Simulao perfeita e aproximaes

de alcance nito em sistemas de spins

com interaes de longo alcance
Estfano Alves de Souza

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

Durante o desenvolvimento deste trabalho o autor recebeu auxlio nanceiro do CNPq

So Paulo, maio de 2013

Simulao perfeita e aproximaes

de alcance nito em sistemas de spins
com interaes de longo alcance

Esta verso da Tese contm as correes e alteraes sugeridas

pela Comisso Julgadora durante a defesa da verso original do trabalho,
realizada em 26/03/2013. Uma cpia da verso original est disponvel
no Instituto de Matemtica e Estatstica da Universidade de So Paulo.

Comisso Julgadora:

Prof. Antonio Galves (orientador)  IME-USP

Prof. Dr. Eduardo Jordo Neves  IME-USP

Prof. Dr. Pierre Collet  CNRS - Frana

Prof. Dr. Roberto Imbuzeiro Moraes Felinto de Oliveira  IMPA

Prof. Dr. Domingos Humberto Urbano Marchetti  IF-USP

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.

Estatstica, Universidade de So Paulo, So Paulo, 2013.

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

Zd o espao de stios. Apresentamos dois resultados

originais que so consequncias da aplicao de algoritmos de simulao perfeita e de acoplamento

no contexto da construo deste tipo de sistemas e de suas respectivas probabilidades invariantes.

Palavras-chave:

Modelo de Ising, Sistemas Markovianos de Partculas, Simulao Perfeita, Aco-

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.

Universidade de So Paulo, So Paulo, 2013.

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.

Keywords: Ising Model, Interacting Particle Systems, Perfect Simulation, Coupling.

vi

Sumrio
1 Introduo

1.1

Sistemas com interaes de longo alcance

. . . . . . . . . . . . . . . . . . . . . . . .

1.2

Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Organizao da Tese

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 O modelo de Ising e sua dinmica estocstica

2.1

Denies preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2

Dinmicas estocsticas de Ising

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3

Decomposio de Kalikow

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Simulao Perfeita

13

3.1

Processo Reverso e perda de memria

. . . . . . . . . . . . . . . . . . . . . . . . . .

13

3.2

Algoritmo de simulao perfeita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

3.3

A distncia

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Acoplamento e consequncias da simulao perfeita

4.1

Acoplamento das dinmicas estocsticas

4.2

Correes em volume nito

24

25

. . . . . . . . . . . . . . . . . . . . . . . . .

25

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

5 Aproximao das dinmicas estocsticas via mdias empricas

5.1

Sequncias fortemente misturadoras (strongly mixing )

5.2

O Teorema de Aproximao Emprica

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.

1.1 Sistemas com interaes de longo alcance

Nesta Tese, nosso objeto de estudo so os chamados sistemas de spins com interaes de longo
alcance, que nada mais so do que sistemas Markovianos de partculas com innitas componentes,
ou seja, processos que assumem valores em uma congurao denida em um conjunto innito
enumervel

na qual cada componente (ou seja, cada ponto de

em um conjunto (a priori ) binrio

d1

A = {1, 1};

A.

Tipicamente, dene-se

portanto, dizemos que cada ponto de

S =

S)

assume um valor denido

Zd para algum inteiro positivo

recebe um spin. Tais processos so

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

cuja lei caracterizada por interao entre stios, ou seja, uma

indexada por subconjuntos nitos de stios

indica a existncia de interao entre os stios de

R.

R S

de tal forma que

A este tipo de medidas d-se o nome

de medidas de Gibbs (do Ingls, Gibbs measures ).

Um caso particular de medida de Gibbs o modelo de Ising com interaes de alcance innito,
ou seja, a interao

denida para pares de stios

(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)

um par de stios interagentes se e somente se

stios interagentes relativo interao

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,

J(i, j) = 0 se pelo menos um dos stios no pertence a F ), tanto do ponto

de vista da medida de probabilidade em si quanto do ponto de vista temporal, ou seja, estimando

essa probabilidade de discrepncia ao longo do tempo e em uma condio de equilbrio (regime
estacionrio). O primeiro ponto de vista j foi parcialmente abordado por Galves, Lcherbach e
Orlandi (2010), que obtiveram uma quota superior para a distncia
sua verso truncada no alcance

(ou seja,

J(i, j) = 0

se

d entre

||i j|| > L),

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:

O primeiro deles, o Teorema 4.2.1 (Teorema de Correo em Volume Finito ), consiste em

uma quota superior para a distncia
restrita a um subconjunto nito de

d entre o modelo de Ising de alcance innito e sua verso

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

so dois sistemas de spins em tempo contnuo, assumindo

ORGANIZAO DA TESE

1.3

valores em

AS

e tais que suas probabilidades reversveis correspondem ao modelo de Ising em

e sua verso truncada no alcance

L,

respectivamente.

Ambos os resultados so demonstrados sob condies de alta temperatura, de forma que h

ausncia de transio de fase, ou seja, a escolha da interao

leva a uma nica probabilidade

invariante para o sistema de spins.

1.3 Organizao da Tese

Esta Tese est organizada da seguinte forma:

No Captulo 2, denimos o modelo de Ising e sua respectiva dinmica estocstica.

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.

O acoplamento entre as dinmicas estocsticas ao longo de um intervalo de tempo nito, alm

da demonstrao do Teorema 4.2.1, so os tpicos apresentados no Captulo 4.

O Captulo 5 dedicado demonstrao do Teorema 5.2.1, utilizando o conceito de sequncias

fortemente misturadoras.

Finalmente, no Captulo 6 fazemos alguns comentrios nais.

INTRODUO

1.3

Captulo 2

O modelo de Ising e sua dinmica

estocstica
Zd

Neste captulo, denimos o modelo de Ising em

e sua verso de alcance nito (ou, simples-

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.

2.1 Denies preliminares

Nesta seo, vamos introduzir algumas notaes fundamentais. Sejam

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

i = (i1 , . . . , id ) Zd . Toda congurao em S

ser representada por letras gregas:

, ,

...,

por exemplo.
Um ponto

i Zd

ser denominado stio e, para todo stio

representar o valor (spin ) da congurao

V Zd , (V ) AV

no stio

representar a restrio de

denotamos sua cardinalidade por

Finalmente, para todo

i.

i,

a notao

i Zd

e todo

para o conjunto de stios em

V.

Se

nito,

|V |.

Zd e todo nmero inteiro

S,

ser usada para

Por extenso, para qualquer subconjunto

L 1,

denimos

Bi (L) = {j Zd : ||j i|| L}

e para todo

(i)

denimos a congurao modicada

(j) ,
i (j) =
(i) ,

se

j 6= i

se

j = i.

(2.1)

i S :

O MODELO DE ISING E SUA DINMICA ESTOCSTICA

2.2

A denio formal de interao vem a seguir.

Denio 2.1.1

J = {J(i, j), (i, j) Zd Zd }

Uma interao uma coleo

indexados por pares

(i, j)

1.

J(i, i) = 0

2.

J(i, j) = J(j, i)

para todo

Zd

de nmeros reais

Zd que satisfaz as seguintes condies:

i Zd ;

para todo

i 6= j

(grafo no orientado);

3. Condio de soma uniforme:

 := sup

|J(i, j)| < .

(2.2)

iZd jZd

Finalmente, apresentamos o modelo de Ising com respeito interao

Denio 2.1.2
interao

Uma medida de probabilidade

J = {J(i, j), (i, j)

em

Zd Zd } se para todo

uma verso da probabilidade condicional

chamada de modelo de Ising com respeito

i Zd ,

para todo

({ : (i) = a | (j) = (j)

({ : (i) = a | (j) = (j)

e sua verso truncada:

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

o modelo de Ising com respeito

Zd , para todo

a A,

: (i) = a | (j) = (j)

[L] ({ : (i) = a | (j) = (j)

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)

jZd : jBi (L)

2.2 Dinmicas estocsticas de Ising

Denimos agora uma dinmica estocstica que tem

como medida reversvel (tal dinmica

tambm conhecida como dinmica de Glauber ): trata-se de um sistema Markoviano de partculas

interagentes

(Xt (i), i Zd , t R) que assume valores em S

congurao (spin ) no stio

e denido pela taxa ci () com a qual a

d
Z troca de sinal quando a congurao do sistema igual a S :



X
ci () = exp
J(i, j)(i)(j) ,
jZd

(2.5)

DINMICAS ESTOCSTICAS DE ISING

2.2

onde

>0

cilndricas

uma constante. O gerador innitesimal

f :SR

do processo

(Xt )t

denido nas funes

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

alm disso, temos que

sup

sup |ci () ci ( j )| < .

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

processo tem o modelo de Ising

(Xt )t .

Alm disso, por construo, este

correspondente interao J (i, j)

:= J(i, j)

como medida

reversvel: de fato, como

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

[`] como medida reversvel: seja

(Xt )t

reversvel com respeito a

xado, denimos uma nova dinmica estocstica de Ising tendo

[`]

(Xt )tR

um processo de Markov assumindo valores em

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

[`]

uma medida reversvel do processo

[`]

(Xt )t .

reversvel com respeito ao modelo de Ising

[`]

de interao

`.

Demonstrao. Por construo, temos que

[`]

ci ()
[`]

ci ( i )

[`] ({ : (i) = (i) | (j) = (j) para todo j 6= i})

.
[`] ({ : (i) = (i) | (j) = (j) para todo j 6= i})

Portanto, pela Proposio 2.7 do Captulo IV de Liggett (1985), temos que

[`]
respeito a .

[`]

(Xt )t

reversvel com

O MODELO DE ISING E SUA DINMICA ESTOCSTICA

Observe que o termo extra

taxas

ci .

[`]

ri

2.3

aparece na denio das taxas

[`]

ci

em comparao denio das

Este termo importante do ponto de vista da construo simultnea (ou, simplesmente,

um acoplamento ) dos processos

Xt

[`]

Xt

, mas no muda a evoluo do processo de Markov original

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.

2.3 Decomposio de Kalikow

Tal acoplamento baseado em uma decomposio das taxas de transio

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.

denimos as probabilidades de transio

1 PjB (k1) J(i,j)(i)(j)

i
e
Mi
e

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)|)

1 e j:||ij||=1 J(i,j)(i)(j) e j:||ij||=1 |J(i,j)|

P
P
.
=
/ i (1) |J(i,j)|
Mi 1 e2 j:||ij||=1 |J(i,j)| e j B

Para termos uma medida de probabilidade em

A,

[k]

denimos para todo

k 1,

[k]

pi ((i)|) = 1 pi ((i)|) .
Finalmente, para

k = 0,

denimos

[0]

[0]

pi (1) = pi (1) =

1
.
2

Observe que esta ltima probabilidade no depende do stio

i.

Alm disso, note que, por constru-

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

Por este motivo

deste ponto em

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

dene uma distribuio de probabilidade no conjunto

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

Demonstrao. O item 1 segue diretamente da denio e de (2.2).

Para provar o item 2, dena

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]

()

so positivas. Por denio, como

[k1]

ci () ci

[k]

() = Mi i (k)pi ((i)|(Bi (k))) .

obtemos a decomposio do item 2.

Finalmente, para demonstrar o item 3, observe que a condio de soma uniforme (2.2) implica
que

[k]

lim ci () = ci () ,

k
uma vez que

(2.12)

[k]

ri 1 para k . Portanto, levando o item 2 em considerao, chegamos decom

posio desejada.

Com o intuito de apresentar os algoritmos de simulao perfeita e o acoplamento das dinmicas

estocsticas, torna-se conveniente reescrever o gerador innitesimal (2.6) da seguinte forma:

Gf () =

XX
iZd aA

ci (a|)[f ( i,a ) f ()] ,

(2.13)

O MODELO DE ISING E SUA DINMICA ESTOCSTICA

10

onde

i,a S

2.3

a congurao modicada

i,a (j) = (j)

e

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

[`]

ci (a|)[f ( i,a ) f ()] .

(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

(Galves et al., 2010)

Gf () =

X XX
iZd

e para todo

[k]

Mi i (k)pi (a|(Bi (k)))[f ( i,a ) f ()]

(2.17)

aA k0

` 1,
G [`] f () =

`
X XX
iZd

[k]

Mi i (k)pi (a|(Bi (k)))[f ( i,a ) f ()] ,

(2.18)

aA k=0

onde, por convenincia, denimos

[k]

[0]

pi (a|(Bi (k))) = pi (a)

para

k = 0.

Demonstrao. Segue imediatamente do Teorema 2.3.1 e da forma como os geradores innitesimais

so reescritos.

Deste ponto em diante, xaremos

` = L. A decomposio apresentada no Corolrio 2.3.2 sugere

a seguinte construo das dinmicas estocsticas de Ising que tm

G [L]

como geradores inni-

tesimais.
Para cada

i Zd ,

dena um processo pontual de Poisson

cias tem distribuio exponencial de taxa

Mi .

Ni

cujos intervalos entre ocorrn-

Todos os processos de Poisson associados a stios

diferentes so independentes. Se, no tempo t, o relgio de Poisson associado ao stio

mos um alcance

com probabilidade

i (k)

i toca, escolhe-

independentemente de tudo que acontece no sistema.

Ento, atualizamos o valor da congurao neste stio escolhendo um smbolo

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

(Un (i), n N, i Zd ) para gerar os spins

[k]
de transio pi (|(Bi (k))). Isso ser feito no Captulo 4.

de acordo com as probabilidades

12

O MODELO DE ISING E SUA DINMICA ESTOCSTICA

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 .

A simulao perfeita (Perfect Simulation ou Exact Sampling, em Ingls) consiste em um conjunto

de algoritmos que tem, como objetivo, simular uma realizao de uma medida de probabilidade
desconhecida ou, no caso desta Tese, que funo de uma congurao denida em um espao
innito enumervel e, portanto, impossvel de ser simulada de forma direta levando-se em conta o
fato de que impossvel observarmos uma congurao de cardinalidade innita.
Propp e Wilson (1996) foram os primeiros a apresentarem um algoritmo de simulao perfeita:
o objetivo era obter uma amostra da probabilidade invariante de uma cadeia de Markov irredutvel
e com espao de estados nito. Todavia, como veremos nesta seo, as mesmas ideias podem ser
aproveitadas para amostrarmos uma realizao de

restrita a subconjuntos nitos de

Zd .

3.1 Processo Reverso e perda de memria

Para cada stio

i Zd

t0

d
conjunto de subconjuntos nitos de Z (que denotaremos por
o conjunto de stios no tempo

ts

(i,t)

)s0 assumindo valores no

(i,t)
d
F(Z )) e de tal forma que Cs ser

xados, deniremos o processo

(Cs

cujos spins afetaro o spin do stio

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 ,

e escolhida com distribuio de probabilidade em

(i (k))k0 .

O processo pontual reverso associado ao stio

e comeando no tempo

dado pela sequncia

de tempos

Tn(i,t) = t TN i ([0,t])n+1 , n 1 .
13

(3.1)

SIMULAO PERFEITA

14

3.1

Denimos tambm o respectivo processo de contagem

N (i,t) ([s, u]) =

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,

N (i,k,t) ([s, u]) =

(3.3)

comeando no tempo t, dado por

1{sT (i,t) u} 1{K (i,t) =k} .

n

(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 ),

Finalmente, para todo conjunto

se

j=i

(3.6)

caso contrrio.

denimos de forma anloga

(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.

Denimos a evoluo deste processo pela seguinte equao:

f (Cs(i,t) )

(i,t)
f (C0 )

XXZ
k0 jZd

onde

f : F(Zd ) R

(i,t)

C0

(i,t)

= {i}

(i,t)

[f ( (j,k) (Cu )) f (Cu )]N (j,k,t) (du) ,

(3.8)

qualquer funo cilndrica limitada. Esta famlia de equaes caracteriza de

forma completa a evoluo

(i,t)

(Cs

)s0 .

Para todo conjunto nito

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 ,

denimos seu processo reverso associado

[L],(i,t)

[f ( (j,k) (Cu

[L],(i,t)

)) f (Cu

)]N (j,k,t) (du) ,

(3.10)

PROCESSO REVERSO E PERDA DE MEMRIA

3.1

onde usamos os mesmos processos pontuais de Poisson

tambm, para

F Zd

15

N (j,k,t) , 0 k L, como em (3.8). Denimos

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

Mj j (k)[f (C Bj (k)) f (C)] + Mj j (0)[f (C\{j}) f (C)] ,

(3.12)

jC k1
com condio inicial no tempo

L[L] f (C) =

L
XX

(F,t)

t, C0

= F,

Mj j (k)[f (C Bj (k)) f (C)] + Mj j (0)[f (C\{j}) f (C)] ,

(3.13)

jC k=1
com condio inicial no tempo

[L],(F,t)

t, C0

= F,

respectivamente. Aqui,

f : F(Zd ) R

qualquer

funo cilndrica limitada.

Demonstrao. Segue imediatamente das denies (3.8) e (3.10).

Agora, seja

(F,t)

TST OP = inf{s 0 : Cs(F,t) = }

n 1,

(F,t)

)s . A seguir, introduzimos a sequncia de ins(j,k)

(F,t) = 0 e, para
N
cujos saltos ocorrem em (3.8). Seja T
0

o tempo de relaxamento do processo reverso

n(F,t) dos processos

tantes de saltos T

(3.14)

(Cs

denimos os instantes sucessivos

(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

corresponde aos instantes de salto do processo

(F,t)

(Cs

)s .

Agora, seja

(F,t)

C(F,t)
= C (F,t)
n
Tn

e, alm disso, denimos

(F,t)

NST OP = inf{n : C(F,t)

= }
n
como sendo o nmero de saltos do processo reverso.
Com as denies acima, apresentamos o primeiro resultado ligado ao processo reverso e que
ser utilizado na prxima seo: o teorema que ser enunciado a seguir garante que o processo

16

SIMULAO PERFEITA

3.1

reverso, com probabilidade 1, no apenas termina em um nmero nito de passos, ou seja,

(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

mas hipteses, podemos construir a evoluo

construdos de forma independente se

Teorema 3.1.2

|t1 t2 |

de tal forma que

Xt1 (F )

Xt2 (F )

sejam

for sucientemente grande.

Seja

:= 1 sup

|Bi (k)|i (k)

iZd k=1
e suponha que

sup

|Bi (k)|i (k) < 1 .

(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)

P(TST OP > s) |F |es .

Demonstrao. Seja

N N

xado. Denimos

(i,t)

Lis = |Cs

(3.17)

TN = inf{u > 0 : Liu N } .

Por (3.8), temos que

LisTN 1 +

k1 jZd

sTN

XXZ

jZd

sTN

XZ

(|Bj (k)| 1)1{jC (i,t) } N (j,k,t) (du)

1{jC (i,t) } N (j,0,t) (du) .

(3.18)

Observe que, a partir da condio (3.15) e usando o fato de que

Mj

X

inf jZd Mj > 1,

temos que


j (k)[|Bj (k)| 1] j (0) ( inf Mj ) < 0 .
jZd

k1

Com isso, aplicando a esperana em ambos os lados de (3.18), temos que

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)

ALGORITMO DE SIMULAO PERFEITA

3.2

17

uma vez que

1{jC (i,t) } = Liu .

u

jZd
Fazendo

e aplicando o Lema de Fatou, temos que

E(Lis )

Z
1

E(Liu )du ,

0
o que implica que

E(Lis ) 1

para todo

s 0.

Com isso, podemos aplicar o Lema de Gronwall para

chegarmos a

e usando o fato de que

(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)

A segunda parte do teorema segue imediatamente de (3.16), uma vez que

(F,t)

P(TST OP > s) P(|Cs(F,t) | 1) E(|Cs(F,t) |) |F |es .

Com isso, a demonstrao est completa.

3.2 Algoritmo de simulao perfeita

A decomposio apresentada no Corolrio 2.3.2 sugere um procedimento de simulao para

(Xt (F ), F Zd ),

com

restrita ao conjunto
Seja

F.

xado e

nito, de forma que

Xt (F )

tenha a mesma distribuio de

Tal procedimento ser descrito a seguir.

a congurao inicial do processo. Na primeira etapa, construmos o processo reverso

(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

processo de Poisson reverso de taxa

stio

jC

no instante t. O algoritmo

Ento, a cada passo, esperamos a primeira ocorrncia do

jC

Mj

antes do tempo

t.

Neste momento, escolhemos um

com probabilidade

Mj
P
e um alcance

com probabilidade

j (k).

Se

`C

M`

k = 0,

ento atribumos um spin para

independentemente dos outros stios, e o exclumos do conjunto

ao conjunto

C.

com lei

Caso contrrio, inclumos

[0]

pi

Bi (k)

e recomeamos o procedimento. O algoritmo para quando o tempo acumulado do

processo reverso ultrapassa

ou quando

C =

(ou seja, no mais necessrio olhar de volta no

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

k = 0 ao nal primeira etapa recebero a congurao

no instante

s = 0. E ento, sucessivamente,

SIMULAO PERFEITA

18

3.2

avanando no tempo, denimos os spins para os outros stios de acordo com

spins dos stios de

Bj (k)

[k]

pj (|Bj (k)),

onde os

j foram atribudos em algum passo anterior do algoritmo.

Os Algoritmos 1 e 2 utilizam as seguintes variveis:

uma varivel auxiliar que assume valores no conjunto

NST OP
TST OP
I

um contador que assume valores no conjunto

Zd

uma varivel que assume valores em

um nmero real positivo

D = (D1 , D2 ),

{0, 1, 2, . . .}

onde

 D1

um vetor (array ) de elementos de

 D2

um vetor de elementos de

Zd

{0, 1, 2, . . .}

uma varivel que assume valores em

{0, 1, 2, . . .}

um nmero real positivo

uma varivel que assume valores em

{0, 1, 2, . . .}

F(Zd )

uma varivel auxiliar que assume valores em

um vetor de elementos de

uma funo de

Zd

em

A = {1, 1}

A , onde um smbolo adicional que no pertence ao conjunto

A.

Algoritmo 1

Processo Reverso (Backward Sketch Process )

1: Entrada: F ; Sada: NST OP , D

2: N 0, NST OP 0, C F , D
3: Enquanto C 6= Faa
4:
N N +1
5:
Escolha um stio I C e K {0, 1, 2, . . .}

aleatoriamente com probabilidade

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

ALGORITMO DE SIMULAO PERFEITA

3.2

Algoritmo 2

19

Procedimento de atribuio de spins (Forward Spin Assignment Procedure )

1: Entrada: NST OP , D ; Sada: {(i, (i)), i F }

2: N NST OP
3: (j) para todo j Zd
4: Enquanto N 1 Faa
5:
(I, K) D(N )
6:
Se K = 0 Ento
7:
Escolha W aleatoriamente

em

de acordo com a distribuio

[0]

P(W = w) = pI (w) .

Seno

8:
9:

Escolha

aleatoriamente em

de acordo com a distribuio

[K]

P(W = w) = pI (w|(BI (K))) .

10:
11:
12:
13:
14:
15:

Fim Se
(I) W
V (N ) W
N N 1

Fim Enquanto
Devolva {(i, (i)), i F }

Teorema 3.2.1

Sob as condies do Teorema 3.1.2,

1. Os Algoritmos 1 e 2 so bem-sucedidos.
2. A medida

a nica probabilidade invariante do processo (Xs )s . Alm disso, a lei do conjunto

{(i, (i)), i F }

obtido ao nal dos Algoritmos 1 e 2 a projeo de

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.

F a lei da sada {(i, (i)), i F } dos Algoritmos 1 e 2; F uma medida de probabilidade

F
d
em A . Por construo, a famlia de probabilidades {F , F Z nito} uma famlia consistente
Seja

de distribuies de dimenso nita. Portanto, existe uma nica medida de probabilidade

tal que

a projeo de

F
em A , para todo conjunto nito de stios

Por construo, o modelo de Ising

em

(S, S)

Zd .

reversvel com respeito ao processo

(Xs )s

um candidato a ser a probabilidade invariante do processo. Vamos mostrar que

e, portanto,

= .

Para isso,

faremos uma modicao nos Algoritmos 1 e 2 para construir Xt para alguma congurao inicial

S.

Substitua os passos 13 do Algoritmo 1 por

1. Entrada:

F , t;

Sada:

NST OP , C , D, TST OP

2.

N 0, NST OP 0, C F , TST OP 0

3.

Enquanto TST OP < t e C 6=

3'. Escolha um tempo aleatrio

jC

Mj .

T > 0

de acordo com uma distribuio exponencial de taxa

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

um vetor de nmeros reais positivos.

Finalmente, substitua o passo 14 do Algoritmo 1 por

14.

Devolva NST OP , C , D.

Nesta verso modicada, paramos o algoritmo aps o tempo

do procedimento no for vazio. A sada

de stios no tempo
observe que se

C,

se o conjunto

TST OP < t

ento

obtido ao nal

neste caso, corresponde exatamente ao conjunto

cujos spins inuenciam os spins dos stios em

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

Ento, a lei do conjunto

j C ; (j)

{(i, (i)), i F }

para todo

j Zd \ C .

obtido ao nal do Algoritmo 2 modicado a lei de

Xt (F ). Observe que a sada do Algoritmo 2 modicado igual sada do Algoritmo 2 original se

TST OP < t. Seja f : AF R+ uma funo mensurvel e limitada. Ento,
E[f (Xt (i), i F )] = E[f (Xt (i), i F ); TST OP < t] + E[f (Xt (i), i F ); TST OP t]
= E[f ((i), i F ); TST OP < t] + E[f (Xt (i), i F ); TST OP t] ,
onde

(3.22)

((i), i F ) a sada dos Algoritmos 1 e 2 originais. Sob as hipteses do Teorema 3.1.2, temos

que

E[f (Xt (i), i F ); TST OP t] ||f || P(TST OP t) 0

quando

t ,

o que implica que

lim E[f (Xt (i), i F )] = E[(f ((i), i F )] ,

t
uma vez que

1{TST OP <t} 1

Isto implica que

quase-certamente.

uma probabilidade invariante do processo. Ao substituir a condio inicial

por qualquer condio estacionria inicial, temos a unicidade da probabilidade invariante. Com isso,
demonstramos que

a nica probabilidade invariante do processo

Observe que o Teorema 3.2.1 no apenas mostra que o processo

(Xs )s .

(Xs )s

tem o modelo de Ising

como sua nica probabilidade invariante, mas tambm indica um procedimento de simulao

perfeita da medida

projetada em cilindros nitos

F Zd

como descrito, por exemplo, em Galves

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

[L] , sua nica probabilidade invariante. Para isso, usam-se os mesmos

o modelo de Ising truncado

ALGORITMO DE SIMULAO PERFEITA

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}

aleatoriamente com probabilidade

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 ,

nado no Algoritmo 1. Isso implica que a sada

nenhum alcance maior que

foi selecio-

((i, (i)), i F ) obtida ao nal do Algorimo 2 tambm

[L]
uma amostra de F , a projeo do modelo de Ising

[L]

no conjunto

F.

Esta observao sugere

uma modicao do Algoritmo 1 com o objetivo de construir um acoplamento

((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]

um contador que assume valores no conjunto

Zd

uma varivel que assume valores em

K [L]

uma varivel que assume valores em

[L]

[L]

D[L] = (D1 , D2 ),

{0, 1, 2, . . .}

onde

 D1[L]

um vetor (array ) de elementos de

 D2[L]

um vetor de elementos de

uma varivel que assume valores em

[L]

uma funo de

Zd

A ,

em

Zd

{0, 1, 2, . . .}

C [L]

conjunto

{0, 1, 2, . . .}

F(Zd )

onde

um smbolo adicional que no pertence ao

A.

Observe que o Algoritmo 3 equivalente ao Algoritmo 1 quando ignoramos os passos de 12 a

25 e as variveis com sobrescrito

L.

Se

D = D[L] ,

ento usamos o Algoritmo 2 para amostrarmos

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

o primeiro salto do processo de Poisson

(i,t)

(Cs

(i,t)

para todo stio

j Zd

u > 0,

seja

= inf{Tn(j,t) > u} u
(j,t)

(Tn

)n

primeiro instante em que um alcance maior que

TL

)s :

a partir do instante

u.

Finalmente, seja

k>L

Com isso, podemos apresentar o resultado.

(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

Processo Reverso (Backward Sketch Process ) para o acoplamento dos modelos de

Ising

[L]

1: Entrada: F ; Sada: NST OP , NST OP , D , D [L]

2: N 0, NST OP 0, C F , C [L] F , D , D [L]
3: Enquanto C 6= Faa
4:
N N +1
5:
Escolha um stio I C e K {0, 1, 2, . . .} aleatoriamente

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-

mente com probabilidade

Mi i (k)
PL
jC [L]
`=0 Mj j (`)

P(I [L] = i, K [L] = k) = P

.

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]

ALGORITMO DE SIMULAO PERFEITA

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)

P(NST OP > n) |F |(1 )n ,

onde

(F,t)

NST OP

o numero de passos do processo reverso

(F,t)

(Cs

(3.24)

)s .

2.

(i,t)

P(X(F ) 6= X [L] (F )) |F | sup P(TL

iZd

(i,t)

TST OP )

|F |
(L) ,

(3.25)

onde

(L) := sup (1 e

lB
/ j (L)

|J(j,l)|

).

(3.26)

jZd

Demonstrao. Comearemos pela demonstrao do item 1. Seja

L(i,t)
= |C(i,t)
n
n |
a cardinalidade do conjunto

C(i,t)
n

aps

passos do Algoritmo 1. Pelas hipteses,

(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)

P(NST OP > n) = P(L(i,t)

1) P(Wn(i) 1) E(Wn(i) ) = (1 )n .
n
Em particular, quando comeamos o processo reverso com a condio inicial
junto unitrio

{i},

em vez do con-

a estimativa continua vlida ao multiplicar o limite superior por

|F |

devido s

propriedades de independncia do processo de ramicao.

Para a demonstrao do item 2, lembramos que para construir

processos pontuais de Poisson para todos os alcances

k L.
(i,t)

P(X(i) 6= X [L] (i)) P(TL

Agora, seja
e, portanto,

i (k) :=

`k

(i,t)

[L] ,

usamos os mesmos

Portanto, temos que

(i,t)

TST OP ) .

i (`). Pela estrutura da interao, para k 2, i (k) = e

1 i (L) (L).
P(TL

(i,t)

Com isso, temos que

TST OP )

(i,t)
E(P({N (j,k,t) (]Tn1 , Tn(i,t) ]) = 1

n1
(i,t)

(i,t)

(i,t)

j Cn1 , k > L}|Cn1 , NST OP > n 1))


X  X Mj (1 j (L))
P
1{N (i,t) >n1}
=
E
ST OP
(i,t) Mk
(i,t)
kC
para

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

No clculo acima, usamos o fato de que, dado o conjunto

(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

Somando sobre todas as possibilidades

k > L,

temos o termo

Mj (1 j (L))
P
.
(i,t) Mk
kC
n1

Aplicando o item 1 do teorema, temos que

(i,t)

E(NST OP ) 1/ ;

P(X(i) 6= X [L] (i))

logo,

1
(L) .

Finalmente, uma vez que

P(X(F ) 6= X [L] (F )) = P({i F : X(i) 6= X [L] (i)})

P(X(i) 6= X [L] (i))

iF

|F |
(L) ,

chegamos ao resultado desejado, concluindo a demonstrao.

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

como suas respectivas distribuies marginais.

o conjunto de todos os acoplamentos entre

duas medidas de probabilidade

em

S=

d
AZ denida da seguinte

forma:

1 , 2 ) :=
d(
onde

X`

inf
QM(1 ,2 )

uma varivel aleatria com lei

Do ponto de vista de acoplamentos, a


sup Q(X1 (i) 6= X2 (i)) ,

(3.27)

iZd

` = 1, 2.
indica
distncia d
para

discrepncia entre duas realizaes acopladas de

2 ,

o valor mnimo que a probabilidade de

restrita a um nico stio, pode assumir.

Como uma aplicao do algoritmo de simulao perfeita do acoplamento das medidas

[L] ,

apresentamos o seguinte

Teorema 3.3.1

(Galves et al., 2010) Sob as hipteses do Teorema 3.2.2, temos que

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

Zd : este o contedo do Teorema 4.2.1, o primeiro

resultado original desta Tese.

4.1 Acoplamento das dinmicas estocsticas

No captulo anterior, apresentamos um algoritmo para simularmos o processo

(Xs )

em um

(Xs )s em um
d
Z nito. Usaremos uma verso

tempo xado. Nesta seo, construiremos uma realizao estacionria do processo

intervalo de tempo nito, por exemplo,

[0, t].

Para tanto, seja

modicada do Algoritmo 1: comeando o processo reverso no instante

do conjunto

quando

K = 0.

Isso faz com que

s = t, um stio no desaparece

nunca seja vazio no instante

s = 0.

Chamaremos

esta nova verso de Algoritmo 4.

A seguir, com a sada do Algoritmo 4, aplicamos o procedimento de atribuio de spins com
congurao inicial
Com as sadas

S.

Este procedimento ser denominado Algoritmo 5.

D do Algoritmo 4 e V

do Algoritmo 5, construmos a evoluo

(Xs (F ), 0 s t)

da seguinte maneira.

1. Dena

X0 (F ) = (F ).

2. Se

V = ,

ento

3. Se

V 6= ,

ento denimos os seguintes tempos aleatrios: para todo

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 ,

ACOPLAMENTO E CONSEQUNCIAS DA SIMULAO PERFEITA

26

Algoritmo 4

4.1

Processo Reverso (Backward Sketch Process ) sem mortes

1: Entrada: F , t ; Sada: NST OP , C , D , TST OP

2: N 0, NST OP 0, C F , TST OP 0
3: Enquanto TST OP < t Faa
4:
Escolha um tempo aleatrio T > 0
parmetro

jC Mj .

de acordo com uma distribuio exponencial de

Atualize

TST OP TST OP + T .
5:
6:

N N +1
Escolha um stio

IC

K {0, 1, 2, . . .}

aleatoriamente com probabilidade

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

i 6= D1 (NST OP n + 1), Xs (i) = XSn (i)

i = D1 (NST OP n + 1), Xs (i) = V (n).

Para que o procedimento seja bem sucedido, o conjunto

obtido ao nal do Algoritmo 4 deve

ser nito com probabilidade 1. Isso garantido pela seguinte

Proposio 4.1.1

Se

sup

|Bi (k)|i (k) < ,

(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

dada pelo conjunto unitrio

{i}

o processo reverso associado ao Algoritmo 4 com condio inicial

e

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

Mi i (k)|Bi (k)| < .

xado,

ACOPLAMENTO DAS DINMICAS ESTOCSTICAS

4.1

Algoritmo 5

27

Procedimento de atribuio de spins (Forward Spin Assignment Procedure )

1: Entrada: NST OP , C , D ; Sada: V

2: N NST OP
3: (j) (j) para todo j C , (j) para todo j Zd \C , V
4: Enquanto N 1 Faa
5:
(I, K, T ) D(N )
6:
Se K = 0 Ento
7:
Escolha W aleatoriamente em A de acordo com

a distribuio

[0]

P(W = w) = pI (w) .

Seno

8:
9:

Escolha

aleatoriamente em

de acordo com a distribuio

[K]

P(W = w) = pI (w|(BI (K))) .

10:
11:
12:
13:
14:
15:

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

nito com probabilidade 1, o que signica que

saltos em qualquer intervalo de tempo nito. Portanto,

(F,t)
Cs

admite um nmero nito de

NST OP < com probabilidade 1. Isso com

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

em qualquer intervalo nito de tempo

Isso importante porque a construo de

subintervalos menores quando
escolher

(C)

(Xs (F ))s

[s1 , s2 ],

onde

pode ser feita dividindo o intervalo

s1 < s 2 .
[0, t]

em

grande. Finalmente, para que a evoluo seja estacionria, basta

com probabilidade

a partir dos Algoritmos 1 e 2, apresentados anteriormente no

Captulo 3.
Para simularmos a evoluo

[L]

(Xs (F ), 0 s t)

com congurao inicial

Algoritmo 4 substituindo o passo 6 pelo passo

6. Escolha um stio

IC

K {0, 1, . . . L}

aleatoriamente com probabilidade

Mi0 i0 (k)
.
PL
jC
k=0 Mj j (k)

P(I = i0 , K = k) = P

aplicamos o

ACOPLAMENTO E CONSEQUNCIAS DA SIMULAO PERFEITA

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

de Markov com geradores innitesimais

X XX

Gf () =

iZd
e

G [L] f () =

[k]

Mi i (k)pi (a|)[f ( i,a ) f ()]

(4.2)

aA k0

L
X XX
iZd

[k]

Mi i (k)pi (a|)[f ( i,a ) f ()] ,

(4.3)

N (j,k,t) .

Construiremos estes

aA k=0

respectivamente, e construdos com os mesmos processos de Poisson

processos de tal forma que sejam estacionrios e que o par

0 (i), X
[L] (i))
(X
0

seja construdo a partir

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,

Aplicamos o Algoritmo 3 com conjunto inicial

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

a partir deste acoplamento.

do Algoritmo 5 para denir os valores do processo

nos instantes de salto, que so os mesmos do processo

3. Se

s (i)
X

para algum

[L]

s (i))0st
(X

s (i))0st .
(X

n:

Aplicamos o Algoritmo 4 para a evoluo

[L]

s (i))0st
(X

utilizando os mesmos processos

(j,k,t) .
de Poisson N

Seja

C [L] Zd

a sada do Algoritmo 4 para esta evoluo. (Observe que

C [L] C

pois utilizamos os mesmos processos de Poisson.) Ento, aplicamos o Algoritmo 3 com

conjunto inicial

C [L]

e denimos os valores de

s (i)
X

s[L] (i)
X

para

s=0

a partir deste

acoplamento.

Aplicamos o Algoritmo 5 utilizando a sada

independentemente da evoluo

V [L]

do Algoritmo 4 para

[L]

s (i))0st
(X

s (i))0st .
(X

4.2 Correes em volume nito

Uma das aplicaes dos procedimentos de simulao perfeita apresentada no Captulo 3 foi a
aproximao, em termos da distncia

d,

entre medidas com interaes de alcance innito e suas

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

)s0 o processo reverso associado construo

(i,t)
NST OP o nmero de saltos do processo. Estamos

CORREES EM VOLUME FINITO

4.2

Zd

interessados em escolher uma caixa nita de

(i,t)
Cs esteja dentro desta caixa para todo
uma caixa

Bi (kL),

onde

k = k(L)

29

de tal forma que, com alta probabilidade, o conjunto

(i,t)

s [0, TST OP ]. Isso ser feito da seguinte forma: tomemos

ser escolhido de tal forma que

lim P(Cs(i,t) (Bi (kL))c 6=

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)

de tal forma que

(4.4)

esteja

xado, denimos uma dinmica estocstica de Ising

[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.

o modelo de Ising associado interao

J [L],(i) .

Fixado

ABi (L)
(Bi (L))
,

observe

que

[L],(i) ({ : (j) = a | (l) = (l)

para todo

l 6= j})

1
n
o
X
1 + exp 2a
J(j, l)(l)

(4.6)

lBi (L)
para todo

aA

e para toda congurao

AZ

= (Bi (L))
.
(Bi (L))
.
Bi (L)

tal que

interao faz a dinmica ignorar a congurao fora de

Esta escolha de

Com esta observao, podemos enunciar o seguinte

Teorema 4.2.1

(Teorema de Correo em Volume Finito) Suponha que a condio (3.15) va-

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)

est denido em (3.26).

Demonstrao. Observe que

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 ])

saltos foi maior que

+ (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

ACOPLAMENTO E CONSEQUNCIAS DA SIMULAO PERFEITA

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

antes de atingir seu tempo de relaxamento,

Xt (i) saia de Bi (k L)

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

dada por (4.8), o que completa a demonstrao do teorema.

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

Sob a condio (3.15), ao escolhermos

k(L)

2 (L)
= 0,
lim k(L)

tal que

(4.9)

L
temos que (4.4) est satisfeita.
Demonstrao. Escolhendo

k(L) como em (4.9) e usando o fato de que e 0 < 1 < 1, completamos

a demonstrao.

Agora, seja

[kL]

podemos comparar os medidas

Corolrio 4.2.3

[kL]

em termos da

J [kL],(i) . A partir do Teorema 4.2.1,

. Este o contedo do prximo
distncia d

o modelo de Ising relativo interao

Sob a condio (3.15), temos que

[kL]
+ (1 )k .
d(,
) k 2 (L)

Demonstrao. Segue imediatamente do Teorema 4.2.1.

(4.10)

Captulo 5

Aproximao das dinmicas estocsticas

via mdias empricas
Neste captulo, apresentaremos o segundo resultado original desta Tese, o Teorema 5.2.1 (que
ser chamado, invariavelmente, de Teorema de Aproximao Emprica ): ele garante que possvel
construir um acoplamento de duas dinmicas estocsticas de Ising estacionrias de tal forma que a
proporo do tempo em que os spins assumem valores diferentes possa ser controlada.
Para demonstrarmos este teorema, precisaremos de algumas denies extras relativas a sequncias fortemente misturadoras e de um teorema de grandes desvios (large deviations ) relativo a esse
tipo de sequncias; isso ser feito na Seo 5.1. A seo que vem a seguir ser dedicada ao enunciado
e demonstrao do Teorema 5.2.1.

5.1 Sequncias fortemente misturadoras (strongly mixing )

Vamos apresentar algumas denies que sero importantes ao longo deste captulo: Para quaisquer

-lgebras A

B,

denimos o coeciente

(A, B) =

-mixing
|P(A B) P(A)P(B)| .

sup
AA,BB

Seja

W1 , W2 , . . .

uma sequncia de variveis aleatrias dependentes e uniformemente limitadas,

isto ,

sup ||Wk || < ,

k1
onde

||Y ||

o supremo da varivel aleatria

misturadora (strongly mixing ) se existe

c>0

Y.

Dizemos que a sequncia

(Wk )k1

fortemente

tal que

(n) := sup (Mk , Gk+n ) exp{cn} 0

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

APROXIMAO DAS DINMICAS ESTOCSTICAS VIA MDIAS EMPRICAS

32

Teorema 5.1.1

(Wk )k1

(Merlevde et al., 2009) Seja

5.2

uma sequncia enumervel de variveis

aleatrias de mdia zero e fortemente misturadoras no sentido de (5.1). Suponha tambm que exista

M >0

supk1 ||Wk || M .

tal que

Ento, para quaisquer inteiro positivo

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)

uma constante que depende apenas de

(5.2)

c.

5.2 O Teorema de Aproximao Emprica

Antes de enunciarmos o teorema principal deste captulo, vamos denir

(L) :=

1
(L).

(5.3)

Com isto, segue o enunciado do Teorema de Aproximao Emprica.

Teorema 5.2.1

(Teorema de Aproximao Emprica) Suponha que

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

de tal forma que, para quaisquer

t  max{4 1 , 2 1 (L)}

2(L)
t1 ,

temos que

sup P
iZd

1 Z
t

1{X [L] (i)6=X

ds 2 (L) + y
(i)}
(
exp

onde

C1 > 0

C2 > 0



(L) 2
)
C1 t y 2t1



C2 + 2 y 2 t(L) (ln(1 + t))(ln ln(1 + t))

so constantes que no dependem de

Demonstrao. Primeiramente, vamos determinar o valor de

(3.15),

= 1 sup

k 0,

dena

Si>k =

y.

tal que para todo

|Bi (k)|i (k) < 1 ,

iZd k=1
seja satisfeita. Para todo

X
j B
/ i (k)

|J(i, j)| .

(5.5)

< c , a condio

O TEOREMA DE APROXIMAO EMPRICA

5.2

Para cada

i Zd ,

33

temos que

i (k)|Bi (k)| 2di (1) +

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

2d sup (eSi (1 eSi e

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

2d sup (eSi (1 eSi e

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

1{X [L] (i)6=X

ds 2 (L) + y
(i)}

(5.6)

que ser escolhido de forma conveniente.

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.

Para simplicar a notao, denimos

tambm

Ys[L],(i) = 1{X [L] (i)6=X

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

APROXIMAO DAS DINMICAS ESTOCSTICAS VIA MDIAS EMPRICAS

uma vez que

tn = n t

5.2

. Denimos a sequncia de variveis aleatrias

[L],(i)

Vk = Vk

tk+1

:=
tk

Ys[L],(i) ds, k = 0, 1, . . . , n 1.

Com isso, podemos escrever

1 Z
P

1{X [L] (i)6=X

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,

vamos denir os seguintes eventos:

(i,tk+1 )

Ak = {TL

(i,tk+1 )
[L] (i) 6= X
(i)} .
< TST OP
} ; Bk = {X
tk
t
k

Com isso, observe que podemos escrever

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) 1Ack 1Bkc ds

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 ].

Vamos denir uma nova sequncia de variveis aleatrias

[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)

O TEOREMA DE APROXIMAO EMPRICA

5.2

e usando o fato de que

 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

fortemente misturadora, o que equivalente

fortemente misturadora, uma vez que esta igual

transladada de um nmero xado.

Tomemos um nmero inteiro

Ento, para quaisquer

a, b

m 1

no conjunto

e, para simplicar a notao, dena

{0, 1, 2},

(i,t

m+1
T (m) = TST OP

temos que

P(Z0 = a, Zm = b) = P(Z0 = a, Zm = b, T (m) m) + P(Z0 = a, Zm = b, T (m) > m)

= P(Z0 = a)P(Zm = b, T (m) m) + P(Z0 = a, Zm = b, T (m) > m)
uma vez que se o evento

{T (m) m} acontece, ento Z0

Zm

(5.15)

so independentes, pela construo

do processo reverso. Com isso, temos que

(m; a, b) := |P(Z0 = a, Zm = b) P(Z0 = a)P(Zm = b)|

= |P(Z0 = a)[P(Zm = b, T (m) m) P(Zm = b)] + P(Z0 = a, Zm = b, T (m) > m)|
= |P(Z0 = a, Zm = b, T (m) > m) P(Z0 = a)P(Zm = b, T (m) > m)|
2P(T (m) > m) 2 exp{m} .

(5.16)

Como

lim

sup

m (a,b){0,1,2}2
temos que a sequncia

(Zk )k

(m; a, b) = 0,

fortemente misturadora.

Entretanto, para aplicarmos o Teorema 5.1.1, escolhemos

> 1 ln 2
para que

(m; a, b) exp{cm}
para todo

m 1,

onde

c = ln 2 > 0.
n

Alm disso, escolhemos

t
4 t 4

(5.17)

M =2

de tal forma que

(5.18)

APROXIMAO DAS DINMICAS ESTOCSTICAS VIA MDIAS EMPRICAS

36

t  2 1 (L).

Finalmente, denimos

= 1
x=y

5.2

2 (L)
.
n1

Com isso, temos que



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
,

C2 + 2 y 2 t(L) (ln(1 + t))(ln ln(1 + t))

(5.19)

onde a ltima desigualdade consequncia direta de (5.12).

Juntando (5.9), (5.11), (5.13), (5.14), (5.18) e (5.19), temos que

1 Z
P

1{X [L] (i)6=X

ds 2 (L)+y
(i)}


(

exp



(L) 2
)
C1 t y 2t1



C2 + 2 y 2 t(L) (ln(1 + t))(ln ln(1 + t))

Com isso, terminamos a demonstrao o teorema.

A maior diculdade na demonstrao do Teorema 5.2.1 est relacionada com a construo da

sequncia de variveis fortemente misturadoras. A partir desta construo, o restante da demonstrao segue de forma linear por meio do teorema de Merlevde et al. (2009).
Observe, alm disso, que o Teorema de Aproximao Emprica leva em conta o acoplamento
em apenas um stio xado de

Contudo, o resultado pode ser estendido para qualquer conjunto

Zd nito. exatamente isso que diz o seguinte

Corolrio 5.2.2
1 Z
P

Zd .

Seja

1{X [L] (F )6=X

s

F Zd

nito. Ento, sob as hipteses do Teorema 5.2.1, temos que

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)

O TEOREMA DE APROXIMAO EMPRICA

5.2

37

Demonstrao. Observe que

1
t

1{X [L] (F )6=X

ds
(F )}

X1Z
iF

1{X [L] (i)6=X

s (i)}

ds .

Com isso, imediato que

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

Aplicando o Teorema 5.2.1, chegamos ao resultado desejado.

Uma aplicao do Teorema de Aproximao Emprica apresentada a seguir. Sejam
nito e

t > 0.

Considere uma realizao estacionria do processo

F,

feito no Captulo 4 e sua projeo no conjunto

xada

(F )

a saber,

(Xs )0st

(Xs (F ))0st .

F Zd

construda como foi

Para uma congurao

AF , denimos o seguinte estimador:

1
pt ((F )) :=
t

Para o processo truncado estacionrio

1{Xs (F )=(F )} ds .

[L]

(5.21)

[L]

(Xs )0st e sua projeo (Xs (F ))0st denimos de forma

equivalente o seguinte estimador:

[L]
pt ((F ))

Agora, seja

1
:=
t

Z
0

1{X [L] (F )=(F )} ds .

(5.22)

s (F ), X
s[L] (F ))0st as projees em F
(X

de um acoplamento dos processos originais

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

os estimadores relativos ao acoplamento

[L]

s (F ), X
s (F ))0st .
(X

Sob as hipteses do Teorema 5.2.1, temos que

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)

Demonstrao. Observe que

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

APROXIMAO DAS DINMICAS ESTOCSTICAS VIA MDIAS EMPRICAS

Com isso, basta aplicar diretamente o Teorema 5.2.1.

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]

como respectivas probabilidades invariantes), restritos a uma caixa nita,

assumem conguraes diferentes entre si.

Apesar de usarmos o modelo de Ising como probabilidade invariante, os resultados apresentados
nesta Tese podem ser estendidos sem maiores diculdades para medidas de Gibbs nas quais a
interao

no restrita somente a pares de stios. De fato, os resultados de Galves et al. (2010)

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

tal que, para todo

< 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

interpretada como uma quantidade inversamente proporcional

do sistema que est sendo estudado. Logo, a condio (5.4) pode ser vista como

um critrio para determinar a ausncia de transio de fase do sistema.

Desta forma, razovel comparar nosso critrio com algum outro critrio conhecido na literatura
em uma situao especial. Como um exemplo deste tipo de comparao, considere o caso

d = 1

(caso unidimensional) e dena a interao aos pares (modelo de Ising)

J(i, j) := J(i j) = C|i j|

39

(6.1)

DISCUSSO FINAL

40

para alguma constante

sup

C>0

> 1.

Ento, a hiptese

(5.4)

(2k + 1)(|J(i, i k)| + |J(i, i + k)|) =

iZ k=1

se resume a

X
2C(2k + 1)

k=1

A soma acima nita se e somente se

> 2

< .

(6.2)

e, portanto, temos unicidade das probabilidades

invariantes das respectivas dinmicas estocsticas para todo

C,

onde

uma funo de

C.

Neste

caso, estamos em uma situao de ausncia de transio de fase.

De acordo com o enunciado do Teorema III.8.2 de Simon (1993), para todo
de fase no modelo de Ising se

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

(6.3) neste exemplo.

Para

d 2,

a condio (5.4) torna-se cada vez mais restritiva medida que a dimenso do

espao de stios aumenta, uma vez que

i (k)

para

k1

|Bi (k)|

proporcional a

kd

e, portanto, as probabilidades

tendem a car cada vez menores para satisfazerem a hiptese

sup

|Bi (k)|i (k) < 1 .

(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

tal que para todo

< ,

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,

ou seja, controla-se o termo

|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

que melhore o Teorema de Aproximao

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.

Wahrscheinlichkeitstheorie verw. Gebiete, 41:7385, 1977.

[BK93] M. Bramson e S. Kalikow. Non-uniqueness in g-functions. Israel J. Math., 84:153160,
1993.
[CFF02] F. Comets, R. Fernndez e P.A. Ferrari. Processes with long memory: regenerative construction and perfect simulation. Ann. Appl. Prob., 12(3):921943, 2002.
[CGL08] P. Collet, A. Galves e F. Leonardi. Random perturbations of stochastic processes with
unbounded variable length memory. Elec. J. Prob., 13:13451361, 2008.
[CL12] P. Collet e F. Leonardi. Loss of memory of Hidden Markov Models and Lyapunov exponents. Disponvel em http://arxiv.org/abs/0908.0077, 2012.
[Dob71] R.L. Dobrushin. Markov processes with a large number of locally interacting components:
existence of a limit process and its ergodicity. Problems. Inform. Transmission, 7:149164,
1971.
[GLO10] A. Galves, E. Lcherbach e E. Orlandi.

Perfect Simulation of Innite Range Gibbs

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