Está en la página 1de 87

Mecânica Estatística de Não-Equilíbrio

Aula 2

Tânia (2010) Salvador

Modelos estocásticos em reticulados

Salvador, Julho de 2010

Tânia Tomé

Tânia Tomé IFUSP: Segunda aula Salvador


1
juhlo de 2010
Sistema de partículas (unidades, elementos) evoluindo
no tempo de acordo com uma dinâmica estocástica

Modelos estocásticos em reticulados

Tânia (2010)
Equação mestra

Autômatos celulares probabilísticos

Equação de evolução para a distribuição de probabilidades


de um dinâmica markoviana síncrona.

Tânia Tomé IFUSP: Segunda aula Salvador


2
juhlo de 2010
Modelos em reticulados (Primeira aula ) reticulado
Exemplo (1): Modelo de Glauber-Ising
Cada sítio da rede pode estar em dois estados:

1 (visto na
i  Primeira AULA)

1

Tânia (2010)
Variável de spin associada ao sítio i da rede

Glauber 1963
Para simular a evolução de um estado inicial qualquer para o
devemos acoplar uma dinâmica estocástica que
possui .

Acoplamos uma dinâmica que proporciona ao sistema relaxar para o equilíbrio.


Tânia Tomé IFUSP: Segunda aula Salvador
3
juhlo de 2010
Modelos em reticulados
Exemplo (2) 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:

Tânia (2010)
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: Segunda aula Salvador
4
juhlo de 2010
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: Segunda aula Salvador


5
juhlo de 2010
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

Tânia (2010)
irreversível

Transição permitida Transição proibida

t  t
Tânia Tomé IFUSP: Segunda aula Salvador
6
juhlo de 2010
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

Tânia (2010)
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.


7
Tânia Tomé IFUSP: Segunda aula Salvador
juhlo de 2010
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



Tânia (2010)
Se o sítio i está ocupado por um indivíduo infectado:
i i
(ii) Recuperação espontânea: 1
Rede 1d
i 1 i 1 i
___o______o______o_____o_____o____
Tânia Tomé IFUSP: Segunda aula Salvador 8
juhlo de 2010
Modelo de contato em uma dimensão
i  0 I
(i) Infecção: 0
 i  1 S
1

i 1 i i 1 i 1 i i 1 i 1 i i 1

Tânia (2010)
1 0 1 0 0 1 1 0 0
Taxa de
infecção: 
  /2  /2

1 1 0 0 1 1 1 1 0

Observe que o estado


do sítio i
i muda de  i
(ii) Recuperação
1
1
 para 1  i
0 1
tanto no proocesso (i) como
0
no processo (ii).
Tânia Tomé IFUSP: Segunda aula Salvador
9
juhlo de 2010
Modelo de contato em uma dimensão: taxa de transição

Dinâmica de
um sítio i  0 I

Dinâmica i  1 S
global: 

Tânia (2010)
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: Segunda aula Salvador


10
juhlo de 2010
Modelo de contato definido em uma
rede quadrada regular


wi (i )  (1  i )  j  j  i
4

i  0

Tânia (2010)
I
i  1 S

 j
(...) Soma sobre
os primeiros
vizinhos do sítio i

Tânia Tomé IFUSP: Segunda aula Salvador


juhlo de 2010 11
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 ) (*) ver exemplo no próximo slide

Tânia (2010)
 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: Segunda aula Salvador


12
juhlo de 2010
Tânia (2010)
Exemplos:

  (1,1, 1 , 0,1, 0, ...)  i  (1,1, 1 ,1,1, 0 ...)

  (1,1, 1 ,1,1, 0, ...)  i  (1,1, 1 , 0,1, 0, ...)

Tânia Tomé IFUSP: Segunda aula Salvador


13
juhlo de 2010
Densidade de individuos infectados

  k  P(1) Isotropia

P(1) Probabilidade de um sítio estar ocupado por um


infectado

Densidade de individuos suscetíveis:

Probabilidade de um sítio estar ocupado


P(0)  1  
por um indivíduo suscetível.

Tânia Tomé IFUSP: Segunda aula Salvador


14
juhlo de 2010
Média de uma grandeza de estado A( ) qualquer
Isotropia

Tânia (2010)
 A( )    A( ) P( , t ) (II)

Equação de evolução para A( )

N
d
 A( )   { [ A( j )  A( )] w j ( ) }
(III)
dt j 1

A( )  A (1 , ..., j , ..., N )

A( j )  A (1 , ..., (1  j ), ..., N )

(*) Essa equação pode ser obtida utilizando a equação mestra (I) e
a definição (II). OBTER!!
Tânia Tomé IFUSP: Segunda aula Salvador
juhlo de 2010
15
Equação de evolução para a densidade de infectados

Se A( )  k  A( )    k    densidade de infectados

Tânia (2010)
A( j )  k k  j

Então
A( j ) 1   k k  j

0 k j
 A( j )  A( ) 
A( k ) 1  2 k k  j
Utilizando a Eq. (III):

d
  k   [1  2 k ] wk ( )  Equação de evolução para a
dt densidade de infectados
Tânia Tomé IFUSP: Segunda aula Salvador
juhlo de 2010
16
Equação de evolução para a densidade de infectados
 k   

d
   [1  2 k ] wk ( ) 
dt

Tânia (2010)
1 2 3 4
Rede 1d ___o______o______o_____o_____o____

Exemplo:

k  2  2    Isotropia

d
   [1  2 2 ] w2 ( ) 
dt
Eq. Evolução de infectados
Tânia Tomé IFUSP: Segunda aula Salvador
17
juhlo de 2010
Equação de evolução para a
densidade de infectados

1 2 3 4
Rede 1d ___o______o______o_____o_____o____

k  2  2    I Isotropia

d
   [1  2 2 ] w2 ( )  P(101)  P(1  1,2  0,3  1)
dt

Tânia (2010)
d
  [1  2 (1)] w2 (111) P(111) 
dt
 [1  2 (1)] w2 (110) P(110) 
 [1] w2 (101) P(101)  [1] w2 (100) P(100)
-
 ...
Eq. Evolução de infectados
Tânia Tomé IFUSP: Segunda aula Salvador
18
juhlo de 2010
Equaçãode evolução para a densidade de infectados

Isotropia

d
   P(01)  P(1)
dt

P(01) Probabilidade de um sítio estar no estado 0 e seu vizinho


no estado 1  correlação de pares

Isotropia

Tânia (2010)
 jk   P(11)

P(10)  P(01)  P(1)  P(11)

Tânia Tomé IFUSP: Segunda aula Salvador


19
juhlo de 2010
Equações de evolução para correlações de ares de sítios
vizinhos

Isotropia

Tânia (2010)
 jk   P(11) P(10)  P(01)  P(1)  P(11)

d
P(11)   2 P(11)   P(10)   P(101) Eq .de evolução para
dt a correlação de dois
sítios depende da
correlação de
três sítios!
correlação de correlação
dois sítios de três sítios

Tânia Tomé IFUSP: Segunda aula Salvador


20
juhlo de 2010
Aproximação de campo médio dinâmico
(Aproximação de “clusters”)
1) Aproximacão de Campo Médio Simples (CMS):

Aproximação de Campo médio Simples:

A probabilidade de um “cluster” de sitios é escrita como

o produto das probabildades da cada sítio.

Tânia (2010)
Exemplo:

P(123 )  P(1 ) P(2 ) P(3 )


P(102)  P(1) P(0) P(2)

Tânia Tomé IFUSP: Segunda aula Salvador


21
juhlo de 2010
Aproximação de campo médio dinâmico

O escopo da aproximação de campo médio dinâmico consiste no


truncamento desse
conjunto infinito de equações acopladas.

Tânia (2010)
(I) Aproximação de ordem mais baixa:

N
P ( 1 ,  2 ,  3 ,....,  N )  P ( 1 ) P (  2 ) P(  3 )..... P(  N )   P ( i )
i 1

A probabilidade de um determinado aglomerado de sítios é aproximada


pelo produto das probabilidades de cada sítio:

Todas as correlações entre sítios são desprezadas !!


Aproximação de campo médio simples ou
também chamada de aproximação de um sítio.
Tânia Tomé IFUSP: Segunda aula Salvador
22
juhlo de 2010
Truncamento da hierarquia de equações:

Aproximação de campo médio dinâmico incluindo correlações de ordem n

Seja o aglomerado de sítios vizinhos: 1 2 3


1  2  3

Tânia (2010)
P ( 1 ,  2 , 3 )  P(1 | 2 , 3 ) P( 2 , 3 )

P(1 | 2 , 3 ) Probabilidade condicional de 1 dados 2 e 3 .

Aproximação de campo médio de pares: P(1 ,  2 )


P(1 | 2 ,  3 ) 
P( 2 )
P(1 ,  2 ) P( 2 ,  3 )
P ( 1 ,  2 ,  3 ) 
P( 2 )
Tânia Tomé IFUSP: Segunda aula Salvador
23
juhlo de 2010
Aproximação de campo médio simples para o modelo de contato

P(10)  P(1) P(0) 


P(1) P(0)   (1   )

Tânia (2010)
d
       (1   )
dt
0
c 

Soluções estacionárias:
 0 Fase absorvente de suscetíveis   c  1
(campo médio simples)


 1
Fase ativa   c

Tânia Tomé IFUSP: Segunda aula Salvador
24
juhlo de 2010
Aproximação de campo médio com pares

12 3   P(12 3 )  P(1 | 2 3 ) P(2 3 )

Tânia (2010)
Aproximação: P(12 )
P(1 | 2 3 ) 
P(2 )

P(1 2 ) P(2 3 ) Correlações de três ou mais


P(12 3 )  sítios são escritas em termos
P(2 ) de correlações de um e dois
sítios

Tânia Tomé IFUSP: Segunda aula Salvador


25
juhlo de 2010
Aproximação de campo médio com pares para o modelo de contato
d
dt
      (  ) z
d z  2 z   (  z )   (  z ) 2

dt (1   )
Soluções estacionárias:

 0 Fase absorvente de vazio


  c  2


 2
 1
z 
 2
Fase ativa   c

26

Tânia Tomé IFUSP: Segunda aula Salvador


juhlo de 2010
Densidade de partículas  versus taxa de criação 
 Processo de contato
unidimensional

Esboço!
abs

c 
Campo médio   1
Nas proximidades do ponto crítico   (  c ) 
Campo médio simples c  1 Campo médio com pares c  2

Simulações numéricas
c  3, 298(2)   0.277
Expansões em séries Classe de universalidade da
(Jensen&Dickman (1993))
percolação direcionada
27
d+1 dimensões.
Tânia Tomé IFUSP: Segunda aula Salvador
juhlo de 2010
Método de Monte Carlo

Realização computacional de um processo estocástico markoviano.

Simulação computacional de um modelo definido por uma dinâmica estocástica


markoviana.

Trajetória estocástica no espaço de configurações gerado pela


distribuição de probabilidades estacionária.

Médias de grandezas de estado

D K
1
K

 D 1
F ( ( ) )   F ( ) 

Tânia Tomé IFUSP: Segunda aula Salvador


28
juhlo de 2010
Densidade de partículas  versus taxa de criação 

abs

c 
  (  c )  (Nas proximidades do ponto crítico)

Classe de universalidade da
Uma dimensão: c  3.298 percolação direcionada 1+1
  0.277
dimensões.
(Jensen&Dickman (1993);
Expansões em séries.) Tânia Tomé IFUSP: Segunda aula Salvador
29
juhlo de 2010
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
T. Tomé & M. J. de Oliveira (2005)
= parâmetro de ordem

    c
Tânia (2010) 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: Segunda aula Salvador
infecção:
30
juhlo de 2010
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
z   / 
Tânia Tomé IFUSP: Segunda aula Salvador
31
juhlo de 2010
Outros modelos para sistemas da dinâmica de populações
biológicas

Importância de modelos estocásticos espacialmente estruturados

Tânia (2010)
Tânia Tomé IFUSP: Segunda aula Salvador
32
juhlo de 2010
Oscilações enm um sistema predador-presa
Experiências em laboratório
com habitat não homogêneo Huffaker (1958)
----- densidade de presas
densidade de predadores

Experimental studies on predation by


C. B. Huffaker,Hilgardia 27, 343 (1958).

Tânia (2010)
Dia

(Hastings)

“An heterogeneous space can be crucial to the


maintenance of self-sustained time oscillations
in a predator-prey system”.

Tânia Tomé IFUSP: Segunda aula Salvador


33
juhlo de 2010
Modelos de “três estados” para problemas de dinâmica de
populações biológicas

Rede quadrada com N sítios

Cada sítio i da rede pode estar em um dos três estados:

Tânia (2010)
1 Presa Suscetível (S)

i  2
Predador Infectado (I)

Vazio Recuperado (R)


0

Tânia Tomé IFUSP: Segunda aula


34
Salvador juhlo de 2010
Esquema dos processos locais
1

Reação 3 Reação 1

Tânia (2010)
0 2
Reação 2

Predador - Presa SIRS SIR

(1) Reação 1 auto-catalítica auto-catalítica auto-catalítica

(2) Reação 2 espontânea espontânea espontânea

(3) Reação 3 auto-catalítica espontânea não existe


Tânia Tomé IFUSP: Segunda aula Salvador
35
juhlo de 2010
Regras locais para o modelo Predador-Presa
a probabilidade de nascimento
Regras similares as do Modelo de Contato
de presa
b probabilidade de predação
c probabilidade de morte
de predadores
Predação: nascimento
b/2 auto-catalítico de
predadores
e morte simultânea
de presas

 c Morte espontânea

Tânia (2010)
de predadores

3a / 4 Nascimento
(auto-catalítico)
de presas
Tânia Tomé IFUSP: Segunda aula Salvador
36
juhlo de 2010
Probabilidades de transição para o modelo predador-presa
wi (i )
Predação auto-catalítica

b
wi (1  2)   (i ,1)  ( k ,2) (1)
4 k

Morte epontânea de predadores

Tânia (2010)
wi (2  0)  c (i ,2) (2)

Nascimento auto-catalítico de presas

a
wi (0  1)   (i ,0) 
4 k
 ( k ,1) (3)

Tânia Tomé IFUSP: Segunda aula Salvador


37
juhlo de 2010
Equação mestra:
Dinâmica de um sítio
N
d
P( , t )   {wi ( i ) P( i , t )  wi ( ) P( , t )}
dt i 1

 i é obtida da configuração  por uma permutação


anti-cíclica dos estados (*) explicação no próximo
do sítio i: 2  1  0  2 slide

Tânia (2010)
x   (i ,1)  P(1)
Densidades de individuos:
y   (i ,2)  P(2)
z   (i ,0)  P(0)
x  y  z 1
Correlações de dois sítios:

  (i ,0) ( j ,1)  P(01)


Tânia Tomé IFUSP: Segunda aula Salvador
38
juhlo de 2010
(*) Explicão:

 i é obtida da configuração  por uma permutação


anti-cíclica dos estados
do sítio i: 2  1  0  2

Exemplos:

  (1,1, 1 , 2, 2, ...)  i  (1,1, 0 , 2, 2, ...)

Tânia (2010)
  (1,1, 0 , 2, 2, ...)  i  (1,1, 2 , 2, 2, ...)

  (1,1, 2 , 2, 2, ...)   (1,1, 1, 2, 2, ...)

Tânia Tomé IFUSP: Segunda aula Salvador


39
juhlo de 2010
Equações de evolução

Tânia (2010)
para o modelo
Predador-Presa
estocástico em um
Reticulado

Satulovsky & TT (94)

Tânia Tomé IFUSP: Segunda aula Salvador


40
juhlo de 2010
(*) Observações sobre as equações de evolução:

Seja a equação para a evolução de evolução para a densidade de


presas x:

dx
 au bv
dt

Tânia (2010)
Esta equação é exata.
A evolução temporal de x depende da correlação de pares u e v:

u  P(01) v  P(12)

u= probabilidade de um sítio estar no estado 0 (vazio) e seu vizinho estar


no estado 1 (ocupado por presas).
v= probabilidade de um sítio estar no estado 1 (ocupado por uma presa) e
seu vizinho estar no estado 2 (ocupado por um predador).

Tânia Tomé IFUSP: Segunda aula Salvador


41
juhlo de 2010
Aproximação de campo médio dinâmico
(Aproximação de “clusters”)
1) Aproximacão de Campo Médio Simples (CMS): VER apêndice

Aproximação de Campo médio Simples:

A probabilidade de um “cluster” de sites é escrita como

o produto das probabildades da cada sítio.

Tânia (2010)
Exemplo:

P(123 )  P(1 ) P(2 ) P(3 )


P(102)  P(1) P(0) P(2)

Tânia Tomé IFUSP: Segunda aula Salvador


42
juhlo de 2010
Aproximação de Campo Médio Simples para Modelo Predador-Presa

Equações de evolução temporal para as densidades de presas e de


predadores obtidas por meio da aproximação de campo médio simples:
x= densidade
de presas
dx
 ax(1  x  y )  bxy y=densidade de
dt predadores

dy Termo logístico
 bxy  cy Os recursos para proliferação de presas
dt não são ilimitados!!! E isto aparece
decorre como conseqüência de
considerarmos um modelo que inclui
o sítio vazio.

Tânia (2010)
Estado Ativo: Coexistência com x e y diferentes de zero mas
constantes no tempo.
Estado absorvente de presas x=1, y=z=0
Tânia Tomé IFUSP: Segunda aula Salvador
43
juhlo de 2010
Sobre a aproximação de campo médio simples para o modelo
de gás na rede para o sistema predador-presa: A equação para a
evolução temporal
Seja a equação para a evolução de evolução para a densidade de x Eq. (1) em CMS
de presas x: é escrita em termos
somente de densidades.
dx
 au bv Como vale a relação (2)

Tânia (2010)
então a evolução
dt (1)
temporal fica descrita em
termos somente de duas
Aproximação de campo médio simples (CMS): densidades (escolhemos
x e y no slide anterior).
(CMS)
O que temos de diferente
com relação às
u  P(01)  P(0) . P(1)  x. z descrições que utilizam
equações. da cinética
v  P(12)  P(1). P(2)  x . y química?

O termo logístico. E este


vem do fato de
considerarmos que um
x  P(1) y  P(2) z  P(0) sítio pode estar vazio e
que as presas só nascem
x  y  z 1 (2) em sítios vazios.

Tânia Tomé IFUSP: Segunda aula Salvador


44
juhlo de 2010
Diagrama de fase para o modelo predador-presa
Campo médio simples

Estado Absorvente de Presas


Estado Ativo: coexistência de
presas e predadores

Tânia (2010)
Absorbing

Active

45
Tânia Tomé IFUSP: Segunda aula Salvador
juhlo de 2010
(*) Parametrização: a presa - nascimento
Três parâmetros: b predador - nascimento
c predador - morte
Mas só dois
são
independentes!
Parametrização:
(renormalização
do tempo na a  b  c  1 (*)
Eq. Mestra)
p
p e c: dois novos

Tânia (2010)
parâmetros
independentes
1 c
a   p
2
1 c
b   p
2

Tânia Tomé IFUSP: Segunda aula Salvador


juhlo de 2010 46
Aproximação de Campo Médio de Pares (CMP)

(*)

P(102)  P(1 02) P(02)  P(1 0) P(02)  P(10) P(02) / P(0)

Para o modelo predador-presa: 5 equações independentes.

Tânia Tomé IFUSP: Segunda aula Salvador


47
juhlo de 2010
Aproximação de campo médio de pares para o modelo predador-presa

(Satulovsky&TT 1994)

u  P(01) v  P(12) w  P(02)

Tânia Tomé IFUSP: Segunda aula Salvador


48
juhlo de 2010
Diagrama de fase:
Campo Médio Pares
A Absorvente de presas
NO Oscilações amortecidas
O Oscilações

Tânia (2010)
Bifurcação de
A Hopf

NO

O
Tânia Tomé IFUSP: Segunda aula Salvador
49
juhlo de 2010
Resultados Predador-Presa: (T. Tomé)
Aproximação de campo médio com pares
Regime com oscilações não-amortecidas e estáveis!

tempo
Densidade de presa
Ciclos Estáveis

Tânia (2010)
a presa - nascimento
a=b=0.492 c=0.016 b predador - nascimento
c predador – morte
Tânia Tomé IFUSP: Segunda aula Salvador
50
juhlo de 2010
Simulações de Monte Carlo

Redes quadradas regulares


com N=L x L sítios.
Tânia (2010)

Estado Absorvente de presas :


rede completamente preenchida por presas

Estados ativos:
coexistência das duas espécies

Tânia Tomé IFUSP: Segunda aula Salvador


51
juhlo de 2010
Diagrama de fases / Simulações de Monte Carlo (de carvalho & TT 2006)

Modelo anisotrópico (não está sendo


discutido aqui)
Predador-presa síncrono
Predador-presa assíncrono
Tânia (2010)

Modelo de Contato

Tânia Tomé IFUSP: Segunda aula Salvador


52
juhlo de 2010
Tânia (2010)
Tânia (2010)

Estados ativos com comportamento oscilatório

DE Carvalho & TT (2006)


Epectro de potências
para a série temporal
para presas como
densidades

função da frequencia

t
a = b = 0.475 (p =0)
c = 0.05
Carvalho &TT (2006)
Tânia Tomé IFUSP: Segunda aula Salvador

53
juhlo de 2010
Estados ativos sem comportamento oscilatório

Tânia (2010)
densidades

t
a = b = 0.41 (p=0)
c = 0.18

Tânia Tomé IFUSP: Segunda aula Salvador
54
juhlo de 2010
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
de Carvalho & TT
Int. J.Mod. Phys. C (2007).

Tânia Tomé IFUSP: Segunda aula Salvador


55
juhlo de 2010
Padrões
t1 t2  t1  T / 4
Espaciais
&

Tânia (2010)
Oscilações
temporais
Autômato
Predador-
Presa
Azul: presa
Vermelho: predador
Branco: vazio
a = 0,17
b = 0,77
c = 0,06

T = Período
de
Oscilação

de Carvalho & TT (2007)


t3  t1  TTânia/ 2Tomé IFUSP: t4  t1  3T / 4
Segunda aula Salvador
56
juhlo de 2010
Modelo Predador- Presa : Fotografias da rede geradas
a partir da configuração inicial com um único predador
na origem de uma rede coberta por presas
(Arashiro&TT )

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 t = 20000
Tânia Tomé IFUSP: Segunda aula Salvador
57
juhlo de 2010
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

(Arashiro &TT 2007)

Branco: presa
Cluster com atividade Ver.: predador Cluster Crítico
Cinza: vazio
p = 0.3 c = 0.0075 p = 0.3 c = 0.0075
t =500 t =3000
Tânia Tomé IFUSP: Segunda aula Salvador
58
juhlo de 2010
Função de auto-correlação temporal:

cx (t )   {x(t  t´)  x ][ x(t´)  x ] dt´

cx (t )
rx 

Tânia (2010)
cx (0)

Auto-correlação cruzada presa-predador:

cxy (t )   {x(t  t´)  x ][ y (t´)  y ] dt´

cxy (t )
rxy 
cxy (0)

Tânia Tomé IFUSP: Segunda aula Salvador


59
juhlo de 2010
Flutuações no número de lebres e linces versus tempo
Canadá (dados de D. A. MacLulich (1937)) Arashiro et al. PRE (2008).
160 0.8

120 0.4
y
x
9
Azul: (presa)
80 0.0
6
rxy Vermelho: linces
(a) 40
3
-0.4
(predador)
0 -0.8
1845 1860 1875 1890 1905 1920 1935 0 20 40 60 80

t t

0.8
1
(b) Espectro de potencias
0.1

(lebres)

Tânia (2010)
0.4

0.01
rx 0.0 sx
1E-3

-0.4

1E-4
-0.8

1E-5
0 20 40 60 80 0.1 1

t 

1
0.8

0.1
(c) Espectro de potências
0.4

0.01
(linces)
ry 0.0 sy
1E-3
-0.4

1E-4
-0.8

1E-5
Arashiro et al. (2009).
0 20 40 60 80 0.1 1

t 

Tânia Tomé IFUSP: Segunda aula Salvador


60
juhlo de 2010
Arashiro et al. PRE (2008).
Modelo estocástico em reticulado para
Sistema predador-presa c=0.03 b=0.785 a=0.185 (p=0.3)
Densidades de presas e predadores Função de auto-correlação cruzada
0.6

0.8

Tânia (2010)
0.5

0.4
0.4
Densities

0.3
rxy
0.0
0.2

0.1 -0.4

0.0
-0.8
510000 512500 515000 517500 520000 0 5000 10000 15000 20000

t = tempo t t Presa (--)


0.1
Predador (--)
0.8

0.4 1E-5

rx sx
0.0

1E-9

-0.4

-0.8 1E-13
0 5000 10000 15000 20000 0.01 0.1 1

t 

Função de ato-correlação temporal Espectro de potências vs freqüência


Tânia Tomé IFUSP: Segunda aula Salvador
(presas) juhlo de 2010
61
Presa(--) Predador (--) Arashiro et al. PRE (2008).
t = time D=0.9 c=0.25 b=0.675 a=0.075 (p=0.3)

Densidades de presas e predadores Função de auto-correlação cruzada


0.65

0.4
0.60
Densities

0.55
rxy
0.50 0.0

0.08
Arashiro et al. (2009).
-0.4
0.06

500000 502500 505000 507500 510000 0 2000 4000 6000

Tânia (2010)
t t
1E-3

0.8

0.4
sx
rx 1E-8

0.0

-0.4 1E-13
0 2000 4000 6000 0.01 0.1 1
Função de ato-correlação
t
temporal Espectro de potências 
vs frequencia
(presas) Tânia Tomé IFUSP: Segunda aula Salvador
62
juhlo de 2010
Epidemia com imunização – MODELO SIR
(limite do modelo predador-presa para a=0: a modelo SIR)

Tânia (2010)
S

Infection auto-catalítica

R I

Recuperação espontânea

Tânia Tomé IFUSP: Segunda aula Salvador


63
juhlo de 2010
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 64
Modelo SIR assíncrono
c  cc
Rede quadrada regular L=520
Número de sítios R no “cluster”: 51034

Verde: recuperados
Branco: suscetíveis

TT & Ziff (2010)


Tânia Tomé IFUSP 65
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 66


Curves epidêmicas Modelo SIR estocástico e espacialmente
estruturado
Simulações de Monte Carlo (autômato SIR)

Arashiro & TT (em preparação)

Limiar de espalhamento:
r c ~ 0.22

b =1- c =
probabilidade de infecção
r  dZ / dt
Z Number
of recovered
(and immune)
t individuals

Tânia Tomé IFUSP: Segunda aula Salvador


67
juhlo de 2010
Epidemia com imunização
Autômato 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: Segunda aula Salvador
68
juhlo de 2010
Regime: sem espalhamento da
epidemia

t=150

t=50
Vermelho: infectado t=250
Branco: recuperado b  bc
Azul: suscetível
c  0.26  cc
A epidemia cessa.Tânia Tomé IFUSP: Segunda aula Salvador 69
juhlo de 2010
t=100 t=300

Autômato SIR
(Arashiro & TT)
Proximidades do ponto crítico
(limiar de espalhamento da
epidemia)
Vermelho: infectado
Branco: recuperado
Azul: suscetível
Tânia Tomé IFUSP: Segunda aula Salvador
70
t=1600 juhlo de 2010
Modelo SIR - Aproximação de Campo Médio Simples:

x: suscetível y: infectado z:recuperado


densidade densidade densdade

dx
 bxy
dt
dy
 bxy  cy
dt
dz
 cy
dt

A aproximação de campo médio simples para o modelo SIR estocástico e


definido em uma rede fornece as equações (escritas acima). Essas são
as mesmas equações da abordagem determinística para um processo
SIR considerada por Kermack & McKendrik (1927).
Tânia Tomé IFUSP: Segunda aula Salvador
71
juhlo de 2010
Modelo SIR: aproximação de campo médio simples

Condição inicial em t = 0:

x  1 
At time t  0 y    1
z 0
Limiar de
espalhamento
Estados estacionários: da epidemia

bc  1 / 2  cc
Regime de espalhamento da epidemia:
x  0, z  0 and y  0, t  

Regime de não-espalhamento: estado absorvente de suscetíveis:


x  1, t  
Tânia Tomé IFUSP: Segunda aula Salvador
72
juhlo de 2010
Modelo Suscetível – Infectado – Recuperado - Suscetível (SIRS) estocástico
e espacialmente estruturado

Perda de imunidade Infecção auto-catalítica


a b

R I

Recuperação espontânea
c

Tânia Tomé IFUSP: Segunda aula Salvador


73
juhlo de 2010
Modelo Suscetível-Infectado-Recuperado- Suscetível (SIRS) : diagrama de fase
Campo médio simples
David de Souza & TT (2010)

Susceptible
Absorbing

Active
“damped oscillations”
Active
non-osc.

Tânia Tomé IFUSP: Segunda aula Salvador


74
juhlo de 2010
Modelo Suscetível-Infectad-Recuperad (SIRS) : Diagrama de fase
Simulações de Monte Carlo
David de Souza & TT (2010)

Modelo
assíncrono

Modelo SIR
Susceptible
c Absorbing

Tânia Tomé IFUSP: Segunda aula Salvador


75
juhlo de 2010
Modelo SIRS

d
e Inf--Inf
n Inf-Rec
s
i
t
i
e
s

p=0.25 Time lag


c=0.4

Tânia Tomé IFUSP: Segunda aula Salvador


76
juhlo de 2010
Alguns modelos com estados absorventes

1. Processo de contato. Harris (1974)

2. Autômato celular probabilístico de Domany-Kinzel (1984)

3. Modelo Ziff-Gulari-Barshad (1986) ou modleo ZGB para a reação de


oxidação do monóxido de carbono obre uma superfície catalítica.
Resultados experimentais: Ertl (prêmio Nobel de química de 2007)

4.Adsorção sequencial aleatória (RSA) sobre uma superfície.


Evans (1993).
5. Modelos estocásticos para propagações de epidemia do tipo SIR.
Grassberger (1993), e populações biológicas, Durrett & Levin (1994).

6. Modelos para fogos em florestas, Drossel & Schwabl (1993).

7. Modelos estocásticos em reticulados para pilhas de areia.


Múltiplos estados absorventes. Dickman et al (1999, 2002).

Tânia Tomé IFUSP: Segunda aula Salvador


77
juhlo de 2010
Referências
N. G. van Kampen,
Stochastic Processes in Physics and Chemistry, North-Holland, 1981.

Tânia Tomé e Mário José de Oliveira,


Dinâmica estocástica e Irreversibilidade
Editora da Universidade de São Paulo, 2001.

J. Marro and R. Dickman,


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

M. Henkel, H. Hinrichsen, and S. Lübeck, Nonequilibrium


Phase Transitions, vol. 1, Springer, 2008.

T. M. Liggett, Interacting Particle Systems,Springer, 1985.


Grassberger & de la Torre (1979). Ann. Phys. 122, 373 (1979).

Grassberger (1983). Math. Biosc. 63, 157 (1983).

Cardy & Grassberger (1985). J. Phys. A 18, L267 (1985).

Satulovsky & TT (1994). Phys. Rev. E49, 5073 (1994);


J. Math. Biol. 35, 344 (1997).
Tânia Tomé IFUSP 78
Referências

Durrett & Levin (1994). Theor. Popul. Biol. (1994); J. theor. Biol. (2000).

Munõz, Dickman et al. (1999). Phys. Rev. E 59, 6175 (1999).

Hinrichsen (2000). Adv. Phys. 49, 815 (2000).

de Carvalho & TT (2006). Int. J. Mod. Phys. C 17, 1647 (2006).

Arashiro & TT (2007). J. Phys. A 40, 887 (2007).

Arashiro et al. PRE (2008). Phys. Rev. E 77, 061909 (2008).

D. R. de Souza & TT (2010) Physica A 389, 1142 (2010).

TT & Ziff (2010) arXiv/1006.2129 (submetido para publicação).

Tânia Tomé IFUSP 79


Referências
N. T. J. Bayley, The Mathematical Theory of Epidemics , Hafner, 1957.

R. M. Nisbet and W. C. S. Gurney, Modelling Fluctuating Populations, 1982.

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

R. E. Ricklefs and G. L. Miller Ecology, Freeman, 2000.

A. Hastings, Population Biology: Concepts and Models, Springer, 1996.

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


Princeton University Press, 2008.

A . Lotka, Elements of Mathematical Biology, Dover, 1924.

V. Volterra Leçons sur la Théorie Mathématique de la Lutte pour la Vie, Gauthier-Villars,


1931.

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

D. A. MacLulich, Univ. Toronto Stud. Biol. 43, 1 (1937).

C. B. Huffaker, Hilgardia 27, 343 (1958).


Tânia Tomé IFUSP 80
FIM

Tânia Tomé IFUSP: Segunda aula Salvador


81
juhlo de 2010
Apêndice: Campo médio dinâmico
Sistemas de partículas interagentes definidos em reticulados e
evoluindo de acordo com uma dinâmica estocástica
As equações de evolução temporal as correlações de um
determinado número de sítios envolvem correlações associadas a
aglomerados com um maior número de sítios.

Exemplo:

d Conjunto infinito de equações


 0   F1 (   0  ,   0 1 ,...) de evolução acopladas para as
dt
correlações
d
  0  1   F2 (   0  ,   0 1 ,   0 1  2 )
dt
d
  0  1   F3 (   0  ,   0 1 ,   0 1  2 ,   0 1  2 3 ,...)
dt
d
  0  1 2  3   ...........
dt
... Aproximação de campo médio dinâmico
Tânia Tomé IFUSP: Segunda aula Salvador
.... juhlo de 2010
82
Truncamento da hierarquia de equações:
Aproximação de campo médio dinâmico incluindo correlações.

Seja um aglomerado de sítios vizinhos C composto por um “núcleo” A e por


“uma borda” B.

Probabilidade de uma configuração C {i , i C }


P( C )  P(B , A )  P(B | A ) P(B , A )

P(B | A ) = Probabilidade condicional da configuração B {i , i  B }


dos sítios que compõem o aglomerado B dada a configuração A {i , i  A}
dos sítios que compõem o aglomerado central A .

Tânia Tomé IFUSP: Segunda aula Salvador


83
juhlo de 2010
Ilustração:

4 5 A

6 2 1 3 C

8 7 B

Tânia Tomé IFUSP: Segunda aula Salvador


84
juhlo de 2010
Aproximação de campo médio dinâmico

Aproximação é feita sobre a probabilidade condicional P(B | A )


Desprezamos as correlações entre os sítios de B

P(B | A )   P(i | A )
iB

B {i , i  B }
P(i ,  A )
Mas: P(i | A )  A {i , i  A}
P(  A )
Então:

P( C )  P( A ) P( B | A )   P(i | A )


iB
Tânia Tomé IFUSP: Segunda aula Salvador
85
juhlo de 2010
Truncamento da hierarquia de equações:
Aproximação de campo médio dinâmico incluindo correlações de pares de
sítios vizinhos:

Seja o aglomerado de sítios vizinhos:

4 Sítio central

6  2 1
8

     P   P    
 
4
P 6  2 1 
P  2 P6 2 P 4 2 8 2 1 2

8 P  2  P  2  P  2  P  2 

 
4
6  2 1 Só a correlação do sítio 6 com o
central 2 é levada em conta.
8 Tânia Tomé IFUSP: Segunda aula Salvador
86
juhlo de 2010
Aproximação de campo médio dinâmico

Aproximação é feita sobre a probabilidade condicional P(B | A )


Desprezamos as correlações entre os sítios de B

P(B | A )   P(i | A )
iB

B {i , i  B }
P(i ,  A )
Mas: P(i | A )  A {i , i  A}
P(  A )

P( C )  P( A ) P( B | A )   P(i | A )


Então:

iB

Tânia Tomé IFUSP: Segunda aula Salvador


juhlo de 2010 87