Mecánica Estadística

CONTENIDOS
1. Introducción
Herramientas de la Física Estadística
Sistemas aislados: descripción microcanónica
Sistemas en situación canónica
Sistemas en situación gran canónica
1
2. Gas perfecto de Fermi (Fermiones)
2.1. Introducción
2.2. Distribución de Fermi-Dirac
2.3. Propiedades generales de un gas perfecto de Fermi
(Fremiones)
Expresiones generales
Sistemas de tamaño macroscópico
2.4. Propiedades de un gas perfecto de Fermi (Fremiones) a
T=0
Energía de Fermi
Energía cinética total
2.5. Propiedades a baja temperatura
Desarrollo de Sommerfeld
Potencial químico, energía y capacidad calórica
2.6. Límite de a altas temperaturas
2.7 Aplicaciones
Electrones en un metal 2
Semiconductores
3. Gas perfecto de Bosones
3.1. Introducción
3.2. Distribución de Bose-Eistein
3.3 . Propiedades generales de un gas perfecto de bosones
Expresiones generales
Sistemas de tamaño macroscópico
3.4. Límite de a altas temperaturas
3.5. Condensación de Bose
3.6. Propiedades a temperaturas superiores a TB
3.7. Aplicaciones
Fonones
Fotones: Radiación del cuerpo negro
Helio 4

3
4. Sistemas de espines
4.1. Introducción
4.2. Modelos de sistemas de espines
Modelo de Heisemberg
Modelo XY
Modelo de Ising
Modelo de Potts en q estados
4.3. Aproximación del campo medio
Ecuación del campo medio
Temperatura crítica
Solución gráfica
Capacidad calórica
Validez de la teoría del campo medio
4.4. Ondas de espines
Relación de dispersión
Propiedades a bajas temperaturas
4.5. Transición de Fase
Generalidades
Parámetro de orden
Orden de la transición
Función de correlación – Longitud de correlación
Exponentes críticos
Clases de universalidad 4
 BIBLIOGRAFÍA

1. REIF F., Fundamentos de Física Estadística y Térmica,

McGraw-Hill, 1967.
2. REIF F., Física Estadística, Berkeley Physics Course-Vol. 5.
3. REICHL, L.E., A Modern Course in Mechanical Statistics, John
Wiley ad Sons, 1998.
4. PATHRIA, R. K., Statistical Mechanics, Pergamon Press, 1972
5. SEARS F. W. y SALINGER G., Termodinámica, Teoría Cinética
y Termodinámica Estadística, Ed. Reverté, 1978.
6. CAMPOS ROMERO, Diógenes, Mecánica Estadística 2006.
7. TOLMAN, Richard C, The principles of statistical mechanics,
1979.
8. Tejero, C. F. y Rodríguez, J. M., 100 Problemas de Física
Estadística, Alianza Editorial, 1996.
9. GREINER, Walter, NEISE, Ludwing, STÖCKER, Horst,
Thermodynamics and Statistical Mechanics, Springer Science,
5
2004.
10. FLIESSBACH, Torsten, Estatistische Physik, Berlín, 1999

6
 EVALUACIÓN

4 evaluaciones escritas
2 seminarios

7
 Seminario 1 (GREINER, Walter, NEISE, Ludwing, STÖCKER, Horst,
Thermodynamics and Statistical Mechanics, Springer Science, 2004.)
# TEMA SEMANA
1 Teorema del virial (pág. 194) ()
2 Temperaturas negativas en un sistema de dos niveles (pág. 223) ()

3 Gas con grados de libertad internos (pág 225) ()

4 Gas ideal relativista (pág. 234) (Finl. C-1)
5 Gas de Bosé ultra-relativista (pág. 325) ()
6 Efecto Shottky (pág. 354) ()
7 Gas de Fermi relativista (pág. 355) ()
8 Enanas blancas supernovas, estrellas de neutrones, estrellas de ()
quark y huecos negros (pág. 359)
9 Efecto de Hass-van Alphen (pág. 371) (Finl. C-3)
()
Efecto Richardson-Emisión termoiónica (pág. 350) () ()
Efecto Hallwachs-Emisión fotoelectrónica (pág. 353) () ()
(Cap. 22)
Diamagnetismo de Landau (pág. 336) ()
 Seminario 2 (Física estadística, Torsten Fliessbach)
# TEMA SEMANA
1 Ferromagnetismo (pág. 311) (Ricardo) ()
2 Gas de van der Waals (pág. 321) (Miguel) ()

3 Helio Líquido (pág 330) (Doris) ()

4 Teoría de Landau (pág. 344) (Rubiela) ()
5 Exponentes críticos (pág. 3.55) (Ubeimar) ()
 Mecánica Estadística

Descripción Macroscópica: E, T, P, V, N
Termodinámica

Establece leyes estadísticas

basadas en la probabilidad del
Mecánica
comportamiento aleatorio Estadística

 
Descripción Microscópica: i , pi , qi , ,...., i  1,...N
Mecánica Cuántica
10
 Sistema
Sistema Físico-
Físico-
Químico
Químico

Estado Macroscópico Estados Microscópicos

(Único)
? (Varios)

11
Ejemplo:

Gas
Gas Ideal
Ideal

PV=nRT  
N i , pi , qi , ,...., i  1,...N
E  i  N 1,2,…,N
i 1

12
 Estado
EstadoMacroscópico
Macroscópico
(Único)
(Único)

(E,T,P,V,N,….)
(E,T,P,V,N,….)

TODOS
TODOSLOS
LOSESTADOS ACCESIBLES,(E,T,V,….),
ESTADOSACCESIBLES, (E,T,V,….),
TIENEN
TIENENIGUAL
IGUALPROBABILIDAD
PROBABILIDADDE DEEXISTIR
EXISTIR
(Son
(SonAleatorios)
Aleatorios)
13
ElElnúmero
númerode
deestados
estadosmicroscópicos
microscópicosaumenta
aumentacuando
cuando
disminuye
disminuyelalaprecisión
precisiónde
delaladescripión
descripión del
delsistema
sistema
macroscópico.
macroscópico.

Sistema I : N , T  I (N ,T )

Sistema II : N , T , P   II ( N , T , P)

 I ( N , T )   II ( N , T , P )
15
 Análisis
Análisiscombinatorio-Algunas
combinatorio-Algunasdefiniciones
definicionesútiles
útiles

Número
Númerode permutaciones.Ej.:
depermutaciones. Ej.:
Dados
Dadostres
tresobjetos
objetosa,
a,bbyyc,c,elelnúmero
númerode
deformas
formasen
enque
que
se
sepueden
puedencombinar
combinar  P=?
P=?

abc
abc
acb
acb
bac
bac
bca
P6
bca
cab
cab
cba
cba P  1x 2 x3 P  3! 16
Número
Númerode
depermutaciones
permutaciones

Sean““NN““objetos,
Sean objetos,elelnúmero
númerode permutaciones““PP”” oo
depermutaciones
posible
posibleformas
formasenenque
quese sepueden
puedencombinar
combinares:
es:

P  N ! 1x 2 x3 x...xN

17
Número
Númerode
dearreglos
arreglosuuordenaciones
ordenaciones(variaciones).
(variaciones).
Ej.:
Ej.:
Dados
Dadoscuatro
cuatronúmeros
números1,1,2,
2,33yy4,
4,elelnúmero
númerode
deformas,
formas,
diferentes,
diferentes,en
enque
quese
sepueden
puedencombinar
combinar dosdosde
deestos
estos
números
números  AA24
2
== ??
4

12
12 31
31
13
13 32
32
14
14
21
34
34
41
 A  12
2
4
21 41
23
23 42
42
24
24 43
43
1x 2 x3x 4
4! A 
2
4
A 
2 1x 2
4
(4  2)!
Número
Númerode
dearreglos
arreglosuuordenaciones
ordenaciones(variaciones)
(variaciones)

ElElnúmero
númerodedearreglos
arreglosdede““n“
n“objetos,
objetos,tomados
tomadosdede““NN””
objetos n<N ), es el número, A
objetos posibles (n<N), es el número, AnNN, de
posibles ( n
formas en
, de formas en
que
quese sepueden
puedenescoger los””nn””objetos
escogerlos objetosde
deentre los““NN”,”,
entrelos
teniendo
teniendoen cuentaelelorden
encuenta ordenen enque
queson
sontomados:
tomados:

N!
A 
n
N
( N  n)!
19
Número
Númerode combinaciones.Ej.:
decombinaciones. Ej.:
Dados
Dadoscuatro
cuatronúmeros
números1, 1,2,
2,33yy4,4,elelnúmero
númerode
deformas,
formas,
diferentes,
diferentes,en
enque
quese
sepueden
puedencombinar
combinar dos dosde
deesos
esos
números
númerossin
sintener
teneren
encuenta
cuenta elelorden
ordenen enque
queson
son
tomados
tomados  CC24
2
== ??
4

12
12 31
31
13
13 32
32
14
14
21
34
34
41
C 6 2
4
21 41
23
23 42
42
24
24 43
43 1x 2 x3x 4
C 
2
4! 4
(1x 2) x(1x 2)
C 
2
4
(4  2)! x 2!
Número
Númerocombinaciones
combinaciones

ElElnúmero
númerodedearreglos
arreglosde de““n“
n“objetos,
objetos,tomados
tomadosdedeentre
entre
““NN”objetos posibles((n<N
”objetos posibles n<N))sinsintener
teneren cuentaelelorden
encuenta orden
en que son tomados, es el número, C
en que son tomados, es el número, CnN , dado
n
dadopor
por::
N ,

N!
C 
n
N
( N  n)!n!
21
Noción
Nociónde
dePROBABILIDAD
PROBABILIDAD

Probabilidad
ProbabilidadMacroscópica
Macroscópica  (E,T,…)
(E,T,…)

 I ( N , T )   II ( N , T , P )

Pr obabilidad I  Pr obabilidad II
22
Conjunto
Conjuntode
deeventos
eventosdiscretos
discretos

Se
Sepueden
puedendistinguir
distinguirunos
unosdedeotros
otrossin
sin
ambigúedad,
ambigúedad,tales
talescomo
comolos
losobtenidos
obtenidosalallanzar
lanzarun
un
dado
dadooouna
unamoneda.
moneda.

Cada
Cadaevento
eventoesesindependiente
independientedel
delanterior.
anterior.
Sea,
Sea,N:
N:Número
Númerode deexperiencias
experiencias
(ó)
(ó)Estados
Estadosposibles
posiblesde
deun
unsistema
sistema

nni::Número
Número de
deveces
vecesque
quepuede
puedepresentarse
presentarse
i
elelevento
evento“i”
“i”
ni  Probabilidad
Probabilidadde
depresentarse
presentarseelel
Pi  evento o el estado aleatorio “i”
evento o el estado aleatorio “i”
N 23
También
Tambiénen
ent:t:
ti
Pi 
T

0  Pi  1
La
Ladefinición
definiciónde
dePPes
esde
demejor
mejorcalidad
calidadaamedida
medida
que
queNN(ó(óT)
T)se
sehace
hacemayor
mayor
P   ( E ,T , P ,V , N ,...)

24
Ej.:
Ej.:Se
Selanza
lanzaun undado,
dado,lalaprobabilidad
probabilidadde
deobtener
obtener
cara““i”i”es:
lalacara es:

No. de caras i
Pi 
No. total de caras

1
Pi 
6

25
Los
Loseventos
eventoscontinuos
continuosson
sondefinidos
definidoscon
conuna
una
incertidunbre.
incertidunbre.

Ej.:
Ej.:Se
Serealizan
realizan“N”
“N”medidas
medidasde
delalalongitud
longitudde
deun
un
cuerpo.
cuerpo.

P(x):
P(x):Probabilidad
Probabilidadde
deque
queelelevento
evento(Medida
(Medidadedelala
longitud
longituddel
delcuerpo)
cuerpo)este
esteen
enun
unintervalo
intervaloentre
entrexxyy
x+dx
x+dx

n(x):
n(x):No.
No.De
Deveces
vecesque
quelalamedida
medidadedelalalongitud
longitud
del
delcuerpo
cuerpoestá
estáen
enun
unintervalo
intervaloentre
entrexxyyx+dx
x+dx

26
Densidad
Densidadde
deprobabilidad:
probabilidad:
P( x ) dP( x)
W( x )  Lím 
x 0 x dx

Probabilidad de que la longitud del

dP(x)=W(x)dx
dP(x)=W(x)dx :: cuerpo se encuentre en un intervalo
entre x y x+dx

W(x)0
W(x)0
Para
Paravarias
variasvariables:
variables:

dP(x,y,z)=W(x,y,z)dxdydz
dP(x,y,z)=W(x,y,z)dxdydz
27
Normalización
Normalizaciónde
delalaprobabilidad:
probabilidad: Propiedades
Propiedades
N
Fundamentales
Fundamentales
N n i

 Pi 
i 0
i 0
N
1

Para
Parasistemas
sistemascontinuos:
continuos:
dN ()
dP 
N
dN ()
dP   N  1
31
Probabilidad
Probabilidadde
deun
uncomportamiento
comportamientoconjunto
conjunto(más
(másde
deun evento)::
unevento)

Supongamos
Supongamoslalaocurrencia
ocurrenciade
dedos
dos
estados
estados“i”
“i”yy“j”:
“j”:

1.1.“i”
“i”oo“j”
“j”estadísticamente
estadísticamente
dependientes:
dependientes:“i” “i”óó“j”:
“j”: 12/36

PPij==PPi ++PPj
ij i j

2.2.“i”
“i”yy“j”
“j”estadísticamente
estadísticamente
independientes:
independientes:“i” “i”yy“j”:
“j”:

PPij==PPi PPj 1/36

ij i j
32
PP(x1,x2)==PPx1+P
x1+Px2
x2
(x1,x2)

Estadísticamente dependientes

PP(x1,y1)==PPx1PPy1
(x1,y1) x1 y1

Estadísticamente Independientes 33
Valor
Valorpromedio
promediode
deuna
unavariable:
variable: Valores
ValoresMedios
Mediosyy
N Distribuciones
x P i i N
Distribuciones
Estadísticas
Estadísticas
x i 0
N
  xi Pi
 Pi
i 0
i 0

Para
Parasistemas
sistemascontinuos:
continuos:

x
 xdP( x)
x
  xdP ( x)   xW ( x)d ( x)
 dP( x)
x
x x

34
Valor
Valorpromedio
promediode
deuna
unafunción:
función:
N

_______  f (x )P i i
f ( x)  i 0
N

P
i 0
i

Para
Parasuma
sumade
defunciones:
funciones:
N

_________________   f ( x )  g ( x ) P
i i i
f ( x)  g ( x)  i 0
N

P
i 0
i

35
Otras
Otrascaracterísticas
características

Desviación
Desviaciónde
deun
un“x
“xi”i”del
delvalor
valormedio:
medio:

xi  xi  x

36
Valor
Valormedio
mediode
delaladesviación:
desviación:
N

____  x P i i
x  i 0
N

P i 0
i

N N

 x P  xP i i i
 i 0
N
 i 0
N

P
i 0
i P
i 0
i

___ ___
 xx xi  x
0 37
Variancia
Varianciaoodispersión:
dispersión:
_____ ____________
x  ( x  x )
i
2
i
2

___ __
 x  2 xi x  x
2
i
2

___
 x  2x 2  x 2
2
i
___ _____ _____
x x
2
i
2
 0 x  x
i
2 2

38
Desviación
Desviacióncuadrática
cuadráticamedia:
media:

_____

 x  x 2

(Ancho de la distribución:  )

Dispersión
Dispersiónrelativa:
relativa:

x
x
Medida
Medidade
delalacalidad
calidadde
delaladistribución
distribución 39
(Cuanto menor, mejor es la distribución )
Funciones
Funcionesdededistribución
distribuciónde
deprobabilidad:
probabilidad:
(Distribuciones
(DistribucionesEstadísticas)
Estadísticas)

Distribución
Distribuciónbinomial
binomial
Problema
Problemadel delcamino
caminoaleatorio
aleatorio
unidimensional.
unidimensional.Borracho,
Borracho,parte
partededeuna
unafarola
farola
ubicada
ubicadaenenlalacalle,
calle,dando
dandopasos
pasosdedelongitud
longitud“l”
“l”aalala
derecha
derechaconconprobabilidad
probabilidad“p” “p”yyaalalaizquierda
izquierdacon
con
igual
igualprobabilidad
probabilidad“q”.“q”.ElElborracho
borrachoestá
estátan
tanperdido,
perdido,
que
queelelsentido
sentidoenenelelque
queda dacada
cadapaso
paso(izquierda
(izquierdaóó
derecha)
derecha)es escompletamente
completamenteindependiente
independientedel delpaso
paso
precedente.
precedente.

Probabilidad
Probabilidadde
deencontrarse
encontrarseen
enla
laposición
posición
“x”
“x”después
despuésde
dedar
darNNpasos?
pasos? 41
 l

0 x

p=1/2
p=1/2 ,^,
,^, q=1/2
q=1/2
N:
N: Número
Númerototal
totalde
depasos
pasos

n:
n: Número
Númerototal
totalde
depasos
pasosaalaladerecha
derecha

N-n:
N-n: Número
Númerototal
totalde
depasos
pasosaalalaizquierda
izquierda

n-
n-(N-n)=m:
(N-n)=m: Número
Númeroneto
netode
depasos
pasoshacia
hacialaladerecha
derecha

x=ml=(2n-N)l:
x=ml=(2n-N)l:Desplazamiento
Desplazamientoneto
netohacia
hacialaladerecha
derecha

Condición
Condiciónde
denormalización:
normalización: p+q=1
p+q=1
42
P(N,n):
P(N,n): Probabilidad
Probabilidadde
dedar
dar“n” pasosde
“n”pasos deNN

Probabilidad de dar n pasos=pp…p=p n

Probabilidad de dar n pasos=pp…p=pn

Probabilidad de dar N-n pasos=qq…q=q N-n

Probabilidad de dar N-n pasos=qq…q=qN-n

Probabilidad
Probabilidad de dar N pasos=pqpq…pq=pq
de dar N pasos=pqpq…pq=p n N-n
q
n N-n Eventos
estadística
mente
independi
entes
Formas
Formasde
dedistribuir
distribuirNNpasos
pasosen
ennnyyN-n:
N-n:

N!
C ( n) 
n
N
( N  n)!n!
43
 P(N,n):Probabilidad
P(N,n):Probabilidadde
dedar
dar“n” pasosde
“n”pasos deNN

N!
P ( N , n)  p n q ( N n)
( N  n)!n!

P(N,n)=P(N,N-n)=P(N,m)
P(N,n)=P(N,N-n)=P(N,m)
Pmáx
ñ:
ñ:Valor
Valormás
másprobable
probablede
denn

P(N,ñ)
P(N,ñ)==PPmáx
máx

ññ==nnpara
paradistribuciones
distribuciones
n N-n
simétricas
simétricas 44
 N

 P( N ,n)  1
n 0
P(N,n)
P(N,n)está
está
normalizada
normalizada
N
N!

n  0 ( N  n)! n!
p n N n
q 

N N 1 N ( N  1) 2 N 2
 q  pq 
N
p q  ...
1! 2!
N ( N  1)...[ N  (m  1)] m N m
...  p q  ...  p N
m!

 ( p  q) N : Distribución Binomial
N
, , p  q  1   P ( N , n)  1
n 0
45
Valor
Valormedio
mediode
den:
n:
N
N!  n N n
n 
N
nN ! p pq
n  p n q N n n  0 ( N  n)! n! p
n  0 ( N  n)! n!

 N N!
p  n N n
pq
p n 0 ( N  n)!n!
 n
np  p p
n

p  p ( p  q) N
p

 pN ( p  q) N 1

n  Np  pN
46
 _____ ___
Variancia
Variancia
n  n  n
2 2 2

___ N
N!  2 n
p
___ N n 2 N! n 
2
(p 2
 np n
) q N n

n 
2 n N n
pq n 0 ( N  n )! n!  p 2

n 0 ( N  n)!n!
 2 N
N!
p 2

p 2

n  0 ( N  n)!n!
n N n
p q  pN
 2 n
p
n p p
2 n 2
 np n
 2
p 2
p 2
( p  q )  pN
N

p 2

N 2
 p N ( N  1)( p  q)
2
 pN
 p N  p N  pN
2 2 2

48
_____ ___
n  n  n
2 2 2

Dispersión
Dispersiónrelativa:
relativa:
 p 2 N 2  p 2 N  pN  ( pN ) 2
*n Npq
 pN (1  p )  Npq 
n Np
q 12
  10
Np
Desviación
Desviacióncuadrática
cuadráticamedia:
media:
(Dispersión)
(Dispersión)
Para
Paramayor
mayor“N” “N”lala
distribución
-Representa ladistribución
esesde demejor
mejor
*n  Npq agudeza de la distribución
-No aplicablecalidad.
calidad.
para N<100, al núcleo atómico
-Es aceptable para una muestra de materia de
10-10 g (N=1012) 49
Valor
Valormedio
mediode
demm(Número
(Número _________________
neto
netode
depasos
pasosaala
laderecha):
derecha): m  n  ( N  n)
___________
 2n  N

 2n  N

 2 pN  N
______ ______
m  4 n m=2n-N
2 2  N (2 p  1)
m=2n
 4 Npq 0
50
 n  1

0 ñ1 N
n
1 2 3 4 5 6 7 8

m  2n  N
m  2n  2
-N 0 N
m
-10 -8 -4 -2 0 2 4 8 10 51
Problemas (Reif)

1.1
1.2
1.3
1.4
1.5

52