Upload
dinhkien
View
221
Download
0
Embed Size (px)
Citation preview
Physique Statistique N.VandewalleS.Dorbolo
Objectifs du cours
• Donner un aperçu de la physique statistique.
• Obtenir un autre regard du monde de la physique.
• Réaliser des TP originaux : «phénomène sans modèle»
Plan du cours
Chapitre 1 : IntroductionChapitre 2 : Outils statistiques - rappelsChapitre 3 : Nécessité de l’approche statistique
Chapitre 4 : Ensembles de Gibbs / fonctions de partitionChapitre 5 : Le gaz parfait revisité / distributions des vitesses / équipartitionChapitre 6 : Fluides réelsChapitre 7 : Distributions / statistique de Maxwell-BoltzmannChapitre 8 : Gaz de fermions / statistique de Fermi-DiracChapitre 9 : Gaz de bosons / statistique de Bose-Einstein / corps noirChapitre 10 : Changement d’état / approche de LandauChapitre 11 : Modèles de spins / simulations numériquesChapitre 12 : Phénomènes critiques et lois d’échelle / fractales
Chapitre 13 : Marches aléatoires Chapitre 14 : Percolation
Organisation du cours
• Cours [28h] - N.Vandewallethéorie - concepts - applets - numérique
• TD [14h] - D.Terwagneexemples choisis - exercices
• Labos [16h+2h] - S.Dorbolo / D.Terwagne / G.Lumay / E.Mersch / N.VdWsystèmes hétérogènes - diffusion - etc
Supports du cours
• Notes (en chantier depuis trop longtemps)
• Copie des diapositives
• Livres de référence : Vauclair, Huang, etc...
Laboratoires
Chapitre 1 : Introduction
Qu’est-ce que la Physique Statistique ?
• Exemple : atomes de C • Autre exemple : molécules amphiphiles
Pourquoi certaines structures plutôt que d’autres ?
La formation de micelles est spontanée; elles troublent le liquide par diffusion de la lumière.
Quelques objets microscopiques viennent donc modifier l’apparence macroscopique du système.
Qu’est-ce que la Physique Statistique ?
• Exemple : billes vibrées • Exemple vivant : poissons
- agents microscopiques : interactions, mouvements, agitation - formation de structures organisées, pourquoi ? - une information se propage, comment ? - comportement micro-macro, local-global ?
L’agitation conduit à la création de jets organisés de matière : les oscillons.
Le mouvement coordonné de poissons produit des structures géantes : banc.
Hypothèses de travail : - N particules identiques- mouvements obéissent aux lois de Newton- rebonds élastiques sur les parois
gaz parfait gaz réelpas de collisions collisions entre particules
Mouvement d’une particule dans un récipient cubique :
lors du rebond avec la parois de droite : vx ! "vx
!px = !2mvxsoit une variation de la quantité de mouvement :
Le cas d’école : le gaz parfait
Force exercée sur la parois de droite :
force subie par la particule qui rebondit :
force sur la paroi (action-réaction) :
Fx =!px
!t
!t =2L
vx
temps entre deux rebonds :
F =
mv2x
L
force totale sur la parois : F =m
L
!
v2
x1 + v2
x2 + ... + v2
xN
"
F =
m
LN!v2
x"
Gaz isotrope : !v = !vx + !vy + !vz v2
= v2
x + v2
y + v2
z
!v2" = !v2
x" + !v2
y" + !v2
z" = 3!v2
x"
F =mN
3L!v2"
Pression exercée sur la paroi : p =F
L2=
mN
3L3!v2"
p =N
3Vm!v2"
Comparaison avec l’équation d’état :
pV = NkBT =N
3m!v2"
3
2kBT =
1
2m!v2"
énergie thermique énergie cinétique moyenne d’une particule
La température est donc une mesure de l’agitation microscopique des particules.
aspects statistiques liés à la température : v2
La physique statistique fait le lien entre mondes microscopiques et macroscopiques.
Les outils de la physique statistique sont la mécanique classique, la statistique appliquée, la mécanique quantique, l’informatique, etc...
La physique statistique a apporté les concepts de fractales et d’invariance d’échelle, de chaos déterministe, de turbulence, d’auto-organisation, etc...
mécanique quantique
Physique statistique / petit historique
2000 1950 1900 1850
Q=
cm∆
T
E=
hν
η1η 2
Fermi Joule
LangevinKadanoff
S=
k Bln
Ω
EFR∼
Nα
Landau
thermodynamique
deGennesPlanck
BoltzmannCurie
K
=R
(K)
F∼
m2
+m
4
M(T
/Tc)
Physique statistique et autres domaines scientifiques
Physique statistique
AstrophysiqueEtat solide Matière molle
Physique quantique
InformatiqueFluides Biophysique
Chimie
• Fermi-Dirac• magnétisme• supraconductivité
• Bose-Einstein• spectroscopie• fluides quantiques
• fluctuations• corrélations• théorie liquides
• corps noir• chaos• structures
• turbulence• rhéologie• chaos
• optimisation• complexité• automates
• polymères• spectroscopie• réactions
• membranes• protéines• ratchets
Cours accessibles dans la discipline
ThermodynamiquePHYS 062
N.Vandewalle
Physique des fluidesPHYS 957H.Caps
Physique StatistiquePHYS 212
N.Vandewalle
Fluides complexesPHYS 945
N.Vandewalle
MicrogravitéPHYS 948
H.Caps/N.Vandewalle
Physique Statistique Expérimentale
PHYS 250S.Dorbolo
Physique non-linéaire, chaos et fractales
PHYS 939N.Vandewalle
Introduction à la Physique Statistique
PHYS 069S.Dorbolo
publications (8-10/y)couverturesscience
Le GRASP (10 ans)
N.VandewalleS.Dorbolo
H.CapsS.Bontempi
G.LumayF.LudewigG.DelonN.Adami
A.BronfortD.Terwagne
E.MerschF.BoschiniK.FaucherM.Ababou
T.GiletT.SchellerC.Becco
matière molle poudres et grainsmicrofluidiquesystèmes complexeschaosturbulencemicrogravité
GRASP
UCB, Dow Corning, ...spin-offindustries
2 ESA TTCOSTinternational
projets Zéro-G et ISSµg
photos / art / filmsart
Chapitre 2 : Rappels de Statistique
Fréquences et probabilités
f(n) =Nn
N
∞
0Pv dv = 1
• variable discrète • variable continue
∞
n=1
Pn = 1
Pn = limN→∞
Nn
N
Pv = αv2 exp−βv2
mousse gaz
n vcôtés d’une bulle : vitesse d’une particule :
• fréquence d’observations répétées : probabilitiés
[normalisation][normalisation]
µ = x = b
axPx dx
x2 = b
av2Px dx
σ2 = (x − µ)2 = b
aPx(x − µ)2 dx = x2 − µ2
Caractériser une distribution (I)
• Distribution d’une variable discrète :
• Distribution d’une variable continue :
[premier moment = moyenne]
[variance]
[second moment]
µ = n =K
n=1
nPn
n2 =K
n=1
n2Pn
σ2 = (n − µ)2 =K
n=1
Pn(n − µ)2 = n2 − µ2
Caractériser une distribution (II)
• Contre-exemple : distribution en loi de puissance
tremblements de Terre et loi de Richter pour l’énergie dissipée : P (E) ∼ E−1
E ∼ ∞
0EP (E) dE →∞ pas moyen de calculer la moyenne !
γ1 =(x − µ)3
σ3
γ2 =(x − µ)4
σ4− 3
Caractériser une distribution (III)
• Moments d’ordres plus élevés ? C’est utile !
[mesure l’asymétrie de la distribution]
[mesure l’applatissement de la distribution]
• Troisième moment : skewness
• Quatrième moment : kurtosis
γ2 > 0 γ2 < 0
leptokurtique platykurtique(pointu) (plat)
Px = 0pour x < a
=1
b− apour a ≤ x ≤ b
= 0pour x > b
µ =a + b
2
σ2 =(b− a)2
12γ1 = 0
γ2 = −65
Distribution uniforme (I)
x
Px
a b
• version continue :
Distribution uniforme (II)
• dés à jouer : version discrète
• générateur de nombres pseudo-aléatoires :
Pn
n1 2 3 4 5 6
- algortihmes (von Neumann) qui génère une suite de nombres- important pour la cryptographie- pseudo car cycles de plusieurs millions de nombres
xn+1 = (axn + c) mod m
µ = Np
σ2 = Np(1− p)
γ1 =1− 2p
Np(1− p)
γ2 =1− 6p(1− p)Np(1− p)
Pp(n/N) = CnN pn(1− p)N−n =
N !n!(N − n)!
pn(1− p)N−n
Distribution binomiale
n
Pn
• Probabilité d’obtenir n succès sur N tirages ?
P (x) =1
σ√
2πexp− (x− µ)2
2σ2
γ1 = 0γ2 = 0
Distribution gaussienne
Px
x
• Exemple : barres d’erreur
• Distribution générique en sciences :
• Attention : largeur à mi-hauteur : ∆x ≈ 2.35σ
±σ ±2σ ±3σ
68.2% 95.4% 99.6%
x
Px
P (x) = λ exp (−λx)µ =
1λ
σ2 =1λ2
γ1 = 2γ2 = 6
Distribution exponentielle
Chaque atome radioactif possède une durée de vie qui suit une loi exponentielle. Le paramètre λ s'appelle alors la constante de désintégration.
• Loi simple :
• Exemple :
Px
x
P (x) =1
xS√
2πexp
− (lnx−M)2
2S2
µ = exp
M +S2
2
σ2 = exp2M + S2
exp(S2)− 1
γ1 =
exp(S2)− 1exp(S2) + 2
γ2 = exp(4S2) + 2 exp(3S2) + 3 exp(2S2)− 6
Distribution log-normale
• Exemple : processus de fragmentation
• Gaussienne en échelle logarithmique : variable x>0
Théorème de la limite centrale
• La somme de nombreuses variables aléatoires indépendantes ayant des distributions arbitraires se distribue comme une gaussienne.
• Exemple : 2 dés à jouer (distribution triangulaire)
[uniforme]
[gaussienne]
• Autre exemple : créer numériquement une distribution gaussienne (6)
Pn
1 2 3 4 5 6 7 8 9 10 11 12n1 + n2
• Illustration du théorème pour 4 distributions différentes :
• Le produit de nombreuses variables aléatoires indépendantes ayant des distributions arbitraires se distribue comme une lognormale.
PDF et CDF
• PDF : Probability Distribution Function
• CDF : Cumulated Distribution Function
• Avantage de la CDF : indépendante des classes !
• Cas de la gaussienne : fonction erreur
P (x)dx F (y) = y
−∞P (x)dx
erf(y) =2√π
y
0e−x2
dx
• CDF : trouver facilement la médiane