Capítulo 7

Regime subcrítico

Neste capítulo estudamos o regime \(p\lt p_c\). O ponto central é a nitidez da transição de fase: abaixo do parâmetro crítico, a componente de um vértice tem tamanho médio finito e as conexões a grandes distâncias decaem exponencialmente.

Há duas etapas conceitualmente distintas. Primeiro mostramos que a finitude da susceptibilidade implica decaimento exponencial. Depois discutimos o teorema de Menshikov e Aizenman–Barsky, segundo o qual a susceptibilidade é finita para todo \(p\lt p_c\). Uma prova moderna e mais curta da mesma conclusão será apresentada no capítulo seguinte, pelo método de Duminil-Copin e Tassion.

7.1 Susceptibilidade e decaimento exponencial

Fixe um grafo infinito, conexo e localmente finito \(G\). Para \(x\in V(G)\), escrevemos

\[ S_n(x)=B(x,n)\setminus B(x,n-1) \]

para a esfera de raio \(n\) centrada em \(x\).

Definição 7.1
Para \(p\in [0,1]\), definimos a susceptibilidade no vértice \(x\) por
\[ \chi _{G,x}(p)=\mathbf{E}_p\bigl[|\mathcal C(x)|\bigr]. \]
Se \(G\) é transitivo, essa quantidade independe de \(x\); nesse caso escrevemos simplesmente \(\chi _G(p)\), ou \(\chi (p)\) quando o grafo estiver claro.

A susceptibilidade pode ser infinita. Se \(p\gt p_c(G)\), então \(\P _p[x\leftrightarrow \infty ]\gt 0\) para todo \(x\), e portanto \(\chi _{G,x}(p)=\infty \).

A conexão entre susceptibilidade e decaimento espacial é dada pelo lema seguinte, frequentemente atribuído ao argumento de Hammersley.

Lema 7.1
Suponha que \(G\) seja transitivo. Se \(\chi (p)\lt \infty \), então existem constantes \(c=c(p)\gt 0\) e \(C=C(p)\lt \infty \) tais que
\[ \P _p\bigl[x\leftrightarrow S_n(x)\bigr]\le C e^{-cn} \]
para todo \(x\in V(G)\) e todo \(n\ge 0\).

Demonstração

Pela transitividade,

\[ a_m:=\mathbf{E}_p\bigl[|\mathcal C(x)\cap S_m(x)|\bigr] \]

não depende de \(x\). Como

\[ \sum _{m\ge 0}a_m=\chi (p)\lt \infty , \]

podemos escolher \(m\ge 1\) tal que \(a_m=:\alpha \lt 1\).

Se \(x\leftrightarrow S_{n+m}(x)\), existe um caminho aberto simples que parte de \(x\) e alcança \(S_{n+m}(x)\). Seja \(y\) o primeiro vértice desse caminho em \(S_m(x)\). Os dois trechos do caminho, antes e depois de \(y\), fornecem ocorrência disjunta dos eventos

\[ \{ x\leftrightarrow y\} \qquad \text{e}\qquad \{ y\leftrightarrow S_n(y)\} . \]

Logo, pela desigualdade BK,

\begin{align*} \P _p\bigl[x\leftrightarrow S_{n+m}(x)\bigr] & \le \sum _{y\in S_m(x)} \P _p[x\leftrightarrow y]\, \P _p\bigl[y\leftrightarrow S_n(y)\bigr]\\ & =a_m\, \P _p\bigl[x\leftrightarrow S_n(x)\bigr], \end{align*}

onde usamos novamente a transitividade na última igualdade.

Iterando,

\[ \P _p\bigl[x\leftrightarrow S_n(x)\bigr] \le \alpha ^{\lfloor n/m\rfloor }. \]

Isso já é decaimento exponencial. Por exemplo, tomando \(c=-m^{-1}\log \alpha \) e ajustando uma constante \(C\) para os primeiros \(m\) valores de \(n\), obtemos a forma anunciada.

Assim, para provar decaimento exponencial em todo o regime subcrítico basta mostrar que

\[ \chi (p)\lt \infty \qquad \text{para todo }p\lt p_c. \]

É exatamente esse o conteúdo do teorema de sharpness.

7.2 Sharpness: os pontos críticos \(p_T\) e \(p_c\)

Suponha agora que \(G\) seja transitivo. Definimos

\[ p_T=p_T(G) :=\inf \{ p\in [0,1]:\chi (p)=\infty \} . \]

Como \(\chi (p)=\infty \) para \(p\gt p_c\), temos imediatamente \(p_T\le p_c\).

Teorema 7.2 (Menshikov–Aizenman–Barsky)
Se \(G\) é um grafo transitivo e localmente finito, então
\[ p_T(G)=p_c(G). \]
Equivalentemente, para todo \(p\lt p_c(G)\),
\[ \chi (p)=\mathbf{E}_p\bigl[|\mathcal C(o)|\bigr]\lt \infty . \]

Combinando o Teorema 7.2 com o Lema 7.1, obtemos imediatamente:

Corolário 7.3
Para todo \(p\lt p_c(G)\), existem \(c(p)\gt 0\) e \(C(p)\lt \infty \) tais que
\[ \P _p\bigl[o\leftrightarrow S_n(o)\bigr] \le C(p)e^{-c(p)n}. \]

O resultado foi obtido independentemente por Menshikov e por Aizenman–Barsky. O argumento de Menshikov parte de uma estimativa subexponencial suficientemente forte e fecha um procedimento de bootstrap. O método de Aizenman–Barsky introduz um campo auxiliar de vértices “verdes” e transforma o problema em desigualdades diferenciais. É essa segunda prova que apresentamos a seguir.

Leitura avançada.

A demonstração abaixo é substancialmente mais técnica que o restante do capítulo. Para uma primeira leitura, é perfeitamente razoável aceitar o Teorema 7.2 e seguir para o argumento de Duminil-Copin–Tassion no capítulo seguinte.

7.3 O campo fantasma e a magnetização

Fixe um vértice \(o\in V(G)\) e denote por \(D\) o grau de \(G\). Além da percolação de elos com parâmetro \(p\), colorimos cada vértice de verde, independentemente dos demais e das arestas, com probabilidade \(\varepsilon \in (0,1)\). Denotamos por \(\Gamma \) o conjunto aleatório de vértices verdes e por \(\P _{p,\varepsilon }\) a medida produto correspondente.

Para \(r\ge 1\), seja \(B_r=B(o,r)\). Escrevemos \(\mathcal C_r(x)\) para a componente de \(x\) na percolação restrita ao subgrafo induzido por \(B_r\); se \(x\notin B_r\), tomamos \(\mathcal C_r(x)=\emptyset \). Em particular,

\[ \mathcal C_r:=\mathcal C_r(o). \]

Essa truncação é importante: todos os eventos envolvendo \(\mathcal C_r\) dependem apenas de um número finito de arestas, e portanto a fórmula de Russo pode ser aplicada diretamente.

Definição 7.2
Definimos a magnetização em volume finito e sua versão infinita por
\[ M_r(p,\varepsilon ) =\P _{p,\varepsilon }[\mathcal C_r\cap \Gamma \neq \emptyset ], \]
\[ M(p,\varepsilon ) =\P _{p,\varepsilon }[\mathcal C(o)\cap \Gamma \neq \emptyset ]. \]
Definimos ainda
\[ \chi (p,\varepsilon ) =\mathbf{E}_{p,\varepsilon } \left[|\mathcal C(o)|\, \mathbf1_{\{ \mathcal C(o)\cap \Gamma =\emptyset \} } \right]. \]

Representação pelo vértice fantasma.

É útil representar as cores verdes acrescentando um vértice auxiliar \(\mathfrak g\) e, para cada vértice \(v\), uma aresta fantasma \(\{ v,\mathfrak g\} \), aberta com probabilidade \(\varepsilon \), independentemente das arestas de \(G\) e das demais arestas fantasma. Então

\[ \mathcal C_r(x)\cap \Gamma \neq \emptyset \quad \Longleftrightarrow \quad x\leftrightarrow \mathfrak g \]

no grafo aumentado correspondente. A prova da desigualdade BK do capítulo anterior é coordenada a coordenada e vale, sem alteração, para medidas produto com parâmetros distintos em coordenadas distintas. Assim, podemos aplicá-la ao produto em que as arestas ordinárias têm parâmetro \(p\) e as arestas fantasma têm parâmetro \(\varepsilon \).

Observe que

\[ M(p,0)=\theta _G(p), \]

no sentido do limite \(\varepsilon \downarrow 0\). De fato, condicionando no tamanho da componente,

\[ M(p,\varepsilon ) =1-\sum _{n\ge 1}\P _p[|\mathcal C(o)|=n](1-\varepsilon )^n, \]

com a convenção de que \((1-\varepsilon )^\infty =0\). Analogamente,

\[ M_r(p,\varepsilon ) =1-\sum _{n\ge 1}\P _p[|\mathcal C_r|=n](1-\varepsilon )^n. \]

Portanto,

\[ \frac{\partial M}{\partial \varepsilon }(p,\varepsilon ) =\frac{\chi (p,\varepsilon )}{1-\varepsilon }. \]

Exercício 7.1

Mostre que

\[ \frac{\partial M_r}{\partial \varepsilon }(p,\varepsilon ) =\sum _{n\ge 1} \P _p[|\mathcal C_r|=n]\, n(1-\varepsilon )^{n-1}. \]
Exercício 7.2

Mostre que

\[ \P _{p,\varepsilon }[|\mathcal C_r\cap \Gamma |=1] =\varepsilon \frac{\partial M_r}{\partial \varepsilon }(p,\varepsilon ). \]

Lema 7.4 (Passagem ao volume infinito)
Fixe \(p,\varepsilon \in (0,1)\). Então
\[ M_r(p,\varepsilon )\uparrow M(p,\varepsilon ), \]
e \(M(p,\varepsilon )\) é diferenciável em \(p\) e em \(\varepsilon \), com
\[ \frac{\partial M_r}{\partial p}\longrightarrow \frac{\partial M}{\partial p}, \qquad \frac{\partial M_r}{\partial \varepsilon }\longrightarrow \frac{\partial M}{\partial \varepsilon }. \]

Demonstração

Ponha \(q=1-\varepsilon \), \(X_r=|\mathcal C_r|\) e \(X=|\mathcal C(o)|\). Os eventos que definem \(M_r\) crescem para o evento que define \(M\). Mais precisamente, se a componente completa de \(o\) encontra um vértice verde mas \(\mathcal C_r\) não encontra nenhum, então \(\mathcal C_r\) alcança \(S_r(o)\) e todos os seus vértices são não verdes. Consequentemente,

\[ 0\le M-M_r\le q^{r+1}, \]

de modo que a convergência é, inclusive, uniforme em \(p\).

Para a derivada em \(\varepsilon \), temos

\[ \frac{\partial M_r}{\partial \varepsilon } =\mathbf{E}_p\bigl[X_r q^{X_r-1}\bigr]. \]

Se \(X\lt \infty \), então \(X_r=X\) para todo \(r\) suficientemente grande; se \(X=\infty \), então \(X_r\to \infty \) e \(X_rq^{X_r-1}\to 0\). Como

\[ \sup _{n\ge 1}nq^{n-1}\lt \infty , \]

o teorema da convergência dominada fornece

\[ \frac{\partial M_r}{\partial \varepsilon } \longrightarrow \mathbf{E}_p\bigl[Xq^{X-1}\mathbf1_{\{ X\lt \infty \} }\bigr] = \frac{\partial M}{\partial \varepsilon }. \]

Resta a derivada em \(p\). Na representação pelo vértice fantasma, seja \(I_r(e)\) o evento de que a aresta ordinária \(e\) seja pivotal para \(\{ o\leftrightarrow \mathfrak g\} \) dentro de \(B_r\), e seja \(I(e)\) o evento pivotal correspondente no grafo inteiro. Pela fórmula de Russo em volume finito,

\[ \frac{\partial M_r}{\partial p} = \sum _e\P _{p,\varepsilon }(I_r(e)). \]

Para cada aresta fixa \(e\), como os eventos de conexão ao vértice fantasma crescem com \(r\), temos

\[ \mathbf1_{I_r(e)}\longrightarrow \mathbf1_{I(e)} \qquad \text{quase certamente}. \]

O ponto delicado é justificar que, ao aumentar o volume, a soma das influências não perde massa em arestas cada vez mais distantes. Como a pivotalidade de \(e\) não depende do estado da própria aresta,

\[ (1-p)\P _{p,\varepsilon }(I_r(e)) = \P _{p,\varepsilon }(I_r(e),\ e\text{ fechada}). \]

Se \(e\) está fechada e é pivotal, então \(o\) ainda não está ligado ao vértice fantasma; logo a componente \(\mathcal C_r\) não contém vértices verdes. Além disso, uma das extremidades de \(e\) pertence a \(\mathcal C_r\). Se \(e\not\subset B_{R-1}\), essa componente alcança distância pelo menos \(R-1\) de \(o\) e, portanto,

\[ X_r=|\mathcal C_r|\ge R. \]

Fixada uma configuração das arestas ordinárias, há no máximo \(DX_r\) arestas incidentes a \(\mathcal C_r\). Assim, o número de arestas fechadas e pivotais com \(e\not\subset B_{R-1}\) é no máximo

\[ DX_r\, \mathbf1_{\{ X_r\ge R\} } \mathbf1_{\{ \mathcal C_r\cap \Gamma =\emptyset \} }. \]

Condicionando agora em \(\mathcal C_r\), a probabilidade de nenhum de seus \(X_r\) vértices ser verde é \(q^{X_r}\). Consequentemente,

\begin{align*} (1-p) \sum _{e:\, e\not\subset B_{R-1}} \P _{p,\varepsilon }(I_r(e)) & \le D\, \mathbf{E}_p\bigl[X_rq^{X_r}\mathbf1_{\{ X_r\ge R\} }\bigr]\\ & \le D\sup _{n\ge R}nq^n. \end{align*}

A cota não depende de \(r\) e seu lado direito tende a zero quando \(R\to \infty \). A mesma estimativa, obtida do mesmo modo, vale para as influências no volume infinito.

Agora a passagem ao limite das somas fica explícita. Dado \(\delta \gt 0\), escolha \(R\) de modo que as duas caudas, finita e infinita, sejam menores que \(\delta \). Dentro de \(B_{R-1}\) há apenas um número finito de arestas; para cada uma delas,

\[ \P _{p,\varepsilon }(I_r(e)) \longrightarrow \P _{p,\varepsilon }(I(e)). \]

Logo a soma sobre as arestas de \(B_{R-1}\) converge termo a termo, enquanto as duas caudas permanecem uniformemente pequenas. Portanto

\[ \sum _e\P _{p,\varepsilon }(I_r(e)) \longrightarrow \sum _e\P _{p,\varepsilon }(I(e)), \]

e a série do lado direito é convergente.

A forma contável da fórmula de Russo, obtida por truncação da fórmula finita quando a soma das influências é finita, fornece

\[ \frac{\partial M}{\partial p} = \sum _e\P _{p,\varepsilon }(I(e)). \]

Isso conclui também a convergência das derivadas em \(p\).

7.4 As desigualdades diferenciais de Aizenman–Barsky

Para \(x\in B_r\), seja

\[ A_x=\{ \mathcal C_r(x)\cap \Gamma \neq \emptyset \} . \]

Se \(x\in B_r\), então \(B_r(o)\subset B_{2r}(x)\); pela transitividade,

\[ \P _{p,\varepsilon }(A_x)\le M_{2r}(p,\varepsilon ). \]

Lema 7.5
Para todo \(r\ge 1\),
\[ \P _{p,\varepsilon }[|\mathcal C_r\cap \Gamma |\ge 2] \le M_r^2 +pM_{2r}\frac{\partial M_r}{\partial p}. \]

Demonstração

Escrevemos \(A\circ B\) para ocorrência disjunta, no sentido da desigualdade BK.

Primeiro considere o evento \(A_o\circ A_o\): existem duas conexões abertas, disjuntas em arestas, de \(o\) a vértices verdes. Pela desigualdade BK,

\[ \P _{p,\varepsilon }[A_o\circ A_o] \le M_r^2. \]

Resta tratar configurações em que \(|\mathcal C_r\cap \Gamma |\ge 2\), mas \(A_o\circ A_o\) não ocorre. Trabalhe no grafo finito aumentado por \(\mathfrak g\). Há pelo menos duas arestas fantasma abertas ligadas a vértices distintos da componente de \(o\). Como não existem dois caminhos \(o\)–\(\mathfrak g\) disjuntos em arestas, o teorema de Menger, na versão para arestas, mostra que existe uma aresta aberta cuja remoção separa \(o\) de \(\mathfrak g\). Essa aresta não pode ser fantasma, pois há pelo menos duas arestas fantasma abertas.

Escolha, entre as arestas pivotais que aparecem em um caminho aberto de \(o\) a \(\mathfrak g\), a última antes de chegar a \(\mathfrak g\), e escreva-a como \(e=\{ x,y\} \), com \(x\) do lado de \(o\). Ao remover \(e\), a componente de \(o\) não contém vértices verdes. Além disso, existem dois caminhos de \(y\) a \(\mathfrak g\) disjuntos em arestas: caso contrário, Menger produziria outra aresta de corte entre \(y\) e \(\mathfrak g\), que seria uma aresta pivotal situada depois de \(e\), contradizendo a escolha de \(e\). Em termos do campo verde, do lado de \(y\) ocorrem, portanto, duas conexões disjuntas a vértices verdes distintos.

Para tornar a contagem compatível com Russo, force \(e\) a estar fechada e denote por \(\mathcal C_{r,e}\) a componente de \(o\) em \(B_r\). Defina

\[ B_{x,y} = \{ x\in \mathcal C_{r,e},\ y\notin \mathcal C_{r,e}, \mathcal C_{r,e}\cap \Gamma =\emptyset \} . \]

Defina ainda \(A_y^{(e)}\) como o evento de que \(y\) esteja ligado a \(\Gamma \) no grafo em que \(e\) foi removida. Os eventos \(B_{x,y}\) e \(A_y^{(e)}\) não dependem do estado original de \(e\), e

\[ B_{x,y}\cap A_y^{(e)} \]

é exatamente o evento de que \(e\) seja pivotal para \(A_o\), com orientação de \(x\) para \(y\).

Condicione agora em \(\mathcal C_{r,e}=C\). No complemento de \(C\), a desigualdade BK e a estimativa \(\P (A_y^{(e)})\le M_{2r}\) dão

\[ \P _{p,\varepsilon } \bigl[B_{x,y}\cap (A_y^{(e)}\circ A_y^{(e)})\bigr] \le M_{2r}\, \P _{p,\varepsilon } \bigl[B_{x,y}\cap A_y^{(e)}\bigr]. \]

Somando sobre as arestas orientadas e usando a fórmula de Russo,

\[ \sum _{(x,y)} \P _{p,\varepsilon } \bigl[B_{x,y}\cap (A_y^{(e)}\circ A_y^{(e)})\bigr] \le M_{2r}\frac{\partial M_r}{\partial p}. \]

Na configuração original a aresta separadora \(e\) deve estar aberta. Como o evento no lado direito da definição acima independe do estado de \(e\), aparece um fator \(p\). Consequentemente,

\[ \P _{p,\varepsilon } \bigl[|\mathcal C_r\cap \Gamma |\ge 2, (A_o\circ A_o)^c\bigr] \le pM_{2r}\frac{\partial M_r}{\partial p}. \]

Somando os dois casos, obtemos a desigualdade desejada.

Lema 7.6
Para todo \(r\ge 1\),
\[ (1-p)\frac{\partial M_r}{\partial p} \le D(1-\varepsilon )M_{2r} \frac{\partial M_r}{\partial \varepsilon }. \]

Demonstração

Pela fórmula de Russo,

\[ (1-p)\frac{\partial M_r}{\partial p} = \sum _e \P _{p,\varepsilon } [e\text{ está fechada e é pivotal para }A_o]. \]

Quando uma aresta fechada \(e=\{ x,y\} \) é pivotal, podemos orientá-la de modo que \(x\in \mathcal C_r\) e \(y\notin \mathcal C_r\). Necessariamente \(\mathcal C_r\cap \Gamma =\emptyset \), enquanto \(y\) se conecta a um vértice verde fora de \(\mathcal C_r\).

Condicionando em \(\mathcal C_r=C\), a probabilidade dessa conexão a partir de \(y\) é, por monotonicidade e transitividade, no máximo \(M_{2r}\). Como cada vértice de \(C\) é incidente a no máximo \(D\) arestas, obtemos

\begin{align*} (1-p)\frac{\partial M_r}{\partial p} & \le DM_{2r}\, \mathbf{E}_{p,\varepsilon } \left[|\mathcal C_r|\, \mathbf1_{\{ \mathcal C_r\cap \Gamma =\emptyset \} } \right]\\ & = D(1-\varepsilon )M_{2r} \frac{\partial M_r}{\partial \varepsilon }. \end{align*}

Passando ao limite \(r\to \infty \), obtemos as duas desigualdades fundamentais.

Lema 7.7
Para \(p,\varepsilon \in (0,1)\),
\[ M \le \varepsilon \frac{\partial M}{\partial \varepsilon } +M^2 +pM\frac{\partial M}{\partial p}, \]
e
\[ (1-p)\frac{\partial M}{\partial p} \le D(1-\varepsilon )M \frac{\partial M}{\partial \varepsilon }. \]

Demonstração

Temos a decomposição

\[ M_r = \P [|\mathcal C_r\cap \Gamma |=1] + \P [|\mathcal C_r\cap \Gamma |\ge 2]. \]

O primeiro termo é

\[ \varepsilon \frac{\partial M_r}{\partial \varepsilon }, \]

e o segundo é controlado pelo Lema 7.5. O Lema 7.4 permite passar ao limite. A segunda desigualdade segue da mesma forma a partir do Lema 7.6.

7.5 Prova do teorema de Aizenman–Barsky

Prova do Teorema 7.2

Fixe

\[ p\lt q\lt p_c(G). \]

Para todo \(s\in [p,q]\),

\[ M(s,\varepsilon ) \le M(q,\varepsilon ) \longrightarrow \theta _G(q)=0 \qquad (\varepsilon \downarrow 0). \]

Escolha \(\eta \gt 0\) de modo que

\[ M(s,\varepsilon )\le \frac12 \]

para todos \(s\in [p,q]\) e \(0\lt \varepsilon \lt \eta \).

Além disso,

\[ \frac{\partial M}{\partial \varepsilon }(s,\varepsilon ) =\frac{\chi (s,\varepsilon )}{1-\varepsilon } \ge \P _s[|\mathcal C(o)|=1] =(1-s)^D \ge (1-q)^D\gt 0. \]

Logo, para cada \(s\in [p,q]\), a função \(\varepsilon \mapsto M(s,\varepsilon )\) é estritamente crescente em \((0,\eta )\). Como \(M(s,0)=0\) e

\[ \frac{\partial M}{\partial \varepsilon }(s,\varepsilon )\ge (1-q)^D, \]

temos \(M(s,\eta )\ge \eta (1-q)^D\). Fixe

\[ x_0=\frac12\min \{ 1,\eta (1-q)^D\} \gt 0. \]

A inversa \(f_s\) de \(\varepsilon \mapsto M(s,\varepsilon )\) está, portanto, definida em \([0,x_0]\), uniformemente em \(s\in [p,q]\), e satisfaz

\[ f_s(x)=\varepsilon \quad \Longleftrightarrow \quad M(s,\varepsilon )=x. \]

Pela regra da função inversa,

\[ f_s'(M(s,\varepsilon )) \frac{\partial M}{\partial \varepsilon }(s,\varepsilon )=1, \]

de modo que, para \(0\lt x\le x_0\),

\[ f_s'(x)\le (1-q)^{-D}. \]

Usando a segunda desigualdade do Lema 7.7 na primeira, obtemos, uniformemente em \(s\in [p,q]\),

\[ M \le \frac{\partial M}{\partial \varepsilon } \bigl(\varepsilon +C M^2\bigr)+M^2, \qquad C:=\frac{qD}{1-q}. \]

Escrevendo \(x=M(s,\varepsilon )\) e \(\varepsilon =f_s(x)\), essa desigualdade equivale a

\[ x \le \frac{f_s(x)+Cx^2}{f_s'(x)}+x^2. \]

Portanto,

\[ \frac{1}{x}f_s'(x)-\frac{f_s(x)}{x^2} \le C+f_s'(x). \]

O lado esquerdo é exatamente

\[ \frac{d}{dx}\left(\frac{f_s(x)}{x}\right). \]

Como \(f_s'\) é uniformemente limitado, existe uma constante \(C_q\lt \infty \), dependente apenas de \(q\) e de \(D\), tal que

\[ \frac{d}{dx}\left(\frac{f_s(x)}{x}\right) \le C_q \qquad (0\lt x\le x_0). \]

Suponha, por contradição, que

\[ \chi (p)=\infty . \]

Como \(p\lt p_c\), a componente de \(o\) é finita quase certamente, e portanto

\[ \chi (p,\varepsilon )\uparrow \chi (p)=\infty \qquad (\varepsilon \downarrow 0). \]

Consequentemente,

\[ f_p'(0) = \lim _{\varepsilon \downarrow 0} \frac{1-\varepsilon }{\chi (p,\varepsilon )} =0. \]

Integrando a desigualdade anterior entre \(y\) e \(x\), e depois fazendo \(y\downarrow 0\), obtemos

\[ \frac{f_p(x)}{x}\le C_qx, \]

ou seja,

\[ f_p(x)\le C_qx^2. \]

Para \(\varepsilon \gt 0\) suficientemente pequeno, temos \(M(p,\varepsilon )\le x_0\), e portanto \(f_p(M(p,\varepsilon ))=\varepsilon \). Assim,

\[ M(p,\varepsilon ) \ge \sqrt{\frac{\varepsilon }{C_q}}. \]

Em particular, para \(\varepsilon \gt 0\) fixo e \(\varepsilon '\) suficientemente pequeno,

\[ \limsup _{\varepsilon '\downarrow 0} \frac{\log \! \left( M(q,\varepsilon )/M(p,\varepsilon ') \right)}{\log (\varepsilon /\varepsilon ')} \le \frac12. \]

Voltamos agora à primeira desigualdade do Lema 7.7. Ela pode ser reescrita como

\[ 0 \le \frac{\partial }{\partial \varepsilon }\log M + \frac1\varepsilon \frac{\partial }{\partial p}(pM-p). \]

Integramos essa desigualdade no retângulo

\[ [p,q]\times [\varepsilon ',\varepsilon ], \qquad 0\lt \varepsilon '\lt \varepsilon \lt \eta . \]

Como \(M\) é crescente nas duas variáveis,

\begin{align*} 0 & \le \int _p^q \log \frac{M(s,\varepsilon )}{M(s,\varepsilon ')} \, ds\\ & \quad + \int _{\varepsilon '}^{\varepsilon } \frac{qM(q,\xi )-q-pM(p,\xi )+p}{\xi } \, d\xi \\ & \le (q-p) \log \frac{M(q,\varepsilon )}{M(p,\varepsilon ')} + \bigl(qM(q,\varepsilon )-pM(p,\varepsilon ’)+p-q\bigr) \log \frac{\varepsilon }{\varepsilon '}. \end{align*}

Dividindo por \(\log (\varepsilon /\varepsilon ')\) e fazendo \(\varepsilon '\downarrow 0\), obtemos

\[ 0 \le \frac12(q-p) +qM(q,\varepsilon )+p-q, \]

pois \(M(p,0)=\theta _G(p)=0\). Assim,

\[ M(q,\varepsilon ) \ge \frac{q-p}{2q}. \]

Finalmente, fazendo \(\varepsilon \downarrow 0\), chegamos a

\[ \theta _G(q) \ge \frac{q-p}{2q}\gt 0, \]

contradizendo \(q\lt p_c\).

Logo \(\chi (p)\lt \infty \). Como \(p\lt p_c\) era arbitrário, concluímos que \(p_T\ge p_c\). Juntamente com a desigualdade trivial \(p_T\le p_c\), isso prova \(p_T=p_c\).

Conclusão.

O conteúdo essencial do capítulo pode ser resumido em uma cadeia curta de implicações:

\[ p\lt p_c \quad \Longrightarrow \quad \chi (p)\lt \infty \quad \Longrightarrow \quad \P _p[o\leftrightarrow S_n(o)]\le C(p)e^{-c(p)n}. \]

O primeiro passo é a sharpness da transição de fase; o segundo é o argumento de Hammersley. No próximo capítulo veremos uma prova alternativa da primeira implicação, baseada na quantidade \(\varphi _p(S)\), que evita o campo fantasma.