22 © Introducio & Fisica Estatistica 1.1 © PROBLEMA DO CAMINHO ALEATORIO ‘Vamos considerar um individuo que se desloca sobre uma reta, a partir da origem, dando passos de comprimento igual (J) para a direita, com probabi- lidade p, ou para a esquerda, com probabilidade q= 1 ~ pO problema consiste em encontrar a probabi dade Py(m) de que o individuo se encontre na posi¢ao ml depois de ter dado N passos (com minteiro ¢ - N< m= N). Uma versio vetorial desse problema, num espaco tridimensional, poderia servir para estudar x ofendmeno de difusio de uma molécula gasosa que sofre colisdes intermoleculares. a Figura Il Camino aleatéri, com pastas de comprimento {, 20 longo do eixo =. A probabilidade de uma determinada seqiténcia de N passos, com Nj pasos para a direita e Np passos para a esquerda, é dada por (p-p)ana)= ea" - Por outro lado, 0 ntimero de segiiéncias desse tipo (isto é, seqtiéncias com Nj passos para adireita e N= N— N; passos para a esquerda) € dado pelo fator combinatorio M! NINg! Entio, a probabilidade de, num total de N passos, dar N, passos para a dircita ¢ [Ny passos para a esquerda é dada pela famosa distribuicdo binomial, > a com p+q=1¢ Ny +Ny=N. Note que essa probabilidade ja est devidamente nor- malizada. De fato, temos N x ; Ni own y Ww(Mi)= Dy sya"? = (0 +4) 2» PmIntroducéo aos Métodos Estatisticos * 23 Note também que 0 <= Wy(.Nj) <1, para 0 = N; 0. ¢ Wy(N) = pX = 0. Portanto, N, com 0 < r< 1, Para Ngrande, embora Nj seja um inteiro, podemos supor que perto do maximo a fungio Wy(N)) Wy (\)) deve ter um maximo para Ny = Ny seja quase continua em relagao a variavel aleatéria Nj. Na realidade, em vez de trabalhar com Wy(N)), € mais conveniente trabalhar com In Wyy(Nj), que varia bem mais lentamente. Como a fungao logaritmo é monotdnica crescente, tanto faz achar 0 maximo de Wy (Nj) ou de In Wy(j). Assim, temos (M1) = In Wy(Nj) = In NIH In Ny = In(N = Ny) 3) +N, Inp+(N-Nj)Ing Perto do maximo, tanto N; quanto N= Nj devem ser da ordem de N. Tornase, entao, interessante eliminar os fatoriais por meio da famosa expansio assint6tica de Stirling (ver apéndice A.1), que sera usada muitas vezes nesse texto, InN!=NInN-N+0(InN) (a6) Entio, temos J(M)=NINN-N-N InN, +Ny- =N,)In(N = Ny) + (7) +( Ny) +Nj In p +(N—N;)Ing+O(In Ny, In(W = Ny) Portanto, podemos escrever of 14 —_ InN, +In(N-N, In p-Ing+0| — 18) AL =-iny; sin(v-m)+np-tng+0l Lo -| as No limite N— ~, temos =In Ny +In(N-N,)+Inp-ing=0, a9)28 + Introduptio é Fisica Estatistica ou seja, =Np=(M) (20) iicando acoit ‘idéncia entre 0 valor mais prowdvele 0 valor médio (ver equacao 11) E facil obter a derivada segunda, (21) No ponto de maximo, para N—> ®, temos #f) 21. 2 ONT Jy, Noq “ Vamos agora considerar uma expansio de Taylor em torno do maximo N;). Assim, temos (M1) = ta Wyy(M) = In Way (5 (m=) + re) 2Npq A aproximagao gaussiana consiste em abandonar os termos de ordem superior hessa expansio, Isso se justifica, pois, para N grande, W(N;) s6 tem um valor apreciavel nas vizinhangas de seu valor maximo. Observando que Nj =(N;}@ que Noq=((A.N)2)= (A.NZ)2, podemos escrever a aproximacao gaus tribuicao binomial, na paraa dis- (i=) q any) Po(Ni) = Po exp} ey onde 0 coeficiente p, é determinado pela condigao de normalizacio (25)Introdugdo aos Métodas Estatisticos © 29 Utilizando os resultados do apéndice A.2 para as integrais de forma gaussiana, temos “pt so=[2xani)'] eo) Podemos, entao, escrever a distribuicéo normal ou gaussiana: oan og | a2 en a) Utilizando pg(N;), € facil verificar que (ide = J vaec(s)an = (01) 2) eae (an?) = Jl (ide) poder co em concordancia com os resultados para a distribui¢io binomial de origem. Entretanto, 0s momentos superiores calculados com a distribuico gaussiana deixam de coincidir com os momentos correspondentes calculados com a dist buicéo binomial. Cabe agora uma indagacao sobre os limites de validade da aproximacio de uma distribuicao binomial pela gaussiana correspondente (com os mesmos valores do primeiro € do segundo momentos). Para analisar essa questo, vamos con- siderar a derivada terceira No ponto de maximo, para N-> ®, termo dominante dessa derivada sera dado por30 * Introdugdo & Fisica Estatistica ay ant MM A aproximacao gaussiana deve ser muito boa para Np 2Npg Np? , isto é, para In; ~ %|< SNPr la-al Fora desse intervalo, ou seja, para IN, ~ Ny |= 3Npq/ |q— pl, temos 1 ontpte Po - veal ogi wee ; 30, para Noe 2Npq lo- oP | Portanto, no intervalo em que a aproximacio é ruim, a distribuigao pg é prati- camente nula, Como 0 desvio padrao tanto da binomial quanto da gaussiana é da ordem de VN , tanto a binomial quanto a gaussiana sio muito (ou seja, expo- nencialmente) pequenas quando Nj ~ Nj for grande. Também é facil calcular outras derivadas ¢ mostrar que esse cAlculo continua valido em ordens superiores. 1.4 DISTRIBUICO! CONTINUAS DE VARIAS VARIAVEIS ALEATORIAS. DISTRIBUIGOES, Uma generalizagao imediata do que ja foi visto consiste em levar em conta duas ou mais varidveis aleat6rias discretas. Vamos, por exemplo, considerarasvaridveis, we v. Ao par w.vp, podemos associar a distribuicao conjunta 0 = P(w,0,) = 1, tal que LP(wyjm)=t. (0 Podemos também definir a probabilidadeIntrodugéo aos Métodos Estatisticos © 31 rales) = Deer) on de que wassuma o valor uj, independentemente do valor de y, E claro que Erle) (32) Duas varidveis aleat6rias sio estatisticamente independentes, ou néo correlacionadas, quando Wj.UR Pa(u Polos) (33) E facil calcular os valores esperados da soma ou do produto de varidveis aleatorias distintas. Em particular, 0 valor esperado do produto € o produto dos valores esperados apenas no caso de varidveis aleatérias estatisticamente independentes Outra generalizacao imediata, que na realidade jé foi implicitamente uti- lizada na construcao das distribuigdes gaussianas, consiste em considerar variaveis aleatérias continuas. Vamos supor que a varidvel aleatéria uv possa assumir qualquer valor no intervalo entre ae b. Entio, a forma diferencial p(u) du deve ser interpretada como a probabilidade de que a variavel westeja entre os valores we w+ du, ea funco p(u) representa na realidade uma distribuicao de den- sidades de probabilidade. A normalizacdo seré dada por Joleen = 3 E muito ficil generalizar todos 0s conceitos probabilisticos que jé foram utilizados para distribuicées discretas. Por exemplo, o valor médio da fungao estocéstica flu) sera dado por 4 (rl) = J 1(s)elw)ae. 68) No limite continuo de distribuicdes discretas, devese notar que du é geralmente um intervalo macroscopicamente pequeno, porém microscopicamente grande. A probabilidade deve-se anular com du, masa densidade p(u), que muitas vezes também52 + Introducio d Fisica Estatstica €chamada distrib ‘o de probabilidades, éindependente do tamanho de du. Todas cssas idéias jé foram informalmente utilizadas na secdo anterior, no proceso de construcao da aproximacao gaussiana fg(NN)) para a distribuicao binomial O problema do caminho aleatério em uma dimensio pode ser ligeiramente generalizado, supondo que 0 deslocamento no jésimo passo seja caracterizado pelo comprin Podemos, entio, perguntar, depois de N pasos, qual a probabilidade p(x;N) dx de encontrar o individuo no intervalo entre xe x+ dx, onde 0 aleat6rio continuo sj, que ocorre com probabilidade w(s) ds; Tanto 55, para j= 1,...N, quanto xsio variaveis aleatorias continuas. © com- primento xé uma funcao das variaveis aleat6rias independentes e identicamente distribuidas s,,...5y. O valor médio ea dispersio da variével xpodem ser calculados imediatamente. Assim, temos (36) onde )= Joolyas @ (38) (39) Da mesma forma, temosIntrodugio aos Métodes Estatisticos © 33 (ax u,) + ¥ (4j)las) ro) ith be) t Me Portanto, ((29¥)= E((au') D(a a0) « jek Porém (As;As,) = (As) (As) = pendlentes, Entio, temos E((ouF)=m((os") i ), para j# k, pois os passos sio estatisticamente inde- x Jos? u(s)ds as) (ot) almente, podemos obter o desvio relativo Kf) Nor) ca Novamente, para Ngrande, supondo que w(s) seja uma fun anulando-se de maneira ‘io bem-compot suficientemente ripida para s—> +0, a distribuigio p(x; N) deve ser localizada nas nhangas do valor esperado. Na préxima seco, vamos obter uma forma integral para p(x; N) € mostrar que cla realmente se transforma numa gaussiana no limite de Ngrande, De certa forma, isso explica porque as dis- tribuigdes gaussianas ocorrem com tanta freqiéncia em situagdesfisicas envolvendo uum niimero grande de eventos independentes (associadosa uma forma arbitréria de probabilidade)34 + Introdupto é Fisica Estatistica *1.5 DISTRIBUICAO PARA O PROBLEMA DO CAMINHO ALEATORIO GENE- RALIZADO. LIMITE GAUSSIANO Como 0s passos no problema do caminho aleat6rio generalizado sao estatist: camente independentes,a probabilidade de uma determinada seqiiéncia é dada por um simples produto, de maneira andlogaao que foi feito no caso do problema discreto. ‘Vamos considerar de novo uma seqiiéncia de Npassos supondo que o deslocamento no ésimo passo tenha o comprimento aleat6rio sj, ocorrendo com a probabilidade w(s;) dsj. A probabilidade de encontrar 0 caminhante entre xe x+ dx, onde e eae é dada por wew)ace J Lala ulsy)esy xen tag tay entde (45) onde as integragdes devem ser realizadas de — % a+ %, com a restrigao indicada, Para remover essa restricdo, podemos utilizar a funcdo 6 de Dirac, que admite uma representacao da forma (ver apéndice A.3) Yr, para ~7/2 7/2, com y= 0. Portanto, temos to te . p(x:N)de = J -fola)an- u(sy)dsy dx] x Ss an Utilizando agora uma representacao integral da funcdo 5 (ver apéndice A.3), Bla) = se fexp(-its)ak, ay temosIntrodugdo aos Métodos Estatisticos * 35 IJ. (49) p(s.) = 2 fo Palatas: -1o(5y7) ds Jot a(- Agora é facil perceber que a integracio nas variaveis 5,....5y Se fatoriza, levando finalmente a forma integral plew)=e Jorotasjiagn] ak, 60) onde a fungao caracteristica (A) € a transformada de Fourier de w(s), a(K)= foveisucas. oy A titulo de mero exercicio, vamos verificar que, de fato, esse formalismo reproduza distribuicdo binomial no caso do caminho aleatério em uma dimensio ‘com passos de mesmo comprimento 1. Nesse caso, w(s) é dada por wu(s) = p8(s=1)+95(s+1). Entio, to(k) = pexp(ikl)+qexp(-ikl), de onde vem que pei \ (easy . [a(n]” = toy n=O) Portanto, temos gh" exp] kent ~ air =nye"t "(20 +N)36 * Introdusio é Fisica Estatistica Entdo, p(x) se anula a nao ser que x= (2n-N) , com n= 0,1,...N. Para obter a forma discreta da distribuicéo binomial, temos de integrar p(x) num intervalo icsimal no entorno de x= (2n—N) 1. Assim, temos, finalmente, (en-w)ive Pyln)= fF plinae (2n-N)l-e ‘Também podemos obter p(x;N), de forma simples ¢ direta, por meio de uma cquacio estocastica de diferengas, como jé foi feito na seco 1.1 para 0 caso do caminho aleatério com pasos iguais. Generalizando a equagio (3), temos a relagio de recorréncia (62) tem a forma de uma ii tegral de convolucdo. Introduzindo as transformadas de Fourier, B(sN) = Jero( is) alsin )ax, 63) ¢ (), dada pela equacdo (51), temos (is +1) (saa). a Levando em conta que no instante inicial (isto é, para } 0) 0 caminhante esta na origem, ou seja, que p(x; 0) = 6(x), essa equacao nos fornece Ben) =[(4)” A distribuigao p(x;N) sera dada pela transformada inversa de Fourier, esn)= fev (-its)[a(a)f ax, 6Introdugdo aos Métodas Estatisicos © 37 que nao poderia deixar de coincidir com a equacao (50)! Vamosagora obter uma expressio para p(x; N) no limite de Nmuito grande. Devido ao fator oscilante exp (iks), a funcdo 1(k) s6 é aprecivel nas vizinhangas de k= 0, Isso € ainda mais acentuado no caso de [1(#)]N, com Ngrande. Vamos, entio, escrever a expansio a(t) = fexeits)u(s)as= Jocy{ieas (57) - _lple =1+ik(s) 5 \ Portanto, temos wig™ , [of = exp[vina(e)]= Lone 5 (st) . 1a((9?-(2\) aol? =n fas) oe (6? -(s*)) +00 )} Abandonando 0s termos de ordem superior a 2, temos a integral 1 v 1 2\ 12 (3) =f exp| its = nin(s) Lv (as)? Ja 9) aque fornece a forma gaussiana oo onde “= N(s)eo2=N((As)2). Novamente, encontramos uma distribuigao gaussiana com 0 mesmo valor esperado ea mesma variancia da distribuicao original. Na rea lidade, a distribuicao gaussiana, nesse caso, é uma manifestacao particular do famoso teorema do limite central da teoria das probabilidades. Isso tudo funciona desde que: (i) os passos sejam estatisticamente independentes; diminua de maneira suficientemente rapida com s—> = % (iii) N'sej suficien- temente grande. Condigdes dessa natureza podem ser identificadas numa grande