Taxas Exponenciais de
Convergˆ
encia na Lei
Multidimensional dos Grandes
N´
umeros: Uma Abordagem
Construtiva
Geraldine G´oes Bosco
⋆
Orientador: Prof. Dr. F´abio Prates Machado
Tese apresentada ao Instituto de Matem´atica e
Estat´ıstica da Universidade de S˜ao Paulo para a
obten¸c˜ao do grau de Doutor em Estat´ıstica.
´
Area de concentra¸c˜ao:
Probabilidade.
2006-Taxas Exponenciais de Convergˆ
encia na Lei
Multidimensional dos Grandes N´
umeros: Uma
Abordagem Construtiva
Este exemplar corresponde `a vers˜ao final da tese de doutorado de Geraldine G´oes Bosco, corrigida e aprovada pela comiss˜ao julgadora.
a
Comiss˜ao Julgadora:
• F´abio prates Machado IME-USP
• Luiz Renato Fontes IME-USP
• Domingos Urbano Marchetti IF-USP
• Rafael Andr´es Rosales Mitrowsky FFCLRP-USP
Agradecimentos
Agrade¸co ao F´abio pela orienta¸c˜ao e ao Thomas pela colabora¸c˜ao estreita durante todo o desenvolvimento deste trabalho.
Agrade¸co aos membros da comiss˜ao julgadora pelas corre¸c˜oes e sugest˜oes.
Esta tese teve o financiamento da Capes atrav´es do Programa de Excelˆencia Acadˆemica -PROEX e contou com o apoio cient´ıfico da FAPESP atrav´es do projeto de p´os-doutorado “Estimativas de
Grandes Desvios para Modelos de Adsor¸c˜ao Seq¨uencial Aleat´oria e
Resumo
Neste trabalho apresentamos condi¸c˜oes suficientes
para a obten¸c˜ao de taxas exponenciais de
con-vergˆencia na lei multidimensional dos grandes
n´u-meros para campos aleat´orios definidos em
R
Zd.
Dentre poss´ıveis aplica¸c˜oes do resultado
apresen-tamos medidas n˜ao-gibbsianas e n˜ao-FKG
(limi-tes de satura¸c˜ao de processos de estacionamento)
e medidas estacion´arias origin´arias de sistemas de
Abstract
We describe sufficient conditions for the occurrence
of exponential rates of convergence in the
multi-dimensional law of large numbers for random
fi-elds in
R
Zd. Non-gibbsian and non-FKG
measu-res from statistical mechanics (jamming limits of
RSA models) and IPS (stationary measures of loss
networks, including heavy-tail long-range
interac-tion) are indicated as examples where the result
Sum´
ario
1 Taxas Exponenciais de Convergˆencia na Lei Multidimensional dos
Grandes N´umeros 1
1.1 Defini¸c˜oes Preliminares . . . 3
1.2 Resultado Principal . . . 4
1.3 Prova do Resultado Principal . . . 6
1.3.1 Primeira Parte: Amplia¸c˜ao do Espa¸co de Probabilidade . . . . 7
1.3.2 Segunda Parte . . . 9
2 Processos de Estacionamento 19 2.1 Processo de Estacionamento com exclus˜ao de primeiros vizinhos . . . . 20
2.1.1 Descri¸c˜ao do Processo . . . 20
2.1.2 Fun¸c˜ao de constru¸c˜ao do campo aleat´orioσ . . . 21
2.1.3 Aplica¸c˜ao do Teorema Principal . . . 25
2.1.4 Exemplo de Amplia¸c˜ao do Espa¸co de Probabilidade . . . 25
2.2 Processos de Estacionamento emZdcom regras de exclus˜ao mais gerais 31 2.2.1 Descri¸c˜ao dos Processos . . . 31
2.2.2 Fun¸c˜ao de Constru¸c˜ao do Campo Aleat´orio . . . 32
2.2.3 Aplica¸c˜ao do Teorema Principal . . . 34
2.3 Processo de Ocupa¸c˜ao . . . 34
2.3.1 Aplica¸c˜ao do Teorema Principal . . . 36
3 Rede de Filas com Perdas, com Intera¸c˜oes de Longo Alcance e Cauda Pesada 39 3.1 Rede de Filas com Capacidade K=1 . . . 40
3.1.1 Existˆencia do processo . . . 40
3.1.2 Constru¸c˜ao Gr´afica . . . 42
3.1.3 Fun¸c˜ao de Constru¸c˜ao do Campo Aleat´orio . . . 46
3.2 Rede de Filas com CapacidadeK≥1 . . . 52 3.3 Apˆendice 1 . . . 53
3.4 Apˆendice 2 . . . 57
Cap´ıtulo 1
Taxas Exponenciais de
Convergˆ
encia na Lei
Multidimensional dos
Grandes N´
umeros
Neste cap´ıtulo apresentamos e demonstramos o principal resultado desta tese, que estabelece condi¸c˜oes suficientes para a existˆencia de taxas exponenciais de convergˆencia na Lei Multidimensional dos
Grandes N´umeros (LMGN), a partir de uma abordagem
gr´afico-construtiva.
O resultado pode ser aplicado a quaisquer medidas que possam ser constru´ıdas e estejam sob as hip´oteses do Teorema (1.2.1) (ver se¸c˜ao (1.2)). A defini¸c˜ao precisa de constru¸c˜ao de uma medida, ou do campo aleat´orio a ela associado, ´e exibida na se¸c˜ao (1.2). No entanto, podemos adiantar que as id´eias por tr´as desse conceito se
relacionam vagamente `as id´eias do algoritmo de simula¸c˜ao perfeita
vari´aveis aleat´orias uniformes i.i.d.’s. Mais precisamente, seu sig-nificado est´a em consonˆancia com a constru¸c˜ao da medida limite
(limite termodinˆamico) do processo de estacionamento apresentado
em [2], uma vez que nesta presente tese tamb´em constru´ımos (si-mulamos perfeitamente) uma janela finita de um objeto aleat´orio infinito, de acordo com uma lei limite previamente estabelecida, a partir de uma quantidade finita mas aleat´oria de vari´aveis aleat´orias uniformes i.i.d.’s. Outras constru¸c˜oes similares aparecem em [3].
Taxas exponenciais de convergˆencia na LMGN podem ser en-contradas, por exemplo, em [4] para campos aleat´orios indexados
por Z; em [5] para campos aleat´orios distribu´ıdos segundo
medi-das estacion´arias de sistemas de part´ıculas atrativos; e em [6] para sistemas percolativos de longo alcance. Nesta presente tese taxas exponenciais de convergˆencia na LMGN s˜ao provadas a partir da t´ecnica usada em [2] para provar o decaimento super-exponencial das correla¸c˜oes espaciais do limite de satura¸c˜ao do processo de es-tacionamento (ver Cap´ıtulo 2 desta tese). Esta t´ecnica se baseia na amplia¸c˜ao do espa¸co de probabilidade com o fim de se criarem c´opias independentes do campo aleat´orio estudado e, a partir delas, se construir um campo aleat´orio “h´ıbrido” que se pare¸ca localmente com cada uma das c´opias i.i.d.’s.
Embora o resultado possa ser aplicado a medidas FKG1,
proveni-entes de medidas estacion´arias de dinˆamicas atrativas2, sua aplica¸c˜ao
mais interessante ´e no caso de medidas n˜ao-gibbsianas e n˜ao-FKG, uma vez que, at´e onde vai nosso conhecimento, n˜ao s˜ao tratadas na literatura corrente. Como exemplos, apresentamos nos pr´oximos cap´ıtulos, dois processos que possuem medidas limites n˜ao-gibbsianas
1Uma leiµem (RZd
,BZd
R ) ´e dita FKG, quando, para quaisquer fun¸c˜oes cont´ınuas e
crescen-tes (no sentido da ordem parcial deRZd)f, g:RZd→R,R
RZd(f·g)dµ≥
R
RZdf dµ·
R
RZdgdµ. Ver [7], por exemplo.
e n˜ao-FKG. No cap´ıtulo 2 apresentamos os Processos de Estaciona-mento, incluindo na se¸c˜ao (2.3) um processo no qual o espa¸co de
spins ´e cont´ınuo. No Cap´ıtulo 3 apresentamos um Sistema de Filas
com Perdas, incluindo Intera¸c˜oes de Longo Alcance e Cauda Pesada.
1.1
Defini¸c˜
oes Preliminares
Seja X ≡ (X(x))x∈Zd um campo aleat´orio, i.e. um arranjo de
vari´aveis aleat´orias (fun¸c˜oes reais Borel-mensur´aveis) integr´aveis,
in-dexadas pelos s´ıtios de Zd e definidas num espa¸co de probabilidade
abstrato (Ω,F,P).
Dizemos que X ´e estacion´ario, quando, para todo x ∈ Zd, X e
Y def= (X(i+x))i∈Zd forem igualmente distribu´ıdos em
RZd
,BZd R
,
i.e. ∀B ∈ BZd
R
P({X ∈B}) = P({Y ∈B}). Neste caso,
escreve-mos X∼Y.
Dado x ∈ Zd, seja θx : RZd → RZd um operador de transla¸c˜ao,
definido, para cada ω ∈ RZd
, por θx(ωy) =ωx+y, para todo y∈ Zd.
Dizemos que X ´e erg´odico, quando a lei de X restrita `a
sigma-´algebra invariante I def= nI ∈ BZd
R : (∀x∈Zd) (θx(I) =I)
o
for
trivial, isto ´e, para qualquer I ∈ I temos que P({X ∈I})∈ {0,1}.
Quando o campo aleat´orioXfor estacion´ario, erg´odico eX0 ∈L1,
vale que
P
x∈ΛnX(x)
|Λn|
n
−→E(X0)def=
Z
Ω
X0·dP quase-certamente, (1.1)
onde Λn def= [−n, n]d ´e uma a caixa deZd, centrada na origem e com
raio n. Vamos nos referir a esse resultado3 como Lei
Multidimensi-onal dos Grandes N´umeros (LMGN).
3Na sua forma mais geral, esse resultado ´e conhecido como Teorema Erg´odico
Dizemos que a taxa de convergˆencia na LMGN ´e exponencial,
quando para qualquer ǫ > 0, existirem α >0 e C > 0 tal que para
todo n∈N, tivermos
P
P
x∈ΛnX(x)
|Λn| −
E(X0)
> ǫ
≤C·e−α·|Λn|. (1.2)
Observa¸c˜ao Atrav´es do 1o lema de Borel-Cantelli vemos que (1) implica
em ( 1.1). Na verdade, basta que as probabilidades em ( 1) sejam som´aveis para garantirmos a validade de (1.1). Nesse sentido, uma prova da validade de (1) para um campo aleat´orio pode ser vista como uma prova alternativa para LMGN.
1.2
Resultado Principal
O teorema central desta tese nos garante a existˆencia de taxas exponenciais de convergˆencia na lei multidimensional dos grandes
n´umeros para campos aleat´orios que possam ser constru´ıdos
obde-cendo a certas condi¸c˜oes.
O significado de constru¸c˜ao de um campo aleat´orio torna-se pre-ciso atrav´es da pr´oxima defini¸c˜ao.
Defini¸c˜ao 1.2.1 (Constru¸c˜ao (da lei) de um campo aleat´orio X).
Construir (a lei de) X significa descrever uma fun¸c˜ao mensur´avel
fX,
fX :
(0,1)Zd ≡Ω,BZd
(0,1) ≡ F, λ
Zd
(0,1) ≡P
→(R,BR),
associada a uma seq¨uˆencia crescente de conjuntos F-mensur´aveis
(An)n∈N tais que:
(i) o campo aleat´orio Y ≡ (Yi)i∈Zd
def
= (fX ◦θi)i∈Zd tenha a mesma distribui¸c˜ao de X em RZd,BRZd
, i.e. Y ∼X.
(ii) Cada An ´e um cilindro com base em B(0Λn,1), i.e.
(∀n ∈N) ∃An ∈ BΛn
(0,1)
: An=An×(0,1)Z
(iii) Em cada An, fX fica determinada em Λn, i.e.
(∀ω, ω′ ∈A
n) (ω|Λn=ω′|Λn) ⇒ fX(ω) =fX(ω′).
(iv) P(An)ր1, ou seja, com probabilidade 1, fX fica determinada
dentro de alguma caixa Λn.”
Em palavras, essa defini¸c˜ao nos diz que: (1) aos s´ıtios de Zd
est˜ao associadas vari´aveis aleat´orias uniformes independentes e
dis-tribu´ıdas no intervalo (0,1); (2) a fun¸c˜aofX associa cada realiza¸c˜ao
dessas uniformes ao spin/estado da origem, e da mesma formafX◦θx
associa cada realiza¸c˜ao ao spin/estado de qualquer outro s´ıtio x ∈
Zd; (3) o evento An ´e o conjunto das realiza¸c˜oes nas quais o estado
da origem fica determinado apenas com as informa¸c˜oes contidas na
caixa Λn, ou seja, a partir de uma quantidade aleat´oria mas finita
de uniformes; (4) se a seq¨uˆencia de conjuntos (An)n≥1 satisfizer as
condi¸c˜oes do item (iv) ent˜ao, quase certamente, precisamos de um
n´umero finito de uniformes para determinarmos o spin da origem.
Observa¸c˜ao: Como a medida produto λZ(0,1)d ´e erg´odica e estacion´aria em
(0,1)Zd
,BZd
(0,1)
a distribui¸c˜ao do campo aleat´orioX tamb´em ser´a erg´odica e estacion´aria em{0,1}Zd
,BZd
{0,1}
. Este tipo de argumento ´e canˆonico em teoria erg´odica e maiores detalhes podem ser encontrados em [15].
Consideremos o conjunto B das configura¸c˜oes que n˜ao definem
fX sobre quaisquer caixas finitas Λn, n ∈ N, mais precisamente
B := {ω ∈ Ω : ω n˜ao define fX sobre as caixas finitas Λn, n ∈
N}=∩∞n=1Anc. Como os conjuntosAcn,n ≥1 formam uma seq¨uˆencia
decrescente, ent˜aoP(B) = limn→∞P(Ac
n). Mas, segundo o item (iv)
da defini¸c˜ao (1.2.1), seP(Ac
n) decair para zero emn, ent˜ao podemos
construir o campo aleat´orioX. O teorema a seguir, principal
resul-tado desta tese, diz como P(Ac
n) deve ir para zero quando n → ∞,
campo, taxa exponencial de convergˆencia na lei multidimensional
dos grandes n´umeros.
Teorema 1.2.1 (Resultado Principal) 4 SejaXum campo aleat´orio
assumindo valores em RZd
e fX a fun¸c˜ao de constru¸c˜ao de X. Se
fX for limitada e P(Acn) = O(n−d−δ) , para algum δ > 0, ent˜ao a
taxa de convergˆencia na Lei Multidimensional dos Grandes N´umeros
ser´a exponencial para o campo aleat´orio X.
A prova do teorema (1.2.1) consiste em mostrar que para todo ǫ >0 existem α =α(ǫ)>0 eC =C(ǫ)>0 tais que
P
P
x∈ΛnX(x)
|Λn| −
EX(0)
> ǫ
≤C·(e−|Λn|·α) ∀n. (1.3)
Na prova dessa asser¸c˜ao utilizamos duas id´eias principais (1) a
am-plia¸c˜ao do espa¸co de probabilidade (do antigo(0,1)Zd
,BZd
(0,1), λ
Zd
(0,1)
para um novo (0,1)Zd
,BZd
(0,1), λ
Zd
(0,1)
Zd
); e (2) o uso da parte mais
conhecida do Teorema de Cr´amer, que estabelece que se (Xi)i∈N for
uma seq¨uˆencia de vari´aveis aleat´orias i.i.d.’s com E(et·X1)< ∞ em
alguma vizinhan¸ca det = 0, ent˜ao existem constantes positivasC e
α tais que
P
Pn
i=1Xi
n −E(X1)
> ǫ
≤C·e−α·n.
1.3
Prova do Resultado Principal
Dividimos a prova do Teorema (1.2.1) em duas partes. Na primeira apresentamos as constru¸c˜oes provenientes da amplia¸c˜ao do espa¸co de probabilidade. E, na segunda parte, apresentamos e provamos
4O(g(n)) = {f(n) tais que existem constantes positivascen0tais que 0 ≤ f(n) ≤ c·
resultados que envolvem essas constru¸c˜oes e as hip´oteses do teorema, concluindo a demonstra¸c˜ao. Recomendamos ao leitor que acompa-nhe o desenvolvimento da prova tendo como exemplo o Processo de Estacionamento de primeiros vizinhos apresentado na se¸c˜ao (2.1) do Cap´ıtulo 2.
1.3.1 Primeira Parte: Amplia¸c˜ao do Espa¸co de Probabili-dade
Nesta se¸c˜ao o conjunto Zd ´e particionado em caixas, que s˜ao
asso-ciadas univocamente a c´opias independentes do campo aleat´orio X.
Atrav´es dessas c´opias e de uma outra c´opia de X, com propriedades
que nos interessam, definimos duas fam´ılias de vari´aveis aleat´orias que permitem reescrever o termo `a esquerda da express˜ao (1.3) de forma que possamos usar o Teorema de Cr´amer.
Parti¸c˜ao de Zd
Seja P = {Γ(iL)}i∈Zd uma parti¸c˜ao de Zd, onde Γ(iL) ´e uma caixa
de raio L∈Ne centro [(2L+ 1)·i]∈Zd definida por5
Γ(iL) ={x∈Zd:|x−(2L+ 1)·i|sup ≤L}
Denotaremos por VL, o volume da caixa Γ
(L)
i ,∀i∈Zd, ou seja VL =
|Γ(iL)|. Omitiremos L todas as vezes que estiver claro do contexto.
A partir de Γ(iL), definimos Λnk :=
S
i∈ΛkΓ
(L)
i para um L fixo,
isto ´e, Λnk ´e uma caixa de caixas. Mais precisamente,nk =L+ (2·
L+ 1)·k, e |Λnk|={2·[L+ (2·L+ 1)·k] + 1}
d =|Λ k| ·VL.
Fam´ılia de c´opias independentes do objeto aleat´orioX
A partir da parti¸c˜ao P, constru´ımos uma fam´ılia de objetos
aleat´orios i.i.d.’s, (Xi)
i∈Zd, onde Xi ∼ X, ou seja, uma fam´ılia de
c´opias independentes do objeto aleat´orio X. Mais precisamente,
5|x−y|supdef= max
associamos a cada caixa Γi um espa¸co (0,1)
Zd
, e nesse espa¸co
cons-tru´ımos X, ou seja, ampliamos o antigo espa¸co de probabilidade,
(Ω,F,P) =(0,1)Zd
,BZd
(0,1), λ
Zd
(0,1)
, transformando-o em um
novo espa¸co (Ω′,F′,P′) = (0,1)Zd×Zd
,BZd×Zd
(0,1) , λ
Zd×Zd
(0,1)
.
Em (Ω′,F′,P′), cadaω ∈Ω′pode ser pensado como uma seq¨uˆencia
generalizada (ωi
z)z∈Zd, i∈Zd, onde cada ωzi ´e uma vari´avel aleat´oria
uniforme definida no intervalo (0,1). Nessa nota¸c˜ao, o ´ındice z
in-dica os s´ıtios de Zd e o ´ındice i est´a associado `a caixa Γi.
Seja πi o operador de proje¸c˜ao
πi : (0,1)Zd×Zd
→ (0,1)Zd
ω 7→ ωi =πi(ω),
que composto com o operador de transla¸c˜ao nos forneceθx◦πi(ω) =
θx(ωi). Podemos, assim, definir o campo aleat´orio (Xi(x) )x∈Zd :=
(fX ◦θx(ωi))x∈Zd. Fazendo isso para todo i ∈ Zd, temos em m˜aos
uma fam´ılia, ( Xi )
i∈Zd, de objetos aleat´orios i.i.d.’s.
Objeto aleat´orio h´ıbrido
Vamos agora construir um novo objeto aleat´orioXh tal queXh ∼
X e seja ”similar” a Xi em Γ
i.
Seja c(z) uma fun¸c˜ao que associa cada s´ıtio z ∈ Zd ao ´ındice
da caixa a que z pertence, e seja ωh := ωc(z)
z
z∈Zd. Podemos
ent˜ao, definir o campo aleat´orio ( Xh(x) )
x∈Zd := (fX◦θx)x∈Zd onde
Xh(x) =f
X ◦θx(ωh), que chamamos de campo aleat´orio h´ıbrido.
´
E interessante observar que constru´ımos o campo alet´orio Xh
usando a subseq¨uˆenciaωh que ´e composta por um ”peda¸co” da
sub-seq¨uˆencia ωi, associado aos s´ıtios da caixa Γ
i; por outro ”peda¸co”
da subseq¨uˆencia ωj associado aos s´ıtios da caixa Γ
j; e assim
suces-sivamente, percorrendo todas as caixas (Γi)i∈Zd. Por isso o campo
aleat´orio Xh ´e “similar” ao campo aleat´orio Xi na caixa Γ
i, e pelo
da fam´ılia (Xi)
i∈Zd. Vale ainda observar, que o campo aleat´orioXh
depende do raio L de caixa escolhido, e por isso vamos denot´a-lo, a
partir deste momento, por Xh
L.
Tendo em m˜aos (Xi)
i∈Zd,XLhe a parti¸c˜aoP ={Γi}i∈Zd, definimos
uma fam´ılia de vari´aveis aleat´orias independentes: (mi
i(L))i∈Zd, onde
mii(L):=
P
x∈ΓiX
i(x)
VL
; (1.4)
e, uma fam´ılia de vari´aveis aleat´orias dependentes: (mi(L))i∈Zd, onde
mi(L):=
P
x∈ΓiX
h
L(x)
VL
. (1.5)
As vari´aveis aleat´orias est˜ao definidas em (Ω′,F′,P′) e assumem
valores em R.
Em linhas gerais, essas fam´ılias de vari´aveis aleat´orias nos per-mitem reescrever o termo `a esquerda de (1.3) como uma soma de
parcelas nas quais podemos aplicar o Teorema de Cr´amer. ´E o que
veremos na pr´oxima subse¸c˜ao.
1.3.2 Segunda Parte
Seja a seq¨uˆencia (bn)(n≥0), onde
bn :=
P
x∈ΛnX(x)
|Λn| −
EX(0)
´e o termo que aparece na express˜ao (1.3). E seja bnk
(k≥0) uma
subseq¨uˆencia de (bn)(n≥0), onde
bnk :=
P
x∈Λnk
X(x)
|Λnk|
Relembrando que nk = L+ (2·L+ 1)·k, vemos que a diferen¸ca
entre os termos gerais bn e bnk reside no primeiro apresentar um
somat´orio que vai de 1 em 1, enquanto no segundo, o somat´orio vai
em m´ultiplos de L.
Uma vez que Xh
L ∼X por (1.5), temos
bnk ∼
P
i∈Λkmi(L)
|Λk| −
EX(0).
Agora, seja ǫ > 0 e consideremos o evento
|bnk|> ǫ/2 . Ent˜ao
temos que
|bnk|> ǫ/2 ⊂
P
i∈Λkm i i(L)
|Λk| −
EX(0)
> ǫ 4 ∪ P
i∈Λkmi(L)−m i i(L)
|Λk|
> ǫ 4 .
E por subaditividade temos que
P
|bnk|>
ǫ
2 ≤ P
P
i∈Λkmii(L)
|Λk| −
EX(0) > ǫ 4 + P P
i∈Λkmi(L)−m i i(L)
|Λk|
> ǫ 4 . (1.7)
Uma vez que as vari´aveis aleat´orias (mi
i(L))i∈Zd, definidas em (1.4),
s˜ao i.i.d’s, conclu´ımos a partir do Teorema de Cramer que para todo ǫ >0, existem C =C(ǫ)>0 e α =α(ǫ)>0 tal que
P P
i∈Λkm
i i(L)
|Λk| −
EX(0) > ǫ 4 !
≤C·e−|Λk|·α ∀ k≥0. (1.8)
(1.7) tamb´em apresenta decaimento exponencial quando n cresce;
(2) mostrar qual ´e a rela¸c˜ao entre os conjuntos {|bnk| > ǫ/2} e
{|bn| > ǫ}. Esses dois fatos se traduzem nos dois lemas a seguir,
cujas demonstra¸c˜oes s˜ao apresentadas nas pr´oximas duas subse¸c˜oes.
Lema 1.3.1 Para todoǫ >0, ´e poss´ıvel encontrar um raio de caixa,
L(ǫ), suficientemente grande de tal forma que existem κ = κ(ǫ) e
φ =φ(ǫ)>0 satisfazendo
P
P
i∈Λkmi(L)−m
i i(L)
|Λk|
> ǫ 2
!
≤κ·e−|Λk|·φ
∀ k≥0
Lema 1.3.2 Existe k suficientemente grande tal que {|bn| > ǫ} ⊂
|bnk|> ǫ/2 , para nk−1 < n < nk.
Prova do Lema (1.3.1)
Comecemos por observar que a express˜ao |P
i∈Λkmi(L)−m
i
i(L)|´e a
soma das diferen¸cas entre os campos aleat´oriosXi eXh
L, nas
respec-tivas caixas Γi contidas na caixa Λk. No que segue, vamos
estabele-cer as bases para enumerar as poss´ıveis fontes de diferen¸ca entre os
campos Xi e Xh
L em uma caixa Γi.
Consideremos caixas de raio l contidas em cada uma das caixas
Γ(iL). Denotamos essas caixas porγi(L). Assim, temos6
γ(iL) :={x∈Zd:|x−(2L+ 1)·i|sup < l},
e definimos ∆L:=L−l. Chamamos deanel a regi˜ao entre as caixas
Γ(iL) e γi(L) (ver figura abaixo).
6|x−y|supdef= max
Γ(iL)
γ(iL)
∆L
←→
Seja Ai
n o conjunto das configura¸c˜oes ω ∈ Ω′ tais que Xi(0) fica
determinado dentro da caixa Λn, mais precisamente
Ain :={ω :ωi ∈An}.
Consideremos o conjunto θx(Ai∆L) das configura¸c˜oes ωi que
deter-minam Xi(x) a partir da informa¸c˜ao contida na caixa de raio ∆L
centrada no s´ıtio x∈γi(L). E seja Ci :=∩x∈γiθx(A
i
∆L), cujo
comple-mentar nos interessa:
Cic = (∩x∈γiθx(A
i
∆L))c =∪x∈γi[θx(A
i
∆L)]c
pois ´e o conjunto das configura¸c˜oes que precisam de informa¸c˜ao que
est´a fora da caixa Γi, para que os estados dos s´ıtios x ∈ γi fiquem
definidos. Por subaditividade e pela estacionariedade de X temos
que
P{Cc
i} ≤
P
x∈γiP{[θx(A
i
∆L)]c}
≤ |γi| ·P{[θx(Ai∆L)]c}=|γi| ·P{(Ai∆L)c}.
(1.9)
Mas por hip´otese, temos que
P(Ai∆L)c =O ∆L−d−δ,
o que ´e equivalente a dizer que existem c > 0 el0 >0 tais que
P(Ai
∆L)c ≤c·∆L−d−δ, (1.10)
Queremos encontrar ∆L como fun¸c˜ao de L, de tal forma que,
quando Lcrescer, oanel n˜ao cres¸ca muito e seja grande o suficiente
para que P(Cc
i) → 0. Ent˜ao, seja ∆L = Lβ com 0 < β < 1, e o
problema se traduz em encontrar β que satisfa¸ca essas condi¸c˜oes.
Retomando (1.9), onde substituimos (1.10), temos
P(Cc
i) ≤ c· |γi| ·(L−∆L)d·(Lβ)−d−δ
≤ c′ ·Ld·L−β(d+δ)
= c′ ·Ld−β(d+δ).
Assim, temos que ter
d−β(d+δ)<0⇐⇒ d
d+δ < β, o que implica em
0< d
d+δ < β <1.
As vari´aveis aleat´orias ICc i
i∈Zd := (Ii)i∈Zd
Consideremos as vari´aveis aleat´orias ICc
i
i∈Zd := (Ii)i∈Zd, que s˜ao
i.i.d.’s gra¸cas `a constru¸c˜ao estabelecida anteriormente. E
recor-demos que, por hip´otese fX ´e limitada, ou seja ∃ K > 0 tal que
|fX| ≤K. Podemos agora, enunciar o seguinte lema.
Lema 1.3.3 A discrepˆancia relativa entre as vari´aveis aleat´orias
mi
i(L) e mi(L)´e dada por
|P
i∈Λkmi(L)−m
i i(L)|
|Λk| ≤
K·Vanel
VL
+K·
P
i∈ΛkIi
|Λk|
Prova:
A discrepˆancia relativa entre as vari´aveis aleat´orias mi
i(L) e mi(L)
dentro de uma caixa Γi ´e proveniente de duas fontes. Primeiro, se
estivermos no eventoCi, ent˜ao mii(L)emi(L), s´o podem ser diferentes
no anel entre as caixas Γi and γi. Por outro lado, se estivermos no
eventoCci, as vari´aveis aleat´orias podem ser diferentes em toda caixa
Γi. Assim, temos que
SeIi = 0 ent˜ao |mi(L)−mii(L)| ≤K· Vanel
VL ,
caso contr´ario, se Ii = 1 ent˜ao |mi(L)−mii(L)| ≤K.
E podemos estimar a discrepˆancia relativa a partir desses dois casos.
|mi(L)−mii(L)| ≤K· Vanel
VL
+K·Ii
Somando sobre todo i∈Λk, temos que
P
i∈Λk|mi(L)−m
i i(L)|
|Λk| ≤
K·
P
i∈ΛkVanel
VL· |Λk|
+K·
P
i∈Λk
Ii
|Λk|
,
e finalmente
|P
i∈Λkmi(L)−m
i i(L)|
|Λk| ≤
P
i∈Λk|mi(L)−m
i i(L)|
|Λk| ≤
K·Vanel
VL
+K·
P
i∈ΛkIi
|Λk|
.
Prova do Lema 1.3.1:
Tomemos L suficientemente grande para que Vanel/VL seja menor
Dk=
(
P
i∈Λkmi(L)−m
i i(L)
|Λk| ≥
ǫ 2
)
Fk =
P
i∈ΛkIi
|Λk|
< ǫ
4K
.
Usando o lema (1.3.3), no evento Fk temos que
P
i∈Λkmi(L)−m
i i(L)
|Λk|
<K ǫ
4K +
ǫ
4K
= ǫ
2.
E, portanto Dk∩Fk=∅, o que implica em
Dk ⊂Fkc =
P
i∈Λk
Ii
|Λk| ≥
ǫ
4K
=
P
i∈Λk
Ii
|Λk| −
EI0 ≥ ǫ
4K−EI0 :=ǫ
′
,
que, por sua vez, implica em
P(Dk)≤P
P
i∈ΛkIi
|Λk| −
EI0 ≥ǫ′
.
Como as vari´aveis (Ii)i∈Zds˜ao vari´aveis aleat´orias i.i.d.’s e, por hip´otese,
ǫ′ >0, temos, pelo Teorema de Cramer, que existem κ =κ(ǫ′) >0
e φ=φ(ǫ′)>0 tais que
P P
i∈ΛkIi
|Λk| −
EI0 ≥ ǫ′
≤κ·e−|Λk|·φ
Prova do Lema (1.3.2)
nk−1 < n < nk.
|bnk −bn| =
P
x∈Λnk
Xh(x)
|Λnk| −
EX(0)
−
P
x∈ΛnX h(x)
|Λn| −
EX(0) = P
x∈Λnk−1
Xh(x)
|Λnk|
+ P
x∈(Λnk−Λn)
Xh(x)
|Λnk| −
P
x∈ΛnX h(x)
|Λn|
≤ 2·K·n1− |Λn|
|Λnk|
o
.
Como |Λnk−1|<|Λn|, temos que
1− |Λn|
|Λnk|
<
1− |Λnk−1|
|Λnk|
.
E lembrando que nk =L+ (2·L+ 1)·k, temos tamb´em que
|Λnk−1|
|Λnk|
= {2·[L+ (2·L+ 1)·(k−1)] + 1}
d
{2·[L+ (2·L+ 1)·k] + 1}d →1 quando k → ∞.
E, portanto |bnk −bn| →0 quando k → ∞. Resultado que nos
per-mite dizer que para qualquer ǫ >0 existe k suficientemente grande
tal que |bnk −bn|< ǫ/2. Ent˜ao
{|bn|> ǫ} ⊂
n
|bnk|>
ǫ 2
o
para k suficientemente grande.
Observa¸c˜oes Finais
(1) Nas constru¸c˜oes deste cap´ıtulo utilizamos o espa¸co de
proba-bilidade (0,1),B(0,1), λ(0,1)
Zd
. Isso equivale a associar, de
ma-neira independente, a cada s´ıtio de Zd uma vari´avel aleat´oria
uni-forme distribu´ıda no intervalo (0,1). Em outras constru¸c˜oes ser´a
mais favor´avel associar, de modo independente, a cada ponto de
etc. Como estes objetos aleat´orios podem ser gerados a partir de
um ´unico n´umero aleat´orio, as constru¸c˜oes que utilizamos n˜ao
en-volvem perda de generalidade. No cap´ıtulo 3 veremos um exemplo
onde dois processos de Poisson s˜ao associados a cada s´ıtio de Zd.
(2) ´E importante observar que o resultado tamb´em se aplica a
medidas em SZd
, onde S ´e um compacto em Rn. Na se¸c˜ao (2.3),
Cap´ıtulo 2
Processos de
Estacionamento
Neste cap´ıtulo apresentamos os processos de estacionamento como exemplos de aplica¸c˜ao do Teorema (1.2.1) no caso de medidas n˜ao-gibbsianas e n˜ao-FKG.
Resultados rigorosos para os processos de estacionamento restrin-giam-se, at´e bem pouco tempo, a modelos unidimensionais [13, 17, 18, 19, 20, 21] e a modelos quase unidimensionais [11, 12, 16]. Em
2002, Penrose [22] apresentou uma lei fraca dos grandes n´umeros
para a densidade de part´ıculas no limite de satura¸c˜ao quando o processo de estacionamento ´e constru´ıdo em caixas. Recentemente,
Ritchie [2] provou uma lei forte dos grandes n´umeros para a mesma
grandeza, e o decaimento super-exponencial das fun¸c˜oes de cor-rela¸c˜ao. Esses resultados foram alcan¸cados atrav´es da constru¸c˜ao
expl´ıcita do limite termodinˆamico1 do processo. Neste cap´ıtulo
se-guiremos de perto essa constru¸c˜ao.
Na primeira se¸c˜ao discorremos sobre o caso unidimensional e onde
1Em Mecˆanica Estat´ıstica ´e comum definirem-se medidas µ
n no espa¸coSΛn (S espa¸co
h´a apenas intera¸c˜oes de primeiros vizinhos. Para esse caso exibimos a fun¸c˜ao de constru¸c˜ao e mostramos que o campo aleat´orio limite obedece as hip´oteses do teorema (1.2.1). E por fim, exemplificamos as id´eias de amplia¸c˜ao do espa¸co de probabilidade.
Na segunda se¸c˜ao tratamos dos casos com intera¸c˜oes mais gerais.
E na ´ultima se¸c˜ao apresentamos um modelo, baseado nos
proces-sos de estacionamento, com espa¸co de spins cont´ınuo, caso tamb´em abrangido pelo Teorema (1.2.1).
2.1
Processo de Estacionamento com exclus˜
ao
de primeiros vizinhos
2.1.1 Descri¸c˜ao do Processo
Consideremos uma dinˆamica a tempo discreto onde h´a deposi¸c˜ao de
part´ıculas nos s´ıtios de uma caixa Λn = [−n, n] de Z. No instante
inicial todos os s´ıtios da caixa est˜ao vazios (spin/estado 0), e um de-les ´e escolhido uniformemente e nele h´a deposi¸c˜ao de uma part´ıcula (spin/estado 1). Imediatamente, seus dois primeiros vizinhos ficam bloqueados, isto ´e, nenhuma part´ıcula poder´a se depositar nesses s´ıtios. Uma vez ocupado, um s´ıtio permanece nesse estado para sempre. A dinˆamica prossegue com a deposi¸c˜ao, a cada instante de tempo, de uma part´ıcula num s´ıtio uniformemente escolhido dentre aqueles n˜ao ocupados e n˜ao bloqueados. Em resumo, o s´ıtio esco-lhido s´o ´e ocupado se seus dois primeiros vizinhos estiverem vazios.
O processo continua at´e que todos os s´ıtios da caixa Λn estejam ou
bloqueados ou ocupados. A configura¸c˜ao final da caixa Λn ´e
cha-mada de limite de satura¸c˜ao de Λn, e vamos denot´a-la por σn. Este
2.1.2 Fun¸c˜ao de constru¸c˜ao do campo aleat´orio σ
Vamos denotar por σ a configura¸c˜ao final do processo constru´ıdo
em todo o Z, e que n˜ao pode ser determinada a partir das regras
descritas acima, j´a que n˜ao podemos escolher uniformemente um
s´ıtio em Z. Na solu¸c˜ao dessa quest˜ao vamos seguir o algoritmo de
constru¸c˜ao de σn, apresentado em [2], que cont´em em si as id´eias
para a constru¸c˜ao da configura¸c˜ao final σ.
Consideremos o espa¸co de probabilidade (Ω,F,P) =
(0,1)Z
,BZ
(0,1), λ
Z
(0,1)
, e denotemos por ω um elemento de Ω. Em
palavras, esse espa¸co de probabilidade associa a cada s´ıtio deZuma
vari´avel aleat´oria uniforme definida no intervalo (0,1). Segue abaixo
o algoritmo de constru¸c˜ao de σn.
Defini¸c˜ao 2.1.1 Definimos o processo de estacionamento na caixa
Λn com condi¸c˜ao de fronteira nula atrav´es do seguinte algoritmo:
Para cada ω ∈(0,1)Z
,
Passo 1 σn(ω)(x)←0 ∀x∈Z;
Passo 2 escolha x∈Λn tal que
ωx= inf{ωz :z ∈Λn e z n˜ao tenha sido escolhido previamente};
Passo 3 Se σn(ω)(x+ 1) =σn(ω)(x−1) = 0 ent˜ao σn(ω)(x)←1;
Passo 4 Se h´a pontos em Λn n˜ao escolhidos ainda, ent˜ao volte ao
passo 2, ou encerre o algoritmo.
Observa¸c˜oes: (1) Os objetos aleat´orios (σn)n≥0 est˜ao definidos em
(0,1)Z
,BZ
(0,1), λ Z (0,1)
e assumem valores em {0,1}Λn. Vamos denotar por
(µn)n≥0as respectivas medidas de probabilidade dos objetos aleat´orios (σn)n≥0.
(2) Este algoritmo ´e equivalente probabilisticamente ao descrito no in´ıcio desta se¸c˜ao.
Para o caso unidimensional, a Figura 1 mostra um ”perfil ” de
uniformes, ou seja, uma realiza¸c˜ao ω ∈ (0,1)Z
tamb´em mostra as configura¸c˜oes finais σ1,σ2,σ3, σ4 e σ7.
Observe-mos que a configura¸c˜ao finalσ1 ´e diferente da configura¸c˜ao final σ2,
que por sua vez ´e diferente da configura¸c˜ao final σ3, que tamb´em ´e
diferente da configura¸c˜ao final σ4. No entanto, a configura¸c˜ao final
σ7 restrita `a caixa Λ4 ´e igual `a configura¸c˜ao final σ4. Observemos
tamb´em, que as uniformes utilizadas na constru¸c˜ao do processo na
caixa Λ4 est˜ao entre pontos de m´ınimo do ”perfil”. Para
entender-mos melhor o que est´a acontecendo, vaentender-mos nos fixar em determinar
o estado da origem na configura¸c˜ao finalσ. Definamos
l0(ω) def
= max{i≤0 :ωi< ωi−1}
e
r0(ω) def
= min{i≥0 :ωi < ωi+1},
ou seja, l0 e r0 s˜ao os pontos de m´ınimo local do ”perfil” que est˜ao
mais pr´oximos da origem, `a esquerda e `a direita da origem,
respec-tivamente. A Figura 1, mostral0 er0 para o ”perfil” exemplificado.
Observemos que as uniformes associadas aos s´ıtios entre 0 e l0 (r0)
est˜ao em ordem decrescente, e que somente o que acontecer aos s´ıtios
entre r0 e l0, poder´a influenciar o estado final da origem.
´
E f´acil verificar que, se uma caixa Λn contiver l0 e r0, e se eles
forem n´umeros pares ent˜aoσn(0) = 1, e se pelo menos um deles for
um n´umero ´ımpar, ent˜aoσn(0) = 0. Assim, uma vez que uma caixa
Λm contenha l0 e r0, ent˜ao o estado final da origem ser´a o mesmo
dentro de qualquer caixa Λn para n > m, ou seja σ(0) = σm(0).
Para determinarmos os estados, na configura¸c˜ao final σ, de outros
s´ıtios usamos o mesmo m´etodo: encontramos lx erx , ou seja,
lx(ω)
def
= max{i≤x:ωi < ωi−1}
e
´
E interessante notar que neste caso particular -processo de estaci-onamento unidimensional com exclus˜ao de primeiros vizinhos - os
estados dos outros s´ıtios entre l0 e r0 tamb´em n˜ao mudam mais
dentro de qualquer caixa Λn para n > m. E de maneira mais
ge-ral, fixada uma realiza¸c˜ao ω, a constru¸c˜ao de σ se d´a ”peda¸co” a
”peda¸co”, onde os ”peda¸cos” est˜ao separados por pontos de m´ınimo
local de ω.
Voltando `a Figura 1, a caixa Λ4 cont´em l0 e r0, e por isso a
configura¸c˜ao final σ7 restrita `a caixa Λ4 n˜ao se modifica. E ent˜ao,
podemos exibir a fun¸c˜ao de constru¸c˜ao do campo aleat´orio σ que
denotamos por fσ,
fσ
def
= I{l
0 ∈ [0,−2,−4,···]}·I{r0 ∈ [0, 2,4,···]} =σ(0), e temos
σ(x) =θx◦fσ =I{lx−x ∈ [0,−2,−4,···]}·I{rx−x ∈ [0, 2,4,···]}, ∀x∈Z.
Formalizando um pouco mais, temos que: Se l0, r0 ∈ Λn ent˜ao
σn(0) =σ(0), o que implica emσn(0)→σ(0) q.c., e por conseguinte
σn →σ q.c., com σ ∼limn→∞µn
def
Z
Z
?
?
ω∈(0,1)Z
= Ω (Ω,F,P) =
(0,1)Z
,BZ (0,1), λ
Z (0,1) 0 .95 1 .87 2 .75 3 .50 4 .25 5 .44 6 .30 7 .80 −1 .69 −2 .62 −3 .37
l0(ω) r0(ω)
−4 .85 −5 .12 −6 .55 −7 .65 1 0 −1 Λ1
: σ1(ω)∈ {0,1}Λ1
1 2 0
−1 −2
Λ2
: σ2(ω)∈ {0,1}Λ2
1 2 0
−1 −2
Λ3
: σ3(ω)∈ {0,1}Λ3
1 2 0
−1 −2
−3 3 4
−4
Λ4
: σ4(ω)∈ {0,1}Λ4
1 2 0
−1 −2
−3 3 4
−4 −5 −6
−7 5 6 7
Λ7
: σ7(ω)∈ {0,1}Λ7
: σ(ω)∈ {0,1}Z 1 2
0 −1 −2
−3 3 4
−4 −5 −6
−7 5 6 7
?
? ?
Figura 1: Acima temos um ”perfil ” de uniformes, ou seja, uma realiza¸c˜aoω∈(0,1)Z
2.1.3 Aplica¸c˜ao do Teorema Principal
A seq¨uˆencia de conjuntos (An)n≥1
Fica claro das considera¸c˜oes anteriores que, fixada uma realiza¸c˜ao ω, σ(0) fica determinado na caixa Λn, se essa caixa contiver l0 e
r0. Segue da defini¸c˜ao (1.2.1) (item (iii)) que o conjunto An fica
naturalmente definido por
An
def
= {−n < l0 ≤0≤r0 < n}, n= 1,2,· · ·
P(Ac n)
O conjunto Ac
n ´e o conjunto das configura¸c˜oes que n˜ao
determi-nam σ(0) dentro da caixa Λn, ou em termos de l0 e r0, Acn = {ω :
l0(ω), r0(ω)∈/ Λn}. Ou ainda, ´e o evento no qual existem seq¨uˆencias
num´ericas decrescentes que come¸cam no s´ıtio 0 e terminam fora da
caixa Λn.
A probabilidade de uma seq¨uˆencia num´erica de tamanho (fixo)
n+1 ser decrescente ´e 1/(n+1)!, e como podemos ter duas seq¨uˆencias come¸cando na origem, temos que
P(Acn)≤ 2
(n+ 1)! ≤
2 n! .
E, portanto, o Teorema (1.2.1) se aplica ao processo de estaciona-mento unidimensional com exclus˜ao de primeiros vizinhos.
2.1.4 Exemplo de Amplia¸c˜ao do Espa¸co de Probabilidade
O processo de estacionamento unidimensional e com intera¸c˜oes de
primeiros vizinhos, talvez seja o ´unico modelo em que podemos
exi-bir graficamente a constru¸c˜ao dos campos aleat´orios (Xi)
i∈Z e Xh,
ConsideremosL= 2 e particionemos o eixoZem caixas (Γi)i ∈ Z,
de raioL= 2 e centro (2·L+ 1)·i= 5·i . A Figura 2 mostra um
trecho de Zparticionado nas caixas Γ−2, Γ−1, Γ0, Γ1 e Γ2.
Associemos a cada caixa Γi uma nova c´opia do eixo Z, a qual
chamaremos de Zi. Essas c´opias aparecem na Figura 3, onde est˜ao
”dobradas” e ”esticadas”, de forma que seus s´ıtios estejam em
cor-respondˆencia com os s´ıtios das caixas Γi de Z.
O significado do espa¸co ampliado(0,1)Z×Z
,BZ×Z
(0,1), λ
Z×Z
(0,1)
´e
asso-ciar a cada c´opia Zi um ”perfil” de uniformes. A Figura 4 mostra
uma realiza¸c˜ao de ω ∈ (0,1)Z×Z
. Cada c´opia Zi tem seu perfil
pintado por uma cor, e esses perfis s˜ao projetados nas caixas de
Z formando um perfil multi-colorido. Essa proje¸c˜ao ´e indicada na
Figura 4 pelo s´ımbolo deespelho.
Se aplicarmos a fun¸c˜ao de constru¸c˜aofσ a cada perfil, chegamos `a
realiza¸c˜oes dos campos aleat´orios independentes que denotamos por
Xi na se¸c˜ao (1.3.1), e que aqui chamaremos deσi. E se aplicarmos
fσ ao perfil multi-colorido, chegamos a uma realiza¸c˜ao do campo
aleat´orio h´ıbrido que aqui chamaremos deσh. A Figura 5 mostra as
L ·· ·· ·· ·· ·· Z ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ··
0 5 10
−5
−10 15
−15
Γ−3 Γ−2 Γ−1 Γ0 Γ1 Γ2 Γ3
·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ··
Z ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ··
Γ−3 Γ−2 Γ−1 Γ0 Γ1 Γ2 Γ3
·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· 0 0 5 10 −5 −10 15 −15 5 10 −5 −10 15 −15
Z
−2
Z
−1Z
0Z
1Z
2Z
3Figura 3:
C´opias
Z
ide
Z
”dobradas” e ”esticadas”, de forma
que seus s´ıtios estejam em correspondˆencia com os s´ıtios das caixas Γi
de
Z
.
Z ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ··
Γ−3 Γ−2 Γ−1 Γ0 Γ1 Γ2 Γ3
·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· 0 0 5 10 −5 −10 15 −15 5 10 −5 −10 15 −15
Z
−2Z
−1Z
0Z
1Z
2Z
3Figura 4:
Realiza¸c˜ao de
ω
∈
(0
,
1)
Z×Z. Cada c´opia
Z
item seu perfil
pintado por uma cor.
Os perfis s˜ao projetados nas caixas de
Z
,
for-mando um perfil multi-colorido.
A proje¸c˜ao ´e indicada pelo s´ımbolo
de
espelho
.
−5 −10 5 10 0 −5 10 15 5 0 15 20 10 5 −10 −15 0 5 −15 −20 −5 0 −10 −5 . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...... .. ...... ...... ...
⊲
Espelho⊳
... ... . ... ... ... ... .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ... ... ... ... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. ... ... ... ... ... ... ... ... ...... ... ... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... . ... ... ... .. ... ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ...... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...... ... ... ... ...
⊲
Espelho⊳
Z ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ··
Γ−3 Γ−2 Γ−1 Γ0 Γ1 Γ2 Γ3
·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· ·· 0 0 5 10 −5 −10 15 −15 5 10 −5 −10 15 −15
Z
−2Z
−1Z
0Z
1Z
2Z
3Figura 5:
Realiza¸c˜oes dos campos aleat´orios independentes (coloridos),
e do campo aleat´orio h´ıbrido (branco e preto), mas gerado a partir de
um perfil multi-colorido.
−5 −10 5 10 0 −5 10 15 5 0 15 20 10 5 −10 −15 0 5 −15 −20 −5 0 −10 −5 . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...... .. ...... ...... ...
⊲
Espelho⊳
... ... . ... ... ... ... .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ... ... ... ... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. ... ... ... ... ... ... ... ... ...... ... ... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... . ... ... ... .. ... ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ...... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...... ... ... ... ...
⊲
Espelho⊳
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. ... ... ... ... ... ... ... ... ... ... .. ... ... ... ... .. ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ... ... .... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
⊲
Espelho⊳
2.2
Processos de Estacionamento em
Z
dcom
re-gras de exclus˜
ao mais gerais
2.2.1 Descri¸c˜ao dos Processos
Seguindo [2], definimos o processo de estacionamento de forma mais abrangente, usando uma no¸c˜ao mais geral de vizinhan¸ca entre s´ıtios
de Zd. Essa no¸c˜ao se traduz a partir do grafo Gν(d) def=
Zd,Eν(d)
,
onde Eν(d) ´e o conjunto de elos que ligam dois s´ıtios distintos, x e
y, de Zd tal que2 |x−y|sup ≤ ν, para ν ∈ N∗ def= N\ {0}, onde ν
´e chamado de raio de intera¸c˜ao. Consideramos tamb´em intera¸c˜oes
mais gerais entre s´ıtios de Zd, atrav´es da defini¸c˜ao de esquemas de
estacionamento: dada uma caixa Λν contida em Zd, chamamos de
esquema de estacionamento um subconjunto Sν(d) = Sν ⊂ {0,1}Λν
tal que 0Λν ∈ S
ν. Em palavras, dado um raio de intera¸c˜ao ν e um
s´ıtio qualquer x, Gν(d) diz quem s˜ao os vizinhos de x, enquanto o
esquema de estacionamento informa quais vizinhos influenciam na ocupa¸c˜ao desse s´ıtio por uma part´ıcula.
Denotemos por σ|Λν a restri¸c˜ao deσ `a caixa Λν. Podemos
apre-sentar um algoritmo de constru¸c˜ao de σn que leva em conta regras
de exclus˜ao mais gerais do que a apresentada na se¸c˜ao (3.1), mas sempre de alcance finito.
Defini¸c˜ao 2.2.1 Dado um esquema de estacionamento Sν,
defini-mos o processo de estacionamento na caixa Λn com condi¸c˜ao de
fronteira nula atrav´es do seguinte algoritmo: Para cada ω∈(0,1)Zd
,
Passo 1 considere σn(ω) = 0Z
d ;
Passo 2 escolha x∈Λn tal que
ωx= inf{ωz :z ∈Λn e z n˜ao tenha sido escolhido previamente};
2|x−y|supdef= max
Passo 3 Se θx(σn(ω))|Λν ∈Sν, ent˜ao σn(ω)(x)←1;
Passo 4 Se h´a pontos em Λn n˜ao escolhidos ainda, ent˜ao volte ao
passo 2, ou encerre o algoritmo.
Observa¸c˜ao A generaliza¸c˜ao dessa defini¸c˜ao para o caso de subconjuntos arbitr´arios finitos deZd´e imediata. Para um subconjunto finitoF deZd, basta
que definamosσF(ω) da mesma maneira queσn na defini¸c˜ao (2.2.1).
2.2.2 Fun¸c˜ao de Constru¸c˜ao do Campo Aleat´orio
A constru¸c˜ao do objeto aleat´orio limite foi implementada gra¸cas ao
conceito de blindagem. Em palavras, fixada uma realiza¸c˜ao ω ∈Ω,
esse conceito diz que o estado de um s´ıtio qualquerx∈Zd, no limite
termodinˆamico, ´e determinado a partir de uma quantidade finita
mas aleat´oria de uniformes. Ou ainda, existe n tal que σ(x) pode
ser determinado sem a informa¸c˜ao contida em Zd\Λn, e portanto
σ(x) =σn(x).
Blindagem
As trˆes defini¸c˜oes a seguir s˜ao necess´arias para definirmos o conceito de blindagem.
Defini¸c˜ao 2.2.2 Um caminho de pontos no grafoGν(d)´e uma seq¨uˆencia
finita (xi)0≤i≤n, xi ∈Zd; tal que |xi+1−xi|sup ≤ν, 0≤i≤n−1.
Defini¸c˜ao 2.2.3 Um caminho (xi)0≤i≤n ´e dito decrescente (sujeito
a ω∈(0,1)Zd
), toda vez que a seq¨uˆencia num´erica (ωxi)0≤i≤n for
(es-tritamente) decrescente.
Defini¸c˜ao 2.2.4 Para x, y ∈ Zd e ω ∈ (0,1)Zd, dizemos que y
in-fluencia x sujeito a ω, se existir um caminho decrescente (xi)0≤i≤n,
Defini¸c˜ao 2.2.5 (Blindagem) Dado um subconjunto finito F ⊂Zd,
definimos a blindagem de F (sujeito a ω ∈ (0,1)Zd
), como o sub-conjunto (aleat´orio)
A(F) =A(F)(ω) =
y∈Zd :∃ x ∈ F :y influencia x
Desta defini¸c˜ao fica claro que, para F, G ⊂ Zd e ω ∈ (0,1)Zd
,
temos que (i)A(F)(ω) ⊃ F; (ii)3 F = Un
i=1Fi ⇒ A(F)(ω) =
Sn
i=1A(Fi)(ω); (iii)F ⊂ G ⇒ A(F)(ω) ⊂ A(G)(ω); (iv)e pode ser
provado [2] que para qualquer F ⊂ Zd, A(F) ´e (quase certamente)
finito.
A partir da defini¸c˜ao de blindagem, o algoritmo aleat´orio limite fica precisamente definido por
σ(ω)(x)def= σA({x})(ω)(ω)(x), ∀x∈Zd
Em palavras, essa defini¸c˜ao indica que para encontrarmos σ(ω)(x):
(i) determinamos ablindagem do conjunto {x} atrav´es da defini¸c˜ao
(2.2.5), (ii) em seguida, constru´ımos/implementamos o processo de
estacionamento sobre A({x}), (iii) e ent˜ao assinalamos o valor do
correspondente limite de satura¸c˜ao σA({x}) ao s´ıtio x. Essas regras
fazem o papel da fun¸c˜ao de constru¸c˜ao fσ para este caso mais geral.
Em [2] os algoritmos finitos (σn)n≥0 do processo de
estaciona-mento s˜ao constru´ıdos no mesmo espa¸co de probabilidade de seu
algoritmo limite, de tal forma que σn → σ quase certamente 4.
Segue da´ı que, dado um esquema de estacionamento Sν, existe uma
´
unica medida de probabilidade µ definida em {0,1}Zd
,BZd
{0,1}
tal que µn ⇒ µ. O elemento aleat´orio σ ´e o limite termodinˆamico da
seq¨uˆencia (σn)n≥0, e sua distribui¸c˜ao µ ´e a correspondente medida
termodinˆamica. A convergˆencia quase certa de σn para o algoritmo
limite σ, se baseia no fato dos conjuntos (aleat´orios)A({x}) serem
3U
denota uni˜ao disjunta.
est´aveis em rela¸c˜ao `a seq¨uˆencia (σn)n≥1, no sentido que, uma vez
que n seja suficientemente grande tal que A({x})⊂Λn , oslimites
de satura¸c˜ao σm, m≥n s˜ao idˆenticos sobre A({x}).
2.2.3 Aplica¸c˜ao do Teorema Principal
Vamos definir a seq¨uˆencia de conjuntos (An)n≥0 e mostraremos que
P(Ac
n) = O(n−d−δ), o que faz com que todas as hip´oteses do Teorema
(1.2.1) fiquem verificadas para os processos de estacionamento.
Neste caso mais geral dos processos de estacionamento, a seq¨uˆencia
de conjuntos (An)n≥0fica definida atrav´es do conceito de blindagem.
Anν def
= {ω :A{0}(ω)⊂Λnν−ν}.
Consideremos o evento Ac
nν = {A{0} 6⊂ Λnν} ou seja, o evento
no qual existe um caminho (e portanto self-avoiding) decrescente (xj)0≤j≤m, m > n, come¸cando em 0 e terminando fora da caixa
Λnν. Observemos que a probabilidade de um caminho self-avoiding
arbitr´ario (mas fixo) (xj)0≤j≤n ser decrescente ´e 1/(n+ 1)! e que o
n´umero total de caminhos self-avoinding que come¸cam em 0 e que
possuem tamanho n n˜ao ´e maior que (2ν+ 1)d.n, e concluimos (por
subaditividade) que
P{Acnν}=P(A{0} 6⊂Λnν)≤ (2ν+ 1)
d·n
(n+ 1)! ≤
(2ν+ 1)d·n
n! .
2.3
Processo de Ocupa¸c˜
ao
O Teorema (1.2.1) tamb´em se aplica a modelos onde o espa¸co de spins ´e cont´ınuo, por´em limitado. Nesta se¸c˜ao apresentamos um exemplo desse caso, baseado nos Processos de Estacionamento.
de mercado. Os agentes s˜ao representados pelos s´ıtios x∈Zd e
po-dem ocupar ´areas esf´ericas de raio r(x), uniformemente distribu´ıdo
no intervalo (0, ρ), com 0 < ρ < ∞. Tomemos uma caixa Λn,
que representa o territ´orio ou mercado em competi¸c˜ao. Um s´ıtio x
(agente) ´e escolhido aleat´oriamente dentre os pertencentes `a caixa
Λn e se apossa de uma ´area de raio r(x), condicionada a n˜ao se
so-brepor a dom´ınios j´a ocupados. O processo continua at´e que todos
os s´ıtios da caixa Λn ocupem algum espa¸co. A Figura 6 mostra uma
realiza¸c˜ao do processo na caixa Λ1.
Da mesma forma que no caso dos Processos de Estacionamento,
queremos construir o processo em todo oZd. Para isso, consideramos
o espa¸co de probabilidade ((0,1)2)Zd
,BZd
(0,1)2, λ
Zd
(0,1)2
que, em
pala-vras, significa associar a cada s´ıtio x ∈Zd duas vari´aveis aleat´orias
unifomes definidas no intervalo (0,1). As componentes de um
ele-mento ω ∈ ((0,1)2)Zd
s˜ao pares ordenados de vari´aveis aleat´orias
unifomes, que denotamos por (ωx
1, ωx2). Denotamos porrn∈(0, ρ)Λn
a configura¸c˜ao final do processo na caixa Λn, e por µn a
correspon-dente distribui¸c˜ao definida em (0, ρ)Λn,BΛn
(0,ρ)
.
Apresentamos a seguir o algoritmo de constru¸c˜ao do processo na
caixa Λn. Neste caso usamos a norma euclidiana, que denotamos
por d(·,·), ao inv´es de usar a norma do sup como fizemos nas se¸c˜oes
anteriores.
Defini¸c˜ao 2.3.1 Definimos o Processo de Ocupa¸c˜ao na caixa Λn
com condi¸c˜ao de fronteira nula atrav´es do seguinte algoritmo: Para cada ω ∈((0,1)2)Zd
,
Passo 1 r(x) = −∞ ∀x∈Zd;
Passo 2 escolha x∈Λn tal que
ωx
1 = inf{ω1z :z∈Λn e z n˜ao tenha sido escolhido previamente};
Passo 3 r(x) =ωx
Passo 4 Se h´a pontos em Λn n˜ao escolhidos ainda, ent˜ao volte ao
passo 2, ou encerre o algoritmo.
Observa¸c˜oes
1. Esse algoritmo ´e estendido naturalmente para o caso de subconjuntos ar-bitr´arios finitos deZd.
2. A express˜ao min{ρ,max{d(x, z)−r(z),0}}pode ser interpretada como a limita¸c˜ao que a ´area de influˆencia do s´ıtioz imp˜oe `a area de ocupa¸c˜ao do s´ıtiox.
3. No caso em queρ >1, a regi˜ao ocupada por um s´ıtio pode englobar s´ıtios ainda n˜ao escolhidos.
O conceito de blindagem ´e definido da mesma forma que no caso
dos Processos de Estacionamento, atrav´es da defini¸c˜ao (2.2.5).5
Va-mos chamar de r ∈ (0, ρ)Zd
o campo aleat´orio limite, ou seja, o
objeto aleat´orio que tem como leiµdef= limn→∞µn. Da mesma forma
que na se¸c˜ao (2.2.2) temos
r(ω)(x)def= rA({x})(ω)(ω)(x), ∀x∈Zd.
2.3.1 Aplica¸c˜ao do Teorema Principal
O roteiro para mostramos que o Teorema (1.2.1) se aplica ao campo
aleat´orio r ´e o mesmo seguido nas se¸c˜oes anteriores, nos casos dos
Processos de Estacionamento:
1. Defini¸c˜ao da seq¨uˆencia de conjuntos (An)n≥1,
Anρ def
= {ω :A{0}(ω)⊂Λn·ρ−ρ}.
2. E pelas mesmas justificativas elencadas na se¸c˜ao (2.2.3), temos
P Ac
n·ρ
=P(A{0} 6⊂Λn·ρ)≤ (2·ρ+ 1)
d·n
(n+ 1)! ≤
(2·ρ+ 1)d·n
n! . 5Observar que na defini¸c˜ao (2.2.2) ´e usada a norma do sup eν=ρ. ´E a norma do sup que
E portanto, pelo Teorema (1.2.1), temos taxas exponenciais de con-vergˆencia para a medida termodinˆamica deste processo.
t=0 t=1 t=2
t=5 t=4 t=3
t=6 t=7 t=8 t=9
Figura 6:
Realiza¸c˜ao do
Processo de Ocupa¸c˜ao
na
Cap´ıtulo 3
Rede de Filas com Perdas,
com Intera¸c˜
oes de Longo
Alcance e Cauda Pesada
Neste cap´ıtulo apresentamos um exemplo de aplica¸c˜ao do Teorema (1.2.1) `a medida estacion´aria de um sistema de part´ıculas intera-gentes, que em sua forma mais geral apresenta intera¸c˜oes de longo
alcance. Trata-se de uma rede de filas indexadas por Zd com
capa-cidade total K, 1≤K <∞.
Na primeira se¸c˜ao tratamos do caso K = 1: apresentamos (1) a
constru¸c˜ao gr´afica do processo; (2) as condi¸c˜oes para a constru¸c˜ao do objeto aleat´orio limite, ou seja, do objeto aleat´orio distribu´ıdo segundo a medida estacion´aria do processo; (3) mostramos que o Teorema (1.2.1) pode ser aplicado `as medidas estacion´arias do
pro-cesso. Na segunda se¸c˜ao apenas indicamos o caso K > 1
3.1
Rede de Filas com Capacidade K=1
A cada s´ıtio de Zd associamos uma fila sem sala de espera e com
capacidade de atender um cliente por vez. Qualitativamente, o
pro-cesso evolui da seguinte forma: um servi¸co termina com taxa µ;
e um cliente ´e aceito numa fila vazia a uma taxa proporcional ao ”peso“ total das filas desocupadas `a sua volta.
Mais precisamente, consideramos um processo de Markov a tempo
cont´ınuo {ηt:t ≥0}, que assume valores em {0,1}
Zd
, ou seja, para
cada x∈Zd,ηt(x) assume 0 ou 1. O estado 0 indica que n˜ao h´a
cli-entes na fila associada ao s´ıtio x, e o estado 1 indica que um cliente
est´a sendo atendido. E dada uma distribui¸c˜ao de probabilidade, ν
emZd, isto ´e,P
x∈Zdν(x) = 1, temos ent˜ao um sistema de part´ıculas
interagentes de longo alcance. Chamando dec(x, η) a taxa com que
o estado do s´ıtioxflipa quando o processo assume a configura¸c˜aoη,
ent˜ao esse sistema de part´ıculas evolui de acordo com as seguintes taxas
c(x, η) =
µ seη(x) = 1 λ·P
y∈Zdν(y−x)[1−η(y)] seη(x) = 0.
(3.1)
Esta dinˆamica pode ser encarada como um processo que modela a entrada e a sa´ıda de usu´arios em uma rede de terminais. A sa´ıda
de um usu´ario ocorre com taxa µ, enquanto a taxa de conex˜ao de
um usu´ario a um terminal depende da configura¸c˜ao global da rede, sendo tanto maior, quanto maior for a quantidade de terminais de-socupados.
3.1.1 Existˆencia do processo
Vamos denotar por ηx a configura¸c˜ao η que apresenta apenas o
es-tado do s´ıtio x flipado. Consideremos uma fun¸c˜ao g := g(η), e
definimos ||g|| := P
Dizemos que a fun¸c˜ao g ´e Lipschitz cont´ınua se ||g|| < ∞. Um processo fica bem definido se as taxas de evolu¸c˜ao do processo sa-tisfizerem as seguintes condi¸c˜oes [14]:
• Apresentam invariˆancia translacional: sey ∈Zde se o operador
de transla¸c˜aoθyatua sobreη, de tal forma queθyη(x) = η(x+y)
para cadax∈Zd, ent˜ao a invariˆancia translacional implica que
c(x+y, θyη) =c(x, η);
• S˜ao Lipschitz cont´ınuas, ou seja, ||c(0, .)||<∞.
As taxas definidas na express˜ao (3.1) satisfazem de maneira ´obvia a primeira condi¸c˜ao. Vamos mostrar que essas taxas tamb´em sa-tisfazem a segunda condi¸c˜ao. Comecemos fixando uma configura¸c˜ao
η e analisemos |c(0, ηx)−c(0, η)| para x = 0 e x 6= 0. Para x = 0
temos
|c(0, η0)−c(0, η)| ≤ |µ−λ X
y:η(y)=0
ν(y)| ≤max{µ, λ}.
Agora, tomando o sup sobre todas as configura¸c˜oes η ∈ {0,1}Zd
temos
sup
η |c(0, η
0)−c(0, η)| ≤max{µ, λ} ⇔ ||c(0, η0)−c(0, η)||
∞≤max{µ, λ}.
Parax6= 0 temos |c(0, ηx)−c(0, η)|=λ·ν(x) e, consequentemente,
sup
η |
c(0, ηx)−c(0, η)|=||c(0, ηx)−c(0, η)||∞=λ·ν(x).
E, finalmente temos
||c(0, .)|| =P
x||c(0, ηx)−c(0, η)||∞
=||c(0, η0)−c(0, η)||
∞+Px6=0||c(0, ηx)−c(0, η)||∞
≤max{λ, µ}+P