Determinismo e Estatística

Author

Sandro Vitenti

A Linguagem da Incerteza: O que é Estatística?

Se a matemática do contínuo (cálculo, geometria) é a linguagem natural do determinismo, descrevendo trajetórias exatas e forças precisas, a estatística é a linguagem que desenvolvemos para conversar com a incerteza.

Não usamos estatística apenas porque nossos instrumentos são imperfeitos. Em um nível fundamental, a natureza parece se recusar a dar respostas definitivas para certas perguntas. A pergunta “onde exatamente está o elétron agora?” pode não ter uma resposta. Em vez disso, a física nos oferece uma resposta diferente: “qual a probabilidade de encontrá-lo aqui ou ali se eu procurar?”.

A estatística, então, não é um paliativo para nossa ignorância; é o vocabulário necessário para descrever um aspecto intrínseco da realidade.

Dois Dialetos da Linguagem Estatística: Frequentista vs. Bayesiana

Ao adotar a linguagem estatística, encontramos dois dialetos principais, duas formas de interpretar o que a palavra probabilidade realmente significa.

A Visão Frequentista: A Probabilidade como Frequência de Ocorrência

  • A Ideia Central: A probabilidade de um evento é a sua frequência relativa de ocorrência em um grande número de tentativas idênticas.
  • Como Funciona: Imagine lançar uma moeda. A probabilidade de dar “cara” é \(P = 0.5\) porque, após lançarmos a moeda \(N\) vezes (com \(N\) muito grande), esperamos encontrar aproximadamente \(N/2\) caras. \(P = (\text{Número de sucessos}) / (\text{Número total de tentativas})\).
  • O Conceito de Limite: Crucialmente, a probabilidade é definida como o limite da frequência relativa quando o número de tentativas tende ao infinito: \(P(A) = \lim_{n \to \infty} \frac{n_A}{n}\). Esta é uma idealização matemática: algo que supomos existir mas nunca podemos alcançar na prática. Nunca podemos realizar infinitas tentativas, mas observamos que as frequências relativas tendem a se estabilizar around um valor específico à medida que coletamos mais dados. Esta estabilidade das frequências é o que nos permite falar em “probabilidade” no sentido frequentista.
  • O Foco: Está inteiramente nos dados coletados. É objetiva e baseada puramente na repetição.
  • Limitação: Não é fácil aplicar a eventos únicos e não repetíveis. Qual é a probabilidade frequentista de um candidato específico ganhar uma eleição? A eleição só acontece uma vez. O frequentista diria que isso não é uma probabilidade, mas sim uma certeza que nós desconhecemos.
Code 
import numpy as np
import matplotlib.pyplot as plt

# Configuração do experimento
np.random.seed(42)  # Para reproducibilidade
n_lancamentos = 10000
moeda_justa = [0.5, 0.5]  # Probabilidades: [0] = cara, [1] = coroa

# Simulação dos lançamentos
resultados = np.random.choice([0, 1], size=n_lancamentos, p=moeda_justa)
frequencias_relativas = np.cumsum(resultados) / np.arange(1, n_lancamentos + 1)

# Criação da figura
plt.figure(figsize=(10, 6))
plt.plot(
    np.arange(1, n_lancamentos + 1),
    frequencias_relativas,
    alpha=0.7,
    linewidth=1,
    label="Frequência relativa acumulada",
)
plt.axhline(y=0.5, color="red", linestyle="--", label="Probabilidade teórica (0.5)")

# Detalhes estéticos
plt.xscale("log")  # Escala log para melhor visualização do comportamento inicial
plt.xlabel("Número de lançamentos (escala logarítmica)")
plt.ylabel("Frequência relativa de caras")
plt.title("Convergência da frequência relativa para a probabilidade teórica")
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()
Figure 1: Convergência da frequência relativa de ‘caras’ para o valor teórico de 0.5

A Visão Bayesiana: A Probabilidade como Grau de Crença

  • A Ideia Central: A probabilidade é uma medida do grau de crença ou grau de plausibilidade que temos em uma hipótese, com base no conhecimento disponível.

  • Como Funciona: Começamos com uma probabilidade a priori: uma estimativa inicial de nossa crença. Então, coletamos dados. Por fim, usamos o Teorema de Bayes para atualizar nossa crença, calculando uma nova probabilidade a posteriori.

  • Teorema de Bayes: A ferramenta fundamental para atualizar crenças é dada por:

    \[ P(H|D) = \frac{P(D|H) \cdot P(H)}{P(D)} \]

    Onde:

    • \(P(H|D)\): Probabilidade a posteriori da hipótese H dado os dados D
    • \(P(D|H)\): Verossimilhança - probabilidade dos dados D se a hipótese H for verdadeira
    • \(P(H)\): Probabilidade a priori da hipótese H
    • \(P(D)\): Probabilidade total dos dados (constante de normalização)

  • O Foco: Está na atualização do conhecimento. É subjetiva no sentido de que começa com um estado de conhecimento prévio, mas é completamente objetiva na forma como esse conhecimento deve ser atualizado diante de novos dados.

  • Vantagem: É poderosa para lidar com eventos únicos, incorporar conhecimento prévio e aprender continuamente.

Exemplo Detalhado: Teste de Doença Rara

Contexto: Uma doença afeta 1% da população. Um teste tem 99% de precisão.

Definindo as variáveis:

  • \(H\): Hipótese de ter a doença
  • \(\neg H\): Hipótese de não ter a doença
  • \(D\): Dado do teste positivo

Probabilidades a priori:

  • \(P(H) = 0.01\) (1% da população tem a doença)
  • \(P(\neg H) = 0.99\) (99% não tem)

Verossimilhanças (acurácia do teste):

  • \(P(D|H) = 0.99\) (99% de chance de positivo se doente)
  • \(P(D|\neg H) = 0.01\) (1% de chance de falso positivo)

Probabilidade total dos dados (\(P(D)\)): \[P(D) = P(D|H) \cdot P(H) + P(D|\neg H) \cdot P(\neg H)\] \[P(D) = (0.99 \times 0.01) + (0.01 \times 0.99) = 0.0099 + 0.0099 = 0.0198\]

Aplicando o Teorema de Bayes: \[P(H|D) = \frac{P(D|H) \cdot P(H)}{P(D)} = \frac{0.99 \times 0.01}{0.0198} = \frac{0.0099}{0.0198} = 0.5\]

Code 
import matplotlib.pyplot as plt
import numpy as np

# Dados do problema
P_H = 0.01  # Probabilidade a priori de ter a doença
P_negH = 0.99  # Probabilidade a priori de não ter a doença
P_D_dado_H = 0.99  # Probabilidade de teste positivo se estiver doente
P_D_dado_negH = 0.01  # Probabilidade de teste positivo se não estiver doente

# Calculando a probabilidade total P(D)
P_D = (P_D_dado_H * P_H) + (P_D_dado_negH * P_negH)

# Calculando a probabilidade a posteriori P(H|D)
P_H_dado_D = (P_D_dado_H * P_H) / P_D

# Criando visualização
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# Gráfico 1: Probabilidades a priori
labels_priori = ["Tem a doença", "Não tem a doença"]
values_priori = [P_H, P_negH]
colors_priori = ["lightcoral", "lightblue"]

ax1.pie(
    values_priori,
    labels=labels_priori,
    autopct="%1.1f%%",
    colors=colors_priori,
    startangle=90,
)
ax1.set_title("Probabilidades a Priori\n(antes do teste)")

# Gráfico 2: Probabilidades a posteriori
labels_posteriori = [
    "Tem a doença\n(dado positivo)",
    "Não tem a doença\n(dado positivo)",
]
values_posteriori = [P_H_dado_D, 1 - P_H_dado_D]

ax2.pie(
    values_posteriori,
    labels=labels_posteriori,
    autopct="%1.1f%%",
    colors=colors_priori,
    startangle=90,
)
ax2.set_title("Probabilidades a Posteriori\n(após teste positivo)")

plt.tight_layout()
plt.show()

print(f"Probabilidade a posteriori P(H|D) = {P_H_dado_D:.3f} ({P_H_dado_D*100:.1f}%)")
Figure 2: Análise Bayesiana do teste de doença 
Probabilidade a posteriori P(H|D) = 0.500 (50.0%)

Interpretação do Resultado: Apesar do teste ter 99% de precisão, a probabilidade de realmente ter a doença após um teste positivo é de apenas 50%. Isso ocorre porque a doença é muito rara (apenas 1% da população), então mesmo com uma baixa taxa de falsos positivos (1%), o número absoluto de falsos positivos é similar ao número de verdadeiros positivos.

A visão Bayesiana nos ensina que dados não falam por si só - eles só ganham significado quando interpretados à luz do conhecimento prévio existente.

Exercícios

  1. Explique em palavras simples a diferença entre a interpretação frequentista e bayesiana de probabilidade.
  2. Considere o lançamento de uma moeda justa 1000 vezes. Calcule a frequência relativa de “caras” se forem observadas 510 ocorrências. Compare com a probabilidade teórica.
  3. Uma doença afeta \(2\%\) da população. Um teste tem \(95\%\) de acerto tanto para positivos quanto para negativos. Calcule a probabilidade de realmente estar doente dado que o teste deu positivo, usando o Teorema de Bayes.
  4. Suponha que você lance uma moeda 10 vezes e observe apenas uma vez cara. Qual seria a interpretação frequentista e bayesiana da probabilidade de sair cara?
  5. Discuta por que o enfoque bayesiano é mais adequado para eventos únicos, como a eleição de um candidato ou previsão de desastres naturais.

Distribuição de Probabilidade vs Probabilidade: A Importância da Medida

Até agora, trabalhamos com espaços de estados discretos (cara/coroa, doente/saudável). Mas na física, frequentemente lidamos com espaços contínuos, como a posição de uma partícula ao longo de uma linha.

Aqui surge uma diferença fundamental: em espaços contínuos, a probabilidade de qualquer estado específico é zero.

Por que probabilidade zero não significa impossibilidade?

Considere uma partícula que pode estar em qualquer ponto do intervalo [0, 1]. Se atribuíssemos probabilidades iguais a cada ponto, teríamos um paradoxo:

  • Probabilidade de cada ponto: \(P(x) = \frac{1}{\infty} = 0\)
  • Mas a probabilidade total no intervalo: \(\sum_{x=0}^1 P(x) = 0 + 0 + 0 + \cdots = 0\)

Isso viola o axioma fundamental de que a probabilidade total deve ser 1!

A Solução: Densidade de Probabilidade

A solução matemática é trabalhar não com probabilidades de pontos, mas com probabilidades de intervalos. Introduzimos uma função densidade de probabilidade \(\rho(x)\) tal que:

\[ P(a \leq x \leq b) = \int_a^b \rho(x) \mathrm{d}x. \]

Propriedades fundamentais:

  1. \(\rho(x) \geq 0\) para todo \(x\)
  2. \(\int_{-\infty}^{\infty} \rho(x) \mathrm{d}x = 1\)

A probabilidade de encontrar a partícula exatamente no ponto \(x\) é: \[ P(x = x_0) = \int_{x_0}^{x_0} \rho(x) \mathrm{d}x = 0. \]

Mas a densidade \(\rho(x_0)\) nos diz o quão “provável” é a vizinhança de \(x_0\).

Code 
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Configuração
np.random.seed(42)
x = np.linspace(-4, 4, 1000)
dx = x[1] - x[0]

# Duas distribuições normais com diferentes variâncias
rho1 = norm.pdf(x, 0, 0.5)  # Distribuição mais concentrada
rho2 = norm.pdf(x, 0, 1.0)  # Distribuição mais espalhada

# Cálculo de probabilidades em intervalos
intervalo = [-1, 1]
prob1 = np.sum(rho1[(x >= intervalo[0]) & (x <= intervalo[1])]) * dx
prob2 = np.sum(rho2[(x >= intervalo[0]) & (x <= intervalo[1])]) * dx

# Visualização
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# Gráfico das densidades
ax1.plot(x, rho1, "b-", linewidth=2, label="ρ(x) concentrada (\sigma=0.5)")
ax1.plot(x, rho2, "r-", linewidth=2, label="ρ(x) espalhada (\sigma=1.0)")
ax1.fill_between(
    x[(x >= intervalo[0]) & (x <= intervalo[1])],
    rho1[(x >= intervalo[0]) & (x <= intervalo[1])],
    alpha=0.3,
    color="blue",
)
ax1.fill_between(
    x[(x >= intervalo[0]) & (x <= intervalo[1])],
    rho2[(x >= intervalo[0]) & (x <= intervalo[1])],
    alpha=0.3,
    color="red",
)
ax1.set_xlabel("Posição (x)")
ax1.set_ylabel("Densidade de probabilidade ρ(x)")
ax1.set_title("Densidades de Probabilidade")
ax1.legend()
ax1.grid(True, alpha=0.3)

# Gráfico de barras das probabilidades
labels = [f"P({intervalo[0]} ≤ x ≤ {intervalo[1]})"]
width = 0.35
x_pos = np.arange(len(labels))

ax2.bar(
    x_pos - width / 2,
    [prob1],
    width,
    label="Distribuição concentrada",
    color="blue",
    alpha=0.7,
)
ax2.bar(
    x_pos + width / 2,
    [prob2],
    width,
    label="Distribuição espalhada",
    color="red",
    alpha=0.7,
)
ax2.set_ylabel("Probabilidade")
ax2.set_title("Probabilidades no Intervalo [-1, 1]")
ax2.set_xticks(x_pos)
ax2.set_xticklabels(labels)
ax2.legend()
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

print(f"Probabilidade no intervalo [-1, 1]:")
print(f"Distribuição concentrada: {prob1:.3f}")
print(f"Distribuição espalhada: {prob2:.3f}")
<>:23: SyntaxWarning: invalid escape sequence '\s'
<>:24: SyntaxWarning: invalid escape sequence '\s'
<>:23: SyntaxWarning: invalid escape sequence '\s'
<>:24: SyntaxWarning: invalid escape sequence '\s'
/tmp/ipykernel_3013/3023404317.py:23: SyntaxWarning: invalid escape sequence '\s'
  ax1.plot(x, rho1, "b-", linewidth=2, label="ρ(x) concentrada (\sigma=0.5)")
/tmp/ipykernel_3013/3023404317.py:24: SyntaxWarning: invalid escape sequence '\s'
  ax1.plot(x, rho2, "r-", linewidth=2, label="ρ(x) espalhada (\sigma=1.0)")
Figure 3: Ilustração da diferença entre probabilidade e densidade de probabilidade 
Probabilidade no intervalo [-1, 1]:
Distribuição concentrada: 0.955
Distribuição espalhada: 0.683

Interpretação Física Crucial

  1. \(\rho(x)\) não é uma probabilidade: É uma densidade. Suas unidades são [probabilidade/comprimento].
  2. Apenas integrais de \(\rho(x)\) têm significado probabilístico: \(P(a \leq x \leq b) = \int_a^b \rho(x) \mathrm{d}x\).
  3. Valores relativos importam: \(\rho(x_2)>\rho(x_1)\) significa que intervalos infinitesimais around \(x_2\) são mais prováveis que around \(x_1\).

Esta transição conceitual é fundamental para a mecânica quântica, onde a função de onda \(\psi(x)\) está relacionada à densidade de probabilidade por: \[ \rho(x) = |\psi(x)|^2. \] Apesar de \(\psi(x)\) poder ter valores em qualquer ponto, apenas integrais de \(|\psi(x)|^2\) sobre intervalos finitos têm interpretação probabilística direta.

Exercícios

  1. Explique em palavras a diferença entre probabilidade em um espaço discreto e densidade de probabilidade em um espaço contínuo.
  2. Considere uma distribuição normal \(N(0,1)\). Calcule a probabilidade de a variável estar no intervalo \([-1,1]\) usando a integral da densidade. (avançado)
  3. Duas distribuições normais têm médias iguais a 0, mas desvios-padrão diferentes: \(\sigma_1 = 0.5\) e \(\sigma_2 = 1.0\). Compare as probabilidades de estar no intervalo \([-1,1]\). Explique qualitativamente por que elas diferem.
  4. Por que a probabilidade de a partícula estar exatamente em \(x_0\) é zero, mesmo que \(\rho(x_0)\) seja grande?
  5. Em mecânica quântica, a função de onda \(\psi(x)\) define a densidade de probabilidade \(\rho(x) = |\psi(x)|^2\). Discuta a importância de integrar \(\rho(x)\) sobre um intervalo finito em vez de olhar para um ponto específico.

Do Estado Determinístico à Descrição Probabilística

O Espaço de Estados e o Determinismo Clássico

Na mecânica newtoniana, o estado completo de uma partícula em 1D é descrito por duas variáveis: posição \(x\) e velocidade \(v\) (ou momento \(p = mv\)). Juntas, elas definem um ponto no espaço de fase \((x, p)\).

A evolução temporal é governada pelas leis de Newton: \[ \frac{\mathrm{d}x}{\mathrm{d}t} = v, \quad \frac{dp}{\mathrm{d}t} = F(x) \]

Se conhecermos exatamente o estado inicial \((x_0, p_0)\) no instante \(t_0\), podemos (em princípio) determinar univocamente o estado \((x(t), p(t))\) em qualquer instante futuro ou passado. Esta é a essência do determinismo laplaciano.

A Quebra Prática do Determinismo

Na prática, no entanto, nunca conhecemos o estado inicial com precisão infinita:

  1. Limitações instrumentais: Medidas sempre têm incertezas experimentais
  2. Preparação imperfeita: Sistemas reais nunca estão perfeitamente isolados
  3. Complexidade: Sistemas com muitas partículas são praticamente intratáveis

Mais fundamentalmente, na mecânica quântica, o próprio princípio da incerteza de Heisenberg proíbe o conhecimento simultâneo e exato de \(x\) e \(p\).

A Necessidade da Descrição Probabilística

Diante dessa impossibilidade prática (e fundamental) de determinar o estado exato, adotamos uma descrição probabilística:

Em vez de um ponto \((x_0, p_0)\) no espaço de fase, temos uma distribuição de probabilidade \(\rho(x, p, t_0)\) que representa nosso conhecimento sobre o estado do sistema.

Interpretação: \(\rho(x, p, t_0) \mathrm{d}x \mathrm{d}p\) representa a probabilidade de encontrar o sistema em um elemento infinitesimal do espaço de fase around do ponto \((x, p)\) no instante \(t_0\).

Evolução Temporal da Distribuição

A grande vantagem desta abordagem é que podemos evoluir temporalmente toda a distribuição:

Dada \(\rho(x, p, t_0)\), a distribuição em qualquer instante posterior \(t\) é determinada pela dinâmica subjacente: \[ \rho(x, p, t) = \rho(x_0(x,p,t), p_0(x,p,t), t_0) \] onde \((x_0(x,p,t), p_0(x,p,t))\) é o estado inicial que evolui para \((x, p)\) no tempo \(t\) (seguindo as leis de Newton).

Exercícios

  1. Explique por que, mesmo na mecânica clássica, é necessário usar uma descrição probabilística na prática.
  2. Para uma partícula em 1D com distribuição de probabilidade inicial \(\rho(x,p,0)\), descreva qualitativamente como essa distribuição evolui ao longo do tempo.
  3. Considere uma distribuição gaussiana inicial em \(x\) com momento \(p\) fixo. Escreva a expressão da distribuição \(\rho(x,p,t)\) em função do tempo, assumindo movimento livre (sem forças).
  4. Por que conhecer apenas o estado inicial médio \((\langle x_0 \rangle, \langle p_0 \rangle)\) não é suficiente para prever com precisão o comportamento de um sistema probabilístico?

Exemplo Concreto: Cinemática 1D com Incertezas

Caso 1: Movimento Retilíneo Uniforme (MRU)

Suponha uma partícula com velocidade constante \(v\), mas com posição inicial incerta:

  • Equação de movimento: \(x(t) = x_0 + v t\)
  • Incerteza inicial: \(x_0 = 1.0 \pm 0.2\) m (distribuição uniforme)
  • Velocidade: \(v = 2.0\) m/s (conhecida exatamente)
Code 
import numpy as np
import matplotlib.pyplot as plt

# Parâmetros
v = 2.0  # m/s
x0_min, x0_max = 0.8, 1.2  # intervalo inicial de posição
t = np.linspace(0, 2, 100)  # 0 a 2 segundos

# Evolução da incerteza
x_min = x0_min + v * t
x_max = x0_max + v * t

plt.figure(figsize=(10, 6))
plt.fill_between(t, x_min, x_max, alpha=0.3, label="Zona de incerteza")
plt.plot(t, (x0_min + x0_max) / 2 + v * t, "r-", linewidth=2, label="Trajetória média")
plt.xlabel("Tempo (s)")
plt.ylabel("Posição (m)")
plt.title("Evolução da Incerteza no Movimento Retilíneo Uniforme")
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()
Figure 4: Evolução da incerteza posicional no MRU

Interpretação: A incerteza inicial de \(\pm0.2\)m se propaga sem amplificação: a largura da distribuição permanece constante no tempo.

Caso 2: Movimento Uniformemente Acelerado (MUA)

Agora considere queda livre com aceleração constante, mas com incertezas tanto na posição quanto na velocidade iniciais:

  • Equação de movimento: \(x(t) = x_0 + v_0 t + \frac{1}{2} a t^2\)
  • Incertezas: \(x_0 = 0 \pm 0.1\) m, \(v_0 = 0 \pm 0.2\) m/s
  • Aceleração: \(a = -9.8\) m/s²
Code 
# Parâmetros
a = -9.8  # m/s^2
x0_sigma = 0.1  # incerteza inicial na posição
v0_sigma = 0.2  # incerteza inicial na velocidade

# Tempo
t = np.linspace(0, 0.2, 100)

# Evolução da incerteza total (propagação de erros)
sigma_x = np.sqrt(x0_sigma**2 + (v0_sigma * t) ** 2 + (0.5 * a * t**2) ** 2)

plt.figure(figsize=(10, 6))
plt.plot(
    t, 0.5 * a * t**2, "b-", linewidth=2, label="Trajetória nominal ($x_0=0, v_0=0$)"
)
plt.fill_between(
    t,
    0.5 * a * t**2 - sigma_x,
    0.5 * a * t**2 + sigma_x,
    alpha=0.3,
    color="red",
    label="Zona de incerteza ($\pm\sigma$)",
)
plt.xlabel("Tempo (s)")
plt.ylabel("Posição (m)")
plt.title("Evolução da Incerteza no Movimento Uniformemente Acelerado")
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

print(f"Incerteza inicial: $\sigma_x$ = {x0_sigma:.3f} m")
print(f"Incerteza final (t=1s): $\sigma_x$ = {sigma_x[-1]:.3f} m")
<>:22: SyntaxWarning: invalid escape sequence '\p'
<>:31: SyntaxWarning: invalid escape sequence '\s'
<>:32: SyntaxWarning: invalid escape sequence '\s'
<>:22: SyntaxWarning: invalid escape sequence '\p'
<>:31: SyntaxWarning: invalid escape sequence '\s'
<>:32: SyntaxWarning: invalid escape sequence '\s'
/tmp/ipykernel_3013/3749421272.py:22: SyntaxWarning: invalid escape sequence '\p'
  label="Zona de incerteza ($\pm\sigma$)",
/tmp/ipykernel_3013/3749421272.py:31: SyntaxWarning: invalid escape sequence '\s'
  print(f"Incerteza inicial: $\sigma_x$ = {x0_sigma:.3f} m")
/tmp/ipykernel_3013/3749421272.py:32: SyntaxWarning: invalid escape sequence '\s'
  print(f"Incerteza final (t=1s): $\sigma_x$ = {sigma_x[-1]:.3f} m")
Figure 5: Evolução da incerteza no movimento uniformemente acelerado 
Incerteza inicial: $\sigma_x$ = 0.100 m
Incerteza final (t=1s): $\sigma_x$ = 0.224 m

Interpretação: A incerteza cresce rapidamente com o tempo devido à contribuição da incerteza inicial na velocidade, que é amplificada pelo termo quadrático.

Lição Fundamental

Estes exemplos mostram que:

  1. Mesmo com leis determinísticas, incertezas iniciais se propagam
  2. A forma da propagação depende da dinâmica do sistema
  3. Sistemas com não-linearidades (como o termo t²) podem amplificar rapidamente incertezas iniciais

Esta é a ponte entre o determinismo das equações de Newton e a necessidade de descrições estatísticas na prática experimental!

Exemplo Concreto: Oscilador Harmônico

Neste exemplo, vamos estudar o comportamento de um oscilador harmônico com incertezas iniciais na posição e na velocidade.

Code 
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint
from scipy.stats import multivariate_normal


# Sistema físico: oscilador harmônico
def oscilador_harmonico(estado, t):
    x, p = estado
    k = 1.0  # constante elástica
    m = 1.0  # massa
    dxdt = p / m
    dpdt = -k * x
    return [dxdt, dpdt]


# Condição inicial (distribuição)
x0, p0 = 1.0, 0.0  # centro da distribuição
sigma_x, sigma_p = 0.2, 0.3  # incertezas iniciais

# Tempos para evolução
t = np.linspace(0, 2 * np.pi, 5)  # Um período completo

# Criar grid no espaço de fase
x = np.linspace(-2, 2, 100)
p = np.linspace(-2, 2, 100)
X, P = np.meshgrid(x, p)

# Visualização
fig, axes = plt.subplots(1, len(t), figsize=(14, 4))
fig.suptitle("Evolução Temporal de uma Distribuição no Espaço de Fase", fontsize=14)

for i, time in enumerate(t):
    # Para cada tempo, evoluir a distribuição
    # (Aproximação: para sistema linear, a distribuição gaussiana permanece gaussiana)
    # Calcular a evolução do centro da distribuição
    estado_evoluido = odeint(oscilador_harmonico, [x0, p0], [0, time])[-1]
    x_evol, p_evol = estado_evoluido

    # Distribuição no tempo t (aproximação)
    pos = np.dstack((X, P))
    cov = [[sigma_x**2, 0], [0, sigma_p**2]]  # Matriz de covariância
    rho = multivariate_normal([x_evol, p_evol], cov).pdf(pos)

    # Plot
    ax = axes[i]
    contour = ax.contourf(X, P, rho, levels=20, cmap="viridis")
    ax.set_xlabel("Posição (x)")
    if i == 0:
        ax.set_ylabel("Momento (p)")
    ax.set_title(f"t = {time:.2f}")
    ax.grid(True, alpha=0.3)
    ax.set_xlim(-2, 2)
    ax.set_ylim(-2, 2)

plt.tight_layout()
plt.show()
Figure 6: Evolução temporal de uma distribuição no espaço de fase

Implicações Fundamentais

  1. Determinismo vs. Previsibilidade: Embora a dinâmica subjacente seja determinística, nossa capacidade de previsão é limitada pela incerteza inicial.

  2. Espalhamento da Informação: Em sistemas caóticos, pequenas incertezas iniciais crescem exponencialmente, limitando drasticamente o horizonte de previsibilidade.

  3. Conexão com Mecânica Quântica: Na MQ, a função de onda \(\psi(x)\) vive em um espaço de Hilbert, mas a densidade de probabilidade \(|\psi(x)|^2\) representa nossa informação sobre o sistema, de forma análoga à \(\rho(x, p)\) na física clássica.

Esta transição do ponto no espaço de fase para distribuições de probabilidade marca a passagem fundamental do determinismo ideal para a descrição estatística prática que permeia toda a física moderna.

Exercícios

  1. No MRU do exemplo, explique por que a largura da zona de incerteza permanece constante ao longo do tempo, enquanto no MUA ela cresce.
  2. Para o MUA, derive a expressão da incerteza \(\sigma_x(t)\) considerando incertezas iniciais em \(x_0\) e \(v_0\) e compare com a aproximação mostrada no gráfico.
  3. No oscilador harmônico, explique por que uma distribuição gaussiana inicial permanece aproximadamente gaussiana ao longo do tempo.
  4. Discuta qualitativamente como o espalhamento da distribuição no espaço de fase muda se a constante elástica \(k\) ou a massa \(m\) forem alteradas.

A Mecânica Quântica e a Natureza Intrinsecamente Probabilística da Realidade

Tudo que discutimos até agora pode ser visto como uma “correção prática” ao determinismo: não sabemos medir perfeitamente, então usamos estatística. Mas a Mecânica Quântica (MQ) traz uma revolução muito mais profunda.

A Quebra Fundamental do Determinismo

Na MQ, mesmo em condições ideais, com instrumentos perfeitos:

  • O Princípio da Incerteza de Heisenberg proíbe o conhecimento simultâneo e exato de posição e momento: \[\sigma_x \sigma_p \geq \frac{\hbar}{2}\] Isso não é uma limitação tecnológica; é uma propriedade fundamental da natureza.

  • O resultado de uma medida individual é fundamentalmente imprevisível. Podemos saber tudo que é possível saber sobre um sistema (sua função de onda \(\psi(x)\)) e ainda assim só poder prever probabilidades para o resultado de uma medida.

A Função de Onda: Uma Entidade Probabilística

O estado de um sistema quântico é descrito pela função de onda \(\psi(x)\), uma entidade matemática complexa. A interpretação física foi proposta por Max Born: \[|\psi(x)|^2 dx = \text{Probabilidade de encontrar a partícula entre } x \text{ e } x+dx\]

A evolução temporal de \(\psi(x)\) é governada pela Equação de Schrödinger, uma equação diferencial perfeitamente determinística. Apesar disso, os resultados de medições individuais são fundamentalmente probabilísticos.

Code 
import numpy as np
import matplotlib.pyplot as plt

# Parâmetros do pacote de onda gaussiano
x0 = 0.0  # Centro do pacote
sigma = 0.5  # Largura
k0 = 5.0  # Número de onda médio

# Espaço de configuração
x = np.linspace(-2, 2, 1000)

# Função de onda: pacote gaussiano
psi = np.exp(-((x - x0) ** 2) / (2 * sigma**2)) * np.exp(1j * k0 * x)
psi_real = np.real(psi)
psi_imag = np.imag(psi)
psi_mod_sq = np.abs(psi) ** 2  # Densidade de probabilidade

# Normalização para melhor visualização
psi_real /= np.max(np.abs(psi_real))
psi_imag /= np.max(np.abs(psi_imag))
psi_mod_sq /= np.max(psi_mod_sq)

# Plot
plt.figure(figsize=(10, 6))

plt.plot(x, psi_real, "b-", linewidth=2, label="Parte real [Re(ψ(x))]")
plt.plot(x, psi_imag, "r-", linewidth=2, label="Parte imaginária [Im(ψ(x))]")
plt.plot(x, psi_mod_sq, "k-", linewidth=2, label="Densidade de probabilidade [|ψ(x)|²]")

plt.xlabel("Posição (x)")
plt.ylabel("Amplitude (normalizada)")
plt.title("Função de Onda Quântica e sua Densidade de Probabilidade")
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()
Figure 7: Partes real e imaginária, e módulo ao quadrado de um pacote de onda gaussiano

Interpretação Física

  • Partes Real e Imaginária: Componentes matemáticas da função de onda. Não são diretamente mensuráveis.
  • Módulo Quadrado (\(|\psi(x)|^2\)): Densidade de probabilidade fisicamente mensurável. Representa a probabilidade por unidade de comprimento de encontrar a partícula na posição \(x\).

O Papel da Equação de Schrödinger

A equação: \[i\hbar\frac{\partial}{\partial t}\psi(x,t) = \left(-\frac{\hbar^2}{2m}\frac{\partial^2}{\partial x^2} + V(x)\right)\psi(x,t)\]

determina deterministicamente como \(\psi(x,t)\) evolui no tempo. No entanto, o que esta equação evolui é uma distribuição de probabilidade.

Esta combinação - equação de evolução determinística para uma entidade probabilística - constitui a base conceitual da mecânica quântica.

A Relação Determinismo-Estatística

A MQ nos apresenta um contraste definitivo:

  • A equação de evolução (Schrödinger) é perfeitamente determinística.
  • Os resultados das medições são intrinsecamente probabilísticos.

Portanto, a MQ é a realização máxima do tema desta aula: o casamento inevitável entre o determinismo das leis fundamentais e a estatística necessária para descrever os fenômenos mensuráveis.

Ela eleva a estatística de uma ferramenta para lidar com nossa ignorância a um marco central da descrição da realidade física.

Conclusão: Do Micro ao Macro, uma Única Linguagem

Da trajetória de um planeta (onde erros iniciais se amplificam) à posição de um elétron (onde a probabilidade é inerente), passando por testes médicos e previsões do tempo, encontramos uma mesma linguagem: a linguagem das probabilidades.

O determinismo nos diz como as possibilidades evoluem; a estatística nos diz como lidar com qual possibilidade se realizará.

Exercícios

  1. Uma função de onda normalizada satisfaz \(\int_{-\infty}^{\infty} |\psi(x)|^2 \mathrm{d}x = 1\). Por que isso é necessário?
  2. Compare a densidade de probabilidade quântica \(|\psi(x)|^2\) com a distribuição clássica de probabilidade \(\rho(x,p)\) discutida nos exemplos anteriores.
  3. Discuta como o Princípio da Incerteza de Heisenberg limita a precisão com que podemos conhecer simultaneamente \(x\) e \(p\), mesmo que a função de onda seja perfeitamente conhecida.
  4. Imagine medir a posição de um elétron repetidamente em um estado gaussiano. Qual distribuição você esperaria obter para os resultados experimentais? Explique.