CAMINHADAS ALEATÓRIAS: CONCEITO E APLICAÇÕES

Dalton Vinicius Kozak

Departamento de Engenharia de Computação
PUCPR, Pontifícia Universidade Católica do Paraná
Rua Imaculada Conceição, 1155 - 80215-901 - Curitiba - PR
dalton.kozak@pucpr.br

RESUMO
Este breve artigo tem como objetivo dar uma visão geral do que vem a ser uma
caminhada aleatória, e qual a sua utilidade na análise de alguns fenômenos
físicos. Para tal, é explicado o conceito de caminhada aleatória através de
gráficos a simulações, e alguns exemplos de aplicação são mostrados
ilustrando a utilização desta técnica.

se R ≤ 0.5, o passo será para frente;

•
1. INTRODUÇÃO • se 0.5 < R, o passo será para trás.

Um indivíduo, após "tomar todas", Tal lógica é facilmente implementada em computador,

caminhava, mal conseguindo se conforme ilustrado na Figura 1.
manter de pé. A probabilidade de
Function Passo() As Integer
ele dar um passo em qualquer ' Rnd: gerador de números Randômicos
direção era a mesma. Um grupo de If Rnd <= 0.5 Then
"amigos" observava a cena, e Passo = 1
apostavam entre si que distância ele Else
Passo = -1
percorreria a cada número fixo de End If
passos. End Function
Embora pareça um problema sem nexo algum, a
caminhada acima ilustra uma classe de problemas Figura 1. Código em VBA2 que determina o próximo
associada ao que se denomina "caminhada ou passeio passo do walker 1-D.
aleatório", onde um walker (o bêbado) realiza passos em
direções quaisquer, sendo o tamanho do passo e o Simulando a realização de 10 caminhadas do walker
intervalo entre eles fixos, ou com algum grau de (ou 1 caminhada para 10 "walkers" - hipótese ergódica3),
aleatoriedade. Tais caminhadas permitem modelar alguns com 24 passos cada uma, obtém-se as curvas mostradas
fenômenos físicos, tornado assim seu estudo algo de no gráfico Passo x Distância da Figura 2. Na Figura 3 é
interesse. mostrada a freqüência relativa (normalizada em relação à
freqüência máxima) das distâncias percorridas pelos
Analisando melhor o problema exposto acima,
walkers.
imaginemos agora um problema semelhante,
simplificado, onde: Aumentando o número de caminhadas, é possível
observar na Figura 4 que a distribuição da freqüência
• todos os passos do walker têm o mesmo
relativa tende a uma curva normal, cuja expressão, neste
comprimento (1 m);
caso, é dada por
• o walker caminha apenas numa direção, no sentido
para frente ou para trás em cada passo; m2
1 −
p n (m) = e 2n (1)
• a probabilidade de ele andar em qualquer sentido
2π n
(para frente ou para trás) é a mesma.
Para simular esta caminhada é preciso lançar mão de onde m é a distância percorrida pelo walker e n é o
um gerador de números aleatórios (mais precisamente, número de passos da caminhada.
pseudo-aleatórios1) que será utilizado na determinação do Neste caso, o desvio padrão σ é dado por
próximo passo - para frente ou para trás - conforme a
seguinte seqüência: σ= n (2)
• calcula-se o número aleatório R (0 ≤ R ≤ 1);

1
É um formalismo. Nenhum algoritmo é capaz de gerar uma
seqüência aleatória na acepção pura da palavra, já que o algoritmo em
si é sempre determinístico, e há a limitação numérica intrínseca da
máquina em armazenar números.
2
Visual Basic for Applications.
3
Hipótese ergódica: "Para um processo randômico estacionário, um
grande número de observações feitas num único sistema em N
instantes arbitrários de tempo tem as mesmas propriedades
estatísticas que observar N sistemas escolhidos arbitrariamente ao
mesmo tempo a partir de um conjunto de sistemas semelhantes".

- 1/5 -
 2. APLICAÇÕES DA CAMINHADA ALEATÓRIA
2.1. Geração de Amostras
A partir da caminhada aleatória unidimensional é
possível amostrar uma variável cuja distribuição
gaussiana seja conhecida através do valor de sua média e
de seu desvio padrão. Isto é útil em simulações, como as
de Monte Carlo.
Assim, sendo a distribuição normal, ou gaussiana,
dada por
∆x 2
1 −
p( x) = e 2σ 2 (3)
2π σ
onde σ é o desvio padrão e x a variável de interesse, pode
ser associada a uma caminhada aleatória (para número de
Figura 2. Simulação da caminhada de 24 passos de passos n grande) através das relações
10 walkers 1-D.
∆x = m ⋅ s 0 (4a)
σ
s0 = (4b)
n
Assim, uma caminhada aleatória de n passos (n
grande) e distância percorrida m fornece um valor para a
variável x, obedecendo a uma distribuição gaussiana,
através da expressão
x = x médio + ∆x = x médio + m ⋅ s 0 (5)
A Figura 5 exemplifica o resultado da amostragem de
1000 valores de uma variável x com desvio padrão igual
a 1, conforme o esquema descrito acima.

Figura 3. Freqüência relativa das distâncias

percorridas pelos 10 walkers 1-D.

Figura 4. Freqüência relativa das distâncias Figura 5. Distribuição da amostragem da variável x a

percorridas por 10000 walkers 1-D. partir de 1000 walkers 1-D.

A seguir será visto como este comportamento da 2.2. Simulação da Difusão Unidimensional
caminhada aleatória pode ser útil. No estudo da difusão, assumindo N partículas de, por
exemplo, um soluto num solvente, a concentração do

- 2/5 -
primeiro no segundo é dada pela Lei de Fick, expressa, o resultado da simulação de um processo de difusão
para o caso unidimensional, por unidimensional.

∂C ( x, t ) ∂ 2 C ( x, t ) 2.3. Estudo do Movimento Browniano

=K (6)
∂t ∂x 2 O movimento browniano é o movimento aleatório de
onde K é a difusividade mássica e C(x,t) é a concentração partículas macroscópicas num líquido como
(partículas/comprimento) na posição x e no instante t > 0. conseqüência dos choques das moléculas do líquido nas
partículas, obedecendo a uma equação de difusão.
A solução da equação diferencial (6) é
O cientista que explicou corretamente esse
x2 movimento, propondo que a matéria fosse constituída de
N −
C ( x, t ) = e 4 Kt (7) moléculas, foi Albert Einstein, em 1905. Este movimento
4π Kt está diretamente ligado a muitas reações em nível celular,
à formação de proteínas, à síntese de ATP e ao transporte
intracelular de moléculas
A variância σ2 da caminhada 1-D no plano
Concentração x Raio (espaço x-y-z) se relaciona com o
coeficiente de difusão K do movimento browniano 3-D
através de

σ 2 = 6 Kt (8)
onde
1 ε2
K= (9)
6 δt
sendo ε o passo da caminhada, δt o tempo entre passos e t
o tempo da caminhada.

Figura 6. Difusão 1-D: para cada tempo de difusão,

uma distribuição gaussiana das distâncias percorridas
pelas partículas é estabelecida, sendo proporcional à
concentração.

Figura 8. Trajetória após 500 passos de uma partícula

descrevendo um movimento browniano.

As equações de posição aplicadas na simulação do

movimento browniano de uma partícula são
Figura 7. Simulação da difusão 1-D através de θ = 2πRnd
walkers 1-D. φ = 2πRnd
x = x + step·sin(θ)·cos(φ)
Notar que a expressão (7) representa uma distribuição (10)
normal para cada valor distinto de tempo. Sendo y = y + step·cos(θ)·cos(φ)
σ2 = 2Kt, mantido um passo fixo, o tempo estará z = z + step·sin(φ)
associado ao número de passos dado por uma partícula (o R = (x2 + y2 + z2)0.5
walker neste caso) numa caminhada unidimensional. A
Figura 6 ilustra este comportamento, e a Figura 7 mostra onde Rnd é um número aleatório entre 0 e 1, (x,y,z) são as
coordenadas espaciais cartesianas, R é a distância da

- 3/5 -
partícula do ponto de partida do movimento, θ é o ângulo respeitando a maxwelliana da temperatura na respectiva
longitudinal e φ o ângulo latitudinal. O resultado de tal fronteira.
simulação para uma partícula pode ser visto na Figura 8.
Na Figura 9 é mostrada a distribuição da posição e da
concentração das partículas após uma simulação onde
10000 partículas efetuaram 1000 passos cada. Notar que
a concentração obedece a uma distribuição gaussiana,
com era de se esperar, ao passo que a distribuição da
quantidade de partículas (freqüência da posição) segue
uma curva maxewelliana.

Figura 10. Modelo de gás na simulação DSMC.

A cada colisão entre partículas, as componentes das

velocidades de cada uma delas sofrem alterações
aleatórias, respeitando cada uma a distribuição gaussiana
referente à temperatura do gás, conforme ilustrado na
Figura 11. Pode-se dizer, então, que cada componente de
velocidade da partícula realiza uma caminhada aleatória
no espaço colisão x velocidade, onde o passo é variável
para cada componente (respeitando a distribuição
gaussiana), conforme mostra a Figura 12.

Figura 9. Distribuição da posição (maxwelliana) e

concentração (gaussiana) de 10000 partículas após
1000 passos de movimento browniano.
Figura 11. Distribuição de velocidades para o
2.4. Simulação Direta de Monte Carlo
componente i (i = x, y ,z).
A Simulação Direta de Monte Carlo (DSMC - Direct
Simulation Monte Carlo) é um método especializado para Em termos do espaço de velocidade (vx,vy,vz), existe
simulação de escoamento de gases, reativos ou não, uma caminhada aleatória da velocidade (módulo e
através da modelagem física direta das interações entre as direção), mas com o módulo respeitando, neste caso, a
partículas, de forma semelhante à realizada através da distribuição maxwelliana.
solução da equação de Boltzmann. Condições iniciais são
aleatoriamente atribuídas às partículas, e estas, através de
colisões ao longo do tempo, interagem entre si até atingir
um regime estacionário.
No modelo de gás - Figura 10 - a colisão entre
partículas obedece a conservação de quantidade de
movimento, sendo as direções pós-colisão aleatórias.
Modelos de interação entre as partículas são considerados
na colisão (como o de esferas rígidas). Na colisão com
fronteiras ocorre com reflexão difusa/especular,

- 4/5 -
 3. CONCLUSÃO
Espera-se que a visão geral aqui fornecida tenha dado ao
leitor uma noção razoável do que vem a ser a técnica das
caminhadas aleatórias na simulação e estudo de
fenômenos das mais variadas naturezas. Técnicas
estatísticas têm se mostrado úteis na análise de vários
problemas, e espera-se que o conhecimento de mais esta
ferramenta possa agregar valor aos procedimentos de
análise do leitor.

4. REFERÊNCIAS
[1] Bird, G. A.. Molecular Gas Dynamics and the Direct
Simulation of Gas Flows. Oxford University, 1994.
[2] Haw, M.. Einstein’s Random Walk. Physics World,
January, 2005.
[3] Majumdar, S.N.. Brownian Functionals in Physics
and Computer Science. Current Science, Vol. 89, No. 12,
25 December 2005
[4] Nordlund, K. Random Walks. Disponível em:
http://beam.helsinki.fi/~knordlun/mc/2004/mc7.pdf.
Acesso em 03/12/2006.
Figura 12. Caminhadas aleatórias das componentes
[5] Pllana,S.. Hystory of Monte Carlo Method.
de velocidade de uma partícula no plano
Disponível em:
colisão x velocidade.
http://www.geocities.com/CollegePark/Quad/2435/index.
html. Acesso em: 28/05/2006.
2.5. Outras Aplicações
[6] Rudnick, J.. Lectures on the Random Walk.
Existem várias outras aplicações das caminhadas Department of Physics and Astronomy, UCLA
aleatórias, das quais podemos citar as abaixo-listadas. Disponível em: http://research.yale.edu/boulder/Boulder-
• No estudo do cérebro, passeios aleatórios são 2006/Lectures/rudnick_notes.pdf. Acesso em 03/12/2006.
utilizados para modelar cascatas de sinapses nos [7] Speigel, M. R.. Estatística. McGraw-Hill, São Paulo,
neurônios. 1984.
• Em psicologia, passeios aleatórios explicam
acuradamente a relação entre o tempo de tomar
uma decisão, e a probabilidade de que dada
decisão será executada.
• Em redes sem fio, passeios aleatórios são usados
para simular o tráfego através dos nós.
• Durante a segunda guerra, passeios aleatórios
foram utilizados para modelar a distância que um
prisioneiro fugitivo poderia percorrer num dado
espaço de tempo.
• Em economia, a hipótese de passeio aleatório é
utilizada para modelar a evolução dos preços de
ações.
• Passeios aleatórios descrevem as propriedades da
deriva genética (mecanismo que, atuando em
consonância com a seleção natural, modifica as
características das espécies ao longo do tempo,
sendo um processo estocástico).
• No estudo de polímeros, permite modelar a forma
e tamanho de suas cadeias.
• Na matemática, passeios aleatórios são utilizados
para calcular a solução da equação de Laplace.

- 5/5 -