dinâmica estocástica e irreversibilidadefge.if.usp.br/~ttome/cursos/aula_3.pdf · 3 determinar a...
TRANSCRIPT
1
AULA 3
Março de 2009
Dinâmica estocástica e irreversibilidade
Bibliografia básica para essa aula:
Gardiner, Cap. 2
TMJ, Cap. 1, Cap. 2
van Kanpem, Cap. 1
. Probabilidade conjunta
. Probabilidade marginal
. Probabilidade condicional
. Variáveis aleatórias independentes
. Soma de variáveis aleatórias independentes; função característica e cumulantes.
. Teorema central do limite.
Aplicação: Modelo de Glauber-Ising a temperatura infinita
. Caminho aleatório unidimensional
2
Distribuição de probabilidades conjunta
Conjunto de variáveis aleatóriasMxxxx ....,,,, 321
)....,,,,( 321 Mxxxx
MNs dxdxdxxxxxx ...),..,...,,,()( 323211
= Densidade de
probabilidades
conjunta
Densidade de probabilidade marginal
(*) Essa é uma possível
distribuição marginal
3
Determinar a densidade de probabilidades marginal de:
3232111 ),,()( dxdxxxxx Utilizando a definição:
Exemplo
)2/)(exp(2
),,(222
3
zyxzyx vvvmm
vvv
zyzyxx dvdvvvvmm
v
)2/)(exp(
2)(
222
3
1
)2/exp(2
)(2
1 xx mvm
v
Uma possível densidade
de probabilidade
marginal da densidade
dada na Eq. (1).
(1)
(2)
(3)
Ou:
4
Densidade de Probabilidade Condicional:
),..,...,,,()...,|()...,,,( 3232121 MsMM xxxxxxxxxxx
)...,|( 321 Mxxxx
Probabilidade de que assuma um determinado valor dado que as
variáveis restantes assumiram certos valores
1x
Mxxx ...,,, 32
1 21 2 3
2 3
( , ,..., )( | , ... )
( , ,.., )
MM
M
x x xx x x x
x x x
Densidade de probabilidade conjunta
Densidade de probabilidade condicional
5
Variáveis aleatórias independentes
Se o conjunto das 4 variáveis puder ser dividido em dois subconjuntos
e (por exemplo)
tais que a densidade de probabilidade se FATORIZA:
1 2 3 4, , ,x x x x
Então o conjunto e o conjunto são
estatisticamente independentes.
A densidade de probabilidade de não tem relação
com os valores assumidos pelas variáveis de
1 2( , )x x
Conjunto de variáveis aleatórias.
1 2 2 3 1 2 3 4( , ) ( , ) ( , ) ( , )x x x x x x x x
1 2 3 4( , , , )x x x x Densidade de probabilidade conjunta
3 4( , )x x
1 2 3 4( , , , )x x x x
1 2( , )x x3 4( , )x x
3 4( , )x x1 2( , )x x
6
Variáveis aleatórias independentes
1 2 3, ,x x xSe:
)()()(),,( 321321 xxxxxx
2x
3x1x
3x1x
Se 321 ,, xxx são variáveis aleatórias independentes então:
São variáveis aleatórias mutuamente independentes entre si de modo que
2x
é estatisticamente independente de
é estatisticamente independente de
é estatisticamente independente de
Então
)()()(),,( 321321 xxxxxx
7
)()()(),,( zyxzyx pppppp
)2/exp(2/)(2
mpmp xx
zyzyxx dpdpmpppmp )2/)(exp()2/()(2223
Densidades de
probabilidade marginais
Exemplo:
As variáveis zyx ppp ,, são independentes e temos:
3
2 2 2( , , ) exp( ( ) / 2 )2
x y z x y zp p p p p p mm
)2/exp()2/()(2
mpmp zz
)2/exp()2/()(2
mpmp yy
Distribuição de velocidades de Maxwell
8
Mudança de variáveis
Seja uma variável aleatória e uma outra variável aleatória e sejamx y
as distribuições de probabilidades
associadas a x e a y dadas, respectivamente, por: )(x )(ye
Se a cada valor assumido por corresponder um único valor de então:
dxx)(dyy)(
x y
9
Exemplo:
2
2 2( ) exp( )y c b y
axy
)exp()( 2
11 xbcx
( ) ( )y dy x dx
1( ) ( )y x
a
y x reais.
( ) 1y dy
( ) 1x dx
tal que
tal que
e
10
)2/exp(2/)(2
mpmp xx
Exemplo:
3
2 2 2( , , ) exp( ( ) / 2 )2
x y z x y zp p p p p p mm
Distribuição de velocidades de / gás ideal monoatômico
/x xv p m
( ) ( )x x x xv dv p dp
( ) 1x xp dp ( ) 1x xv dv
1( ) ( )x xv p
m
2 2( ) exp( / 2) exp( / 2)2 2
x x x
mv m mv mv
m
Transformação de variável
11
Soma de variáveis aleatórias independentes
NxxxxX ....321
Conjunto de variáveis aleatórias independentes:
NM xxxxxxxX ....... 21321
também é uma variável aleatória.
Nxxxx ....,,,, 321
Propriedade válida para qualquer conjunto de variáveis aleatórias!
Valor médio de X :
12
Nxxxx ....,,,, 321
222 XX
Se
Variância da distribuição associada à :
N2
22
122 ....
variáveis aleatórias independentes
Em que: 222 jjj xx Nj ....,,2,1
NxxxxX ....321
X
= soma de variáveis aleatórias independentes
A variância da soma de variáveis aleatórias independentes é
igual à soma das variâncias de cada variável aleatória.
Então
14
( ) exp( ) ( )G k ikX X dX
21 xxX
Vamos tomar apenas duas variáveis aleatórias independentes e .
)()()( 21 kgkgkG
Função característica
são variáveis aleatórias independentes então podemos mostrar que:1x 2xe
1x 2x
Função característica
Soma:
1 1 1 1 1( ) exp( ) ( )g k ikx x dx 2 2 2 2 2( ) exp( ) ( )g k ikx x dx
em que
15
Exercício (Lista 1 parte A)
Mostrar que a função característica associada à soma
de N variáveis aleatórias mutuamente independentes
pode ser escrita como:1 2 3( ) ( ) ( ) ( )... ( )NG k g k g k g k g k
( ) exp( ) ( )j j j j jg k ikx x dx
em que
1 2 ... NX x x x
1 2, ,...., Nx x x
1 2 1 2 1 2( ) ( ( ... )) ( , ,..., ) ....N N NX X x x x x x x dx dx dx
( ) exp( ) ( )G k ikX X dX 1,2,...,j N
Sugestão. Utilizar a transformação de variáveis:
16
Cumulantes de:
variáveis aleatórias independentes
21 xxX
21, xx
)()()( 21 kgkgkG
Pois:
(2))!
)(exp()(
11
1
)1(
11
1 nn
n
n
ikkg
)!
)(exp()(
2
2
)2(
122
2 nn
n
n
ikkg
1
( )( ) exp( )
!
n
nn
ikG k
n
Comparando termo a termo em k do produto
das expressões (2) e (3) com a expressão
(4) obtemos o resultado :
(1)
(3)
(4)
nnn
)2()1(
nnn
)2()1(
Cumulantes da soma de variáveis independentes
17
Distribuição da soma de variáveis aleatoriamente
independentes gaussianas
2 2
1( ) exp( / 2)g k k
2 2
1 1 12
1( ) exp( /2 )
2x x
21 xxX
2 2
2 2 22
1( ) exp( /2 )
2x x
2 2 2 2 2 2
1 2( ) ( ) ( ) exp( / 2).exp( / 2) exp( )G k g k g k k k k
2 2
2( ) exp( / 2)g k k
)(exp()exp()()exp()( 21 xxikikXdXXikXkG
É uma gaussiana também!
1 2( ) ( ) ( )G k g k g k
Exercício
Lista 1 parte A
1 0 2 (1) (2)
2 2 22 3 4 5 ... 0
18
1
( )( ) exp{ }
!
n
n
n
ikG k
n
2 2
1 2( ) ( ) ( ) exp( )G k g k g k k
2 3
1 2 3
( ) ( ) ( )( ) exp{ ... ....}
1 2 3!
ik ik ikG k
Comparando as duas expressões acima temos:
definição
2 2
2
1( ) exp( /4 )
2 2X X
2 2 2 2
1 2( ) ( ) ( ) exp( / 2).exp( / 2)G k g k g k k k
Distribuição gaussiana
19
2
22
1( ) exp( )
2(2 )2 2
XX
Resumindo:
Se:
2 2
1 1 12
1( ) exp( /2 )
2x x
2 2
2 2 22
1( ) exp( /2 )
2x x
Então:
21 xxX
1x 2xe são variáveis aleatórias independentes com distribuições
gaussianas:
20
Genericamente
Se:
2 2
2
1( ) exp( /2 ) ,
2j j jx x
1x 2x, são N variáveis aleatórias mutuamente independentes com
distribuições gaussianas,Nx,
1,2,..., ,j N
2
22
1( ) exp( )
22
XX
NN
então a distribuição associada à soma:
1 2 ... NX x x x
2 2X N
é dada por:
21
)2/exp(2
1)( 22
2
ZZ
N
xxxxZ N
....321
Distribuição de probabilidades associada a Z
22 )( jx0 jx
Nj ...,,2,1
jx é tal que: e
Então para N
Teorema central do limite
Se é finita
é uma gaussiana.
temos:
22
são estatisticamente independentes
2 2 2 2 2
1 2 3 1 2 1 3
1{ .... ... }NZ x x x x x x x x
N
Nxxxx ....,,,, 321
2 2
1 1 2 1 3
1{ ...}Z N x x x x x
N
Como 1 2( ) ( ) ... ( ) 0Nx x x
2 2 2 2
1 2( ) ( ) ... ( )Nx x x e
2 2 2 2
1 1 2
1{ }Z N x x K
N
N
xxxxZ N
....321
0Z 1 2( ) ( ) ... ( ) 0Nx x x
Teorema central do limite (desenvolvimentos)
2
2K
23
Demonstrações a partir da função característica:
van Kampen , Stochastic Processes in Physics and Chemistry, Capítulo 1
T. Tomé e M. J. de Oliveira, Dinâmica Estocástica, Capítulo2.
S. R. Salinas, Introdução à Física Estatística, Capítulo 1.
24
N
xxxxZ N
....321
N
xxxxZ
N
2
3212....
2
22
2
N
NZ
de ordem superior a 2 se
anulam
Das propriedades enunciadas em (1), (2) e (3) concluímos que a
distribuição associada a é uma de
variância e .
Z2
Z
Pois:
Utilizando o fato de que as variáveis são independentes podemos mostrar o
resultado acima.jx
(3)
gaussiana
Também podemos mostrar que os cumulantes de
N 0j
N
média nula
Variância
Finita!
3,4,5,...j
25
Exemplo: Modelo de Glauber- Ising.
Energia associada a configuração
1,1 i
)...,,,...,( 1 Ni
ii
é uma variável que assume dois valores:
especifica uma configuração do sistema.
),(
)(ji
jiJE :
em que a soma é sobre pares de cteJ
N
iCada sítio
)...,...,,2,1( Ni
,
está ocupado um átomo magnético cujo momento de
i
cte
primeiros vizinhos e
Seja uma rede com sítios.
Modelo de Ising:
ede dipolo magnético é: , em que
0J : interações ferromagnética
26
Para temperaturas acima da temperatura crítica o sistema se encontra no estado
paramagnético (desordenado).
|| m
Então:
o parâmetro ordem se anula para cTT (sistema infinito).
cTT 0|| m
Esboço do diagrama de fase do modelo de Ising bidimensional a campo nulo.
T0
cT
cT Temperatura crítica.
F P
F
P
Fase ferromagnética.
Fase paramagnética.
T Temperatura
Onde se dá uma transição entre as fases
P e F (transição de fase).
|
Para temperaturas abaixo da temperatura crítica o sistema se encontra no estado
ferromagnético (ordenado).
|| m
Parâmetro ordem
para
Magnetização versus temperatura (kT/J, J>0)
para o modelo de Ising definido em uma rede quadrada de
tamanho N=LxL.
)(c
TTM
(Nas proximidades do ponto crítico)
é o parâmetro de ordem para essa transição
m
Fase ferromagnética
ordenadaFase paramagnética
desordenada
26918,2/ JTkcB
)21ln(2
1/
1
JTk cB
440687,0/1
JTk cB
Landau &
Binder (2000)
m
0m 0m
As curvas correspondem à
redes quadradas regulares
de diferentes tamanhos LxL
m
28
i uma variável aleatória.
é uma soma de variáveis aleatórias.
Consideremos um dinâmica estocástica associada ao modelo de Ising:
modelo de Glauber-Ising.
A partir de uma configuração inicial aleatória gera-se outras configurações por
meio da dinâmica.
Para isto podemos, por exemplo, utilizar a prescrição de Metropolis e atualização
assíncrona.
(vamos ver a prescrição de Metropolis e atualização, neste curso, mais adiante!!)
N .....)( 21Μ
Modelo de Glauber- Ising (continuação)
0...21 N 0.....)( 21 NΜ
1,1 i
O modelo de Glauber-Ising possui simetria “up-down” (simetria de inversão):
i i )...,...,,2,1( Ni O hamiltoniano e a dinâmica ficam
invariantes
29
Temperatura T
iAs variáveis aleatórias se tornam estaticamente independentes.
Neste caso cada variável tem probabilidade ½ dei
2
1)1( ip
2
1)1( ip
um dos seus dois possíveis valores:
Modelo de Glauber- Ising (continuação)
assumir qualquer
Consideremos o regime de altas temperaturas:
Sistema no estado paramagnético
1i
1i
com
com
T ( )
30
Modelo de Ising
cT T
cT temperatura crítica
estado ordenado
Simulações de Monte Carlo em redes quadradas regulares.
Instantâneos da rede gerados utilizando a prescrição de
Metropolis para o modelo de Ising.
cT T cT T
estado desordenadoT muito próxima
da crítica.
“Spin para baixo”
“Spin para cima”
1i
1i
31
Pois:
1)1(2
1)1(
2
1 221
2
A 101 é igual a 1
1122
1... 22
21
22 N
Todas as variáveis têm a mesma variância:i
TModelo de Glauber- Ising (continuação)
e como:
Consideremos o regime de altas temperaturas:
variância de
cT T
ou
cT Temperatura
crítica
32
2
2 1 2( ..... )NZN
2121 N ...,,, 21 são independentes. Então:
Glauber-Ising (continuação)
Obtivemos (slide anterior) que:
0....21
2
12 2
1Z NN
1... 222
21
2 N
Portanto, a partir da Eq. (1) e usando (2), (3) e (4), obtemos:
2 2 1Z
2
1 1 2 1 3 1... ...NN
N
(1)
(2)
(3)
(4)
N
Z N
....321Definindo:
33
(3)1... 22
21
22 N
cT T
Modelo de Glauber- Ising.
& Teorema central do limite
N ...,,, 21 variáveis aleatórias independentes.
Levando em conta as condições (1), (2) e (3) e definindo
0....21
Obtivemos (slide anterior) que a variância
de todas as variáveis é igual e finita:
(2)
(1)
2
o teorema central do limite implica que a distribuição de
N
Z N
....321
)2/exp(2
1)( 2ZZ
Distribuição de probabilidades associada a
Z
para N
é uma gaussiana.Z
11
22
N
N
N
NZ
é
Variância:
34
NN
N
.....21Μm
)2/mexp(
)2
(
1)m( 2N
N
N
NNN
N
N
1Mm
2
2
122
2
0.....21
Nm N
m
N finito
suficientemente grande).
(mas
Supondo a forma assintotica para
= variância de m.
A distribuição de
(m)N
NN
N
.....m 21Μ
35
)2/exp()2(
1)( 22
2
Nm
N
mN N
m N
.....21
0
.....21
N
m N
NN
Nm i
2
2
2
2
= variância de m.
À medida em que N cresce a variância de m vai a zero.
Para N tendendo a infinito a distribuição de m
)(mtende a uma delta de Dirac como devemos esperar.
2
N
= desvio quadrático de m.
36
02 ( )m m m dm
Parâmetro de ordem para o modelo de Ising
Cálculo do valor médio e da variância de a altas temperaturas.m
m
Portanto, para um certo N, o desvio quadrático
médio de m é proporcional a: 1/ N
EXERCÍCIO Lista 1
N
o desvio quadrático
vai a zero.
37
18.01
09.02
101 N
m
q
q = parâmetro similar a temperatura
Modelo similar ao modelo de Glauber-Ising
202 N
10/1/1 1 N
20/1/1 2 N
1001 N
4002 N
Desvio quadrático médio a altas temperaturas é proporcional a
Altas temperaturas q Altos valores de
1/ N
Resultados obtidos por simulações de Monte Carlo para o modelo do
votante majoritário definido em redes quadradas com N=LxL sítios.
cq
cq q cT T
T