Ising um caso particular.
Como foi visto ao longo desta Tese, a possibilidade de decompor a taxa de um sistema de
spins em uma combinao linear convexa de taxas de alcance nito tem um papel fundamental
na construo dos algoritmos de simulao perfeita das medidas de probabilidades originais e do
acoplamento entre as dinmicas estocsticas.
A condio (5.4) garante a existncia de um
< c ,
os procedimentos
de simulao perfeita e acoplamento enunciados ao longo desta Tese so bem sucedidos (e, em
particular, garante a unicidade da probabilidade invariante associada medida de Gibbs). Em outras
palavras, os resultados apresentados so vlidos em condies de alta temperatura : em termos de
Mecnica Estatstica, a constante
temperatura
do sistema que est sendo estudado. Logo, a condio (5.4) pode ser vista como
d = 1
39
(6.1)
DISCUSSO FINAL
40
sup
C>0
> 1.
Ento, a hiptese
(5.4)
iZ k=1
se resume a
X
2C(2k + 1)
k=1
> 2
< .
(6.2)
C,
onde
uma funo de
C.
Neste
C,
kJ(k) < ,
no h transio
(6.3)
k=1
o que verdade para todo
> 2. Sendo assim, nossa condio (5.4) mais restritiva que a condio
d 2,
a condio (5.4) torna-se cada vez mais restritiva medida que a dimenso do
i (k)
para
k1
|Bi (k)|
proporcional a
kd
e, portanto, as probabilidades
sup
(6.4)
iZd k1
Como uma sugesto para pesquisas futuras, recomenda-se investigar a possibilidade de se replicar
nossos resultados em condies menos restritivas. Em outras palavras, uma pergunta importante
a ser respondida a seguinte: Existe um
> c
< ,
ainda possvel
obter resultados como aqueles foram apresentados nesta Tese? Esta no uma pergunta fcil de ser
respondida, uma vez que (5.4) implica (6.4), que uma hiptese fundamental para que os algoritmos
de simulao perfeita e de acoplamento sejam bem sucedidos.
Uma segunda sugesto para pesquisa est relacionada com a quota superior apresentada no
Teorema de Aproximao Emprica, cuja demonstrao passou pela construo de uma sequncia
-mixing
(ou seja, fortemente misturadora). Comets et al. (2002), ao estudarem cadeias de ordem
innita, apresentaram um esquema de simulao perfeita no qual a condio de mistura era do tipo
-mixing,
|P(B | A) P(B)| ,
o que mais forte do que controlar o termo
|P(A B) P(A)P(B)| ,
que aparece na denio de sequncias fortemente misturadoras. Uma pergunta natural, portanto,
a seguinte: possvel construir uma sequncia
-mixing
Emprica? Esta uma das perguntas mais interessantes que podem ser feitas sobre os processos
apresentados ao longo desta Tese.
Referncias Bibliogrcas
[BG77] F. Bertein e A. Galves. Une classe de systmes de particules stable par association. Z.
Measures and Coupling with Their Finite Range Approximations. J. Stat. Phys., 138:476
495, 2010.
[Har76] T.E. Harris. On a class of set-valued Markov processes. Ann. Prob., 4:175194, 1976.
[Lig85] T.M. Liggett. Interacting Particle Systems. Springer-Verlag, New York, 1985.
[MPR09] F. Merlevde, M. Peligrad e E. Rio. Bernstein inequality and moderate deviations under
strong mixing conditions. High Dimensional Probability V: The Luminy Volume, 5:273
292, 2009.
[PW96] J. Propp e D. Wilson. Exact sampling with coupled Markov chains and applications to
statistical mechanics. Random Structures and Algorithms, 9:232252, 1996.
[Sim93] B. Simon. The Statistical Mechanics of Lattice Gases, Vol. I. Princeton University Press,
1993.
[Spi69] F. Spitzer. Random processes dened through the interaction of an innite particle system,
volume 89 of Lecture Notes in Mathematics. Springer, 1969.
[Spi70] F. Spitzer. Interaction of Markov processes. Adv. Math., 5:246290, 1970.
41