Dinâmica estocástica e Irreversibilidade (Din. Est.

&

Simulação de processos físicos com método de Monte

Carlo (SPMC)

IFUSP, Agosto de 2010

Tânia Tomé IFUSP 1

 Tânia Tomé

• Instituto de Física Sala 316-A Ala I

• Universidade de São Paulo (IFUSP)

• São Paulo, SP

• ttome@if.usp.br

http://fge.if.usp.br/~ttome/

Monitor: David R. de Souza (IFUSP)

Tânia Tomé IFUSP 2

 Programa:
DinEst & SPMC

Núcleo básico
Programa do núcleo básico:
• 1. Introdução geral
• 2. Variável aleatória discreta e contínua.
• 3. Distribuições de probabilidade; momentos e cumulantes.
• 4. Função característica e função geratriz.
• 5. Distribuição de probabilidades conjunta.
• 6. Mudança de variáveis e geração de números aleatórios.
• 7. Seqüências de variáveis aleatórias e teorema central do limite.
• 8. Passeio aleatório em uma dimensão e mais dimensões.
• 9. Cadeias de Markov, equação mestra e balanceamento detalhado.

Tânia Tomé IFUSP

3
 Bibliografia: núcleo básico

• T. Tomé e M. J. de Oliveira, Dinâmica Estocástica e Irreversibilidade (Edusp,

São Paulo, 2001).
• N. G. van Kampen, Stochastic Processes in Physics and Chemistry (North-
Holland, Amsterdam, 1981).
• W. Feller, An Introduction to Probability Theory and its Aplications (Wiley,
Londres, 1950).
• C. W. Gardiner, Handbook of Stchastic Methods for Physics, Chemistry and
Natural Sciences (Springer, Berlim, 1983).
• D.P. Landau e K. Binder, A Guide to Monte Carlo Simulation in Statistical
Physics, (Cambridge University Press, Cambridge, 2000).
• W. H. Press et al, Numerical Recipes: The Art of Scientific Computing,
vols. 1 e 2, Cap. 7, 2ª edição (Cambridge University Press, Cambridge,
1996) .

Tânia Tomé IFUSP 4

 Programa resumido: Simulação de processos físicos com método
de Monte Carlo
Continuação

(i) Simulação de Líquidos Moleculares;

(ii) Física Estatística: Transições de Fase e Criticalidade;

(iii) Física Nuclear;

(iv) Radiações e Dosimetria.

Cada bloco terá duração de duas semanas

Tânia Tomé IFUSP

5
 Programa dinâmica estocástica
Continuação
10. Equação de Langevin
11. Equação de Fokker-Planck
12. Equação mestra: dedução e propriedades
13. Simulações de Monte Carlo
14. Algoritmo de Metropolis e dinâmica de Glauber para o modelo de Ising
15. Modelos estocásticos reversíveis
16. Modelos estocásticos irreversíveis
Modelo contato
Modelagem de sistemas biologicamente motivados
Modelo do Votante
17. Teoria de campo médio
18. Autômatos celulares probabilísticos

Tânia Tomé IFUSP

6
 Avaliação

Simulação de processos físicos com método de Monte Carlo (SPMC)

Listas de exercícios
Prova no final de setembro
Seminários (segunda parte do curso)

Tânia Tomé IFUSP 7

 Avaliação

Dinâmica Estocástica e irreversibilidade

Listas de exercícios
Seminários

Tânia Tomé IFUSP

Avaliação
Tânia Tomé IFUSP 8
Processos estocásticos

Teoria do Movimento Browniano

Einstein (1905), Smoluchowsky (1906),

Langevin (1908), Perrin (1908)
Uhlenbeck & Ornstein (1930)
Chandrasekhar (1943), Mark Kac (1947)

Método de Monte Carlo

Metropolis et al. (1953)

Dinâmica de Glauber-Ising
Glauber (1963)

Tânia Tomé IFUSP 9

Formulação Estocástica para problemas da dinâmica de populações biológicas

Processos de “nascimento e morte”

Bartlett (1949)
Bailey (1953)

Processo de contato
Harris, (1974)
Grassberger & de la Torre (1979)
Modelo Susceptível – Infectado – Removido (SIR) Estocástico
e Espacialmente Estruturado
Grassberger (1983)
Muitos outros trabalhos ( a serem vistos no decorrer do curso)

Modelo para descrever a coexistência de espécies biológicas estocástico

e Espacialmente Estruturado
Durrett & Levin (1994)
Muitos outros trabalhos ( a serem vistos no decorrer do curso)
Tânia Tomé IFUSP
10
 Movimento browniano

Equação de difusão

 2 kB T
P D P D
t x 2
3 a

1 Relação de Einstein-Smoluchowski
 x 2 / 4 Dt
P ( x, t )  e
2  Dt
 x   2 Dt
2

Equação de Fokker-Planck

  2
P  f PD P
t x x 2

Tânia Tomé IFUSP 11

 Movimento browniano de uma partícula clássica

Equação de Langevin

dx   (t ) 0
 f ( x)   ( t )
dt   ( t )  ( t ')    (t  t ')

Que está associada à equação de Fokker-Planck em uma variável, a equação de

Smoluchowski,

   2
P ( x, t )   [ f ( x) P( x, t ) ]  P ( x, t ).
t x 2 x 2

P ( x, t ) Distribuição de probabilidades associada a x.

Tânia Tomé IFUSP 12
 Exemplo de processos estocásticos:
Equação mestra para processos em que o número de elementos
envolvidos determina o estado

Processo de decaimento radioativo

ou
Um exemplo simples da dinâmica de populações biológicas

Processo de morte pura

. Imaginemos uma população de indivíduos que vive em um ambiente isolado.

. Imaginemos também que o ambiente esteja altamente poluído e que isto

resulte na não reprodução dos indivíduos.

Tânia Tomé IFUSP 13

Processo estocásticos
Problemas da dinâmica de populações biológicas
Processo de morte pura

Número de pássaros sobreviventes versus

tempo
(Kraak et al (1940 ) in Hutchinson, (1978)

Renshaw (1991)

E. Renshaw, Modeling Biological Populations in

Space and Time, Cambridge UniversityPress,
Cambridge, 1991)

Tânia Tomé IFUSP 14

 Processos de “Morte pura”

Suposições:

1) População de indivíduos que vive em um ambiente isolado

2) Ambiente está altamente poluído e isto resulta na não reprodução dos

indivíduos.

3) Os indivíduos não interagem entre si.

Tânia Tomé IFUSP 15

 Processo de morte pura
n
n0

//

/// //

0
0
t

Tânia Tomé IFUSP 16

 Dinâmica estocástica & Processos estocásticos em
física e outras áreas

IMPORTANTE
Equação mestra

Tânia Tomé IFUSP 17

 Equação mestra =

Processo markoviano a tempo contínuo

d
P (n, t )    W (n, m) P(m, t )  W (m, n) P(n, t ) Equação
dt m( n) mestra

P(n,t) é a probabilidade de o sistema estar no estado n no

instante de tempo t.

W(n,m) Taxa de Transição de m para n

A equação mestra é obtida a partir da equação de evolução

para um processo markoviano “a tempo discreto” (veremos em
detalhe no curso)!
Tânia Tomé IFUSP 18
 Cadeias de Markov Processo markoviano a
tempo discreto
xt Variável estocástica discreta

t 0 1 ... 1
xt n0 n1 ... n n 1

P 1 (n 1 , n ,..., n0 )  P 1 (n 1 | n ,..., n0 ) P (n ,..., n0 )

P 1 (n 1 | n ,..., n0 )  P 1 (n 1 | n )
Propriedade markoviana soma em
n0 , n1 ,...., n 1

P 1 (n 1 )   P 1 (n 1 | n ) P (n )
n

Relação de recorrência
19
Tânia Tomé IFUSP
 Cadeias de Markov Processo markoviano a
tempo discreto
Relação de recorrência:

P 1 (n 1 )   P 1 (n 1 | n ) P (n )
n

Notação simplificada:

T (n, m) Probabilidade de transição de m para n

Relação de recorrência:

P 1 (n)   T (n, m) P (m)

m

Propriedade:  n
T (n, m)  1

Tânia Tomé IFUSP 20

 equação mestra
EQUAÇÃO
MESTRA Processo markoviano a
tempo contínuo

dP(n, t )
 W (n, m) P(m, t )  W (m, n) P(n, t )
dt m n
Será
introduzida e
estudada
P(n, t ) = Probabilidade do estado n no instante t durante o
curso!!

Taxa de transição
Define o
de m para n modelo!!

W (n, m)  W (n m )
Probabilidade por unidade de tempo de o
sistema estando em m ir para n.

Tânia Tomé IFUSP 21

EQUAÇÃO MESTRA: “Equação de ganho e perda”

dP(n, t )
 W (n, m) P(m, t )  W (m, n) P(n, t )
dt m n

m
m

ganho perda

Tânia Tomé IFUSP 22

 Exemplo 1)
Equação mestra para processos em que o número de elementos
Processos de “nascimento e
envolvidos determina o estado morte”

Exemplo mais simples entre os processos de nascimento e morte:

Equação mestra para o

Processo de decaimento radioativo

ou

Processo de morte pura em dinâmica de populações biológicas

ou 
X  Y
a reação química
Tânia Tomé IFUSP 23
Exemplo mais simples:
Processo de decaimento radioativo

Descrever o processo de decaimento radioativo em termos de um

processo markoviano a tempo contínuo (equação mestra)

Objetivo: caracterizar a evolução temporal de um conjunto de núcleos

radioativos

Obter a distribuição de probabilidades de termos n núcleos

“sobreviventes” em um instante de tempo t

Tânia Tomé IFUSP 24

 Processos de “Morte pura”

1) Imaginemos uma população de indivíduos que vive em um ambiente isolado

2) Imaginemos também que o ambiente esteja altamente poluído e que isto

resulte na não reprodução dos indivíduos.

3) Os indivíduos não interagem entre si.

Tânia Tomé IFUSP 25

 Processo de morte pura
Número de indivíduos no instante t 
: 0 n0
Os indivíduos não se reproduzem.
Os indivíduos não interagem entre si (são um conjunto de elementos
Independentes).

A taxa de morte 
é a mesma para todos os indivíduos
e não se altera com o tempo.

O número de indivíduos n (t )
sobreviventes no instante de tempo t
é um processo markoviano t 0

Tânia Tomé IFUSP 26

 Processo de morte pura
ou
Decaimento radioativo

Abordagem determinística:

dn
  n(t )
dt

Condição inicial: t  0 n  n0

n  n0 e t

Tânia Tomé IFUSP 27

 Processo de morte pura
ou
Decaimento radioativo
Abordagem estocástica:
Probabilidade de um certo indivíduo estar vivo no instante de tempo t.
Probabilidade de n indivíduos estarem vivos em t

n é uma variável estocástica

Probabilidade de um dado indivíduo estar vivo no instante de tempo t.

Pn (t )  P (n, t )
= Probabilidade de n indivíduos estarem vivos em t

Tânia Tomé IFUSP 28

Simulações de um modelo estocástico para o processo de morte pura
(ou decaimento radioativo) David R. de Souza n

t 0 n  n0  100  1
David R. de Souza
Desvio com relação ao valor médio
n(t) é significativo.

/// // Abordagem
Para
estocástica
grande
é relevante!!

Tânia Tomé IFUSP 29

Formulação do problema

Probabilidade de transição de um estado m para um estado n em um certo

intervalo de tempo curto t:

T (n , m)  0 para nm

T (n , m)  m  t para n  m 1

m  t
W (n , m) 
t
Ou seja,

W (n , m)  m   ( n, m  1) n m

Delta de Kronecker
Tânia Tomé IFUSP 30
 Processo de morte pura
ou
Decaimento radioativo

Algoritmo para simular o processo de decaimento radioativo ou

Morte pura (David):

1. Fixa-se os parâmetros: n0 e 

2. Cria-se uma lista com estado de cada indivíduo (vivo ou morto)

3. Sorteia-se um indivíduo

4. Se o indivíduo está vivo então ele pode morrer com uma certa
probabilidade p.

Tânia Tomé IFUSP 31

 Equação mestra
para o processo
de morte pura

d
Pn (t )  (n  1)   Pn 1 (t )  n  Pn (t )
dt

Condição inicial:

número de indivíduos no instante t  0

: é n0
Pn0 (0)  1 n  n0 em t 0

Tânia Tomé IFUSP 32

 Encontrar Pn (t )

d
Pn (t )  (n  1)   Pn1 (t )  n  Pn (t )
dt

Utilizar a função geratriz

Função geratriz f ( x, t )   x n Pn (t )
n


f x 1   n(t ) 
x
   
x f x 1   n 2
(t ) 
x  x 

Tânia Tomé IFUSP 33

  n0 
f ( x, t )      t n 0 n
( xe t )
n
  (1 e )
n n 

 n0 
f ( x, t )     (1  e   t n 0 n
) ( e  t n
) x n

n n 

Mas, f ( x, t )  
n
x n Pn (t )

Então:
n
 n0   t   e  t

Pn (t )    (1  e )
n n
  t 
0

 
n  1  e 

Tânia Tomé IFUSP 34

 n
 n0   t n 0  e   t
Pn (t )    (1  e )   t 
n   1  e 

P0 (t )  (1  e  t )
n0

n0 !  e  t 
P1 (t )  (1  e  t )
n0
  t 
(n 0  1)!  1e 

Para t  P0 (t ) 1

P1 (t )  0

Pn (t )  0
Tânia Tomé IFUSP 35
 Processo de morte pura (*)
Equação mestra para o processo de morte pura

d
Pn (t )  (n  1)   Pn1 (t )  n  Pn (t )
dt

Condição inicial: número de indivíduos no instante t  0 : é n0

Pn0 (0)  1 n  n0 em t  0

Solução
n
 n0   t   e  t

Pn (t )    (1  e )
n n
  t 
0

 
n  1  e 

Tânia Tomé IFUSP 36

 Mudança de notação

Estado 

P ( , t ) Probabilidade do estado 
no instante t

Equação Mestra

d
P(  , t )    W (  ,  ´) P( ´, t )  W (  ´ ,  ) P( , t ) 
dt  ´(   )

Tânia Tomé IFUSP 37

 Modelos estocásticos em reticulados

Equação mestra
d
P(  , t )    W (  ,  ´) P( ´, t )  W (  ´ ,  ) P( , t ) 
dt  ´(   )

P (  , t ) : probabilidade do estado microscópico  no instante de tempo t

W ( ,  ´)  0   ´ 

W ( ,  ´)  0

d
ou P( t )  W P(t )
dt

W matriz de evolução

Tânia Tomé IFUSP 38

 Regime estacionário dP( , t )
0
dt


 
 W (  , ´) P
´(  )
est ( ´)  W (  ´ ,  ) Pest ( ) 0
Pest ( ) : distribuição de probabilidades estacionária.

Balanceamento detalhado (BD)

W (  ,  ´) Pest ( ´)  W (  ´ ,  ) Pest ( )

A probabilidade de transição   ´
em t é igual a sua reversa.
BD

Tânia Tomé IFUSP 39

 dP( , t )
0
Estados estacionários dt

Estados estacionários
Estados estacionários
de equilíbrio
de não-equilíbrio
termodinâmico

Tânia Tomé IFUSP 40

 Estados Estacionários

Se a condição de balanceamento detalhado (B D) é observada

Então

Distribuição estacionária de Gibbs

Sistema atinge estado estacionário de equilíbrio termodinâmico

Tânia Tomé IFUSP 41

 Sistemas em equilíbrio termodinâmico

Mecânica Estatística de Equilíbrio Distribuição de

probabilidade de Gibbs

 Estado microscópicos do sistema

 H ( ) /k BT
e
P( ) 
Z

Propriedades macroscópicas do sistema em equilíbrio termodinâmico:

 F    F ( ) P( )


Tânia Tomé IFUSP 42

 Equação mestra
Exemplo 2:
Modelo de Glauber-Ising

Modelo de Ising: E ( )   J  i j
( ij ) (* para explicação mais detalhada
ver slide “apêndice” desta aula )
a soma é sobre os pares de primeiros vizinhos numa rede com N sítios
 i : variável estocástica associada ao sítio i da rede
 i  1 J  const.

Glauber (1963)
Para simular a evolução de um estado inicial qualquer para o equilíbrio
termodinâmico devemos acoplar uma dinâmica estocástica.

Modelo de Glauber-Ising
O modelo estocástico em reticulado mais simples, que descreve um sistema com
interações locais e que relaxa para o equilíbrio termodinâmico é o modelo de Ising
com dinâmica de Glauber.

Tânia Tomé IFUSP 43

 Modelo de Glauber-Ising

1 J
wi ( )  {1   i tanh (
2 kT
  i  )} Glauber
(*)
(*) a soma é
sobre os
2J primeiros
wi ( )  min(1, exp{  i   i  }) Metropolis vizinhos
kT  (*) do sítio i

Estado estacionário: possui balanceamento detalhado

wi ( ) P( i )

wi ( ) P( )
i

Probabilidade estacionária associada ao modelo de Ising

e E ( ) /kT
P( )  E ( )   J   i  j
Z ( ij )

Tânia Tomé IFUSP 44

 Algoritmo de Metropolis para Modelo de Ising

Gera-se uma configuração inicial.

1) Escolhe-se aleatoriamente um spin i que poderá ser invertido  i    i

2) Calcula-se a diferença de energia devida à essa possível inversão

  (1 ,....,  i , ...,  N )  i  ( 1 ,...., i , ...,  N ) E  E ( i )  E ( )
3) Se E  0 inverte-se o spin.
4 a) Se
E  0 calcula-se a probabilidade de transição w  exp(  E)

4 b) Gera-se número aleatório 0   1

4 c) Se  w inverte-se o spin. Caso contrário o spin não é invertido.

5) A configuração gerada é analisada e as propriedades necessárias para o cálculo

das médias desejada são armazenadas.

Tânia Tomé IFUSP 45

 T  Tc T  Tc T  Tc

estado ordenado T muito próxima estado desordenado

da crítica

Simulações de Monte Carlo em redes quadradas regulares.

Instantâneos da rede gerados utilizando a prescrição de Metropolis
para o modelo de Ising.

Tc Temperatura crítica

Tânia Tomé IFUSP 46

Sistema de partículas (unidades, elementos) evoluindo no tempo
de acordo com uma dinâmica estocástica

Modelos estocásticos em reticulados

Equação mestra

Autômatos celulares probabilísticos

Equação de evolução para a distribuição de probabilidades
de uma dinâmica markoviana síncrona.

Tânia Tomé IFUSP 47

 Autômato celular probabilístico

Variável estocástica discreta   (1 , 2 ,...., i ,..., N )

P 1 ( )   ' T ( |  ' ) P ( ' )

P ( ) Probabilidade do estado  no passo de tempo

T ( | ´) Probabilidade de transição  ´ 
N
T ( | ´)   wi ( i | ´) Atualização Síncrona
i 1

wi ( i | ´) : probabilidade de transição associada ao sítio i

48

Tânia Tomé IFUSP

 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.

Tânia Tomé IFUSP 49

 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
irreversível

Transição permitida Transição proibida

t  t
Tânia Tomé IFUSP 50
Equação mestra
Exemplo (3) 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:

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.
Tânia Tomé IFUSP 51
 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

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.

52

Tânia Tomé IFUSP

 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


Se o sítio i está ocupado por um indivíduo infectado:
i i
(ii) Recuperação espontânea: 1
Rede 1d
i 1 i 1i
___o______o______o_____o_____o____
Tânia Tomé IFUSP 53
 Modelo de contato em uma dimensão: taxa de transição

Dinâmica de
um sítio i  0 I

Dinâmica i  1 S
global: 

W ( , ' )   j  ( , ' ) .... (c

1 1 j , (1  j ' )) ... ( N , ' N ))w j ( ' )

Modelo de contato em uma dimensão

Taxa de transição por sítio:

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

Tânia Tomé IFUSP 54

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 ) Vamos ver no curso

 i  (1 ,2 , ..., (1 i ), ..., N )

Modelo de contato em uma dimensão

Taxa de transição por sítio:

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

Tânia Tomé IFUSP 55

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
= parâmetro de ordem

    c
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
infecção:
56
 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
Tânia Tomé IFUSP
z   / 
57
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
Simulações de Monte Carlo

Tânia Tomé IFUSP 58

 Padrões
t1 t2  t1  T / 4
Espaciais
&
Oscilações
temporais
Autômato
Predador-
Presa
Azul: presa
Vermelho: predador
Branco: vazio
a = 0,17
b = 0,77
c = 0,06

T = Período
de
Oscilação

Simulações de Monte Carlo

t3  t1  T / 2 Tânia Tomé IFUSP t4  t1  3T / 4 59
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

Cluster Ativo Branco: presa Cluster Crítico

Ver.: predador
p = - 0.3 c = 0.0075 Cinza: vazio p = - 0.3 c = 0.0867
t =1750 Arashiro & TT 2007 t = 20000

Tânia Tomé IFUSP 60

Epidemia com imunização – MODELO SIR estocástico e descrito por uma
equação mestra

Infection auto-catalítica

R I

Recuperação espontânea

Tânia Tomé IFUSP 61

 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 62
 Modelo SIR assíncrono
c  cc
Rede quadrada regular L=520
Número de sítios R no “cluster”: 51034

Verde: recuperados
Branco: suscetíveis

Ziff & TT

Tânia Tomé IFUSP 63

 Curvas epidêmicas:
Autômato SIR estocástico e espacialmente estruturado
Simulações de Monte Carlo

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)

Tânia Tomé IFUSP 64

 Epidemia com imunização
Modelo 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
Tânia Tomé IFUSP 65
 Referências

N. G. van Kanpen,
Stochastic Processes in Physics and Chemistry, (North-Holland, Anasterdan, 1981).

Tânia Tomé e Mário José de Oliveira,

Dinâmica estocástica e Irreversibilidade
(Editora da Universidade de São Paulo (Edusp), S. Paulo, 2001).

J. Marro and R. Dickman,

Nonequilibrium Phase Transitions in Lattice Models,
(Cambridge University Press, Cambridge, 1999).

Silvio R. A. Salinas,
Introdução à Física Estatística,
(Editora da Universidade de São Paulo (Edusp), S. Paulo, 1997).

R. J. Glauber,
Time-Dependent Statistics of the Ising Model
J. Math. Phys. 4, 294 (1963).

Tânia Tomé IFUSP 66

W. O. Kermack and A. G. McKendrick, Proc. Royal Soc.London A 115, 700
(1927).

N. T. J. Bailey, Biometrika 40, 177 (1953); The Mathematical Theory of

Epidemics (Hafner, New York, 1957)”.

T. E. Harris, Ann. Probab. 2, 969 (1974).

P. Grassberger and A. de la Torre (1979). Ann. Phys. 122, 373 (1979).

E. Renshaw ,
Modelling Biological Populations in Space and Time
Cambridge University Press, Cambridge, 1991.

M. J. Keeling and P. Rohani, Modeling Infectious Diseases in Human and

Animals, Princeton University Press, 2008.

Tânia Tomé IFUSP 67

 (*) Apêndice aula 1
Definição de notação
para o
Modelo de Ising

E ( )   J  i j  H  i
Energia de uma configuração
microscópica:
( ij ) i
  (1 ,  2 , ... , i , ... , N )
 i  1 variável de spin associada ao sítio i
da rede
constante proporcional ao
H campo magnético externo.

 ...
soma sobre os pares de átomos vizinhos
na rede.
( ij )
Vamos considerar: H 0 E ( )   J  i j
( ij )

Tânia Tomé IFUSP 68

 (*) Apêndice aula 1

Esboço do diagrama de fase do modelo de Ising bidimensional a campo nulo

F | P
0
Tc T
T Temperatura
Tc Temperatura crítica.
F Fase ferromagnética.

P Fase paramagnética.

Parâmetro ordem | m |
Para temperaturas acima da temperatura crítica o sistema se encontra no estado
paramagnético (desordenado).
o parâmetro ordem | m |  0 se anula para T  Tc (sistema infinito).

Para temperaturas abaixo da temperatura crítica o sistema se encontra no estado

ferromagnético (ordenado).

| m |  0 T  Tc
Tânia Tomé IFUSP 69