Caminos aleatorios en sistemas ópticos desordenados

Emiliano Terán Bobadilla∗

Departamento de Fı́sica
Universidad Autónoma de Sinaloa

Eugenio Rafael Méndez Méndez

Departamento de Óptica
Centro de Investigación Cientı́fica y de Educación Superior de Ensenada
(Dated: May 10, 2015)

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)

donde ρ es la densidad del medio [cm−3 ] y Ct la sección transversal de interacción promedio

de las partı́culas [cm2 ]. Podemos ver que las variaciones en µt dependen de los cambio
en la densidad (ρ) o el tamano de las partı́culas (Ct ). Generalmente se supone que este

FIG. 1. Medios no homogéneos con una distribución de partı́culas uniforme (a) y

no uniforme (b).

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.

Vuelos en un sistema unifome y en otro desordenado

En un sistema donde las propiedades ópticas están uniformemente distribuidas en el

medio, los vuelos están dados por una PDF que tiene una forma de exponencial neg-

3
FIG. 2. Trajectorias de caminos aleatorios. (a) Camino aleatorio en un medio uniforme. (b)
Camino aleatorio de Lévy.

ativa, que se puede escribir como,

P (s) =< µt > exp(− < µt > s), (4)

donde < µt > es el coeficiente de interacción del sistema y es contante a lo largo de él.
El coeficiente de interacción está definido como,

< µt >=< ρ >< Ct >, (5)

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)

En general las variaciones en mt dependen de la densidad (ρ) y la sección trasversal de

extinción (Ct ). Sin embargo, por sencillez, supondremos que las variaciones en mt son
sólo consecuencia de las variaciones del tamano óptico de las partı́culas, es decir,
Z
< µt >=< ρ > Ct P (Ct )dCt . (10)

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)

En el caso de que la sección transversal de extinción (Ct ) tenga un comportamiento tipo

delta, es decir, que aleatoriamente tome sólo dos tipos de valores, podemos escribir la
siguiente expresión,
a b
P (Ct ) = δ(Ct − Ct1 ) + δ(Ct − Ct2 ). (12)
a+b a+b
donde a representa la probabilidad de que ocurra Ct1 = α < Ct >, b = 1 − a representa la
probabilidad de que ocurra Ct2 = (2 − α) < Ct > y la magnitud de α determina la sepa-
ración entre las deltas, cualquier otro punto diferente de Ct1 o Ct2 tiene una probabilidad
nula.
Los vuelos para esta PDF se puede estimar con la ecuaciones (9), (11) y (12) y está dada
por,
Z  
(−<ρ>Ct )a b
P (s) = < ρ > Ct e δ(Ct − Ct1 ) + δ(Ct − Ct2 ) dCt ,
a+b a+b
a b
= < ρ > Ct1 e−<ρ>Ct1 s + < ρ > Ct2 e−<ρ>Ct2 s . (13)
a+b a+b

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,

P (Ct ) = β exp(−βCt ), (16)

1
donde β = y < Ct > es la sección trasversal de extinción promedio del sistema.
< Ct >
Similarmente que en el caso anterior, de las ecuaciones (9), (11) y (16) tenemos que la
PDF de los vuelos estará dada por,
Z ∞
P (s) = [< ρ > Ct exp(− < ρ > Ct s)] [β exp(−βρ)] dCt
0
Z ∞
=β<ρ> Ct exp [−(< ρ > s + β)Ct ] dCt . (17)
0

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.

Resolvemos la integral y tenemos,

β<ρ>
P (s) = . (18)
(< ρ > s + β)2

Reescribiendo la ecuación anterior en términos de s0 (= s + β/ < ρ >),

 
 ds 
Pe (s0 ) = p(s) 0 ,
ds
Ke
= 0 2, (19)
(s )

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.

sx , sy y sz en cada uno de los ejes coordenados cartesianos. O bien,

q
S= s2x + s2y + s2z . (20)

Las componentes de la resultante represneann la suma total de la proyección de cada uno

de los vuelos en su respectivo eje coordenado, por ejemplo, la componente x puede ser
escrita como
X X
sx = sx,i = Ax,i cos θi (21)
i i

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,

P (sx ) = Psx1+···+sxn (x) = Psx1 ? · · · ? Psxn (x) (22)

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.

capa n [-] µa [cm−1 ] µs [cm−1 ] g [-] d [cm]

sup. 1.4

medio 1.4 0.003 1867 0.4 10

inf. 1.4

Sin embargo, es importante mencionar que para un medio no uniforme la convergencia de

la convolución puede diferir de una gaussiana.
A continuación presentaremos un estudio con tres diferentes PDF para entender el com-
portamiento de un sistema donde ocurren eventos que aparentemente no están dentro
del régimen gausiano. Consideraremos tres casos, (i) en el primero –que nos servirá de
referencia– supondremos que el coeficiente de interacción del medio (µt ) es constante y
uniforme a lo largo de todo el sistema. (ii) En el segundo caso, partiremos de la su-
posición de que las variaciones de µt son consecuencia de Ct y estarán regidas por una
PDF tipo delta de Dirac. (iii) En el último caso, una PDF tipo exponencial negativa
determinará los cambios del coeficiente de interacción en el medio. Para cada uno de los
casos consideraremos las PDF’s para los vuelos definidas por las ecuaciones (4), (14), y
(19), respectivamente.
La Tabla I define los parámetros del medio hipotético que estudiaremos. Suponemos que el
medio es altamente esparcidor (µs = 1867 cm−1 ) y con baja absorción (µa = 0.003 cm−1 ),
además, lo definimos como un medio ópticamente grueso (µt d  1), de manera que
ocurrirán un gran número de interacciones antes de que el fotón se pierda (ver Figura 5.b).
Para simplificar el sistema supusimos que el ı́ndice de refracción no cambia, lo que podemos
visualizar como si estuviéramos inmersos en el medio.
Los cálculos se harán usando la simulación MCML (Monte Carlo Multi Layered, por sus
siglas en inglés) y los valores de la Tabla I. Para favorecer la evolución de los vuelos
desplazamos el punto de interacción inicial de los ”fotones” al centro de la muestra y

10
FIG. 7. Histograma de las componentes sx , sy , y sz de la resultante de los caminos aleatorios.

contamos n vuelos a partir del origen para obtener las componentes sx , sy y sz de la

resultante S (ver Figura 5). Como vimos anteriormente, ecuación (22), el comportamiento
de estas componentes nos dice si el sistema sigue una estadı́stica gausiana. La Figura 5.a
representa un esquema de los vuelos de un fotón con una resultante S. La Figura 5.b
representa un mapa de absorción del medio definido en la Tabla I. Podemos ver que a
pesar de que el medio es muy poco absorbente la trasmitancia y reflectancia son muy
bajas, lo que indica que ocurrieron un gran número de interacciones en el sistema antes
de que los fotones escaparan. Debido a esto podemos tener confianza que no hay sesgo
por las fronteras.
La Figura 7 muestra el histograma de las componentes x, y y z de S después de 10 vuelos.
En este caso se considero que µt es uniforme en todo el sistema. Las lineas verticales
azules representan las barras del histograma y las curvas rojas la función gausiana que
mejor se ajusta, podemos ver que las alturas cambian ligeramente pero todas tienen el
mismo ancho ωo = 20 µm. Notemos que los valores del histograma sobre los eje x y y z
oscilan alrededor del origen entre los −40 µm y 40 µm con una bien definida distribución
gausiana, lo cual es consistente con el Teorema Central de Lı́mite.

11
 FIG. 8. Histograma de la resultante de los caminos aleatorios S y su cuadrado S 2 .

La Figura 8 representa el histograma de la resultante S y su cuadrado S 2 en las tres

dimensiones para una µt constante en todo el medio (primer caso). Las barras azules
denotan los valores del histograma en cada caso. Podemos ver que el perfil de la figura
superior, que define la resultante S, toma la forma de una función tipo Rayleight. En
cambio, la figura inferior (S 2 ) sigue un perfil tipo exponencial negativa.
A simple vista, estos resultados pueden parecer contradictorios debido a que partimos de
la suposición de que los vuelos siguen una PDF tipo exponencial negativa y la resultante
tiene una forma tipo Rayleight. Sin embargo, debemos tener en cuenta que la simulación
de Monte Carlo hace sus cálculos en base a suposición de intensidad y no a la amplitud de
la onda. Por lo que la resultante obtenida con el Monte Carlo debe elevarse al cuadrado
para ser consitente con esta suposición, y como podemos ver en la Figura 8 –gráfica
inferior– tenemos una curva tipo exponencial negativa como era de esperarse.
Como vimos anteriormente, Figura 7, el comportamiento de las componente de S, a pesar
de los pocos vuelos que consideramos (sólo diez), pone en evidencia su comportamiento
Gaussiano, lo que vuelve a este sistema consistente con el Teorema del Lı́mite Central.
En el siguiente caso supondremos que la PDF que rige los cambios en el coeficiente de

12
esparcimiento tiene la forma,

a b
Pδ (x) = δ(x − x1 ) + δ(x − x2 ) (23)
a+b a+b

donde a representa la probabilidad de que ocurra x1 = α, b = 1 − a representa la prob-

abilidad de que ocurra x2 = 2 − α y la magnitud de α determina la separación entre las
deltas, cualquier punto diferente de x1 o x2 tiene una probabilidad nula. Estas variaciones
en µt producen una distribución de vuelos dada por la ecuación (14), la cual se se puede
escribir como,

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).

en la Figura 7. De igual manera, si aumentamos su valor hasta α = 0.9 el histograma

apenas se despega un poco en las colas de la gaussina. Vale la pena mencionar que a pesar
de este comportamiento, para cualquier valor de α o a, la resultante S y su cuadrado S 2
tienen una forma similar a la mostrada en la Figura 8.
Por otro lado, si ahora suponemos que a PDF que rige los cambios en el coeficiente de
esparcimiento tiene la forma,

P (x) = β exp(−βx), (25)

1
donde β = y < Ct > es la sección trasversal de extinción promedio del sistema,
< Ct >
tendremos que los vuelos siguen una distribución [ver ecuación (19)],
Ke
P (s) = , (26)
s2
donde Ke = 1/ < µt >. La cualquier es una PDF tı́pica de los vuelos de Lévy.
La Figura 10 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

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

Para estudiar las propiedades de ensamble y de muestra de un sistema no uniforme im-

plementaremos un modelo tipo Monte Carlo y los parámetros definidos en la la Tabla II.
Notemos que aunque en la tabla aparecen dos medios, en cada corrida tomaremos sólo
uno de ellos.
El ensamble será sobre las diferentes corridas que hagamos con el medio 1 o 2 de dicha
tabla. Cada corrida representa una muestra del ensamble y las muestras tomarán las
propiedades del medio (1 o 2) para sus corridas según un ley de probabilidad.
Para este caso usaremos una distribución de tipo delta (ver ecuación (12)],
a b
P (x) = δ(x − x1 ) + δ(x − x1 ) (27)
a+b a+b
donde a y b representan la probabilidad de que ocurra x1 = α < x > y x2 = (2−α) < x >,
respectivamente.
Las propiedades ópticas del medio 1 para α = 0.4 son µa = 1.3 × 10−3 cm y µs = 745.6 cm
de manera que la simulación de Monte Carlo nos da los siguientes resultados R1 = 0.4 y
T1 = 0.59. Para el medios 2 son µa = 4.8 × 10−3 cm y µs = 2982.4 cm, lo que nos lleva a
tener R2 = 0.75 y T2 = 0.24. Ahora, los resultados para las propiedades ópticas promedio
< µa >= 0.003 cm y < µs >= 1864 cm son R = 0.64 y T = 0.35.
La Figura 12 muestra los promedios de ensamble usando la ley de probabilidad dada

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 (??).

capa n [-] µa [cm−1 ] µs [cm−1 ] g [-] d [cm]

sup. 1.4

medio 1 1.4 αµa αµs 0.4 0.003

medio 2 1.4 (2 − α)µa (2 − α)µs 0.4 0.003

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.

FLUCTUACIONES DINÁMICAS DE LAS PROPIEDADES ÓPTICAS

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,

mt = ρ(r)Ct (r). (28)

donde ahora ρ y Ct son funciones de la posición. De manera que el coeficiente de inter-

acción, suponiendo que tenemos un sistema ergodico, está dado por,
Z
< µt >= mt P (mt )dmt . (29)

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)

Debido a la linealidad de mt , tendramos resultados equivalentes si en vez de la densidad,

las variaciones fueran provocadas por el tamano de las partı́culas. En este caso el sistema
estarı́a compuesto por partı́culas con una cierta distribución de tamanos, que aunque
uniformente distribuidas (ρ = cte.), producen resultados equivalentes al medio que forma
cúmulos.
Iniciaremos este estudio haciendo un análisis de mt como función de ρ (donde Ct = cte).
El coeficiente de interacción en este caso está dado por,
Z
< µt > = mt P (mt )dmt
Z
= Ct ρP (ρ)dρ, (31)

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.

Variaciones locales de la densidad ρ

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)

de las ecuaciones (32) y (33) tenemos,

α+β
= 1, (34)
2

donde 0 ≤ α ≤ 1 y 1 ≤ β ≤ 2. Cuando α → 0, la región 1 disminuye su densidad hasta

casi cero, mientras la región 2 aumenta hasta casi el doble. Podemos visualizar esto como
un experimento donde después de muchos eventos, en promedio el sistema se comporta
como un medio donde hay cúmulos muy compactos de partı́culas y regiones casi vacı́as.
Por otro lado, cuando α → 1, las regiones 1 y 2 tienen densidades equivalentes, e iguales
a la densidad promedio del sistema. En este otro caso lı́mite tenemos un sistema con una
distribución de partı́culas uniforme.
Aunque la densidad es una función de la posición, el número total de partı́culas en el
medio es constante e igual a N , e igual a la suma de las partı́culas en la region 1 y 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)

donde a es la proporción de partı́culas en la región 1 y b en la región 2. Además a y b

deben satisfacer que,
a + b = 1, (38)

donde 0 ≤ a ≤ 1 y 0 ≤ b ≤ 1. La ecuación (38) implica que si a = 1 (que podemos

interpretar como si el 100% de partı́culas estuviera en la región 1) entonces b = 0 (no hay
partı́culas en la región 2). En el otro extremo a = 0 (no hay partı́culas en la región 1)
implica que b = 1 (el 100% de partı́culas está en la región 2). Para a = 0.5 tenemos que
b = 0.5, en cuyo caso tenemos el mismo número de partı́culas en ambas regiones.
Podemos ver que este tipo de sistemas se pueden describir por la ecuación,

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

donde ρ1 y ρ2 son las densidades de las regiones 1 y 2, respectivamente, y están definidas

por las ecuación (33) (ver figura 3). Esta PDF asigna una probabilidad a/(a + b) a la
densidad ρ1 y b/(a + b) a la densidad ρ2 , cualquier otro valor tiene una probabilidad igual
a cero. La posición de las funciones delta están determinadas por los valores de ρ1 y

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),

ρ1 = α < ρ > y ρ2 = (2 − α) < ρ >, (41)

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)

Debido a que nuestro sistema no es uniforme, el coeficiente de interacción (µt ) cambia

aleatoriamente en función de ρ, como lo discutimos anteriormente. Por lo que tendremos
que la PDF de los pasos estará dada en términos de una PDF marginal de la forma,
Z ∞
Pδ (s) = P (s, ρ)dρ (43)
Z0 ∞
= P (s|ρ)P (ρ)dρ,
0

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)

y donde la PDF para las densidades, ecuación (40), se escribe como,

a b
P (ρ) = δ (ρ − ρ1 ) + δ (ρ − ρ2 ) . (45)
a+b a+b
Usando las ecuaciones anteriores tenemos que,
Z ∞
Pδ (s) = P (s|ρ)P (ρ)dρ
0
Z ∞  
a b
= [ρCt exp(−ρCt s)] δ (ρ − ρ1 ) + δ (ρ − ρ2 ) dρ. (46)
0 a+b a+b
Resolvemos la integral y tenemos,
a b
Pδ (s) = Ct ρ1 exp(−Ct ρ1 s) + Ct ρ2 exp(−Ct ρ2 s). (47)
a+b a+b
Podemos ver que P (s) es una PDF válida debido a que,
Z ∞
P (s)ds = 1. (48)
−∞

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,

P (ρ) = β exp(−βρ), (50)

1
donde β = y < ρ > es la densidad promedio del sistema.
<ρ>
Similarmente que en el caso anterior, de la ecuación (43) tenemos que la PDF de los pasos
está dada por,
Z ∞
p(s) = [ρCt exp(−ρCt s)] [β exp(−βρ)] dρ
0
Z ∞
= βCt ρ exp [−(Ct s + β)ρ] dρ. (51)
0

Resolvemos la integral y tenemos,

βCt
p(s) = . (52)
(Ct s + β)2
Reescribiendo la ecuación anterior en términos de s0 (= s + β/Ct ),
 
0
 ds 
Pe (s ) = p(s) 0 ,
ds
Ke
= 0 2, (53)
(s )

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.

Generación de números aleatorios y cálculos de Monte Carlo

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

donde u2 es un número aleatorio entre 0 y 1, ρ es el número aleatorio de las densidades y

Ct es el coeficiente de interacción.
La Figura 14 muestra un histograma de los valores aleatorios generados con una rutina
numérica y se bosqueja la PDF de los pasos dada por la ecuación (47). La curva pun-
teada representa la P (s) escalada apropiadamente para compararla con el histograma.
Las barras representan el histograma de los números aleatorios de los pasos, generado
con el método numérico que describimos anteriormente. Podemos ver que la curva se

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.

Resultados para un sistema con variaciones en Ct

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.

Variaciones en el tamano óptico (Ct ) y la densidad (ρ) de las partı́culas

Suponiendo que tenemos variaciones en los coeficientes de esparcimiento y absorción,

Ct = Cs + Ca (55)

con una PDF,

a b
P (Ct ) = δ (Ct − Ct1 ) + δ(Ct − Ct2 )] (56)
a+b a+b
y la densidad Z
1
ρ̄ = n(r)dr3 , (57)
V
con una PDF,
c d
P (ρ) = δ (ρ − ρ1 ) + δ(ρ − ρ2 ). (58)
c+d c+d
Luego,
mt = ρCt , (59)

26
en este caso la PDF resultante está dada por,
Z Z
P (mt ) = P (ρ)P (Ct )δ(mt − ρCt )dρdCt . (60)

Después de que una integral es llevada a cabo,

Z ∞ 
c d
P (mt ) = δ(Ct − Ct1 ) + δ(Ct − Ct2 ) ×
−∞ (c + d) (c + d)
    
a 1 mt b 1 mt
δ − Ct + δ − Ct dCt (61)
(a + b) ρ1 ρ1 (a + b) ρ2 ρ2
De donte tenemos,
ac bc
P (mt ) = δ(mt − ρ1 Ct1 ) + δ(mt − ρ2 Ct1 )
(a + b)(c + d) (a + b)(c + d)
ad bd
+ δ(mt − ρ1 Ct2 ) + δ(mt − ρ2 Ct2 ) (62)
(a + b)(c + d) (a + b)(c + d)
Ahora, la distribución de pasos está dada por,
Z
P (s) = P (s|mt )P (mt )dmt
Z
ac bc
= mt exp(−mt s)[ δ(mt − ρ1 Ct1 ) + δ(mt − ρ2 Ct1 )
(a + b)(c + d) (a + b)(c + d)
ad bd
+ δ(mt − ρ1 Ct2 ) + δ(mt − ρ2 Ct2 )]dmt
(a + b)(c + d) (a + b)(c + d)
(63)

Resolvemos la integral y tenemos,

ac bc
Pδδ (s) = ρ1 Ct1 exp(−ρ1 Ct1 s) + ρ2 Ct1 exp(−ρ2 Ct1 s)
(a + b)(c + d) (a + b)(c + d)
ad bd
+ ρ1 Ct2 exp(−ρ1 Ct2 s) + ρ2 Ct1 exp(−ρ2 Ct2 s) (64)
(a + b)(c + d) (a + b)(c + d)
La media es,
Z
< mt > = mt P (mt )dmt
Z Z
ac bc
= mt δ(mt − ρ1 Ct1 )dmt + mt δ(mt − ρ2 Ct1 )dmt
(a + b)(c + d) (a + b)(c + d)
Z Z
ad bd
+ mt δ(mt − ρ1 Ct2 )dmt + mt δ(mt − ρ2 Ct2 )dmt
(a + b)(c + d) (a + b)(c + d)
(aρ1 + bρ2 )cCt1 + (aρ1 + bρ2 )dCt2
= . (65)
(a + b)(c + d)

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).

Función de densidad delta para ρ y exponencial negativa para Ct

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

y los tamaos siguen a una función de densidad exponencial negativa entonces,

P (Ct ) = α exp(−αCt ), (67)

donde α = 1/ < Ct >. La densidad de probabilidad de mt = ρCt está dada por,

Z Z
P (mt ) = P (ρ)P (Ct )δ(mt − ρCt )dρdCt . (68)

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.

Función de densidad exponencial negativa para ρ y Ct

En el caso de tener que tanto la densidad ρ como el tamano óptico Ct siguen una dis-
tribución exponencial negativa, tenemos,

P (ρ) = β exp(−βρ), (72)

y
P (Ct ) = α exp(−αCt ), (73)

donde α = 1/ < Ct > y β = 1/ < ρ >. La densidad de probabilidad de mt = ρCt está

dada por,
Z Z
P (mt ) = [β exp(−βρ)][α exp(−αCt )]δ(mt − ρCt )dρdCt . (74)

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).

Ahora, con la sustitución,

r
t βmt
e =x , (76)
α
puede ser escrito en la forma,
Z ∞  p 
P (mt ) = βα exp −2 αβmt cosh t dt. (77)
0

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)

Resultados para un sistema con variaciones en ρ y Ct

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