Salvador 02

Mecânica Estatística de Não-Equilíbrio
Aula 2
Tânia (2010) Salvador
Modelos estocásticos em reticulados
Salvador, Julho de 2010
Tânia Tomé
Tânia Tomé IFUSP: Segunda aula Salvador

1
juhlo de 2010
Sistema de partículas (unidades, elementos) evoluindo
no tempo de acordo com uma dinâmica estocástica
Modelos estocásticos em reticulados
Tânia (2010)
Equação mestra
Autômatos celulares probabilísticos
Equação de evolução para a distribuição de probabilidades

de um dinâmica markoviana síncrona.

2
juhlo de 2010
Modelos em reticulados (Primeira aula ) reticulado
Exemplo (1): Modelo de Glauber-Ising
Cada sítio da rede pode estar em dois estados:
1 (visto na
i  Primeira AULA)
1
Tânia (2010)
Variável de spin associada ao sítio i da rede
Glauber 1963
Para simular a evolução de um estado inicial qualquer para o
devemos acoplar uma dinâmica estocástica que
possui .
Acoplamos uma dinâmica que proporciona ao sistema relaxar para o equilíbrio.

3
juhlo de 2010
Modelos em reticulados
Exemplo (2) reticulado
Modelo de Contato:
“Modelo Suscetível – infectado – Suscetível (SIS)
espacialmente estruturado e estocástico”.
Cada sítio do reticulado pode estar ocupado por um
indivíduo.
Cada sítio pode estar em dois estados:
Tânia (2010)
0 Sítio i ocupado por um indivíduo suscetível (S) z
i 
1 Sítio ocupado por um indivíduo infectado (I)
variável estocástica associada ao sítio i do reticulado.

Modelo de Contato é definido por uma dinâmica estocástica que não obedece
ao balanceamento detalhado. É um modelo que exibe um estado absorvente.
4
juhlo de 2010
Dinâmicas estocásticas irreversíveis
1) A irreversibilidade microscópica decorre da ausência de balanceamento

detalhado Estado estacionário de não-equilíbrio.
Tânia (2010)
2) Sistema definido por uma dinâmica estocástica
(conjunto de regras markovianas locais).
Modelos com estados absorventes: modelos intrinsecamente

irreversíveis
Na evolução temporal, se o sistema cair em um estado microscópico
absorvente então o sistema não sai mais deste estado.

5
juhlo de 2010
Propriedade do estado absorvente
Exemplo: seja um sistema de partículas interagentes que evolui de acordo com
uma dinâmica em que o estado com ausência completa de partículas é um estado
estacionário.
Denota a ocupação do sítio por uma partícula (“elemento biológico”,
por exemplo:
Denota o sítio vazio
(Infectado)
Dinâmica estocástica (Suscetível)
intrinsecamente
Tânia (2010)
irreversível
Transição permitida Transição proibida
t  t
6
juhlo de 2010
Modelo de contato ou Processo de Contato (PC)
Modelo estocástico em reticulado com um estado absorvente
Processo de contato Epidemia simples

Sítio vazio Indivíduo susceptível (S)
Sítio ocupado Indivíduo infectado (I)
PC exibe uma transição de fase cinética de um estado absorvente para um

estado ativo  Limiar de espalhamento da epidemia
Tânia (2010)
Estados estacionários:
Estado absorvente: rede completamente vazia (preenchida por indivíduos S).
Estado ativo: partículas são criadas e aniquiladas continuamente.
 Indivíduos S se tornam I e se recuperam continuamente.

7
juhlo de 2010
Dinâmica Local do Modelo de Contato
Sítio i é escolhido aleatoriamente
Taxa de
infecção: 
Se o sítio está ocupado por um indivíduo suscetível:
 / 2
(i) Infecção auto-catalítica: i 1 i i 1 i 1 i i 1

Tânia (2010)
Se o sítio i está ocupado por um indivíduo infectado:
i i
(ii) Recuperação espontânea: 1
Rede 1d
i 1 i 1 i
___o______o______o_____o_____o____
Tânia Tomé IFUSP: Segunda aula Salvador 8
juhlo de 2010
Modelo de contato em uma dimensão
i  0 I
(i) Infecção: 0
 i  1 S
1
i 1 i i 1 i 1 i i 1 i 1 i i 1
Tânia (2010)
1 0 1 0 0 1 1 0 0
Taxa de
infecção: 
  /2  /2
1 1 0 0 1 1 1 1 0
Observe que o estado

do sítio i
i muda de  i
(ii) Recuperação
1
1
 para 1  i
0 1
tanto no proocesso (i) como
0
no processo (ii).
9
juhlo de 2010
Modelo de contato em uma dimensão: taxa de transição
Dinâmica de
um sítio i  0 I
Dinâmica i  1 S
global: 
Tânia (2010)
W ( , ' )   j  ( , ' ) .... (c
1 1 j , (1  j ' )) ... ( N , ' N ))w j ( ' )

Taxa de transição por sítio:

 j
(...)Soma sobre
os primeiros
{(1  i )  j  j }  i
Dinâmica
local: wi (i )  vizinhos do sítio i
2

10
juhlo de 2010
Modelo de contato definido em uma
rede quadrada regular

wi (i )  (1  i )  j  j  i
4
i  0
Tânia (2010)
I
i  1 S
 j
(...) Soma sobre
os primeiros
vizinhos do sítio i

juhlo de 2010 11
Equação mestra:
Dinâmica de um sítio
N
d
P( , t )   {wi ( i ) P( i , t )  wi ( ) P( , t )} (I)
dt i 1
  (1 ,2 , ...,i , ..., N ) (*) ver exemplo no próximo slide
Tânia (2010)
 i  (1 ,2 , ..., (1 i ), ..., N )

Taxa de transição por sítio:
  Soma sobre
(1  i )  j  j  i
(...)
wi (i )  j os primeiros
2 vizinhos do sítio i

12
juhlo de 2010
Tânia (2010)
Exemplos:
  (1,1, 1 , 0,1, 0, ...)  i  (1,1, 1 ,1,1, 0 ...)
  (1,1, 1 ,1,1, 0, ...)  i  (1,1, 1 , 0,1, 0, ...)

13
juhlo de 2010
Densidade de individuos infectados
  k  P(1) Isotropia
P(1) Probabilidade de um sítio estar ocupado por um

infectado
Densidade de individuos suscetíveis:
Probabilidade de um sítio estar ocupado

P(0)  1  
por um indivíduo suscetível.

14
juhlo de 2010
Média de uma grandeza de estado A( ) qualquer
Isotropia
Tânia (2010)
 A( )    A( ) P( , t ) (II)
Equação de evolução para A( )
N
d
 A( )   { [ A( j )  A( )] w j ( ) }
(III)
dt j 1
A( )  A (1 , ..., j , ..., N )
A( j )  A (1 , ..., (1  j ), ..., N )
(*) Essa equação pode ser obtida utilizando a equação mestra (I) e
a definição (II). OBTER!!
juhlo de 2010
15
Equação de evolução para a densidade de infectados
Se A( )  k  A( )    k    densidade de infectados
Tânia (2010)
A( j )  k k  j
Então
A( j ) 1   k k  j
0 k j
 A( j )  A( ) 
A( k ) 1  2 k k  j
Utilizando a Eq. (III):
d
  k   [1  2 k ] wk ( )  Equação de evolução para a
dt densidade de infectados
juhlo de 2010
16
Equação de evolução para a densidade de infectados
 k   
d
   [1  2 k ] wk ( ) 
dt
Tânia (2010)
1 2 3 4
Rede 1d ___o______o______o_____o_____o____
Exemplo:
k  2  2    Isotropia
d
   [1  2 2 ] w2 ( ) 
dt
Eq. Evolução de infectados
17
juhlo de 2010
Equação de evolução para a
densidade de infectados
1 2 3 4
Rede 1d ___o______o______o_____o_____o____
k  2  2    I Isotropia
d
   [1  2 2 ] w2 ( )  P(101)  P(1  1,2  0,3  1)
dt
Tânia (2010)
d
  [1  2 (1)] w2 (111) P(111) 
dt
 [1  2 (1)] w2 (110) P(110) 
 [1] w2 (101) P(101)  [1] w2 (100) P(100)
-
 ...
Eq. Evolução de infectados
18
juhlo de 2010
Equaçãode evolução para a densidade de infectados
Isotropia
d
   P(01)  P(1)
dt
P(01) Probabilidade de um sítio estar no estado 0 e seu vizinho

no estado 1  correlação de pares
Isotropia
Tânia (2010)
 jk   P(11)
P(10)  P(01)  P(1)  P(11)

19
juhlo de 2010
Equações de evolução para correlações de ares de sítios
vizinhos
Isotropia
Tânia (2010)
 jk   P(11) P(10)  P(01)  P(1)  P(11)
d
P(11)   2 P(11)   P(10)   P(101) Eq .de evolução para
dt a correlação de dois
sítios depende da
correlação de
três sítios!
correlação de correlação
dois sítios de três sítios

20
juhlo de 2010
Aproximação de campo médio dinâmico
(Aproximação de “clusters”)
1) Aproximacão de Campo Médio Simples (CMS):
Aproximação de Campo médio Simples:
A probabilidade de um “cluster” de sitios é escrita como
o produto das probabildades da cada sítio.
Tânia (2010)
Exemplo:
P(123 )  P(1 ) P(2 ) P(3 )

P(102)  P(1) P(0) P(2)

21
juhlo de 2010
O escopo da aproximação de campo médio dinâmico consiste no

truncamento desse
conjunto infinito de equações acopladas.
Tânia (2010)
(I) Aproximação de ordem mais baixa:
N
P ( 1 ,  2 ,  3 ,....,  N )  P ( 1 ) P (  2 ) P(  3 )..... P(  N )   P ( i )
i 1
A probabilidade de um determinado aglomerado de sítios é aproximada

pelo produto das probabilidades de cada sítio:
Todas as correlações entre sítios são desprezadas !!

Aproximação de campo médio simples ou
também chamada de aproximação de um sítio.
22
juhlo de 2010
Truncamento da hierarquia de equações:
Aproximação de campo médio dinâmico incluindo correlações de ordem n
Seja o aglomerado de sítios vizinhos: 1 2 3

1  2  3
Tânia (2010)
P ( 1 ,  2 , 3 )  P(1 | 2 , 3 ) P( 2 , 3 )
P(1 | 2 , 3 ) Probabilidade condicional de 1 dados 2 e 3 .
Aproximação de campo médio de pares: P(1 ,  2 )

P(1 | 2 ,  3 ) 
P( 2 )
P(1 ,  2 ) P( 2 ,  3 )
P ( 1 ,  2 ,  3 ) 
P( 2 )
23
juhlo de 2010
Aproximação de campo médio simples para o modelo de contato
P(10)  P(1) P(0) 

P(1) P(0)   (1   )
Tânia (2010)
d
       (1   )
dt
0
c 
Soluções estacionárias:
 0 Fase absorvente de suscetíveis   c  1
(campo médio simples)

 1
Fase ativa   c

24
juhlo de 2010
Aproximação de campo médio com pares
12 3   P(12 3 )  P(1 | 2 3 ) P(2 3 )
Tânia (2010)
Aproximação: P(12 )
P(1 | 2 3 ) 
P(2 )
P(1 2 ) P(2 3 ) Correlações de três ou mais

P(12 3 )  sítios são escritas em termos
P(2 ) de correlações de um e dois
sítios

25
juhlo de 2010
Aproximação de campo médio com pares para o modelo de contato
d
dt
      (  ) z
d z  2 z   (  z )   (  z ) 2
dt (1   )
Soluções estacionárias:
 0 Fase absorvente de vazio

  c  2

 2
 1
z 
 2
Fase ativa   c

26

juhlo de 2010
Densidade de partículas  versus taxa de criação 
 Processo de contato
unidimensional
Esboço!
abs
c 
Campo médio   1
Nas proximidades do ponto crítico   (  c ) 
Campo médio simples c  1 Campo médio com pares c  2
Simulações numéricas
c  3, 298(2)   0.277
Expansões em séries Classe de universalidade da
(Jensen&Dickman (1993))
percolação direcionada
27
d+1 dimensões.
juhlo de 2010
Método de Monte Carlo
Realização computacional de um processo estocástico markoviano.
Simulação computacional de um modelo definido por uma dinâmica estocástica

markoviana.
Trajetória estocástica no espaço de configurações gerado pela

distribuição de probabilidades estacionária.
Médias de grandezas de estado
D K
1
K

 D 1
F ( ( ) )   F ( ) 

28
juhlo de 2010
Densidade de partículas  versus taxa de criação 
abs
c 
  (  c )  (Nas proximidades do ponto crítico)
Classe de universalidade da
Uma dimensão: c  3.298 percolação direcionada 1+1
  0.277
dimensões.
(Jensen&Dickman (1993);
Expansões em séries.) Tânia Tomé IFUSP: Segunda aula Salvador
29
juhlo de 2010
Densidade de partículas versus taxa de criação de partículas
Simulações de Monte Carlo para o modelo de contato definido em
cadeias regulares de diversos tamanhos L
 versus 
 Densidade de infectados
T. Tomé & M. J. de Oliveira (2005)
= parâmetro de ordem
    c
Tânia (2010) L
c  3, 298(2)

 Classe de
universalidade
da percolação
  0, 277 direcionada
Limiar de
espalhamento TT & MJO, 2005
da epidemia
Taxa de

c  3, 298(2) Tânia Tomé IFUSP: Segunda aula Salvador
infecção:
30
juhlo de 2010
Processo de Contato em uma dimensão.
Regime subcrítico   c
Evolução temporal das configurações
c  3, 298(2)
  2, 0
  3, 0

Tempo

i
i
  z
z   / 
31
juhlo de 2010
Outros modelos para sistemas da dinâmica de populações
biológicas
Importância de modelos estocásticos espacialmente estruturados
Tânia (2010)
32
juhlo de 2010
Oscilações enm um sistema predador-presa
Experiências em laboratório
com habitat não homogêneo Huffaker (1958)
----- densidade de presas
densidade de predadores
Experimental studies on predation by

C. B. Huffaker,Hilgardia 27, 343 (1958).
Tânia (2010)
Dia
(Hastings)
“An heterogeneous space can be crucial to the

maintenance of self-sustained time oscillations
in a predator-prey system”.

33
juhlo de 2010
Modelos de “três estados” para problemas de dinâmica de
populações biológicas
Rede quadrada com N sítios
Cada sítio i da rede pode estar em um dos três estados:
Tânia (2010)
1 Presa Suscetível (S)
i  2
Predador Infectado (I)
Vazio Recuperado (R)

0
Tânia Tomé IFUSP: Segunda aula

34
Salvador juhlo de 2010
Esquema dos processos locais
1
Reação 3 Reação 1
Tânia (2010)
0 2
Reação 2
Predador - Presa SIRS SIR
(1) Reação 1 auto-catalítica auto-catalítica auto-catalítica
(2) Reação 2 espontânea espontânea espontânea
(3) Reação 3 auto-catalítica espontânea não existe

35
juhlo de 2010
Regras locais para o modelo Predador-Presa
a probabilidade de nascimento
Regras similares as do Modelo de Contato
de presa
b probabilidade de predação
c probabilidade de morte
de predadores
Predação: nascimento
b/2 auto-catalítico de
predadores
e morte simultânea
de presas
 c Morte espontânea
Tânia (2010)
de predadores
3a / 4 Nascimento
(auto-catalítico)
de presas
36
juhlo de 2010
Probabilidades de transição para o modelo predador-presa
wi (i )
Predação auto-catalítica
b
wi (1  2)   (i ,1)  ( k ,2) (1)
4 k
Morte epontânea de predadores
Tânia (2010)
wi (2  0)  c (i ,2) (2)
Nascimento auto-catalítico de presas
a
wi (0  1)   (i ,0) 
4 k
 ( k ,1) (3)

37
juhlo de 2010
Equação mestra:
Dinâmica de um sítio
N
d
P( , t )   {wi ( i ) P( i , t )  wi ( ) P( , t )}
dt i 1
 i é obtida da configuração  por uma permutação

anti-cíclica dos estados (*) explicação no próximo
do sítio i: 2  1  0  2 slide
Tânia (2010)
x   (i ,1)  P(1)
Densidades de individuos:
y   (i ,2)  P(2)
z   (i ,0)  P(0)
x  y  z 1
Correlações de dois sítios:
  (i ,0) ( j ,1)  P(01)

38
juhlo de 2010
(*) Explicão:
 i é obtida da configuração  por uma permutação

anti-cíclica dos estados
do sítio i: 2  1  0  2
Exemplos:
  (1,1, 1 , 2, 2, ...)  i  (1,1, 0 , 2, 2, ...)
Tânia (2010)
  (1,1, 0 , 2, 2, ...)  i  (1,1, 2 , 2, 2, ...)
  (1,1, 2 , 2, 2, ...)   (1,1, 1, 2, 2, ...)

39
juhlo de 2010
Equações de evolução
Tânia (2010)
para o modelo
Predador-Presa
estocástico em um
Reticulado
Satulovsky & TT (94)

40
juhlo de 2010
(*) Observações sobre as equações de evolução:
Seja a equação para a evolução de evolução para a densidade de

presas x:
dx
 au bv
dt
Tânia (2010)
Esta equação é exata.
A evolução temporal de x depende da correlação de pares u e v:
u  P(01) v  P(12)
u= probabilidade de um sítio estar no estado 0 (vazio) e seu vizinho estar

no estado 1 (ocupado por presas).
v= probabilidade de um sítio estar no estado 1 (ocupado por uma presa) e
seu vizinho estar no estado 2 (ocupado por um predador).

41
juhlo de 2010
(Aproximação de “clusters”)
1) Aproximacão de Campo Médio Simples (CMS): VER apêndice
Aproximação de Campo médio Simples:
A probabilidade de um “cluster” de sites é escrita como
o produto das probabildades da cada sítio.
Tânia (2010)
Exemplo:
P(123 )  P(1 ) P(2 ) P(3 )

P(102)  P(1) P(0) P(2)

42
juhlo de 2010
Aproximação de Campo Médio Simples para Modelo Predador-Presa
Equações de evolução temporal para as densidades de presas e de

predadores obtidas por meio da aproximação de campo médio simples:
x= densidade
de presas
dx
 ax(1  x  y )  bxy y=densidade de
dt predadores
dy Termo logístico
 bxy  cy Os recursos para proliferação de presas
dt não são ilimitados!!! E isto aparece
decorre como conseqüência de
considerarmos um modelo que inclui
o sítio vazio.
Tânia (2010)
Estado Ativo: Coexistência com x e y diferentes de zero mas
constantes no tempo.
Estado absorvente de presas x=1, y=z=0
43
juhlo de 2010
Sobre a aproximação de campo médio simples para o modelo
de gás na rede para o sistema predador-presa: A equação para a
evolução temporal
Seja a equação para a evolução de evolução para a densidade de x Eq. (1) em CMS
de presas x: é escrita em termos
somente de densidades.
dx
 au bv Como vale a relação (2)
Tânia (2010)
então a evolução
dt (1)
temporal fica descrita em
termos somente de duas
Aproximação de campo médio simples (CMS): densidades (escolhemos
x e y no slide anterior).
(CMS)
O que temos de diferente
com relação às
u  P(01)  P(0) . P(1)  x. z descrições que utilizam
equações. da cinética
v  P(12)  P(1). P(2)  x . y química?
O termo logístico. E este

vem do fato de
considerarmos que um
x  P(1) y  P(2) z  P(0) sítio pode estar vazio e
que as presas só nascem
x  y  z 1 (2) em sítios vazios.

44
juhlo de 2010
Diagrama de fase para o modelo predador-presa
Campo médio simples
Estado Absorvente de Presas

Estado Ativo: coexistência de
presas e predadores
Tânia (2010)
Absorbing
Active
45
juhlo de 2010
(*) Parametrização: a presa - nascimento
Três parâmetros: b predador - nascimento
c predador - morte
Mas só dois
são
independentes!
Parametrização:
(renormalização
do tempo na a  b  c  1 (*)
Eq. Mestra)
p
p e c: dois novos
Tânia (2010)
parâmetros
independentes
1 c
a   p
2
1 c
b   p
2

juhlo de 2010 46
Aproximação de Campo Médio de Pares (CMP)
(*)
P(102)  P(1 02) P(02)  P(1 0) P(02)  P(10) P(02) / P(0)
Para o modelo predador-presa: 5 equações independentes.

47
juhlo de 2010
Aproximação de campo médio de pares para o modelo predador-presa
(Satulovsky&TT 1994)
u  P(01) v  P(12) w  P(02)

48
juhlo de 2010
Diagrama de fase:
Campo Médio Pares
A Absorvente de presas
NO Oscilações amortecidas
O Oscilações
Tânia (2010)
Bifurcação de
A Hopf
NO
O
49
juhlo de 2010
Resultados Predador-Presa: (T. Tomé)
Aproximação de campo médio com pares
Regime com oscilações não-amortecidas e estáveis!
tempo
Densidade de presa
Ciclos Estáveis
Tânia (2010)
a presa - nascimento
a=b=0.492 c=0.016 b predador - nascimento
c predador – morte
50
juhlo de 2010
Simulações de Monte Carlo
Redes quadradas regulares

com N=L x L sítios.
Tânia (2010)
Estado Absorvente de presas :

rede completamente preenchida por presas
Estados ativos:
coexistência das duas espécies

51
juhlo de 2010
Diagrama de fases / Simulações de Monte Carlo (de carvalho & TT 2006)
Modelo anisotrópico (não está sendo

discutido aqui)
Predador-presa síncrono
Predador-presa assíncrono
Tânia (2010)
Modelo de Contato

52
juhlo de 2010
Tânia (2010)
Tânia (2010)
Estados ativos com comportamento oscilatório
DE Carvalho & TT (2006)

Epectro de potências
para a série temporal
para presas como
densidades
função da frequencia
t
a = b = 0.475 (p =0)
c = 0.05
Carvalho &TT (2006)

53
juhlo de 2010
Estados ativos sem comportamento oscilatório
Tânia (2010)
densidades
t
a = b = 0.41 (p=0)
c = 0.18

54
juhlo de 2010
Oscilações em um sistema predador-presa: ciclos
populacionais
Número de lebres (presa) e linces
(predador) versus tempo (anos)
McLulich, Canadá, (1937).
Autômato celular
probabilístico
predador-presa
de Carvalho & TT
Int. J.Mod. Phys. C (2007).

55
juhlo de 2010
Padrões
t1 t2  t1  T / 4
Espaciais
&
Tânia (2010)
Oscilações
temporais
Autômato
Predador-
Presa
Azul: presa
Vermelho: predador
Branco: vazio
a = 0,17
b = 0,77
c = 0,06
T = Período
de
Oscilação
de Carvalho & TT (2007)

t3  t1  TTânia/ 2Tomé IFUSP: t4  t1  3T / 4
Segunda aula Salvador
56
juhlo de 2010
Modelo Predador- Presa : Fotografias da rede geradas
a partir da configuração inicial com um único predador
na origem de uma rede coberta por presas
(Arashiro&TT )
Simulações Dependentes do Tempo
Cluster Ativo Branco: presa Cluster Crítico

Ver.: predador
p = - 0.3 c = 0.0075 Cinza: vazio p = - 0.3 c = 0.0867
t =1750 t = 20000
57
juhlo de 2010
Modelo Predador- Presa : Fotografias da rede geradas
a partir da configuração inicial com um único predador
na origem de uma rede coberta por presas
Simulações Dependentes do Tempo
(Arashiro &TT 2007)
Branco: presa
Cluster com atividade Ver.: predador Cluster Crítico
Cinza: vazio
p = 0.3 c = 0.0075 p = 0.3 c = 0.0075
t =500 t =3000
58
juhlo de 2010
Função de auto-correlação temporal:
cx (t )   {x(t  t´)  x ][ x(t´)  x ] dt´
cx (t )
rx 
Tânia (2010)
cx (0)
Auto-correlação cruzada presa-predador:
cxy (t )   {x(t  t´)  x ][ y (t´)  y ] dt´
cxy (t )
rxy 
cxy (0)

59
juhlo de 2010
Flutuações no número de lebres e linces versus tempo
Canadá (dados de D. A. MacLulich (1937)) Arashiro et al. PRE (2008).
160 0.8
120 0.4
y
x
9
Azul: (presa)
80 0.0
6
rxy Vermelho: linces
(a) 40
3
-0.4
(predador)
0 -0.8
1845 1860 1875 1890 1905 1920 1935 0 20 40 60 80
t t
0.8
1
(b) Espectro de potencias
0.1
(lebres)
Tânia (2010)
0.4
0.01
rx 0.0 sx
1E-3
-0.4
1E-4
-0.8
1E-5
0 20 40 60 80 0.1 1
t 
1
0.8
0.1
(c) Espectro de potências
0.4
0.01
(linces)
ry 0.0 sy
1E-3
-0.4
1E-4
-0.8
1E-5
Arashiro et al. (2009).
0 20 40 60 80 0.1 1
t 

60
juhlo de 2010
Arashiro et al. PRE (2008).
Modelo estocástico em reticulado para
Sistema predador-presa c=0.03 b=0.785 a=0.185 (p=0.3)
Densidades de presas e predadores Função de auto-correlação cruzada
0.6
0.8
Tânia (2010)
0.5
0.4
0.4
Densities
0.3
rxy
0.0
0.2
0.1 -0.4
0.0
-0.8
510000 512500 515000 517500 520000 0 5000 10000 15000 20000
t = tempo t t Presa (--)

0.1
Predador (--)
0.8
0.4 1E-5
rx sx
0.0
1E-9
-0.4
-0.8 1E-13
0 5000 10000 15000 20000 0.01 0.1 1
t 
Função de ato-correlação temporal Espectro de potências vs freqüência

(presas) juhlo de 2010
61
Presa(--) Predador (--) Arashiro et al. PRE (2008).
t = time D=0.9 c=0.25 b=0.675 a=0.075 (p=0.3)
Densidades de presas e predadores Função de auto-correlação cruzada

0.65
0.4
0.60
Densities
0.55
rxy
0.50 0.0
0.08
Arashiro et al. (2009).
-0.4
0.06
500000 502500 505000 507500 510000 0 2000 4000 6000
Tânia (2010)
t t
1E-3
0.8
0.4
sx
rx 1E-8
0.0
-0.4 1E-13
0 2000 4000 6000 0.01 0.1 1
Função de ato-correlação
t
temporal Espectro de potências 
vs frequencia
(presas) Tânia Tomé IFUSP: Segunda aula Salvador
62
juhlo de 2010
Epidemia com imunização – MODELO SIR
(limite do modelo predador-presa para a=0: a modelo SIR)
Tânia (2010)
S
Infection auto-catalítica
R I
Recuperação espontânea

63
juhlo de 2010
Modelo SIR estocástico definido em uma rede regular e assíncrono
Cada sítio de uma rede pode estar em três estados:

Suscetível (S) (1)
Infectado (I) (2)
Recuperado (R) (0)
Simulação do modelo
Escolhe-se aleatoriamente um i da rede.
. Se o sítio i estiver no estado I
Então: gera-se um número aleatório  no intervalo (0,1) .

Se  c então I  R
Caso contrário:
Escolhe-se aleatoriamente um dos primeiros
Vizinhos do sítio i.
Se o sítio vizinho escolhido está no estado S então S  I.
Tânia Tomé IFUSP 64
Modelo SIR assíncrono
c  cc
Rede quadrada regular L=520
Número de sítios R no “cluster”: 51034
Verde: recuperados
Branco: suscetíveis
TT & Ziff (2010)

Curvas epidêmicas:
Autômato SIR estocástico e espacialmente estruturado
Limiar de espalhamento:
c ~ 0.22
r
b =1- c =probabilidade de infecção
r  dz / dt  cy
z Número de
recuperados
t (imunes)
(Arashiro & TT)

Curves epidêmicas Modelo SIR estocástico e espacialmente
estruturado
Simulações de Monte Carlo (autômato SIR)
Arashiro & TT (em preparação)
Limiar de espalhamento:
r c ~ 0.22
b =1- c =
probabilidade de infecção
r  dZ / dt
Z Number
of recovered
(and immune)
t individuals

67
juhlo de 2010
Epidemia com imunização
Autômato Suscetível- Infectado-Removido (SIR) espacialmente estruturado
e estocástico
“Clusters” gerados por um único infectado no centro da rede coberta por
susceptíveis (no instante inicial) Limiar de
espalhamento
da epidemia
Transição da fase
contínua
b = 0,78 ~ probabilidade de infecção crítica

= Limiar de espalhamento da epidemia
Arashiro & TT (2007),

Abaixo da criticalidade: David & TT (2010)
Regime de espalhamento da epidemia
68
juhlo de 2010
Regime: sem espalhamento da
epidemia
t=150
t=50
Vermelho: infectado t=250
Branco: recuperado b  bc
Azul: suscetível
c  0.26  cc
A epidemia cessa.Tânia Tomé IFUSP: Segunda aula Salvador 69
juhlo de 2010
t=100 t=300
Autômato SIR
(Arashiro & TT)
Proximidades do ponto crítico
(limiar de espalhamento da
epidemia)
Vermelho: infectado
Branco: recuperado
Azul: suscetível
70
t=1600 juhlo de 2010
Modelo SIR - Aproximação de Campo Médio Simples:
x: suscetível y: infectado z:recuperado

densidade densidade densdade
dx
 bxy
dt
dy
 bxy  cy
dt
dz
 cy
dt
A aproximação de campo médio simples para o modelo SIR estocástico e

definido em uma rede fornece as equações (escritas acima). Essas são
as mesmas equações da abordagem determinística para um processo
SIR considerada por Kermack & McKendrik (1927).
71
juhlo de 2010
Modelo SIR: aproximação de campo médio simples
Condição inicial em t = 0:
x  1 
At time t  0 y    1
z 0
Limiar de
espalhamento
Estados estacionários: da epidemia
bc  1 / 2  cc
Regime de espalhamento da epidemia:
x  0, z  0 and y  0, t  
Regime de não-espalhamento: estado absorvente de suscetíveis:

x  1, t  
72
juhlo de 2010
Modelo Suscetível – Infectado – Recuperado - Suscetível (SIRS) estocástico
e espacialmente estruturado
Perda de imunidade Infecção auto-catalítica

a b
R I
Recuperação espontânea
c

73
juhlo de 2010
Modelo Suscetível-Infectado-Recuperado- Suscetível (SIRS) : diagrama de fase
Campo médio simples
David de Souza & TT (2010)
Susceptible
Absorbing
Active
“damped oscillations”
Active
non-osc.

74
juhlo de 2010
Modelo Suscetível-Infectad-Recuperad (SIRS) : Diagrama de fase
David de Souza & TT (2010)
Modelo
assíncrono
Modelo SIR
Susceptible
c Absorbing

75
juhlo de 2010
Modelo SIRS
d
e Inf--Inf
n Inf-Rec
s
i
t
i
e
s
p=0.25 Time lag

c=0.4

76
juhlo de 2010
Alguns modelos com estados absorventes
1. Processo de contato. Harris (1974)
2. Autômato celular probabilístico de Domany-Kinzel (1984)
3. Modelo Ziff-Gulari-Barshad (1986) ou modleo ZGB para a reação de

oxidação do monóxido de carbono obre uma superfície catalítica.
Resultados experimentais: Ertl (prêmio Nobel de química de 2007)
4.Adsorção sequencial aleatória (RSA) sobre uma superfície.

Evans (1993).
5. Modelos estocásticos para propagações de epidemia do tipo SIR.
Grassberger (1993), e populações biológicas, Durrett & Levin (1994).
6. Modelos para fogos em florestas, Drossel & Schwabl (1993).
7. Modelos estocásticos em reticulados para pilhas de areia.

Múltiplos estados absorventes. Dickman et al (1999, 2002).

77
juhlo de 2010
Referências
N. G. van Kampen,
Stochastic Processes in Physics and Chemistry, North-Holland, 1981.
Tânia Tomé e Mário José de Oliveira,

Dinâmica estocástica e Irreversibilidade
Editora da Universidade de São Paulo, 2001.
J. Marro and R. Dickman,

Nonequilibrium Phase Transitions in Lattice Models,
Cambridge University Press, 1999.
M. Henkel, H. Hinrichsen, and S. Lübeck, Nonequilibrium

Phase Transitions, vol. 1, Springer, 2008.
T. M. Liggett, Interacting Particle Systems,Springer, 1985.

Grassberger & de la Torre (1979). Ann. Phys. 122, 373 (1979).
Grassberger (1983). Math. Biosc. 63, 157 (1983).
Cardy & Grassberger (1985). J. Phys. A 18, L267 (1985).
Satulovsky & TT (1994). Phys. Rev. E49, 5073 (1994);

J. Math. Biol. 35, 344 (1997).
Referências
Durrett & Levin (1994). Theor. Popul. Biol. (1994); J. theor. Biol. (2000).
Munõz, Dickman et al. (1999). Phys. Rev. E 59, 6175 (1999).
Hinrichsen (2000). Adv. Phys. 49, 815 (2000).
de Carvalho & TT (2006). Int. J. Mod. Phys. C 17, 1647 (2006).
Arashiro & TT (2007). J. Phys. A 40, 887 (2007).
Arashiro et al. PRE (2008). Phys. Rev. E 77, 061909 (2008).
D. R. de Souza & TT (2010) Physica A 389, 1142 (2010).
TT & Ziff (2010) arXiv/1006.2129 (submetido para publicação).

Referências
N. T. J. Bayley, The Mathematical Theory of Epidemics , Hafner, 1957.
R. M. Nisbet and W. C. S. Gurney, Modelling Fluctuating Populations, 1982.
E. Renshaw, Modelling Biological Populations in Space and Time, Cambridge University Press,
1991.
R. E. Ricklefs and G. L. Miller Ecology, Freeman, 2000.
A. Hastings, Population Biology: Concepts and Models, Springer, 1996.
M. J. Keeling and P. Rohani, Modeling Infectious Diseases in Human and Animals,

Princeton University Press, 2008.
A . Lotka, Elements of Mathematical Biology, Dover, 1924.
V. Volterra Leçons sur la Théorie Mathématique de la Lutte pour la Vie, Gauthier-Villars,

1931.
W. O. Kermack and A. G. McKendrick, Proc. Royal Soc.London A 115, 700 (1927).
D. A. MacLulich, Univ. Toronto Stud. Biol. 43, 1 (1937).
C. B. Huffaker, Hilgardia 27, 343 (1958).

FIM

81
juhlo de 2010
Apêndice: Campo médio dinâmico
Sistemas de partículas interagentes definidos em reticulados e
evoluindo de acordo com uma dinâmica estocástica
As equações de evolução temporal as correlações de um
determinado número de sítios envolvem correlações associadas a
aglomerados com um maior número de sítios.
Exemplo:
d Conjunto infinito de equações

 0   F1 (   0  ,   0 1 ,...) de evolução acopladas para as
dt
correlações
d
  0  1   F2 (   0  ,   0 1 ,   0 1  2 )
dt
d
  0  1   F3 (   0  ,   0 1 ,   0 1  2 ,   0 1  2 3 ,...)
dt
d
  0  1 2  3   ...........
dt
... Aproximação de campo médio dinâmico
.... juhlo de 2010
82
Aproximação de campo médio dinâmico incluindo correlações.
Seja um aglomerado de sítios vizinhos C composto por um “núcleo” A e por

“uma borda” B.
Probabilidade de uma configuração C {i , i C }

P( C )  P(B , A )  P(B | A ) P(B , A )
P(B | A ) = Probabilidade condicional da configuração B {i , i  B }

dos sítios que compõem o aglomerado B dada a configuração A {i , i  A}
dos sítios que compõem o aglomerado central A .

83
juhlo de 2010
Ilustração:
4 5 A
6 2 1 3 C
8 7 B

84
juhlo de 2010
Aproximação é feita sobre a probabilidade condicional P(B | A )

Desprezamos as correlações entre os sítios de B
P(B | A )   P(i | A )
iB
B {i , i  B }
P(i ,  A )
Mas: P(i | A )  A {i , i  A}
P(  A )
Então:
P( C )  P( A ) P( B | A )   P(i | A )

iB
85
juhlo de 2010
Aproximação de campo médio dinâmico incluindo correlações de pares de
sítios vizinhos:
Seja o aglomerado de sítios vizinhos:
4 Sítio central
6  2 1
8
     P   P    
 
4
P 6  2 1 
P  2 P6 2 P 4 2 8 2 1 2
8 P  2  P  2  P  2  P  2 
 
4
6  2 1 Só a correlação do sítio 6 com o
central 2 é levada em conta.
8 Tânia Tomé IFUSP: Segunda aula Salvador
86
juhlo de 2010
Aproximação é feita sobre a probabilidade condicional P(B | A )

Desprezamos as correlações entre os sítios de B
P(B | A )   P(i | A )
iB
B {i , i  B }
P(i ,  A )
Mas: P(i | A )  A {i , i  A}
P(  A )
P( C )  P( A ) P( B | A )   P(i | A )

Então:
iB

juhlo de 2010 87

Salvador 02

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Salvador 02

Hochgeladen von

Copyright:

Verfügbare Formate

Mecânica Estatística de Não-Equilíbrio

Tânia (2010) Salvador

Modelos estocásticos em reticulados

Salvador, Julho de 2010

Tânia Tomé IFUSP: Segunda aula Salvador

Modelos estocásticos em reticulados

Autômatos celulares probabilísticos

Equação de evolução para a distribuição de probabilidades

Tânia Tomé IFUSP: Segunda aula Salvador

Acoplamos uma dinâmica que proporciona ao sistema relaxar para o equilíbrio.

variável estocástica associada ao sítio i do reticulado.

1) A irreversibilidade microscópica decorre da ausência de balanceamento

Modelos com estados absorventes: modelos intrinsecamente

absorvente então o sistema não sai mais deste estado.

Tânia Tomé IFUSP: Segunda aula Salvador

Transição permitida Transição proibida

Processo de contato Epidemia simples

PC exibe uma transição de fase cinética de um estado absorvente para um

Estado ativo: partículas são criadas e aniquiladas continuamente.

 Indivíduos S se tornam I e se recuperam continuamente.

Observe que o estado

Modelo de contato em uma dimensão

Tânia Tomé IFUSP: Segunda aula Salvador

Tânia Tomé IFUSP: Segunda aula Salvador

  (1 ,2 , ...,i , ..., N ) (*) ver exemplo no próximo slide

Modelo de contato em uma dimensão

Tânia Tomé IFUSP: Segunda aula Salvador

  (1,1, 1 , 0,1, 0, ...)  i  (1,1, 1 ,1,1, 0 ...)

  (1,1, 1 ,1,1, 0, ...)  i  (1,1, 1 , 0,1, 0, ...)

Tânia Tomé IFUSP: Segunda aula Salvador

P(1) Probabilidade de um sítio estar ocupado por um

Densidade de individuos suscetíveis:

Probabilidade de um sítio estar ocupado

Tânia Tomé IFUSP: Segunda aula Salvador

Equação de evolução para A( )

A( )  A (1 , ..., j , ..., N )

A( j )  A (1 , ..., (1  j ), ..., N )

Se A( )  k  A( )    k    densidade de infectados

P(01) Probabilidade de um sítio estar no estado 0 e seu vizinho

P(10)  P(01)  P(1)  P(11)

Tânia Tomé IFUSP: Segunda aula Salvador

Tânia Tomé IFUSP: Segunda aula Salvador

Aproximação de Campo médio Simples:

A probabilidade de um “cluster” de sitios é escrita como

o produto das probabildades da cada sítio.

P(123 )  P(1 ) P(2 ) P(3 )

Tânia Tomé IFUSP: Segunda aula Salvador

O escopo da aproximação de campo médio dinâmico consiste no

A probabilidade de um determinado aglomerado de sítios é aproximada

Todas as correlações entre sítios são desprezadas !!

Aproximação de campo médio dinâmico incluindo correlações de ordem n

Seja o aglomerado de sítios vizinhos: 1 2 3

P(1 | 2 , 3 ) Probabilidade condicional de 1 dados 2 e 3 .

Aproximação de campo médio de pares: P(1 ,  2 )

P(10)  P(1) P(0) 

12 3   P(12 3 )  P(1 | 2 3 ) P(2 3 )

P(1 2 ) P(2 3 ) Correlações de três ou mais

Tânia Tomé IFUSP: Segunda aula Salvador

 0 Fase absorvente de vazio

Tânia Tomé IFUSP: Segunda aula Salvador

Realização computacional de um processo estocástico markoviano.

Simulação computacional de um modelo definido por uma dinâmica estocástica

Trajetória estocástica no espaço de configurações gerado pela