La fisica estadistica F. E. de equilibrio F. E.

clásica
se divide en F. E. cuantica 0.200000000
F. E. de no equilibrio
INTRODUCCIÓN: La mecánica está basada en ciertos principios 0.100000000
fundamentales, como la conservación de la energía y de la cantidad de
movimiento, que son aplicables al movimiento de partículas en interacción.
En este curso extenderemos los principios de la mecánica a sistemas de 0.000000000
muchas partículas, enfatizando los métodos utilizados para obtener 0 10 20 30
propiedades colectivas o macroscópicas del sistema, sin considerar al
movimiento detallado de cada partícula. Esta técnica se denomina mecánica
estadística (Alonso, M., Finn,E. ) Series1
TÉRMODINAMICA
Descripción macroscópica del universo ESPERANZA, VARIANZA, DESVIACIÓN
MECÁNICA CUÁNTICA 𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 ) = 𝑛𝑝
Descripción microscópica del universo 2 2
𝜎 = ∑(𝑥𝑖 − 𝜇) 𝑝(𝑥𝑖 )=npq
MECÁNICA ESTADÍSTICA
Descripción probabilística del universo. Enlace entre micro y macroscópico 𝜎 =√𝜎 2 = =√𝑛𝑝𝑞
ESTADISTICA Y PROBABILIDAD DISTRIBUCIÓN DE POISSON
La estadística deduce conclusiones a través de variaciones aleatorias o Es probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas.
incertidumbres. Función de distribución
La probabilidad controla las incertidumbres en los resultados de los eventos,
para expresarlos en resultados aproximados.
TEORÍA DE PROBABILIDAD
La teoría de probabilidad estudia fenómenos o experimentos puramente
aleatorios. Media – varianza – Desviación estándar
𝑁𝑖
P(𝑥𝑖 ) = lim
𝑁→∞ 𝑁
La teoría de probabilidad se basa en la idealización de un conjunto ( o
colectividad) de sistemas preparados de forma similar
LEYES DE PROBABILIDAD
Ley de suma “Probabilidad de adición de sucesos”
P( A ∪ B ) = P(A) + P(B) - P( A ∩ B )
Sucesos mutuamente excluyentes: P( A ∪ B ) = P(A) + P(B
Ley del producto “Probabilidad de ocurrencia simultanea”
P( A ∩ B ) = P(A) P(B/A) Función de probabilidad
P(A/B) = P ( A ∩ B ) / P(A) 0.2
FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD
La variable aleatoria discreta X
adquiera el valor 𝑥𝑖 , de entre Z posibles:
P(𝑥𝑖 ) = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑥𝑖 )
0.1
𝑥 ∈ {𝑥1 , 𝑥2 , 𝑥3 , … … … 𝑥𝑍 }
Normalización
Hacemos que la probabilidad de que se obtenga algún resultado de entre todos
los posibles sea igual a uno:
𝑍 0 Series1
∑ P(𝑥𝑖 ) = 1 0 5 10 15 20
𝑖=1
DISTRIBUCIÓN NORMAL
En este caso se dice que la distribución de probabilidad está normalizada
La distribución de probabilidad normal y la curva normal que la representa,
Momentos de orden n de una distribución de probabilidad
tienen las siguientes características:
⟨𝑥 𝑛 ⟩ = ∑𝑍𝑖=1 𝑥𝑖𝑛 P(𝑥𝑖 )
La curva normal tiene forma de campana y un solo pico en el centro de la
VALOR MEDIO DE UNA FUNCIÓN
distribución. De esta manera, la media aritmética, la mediana y la moda de la
⟨𝑓⟩ =∑𝑧𝑖=1 𝐹(𝑥𝑖 )𝑃(𝑥𝑖 )
distribución son iguales y se localizan en el pico. Así, la mitad del área bajo la
curva se encuentra a la derecha de este punto central y la otra mitad está a la
• FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD
izquierda de dicho punto.
La función de distribución
• La distribución de probabilidad normal es simétrica en torno a la media m.
F(x) = P( X ≤ x )
La curva normal desciende suavemente en ambas direcciones a partir del valor
x  R central. Es asintótica, lo que quiere decir que la curva se acerca cada vez más
• FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD al eje
La función de distribución X pero jamás llega a tocarlo. Es decir, las “colas” de la curva se extienden de
F(x) = P( X ≤ x ) manera
x  R indefinida en ambas direcciones.
DISTRIBUCIÓN BINOMIAL Función de distribución
Sea un experimento aleatorio en el que sólo puedan darse dos posibilidades:
que ocurra un determinado suceso A, que llamaremos éxito, o que no ocurra
dicho suceso, o sea que ocurra su complementario, que llamaremos fracaso, 𝐴̅
Función Probabilidad
𝑛
𝑓(𝑋) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−1 Donde:
𝑥
Si: 0 ≤ x ≤ 1 μ: media de la distribución.
Función de probabilidad σ: desviación estándar de la distribución.
x: variable aleatoria
CURVA DE UNA DISTRIBUCIÓN NORMAL
Descripción estadística de un sistema microscópico
Analizar los sistemas microscópicos para llegar a los sistemas macroscópico
ESPACIO FASE
Es el espacio métrico de 2ν dimensiones determinado por un sistema
cartesiano de 2ν ejes mutuamente ortogonales correspondientes a las variables
(q, p)
Por ejemplo:
MACROESTADO Y MICROESTADO
Macroestado: estado del sistema determinado a partir de unos pocos
parámetros (estado termodinámico)
Microestado: estado del sistema con todas las variables microscópicas
especificadas (estado cuántico)
Teorema de Liouville
La densidad del sistema en una proximidad de un cierto sistema dado en el
espacio fásico se mantiene constante en el transcurso del tiempo