Академический Документы
Профессиональный Документы
Культура Документы
doi: 10.5540/tema.2011.012.02.0111
c Uma Publicao da Sociedade Brasileira de Matemtica Aplicada e Computacional.
1. Introduo
A modelagem de fenmenos fsicos atravs de equaes diferenciais cujos dados no
so precisamente conhecidos pode ser realizada utilizando modelos probabilsticos
(estocsticos) de tais dados. Os modelos probabilsticos compensam a escassez de
dados e fornecem margens de erros para estimativas de laboratrio. O escoamento
em meios porosos se encaixa neste perfil. Propriedades como a porosidade e a
condutividade hidrulica so estimadas, por exemplo, por meio de amostras do meio
poroso. Resultados experimentais sugerem que a distribuio lognormal represen-
ta satisfatoriamente estas propriedades [22]. Quando modelos probabilsticos so
acoplados aos parmetros das equaes diferenciais que governam o escoamento de
fluidos, o modelo completo passa a ser descrito por equaes diferenciais estocsticas.
1 fabio.dorini@gmail.com
2 cunha@ime.unicamp.br
3 saulopo@ufpr.br
Este trabalho foi apresentado no XXXIII CNMAC - Congresso Nacional de Matemtica Aplicada
e Computacional, 2010, guas de Lindia, SP, Brasil [6].
2.1. Exemplo
Considere a varivel aleatria A, uniformemente distribuda no intervalo [1, 2], isto
, fA (q) = 1 quando 1 < q < 2 e nula fora deste intervalo. De (2.2) segue que
(x) (x)
, se < q < (x),
fU (q; x) = q2 2
0, caso contrrio.
0.1 0.25
0.08 0.2
0.06 0.15
0.04 0.1
0.02 0.05
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
x
x
(a) (b)
Figura 1: Ilustrao de E[U (x)] (linha slida), U (x) (linha pontilhada), e a mdia
da soluo obtida pelo mtodo de Monte Carlo (crculos), 0 x 1.
Solues de equaes diferenciais sujeitas a incertezas 115
2.2. Exemplo
Considere agora o caso em que A lognormal padro, A = exp (), N [0, 1]. A
funo de densidade de probabilidade de A dada por
[ln (q)]2
1
fA (q) = exp .
q 2 2
[ln ((x)/q)]2
(x) (x) (x) 1
fU (q; x) = 2 fA = 2 exp =
q q q 2[(x)/q] 2
[ln (q) ln ((x))]2
1
= exp , (2.5)
q 2 2
ou seja, U (x) tambm lognormal, U (x) = exp (), N [ln ((x)), 1]. Usando
(2.5) possvel calcular todos os momentos estatsticos de U (x). Em particular,
denotando o nmero de Euler, ou neperiano, por e, a esperana matemtica de
U (x) dada por
e
1
= e (x) = x x2 0.8244 x x2 ,
E[U (x)] = exp ln ((x)) +
2 2
enquanto a soluo da equao simplificada (considerando E[A] = e no lugar de
A em (2.1))
1
U (x) = x x2 0.3033 x x2 .
2 e
Na Figura 1(b) esboado E[U (x)] e U (x), bem como a mdia da soluo gerada
pelo mtodo de Monte Carlo, com 100 000 realizaes de A. Maiores detalhes sobre
momentos estatsticos de uma varivel aleatria lognormal podem ser encontrados
em [22].
ou, equivalentemente,
Z
fU (q; x, t) = fV (v) fU0 (q; x vt) dv = EV [fU0 (q; x V t)] .
Alm disso, no caso em que U0 (x) = u(x) uma funo determinstica, (3.2)
pode ser apresentada como
Z +
fU (q; x, t) = fV (v) (q u(x vt)) dv =
Z
1 x x0
= fV (q u(x0 )) dx0 , (3.3)
t t
3.1. Exemplo
No caso particular em que u(x) uma funo (determinstica) suave, a equao
u(x) q = 0 tem n razes isoladas, xj,q , j = 1, 2, ..., n, e a derivada u (x) no se
anula em nenhuma das razes, tem-se (veja [21], por exemplo)
n
X (x xj,q )
(q u(x)) =
j=1
|u (xj,q )|
e, consequentemente,
+ n
1 x x0 X (x0 xj,q )
Z
fU (q; x, t) = fV dx0 =
t t j=1
|u (xj,q )|
n
1 X 1 x xj,q
= f V . (3.4)
t j=1 |u (xj,q )| t
3.2. Exemplo
Considere V Gaussiana, V N (, 2 ), e a condio inicial u(x) sendo a funo
Heaviside,
se x < 0,
1,
u(x) =
0, se x > 0.
Esta condio inicial tem sido usada por vrios autores para estudar zonas de mis-
tura em concentraes de substncias [2]. De (3.3), segue que
Z x/t Z +
fU (q; x, t) = (q 1) fV (v)dv + (q) fV (v)dv =
x/t
x
= (q) + [(q 1) (q)] FV , (3.5)
t
Solues de equaes diferenciais sujeitas a incertezas 117
1.5 1.5
1 1
0.5 0.5
0 0
0.5 0.5
4 2 0 2 4 4 2 0 2 4
x x
(a) (b)
Figura 2: Ilustrao de E[U (x, t)] (linha slida), U (x, t) (linha pontilhada), e a
mdia da soluo obtida pelo mtodo de Monte Carlo (crculos); t = 0.5 (a) e
t = 1.0 (b).
d2 (x )2
d x fV (x)
fV (x) = fV (x) e f V (x) = 1 + .
dx 2 dx2 2 2
Deste modo,
1 (x )(x t)
h(x, t; ) = 2 h(x, t; ) t + ,
t t 2 t
1 x t
h(x, t; ) = 2 h(x, t; ) e
x t 2
2 (x t)2
1
h(x, t; ) = h(x, t; ) t + .
x2 2 t3 2 t
Portanto,
h(x, t; ) + h(x, t; ) =
t x
1 (x )(x t) t (x t)
= 2 h(x, t; ) t + =
t 2 t 2 t
(x t)2 2
1 2
= 2 h(x, t; ) t + = t h(x, t; ).
t 2 t x2
2
fU (q; x, t) + fU (q; x, t) = 2 t fU (q; x, t). (3.7)
t x x2
Tendo em vista que h(x, t; xj,q ) satisfaz a equao (3.6) para cada xj,q , segue que
fU (q; x, t), dada em (3.4), satisfaz (3.7).
Solues de equaes diferenciais sujeitas a incertezas 119
x x x
fU (q; x, t) = (q)fV 2 = (q) h(x, t; 0) ,
t t t t
x 1
fU (q; x, t) = (q)fV = (q) h(x, t; 0), e
x t t
2 x 1 x x/t 1
fU (q; x, t) = (q)fV = (q)fV =
x2 t t2 t 2 t2
x/t
= (q) h(x, t; 0) .
2 t
Assim,
2
fU (q; x, t) + fU (q; x, t) 2 t 2 fU (q; x, t) = 0,
t x x
ou seja, (3.5) satisfaz (3.7).
Corolrio 3.1. As mdias, E[U (x, t)], das solues dos problemas dos Exemplos
3.1. e 3.2., com V N (, 2 ), satisfazem equao de adveco-difuso
2
E[U (x, t)] + E[U (x, t)] = 2 t 2 E[U (x, t)].
t x x
Observao 3.1. Os resultados da Proposio 3.1 e do Corolrio 3.1 continuam
vlidos para a soluo de (3.1), com V N (, 2 ), desde que a derivao, em x
e t, sob o sinal de integrao em (3.2) seja possvel. Para tanto, so necessrias
hipteses de regularidade sobre a funo fU0 (q; x) (veja [12], p. 268, por exemplo).
1 2
U (x, t) + U (x, t) = 0, t > 0, x R,
t 2 x
UL , se x < 0,
U (x, 0) = (4.1)
UR , se x > 0,
UR
R0 ()
P R ()
2 UL
R+ ()
4.1. Exemplo
Considere o caso em que UL e UR so variveis aleatrias independentes e unifor-
memente distribudas no intervalo [a, a]. Alguns clculos mostram que a mdia
da soluo de (4.1) dada por
(
2
2 (sgn() a) , se a a,
E[U (x, t)] = 4a (4.3)
0, caso contrrio,
Solues de equaes diferenciais sujeitas a incertezas 121
com = x/t e
1, se < 0,
sgn() = 0, se = 0,
1, se > 0.
0.06 0.06
0.04 0.04
0.02 0.02
0 0
0.02 0.02
0.04 0.04
0.06 0.06
1 0.5 0 0.5 1 1 0.5 0 0.5 1
(a) (b)
Figura 4: Ilustrao da mdia, E[U (x, t)], dada por (4.3) (linha slida) e da mdia
obtida por Monte Carlo (crculos), t = 0.4 (a) e t = 0.8 (b), 1 x 1.
5. Concluses
Este trabalho apresentou alguns exemplos de solues de equaes diferenciais com
dados aleatrios, comparando suas mdias com as solues de equaes diferenci-
ais determinsticas resultantes da substituio dos parmetros aleatrios por suas
mdias.
Os exemplos ilustram que a substituio de parmetros aleatrios por suas m-
dias leva a previses qualitativamente errneas da mdia da soluo das equaes
(Figuras 1(b), 2 e 4). Por outro lado, a obteno da funo de densidade de proba-
bilidade da soluo por meio da funo de distribuio cumulativa levou no apenas
ao clculo de mdias da soluo consistentes com o mtodo de Monte Carlo, como
tambm garantiu informaes estatsticas completas sobre a soluo.
Este trabalho, complementado com as referncias citadas abaixo, pode servir
como ponto de partida para pesquisadores interessados em substituir custosas tc-
122 Dorini, Cunha e Oliveira
Agradecimentos
Os autores agradecem o apoio financeiro do CNPq (Processos 303701/2010-2 e
314553/2009-6) e aos revisores pelas diversas sugestes.
Referncias
[1] J.S. Azevedo, S.P. Oliveira, O. A. L. Lima, Mtodos estocsticos para mode-
lagem de escoamento estacionrio e transiente em meios porosos. Rev. Bras.
Geof., 27 (2009), 241254.
[2] M.R. Borges, F. Furtado, F. Pereira, H.P.A. Souto, Scaling analysis for the
tracer flow problem in self-similar permeability fields. Multiscale Model. Simul.,
7 (2008), 11301147.
[3] J.M. Burgers, A mathematical model illustrating the theory of turbulance. Ad.
Appl. Mech., 1 (1948), 171179.
[4] P.L. Chow, Stochastic Partial Differential Equations, Chapman & Hall/CRC,
New York, 2007.
[5] M.C.C. Cunha, F.A. Dorini, Statistical moments of the solution of the random
Burgers-Riemann problem. Math. Comput. Simulation, 79 (2009), 14401451.
[6] F.A. Dorini, M.C.C. Cunha, Solues de problemas envolvendo equaes dife-
renciais em que existem incertezas, em Anais do XXXIII Congresso Nacional
de Matemtica Aplicada e Computacional, guas de Lindia, SP, 3 (2010),
180186.
[7] R. Durrett, Stochastic Calculus: a practical introduction, CRC Press, New
York, 1996.
[8] G.S. Fishman, Monte Carlo: concepts, algorithms and applications, Springer-
Verlag, New York, 1996.
[9] D. Gottlieb, D. Xiu, Galerkin method for wave equations with uncertain coef-
ficients. Commun. Comput. Phys., 3 (2008), 505518.
[10] I. Karatzas, S.E. Shreve, Brownian Motion and Stochastic Calculus, Springer-
Verlag, New York, 1988.
Solues de equaes diferenciais sujeitas a incertezas 123