Tema: A relação entre médias estatísticas de trajetórias e a função de distribuição na teoria do movimento browniano
Tipo: Artigo de física estatística
O movimento browniano, observado inicialmente por Robert Brown em 1827 ao notar o movimento irregular de partículas de pólen suspensas em água, tornou-se um dos pilares da física estatística e da teoria de processos estocásticos. A descrição matemática moderna do movimento browniano foi desenvolvida Independently por Louis Bachelier (1900) em finanças e por Albert Einstein (1905) e Marian Smoluchowski (1906) em física, estabelecendo que a trajetória de uma partícula submicroscópica pode ser modelada como um processo de Wiener. Nesse contexto, duas noções centrais são frequentemente discutidas: a média estatística de trajetórias (ou valor esperado de um funcional da trajetória) e a função de distribuição (ou função de densidade de probabilidade) da posição da partícula em um dado instante. Este artigo explora a relação profunda entre esses dois conceitos, mostrando como a média de trajetórias pode ser obtida a partir da função de distribuição e, inversamente, como informações sobre médias de trajetórias funcionais podem ser usadas para reconstruir ou restringir a forma da função de distribuição. A discussão aborda tanto o caso unidimensional quanto as extensões para dimensões superiores e para processos brownianos com drift ou em potenciais externos, destacando as implicações para aplicações em física química, finanças e biologia celular.
1. Definições preliminares
Seja \( \{B(t), t\ge 0\} \) um movimento browniano padrão unidimensional, ou seja, um processo estocástico com propriedades:
1. \( B(0)=0 \) quase certamente.
2. Para quaisquer \( 0\le s<t \), o incremento \( B(t)-B(s) \) é normalmente distribuído com média zero e variância \( t-s \).
3. Os incrementos em intervalos não sobrepostos são independentes.
4. \( B(t) \) possui trajetórias contínuas quase certamente.
A função de distribuição (ou função de distribuição acumulada, FDA) da posição no tempo \( t \) é dada por
\[
F_{B(t)}(x)=\mathbb{P}\{B(t)\le x\}=\frac{1}{2}\left[1+\operatorname{erf}\!\left(\frac{x}{\sqrt{2t}}\right)\right],
\]
onde \(\operatorname{erf}\) é a função erro. A correspondente densidade de probabilidade (PDF) é
\[
p_{B(t)}(x)=\frac{1}{\sqrt{2\pi t}}\,\exp\!\left(-\frac{x^{2}}{2t}\right).
\]
Uma média estatística de trajetórias refere-se ao valor esperado de algum funcional \( \Phi[\{B(s),0\le s\le T\}] \) da trajetória inteira até um tempo final \( T \). Exemplos clássicos incluem:
- A média da posição: \( \mathbb{E}[B(T)] \).
- A média do quadrado da posição: \( \mathbb{E}[B(T)^{2}] \).
- A média do tempo gasto em um intervalo \( [a,b] \) (tempo de ocupação): \( \mathbb{E}\!\left[\int_{0}^{T}\mathbf{1}_{\{a\le B(s)\le b\}}\,ds\right] \). - A média do máximo: \( \mathbb{E}\!\left[\max_{0\le s\le T}B(s)\right] \). Essas médias podem ser calculadas diretamente a partir da distribuição de \( B(t) \) em cada instante (quando o funcional depende apenas do valor no tempo \( T \)) ou, para funcionais que envolvem a história completa, através de técnicas como o teorema de Feynman-Kac, a teoria dos processos de Markov ou a solução de equações diferenciais parciais associadas.
2. Média da posição e a função de distribuição
O caso mais simples é a média da posição no tempo \( t \). Pela definição da esperança,
\[
\mathbb{E}[B(t)] = \int_{-\infty}^{\infty} x\,p_{B(t)}(x)\,dx.
\]
Substituindo a expressão gaussiana da PDF, a integral de uma função ímpar sobre um domínio simétrico é zero, resultando em \[
\boxed{\mathbb{E}[B(t)]=0}.
\]
Essa igualdade reflete a simetria da distribuição: a função de distribuição é par em torno de zero, logo seu primeiro momento (a média) desaparece. Qualquer desvio dessa relação indicaria a presença de um drift ou de um potencial externo que quebre a simetria.
Se considerarmos um movimento browniano com drift constante \( \mu \), ou seja, \( X(t)=\mu t + B(t) \), a PDF torna‑se
\[p_{X(t)}(x)=\frac{1}{\sqrt{2\pi t}}\,\exp\!\left[-\frac{(x-\mu t)^{2}}{2t}\right],
\]
e a média passa a ser
\[
\mathbb{E}[X(t)]=\mu t,
\]
mostrando diretamente como o primeiro momento da distribuição codifica o drift.
3. Média do quadrado da posição e a variância A segunda momento, ou seja, a média do quadrado da posição, está relacionada à variância da distribuição:
\[
\mathbb{E}[B(t)^{2}] = \int_{-\infty}^{\infty} x^{2}\,p_{B(t)}(x)\,dx = \operatorname{Var}[B(t)] + (\mathbb{E}[B(t)])^{2}.
\]
Pelo fato de \( \mathbb{E}[B(t)]=0 \) e da variância do movimento browniano ser \( t \), obtemos \[
\boxed{\mathbb{E}[B(t)^{2}]=t}.
\]
Essa relação é fundamental porque conecta diretamente a dispersão da função de distribuição (medida pela variância) a uma média de trajetória simples. Em termos de difusão, ela implica que o coeficiente de difusão \( D \) (no contexto físico, onde \( \langle x^{2}\rangle = 2Dt \)) é \( D=\frac12 \) para o movimento browniano padrão (unidade de variância por unidade de tempo).
Se introduzirmos um potencial externo \( V(x) \) que conduza à dinâmica de Langevin \( \dot{x} = -V'(x) + \sqrt{2}\,\eta(t) \) (com \( \eta(t) \) ruído branco), a distribuição estacionária (se existir) é dada pela forma de Boltzmann \( p_{st}(x)\propto e^{-V(x)} \). Nesse caso, a média do quadrado da posição já não é simplesmente \( t \), mas pode ser obtida a partir da integral
\[
\mathbb{E}[x^{2}] = \int x^{2} p_{st}(x)dx,
\]
ligando novamente a média de trajetória (agora no estado estacionário) à forma da função de distribuição de equilíbrio.
4. Tempos de ocupação e a função de distribuição Um funcional mais sofisticado é o **tempo de ocupação** de um intervalo \( [a,b] \):
\[
T_{[a,b]}(T)=\int_{0}^{T}\mathbf{1}_{\{a\le B(s)\le b\}}\,ds,
\]
onde \( \mathbf{1}_{\{ \cdot \}} \) é a função indicadora. Sua média está relacionada à função de distribuição através do teorema de ocupação (ou fórmula de Kac):
\[
\mathbb{E}[T_{[a,b]}(T)] = \int_{0}^{T}\mathbb{P}\{a\le B(s)\le b\}\,ds = \int_{0}^{T}\bigl[F_{B(s)}(b)-F_{B(s)}(a)\bigr]\,ds.
\]
Pela propriedade de escala do movimento browniano, \( F_{B(s)}(x) = F_{B(1)}\!\left(\frac{x}{\sqrt{s}}\right) \). Assim,
\[
\mathbb{E}[T_{[a,b]}(T)] = \int_{0}^{T}\Bigl[F_{B(1)}\!\bigl(\tfrac{b}{\sqrt{s}}\bigr)-F_{B(1)}\!\bigl(\tfrac{a}{\sqrt{s}}\bigr)\Bigr]ds.
\]
Essa integral pode ser avaliada explicitamente usando a mudança de variável \( u = 1/\sqrt{s} \), levando a expressões envolvendo a função erro. O resultado mostra que o tempo médio gasto em um intervalo depende da forma integral da função de distribuição acumulada, não apenas de seu valor em pontos específicos.
Inversamente, se pudermos medir experimentalmente o tempo médio de ocupação para diversos intervalos \( [a,b] \) e diversos tempos \( T \), podemos aplicar a inversa da relação acima para recuperar \( F_{B(s)}(x) \) (ou, equivalentemente, a PDF). Esse tipo de procedimento é usado em microscopia de rastreamento de partículas single‑particle tracking (SPT) para validar se o movimento observado é realmente browniano ou se apresenta anomalias (sub‑ ou superdiffusão).
5. Máximo e mínimo: relação com a função de distribuição de valores extremos
Outro clássico funcional é o máximo do processo até o tempo \( T \):
\[
M_T = \max_{0\le s\le T} B(s).
\]
A distribuição de \( M_T \) é conhecida pelo princípio do reflexo (reflection principle):
\[
\mathbb{P}\{M_T \ge m\} = 2\,\mathbb{P}\{B(T) \ge m\} = 2\left[1-F_{B(T)}(m)\right], \quad m\ge 0.
\]
Portanto, a função de distribuição acumulada de \( M_T \) é
\[
F_{M_T}(m) = 1 - 2\left[1-F_{B(T)}(m)\right] = 2F_{B(T)}(m)-1, \quad m\ge 0,
\]
e zero para \( m<0 \). A média do máximo pode então ser escrita como
\[
\mathbb{E}[M_T] = \int_{0}^{\infty} \bigl[1-F_{M_T}(m)\bigr]\,dm
= \int_{0}^{\infty} 2\left[1-F_{B(T)}(m)\right]\,dm.
\]
Substituindo a expressão gaussiana de \( F_{B(T)} \) resulta no valor conhecido
\[
\boxed{\mathbb{E}[M_T] = \sqrt{\frac{2T}{\pi}}}.
\]
Essa demonstração mostra claramente como a média de um extremo da trajetória está diretamente ligada à integral da cauda da função de distribuição da posição no tempo final. Da mesma forma, o mínimo \( m_T = \min_{0\le s\le T} B(s) \) possui distribuição simétrica ao máximo, levando à mesma média em módulo.
6. Functionais exponenciais e a fórmula de Feynman-Kac
Para funcionais da forma
\[
\mathbb{E}\!\left[\exp\!\left(-\int_{0}^{T} V(B(s))\,ds\right)\right],
\]
onde \( V(x) \) é um potencial externo, a fórmula de Feynman‑Kac afirma que essa expectativa é a solução em \( t=0, x=0 \) da equação de calor com termo de potencial:
\[
\frac{\partial u}{\partial t} = \frac{1}{2}\frac{\partial^{2} u}{\partial x^{2}} - V(x)u,\qquad u(T,x)=1.
\]
Nesse caso, a média do funcional exponencial está relacionada à função de Green (ou propagador) da equação de Schrödinger imaginária, cuja solução pode ser expressa em termos da função de distribuição do processo browniano ponderado pelo potencial. Essa relação é fundamental em física de polímeros (modelo da cadeia livre), em teoria de campos quânticos e na precificação de opções em finanças (onde \( V \) representa a taxa de juros ou o payoff).
7. Extensões para multidimensionais e browniano com drift
Em \( d \) dimensões, o movimento browniano padrão é o vetor \( \mathbf{B}(t) = (B_{1}(t),\dots,B_{d}(t)) \) com componentes independentes. A função de distribuição conjunta é simplesmente o produto das unidimensionais:
\[p_{\mathbf{B}(t)}(\mathbf{x}) = \left(\frac{1}{2\pi t}\right)^{d/2} \exp\!\left(-\frac{\|\mathbf{x}\|^{2}}{2t}\right).
\]
Médias de trajetórias como o quadrado do módulo \( \mathbb{E}[\|\mathbf{B}(t)\|^{2}] = dt \) seguem diretamente da soma das variâncias de cada componente. Funcionais que dependem da norma, como o tempo gasto dentro de uma esfera de raio \( R \), envolvem integrais da função de distribuição radial, que pode ser obtida a partir da função de distribuição completa por mudança para coordenadas esféricas.
Quando se adiciona um drift constante \( \boldsymbol{\mu} \), o processo torna‑se \( \mathbf{X}(t)=\boldsymbol{\mu}t+\mathbf{B}(t) \). Sua distribuição é normal com média \( \boldsymbol{\mu}t \) e matriz de covariância \( tI \). Assim, qualquer momento de \( \mathbf{X}(t) \) pode ser escrito como a soma de um termo determinístico (dependente de \( \boldsymbol{\mu} \)) e do momento correspondente do browniano puro. Essa linearidade simplifica muito o cálculo de médias de trajetórias em presencia de campos externos constantes.
8. Aplicações práticas
- **Física de coloides:** A medição do desvio quadrático médio \( \langle \Delta r^{2}(t)\rangle \) permite determinar o coeficiente de difusão e, portanto, o tamanho das partículas via a relação Stokes‑Einstein. A relação entre esse momento e a função de distribuição gaussiana é testada diretamente ao ajustar histogramas de posições a curvas normais.
- **Financeira:** No modelo de Black‑Scholes, o preço de uma opção europeia de chamada é dado pela expectativa descontada do payoff \( \max(S_T-K,0) \), onde \( S_T=S_0 e^{(\mu-\frac12\sigma^{2})T+\sigma B_T} \). A média desse payoff é calculada usando a função de distribuição logaritm-normal de \( S_T \), exatamente como demonstrado na Seção 5 para o máximo do browniano.
- **Biologia celular:** Em experimentos de rastreamento de marcadores em membranas, a análise do tempo de ocupação de domínios lipídicos (intervalos de posição) fornece informações sobre a energia de ligação e a taxa de troca, usando a relação entre \( \mathbb{E}[T_{[a,b]}(T)] \) e a função de distribuição da posição.
- **Ciência dos materiais:** Em estudos de transporte de elétrons em materiais desordenados, a condutividade pode ser relacionada à média do tempo de primeira passagem (primeiro instante em que a partícula atinge um determinado ponto), cujo cálculo novamente depende da função de distribuição de chegada (primeiro passo) do browniano.
9. Conclusão
A teoria do movimento browniano fornece um arco-íris de exemplos onde médias estatísticas de trajetórias e a função de distribuição estão intimamente entrelaçadas. Para funcionais que dependem apenas do valor instantâneo (como posição ou seu quadrado), a média é simplesmente um momento da distribuição, obtida por integrais da PDF ou da CDF. Para funcionais que envolvem a história completa da trajetória (tempo de ocupação, máximo, exponenciais de caminho), relações como o princípio do reflexo, o teorema de ocupação e a fórmula de Feynman‑Kac estabelecem expressões exatas que ligam a média esperada a integrais da função de distribuição (ou de suas transformadas). Essa dualidade não apenas facilita o cálculo analítico e numérico de grandezas observáveis, mas também oferece um caminho para o processo inverso: a partir de medições de médias de trajetórias (por exemplo, em rastreamento de partículas ou em dados de preços de ativos), pode‑se inferir ou validar a forma subjacente da função de distribuição, testando assim a hipótese de brownianidade ou detectando desvios que indiquem processos não‑markovianos, potenciais externos ou heterogeneidade do meio. Essa reciprocidade entre momentos e distribuições permanece um dos pilares mais poderosos e versáteis da física estatística e da teoria de processos estocásticos.