Dinâmica estocástica e Simulações P. F.

Monte Carlo AULA 2

Agosto/2010
Segunda aula

1.Conceito de variável aleatória.

2. Médias de grandezas sobres distribuições de probabilidades

3. Função característica: a partir da qual nos podemos obter os momentos

da distribuição de probabilidades.

4. Cumulantes de uma distribuição (estão relacionados com os momentos

da distribuição). Esses são obtidos por meio ‘também da função característica.

5. Função geratriz.
Bibliografia :
TT & MJO, Cap. 1
Van Kampen, Cap. 1
Gardiner, Cap. 2

Tânia Tomé IFUSP 2010 1

 Variável aleatória

(i) Valores discretos

(i) Valores contínuos

Variável aleatória discreta.

Exemplos: número de indivíduos em uma certa população;

número de moléculas em uma reação química.

(ii) Variável aleatória contínua

Exemplo: valores assumidos pelo módulo da velocidade

das moléculas de um gás ideal.

Tânia Tomé IFUSP 2010 2

 Variável aleatória discreta

Variável: n A cada valor de n

Associa-se um número

Distribuição de probabilidades
pn  0
associada a n
p
n
n 1

Tânia Tomé IFUSP 2010 3

 Exemplo:

Um átomo magnético com momento de dipolo magnético se encontra na direção z

dado por:     = constante    1,1
p( 1)  p p( 1)  q

+1
  1 se o momento de dipolo aponta na direção de z z

  1 se o momento de dipolo aponta no sentido oposto. (-1)

 é uma variável aleatória discreta que assume os valores +1 e -1 e

p é a distribuição de probabilidades associada a 

 p  p ( 1)  p ( 1)  p  q  1

Tânia Tomé IFUSP 2010

4
Variável aleatória contínua x
x [ x0 , x1 ]

Densidade de probabilidade  ( x)

x1
 ( x)  0 
x0
 ( x) dx  1

 ( x) dx Probabilidade de encontrar x com valores

entre x e x  dx

Tânia Tomé IFUSP 2010 5

 Exemplo: Gás ideal clássico de moléculas monoatômicas contidas em um
recipiente. Cada molécula tem massa m e o sistema está a uma temperatura T

 ( px )   / 2m exp(  px 2 / 2m)

Densidade de probabilidade de uma das componentes

cartesianas do momento linear p de uma molécula.

Esta é uma distribuição gaussiana!

Observação:

 ( px )  ( / 2m)3   exp(  ( px 2  p y 2  pz 2 ) / 2m)dp y dpz

As variáveis px , p y , pz são independentes e temos:

 ( px , p y , pz )   ( px )  ( p y )  ( pz )
Tânia Tomé IFUSP 2010 6
 Distribuição gaussiana

1
 ( x)  exp(  x 2/2 2 )
2 2
Distribuição de probabilidades gaussiana centrada no zero
média =0 (curvas em vermelho, verde e azul).

2 é a variância

1
 ( x)  exp( ( x   ) 2 /2 2 )
2 2
Distribuição de probabilidades gaussiana
centrada em
(média=  )

(curva em rosa).

Tânia Tomé IFUSP 2010 7

 Valor médio

Definições

Valor médio de uma função f ( x)

 f ( x)    f ( x)  ( x)dx

Se: f ( x)  x

 f ( x)    x    x ( x)dx

Tânia Tomé IFUSP 2010 8

 Momentos de uma distribuição

Momento de ordem m

m   x m  ( x)dx   x m  m 1, 2,3,...

Momento de ordem 1:

1   x ( x)dx   x  Valor médio ou média

Momento de ordem 2:

 2   x 2  ( x)dx   x 2 
Tânia Tomé IFUSP 2010 9
 Variância
(A variância (também chamada de dispersão )

Definição:

 2   ( x  x ) 2  Variância
Ou:

 2   x 2    x 2
Pois:

 2   ( x 2  2 x  x    x 2 ) 
  x 2  2  x  x    x 2
  x 2    x 2

Tânia Tomé IFUSP 2010 10

 Variância (continuação)

 2   x 2    x 2

  2  
2 2 Variância em termos dos
1 momentos de segunda ordem
e de primeira ordem.

Desvio quadrático médio

Desvio
 2 Quadrático
médio

 é uma medida do grau em que os valores de x estão afastados

de seu valor médio.

Tânia Tomé IFUSP 2010 11

 Exemplo: momentos da distribuição gaussiana

1
 ( x)  exp( x 2 /2 2 )
2 2 (1)

Momento de ordem 1 da distribuição gaussiana (1):

 
1
1  

x ( x)dx 
2 2 

x exp( x 2 /2 2 )dx  0 (2)

Tânia Tomé IFUSP 2010 12

 Momento de ordem 2 da distribuição gaussiana
1
 ( x)  exp(  x 2/2 2 ) (1)
2 2

Integral gaussina:
  é uma constante positiva

 exp( x )dx  
2

(3)

Derivando-se ambos os termos com relação a 


d

d  1 
    x exp( x )dx  2
2 2 2
exp( x ) dx
d 
d  
(4)
  1/ 2 2

1 1 ( )1/ 2
2 
2 2

 x 2 exp( x 2 / 2 2 )dx 
2 2
(2 2 )3/ 2
2
2

Momento de ordem 2 da distribuição gaussiana (1) (5)

Tânia Tomé IFUSP 2010 13
 Outros momentos da distribuição gaussiana 1
 ( x)  exp(  x 2/2 2 )
2 2
 (1)



exp( x 2 )dx 

Integral gaussiana.

Os momentos de ordem ímpar da distribuição gaussiana (1)  nulos.

Os momentos de ordem par podem ser obtidos por derivação da integral gaussiana
com relação 
(ver F. Reif, “Fundamentals of Statistical and Thermal Physics”).


1
n 
2 2 

x n exp( x 2 / 2 2 )dx  1.3.5....(n  1)  n n par

MOSTRAR

Tânia Tomé IFUSP 2010 14

 Resumo: momentos da distribuição gaussiana

1
 ( x)  exp(  x 2/2 2 ) (1)
2 2


 n  x n   x n exp( x 2 / 2 2 )dx  1.3.5.... (n  1)  n n par.

MOSTRAR!
2   2 = variância (para o caso considerado (<x>=0)). EXERCÍCIO

 4  3 4

 6  15 6

8  105 8

todos os momentos de ordem par podem ser escritos em termos

de potências da variância.

Tânia Tomé IFUSP 2010 15

 Função característica

Definição:

g (k )   exp(ikx)    exp(ikx)  ( x)dx


g (k ) = Função geradora dos momentos

os coeficientes da expansão em série de
Taylor em k são os momentos.

Tânia Tomé IFUSP 2010 16

exp(ikx)  1  ixk  x 2 k 2 / 2! i ( x 3 k 3 )/ 3! ...


(ixk ) m
exp(ikx)  
m 0 m!
Função característica

(ik ) m
g (k )  exp(ikx)    ( x) m 
m 0 m!

m   x m  Momento de ordem n

(ik ) n
g (k )  1   n
n 1 n!

Tânia Tomé IFUSP 2010 17

 Exemplo:

1
 ( x)  exp( x 2 /2 2 )
2 2
Utilizando a definição:


g (k )   exp(ikx)  ( x)dx  exp(ikx) 


Podemos mostrar que a função característica dessa gaussiana é:

g (k )  exp(k  / 2) 2 2 Encontrar! EXERCÍCIO

Se expandirmos essa expressão em k e usarmos a definição de g(k) em

termos dos momentos encontraremos, para esses, as mesmas expressões que
já encontramos utilizando a própria definição de momento!
Tânia Tomé IFUSP 2010 18
 Cumulantes de uma distribuição

Definição:

Tomando-se o logaritmo de g(k) e expandindo-o em k

obtemos os cumulantes da distribuição.

Importante
•A expansão da exp(ikx) em g(k) gera os momentos.

•A expansão do ln de g(k) gera os cumulantes.

(ik )n
Os cumulantes são definidos por: ln g (k )   n
n 1 n !

n = cumulante de ordem n.

Tânia Tomé IFUSP 2010 19

 Cumulantes de uma distribuição:

(ixk )n n Cumulante
ln g (k )   n de ordem n.
n 1 n!
n
Expandindo em série de Taylor o logaritmo de 1   (ik ) n
n 1 n!
e comparando com a definição de g(k) em termos dos cumulantes
dada acima obtemos os cumulantes em termos dos momentos:

1  1  2  2   21  3  3  32 1  2 3
1

 4  4  43 1  3 2 2  122  21  6 41

E assim por diante podemos escrever os cumulantes de ordem n como

combinações de momentos de ordem igual a n e menor que n.

Tânia Tomé IFUSP 2010 20

 Exemplo: cumulantes de uma gaussiana

1
 ( x)  exp( x 2 /2 2 )
2 2

1  1  0

 2  2   21   2
3  3  32 1  2 31  0

 4  4  43 1  3 22  122  21  6 41  3 4  3 4  0

Tânia Tomé IFUSP 2010 21

 Função geratriz

Variáveis
aleatórias
discretas n  0,1, 2,... pn  0

Definição

G ( z )   pn z n
n 0 Função geratriz

As derivadas da função geratriz estão relacionadas

com os momentos da distribuição.

Tânia Tomé IFUSP 2010 22

 As derivadas da função geratriz estão relacionadas com os
momentos da distribuição

G '( z )   n pn z n 1 G '(1)   n pn  n 
n 0 n 0

G ' ' ( z )   n (n  1) pn (t ) z n 2
n2

G ' ' (1)   n (n  1) pn (t ) G ''(1)  n2    n 

n2

G '''(1)  n3  3  n2  2  n 

G ''''(1)  n4  6  n3  11  n2  6  n 

Tânia Tomé IFUSP 2010 23

 Aplicação

Para obter a distribuição de probabilidade Pn (t ) do processo de morte pura (ou

decaimento radioativo) comentado na aula passada pode-se utilizar a função
geratriz.
Isto é, se obtém a função geratriz para este problema e então é obtida Pn (t )
Função geratriz

G ( z, t )   Pn (t ) z n 
G   n pn (t )  n(t ) 
n z z 1 n

2    
  n  z G   n (t ) 
2 2
G n
z 2 z  z  z 1
z 1

Tânia Tomé IFUSP 2010 24

 Equação mestra
para o processo
de morte pura

d
Pn (t )  (n  1)   Pn 1 (t )  n  Pn (t )
dt

Condição inicial:

número de indivíduos no instante t  0: é n0

Pn0 (0)  1 n  n0 em t 0

Tânia Tomé IFUSP 25

 Encontrar Pn (t )

d
Pn (t )  (n  1)   Pn 1 (t )  n  Pn (t ) Equação mestra para o
processo de morte pura
dt

Utilizar a função geratriz G ( z, t )   z n Pn (t )

n

Função geratriz

G   n pn (t )  n(t ) 
z z 1 n

   
 z G   n (t ) 
2

z  z  z 1

Encontrar G( z, t ) Pn (t )

Tânia Tomé IFUSP 26

 FIM

Tânia Tomé IFUSP 2010 27