Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
En este informe se presenta un estudio sobre el comportamiento de la luz en sistemas het-
erogéneos no uniformes. Enfocaremos nuestro estudio en entender la dinámica de los vuelos y
su relación con las propiedades estadı́sticas del sistema.
Abordamos de manera introductoria los vuelos de Lévy y su relación con sistemas ópticos
uniformes. Para enteder el comportamiento de los vuelos, se presenta un análisis de su resul-
tante en sistemas uniformes y no unifomes. Después, estimamos el promedio de muestra y de
ensamble para analizar su ergodicidad. También se presenta un estudio de un sistema donde
las propiedades ópticas cambian dinámicamente. Todos estos cálculos se llevan a cabo usando
el método de Monte Carlo.
Los resultados muestran que a pesar de que consideremos un sistema donde las propiedades
estadı́stica de los vuelos tiene un comportamiento gausiano, se puede llegar a tener un compor-
tamiento no gausiano (por ejemplo, tipo Lévy). También encontramos que un sistema con una
estadı́stica no gaussiana no será ergodico, de manera que el promedio de ensamble y muestra
serán diferentes. Además en un sistema donde las propiedades ópticas cambian dinámicamente
se puede llegar a tener variaciones notables en las propiedades ópticas de reflectancia y trasmi-
tancia, sin embargo, es importante conocer las propiedades estadı́sticas del sistema porque de
esto dependerá si es ergodico o no.
∗
eteran@uas.edu.mx
1
ANTECEDENTES
Un medio no homogéneo se caracteriza por que sus propiedades ópticas no son con-
tantes en todo el sistema. Sin embargo, generalmente se parte de la suposición que las
inomogeneidades están distribuidas uniformemente. Ahora bien, en un sistema donde
las partı́culas están distribuidas uniformemente es posible asignar al sistema cantidades
ópticas promedio. En general, la mayorı́a de los modelos teóricos para estudiar sistemas
no homogéneos parten de esta suposición. Sin embargo, muchos de estos sistemas –por
ejemplo, los compuestos por una suspención de pinturas– tienden a formar cúmulos o re-
giones donde las partı́culas se congregan, lo que rompe la suposición de uniformidad (ver
Figura 1). Esta clase de sistemas desordenados (en fı́sica de partı́culas se conocen como
medios superdifusivos) han despertado un gran interés en diferentes áreas de la ciencia,
por ejemplo, la fı́sica de partı́culas, la óptica de pinturas, etc.
Debido a la complejidad de los sistemas no homogéneos, una forma de caracterizarlos
es asignandole ciertas propiedades estadı́sticas. Una propiedad muy importante es el
coeficiente de interacción [cm−1 ], el cual se puede escribir como,
µt = ρCt , (1)
2
parámetro es constante, al igual que la densidad y las secciones transversales del medio.
No obstante, como lo mencionamos anteriormente, esto no siempre se cumple debido a la
no uniformidad del medio.
En una primera aproximación, podemos pensar que un medio no uniforme puede presen-
tarse en dos situaciones: un medio con variaciones en ρ y otro con variaciones en Ct . En
el primer caso podemos pensar que el medio está compuesto por partı́culas del mismo
tamano óptico, pero congregadas en regiones muy pequenas, lo que provoca una fluc-
tuación de la densidad en el medio. En el otro caso, podemos imaginar que las partı́culas
están bien dispersas en el medio, pero tienen una distribución de tamanos. Más adelante
veremos, que estadı́sticamente estos dos sistemas son equivalentes.
En general, en un medio no uniforme tenemos variaciones simultanenas de la densidad y
del tamano óptico, por lo que modelarlo ópticamente se complica.
Vuelos de Lévy
Una de las distribuciones de Lévy más sencillas es la de Cauchy estándar, que se puede
escribir como,
1 1
P (x) = . (2)
π 1 + x2
La función de Lévy tipo Lorentizano es una aproximación a la ecuación anterior y se
escribe como,
1
P (x) ∼ , (3)
x2
que tiene sentido para valores de x 1 en la ecuación (2), los momentos de esta dis-
tribución divergen, lo que significa que el promedio sobre la ecuación (53) no deben llevarse
a cabo sobre toda la muestra.
3
FIG. 2. Trajectorias de caminos aleatorios. (a) Camino aleatorio en un medio uniforme. (b)
Camino aleatorio de Lévy.
donde < µt > es el coeficiente de interacción del sistema y es contante a lo largo de él.
El coeficiente de interacción está definido como,
donde < Ct >=< Ca > + < Cs > denota la suma del coeficiente de esparcimiento y
absorción y < ρ > denota la densidad promedio del sistema.
En un medio uniforme este parámetro no cambia en el medio y su valor nos permite
estimar directamente la distribución de vuelos de los fotones con la ecuación (4). Sin
embargo, en un sistema no uniforme las variaciones de este parámetro son arbitrarias,
esto produce que la ecuación (4) tenga que considerar estas variaciones aleatorias del
parámetro µt .
Ahora, el coeficiente de interacción se puede escribir como,
Z
< µt >= mt P (mt )dmt , (6)
4
donde mt es función de la densidad y tamano óptico local,
mt = ρCt . (7)
esto implica que la PDF para los desplazamientos está dada por,
Z
P (s) = P (s, mt )dmt ,
Z
= P (s|mt )P (mt )dmt . (8)
donde
P (s|mt ) = mt exp(−mt s). (9)
donde < ρ > es una constante y P (Ct ) es la PDF de la sección transversal de extinción.
Esto nos lleva a tener que la ecuación (11) se puede escribir como,
Z
P (s) = P (s|Ct )P (Ct )dCt . (11)
5
FIG. 3. Función de densidad de probabilidad delta de Dirac para definir los cambios en las
secciones transversales de extinción.
O bien,
a b
P (s) = µt1 exp(−µt1 s) + µt2 exp(−µt2 s). (14)
a+b a+b
donde µt1 =< ρ > Ct1 y µt2 =< ρ > Ct2 . El primer momento de esta distribución es,
Z ∞
<s>= sPS (s)ds
0
Z ∞ Z ∞
a b
= µt1 s exp(µt1 s)ds + µt2 s exp(µt2 s)ds
a+b 0 a+b 0
a 1 b 1
= + , (15)
a + b µt1 a + b µt2
Por otro lado, para un medio con una distribución de partı́culas tipo exponencial negativo
tenemos que la PDF para Ct se puede escribir como,
6
FIG. 4. Comparación de las funciones de densidad de probabilidad definidas por las ecuaciones
(14) y (19). La curva azul solida representa la distribución para los vuelos regidos por una
variaci´on en µt tipo delta. La curva roja punteada la distribución para la exponencial negativa.
β<ρ>
P (s) = . (18)
(< ρ > s + β)2
donde Ke = β/ < ρ >. En este caso tenemos un vuelo de Lévy Lorentziano [2], como se
muestra en la ecuación (3). Vale la pena notar que la PDF definida por la ecuación (19)
no tiene ningún momento definido, a diferencia de la PDF tipo delta [ecuación (14)].
La Figura 4 muestra una comparación entre las ecuaciones (14) y (19). Las curvas fueron
escaladas apropiadamente para poder hacer la comparación. Podemos ver que las curvas
tienen un comportamiento un tanto similar, es decir, las dos caen rápidamente y tienen
7
FIG. 5. (a) Diagrama en dos dimensiones de la resultante S de los vuelos. (b) Mapa de absorción
del medio definido en la Tabla I.
un cola larga, lo cual resulta un poco confuso debido a que una de ellas describe un vuelo
de Lévy, pero la otra no.
Recordemos que para los vuelos de Lévy no existe el promedio sobre el sistema, pero
la ecuación (14) tiene un promedio, aunque aparentemente tendrá un comportamiento
similar al sistema tipo Lévy. Para entender que es lo que está pasando, a continuación
estudiaremos la resultante de los vuelos, al considerar tres tipos de PDF para modelar las
variaciones de µt en el medio: constante, delta y exponencial negativa.
LA RESULTANTE DE N VUELOS
Los caminos aleatorios describen trayectorias en base a cierta ley de desplazamientos que
determina la longitud de los vuelos (ver Figura 5.a). Para un sistema no homogéneo
uniforme esta función está descrita por la ecuación (4), una exponencial negativa, la cual
depende de las propiedades ópticas del medio: coeficiente de esparcimiento µs y absorción
µa .
La distancia del origen al punto final del recorrido define la resultante S con componentes
8
FIG. 6. Convolución de PDF exponencial negativas.
donde sx,i = Ax,i cos θi y Ax,i y θi son variables aleatorias que definen la amplitud y
ángulo de esparcimiento. Si suponemos que las variables aleatoria sx,i son independientes
y cada una de ellas tiene asociada una probabilidad Pi (sx,i ) entonces la PDF de sx será
la convolución de las n variable aleatorias,
la cual según el teorema central de lı́mite tiende a una gausiana. La Figura 6 ilustra tres
casos de convolución de variables aleatorias, las cuales tienen una PDF tipo exponencial
negativa, podemos ver que para 10 convoluciones ya tenemos una buena aproximación a
una gausiana. Más adelante veremos que independientemente de la PDF seleccionada,
con un número suficientemente grande de pasos tendremos la convergencia a la gausiana.
9
TABLE I. Parámetros del sistem donde se realizaron cálculos de Monte Carlo suponiendo que
µt = µa + µs no es uniforme.
sup. 1.4
inf. 1.4
10
FIG. 7. Histograma de las componentes sx , sy , y sz de la resultante de los caminos aleatorios.
11
FIG. 8. Histograma de la resultante de los caminos aleatorios S y su cuadrado S 2 .
12
esparcimiento tiene la forma,
a b
Pδ (x) = δ(x − x1 ) + δ(x − x2 ) (23)
a+b a+b
a b
P (s) = µt1 exp(−µt1 s) + µt2 exp(−µt2 s). (24)
a+b a+b
donde µt1 = α < ρ > Ct1 y µt2 = (2 − α) < ρ > Ct2 . El valor de α determina la separación
entre las deltas y esto a su vez la longitud de los vuelos, el valor de a la probabilidad de
que los vuelos sean cortos (a ≈ 0) o largos (a ≈ 1).
La Figura 9 muestra el histograma de las componentes x, y y z de la resultante S después
de 10 vuelos. En este caso se considero que las variaciones en µt están regidas por una
distribución del tipo delta de Dirac. Las lineas verticales azules representan las barras
del histograma y las curvas rojas la función gausiana que mejor se ajusta al perfil del
histograma. Esta gráfica se generaró tomando a = 0.1 y α = 0.1 en la ecuación (23), esto
significa que es más probable que ocurran pasos cortos que largos (a = 0.1 y b = 0.9),
además el valor α = 0.1 implica que la diferencia entre los valores que tomen las deltas
de la ecuación (23) serán grandes y por lo tanto los vuelos abruptos. También se hicieron
cálculos para otros valores de a y α pero no se presentan las gráficas.
La Figura 9 muestra el histograma de las tres componentes de S, las cuales –a diferencia
del caso anterior– no logran ajustarse a un perfil gausiano, como se puede ver en la colas
de la campana, donde el histograma es mayor, lo que pone en evidencia una discrepancia
con el Teorema del Lı́mite Central. Cabe mencionar que para valores más grandes de α
este comportamientos es diferente, debido a que las deltas se aproximan y los vuelos son
más uniformes.
Por ejemplo, los resultados para α = 0.5 –que no se muestran este este informe– muestran
que las componentes de S tienen una comportamiento gausiano, similar, al que se muestra
13
FIG. 9. Histograma de las componentes sx , sy , y sz de la resultante de los caminos aleatorios,
al considerar una PDF tipo delta de Dirac para las variaciones en µt . Se tomaron valores de
a = 0.1 y α = 0.1 en la ecuación (23).
14
FIG. 10. Histograma de las componentes sx , sy , y sz de la resultante de los caminos aleatorios
para 10 vuelos.
distribución del tipo exponencial negativa, ver ecuación (26). Las lineas verticales azules
representan las barras del histograma y las curvas rojas la función gausiana que mejor
se ajusta a su ancho. Podemos ver claramente que los histogramas de las componentes
x, y y z de S no se ajustan a un perfil gausiano, como se puede apreciar claramente
en la colas de la campana donde los valores del histograma son notablemente mayores.
También podemos ver que el intervalo de valores que toman estas componentes es mayor
que el intervalo que toman los valores de la Figura 7, lo que indica fluctuaciones mucho
más grandes en los vuelos, que pueden llegar a ser hasta un orden de magnitud más
grandes. Esto no es de extranar porque las PDF tipo Lévy por naturaleza son estadsticas
no gausianas. Sin embargo, veamos que sucede cuando aumentamos el nḿuero de vuelos
para estimar la resultante, esto es equivalente a hacer un número mayor de convoluciones.
La Figura 11 muestra el histograma de las componentes x, y y z de la resultante S
después de 1, 000 vuelos. En este caso también se considero que las variaciones en µt
15
FIG. 11. Histograma de las componentes sx , sy , y sz de la resultante de los caminos aleatorios
para 1, 000 vuelos.
están regidas por una distribución del tipo exponencial negativa, pero el comportamiento
del histograma es muy diferente, ahora, las tres componentes se ajustan muy bien a curvas
de tipo gausiano.
Los resultados anteriores muestran que en un medio donde ocurre un número suficiente-
mente grande de vuelos tendrá una comportamiento consistente con el Teorema del Lı́mite
Central.
Un sistema que no es consitente con el Teorema del Lı́mite Central tiene implicaciones
de diversa ı́ndole, una de ellas tiene que ver con sus propiedades de ergodicidad y esta-
cionariedad.
16
PROMEDIO DE MUESTRA Y DE ENSAMBLE
TABLE II. Los cálculos Monte Carlo se llevaron cabo sobre el medio 1 y sobre el medio 2
independientemente. En cada caso los coeficientes de absoción (µa = 0.003cm−1 ) y esparcimiento
(µs = 1864cm−1 ) del medio cambian a partir del parámetro α de la ecuación (??).
sup. 1.4
inf. 1.4
17
FIG. 12. Promedio de ensamble sobre un sistema descrito por la Tabla II. Se realizaron n
corridas de Monte Carlo permutando los coeficientes de absorción y esparcimiento según una
distribución descrita por la ecuación (27) para α = 0.4. La lı́nea <> representa el cálculo con
las propiedades promedio: < µa >= 0.003cm−1 y < µs >= 1864cm−1 , el resto de las curvas los
ensambles para diferentes valores de a.
por la ecuación (27) para α = 0.4 y diferentes valores de a. Sobre el eje horizontal
vemos el número de corridas por ensamble y sobre el eje vertical la reflectancia (a) y
trasmitancia (b). Las curvas de colores representan los ensambles para diferentes val-
ores de a, la lı́nea negra denotada por el sı́mbolo <> representa los resultados de la
simulación de Monte Carlo para las propiedades promedio: < µa >= 0.003 cm−1 y
< µs >= 1864 cm−1 .
Podemos ver que la reflectancia y transmitancia del sistema con las propiedades promedio
sólo coincide con el promedio de ensamble de a = 0.4. Además podemos ver que este
sistema no es ergodico debido a que no cumple que el promedio de muestra sea igual al
promedio de ensamble.
Para un medio donde las propiedades pticas no son uniformes, el parámetro µt se vuelve
una función de la posición y depende de las posibles variaciones de ρ y Ct . Definimos el
18
coeficiente local de interacción como,
donde P (ms ) es la función de densidad de probabilidad (PDF, por sus siglas en inglés)
del coeficiente de interacción local.
Podemos ver de la ecuación (28) que la variable aleatoria mt depende de los valores que
tomen ρ y Ct . En una primera aproximación podemos suponer que uno de estos dos
parámetros es constante. Por ejemplo, consideremos un sistema donde las partı́culas
no cambian su tamano óptico Ct = cte, pero tiene variaciones en la densidad (ρ). En
este sistema tendremos regiones donde las partı́culas forman cúmulos, que rompen su
uniformidad (ver Figura 1).
La PDF para los desplazamientos está dada por,
Z
P (s) = P (s, mt )dmt ,
Z
= P (s|mt )P (mt )dmt (30)
19
donde P (ρ) es la PDF de la densidad (ρ) de partı́culas en el sistema y Ct es la sección de
interacción (o extinción) del medio.
Empezaremos definiendo las propiedades de un medio hipotético, que nos permitirá definir
una PDF para las densidades P (ρ) y ası́ estimar la PDF resultante para los pasos P (s)
del fóton dentro del medio.
Como primer caso supondremos que el medio está constituido por dos tipos de regiones
con densidades ρ1 y ρ2 . La generalización a un número mayor de regiones no es difı́cil,
pero por claridad trabajaremos sólo con dos. Las partı́culas en estas regiones satisfacen
que la suma de sus densidades es igual a la densidad promedio del sistema,
ρ1 + ρ2
=< ρ > . (32)
2
donde
ρ1 = α < ρ > y ρ2 = β < ρ >, (33)
α+β
= 1, (34)
2
N = N1 + N2 , (35)
20
donde N1 es el número de partı́culas en la región 1 y N2 es el número de partı́culas en la
región 2. Definimos,
N1 = aN, (36)
y
N2 = bN, (37)
a b
pδ (x) = δ (x − x1 ) + δ (x − x2 ) , (39)
a+b a+b
donde x = ρ/ < ρ > es una cantidad dimensional, si interpretamos esta ecuación como
una PDF entonces a/(a + b) define la probabilidad de que x = x1 y b/(a + b) de que
x = x2 –por la misma definición de la función delta de Dirac δ( )– cualquier otro punto
de x tiene una probabilidad nula de ocurrir. La ecuación anterior nos permite definir la
PDF para la densidad ρ como,
pδ (x)
Pδ (ρ) =
<ρ>
a b
= δ (ρ − ρ1 ) + δ (ρ − ρ2 ) , (40)
a+b a+b
21
ρ2 , y estas a su vez –ver ecuaciones (34) y (33)– son una función de α (la proporción de
densidad de la región 1),
esto nos permite escribir las densidades en términos de un sólo parámetro. Podemos
verificar que P (ρ) es una PDF válida debido a que,
Z
P (ρ)dρ = 1. (42)
donde P (s, ρ) es la PDF conjunta de las variables aleatorias s y ρ, y está definida como
el producto de,
P (s|ρ) = ρCt exp(−ρCt s), (44)
22
FIG. 13. Histograma de la resultante los vuelos para una PDF que es una suma de deltas de
Dirac.
Debido a que la ecuación (47) está definida como la suma de dos funciones de densidad
exponencial negativa, el promedio existe y tiene un valor de,
a 1 b 1
< s >= + , (49)
a + b Ct ρ1 a + b Ct ρ2
por lo que está función de densidad no es de Lévy, a pesar de que es una PDF con cola
larga (ver Figura 4). Sin embargo, veremos más adelante que un medio de este tipo nos
permitirá modelar un sistema donde ocurren vuelos de Lévy cuando s 1.
Ahora consideremos un sistema donde la densidad de las partı́culas sigue una distribución
exponencial negativa, en este caso la PDF se puede escribir como,
23
donde Ke = β/Ct . En este caso tenemos un vuelo de Lévy Lorentziano [2].
La figura 4 muestra una comparación entre las PDF obtenidas cuando tenemos un medio
con densidades tipo δ y tipo exponencial negativo. Las tres curvas tienden a tener un
comportamiento asintotico, aunque podemos ver que la curva negra cae más rapidamente
que las otras dos. A simple vista las tres curvas parecen representar un mismo tipo de
eventos, sin embargo, representan situaciones muy diferentes.
Con las PDF definidas por las ecuaciones (47) y (53) es posible generar los números
aleatorios para los pasos. Sin embargo, su forma no es sencilla y tendramos que usar un
método sofisticado, como el método del rechazo, para generarlos. Una forma alternativa
de obtener estos números aleatorios, sencilla y rápida, es generando un número aleatorio
para ρ y después otro número aleatorio para s. Los números aleatorios para ρ se generan
usando una distribución uniforme entre 0 y 1, con la cual se genera un valor u1 , después
preguntamos si u1 ≤ a, si es menor entonces ρ = ρ1 sino ρ = ρ2 . La distribución uniforme
es fácil de generar porque todos los lenguajes de programación la tienen.
Para generar los números aleatorios de s usamos el método de la transformación. Este
método generá números aleatorios a través de una distribución uniforme y una PDF
derivable e invertible, como la exponencial negativa. La ventaja de este método es que se
obtiene una función analitica, que en este caso tiene la forma,
1 ln(u2 )
s= , (54)
Ct ρ
24
FIG. 14. Función de densidad de probabilidad marginal p(y) y los valores aleatorios de los
desplazamientos generados con la simulación de Monte Carlo. La curva punteada se genera con
la PDF definida por la ecuación (??) y los valores l∗ = 1/µt = 5.35 µm. Las barras verticales
representan el histrograma de los recorridos hechos por la simulación de Monte Carlo para el
mismo valor de l∗ .
ajusta perfectamente al histograma, lo que nos permite tener confianza en que el método
numérico que usamos y la forma en la que dedujimos P (s) son consistentes entre sı́.
La figura 16 muestra los resultados de Monte Carlo para un medio donde los caminos
aleatorios están determinados por una PDF definida por la ecuación (47).
Las conclusiones del siguiente análisis se pueden aplicar a un sistema donde ρ = cte. y
tenemos variaciones en los tamanos ópticos de las partı́culas (Ct ).
25
FIG. 15. Reflectancia y transmitancia obtenida con la simulación de Monte Carlo considerando
para los desplazamientos una PDF delta de Dirac, ver ecuación (66). Las curvas sólidas repre-
sentan la transmitancia y las punteadas la reflectancia.
Ct = Cs + Ca (55)
26
en este caso la PDF resultante está dada por,
Z Z
P (mt ) = P (ρ)P (Ct )δ(mt − ρCt )dρdCt . (60)
27
FIG. 16. Histograma de los valores de Monte Carlo para un sistema donde hay variaciones en la
densidad ρ y la sección transversal de extinción Ct . La curva azul representa la PDF que genera
los números aleatorios del histograma, ecuación (64).
Si suponemos que las partı́culas tienen una forma que sigue una función de densidad delta
de Dirac,
c d
P (ρ) = δ (ρ − ρ1 ) + δ(ρ − ρ2 ). (66)
c+d c+d
28
donde δ( )es la función delta de Dirac. Después de que una integral es realizada,
Z ∞
αc
P (mt ) = exp(−αCt )δ (mt /ρ1 − Ct ) dCt
(c + d)ρ1 0
Z ∞
αd
+ exp(−αCt )δ (mt /ρ2 − Ct ) dCt , (69)
(c + d)ρ2 0
resolvemos las integrales y tenemos,
αc αd
P (mt ) = exp(−αmt /ρ1 ) + exp(−αmt /ρ2 ) (70)
(c + d)ρ1 (c + d)ρ2
La media es,
Z
< mt > = mt P (mt )dmt
Z Z
cα α dα α
= mt exp − mt dmt + mt exp − mt dmt
(c + d)ρ1 ρ1 (c + d)ρ2 ρ2
cρ1 dρ2
= + . (71)
(c + d)α (c + d)α
Por lo que esta función de densidad no representa un vuelo de Lévy.
En el caso de tener que tanto la densidad ρ como el tamano óptico Ct siguen una dis-
tribución exponencial negativa, tenemos,
y
P (Ct ) = α exp(−αCt ), (73)
donde δ( )es la función delta de Dirac. Después de que una integral es realizada,
Z
1 βmt
P (mt ) = βα exp −αx − dx. (75)
x x
29
FIG. 17. Cálculos Monte Carlo usando un función de densidad de probabilidad tipo delta para
la densidad y delta para las secciones transversales, ver ecuación (64).
Esta integral es una representación de una función Bessel modificada de orden-cero del
segundo tipo de manera que [3],
p
P (mt ) = βαKo (2 αβmt ), (78)
La Figura 17 muestra los resultados de cálculos Monte Carlo usando la PDF definida
por la ecuación (64). La superficie superior representa la reflectancia y la inferior la
transmitancia, para el porcentaje de densidad de la región 1 tiene un valor de a = 0.1 y
el porcentaje de tamanos de partı́culas pequenas es c = 0.1. La separación entre las dos
regiones de densidad (α1 ) se tomaron de 0.1 ≤ α1 ≤ 1, similarmente, se considero que la
separación entre las dos regiones de densidad se tomaron de 0.1 ≤ α2 ≤ 1.
30
FIG. 18. Cálculos Monte Carlo usando un función de densidad de probabilidad tipo delta para
la densidad y delta para las secciones transversales, ver ecuación (64).
La Figura 17.a muestra una situación donde tenemos una baja probabilidad de que haya
regiones con densidades pequenas y una baja probabilidad de que haya partćulas pe-
quenas. En este caso hay una marcada diferencia entre los valoroes de reflectancia y
transmitancia. Sin embargo, no hay una muy fuerte dependencia de estos parámetros
con los valores de α1 y α2 . La situación es muy diferente en el caso opuesto, una alta
probabilidad de regiones de baja densidad y partáculas pequeas, como ilustra la Figura
17.b.
CONCLUSIONES
Los resultados muestran que a pesar de que consideremos un sistema donde las propiedades
estadı́stica de los vuelos tiene un comportamiento gausiano, se puede llegar a tener un
comportamiento tipo Lévy (no gausiano). El caso contrario también es posible, que un
sistema con una estadı́stica no gausiana se comporte como uno uniforme. Esto último
depende del número de vuelos permitidos en el medio, es decir, en un medio ópticamente
grueso (µt d 1), a pesar de que la estadı́stica sea tipo Lévy, tenderá a tener un compor-
tamiento gaussiano. También encontramos que un sistema con una estadı́stica no gaus-
siana no será ergodico, de manera que el promedio de ensamble y muestra serán diferentes.
En un sistema donde las propiedades ópticas cambian dinámicamente se puede llegar a
31
tener variaciones notables en las propiedades ópticas de reflectancia y trasmitancia, sin
embargo, es importante conocer las propiedades estadı́sticas del sistema porque de esto
dependerá si es ergodico o no.
Es importante notar, que las variaciones de
[1] S. Chandrasekhar, ”Stochastic Problems in Physics and Astronomy”, Rev. Mod. Phys. 15,
189 (1943)
[2] Pereira,E.,Martinho,J.M.G., and Berberan-Santos, M.N. 2004. ”Photon trajectories in inco-
herent atomic radiation trapping as Lévy flights”. Physical Review Letters, 93, 120201
[3] K. O’Donnell, ”Speckle statistics of doubly scattered light,” J. Opt. Soc. Am. 72, 1459-1463
(1982).
32