You are on page 1of 35

Dinâmica estocástica e irreversibilidade

AULA 2
Março/ 2009

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.
6. Distribuição de probabilidades conjunta.
A bibliografia básica para essa aula :
Gardiner, Cap. 2
TTMJ, Cap. 1
Van Kampen, Cap. 1
1

Definição

Variável aleatória:

1.

Define-se o intervalo de valores possíveis que a variável
pode assumir.
(i) Valores discretos
(ii) Valores contínuos

2.

Especificação da probabilidade associada a cada valor
que a variável assume no intervalo definido.

2

Variável aleatória:
(i) Valores discretos

(i) Valores contínuos

(i) Variável aleatória é discreta.
Exemplo: 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.

3

Variável aleatória discreta Vamos denotar essa variável de variável por: Vamos associar a cada valor de um número que denotaremos por: Tal que pn n n pn 1 n 0 É a distribuição de probabilidades associada à variável. 4 .

O momento de dipolo será dado por: Alfa é uma constante e sigma toma os seguintes valores = -1.Exemplo: Um átomo cujo momento de dipolo magnético se encontra na direção z. 1 1 z Se o momento de dipolo aponta na direção de z 1 1 p( 1) se o momento de dipolo aponta no sentido oposto. Será uma variável aleatória discreta que toma os valores +1 e -1 e. p e p( 1) (-1) q p( 1) p( 1) p q 1 5 .

x ] 0 Densidade de probabilidade 1 ( x) ( x) 0 ( x) dx 1 ( x) dx Integral sobre todo o intervalo [ x0 . x1 ] Probabilidade de encontrar x com valores entre x e x+dx 6 .Variável aleatória contínua x Especificação da probabilidade associada a cada valor que a variável assume no intervalo definido [ x .

x1 ] Probabilidade de encontrar x com valores entre x e x+dx 7 .Variável aleatória contínua Seja uma variável contínua: (x) x que assume qualquer Valores em um intervalo [ x0 . x1 ] Densidade de probabilidade Propriedades: (x) 0 ( x)dx 1 ( x)dx Integral sobre todo o intervalo [ x0 .

pz ) ( px 2 py 2 2 pz ) / 2m)dpy dpz são independentes e temos: ( px ) ( p y ) ( pz ) 8 . Cada molécula tem massa m e o sistema está a uma temperatura T. ( px ) 2 / 2 m exp( p x / 2 m) Densidade de probabilidade de uma das componentes  cartesianas do momento linear p de uma molécula. p y . p y . Esta é uma distribuição gaussiana! Observação: ( px ) ( / 2 m)3 As variáveis exp( px . pz ( px .Exemplo: Gás ideal clássico de moléculas monoatômicas contidas em um recipiente.

verde e azul). 2 é a variância 1 ( x) 2 2 exp(( x ) 2 /2 2 ) Distribuição de probabilidades gaussiana centrada em (média= ) (curvas em rosa).Distribuição gaussiana 1 ( x) 2 2 exp( x 2 /2 2 ) Distribuição de probabilidades gaussiana centrada no zero Média =0 (curvas em vermelho. 9 .

Valor médio. momentos e variância Definições Valor médio de uma função f ( x) da variável aleatória x f ( x) f ( x) ( x)dx Em particular se f ( x) x : f ( x) x x ( x)dx média 10 .

2.Momentos de uma distribuição: Momento de ordem m de x : m x m ( x)dx Momento de ordem 1: 1 x ( x)dx x x m m 1..3. Momento de ordem 2: 2 x 2 ( x)dx x2 Valor médio ou média 11 ...

Definição: 2 (x x ) 2 x 2 x 2 Pois: 2 (x x )2 x2 2x x x 2 12 .Variância A variância é também chamada de dispersão .

é uma medida do grau em que os valores de x estão afastados de seu valor médio.Variância (continuação) Ou seja a variância é escrita em termos dos momentos de segunda ordem e de primeira ordem: 2 2 2 2 1 É o desvio quadrático médio. 13 .

Exemplo: momentos da distribuição gaussiana (1) 1 ( x) 2 2 exp( x 2 /2 2 ) Momento de ordem 1 da distribuição gaussiana: 1 1 x ( x)dx 2 2 x exp( x 2 /2 2 )dx 0 (2) 14 .

Momento de ordem 2 da distribuição gaussiana Deriva-se cada lado da expressão abaixo com relação a é uma constante positiva. (3) d d x 2 )dx exp( 1/ 2 2 x 2 exp( x 2 )dx 1 2 (4) 2 1 2 d d 2 x 2 exp( x 2 / 2 2 1 )dx 2 2 1/ 2 ( ) (2 2 )3/ 2 2 2 (5) 15 . 2 exp( x )dx Essa é chamada de integral gaussiana.

Reif.. 1 n 2 2 x n exp( x 2 / 2 2 )dx 1. “Fundamentals of Statistical and Thermal Physics”).3. Os momentos de ordem ímpar da gaussiana são todos nulos.(n 1) n n par 16 .5..Outros momentos da distribuição gaussiana x 2 )dx exp( Integral gaussiana.. Os momentos de ordem par podem ser obtidos por derivação da integral gaussiana com relação (ver F.

17 . = variância (para o caso <x>=0). (n 1) n n par. 2 4 4 3 6 15 8 105 6 8 E assim por diante podemos escrever todos os momentos de ordem par em função de potências da variância.5..n xn x n exp( x 2 / 2 Portanto: 2 2 )dx 1...3.

18 .Função característica Definição: g (k ) exp(ikx) exp(ikx) ( x) dx Importante: g (k ) Função geradora dos momentos Os coeficientes da expansão em série de Taylor em k são os momentos.

.exp(ikx) 1 ixk x 2 k 2 / 2! i ( x 3 k 3 )/3! . Ou seja: exp(ikx) m 0 O que implica que: (ixk ) m m! g (k ) exp(ikx) m 0 g (k ) 1 n 1 (ik ) n n! (ik ) m m! ( x) m n 19 ..

para esses.Exemplo: 1 ( x) 2 2 exp( x 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! Se expandirmos essa expressão em k e usarmos a definição de g(k) em termos dos momentos encontraremos. as mesmas expressões que já encontramos utilizando a própria definição de momento! 20 .

•A expansão do ln de g(k) gera os cumulantes. 21 .Cumulantes de uma distribuição Definição: Tomando-se o logaritmo de g(k) e expandindo-o em k obtemos os cumulantes da distribuição. Os cumulantes são definidos por: ln g (k ) n n (ik ) n 1 n! n é o cumulante de ordem n. Importante: •A expansão da exp(ikx) em g(k) gera os momentos.

ln g (k ) ln(1 n (ik ) n 1 n! n ) ln(1 Primeiro termo da expansão em k de n (1 n 1 (ik )n 1 n! n kn n 1 1 ) (i) n (k ) n 1 n .ik 22 . n! n 1 1 k0 (ik ) n 1 n! ) n: k n k 0 1 .

k (ik ) n 1 n! 1 .n 1 kn 1 k0 (i )1 (k )0 n .{ (1 0) 1! 1 1 Mas ln g (k ) n n 1 1 }. ik n ik K1 ik K1 ik 1 K1 1 23 .

n! n 1 n) 2 n(i) n (k ) n .( n! 2 n 1 (ik ) n 1 n! 2 n) k 0 k2 2! k 0 k2 2! n 2 ) n : 2 k 2 1} 2! 24 .Segundo termo da expansão em k de ln(1 n (1 n 1 (ik )n 1 n! (1 n n) 1 n (ik ) 1 n! {( 1) n(i )n (n 1)(k ) n .

Segundo termo da expansão de 2 {( 1) 2 1 2 Comparando com k } 2! ln g (k ) n ln g (k ) n Temos {( 1) 2 K2 ln(1 (ik ) n 1 n! (ik ) n 1 n! n ) n 2 2 k k 2 2 } ( i ) K2 1 2! 2! 2 2 1 Cumulante de segunda ordem 25 .

n Expandindo em série de Taylor o logaritmo de 1 n 1 (ik ) n n! n e comparando com a definição de g(k) em termos dos cumulantes dada acima obtemos os cumulantes em termos dos momentos: 1 3 1 2 2 2 1 4 4 4 3 3 3 1 3 2 1 2 2 2 12 3 1 2 2 1 6 4 1 E assim por diante podemos escrever os cumulantes de ordem n como combinações 26 de momentos de ordem igual a n e menor que n.Cumulantes de uma distribuição ln g (k ) n (ixk ) n n! 1 n é o cumulante de ordem n. .

Exemplo: Cumulantes de uma gaussiana. 1 ( x) 2 2 1 2 3 4 exp( x 2 /2 2 ) 0 1 2 1 2 3 4 3 4 2 2 1 3 1 2 3 3 1 2 2 0 12 2 2 1 6 4 1 3 4 3 4 0 27 .

.. G( z ) pn z n 0 n Definição As derivadas da função geratriz estão relacionadas com os momentos da distribuição 28 . 2.Função geratriz pn 0 Variáveis aleatórias discretas n 0.1..

As derivadas da função geratriz estão relacionadas com os momentos da distribuição n pn z n G '( z ) G '(1) 1 n n 0 n 0 n(n 1) pn z n G ''( z ) n pn 2 n 0 G ''(1) 2 n(n 1) pn n 0 n 4 G ''(1) (n) pn n 0 G '''(1) G ''''(1) n pn n 2 n n 0 n 6 3 3 n n 3 2 11 n 2 2 n 6 n 29 .

pn N n N q p n n Distribuição binomial p q 1 0 p 1 0 q 1 30 .Exercício Definir a função geratriz para uma distribuição binomial e encontrar relações entre os momentos.

Exercício Mostrar que a função característica dessa gaussiana é: g (k ) exp( k 2 2 / 2) 31 .

.. x2 .. x3 . x2 ... x3 ...Distribuição de probabilidades conjunta Sejam N variáveis aleatórias: ( x1 .. x2 .. xN ) x1 .. xN )dx1dx2 ...... xN Densidade de probabilidade conjunta de x1 . x2 .... xN Propriedades: ( x1 . xN ) 0 ( x1 .dxN 1 32 ... x2 ...

x2 ..Densidade de probabilidade marginal 1 ( x1 ) 1 ( x1 ...dxN É uma possível densidade de probabilidade marginal É uma outra possível densidade de probabilidade marginal 33 .. xN ) dx2 . x2 ) ( x1 ...dxN ( x1 . xN ) dx3 ....... x2 .

..Distribuição de probabilidades conjunta Se as variáveis aleatórias são independentes então: ( x1 .... xN ) ( x1 ) ( x2 ) .. ( xN ) 34 . x2 .

FIM 35 .