Академический Документы
Профессиональный Документы
Культура Документы
Torsten Fließbach1
1. Probabilidad 5
3. Distribución normal 21
3
4 ÍNDICE GENERAL
Capítulo 1
Probabilidad
de lo que sigue
6
!
pi = 1. (1.3)
i=1
La determinación experimental de la probabilidad pi puede hacerse de dos
formas, a las que llamaremos promedio temporal y promedio en el ensamble.
Promedio temporal significa que el mismo dado se lanzará N veces en las
mismas condiciones. Para promediar en el ensamble se toman N dados iguales
y se lanzan todos juntos, una sola vez.
La expresión pi = 1/6 para el dado se utiliza con dos significados distintos.
Se entiende ya sea como una propiedad física o como una propiedad hipotética
del sistema. En los siguientes párrafos se explican ambas posibilidades.
5
6 CAPÍTULO 1. PROBABILIDAD
los átomos. Posteriormente veremos que las probabilidades (1.4) están dadas
"
por pi = exp(−βεi )/ j exp(−βεj ), donde β es una constante.
Adición y multiplicación
para dos estados o eventos discretos del sistema, i y j, que se excluyan mú-
tuamente. Para tales estados se cumple desde luego N(i ó j) = Ni + Nj .
Hasta ahora sólo hemos considerado estados elementales como el número
de puntos del dado. En estos casos la especificación “mútuamente excluyen-
tes” para i ∕= j se cumple desde el principio. Ejemplos de estados generales
son a =“número par de puntos” y b =“número menor que 4”. Tales estados
no se excluyen mútuamente. Por lo mismo p(a ó b) ya no es igual a pa + pb .
La probabilidad de encontrar dos sistemas, el primero en el estado i y el
segundo en el j, es
corre sobre todos los estados posibles. Consideremos ahora una cantidad
arbitraria x del sistema que adquiere el valor xi en el estado i. Dos ejemplos
son el número de puntos en un dado (xi = i) y la energía de un átomo
(xi = εi ). Definimos el valor medio como
!
x= pi xi valor medio. (1.9)
i
De (∆x)2 ≥ 0 se tiene
x2 ≥ x2 . (1.14)
Como un ejemplo sencillo consideremos para un dado ideal la variable de
estado x =número de puntos, es decir, xi = i. Su valor medio es
6
! 1 7
x= pi i = (1 + 2 + 3 + 4 + 5 + 6) = . (1.15)
i=1 6 2
9
De
6
! 1 91
x2 = p i i2 = (1 + 4 + 9 + 16 + 25 + 36) = (1.16)
i=1 6 6
se tiene
35
(∆x)2 = x2 − x2 = , (1.17)
6
es decir, tenemos una fluctuación ∆x ≈ 1.7.
Ejercicios
1.1: Dos personas leen un libro. Una encuentra 200 errores de impresión,
la otra 150. Si 100 de ellos coinciden, estime el número de errores que
permanecieron ocultos.
1 !N
1 ! N
x0 = xk y s2 = (xk − x0 )2 .
N k=1 N − 1 k=1
x0 = x y s2 = (∆x)2
Camino aleatorio
En el caso unidimensional un camino aleatorio está compuesto de N pasos
sobre una línea recta. A esta la denotamos como eje-x. El camino aleatorio
inicia en x = 0. Un paso consiste de un salto en x = +1 ó −1. El salto en
+1 ocurre con probabilidad p, y en −1 con probabilidad q. Se cumple que
p + q = 1. (2.1)
n+ + n− = N. (2.2)
13
14 CAPÍTULO 2. LEY DE LOS GRANDES NÚMEROS
Distribución de probabilidad
Dado que los pasos de un camino aleatorio son independientes entre sí, las
probabilidades correspondientes deben ser multiplicadas. Por ejemplo, para
16 CAPÍTULO 2. LEY DE LOS GRANDES NÚMEROS
pqqpp = p3 q 2 .
Usando
N +m
n= (2.8)
2
podemos escribir el resultado como función explícita de m. En la figura 2.3
se muestra WN (n) para un ejemplo.
En (2.7) n puede tomar los valores 0, 1, 2, · · · , N y m los valores −N, −N +
2, · · · , N . WN (n) y PN (m) se anulan para cualquier otro valor; por ejemplo
P5 (0) = 0. La suma de todas las probabilidades WN (n) da 1;
N N
$ %
! ! N n N −n
WN (n) = p q = (p + q)N = 1. (2.9)
n=0 n=0 n
17
1 = (p + q) (p + q) · . . . · (p + q) (2.10)
& '( )
N factores
cada factor representa uno de los N pasos del camino aleatorio, los que pueden
ocurrir con probabilidad p hacia la derecha o con probabilidad q hacia la
izquierda. Al realizar el producto (sin cambiar el orden de los factores p y
q) se obtienen 2N sumandos, cada uno de los cuales representa un camino
distinto. Ahora se ordenan los factores y se asocian todos los términos con
pn q N −n . Del álgebra elemental se sabe que el término con pn q N −n aparecerá
N !/(n!(N − n)!) veces, es decir,
N
$ % N
! N n N −n !
(p + q) =
N
p q = WN (n). (2.11)
n=0 n n=0
n− = N − n+ = N − n = N q (2.15)
y
x = m = n+ − n− = N (p − q) . (2.16)
Calculemos ahora n2 :
N
$ % N
$ %
! N n N −n ∂ ∂ ! N n N −n
2
n2 = n p q =p p p q
n=0 n ∂p ∂p n=0 n
∂ ∂ ∂
= p p (p + q)N = p N p (p + q)N −1
∂p ∂p ∂p
= pN + p N (N − 1) = N pq + n2 .
2
(2.17)
De aquí obtenemos *
(1.13)
*
∆n = n2 − n2 = N pq. (2.18)
De forma análoga se tiene
*
∆m = 2 N pq. (2.19)
Supongamos que en la caja con gas de la figura 2.2 hay N = 1024 átomos
y que ambas partes son del mismo tamaño; p = q = 1/2. En promedio
habrá n = N p = N/2 átomos en la parte izquierda. El número real n sin
embargo se desvía de n en una cantidad del orden de ∆n = (N pq)1/2 =
0.5 × 1012 . Esta es una fluctuación relativa extremadamente pequeña;
∆n/n = 10−12 .
Si hubiera desviaciones del valor medio mayores (digamos de un 10 %)
se podría construir un perpetuum mobile de 2◦ tipo. En el momento
en que ocurriera una de estas desviaciones se introduciría de lado (sin
realizar trabajo) una pared entre ambos volúmenes. La mayor densidad
numérica en pV implicaría una mayor presión. Debido a esto el gas
podría realizar trabajo, enfriándose simultáneamente. El calor perdido,
que sería igual al trabajo realizado, podría ser recuperado del medio
ambiente. De esta forma se habría ganado trabajo (por ejemplo energía
eléctrica) enfriando el medio ambiente.
La imposibilidad de un perpetuum mobile de 2◦ tipo como el descri-
to se obtiene de la ley de los grandes números. De acuerdo con ella
las fluctuaciones que pueden ocurrir son tan pequeñas que no pueden
ser usadas para realizar trabajo. La generalización de este resultado
conduce a la 2a ley de la termodinámica.
Ejercicios
Distribución normal
21
22 CAPÍTULO 3. DISTRIBUCIÓN NORMAL
N pq ≫ 1 (condición). (3.7)
ó
*
x = N (p − q) ℓ y σ = 2 N pq ℓ para x = (n+ − n− ) ℓ. (3.22)
Ejercicios
Fundamente la aproximación
3 4n
n
ln n! ≈ n ln n − n ó n! ≈ (n ≫ 1). (3.27)
e
Determine WN (n) usando n = N p. Compare el resultado con (3.14).
λ = N p = O(1), (N ≫ 1)
27
∂P (x, t) ∂ 2 P (x, t)
=D (3.29)
∂t ∂x2
y determine la constante de difusión D. Grafique la media del cuadrado
de la distancia al punto de partida, x2 , como función de D y t. Muestre
que la cantidad $ %2
- ∞
∂P
Θ= dx ≥0
−∞ ∂x
decrece monótonamente con el tiempo, es decir, dΘ/dt ≤ 0. Esto sig-
nifica que la difusión descrita por (3.29) es un proceso irreversible.
28 CAPÍTULO 3. DISTRIBUCIÓN NORMAL
Capítulo 4
si = +1 ó si = −1, (4.2)
29
30 CAPÍTULO 4. TEOREMA DE LÍMITE CENTRAL
- - $ N
%2
2
∞ ∞ !
(∆x) = ds1 w1 (s1 ) · · · dsN wN (sN ) (si − si )
−∞ −∞ i=1
5 7
- ∞ !N N
!
= ds1 · · · dsN · · · 6 (si − si ) (sj − sj )8
−∞ i=1 j=1
5 7
- ∞ !N N
!
= ds1 · · · dsN · · · 6 (si − si ) 2 + (si − si ) (sj − sj )8
−∞ i=1 i∕=j
- ∞ - ∞ N
!
= ds1 w1 (s1 ) · · · dsN wN (sN ) (si − si )2
−∞ −∞ i=1
N
!
= (∆si )2 , (4.10)
i=1
∆x ∆s 1
= √ Ley de los grandes números. (4.14)
x s N
La función δ(x) admite tan sólo las contribuciones a la integral para las cuales
"
s = x. Integrando la función δ(x) sobre x se obtiene 1, de donde sigue que
; i
dxP (x) = 1.
Para evaluar (4.21) usaremos la representación
1 -∞
δ(y) = dk exp (−iky) (4.22)
2π −∞
de la función δ(x). Con ella tenemos
1 -∞ - ∞ - ∞
P (x) = dk ds1 w(s1 ) · · · dsN w(sN )eik(s1 +···+sN ) e−ikx
2π −∞ −∞ −∞
1 -∞ - ∞ - ∞
= dke−ikx ds1 w(s1 )eiks1 · · · dsN w(sN )eiksN
2π −∞ −∞ −∞
1 -∞
= dk [W (k)]N exp(−ikx). (4.23)
2π −∞
Desarrollando la cantidad W (k) introducida en el último paso alrededor de
k = 0 tenemos
- ∞
1
W (k) = dsw(s) exp(iks) = 1 + iks − k 2 s2 ± · · · (4.24)
−∞ 2
34 CAPÍTULO 4. TEOREMA DE LÍMITE CENTRAL
y 3 4
1
ln [W (k)] = N ln 1 + iks − k 2 s2 ± · · · .
N
(4.25)
2
Si ahora desarrollamos el logaritmo según ln(1 + y) = y − y 2 /2 + · · · ;
3 4
1 1
ln [W (k)]N
= N iks − k 2 s2 − (iks)2 ± · · ·
3
2 2 4
1 2 2
= N iks − k ∆s ± · · · . (4.26)
2
Despreciando los términos de tercer y mayor orden (4.26) conduce a
$ %
N ∆s2 2
[W (k)] ≈ exp iN sk −
N
k . (4.27)
2
Sustituyendo esta expresión junto con x = N s y ∆x2 = N ∆s2 en (4.23) e
integrando obtenemos
$ %
1 -∞ ∆x2 2
P (x) ≈ dk exp −i (x − x) k − k
2π −∞ 2
$ %
1 (x − x)2
= √ exp − . (4.28)
2π∆x 2∆x2
Para evaluar la integral se completó el binomio cuadrado en el exponente.
Este resultado es el teorema de límite central para el caso de distribuciones
iguales (wi = w).
Generalización
en lugar de (4.23), donde Wj (k) se define como en (4.24). Con esto, (4.25) y
(4.26) toman la forma
3 4
N
< N
! 1
ln Wj (k) = ln 1 + iksj − k 2 s2j ± · · ·
j=1 j=1 2
N
! k2 !
N
= ik sj − (∆sj )2 ± · · ·
j=1 2 j=1
∆x2 2
= ixk − k ± ··· (4.30)
2
35
Rango de validez
Ejercicios
36 CAPÍTULO 4. TEOREMA DE LÍMITE CENTRAL