Baixe o app para aproveitar ainda mais
Prévia do material em texto
Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Aula 4 - Roteiro 1 1. Revisão sobre Teoria de Probabilidades a) Definições e conceitos básicos b) Processos estocásticos c) Função densidade de probabilidades d) Função distribuição de probabilidades e) Momentos de uma Função Densidade de Probabilidades f) Funções de variável aleatória - covariância e correlação g) Variáveis aleatórias independentes h) A Distribuição Binomial i) Limite Gaussiano da Distribuição Binomial 2. Ensembles estatísticos Sugestões de leitura: • Reichl , A Modern Course in Statistical Mechanics, John Wiley, (1998), Cap. 4, (4A-4E) • Salinas, Introdução à Física Estatística, EdUsp, (1997), Cap.1 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 2 • A mecaˆnica estat´ıstica e´ uma teoria inerentemente probabil´ıstica. • Busca descrever o comportamento de sistemas macrosco´picos a partir do conhecimento microsco´pico incompleto dos elementos constituintes e de suas interac¸o˜es. • A teoria das probabilidades fornece importantes ferramentas para se ter sucesso nessa busca. Definic¸o˜es e conceitos importantes Varia´veis aleato´rias ou estoca´sticas Varia´vel cujo valor e´ escolhido ao acaso de um conjunto x ∈ S, dito espac¸o de amostragem (discreto ou cont´ınuo, limitado ou ilimitado). Evento Evento e´ a realizac¸a˜o do processo de escolha de um ou de mais valores de uma varia´vel aleato´ria, o qual ocorre com certa probabilidade p(x) definida. Exemplo: O resultado do lanc¸amento de um dado (evento) e´ uma va´ria´vel aleato´ria que resulta dentre os valores discretos do conjunto S ≡ {1, 2, 3, 4, 5, 6}. A probabilidade que o resultado do evento seja certo valor e´, por exemplo, p(2) = 1/6. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 2 • A mecaˆnica estat´ıstica e´ uma teoria inerentemente probabil´ıstica. • Busca descrever o comportamento de sistemas macrosco´picos a partir do conhecimento microsco´pico incompleto dos elementos constituintes e de suas interac¸o˜es. • A teoria das probabilidades fornece importantes ferramentas para se ter sucesso nessa busca. Definic¸o˜es e conceitos importantes Varia´veis aleato´rias ou estoca´sticas Varia´vel cujo valor e´ escolhido ao acaso de um conjunto x ∈ S, dito espac¸o de amostragem (discreto ou cont´ınuo, limitado ou ilimitado). Evento Evento e´ a realizac¸a˜o do processo de escolha de um ou de mais valores de uma varia´vel aleato´ria, o qual ocorre com certa probabilidade p(x) definida. Exemplo: O resultado do lanc¸amento de um dado (evento) e´ uma va´ria´vel aleato´ria que resulta dentre os valores discretos do conjunto S ≡ {1, 2, 3, 4, 5, 6}. A probabilidade que o resultado do evento seja certo valor e´, por exemplo, p(2) = 1/6. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 2 • A mecaˆnica estat´ıstica e´ uma teoria inerentemente probabil´ıstica. • Busca descrever o comportamento de sistemas macrosco´picos a partir do conhecimento microsco´pico incompleto dos elementos constituintes e de suas interac¸o˜es. • A teoria das probabilidades fornece importantes ferramentas para se ter sucesso nessa busca. Definic¸o˜es e conceitos importantes Varia´veis aleato´rias ou estoca´sticas Varia´vel cujo valor e´ escolhido ao acaso de um conjunto x ∈ S, dito espac¸o de amostragem (discreto ou cont´ınuo, limitado ou ilimitado). Evento Evento e´ a realizac¸a˜o do processo de escolha de um ou de mais valores de uma varia´vel aleato´ria, o qual ocorre com certa probabilidade p(x) definida. Exemplo: O resultado do lanc¸amento de um dado (evento) e´ uma va´ria´vel aleato´ria que resulta dentre os valores discretos do conjunto S ≡ {1, 2, 3, 4, 5, 6}. A probabilidade que o resultado do evento seja certo valor e´, por exemplo, p(2) = 1/6. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 3 Probabilidades: A probabilidade e´ a quantidade que caracteriza a expectativa da ocorreˆncia de certo evento. Propriedades: (a) Positividade: deve ter valor positivo ou nulo, i.e. p(x) ≥ 0. (b) Aditividade: A probabilidade de ocorreˆncia de um dentre dois poss´ıveis even- tos descorrelacionados ou independentes e´ a soma das probabilidades de cada evento separadamente, i.e. p(x1 ou x2) = p(x1) + p(x2) (c) Normalizac¸a˜o: A probabilidade que o evento resulte em pelo menos um dos valores poss´ıveis x ∈ S e´ igual a um, i.e. p(S) = 1, ou seja e´ um acontecimento certo. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 3 Probabilidades: A probabilidade e´ a quantidade que caracteriza a expectativa da ocorreˆncia de certo evento. Propriedades: (a) Positividade: deve ter valor positivo ou nulo, i.e. p(x) ≥ 0. (b) Aditividade: A probabilidade de ocorreˆncia de um dentre dois poss´ıveis even- tos descorrelacionados ou independentes e´ a soma das probabilidades de cada evento separadamente, i.e. p(x1 ou x2) = p(x1) + p(x2) (c) Normalizac¸a˜o: A probabilidade que o evento resulte em pelo menos um dos valores poss´ıveis x ∈ S e´ igual a um, i.e. p(S) = 1, ou seja e´ um acontecimento certo. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 3 Probabilidades: A probabilidade e´ a quantidade que caracteriza a expectativa da ocorreˆncia de certo evento. Propriedades: (a) Positividade: deve ter valor positivo ou nulo, i.e. p(x) ≥ 0. (b) Aditividade: A probabilidade de ocorreˆncia de um dentre dois poss´ıveis even- tos descorrelacionados ou independentes e´ a soma das probabilidades de cada evento separadamente, i.e. p(x1 ou x2) = p(x1) + p(x2) (c) Normalizac¸a˜o: A probabilidade que o evento resulte em pelo menos um dos valores poss´ıveis x ∈ S e´ igual a um, i.e. p(S) = 1, ou seja e´ um acontecimento certo. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 3 Probabilidades: A probabilidade e´ a quantidade que caracteriza a expectativa da ocorreˆncia de certo evento. Propriedades: (a) Positividade: deve ter valor positivo ou nulo, i.e. p(x) ≥ 0. (b) Aditividade: A probabilidade de ocorreˆncia de um dentre dois poss´ıveis even- tos descorrelacionados ou independentes e´ a soma das probabilidades de cada evento separadamente, i.e. p(x1 ou x2) = p(x1) + p(x2) (c) Normalizac¸a˜o: A probabilidade que o evento resulte em pelo menos um dos valores poss´ıveis x ∈ S e´ igual a um, i.e. p(S) = 1, ou seja e´ um acontecimento certo. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 4 Propriedades (continuac¸a˜o): (d) Medic¸a˜o da Probabilidade: A probabilidade de que certo evento ocorra com resul- tado x ∈ S pode ser medida computando-se o nu´mero de vezes NM (x) (frequeˆncia) que o resultado x ocorra dentre M eventos independentes, no limite em que M se torna muito grande, i.ep(x) = lim M→∞ NM (x) M (e) Estimativa da Probabilidade: A probabilidade da ocorreˆncia de certo evento pode ser estimada por argumentos que caracterizem a incerteza acerca do conhec- imento completo (ou preciso) do resultado do evento. Exemplo: a probabilidade de ocorreˆncia de algum dos valores do dado e´ 1/6. OBS: Em geral, esse e´ o procedimento (subjetivo) usual na mecaˆnica estat´ıstica, o qual precisa ser validado por experimentos posteriores. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 4 Propriedades (continuac¸a˜o): (d) Medic¸a˜o da Probabilidade: A probabilidade de que certo evento ocorra com resul- tado x ∈ S pode ser medida computando-se o nu´mero de vezes NM (x) (frequeˆncia) que o resultado x ocorra dentre M eventos independentes, no limite em que M se torna muito grande, i.e p(x) = lim M→∞ NM (x) M (e) Estimativa da Probabilidade: A probabilidade da ocorreˆncia de certo evento pode ser estimada por argumentos que caracterizem a incerteza acerca do conhec- imento completo (ou preciso) do resultado do evento. Exemplo: a probabilidade de ocorreˆncia de algum dos valores do dado e´ 1/6. OBS: Em geral, esse e´ o procedimento (subjetivo) usual na mecaˆnica estat´ıstica, o qual precisa ser validado por experimentos posteriores. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 4 Propriedades (continuac¸a˜o): (d) Medic¸a˜o da Probabilidade: A probabilidade de que certo evento ocorra com resul- tado x ∈ S pode ser medida computando-se o nu´mero de vezes NM (x) (frequeˆncia) que o resultado x ocorra dentre M eventos independentes, no limite em que M se torna muito grande, i.e p(x) = lim M→∞ NM (x) M (e) Estimativa da Probabilidade: A probabilidade da ocorreˆncia de certo evento pode ser estimada por argumentos que caracterizem a incerteza acerca do conhec- imento completo (ou preciso) do resultado do evento. Exemplo: a probabilidade de ocorreˆncia de algum dos valores do dado e´ 1/6. OBS: Em geral, esse e´ o procedimento (subjetivo) usual na mecaˆnica estat´ıstica, o qual precisa ser validado por experimentos posteriores. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 5 Processos estoca´sticos Considerar uma varia´vel estoca´stica X que possui um espac¸o de amostragem S discreto, conta´vel e infinito, ou seja S = {x1, x2, . . . }. Cada valor de S pode ser rotulado por um nu´mero inteiro de forma inequ´ıvoca, i.e. S = {xi}, (i = 1, 2, . . . ) Definindo pi = p(xi) pelas respectivas probabilidades de ocorreˆncia, temos pi ≥ 0 e � i pi = 1 Func¸a˜o densidade de probabilidade - f.d.p.: PX(x) = ∞� i=1 pi δ(x− xi) (definic¸a˜o) onde δ(x− xi) e´ a func¸a˜o distribuic¸a˜o δ−Dirac. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 5 Processos estoca´sticos Considerar uma varia´vel estoca´stica X que possui um espac¸o de amostragem S discreto, conta´vel e infinito, ou seja S = {x1, x2, . . . }. Cada valor de S pode ser rotulado por um nu´mero inteiro de forma inequ´ıvoca, i.e. S = {xi}, (i = 1, 2, . . . ) Definindo pi = p(xi) pelas respectivas probabilidades de ocorreˆncia, temos pi ≥ 0 e � i pi = 1 Func¸a˜o densidade de probabilidade - f.d.p.: PX(x) = ∞� i=1 pi δ(x− xi) (definic¸a˜o) onde δ(x− xi) e´ a func¸a˜o distribuic¸a˜o δ−Dirac. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 5 Processos estoca´sticos Considerar uma varia´vel estoca´stica X que possui um espac¸o de amostragem S discreto, conta´vel e infinito, ou seja S = {x1, x2, . . . }. Cada valor de S pode ser rotulado por um nu´mero inteiro de forma inequ´ıvoca, i.e. S = {xi}, (i = 1, 2, . . . ) Definindo pi = p(xi) pelas respectivas probabilidades de ocorreˆncia, temos pi ≥ 0 e � i pi = 1 Func¸a˜o densidade de probabilidade - f.d.p.: PX(x) = ∞� i=1 pi δ(x− xi) (definic¸a˜o) onde δ(x− xi) e´ a func¸a˜o distribuic¸a˜o δ−Dirac. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 5 Processos estoca´sticos Considerar uma varia´vel estoca´stica X que possui um espac¸o de amostragem S discreto, conta´vel e infinito, ou seja S = {x1, x2, . . . }. Cada valor de S pode ser rotulado por um nu´mero inteiro de forma inequ´ıvoca, i.e. S = {xi}, (i = 1, 2, . . . ) Definindo pi = p(xi) pelas respectivas probabilidades de ocorreˆncia, temos pi ≥ 0 e � i pi = 1 Func¸a˜o densidade de probabilidade - f.d.p.: PX(x) = ∞� i=1 pi δ(x− xi) (definic¸a˜o) onde δ(x− xi) e´ a func¸a˜o distribuic¸a˜o δ−Dirac. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Revisão sobre Teoria de Probabilidades 5 Processos estoca´sticos Considerar uma varia´vel estoca´stica X que possui um espac¸o de amostragem S discreto, conta´vel e infinito, ou seja S = {x1, x2, . . . }. Cada valor de S pode ser rotulado por um nu´mero inteiro de forma inequ´ıvoca, i.e. S = {xi}, (i = 1, 2, . . . ) Definindo pi = p(xi) pelas respectivas probabilidades de ocorreˆncia, temos pi ≥ 0 e � i pi = 1 Func¸a˜o densidade de probabilidade - f.d.p.: PX(x) = ∞� i=1 pi δ(x− xi) (definic¸a˜o) onde δ(x− xi) e´ a func¸a˜o distribuic¸a˜o δ−Dirac.� ∞ −∞ P (x)dx = ∞� i=1 pi � ∞ −∞ δ(x− xi) dx� �� � =1 = ∞� i=1 pi = 1,Observação: quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 6 Propriedades importantes: 1. A func¸a˜o distribuic¸a˜o de probabilidades mede a probabilidade de que a varia´vel aleato´ria X tenha seu valor xi no intervalo (−∞, x). Por isso, tambe´m referida como a func¸a˜o de probabilidades cumulativa (FPC). 2. A func¸a˜o densidade de probabilidades e´ a derivada da func¸a˜o distribuic¸a˜o de prob- abilidades, i.e. PX(x) = dFX(x) dx Define-se a func¸a˜o distribuic¸a˜o de probabilidades ou simplesmente distribuic¸a˜o de probabilidades, pela integral, FX(x) = � x −∞ PX(x �)dx�, ou FX(x) = ∞� i=1 piΘ(x− xi) onde Θ(x− xi) e´ a func¸a˜o Theta de Heaviside. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 6 Propriedades importantes: 1. A func¸a˜o distribuic¸a˜o de probabilidades mede a probabilidade de que a varia´vel aleato´ria X tenha seu valor xi no intervalo (−∞, x). Por isso, tambe´m referida como a func¸a˜o de probabilidades cumulativa (FPC). 2. A func¸a˜o densidade de probabilidades e´ a derivada da func¸a˜o distribuic¸a˜o de prob- abilidades, i.e. PX(x) = dFX(x) dx Define-se a func¸a˜o distribuic¸a˜o de probabilidades ou simplesmente distribuic¸a˜o de probabilidades, pela integral, FX(x) = � x −∞ PX(x �)dx�, ou FX(x) = ∞� i=1 piΘ(x− xi) onde Θ(x− xi) e´ a func¸a˜o Theta de Heaviside. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - MecânicaEstatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 6 Propriedades importantes: 1. A func¸a˜o distribuic¸a˜o de probabilidades mede a probabilidade de que a varia´vel aleato´ria X tenha seu valor xi no intervalo (−∞, x). Por isso, tambe´m referida como a func¸a˜o de probabilidades cumulativa (FPC). 2. A func¸a˜o densidade de probabilidades e´ a derivada da func¸a˜o distribuic¸a˜o de prob- abilidades, i.e. PX(x) = dFX(x) dx Define-se a func¸a˜o distribuic¸a˜o de probabilidades ou simplesmente distribuic¸a˜o de probabilidades, pela integral, FX(x) = � x −∞ PX(x �)dx�, ou FX(x) = ∞� i=1 piΘ(x− xi) onde Θ(x− xi) e´ a func¸a˜o Theta de Heaviside. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 6 Propriedades importantes: 1. A func¸a˜o distribuic¸a˜o de probabilidades mede a probabilidade de que a varia´vel aleato´ria X tenha seu valor xi no intervalo (−∞, x). Por isso, tambe´m referida como a func¸a˜o de probabilidades cumulativa (FPC). 2. A func¸a˜o densidade de probabilidades e´ a derivada da func¸a˜o distribuic¸a˜o de prob- abilidades, i.e. PX(x) = dFX(x) dx Define-se a func¸a˜o distribuic¸a˜o de probabilidades ou simplesmente distribuic¸a˜o de probabilidades, pela integral, FX(x) = � x −∞ PX(x �)dx�, ou FX(x) = ∞� i=1 piΘ(x− xi) onde Θ(x− xi) e´ a func¸a˜o Theta de Heaviside. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 7 Propriedades importantes: continuac¸a˜o 3. Para que a func¸a˜o PX(x) seja sempre ≥ 0 e´ necessa´rio que FX(x) seja uma func¸a˜o monotonicamente crescente de x, e limitada no intervalo (0, 1) com FX(−∞) = 0 e FX(∞) = 1 4. Varia´veis aleato´rias cont´ınuas: Considerar uma varia´vel aleato´ria e´ cont´ınua, i.e. x ∈ S = {−∞ ≤ x ≤ ∞}. A probabilidade que um evento tenha resultado no intervalo {a ≤ x ≤ b} deve ser calculada pela integral de uma certa func¸a˜o densidade de probabilidades PX(x) no intervalo [a, b], i.e. ProbX({a ≤ x ≤ b}) = � b a PX(x �) dx� quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 7 Propriedades importantes: continuac¸a˜o 3. Para que a func¸a˜o PX(x) seja sempre ≥ 0 e´ necessa´rio que FX(x) seja uma func¸a˜o monotonicamente crescente de x, e limitada no intervalo (0, 1) com FX(−∞) = 0 e FX(∞) = 1 4. Varia´veis aleato´rias cont´ınuas: Considerar uma varia´vel aleato´ria e´ cont´ınua, i.e. x ∈ S = {−∞ ≤ x ≤ ∞}. A probabilidade que um evento tenha resultado no intervalo {a ≤ x ≤ b} deve ser calculada pela integral de uma certa func¸a˜o densidade de probabilidades PX(x) no intervalo [a, b], i.e. ProbX({a ≤ x ≤ b}) = � b a PX(x �) dx� quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 7 Propriedades importantes: continuac¸a˜o 3. Para que a func¸a˜o PX(x) seja sempre ≥ 0 e´ necessa´rio que FX(x) seja uma func¸a˜o monotonicamente crescente de x, e limitada no intervalo (0, 1) com FX(−∞) = 0 e FX(∞) = 1 4. Varia´veis aleato´rias cont´ınuas: Considerar uma varia´vel aleato´ria e´ cont´ınua, i.e. x ∈ S = {−∞ ≤ x ≤ ∞}. A probabilidade que um evento tenha resultado no intervalo {a ≤ x ≤ b} deve ser calculada pela integral de uma certa func¸a˜o densidade de probabilidades PX(x) no intervalo [a, b], i.e. ProbX({a ≤ x ≤ b}) = � b a PX(x �) dx� quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 8 Comenta´rios: • Se X e´ uma varia´vel estoca´stica, PX(x) e´ a probabilidade que em um evento o resultado esteja entre x e x+ dx. • PX(x) satisfaz a todas propriedades da func¸a˜o densidade de probabilidades de uma varia´vel discreta, i.e. � ∞ −∞ PX(x �) dx� = 1 e pode definir uma func¸a˜o distribuic¸a˜o de probabilidades (cumulativa) FX(x), que atende a`s propriedades (1)-(3) acima mostradas. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 8 Comenta´rios: • Se X e´ uma varia´vel estoca´stica, PX(x) e´ a probabilidade que em um evento o resultado esteja entre x e x+ dx. • PX(x) satisfaz a todas propriedades da func¸a˜o densidade de probabilidades de uma varia´vel discreta, i.e. � ∞ −∞ PX(x �) dx� = 1 e pode definir uma func¸a˜o distribuic¸a˜o de probabilidades (cumulativa) FX(x), que atende a`s propriedades (1)-(3) acima mostradas. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Função Densidade de Probabilidades 8 Comenta´rios: • Se X e´ uma varia´vel estoca´stica, PX(x) e´ a probabilidade que em um evento o resultado esteja entre x e x+ dx. • PX(x) satisfaz a todas propriedades da func¸a˜o densidade de probabilidades de uma varia´vel discreta, i.e. � ∞ −∞ PX(x �) dx� = 1 e pode definir uma func¸a˜o distribuic¸a˜o de probabilidades (cumulativa) FX(x), que atende a`s propriedades (1)-(3) acima mostradas. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 9 O momento de ordem n de uma f.d.p. e´ definido por < xn >= � ∞ −∞ xn PX(x) dx Primeiro Momento: O primeiro momento e´ o valor me´dio dos valores do conjunto SX , i.e. a me´dia ponderada de todos valores com o peso dado pelas respectivas probabilidades. < x >= � ∞ −∞ xPX(x) dx (me´dia) Segundo Momento: < x2 >= � ∞ −∞ x2 PX(x) dx Mede a dispersa˜o, i.e. o quanto a f.d.p esta´ deslocalizada em relac¸a˜o a` me´dia. Tambe´m e´ chamada de variaˆncia e e´ definida pelo valor me´dio do quadrado do desvio em relac¸a˜o a` me´dia, i.e. < (x− < x >)2 >= � ∞ −∞ (x− < x >)2 PX(x) dx dispersa˜o ou variaˆncia quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 9 O momento de ordem n de uma f.d.p. e´ definido por < xn >= � ∞ −∞ xn PX(x) dx Primeiro Momento: O primeiro momento e´ o valor me´dio dos valores do conjunto SX , i.e. a me´dia ponderada de todos valores com o peso dado pelas respectivas probabilidades. < x >= � ∞ −∞ xPX(x) dx (me´dia) Segundo Momento: < x2 >= � ∞ −∞ x2 PX(x) dx Mede a dispersa˜o, i.e. o quanto a f.d.p esta´ deslocalizada em relac¸a˜o a` me´dia. Tambe´m e´ chamada de variaˆncia e e´ definida pelo valor me´dio do quadrado do desvio em relac¸a˜o a` me´dia, i.e. < (x− < x >)2 >= � ∞ −∞ (x− < x >)2 PX(x) dx dispersa˜o ou variaˆncia quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 9 O momento de ordem n de uma f.d.p. e´ definido por < xn >= � ∞ −∞ xn PX(x) dx Primeiro Momento: O primeiro momento e´ o valor me´dio dos valores do conjunto SX , i.e. a me´dia ponderada de todos valores com o peso dado pelas respectivas probabilidades. < x >= � ∞ −∞ xPX(x) dx (me´dia)Segundo Momento: < x2 >= � ∞ −∞ x2 PX(x) dx Mede a dispersa˜o, i.e. o quanto a f.d.p esta´ deslocalizada em relac¸a˜o a` me´dia. Tambe´m e´ chamada de variaˆncia e e´ definida pelo valor me´dio do quadrado do desvio em relac¸a˜o a` me´dia, i.e. < (x− < x >)2 >= � ∞ −∞ (x− < x >)2 PX(x) dx dispersa˜o ou variaˆncia quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 9 O momento de ordem n de uma f.d.p. e´ definido por < xn >= � ∞ −∞ xn PX(x) dx Primeiro Momento: O primeiro momento e´ o valor me´dio dos valores do conjunto SX , i.e. a me´dia ponderada de todos valores com o peso dado pelas respectivas probabilidades. < x >= � ∞ −∞ xPX(x) dx (me´dia) Segundo Momento: < x2 >= � ∞ −∞ x2 PX(x) dx Mede a dispersa˜o, i.e. o quanto a f.d.p esta´ deslocalizada em relac¸a˜o a` me´dia. Tambe´m e´ chamada de variaˆncia e e´ definida pelo valor me´dio do quadrado do desvio em relac¸a˜o a` me´dia, i.e. < (x− < x >)2 >= � ∞ −∞ (x− < x >)2 PX(x) dx dispersa˜o ou variaˆncia quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 10 <x> x-<x> x Σ 2 x PX!x" A variaˆncia e´ denotada por σ2. σ e´ chamado de desvio padra˜o ou raiz do desvio quadra´tico me´dio. σ2 e´ um estimador para a largura da distribuic¸a˜o, como indicado na figura ao lado: quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 11 Terceiro Momento: < x3 >= � ∞ −∞ x3 PX(x) dx O terceiro momento esta´ relacionado com a assimetria da f.d.p. ou obliquidade (skewness em ingleˆs ) definida por γ = ��x− < x > σ �3� → γ = < x 3 > −3 < x2 >< x > +2 < x >3 σ3 Γ>0 x PX!x" Γ<0 x PX!x" Γ<0 Γ>0 x PX!x" A obliquidade mede o quanto a f.d.p esta´ esta´ destorcida em relac¸a˜o a` sua simetria em torno da me´dia. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 12 Quarto Momento: < x4 >= � ∞ −∞ x4 PX(x) dx O quarto momento esta´ relacionado com a Kurtosis ou Curtose, ou ainda com o excesso de kurtosis da f.d.p. definida por κ = < x4 > < x2 >2 − 3 A curtose fornece uma medida do achatamento ou agudeza da func¸a˜o em relac¸a˜o a` distribuic¸a˜o normal. (a) Mesocu´rticas: κ = 0. O exemplo mais proeminente e´ a distribuic¸a˜o normal ou Gaussiana, vista a mais adiante. (b) Leptocu´rticas: κ > 0. Possuem pico agudo e caudas cheias ou gordas. Exemplos: as distribuic¸o˜es de Cauchy, Student-t, Rayleigh, Laplace (κ = 3), Exponencial, Poisson e a Log´ıstica (κ = 1.2), tambe´m denominadas de super Gaussianas. (c) Platicu´rticas: κ < 0. Possuem um pico mais arredondado e caudas finas ou magras. O caso mais famoso e´ o da distribuic¸a˜o de Bernoulli com probabilidade p = 1/2 para cada um dos dois eventos, i.e cara ou coroa. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 12 Quarto Momento: < x4 >= � ∞ −∞ x4 PX(x) dx O quarto momento esta´ relacionado com a Kurtosis ou Curtose, ou ainda com o excesso de kurtosis da f.d.p. definida por κ = < x4 > < x2 >2 − 3 A curtose fornece uma medida do achatamento ou agudeza da func¸a˜o em relac¸a˜o a` distribuic¸a˜o normal. (a) Mesocu´rticas: κ = 0. O exemplo mais proeminente e´ a distribuic¸a˜o normal ou Gaussiana, vista a mais adiante. (b) Leptocu´rticas: κ > 0. Possuem pico agudo e caudas cheias ou gordas. Exemplos: as distribuic¸o˜es de Cauchy, Student-t, Rayleigh, Laplace (κ = 3), Exponencial, Poisson e a Log´ıstica (κ = 1.2), tambe´m denominadas de super Gaussianas. (c) Platicu´rticas: κ < 0. Possuem um pico mais arredondado e caudas finas ou magras. O caso mais famoso e´ o da distribuic¸a˜o de Bernoulli com probabilidade p = 1/2 para cada um dos dois eventos, i.e cara ou coroa. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 12 Quarto Momento: < x4 >= � ∞ −∞ x4 PX(x) dx O quarto momento esta´ relacionado com a Kurtosis ou Curtose, ou ainda com o excesso de kurtosis da f.d.p. definida por κ = < x4 > < x2 >2 − 3 A curtose fornece uma medida do achatamento ou agudeza da func¸a˜o em relac¸a˜o a` distribuic¸a˜o normal. (a) Mesocu´rticas: κ = 0. O exemplo mais proeminente e´ a distribuic¸a˜o normal ou Gaussiana, vista a mais adiante. (b) Leptocu´rticas: κ > 0. Possuem pico agudo e caudas cheias ou gordas. Exemplos: as distribuic¸o˜es de Cauchy, Student-t, Rayleigh, Laplace (κ = 3), Exponencial, Poisson e a Log´ıstica (κ = 1.2), tambe´m denominadas de super Gaussianas. (c) Platicu´rticas: κ < 0. Possuem um pico mais arredondado e caudas finas ou magras. O caso mais famoso e´ o da distribuic¸a˜o de Bernoulli com probabilidade p = 1/2 para cada um dos dois eventos, i.e cara ou coroa. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 12 Quarto Momento: < x4 >= � ∞ −∞ x4 PX(x) dx O quarto momento esta´ relacionado com a Kurtosis ou Curtose, ou ainda com o excesso de kurtosis da f.d.p. definida por κ = < x4 > < x2 >2 − 3 A curtose fornece uma medida do achatamento ou agudeza da func¸a˜o em relac¸a˜o a` distribuic¸a˜o normal. (a) Mesocu´rticas: κ = 0. O exemplo mais proeminente e´ a distribuic¸a˜o normal ou Gaussiana, vista a mais adiante. (b) Leptocu´rticas: κ > 0. Possuem pico agudo e caudas cheias ou gordas. Exemplos: as distribuic¸o˜es de Cauchy, Student-t, Rayleigh, Laplace (κ = 3), Exponencial, Poisson e a Log´ıstica (κ = 1.2), tambe´m denominadas de super Gaussianas. (c) Platicu´rticas: κ < 0. Possuem um pico mais arredondado e caudas finas ou magras. O caso mais famoso e´ o da distribuic¸a˜o de Bernoulli com probabilidade p = 1/2 para cada um dos dois eventos, i.e cara ou coroa. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 13 Gra´fico comparativo das distribuic¸o˜es de Laplace (D), Secante Hiperbo´lica (S), Log´ıstica (L), Normal ou Gaussiana (N), Coseno Elevado (C), Semic´ırculo de Wigner (W) e Uniforme (U), com suas respectivas curtoses indicadas na legenda. Fonte: http://en.wikipedia.org/wiki/Kurtosis quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 14 Func¸a˜o de uma varia´vel aleato´ria: Considerar GX(x) func¸a˜o de uma varia´vel aleato´ria X. A func¸a˜o GX(x) sera´, tambe´m, uma varia´vel aleato´ria associada com uma func¸a˜o densi- dade de probabilidade PGX tal que PGXdG = ProbG(GX ∈ [GX , GX + dGX ]) PGX satisfaz a todas as propriedades de uma f.d.p. acima descritas. O valor esperado (ou valor me´dio) para essa func¸a˜o e´ definido por < GX >= � ∞ −∞ GX(x)PX(x) dx Para o caso de mais de uma varia´vel, i.e. GXY (x, y), teˆm-se < GXY >= � ∞−∞ dx � ∞ −∞ GXY (x, y)PXY (x, y)dy quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 14 Func¸a˜o de uma varia´vel aleato´ria: Considerar GX(x) func¸a˜o de uma varia´vel aleato´ria X. A func¸a˜o GX(x) sera´, tambe´m, uma varia´vel aleato´ria associada com uma func¸a˜o densi- dade de probabilidade PGX tal que PGXdG = ProbG(GX ∈ [GX , GX + dGX ]) PGX satisfaz a todas as propriedades de uma f.d.p. acima descritas. O valor esperado (ou valor me´dio) para essa func¸a˜o e´ definido por < GX >= � ∞ −∞ GX(x)PX(x) dx Para o caso de mais de uma varia´vel, i.e. GXY (x, y), teˆm-se < GXY >= � ∞ −∞ dx � ∞ −∞ GXY (x, y)PXY (x, y)dy quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 14 Func¸a˜o de uma varia´vel aleato´ria: Considerar GX(x) func¸a˜o de uma varia´vel aleato´ria X. A func¸a˜o GX(x) sera´, tambe´m, uma varia´vel aleato´ria associada com uma func¸a˜o densi- dade de probabilidade PGX tal que PGXdG = ProbG(GX ∈ [GX , GX + dGX ]) PGX satisfaz a todas as propriedades de uma f.d.p. acima descritas. O valor esperado (ou valor me´dio) para essa func¸a˜o e´ definido por < GX >= � ∞ −∞ GX(x)PX(x) dx Para o caso de mais de uma varia´vel, i.e. GXY (x, y), teˆm-se < GXY >= � ∞ −∞ dx � ∞ −∞ GXY (x, y)PXY (x, y)dy quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 14 Func¸a˜o de uma varia´vel aleato´ria: Considerar GX(x) func¸a˜o de uma varia´vel aleato´ria X. A func¸a˜o GX(x) sera´, tambe´m, uma varia´vel aleato´ria associada com uma func¸a˜o densi- dade de probabilidade PGX tal que PGXdG = ProbG(GX ∈ [GX , GX + dGX ]) PGX satisfaz a todas as propriedades de uma f.d.p. acima descritas. O valor esperado (ou valor me´dio) para essa func¸a˜o e´ definido por < GX >= � ∞ −∞ GX(x)PX(x) dx Para o caso de mais de uma varia´vel, i.e. GXY (x, y), teˆm-se < GXY >= � ∞ −∞ dx � ∞ −∞ GXY (x, y)PXY (x, y)dy quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Covariaˆncia Cov(X,Y ) =< (x− < x >)(y− < y >) > → Cov(X,Y ) =< xy > − < x >< y > Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Covariaˆncia Cov(X,Y ) =< (x− < x >)(y− < y >) > → Cov(X,Y ) =< xy > − < x >< y > Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Covariaˆncia Cov(X,Y ) =< (x− < x >)(y− < y >) > → Cov(X,Y ) =< xy > − < x >< y > Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades - exemplos 15 Covariaˆncia Cov(X,Y ) =< (x− < x >)(y− < y >) > → Cov(X,Y ) =< xy > − < x >< y > Exemplos: 1) Supor GXY (x, y) = xn, logo < xn >= � ∞ −∞ dx � ∞ −∞ dy xnPXY (x, y) 2) Supor GXY (x, y) = xnym, logo < xnym >= � ∞ −∞ dx � ∞ ∞ dy xnymPXY (x, y) (momento conjugado) Correlac¸a˜o ou func¸a˜o de correlac¸a˜o Cor(X,Y ) = Cov(X,Y ) σxσy = < xy > − < x >< y >√ < x2 > − < x >2�< y2 > − < y >2 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Momentos de uma Função Densidade de Probabilidades 16 Propriedades: 1. Cor(X,Y ) e´ adimendional. 2. Cor(X,Y ) mede o grau dependeˆncia entre as varia´veis X e Y . 3. Cor(X,Y )=Cor(Y,X) 4. −1 ≤ Cor(X,Y ) ≤ 1 5. Cor(X,X) = 1 e Cor(X,−X) = −1 6. Cor(aX + b, c Y + d) = Cor(X,Y ) = 1, se a, c �= 0 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Variáveis Aleatórias Independentes 17 Varia´veis Aleato´rias Independentes: PXY (x, y) = PX(x)PY (y) • < X Y >=< X >< Y > • Cov(X,Y ) = 0 → Cor(X,Y ) = 0. O reverso na˜o e´ necessariamente verdadeiro. • Composic¸a˜o σ2X+Y = < (X + Y ) 2 > − < (X + Y ) >2= = < (X)2 > − < (X) >2 + < (y)2 > − < (Y ) >2= = σ2X + σ 2 Y quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Variáveis Aleatórias Independentes17 Varia´veis Aleato´rias Independentes: PXY (x, y) = PX(x)PY (y) • < X Y >=< X >< Y > • Cov(X,Y ) = 0 → Cor(X,Y ) = 0. O reverso na˜o e´ necessariamente verdadeiro. • Composic¸a˜o σ2X+Y = < (X + Y ) 2 > − < (X + Y ) >2= = < (X)2 > − < (X) >2 + < (y)2 > − < (Y ) >2= = σ2X + σ 2 Y quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Variáveis Aleatórias Independentes 17 Varia´veis Aleato´rias Independentes: PXY (x, y) = PX(x)PY (y) • < X Y >=< X >< Y > • Cov(X,Y ) = 0 → Cor(X,Y ) = 0. O reverso na˜o e´ necessariamente verdadeiro. • Composic¸a˜o σ2X+Y = < (X + Y ) 2 > − < (X + Y ) >2= = < (X)2 > − < (X) >2 + < (y)2 > − < (Y ) >2= = σ2X + σ 2 Y quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 18 Seja a varia´vel aleato´ria X(x) onde x ∈ S = {0,+1}. Definir p(0) = q e p(+1) = p donde p = 1− q. Considerar uma sequeˆncia de N eventos independentes em que ocorrem n0 vezes o resultado 0 e n1 vezes o resultado +1, onde N = n0 + n1. A probabilidade de ocorrer uma certa sequeˆncia com n0 resultados 0, sera´ qn0 pn1 . Como o nu´mero de maneiras de se dispor n0 resultados 0 e n1 resultados +1 em uma sequeˆncia e´ N !/n0!n1!, todas equiprova´veis, a probabilidade de se obter qualquer sequeˆncia com n0 resultados 0 e n1 do tipo +1 sera´ PN (n1) = N ! n0!n1! qn0 pn1 Usando o teorema binomial e´ imediato verificar que N� n1=0 PN (n1) = N� n1=0 N ! (N − n1)!n1! q N−n1 pn1 = (p+ q)N = 1 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 18 Seja a varia´vel aleato´ria X(x) onde x ∈ S = {0,+1}. Definir p(0) = q e p(+1) = p donde p = 1− q. Considerar uma sequeˆncia de N eventos independentes em que ocorrem n0 vezes o resultado 0 e n1 vezes o resultado +1, onde N = n0 + n1. A probabilidade de ocorrer uma certa sequeˆncia com n0 resultados 0, sera´ qn0 pn1 . Como o nu´mero de maneiras de se dispor n0 resultados 0 e n1 resultados +1 em uma sequeˆncia e´ N !/n0!n1!, todas equiprova´veis, a probabilidade de se obter qualquer sequeˆncia com n0 resultados 0 e n1 do tipo +1 sera´ PN (n1) = N ! n0!n1! qn0 pn1 Usando o teorema binomial e´ imediato verificar que N� n1=0 PN (n1) = N� n1=0 N ! (N − n1)!n1! q N−n1 pn1 = (p+ q)N = 1 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 18 Seja a varia´vel aleato´ria X(x) onde x ∈ S = {0,+1}. Definir p(0) = q e p(+1) = p donde p = 1− q. Considerar uma sequeˆncia de N eventos independentes em que ocorrem n0 vezes o resultado 0 e n1 vezes o resultado +1, onde N = n0 + n1. A probabilidade de ocorrer uma certa sequeˆncia com n0 resultados 0, sera´ qn0 pn1 . Como o nu´mero de maneiras de se dispor n0 resultados 0 e n1 resultados +1 em uma sequeˆncia e´ N !/n0!n1!, todas equiprova´veis, a probabilidade de se obter qualquer sequeˆncia com n0 resultados 0 e n1 do tipo +1 sera´ PN (n1) = N ! n0!n1! qn0 pn1 Usando o teorema binomial e´ imediato verificar que N� n1=0 PN (n1) = N� n1=0 N ! (N − n1)!n1! q N−n1 pn1 = (p+ q)N = 1 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 18 Seja a varia´vel aleato´ria X(x) onde x ∈ S = {0,+1}. Definir p(0) = q e p(+1) = p donde p = 1− q. Considerar uma sequeˆncia de N eventos independentes em que ocorrem n0 vezes o resultado 0 e n1 vezes o resultado +1, onde N = n0 + n1. A probabilidade de ocorrer uma certa sequeˆncia com n0 resultados 0, sera´ qn0 pn1 . Como o nu´mero de maneiras de se dispor n0 resultados 0 e n1 resultados +1 em uma sequeˆncia e´ N !/n0!n1!, todas equiprova´veis, a probabilidade de se obter qualquer sequeˆncia com n0 resultados 0 e n1 do tipo +1 sera´ PN (n1) = N ! n0!n1! qn0 pn1 Usando o teorema binomial e´ imediato verificar que N� n1=0 PN (n1) = N� n1=0 N ! (N − n1)!n1! q N−n1 pn1 = (p+ q)N = 1 quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 19 De outra maneira, considerar Xi e´ uma varia´vel estoca´stica que fornece o resul- tado da ie´sima tentativa e que Xi pode resultar em apenas dois valores, 0 com probabilidade q e +1 com probabilidade p. A func¸a˜o densidade de probabilidade para a ie´sima tentativa sera´ PXi(x) = q δ(x) + p δ(x− 1) Valor Me´dio de n1 eventos com resultado +1 em N tentativas. < n1 >= N� n1=0 n1 PN (n1) = N� n1=0 n1 N ! n1!n0! pn1 qn0 onde n0 = N − n1 e no final faremos q = 1− p. < n1 >= p ∂ ∂p N� n1=0 N ! n1!n0! pn1 qn0 = p ∂ ∂p (p+ q)N = pN(p+ q)N−1 = pN quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 19 De outra maneira, considerar Xi e´ uma varia´vel estoca´stica que fornece o resul- tado da ie´sima tentativa e que Xi pode resultar em apenas dois valores, 0 com probabilidade q e +1 com probabilidade p. A func¸a˜o densidade de probabilidade para a ie´sima tentativa sera´ PXi(x) = q δ(x) + p δ(x− 1) Valor Me´dio de n1 eventos com resultado +1 em N tentativas. < n1 >= N� n1=0 n1 PN (n1) = N� n1=0 n1 N ! n1!n0! pn1 qn0 onde n0 = N − n1 e no final faremos q = 1− p. < n1 >= p ∂ ∂p N� n1=0 N ! n1!n0! pn1 qn0 = p ∂ ∂p (p+ q)N = pN(p+ q)N−1 = pN quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0!pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE A Distribuição Binomial 20 por outro lado, < n0 >=< N −n1 >= N− < n1 >= N −pN = N(1−p) = q N , ou seja < n1 >= pN, < n0 >= q N, ∴ < n0 > + < n1 >= N Dispersa˜o em relac¸a˜o a` me´dia: σ21 =< n 2 1 > − < n1 >2 < n21 >= N� n1=0 n21 N ! n!!n0! pn!qn0 = p ∂ ∂p × p ∂ ∂p � N� n1=0 N ! n!!n0! pn!qn0 � = = p ∂ ∂p � pN(p+ q)N−1 � = pN + p2N(N − 1) Logo, σ21 =< n 2 1 > − < n1 >2= pN + p2N(N − 1)− (pN)2 = N p q Portanto σ1 = (p q) 1/2 √ N ∴ σ1 < n1 > = � q p �1/2 1√ N A distribuição se torna muito fina e centrada em torno da média no limite quando N é grande. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel. Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel. Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel.Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel. Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel. Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 21 No limite N →∞, tanto PN (0) = qN →∞ quanto PN (N) = pN → 0. Logo PN (n1) deve ter um ma´ximo! Considerar que pro´ximo ao ma´ximo lnPN (n1) seja quase cont´ınua e diferencia´vel. Seja f(n1) = lnPN (n1) = lnN !− lnn! − ln(N − n1)! + n1 ln p+ (N − n1) ln q � Usando a fo´rmula de Stirling, lnN ! � N lnN −N +O(lnN) f(n1) � N lnN−N−n1 lnn1+n1−(N−n1) ln(N−n1)−(N−n1)+n1 ln p+(N−n1) ln q Ca´lculo do ma´ximo, ∂f ∂n1 = − lnn1 + ln(N − n!) + ln p− ln q = 0 No limite N →∞, fica ln n¯1 + ln(N − n¯1) + ln p− ln q = 0 ∴ n¯1 = N p =< n1 > quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 22 Para a segunda derivada, ∂2f ∂n21 = − 1 n1 − 1 N − n1 , → ∂2f ∂n21 ��� n¯1 = − 1 N p q < 0 verifica-se o ma´ximo em n1 = n¯1. Expandindo-se em se´rie de Taylor em torno do ma´ximo, f(n1) = lnPN (n1) = lnPN (n¯1)− 1 2Npq (n1 − n¯1)2 + . . . Desprezando-se termos superiores (aproximac¸a˜o gaussiana), resulta PN (n1) � C0 exp � − (n1 − n¯1) 2 2Npq � = C0 exp � − (n1− < n1 >) 2 2(σ21) � onde o coeficiente C0 e´ determinado pela condic¸a˜o de normalizac¸a˜o e resulta C0 = � 2πσ21 �1/2 → PN (n1) � �2πσ21�1/2 exp �− (n1− < n1 >)22(σ21) � que e´ distribuic¸a˜o normal ou gaussiana centrada em < n1 > com variaˆncia σ21 . quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 22 Para a segunda derivada, ∂2f ∂n21 = − 1 n1 − 1 N − n1 , → ∂2f ∂n21 ��� n¯1 = − 1 N p q < 0 verifica-se o ma´ximo em n1 = n¯1. Expandindo-se em se´rie de Taylor em torno do ma´ximo, f(n1) = lnPN (n1) = lnPN (n¯1)− 1 2Npq (n1 − n¯1)2 + . . . Desprezando-se termos superiores (aproximac¸a˜o gaussiana), resulta PN (n1) � C0 exp � − (n1 − n¯1) 2 2Npq � = C0 exp � − (n1− < n1 >) 2 2(σ21) � onde o coeficiente C0 e´ determinado pela condic¸a˜o de normalizac¸a˜o e resulta C0 = � 2πσ21 �1/2 → PN (n1) � �2πσ21�1/2 exp �− (n1− < n1 >)22(σ21) � que e´ distribuic¸a˜o normal ou gaussiana centrada em < n1 > com variaˆncia σ21 . quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 22 Para a segunda derivada, ∂2f ∂n21 = − 1 n1 − 1 N − n1 , → ∂2f ∂n21 ��� n¯1 = − 1 N p q < 0 verifica-se o ma´ximo em n1 = n¯1. Expandindo-se em se´rie de Taylor em torno do ma´ximo, f(n1) = lnPN (n1) = lnPN (n¯1)− 1 2Npq (n1 − n¯1)2 + . . . Desprezando-se termos superiores (aproximac¸a˜o gaussiana), resulta PN (n1) � C0 exp � − (n1 − n¯1) 2 2Npq � = C0 exp � − (n1− < n1 >) 2 2(σ21) � onde o coeficiente C0 e´ determinado pela condic¸a˜o de normalizac¸a˜o e resulta C0 = � 2πσ21 �1/2 → PN (n1) � �2πσ21�1/2 exp �− (n1− < n1 >)22(σ21) � que e´ distribuic¸a˜o normal ou gaussiana centrada em < n1 > com variaˆncia σ21 . quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 22 Para a segunda derivada, ∂2f ∂n21 = − 1 n1 − 1 N − n1 , → ∂2f ∂n21 ��� n¯1 = − 1 N p q < 0 verifica-se o ma´ximo em n1 = n¯1. Expandindo-se em se´rie de Taylor em torno do ma´ximo, f(n1) = lnPN (n1) = lnPN (n¯1)− 1 2Npq (n1 − n¯1)2 + . . . Desprezando-se termos superiores (aproximac¸a˜o gaussiana), resulta PN (n1) � C0 exp � − (n1 − n¯1) 2 2Npq � = C0 exp � − (n1− < n1 >) 2 2(σ21) � onde o coeficiente C0 e´ determinado pela condic¸a˜o de normalizac¸a˜o e resulta C0 = � 2πσ21 �1/2 → PN (n1) � �2πσ21�1/2 exp �− (n1− < n1 >)22(σ21) � que e´ distribuic¸a˜o normal ou gaussiana centrada em < n1 > com variaˆncia σ21 . quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Limite Gaussiano da Distribuição Binomial 22 Para a segunda derivada, ∂2f ∂n21 = − 1 n1 − 1 N − n1 , → ∂2f ∂n21 ��� n¯1 = − 1 N p q < 0 verifica-se o ma´ximo em n1 = n¯1. Expandindo-se em se´rie de Taylor em torno do ma´ximo, f(n1) = lnPN (n1) = lnPN (n¯1)− 1 2Npq (n1 − n¯1)2 + . . . Desprezando-se termos superiores (aproximac¸a˜o gaussiana), resulta PN (n1) � C0 exp � − (n1 − n¯1) 2 2Npq � = C0 exp � − (n1− < n1 >) 2 2(σ21) � onde o coeficiente C0 e´ determinado pela condic¸a˜o de normalizac¸a˜o e resulta C0 = � 2πσ21 �1/2 → PN (n1) � �2πσ21�1/2 exp �− (n1− < n1 >)22(σ21) � que e´ distribuic¸a˜o normal ou gaussiana centrada em < n1 > com variaˆncia σ21 . quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjuntode equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjunto de equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjunto de equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjunto de equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjunto de equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 23 O objetivo da Mecaˆnica Estat´ıstica e´ descrever o comportamento macrosco´pico de sistemas f´ısicos a partir do comportamento microsco´pico (do grande nu´mero) das part´ıculas (ou graus de liberdade) constituintes. Em suma, fazer a conexa˜o entre a dinaˆmica microsco´pica e a dinaˆmica macrosco´pica. A dinaˆmica microsco´pica, dependendo da natureza do sistema, pode ser bem descrita pela dinaˆmica cla´ssica (lagrangeana ou hamiltoniana) ou pela mecaˆnica quaˆntica. Para isso, e´ necessa´rio possuir toda informac¸a˜o sobre um certo estado mi- crosco´pico e, mesmo assim, ser poss´ıvel resolver o enorme conjunto de equac¸o˜es acopladas que descrevem de evoluc¸a˜o temporal. A descric¸a˜o cla´ssica e´ feita pela resoluc¸a˜o das equac¸o˜es do movimento de Hamil- ton. O conhecimento das coordenadas generalizadas em dado instante (estado ini- cial) permite a determinac¸a˜o precisa de todos os estados passados e futuros. A descric¸a˜o quaˆntica e´ feita pela resoluc¸a˜o da equac¸a˜o de Schro¨dinger. Com o conhecimento da func¸a˜o de onda do estado inicial e´ poss´ıvel determinar a evoluc¸a˜o temporal para estados passados e futuros com certo grau de incerteza inerente. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 24 Ambas as descric¸o˜es sa˜o baseadas em equac¸o˜es revers´ıveis no tempo e resultam num conjunto completo (enorme) de informac¸o˜es microsco´picas, as quais, quando adequadamente reunidas, sa˜o capazes de descrever a leis que governam o compor- tamento macrosco´pico. Ha´ pore´m, certo aspectos da dinaˆmica macrosco´picaque na˜o emergem diretamente do comportamento microsco´pico como: ◦ A existeˆncia dos estados de equil´ıbrio. ◦ A evoluc¸a˜o (na˜o-revers´ıvel) para tais estados de equil´ıbrio. A mecaˆnica estat´ıstica, por outro lado, tem por objetivo proporcionar a descric¸a˜o macrosco´pica a partir de um conjunto reduzido das informac¸o˜es microsco´picas e de postulados razoa´veis que possibilitem a estimativa dos valores me´dios das grandezas macrosco´picas mensura´veis. A mecaˆnica estat´ıstica prescinde do ca´lculo microsco´pico detalhado, pore´m rete´m caracter´ısticas microsco´picas essenciais como as propriedades de simetria para descrever o comportamento macrosco´pico. Para realizar este objetivo, lanc¸a ma˜o de um conjunto me´todos estat´ısticos e da teoria de probabilidades, ale´m das leis da dinaˆmica – cla´ssica ou quaˆntica – e leis de conservac¸a˜o. Por fim, deve prover uma justificativa teo´rica para a Termodinaˆmica. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 24 Ambas as descric¸o˜es sa˜o baseadas em equac¸o˜es revers´ıveis no tempo e resultam num conjunto completo (enorme) de informac¸o˜es microsco´picas, as quais, quando adequadamente reunidas, sa˜o capazes de descrever a leis que governam o compor- tamento macrosco´pico. Ha´ pore´m, certo aspectos da dinaˆmica macrosco´pica que na˜o emergem diretamente do comportamento microsco´pico como: ◦ A existeˆncia dos estados de equil´ıbrio. ◦ A evoluc¸a˜o (na˜o-revers´ıvel) para tais estados de equil´ıbrio. A mecaˆnica estat´ıstica, por outro lado, tem por objetivo proporcionar a descric¸a˜o macrosco´pica a partir de um conjunto reduzido das informac¸o˜es microsco´picas e de postulados razoa´veis que possibilitem a estimativa dos valores me´dios das grandezas macrosco´picas mensura´veis. A mecaˆnica estat´ıstica prescinde do ca´lculo microsco´pico detalhado, pore´m rete´m caracter´ısticas microsco´picas essenciais como as propriedades de simetria para descrever o comportamento macrosco´pico. Para realizar este objetivo, lanc¸a ma˜o de um conjunto me´todos estat´ısticos e da teoria de probabilidades, ale´m das leis da dinaˆmica – cla´ssica ou quaˆntica – e leis de conservac¸a˜o. Por fim, deve prover uma justificativa teo´rica para a Termodinaˆmica. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 24 Ambas as descric¸o˜es sa˜o baseadas em equac¸o˜es revers´ıveis no tempo e resultam num conjunto completo (enorme) de informac¸o˜es microsco´picas, as quais, quando adequadamente reunidas, sa˜o capazes de descrever a leis que governam o compor- tamento macrosco´pico. Ha´ pore´m, certo aspectos da dinaˆmica macrosco´pica que na˜o emergem diretamente do comportamento microsco´pico como: ◦ A existeˆncia dos estados de equil´ıbrio. ◦ A evoluc¸a˜o (na˜o-revers´ıvel) para tais estados de equil´ıbrio. A mecaˆnica estat´ıstica, por outro lado, tem por objetivo proporcionar a descric¸a˜o macrosco´pica a partir de um conjunto reduzido das informac¸o˜es microsco´picas e de postulados razoa´veis que possibilitem a estimativa dos valores me´dios das grandezas macrosco´picas mensura´veis. A mecaˆnica estat´ıstica prescinde do ca´lculo microsco´pico detalhado, pore´m rete´m caracter´ısticas microsco´picas essenciais como as propriedades de simetria para descrever o comportamento macrosco´pico. Para realizar este objetivo, lanc¸a ma˜o de um conjunto me´todos estat´ısticos e da teoria de probabilidades, ale´m das leis da dinaˆmica – cla´ssica ou quaˆntica – e leis de conservac¸a˜o. Por fim, deve prover uma justificativa teo´rica para a Termodinaˆmica. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 24 Ambas as descric¸o˜es sa˜o baseadas em equac¸o˜es revers´ıveis no tempo e resultam num conjunto completo (enorme) de informac¸o˜es microsco´picas, as quais, quando adequadamente reunidas, sa˜o capazes de descrever a leis que governam o compor- tamento macrosco´pico. Ha´ pore´m, certo aspectos da dinaˆmica macrosco´pica que na˜o emergem diretamente do comportamento microsco´pico como: ◦ A existeˆncia dos estados de equil´ıbrio. ◦ A evoluc¸a˜o (na˜o-revers´ıvel) para tais estados de equil´ıbrio. A mecaˆnica estat´ıstica, por outro lado, tem por objetivo proporcionar a descric¸a˜o macrosco´pica a partir de um conjunto reduzido das informac¸o˜es microsco´picas e de postulados razoa´veis que possibilitem a estimativa dos valores me´dios das grandezas macrosco´picas mensura´veis. A mecaˆnica estat´ıstica prescinde do ca´lculo microsco´pico detalhado, pore´m rete´m caracter´ısticas microsco´picas essenciais como as propriedades de simetria para descrever o comportamento macrosco´pico. Para realizar este objetivo, lanc¸a ma˜o de um conjunto me´todos estat´ısticos e da teoria de probabilidades, ale´m das leis da dinaˆmica – cla´ssica ou quaˆntica – e leis de conservac¸a˜o. Por fim, deve prover uma justificativa teo´rica para a Termodinaˆmica. quinta-feira, 2 de fevereiro de 2012 Curso de Verão 2012 - Mecânica Estatística - Programa de Pós-graduação em Física da UFPE Ensembles estatísticos 24 Ambas as descric¸o˜es sa˜o baseadas em equac¸o˜es revers´ıveis no tempo e resultam num conjunto completo (enorme) de informac¸o˜es microsco´picas, as quais, quando adequadamente reunidas, sa˜o capazes de descrever a leis que governam o compor- tamento macrosco´pico. Ha´ pore´m, certo aspectos da dinaˆmica macrosco´pica que na˜o emergem diretamente do comportamento microsco´pico como: ◦ A existeˆncia dos estados de equil´ıbrio. ◦ A evoluc¸a˜o (na˜o-revers´ıvel) para tais estados de equil´ıbrio. A mecaˆnica estat´ıstica, por outro lado, tem por objetivo proporcionar a descric¸a˜o macrosco´pica a partir de um conjunto reduzido das informac¸o˜es microsco´picas e de postulados razoa´veis que possibilitem a estimativa dos valores me´dios das grandezas macrosco´picas mensura´veis. A mecaˆnica estat´ıstica prescinde do ca´lculo microsco´pico detalhado, pore´m rete´m caracter´ısticas microsco´picas essenciais como as propriedades de simetria para descrever o comportamento macrosco´pico. Para realizar este objetivo, lanc¸a ma˜o de um conjunto me´todos estat´ısticos e da teoria de probabilidades, ale´m das leis da dinaˆmica – cla´ssica ou quaˆntica – e leis de conservac¸a˜o. Por fim, deve prover uma justificativa teo´rica para a Termodinaˆmica. quinta-feira, 2 de fevereiro de 2012
Compartilhar