Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introdução à Econofísica Aula 11 Estacionalidade e correlação temporal em processos estocásticos Consideremos, agora, processos estocásticos estacionários. Seja Sn a variável es- tocástica obtida pela soma de n variáveis estocásticas, Sn = n∑ k=1 xk, onde estamos indicando os instantes de tempo considerados através do índice da variável: x (tk) = xk. Então, podemos escrever: E ( S2n ) = E n∑ k=1 xk n∑ l=1 xl = n∑ k=1 n∑ l=1 E (xkxl) = n∑ k=1 E ( x2k ) + n∑ k=1 n∑ l=1 (1− δkl)E (xkxl) . Como estamos supondo que o processo em consideração é estacionário, então, de acordo com a aula passada, E ( x2k ) = R (0) e E (xkxl) = R (tl − tk) . Como E (xkxl) = E (xlxk) , segue que R (tl − tk) = R (tk − tl) . Também suponhamos que os tempos são separados por um intervalo fixo: tk+1 − tk = ∆t. 1 Assim, tk − tl = (k − l) ∆t. Podemos, portanto, escrever: E ( S2n ) = nR (0) + n∑ k=1 n∑ l=1 (1− δkl)R [(k − l) ∆t] = nR (0) + 2 n−1∑ k=1 n∑ l=k+1 R [(l − k) ∆t] = nR (0) + 2 n−1∑ k=1 n−k∑ s=1 R [s∆t] = nR (0) + 2 n−1∑ s=1 R [s∆t] + n−2∑ s=1 R [s∆t] + · · ·+ 2∑ s=1 R [s∆t] + 1∑ s=1 R [s∆t] = nR (0) + 2 {R [(n− 1) ∆t] + 2R [(n− 2) ∆t] + · · · + (n− 2)R [2∆t] + (n− 1)R [∆t]} = nR (0) + 2 n−1∑ k=1 (n− k)R [k∆t] = nR (0) + 2 n∑ k=1 (n− k)R [k∆t] . Para colocarmos essa igualdade na forma do livro-texto, usamos: R (0) = E ( x2i ) , para qualquer i ∈ {1, 2, . . . , n} , e R [k∆t] = E (xixi+k) , para qualquer i ∈ {1, 2, . . . , n} . Assim, E ( S2n ) = nE ( x2i ) + 2 n∑ k=1 (n− k)E (xixi+k) . Notemos que n∑ k=1 (n− k)E (xixi+k) = (n− 1)E (xixi+1) + (n− 2)E (xixi+2) + · · ·+ 2E (xixi+n−2) + E (xixi+n−1) = n [( 1− 1 n ) E (xixi+1) + ( 1− 2 n ) E (xixi+2) + · · ·+ 2 n E (xixi+n−2) + 1 n E (xixi+n−1) ] . 2 No limite em que n é muito grande, temos, aproximadamente, n∑ k=1 (n− k)E (xixi+k) ≈ n [(1− 0)E (xixi+1) + (1− 0)E (xixi+2) + · · ·+ 0E (xixi+n−2) + 0E (xixi+n−1)] ≈ n n∑ k=1 E (xixi+k) . Quando lim n→∞ ∣∣∣∣∣∣ n∑ k=1 E (xixi+k) ∣∣∣∣∣∣ < ∞, isto é, o limite dessa soma é finito, dizemos que as variáveis estocásticas têm correlação de curto alcance. Já quando lim n→∞ ∣∣∣∣∣∣ n∑ k=1 E (xixi+k) ∣∣∣∣∣∣ = ∞, dizemos que as variáveis estocásticas têm correlação de longo alcance. No caso contínuo, ao invés de verificarmos a finitude da soma acima, utilizamos a integral temporal da autocorrelação: n∑ k=1 E (xixi+k) → ˆ ∞ 0 dτ R (τ) , quando n → ∞. No caso de uma partícula em movimento browniano, a autocorrelação é dada por R (τ) = σ2 exp −|τ | τc . A distribuição de frequências dessa função de autocorrelação é obtida pela sua transformada de Fourier: S (ω) = ˆ +∞ −∞ dτ R (τ) exp (−iωτ) = ˆ +∞ −∞ dτ σ2 exp −|τ | τc exp (−iωτ) = ˆ +∞ −∞ dτ σ2 exp −|τ | τc − iωτ 3 = ˆ +∞ 0 dτ σ2 exp ( − τ τc − iωτ ) + ˆ 0 −∞ dτ σ2 exp ( τ τc − iωτ ) = σ2 1 τc + iω + σ2 1 τc − iω = σ2 ( 1 τc − iω + 1τc + iω ) ( 1 τc + iω ) ( 1 τc − iω ) = σ2 ( 2 τc ) ( 1 τc )2 + ω2 = 2σ2τc 1 + (ωτc) 2 . Para baixas frequências, temos o que se chama ruído branco. Para frequências altas, temos o processo de Wiener, caracterizado por uma densidade espectral que varia com o inverso do quadrado da frequência. O caso acima ilustra correlação de curto alcance. No caso de correlação de longo alcance, podemos escrever S (ω) ∼ 1|ω|η , com 0 < η < 2. Nesse caso, a integral da função de autocorrelação diverge. Um caso típico de correlação de longo alcance, encontrada muitas vezes em circuitos eletrônicos, é o do ruído 1/f; no caso acima, esse caso ocorre para η = 1. No caso de escalas de tempo maiores do que o tempo de correlação τc, para processos com correlação de curto alcance, as densidades de probabilidades condi- cionais são dadas por: f (x1, x2, . . . , xn−1; t1, t2, . . . , tn−1|xn; tn) = f (xn−1; tn−1|xn; tn) . Esse tipo de processo é chamado de markoviano; bastam as densidades de prob- abilidade de primeira ordem e condicional de segunda ordem para ser completa- mente determinado. Como exemplo, temos: f (x1, x2, x3; t1, t2, t3) = f (x1; t1) f (x1; t1|x2; t2) f (x2; t2|x3; t3) . 4
Compartilhar