1 Revelli

TESIS
CARRERA DE DOCTORADO EN FÍSICA
MODELADO DE PROCESOS DE REACCIÓN

CONTROLADOS POR DIFUSIÓN
Jorge Alberto Revelli
Dr. Carlos Ernesto Budde Dr. Horacio Sergio Wio
DIRECTOR DIRECTOR
Lic. Jorge Alberto Revelli
DOCTORANDO
Instituto Balseiro. Universidad Nacional de Cuyo

Centro Atómico Bariloche. Comisión Nacional de Energía Atómica
Octubre de 2003.
A mis padres, Osvaldo y Blanca.
A mis hermanos, César y Marina.
A Silvina.
Ahí estaba el gato, dormido...
y (el hombre) pensó, mientras alisaba el negro pelaje,
que aquel contacto era ilusorio
y que estaban como separados por un cristal,
porque el hombre vive en el tiempo,
en la sucesión, y el mágico animal,
en la actualidad, en la eternidad del instante.
JORGE LUIS BORGES

Resumen
El desarrollo de los modelos estocásticos es de gran importancia en ciencia y tecnología. Las técnicas
que de este tipo de procesos se derivan han sido usadas exitosamente en diversos campos tales como
la teoría del láser, en sistemas biológicos, en la dinámica de reacciones químicas, etc. Estos métodos
establecen un marco de referencia teórico para analizar diversos resultados experimentales relacionados,
por ejemplo, con problemas de transporte en materiales ordenados y desordenados.
En este trabajo se analizan procesos de transporte de partículas en medios unidimensionales uc-
tuantes, es decir medios que cambian de estado en el transcurso del tiempo. Este hecho induce modi-
caciones en el movimiento de las partículas que se desplazan en dichos medios dando lugar a diferentes
clases de fenómenos y dinámicas de movimiento. Se presentan varios modelos de caminatas aleatorias
sobre este tipo de medios los cuales incluyen diferentes tipos de dinámicas de cambio de estado. Se
analiza el problema de atrapamiento en un medio discreto unidimensional (red) por medio de un modelo
simple el cual predice un fenómeno de resonancia.
Además se estudian procesos de difusión efectivos sobre supercies debido a caminatas aleatorias
que se desarrollan en el volumen, considerando distintas condiciones de frontera y dinámicas de despla-
zamiento. Se derivan expresiones que describen este proceso difusivo para todo tiempo, encontrando
diferentes comportamientos difusivos en función de las condiciones de contorno del sistema y del movi-
miento impuesto a las partículas.
Por último es importante mencionar que los resultados teóricos obtenidos por los distintos modelos
propuestos en este trabajo son cotejados con simulaciones numéricas de Monte Carlo, hallándose en
general excelentes acuerdos entre la teoría y las simulaciones.
Abstract
Stochastic modeling is quite powerful in science and technology. The technics derived from this
process have been used with great success in laser theory, biological systems and chemical reactions.
Besides, they provide a theoretical framework for the analysis of experimental results on the eld of
particle's diusion in ordered and disordered materials.
In this work we analyze transport processes in one-dimensional uctuating media, which are media
that change their state in time. This fact induces changes in the movements of the particles giving rise
to dierent phenomena and dynamics that will be described and analyzed in this work. We present
some random walk models to describe these uctuating media. These models include state transitions
governed by dierent dynamical processes. We also analyze the trapping problem in a lattice by means
of a simple model which predicts a resonance-like phenomenon.
Also we study eective diusion processes over surfaces due to random walks in the bulk. We
consider dierent boundary conditions and transitions movements. We derive expressions that describe
diusion behaviors constrained to bulk restrictions and the dynamic of the particles.
Finally it is important to mention that the theoretical results obtained from the models proposed
in this work are compared with Monte Carlo simulations. We nd, in general, excellent agreements
between the theory and the simulations.
ii
Índice General
1 Introducción 1
2 Procesos estocásticos en física 5

2.1 Variable estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Procesos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 Proceso de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 La ecuación maestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.1 La ecuación de Fokker - Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.2 Ecuaciones maestras generalizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Difusión en medios uctuantes 11

3.1 Introducción. Aspectos generales del problema . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Modelo teórico para sistemas uctuantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.1 Límite para tiempos de memoria corta . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.2 Ejemplo de sistemas uctuantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.3 Simulación numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Resultados y discusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.1 Transporte en redes globalmente desordenadas . . . . . . . . . . . . . . . . . . . 18
3.3.2 Transporte en redes localmente desordenadas . . . . . . . . . . . . . . . . . . . . 20
3.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 Medios gobernados por dinámicas con ruido (Parte I) 25

4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Modelo de atrapamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.1 Fuente estocástica de ruido blanco . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.2 Fuente estocástica de ruido de color no gaussiana . . . . . . . . . . . . . . . . . . 29
4.2.3 Resonancia estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.4 Cálculo numérico del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Resultados y Discusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 Fuente estocástica de ruido blanco . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.2 Fuente estocástica de ruido de color no gaussiano . . . . . . . . . . . . . . . . . . 31
4.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
iii
iv ÍNDICE GENERAL
5 Medios gobernados por dinámicas con ruido (Parte II) 37
5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Aspectos generales del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2.1 El cálculo numérico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2.2 Dinámica de cambio de estado de la red . . . . . . . . . . . . . . . . . . . . . . . 39
5.3.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6 Procesos de difusión supercial mediada por volumen 47

6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2 Modelo de adsorción - desorción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2.1 Descripción del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2.2 Análisis teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2.3 El esquema de Caminatas Aleatorias de Tiempo Continuo (CTRW) . . . . . . . . 53
6.2.4 Descripción del algoritmo de simulación numérica . . . . . . . . . . . . . . . . . . 56
6.3 Resultados y Discusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
7 Difusión supercial mediada por volumen: Medios nitos 67

7.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7.2 Modelo de adsorción - desorción para volumen nito . . . . . . . . . . . . . . . . . . . . 68
7.2.1 Difusión en un medio bicapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.2.2 Difusión en medios multicapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8 Difusión supercial mediada por volumen: Dinámica no markoviana 87

8.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.2 Descripción del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.3.1 Difusión en medios innitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.3.2 Difusión en medios nitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
9 Resumen y conclusiones generales 97

9.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
9.1.1 Transporte en medios uctuantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
9.1.2 Difusión supercial mediada por volumen . . . . . . . . . . . . . . . . . . . . . . 99
9.2 Perspectivas de futuros trabajos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
A Resonancia estocástica 105

A.1 Modelo para sistema biestable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
B Desarrollo de Dyson 109

C Condición de contorno absorbente 111
ÍNDICE GENERAL v
D Teoremas Tauberianos 113

D.1 Primer Teorema Tauberiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
D.2 Segundo Teorema Tauberiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
E Difusión anómala 115

E.1 Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
E.2 Caminatas aleatorias de tiempo continuo (CTRW) . . . . . . . . . . . . . . . . . . . . . 117
vi ÍNDICE GENERAL
Capítulo 1
Introducción
El avance del conocimiento cientíco nos muestra que conceptos aparentemente diferentes y desconec-
tados entre sí se conjugan para dar origen a explicaciones racionales de determinados fenómenos. Es
así que gradualmente los principios esenciales de un dado proceso cobran perspectivas y adquieren
signicado a partir de relaciones que en principio nada tienen que ver con el fenómeno observado.
Esta idea se aplica directamente en fenómenos relacionados a los denominados Sistemas Complejos,
es decir sistemas constituidos por un gran número de componentes. La descripción de estos sistemas
a partir de la evolución de cada una de sus partes resulta una tarea difícil de realizar dado que esto
implica tener en cuenta un gran número de grados de libertad. Ramas de la ciencia tan diversas como
los comportamientos sociales, los procesos económicos, los fenómenos químicos y biológicos pueden
considerarse paradigmas de sistemas complejos. Todos ellos poseen la característica de ser sistemas
compuestos por un gran número de agentes (en el caso de los dos últimos moléculas, proteínas, etc),
que interactúan entre sí como así también con el medio que los rodea. Por otra parte, estos sistemas
presentan los llamados fenómenos emergentes, esto es nuevas propiedades que surgen del conjunto y que
por lo tanto no pueden ser inferidas de las características individuales de los agentes que lo componen.
Una forma adecuada de analizar sistemas complejos es la propuesta por la mecánica estadística
cuya idea central es la de dividir al sistema en ensambles o subconjuntos de éste, caracterizando la
información así obtenida por medio de un número relativamente reducido de variables y parámetros.
Esto da origen a ecuaciones diferenciales que pueden describir estados microscópicos o mesoscópicos,
los cuales resultan de promediar sobre la dinámica microscópica de los elementos que lo constituyen.
En esta tesis se presentan y estudian algunos modelos físicos que intentan caracterizar ciertos fenó-
menos particularmente asociados a procesos que ocurren en la química, la biología y en la ciencia de
los materiales. Tales modelos resultan versiones simplicadas de lo que realmente sucede en la natura-
leza. El objeto de tales simplicaciones es poder determinar aspectos básicos de tales fenómenos y así
describirlos por medio de modelos teóricos.
Los fenómenos estudiados se inscriben dentro de los procesos de reacción controlados por difusión,
que ocurren fuera del equilibrio termodinámico. Estos procesos fueron inicialmente estudiados por
2 Introducción
Smoluchowski [1] quién analizó una reacción de captura en sitios jos de una red denominados trampas.
Estas ideas fueron tomadas y desarrolladas años más tarde por Montroll y Weiss [2] quienes estudiaron
el transporte de partículas en medios dinámicos desde dos puntos de vista; suponiendo movimientos a
intervalos temporales regulares y considerando que los pasos realizados por las partículas se producían
a tiempos aleatorios (CTRW - Continuous Time Random Walks). Posteriormente Scher y Lax [3]
desarrollaron una teoría que generalizaba las ideas expuestas por Montroll y Weiss, en la cual se incluía
efectos de memoria espacio - temporales acopladas. Este modelo describe, por ejemplo, el transporte
de electrones en materiales amorfos.
Paralelamente van Kampen estudió estos problemas a través de ecuaciones maestras (en el espacio
discreto) y ecuaciones de Fokker - Plank (en el continuo). Estableció [4, 5] que la dinámica de las
partículas inmersas en medios con dos o más estados son en general procesos no markovianos. Sin
embargo, y bajo determinadas condiciones, estos procesos pueden ser aproximados explícitamente por
una descripción markoviana.
Resumiendo, estos modelos describen procesos difusivos en medios desordenados.
Este trabajo de investigación toma estas ideas y las aplica al estudio del transporte de partículas no
sólo en medios unidimensionales, sino además en espacios tridimensionales. Se analiza como afecta al
proceso de transporte la inclusión de dinámicas markovianas y no markovianas de transición sobre los
medios. Se muestra que bajo ciertas suposiciones en las distribuciones no markovianas, existen algunos
límites en los cuales estas dinámicas y las markovianas presentan los mismos comportamientos. Tales
características se maniestan tanto en los medios unidimensionales como tridimensionales en distintas
cantidades que describen a dichos sistemas.
En el cap. 2 de esta tesis se expone una introducción teórica, estableciendo los conceptos y propie-
dades de los procesos que serán utilizados y desarrollados en el transcurso de este trabajo. Esta tesis
está dividida en dos grandes áreas temáticas: procesos de transporte en medios con desorden dinámico,
esto es medios que no conservan las propiedades físicas de las partículas en el tiempo, y procesos de
difusión sobre supercies mediada por volumen. El primero de los temas se desarrolla en los capítulos
3, 4 y 5; en tanto que el otro aspecto investigado se presenta en los capítulos 6, 7 y 8.
En el cap. 3 discutiremos un modelo propuesto para el movimiento de un sistema de partículas
en un medio que además posee dinámica propia, es decir el medio por el cual transitan las partículas
presenta cambios de estado o de conguración en el tiempo, los cuales son independientes del movimiento
de las partículas. Las uctuaciones que presenta el medio son globales, es decir que el cambio en la
conguración se produce en todo el medio o locales donde las transiciones se producen en algunas
regiones del mismo. Caracterizaremos el transporte de las partículas en dicho medio. Propondremos
básicamente dos dinámicas para la transición, una del tipo markoviana y otra de origen no markoviano.
Desarrollaremos una teoría capáz de incluir ambos casos.
En el cap. 4 desarrollaremos un caso particular pero importante del cap. 3, en el cual conside-
raremos medios gobernados por dinámicas con ruido . Este fenómeno conocido como el problema de
atrapamiento con trampas dinámicas está orientado a simular el comportamiento de los canales iónicos
Introducción 3
en sistemas biológicos. Básicamente analizaremos el movimiento de un sistema de partículas en una red

unidimensional, la cual posee un sitio (trampa) sometido a un campo que provoca cambios de estados
en éste. Las partículas que por allí transitan pueden quedar atrapadas y por lo tanto salir de la red.
Supondremos que el campo está constituido por dos señales, una periódica y otra de origen estocástico.
Estudiaremos las respuestas que se generan en el sistema como consecuencia de considerar diferentes
características en los procesos estocásticos que denen a la señal de entrada. Mostraremos que bajo
determinadas condiciones, una señal con estas características es capáz de mejorar la señal de salida del
sistema, dicho fenómeno se conoce como resonancia estocástica.
En el cap. 5 haremos una generalización de los dos capítulos anteriores al considerar transiciones
globales en un medio debido a desórdenes producidos por campos deterministas y estocásticos. Anali-
zaremos la dinámica de las partículas en este tipo de medios desde distintos puntos de vistas como por
ejemplo el tiempo medio del primer pasaje o la probabilidad de retorno al origen, pensando fundamen-
talmente en caracterizar problemas de activación a través de parámetros tales como las intensidades de
ruido, las frecuencias temporales de transición o la anisotropía del medio. Mostraremos la existencia
de fenómenos resonantes y discutiremos bajo que condiciones aparecen tales fenómenos.
En la segunda etapa de este estudio que se inicia en el cap. 6, trataremos los problemas de transporte
sobre un medio tridimensional. Esta clase de fenómenos se enmarca en una generalización a los capítulos
anteriores llevando el problema de transporte a una mayor dimensionalidad espacial, desarrollando para
ello otras técnicas matemáticas a fín de solucionar el modelo propuesto. Aquí estudiaremos la difusión
de partículas sobre una red cúbica simple, en principio no acotada, describiendo dicho proceso por un
sistema de ecuaciones maestras y observaremos la evolución de éste sobre una supercie. Describiremos
el proceso a través de magnitudes estadísticas tales como la probabilidad condicional de hallar a las
partículas sobre el plano y la dispersión o distancia cuadrática media. Mostraremos que en determinados
intervalos temporales es posible encontrar procesos subdifusivos, difusivos o superdifusivos (difusión
anómala), dependiendo para ello de la relación existente entre los ritmos de adsorción y desorción en
la supercie. Sin embargo para tiempos grandes el proceso que gobierna tal fenómeno es subdifusivo.
En el cap. 7 profundizaremos lo desarrollado en el cap. 6, considerando los efectos producidos
en la difusión debido a condiciones de frontera impuestas al volumen que contiene a las partículas.
Mostraremos que la nitud en el volumen produce comportamientos difusivos en la evolución de un
sistema de partículas sobre una dada supercie para tiempos grandes a diferencia del proceso subdifusivo
experimentado por el sistema cuando el volumen es seminnito.
En el cap. 8 generalizaremos lo expuesto en los dos capítulos anteriores al considerar dinámicas no
markovinanas en el movimiento de las partículas. Mostraremos numéricamente que bajo la suposición
de distribuciones no markovianas con primeros momentos nitos y bajo una determinada relación entre
los ritmos de adsorción y desorción, la evolución de un sistema sobre una supercie está caracterizada
inicialmente por un proceso oscilatorio amortiguado. Dicho proceso converge hacia el experimentado
por sistemas con dinámicas de salto markovianas para tiempos grandes.
Por último, en el cap. 9, se expondrán las conclusiones generales obtenidas en el desarrollo de esta
4 Introducción
tesis.
Capítulo 2
Procesos estocásticos en física

En la naturaleza se encuentra muchos fenómenos en los cuales algunas cantidades relacionados a éstos
varían en el tiempo de un modo complicado e irregular. Por ejemplo, la posición de una partícula
Browniana es una cantidad que resulta imposible de calcular en detalle. Sin embargo puede ocurrir que
ciertas cantidades promediadas evolucionen de un modo regular y que por lo tanto puedan ser descriptas
por leyes simples.
Para denir este tipo de cantidades es necesario previamente establecer algunos conceptos teóricos
y estudiar las propiedades que de ellos resultam. En este capítulo presentamos una breve revisión de
algunos conceptos teóricos sobre procesos estocásticos que serán utilidad para el resto de la tesis.
2.1 Variable estocástica

Una variable estocástica es un objeto X denido por
1. un conjunto de posibles resultados. A este conjunto se lo suele denominar rango, conjunto de
estados, espacio de muestreo o espacio de fases.
2. una distribución de probabilidad sobre este conjunto.

El conjunto puede ser discreto, por ejemplo el número de electrones en una banda de conducción de
un semiconductor, el número de moléculas de un cierto compuesto químico; o este conjunto puede ser
continuo en un dado intervalo, por ejemplo la velocidad de una partícula Browniana, la energía cinética
de esa partícula, la diferencia de potencial entre los extremos de una resistencia eléctrica. También
puede ocurrir que este conjunto sea parcialmente discreto y parcialmente continuo.
La distribución de probabilidad, en el caso de un rango unidimensional continuo, está dado por una
función P (x) no negativa y normalizada en el siguiente sentido
Z
P (x) dx = 1; (2.1)
donde la integral se extiende sobre todo el rango. La probabilidad que la variable X tenga un valor
entre x y x + dx es P (x) dx.
6 Procesos estocásticos en física
El conjunto de estados y la distribución de probabilidad denen completamente a la variable es-

tocástica, sin embargo un número de conceptos adicionales son usados frecuentemente. El promedio o
valor de espectación de cualquier función fx denida en el mismo espacio de la variable X es
Z
hf (x)i = f (x) P (x) dx; (2.2)
en particular hxm i m se denomina el m - ésimo momento de X , promedio o media.
2.2 Procesos estocásticos

Una vez que una variable estocástica X ha sido denida, una innidad de otras variables estocásticas
pueden ser derivadas de ella. Cualquier cantidad Y puede denirse como función de X . Esta cantidad
puede representar cualquier clase de objetos matemáticos, en particular pueden ser funciones de una
variable adicional t.
YX (t) f (X; t); (2.3)
YX (t) se denomina función aleatoria o dado que en la mayoría de los casos t representa el tiempo, un
proceso estocástico. Así un proceso estocástico es simplemente una función de dos variables, una de las
cuales es el tiempo t y la otra una variable estocástica X .
Es posible reescribir la ec. (2.3) de la siguiente manera
YX (t) = f (x; t); (2.4)
la cual representa una realización del proceso. En términos físicos se considera que el proceso estocástico
es un conjunto (o ensamble) de estas realizaciones.
Es inmediato formar promedio sobre la base de una dada densidad de probabilidad PX (x) de X.
Por ejemplo Z
hY (t)i = YX (t) PX (x) dx: (2.5)
Más generalmente dados n valores t1 ; t2 ; t3 ; : : : ; tn de la variable temporal (no necesariamente todas

diferentes) es posible formar el n - ésimo momento
Z
hY (t1 ) Y (t2 ) : : : Y (tn)i = YX (t1) YX (t2 ) : : : YX (tn) PX (x) dx: (2.6)
Ahora supongamos un proceso estocástico YX (t). La densidad de probabilidad para que YX (t) tome
un valor y al tiempo t es Z
P1 (y; t) = Æ(y YX (t)) PX (x) dx; (2.7)
en general se puede establecer una jerarquía de densidades de probabilidad Pn (y1 ; t1 ; y2 ; t2 ; : : : ; yn ; tn )

(con n = 2; 3; 4; : : : ) las que pueden denirse de manera análoga a la ec. (2.7). Con estas cantidades se
pueden calcular los promedios
Z
hY (t1) Y (t2) : : : Y (tn)i = y1 : : : yn Pn(y;t1; : : : ; yn; tn) dy1 : : : dyn; (2.8)
Procesos estocásticos en física 7
es importante señalar que Pn (y1 ; t1 ; y2 ; t2 ; : : : ; yn ; tn ) está denida sólo cuando todos los tiempos son
distintos.
Esta jerarquía de funciones satisfacen las siguientes condiciones de consistencia
1. Pn (y1 ; t1 ; : : : ; yn ; tn ) 0.
2. Pn (y1 ; t1 ; : : : ; yn ; tn ) no cambia ante el intercambio de pares (yk ; tk ) y (yl ; tl ).
R
3. Pn (y;t1 ; y2 ; t2 ; : : : ; yn ; tn ) dyn = Pn 1 (y1 ; t1 ; y2 ; t2 ; : : : ; yn 1 ; tn 1 ).
R
4. P1 (y1 ; t1 ) dy1 = 1.
La jerarquía Pn (y1 ; t1 ; y2 ; t2 ; : : : ; yn ; tn ) constituye una especicación completa del proceso estocás-
tico. La prbabilidad condicional P (y2 ; t2 jy1 ; t1 ) es la densidad de probabilidad para que el proceso
estocástico Y
tome el valor y2 al tiempo t2 dadp que su valor al tiempo t1 era y1 . Claramente esta
cantidad es no negativa y está normalizada
Z
P (y2 ; t2 jy1 ; t1 ) dy2 = 1: (2.9)
En forma más general se puede jar valores de Y

a diferentes tiempos t1 ; t2 ; : : : ; tk y de este modo
calcular La probabilidad conjunta a otros tiempos distintos tk+1 ; : : : tk+l . Esto conduce a la denición
general de la probabilidad condicional
Pk+l (y1 ; t1 ; : : : ; yk ; tk ; yk+1 ; tk+1 ; : : : ; yk+l ; tk+l )

P (yk+1; tk+1 ; : : : ; yk+l ; tk+l jy1 ; t1 ; : : : yk ; tk ) = (2.10)
Pk (y1 ; t1 ; : : : ; yk ; tk )
A continuación se dene un proceso estocástico particular pero importante. Este proceso recibe el
nombre de proceso de Markov.
2.2.1 Proceso de Markov

Un proceso de Markov se dene como un proceso estocástico con la propiedad que para cualquier
conjunto de tiempos sucesivos (t1 < t2 < : : : < tn ) se cumple que
P (yn; tn jy1 ; t1 ; y2 ; t2 ; : : : yn 1 ; tn 1 ) = P (yn ; tn jyn 1 ; tn 1 ); (2.11)
esto es la densidad de probabilidad condicional al tiempo tn dado los valores y1 a t1 , hasta yn 1 a

tn 1 está unívocamente determinado y no está afectado por el conocimiento de los valores a tiempos
anteriores a tn 1 . La probabilidad P (yn ; tn )jyn 1 ; tn 1 se denomina probabilidad de transición.
Toda la jerarquía de este proceso puede construirse a partir de estas cantidades. Por ejmplo
P3 (y1 ; t1 ; y2 ; t2 ; y3 ; t3 ) = P2 (y;t1 ; y2 ; t2 ) P (y3 ; t2 jy2 ; t2 )

= P1 (y1 ; t1 )P (y3 ; t3 jy2 ; t2 )P (y2 ; t2 jy1 ; t1 ): (2.12)
Integrando esta ecuación sobre la variable y2 y teniendo en cuenta que t1 < t2 < t3 se tiene
Z
P2 (y1 ; t1 ; y3 ; t3 ) = P1 (y1 ; t1 ) P (y3 ; t3 jy2 ; t2 ) P (y2 ; t2 jy1 ; t1 ) dy2 ; (2.13)
dividiendo ambos términos de esta ecuación por P1 (y1 ; t1 ) y recordando la denición de probabilidad
condicional dada en la ec. (2.10) se tiene
Z
P (y3 ; t3 jy1 ; t1 ) = P (y3 ; t3 jy2 ; t2 ) P (y2 ; t2 jy1 ; t1 ) dy2 : (2.14)
Esta expresión recibe el nombre de ecuación de Chapman - Kolmogorov y representa una identidad
que debe ser cumplida por las probabilidades de transición de cualquier proceso de Markov (o proceso
markoviano). El orden temporal es esencial, es decir t2 debe estar entre t1 y t3 .
El proceso de Markov está completamente determinado por las probabilidades P1 (y1 ; t1 ) y
P (y2 ; t2 jy1 ; t1 ) porque toda la jerarquía Pn (y1 ; t1 ; y2 ; t2 ; : : : ; yn ; tn ) puede ser construida desde estas dos
contidades antes mencionadas. Estas funciones no pueden elegirse de manera arbitraria, sin embargo
deben cumplir con las siguientes dos identidades
1. la ecuación de Chapman - Kolmogorov (ec. (2.14)).

R
2. P! (y2 ; t2 ) = P (y2 ; t2 jy1 ; t1 ) P1 (y1 ; t1 ) dy1 .
Recíprocamente si dos funciones no negativas P1 (y1 ; t1 ) y P (y2 ; t2 jy1 ; t1 ) cumplen con estas dos condi-
ciones de consistencia, entonces denen unívocamente un proceso de Markov.
2.3 La ecuación maestra

La ecuación maestra es una forma equivalente de la ecuación de Chapman - Komogorov (ec. (2.14))
para los procesos de Markov. Sin embargo trabajar con la ecuación maestra resulta más fácil y está
más directamente relacionada con los conceptos físicos.
Consideremos un proceso de Markov el cual está caracterizado por la P1 (y1 ; t1 ) y una probabilidad
de transición T . La ecuación maestra es una ecuación diferencial obtenida en el límite para diferencias
temporales pequeñas ( 0 ). Para estos tiempos es posible mostrar ([5]) que T (y2 jy1 ) tiene la forma
T 0 (y2 j y!) = (1 a0 ( 0 )) Æ(y2 y1 ) + 0 W (y2 j y1 ) + o( 0 ); (2.15)
donde W (y2 j y1 ) esla probabilidad de transición por unidad de tiempo. El coeciente 1 a0 ( 0 ) es la

probabilidad que ninguna transición suceda durante el intervalo temporal 0. Esto implica que
Z
a0 (y1 ) = W (y2 j y1 ) dy2 : (2.16)
Ahora reescribiendo la ec. (2.14) en términos de la ec. (2.15) se obtinee

Z
T + 0 = (1 a0 W (y3 ) 0 ) T (y3 j y@ ) + 0 W (y3 j y2 ) T (y2 jy1 ) dy2 ; (2.17)
Procesos estocásticos en física 9
dividiendo esta ecuación por 0, tomando el límite a cero de esta cantidad y usando la ec. (2.16) se
obtiene
Z
#
P (y; t) = (W (y j y0 ) P (y0 ; t) W (y0 j y) P (y; t)) dy0 (2.18)
#
donde hemos denido
P (y; t) T (y3 j y1 ): (2.19)
La ec. (2.18 es la forma diferencial de la ecuación de Chapman - Kolmogorov y se la llama ecuación

maestra.
Si el rango de Y es un espacio discreto con índices n la ec. (2.18 puede escribirse como
dpn (t) X
= (Wnn0 pn0 (t) Wn0 n pn (t)): (2.20)
dt n0
La ecuación maestra es una ecuación de balance para las probabilidades en los diferentes estados n. El
primer término de esta ecuación indica una ganancia del estado n debido a las transiciones desde los
estados n0 . El segundo término representa la pérdida de probabilidad debido a las transiciones desde
el estado n a los restantes estados n0.
Es importante señalar nuevamente que la ecuación maestra es una forma equivalente de la ecuación
de Chapman - Kolmogorov para procesos markovianos.
2.3.1 La ecuación de Fokker - Planck

La ecuación de Fokker - Planck es un tipo especial de ecuación maestra la cual es utilizada como un
modelo para procesos markovianos más generales. Esta ecuación surge a partir de considrerar a la
probabilidad de transición por unidad de tiempo (W ) como un operador diferencial de segundo orden
#P (y; t) # 1 #2
= A(y) P (y; t) + B (y) P (y; t): (2.21)
#t #y 2 #y2
Es importante destacar que el rango de la variable estocástica Y tiene que ser necesariamente continuo.
Los coecientes A(y) y B (y ) son en principio funciones reales diferenciables y con la sola restricción
que B (y ) > 0.
Por denición, la ecuación de Fokker - Planck es siempre una ecuación lineal. En particular si A es
una función lineal de yB es una constante se tiene
#P (y; t) # B #2
= (A0 + A1 y) P (y; t) + 0 2 P (y; t): (2.22)
#t #y 2 #y
Si A1 < 0 el proceso de Markov estacionario determinado por esta ecuación es un proceso de Ornstein
- Uhlenbeck [11].
2.3.2 Ecuaciones maestras generalizadas

Para derivar la ecuación maestra (ecs. (2.19), (2.20)) se supuso que las probabilidades de transición
se desarrollaban alrededor de intervalos temporales ( ) pequeños (ec. (2.15)). Por lo tanto es posible
escribir a la probabilidad de transición por unidad de tiempo (W ) de la siguiente manera
Wnn0 = ! gnn0 ; (2.23)
donde ! representa una frecuencia temporal de transición y gnn0 da la probabilidad de salto entre los
estados n y n0 .
La ec. (2.20) puede reescribirse de la siguiente manera
dpn (t) X
= !pn(t) + ! (gnn0 pn0 (t): (2.24)
dt n0
donde se ha utilizado que

X
gn0 n = 1: (2.25)
n0
Un conjunto de ecuaciones maestras generalizadas ha sido derivado desde ecuaciones de la mecánica
cuántica [6, 7, 8, 9] bajo la hip'otesis que a t = 0 la matriz densidad es diagonal. La forma de la
ecuación maestra generalizada es
dpn (t) Z t X
= du (Knn0 (t u) pn0 (u) Kn0 n (t u) pn (u)): (2.26)
dt 0 n0
Este tipo de ecuaciones permite estudiar procesos no markovianos. Recíprocamente un proceso no

markoviano puede satisfacer una ecuación maestra generalizada. Las funciones Knn0 (t) se denominan
Kernel de memoria. En particular si estas funciones adoptan la forma de
Knn0 (t u) = ! gnn0 Æ(t u); (2.27)
entonces se reobtiene la ecuación maestra (ec. (2.24)). Así un proceso markoviano, visto desde este
punto de vista, representa un proceso sin memoria.
Capítulo 3
Difusión en medios uctuantes

En este capítulo desarrollaremos un modelo de difusión de partículas en medios continuos o discretos
(redes) que pueden cambiar de estado, esto es medios que alteran las propiedades dinámicas de las
partículas. El medio puede cambiar de estado como un todo, en cuyo caso se habla de uctuaciones
globales del medio, o en determinadas regiones del mismo. En este último caso se habla de uctuaciones
locales del medio.
Presentaremos un modelo general que describe este tipo de fenómenos; encontraremos formalmente
la solución al mismo y discutiremos un caso especial donde es posible obtener una solución analítica
para sistemas globalmente desordenados.
Para completar esta primera etapa, y a fín de comparar con la teoría, mostraremos un estudio
numérico de sistemas con desórdenes locales del medio.
3.1 Introducción. Aspectos generales del problema

El problema de la difusión en medios con uctuaciones globales y locales ha sido estudiado intensamente
durante muchos años. Los procesos de transporte electrónico en materiales amorfos [3], la conducción
iónica en polímeros [25]; el transporte de "Browniones"[26, 27], esto es partículas que pueden estar
en dos o más estados realizando un proceso difusivo en cada uno de ellos, los estudios teóricos de
las caminatas aleatorias en medios caracterizados por uctuaciones internas y sometidos a campos
externos [28, 29, 30] constituyen sólo algunos ejemplos de la vasta cantidad de procesos caracterizados
por desórdenes espacio temporales en el medio por donde se lleva a cabo el transporte. Otros fenómenos
enmarcados en este tipo de estudio corresponden al proceso de activación resonante sobre barreras
uctuantes [31] y el escape desde este tipo de sistemas [32, 33].
Los fenómenos arriba expuestos comparten la característica de que los medios donde se mueven las
partículas no son estacionarios, sino que cambian en el tiempo. Además es importante señalar que los
cambios entre las distintas conguraciones o estados del medio son independientes del proceso difusivo
realizado por la partícula. Usualmente se supone que los estados son independientes uno de otro y
12 Difusión en medios uctuantes
que las partículas están sujetas a procesos markovianos en cada estado, es decir la dinámica en cada
estado está descripta por ecuaciones maestras cuando el medio en el que se desarrolla el movimiento
es discreto (redes) o por ecuaciones Fokker - Planck cuando dicho movimiento se produce en un medio
continuo.
A continuación presentaremos un esquema general basado en la técnica desarrollada por van Kam-
pen, Composite Markov Processes [4]. Este tratamiento nos permite considerar problemas de transporte
en medios con uctuaciones globales y locales. La ventaja de tal análisis radica en la posibilidad de
considerar el caso importante de transiciones no markovianas entre estados. Mediante este modelo
podemos analizar la inuencia de los cambios de estado markovianos y no markovianos en medios con-
tinuos o discretos sobre cantidades tales como la distribución de tiempos del primer pasaje (F P T D )
(rst passage time distribution) o el tiempo medio del primer pasaje (MF P T ) (mean rst passage
time).
3.2 Modelo teórico para sistemas uctuantes

Consideremos una partícula que realiza una caminata aleatoria en un medio continuo o discreto, carac-
terizado por tener N estados denotados por los índices j (con j = 1; 2; 3; :::; N ).
Denimos la probabilidad uj (t) de que el medio haya permanecido en el estado j luego de un tiempo
t desde el último cambio a t = 0 como
Z tX !
uj (t) = exp ij (t0 )dt0 ; (3.1)
0 i
donde ij (t) es la probabilidad por unidad de tiempo de que el medio realice un salto desde el nivel j
al nivel i y t es el tiempo en que la red ha permanecido en el nivel j .
Denimos, además, la estadística de cambio del medio vij (t) como la probabilidad de que el medio
nalice su permanencia en el estado j , luego de un tiempo entre t y t + dt dado que el medio arribó al
estado j a t = 0 realizando un salto a otro estado i,
vij (t)dt = uj (t) ij (t)dt: (3.2)
Es importante resaltar que la ec. (3.2) es una expresión completamente general, es decir que no se
han hecho suposiciones acerca del tipo de dinámica para las transiciones [4]. En el caso particular en
que las vij (t) sean funciones exponenciales del tiempo, estamos ante el caso de procesos de transición
markovianos entre estados.
Para un dado estado j del medio, el proceso de transporte se supone markoviano y denotamos al
correspondiente propagador por Aj . Estos propagadores son matrices (ecuación maestra) en el caso
de medios discretos u operadores diferenciales (ecuación de Fokker - Plank) si tratamos con medios
continuos.
Por otro lado denimos la densidad de probabilidad conjunta Pj (~r; tj~r0 ; t0 )d~r como la probabilidad
que el caminante esté en ~r y la red en el estado j al tiempo t dado que el caminante estaba en ~r0
Difusión en medios uctuantes 13
a t = t0 .Cuando las ij (t) son funciones independientes de t la probabilidad condicional conjunta

satisface el siguiente sistema de ecuaciones maestras acopladas
X
P_j (~r; t) = Aj Pj (~r; t) + ( ji Pi (~r; t) ij Pj (~r; t)); (3.3)
i
con j = 1; 2; 3; :::; N .
Además denimos dos matrices de N N mediante
Vij (t) = vij (t)etAj ; (3.4)
Uij (t) = Æij uj (t)etAj ; (3.5)
donde resaltamos que las expresiones en las ecuaciones (3.4) y (3.5) representan los operadores ma-
triciales para los sistemas continuos o matrices por bloques para los casos discretos. La función Æij
representa la delta de Kronecker
La transformada de Laplace de la probabilidad condicional conjunta puede ser expresada en términos
de las transformadas de Laplace de las matrices V y U de la siguiente manera:
NX
P^j (~r; sj~r0 ; 0) = [U^ (s)[I V^ (s)] 1 ]ji Pj (~r0 ; t = 0); (3.6)
i=1
donde P^j (~r; sj~r0 ; 0) es la transformada de Laplace de la probabilidad condicional. La ec. (3.6) será
usada para obtener el MF P T para un caminante que se encuentra en un medio con uctuaciones
globales.
Finalmente denimos la distribución de probabilidad marginal o total P (~r; tj~r0 ; t0 ), correspondiente
a una partícula que se encuentra en un sitio de red ~r al tiempo t independientemente del estado en que
se encuentra el medio:
X
P (~r; tj~r0 ; t = 0) = Pj (~r; tj~r0 ; t = 0); (3.7)
j
donde la suma se realiza sobre los N estados del medio. Los procesos cuya distribución de probabilidad
corresponde a la ec. (3.7) son en general no markovianos.
La transformada de Laplace de la F P T D para alcanzar el origen por primera vez comenzando su
caminata en el sitio ~r0 suponiendo la condición sincronizada, puede ser obtenida mediante una extensión
de la ecuación de renovación [5] para el caso general no markoviano bajo la hipótesis indicada en [35]
P^ (~0; sj~r0 ; t = 0)
f^(~r0 ; s) = ^ ; (3.8)
P (~r0 ; sj~r0 ; t = 0)
donde P^ (~0; sj~r0 ; t = 0) es la transformada de Laplace de la distribución de probabilidades marginal
dada en la ec. (3.7). Como ha sido establecido, el proceso denido por la ec. (3.7) es en general no
markoviano y por lo tanto es necesario denir una densidad de tiempo de pausa para el primer salto;
la denominada condición de sincronización supone que el instante t = 0 coincide con la transición del
caminante a ~r0 .
Resumiendo lo dicho hasta aquí, las ecs. (3.8) y (3.6) son los resultados más importantes, es decir
hemos obtenido la F P T D para una partícula en un medio uctuante con estadísticas arbitrarias para
las transiciones del medio vij (t). Los casos markovianos y simétricos [31, 32] pueden ser obtenidos como
casos particulares de las probabilidades de transición.
El MF P T para alcanzar el origen en un medio con uctuaciones arbitrarias es:
Z1
@ f^(~r0 ; s)
(~r0 ) = tf (r0 ; t)dt =
@s s=0
j : (3.9)
0
3.2.1 Límite para tiempos de memoria corta

Una expresión general para el (~r0 ) ha sido encontrada en el límite para tiempo de memoria corta de
las uctuaciones del medio comparada con la escala temporal determinada por el propagador Aj [4].
En relación con la F P T D esta aproximación puede ser establecida de la siguiente forma: el tiempo de
vida promedio para cada nivel j debe ser mucho menor que el MF P T para todos los j .
Para obtener f^(~r0 ; s)
en este límite suponemos que las vij (t) tienen primer momento nito [4], es
decir que estas distribuciones tienen colas cortas. Con esta hipótesis tenemos:
Pj (~r; tj~r0 ; t = 0) = j P (~r; tj~r0 ; t = 0); (3.10)
Las j son las componentes del autovector a derecha de la matríz vîj (s = 0) con autovalor igual a 1, y
P P
que satisfacen N r; tj~r0 ; t = 0) = j Pj (~r; tj~r0 ; t = 0), donde
j =1 j = 1. Por otro lado tenemos que P (~
P (~r; t) satisface la ecuación
@P (~r; t) ^
= AP (~r; t): (3.11)
@t
El operador A^ está determinado por los Aj de acuerdo a la siguiente expresión:
X N
A^ = j Aj ; (3.12)
j =1
donde
T
j = PN j j ; (3.13)
j =1 Tj j
y la vida media para el estado j es:
Z1 X
N PN
@( v )ij (s))
i=1 (^
Tj = t vij (t)dt =
@s
js=0: (3.14)
0 i=1
Por lo tanto, concluimos que en el límite para tiempo de memoria corta, la probabilidad marginal
P
P= j Pj representa una caminata aleatoria markoviana efectiva.
3.2.2 Ejemplo de sistemas uctuantes

Hasta aquí hemos desarrollado formalmente un modelo que describe caminatas aleatorias de partículas
sobre medios que presentan cambios de estado. Esta teoría es general en el sentido que incluye tanto a
medios continuos como discretos. Por otro lado el medio puede cambiar entre un número cualquiera de
estados y estas transiciones pueden asociarse con dinámicas de origen markovianas o no markovianas.
En esta sección desarrollaremos un caso particular de este modelo que nos permite obtener resultados
concretos y así poder compararlos con simulaciones numéricas.
Para ello suponemos una caminata aleatoria sobre una red unidimensional que tiene N estados.
El movimiento en un dado estado j de la red está determinado por la evolución del propagador Aj .
Estos propagadores representan matrices W [4, 5] tridiagonales dado que suponemos saltos a primeros
vecinos. Los saltos en en un estado arbitrario j están caracterizados por dos parámetros: j , el ritmo
temporal de salto y el bias j que representa la probabilidad de hacer un salto en una dada dirección.
Por lo tanto el rango de variación de j es: 0 j 1. Suponemos que j indica el salto hacia la
izquierda y que 1 j es el sesgo hacia la derecha de la red. Estas deniciones se hacen extensibles
para todos los estados de la red.
Usando las ecs. (3.11) a (3.14) identicamos el ritmo de salto efectivo de la red como:
N
X
eff = j j ; (3.15)
j =1
en tanto que el bias efectivo viene dado por:

PN
j j j
eff = Pj =1
N : (3.16)
j =1 j j
Para calcular la densidad de probabilidad del primer pasaje f^(s; r0 ) y el tiempo medio del primer
pasaje (~r0 ), recurrimos a las ecs. (3.8) y (3.9).
A modo de ejemplo restringimos el problema a un sistema que posee dos estados. En este caso el
arreglo vîj (s = 0) tiene la siguiente forma
!
0 1
vîj (s = 0) = :
1 0
Los autovectores a derecha son 1 = 2 = 0:5 y
T1 T2
1 = = : (3.17)
T1 + T2 2 T1 + T2
Los parámetros efectivos eff y eff son
1 T1 + 2 T2
eff = ; (3.18)
T1 + T2
T + T
eff = 1 1 1 2 2 2: (3.19)
1 T1 + 2 T2
Por último la expresión para el MF P T para un caminante inicialmente en la posición r0 es

8
< r0 si eff > 12 ;
(r0 ) = : eff (2eff 1)
1 si eff < 12 :
Esta expresión establece que el MF P T , en el límite en el que se ha calculado, es una cantidad direc-
tamente proporcional al sitio inicial (r0 ) del movimiento. Además existe un límite, establecido por el
bias efectivo por debajo del cual las partículas no tienen un MF P T nito.
Si denimos a MF P T como r = (rr00 ) , entonces observamos que esta nueva cantidad depende
solamente de las características efectivas de la red.
3.2.3 Simulación numérica

La teoría aquí desarrollada fue comparada con simulaciones Monte Carlo. Para ello estudiamos la
evolución de un sistema de partículas sobre una red unidimensional innita que uctúa entre dos
estados. Consideremos la caminata aleatoria realizada por una partícula que inicialmente está ubicada
en un sitio r0 de la red y en un dado estado del medio. Dicho estado puede ser elegido en forma
arbitraria o puede asignársele una probabilidad que sea uno de los estados o el otro.
Denida las condiciones iniciales del proceso comienza la evolución de la partícula sobre la red,
otorgándole el tiempo de espera para su salto de acuerdo a las características de la red en que se
encuentra.
Dado que la dinámica de cambio de estados de la red es independiente a la de la partícula es
necesario controlar por separado ambos movimientos. Más precisamente hay que redenir el tiempo de
espera para el salto de la partícula cada vez que el sistema cambia de estado, trasladando el tiempo
inicial de salto al tiempo de cambio de la red y reasignando el tiempo de espera para el salto de acuerdo
a las características de salto que la partícula tenga en ese estado. Es posible aplicar este algoritmo
dado que hemos supuesto que en cada estado de la red la partícula posee una dinámica markoviana.
Los tiempos de cambio de estado de la red están determinados por la siguiente distribución de
tiempos de pausa
( at)(a 1) at
pdf (t) = a e ; (3.20)
(a)
a pertenece al conjunto de los números naturales y representa el parámetro de markovianicidad de la
distribución. Cuando a = 1, entonces la distribución de saltos es markoviana. Si a 6= 1 entonces la
distribución es no markoviana.
La Fig. 3.1 muestra las distribuciones de probabilidad de cambio de estado (pdf ) usadas en las
simulaciones como función de t para tres valores distintos de a.
La familia representada en la Fig.3.1 y denidas por la ec.(3.20) poseen el siguiente primer momento
Z1
1
hti = t pdf (t) dt = ;

(3.21)
0
1.0
0.8
0.6
pdf(t)
0.4
0.2
0.0
0 1 2 3 4 5 6
γ t (adim.)
Figura 3.1: Función Densidad de Probabilidad para tiempos de salto (pdf (t)) usada para las tran-
siciones en la red; a=1 (línea continua), a=2 (línea de trazos), a=5 (línea de trazos cortos y
largos).
es decir este valor es nito e independiente del parámetro de markovianicidad a y sólo depende de la
frecuencia . Entonces dado el ritmo temporal el tiempo medio de salto entre estados tiene el mismo
parámetro que caracteriza tanto a la dinámica markoviana como a la no markoviana. Este hecho es
importante al momento de poder estudiar los efectos de la no markovianicidad de las uctuaciones del
medio.
Otra característica que presenta este tipo de distribuciones es que para los casos no markovia-
nos existe un valor máximo en la distribución, en tanto que la distribución markoviana es una curva
monótonamente decreciente.
Estas distribuciones son generadas a través de un algoritmo Monte Carlo [48].
Los saltos de las partículas son a primeros vecinos, estando la dirección de los mismos caracterizados
por el bias o probabilidad de salto en un dado sentido denido en cada estado. Se ha supuesto que el
tiempo que tarda una partícula en saltar de un sitio a otro de la red es despreciable respecto al tiempo
de espera denido en cada estado.
La caminata de la partícula se efectúa hasta el momento en que ela llega por primera vez al sitio
trampa que se ha supuesto en el origen de la red. Este tiempo está denido como el del primer pasaje.
El promedio de este tiempo sobre un ensamble de partículas dene el MF P T .
3.3 Resultados y discusiones

El modelo presentado fue confrontado con los resultados obtenidos por simulaciones Monte Carlo. A
continuación se mostrarán las guras correspondientes a dicho estudio. Los resultados obtenidos serán
presentados en dos etapas. Una tiene que ver con el transporte de partículas en redes globalmente
desordenadas, y la otra con el transporte en redes en las cuales sólo algunos sitios de la misma presentan
cambios en su conguración.
3.3.1 Transporte en redes globalmente desordenadas

En esta sección discutiremos el problema de la difusión de partículas en redes que cambian de estado
globalmente.
Para jar ideas hemos supuesto que dichas redes uctúan entre dos estados. Uno de los estados,
denotado como el estado 1, tiene una frecuencia temporal de salto 1 = 1 (en unidades arbitrarias), en
tanto que la probabilidad de saltar en una dirección dada (tomamos la dirección hacia la izquierda de
la red) es 1 = 0:9. El estado 2 está caracterizado por un 2 = 0:5 en tanto que el bias (2 ) es de 0:4.
El estado 1 es un estado donde las partículas tienen una fuerte tendencia de moverse hacia la izquierda,
en tanto que en el estado 2 el sentido privilegiado de movimiento es hacia la derecha de la red. Las
partículas fueron colocadas inicialmente en un sitio n0 de la red a la derecha del sitio 0 que fue escogido
como el sitio de llegada o nal de la evolución. En general (a menos que la gura lo especique) el
estado inicial de la red fue el estado 1 y las frecuencias de transición entre los estados, 12 y 21 , eran
iguales y su valor de 5.
En la g.3.2 se observa la dependencia del MF P T
como función de n0 . Los parámetros usados en
estas simulaciones son tales que nos encontramos dentro de la aproximación de memoria corta. Las
simulaciones conrman que el MF P T como función de n0 es independiente del tipo de distribución
(markoviana o no markoviana) que gobierne la transición entre los estados. El resultado teórico muestra
un excelente acuerdo con las simulaciones de Monte Carlo.
En la g.3.3 mostramos la dependencia del MF P T como función de , el ritmo temporal de salto
en cada estado. Para esta gura consideramos que los eran los mismos en cada estado. Se observa
que a medida que la frecuencia de salto crece, elMF P T disminuye.
En la g.3.4 presentamos la relación entre el MF P T y la frecuencia de transición entre los estados
( 12 = 21 = ). Consideramos las curvas características para tres grados de markovianicidad
diferentes.
La gura nos permite distinguir tres regiones. Una región de
pequeños, otra de frecuencias
intermedias y una tercera región de altos. Esta última región corresponde al límite de memoria corta,
donde no existen diferencias entre los comportamientos de redes con transiciones markovianas y no
markovianas. Este tipo de comportamiento fue predicho por la teoría. En la región de intermedia
se puede observar una fuerte dependencia del MF P T con el tipo de transiciones entre los estados del
medio. La región de ritmos de transición pequeños presenta una característica particular. La respuesta
3500
3000
M.F.P.T (Unid. Arb.)
2500
2000
1500
1000
500
50 100 150 200 250 300 350
n0
Figura 3.2: MFPT como función de n0 para dos casos distintos, distribución markoviana (círcu-
los),distribución no markoviana a = 5 (cuadrados) y cálculo teórico (cruces). Frecuencia de transición
entre estados ( ) igual a 5.
900
800
700
600
500
400
300
200
100
0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2
λ (U nid. A r b. )
Figura 3.3: MFPT vs para dos casos distintos, a = 1 (círculos), a = 5 (cuadrados), y cáculo teórico
(cruces). Frecuencia de transición entre estados ( ) igual a 5.
para uctuaciones no markovianas tiende hacia los valores obtenidos por sistemas con un solo estado.
Mientras tanto el valor asintótico para el caso markoviano es diferente. En los procesos gobernados
por dinámicas de transición no markovianas (teniendo en cuenta las condiciones impuestas en las
12
11
10
9
8
7
6
5
4
0.01 1 100
γ (U nid. A r b. )
Figura 3.4: MFPT vs para 3 casos distintos; a=1 (círculos), a=5 (cuadrados) y cruces a=9
(cruces). Sitio inicial de movimiento n0 = 4.
simulaciones) resulta muy poco probable una transición. Por lo tanto las partículas sólo se mueven
en un solo estado hasta llegar al sitio de llegada (sitio 0). Por otro lado para una red con dinámica
markoviana es probable que ocurra una transición hacia el estado menos favorable (estado 2) y por
consiguiente el MF P T resulta ser más grande respecto al obtenido para sistemas no markovianos.
Este comportamiento puede estar relacionado a las características en las distribuciones de tiempo de
salto utilizadas (ver g.3.1). Para arrojar más luz sobre este punto investigamos el problema de redes
con uctuaciones locales.
3.3.2 Transporte en redes localmente desordenadas
En este sección nos ocuparemos de mostrar y analizar el caso de una red unidimensional en la cual sólo
algunos sitios de la misma presentan cambios en sus estados. El resto de los sitios de la red poseen
solamente un solo estado. La dinámica de simulación de este tipo de sistema es análoga a la descripta
para las redes con uctuaciones globales. Este hecho se debe a que hemos mantenido las características
markovianas de movimiento de las partículas dentro de cada estado.
Hemos supuesto que las propiedades que caracterizan a uno de los estados son iguales al del resto
de la red. En particular consideramos que el estado de los sitios no desordenados coincide con el estado
1. El sentido de esta suposición fue la de observar cómo afecta el desorden de algunos sitios de la red
en la respuesta del sistema.
La g.3.5 muestra el comportamiento del MF P T como función de la frecuencia de salto entre los
estados en donde la cantidad de sitios con desorden en la red (ndl) es 2. Los parámetros que caracterizan
8.0
7.5
7.0
6.5
6.0
5.5
5.0
1E-3 0.01 0.1 1 10 100
γ (Unid. Arb.)
Figura 3.5: MFPT vs ; a = 1 (círculos), a=5 (cuadrados), a=9 (cruces). Sitio inicial n0 = 4.
Número de sitios con desorden ndl = 2.
a la red son los mismos que los utilizados en la g.3.4. En esta gura, además, puede observarse que el
rango de frecuencias de salto entre estados coincide con los de la g.3.4.
26
24
22
20
18
16
14
12
1E-3 0.01 0.1 1 10 100
γ (Unid. Arb.)
Figura 3.6: MFPT como función de las frecuencias de transición entre los estados para el caso marko-
viano (a = 1), ndl = 1 círculos abiertos, ndl = 4 cuadrados, ndl = 8 cruces. Sitio inicial de movimiento
n0 = 10.
Esta gura muestra que el comportamiento registrado en estos tipos de sistemas es notablemente
diferente al mostrado cuando las uctuaciones del medio son globales. En primer lugar se observa una
disminución en los tiempos medios de primer pasaje para todas distribuciones de cambio de estado.
Para frecuencias elevadas o en la región de memoria corta los efectos de la no markovianicidad de la
red desaparecen. Otro hecho a destacar es que para frecuencias intermedias aparece un máximo. Este
máximo se ha más evidente para el caso markoviano, en tanto que tiende a desaparecer a medida que
aumenta el grado de no markovianicidad.
Por otro lado para frecuencias bajas observamos que la dinámica markoviana tiende a acompañar
a la no markoviana. Es decir desaparece el gap observado cuando las redes presentan uctuaciones
globales.
55
50
45
40
35
30
25
1E-5 1E-4 1E-3 0.01
γ (Unid. Arb.)
Figura 3.7: MFPT como función de las frecuencias de transición entre los estados para el caso mar-
koviano (a = 1),ndl = 1 círculos abiertos, ndl = 10 cuadrados, ndl = 100 cruces, sitio inicial n0 = 20.
En la g.3.6 presentamos la dependencia del MF P T respecto de la frecuencia de salto entre estados
para el caso markoviano parametrizando las curvas con el número de sitios desordenados (ndl). Esta
gura muestra cómo afecta el número de sitios desordenados a la respuesta del sistema. Como es de
esperarse, en función de las características de los estados, a medida que aumenta el número de sitios
desordenados el MF P T se incrementa. Además los máximos en estas cantidades tienden a desaparecer
con el incremento enndl.
Por último en la g.3.7 observamos la respuesta para el sistema markoviano para un intervalo de
frecuencias de salto entre estados más bajas que las consideradas en la g.3.4. Observamos que a
medida que aumenta el número de sitios desordenados el sistema tiende a apartarse del de un sistema
con red única.
3.4 Conclusiones
El modelo presentado en este capítulo describe el proceso de transporte de partículas en medios conti-
nuos o discretos (redes) que se caracterizan por tener dinámicas propias, esto es medios que presentan
cambios de estados o uctuaciones en su conguración.
Este modelo permite estudiar transiciones del medio con dinámicas markovianas o no markovianas,
generalizando de este modo la propuesta realizada por Klafter [32].
Hemos encontrado expresiones generales para la F P T D y el MF P T como función de las estadísticas

de cambio y de los propagadores en cada estado, tanto para el caso de medios continuos o discretos.
Mostramos que este proceso es en general no markoviano. Sin embargo en el límite para tiempos de
memoria corta, es posible denir un proceso markoviano efectivo, aún para procesos no markovianos
bajo la suposición que estos procesos tengan primeros momentos nitos. En este límite es posible
determinar una red efectiva caracterizada por una frecuencia temporal de salto y una probabilidad de
salto o bias los cuales están determinados por los parámetros en cada uno de los estados.
Hemos estudiado estos sistemas usando familias de funciones markovianas y no markovianas carac-
terizadas por dos parámetros; uno que identica el grado de markovianicidad de la distribución (a) y el
otro que establece la frecuencia de transición en el medio ( ). Esta última característica se desprende
del hecho que el primer momento de esta distribución es independiente del grado de markovianicidad de
la función e igual a 1 . Este hecho nos permite estudiar los efectos de markovianicidad y de transición
que ocurren en estos sistemas por separado.
La inuencia de la markovianicidad en los cambios de estado se hace importante cuando los ritmos
de transición entre estados son pequeños y medios. Cuando las frecuencias de transición son bajas, una
red gobernada por dinámicas no markovianas de transición no realiza cambios de estado. Las partículas
sólo se mueven en el estado en que fueron largadas inicialmente y la respuesta en el MF P T está dada
por las características propias de esta red. Sin embargo para redes con dinámicas markovianas existe
una probabilidad cierta que suceda tal cambio, modicando por consiguiente el valor del MF P T .
Estas respuestas de los sistemas pueden estar relacionadas con las características funcionales de las
distribuciones. Una distribución no markoviana cualesquiera presenta un valor máximo, el cual depende
del grado de no markovianicidad de la distribución. Además dicha función es igual a 0 cuando el valor
de la abcisa es igual a 0. En cambio una distribución markoviana es una función monótonamente
decreciente.
Las diferencias en el MF P T debidas a las dinámicas de transición markovianas y no markovianas
desaparecen cuando las frecuencias de salto entre estados es intensa, conrmando el resultado teórico
del límite para tiempos de memoria corta.
El comportamiento markovinano tiende al no markoviano en los sistemas con uctuaciones locales de
red para el caso de frecuencias de transición bajas. Se observa además la existencia de un máximo en la
MF P T , el cual se atenúa a medida que el grado de markovianicidad y el número de sitios desordenados
aumentan.
En la región de frecuencias de transición altas la inuencia de la markovianicidad también desapa-
rece, conrmando una vez más el resultado predicho por la teoría en el límite para tiempos de memoria
corta. Sin embargo, y como era de esperar por las características de la red expuestas, los valores de
MF P T disminuyen respecto a los de las uctuaciones globales de la red.
Capítulo 4
Medios gobernados por dinámicas con

ruido (Parte I)
Este capítulo desarrolla un aspecto particular pero importante de los sistemas dinámicos con desorden
local. Presentamos un modelo de atrapamiento sobre una red unidimensional basado en el problema
de las corrientes iónicas que se establecen a través de las membranas celulares. La red es homogénea
y estacionaria salvo en uno de sus sitios. Este sitio (denominado trampa) posee una dinámica propia;
las partículas que por allí transitan pueden salir del medio. La dinámica propuesta para este sitio se
asemeja a las características registradas en el comportamiento de algunos canales iónicos existentes en
las membranas celulares. Tales canales, sensibles a cambios de voltaje, pueden estar abiertos o cerrados
dependiendo para ello del valor de la diferencia de potencial aplicada en los canales. Este modelo
supone que dicho potencial está determinado por dos contribuciones: uno señal periódica en el tiempo
y la otra contribución de origen estocástica.
4.1 Introducción
La resonancia estocástica (RE) es un fenómeno que corresponde al incremento de la relación señal-
ruido (SNR) de salida, causado por la aplicación de una intensidad óptima de ruido en un sistema
no-lineal sometido a una señal periódica débil (Apéndice A). Este fenómeno fue descripto por primera
vez por Benzi [49] en el área de la paleoclimatología, y posteriormente ha sido ampliamente estudiado
en gran variedad de contextos de tipo físico, químico, biológico y/o tecnológico [50]. En particular,
diversos trabajos han mostrado que RE parece jugar un papel muy importante en sistemas sensoriales
de mamíferos, en el incremento en la capacidad táctil, en los mecanismos de percepción visual, en
efectos de radiaciones electromagnéticas de bajas frecuencias y bajas amplitudes, etc [51]
Entre los diversos experimentos que muestran RE, existe uno relacionado a la medición de corrientes
iónicas establecidas a través de los canales iónicos que están ubicados en las membranas de las células
y que son sensibles a las diferencias de potencial que se generan dentro y fuera de las células [53]. La
26 Medios gobernados por dinámicas con ruido (Parte I)
permeabilidad iónica a través de estas membranas se debe a la existencia de poros o canales localizados
dentro de una bicapa lípida. Estos canales consisten básicamente de proteínas las cuales experimentan
en el tiempo cambios conformacionales en la estructura de los mismos provocando de este modo que los
canales uctúen entre distintos estados. En una primera aproximación dos son los estados en los que
pueden encontrarse a los canales, el estado abierto al paso de los iones y el estado cerrado al mismo.
De este modo los canales controlan la corriente iónica que circula a través de ellos. La probabilidad
de encontrar un canal abierto o cerrado puede estar determinada por estímulos de origen eléctrico,
químico o mecánico. Por otro lado la difusión de los iones a través de los canales se debe a gradientes
electroquímicos establecidos a ambos lados de la membrana celular [52].
Éste y otros aspectos relacionados han motivado varios estudios teóricos y experimentales del proble-
ma de transporte iónico a través de biomembranas. Estos estudios han usado diferentes aproximaciones,
como así también distintas maneras de caracterizar al fenómeno de RE [54].
En este capítulo, motivados por el problema de los canales iónicos antes indicado, estudiaremos
los efectos en el ritmo de atrapamiento de un canal debidos a la diferencia de potencial establecida
en el mismo. Este potencial tiene origen en la acción simultámea de una señal periódica y un campo
estocástico. Proponemos un modelo simple de dinámica de atrapamiento basado en el llamado modelo
estocástico para reacciones [57, 58, 59], el cual ha sido generalizado para incluir la dinámica del canal.
4.2 Modelo de atrapamiento

En esta sección presentamos un modelo que describe la dinámica de un sistema de partículas que se
mueven en un medio que posee una trampa dinámica.
Suponemos que el medio es una red unidimensional estacionaria salvo en uno de sus sitios. Este sitio,
denominado sitio trampa o simplemente trampa (el cual está asociado con el canal iónico), tiene una
dinámica propia. La trampa posee dos estados; trampa abierta (o estado activado) y trampa cerrada (o
estado desactivado). La apertura o el cierre de la trampa está determinado por la acción de un potencial
que actúa sobre la misma. Suponemos que dicho potencial está compuesto por dos contribuciones: una
de origen determinista y otra de tipo estocástica. Además existe un potencial umbral por debajo del
cual la trampa siempre permanecerá desactivada. La característica esencial de tal dinámica es que la
sola acción de la parte determinista del potencial no es suciente para activar a la trampa. La acción
conjunta de las contribuciones determinista y estocástica pueden superar el valor del potencial umbral
y de esta manera abrir la trampa.
La ecuación que describe el modelo propuesto es
@t (x; t) = D @x2 (x; t) (t) Æ(x) (x; t) + nu ; (4.1)
donde (x; t) es la densidad de partículas en la red para una dada realización del proceso estocástico
de cambio de estado (t) que está afectando al sitio 0 de la red y nu representa un término de fuente
de partïculas. La inyección de estas partículas se puede dar en una región cualquiera de la red o bien
Medios gobernados por dinámicas con ruido (Parte I) 27
puede distribuirse uniformemente por sobre toda la red. El coeciente de difusión D representa en este
modelo una difusión efectiva sobre la red.
El proceso estocástico (t) ha sido modelado de la siguiente manera
(t) = [B sin(!t) + (t) c]; (4.2)
donde (x) es la función de Heaviside, que determina cuando la trampa está abierta o cerrada.
(
1 si x0
(x) =
0 si x < 0
El potencial que actúa sobre la trampa está compuesto por una señal periódica caracterizada por
una amplitud B y una frecuencia de oscilación !, y por una fuente de origen estocástico (t). La
trampa funciona de la siguiente manera: si el potencial compuesto por la señal periódica más el ruido
(t) alcanza o supera el umbral c la trampa se abre, si dicha contribución no supera el valor umbral
c entonces la trampa permanece cerrada.
Remarcamos el hecho que el potencial umbral es mayor que la amplitud de oscilación de la señal
periódica (c > B ), es decir que en ausencia de ruido la trampa siempre permanecerá cerrada. Esta
característica del modelo nos permite estudiar el efecto del ruido en la respuesta del sistema. Cuando
la trampa está abierta las partículas son atrapadas con una dada frecuencia (probabilidad por unidad
de tiempo) . En otras palabras la trampa abierta representa un sitio de atrapamiento imperfecto, es
decir que existe la posibilidad que aún estando la trampa abierta las partículas no sean atrapadas. En
el caso en que tienda a 1 el sitio pasa a ser una trampa perfecta o sea toda partícula que llegue
hasta este sitio queda atrapada.
La fuente estocástica fue modelada teniendo en cuenta dos tipos diferentes de ruido. El primero de
ellos supone un ruido blanco gaussiano deltacorrelacionado. En una segunda etapa de nuestro estudio
consideramos una fuente de ruido de color no gaussiana.
4.2.1 Fuente estocástica de ruido blanco

Para completar la descripción de este modelo de atrapamiento debemos denir las propiedades estadís-
ticas de la fuente de ruido (t). En una primera etapa de nuestro estudio consideramos una fuente de
ruido gaussiana, no correlacionada de intensidad 0 , es decir
h(t)(u)i = 02 Æt;u: (4.3)
Destacamos que este tipo de ruido no es un ruido blanco en el sentido convencional [55] debido a la
delta de Kronecker (en lugar de la delta de Dirac Æ(t u)).
A continuación resolveremos este modelo en forma analítica para este tipo de ruido. Denimos que
h (t)i como un promedio sobre el número de realizaciones del ruido.
Adoptando la suposición de ruido blanco para el proceso estocástico (t) obtenemos el siguiente
resultado " #

h (t)i = 2 erfc p1 (c
20
B sin(!t)) : (4.4)
Deniendo n(x; t) = h(x; t)i y promediando la ec. (4.1) podemos escribir

Z t
n(x; t) = nut du J (u) G(x; t u); (4.5)
0
donde G(x; t) = G0 (x; t) es el propagador en difusión libre y J (t) = h j (t)(jl; t)i es la corriente que
pasa a través de la trampa. Esta corriente satisface la siguiente relación
Z t
J (t) = h (t)i nu t duJ (u)G(0; t u) : (4.6)
0
Esta ecuación fue resulta numéricamente usando un método de integración trapezoidal standard.
El presente problema puede ser extendido a una red nita con condiciones periódicas de contorno.
En este caso la ec. (4.1) es reemplazada por
1
X
@t (x; t) = D @x2 (x; t) j (t) Æ(x jl) (x; t) + nu ; (4.7)
j= 1
donde la suma corre sobre todas las imágenes de la trampa. La corriente satisface la ec. (4.6) pero
P
ahora G(x; t) = j G0 (x jl; t).
Además de la solución numérica, obtuvimos resultados analíticos usando teoría de perturbaciones.
Suponemos que la relación B=0 es pequeña y desarrollamos h (t)i (o h j (t)i) de la siguiente manera
h (t)i = h j (t)i = 0 + 1 sin(!t) + O((B=0 )2 ); (4.8)
donde
!

0 = erfc p c (4.9)
2 20
B 2
!

1 = p exp c : (4.10)
20 202
Podemos transformar la ec. (4.6) al dominio de Laplace y resolverla iterativamente. La corriente en
una red innita en el límite asintótico para tiempos grandes es
s
Dt
J (t) 4nu + jC j cos(!t + ); (4.11)

donde p
i4 1 nu i!Dt=
C = jC j exp(i) = p p ; (4.12)
0 ( 0 =(2 D) + i!)
En tanto que para un sistema nito la corriente en ese límite está dada por
J (t) nu l + jC j cos(!t + ); (4.13)
donde p
2l nup! 1 D
C = jC j exp(i) = 2 p p : (4.14)
0 i! coth 2l pi!D + 2i D 0 !
El comportamiento cualitativo del sistema cambia dado que para una red innita la corriente crece sin
límites, en tanto que para una red nita la corriente alcanza un valor estacionario cuando el suministro
de la fuente de partículas es balanceado con el ritmo de atrapamiento.
Cuando la amplitud de oscilación B es comparable con la intensidad de ruido 0 el desarrollo de h i
(o h j i) proveniente de la ec. (4.8) no es apropiado. En este límite observamos que J (t) es pequeño y
por lo tanto podemos obtener la siguiente solución adecuada para la ec. (4.6)
J (t) h (t)inu t; (4.15)
J (t) es independiente de G y por lo tanto es válida para ambas situaciones (redes nitas e innitas).
Esta expresión también puede aplicarse en el límite para tiempos cortos donde podemos despreciar la
integral (4.6).
4.2.2 Fuente estocástica de ruido de color no gaussiana

Diversos experimentos [61] muestran evidencias que indican que las fuentes asociadas con el ruido
registran un comportamiento acotado y no gaussiano (especialmente en sistemas biológicos). Por otro
lado, estudios teóricos y experimentales recientes [62], han mostrado que el uso de fuentes de ruido no
gaussianas, basadas en la física estadística no-extensiva [63], ofrecen un marco adecuado para observar
no sólo el incremento de la relación señal-ruido de salida, sino un mayor rango de intensidades de ruido
para sintonizar la señal.
Por lo tanto analizamos este modelo usando una fuente de ruido no gaussiana correlacionada. En
este caso tenemos un comportamiento gaussiano o no gaussiano en la distribución de probabilidad de
ruido (pdf ) dependiendo de que el parámetro de control q sea igual a 1 o distinto de 1 respectivamente.
Si q > 1 la pdf resulta una distribución más extendida que la gaussiana, mientras que en el otro caso
es decir para q < 1, la pdf resulta acotada. Este último aspecto adquiere importancia en los problemas
de corrientes iónicas a través de membranas celulares.
Las características de la fuente de ruido están dadas por la siguiente ecuación
1d 1
_ = V ( ) + (t) (4.16)
d q
donde (t) es un ruido blanco Gaussiano de h (t)i = 0 y correlación h (t) (t0 )i = w
2 Æ (t t0 ), V ( ) está
q
dado por [60] y w es la intensidad de ruido blanco
1 2
Vq ( ) = ln[1 + (q 1) ]: (4.17)
(q 1) 2
Aquí =
w . Cuandoq ! 1 reobtenemos el proceso de Ornstein-Uhlenbeck [11].
Denimos la corriente a través de la trampa como J (t) = h j (t)(jl; t)i. Nuevamente el promedio
se realiza sobre el número de realizaciones.
A diferencia con el caso de fuente de ruido blanco donde se obtuvieron resultados teóricos y nu-
méricos, el estudio con fuentes de ruido de color se realizó utilizando solamente técnicas de simulación
Monte Carlo.
4.2.3 Resonancia estocástica

La cantidad que elegimos para cuanticar la respuesta de este proceso es la amplitud de la parte
oscilatoria de la corriente de absorción, poniendo a esta cantidad como función de la intensidad de
ruido. Esta magnitud se dene de la siguiente manera
J = J jsin(!t)=1 J jsin(!t)= 1 (4.18)
La amplitud del ujo de partículas absorbidas se comporta del siguiente modo. Para intensidades
de ruido débiles la corriente es baja (recordar que c > B ), por lo tanto la cantidad J es pequeña
también. Para intensidades de ruido grandes, la parte determinista de la señal se vuelve irrelevante y
la J es pequeña. Por lo tanto, debe existir un valor máximo para una intensidad de ruido intermedia.
De este modo se evidencia un fenómeno del tipo de resonancia estocástica.
4.2.4 Cálculo numérico del modelo

Con el n de comparar los resultados del modelo propuesto, realizamos una serie de cálculos numéricos
utilizando técnicas de simulación Monte Carlo. Las simulaciones son realizadas sobre una red unidi-
mensional de L sitios con condiciones periódicas de contorno. Inicialmente en la red no hay partículas.
Las partículas son inyectadas aleatoriamente cada 1=(nu L) unidades de tiempo, con una distribución
uniforme sobre la red. Luego éstas realizan una caminata aleatoria de tiempo continuo sobre la red
caracterizada por una dada frecuencia temporal de salto y con saltos a primeros vecinos. No hay
restricción en el número de partículas que ocupan un dado sitio.
Las partículas cuando llegan al sitio trampa pueden escapar de él (aún estando la trampa activada.
Recordar que la trampa es imperfecta) saltando a un sitio vecino, o quedar atrapadas. El modo de
simular esta situación es diferente según sea que la trampa esté gobernada por un ruido blanco gaussiano
o de color no gaussiano.
Para el caso de una fuente de ruido blanco gaussiano, una partícula puede ser atrapada por el sitio
trampa con una dada distribución de probabilidad caracterizada por h (t)i. En este caso los tiempos
de reacción son generados de acuerdo a la siguiente distribución de probabilidad
Z t
p(t) = exp h (t0 )idt0 : (4.19)
0
La información contenida en esta función caracteriza tanto la apertura de la trampa como la imperfec-
ción de la misma.
En el programa de simulaciones generamos un número aleatorio con distribución uniforme, igualamos

esta cantidad con la distribución temporal de la trampa y así se obtiene el tiempo de atrapamiento.
Para el caso de fuente de ruido de color el algoritmo es modicado. Dado que en este caso no
es posible obtener una distribución de probabilidad de tiempos de atrapamientos, establecemos una
secuencia temporal de aperturas y cierres de la trampa, teniendo en cuenta el grado de imperfección de
la misma. Esta historia o secuencia de aperturas y cierres de la trampa es superpuesta a la evolución
temporal de la partícula. Cuando la partícula llega al sitio trampa, se observa el estado en que ésta se
encuentra. Si la trampa está abierta se genera un número aleatorio para la partícula y se lo compara
con el grado de eciencia de la trampa. Esto resulta en el hecho que la partícula puede escapar aún
cuando la trampa esté abierta. Si está cerrada se genera el tiempo para el próximo salto de la partícula
y se analiza qué ocurre con la condición de la trampa en ese tiempo. Si se abre en ese período entonces
se recurre al procedimiento anteriormente explicado.
Observamos el número de partículas atrapadas durante la evolución del sistema tanto para la fuente
de ruido blanco como de color. El número de partículas atrapadas es promediado sobre el número de
realizaciones.
4.3 Resultados y Discusiones

4.3.1 Fuente estocástica de ruido blanco
Los resultados teóricos y las simulaciones son mostrados en la g. 4.1 y la g. 4.2. En la g. 4.1
gracamos J , la amplitud de la parte oscilante de la corriente de absorción, como función de la
intensidad de ruido (0 ), para dos tiempos de observación diferentes. Tales resultados muestran la
existencia de un máximo para cierto valor de 0 . Existe un buen acuerdo cualitativo entre los resultados
obtenidos mediante integración numérica de la ecuación (4.6) y aquellos provenientes de las simulaciones.
El insert de la g.4.1 muestra los resultados para la pendiente inicial en las oscilaciones de la
corriente de absorción como función del tiempo. Ambos resultados, obtenidos por integración numérica
y simulaciones, muestran una dependencia lineal con el tiempo predicha en la teoría, sin embargo los
valores de las pendientes obtenidos son levemente diferentes.
La g.4.2 muestra el resultado para , la diferencia de fase entre la señal periódica de entrada y la
corriente de absorción (ec. (4.14)). Hemos comparado los resultados de la integración numérica de la
ec. (4.6) y aquellos obtenidos de las simulaciones, encontrando un buen acuerdo entre ambas.
4.3.2 Fuente estocástica de ruido de color no gaussiano

A continuación mostraremos los resultados obtenidos cuando la fuente de ruido es de color y no Gaus-
siana. En la g.4.3 mostramos la amplitud de la corriente de absorción J (t) como una función de la
intensidad de ruido de color 0 para diferentes parámetros de gaussianidad q , manteniendo el tiempo
de correlación ( ) y el tiempo de observación (t) jos. En la g.4.4 se presenta J (t) como función de
1.8 18
h (arb. units)
12
1.6
6
0 250 500 750

1.4 t (arb. units)
∆ J (Unid. Arb.)
1.2
b
1.0
b
0.8 a
0.6 a
0.4
0.10 0.15 0.20 0.25 0.30 0.35
ξ 0 (Unid. Arb.)
Figura 4.1: J vs 0 . Los resultados obtenidos por integración numérica están indicados por líneas
continuas, círculos para las simulaciones. Parámetros usados: a)t = 517 y b)t = 895. El insert muestra
la pendiente inicial h como función del tiempo, los triángulos son los resultados obtenidos por integración
numérica, los círculos son los resultados de las simulaciones. El ajuste lineal se representa por líneas
continuas y de a trazos respectivamente. Los resultados fueron obtenidos para intensidades de ruido
bajas (0 0:1).
0.8
0.7
0.6
0.5
φ (rad)
0.4
0.3
0.2
0.1
0.0
0.10 0.15 0.20 0.25 0.30 0.35
ξ 0 (Unid. Arb.)
Figura 4.2: Diferencia de fase () como función de 0 . Los resultados obtenidos por la integración
numérica son indicados por una línea continua, en tanto que los obtenidos por simulaciones por círculos.
0 para tres distintos, jando los parámetros q y tiempos de observación.

Los resultados aquí expuestos están en un muy buen acuerdo con los encontrados para el caso de
ruido blanco Gaussiano. En el primer caso podemos ver que la respuesta del sistema se incrementa
cuando q < 1 y existe un corrimiento en el valor máximo de la corriente de absorción J (t) para ruidos
cada vez más intensos cuando el parámetro q aumenta. En el segundo caso las curvas además muestran
un corrimiento del valor máximo para grandes intensidades de ruido a medida que aumenta.
3.0
2.5
∆ J (Unid Arb.)
2.0
1.5
1.0
0.5
a
1E-3 0.01 0.1 1 10
ξ 0 (Unid. Arb.)
Figura 4.3: J vs. 0 para diferentes valores de q ; q = 0:5 (triángulos), q = 1:0 (cuadrados) y q = 1:5
(cruces). Valores jos de simulación: = 0:1, tiempo de observación t = 1140.
3.5
3.0
2.5
∆ J (Unid. Arb.)
2.0
1.5
1.0
0.5
b
1E-4 1E-3 0.01 0.1 1 10

ξ 0 (Unid. Arb.)
Figura 4.4: J como función de 0 a un dado tiempo de observación t = 1140 y para diferentes
valores de (cruces = 0:01, cuadrados = 0:1 y círculos = 1:0) y un valor jo de q (q = 0:5).
En la g.4.5 se muestra el valor máximo de J (t) (el cual está promediado sobre los valores de
para cada q ) para dos tiempos de observación distintos como función del parámetro q . Para cada
tiempo de observación, los valores mostrados son relativos al valor máximo correspondiente.
En la gura se observa claramente la existencia de un nuevo máximo de tipo resonante. Podemos
encontrar un valor del parámetro q para el cual el máximo en la amplitud de oscilación de la corriente
de absorción alcanza su valor óptimo. Es importante destacar que este valor óptimo aparece en el caso
de un ruido no gaussiano acotado, es decir q < 1.
Finalmente en la g.4.6 mostramos el valor de J (t) como función de para un dado tiempo e
intensidades 0 altas. El comportamiento de J está en concordancia con el cambio de las curvas
mostradas en la g. 4.4, es decir a medida que aumenta el tiempo de correlación la corriente de
adsorción aumenta. El insert de la gura muestra la diferencia de fase () como función de 0 par tres
1.05
1.00
(U nid. A r b. )
0.95
max
∆ J
0.90
0.85
0.0 0.4 0.8 1.2 1.6
q (Adim)
Figura 4.5: J max como función de q y distintos valores de tiempos de obsrvación: cruces t = 633,
círculos t = 1140.
2.2
2.0
1.8
1.6
∆ J (Unid. Arb.)
1.8
1.4
1.6
1.4
1.2 1.2
φ (rad.)
1.0
1.0 0.8
0.6
0.8 0.4
0.2
0.6 0 10 20 30 40
ξ 0 (Unid. Arb.)
0.4
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4

τ (Unid. Arb.)
Figura 4.6: J vs para valores jos de 0 (0 = 4:7), q (q = 0:5) y t (t = 1140). El insert muestra
la diferencia de fase como función de 0 para diferentes valores de : círculos = 0:01, cuadrados
= 0:1, cruces = 1:0.
valores distintos de . Como en el caso de ruido blanco gaussiano, a medida que aumenta la intensidad
de ruido crece la diferencia de fase entre la señal de entrada y la de la corriente de absorción.
4.4 Conclusiones
Estudiamos un caso particular pero importante de dinámicas en medios uctuantes. La red es esta-
cionaria salvo en uno de sus sitios, el cual presenta transiciones entre dos estados (trampa dinámica).
El modelo propuesto, basado en los canales iónicos en membranas celulares, consiste en describir a los
canales (sensibles a voltajes) como sitios (trampas) en una red que pueden estar abiertos o cerrados de
acuerdo al valor que adopte una diferencia de potencial aplicada a esos canales.
Se supuso que el voltaje aplicado a los canales está compuesto por dos contribuciones: una señal
periódica en el tiempo y otra de origen estocástico. La sola contribución de la señal periódica no es
capaz de activar la trampa dado que para que ello suceda la diferencia de potencial debe superar un
valor umbral y este modelo supone que la amplitud de esta señal es menor que dicho umbral. Sólo la
superposición de ambas contribuciones, la periódica más la estocástica, pueden superar ese umbral de
potencial y de este modo activar la trampa.
Analizamos la amplitud en la corriente de absorción debido a dos fuentes de ruido. Una consis-
tente en un ruido blanco gaussiano deltacorrelacionado y otra fuente de ruido de color no gaussiano
correlacionado.
Los resultados muestran que aún para un proceso de atrapamiento simple puede observarse un
fenómeno del tipo de resonancia estocástica. El fenómeno observado resulta un hecho interesante dado
que no es una resonancia estocástica en el sentido clásico en que fue denido este fenómeno (sistemas
de doble pozo de potencial o sistemas biestables (Apéndice A)), sino que se produce en un sistema
gobernado por una dinámica simple de atrapamiento con umbral. Este hecho sugiere la posibilidad que
tal clase de fenómeno puede estar presente en procesos de atrapamientos más complejos.
Cuando consideramos fuentes de ruido no gaussianas se producen cambios importantes en la res-
puesta del sistema. En particular destacamos la observación de un doble fenómeno de resonancia
estocástica. Además de la intensidad de ruido óptima, existe un valor óptimo de q el cual produce un
mejoramiento en la amplitud de la corriente de absorción.
Otro hecho a remarcar es que este mejoramiento de la respuesta como función de q se observa para
valores de q menores que 1, es decir cuando el espectro de intensidades de ruido es acotado.
Capítulo 5
Medios gobernados por dinámicas con

ruido (Parte II)
En el presente capítulo hacemos una generalización de los dos capítulos anteriores en el sentido que
analizamos procesos en medios uctuantes donde la transición está gobernada por una combinación de
procesos deterministas y estocásticos.
Estudiamos la dinámica de un sistema de partículas que se mueven en este medio, caracterizando el
problema a través de cantidades tales como el tiempo medio de primer pasaje (MF P T ), la probabilidad
de retorno a un dado sitio (Ps0 ) y el número medio de sitios visitados (). El hecho más signicativo
de este estudio es la observación de un proceso de activación resonante.
5.1 Introducción
Las uctuaciones que producen cambios en las conguraciones de un dado medio son características
comunes en un rango amplio de problemas relacionados con la física, la química o la biología. Ejemplos
de tales procesos son los escapes de sitios separados por una barrera de potencial lineal [64, 65], periódica
[66], de doble pozo [67] o un potencial uctuante dado por una barrera que puede estar activada
o desactivada [68]. Una de las cuestiones de interés en estos sistemas es identicar los procesos de
transporte que en ellos ocurren. Muchos de estos fenómenos pueden ser descriptos como procesos de
atrapamiento, siendo uno de los propósitos determinar el tiempo que tarda un sistema de partículas en
salir de estos medios [64, 67, 69].
En el cap. 3 estudiamos el transporte de partículas en medios que presentaban desorden en su
conguración, la que podían ser de tipo global o localizado en algunas regiones del medio. Este desorden
fue caracterizado por cambios de estado en el medio. Tales cambios eran producidos por distribuciones
temporales de origen markoviano o no markoviano. Luego, en el cap. 4, propusimos un modelo simple
de atrapamiento sobre una red unidimensional en el cual uno de los sitios de la red actuaba como
una trampa. La dinámica de este sitio estaba gobernada por la acción conjunta de dos procesos, uno
38 Medios gobernados por dinámicas con ruido (Parte II)
determinista y el otro estocástico.

Siguiendo con esta línea de trabajo y complementando los estudios realizados en medios uctuantes
globales, investigaremos la respuesta generada en medios que presentan cambios de estado que estarán
gobernados por dinámicas ruidosas.
5.2 Aspectos generales del problema

El marco teórico formal para describir este fenómeno no será tratado en este trabajo. Simplemente
emplearemos algunas deniciones y conceptos desarrollados en los capítulos anteriores a n de dar cierta
precisión al proceso físico que vamos a estudiar.
Comenzamos con el problema de una partícula realizando una caminata aleatoria sobre un medio que
puede ser continuo o discreto. Dicho medio está caracterizado por N estados. Denimos la probabilidad
uj (t) que el medio haya permanecido en el estado j luego de un tiempo t dado que arribó a t = 0 como
Z tX !
uj (t) = exp ij (t0 )dt0 ; (5.1)
0 i
donde ij (t) es la probabilidad por unidad de tiempo para que el medio de salte desde el nivel j al nivel
i; t es el tiempo que el medio ha permanecido en el estado j .
Por otro lado denimos la estadística de cambio de estado del medio vij (t) como la probabilidad de
que el medio nalice su estadía en el estado j , después de un tiempo entre t y t + dt dado que el medio
arribó al estado j a t = 0, saltando a otro estado i
vij (t)dt = uj (t) ij (t)dt: (5.2)
Con el objetivo de simplicar el problema, consideraremos que el medio puede uctuar entre dos
estados. Además hemos supuesto que el mecanismo de cambio entre los estados sea el siguiente:
vij (t) = [B sin(!t) + (t) c ]; (5.3)
donde B representa la amplitud de la señal periódica de frecuencia ! , 0 (t) es la señal estocástica y

c es un potencial umbral el cual determina cuando el medio cambia de estado. La función (x) es la
función de Heaviside denida en cap. 4.
El mecanismo funciona de la siguiente manera: si la señal compuesta de la parte oscilatoria más el
ruido (t) alcanza o supera el potencial umbral c entonces el medio cambia de estado, mientras que en
el otro caso no lo hace. Estamos interesados en el caso donde c > B , es decir cuando no existe ruido
la red no cambia de estado.
Para completar las características del modelo propuesto, tenemos que dar las propiedades que
denen al ruido. Suponemos que (t) es un ruido gaussiano no correlacionado de intensidad 0
Finalmene para cada estado j del medio, el proceso de transporte es markoviano.
Medios gobernados por dinámicas con ruido (Parte II) 39
5.2.1 El cálculo numérico

El modelo fue estudiado a través simulaciones numéricas de Monte Carlo. Estas simulaciones fueron
realizadas sobre una red unidimensional innita. Supusimos que en cada estado j del medio se desarro-
llaba una caminata aleatoria markoviana. Además consideramos saltos a primeros vecinos que en cada
estado estaban caracterizados por dos parámetros: j representaba el ritmo o frecuencia temporal de
salto en el estado j y j era el bias o probabilidad de realizar un salto en un dado sentido (se ha tomado
como la probabilidad hacia la izquierda, luego 1 j fue la probabilidad de salto hacia la derecha).
La evolución del sistema fue básicamente descripta en el cap. 3. Dada la condición inicial deter-
minada por el sitio s0 que ocupa la partícula en la red y además el estado de la misma; se le asignó a
la partícula un tiempo de espera para el salto denido por las características de la red. Paralelamente
se calcularon los tiempos de cambio de la red. Si el tiempo de espera para el salto de la partícula era
mayor al tiempo en que se producía el cambio de estado de la red, entonces se redenía el tiempo de
espera de la partícula tomando como inicio de su salto el tiempo de cambio de la red.
Una de las cantidades que nos da información acerca de la respuesta del sistema es el tiempo medio
de primer pasaje MF P T por un determinado sitio de red. El MF P T representa una medida válida
para la eciencia de los mecanismos de atrapamiento y ha sido investigado en un espectro amplio de
problemas [67] - [69].
Para obtener esta cantidad inicializamos el sistema en una dada posición s0 en un dado estado de
red y dejamos que éste evolucionara hasta que la partícula alcanzara el sitio de salida s1 ; siendo este
sitio distinto al sitio de partida.
Otra cantidad que utilizamos para caracterizar este sistema fue la probabilidad de retorno al origen.
Esta probabilidad cuenta básicamente la cantidad de veces que un sistema regresa a su origen en relación
al número total de partículas, esto es mide la capacidad que tiene la red de retener a un sistema de
partículas en un dado entorno de la misma. Dada la condición inicial de la partícula en s0 , contamos
la cantidad de veces que ésta arribaba a dicho sitio en un lapso de tiempo determinado.
También calculamos el número de sitios distintos visitados por la partícula en la red durante un
lapso de tiempo determinado independientemente del estado en que se encontraba el medio.
Las cantidades observadas fueron tomadas sobre un promedio de 105 realizaciones.
5.2.2 Dinámica de cambio de estado de la red

Como mencionamos anteriormente además de la dinámica propia de la partícula existe la dinámica
de transiciones entre estados de la red. Esta dinámica fue generada paralelamente a la evolución del
sistema de partículas. Se generó una historia o secuencia de cambios de estado de la red hasta alcanzar
el tiempo máximo de evolución del experimento numérico.
En esta secuencia nuestra partícula es la red, que inicialmente se encuentra en uno de los estados. La
evolución de la misma se realiza utilizando la ec. (5.3) bajo la suposición que el ruido externo es blanco
no correlacionado. En el momento que la suma de las contribuciones dadas por la parte oscilatoria y la
del ruido supera al valor umbral propuesto, la red cambia de estado. En un arreglo vectorial se acumula
el estado resultante en ese tiempo. Esta evolución se calcula sobre un dado número de realizaciones,
sumando para cada tiempo los diferentes valores del estado asignados en cada realización. Una vez
terminado este algoritmo se procede a la asignación denitiva del estado. Para ello se comparan los
valores obtenidos para cada tiempo con cantidades umbrales los cuales denen el estado que posee la
red en ese tiempo.
En la presente sección mostraremos los resultados obtenidos para este problema. Hemos propuesto al
estado 1 como un estado standard, el cual está caracterizado por los siguientes parámetros: 1 = 1 y
1 = 1, en tanto que el estado 2 es el estado de prueba cuyo ritmo temporal de salto es 2 = 1. Hemos
escogido las mismas frecuencias temporales de salto dado que queremos estudiar el efecto del bias y de
la intensidad de ruido sobre la respuesta del sistema. Por lo tanto los parámetros 2 y 0 serán nuestras
variables. Además, y para todas las guras, hemos adoptado los siguientes parámetros para el caso
de la señal periódica: frecuencia de oscilación ! = 0:1, amplitud de oscilación B = 1, en tanto que el
umbral de cambio de estado c = 2.
1000
MFPT (arb. units.)
100
10
0 5 10 15 20 25 30
ξ 0 (arb. units)
Figura 5.1: MF P T vs 0 , para 2 = 0:1 (círculos) y 2 = 0:05 (cuadrados), s0 = 10 (sitio de partida),
s1 = 0 (sitio de llegada).
En la Fig.5.1 mostramos el MFPT como función de 0 (la intensidad de ruido) para un sistema
de partículas que se mueve entre un sitio s0 (sitio de partida) y otro sitio s1 (sitio de llegada) para
dos bias en el estado 2 distintos.
Además supusimos un estado inicial mixto, es decir que la partícula
ocupa la posición s0 con igual probabilidad de estar en el estado 1 que en el estado 2. La gura
muestra claramente la existencia de una intensidad óptima para la cual el valor de MF P T es mínimo.
Este hecho muestra un fenómeno del tipo de activación resonante, es decir la red excitada con una
determinada intensidad de ruido permite optimizar el arribo de una partícula hacia el sitio de llegada
s1 . Cuando la intensidad de ruido es pequeña, la transición de estados es baja, por lo tanto si la
partícula permanece en un estado desfavorable permanecerá allí por bastante tiempo. Este hecho hace
que el tiempo promedio que tarda en llegar al sitio s1 sea alto.
Por otro lado si la red está sometida a una intensidad de ruido intensa, ésta cambia de estado a un
ritmo muy alto. Este hecho hace que la partícula no presente un movimiento neto desde su lugar de
partida. Por lo tanto el tiempo que a ésta le lleva para alcanzar el sitio de salida es grande. Cuando
la intensidad de ruido es la adecuada, el sistema uctúa entre los estados de manera tal que el tiempo
promedio en que la partícula llega al sitio de salida es el más pequeño.
Es importante señalar que este tipo de fenómeno aparece cuando los bias en cada uno de los estados
de la red son opuestos (1 = 1; 2 = 0:1 (círculos), 2 = 0:05 (cuadrados)); esto es en un dado estado
las partículas tienen una fuerte tendencia a moverse en un determinado sentido y en el sentido opuesto
para el otro estado. Cuando los bias en los estados de la red son similares el efecto resonante desaparece.
1000
100
MFPT (arb. units)
10
1
0.0 0.2 0.4 0.6 0.8 1.0
η2
Figura 5.2: MF P T como función de 2 . Los círculos corresponden a MF P T para 0 = 1:0 y los
cuadrados para 0
= 10:0, s0 = 5 (sitio de partida), s1 = 0 (sitio de llegada).
La g.5.2 muestra la dependencia del MF P T con 2 , jando 0 como parámetro. Esta gura
destaca dos aspectos. En primer lugar las curvas decrecen a medida que 2 crece. Este comportamiento
es natural dado que el crecimiento de 2 signica un aumento del movimiento hacia el sitio de salida
de la red, por lo tanto los tiempos medios de llegada a s1 se hacen más cortos. En segundo lugar
la gura muestra un diferencia importante en el valor del MF P T para valores de 2 bajos. En esta
región la intensidad de ruido juega un papel importante ya que a bajas intensidades la probabilidad
de transición entre los estados es baja y por lo tanto pasa buena parte del tiempo caminando en la
dirección contraria al sitio de salida s1 (inicialmente las partículas están en el estado 2). La inuencia
que ejerce la intensidad de ruido en el MFPT desaparece cuando los bias entre los estados se asemejan
y además son fuertes hacia la dirección s1 .
1.1
1.0
0.9
0.8
0.7
0.6
0
Ps
0.5
0.4
0.3
0.2
0.1
0.0
0.0 0.2 0.4 0.6 0.8 1.0
η2
Figura 5.3: Ps0 vs 2 . Los círculos representan el caso de un solo estado de red. Los cuadrados son
los datos para 0 = 5:0, las cruces para 0 = 10:0 y los triángulos para 0 = 20:0. Tiempo de evolución
del experimento numérico: 10000.
La Fig 5.3 muestra la probabilidad de retorno al origen (Ps0 ) como función de 2 , para un tiempo
de evolución igual a 10000 (unid. arb.). Evidentemente en este caso el sitio de partida s0 coincide con
el de llegada s1 (s0 = 0). En la gura se presentan los casos de redes con dos estados y también el
caso de una red que posee un solo estado. Para este último caso la máxima probabilidad se obtiene
cuando el 2 es 0:5, es decir cuando el sistema no tiene dirección privilegiada. Cuando existe un sentido
de movimiento privilegiado la probabilidad de retorno al origen disminuye; las partículas tienden a
moverse en el sentido jado por el bias y por lo tanto su regreso al origen se hace menos probable.
Cuando la red tiene dos estados la situación cambia, al menos en forma importante cuando el bias en
el estado 2 direcciona el movimiento en el sentido opuesto al del estado 1. La existencia de dos estados
cuya transición entre ellos está determinada por la dinámica propuesta induce a un mejoramiento en la
respuesta del sistema respecto al medio que sólo posee un estado para un dado valor de 2 . Este se debe
a que las partículas pueden pasar desde un estado menos favorable a otro más favorable para el retorno
al sitio en cuestión. A medida que aumentamos la intensidad 0 la respuesta mejora, es decir aumenta
la probabilidad de retorno al origen. Si seguimos aumentando la intensidad de ruido, Ps0 comienza a
disminuir nuevamente.
La explicación a este fenómeno puede darse en términos de lo discutido anteriormente. A medida
que aumenta el número de transiciones de la red el caminante tiene una mayor libertad para moverse
hacia ambos lados de la red. Cuando la intensidad es grande, el ritmo de transiciones aumenta,
la partícula tiene menos capacidad de movimiento en el medio, por lo tanto ella, la partícula, sólo
observa transiciones de la misma. Apenas logra escaparse del origen le resulta difícil regresar al mismo.
Además puede observarse una región intermedia, pequeña (alrededor de 2 = 0:5) donde la respuesta
que presenta la red con un solo estado es mejor que la obtenida con sistema de dos estados. Para 2
sucientemente grandes la probabilidad de retorno decrece para todas las intensidades de ruido. Esta
situación es natural dado que ambos estados privilegian la misma dirección de movimiento y por lo
tanto las partículas tienden a alejarse de su origen.
1.0
0.9
0.8
0.7
0.6
0
Ps 0.5
0.4
0.3
0.2
0.1
1 10 100
ξ 0 (arb. units)
Figura 5.4: Ps0 vs 0 . Los círculos representan los datos para 2 = 0:3, los cuadrados para 2 = 0:5 y
las cruces para 2 = 0:9.
La g.5.4 presenta la Ps0 como función de la intensidad de ruido 0 , para distintos valores de 2 .
Inicialmente las partículas se encuentran en un estado mixto y el tiempo de evolución del experimento
numérico es 10000. La probabilidad de retorno al origen crece a medida que aumenta la intensidad de
ruido, alcanzando una meseta para 0 grandes.
La g.5.5 presenta el número de sitios distintos visitados () como función de la intensidad de
ruido 0 para distintos valores de 2 . Las partículas inicialmente estaban en el estado 1 y el tiempo
de duración del experimento numérico fue de 1000. Cuando las intensidades de ruido son pequeñas no
existen apreciables diferencias en el número de sitios visitados para los diferentes bias. Además este
número coincide o está muy cerca del obtenido en un sistema de un solo estado con las características
que posee el estado 1. La red tiene baja frecuencia de transición para intensidades de ruido pequeñas.
A medida que 0 aumenta, el número de sitios visitados se reduce de una manera considerable para
2 = 0:5 y 2 = 0:3, pero permanece alto para 2 = 0:9. Este hecho resulta esperado dado que a medida
que 2 crece, el movimiento en ambos estados tiene un mayor sesgo hacia una dada dirección y por lo
tanto el número de sitios diferentes visitados tiende a ser alto.
Las guras 5.6, 5.7 y 5.8 muestran a como función de 2 para distintos valores de 0 . El tiempo
de simulación fue de 1000 y el estado inicial del sistema fue el estado 1. La g. 5.6 muestra tres
comportamientos distintos para según consideremos intensidades de ruido bajas o altas. Cuando la
1100
1000
900
800
700
600
500
Λ
400
300
200
100
1 10 100
ξ 0 (arb. units)
Figura 5.5: vs 0 . Los círculos muestran los datos para 2 = 0:3, los cuadrados para 2 = 0:5 y las
cruces para 2 = 0:9. El tiempo de simulación fue de 1000.
1000
900
800
700
600
500
Λ
400
300
200
100
0
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
η2
Figura 5.6: vs 2 . Las cruces representan los datos para 0 = 1:5, los cuadrados para 0 = 10:0 y
los cículos para 0 = 100:0.
intensidad de ruido es baja ( ) = 1:5) el número de sitios distintos visitados permanece casi constante
y alto. Para 0 = 10, crece casi linealmente con 2 , en tanto que para 0 = 100 aparece un valor
mínimo para .
Esta última observación es corroborada mediante simulaciones complementarias, mostradas en la
g. 5.7 donde presentamos la misma situación que en la gura anterior pero con un medio con un solo
estado y tres ejemplos de redes con dos estados e intensidades de ruido altas (0 = 20; 30; 100). Para
el caso de la red con un solo estado el valor mínimo de se localiza en 2 = 0:5, el cual corresponde
1000
900
800
700
600
500
Λ
400
300
200
100
0
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
η2
Figura 5.7: vs 2 . El resultado para una red con un solo estado está indicado por círculos. Los
cuadrados representan los datos para 0 = 100:0, las cruces para 0 = 30:0 y los triángulos para
0 = 20:0.
a un movimiento sin dirección privilegiada en la red. Este valor representa un punto de simetría en el
sentido que un mayor o un menor valor de 2 implica un movimiento direccionado (en un sentido o en
el otro) sobre la red. En otras palabras, cambiando 2 por 1 2 simplemente cambiamos el sentido de
movimiento pero no el número de sitios visitados. Este hecho también explica además los crecimientos
lineales a ambos lados del mínimo.
El efecto del ruido sobre un medio cambia la posición de 2 para el cual ocurre el minímo (2Min )
respecto a la red con un solo estado. A medida que el ruido decrece (pero sigue siendo alto compa-
rado con 0 = 1) el 2Min se corre hacia la izquierda. Sin embargo el valor del mínimo permanece
prácticamente constante en todos los casos mencionados.
Para intensidades de ruido bajas la curva crece monótonamente. Esta situación se observa en la
g.5.8. A medida que 0 se hace más pequeño la cantidad de sitios visitados para 2 bajos aumenta.
Este comportamiento conrma el hecho que intensidades de ruido bajas implica pocas transiciones entre
los estados.
5.3.1 Conclusiones
Presentamos una generalización a los modelos expuestos en los capítulos anteriores, considerando un
problema con un desorden dinámico global en el medio cuya dinámica está determinada por la contri-
bución de una señal de tipo determinista y otra estocástica.
Dada la complejidad teórica que subyace en este problema, sólo realizamos cálculos numéricos para
obtener información del mismo. Para ello supusimos un medio con dos estados, uno de los cuales (el
estado standard) está caracterizado por ser un estado altamente asimétrico. Los parámetros de prueba
1100
1000
900
Λ
800
700
600
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
η2
Figura 5.8: vs 2 . Los círculos representan los datos para 0 = 1:5, los cuadrados para 0 = 3:0 y
las cruces para 0 = 5:0.
para este trabajo fueron la intensidad de ruido de la señal estocástica (0 ) y bias en el otro estado del
medio (2 ).
Observamos tres respuestas del sistema. El tiempo medio de primer pasaje (MF P T ), probabilidad
de retorno a un dado sitio de red (Ps 0 ) y el número de sitios distintos visitados ().
Uno de los hechos más relevantes en estos sistemas es la observación de un fenómeno doblemente
resonante cuando el MF P T y la Ps0 se gracan como función de la intensidad de ruido. Este fenómeno
se observa cuando los movimientos en cada uno de los estados son marcadamente opuestos. En parti-
cular un medio con dos estados mejora la Ps0 respecto a sistemas que sólo poseen un estado cuando.
Cuando las tendencias en el movimiento de las partículas en ambos estados son similares, entonces el
comportamiento de Ps0 tiende al obsrvado para un medio estacionario. La inuencia de la señal ruidosa
deja de tener importante en este caso.
El número de sitios distintos visitados es fuertemente afectado según los medios estén gobernados
por intensidades de ruido altas o bajas. Para intensidades altas encontramos que el presenta un valor
mínimo como función de 2 . El valor de 2 donde ocurre el mínimo en se corre hacia valores más
pequeños cuando la intensidad de ruido disminuye. Por debajo de un dado 0 dicho efecto desaparece y
el comportamiento de como función de 2 se vuelve monótonamente creciente. Estas características
del sistema marcan que para ruidos intensos el medio tiende a comportarse como si tuviera un solo
estado. Las intensidades bajas indican que la transición entre los medios es poco frecuente y por lo
tanto las partículas viven en un solo estado por un período de tiempo prolongado.
Capítulo 6
Procesos de difusión supercial mediada

por volumen
En los capítulos anteriores estudiamos el problema de transporte de partículas en medios unidimensio-
nales. La característica principal de estos medios fue que ellos no eran medios estacionarios, sino que
presentaban cambios de estado gobernadas por diferentes distribuciones temporales. Estas transiciones
podían afectar al medio como un todo o en algunas regiones del mismo. Analizamos los procesos de
transporte en estos sistemas al aplicárseles diferentes tipos de dinámicas de cambio de estado.
En este capítulo iniciaremos el estudio de la difusión de partículas en medios tridimensionales
acotados con diversos tipos de fronteras. Abordaremos el problema de transporte sobre supercies
limitadas por el volumen donde se desarrolla mayoritariamente el movimiento y lo caracterizaremos
mediante distintas cantidades y parámetros físicos de interés en este tipo de problemas.
En una primera etapa de nuestro estudio consideraremos medios seminnitos con una frontera
plana sobre cuya supercie se estudia el movimiento de las partículas. Dicho fenómeno se conoce
como difusión supercial mediada por volumen. Estudiaremos este problema desde dos puntos de vista;
mediante la formulación de ecuaciones maestras y a través de la teoría de las caminatas aleatorias de
tiempo continuo CT RW (Continuous Time Random Walks).
6.1 Introducción
La adsorción de moléculas sobre una interfaz es un tema de gran importancia en áreas tales como la
ciencia de supercies [87, 88, 89, 90, 91, 92, 93, 94, 95, 96], además de un gran número de tecnologías
emergentes [89, 97]. El proceso de adsorción en interfaces sólidos-líquidos se maniesta, por ejemplo,
en varios contextos biológicos los cuales involucran deposición de proteínas en soluciones [98, 99, 100],
o fusión de macromoléculas sintéticas [101, 102, 103, 104] o en la manufactura de mono y multicapas.
Estudios experimentales sobre moléculas [91, 92, 93], proteínas [95, 96, 110] y polímeros sintéticos
[94, 96] connados en interfaces, han permitido identicar diferentes formas o tipos de movimientos
48 Procesos de difusión supercial mediada por volumen
traslacionales sobre supercies. Una de ellas es la autodifusión en supercie de moléculas individuales,

la cual ha sido investigada a través de diferentes métodos [90, 96, 110]. La autodifusividad medida en
interfaces líquido-sólido son más pequeñas que los valores medidos en volumen [110] y similares a los
valores en volumen para los casos de interfaces líquido-gas [96].
Una segunda clase de movimiento que se maniesta especialmente en una interface del tipo líquido-
uido es la viscoelasticidad supercial. Las supercies adsorbentes poseen propiedades de elasticidad
y viscosidad, las cuales gobiernan la dinámica de las ondas superciales de densidad. La cinética
de relajación de estos procesos ha sido intensamente estudiados en forma experimental [91, 93, 93],
mediante mediciones directa de viscoelasticidad [91] y estudios de dispersión sobre sypercies [90, 111,
112], como así también teóricamente [87, 88, 111, 112] dando origen a diversos estudios en esta materia.
Otro mecanismo de difusión sobre supercies es llamado difusión supercial mediada por volumen.
Este mecanismo se origina, por lo general, en interfaces que separan una fase líquida que ocupa una cierta
región en el espacio y otra fase supercial la cual puede ser sólida, líquida o gaseosa. Cuando la especie
adsorbida es soluble en el volumen líquido, tiene lugar un proceso de adsorción y desprendimiento
o desorción desde la supercie. Este fenómeno genera un desplazamiento supercial dado que las
partículas que logran despresnderse desde la supercie experimentan una caminata aleatoria en el
volumen para después ser readsorbidas nuevamente en alguna parte de la interfaz. Cuando este proceso
se repite continuamente da origen a una difusión efectiva de las partículas sobre la supercie.
A continuación se propone un modelo para describir el proceso de difusión supercial mediado por
volumen contemplando la posibilidad de desplazamientos sobre las interfaz.
6.2 Modelo de adsorción - desorción

6.2.1 Descripción del modelo
Consideremos una partícula que realiza una caminata aleatoria en una red cúbica simple semiinnita
limitada por una interfaz plana. La posición del caminante está denida por el vector ~r cuyas componen-
tes se denotan por números enteros n; m; l correspondientes a las direcciones x, y y z respectivamente.
Los desplazamientos en las direcciones x e y poseen invariancia traslacional y no están acotados. El
movimiento en la dirección z va desde z = 1 a innito, siendo el plano z = 1 la mencionada interfaz.
6.2.2 Análisis teórico

La probabilidad condicional que el caminante se encuentre en la posición (n; m; l) al tiempo t dado
que él ocupaba la posición (0; 0; l0 ) a t = 0 is P (n; m; l; t=n; m; l0 ; t = 0) = P (n; m; l; t). Esta cantidad
satisface el siguiente conjunto de ecuaciones maestras:
P_ (n; m; l; t) = p P (n; m; l + 1; t) Æp P (n; m; l; t) +

1p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)] +
p1 [P (n; m 1; l; t) + P (n; m + 1; l; t) 2P (n; m; l; t)]; l = 1
Procesos de difusión supercial mediada por volumen 49
P_ (n; m; l; t) = p P (n; m; l + 1; t) + Æp P (n; m; l 1; t) 2 p P (n; m; l; t) +

p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)] +
p [P (n; m 1; l; t) + P (n; m + 1; l; t) 2P (n; m; l; t)]; l = 2
P_ (n; m; l; t) = p [P (n; m; l + 1; t) + P (n; m; l 1; t) 2P (n; m; l; t)] +
p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)] +
p [P (n; m 1; l; t) + P (n; m + 1; l; t) 2P (n; m; l; t)]; l 3; (6.1)
donde P_ (n; l; m; t) representa la derivada temporal de la probabilidad P (n; m; l; t).

Además p , p y
p son las frecuencias o ritmos de salto en las direcciones x, y y z respectivamente; 1 y 1 son las
p p
frecuencias en las direcciones xey en el plano z = 1 y Æp representa la frecuencia de desorción desde
dicho plano.
Las frecuencias de salto se pueden expresar de la siguiente manera
1
fp = f; (6.2)
p
donde el primer factor de esta ecuación ( 1p ) representa la probabilidad espacial de realizar un salto hacia
un determinado sitio de la red. Esta probabilidad está determinada por dos procesos independientes,
la probabilidad de saltar en una dada dirección y una vez denida ésta resta establecer el sentido de
salto. Entonces 1p se puede escribir como
1 1 1
= (6.3)
p V S
donde V tiene en cuenta el grado de libertad espacial y S el sentido de salto una vez elegida la dirección
del mismo. Por ejemplo para una partícula que se encuentra en una posición cualquiera n; m; l del
volumen, ésta tiene 3 direcciones posibles de salto o sea V = 3. Una vez elegida la dirección de salto
, entonces tiene que denir el sentido de salto S = 2 (derecha o izquierda, arriba o abajo, adelante o
atrás). Por lo tanto en este caso 1p es igual a 61 . Es importante señalar que esta forma de determinar
el factor 1p supone que el espacio es simétrico, es decir no existe dirección privilegiada. Cuando existe
asimetría en el espacio, la ec. (6.3) debe ser modicada. El modelo que analizaremos supone simetría
espacial.
El segundo factor de la ec. (6.2) (f ) representa la frecuencia temporal de salto. Por ejemplo la
frecuencia temporal de desorción es f = Æ , la frecuencia temporal en la dirección x en el volumen es
f = , la frecuencia temporal en la dirección x sobre el plano z = 1 es f = 1 y así con el resto de las
frecuencias temporales.
Tomando la transformada de Fourier con respecto a las variables x e y y la transformada de Laplace
respecto a la variable t obtenemos el siguiente conjunto de ecuaciones
sG(kx; ky ; l; s) P (kx ; ky ; l; t = 0) = p G(kx ; ky ; l + 1; s) Æp G(kx ; ky ; l; s) +

A1 (kx ; ky )G(kx ; ky ; l; s); l=1
sG(kx; ky ; l; s) P (kx ; ky ; l; t = 0) = A(kx ; ky ) G(kx ; ky ; l; s) + Æp G(kx ; ky ; l 1; s) +
p G(kx ; ky ; l + 1; s) 2 p G(kx ; ky ; l; s); l = 2

sG(kx; ky ; l; s) P (kx ; ky ; l; t = 0) = A(kx ; ky ) G(kx ; ky ; l; s) + p [G(kx ; ky ; l 1; s) +
G(kx ; ky ; l + 1; s) 2 p G(kx ; ky ; l; s)]; l 3
(6.4)
Hemos usado las siguientes deniciones:

Z1 1
X
G(kx ; ky ; l; sj0; 0; l0 ; t = 0) = e st ekx n+ky m P (n; m; l; t)dt
0 n;m; 1
1
X
= L[ ekx n+ky m P (n; m; l; t)] (6.5)
n;m; 1
y
A(kx ; ky ) = 2p [Cos(kx ) 1] + 2p [Cos(ky ) 1] (6.6)
A1 (kx ; ky ) = 21p [Cos(kx ) 1] + 2p1 [Cos(ky ) 1] (6.7)
La ec. (6.4) puede expresarse en notación matricial de la siguiente manera
[sI~ H~ ]G~ = Æll0 = I~ll0 (6.8)
donde Æll0 es la delta de Kronecker y la matriz cuadrada G ~ tiene componentes:

G~ ll0 = [G[kx ; ky ; l; sjn; m; l0 ; t0 ]]; (6.9)
I~ es la matriz identidad y U~ es una matriz tridiagonal con la siguiente característica:

0 1
B
Æp + A1 p 0 0 0 0 C
B
B Æp C p 0 0 0 C
C
B
~ B
H=B
0 p C p 0 0 C
C
C;
B
B 0 0 p C p 0 C
C
B C
B
@ 0 0 0 p C p C
A

el parámetro C está denido como:
C = 2 p + A(kx ; ky ): (6.10)
~ es innita. Con el propósito de encontrar una solución a la ec.
Es importante resaltar que la matriz H
(6.8), descomponemos la matriz H~ en las siguientes matrices:
H~ = A(kx ; ky )I~ + H~ 0 + H~ 1 + H~ 2 (6.11)
donde 0 1
B
2 p p 0 0 0 C
0
B
B p 2 p p 0 0 C
0 C
B
~
H0 = B
B 0 p 2 p p 0 C
0 C
C
;
B 0
@ 0 p 2 p p A
0 C

(
1 si i = j = 1
(H~ 1 )ij = 1
0 en el resto
(
1 si i = 1 y j = 2
(H~ 2 )ij = 2
0 en el resto
y
1 = Æp [ 2 p + A(kx ; ky ) A1 (kx ; ky )];

2 = Æp p: (6.12)
Por otro lado deniendo
G~ 0 = [sI~ (A(kx ; ky )I~ + H~ 0 )] 1

G~ 1 = [sI~ (A(kx ; ky )I~ + H~ 0 + H~ 1 )] 1 (6.13)
y observando que una solución formal de la ec. (6.8) es
G~ = [sI~ H~ ] 1 ; (6.14)
se puede mostrar que aplicando reiteradamente la fórmula de Dyson (Apéndice B) se obtienen los
siguientes resultados
G~ 1 G~ 1
G~ ll0 = G~ 0ll0 + 2 l2 ~ 11l0 ; (6.15)
1 2 G12
G~ 0 G~ 0
G~ 1ll0 = G~ 0ll0 + 1 l1 ~ 01l0 : (6.16)
1 1 G11
~ 0ll puede ser obtenida por métodos convencionales (Apéndice C).
La expresión para G 0
La expresión que resulta es
G0ll0 (t) = e2 p t (Ij j0 (2 p t) Ij +j0 (2 p t)): (6.17)
La matriz G~ contiene toda la información estadística que caracteriza al proceso en estudio. A continua-
ción se presentan dos magnitudes físicas importantes, las cuales son deducidas a partir de la mencionada
matriz y que son de interés desde el punto de vista experimental.
La primera de ellas es la probabilidad que la partícula se encuentre en el plano z = 1 al tiempo t
dado que se hallaba en (0; 0; l = 1) al tiempo t = 0, P (z = 1; t), la cual se obtiene evaluando el elemento
~ 11 en kx
de matriz G = ky = 0 y hallando la antitransformada de Laplace. La expresión correspondiente
para P (z = 1; s) es
NP (z=1;s)
P (z = 1; s) = G~ 11 jkx =ky =0 = (6.18)
DP (z=1;s)
donde
q
NP (z=1;s) = p (2 p + s s(4 p + s))
q
DP (z=1;s) = p s (2 p + s s(4 p + s)) +
q q
Æp ( p ( s(4 p + s) 3s) + s( s(4 p + s) s)): (6.19)
La ec. (6.18) establece que la probabilidad de hallar a una partícula sobre el plano z =1 es
una función que sólo depende de las frecuencias de salto de adsoción ( p ) y de desorción (Æp ) y es
independiente de las frecuencias de salto en las direcciones paralelas a dicho plano. En particular si Æp
es igual a 0 o sea no existe desorción, dicha probabilidad se reduce a la siguiente expresión
1
P (z = 1; s) = ; (6.20)
s
cuya antitransformada de Laplace es P (z = 1; t) = 1, resultado esperado dado que la partícula perma-
necerá en el plano z = 1 para todo tiempo.
Otra magnitud de interés es la varianza (hr 2 i) de la distribución de probabilidad al tiempo t sobre
la supercie [82],[83], la cual mide la dispersión de las partículas sobre el plano. Cuando P (m; n; l =
1; tj0; 0; l0 = 1; t = 0) es conocida, la varianza se calcula como:
1
X
hr2(t)i = P (m; n; l = 1; tj0; 0; l0 = 1; t = 0)(m2 + n2 ) (6.21)
m;n= 1
Para obtener esta expresión hemos supuesto propiedades de simetría a lo largo de los ejes x e y,
hx(t)i = 6 y(t)i = 0.
La transformada de Laplace de la varianza hr2(s)i = L(hr2(t)i) puede encontrarse de la siguiente
manera
@ 2
@ ~ 2
hr2(s)i = [ @k 2 + @k 2 ][G11 ] jkx =ky =0 (6.22)
x y
Usando las ecs. (6.14) - (6.22) el resultado es el cociente de funciones en s:
hr2(s)i = N1(sD
) + Nv (s)
(s)
(6.23)
con q
N1 (s) = 4 p2 (1p + p1 )( s(4 p + s)(2 p2 + 4 p s + s2 ) s(4 p + s)(2 p + s)) (6.24)
q q q
Nv (s) = [4Æp p(p + p)][2 p3 3 p2 ( s(4 p + s) 3s) s2 ( s(4 p + s) s) 2 ps(2 s(4 p + s) 3s)]
(6.25)
q q
D(s) = s(4 p + s) ( p s(2 p + s s(4 p + s))
q q
+Æp ( p ( s(4 p + s) 3s) + s( s(4 p + s) s)))2 : (6.26)
A continuación analizaremos algunos límites para estas ecuaciones. Cuando Æ es igual a cero, es
decir cuando no existe desorción desde el plano z = 1, la ec. (6.23) se reduce a la siguiente expresión
hr2 (s)i = 2(p + p ) s12 ; (6.27)
cuya antitransformada de Laplace es
< r2 (t) >= 2(p + p ) t; (6.28)
es decir la distancia cuadrática media crece linealmente con el tiempo. Esto es, el movimiento que sigue
el sistema cuando Æ = 0 es difusivo normal (Apéndice E).
Para estudiar el comportamiento asintótico de la cantidad hr 2 (t)i (cuando Æ 6= 0) para t grandes,
reescribimos esta expresión de la siguiente forma
4 p Æp (p + p )
hr2(s)i = q +
s( s(4 p + s)(2Æ2 + 2s( p + Æp ) + s2 ) + s(s + 4 p )(s + 2Æp ))
p
4 p (1p + p1 )
q : (6.29)
s( s(4 p + s)(2 p Æp )Æp + 2s p2 2s p Æp + (s + 2 p )Æp2 )
Tomando el límite de s a cero (o sea t tendiendo a 1) se tiene que
p p (p + p) 1 2 p (1 + 1 ) 1
hr 2 ( s)i ! Æp
+
Æ
p
2
p
s
: (6.30)
s
3
p 2
Aplicando los teoremas tauberianos (Apéndice D) a esta expresión se obtiene el siguiente resultado
p
hr2 (t)i ! Æ p (p[3+=2]p ) t ; 1
2 (6.31)
p
por lo tanto en el régimen asintótico el movimiento sobre la supercie está descripto por un proceso
subfdifusivo (Apéndice E), es decir hr 2 i no crece linealmente con el tiempo, sino que lo hace con una
potencia menor que 1. En este caso el exponente es 0:5. En general cuando hr 2 i no crece linealmente
con el tiempo, el proceso difusivo recibe el nombre de difusión anómala. Cuando dicho exponente es
mayor que 1 el proceso es superdifusivo, cuando el exponente es menor que 1 el proceso es subdifusivo.
6.2.3 El esquema de Caminatas Aleatorias de Tiempo Continuo (CTRW)

En esta sección trataremos el problema mediante la aproximación de CT RW para el caso en que
1 = 1 = 0.
Sea (~r; r~0 ; t) la densidad de tiempo de espera denida como la densidad de probabilidad que una
transición desde la posición r~0 a la posición ~r ocurra entre un tiempo t y t + dt dado que el caminante
arrivó a ~r a t = 0. Suponemos invariancia traslacional, es decir
(~r; r~0 ; t) = (~r r~0 ; t) (6.32)

para todo ~r y r~0 .

La probabilidad condicional que la partícula esté en la posición ~r al tiempo t dado que estaba en
~r = 0 a t = 0, P (~r; t=~r = 0; t = 0),
puede ser encontrada mediante una transformación al espacio de
Laplace - Fourier (Apéndice E). La expresión que se obtiene en dicho espacio es:
1 ~ u)
1 (
P (~k; s=~r = ~0; t = 0) = ~ ~k; s) (6.33)
1 ( s
donde ( ~ s) = P~r (~k; s) = (~k = ~0; s) es

~ ~k; s) es la transformada de Laplace - Fourier de (~r; t) y (
la transformada de Laplace de la probabilidad de transición total. La suma se toma sobre toda la red.
La normalización de P (~r; t=~r = ~0; t = 0) para todo el tiempo t se obtiene de la ec. (6.33) en un modo
directo:
X 1
P (~r; t=~r = ~0; t = 0) = L 1 (P~ (~k = ~0; s=~r = ~0; t = 0)) = L 1 ( ) = 1 (6.34)
~r
s
La normalización implica que el caminante se encuentra en algún lugar de la red. Sin embargo si
evaluamos la probabilidad que el caminante se encuentre en un subespacio de esta red, la condición de
normalización deja de cumplirse.
z = 1 [84] denidas en
A continuación consideraremos las sucesivas visitas del caminante al plano
el punto anterior y la posibilidad que éstas puedan identicarse como un proceso CT RW sobre dicho
plano.
Para ello denimos una densidad de tiempos de pausa apropiada para las transiciones de un solo
salto, plano (~r; r~0 ; t) donde ~r y r~0 son dos vectores bidimensionales sobre el plano, es decir ~r = (m; n)
y r~0 = (m0 ; n0 ). La transición entre los vectores ~r y r~0 debe ser realizada sin visitas al plano en el
intervalo (0; t). Esta condición asegura que el proceso sea de un solo salto entre los mencionados
vectores. Recordemos que esta densidad de tiempo de pausa es la densidad de probabilidad de que el
caminante arribe a ~r entre t y t + dt habiendo arribado a r~0 a t = 0. Es obvio que esta transición no
será instantánea dado que el tiempo de vuelo a través del volumen no puede ser despreciado. Para ser
consistente con la teoría CT RW ([2]) debemos añadir el tiempo de adsorpción en r~0 con el tiempo de
vuelo hasta arribar a ~r y deniendo de esta manera a la suma de estas cantidades como el tiempo de
pausa en r~0 . De este modo, la probabilidad sobre el plano se conserva y las transiciones se vuelven
instantáneas. Este hecho fué señalado por Alemany [85] para la superdifusividad en sistemas acoplados
de CT RW (Caminatas de Levy).
A continuación procedemos a construir la densidad de tiempo de pausa en el plano z = 1, teniendo en
cuenta las hipótesis arriba mencionadas. En primer lugar notamos que si el caminante llega a (m0 ; n0 ; 1)
a t = 0, la densidad de probabilidad de que se desorba entre t0 y t0 + dt0 mediante un salto a (m0 ; n0 ; 2)
es Æ Exp( Æt0 ) dt0 . Deniendo q [(m; n; 2); t; (m0 ; n0 ; 2); t0 ] como la probabilidad que el caminante esté
en la posición (m; n; 2) al tiempo t dado que estaba en (m0 ; n0 ; 2) al tiempo t0 sin haber realizado visita
alguna al plano z = 1 en el intervalo temporal (t0 ; t), podemos encontrar la densidad de probabilidad
de alcanzar (m; n; 1) por primera vez entre los tiempos t y t + dt dado que el caminante estaba en
(m0 ; n0 ; 2) al tiempo t0
f (m; n; 1; t; m0 ; n0 ; 2; t0 ) = p q((m; n; 2); t; (m0 ; n0 ; 2); t0 ) (6.35)
Finalmente la probabilidad de alcanzar (m; n; 1) por primera vez entre t y t + dt dado que el caminante
0 0
estaba en (m ; n ; 1) a t = 0 sin haber realizado visitas al plano en el intervalo (0; t) es:
Z t
f ((m; n; 1); t; (m0 ; n0 ; 1); 0) = [ p q(m; n; 2); t; (m0 ; n0 ; 2); t0 ]Æp exp( Æp t0 )dt0 (6.36)
0
La función f ((m; n; 1); t; (m0 ; n0 ; 1); t0 ) coincide exactamente con la densidad de tiempos de pausa
(~r; r~0 ; t) donde ~r = (m; n) y r~0 = (m0 ; n0 ). Dado que supusimos invariancia traslacional en las di-
recciones x e y, la función q sólo depende de (m n) and (m0 n0). Eligiendo al punto (0; 0) como la
condición inicial de nuestro proceso, obtenemos
Z t
plano (m; n; t) = [ q(m; n; 2); t; (0; 0; 2); t0 ]Æ exp( Æt0 )dt0 (6.37)
0
La función q ((m; n; 2); t; (0; 0; 2); t0 ) se obtiene por medio del método de las imágenes asumiendo al
plano = 1 como absorbente
q(m; n; 2); t; (0; 0; 2); t0 ) = (exp( 2p t)Im (2p t))

(exp( 2p t)In (2p t))
(exp( 2 p t)I0 (2 p t) exp( 2 p t)I2 (2 p t)) (6.38)
Las ecuaciones (6.37) y (6.38) nos permiten construir la probabilidad normalizada de la CT RW en el

plano z = 1
1 1 plano(s)
P norm (~r; t=~r = ~0; t = 0) = L 1 F 1 ( )( ) (6.39)
1 plano(~k; s) s
donde
1 q Æ
plano (~k; s) = p ( 2 )(s + 2 P + A(kx ; ky ) (s + 2 p A(kx ; ky )2 (2 p )2 )) p (6.40)
2 p s + Æp
y plano (s) = plano (~k = ~0; s) Aquí se ha tomado que ~r = (m; n); ~k = (kx ; ky )y la función A(kx ; ky ) está
denida por la ecuación (6.6). La ecuación (6.40) muestra una densidad de tiempo de pausa acoplada
cuyo primer momento temporal es hti ! 1. Las expresiones para la transformada de Fourier - Laplace
de P norm (~r; t=~r = ~0; t = 0) pueden ser obtenidas de las ecuaciones (6.39) and (6.40).
N Norm (s)
P norm (~k; sj~r = ~0; t = 0) = (6.41)
DNorm (s)
donde
1 q
N Norm (s) = (2 p (s + Æp ) Æp (s + 2 p u(s + 4 p )))
s
DNorm (s) = 2 p (s + Æp ) Æp (s + 2 p + A(kx ; ky )
q
(s + 2 p + A(kx ; ky ))2 (2 p )2 (6.42)
La varianza correspondiente a la probabilidad normalizada P norm en el espacio de Laplace es:

q
2 p + s s(s + 4 p ) q
hr2(s)inorm = 2Æp (p + p)( q s s(s + 4 p )) (6.43)
2 p s + Æp s(s + 4 p ) s
El comportamiento asintótico para tiempos grandes es
hr2 (t)inorm ! (p + p) t; (6.44)
la difusión normal se debe al caracter de acople de la densidad de tiempo de pausa y su primer momento
temporal innito.
Como un subproducto importante de la aproximación antes expuesta, presentamos la evaluación de
la probabilidad de la primer visita al plano z = 1. Si un caminante, inicialmente en el punto (0; 0; 1) se
desorbe y comienza una caminata a través del volumen, la densidad de probabilidad de que regrese al
plano z = 1 para el tiempo t y t + dt, fret(t) es
fret (t) = L 1 [ plano (s)] = L 1 [ plano (~k = ~0; s)] (6.45)
De la ec. (6.40) obtenemos la siguiente expresión para la transformada de Laplace de la densidad de

primer retorno
Æp 1 q
plano(s) = ( )( )(2 p + s s(s + 4 p )) (6.46)
2 p s + Æp
De la ec. (6.46) es posible obtener dos resultados importantes. El primero de ellos indica que un
caminante ciertamente regresa al plano z=1
Z1
fret (t)dt = plano(s = 0) = 1 (6.47)
0
En segundo lugar el comportamiento asintótico de la densidad de primer retorno para tiempos grandes
es
1 1
fret (t) ! ( p ) (6.48)
p [ 12 ] t 32
El tiempo medio de primer retorno al plano es innito como podemos observar a partir de la ecuación
anterior.
6.2.4 Descripción del algoritmo de simulación numérica

La teoría antes desarrollada fue comparada con simulaciones numéricas de Monte Carlo. El algoritmo
básicamente genera la evolución de una partícula sobre una red cúbica simple durante un período
de tiempo. Inicialmente la partícula se encuentra en el origen del sistema de referencia. A un dado
tiempo, determinado por una distribución de tiempos de espera, ésta efectúa un salto hacia algunas de
las direcciones permitidas. Los saltos que realiza la partícula son a primeros vecinos. De este modo se
genera la caminata a través de la red.
Cuando el caminante regresa a la supercie donde se analiza su movimiento, se determina la po-

sición que éste ocupa a partir de ese instante de tiempo y se contablliza su estadía en el plano. Este
procedimiento continúa durante todo el intervalo de tiempo en que ocurre la simulación. El algoritmo
se repite un número suciente de veces, a n de obtener la estadística para calcular la P (z = 1; t) y
hr2(t)i.
La probabilidad de hallar a la partícula en el plano de estudio al tiempo t (P (z = 1; t)) se calcula
haciendo el cociente entre el número de veces que el caminante estuvo en el plano al tiempo t dividido
por el número total de partículas que realizaron la evolución. En tanto que la distancia cuadrática
media resulta ser igual a la suma sobre todas las distancias posibles del producto entre la probabilidad
de estar sobre el plano y a la distancia correspondiente al tiempo t por la distancia al origen elevada al
cuadrado.
6.3 Resultados y Discusiones

La teoría desarrollada fue cotejada con simulaciones numéricas de Monte Carlo. Los resultados obteni-
dos son mostrados en las siguientes guras. Estas grácas fueron obtenidas promediando los resultados
a través de 2 106 realizaciones y manteniendo jos los siguientes parámetros: = = = 1, en tanto
que en la mayoría de los casos estudiados se supuso que el desplazamiento de las partículas a través de
la supercie se debía exclusivamente a la caminatas de éstas por el volumen, es decir 1 = 1 = 0.
1.1
1.0
0.9
0.8
0.7
0.6
P(z = 1, t)
0.5
0.4
0.3
0.2
0.1
0.0
-0.1
0 50 100 150 200
t (unid. arb.)
Figura 6.1: Evolución temporal de P (z = 1; t). Se muestran tres casos: (i) los círculos representan
las simulaciones para Æ = 0:01, la línea continua la curva teórica correspondiente. (ii) los cuadrados
son los puntos de simulaciones para Æ = 0:1, la línea de trazo largo es la curva teórica correspondiente.
(iii) Los triángulos representan simulaciones para Æ = 1:0, la línea de trazo largo la curva teórica
correspondiente.
En la g.6.1 observamos la probabilidad de que las partículas se encuentren en el plano z = 1 al

tiempo t dado que habían partido desde éste a t = 0 (P (z = 1; t)). En esta gura se muestran las
curvas teóricas obtenidas hallando la antitransformada de Laplace de la ec. (6.18) numéricamente [119]
y las obtenidas mediante simulaciones numéricas usando el algoritmo descripto en la sección anterior.
17
16
15
14
13
12
11
10
<r >(unid. arb.)

9
8
7
6
2
5
4
3
2
1
0
-1
0 50 100 150 200
t (unid. arb.)
Figura 6.2: hr2 i vs t para los mismos parámetros usados en la g. 6.1, círculos (simulaciones Æ = 0:01),
la línea continua la curva teórica correspondiente, cuadrados (simulaciones Æ = 0:1), la línea de trazo
largo es la curva teórica correspondiente, triángulos (simulaciones Æ = 1:0), la línea de trazo la curva
teórica correspondiente.
La gura muestra un comportamiento monótonamente decreciente con el tiempo. Este hecho resulta
razonable dado que a medida que transcurre el tiempo las partículas tienden a desplazarse por el
volumen y por lo tanto visitan con menos frecuencia la supercie (evaporación a tiempos grandes). Por
otro lado la rapidez con que la curva decrece es mayor a medida que la frecuencia de desorción (Æ )
crece.
Como resulta evidente de la gura existe un excelente acuerdo entre los resultados teóricos y las
simulaciones.
La g.6.2 muestra la distancia cuadrática media (hr 2 i) como función del tiempo. Al igual que en el
caso de la gura anterior, se comparan los comportamientos teóricos obtenidos hallando la antitrans-
formada de Laplace de la ec. (6.23) en forma numérica [119] y los obtenidos mediante simulación de
Monte Carlo.
En la gura se observan tres comportamientos distintos para el mismo lapso temporal. Dichos
comportamientos pueden ser ajustados por una expresión de la forma
hr2 i = C t; (6.49)
donde es un parámetro cuyo rango de variación es 0 < < 1. Cuando la relación adsorción-desorción
es pequeña ( Æ = 0:01) el crecimiento de hr 2 i está determinado por > 1 , en tanto cuando la razón
anterior crece, la evolución tiende hacerse más lenta, es decir el valor que adopta es menor que 1.
Una vez más aquí se observa un excelente acuerdo entre los resultados teóricos y los obtenidos por las
simulaciones.
La g.6.3 muestra la respuesta en frecuencia del exponente para un dado intervalo de tiempo de
evolución. La gura registra claramente el cambio de comportamiento en la difusión efectiva a medida
1.6
1.4
1.2
ε
1.0
0.8
0.6
0.4
1E-4 1E-3 0.01 0.1 1 10 100
δ (unid. arb.)
Figura 6.3: Exponente de ajuste () como función de la frecuencia de desorción Æ . El tiempo de
t = 500 y = 1.
evolución tomado es
que cambia la razón Æ . Mientras que para relaciones Æ bajas el proceso (considerando este intervalo
temporal) es superdifusivo, para razones Æ altas el comportamiento es subdifusivo. Cabe aclarar que en
el sentido estricto de la denición de difusión anómala, estos procesos se denen para tiempos grandes.
200
200
180
160
180
140
<r > (unid. arb.)
120
100
160 80
60
40
2
140 20
0
-20
0 1000 2000 3000 4000 5000
120 t (unid. arb.)
<r > (unid. arb.)
100
80
2
60
40
20
0
-20
0 1000 2000 3000 4000 5000
t (unid. arb.)
Figura 6.4: Ajuste de hr2i para tiempos grandes. Círculos representan puntos teóricos para Æ = 0:1,
la línea continua el correspondiente ajuste. Los cuadrados son puntos para Æ = 0:5, la línea de trazos
su correspondiente ajuste. En el insert gracamos los puntos obtenidos por simulación y las curvas que
lo ajustan.
Para tiempos de evolución sucientemente grandes, el proceso termina siendo subdifusivo para todas
las razones Æ . Esto puede observarse en la g. 6.4 donde se aprecia las curvas teóricas y sus correpon-
dientes ajustes como también las simulaciones y sus ajustes (ver insert de la gura). Es importante
mencionar que dicho comportamiento subdifusivo ha sido predicho por la teoría. Los resultados de los
ajustes se detallan en la siguiente tabla
frec. de despegue Tipo de curva C 0:01 0:001

0.1 teórico 0.63 0.662
0.1 simulación 0.64 0.661
0.5 teórico 0.43 0.535
0.5 simulación 0.47 0.531
La g. 6.5 muestra los resultados obtenidos para la probabilidad de primer retorno de retorno
al plano z = 1 (fret (t)). La línea continua representa el resultado teórico obtenido numéricamente
calculando la antitransformada de Laplace de la ec. (6.46); en tanto que los puntos representan el
resultado numérico obtenido por simulación.
0.024
0.022
0.020
0.018
0.016
0.014
0.012
fdr(t)
0.010
0.008
0.006
0.004
0.002
0.000
-0.002
-50 0 50 100 150 200 250
t (unid. arb.)
Figura 6.5: Distribución de tiempos de retorno. El parámetro usado fue Æ = 0:1.
Hasta aquí hemos mostrado y comparado resultados teóricos y numéricos para el caso en que no
existe difusión en la supercie z = 1, es decir la difusión que se produce sobre ella es sólo a través del
volumen con el que está en contacto.
Hemos mostrado que los resultados teóricos presentan excelentes acuerdos con los obtenidos me-
diante simulación Monte Carlo.
A continuación mostraremos el comportamiento registrado para el caso en que existe difusión sobre
el plano y en el volumen. La g. 6.6 muestra la probabilidad P (z = 1; t) para tres casos distintos, en
dos de los cuales existe difusión tanto sobre la supercie z = 1 como en el volumen, pero con dos valores
diferentes de frecuencias de salto sobre la supercie. La curva restante describe a P (z = 1; t) cuando
sólo existe movimiento a través del volumen. En los tres casos hemos puesto las mismas frecuencias
de salto en el volumen (p = p = p = 16 ) y además hemos jado la misma frecuencia temporal de
desorción Æ = 0:02.
1.0
0.9
0.8
P(z = 1,t)
0.7
0.6
0.5
0.4
0 500 1000 1500
t (unid. arb.)
Figura 6.6: P (z = 1; t) vs t para Æ = 0:02 y tres casos diferentes, (i) línea continua (teoría) para
1 = beta1 = 0:02y0:05, cículos llenos (simulación) para 1 = 1 = 0:02, ii) cuadrados (simulación)
para 1 = 1 = 0:05 y iii) línea de trazos (teoría) y círculos abiertos cuando sólo hay difusión a través
del volumen.
Existe un excelente acuerdo entre los resultados teóricos y las simulaciones de Monte Carlo. La
expresión teórica para P (z = 1; t) (ecs. (6.18), (6.19)) establece que esta probabilidad sólo es función
de las frecuencias de salto de adsorción ( p ) y de adsorción (Æp ) e independiente de las frecuencias de
salto en las direcciones paralelas al plano donde se estudia el movimiento (p ; p ). Este hecho se ve
claramente reejado en la g. 6.6.
Por otro lado la diferencia encontrada entre las curvas donde existe difusión sobre el plano z=1
y en la que no existe difusión sobre el mismo se debe a que las frecuencias de salto de desorción (Æp )
son diferentes en ambos casos. Cuando existe tanto difusión sobre el plano como en el volumen dicha
frecuencia es igual a Æ6 (recordar que Æ es la frecuencia temporal de salto), en tanto que cuando sólo
existe difusión a través del volumen esta frecuencia es igual a 2Æ . La aparición de los factores 16 y 12 es
debida a la diferencia entre las probabilidades de salto ( 1 ) para estos casos. En los primeros dos casos la
p
partícula que está sobre el plano tiene 3 grados de libertad de movimiento y por cada dirección posee 2
sentidos. En tanto que en el restante sólo tiene un solo grado de libertad y dos sentidos de movimiento
(o salta hacia el plano z = 2 o permanece pegada a la supercie). Esta razón, además explica, porqué
decae más rápidamente la curva en la que no existe difusión sobre la supercie; La partícula tiene una
mayor probabilidad de saltar hacia el volumen en este caso ( 12 ) que en los dos primeros ( 16 ).
La g. 6.7 muestra la distancia cuadrática media recorrida como función del tiempo para los tres
casos anteriormente presentados en la g. 6.6. Es importante resaltar que las frecuencias de salto en el
volumen son las mismas para los tres casos, siendo estos valores iguales a p = p = p = 61 . Aquí se
presentan tanto los comportamientos teóricos (ec. (6.23)) como los obtenidos por siuulación numérica
140
120
100
<r > (unid. arb.)
80
60
2
40
20
0
-20
0 300 600 900 1200 1500 1800
t (unid. arb.)
Figura 6.7: hr2 i vs t para los mismos casos representados en la g. 6.6. (i) línea continua (teoría),
cículos (simulación) para 1 = 1 = 0:02, ii) línea de trazos (teoría), triángulos (simulación) para
1 = 1 = 0:05 y iii) línea de puntos (teoría), círculos (simulación) para 1 = 1 = 0.
de Monte Carlo. El acuerdo entre estos resultados para los distintos casos es excelente.
Una característica a destacar en este tipo de curvas (y para los parámetros usados) es que hr 2 i para
tiempos cortos crece más rápidamente cuando la difusión se lleva a cabo sólo a través del volumen que
por el movimiento sobre el plano y en el volumen.
Este efecto desaparece en el límite asintótico para tiempos grandes. De la ec. (6.31) obtenemos que
el factor que acompaña a la parte temporal es
p p ( + p )
p
A= ; (6.50)
Æp (3=2)
evaluando esta expresión en Æp = Æ
6 para el caso en que existe tanto difusión sobre la supercie y en
Æ
el volumen y en Æp = 2 en el caso donde hay movimiento sólo a través del volumen (siendo el resto de
los parámetros iguales para ambos casos), obtenemos que el coeciente en el primer caso es tres veces
mayor que el perteneciente al segundo caso.
Un caso particular pero llamativo ocurre cuando la difusión en el plano es mucho más grande que
en el volumen. Además la frecuencia de adsorción ( ) es menor que la de desorción (Æ ).
La g.6.8 describe el hr2 (t)i para tal situación. Nuevamente los puntos representan los resultados
de las simulaciones en tanto que las líneas registran el comportamiento teórico.
Las grácas fueron obtenidas para dos frecuencias de desorción Æ , notándose dos comportamientos
diferentes. En ambos casos se observa un rápido crecimiento de hr 2 i para tiempos cortos de evolución.
En este lapso de tiempo la difusión de partículas en el plano prevalece sobre aquella difusión realizada
en el volumen. Para tiempos mayores el crecimiento se hace más lento prevaleciendo la difusión en el
volumen.
60
50
40
<r > (unid. arb.)
30
2
20
10
0
0 50 100 150 200
t (unid. arb.)
Figura 6.8: Evolución temporal de hr2 i. Los parámetros usados fueron: 1 = 1 = 50:0, = = 1:0,
= 1:0. Los círculos son puntos de simulación para Æ = 2:0, los cuadrados para Æ = 5:0 y las líneas los
correspondientes valores teóricos.
20
16
<r > (unid. arb.)
12
8
2
4
0
0 2 4 6 8 10
t (unid. arb.)
Figura 6.9: Ampliación en la escala temporal de hr2i para el caso en que Æ = 5:0:. La línea continua
representa el resultado teórico, la línea de trazos es la simulación.
Se puede observar, además, que para Æ = 2:0 (indicada por círculos) el crecimiento de hr2i es
monótono, en tanto que para Æ = 5:0 presenta una característica notable. Este comportamiento es
apreciado más claramente si observamos tiempos más cortos tal como se muestra en la g.6.9. Allí
mostramos tanto el comportamiento teórico como el que resulta de las simulaciones. Observamos la
existencia de un máximo en el valor de hr 2 (t)i. Este hecho se produce debido a que cuando Æ es grande
(comparada con ), las partículas se desorben más rápidamente de la supercie y por lo tienden a
realizar excursiones más frecuentes por el volumen, dando lugar a una evaporación de partículas sobre
la supercie lo cual provoca que hr 2 i disminuya. Finalmente para tiempos mayores hr 2 i crece a un
ritmo menor al que tenía inicialmente.
6.4 Conclusiones
Presentamos un modelo teórico que describe una caminata aleatoria a través de una red cúbica simple
seminnita. Estudiamos la difusión efectiva de partículas sobre la supercie frontera del espacio. El
proceso fue descripto mediante un conjunto de ecuaciones maestras las cuales fueron resueltas utilizando
técnicas de transformadas de Fourier - Laplace. Obtuvimos expresiones analíticas (en el espacio de
Laplace) para la probabilidad de estar en la interfaz, para la varianza de la probabilidad sobre el plano
y la densidad de probabilidad para el primer retorno.
Un hecho importante a notar es que las probabilidades de estar en el plano (P (z = 1; t)) y de
retorno por primera vez al plano (fret (t)) sólo dependen de las frecuencias de salto de adsorción ( p ) y
desorción (Æp ), siendo estas magnitudes independientes de las frecuencias en las direcciones paralelas a
la supercie donde se estudia el movimiento (1 , 1 , , ). En este modelo establecemos una sutil
p p p p
diferencia entre las frecuencias de salto (por ejemplo Æp ) y las temporales de salto (Æ ) al establecer que
la primera es el producto de la segunda por una probabilidad de salto, la cual está determinada por el
grado de libertad de movimiento.
Además determinamos la dependencia asintótica para tiempos grandes para la varianza, encontrán-
dose que el comportamiento difusivo seguido en este proceso es anómalo (subdifusivo). Sin embargo,
para rangos temporales más cortos y dependiendo de la relación Æ , es posible ajustar curvas de hr 2 i en
función del tiempo con leyes de potencia con exponentes mayores, iguales o menores que uno. Es decir
existen intervalos temporales donde los movimientos pueden pueden comportarse como procesos super-
difusivos, difusivos o subdifusivos. En particular un proceso superdifusivo ocurre cuando la relación Æ
es pequeña ( Æ 1). Cuando dicha razón es grande o próxima a 1 entonces el movimiento pasa a ser
difusivo o subdifusivo.
De lo expuesto es posible establecer que de acuerdo al valor que adopte la razón Æ , se puede
establecer dos regímenes de adosrción; adsorción fuerte cuando Æ 1 y adsorción débil cuando Æ 1.
Es importante remarcar una vez más que el comportamiento de hr 2 i para tiempos grandes es
subdifusivo tanto para el régimen de adsorción fuerte como para el débil.
Cuando existen movimientos difusivos tanto en la supercie de estudio como en el volumen, puede
observarse un fenómeno de evaporación cuando la difusión en la supercie es mucho mayor a la difusión
en el volumen y cuando la frecuencia de desorción es mucho mayor que la frecuencia de adsorción.
Este proceso de evaporacón se maniesta por la aparición de un pico en la curva de hr 2 i. La expli-
cación a este fenómeno puede darse en términos de un rápido crecimiento inicial de hr 2 i debido a las
características difusivas sobre la supercie. La elevada frecuencia de desorción hace que las partículas
pasen al volumen que limita la supercie rápidamente, produciéndose una disminución en la cantidad
de partículas existentes en la supercie a un dado tiempo. Esta disminución provoca a su vez que el
valor de hr 2 i disminuya.
Capítulo 7
Difusión supercial mediada por volumen:

Medios nitos
En este capítulo continuamos con el estudio de la difusión de partículas en el espacio, agregando otra
condición de borde en el volumen que las contiene. El movimiento de las partículas queda limitado
por dos interfaces, una es la supercie donde se estudia la dinámica del proceso y la otra es la tapa o
capa superior. Esta restricción en el volumen trae como consecuencia comportamientos distintos a los
observados en el capítulo anterior.
7.1 Introducción
Los procesos difusivos efectivos sobre supercies mediados por volumen se desarrollan generalmente en
regiones nitas del espacio. La discusión anterior sobre el tema representa una primera aproximación
que será perfeccionada en este capítulo. Para ello completaremos el estudio desarrollado en el cap. 6,
añadiendo otra condición de contorno sobre el volumen donde se realiza la caminata. Esta condición
acota el volumen, restringiendo el movimirnto de las partículas al espacio comprendido entre dos planos
paralelos sobre uno de los cuales se estudia el proceso difusivo. Las restantes direcciones no están
acotadas.
A continuación encontraremos la solución a este problema determinando analíticamente dos can-
tidades, la probabilidad condicional de encontrar al sistema en el plano z=1 al tiempo t dado que
inicialmente se encontraba en dicho plano y la distancia cuadrática media recorrida por las partículas,
suponiendo que no existe interacción entre las partículas. Tomaremos un caso particular del problema
(el caso de la bicapa), para el cual encontraremos la solución analítica en el espacio temporal en forma
explícita. Posteriormente analizaremos los casos de volúmenes conformados por tres o más capas (me-
dios multicapas) obteniendo expresiones para la probabilidad en el plano y la varianza en el espacio de
Laplace. Presentaremos los resultados obtenidos y los compararemos con simulaciones Monte Carlo.
Por último discutiremos estos resultados y expondremos las conclusiones obtenidas en este capítulo.
68 Difusión supercial mediada por volumen: Medios nitos
7.2 Modelo de adsorción - desorción para volumen nito

Consideremos una caminata aleatoria en una red cúbica simple. El volumen está acotado en la dirección
z donde las partículas pueden moverse desde el plano z = 1 al plano z = L (con L 2). Las direcciones
x e y permanecen no acotadas. La posición del caminante se dene por medio del vector ~r cuyas
componentes se denotan por la terna de números enteros n; m; l correspondientes a las direcciones x, y
y z respectivamente.
La probabilidad condicional de que el caminante ocupe la posición (n; m; l) al tiempo t dado que se
encontraba en (0; 0; l0 ) a t = 0 (P (n; m; l; tj0; 0; l0 ; t = 0)) se denotará como P (n; m; l; t) para simplicar
la notación.
La dinámica de las partículas en esta región del espacio satisface el siguiente conjunto de ecuaciones
maestras:
P_ (n; m; l; t) = 1p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)]

+p1 [P (n; m 1; l; t) + P (n; m + 1; l; t) 2P (n; m; l; t)]
+ pP (n; m; l + 1; t) Æp P (n; m; l; t); si l = 1
P_ (n; m; l; t) = p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)]
+p[P (n; m 1; l; t) + P (n; m + 1; l; t) 2P (n; m; l; t)]
+ pP (n; m; l + 1; t) + Æp P (n; m; l 1; t) 2 p P (n; m; l; t); si l=2
P_ (n; m; l; t) = p [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)]
+ p[P (n; m; l + 1; t) + P (n; m; l 1; t) 2 [P (n; m; l; t)]; si 3lL 1
P_ (n; m; l; t) = P [P (n 1; m; l; t) + P (n + 1; m; l; t) 2P (n; m; l; t)]
+ pP (n; m; l 1; t) pP (n; m; l; t); si l = L: (7.1)
donde p , p y P son las frecuencias de salto en las direcciones x, y y z respectivamente, Æp representa

el ritmo salto de desorción desde el plano z = 1 al plano z = 2 y 1p y p1 son las frecuencias de salto
en la direcciones x e y en el plano z = 1. Todas estas cantidades ya fueron denidas en el cap. 6. En
particular si 1 = 1 = 0 entonces el movimiento del sistema de partículas sobre la supercie se debe
p p
exclusivamente a la difusión en volumen. Además hemos supuesto solamente saltos a primeros vecinos.
El conjunto de ecuaciones denidas por (7.1) forman un conjunto nito de L ecuaciones cuyas
soluciones hallaremos a continuación.
Similarmente al caso de volumen no acotado tomaremos las transformadas de Fourier en las variables
x e y y la de Laplace en la variable temporal t. El sistema de ecuaciones resultante es:
sG(kx ; ky ; l; s) P (kx ; ky ; l; t = 0) = pG(kx ; ky ; l + 1; s)

ÆpG(kx ; ky ; l; s) + A1 (kx ; ky )G(kx ; ky ; l; s); si l=1
Difusión supercial mediada por volumen: Medios nitos 69
sG(kx ; ky ; l; s) P (kx ; ky ; l; t = 0) = A(kx ; ky )G(kx ; ky ; l; s) + Æp G(kx ; ky ; l 1; s)

+ pG(kx ; ky ; l + 1; s) 2 p G(kx ; ky ; l; s); si l = 2
sG(kx ; ky ; l; s) P (kx ; ky ; l; t = 0) = A(kx ; ky )G(kx ; ky ; l; s) + p [G(kx ; ky ; l 1; s)
+ pG(kx ; ky ; l + 1; s) 2 p G(kx ; ky ; l; s)]; si 3 l L 1
sG(kx ; ky ; l; s) P (kx ; ky ; l; t = 0) = A(kx ; ky )G(kx ; ky ; l; s)
pG(kx ; ky ; l; s) + p G(kx ; ky ; l 1; s); si l = L:; (7.2)
donde hemos denido las transformadas de Laplace y Fourier de la siguiente manera

Z1 1
X
G(kx ; ky ; l; sj0; 0; l0 ; t = 0) = e st ekx n+ky m P (n; m; l; t)dt
0 n;m; 1
1
X
= L[ ekx n+ky m P (n; m; l; t)]; (7.3)
n;m; 1
y A(kx ; ky ) , A1 (kx ; ky ) como:
A(kx ; ky ) = 2p [cos(kx ) 1] + 2p [cos(ky ) 1]; (7.4)
A1 (kx ; ky ) = 21p [cos(kx ) 1] + 2p1 [cos(ky ) 1]: (7.5)
El sistema de ecuaciones (7.2) puede ser escrito en forma matricial,
[sI~ H~ ]G~ = Æll0 = I~ll0 ; (7.6)
donde G~ es una matriz L L cuyas componentes son

G~ = [G[kx ; ky ; 1; sj0; 0; l0 ; t = 0]; G[kx ; ky ; 2; s]; G[kx ; ky ; 3; s]; :::]: (7.7)
I~ es la matriz identidad y la matriz H~ es una tridiagonal con las siguientes características

0 1
Æp + A1 p 0 0 0 0 0
B C
B
B Æp C P 0 0 0 0 C
C
B
B 0 p C p 0 0 0 C
C
B C
B
H=B
~ B
0 0 0 C
C
C ;
B
B 0 0 0 C
C
B C
B
B 0 0 0 C
C
B 0 0 0 0 p C p C
@ A
0 0 0 0 0 p + A:
La función C está denida como
C = 2 p + A(kx ; ky ): (7.8)
Para encontrar una solución a la ec. (7.6), descomponemos la matriz H~ de la siguiente manera
H~ = A(kx ; ky )I~ + H~ 0 + H~ 1 + H~ 2 ; (7.9)

donde 0 1
2 p p 0 0 0 0 0
B C
B
B p 2 p p 0 0 0 0 C
C
B
B 0 p 2 p P 0 0 0 C
C
B C
B
H~ 0 = B
B
0 0 0 C
C
C ;
B
B 0 0 0 C
C
B C
B
B 0 0 0 C
C
B 0 p 2 p p C
@ A
0 0 p p
(
1 si i = j = 1
(H~ 1 )ij = 1
0 en el resto
(
1 si i = 1 y j = 2
(H~ 2 )ij = 2
0 en el resto
1 = Æp [ 2 p + A(kx ; ky ) A1 (kx ; ky )];

2 = Æp p : (7.10)
Además denimos
G~ 0 = [sI~ (A(kx ; ky )I~ + H~ 0 )] 1 ;

G~ 1 = [sI~ (A(kx ; ky )I~ + H~ 0 + H~ 1 )] 1 : (7.11)
La solución formal a la ec. (7.6) está dada por
G~ = [sI~ H~ ] 1 : (7.12)
Aplicando dos veces el desarrollo de Dyson (Apéndice B) es posible obtener las matrices G~ 1 y G~ es
posible obtener
G~ 1 G~ 1
G~ ll0 = G~ 1ll0 + 2 l2 ~ 11l0 ; (7.13)
1 2 G12
G~ 0 G~ 0
G~ 1ll0 = G~ 0ll0 + 1 l1 ~ 01l0 : (7.14)
1 1 G11
La solución para G~ 0ll0 puede ser obtenida analíticamente [115]. El resultado es
L 1
X 1
G~ 0ll0 = fli fl0 i ; (7.15)
i=0 2 p + (s A(kx ; ky )) 2 p cos(qi )
donde
fli = K sin(lqi ); (7.16)
y
(2i + 1)
qi = : (7.17)
2L + 1
La constante K se obtiene aplicando la normalización para las fli .
La relación de ortonormalidad establece que
X
fil fij = Ælj ; (7.18)
i=1
y por lo tanto el valor de K es:

K= p 2 : (7.19)
2L + 1
Las fli satisfacen ademáas la propiedad de completitud que se expresa como:
X
fli fji = Ælj (7.20)
i=1
A continuación obtendremos la P (n; m; 1; t) (P (z = 1; t)), es decir la probabilidad condicional de

hallar a la partícula en el plano z = 1 al tiempo t dado que estaba en (0; 0; 1) a t = 0. Esta cantidad
se obtiene aplicando la transformada inversa de Laplace al elemento de matriz G~ 11 de la ec. (7.13) y
evaluando en kx = ky = 0.
Es importante mencionar que la ec. (7.13) no sólo permite conocer la P (z = 1; t), sino también la
probabilidad de encontrar a la partícula en cualquier plano del volumen. Para ello simplemente tenemos
que calcular los elementos de las matriz G~ l1 (con l = 1; 2; 3; ::; N ).
Otra magnitud que tiene relación con experimentos de difusión [116, 117], es la varianza o la distancia
cuadrática media (hr 2 (t)i) recorrida en el plano z = 1. Cuando la P (z = 1; t) es conocida, entonces la
varianza puede calcularse de la siguiente manera
1
X
hr2(t)i = P (m; n; l = 1; tj0; 0; l0 = 1; t = 0)(m2 + n2 ): (7.21)
m;n= 1
Para calcular esta expresión, se suponen propiedades de simetría a lo largo de los ejes x e y, es decir
hx(t)i = hy(t)i = 0.
Finalmente la varianza en el espacio de Laplace puede ser obtenida mediante la siguiente expresión
hr2(s)i = [#2kxkx [G~ 11]]kx =ky =0 [#2ky ky [G~ 11]]kx=ky =0 : (7.22)
Hasta aquí hemos presentado un modelo general para describir la dinámica de un sistema de partículas
sobre una supercie donde el movimiento a través de ella se debe a desplazamientos en el volumen que
está en contacto y/o a la difusión sobre la supercie misma. La característica importante del problema
es que el volumen está limitado por dos planos paralelos situados perpendicularmente a la dirección
desde donde se estudia el proceso de difusión.
Las expresiones que encontramos para la probabilidad P (z = 1; t) (ec. (7.13)) y para la varianza
de la distribución (ec. (7.22)) están dadas en el espacio de Laplace.
A continuación restringiremos nuestro problema a un caso particular pero importante cual es el caso
de un medio bicapa.
7.2.1 Difusión en un medio bicapa

En esta sección discutiremos el caso de hallar una solución particular al problema anteriormente plan-
teado considerando un sistema de partículas moviéndose dentro de un medio bicapa, esto es un espacio
denido por la supercie donde estudiamos el movimiento de las partículas, y una segunda capa la cual
representa el volumen por donde ellas pueden desplazarse. En este caso particular las matrices denidas
en la sección anterior son arreglos 2 2, lo cual facilita el álgebra de las operaciones matemáticas.
Para obtener la P (z = 1; s) tomamos la ec. (7.13) y evaluamos dicha expresión en kx = ky = 0. La
expresión en el espacio de Laplace resultante es
p + s
P (z = 1; s) = ; (7.23)
s( p + Æp + s)
cuya antitransformada se encuentra usando tablas [118]. El resultado obtenido es el siguiente
p Æp
P (z = 1; t) = + exp [ ( p + Æp )t]: (7.24)
( p + Æp ) ( p + Æp )
Esta expresión establece que la probabilidad es sólo una función de los ritmos de salto de adsorción
( p ) y de desorción (Æp ).
En el límite de tiempos grandes, obtenemos el siguiente comportamiento
p
lim
t!1
P ( z = 1 ; t) ! p + Æp
: (7.25)
Esta expresión establece que, en este límite, la probabilidad de encontrar a la partícula en z = 1 no decae
a cero (como sucedía para el caso de volumen innito), sino que se aproxima a un valor asintótico el cual
es una razón simple entre las frecuencias temporales de adsorción y desorción. Además si la frecuencia
de adsorción es mucho más grande que la de desorción (la razón pp 1), entonces la probabilidad de
Æ
estar en el plano es alta. Por otro lado si pp 1 (la frecuencia de desorción es más grande que la de
Æ
adsorción) las partículas tienden a escaparse de la supercie y por lo tanto la probabilidad de estar en
el plano disminuye más rápidamente con el tiempo. Estos comportamientos resultan cuanticados por
la ec. (7.25).
Otra característica de esta cantidad es el tiempo en que decae a su valor asintótico. La constante
de decaimiento de dicho proceso está determinado por el exponente p + Æp . Nuevamente si pp 1,
Æ
entonces la frecuencia de adsorción ( p ) controlará el decaimiento de este proceso; y será Æp en el caso

en que pp 1.
Æ
Para la varianza de un medio bicapa, la expresión en el espacio de Laplace se obtiene utilizando la

ec. (7.22)
2 p Æ
hr2(s)i = s2( ( p++Æ s)+ s)2 (1p + p1 ) + s2( + 2delta (p + p ): (7.26)
p p p p + s)2
Utilizando técnicas algebraicas convencionales y tablas [118], es posible hallar la antitransformada de
Laplace correspondiente a esta expresión. El resultado que obtenemos es el siguiente
hr2 (t)i = hr2(t)iplano + hr2(t)ivol ; (7.27)
donde
hr2(t)iplano = (1p + p1) ( 2+ pÆÆp)3 (exp [ ( p + Æp)t] 1)

p p
!
2 Æ + 2Æp2 p2
+ pp t exp [ ( p + Æ p )t ] + t ; (7.28)
( p + Æp )2 ( p + Æp )2
hr2(t)ivol = (p + p) ( 4 +p ÆÆp )3 (exp [ ( p + Æp)t] 1)

p p
!
2 p Æp 2 p Æp
+ t exp [ ( p + Æp )t] + t : (7.29)
( p + Æp )2 ( p + Æp )2
z = 1 puede
Las ecs. 7.27, 7.28, 7.29 establecen que el desplazamiento cuadrático medio sobre el plano
descomponerse en dos movimientos, uno asociado al movimiento de las partículas sobre el plano z = 1
por medio de la ec. 7.28 y el otro al desplazamiento de las partículas a través del volumen (7.29).
Para tiempos grandes el crecimiento de hr 2 i es lineal con el tiempo, es decir el proceso a tiempos
grandes es difusivo normal. El coeciente de difusión que gobierna el proceso está dado por
2 p Æp 1 + 1 )( p2
D = (p + p )( ) + ( p p ( + Æ )2 ) (7.30)
( p + Æp )2 p p
Este tipo de comportamiento marca una importante diferencia con lo observado para volúmenes no
acotados donde el movimiento predicho por la teoría era subdifusivo.
Otro límite para este proceso ocurre cuando p = 0, es decir cuando no existe movimiento en la
dirección perpendicular al plano z = 1 pero si existe desorción desde la supercie. En otras palabras
las partículas quedan atrapadas en el volumen. En este caso la expresión que se obtiene es
hr2(t)i = 2(1p + p1 )(t exp( Æpt)): (7.31)
La g. 7.1 muestra el comportamiento de esta expresión. En ella puede apreciarse un crecimiento de la
distancia recorrida sobre la supercie hasta un valor máximo. El tiempo para el cual se da este valor
es tmax y está determinado por
1
tmax = ; (7.32)
Æp
y la distancia máxima recorrida es
1 1
hr2 imax = 1e p Æ+ p ; (7.33)
p
donde e es la base de los logaritmos naturales.
40
35
30
25
<r > (unid. arb.)
20
15
2
10
5
0
-5
0 500 1000 1500 2000
t (unid. arb.)
Figura 7.1: hr2 i vs t cuando = 0 para dos valores de Æ ; línea continua Æ = 0:05, línea a trazos
Æ = 0:03. En ambos casos 1 = 1 = 1.
Para tiempos grandes la distancia cuadrática media decrece. Este hecho resulta esperado dado que
a medida que transcurre el tiempo las partículas van desorbiéndose desde la supercie y no pueden
regresar a la misma quedando atrapadas en el volumen. Otra cantidad que describe este proceso es
la probabilidad de hallar las partículas sobre la supercie. Para este caso dicha cantidad se obitene
evaluando la ec. (7.24) en p = 0. El resultado es
P (z = 1; t) = exp( Æp t); (7.34)
La constante de decaimiento de este proceso se dene como el tiempo para el cual la probabilidad ha
disminuido hasta el valor e 1 . Esta constante es Æ1p .
En el caso en que Æp fuese igual a cero reobtenemos el problema de difusión en el plano, es decir el
coeciente de difusión en ese caso es
D = (p1 + p1 ) (7.35)
Dicha expresón se verica tomando el problema difusivo bidimensional.
7.2.2 Difusión en medios multicapas
Hasta aquí hemos desarrollado un modelo que describe los procesos difusivos sobre regiones acotadas
por planos paralelos. El formalismo expuesto estudia la evolución de un sistema de partículas sobre
una supercie la cual es la frontera de un volumen caracterizado por un número nitos de capas.
Encontramos expresiones generales para la probabilidad de hallar a una partícula en dicho plano y la
distancia media recorrida en el espacio de Laplace. En particular estudiamos el movimiento producido
en un medio bicapa, donde fue posible hallar analíticamente la antitransformada de Laplace de las
cantidades antes mencionadas. Determinamos que el movimiento está caracterizado por un proceso
difusivo normal, hallando cuantitativamente el coeciente de difusión para tal sistema como función de
las frecuencias de salto. Además pusimos de maniesto otras características de este sistema que ocurren
al tomar algunos límites como por ejemplo anular la frecuencia de adsorción ( p = 0) o no permitir la
desorción de partículas desde la supercie (Æp = 0).
Un paso natural en este estudio es considerar medios multicapas, es decir volúmenes constituidos
por tres o más capas. Este aumento en el número de capas trae como consecuencia que el algoritmo
algebraico se complique. Sin embargo hemos estudiado algunos aspectos correspondientes a regiones
conformadas por tres y cuatro capas, los cuales nos permiten hacer algunas consideraciones sobre el
comportamiento en este tipo de volúmenes.
La probabilidad de encontrar una partícula sobre la supercie (z = 1) al tiempo t (P (z = 1; t)) para
el caso de un volumen compuesto por tres capas es la siguiente
2 + 3 s + s2
p p
P (z = 1; s) = ; (7.36)
s( 2 + 3 p s + s2 + Æp (2 p + s))
p
en tanto que para un volumen compuesto por cuatro capas esta probabilidad está dada por
3 + 6 2 s + 5 s2 + s3
p p p
P (z = 1; s) = : (7.37)
s(( 3 + 6 2 s + 5 p s2 + s2 + Æp (3 2 + 4 p s + s2 )))
p p p
Las ecs. ecs. (7.23), (7.36) y (7.37) pueden ser escritas en términos generales de la siguiente manera
P L 1 (s)
P (z = 1; s) = ; (7.38)
P L (s)
donde P L (s) y P L 1 (s) son polinomios de grado L y L 1 respectivamente en la variable de Laplace
s y P L (s) se relaciona con P L 1 (s) de la siguiente manera
P L (s) = s(P L 1 (s) + Æp P L 2 (s)); (7.39)
L tiene un signicado físico importante dado que representa el número de capas que posee el volumen
que se está estudiando. Cabe aclarar además que los polinomios P L 1 (s) y P L 2 (s) dependen solamente
de p .
Una de las formas más comunes de encontrar la antitransformada de Laplace en este tipo de ecua-
ciones consiste en descomponer esta expresión en sumas de fracciones donde el denominador de cada
fracción contenga una de las raíces del polinomio P L (s). Por otro lado sabemos que un polinomio de
grado L tiene a lo sumo L raíces diferentes (ri ) que en general son complejas.
L
X Ci
P L (s) = ; (7.40)
i=1 s ri
donde Ci son constantes, las cuales se obtienen igualando término a término el polinomio P L 1 (s) con el
numerador que resulta de operar las fracciones en la ec. (7.40). De este modo logramos descomponer un
cociente de polinomios en una suma de fracciones más simples; aplicando la propiedad de linealidad de
la transformada de Laplace podemos encontrar la antitransformada de cada término y luego sumarlos
para obtener la P (z = 1; t) correspondiente. En particular si todas las raíces del polinomio P L (s) son
reales y distintas, la P (z = 1; t) que se obtiene es
L
X
P (z = 1; t) = Ci exp(ri t); (7.41)
i=1
es decir para un número nito de capas la probabilidad de hallar a las partículas en el plano z = 1 es
igual a una suma de exponenciales. Dada la forma funcional de la ec. (7.39), podemos establecer que
una de las racíces es 0 (r1 = 0). El resto de las raíces se encuentra resolviendo la siguiente ecuación
P L 1 (s) + Æp P L 2 (s)) = 0: (7.42)
Para el caso particular de un medio bicapa obtuvimos en la sección anterior que r1 =0 y r2 =

(Æp + p). Para un volumen compuesto por tes capas las raíces son
r1 = 0
1 q
r2 = (Æp + 3 p (Æp p )2 + 4 p2 )
2 q
1
r3 = (Æp + 3 p + (Æp p )2 + 4 p2 ): (7.43)
2
Observamos que estas raíces son siempre reales y todas negativas, excepto claro está r1 . Esto indica
que todos las exponenciales son decrecientes con el tiempo. Este hecho es esperado dado que a medida
que transcurre el tiempo el regreso de la partícula a la supercie se hace menos frecuente.
Para tiempos grandes las exponenciales decaen a cero y sólo sobrevive el término asociado con la
raz r1 (C1 ). Este parámetro establece el comportamiento asintótico de la P (z = 1; t).
Cuando aumenta el número de capas, aumenta el grado del polinomio y por lo tanto se hace más
difícil encontrar sus raíces. Sin embargo ante lo expuesto podemos decir que dichas raíces serán reales y
negativas, salvo una de ellas que será igual a cero y el factor asociado a ella marcará el comportamiento
asintótico
Es importante resaltar que dicho análisis es válido cuando el número de capas que posee el medio
es nito. Cuando dicho número tiende a innito los resultados son diferentes como fue mostrado en el
capítilo anterior.
A continuación estableceremos otros límites para el comportamiento de la probabilidad en la su-
percie. Cuando Æp = 0, es decir cuando las partículas no pueden desorberse, entonces la probabilidad
queda determinada por
1
P (z = 1; s) = ; (7.44)
s
la antitransoformada de esta ecuación puede ser obtenida inmediatamente de tablas y su valor es
1. Este resultado también es obtenido para volúmenes innitos (ec. (6.18)), evaluando la ecuación
correspondiente en Æp = 0. Cabe mencionar que la ec. (6.18) no puede ser expresada como la ec.
(7.38), sin embargo ambas expresiones muestran el mismo comportamiento cuando la frecuencia de
desorción es nula.
Este resultado es esperable porque en tal caso las partículas pasan todo el tiempo sobre la supercie
y por lo tanto existe certeza de encontrarlas en dicho plano.
Cuando p = 0, es decir cuando no existe readsorción sobre la supercie, entonces la P (z = 1; s)
para estos casos resulta
1
P (z = 1; s) = ; (7.45)
s + Æp
cuya antitransoformada de Laplace es exp( Æp t).
La distancia cuadrática media es más difícil de tratar. Sólo consideraremos el caso de un volumen
compuesto por tres capas. Usando las ecs. (7.12) a (7.22) resulta que la expresión para hr 2 i en el
espacio de Laplace es la siguiente
5 7 1 1
hr2(s)i = P (s)(p + pD) +7(sP) (S )(p + p ) ; (7.46)
donde P 5 (s), P 7 (s) y D7 (s) son polinomios de orden 5 y 7 en la variable s, los cuales están dados por
las siguientes ecuaciones
P 5 (s) = p Æp (4 p5 + 28 p4 s + 46 p3 s2 36 p2 s3 + 24 p s4 + 2s5 )
P 7 (s) = 2 p7 + 24 p6 s + 104 p5 s2 + 206 p4 s3 + 196 p3 s4 + 94 p2 s5 + 22 p s6 + 2s7
D7 (s) = s2 (Æp (2 p + s) + p2 + 3 p s + s2 )2 ( p3 + 6 p2 s + 5 p s2 + s3 ): (7.47)
Cuando Æp = 0, es decir cuando no existe desorción desde el plano z = 1, la ec. (7.46) se reduce a
la siguiente expresión
1 1
hr2 (s)i = 2(ps+2 p ) ; (7.48)
cuya antitransformada de Laplace es
hr2(t)i = 2(1p + p1 )t: (7.49)
Esta ecuación nos indica que el movimiento sobre la supercie crece linealmente con el tiempo (difusión
normal) y que la constante de difusión está dada por 2(1p + p1 ).
En caso de no haber readsorción sobre la supercie ( = 0), hr 2 i adopta la siguiente forma
p
2(1p + p1 )
hr2 (s) i = (s Æ )2 ; (7.50)
p
la antitransforamda de Laplace de esta ecuación es
hr2(t)i = 2(1p + p1 )(t exp( Æpt)); (7.51)
la cual coincide con la ecuación encontrada para el caso de un medio bicapa (ec. (7.31)).
Por último estudiaremos el caso del comportamiento asintótico para tiempos grandes de este sistema.
Este comportamiento se estudia en el espacio de Laplace tomando el límite a cero de la variable s. Para
ello reescribimos la ec. (7.46) de la siguiente manera
7 1 1
hr2(s)i = P (sD)(7(ps+) p) + P (sD)(7 (ps+) p ) :
5
(7.52)
La primera fracción de esta expresión representa el cociente entre dos polinomios, el numerador de
orden 5 en s y el denominador de orden 7 en s. Por lo tanto el comportamiento para s pequeños de
esta expresión es
hrV2 ol (s)i ! sA2 ; (7.53)
donde A es una constante. Aplicando los teoremas tauberianos a dicha expresión (Apéndice D), encon-
tramos que hr 2 i crece linealmente con el tiempo.
La segunda fracción de la ec. (7.52) puede reescribirse de la siguiente manera
1 1 2 2 2
hr2 (s)i = 2(s2(sp2++2p )(4s+ +s 3s p + p )
(3 + 2 ))2
; (7.54)
p p p
observamos que esta ecuación resulta el cociente de dos polinomios, el numerador de orden 4 y el
denominador de orden 6. Por lo tanto el comportamiento para tiempos grandes es
2 (s) >! B
< rSup ; (7.55)
s2
donde B es una constante. Usando nuevamente los teoremas tauberiano (Apéndice D), el comporta-
miento que registra es lineal con el tiempo.
En resumen, el movimiento en un medio con tres capas sigue un proceso difusivo normal.

En esta sección mostraremos los resultados teóricos obtenidos y los compararemos con simulaciones
numéricas de Monte Carlo. Para ello hemos jado los siguientes parámetros: = = = 1, 1 =
1 = 0. Los valores numéricos fueron tomados sobre un promedio de 106 realizaciones.
La g. 7.2 muestra los resultados teóricos analíticos y los obtenidos numéricamente utilizando el
programa Lapin ([119]), y de simulaciones para la evolución temporal de P(z=1,t) en el caso de un medio
bicapa. Se muestran las curvas correspondientes a dos valores distintos de los ritmos de desorción (Æp ),
encontrándose un excelente acuerdo entre los resultados teóricos y las simulaciones.
En la g. 7.3 mostramos la evolución temporal de la distancia cuadrática media para los mismos
valores de la gura anterior. Nuevamente se observa un excelente acuerdo entre los resultados teóricos
y las simulaciones.
Es importante señalar que las gs.7.2 y 7.3 avalan el uso del programa Lapin para el cálculo numérico
de la antitransformada de Laplace. Este hecho adquiere importancia para aquellos casos donde no se
1.0
0.9
0.8
P(z=1,t)
0.7
0.6
0.5
0.4
0 20 40 60 80 100
t (unid. arb.)
Figura 7.2: Evolución temporal de la P (z = 1; t). Se muestran dos casos: (i) los triángulos represen-
tan los puntos teóricos (ver ec. (7.24)), la línea continua indica el valor numérico teórico y los círculos
abiertos son los resultados de las simulaciones Monte Carlo para el valor Æ = 0:1; (ii) los triángulos infe-
riores corresponde a los puntos teóricos, la línea de puntos representa los resultados teóricos numéricos
y los cuadrados los datos de simulaciones para Æ = 0:5.
18
16
14
12
10
<r > (unid. arb.)
6
2
-2
0 20 40 60 80 100
t (unid. arb.)
Figura 7.3: hr2 i vs t para los mismos casos mostrados en la g. 7.2.
pueden encontrar resultados analíticos, por ejemplo para los casos que contamos con un mayor número
de capas los cuales serán considerados a continuación.
En las gs. 7.4 y 7.5 se muestran las P (z = 1; t) y las hr 2 (t)i para sistemas con un número de
capas mayor que dos. Aquí comparamos los resultados teóricos (obtenidos numéricamente) y los de
las simulaciones de Monte Carlo. Nuevamente las guras describen un excelente acuerdo entre ambos
resultados.
1.0
0.8
P(z=1,t)
0.6
0.4
0.2
0 100 200 300 400 500
t (unid. arb.)
Figura 7.4: P (z = 1; t) vs t. (i) la línea continua representa los resultados teóricos y los círculos
abiertos son los puntos de la simulación para un número de capas igual a tres y Æ = 0:1; (ii) la línea de
puntos muestra los resultados teóricos y los cuadrados los puntos de simulación correspondientes a un
número de capas igual a cuatro y Æ = 0:5.
80
70
60
50
<r > (unid. arb.)
40
30
2
20
10
-10
0 100 200 300 400 500
t (unid. arb.)
Figura 7.5: hr2 i vs t para las mismas situaciones representadas en la g. 7.4.
Las Figs. 7.6 y 7.7 muestran el comportamiento asintótico para sistemas nitos. La g.7.6 describe
la curva obtenida para hr 2 i como función del número de capas () que posee el sistema para tres tiempos
de observación distintos. El insert de la gura muestra que para estos tiempos de observación, el sistema
se encuentra dentro de la región asintótica.
1.0
200
0.9
0.8
180
P(z=1,t)
0.7
0.6
160
0.5
0.4
1 10 100
140 κ
<r > (unid. arb.)
120
100
2
80
60
40
20
1 10 100
κ
Figura 7.6: hr2 i vs para Æ = 0:02. Los círculos corresponden a valores de hr2 i para tiempo de
t = 1500, los cuadrados para t = 1250 y las cruces para t = 1000. El insert de la gura muestra la
P (z = 1; t) vs . El sistema se encuentra en una región del asintótico.
140
240
120
100
<r > (unid. arb.)
220
80
60
200
40
2
20
180 0
200 400 600 800 1000 1200 1400 1600
t (unid. arb.)
<r > (unid. arb.)
160
140
120
2
100
80
60
40
1 10 100
κ
Figura 7.7: hr2 i vs para t = 1500. Los círculos corresponden a puntos para Æ = 0:02, mientras que
los cuadrados son para Æ = 0:04 y las cruces para Æ = 0:06. El insert de la gura muestra la evolución
temporal para volumen innito (línea continua) y = 100 Æ = 0:02 (círculos) y volumen innito (línea
a trazos) y = 100 Æ = 0:06 (cuadrados).
La gura principal muestra la existencia de un máximo en el valor de la distancia cuadrática media,
es decir existe un número óptimo de capas para el cual este valor crece más rápidamente. Cuando el
número de capas es sucientemente alto, hr 2 i converge a un determinado valor, el cual será identicado
más adelante.
Otro aspecto observado fue la respuesta del sistema en relación al ritmo de desorción (Æp ). La g.
7.7 representa tal situación donde hemos jado el tiempo de observación en t = 1500. Aquí vemos
nuevamente el valor máximo para hr 2 i como función de . Además en la gura es posible apreciar que
dicho máximo tiende a desplazarse hacia valores de cada vez más pequeños a medida que la relación
Æp
p aumenta.
Por otro lado para valores de grandes se observa el mismo comportamiento al presentado en la
g. 7.6, es decir hr 2 i tiende a un valor constante. En el insert de la g. 7.7 comparamos la evulución
temporal para un sistema nito con un grande y el obtenido para un sistema innito para dos valores
de Æp distintos, encontrándose en estos casos que las curvas descriptas resultan ser las mismas. El
límite asintótico en la gura principal está determinado por el valor obtenido para un movimiento
en un volumen innito, hecho que resulta esperado. De este modo la respuesta del sistema permite
establecer una manera de identicar cuando la nitud del volumen cobra importancia en la evolución
de las partículas.
Aún resta dar una explicación del porqué de la existencia de ese valor óptimo de hr 2 i. Tal explicación
surge de considerar los resultados teóricos establecidos en este capítulo y en el capítulo anterior y de
la g. 7.8. En el cap. 6 mostramos que el movimiento sobre la supercie realizado por las partículas
debido a las caminatas de éstas sobre un volumen no acotado superiormente era un proceso subdifusivo,
es decir
hr2(t)i ! C t; (7.56)
donde el valor de es igual a 0:5. En el presente capítulo mostramos (al menos para el caso de un
medio bicapa y otro constituido por tres capas) que la distancia cuadrática media para tiempos grandes
crecía con exponente () igual a 1, es decir el proceso es difusivo. Por otro lado en la g. 7.8 ajustamos
hr2 i para tiempos grandes y lo mostramos como función de . La función utilizada para el ajuste fue
la (6.49). La g. 7.8 presenta los resultados obtenidos para el exponente () de dicha función.
La gura muestra dos regiones bien denidas, una que comprende 20 donde el movimiento de las
partículas sobre la supercie sigue un proceso difusivo. Es importante resaltar que el comportamiento
difusivo se extiende para volúmenes que posean un número de capas mayores a tres. Esta región se
encuentra ampliada en el insert de la gura donde observamos los comportamientos para dos tiempos
de simulación distintos.
En la segunda región (para > 20) se observa que el desplazamiento es subdifusivo. Para
sucientemente grande el exponente adopta un valor constante e igual a 0:5. Esta situación muestra
desde otro punto de vista que el comportamiento para grandes tiende al mostrado para sistemas
innitos.
Por lo tanto un medio con un número bajo de capas produce que las partículas puedan desplazarse
más rápidamente sobre la supercie que en un medio con alto número de capas. Esto explica el
comportamiento a la derecha del valor máximo.
Cuando la frecuencia de desorción es baja (régimen de adsorción fuerte), el tiempo en que una
partícula queda pegada sobre la supercie es relativamente alto. A su vez cuando el número de capas
1.1
1.03
1.02
1.01
1.0
1.00
ε
0.99
0.9 0.98
0.97
0 2 4 6 8 10
κ
0.8
ε
0.7
0.6
0.5
0 10 20 30 40 50 60 70 80
Figura 7.8: vs . Los círculos representan los valores para Æ = 0:5, en tanto que los cuadrados
para Æ = 2. El tiempo del experimento numérico fue de 2000. Insert: vs para Æ = 2. Los círculos
representan un tiempo de simulación (t) igual a 3000, los cuadrados t = 2000. La recta indica un ajuste
lineal.
es pequeño, la probabilidad que los caminantes permanezcan sobre la supercie es alto. Por lo tanto
para un dado intervalo de tiempo la distancia media recorrida por éstos será pequena. Al aumentar el
número de capas, las partículas adquieren mayor movilidad de traslación en el volumen y por lo tanto
la distancia recorrida sobre la supercie crece.
En el límite de adsorción débil ( pp 1) las partículas tienden a pasar la mayor parte del tiempo
Æ
en el volumen, es decir tienen baja probabilidad de permanecer en la supercie. Mientras menor sea el
número de capas del medio, mayor es la probabilidad de regresar al plano en cuestión y por lo tanto
crece la distancia recorrida sobre ésta. De esta manera se explica el comportamiento registrado en la
g. 7.9.
7.4 Conclusiones
Profundizamos el estudio iniciado en el capítulo anterior, analizando la difusión de partículas en medios
acotados por fronteras. Se ha presentado un modelo teórico basado en un conjunto nito de ecuaciones
maestras que describen el movimiento de la partícula sobre una red cúbica simple con dos fronteras pla-
nas, paralelas. Este modelo calcula magnitudes sobre una de las supercies, tales como la probabilidad
de hallar partículas en ella y la varianza de la probabilidad correspondiente.
Es importante resaltar el hecho de que la teoría no sólo predice el comportamiento de un sistema
de partículas sobre la supercie considerada, sino que puede describir las características estadísticas de
éstas en cualquier parte del volumen en el espacio de Laplace.
En el caso particular de un medio bicapa encontramos soluciones analíticas en espacio y tiempo.
180
0.2
160
P(z=1,t)
0.1
140
0.0
120 1 10 100
κ
<r > (unid. arb.)
100
80
2
60
40
20
0
1 10 100
κ
Figura 7.9: hr2 i vs para los casos de Æ = 1:5 (círculos), y Æ = 2:0 (cuadrados). El tiempo de
obsevación fue det = 1500.
Mostramos que la probabilidad de encontrar a las partículas en el plano decae con el tiempo hasta
alcanzar un valor asintótico, el cual está relacionado con las frecuencias temporales de adsorción y
desorción. Además encontramos la evolución temporal de la distancia cuadrática media, la cual para
tiempos grandes crece linealmente con el tiempo, es decir el movimiento sigue un proceso difusivo
normal. Este hecho marca una diferencia notable con el proceso difusivo en regiones innitas del
espacio donde el movimiento es subdifusivo. Los resultados teóricos para este tipo de medios fueron
cotejados con simulaciones de Monte Carlo, encontrando un excelente acuerdo entre ellas.
Encontrar la evolución temporal en problemas con un número mayor de capas (medios multicapas)
es complicado. Sin embargo mostramos que cuando el sistema está constituido por un número bajo de
capas, es posible describir a P (z = 1; t) como una suma de funciones exponenciales, cuyos exponentes
son todos reales negativos, excepto uno que es igual a cero. El coeciente asociado con este exponente
establece el límite asintótico para tiempos grandes. Para el caso de un medio con tres capas mostramos
que el comportamiento de la distancia recorrida es lineal con el tiempo.
En general mostramos numéricamente que el desplazamiento de las partículas a tiempos grandes
para sistemas con bajo número de capas es difusivo normal; en tanto que a medida que el número de
capas aumenta el movimiento se vuelve subdifusivo.
Por otro lado se hallaron excelentes acuerdos entre los cálculos numéricos teóricos y las simulaciones
para los casos de medios multicapas.
Finalmente hemos estudiado el comportamiento de la distancia cuadrática media en la región asin-
tótica y en el caso en que la difusión de las partículas sobre la supercie sólo se debe al movimiento de
éstas a través del volumen. Observamos que en el régimen de adsorción fuerte existe un valor óptimo
en el número de capas para el cual la distancia media recorrida sobre la supercie es la mayor. Este
hecho se debe esencialmente a dos circunstancias. Una de ellas es que para un número grande capas,
la distancia recorrida está determinada por un proceso subdifusivo, en tanto que cuando el número
de capas es relativamente bajo mostramos que hay difusión normal. Por otro lado cuando el número
de capas es sucientemente bajo, las partículas tienen una probabilidad alta de permanecer pegadas
al plano y por lo tanto la distancia recorrida por éstas es baja. Este efecto desaparece en el régimen
de adsorción débil debido esencialmente al hecho que el movimiento de las partículas en este límite se
realiza en su mayor parte en el volumen. Por lo tanto es posible establecer un criterio para denir
cuando el régimen es de adsorción fuerte o débil. Un régimen de adsorción fuerte es aquel donde existe
un número de capas óptimo distinto de dos. Cuando la relación entre hr 2 i vs se hace monótonamente
decreciente, entonces el régimen es de adsorción débil.
Capítulo 8
Difusión supercial mediada por volumen:

Dinámica no markoviana
En los capítulos 6 y 7 estudiamos modelos de difusión en medios con fronteras por medio de ecuaciones
maestras. Este hecho implica que la dinámica que caracteriza el movimiento de las partículas en cada
una de las direcciones es markoviano. Los resultados teóricos han sido comparados con simulaciones
Monte Carlo arrojando muy buenos acuerdos.
Por otro lado en el cap. 3 presentamos un modelo de transporte en medios unidimensionales que
contempla el problema en medios uctuantes con dinámicas markovianas y no markovianas.
En el presente capítulo englobaremos los conceptos antes mencionados, estudiando la difusión de
partículas con dinámicas no markovianas en espacios tridimensionales.
8.1 Introducción
En los dos capítulos anteriores propusimos y desarrollamos modelos de difusión en presencia de fronteras
basado en sistemas de ecuaciones maestras. Por lo tanto la dinámica subyacente de las partículas en
estos modelos es markoviana.
Estos modelos arrojan diversos resultados que, dependiendo del intervalo temporal que considere-
mos, permiten observar comportamientos con características superdifusivas, difusivas o subdifusivas.
Dichos comportamientos están relacionados esencialmente con la razón entre los ritmos temporales de
adsorción y desorción en la supercie ( Æ ).
Otra característica de estos modelos es que la probabilidad condicional de hallar el sistema en la
supercie en estudio es una función monótonamente decreciente del tiempo. Es decir a medida que el
proceso evoluciona, esta probabilidad es cada vez menor, las partículas comienzan a transitar por el
volumen y su regreso a la supercie se hace menos frecuente.
Por otro lado existen algunos sistemas físicos cuyos procesos de transporte no pueden ser modelados
con dinámicas markovianas. Uno de tales procesos, por ejemplo, es el denominado de interacciones
88 Difusión supercial mediada por volumen: Dinámica no markoviana
laterales, [120, 121] esto es interacciones entre partículas adsorbidas inducidas por la deformación de
la red. Estas interacciones, a bajas densidades, tienen una inuencia signicativa sobre el proceso de
desorción de las partículas, pero no afectan al de adsorción. Si bien una aproximación markoviana del
proceso de desorción es la hipótesis más simple y la más usada, es razonable suponer que debido a las
interacciones antes referidas, la desorción pueda tener características no markovianas.
En este capítulo modicamos la dinámica impuesta a las partículas incluyendo procesos no marko-
vianos en el movimiento de éstas. En un primer intento como para comprender este tipo de fenómenos,
proponemos que la dinámica no markoviana afecte al proceso de desorción de las partículas. En el resto
del volumen la dinámica de éstas sigue siendo markoviana.
8.2 Descripción del modelo

El caráacter no markoviano de la desorción desde la supercie introduce un factor determinante no
trivial para formular matemáticamente el modelo. Este hecho nos impide trabajar con las ecuaciones
maestras utilizadas en los capítulos anteriores.
De todos modos expondremos algunos argumentos los cuales, al menos formalmente, describen este
tipo de mecanismo.
Consideremos una partícula que realiza una caminata aleatoria en una red cúbica seminnita. La
posición del caminante se dene mediante un vector ~r cuyas componentes se denotan por números
enteros n; m; l los que corresponden a las direcciones x, y y z respectivamente.
La dinámica en el volumen se describe de la misma manera a la efectuada en los capítulos 6 y
7, es decir mediante dos cantidades para cada dirección de movimiento. Una de ellas es la función
distribución de tiempos de pausa que, por tratarse de un proceso markoviano, es exponencial en el
tiempo:
f (t) = exp( t) (8.1)
donde es la frecuencia o ritmo temporal de salto en una determinada dirección.

La otra cantidad es el sesgo o probabilidad de salto en un dado sentido (supuesta conocida la
dirección de salto) ().
Hasta aquí hemos descripto la dinámica de las partículas cuando éstas se mueven en el volumen.
Nos resta establecer la dinámica sobre la supercie y el proceso de desorción desde ésta.
El modelo que presentamos supone que no existe movimiento sobre de la supercie. Por lo tanto
la difusión que realiza un sistema de partículas sobre ésta es un proceso efectivo dado que la partícula
difunde sólo a través del volumen que limita a la supercie. Suponemos, además, que la desorción de las
partículas desde la supercie está gobernada por una dinánica no markoviana y que dichas distribuciones
poseen primeros momentos nitos. Este hecho resulta el concepto fundamental de este capítulo dado
que en los dos anteriores habíamos trabajado con modelos basados en ecuaciones maestras.
En particular usamos la misma familia de distribuciones pdf (t) que en el cap. 3 para el estudio
de procesos de transporte en medios unidimensionales con uctuaciones (ver ec. (3.20) y g. 3.1).
Difusión supercial mediada por volumen: Dinámica no markoviana 89
Esta familia de distribuciones resultan adecuadas por dos razones. En primer lugar porque dichas
distribuciones están carácterizadas por tan solo dos parámetros, a es el parámetro de markovianicidad
a = 1 la distribución es markoviana) y que es la frecuencia de salto. Por otro lado el
(en particular si
primer momento de estas distribuciones es independiente de a e igual a 1 , hecho que resulta importante
para estudiar los efectos de la markovianicidad.

A continuación mostraremos los resultados que detallan el comportamiento de sistemas con dinámicas
de desorción no markovianas. Dichos resultados son el producto de simulaciones numéricas Monte Carlo.
Como en los capítulos anteriores caracterizamos el problema de la difusión estudiando la probabilidad
condicional de encontrar al caminante en el plano z = 1 al tiempo t (P (z = 1; t)) y la distancia
cuadrática media recorrida sobre la supercie (hr 2 (t)i). Este estudio ha sido realizado tanto para
caminatas llevadas a cabo en volúmenes innitos como en regiones nitas acotadas por dos planos
paralelos sobre uno de los cuales se analiza el movimiento. Además hemos tenido en cuenta que
el movimiento sobre la supercie debe exclusivamente a las caminatas de las partículas a través del
volumen; es decir no existe difusión sobre la supercie.
En todas las simulaciones (a menos que se especique lo contrario) hemos jado las frecuencias
temporales de salto en las direcciones x, y y z ( = = = 1). Por otro lado como establecimos
anteriormente sobre el plano z = 1 no hay difusión, es decir que las frecuencias temporales de salto en
las direcciones x e y sobre el plano son nulas (1 = 1 = 0). Los valores obtenidos fueron el producto
de un promedio sobre 2 106 realizaciones.
8.3.1 Difusión en medios innitos

Consideremos una función distribución no markoviana con grado de markovianicidad (a) pequeño, esto
es a 5. Para este tipo de distribuciones el apartamiento en la probabilidad P (z = 1; t) respecto al
caso markoviano es pequeño, tal como puede observarse en la g. 8.1. Sólo puede apreciarse una leve
diferencia al inicio de la evolución.
Si aumentamos el grado de markovianicidad a, observamos que la curva P (z = 1; t) comienza a
deformarse aún más (ver insert g. 8.1), dando lugar a un comportamiento oscilatorio. Estas oscila-
ciones se hacen más evidentes en la g. 8.2, donde nuevamente mostramos P (z = 1; t) como función
del tiempo para dos valores diferentes de a, uno para el caso de a = 100 (la dinámica de desorción es
altamente no markoviana) y la comparamos con a = 1, o sea el caso markoviano.
De acuerdo a las características observadas en la gura, podemos establecer dos regímenes tempo-
rales para la curva no markoviana. Una región transitoria la cual, para los parámetros usados en las
simulaciones, abarca desde t = 0 hasta t = 1000 y otra región asintótica para tiempos más grandes.
En la región transitoria es posible observar una serie de oscilaciones amortiguadas. Estas oscilaciones
convergen a la curva markoviana; la cual es la característica que distingue a la segunda región.
1.05
1.00
1.00
0.95
P(z=1,t)
0.90
0.95
0.85
0.90 0.80
0 50 100 150 200 250 300
P(z=1,t)
t (unid. arb.)
0.85
0.80
0.75
0.70
0.65
0 200 400 600 800 1000
t (unid. arb.)
Figura 8.1: Evolución temporal de P (z = 1; t). Hemos representado dos casos para Æ = 0:01. La
línea de puntos describe la evolución markoviana, en tanto que la línea continua representa un caso
no markoviano (a = 2). Insert: la línea de trazos cortos es el caso markoviano; la línea continua para
a = 10; la línea de cortos y largos es el caso a = 20.
1.0
0.9
P(z=1,t)
0.8
0.7
0.6
0 500 1000 1500 2000
t (unid. arb.)
Figura 8.2: P (z = 1; t) vs t. Æ = 0:01, Línea de trazos representa el caso

Se muestran dos curvas para
markoviano, mientras que la línea continua es para a = 100.
Estas características se traducen en la distancia promedio recorrida por las partículas sobre la
supercie, hecho mostrado en la g. 8.3 donde hemos representado la evolución temporal de hr 2 i para
las dinámicas de desorción mostradas en la g. 8.2. Puede observarse que dichas evoluciones son
diferentes, para el caso markoviano esta distancia fue calculada en el espacio de Laplace en el cap. 6 y
para los parámetros de simulación usados y el intervalo temporal considerado, podemos ajustar dicha
20 0.06
VProp. (unid. arb.)
0.04
0.02
a
15 b
0.00
<r > (unid. arb.)
0 100 200 300 400 500

t (unid. arb.)
10
2
5
0
0 100 200 300 400 500
t (unid. arb.)
Figura 8.3: hr2 i como función de t. Æ = 0:01, línea de puntos es el caso markoviano, línea continua es
paraa = 100. Insert: línea indicada con a) representa caso markoviano, línea b) caso no markoviano.
curva por una ley de potencias de la forma hr 2 (t)i ! C t con > 1. En tanto que para un sistema con
dinámica de desorción no markoviana aparecen pequeñas oscilaciones en hr 2 i. Este hecho puede notarse
con mayor nitidez en el insert de la gura donde hemos gracado la velocidad de propagación de los
sistemas (VP rop ). Esta cantidad hace más evidente el carácter oscilatorio en la dinámica no markoviana.
Por otro lado estas oscilaciones son amortiguadas y al igual que para el caso de la P (z = 1; t) convergen
hacia el valor que tiene el caso markoviano.
Este tipo de comportamiento asintótico puede explicarse dado que las distribuciones no markovianas
elegidas tienen primeros momentos nitos, en otras palabras los procesos gobernados con distribuciones
con colas cortas tienden en el asintótico al comportamiento markoviano.
Es importante destacar que este tipo de comportamiento se presenta cuando la relación Æ es muy
pequeña ( 1), es decir en el régimen de adsorción fuerte. Cuando nos apartamos de este régimen
y consideramos una relación Æ cercana o mayor a 1 (régimen de adsorción débil), entonces el efecto
de las oscilaciones desaparece y el comportamiento mostrado por estos sistemas es el mismo que en
el caso markoviano. Estas características se muestran en las gs. 8.4 y 8.5 donde hemos gracado la
P (z = 1; t) y la hr2 (t)i para dos valores Æ distintos y en la región de adsorción débil. En dichas guras
comparamos las curvas obtenidas para una dinámica markoviana y la no markoviana.
Hasta aquí hemos tratado el problema de la difusión de partículas que se mueven en regiones
innitas del espacio. Observamos el comportamiento de los procesos de desorción no markovianos y los
comparamos con los markovianos.
A continuación abordaremos la dinámica que presentan este tipo de sistemas teniendo en cuenta
desplazamientos en regiones acotadas del espacio.
1.0
0.8
0.6
P(z=1,t)
0.4
0.2
0.0
0 50 100 150 200 250
t (unid. arb.)
Figura 8.4: P (z = 1; t) como función del tiempo. Parámetros usados: Æ = 1.5, círculos representan
caso markoviano, línea continua es para a = 100.
3.4
3.2
3.0
2.8
2.6
2.4
2.2
2.0
<r > (unid. arb.)
1.8
1.6
1.4
1.2
2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
0 50 100 150 200
t (unid. arb.)
Figura 8.5: hr2 i como función de t. Los parámetros usados fueron: i) Æ = 1:5, los cículos representan
el caso markoviano y la línea continua para a = 100, ii) Æ = 2, los cuadrados son puntos markovianos
y la línea de trazos a = 100.
8.3.2 Difusión en medios nitos

La evolución temporal de hr 2 i se describe en la g. 8.6 para el caso de un medio bicapa. Representamos
los casos markovianos y no markovianos, usando los mismos parámetros que en la g. 8.3. El insert
de la gura muestra la evolución de la P (z = 1; t). Nuevamente observamos que las oscilaciones en
los sistemas con dinámicas no markovianas son amortiguadas y convergen hacia el comportamiento
mostrado por la dinámica markoviana. Sin embargo las oscilaciones tienen una amplitud mayor que
las que presentan aquellos sistemas que se mueven en regiones no acotadas del espacio (ver la g. 8.3)
12
1.00
0.98
10 0.96
0.94
0.92
8 0.90
0.88
0 200 400 600 800 1000
6
4
2
0
0 100 200 300 400 500 600
describimos la evolución de la P (z = 1; t) para dos valores diferentes del parámetro de markovianicidad

a (a = 50 y a = 700) para el caso de la bicapa. En la gura puede verse que el efecto producido
por la no markovianicidad es un cambio en la amplitud de oscilación. El insert de la gura muestra
la dependencia del máximo de la primera oscilación () como función de a. Este valor máximo crece
rápidamente para valores pequeños de a, en tanto que a medida que a se hace más grande entonces el
crecimiento es más lento.
1.05
1.00
0.95
0.90
0.85
P(z=1,t)
0.98
0.80
0.97
0.96
0.75
0.95
0.94
Φ
0.70 0.93
0.92
0.91
0.65
0.90
0 200 400 600 800 1000
0.60 a
0 50 100 150 200 250 300
t (unid. arb.)
Figura 8.8: P (z = 1; t) vs t para dos valores de a diferentes, en caso de = 2 y Æ = 0:05. línea de

puntos representa a = 700 y la línea sólida es a = 50. Insert: Valor alcanzado en el primer máximo ()
como función de a.
Esta gura también destaca otra característica, la frecuencia de oscilación (! ) de la pertubación

resulta ser la misma, es decir un cambio en el parámetro de markovianicidad no altera la frecuencia de
oscilación. El grado de markovianicidad sólo modica la amplitud de la oscilación.
Este hecho es mostrado en la g. 8.9 donde hemos gracado ! como función de la frecuencia de
salto de desorción (Æ ) para tres valores diferentes de a. Claramente se observa que dicha frecuencia no
depende del grado de markovianicidad del sistema. Además parece haber una relación simple entre !
y Æ.
La línea en la gura indica un ajuste lineal de los puntos mostrados. El resultado de dicho ajuste
es el siguiente
! = AÆ + B; (8.2)
donde A = 0:983 0:003 y B = 110 4 210 4. Este resultado ratica que

! = Æ: (8.3)
El insert de la gura muestra la dependencia de Æ ! con usando como parámetro . Nuevamente

todo parece indicar que ! tampoco tiene dependencia con .
0.12
0.10
0.08
0.10
ω (unid. arb.)
0.06
0.04
0.02
0.08
0.00
0.00 0.02 0.04 0.06 0.08 0.10
δ (unid. arb.)
ω (unid. arb.)
0.06
0.04
0.02
0.00
0.00 0.02 0.04 0.06 0.08 0.10 0.12
δ (unid. arb.)
Figura 8.9: Frecuencia de oscilación (!) como función de Æ para = 2. Los círculos representan
a = 100, los cuadrados a = 200 y las cruces a = 500. Insert: con parámetro a = 100 se representan
círculos para = 2, cuadrados para = 3 y cruces para = 10.
la frecuencia de oscilación ! en P (z = 1; t) es igual a la frecuencia de desorción Æ para una dinámica

no markoviana caracterizada por la familia de distribuciones descripta por la ec. (3.20).
1.05
1.00
0.95
0.90
P(z=1,t)
0.85
0.80
0.10
0.75
0.08
ω (unid. arb.)
0.06
0.70 0.04
0.02
0.00
0.65 0.00 0.02 0.04 0.06 0.08 0.10
δ (unid. arb.)
0 50 100
t (unid. arb.)
Figura 8.10: P (z = 1; t) vs t. Parámetros usados a = 100, Æ = 0:1 y = 2, línea de puntos = 10,

línea continua = 5 y línea de trazos = 1. Insert: ! vs Æ . Círculos representan = 1, cuadrados
= 5 y cruces = 10.
Por último en la g.8.10 se representa la P (z = 1; t) como función del tiempo, cambiando el valor
del ritmo de adsorción ( ). A medida que se hace más grande dicho parámetro la amplitud de oscilación
decrece y además las partículas se mantienen más tiempo pegadas a la supercie. El insert de la gura
muestra la relación entre ! y Æ. Un cambio en no afecta la dependencia entre ! y Æ.
8.4 Conclusiones
Este capítulo completa y profundiza las ideas y conceptos expuestos en los dos capítulos anteriores, dado
que aquí consideramos el problema de dinámicas no markovianas de desorción tanto para sistemas que se
mueven en regiones acotadas como no acotadas del espacio. Por otra parte realizamos una generalización
de la propuesta elaborada en el cap. 3, llevando el problema de dinámicas no markovianas desde el
espacio unidimensional al campo tridimensional. Concretamente hemos estudiado la evolución de un
sistema de partículas las cuales realizan una difusión efectiva sobre una supercie.
La característica innovadora de este estudio es que la dinámica de desorción desde la supercie es no
markoviano. En el resto del espacio se supuso markovianicidad en el desplazamiento de las partículas.
Se consideró movimientos en volúmenes acotados comoo no acotados.
El estudio realizado consistió en cálculos numéricos dado que una formulación teórica del mismo
resulta una tarea bastante complicada.
Los resultados fueron comparados con comportamientos markovianos, los cuales han sido bien es-
tablecidos tanto teórica como numéricamente en los capítulos precedentes.
La característica más destacada de estos sistemas es la aparición de oscilaciones en la respuesta del
sistema (P (z = 1; t) y hr 2 (t)i) siendo que la dinámica de estos sistemas están constituidos por funciones
no periódicas del tiempo (ver ec. (3.20) y g. 3.1)).
Este tipo de respuesta se presenta cuando el grado de markovianicidad es grande (a 20) y
además cuando la razón ( Æ ) es muy pequeña, es decir cuando estamos en el régimen de adsorción
fuerte (es decir Æ 1). Como dijimos, la señal que produce el sistema es amortiguada. Dicho
amortiguamiento converge hacia el comportamiento de sistemas markovianos para tiempos grandes.
Este comportamiento resulta esperado dado que las distribuciones temporales de desorción utilizadas
tienen primeros momentos nitos.
La señal está caracterizada por su amplitud y por su frecuencia. En estos sistemas la amplitud
depende esencialmente del grado de markovianicidad del sistema, del volumen por donde se mueven las
partículas y del ritmo de adsorción . En tanto que la frecuencia de oscilación es simplemente igual a
la frecuencia de desorción (Æ ) y no depende ni del grado de markovianicidad del sistema como tampoco
del volumen de la región de movimiento.
Si el grado de markovianicidad es pequeño las oscilaciones desaparecen; sólo existe un leve apar-
tamiento inicial en la P (z = 1; t). Del mismo modo si la razón Æ es grande o cercana a 1 (régimen
de adsorción débil) los comportamientos con este tipo de dinámica resultan ser los mismos que para
sistemas totalmente markovianos.
Capítulo 9
Resumen y conclusiones generales
9.1 Conclusiones
En este trabajo estudiamos procesos de transporte y reacción en sistemas complejos que tienen lugar
tanto en espacios unidimensionales como tridimensionales. Dichos procesos fueron descriptos a través
de modelos los cuales relacionan propiedades estadísticas de los sistemas con características propias del
medio en el que se mueven.
Este estudio ha sido desarrollado en dos etapas; en una analizamos los procesos de transporte y
reacción en medios uctuantes y en la otra describimos la difusión supercial mediada por volumen.
En la primera de ellas caracterizamos los procesos de transporte y reacción en medios uctuantes o
medios que cambian de estado en el transcurso del tiempo. Como consecuencia de este hecho las
propiedades dinámicas de los agentes que se mueven en esos medios no se conservan en el tiempo
dando lugar a diferentes comportamientos, algunos de los cuales hemos descripto en este trabajo. En
la segunda etapa de este trabajo estudiamos los procesos difusivos efectivos sobre supercies debido
a caminatas aleatorias realizadas en volúmenes, considerando diferentes condiciones de fronteras y
distintas dinámicas de movimiento.
El análisis de estos sistemas permitió establecer algunas características referidas a procesos que
ocurren en las reacciones químicas, como por ejemplo en los procesos de transporte con barreras de
potencial, como así también en fenómenos de origen biológicos, donde hemos desarrollado un modelo
simple de atrapamiento que describe básicamente el ujo de cationes o aniones que atraviesan un canal
iónico.
Por otro lado en este trabajo se establece una relación cuantitativa para todo tiempo en el movi-
miento de partículas realizado sobre una supercie debido a procesos difusivos llevados a cabo en el
volumen.
Además se verica a través de los distintos fenómenos estudiados que los procesos gobernados por
dinámicas no markovianas con primeros momentos nitos convergen hacia el comportamiento registrado
por los procesos markovianos en el límite para tiempos grandes.
98 Resumen y conclusiones generales
9.1.1 Transporte en medios uctuantes

En el área de los procesos de transporte en medios uctuantes hacemos una generalización a la propuesta
realizada por Klafter y colaboradores [32], al considerar no sólo transiciones markovianas entre los
estados del medio, sino además uctuaciones no markovianas y con frecuencias temporales asimétricas
entre estos estados. Calculamos formalmente el tiempo medio del primer pasaje MF P T como función
de un número arbitrario de estados del medio y de las estadíticas de cambio entre dichos estados.
Hemos mostrado que en el límite para tiempos de memoria corta el transporte se describe como
un proceso markoviano efectivo, aún para las estadísticas de cambio de estado no markovianas bajo
la suposición que las distribuciones que caracterizan a la dinámica no markoviana posean primeros
momentos nitos. Tal movimiento se caracteriza por medio de una frecuencia temporal de salto efectiva
y una probabilidad de salto efectivo en una dada dirección. Dichos parámetros surgen como promedios
de aquellos parámetros que identican a cada estado del medio. En particular establecimos el MF P T
en este límite, encontrando que esta magnitud depende linealmente con el sitio inicial de movimiento.
Este hecho nos permite denir una cantidad que sólo dependa de las caractirísticas de movimiento en
cada uno de los estados del medio.
Fuera del límite de memoria corta encontramos numéricamente que los procesos markovianos y no
markovianos presentan diferentes MF P T como función de las frecuencias temporales de salto entre los
estados. Para frecuencias lo sucientemente bajas el comportamiento en el MF P T obtenido para los
sistemas gobernados por dinámicas no markovianas tiende al registrado para un medio monoestado, en
tanto que para el caso markoviano el MF P T resulta más grande. En este límite la probabilidad de
transición entre los estados es nula para dinámicas no markovianas, en tanto que existe una probabilidad
no nula de transición en el caso markoviano. Cuando el desorden en el medio es local, esto es cuando
sólo algunos sitios de la red presentan cambios de estado, ese efecto desaparece.
Además estudiamos procesos de absorción o atrapamiento. Propusimos un modelo de atrapamien-
to simple basado en las corrientes iónicas que se establecen en los canales iónicos existentes en las
membranas celulares. En este modelo hemos analizado las uctuaciones en uno de los sitios de una
red unidimensional (trampa dinámica) determinadas por la acción simultánea de dos tipos de fuentes,
uno periódico en el tiempo y la otra de origen estocástico, sobre la corriente de partículas que pueden
atravesar la trampa. Por efecto de la fuente aplicada sobre la trampa, ésta podía permanecer en dos
estados, uno es el estado activado y el otro llamado desactivado. Para activar la trampa era necesario
que el potencial aplicado superara un valor umbral. Lo importante del caso es que la sola acción del
potencial periódico no era suciente para abrir la trampa. Consideramos dos tipos de fuentes estocásti-
cas distintas, una de ruido blanco gaussiano y otra de ruido de color no gaussiano caracterzada por un
parámetro de gaussianidad (q ). Dependiendo que este valor q fuera menor o mayor que 1, obtuvimos
distribuciones acotadas o no acotadas. En particular cuando q era igual a 1, entonces se tenía una
fuente gaussiana de color.
Con esta dinámica encontramos un fenómeno de resonancia estocástica. cuando gracamos la am-
plitud de la corriente de absorción como función de la intensidad de ruido de la fuente estocástica.
Resumen y conclusiones generales 99
También encontramos un fenómeno de tipo resunante cuando observamos la corriente de absorción

como función del parámetro q .
La resonancia estocástica observada en este tipo de sistemas no es el resultado de fenómenos con
campos de doble pozo de potencial (como usualmente se caracterizan este tipo de fenomenología), sino
que es la consecuencia de un fenómeno de umbral, similar a los que tienen lugar en sistemas neuronales.
Extendimos el problema de la trampa dinámica, aplicando la dinámica impuesta al sitio trampa a
toda la red. De este modo el medio utúa entre dos estados y en cada estado las partículas realizan
una caminata aleatoria caracterizada por una frecuencia temporal de salto y por una probabilidad
de salto en una dirección de la red. En este caso sólo consideramos una fuente estocástica de ruido
blanco gaussiano. Estudiamos los procesos de transporte en estos medios que tuvieron lugar bajo estas
condiciones.
Los sistemas así caracterizados presentan un fenómeno de activación resonante cuando gracamos
el tiempo medio del primer pasaje (MF P T ) como función de la intensidad de ruido de la fuente de la
fuente estocástica. Este fenómeno sucede cuando las tendencias de desplazamiento de las partículas en
cada uno de los estados son opuestas y desaparece cuando las probabilidades de salto en cada uno de
los estados del medio son similares.
la probabilidad de retorno al origen (Ps0 ) presenta un fenómeno resonante como función de la
intensidad de ruido cuando los movimientos en cada estado son opuestos. Además se observa que
un medio con dos estados mejora la Ps0 respecto al medio que tiene un solo estado en este rango de
movimiento. Este hecho se debe a que las partículas (teniendo en cuenta las condiciones impuestas al
problema) pueden pasar en medios biestables desde un estado menos favorable para el retorno al origen
a otro más favorable, en tanto que esto no ocurre en un medio monoestable. Cuando las tendencias en
el movimiento en cada uno de los estados son similares, la Ps0 en los medios biestables convergen a la
de los monoestables, y el ruido deja de inuir en la respuesta de los sistemas.
Otra magnitud observada en estos sistemas biestables fue la cantidad de sitios distintos visitados
por un caminante (). Para intensidades de ruido bajas, es grande independientemente de las
características de movimiento en cada uno de los estados. La transición entre los estados es poco
frecuente. A medida que el ruido se hace más intenso, este número disminuye cuando las direcciones de
movimiento privilegiadas en cada estado son las opuestas. Las uctuaciones entre los estados aumentan
y por lo tanto las características en los movimientos en cada uno de los estados determinan los valores
de . A partir de una determinada cantidad de ruido aparece un mínimo en y las curvas tienden
hacia el comportamiento registrado por un medio monoestable para ruidos aún más intensos.
9.1.2 Difusión supercial mediada por volumen

En la segunda etapa de nuestro estudio abordamos el problema de la difusión supercial mediada por
volumen. Estudiamos el desplazamiento de partículas en regiones del espacio con distintas condiciones
de frontera, considerando además diferentes dinámicas en dichos medios. En una primera aproximación
a este tipo de problema, analizamos teóricamente el movimiento de partículas en un espacio seminnito
mediante un sistema de ecuaciones maestras. Esto implica que la dinámica subyacente en las partículas
es markoviana. Estudiamos la difusión sobre una supercie, encontrando expresiones analíticas (en el
espacio de Laplace) para la probabilidad de estar en dicho plano, la distancia cuadrática media y la
probabilidad de retorno por primera vez al plano como función del tiempo. La probabilidad de estar en
el plano es una relación entre las frecuencia de salto de adsorción ( p ) y de desorción (Æp ) y no depende
de las frecuncias de salto paralelas al plano (p ; p ).
Mostramos que para diferentes intervalos temporales de evolución del sistema pueden encontrarse
comportamientos del tipo superdifusivos, difusivos o subdifusivos dependiendo para ello de la relación
existente entre los coecientes o ritmos de desorción (Æp ) y adsorción ( p ) en las supercies. Este tipo
de característica da lugar a clasicar la dinámica del proceso como de adsorción fuerte cuando el ritmo
de desorción es mucho menor que el de adsorción y de adsorción débil en el otro caso.
Sin embargo para tiempos grandes el movimiento que describen las partículas sobre la supercie es
subdifusivo independientemente de la relación ( Æpp ). Esto hecho ocurre dado que el tiempo medio de
primer retorno al plano es innito [24].
Resolvimos el problema de la difusión en un volumen restringido por dos supercies o capas pa-
ralelas. En particular hallamos las expresiones analíticas para la probabilidad sobre la supercie y el
desplazamiento cuadrático medio correspondientes al caso particular de un medio de dos capas (bicapa).
La probabilidad muestra un decrecimiento exponencial con el tiempo hasta alcanzar un valor asintótico
distinto de cero y que únicamente depende de las frecuencias de salto de adsorción y desorción. En-
contramos que el movimiento para tiempos grandes es difusivo lo cual establece una diferencia con el
comportamiento registrado en una difusión en un volumen seminnito donde el proceso es subdifusivo
[24].
Para el caso de volúmenes conformados por tres o más capas (medios multicapas) el análisis teórico
se complica. Sin embargo podemos dar algunas características de estos resultados. Las expresiones
para las probabilidades en el espacio de Laplace resultan el cociente de dos polinomios en la variable
de Laplace s. El grado del denominador es igual al número de capas (L) que posee el medio. El grado
del numerador es L 1. Además el denominador puede descomponerse en el producto de s (variable de
Laplace) por otro polinomio de grado L 1 en s. No hemos probado en general esta descomposición,
pero para volúmenes formados por tres y cuatro capas, obtuvimos que las raíces de los polinomios de
grado L 1 son reales y negativas. Esto implica que (al menos para un número nito de capas) la
antitransformada de Laplace de la probabilidad es igual a una suma de L términos de exponenciales
decrecientes en el tiempo. Esta probabilidad decae hacia un valor asintótico para tiempos grandes el
cual está determinado por una constante (en el espacio de Laplace esta constante acompaña a s 1 ).
Este comportamiento, como hemos mostrado en esta tesis, no se mantiene cuando el número de capas
tiende a innito.
Para el caso particular de volumen con tres capas hemos obtenido el comportamiento en el espacio de
Laplace del desplazamiento cuadrático medio. En el límite para s tendiendo a cero (tiempos grandes) y
aplicando los teoremas tauberianos (Apéndice D) mostramos que el movimiento está caracterizado por
un proceso difusivo. Por otro lado mostramos numéricamente que a tiempos grandes y cuando el medio
está constituido por un número pequeño de capas (L menor que 20 aproximadamente), el movimiento
desarrollado en la supercie sigue siendo difusivo, en tanto que el desplazamiento se comporta en forma
subdifusiva a medida que el número de capas aumenta, resultado que está en un total acuerdo con lo
obtenido para un medio no acotado superiormente.
En el régimen de adsorción fuerte, y suponiendo difusión sólo a través del volumen, encontramos
numéricamente la existencia de un volumen con un número de capas (nito) óptimo para el cual el
desplazamiento cuadrático medio es mayor que en el resto de los casos. La explicación a este fenómeno
puede darse en términos de los procesos que describen cada sistema. Para un volumen con un número
de capas grande el proceso es subdifusivo, en tanto que para un espacio con bajo número de capas el
proceso seguido es difusivo. Esto implica que el desplazamiento en este último caso es más rápido que en
el primero. Por otro lado si el número de capas es sucientemente pequeño (y recordando que estamos
en el límite de adsorción fuerte), las partículas tienden a regresar con más frecuencia a la supercie y
por lo tanto su desplazamiento cuadrático medio, si bien es lineal con el tiempo, crece lentamente en
el tiempo. A medida que el número de capas crece, las partículas tienen mayor movilidad através del
espacio y por lo tanto su desplazamiento cuadrático medio tamvién crece. A medida que aumenta la
relación Æ el valor para número de capas ópitmo decrece. A partir de cierto valor Æ la curva hr 2 i vs

se hace monótonamente decreciente.
Por último estudiamos numéricamente el problema de difusión en volúmenes nitos y seminnitos
modicando la dinámica de movimiento a través de ellas para incluir dinámicas no markovianas. En
este trabajo sólo consideramos la no markovianicidad en el proceso de desorción de las partículas.
Supusimos distribuciones de salto no markovianas con primeros momentos nitos (colas cortas).
La característica más destacada de estos sistemas no markovianos, es la observación de oscilaciones
amortiguadas en la probabilidad en el plano y en la distancia cuadrática media del mismo. Es impor-
tante señalar que las distribuciones no markovianas utilizadas no presentan características periódicas
en el tiempo. Además los efectos oscilatorios aparecen en el límite de adsorción fuerte ( pp 1) y
Æ
cuando el grado de no markovianicidad es alto. Observamos además que, para los casos estudiados,
la frecuencia de oscilación es igual a la frecuencia temporal de desorción (Æ ), independientemente del
volumen que se considere y del grado de no markovianicidad. Este último parámetro sólo modica la
amplitud de la oscilación. A mayor grado de no markovianicidad, mayor es la amplitud de oscilación.
Para tiempos grandes la evolución que presentan estos sistemas se asemeja a la evolución markoviana.
Este hecho resulta esperado dado que consideramos efectos no markovianos con distribuciones de cola
corta.
En el límite de adsorción débil ( Æpp 1) no existen diferencias entre los comportamientos markovia-
nos y no markovianos. Por otro lado cuando el grado de no markovianicidad es bajo tampoco existen
mayores diferencias entre los resultados para los casos markovianos y no markovianos.
Para nalizar podemos decir que los sistemas gobernados por dinámicas no markovianas con prime-
ros momentos nitos tienden asintóticamente al comportamiento presentado en sistemas con dinámicas
markovianas. En particular, bajo determinadas condiciones, dichos comportamientos son iguales para
todo tiempo. Este hecho ha sido reejado en medios unidimensionales en el límite para tiempos de
memoria corta y en los sistemas tridimensionales para el caso de adsorción débil.
9.2 Perspectivas de futuros trabajos

El estudio realizado en este trabajo de tesis genera nuevos interrogantes y abre otros caminos en esta
línea de invesitgación.
Para citar algunos proyectos importantes mencionaremos:
Completar el estudio teórico en medios con uctuaciones locales.
Analizar teóricamente el problema de los medios uctuantes gobernados por dinámicas con ruido.
Estudiar y analizar un problema más realista del comportamiento en los canales iónicos, con-
siderando la dinámica de apertura y cierre de los mismos por medio de la diferencia en las
concentraciones que existe a un lado y otro de la membrana celular lo que conduce a problemas
no lineales de difícil resolución.
Describir problemas de difusión en medios con bias asimétricos.
Analizar los problemas de transporte , tanto en medios unidimensionales como tridimensionales,

teniendo en cuenta dinámicas no markovianas con primeros momentos innitos o de colas largas.
En el caso de problemas nitos, y en relación a problemas de catálisis en sistemas porosos, analizar

el comportamiento de la difusión efectiva en las supercies limitantes de un poro de geometría
plana (slab).
Apéndice A
Resonancia estocástica
El concepto de resonancia estocástica (RE) surge en el contexto de un llamativo fenómeno que típica-
mente se maniesta en sistemas biestables sometidos a campos de origen periódico y estocástico en el
tiempo. Un incremento en la señal ruidosa de entrada puede producir un mejoramiento en la relación
señal-ruido en la salida del sistema. El marco típico de la RE supone la existencia de un sistema
biestable gobernado por dos senales de entrada, una de características coherentes en el tiempo y otra
de tipo estocástico. y una señal de salida la que resulta una función de las señales de entrada y de la
dinámica interna del sistema.
En general estos sistemas pueden ser pensados como una caja negra, observando cómo la salida
cambia a medida que la señal periódica de entrada y el ruido son variados. Para un sistema bien
caracterizado por la teoría de respuesta lineal, la razón señal-ruido (SNR) a la salida del mismo debe
responder del mismo modo a la SNR de entrada, cualquier incremento en el ruido de la señal de
entrada producirá un decrecimiento a la salida del sistema. Por el contrario, la resonancia estocástica
se maniesta como un incremento en la SNR de salida a medida que aumenta (dentro de ciertos límites)
el ruido a la entrada. Por lo tanto es fundamental tener presente que este tipo de fenómeno se debe a
la interrelación entre las uctuaciones y la no linealidad del sistema.
Una teoría completa sobre RE debería tener en cuenta varios aspectos. Idealmente sería importante
tener una expresión para el espectro de potencia de la señal de salida como función de los parámetros
del sistema. Por otro lado es importante conocer cuales son las características esenciales comunes a
todos los sistemas que muestran este fenómeno y analizar si la teoría puede ser aplicada a una amplia
variedad de tales sistemas.
La característica central de la teoría desarrollada para RE es una ecuación de transición la cual
relaciona el cambio en la probabilidad (ns (t)) de que una partícula se encuentre en el estado s del
sistema (s = 1; 2) con los ritmos de transición entre los estados y la dinámica que posean las partículas
en cada uno de esos estados.
Sea un potencial de doble pozo, los cuales están separados por una barrera de potencial. Si en
principio este potencial no está sometido a ningún campo externo, una partícula dentro de este potencial
106 Apéndice A. Resonancia estocástica
se encontrará en uno de los mínimos del potencial. Si se aplica un campo de tipo estocástico al potencial
de manera tal de modicar la conguración de éste, la partícula pasará la mayor parte del tiempo cerca
de uno de los mínimos del potencial y ocasionalmente realizará algunas transiciones sobre la barrera de
potencial, ubicándose de esta manera cerca del otro pozo de potencial. A medida que la intensidad de
ruido (0 ) aumenta, el ritmo al cual se producen los saltos (Ws ) también aumenta. Típicamente Ws
crece muy rápidamente con 0 al principio, pero una vez que 0 es lo sucientemente intensa de modo
tal que la barrera se vuelva relativamente fácil de sobrepasar, Ws crece más lentamente.
Sea x(t) la posición de la partícula. El espectro de potencia de la señal de salida es S (
), donde
S (
) = jX (
)j2 y X (
) es la transformada de Fourier de x(t).
Si además del campo estocástico se aplica una señal periódica, el efecto que esta última señal produce
sobre el potencial es aumentar la profundidad de uno de los pozos de potencial respecto al otro en uno
de los semiciclos de la señal, invirtiéndose este desbalance en el semiciclo siguiente. Generalmente se
supone que la amplitud de la señal periódica es lo sucientemente pequeña como para que, en ausencia
de ruido, la partícula no pueda atravesar la barrera de potencial. La señal periódica produce una
modulación en el ritmo de transición. Entonces para intensidades de ruido bajas, estos ritmos son muy
poco intensos como para apreciar saltos de la partícula entre los pozos y por lo tanto la señal periódica
resulta poco importante en este proceso. El ritmo característico asociado con el sistema biestable es
= W1 + W2 : (A.1)
A medida que 0 aumenta W1 y W2 (y por lo tanto ) también aumentan. Para una dada intensidad
de ruido (o un rango de intensidades) se produce un fenómeno cooperativo. El espectro incoherente
del ruido alimenta a la señal coherente de salida del sistema. En un extremo del ciclo, se vuelve más
probable para una partícula saltar desde un dado pozo, por ejemplo desde el pozo 2 hacia el pozo 1; y
medio ciclo después es más probable regresar a la situación inicial, es decir la partícula salta desde el
pozo 1 al pozo 2 nuevamente. Estas transiciones se muestran en la salida del sistema con una fuerte
componente periódica (lo que se reeja en la aparición de un pico en el espectro de salida). Cuando el
ruido es lo sucientemente intenso, los saltos pueden ocurrir en todo el rango de tiempos durante una
mitad de ciclo y por lo tanto se pierde la coherencia a la salida.
A continuación se describe brevemente un modelo para este tipo de proceso.
A.1 Modelo para sistema biestable

En esta sección se derivan expresiones generales para el espectro de potencia (S (
)) para un sistema
biestable. En particular para un dado sistema es necesario conocer las frecuencias de transición como
función del ruido de entrada y otros parámetros que denen a cada estado del sistema. En este modelo
la variable dinámica (x) es discreta, siendo n1 (t) y n2 (t) las probabilidades de que la partícula se
encuentre en el pozo (o estado) 1 y 2 al tiempo t respectivamente.
Apéndice A. Resonancia estocástica 107
Para el doble pozo de potencial se tiene

Z x0
n1 = 1 n2 = p(x) dx; (A.2)
1
donde x0 determina la localización del máximo de potencial que separa a los dos pozos. La ecuación
que gobierna este proceso es
dn2 dn1
= = W1 (t) (W1 (t) + W2 (t)) n2 (t); (A.3)
dt dt
donde W1 y W2 son los ritmos de transición fuera de los estados 2 y 1 respectivamente.
La densidad de probabilidad está dada por
p(x; t) = n1 (t) Æ(x x1 ) + n2 (t) Æ(x x2 ): (A.4)
Considerando que el sistema es simétrico alrededor de x = 0, es decir x1 = x2 se tiene que la solución

al problema es Zt
n1 (t) = g 1 (t0 ) (n1 (t0 )g(t0 ) + W! (t0 ) g(t0 ) dt0 ); (A.5)
t0
donde Z
g(t) = exp ( (W1 (t)0 + W2 (t0 )) dt0 ) (A.6)
En general las expresiones para W1 y W2 son de forma tal que las las anteriores ecuaciones no pueden
ser expresadas en términos de funciones conocidas.
En el límite adiabático, esto es, cuando la frecuencia de la señal es más lenta que algún tiempo de
relajación del sistema ( 1 ), es posible dar una expresión para el espectro de potencia (S (
)). En este
límite Z 2=!
hS (
)i = 2! S (
) dt; (A.7)
0
donde ! es una frecuencia de ritmo característico del sistema biestable (). Esta ecuación puede
reescribirse de la siguiente manera
Z1
hS (
)i = hhx( ) x(t + )ii e i
d; (A.8)
1
donde
! Z 2=!
hhx(t)x(t + )ii = 2 hx(t) x(t + )idt0 : (A.9)
0
Es en la expresión de hS (
)i donde surge el pico a la frecuencia de modulación.
De ese pico es
posible obtener la SNR cuyo aspecto resonante es la característica típica del fenómeno de resonancia
estocástica.
108 Apéndice A. Resonancia estocástica
Apéndice B
Desarrollo de Dyson
Sea H una dada matriz que puede descomponerse de la siguiente manera
H = H0 + H1 : (B.1)
Denimos la matriz G0 como

G0 = [sI H0 ] 1 ; (B.2)
donde I es la matriz identidad y s una variable cualquiera.

Por otro lado se dene
G = [sI H ] 1; (B.3)
A continuación mostraremos que G admite la siguiente expansión

G = G0 + G0 H1 G0 + G0 H1 G0 H1 G0 + ::: (B.4)
Para ello realizamos el siguiente producto
[sI H ][G0 + G0 H1 G0 + G0 H1 G0H1 G0 + :::] (B.5)
Si este producto resulta ser la matriz identidad (I ) queda mostrado que la expansión para G es correcta.
Sabemos que G0 1 = [sI H0 ] por lo tanto
[sI H ] = [G0 1 + H1] (B.6)
Entonces reemplazando [sI H ] en la ec. B.5 tenemos
[G0 1 H1 ][G0 + G0 H1 G0 + G0 H1 G0 H1 G0 + :::]; (B.7)
aplicando la propiedad distributiva de las matrices obtenemos el siguiente resultado
[I + H1 G0 + H1 G0 H1 G0 + :::] [H1 G0 + H1 G0 H1 G0 + :::]; (B.8)

110 Apéndice B. Desarrollo de Dyson
el único término que sobrevive es la matriz identidad I . Esta propiedad se conoce como identidad de
Dyson.
De este modo logramos encontrar la matriz inversa como una expansión de matrices. Si bien esta
expansión representa una serie innita, para algunos casos es posible obtener resultados inmediatos e
interesantes.
Supongamos que la matriz H1 esté denida de la siguiente forma
(
si i = j = 1
(H1 )ij =
0 en otro caso
Por otro lado suponemos conocida a la matriz G0 . Los elementos de la matriz G se determinan aplicando
la expresión (B.4) y recordando el modo en que se expresa el producto matricial en términos de los
elementos de las matrices que forman dicho producto
X X
Gij = (G0 )ij + (G0 )ik (H1 )kl (G0 )lj + (G0 )ik (H1 )kl (G0 )lm (H1 )mn (G0 )nj + ::: (B.9)
En esta expresión hemos utilizado la convención de Einstein para la suma (se suma sobre índices
repetidos). Dada la forma particular de la matriz H1 , es fácil obtener un resultado de esta suma,
observando que los únicos sumandos que dieren de cero son aquellos en los que aparece el elemento
de matriz (H1 )11 . De esta manera es posible reescribir la anterior expresión como
Gij = (G0 )ij + (G0 )i1 (G0 )1j [1 + (G0 )11 + 2 (G0 )211 + :::] (B.10)
podemos reescribir esta expresión notando que lo que está entre corchetes representa la expansión de
la siguiente función analítica
1
= [1 + x + x2 + :::]: (B.11)
1 x
Por lo tanto llegamos al siguiente resultado
(G0 )i1 (G0 )1j

Gij = (G0 )ij + : (B.12)
1 (G0 )11
En general si se tiene una matriz la cual puede ser descompuesta en una suma de matrices con
las propiedades arriba expuestas, esto es que todas las Hi con i = 1; 2; 3; ::: posean sólo un elemento
distinto de cero y además suponiendo que la matriz G 0 (relacionada con H0 ) sea conocida, entonces
es posible hallar la matriz G mediante la aplicación reiterada del desarrollo de Dyson.
Apéndice C
Condición de contorno absorbente

Deduciremos la solución que presenta el problema de difusión en una dimensión en el caso en que existe
una condición de borde (supuesta en el origen) y donde la frecuencia temporal de salto es la misma en
todos los sitios de red.
Supongamos que el sitio m=0 es un sitio absorbente. Sea pn;m (t) la probabilidad de que una
partícula ocupe el sitio n al tiempo t dado que inicialmente (t = 0) se encontraba en el sitio m. El
sistema de ecuaciones que describe tal proceso es
p_n;m (t) = (pn 1;m (t) + pn 1;m (t) 2pn;m (t)); for n = 2; 3; 4; :::
p_ 1;m (t) = (p2;m (t) 2p1;m (t)); (C.1)
donde p_ n;m (t) representa la derivada temporal de la función pn;m (t).

Para este sistema de ecuaciones proponemos soluciones de la forma
pn;m (t) = exp 2 tqn;m (t): (C.2)
Las funciones q satisfacen el siguiente conjunto de ecuaciones:

q_n;m (t) = (qn 1;m (t) + qn+1;m (t)): (C.3)
Comparando este conjunto de ecuaciones con las relaciones de recurrencia de las funciones de Bessel
modicadas [118], encontramos que las soluciones para las funciones qn;m (t) son de la forma
qn;m(t) = ijn mj (2 t); (C.4)
donde la función Ij (t) es la Bessel modicada de primera especie de orden j .

Para que se cumpla la condición de borde se le agrega una imagen"negativa en el sitio m ,
quedando la solución nal al problema
pn;m (t) = exp 2 t(Is (2 t) Il (2 t)); (C.5)
donde s = jn mj y l = jn + mj.
112 Apéndice C. Condición de contorno absorbente
Apéndice D
Teoremas Tauberianos
Presentaremos dos Teoremas Tauberiano de fundamental importancia en la teoría de CT RW .
D.1 Primer Teorema Tauberiano

Sea (t) una función de t (normalizada) y su correspondiente transformada de Laplace (s), siendo s
la variable conjugada de t. Podemos expandir a esta última función en términos de u
(s) = 1 C1 s + ::: (D.1)
donde 0 < 1. En particular si es igual a 1 la función (s) es analítica en el origen.

En cambio si es distinto de 1 entonces existe una singularidad esencial en el origen. Es posible
mostrar que bajo estas condiciones la (t) en el régimen asintótico de t grandes se comporta de la forma
(t) C 1[t1+ (2 )] 1 ; (D.2)
donde (x) es la función Gamma (generalización del factorial).
D.2 Segundo Teorema Tauberiano

Este teorema arma que si la transformada de Laplace de una función se comporta como
f (s) As k (D.3)
para k > 0 y en el límite para s tendiendo a cero, entonces

F (t) Atk 1 = [k] (D.4)
para tiempos grandes.

114 Apéndice D. Teoremas Tauberianos
Apéndice E
Difusión anómala
La difusión anómala es un proceso que se caracteriza por la dependencia no lineal de la distancia
cuadrática media (6 r 2 (t)i) para tiempos grandes,
hr( t)i ! t; (E.1)
con 6= 1. Es decir tales procesos dieren del clásico movimiento Browniano donde hr 2 (t)i t Ejemplos
para la ec. (E.1) son encontrados en procesos con dinámica caótica donde usualmente se encuentran
' 3 [10, 12, 13, 15, 16, 17, 18, 19, 20].
Por otro lado existen sistemas con restricciones en su geometría
(cristales dopados, vidrios, fractales) para los cuales el crecimiento de hr 2 i con el tiempo lleva un
exponente menor que 1 [10, 20, 21, 22, 23]. Los procesos con > 1 se denominan superdifusivos, en
tanto que los procesos con < 1 reciben el nombre de subdifusivos.
A continuación se presentarán algunas modelos que permiten caracterizar tales fenómenos.
E.1 Modelos
Sea la ecuación de difusón para la distribución de probabilidad P (r; t)
#P (r; t) #2 P (r; t)
= ; (E.2)
#t #r2
donde la constante de difusión D se puso igual a 1.
Si la condición inicial es P (r; t = 0) = Æ (r ), entonces la solución a esta ecuación es
d r2
P (r; t) = C1 t 2 exp( ); (E.3)
2t
el comportamiento del desplazamiento cuadrático medio para tal expresión es hr2 (t)i = C t para todo
tiempo. Extensiones que preservan la estructura de la ec. (E.3) en tanto que hr 2 (t)i t con 6= 1
tienen en general la forma de
#P (r; t) # #
= k(r; t) P (r; t): (E.4)
#t #r #r
116 Apéndice E. Difusión anómala
Para obtener =3 se propusieron distintas formas de k (r; t). Una de ellas [12] indica que k (r; t)
k(r) r , otra [13, 14] k (r; t) k (t) t2 , una tercera establece que k (r; t) ta r b . Para esta última
4
3
función la solución es
3(1+a) r2 b
P (r; t) = C1 t 2 b exp( C2 ); (E.5)
t1+a
donde C1 y C2 son funciones independientes de r y t.
Otra ecuación diferencial que suele usarse para estos problemas es [10]
#m P (r; t) #2 P (r; t)
= (E.6)
#tm #r2
Transformando al espacio de Fourier-Laplace, la ecuación para P (r; t) que resulta de la ec. (E.2) es
P (k; s) = (s + k2 ) 1 ; (E.7)
donde k y s son las variables en el espacio de Fourier y Laplace respectivamente. Para la ec. (E.6) la
expresión para P (k; s) es
s(m 1)
P (k; s) = m 2 : (E.8)
s +k
Estas ecuaciones son generalmente de tipo formal dado que no existe garantía de que correspondan
afunciones aporpiadas que satisfagan los requerimientos para las distribuciones de probabilidad como
por ejemplo la no negatividad de las mismas. Por otro lado para las funciones bien comportadas se
dene hr 2 (t)i de la siguiente manera
Z
#2
hr2 (t) i = r2 P (r; t) dr = #k 2 P (k; s)jk=0 ; (E.9)
donde el lado derecho de esta expresión puede ser encontrado por una expansión en k 2 . Para la ec.
(E.8) se obtiene
hr2(s)i s(m1 1) ; (E.10)
usando los teoremas tauberianos (Apéndice A) hr2(t)i ! tm. Para m=3 entonces se obtiene el
comportamiento deseado.
Transladando el mismo argumento para la expresión ec. (E.6) y en el límite de (k; s) pequños es
posible mostrar que
1 k2
P (k; s) C : (E.11)
s s4
Resumiendo lo mostrado hasta aquí, se ha deducido que en el espacio (k; s) el requerimiento que
hr2 (t)i t3 se traslada a la forma adoptada por la ec. (E.11) y que existen muchas ecuaciones
diferenciales cuyas funciones de Green obedecen esta forma. En general el comportamiento hr 2 (t)i t
requiere una P (k; s) de la siguiente forma
1 k2
P (k; s) C : (E.12)
s s+1
Apéndice E. Difusión anómala 117
Esta ecuación puede ser relacionada con ecuaciones integro diferenciales [24] las cuales aparecen en
forma natural en los sistemas estocásticos. A continuación se expodrán los argumentos para obtener
este tipo de relaciones usando el formalismo de las caminatas aleatorias de tiempos continuos (CTRW)
(Continuous Time Random Walks).
E.2 Caminatas aleatorias de tiempo continuo (CTRW)

Sea (r; t) la distribución de probabilidad de realizar uun paso de longitud r en el intervalo de tiempo
t y t + dt. La probabilidad de transición total en este intervalo es
X
(t) = (r; t) = (k = 0; t); (E.13)
r
y la probabilidad de permanecer en el sitio inicial es
Z t
(t) = 1 (t) dt; (E.14)
0
de modo que
1 (s)
(s) = : (E.15)
s
La densidad de probabilidad (r; t) de llegar a r en el intervalo temporal comprendido entre t y
t + dt es
XZ t
(r; t) = (r0 ; u) (r r0 ; t u) du + Æ(r) Æt0 (E.16)
r0 0
donde se ha tenido en cuenta la condición iniclal del problema. Esta ecuación conduce a una ecuación
integral para la probabilidad P (r; t) de qeu la partícula se encuentre en la posición r al tiempo t
Z t
P (r; t) = (r; t u) (u) du; (E.17)
0
usando esta ecuación e intercambiando el orden de integración, la ec. (E.16) puede ser reescrita de la
siguiente manera
XZ t
P (r; t) = P (r0 ; u) (r r0 ; t u) du + (t) Æt0 ; (E.18)
r0 0
transformando esta expresión en el espacio de Fourier - Laplace se tiene
P (k; s) = P (k; s) (k; s) + (s); (E.19)
cuya solución es
1 (s) 1
P (k; s) = ; (E.20)
s 1 (k; s)
Esta ecuación es formalmente equivalente a una ecuación maestra generalizada (cap. 2, ec. (2.26)), la
cual se reescribe de la siguiente manera
# X
P (r; t) = K (r r0 ; t u) P (r0 ; u) du; (E.21)
#t r0
en donde el kernel de memoria K (k; u) admite la siguiente expresión en el espacio de Fourier - Laplace
(k; s) (s)
K (k; s) = s; (E.22)
1 (s)
es importante resaltar dos hechos. La ec. expresión (E.21) representa una ecuación integro diferencial
para la probabilidad P (r; t). Esta ecuación había sido presentada anteriormente como una generali-
zación de la ecuación maestra (cap. 2). En esta sección surge como consecuencia del desarrollo de la
teoría CT RW . El segundo hecho para destacar es que se da una expresi«o general para el kernel de
memoria K (k; s) en el espacio de Fourier - Laplace.
A continuación se desarrollará algunos casos particulares. En primer lugar se supone que la (k; s)
está desacoplada, es decir
(k; s) = (r)(t): (E.23)
Sean los momentos 1 y 2 denidos por

Z Z
1 = dt t (r; t) dr; (E.24)
y Z Z
2 = dt r2 (r; t) dr: (E.25)
Para momentos 1 y 2 nitos (dichas distribuciones reciben el nobre de distribuciones de cola corta)
la ec. (E.18) corresponde para pequeños valores de (k; s) a la ecuación de difusión simple
k2 2
(k; s) 1 1 s ; (E.26)
2
reemplazando en la ec. (E.20) el valor de (k; s) por esta expresión, entonces se reobtiene la ec. (E.7).
Si el primer momento (1 ) es innito (distribuciones de cola larga) pero el segundo (2 ) es nito,
entonces
k 2 2
(k; s) 1 C1 s ; (E.27)
2
con 0 < < 1 y de la ec. (E.20) se sigue que
s 1
P (k; s) = ; (E.28)
s + Ck2
esta expresión puede compararse con la ec. (E.8) donde m = y por lo tanto se reobtiene un compor-
tamiento subdifusivo para hr 2 (t)i. Si en cambio 1 es nito y 2 es innito
(k; s) 1 1 s C2 k ; (E.29)
con 0 < < 2 se obtiene de la ec. (E.20)

1
P (k; s) ; (E.30)
s + Ck
y el segundo momento de P (r; t) diverge, lo cual hace que hr2 (t)i también sea divergente.
Apéndice E. Difusión anómala 119
En el mismo sentido cuando ambos momentos son innitos
(k; s) 1 C1 1 C2 2 (E.31)
hr2(t)i es divergente.
Para obtener hr ( t)i nitos y que sigan leyes t con > 1 resulta imperativo usar funciones (k; s)
acopladas [24].
Bibliografía
[1] M. V. Smoluchowski, Versuch einer mathematischen Theorie der Kongulationskinetic hollwider
Lasungen, Z. Phys. Chem. 92: 129, (1917).
[2] E. Montroll and G. Weiss, J. Math. Phys. 6: 167, (1965).
[3] H. Scher and M. Lax, Phys. Rev. B 7: 4491, (1973).
[4] N.G. van Kampen,Physica 96 A: 435 (1979).

[5] N.G. van Kampen, in Stochastic Processes in Physics and Chemistry, 2nd ed. (North Holland,
Amsterdam, 1993).
[6] Prigogine I. and Resibois P. Physica 27: 629 (1961)
[7] Montroll W. Fundamental problems in statistical mechanics (E.D.G Cohen ed.) (North Holland,
Amsterdam) p, 230 (1962)
[8] Nakajima Prog. Theor. Phys. 20: 968, (1958).
[9] Zwanzig R. Physica 30: 1109 (1964).
[10] A. Monin and A. Yaghom, Statistical Fluid Mechanics (MIT, Cambridge MA 1971) Vol , (1975)
Vol 2.
[11] G. Uhlenbeck and L. Ornstein, Phys. Rev. 36: 821 (1930), N.G. van Kampen, Stochastic Processes
in Physics and Chemistry: 2nd ed. (North Holland, Amsterdam, 1993) p. 83.
[12] F. Richardson. Proc. R. Soc. London Scr. A 110: 709, (1926).
[13] G. Retchelot, Proc. Cambridge Philos. Soc. 48: 345, (1952).
[14] G. Retchelot, A. Thounsend, in Surveys in mechanics edited by G. Retchelot and R. Davies (Cam-
bridge University Press 1965) p. 352.
[15] A. Okubo, J. Oceamol Soc. Jpn 20: 286 (1962).
[16] H. Hentchel and J. Procaccia, Phys. Rev. A 29: 1461 (1984).

122 BIBLIOGRAFÍA
[17] S. Growsmann and J. Procaccia, Phys. Rev. A 29: 1358 (1984).
[18] S. Growsmann, F. Wagner and K. Homann, J. Phys. (Paris) Lett. 46: 1575 (1985).
[19] M. Shlesinger and J. Kalfter, Phys. Rev. Lett. 54: 2551 (1985).
[20] H. Scher and E. Montroll, Phys. Rev. B 12: 2455 (1975).
[21] M. Shlesinger, J. Stat. Phys. 10: 421 (1974).
[22] S. Alexander and R. Orbach, J. Phys. (Paris) Lett. 43: (1982).
[23] A. Blumen, J. Klafter, B. White and G. Zomofen, Phys. Rev. Lett. 53: 1301 (1984).
[24] J. Klafter, A. Blumen and L. Shlesinger, Phys. Rev. A, 35: 3081 (1987).
[25] A. Nitzan and M.A. Ratner, J. Phys. Chem. 98: 1765 (1994).
[26] H.L. Friedman and A. Ben-Naim, J. Chem. Phys. 48: 120 (1968).
[27] G.H. Weiss, J. Stat. Phys. 8: 221 (1973).
[28] J.Sancho and M. San Miguel, J. Stat. Phys. 37: 151 (1984).
[29] M. Rodriguez, L. Pesquera, M. San Miguel and J. Sancho, J. Stat. Phys. 40: 669 (1985).
[30] A.K. Harrison and R. Zwanzig, Phys. Rev. A 32 1072 (1985).

[31] C.R. Doering and J.C. Gadoua, Phys. Rev. Lett. 69: 2318 (1992).
[32] A. Bar-Haim and J. Klafter, Phys. Rev. E, 60: 2554 (1999).
[33] N. Eizenberg and J. Klafter, Physica A 249: 424 (1998).
[34] G.H. Weiss, in Aspects and Applications of the Random Walk (North Holland, Amsterdam, 1994)
and references therein.
[35] M.A, Re and C.E. Budde, Phys. Rev. E 61: 1110 (2000).
[36] A. J.A. Mc Cammon and S.H. Northrup, Nature 293: 316 (1981).
[37] T. Novotny and P. Chvosta, Phys. Rev. E 63: 012102 - 1 (2000).
[38] A. Szabo, D. Shoup, S.H. Northrup and J.A. Mc Cammon, J. Phys. Chem. 77: 4484 (1982).
[39] J.L. Spouge, A. Szabo and G.H. Weis, Phys. Rev. E 54: 2248 (1996).
[40] M.A. Re, C.E. Budde and M.O. Caceres, Phys. Rev. E 54: 4427 (1996).
[41] Wen-Shyan Sheu; J. Chem. Phys. 110: 5469 (1999).

BIBLIOGRAFÍA 123
[42] A.D. Sánchez, J.A. Revelli and H.S. Wio, Physics Letters A 277: 304-309 (2000).
[43] S. Redner, A Guide to First-Passage Processes: (Cambridge U.P., Cambridge, 2001).
[44] E.W. Montroll and B.J. West, in Fluctuation Phenomena, edited by E.W. Montroll and J.L.
Lebowitz (Elsevier, Amsterdam, 1987).
[45] J.T. Bendler and M.F. Shlesinger, in The Wonderful Word of Stochastics, edited by M.F. Shlesinger
and G.H. Weiss (Elsevier , Amsterdam, 1985).
[46] N.S. Goel and N. Richter-Dyn, in Stochastic Models in Biology (Academic, New York, 1974).
[47] C. Briozzo, C. Budde, O. Osenda and M. Caceres; J. Stat. Phys. 65: 167 (1991)
[48] Numerical Recipes in Fortran 77, Second Edition, Cambridge University Press 1992.
[49] R. Bnezi, A. Sutera and A. Valpiani, J. Phys. A. 14: 1453 (1981).
[50] K. Wiesenfeld and F. Moss, Nature 373: 33-36 (1995); L. Gammaitoni, P. Hänggi, P. Jung and F.
Marchesoni, Rev. Mod. Phys., 70: 223 (1998).
[51] J. K. Douglas, L. Wilkens, E. Pantazelou and F. Moss, Nature 365: 337 (1993); J. J. Collins,T.
T. Imho and P. Grigg, Nature 383: 770 (1996); I. L. Kruglikov and H. Dertinger, Bioelectromag.
15: 539 (1994); B. J. Gluckman, et al.: Phys. Rev. Lett. 77: 4098 (1996); E. Simonotto, et al.:
Phys. Rev. Lett. 78: 1186 (1997).
[52] D. Petracchi, C. Ascoli, M Barhi, S. Chillemi, M. Pellegrini, and M. Pellegrino, J. Stat. Phys. 70:
1/2, 393 (1993).
[53] S. M. Bezrukov and I. Vodyanoy, Nature 378: 362 (1995).
[54] A. Fuli«ski, Phys. Rev. Lett. 79: 4926 (1997); K. Lee and W. Sung, Phys. Rev. E 60: 4681 (1999);
I. Goychuk and P. Hänggi, Phys. Rev. E 61: 4272 (2000).
[55] N. G. van Kampen Stochastic Processes in Physics and Chemistry (North-Holland, New York
1981).
[56] A. Szabo, D. Shoup, S.H. Northrup and J.A. McCammon, J. Chem. Phys. 77: 4484 (1982); M.O.
Caceres, C.E. Budde and M.A. Re, Phys. Rev. E 52: 3462 (1995); G.Abramson and H.S.Wio,
Phys.Rev.E. 53: 2265 (1996); J.L. Spouge, A. Szabo and G.H. Weiss, Phys.Rev.E. 54: 2248
(1996); J.L. Spouge, Phys.Rev.E. 55: 421 (1997); M.A. Re and C.E. Budde, Phys. Rev. E 61:
1110 (2000).
[57] M.A. Rodriguez, G. Abramson, H. Wio and A. Bru, Phys. Rev. E 48: 829 (1993); G.Abramson,
A.Bru Espino, M.A.Rodriguez and H.S.Wio, Phys. Rev. E. 50: 4319 (1994); A. D. Sánchez, E.M.
Nicola and H. S. Wio, Phys. Rev. Lett. 78: 2244 (1997).
124 BIBLIOGRAFÍA
[58] A. D. Sánchez and H. S. Wio, Physica A 237: 452 (1997).
[59] A. D. Sánchez, M.A.Rodriguez and H. S. Wio, Phys. Rev. E 57: 6390 (1998).
[60] L. Borland, Phys. Lett. A. 245 (1998), 67, L. Borland Phys. Rev. E. 57 (1998), 6634
[61] A. Manwani, PhD Thesis, CALTECH, (2000).
[62] M. A. Fuentes, R. Toral and H. S. Wio, Physica A 295: 114-122 (2001); F.J. Castro, M.N.
Kuperman, M.A. Fuentes and H.S. Wio, Phys. Rev. E 64: 051105 (2001); M. A. Fuentes, Horacio
S. Wio and Raúl Toral, Physica A 303 91-104 (2002); H.S. Wio, On the Role of Non-Gaussian
Noises in Noise Induced Phenomena: in Nonextensive Entropy Interdisciplinary Applications: M.
Gell-Mann and C. Tsallis, Eds. (Oxford U.P., in press).
[63] C. Tsallis, J. Stat. Phys 52: 479 (1988); E. M. F. Curado and C. Tsallis, J. Phys. A 24: L69
(1991); ibidem 24: 3187 (1991), ibidem 25: 1019 (1992).
[64] C. R. Doering and J. C. Gadona Phys. Rev. Lett. 69: 2318, (1992)
[65] M. Beir and D. Astunian, Phys. Rev. Lett. 71: 1649, (1993).
[66] C. R. Doering, Physica A 254: 1 (1998).
[67] P. Reimann, R. Bartussek, and P. Hinggi, Chem. Phys 235: 11 (1998).
[68] D. Benichou, B. Gaveau, and M. Moreau, Phys. Rev. E 59: 103 (1999).
[69] P. Pechukas and P. Hanggi, Phys. Rev. Lett. 73: 2772 (1994).
[70] Vroman L. and Adams A. L, J. Colloid Interfase Sci 111 (1986) 391
[71] BrashJ. L. and ten Hove P. Thromb Haemostatic 51 (1984) 326
[72] Reposa R. J. and Horbett T. A. J. Colloid Interfase Sci 136 (1990) 480
[73] Alexander S. J. Phys. France 38 (1977) 983
[74] de Gennes P. G. J. Phys. 37 (1976) 1445
[75] de Gennes P G. Adv. Colloid Interfase Sci 27 (1987) 189.
[76] Douglas J. P. Johnson H. E. and Granick S., Science 272 (1993) 2010.
[77] Carvalho B. L., Tong P, Huang J. S. Witten T. A. and Fetters L. J Macromolecules 26 (1993)
4632.
[78] Clint J. H. Surfactant Aggregation (Blakie Glasgow and London, 1992)

BIBLIOGRAFÍA 125
[79] Netzer L. and Sagiv J., J. Am. Chem. Soc. 105 (1983) 674.
[80] Troughton E. B., Bain C. D. and Whitesides G. M. Langmuir 4 (1987) 365.
[81] Chen Y. L. Chen S. Frank C. and Israelachiii J., J. Colloid Interfase Sci 153 (1992) 244.
[82] O. Bychuk, B. O'Shaughnessy, Phys. Rev. Lett. 74: 10, 1795 (1995).
[83] S. Kimmich and R. Seitter, Phys. Rev. Lett. 75: 15, 2855 (1995).
[84] E. Montroll and B. West, Fluctuation Phenomena North Holland Publishing Company, 1979
[85] Alemany P. Tesis Doctoral, 1985.
[86] A. Baar-Haim and J. Klafter, Phys. Rev. E 60: 3, 2554, (1999).
[87] V. G. Levich, Physiochemical Hydrodynamics (Prentice-Hall, Inc. Englewood Cllis NJ. 1962), 2nd
ed.
[88] E. H. Lucassen-Reynders and J. Lucassen, Adv. Colloid Interface Sci 2 347 (1969).
[89] J. H. Clint Surfactant Aggregation (Chapman and Hall, New Jork, 1992).
[90] D. Languevin, editor, Light Scattering by Liquid Surfaces and Complementary Techniques, (Marcel
Dekker, New York, 1992).
[91] E. H. Lucassen-Reynders, J. Lucassen P. R. Garret D. Giles and F. Hollway, Adv. Chem. Scr. 144:
272 (1975).
[92] C. Stenvot and D. Languevin, Langmuir 4 1179 (1988).

[93] C. Lemaire and D. Languevin, Colloid Surf. 65 101 (1992).
[94] H. E. Johnson, J. F. Douglas and S. Granick, Phys. Rev. Lett. 70 3267 (1993).
[95] C.T. Shibata and A. M Lenhof, J. Colloid Interface Sci. 148: 469 (1992); ibidem, 148: 485 (1992).
[96] S. Kim and H. Y, J. Phys. Chem. 96: 4034 (1992).
[97] Y. L. Chen, S. Chen, C. Frank and J. Israelachvili, J. Colloid Interface Sci. 153: 244 (1992).
[98] Vroman L and Adams A. L., J. Colloid Interface Sci 111: 391 (1986).
[99] Brash J. L. and ten Hove P., Thromb Haemostasis 51: 326 (1984).
[100] Rapoza R. J. and Horbett T. A., J. Colloid Interface Sci. 136: 480 (1990).
[101] Alexander S., J. Phys. France 38: 983 (1977).

126 BIBLIOGRAFÍA
[102] de Gennes P. G., J. Phys. 37: 1445 (1976).
[103] de Gennes P. G., Adv. Colloid Interface Sci 27: 189 (1987).
[104] Douglas J. F., Johnson H. E. and Granick S., Science 262: 2010 (1993).
[105] Carvalho B. L., Tong P., Huang J. S. Witten T. A. and Fetters L., J. Macromolecules 26: 4632
(1993).
[106] Clint J. H. Surfactant Aggregation (Blackie, Glasgow and London, 1992).
[107] Netzer L. and Sagiv J., J. Am. Chem Soc. 105: 674 (1983).
[108] Troughton E. B. Bain C. D. and Whitesides G. M., Langmuir 4: 365 (1987).
[109] Chen Y. L. Chen S. Frank C. and Israelachvili I., J. Colloid Interface Sci. 153: 244 (1992).
[110] R. D. Tilton, C. R. Robertson, and A. P. Gast., J. Colloid Interface Sci. 137: 192 (1990).
[111] L. Kramer J. Chem. Phys. 55: 2097 (1971).
[112] D. Langevin and M. Bouchat, Acad Sci Paris 272: 1422 (1971)
[113] S-Y. Lin K. McKeigue, and C. Maldarelli, AIChE J. 36 (12), 1785 (1990).
[114] J.A. Revelli, C.E. Budde, D. Prato and H.S. Wio, Bulk Mediated Surface Diusion: Innite
System Case: submitted to Europ. Phys. J. B.
[115] N.G. van Kampen, Stochastic Processes in Physics and Chemistry: 2nd ed. (North Holland,
Amsterdam, 1993).
[116] O. Bychuk, B. O'Shaughnessy, Phys. Rev. Lett. 74: 10, 1795 (1995).
[117] S. Kimmich and R. Seitter, Phys. Rev. Lett. 75: 15, 2855 (1995).
[118] M. Abramowitz y I. A. Stegun, Handbook of Mathematical Functions. Dover Publications, INC.

New York. . Kimmich and R. Seitter, Phys. Rev. Lett. 75: 15, 2855 (1995).
[119] G. Honig y U. Hirdes, On the Application of an Ecient Algorithm for the Numerical Laplace
Inversion. Kernforschungsanlage Ju
lich GmbH (Institut fur Festkurperforschung). Agosto 1980.
[120] M. Hildebrandt, M. Kuperman, H.S. Wio, A.S. Mikhailov and G. Ertl, Phys. Rev. Lett. 83: 1475
(1999).
[121] S.B. Casal, H.S. Wio and S. Mangioni, Physica A 311: 443-457 (2002).
Publicaciones
A. Sánchez, J. Revelli and H. Wio, Trapping dynamics with gated traps: stochastic resonance-like
phenomenon: Phys. Lett. A. 277: 304, (2000).
J. Revelli, A. Sánchez and H. Wio, Eect of non Gaussian noises on the stochastic resonance-like
phenomenon in gated traps: Physica D, 168-169: 165, (2002).
J. Revelli, C. Budde and H. Wio, Diusion in uctuating media: rst passage-time problem: Phys.
Lett. A, 306: 104 (2002).
J. Revelli, C. Budde and H. Wio, Bulk Mediated Surface Diusion: The Innite System Case:
Europ. Phys. J. B (en prensa).
J. Revelli, C. Budde and H. Wio, Diusion in Fluctuating Media: The Resonant Activation
Problem: Physica A (aceptado para publicación).
J. Revelli, C. Budde and H. Wio, Bulk Mediated Surface Diusion: Finite System Case Europ.
Phys. J. B (trabajo enviado a publicar).
J. Revelli, C. Budde and H. Wio, Bulk Mediated Surface Diusion: Non Markovian Dynamics,
Europ. Phys. J. B (trabajo enviado a publicar).
Agradecimientos
Deseo expresar mi más sincero y profundo agradecimiento a todas aquellas personas e instituciones
que hicieron posible que el esfuerzo y la dedicación puesta en todos estos años culminara con este
importantísimo logro personal.
Quiero brindar mi reconocimiento y agradecimiento a mis directores, los doctores Carlos E. Budde
y Horacio S. Wio, por haber depositado su conanza en mí para llevar adelante este trabajo.
Quiero manifestar mi agradecimiento al Consejo Nacional de Investigaciones Cientícas y Técnicas
(CONICET), al Centro Atómico Bariloche (CAB - CNEA), al Instituto Balseiro (IB) y a la Facultad
de Matemática, Astronomía y Física (Fa.M.A.F) de la Universidad Nacional de Córdoba por haberme
brindado los medios y los recursos necesarios para llevar adelante este doctorado. En particular quiero
agradecer profundamente al grupo de Física Estadística del Centro Atómico Bariloche y al grupo
de Teoría de la Materia Condensada de la Facultad de Matemática, Astronomía y Física por haberme
ofrecido el lugar y el ámbito adecuado de trabajo para expresar libremente mis ideas y opiniones. Quiero
agradecer a las personas que trabajan y trabajaron en estos grupos, a los doctores Germán Matto,
Guillermo Abramson, Damián Zanette, Verónica Gru nfeld, Manuel Cáseres, Alejandro Sánchez, Luis
Morelli, Miguel Fuentes, Inés Samengo, Domingo Prato y Walter Lamberti, por su buena predisposición
y comprensión para atender las inquietudes que se me presentaron en todo este tiempo. Quiero agredecer
especialmente al Dr. Marcelo Kuperman quien fue el revisor de mi tesis doctoral. Sus observaciones,
correcciones y consejos me ayudaron a exponer los diferentes temas abordados en este trabajo con
mayor claridad.
Quiero agradecer a mis amigos, a los de Río Cuarto, Adrián, Sergio, Marcelo, Franco, Néstor,
Pablo, Aldo, César, Fernando; a los de Bariloche, Luis, Lio, Miguel Angel, Sebastián, Pablo, Daniel,
Facundo, Adriana, Matias, Dardo, Marcos; por haber estado a mi lado siempre, compartiendo los
buenos momentos y apoyándome en los difíciles momentos.
Y deseo expresar un especial agradecimiento a mi familia, a mi padre Osvaldo, a mi madre Blanca,
a mis hermanos César y Marina, a Silvina, a Susana y a mi tía Susana. Su incondicional apoyo y su
ejemplo de vida han sido mi guía para transitar este camino.
Los caminos de Dios en la naturaleza, como en la providencia, no son
como nuestros caminos; tampoco los modelos que construimos pueden
proporcionar la vastedad, la profundidad y la inescrutabilidad de Sus obras,
que tienen una profundidad mayor que la del pozo de Demócrito.
JOSEPH GLANVILLE

1 Revelli

Cargado por

Copyright:

Formatos disponibles

1 Revelli

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1 Revelli

Cargado por

Copyright:

Formatos disponibles

TESIS

CARRERA DE DOCTORADO EN FÍSICA

MODELADO DE PROCESOS DE REACCIÓN

Jorge Alberto Revelli

Dr. Carlos Ernesto Budde Dr. Horacio Sergio Wio

Lic. Jorge Alberto Revelli

Instituto Balseiro. Universidad Nacional de Cuyo

JORGE LUIS BORGES

2 Procesos estocásticos en física 5

3 Difusión en medios uctuantes 11

4 Medios gobernados por dinámicas con ruido (Parte I) 25

6 Procesos de difusión supercial mediada por volumen 47

7 Difusión supercial mediada por volumen: Medios nitos 67

8 Difusión supercial mediada por volumen: Dinámica no markoviana 87

9 Resumen y conclusiones generales 97

A Resonancia estocástica 105

B Desarrollo de Dyson 109

D Teoremas Tauberianos 113

E Difusión anómala 115

en sistemas biológicos. Básicamente analizaremos el movimiento de un sistema de partículas en una red

Procesos estocásticos en física

2.1 Variable estocástica

2. una distribución de probabilidad sobre este conjunto.

El conjunto de estados y la distribución de probabilidad denen completamente a la variable es-

en particular hxm i  m se denomina el m - ésimo momento de X , promedio o media.

2.2 Procesos estocásticos

YX (t) = f (x; t); (2.4)

Más generalmente dados n valores t1 ; t2 ; t3 ; : : : ; tn de la variable temporal (no necesariamente todas

en general se puede establecer una jerarquía de densidades de probabilidad Pn (y1 ; t1 ; y2 ; t2 ; : : : ; yn ; tn )

En forma más general se puede jar valores de Y

Pk+l (y1 ; t1 ; : : : ; yk ; tk ; yk+1 ; tk+1 ; : : : ; yk+l ; tk+l )

2.2.1 Proceso de Markov

P (yn; tn jy1 ; t1 ; y2 ; t2 ; : : : yn 1 ; tn 1 ) = P (yn ; tn jyn 1 ; tn 1 ); (2.11)

esto es la densidad de probabilidad condicional al tiempo tn dado los valores y1 a t1 , hasta yn 1 a

P3 (y1 ; t1 ; y2 ; t2 ; y3 ; t3 ) = P2 (y;t1 ; y2 ; t2 ) P (y3 ; t2 jy2 ; t2 )

1. la ecuación de Chapman - Kolmogorov (ec. (2.14)).

2.3 La ecuación maestra

T 0 (y2 j y!) = (1 a0 ( 0 )) Æ(y2 y1 ) +  0 W (y2 j y1 ) + o( 0 ); (2.15)

donde W (y2 j y1 ) esla probabilidad de transición por unidad de tiempo. El coeciente 1 a0 ( 0 ) es la

Ahora reescribiendo la ec. (2.14) en términos de la ec. (2.15) se obtinee

La ec. (2.18 es la forma diferencial de la ecuación de Chapman - Kolmogorov y se la llama ecuación

2.3.1 La ecuación de Fokker - Planck

2.3.2 Ecuaciones maestras generalizadas

Wnn0 = ! gnn0 ; (2.23)

donde se ha utilizado que

Este tipo de ecuaciones permite estudiar procesos no markovianos. Recíprocamente un proceso no

Knn0 (t u) = ! gnn0 Æ(t u); (2.27)

Difusión en medios uctuantes

3.1 Introducción. Aspectos generales del problema

3.2 Modelo teórico para sistemas uctuantes

a t = t0 .Cuando las ij (t) son funciones independientes de t la probabilidad condicional conjunta

Vij (t) = vij (t)etAj ; (3.4)

Uij (t) = Æij uj (t)etAj ; (3.5)

3.2.1 Límite para tiempos de memoria corta

Pj (~r; tj~r0 ; t = 0) = j P (~r; tj~r0 ; t = 0); (3.10)

y la vida media para el estado j es:

3.2.2 Ejemplo de sistemas uctuantes

en tanto que el bias efectivo viene dado por:

Por último la expresión para el MF P T para un caminante inicialmente en la posición r0 es

3 Difusión en medios uctuantes 11

6 Procesos de difusión supercial mediada por volumen 47

7 Difusión supercial mediada por volumen: Medios nitos 67

8 Difusión supercial mediada por volumen: Dinámica no markoviana 87

El conjunto de estados y la distribución de probabilidad denen completamente a la variable es-

en particular hxm i m se denomina el m - ésimo momento de X , promedio o media.

En forma más general se puede jar valores de Y

T 0 (y2 j y!) = (1 a0 ( 0 )) Æ(y2 y1 ) + 0 W (y2 j y1 ) + o( 0 ); (2.15)

donde W (y2 j y1 ) esla probabilidad de transición por unidad de tiempo. El coeciente 1 a0 ( 0 ) es la

Difusión en medios uctuantes

3.2 Modelo teórico para sistemas uctuantes

Pj (~r; tj~r0 ; t = 0) = j P (~r; tj~r0 ; t = 0); (3.10)

3.2.2 Ejemplo de sistemas uctuantes

@t (x; t) = D @x2 (x; t) (t) Æ(x) (x; t) + nu ; (4.1)

(t) = [B sin(!t) + (t) c]; (4.2)

h(t)(u)i = 02 Æt;u: (4.3)

Deniendo n(x; t) = h(x; t)i y promediando la ec. (4.1) podemos escribir

h (t)i = h j (t)i = 0 + 1 sin(!t) + O((B=0 )2 ); (4.8)

J (t) nu l + jC j cos(!t + ); (4.13)

J (t) h (t)inu t; (4.15)

0 para tres distintos, jando los parámetros q y tiempos de observación.

vij (t) = [B sin(!t) + (t) c ]; (5.3)

donde B representa la amplitud de la señal periódica de frecuencia ! , 0 (t) es la señal estocástica y

Procesos de difusión supercial mediada

traslacionales sobre supercies. Una de ellas es la autodifusión en supercie de moléculas individuales,

Hemos usado las siguientes deniciones:

Por otro lado deniendo

hr2 (s)i = 2(p + p ) s12 ; (6.27)

< r2 (t) >= 2(p + p ) t; (6.28)

q(m; n; 2); t; (0; 0; 2); t0 ) = (exp( 2p t)Im (2p t))

hr2 (t)inorm ! (p + p) t; (6.44)

Cuando el caminante regresa a la supercie donde se analiza su movimiento, se determina la po-