Fonction de distribution cumulative
On peut donner les résultats d'une étude statistique en fréquences plutôt qu'en effectifs. Modalités m1 m2 ··· mp. Fréquences f1.
Étude de la structure locale par la fonction de distribution de paires
des pics dépend de la distribution des distances autour d'une valeur moyenne soit à cause des vibrations thermiques ou d'une distribution statistique
Cours de Statistiques inférentielles
Nous allons chercher à faire l'inverse : l'inférence statistique consiste à La fonction de distribution cumulée F(x) exprime la probabilité que X ...
Physique statistique
Fonction de distribution .. Définition. On veut s'intéresser au nombre de particule dN tel que la position ?? r et la quantité de mouvement ??.
Microsoft Office Word - A3 Final French glossary proofr
DISTRIBUTION DE PROBABILITE. Définition statistique : Fonction indiquant la probabilité pour qu'une variable aléatoire prenne une.
Estimation de la fonction de repartition: revue bibliographique
10-Sept-2012 The estimation of the distribution function of a real random variable is ... Journal de la Société Française de Statistique 150(2)
Test de Kolmogorov-Smirnov sur la validité dune fonction de
La solution d'un grand nombre problèmes statistiques implique la con- naissance de la distribution de la variable aléatoire X soumise au contrôle . La
LES LOIS DE PROBABILITE POUR LES FONCTIONS
Le résultat en question est: Pour toute fonction statistique. ( ). f S x sous certaines conditions la distribution tend vers la Gaussienne.
STATISTIQUE DESCRIPTIVE
On connaît plusieurs distributions statistiques particulières donnant la fréquence théorique d'apparition d'une valeur x en fonction de x ( on reviendra en
Le rôle de la distribution normale en statistique
de statistique élémentaire destiné à des étudiants en sciences humaines que les fonctions de répartition) de plusieurs de ces distributions (en ...
[PDF] S1-2 Distribution statistique et valeurs centrales
1 1 La distribution statistique Ensemble ordonné des valeurs prises par le caractère X pour les éléments de l'ensemble E Image d'une distribution
[PDF] Premi`eres notions de statistique statistiques descriptives
Echantillon Distribution Moments Quantiles Mod`eles Estimation IC Compléments La fonction de répartition empirique F Picard 17/84
[PDF] Chapitre V Données et Statistiques Distributions
statistiques à partir d'un ensemble de données où plus généralement l'on introduit la notion de distribution des données discrète et continue et
[PDF] Cours de Statistiques niveau L1-L2 - HAL
7 mai 2018 · Fonction de répartition empirique 4 Indicateurs statistiques Indicateurs de localisation ou de tendance centrale
[PDF] STATISTIQUE DESCRIPTIVE
Le diagramme cumulatif est la représentation graphique d'une fonction F appelée fonction de répartition de la variable statistique Exemple : nombre d'erreurs
[PDF] Sur les fonctions statistiques - Numdam
statistique Soient V\( 2?) une distribution fixe et V^-une distribution variable toutes les deux appartenant à l'ensemble convexe E sur lequel la fonction
[PDF] Statistique Appliquée
Fonction de Probabilité Statistique Descriptive 67 Quelques définitions Distribution de la différence des moyennes (1/6) - rappel #98
[PDF] Cours probabilités et statistiques
Variable aléatoire : le début Fonction de répartition Cours probabilités et statistiques C Tuleau-Malot Université de Nice - Sophia Antipolis
[PDF] Introduction `a la statistique - Université de Limoges
— Le polygone des effectifs ou des fréquences d'une distribution statistique groupé est obtenu en joignant dans l'histogramme de cette distribution les milieux
[PDF] Résumé du Cours de Statistique Descriptive - UniNE
15 déc 2010 · 24CHAPITRE 1 VARIABLES DONN ÉES STATISTIQUES TABLEAUX EFFECTIFS Figure 1 10 – Fonction de répartition d'une distribution groupée
Comment calculer la fonction de distribution ?
Définition 1 La fonction de répartition (f.d.r.) de la variable aléatoire X sur R est la fonction suivante : FX (x) = P(X ?] ? ?,x]) = P(X ? x). FX (x)=1. 2. Comme FX est croissante, elle admet une limite `a gauche en chaque point, limite qu'on notera FX (x?).Comment décrire une distribution statistique ?
En statistique, la distribution statistique, distribution empirique ou distribution des fréquences, est un tableau qui associe des classes de valeurs obtenues lors d'une expérience à leurs fréquences d'apparition. Ce tableau de valeurs est modélisé en théorie des probabilités par une loi de probabilité.Quelle est la loi de distribution la plus utilisée en statistique ?
La loi normale, ou courbe de Gauss ou courbe en cloche (« bell curve »), est extrêmement fréquente dans la nature comme dans les applications statistiques, du fait du théorème central limite : tout phénomène modélisable comme une somme de nombreuses variables indépendantes, de moyenne et variance finies, a une- Elles sont au nombre de cinq : les caractéristiques de tendance centrale, de dispersion, de position de forme et de concentration.
P H Y S I Q U E S TAT I S T I Q U E
(PS)JérômeCrassous
1A maths2019, ENS de Rennes
Chapitre1-Esp acedes phases et postula ts1
1.1Espace des phases. . . . . . . . . . . . . . . . . . . . . 1
1.2Postulats de la physique statistique. . . . . . . . . . 2
1.3Fonction de distribution. . . . . . . . . . . . . . . . . 2
Chapitre2-Ensemble micr o-canonique6
2.1Ensemble micro-canonique. . . . . . . . . . . . . . . . 6
2.2Gaz parfait classique. . . . . . . . . . . . . . . . . . . 9
Chapitre3-Ensemble canonique 12
3.1Ensemble canonique. . . . . . . . . . . . . . . . . . . . 12
3.2Grandeurs thermodynamiques. . . . . . . . . . . . . . 13
3.3L"exemple du gaz parfait. . . . . . . . . . . . . . . . . 15Chapitre4-Système de p articulesen intera ctions,
approximation de champ moyen164.1Comportement phénoménologique. . . . . . . . . . . 16
4.2Équation d"état devan der Walls.. . . . . . . . . 16
4.3Transition liquide-vapeur. . . . . . . . . . . . . . . . . 18
Chapitre5-Ensemble grand-canonique 20
5.1Ensemble grand-canonique. . . . . . . . . . . . . . . . 20
5.2Grandeurs thermodynamiques. . . . . . . . . . . . . . 21
Chapitre6-St atistiquequantique 23
6.1Fonction de partition quantique. . . . . . . . . . . . . 23
6.2Exemple : molécule diatomique. . . . . . . . . . . . . 24
6.3Indiscernabilité. . . . . . . . . . . . . . . . . . . . . . . 25
6.4Corps noir, gaz de photon. . . . . . . . . . . . . . . . 27
Chapitre1
Espace des phases et postulats1.1Espace des phases. . . . . . . . . . . . . . . . . . . . . . 11.1.1Définition. . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2Espace deGibbs.. . . . . . . . . . . . . . . . . . . 1
1.1.3Micro-état classique. . . . . . . . . . . . . . . . . . 1
1.2Postulats de la physique statistique. . . . . . . . . . . 2
1.2.1Équiprobabilité. . . . . . . . . . . . . . . . . . . . . 21.2.2Hypothèse ergodique. . . . . . . . . . . . . . . . . . 2
1.2.3Moyennes d"ensemble et temporelles. . . . . . . . 2
1.3Fonction de distribution. . . . . . . . . . . . . . . . . . 2
1.3.1Définition. . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2Distribution la plus probable. . . . . . . . . . . . . 2
1.3.3Exemple : distribution deMaxwell-Boltzmann4
1.3.4Fluctuations autour de l"état le plus probable. . 5Objets de la physique statistique.Microscopiquement, dans un volume de gaz, on a environN?6×1023
molécules. Pour prédire l"évolution du système, il va falloir connaître chaque position-→riet chaque quantité de
mouvement-→pi. On a alors les équations d -→pidt=X j----→Fj→i.
et il y en a beaucoup, ce qui est impossible à résoudre aussi bien analytiquement que numériquement.
Macroscopiquement, on peut considérer, pour ce même volume, la pressionPet la températureT. Dans ce
cas, on pose de plusieurs milliers de variable à plus que quelques variables. L"objectif est alors de faire le lien
entre le microscopique et le macroscopique.1.1Espace des phases
1.1.1Définition
Système à deux degrés de liberté.On considère un système régit parxetx. On notepx=mxsa
quantité de mouvement. Ces deux quantités sont reliées par l"équation m dxdt=F=-∂V∂x On peut alors représenter ce système dans le plan(x,x)qui est appelé espace des phases. ?Exemple.Pour un oscillateur harmonique, on a 12 mx2+12 kx2=cte, donc le portrait de phase est une ellipse.Cas général.On considère un système ayantN?1atomes. Il a donc6Ndegrés de libertés qui sont les
coordonnéesrxi,ry i,rzi,pxi,py ietpzipouri?J1,NK. L"espace de phase est alors la superposition des espaces (x1,x1,), ...,(xN,xN)appelée espaceΓ.1.1.2Espace deGibbs
On considèreNatomes dans un volumeVfixé. On isole le système, donc son énergieEest fixé. Comme le
volume est fixé, des zones de l"espace des phases sont interdites. Les points figuratifs (accessible) du système sont
alors dans un sous-espace appelé ensemble deGibbs.1.1.3Micro-état classique
On va vouloir discrétiser l"espace des phases. À quel point deux états du système proche dans le temps sont-ils
similaires? Cependant, en mécanique quantité, il n"est pas possible d"obtenir avec précision la position et la
vitesse. En effet, l"inégalité d"HeisenbergdonneΔxΔpx≈hoùh= 6×10-34Jsest la constante dePlanck.
Ainsi, deux points suffisamment proche en position sont, en fait, le même état. On peut alors représenter un
petit volume autour des points correspondant à l"incertitude. Chacun des petits volumes de l"espace des phases
est un micro-état.?Remarques.-On a alors discrétisé l"espace de phase. Dans la suite, on justifiera plus propremen tcela.
La taille du v olumede discrétisation est relativ ementp euimp ortant.Espace des phases et postulats -Chapitre11
1.2. POSTULATS DE LA PHYSIQUE STATISTIQUE
1.2Postulats de la physique statistique
1.2.1ÉquiprobabilitéOn considère toujours un système àNatomes dans un volumeVfixé et possédant une énergieEàΔEprès.
On discrétise alors l"espace des phases en des boîtes de volumeh3N. On noteΩ(N,V,E,E+ΔE)?1le nombre
de micro-état du systèmePostulat1.1(équiprobabilité).Tous les micro-états d"un système à l"équilibre sont occupés avec la même
probabilité.1.2.2Hypothèse ergodique
Si on tire plusieurs fois des systèmes, alors ces systèmes rempliront l"espace des phases accessible tout entier.
Si on prend un système et qu"on le laisse dériver, alors il va occuper également l"espace tout entier. L"hypothèse
ergodique dit que ces deux opérations sont équivalentes.1.2.3Moyennes d"ensemble et temporelles
Soit{-→ri,-→pi}={rxi,pxi,ry
i,pyi,rzi,pzi}16i6Nun micro-état. On noteρ({-→ri,-→pi})la probabilité d"occupation de ce
micro-état. Pour un système isolé à l"équilibre, on aρ({-→ri,-→pi}) = 1/Ω. Soit?({-→ri,-→pi})une quantité. Initialement,
on a des quantités-→ri(t= 0)et-→pi(t= 0).Définition1.2.On définit la moyenne temporelle de?par?= limT→+∞1T
T 0 ?({-→ri(t),-→pi(t)})dt.On définit la moyenne d"ensemble de?par
acc acc ?({-→ri,-→pi})dΓoùdΓest l"élément de volume dans l"espace des phases. si tout les micro-états sont équiprobables, alors
???=1Ω X micro-état?(micro-état).Propriété1.3.L"hypothèse ergodique dit que?=???.1.3Fonction de distribution
1.3.1Définition
On veut s"intéresser au nombre de particuledNtel que la position-→r?et la quantité de mouvement-→psont
telles que-→r <-→r? Quelle est la distributionf(-→r ,-→p)la plus probable sachant l"équiprobabilité dans l"espace des phases? Pour cela, on va discrétiser l"espace des phases(-→r ,-→p)en pleins de cellules. On noteMle nombre de cellules. Pour chaque cellulej?J1,MK, on notenjle nombre de particule dans le cellules etεjl"énergie d"une particule dans Cherchons la fonction de distribution la plus probable sachant les contraintes. Pour toutj, on doit avoir On cherche à avoirdF= 0. On impose une contraintef(x1,...,xN) =coù(x1,...,xN)est une solution. Alors oùc?est une constante. La fonction de distribution ne dépend pas de la position. La normalisation donne ?Remarque.-Cette distribution est une distribution à l"équilibre, on n"a pas d"informations sur la manière1.3.2Distribution la plus probable
2Espace des phases et postulats -Chapitre1
1.3. FONCTION DE DISTRIBUTIONL"ensemble{nj}est appelé une distribution. On noteΩ({nj})le nombre de dispositions. On considère que les
particules sont discernables. On a alors Ω({nj}) =N!n
1!(N-n1)!(N-n1)!n
2!(N-n2)!···=N!Q
jnj!. Le termeP
jnjest la manière de traduire la contrainteP jnj=Net le termeαest le multiplicateur de Lagrangeassocié à cette contrainte.
Multiplicateur de Lagrange.SoitF(x1,...,xN)une fonction de classeC∞. On a dF=NX i=1∂F∂x idxi. Alors pour toutλ, on a
d(F-λf) =NX ∂F∂x i-λ∂f∂x i dxi. Exemple.On suppose queF(x,y) =x2+y2. On impose la contraintex+y= 1. Alors on cherche à minimiser en imposant ∂[F-λ(1-x-y)]∂x = 2x+λ= 0et∂[F-λ(1-x-y)]∂y = 2y+λ= 0. On a doncλ=-1, doncx= 1/2ety= 1/2.
La distribution la plus probable vérifie donc, pour toutj, ∂∂n j" ln N!Q jnj!-αX jn j-N -βX jn jεj# = 0.(?) On anj?1. La formule deStirlingdonnelnnj!?njlnnj-nj, donc ∂(lnnj!)∂n j= lnnj. La condition(?)donne, en notantn?jla solution la plus probable, -lnn?j-α-βεj= 0,doncn?j= exp(-α-βεj). ?Remarques.-C"est bien un maxim umcar ∂(lnΩ)∂n j=-lnnj,donc∂2(lnΩ)∂n 2j=-1n
j<0. Les constan tesαetβvérifient
N=X je -αe-βεjetE=X je -αεje-βεj. On a égalemen tlnΩ-αN-βE= 0, donc
lnΩβ N=E. Cette relation ressemble au premier principedU=W+Q=μdN+TdS. En identifiant, on a etTdS=lnΩβ Espace des phases et postulats -Chapitre13
1.3. FONCTION DE DISTRIBUTION
Dans la suite, on montrera queS=kBlnΩ, doncβ= 1/kBTetα=-μ/kBT. Finalement, on a n BT
1.3.3Exemple : distribution deMaxwell-Boltzmann
Dans ce modèle, la seule énergie sera l"énergie cinétique,i. e.pour toutj, on a j=p2j2m=12 mv2j. En notantc=e-α, on a
-βp22m -βp22m Ê2mβ
3/2 Finalement, la distribution deMaxwell-Boltzmannest f(-→r ,-→p) =1V β2πm
3/2 -βp22m On écrit alorsβ= 1/kBT.Relation1.4(distribution deMaxwell-Boltzmann).On obtient f(-→r ,-→p) =1V -mv22kBT On v eutcalculer la mo yenne
p22m· =f(-→r ,-→p)p22md-→rd-→p f(-→r ,-→p)d-→rd-→p =exp-p22mkBT p22md-→p exp-p22mkBTd-→p. Ord-→p=p2dpd?sinθdθ, donc
p22m· =exp-p22mkBT p22mp2dp×4π exp-p22mkBTp2dp×4π. En posantu=p/⎷2mkBT, on a
p22m· =12m e-αp2p4dp e-αp2p2dpavecα=12mkBT. En dérivant deux fois la relation
e -αp2dp=Éπ par rapport àα, on obtient e -αp2p2dp=12 π1/2α-3/2et
e -αp2p4dp=34 π1/2α-5/2.
On a donc
p22m· =12m34 π1/2α-5/21
2 π1/2α-3/2=32
kBT. 4Espace des phases et postulats -Chapitre1
1.3. FONCTION DE DISTRIBUTION
1.3.4Fluctuations autour de l"état le plus probableOn a calculén?jl"état le plus probable. Quelles sont les fluctuations autour de cet état? On veut calculer
l"écart-type denj,i. e.la quantité?n2j? - ?nj?2. On va prendre N!Q jnj!Y jgnj javecnj?1. On a lnΩ = lnN!-X jlnnj! +X jn jlngj,donc∂(lnΩ)∂n j? -lnnj+ lngj. On veut maximiser et on trouven?j=gje-αe-βεj. La valeur moyenne vaut ?nj?=P {nj}njΩ({nj})P {nj}Ω({nj})=P N!Q n j!Qgnj jnjP N!Q n j!Qgnj j. Or d"après l"expression deΩ, on a
n jΩ =gj∂Ω∂g j. On obtient alors
?nj?=Pgj∂Ω∂g jP Ω=gjP
Ω∂∂g
i XΩ.
De même, on a
?nj?2=Pn2jΩP Ω=Pgj∂Ω∂g
j(gj∂Ω∂g j)P Ω=gjP
Ω∂∂g
g j∂∂g j XΩ
La variance vaut donc
?(nj- ?nj?)2?=?n2j? - ?nj?2 gjP Ω∂∂g
g j∂∂g j XΩ
Ω∂∂g
i XΩ2
Or g j∂∂g 1P Ωgj∂∂g
j XΩ
=1P Ωgj∂∂g
j XΩ+gj∂∂g
1P ×gj∂∂g
j XΩ
=?n2j? -1( PΩ)2gj∂∂g
j XΩ×gj∂∂g
j XΩ
=?n2j? - ?nj?2, donc ?(nj- ?nj?)2?=gj∂∂g 1P Ωgj∂∂g
j XΩ
=gj∂?nj?∂g j.quotesdbs_dbs35.pdfusesText_40
[PDF] produit vectoriel de deux vecteurs dans le plan
[PDF] fonction de répartition d une variable aléatoire discrète
[PDF] multiplication coordonnées vecteurs
[PDF] variance
[PDF] multiplication d'un vecteur par un réel exercices
[PDF] produit vectoriel de deux vecteurs de dimension 2
[PDF] carré d'un vecteur
[PDF] multiplication de deux vecteurs colonnes
[PDF] produit scalaire vecteur 3d
[PDF] le resultat d'une multiplication s'appelle
[PDF] division vocabulaire
[PDF] vocabulaire multiplication
[PDF] loi géométrique probabilité exercices
[PDF] la santé définition