Beruflich Dokumente
Kultur Dokumente
PROCESSOS ESTOCASTICOS
Celia Anteneodo
Centro Brasileiro de Pesquisas Fsicas
RESUMO
Praticamente qualquer sistema (fsico ou n
ao) est
a sujeito a complicadas inuencias que n
ao podem ser inteiramente conhecidas. Estas inuencias, tipicamente associadas a um grande n
umero de graus de liberdade envolvidos,
impedem predizer com precis
ao arbitr
aria o estado do sistema em cada instante. Assim, o resultado de uma experiencia programada para medir um dado
observ
avel tem uma componente que utua ao se repetir a experiencia, mesmo
sendo esta preparada em condicoes praticamente identicas. Apesar dessa imprevisibilidade, que caracteriza o fen
omeno como sendo aleat
orio, quando a
experiencia e repetida um grande n
umero de vezes aparecem regularidades.
Isto permite a formulacao de leis matematicas onde os conceitos de probabilidade e de din
amica estocastica, objetos de estudo do presente curso, sao as
nocoes fundamentais.
Nos sistemas quanticos existe uma imprevisibilidade adicional alem da que
surge devido exclusivamente a` natureza complicada que o sistema possa ter.
Probabilidade
Um experimento aleat
orio (ou n
ao-determinista) e tal que n
ao e possvel armar
a priori o resultado que ocorrer
a, podendo o resultado ser diferente mesmo ao se
repetir o ensaio em condicoes praticamente inalteradas. Os resultados podem
parecer err
aticos nas primeiras tentativas, entretanto, ap
os um grande n
umero
de repeticoes, aparecem regularidades.
Quando lidamos com fen
omenos aleat
orios, podemos porem conhecer, em
geral, o conjunto dos possveis resultados a serem observados ao realizar uma
dada experiencia. A partir de um modelo, podemos tambem atribuir aos resultados ou conjuntos de resultados possveis, n
umeros que representem as suas
chances de ocorrencia. Estes n
umeros, n
ao-negativos e somando um para todos os possveis resultados excludentes, sao denominados probabilidades. O
modelo pode ser construdo seja a partir da freq
uencia de ocorrencia observada
em um grande n
umero de experimentos passados (lei dos grandes n
umeros) ou
teoricamente, a priori.
Para uma revis
ao dos conceitos fundamentais em probabilidade, remeto o
leitor para o captulo deste livro da Profa. Maria Eul
alia Vares. Contudo, nesta
secao encontra-se um compendio da terminologia b
asica (veja por exemplo 1) ).
1.1 Vari
aveis aleatorias
Dado um experimento aleatorio E, o espaco amostral S e o conjunto dos resultados possveis (numericos ou n
ao). A cada evento A (qualquer subconjunto
de S) pode ser associado um n
umero real n
ao-negativo P (A) denominado probabilidade tal que P (A B) = P (A) + P (B), para eventos A e B mutuamente
excludentes, e P (S) = 1.
Uma vari
avel aleat
oria (VA) unidimensional X e uma funcao S SX R
que associa a cada elemento s S um (
unico) n
umero real X(s). A vari
avel
X pode ser discreta (SX nito ou innito numer
avel) ou contnua (SX innito
n
ao-numer
avel). Em alguns casos nos referiremos a propriedades das vari
aveis
a
o).
i
i1
No caso contnuo, a distribuicao de probabilidade de uma vari
avel aleat
oria
X e dada pela funcao fX , chamada funcao densidade de probabilidade (FDP),
tal que fX (x)dx representa a probabilidade P (x X x+ dx). Assim, a FDP
permite calcular a probabilidade de que X se encontre dentro de um intervalo
real [a, b]:
P (a X b) =
dx fX (x).
(1)
dx fX (x) = 1.
(2)
Inversamente, a densidade n
ao-acumulada e obtida por diferenciacao:
fX (x) =
FX
.
x
(3)
fX,Y (x, y)
,
fY (y)
com fY > 0,
(6)
(7)
(8)
A funca
o caracterstica (FC) da vari
avel X e a transformada de Fourier
da sua FDP
dx eikx fX (x).
(10)
GX (k) = eikx =
(ik)m
X m ,
m!
(11)
m0
ln GX (k) =
(ik)m
X m .
m!
(13)
m1
denominacao
binomial
distribuicao/densidade
P (k) =
media
variancia
np
np(1 p)
1/p
(1 p)/p2
1/
1/2
calcule
calcule
n k
nk
k p (1 p)
de Poisson
P (k) = e k /k!
k=0,1,... (>0)
geometrica
exponencial
f (x) = ex
x0 (>0)
gaussiana ou
normal, N(, 2 )
f (x) =
1
e
22
(x)2
22
1
q-gaussiana
lorentziana
ou de Cauchy
f (x) =
t de Student
f (x) =
-quadrado, 2n
/
(x)2 + 2
(>0)
( n+1
1
2 )
n+1
n( n
2 ) (1+x2 /n) 2
(n=1,2,...)
n/21 x/2
e
f (x) = x 2n/2 (n/2)
(n>1)
(n=1)
n
n2
(n=2)
(n>2)
2n
x0 (n=1,2,...)
de Levy, L
f (x) =
1
2
(0<, 0<<2)
dk cos kxe
|k|
e o coeciente de correlac
ao e dado por
(X, Y ) =
[X X ][Y Y ]
.
X Y
(15)
Q. 12: Provar que |(X, Y )| 1 e que a igualdade vale se existe dependencia linear entre
X e Y.
1
,
k > 0.
(16)
k2
Para vari
aveis aleatorias independentes Xi (i = 1, . . . , N ) identicamente
distribudas com media vale
P (|X | k)
lim P
X1 + X2 + . . . + XN
& = 0,
& > 0.
(17)
NA
pA (1 pA )
P
pA &
,
(18)
N
N &2
que tende para zero no limite N .
i=1 i
tende para uma distribuicao normal N(0,1) quando N , se e satisfeita a
condicao de Lindeberg 1) .
Aqui esbocaremos somente uma demonstracao para o caso em que as
vari
aveis da soma Z sao identicamente distribudas com media e desvio .
Neste caso
ik N
k
GZ (k) = e
GX
.
(19)
N
Tomando ln de ambos os membros desta igualdade, desenvolvendo ln GX em
k2
potencias de k e levando em conta que N e grande, se chega a GZ (k) = e 2 ,
que e a FC correspondente `a distribuicao N(0,1).
0.5
0.5
(a) N=1
0.5
(b) N=2
(c) N=10
f(Z)
0.0
0.0
-4
-2
0.0
-4
-2
-4
-2
Z
Figura 1: Resultados das simulacoes da Q. 16. Histogramas da variavel normalizada Z
calculada sobre 104 realizac
oes para os valores de N indicados na gura.
1.8 Entropia
Um funcional importante da densidade de probabilidade e a entropia. Ela
representa uma medida da desordem, da incerteza ou da desinformacao. A
forma entr
opica mais usual, a de Shannon, e dada por
(20)
S(X) = dx fX (x) ln fX (x).
Porem muitas outras formas entropicas podem ser encontradas na literatura
(veja por exemplo 2) ) que tambem vericam os requerimentos matem
aticos
de uma boa medida informacional, tais como as propriedades de positividade,
concavidade denida, axiomas de Khinchin, etc.
Q. 17: Ache a distribuicao denida num intervalo nito para a qual a entropia S e maxima?
Q. 18: Dadas duas variaveis independentes X e Y , ache a relacao entre a entropia da
distribuic
ao conjunta e as entropias das distribuic
oes marginais.
Processos estoc
asticos
Figura 2: Realizacoes tpicas de dois processos estocasticos: (a) rudo branco e (b) rudo
browniano.
Antes de caracterizar diferentes tipos de PEs, vamos analisar um exemplo simples porem que permite ilustrar varias nocoes importantes que serao
aprofundadas ao longo do curso, o passeio aleat
orio.
(21)
(n
vN )
2
P (n, N )
e 2DN
,
2 DN
(22)
4pq
onde P (n, N ) P (XN = n), v (p q) e a velocidade media e D
pode ser identicado com o coeciente de difusao. Com efeito, e interessante
notar que, por exemplo utilizando a relacao de recorrencia
P (n, N ) = p P (n 1, N 1) + q P (n + 1, N 1) ,
(23)
(24)
40
500
2 vs. N
x(N) vs. N
0.10
P(x,N) vs. x
N=100
<x>
0
0.05
2 = N
-40
0
0
500
N=400
0.00
500 -50
50
Figura 3: Resultados das simulacoes da Q. 20: (a) Diferentes realizacoes do processo, x(t)
esse um proQ. 22: Para o caminhante aleatorio da Q. 20, calcule cov(XN0 , XN0 +N ). E
cesso estacion
ario?
(26)
futuro n
ao e alterado por informacao adicional sobre o passado. Mais formalmente, para qualquer conjunto de tempos sucessivos t1 < t2 < . . . < tn :
f1|n1 (xn , tn |x1 , t1 ; . . . ; xn1 , tn1 ) = f1|1 (xn , tn |xn1 , tn1 ).
(27)
as vari
aveis que representam o n
umero de ocorrencias em intervalos disjuntos s
ao vari
aveis aleatorias independentes,
se Yt representa o n
umero de ocorrencias durante [to , to + t), ent
ao para
qualquer to > 0, Xt e Yt tem a mesma pdf.
p1 (t) t, onde e uma constante positiva, se t > 0 f
or sucientemente pequeno.
encias
k2 pk (t) 0, ou seja, a probabilidade de duas ou mais ocorr
durante um intervalo sucientemente pequeno e desprezvel.
X0 = 0, ou seja, p0 (0) = 1.
Estas hip
oteses permitem deduzir uma express
ao para pn (t) chegando-se
1)
t
n
a pn (t) = e (t) /n! (ver por exemplo ).
2.3.3 Processo de Levy:
uencia
Um processo PX (t) com incrementos independentes se reduz a uma seq
de vari
aveis aleatorias independentes Z0 = Xt0 , Zi = Xti Xti1 , i > 0.
Conhecendo as suas distribuicoes pode-se
conhecer a distribuicao conjunta de
qualquer conjunto nito das Xti = i>0 Zi .
Se a distribuicao de Xt+h Xt depende somente de h, se diz que o processo
tem incrementos estacion
arios.
Um processo com incrementos independentes estacionarios e denominado
processo de Levy.
2.3.4 Martingalas:
Um PE PX (t) (discreto ou contnuo) e uma martingala se Xt < para todo
t e se para quaisquer t1 < t2 < . . . < tn+1 vale 7) :
Xtn+1 |Xt1 = x1 , . . . Xtn = xn , = xn < .
Este e um modelo de jogos justos, em que a vari
avel ao tempo t e Xt . A
propriedade de martingala diz que a media ao tempo tn+1 , dado que se tem
xn ao tempo tn , e igual a xn independentemente de quais foram os valores
passados.
Din
amica estoc
astica: equa
c
ao de Langevin
A din
amica de um sistema estocastico pode ser descrita incorporando nas
equacoes de movimento deterministas uma forca utuante (aleat
oria) apropriada, obtendo-se assim uma equacao de Langevin. Muitos sao os problemas
que podem ser abordados a partir do tratamento estoc
astico da din
amica, desde
reacoes qumicas ate a din
amica de populacoes. Um tratamento alternativo
consiste na descricao probabilstica atraves de uma equacao para a distribuicao
de probabilidade dos estados do sistema. Veremos em detalhe estas duas descricoes e exploraremos a conexao entre ambas. Antes, vamos analisar um caso
concreto, o da partcula browniana.
3.1 Movimento browniano
Uma partcula no domnio browniano obedece a equacao de movimento
v = v + (t),
(28)
(1 e2t ).
2
(30)
1
1
mv 2 = kB T,
(31)
2
2
onde kB e a constante de Boltzmann e T a temperatura. Entao, para tempos
t 1/, de (30) e (31) resulta a relacao = 2kB T /m, uma manifestacao
simples do teorema de utuac
ao-dissipac
ao 6) .
Para o deslocamento, obtemos
x(t) = x0 + v0 (1 et )/ +
(32)
2
1
t
2t
t
(1
e
(1
e
)
+
)
.
2
(33)
(34)
(35)
xi = Fi (x) + i (t),
(36)
(37)
onde (t) tem as propriedades estocasticas ja descritas, mas note que a intensidade do rudo depende explicitamente do estado da partcula. Neste caso o
rudo e denominado multiplicativo.
t+t
(t ) dt .
(38)
t+t
(t ) dt ,
(39)
caminho W (t) =
o seu incremento
t
0
w( ) = W (t + ) W (t) =
t+
(t )dt ,
(40)
vk+1 = vk + k ,
(41)
onde = (1 ) e as VAs k tem as propriedades k = 0 e k j = kj . A
velocidade resulta
vk = v0 k +
k1
ws ,
(42)
s=0
1
e
f (v, t) =
2
(t)
(vc(t))2
2(t)2
(43)
onde c(t) = v0 et e
2 (t) = 2
(1 e2t ). Compare com os resultados da
xk+1 = xk + vk ,
(44)
de onde resulta
xk = x0 +
k1
s=0
vs = xk,0 +
k1
s=1
uk,s ,
(45)
s ) 1 ks1 . Assim, no u
ltimo membro temos de novo uma soma de VAs
independentes. Considerando o caso particular x0 = v0 = 0, no limite contnuo
se chega a
2
x2
1
e 2 (t) ,
f (x, t) =
2(t)
(46)
Q. 28: Faca esta derivacao detalhadamente e mostre que para tempo longo (t) Dt, com
D constante.
xk+1 = xk + Fk + k ,
(47)
com Fk = F (xk ), k = 0, k j = kj e onde consideramos = 1. Calculando
xnk+1 , desprezando termos de ordem superior em e tomando media obtemos:
1
xnk+1 = xnk + n xn1
fk + n(n 1) xn2
,
k
k
2
de onde resulta uma equacao para a evolucao temporal dos momentos:
d n
1
x = nxn1 F (x) + n(n 1)xn2 .
dt
2
(48)
(49)
Q. 29: A partir da Eq. (49) ache os primeiros momentos para os casos em que (i) F (x) = C e
(ii) F (x) = Kx, onde C e K s
ao constantes. Relacione os resultados com outros anteriores.
Q. 30: A partir da Eq. (49) ache a FDP da posicao, em ausencia de forca externa.
Equa
c
ao de Fokker-Planck
Gn+1 (k)
=
(51)
Escrevendo as medias como integrais, integrando por partes, igualando os integrandos, dividindo por e tomando o limite 0, se chega a
2
f (x, t) = [F (x)f (x, t)] +
f (x, t).
(52)
t
x
2 x2
Este e um caso particular da equac
ao de Fokker-Planck (FP) [o caso associado
a equacao de Langevin (34)]. Esta equacao de FP particular e denominada
`
equac
ao de Smoluchowski.
A equacao de FP geral e da forma 4) :
N
N
1 2
f (x, t) =
[Di (x, t)f (x, t)] +
[Dij (x, t)f (x, t)] . (53)
t
xi
2 i,j=1 xi xj
i=1
Q. 31: Utilizando um procedimento semelhante ao seguido para achar a Eq. (52), mostre
que a equac
ao de FP associada `
a equac
ao de Langevin (36) e
t f (x, t) =
N
i=1
N
1
ij x2i xj f (x, t).
2 i,j=1
(54)
Q. 32: Utilizando o resultado da questao anterior, mostre que para a equacao de Langevin
(34): v = v + F (x) + (t), a equac
ao para a densidade f (x, v, t)
e a seguinte equac
ao de
FP, tambem denominada equaca
o de Kramers unidimensional:
2
t f = vx f F (x)v f + v (vf ) + (/2)vv
f.
(55)
2
f (x, t) = [F (x)f (x, t)] +
[f (x, t)]
t
x
2 x2
(56)
f (x, t) =
F (x, t ) + 2 D(x, t ) f (x, )d.
t
x
x
(57)
(58)
f (x, t)
2 x
(61)
e a solucao estacion
aria resulta ser
fs (x) exp(2U (x)/),
onde U (x) e o potencial da forca externa [F (x) = U (x)].
(62)
Equa
c
ao mestra
(63)
f2 (x1 , t1 ; x3 , t3 ) = f1 (x1 , t1 )
(65)
(66)
com = t2 t1 ,
(67)
(68)
(69)
T (x3 |x1 ) =
dx2 [W (x3 |x2 ) T (x2 |x1 ) W (x2 |x3 ) T (x3 |x1 )].
(71)
n
(75)
onde xn
pn (t)
pen ,
verica H(t) 0 e
H(t)
=
Wnn pen xn f (xn ) xn f (xn ) .
(77)
nn
H(t)
=
Wnn pen [xn xn ]f (xn ) + f (xn ) f (xn ) .
(79)
nn
=
=
ds W (x ; s)f (x , t) W (x; s)f (x, t)
ds W (x s; s)f (x s, t) W (x; s)f (x, t) .
(80)
(81)
1
s [W (x; s)f (x, t)] ds +
x
2
s2
2
[W (x; s)f (x, t)] ds ,
x2
(82)
1 2
= [A1 (x)f (x, t)] +
[A2 (x)f (x, t)] ,
t
x
2 x2
(83)
onde
W (x; s) ds .
(84)
x
Se tivessem sido considerados todos os termos da expansao teriamos
Ak (x) =
f (x, t)
=
t
k=1
sk
(1)k
1 k
[A1 (x)f (x, t)] +
[A
(x)f
(x,
t)]
,
k
k! x
2 xk
(85)
An
alise de s
eries temporais
Uma serie temporal e uma serie de observacoes ou medidas obtidas em diferentes instantes de tempo e pode ser vista como uma realizacao de certo processo
estocastico. Em diversas areas, tais como medicina diagnostica, meteorologia,
nancas, etc., os sistemas de interesse sao tipicamente estocasticos e somente
se tem acesso a uma u
nica ou poucas series temporais de um dado processo.
Devido a` inuencia de m
ultiplos fatores envolvidos, as equacoes de movimento
desses sistemas sao em geral pobremente conhecidas. Portanto, uma quest
ao
central para essas aplicacoes e a elaboracao de teorias que permitam predizer
a evolucao futura a partir do conhecimento de uma ou poucas realizacoes. Em
alguns casos em que os dados sao muito ruidosos se procura achar ao menos
leis universais, leis comuns a sistemas que podem ser muito diferentes, que
permitem a caracterizacao de um dado fen
omeno dentro de classes de universalidade. Estas leis podem ser dadas, por exemplo, por expoentes crticos, que
dependem de poucos par
ametros tais como a dimensionalidade ou o n
umero de
par
ametros de ordem.
Uma questao importante para escolher o tipo de an
alise apropriado e decidir se os dados sao estacion
arios ou n
ao, ou seja se o sinal depende da origem
de tempo da serie. Em sistemas reais, os dados raramente sao estacion
arios. Se
as medias e outras propriedades estatsticas n
ao variam signicativamente com
o tempo, ou seja n
ao apresentam tendencias no longo prazo, se diz que os dados sao quasi-estacion
arios e na pr
atica sao tratados como sendo estacion
arios
j
a que esta hipotese leva a simplicacoes teoricas. Assim, para lidar com dados n
ao-estacion
arios e conveniente primeiro remover ou ltrar as componentes
n
ao-estacionarias. Tambem e importante detectar componentes periodicas. Em
geral, um passo crucial e separar as componentes deterministas, das verdadeiramente estocasticas.
Uma das propriedades mais importantes que se procura determinar ao
analisar series temporais, e a denominada persistencia, que se refere `a memoria
ou correlacao interna da serie. Uma serie e persistente se valores adjacentes
estao correlacionados positivamente, como ocorre no movimento browniano. O
rudo branco e o exemplo de serie descorrelacionada. A serie e dita antipersistente se valores adjacentes estao correlacionados inversamente, ou seja, se
existe a tendencia de valores grandes serem seguidos por valores pequenos.
Alguns dos efeitos mencionados (ciclos anuais, tendencias, utuacoes irregulares de curto prazo, etc.) podem ser observados na serie real da Fig. 4
Discutiremos a seguir algumas tecnicas de an
alise de series temporais.
No
tempo
(86)
1
|
x()|2 .
2T
Introduzindo a transformada (88) na denicao (89), temos
S()
S() =
=
=
=
1
it
dt e x (t)
dt eit x(t )
2T
1
dt x (t)
d ei x(t + )
2T
i 1
d e
dt x(t + )x (t)
2T
d ei C( ).
(89)
(90)
rudo branco
rudo 1/f
rudo browniano
S(f)
= 1.85 0.36
(a)
(b)
f(dia-1)
tempo
Figura 6: (a) Serie temporal da taxa cambial marco-alemao/dolar no intervalo jan/1993jun/2000. (b) A sua correspondente densidade espectral S(f ) 14) .
(91)
Q. 33: Encontre a densidade espectral para o rudo -correlacionado (t) denido na secao
3.1. Como se modica o resultado se a correlac
ao tem uma largura nita?
Q. 34: Calcule a funcao de autocorrelacao sabendo que a densidade espectral e da forma
S(f ) f .
X() =
dt eit X(t).
A autocorrelacao da vari
avel transformada e:
(92)
( ) =
X()
X
dt eit
ds ei( )s
ds ei(+ )s/2 X(s)X (0)
2( )
ds eis C(s)
2( )S().
=
=
dt eit
( ) sao
e X
de X(t) resulta que, para freq
uencias diferentes e , X()
descorrelacionadas.
+0
ln N (&)
,
ln 1/&
(93)
onde N (&) e o n
umero mnimo de caixas de lado & necessario para cobrir todo o
conjunto de pontos. Porem, existem v
arios outros metodos, como o da integral
de correlacao de Grassberger-Procaccia 11) .
6.2.2 An
alise R/S: expoente de Hurst
Um outro expoente que permite medir o grau de rugosidade e o denominado
expoente de Hurst H. Este expoente foi denido originalmente dentro da teoria
do intervalo rescalonado, tambem denominada an
alise R/S. Esta teoria foi
denida por Hurst para detectar a persistencia ou mem
oria de longo prazo
em series temporais.
O metodo consiste no seguinte procedimento: dada a serie z(t) no intervalo 0 t ,
i. redenir a vari
avel como
y(t, ) =
t
[z(i) z ],
(94)
i=1
1
[z(i) z ]2 ;
S ( ) =
i=1
2
(95)
)
H
e esperado o comportamento R(
do o exS( ) , de onde pode ser extra
poente caracterstico H. Interpretando os z(i) como incrementos espaciais
de um paseio aleatorio unidimensional, ent
ao a expressao (94) representa a
posicao do caminhante ao tempo t. No caso do movimento browniano unidimensional, o incremento da variavel rescalonada no intervalo de comprimento
, R/S( ), e proporcional a 1/2 . Em geral o expoente pode ser diferente de
1: R/S( ) H , com 0 H 1, correspondendo a um tipo de processos
denominado movimento browniano fracion
ario 13) .
Pode ser mostrado que para pers auto-ans H = 2 D e tambem que o
expoente da densidade espectral [S(f )] f ] e = 2H+1. Se 1/2 < H 1,
a serie temporal e persistente, caracterizada por efeitos de memoria de longo
prazo.
Quanto menor H, maior e a dimensao fractal e portanto maior a rugosidade do sinal, segundo e ilustrado na Fig. (7).
k
n=(k1) +1
esperado que
com 1 k N/ . E
|y(n) z(n)|2 ,
(96)
sinal
tempo
F 2 ( )1/2 Ha ,
(97)
of
Statistics,
10. Jenkins G. M. & Watts, D. G., Spectral Analysis and its Applications
(Holden-Day, San Francisco, 1968)
11. P. Grassberger & I. Procaccia, Phys. Rev. Lett. 50, 346 (1983).
12. C.-K. Peng et al., Phys. Rev. E 49, 1685 (1994).
13. Voss, R.F. , Physica D 38 362 (1989);
14. Ausloos, M., e-print, cond-mat/0103068 (2001).