Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Qu es percolacin?
Prximos vecinos: cuadrados con lado comn (nn) Siguientes prximos vecinos: cuadrados con vrtice comn(nnn)
2
Cluster: Grupo de cuadrados nn ocupados. Teora de la Percolacin: Propiedades de los clusters. Percolacin random: cada sitio de la red se ocupa aleatoriamente con probabilidad p. Ejercicio Escribir un programa que dibuje los sitios ocupados y vacos en un retculo 15x15 para p = 0.3, p = 0.5 y p = 0.7. Identicar los clsters mayores.
3
p=0.300000
0 0 0 0 0 1 0 0 1 0 0 0 0 0 0
1 1 1 0 1 0 1 1 0 1 0 0 0 1 0
0 0 0 0 1 0 0 0 1 0 0 1 1 0 0
1 0 0 0 1 0 0 0 0 0 0 1 0 0 0
0 1 0 0 0 0 1 0 0 0 0 0 0 0 0
0 1 0 0 1 0 0 0 0 1 0 0 0 1 1
1 1 0 0 0 0 0 0 0 0 1 1 0 1 1
1 0 1 0 1 1 0 0 0 0 0 0 1 1 0
0 0 1 1 0 1 0 1 0 1 0 1 1 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 1 0 0 1 0 1 0 1 0
1 0 0 0 1 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 1 0 1 0 0 0 0 0 1 0
0 0 0 1 0 1 1 0 0 1 1 0 0 0 0
p=0.500000
1 0 0 0 0 1 1 0 1 1 0 0 0 0 1
1 1 0 1 1 0 1 0 0 1 1 0 0 0 1
0 0 1 1 1 1 1 1 0 1 0 1 1 1 1
0 0 0 1 0 1 0 0 0 0 0 1 1 0 0
1 0 0 0 1 1 1 1 0 0 1 1 0 0 0
0 0 0 1 1 0 0 0 0 0 1 0 0 0 0
0 0 0 1 0 0 0 0 0 0 1 0 1 1 0
0 0 0 1 0 1 0 0 0 0 1 1 0 1 0
1 1 1 0 0 0 0 1 1 0 1 1 0 0 0
1 0 0 0 0 0 1 0 1 1 0 1 0 0 1
0 0 1 1 0 0 0 1 1 1 0 0 1 0 1
0 0 1 0 0 1 1 1 1 0 0 0 0 0 0
1 1 0 1 0 0 1 1 0 1 0 0 0 0 1
1 1 0 1 1 1 1 0 0 1 0 1 1 1 1
p=0.700000
1 0 0 1 1 1 0 1 0 1 1 0 0 1 0
1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 0 0 1 0
0 1 1 1 1 0 1 1 0 1 0 1 0 1 1
0 0 0 1 1 1 1 1 1 1 0 1 1 1 1
1 1 0 1 1 1 1 1 1 0 1 1 0 0 1
1 1 0 0 0 1 1 1 0 0 1 1 0 1 1
1 0 1 1 0 0 1 1 1 1 1 1 0 1 0
1 1 1 1 0 1 1 1 0 1 1 1 1 0 1
0 0 1 0 1 0 1 1 1 0 0 0 1 1 0
1 1 0 1 1 1 1 1 1 1 1 1 1 1 1
0 0 1 1 1 1 1 0 1 0 1 1 1 1 1
1 1 1 1 0 0 0 1 1 1 0 0 1 1 1
1 1 1 0 1 1 0 1 1 0 1 1 1 0 0
Para p = 0.7 slo hay 4 clusters. Cluster percolante: ocupa casi todo el retculo Probabilidad crtica pc donde aparece por primera vez cluster percolante Fenmenos crticos: fenmenos cerca de pc. Teora de scaling escala: trata de describirlos. Si L 106 sitios, necesitamos un ordenador para analizar los clusters.
7
Aplicaciones: 1.-Fuego en los bosques Simular un bosque por una red cuadriculada. Cuadrado ocupado: rbol verde. Cunto tiempo tarda un fuego en penetrar en el bosque o en extinguirse? Simulacin: Encender todos los rboles de la primera la Recorremos la red (bosque) por las de izda. a derecha Un rbol encendido prende a su vecino nn a la derecha y al de abajo (si existen). Al cabo de un barrido completo el rbol est quemado no puede seguir encendiendo a los vecinos. Fuego termina cuando no quedan rboles encendidos o el fuego llega a la ltima la. La vida del fuego es el nmero de barridos necesarios para que el fuego termine. Resultado: Existe un valor crtico de p (ocupacin) cerca de 0.5928 para el que la vida del fuego
8
0.4
0.5
0.6 p
9
2.-Buscar petrleo!
Simular un material poroso que contiene gas o petrleo. Cuadrado ocupado: petrleo. La probabilidad de ocupacin p se llama porosidad de la roca.
Resultado: Si p < pc el petrleo est distribuido en clusters nitos. Si p < pc al perforar al azar lo ms probable ser pinchar un cluster pequeo y el pozo ser poco rentable. Para ganar dinero hay que perforar si p > pc.
10
Solucin exacta en d = 1
La probabilidad de que un punto de la red (cadena ahora) sea el extremo izdo. de un cluster de 4 es 4 2 p (1 p) Si L #4-clusters= Lp4(1 p)2 (sin efectos de borde) Densidad de s-clusters: ns = ps(1 p)2 ns: Probabilidad de que un punto arbitrario de la cadena sea el extremo izdo. de un cluster de s elementos. En d = 1 si p < 1, algn punto de la cadena est vaco. Por lo tanto en d = 1 pc = 1
P Se cumple que s sns = p, p < pc() Demostracin: La probabilidad de que un sitio arbitrario pertenezca a un s-cluster es sns Todo sitio ocupado pertenece a un cluster
11
La probabilidad de que un sitio arbitrario pertenezca a un cluster de tamao arbitrario es la probabilidad de que est ocupado p.
= (1 p) p
Para d > 1 la frmula (*) sigue siendo vlida excluyendo de la suma los clusters innitos. Por la misma razn se ha impuesto p < pc. Si p = pc = 1 entonces slo hay un cluster que ocupa toda la cadena, s = lo que invalida la frmula anterior.
S=
X ns s2 ws s = P ns s
Precaucin: La frmula anterior es vlida en dimensin arbitraria, siempre que se excluya el cluster innito. Clculo de S en d = 1 Denominador= p 2 P 2P 2 s 2 s d Numerador= (1 p) p dp s s p = (1 p) sp
S=
No es sorprendente que el tamao medio de los clusters S diverja cuando p pc, resultado similar en d > 1. Recordar que hemos excluido el cluster innito. Funcin de Correlacin g(r): probabilidad de que un sitio a distancia r de un
13
sitio ocupado pertenezca al mismo cluster. g(r = 0) = 1 trivialmente g(r = 1) = p la probabilidad de que un vecino est ocupado es p Para un sitio a distancia r , ste y los (r 1) sitios que hay por medio deben estar ocupados luego g(r) = pr Esta expresin puede escribirse en forma exponencial (p < 1) introduciendo la longitud de correlacin r g(r) = exp donde 1 1 (si p pc) = log p pc p Vemos que cerca del punto crtico y S estn relacionados. En d = 1 cerca de pc = 1
2 = 2 1p
14
|p pc|
S(p) |p pc|
Los exponentes y se llaman exponentes crticos, caracterizan el comportamiento crtico. Universalidad: modelos aparentemente no relacionados tienen exponentes crticos comunes. = 1, = 1 en d = 1 = 4/3, = 43/18 en d = 2 = 0.88, = 1.80 en d = 3
15
1.8e+06
1e+06
1.6e+06
1.4e+06
1e+05
1.2e+06
200000 .1e3 0 0.96 0.98 1 p 1.02 1.04 0.96 0.98 1 p 1.02 1.04
16
= 0? en d = 1 = 5/36 en d = 2 = 0.41 en d = 3
17
1 0.8 0.6 0.4 0.2 0 0 0.2 0.4 0.6 0.8 1 p 1.2 1.4 1.6 1.8 2
18
Estos comportamientos son tpicos de las transiciones de fase, como las transiciones ferromagnticas o las trmicas. El anlogo ferromagntico de P sera la magnetizacin, S(p) sera la susceptibilidad.
Relacin de hiperescala: los exponentes crticos no son independientes. Se demuestra que estn ligados por la relacin de hiperescala
2 + = d
19
Finite Size Scaling: (Escalado de Tamao Finito?) En un retculo nito, como el que siempre usamos, no puede ser divergente. Lo que observamos cerca del punto crtico es que L luego
L |p pc|
es decir
|p pc| L
1/
P(p) (p pc) L
S(p) |p pc|
20
Llenar los sitios con probabilidad p: generar un nmero aleatorio, si random#< p se ocupa (0), si no, se deja vacio (-1). Recorrer los sitios de la red, si est ocupado (0) analizo el cluster. Anlisis del cluster: numero el cluster, asigno al sitio el nmero de cluster, creo el cluster. Creacin del cluster: Recorro los 4 vecinos nn, si estn ocupados les asigno el nmero de cluster y vuelvo a Crear el cluster del sitio actual. (autorecurrente, en C se puede)
21
#include <stdio.h> #include <math.h> #include <stdlib.h> #define L 10 #define Norm 1/((float) RAND_MAX +1.0F) #define RAND() rand()*Norm long campo[L][L]; long cluster; void crear_cluster(long xa, long ya) { if(xa<(L-1)) if (campo[xa+1][ya]==0) { campo[xa+1][ya]=cluster; crear_cluster(xa+1,ya); } if(xa>0)
22
if (campo[xa-1][ya]==0) { campo[xa-1][ya]=cluster; crear_cluster(xa-1,ya); } if(ya<(L-1)) if (campo[xa][ya+1]==0) { campo[xa][ya+1]=cluster; crear_cluster(xa,ya+1); } if(ya>0) if (campo[xa][ya-1]==0) { campo[xa][ya-1]=cluster; crear_cluster(xa,ya-1); } }
23
void analiza_clusters(void) { long xa,ya; cluster=0; for(ya=0;ya<L;ya++) { for(xa=0;xa<L;xa++) { if (campo[xa][ya]==0) { cluster++; campo[xa][ya]=cluster; crear_cluster(xa,ya); } } } }
24
void main(void) { int j,k,copias=1; long x, y; float p; p=0.8; /*llenamos la red */ for(p=0.4;p<0.9;p+=0.2) { for (x=0; x< L; x++) { for (y=0;y<L;y++) { campo[x][y]=-1; if (RAND()<p) campo[x][y]=0; } }
25
/* Pinto la red -1 vacio 0 ocupado, el vertice inferior izquierd for(y=L-1;y>=0;y--) { printf("\n"); for (x=0;x<L;x++) printf("%4i",campo[x][y]); } printf("\n"); /* Analizo los clusters: los numero*/ analiza_clusters(); /* Pinto la red analizada*/ for(y=L-1;y>=0;y--) { printf("\n"); for (x=0;x<L;x++) printf("%4i",campo[x][y]); } printf("\n");
26
} }
27
p = 0.4
-1 0 -1 0 0 -1 -1 -1 0 -1 -1 12 -1 10 10 -1 -1 -1 3 -1
-1 0 -1 -1 -1 -1 -1 0 -1 -1 -1 12 -1 -1 -1 -1 -1 1 -1 -1
0 -1 0 0 -1 0 -1 0 0 0 15 -1 11 11 -1 7 -1 1 1 1
-1 0 -1 -1 -1 -1 0 -1 -1 -1 -1 13 -1 -1 -1 -1 6 -1 -1 -1
-1 0 -1 -1 0 0 -1 -1 -1 -1 -1 13 -1 -1 8 8 -1 -1 -1 -1
0 -1 0 0 0 -1 -1 0 0 -1 16 -1 8 8 8 -1 -1 4 4 -1
-1 -1 -1 0 -1 0 -1 -1 -1 0 -1 -1 -1 8 -1 9 -1 -1 -1 2
0 -1 -1 0 -1 -1 -1 -1 0 -1 17 -1 -1 8 -1 -1 -1 -1 5 -1
-1 0 -1 0 0 -1 -1 -1 0 -1 -1 14 -1 8 8 -1 -1 -1 5 -1
-1 -1 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 8 -1 -1 -1 -1 -1 -1
28
p = 0.6
0 -1 0 -1 -1 0 -1 -1 0 0
-1 0 0 0 0 0 0 0 0 -1
0 -1 0 -1 -1 -1 -1 0 0 0
-1 0 -1 0 -1 0 0 0 0 0
-1 -1 -1 -1 0 0 0 0 -1 0
-1 0 0 0 0 0 0 0 -1 -1
0 -1 0 -1 0 -1 0 0 -1 0
-1 -1 0 0 0 0 -1 0 0 -1
-1 0 -1 0 0 -1 0 0 0 0
-1 -1 -1 -1 -1 0 -1 -1 -1 0
7 -1 1 -1 -1 1 -1 -1 1 1
-1 1 1 1 1 1 1 1 1 -1
8 -1 1 -1 -1 -1 -1 1 1 1
-1 5 -1 4 -1 1 1 1 1 1
-1 -1 -1 -1 1 1 1 1 -1 1
-1 1 1 1 1 1 1 1 -1 -1
9 -1 1 -1 1 -1 1 1 -1 2
-1 -1 1 1 1 1 -1 1 1 -1
-1 6 -1 1 1 -1 1 1 1 1
-1 -1 -1 -1 -1 3 -1 -1 -1 1
29
p = 0.8
0 -1 -1 0 0 0 -1 -1 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 -1 0 0 0 0 -1 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 -1 -1 0 0 0 -1 0 -1 0 0 0 -1 -1 -1 0 0 0 0
1 -1 -1 1 1 1 -1 -1 1 -1
1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 -1 1 1 1
1 -1 1 1 1 1 -1 1 1 -1
1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 -1 1 1 1 1 1 1 -1
1 1 1 1 1 1 1 1 1 1
1 1 -1 -1 1 1 1 -1 1 -1
1 1 1 -1 -1 -1 1 1 1 1
30
Buscando pc en d = 2 desesperadamente
Cumulante de Binder: Hemos visto cmo un observable en un retculo nito se comporta cerca del punto crtico, por ejemplo, P(p, L) L/ f (L/). Teniendo en cuenta que |p pc| resulta P(p, L) L/ f (L1/ (p pc)) + ...correcciones La funcin f es adimensional y en el punto crtico vale lo mismo para todos los retculos: f (0). La idea es construir un observable adimensional y medirlo para diferentes retculos, el punto de corte nos permite situar pc. 2 Medimos P / P 2 Clculo de exponentes crticos Clculo de / y / a partir de los resultados obtenidos para los diferentes retculos en el punto crtico pc.
32
L 20 40 60 80 100
b2
34
Ajuste de n datos experimentales a una funcin Sean yi, (i = 1, .., n) los valores medidos, con errores (desviaciones tpicas) i en los puntos (exactos) xi. Sea la relacin terica y = f (x, {ak }), donde {ak } representa un conjunto de parametros (k < n). En el caso que nos ocupa slo tenemos 2. Objetivo: encontrar los mejores parmetros Principio de mxima verosimilitud: los mejores parmetros minimizan la expresin
Condiciones de mnimo 2/ak = 0 , (k = 1, .., m) En el caso de que f (x, ak ) = a1f1(x)+a2f2(x)+.. la solucin es fcil, en nuestro caso, f (x, a1, a2) = a1 + a2x, luego para un conjunto de n datos las condiciones de mnimo son
35
n X i=1 n X i=1
(yi a1 a2xi)/i = 0
2
(yi a1 a2xi)xi/i = 0
Deniendo n n X yi X xiyi Y1 = , Y2 = 2 2 i i i=1 i=1 n n n X 1 X xi X x2 i M11 = ,M12 = y M22 = 2 2 2 i i i i=1 i=1 i=1 EL sistema lineal de ecuaciones se escribe en forma matricial
Y = Ma
Con solucin
1
a=M
36
Clculo de los errores en los parmetros Sean k los valores exactos de los parmetros. Caculemos el siguiente valor medio
(ak k )(aq q )
de acuerdo con la solucin encontrada
(yi yi)(yj yj ) = i il
Por tanto
(ak k )(aq q ) = (M
)kq
Conclusin
(ak ) =
(M 1)kk
38
= 0.14(3) ,
a comparar con los resultados exactos
= 1.88(8)
5 = = 0.10 , 48
43 = = 1.79 24
d = + 2
39