Robert Botet Martine Meireles, Marie-Laure Rami, Bernard Cabane

Slides:



Advertisements
Présentations similaires
Calcul géométrique avec des données incertaines
Advertisements

Eléments de progressivité
Les tests d’hypothèses (I)
Echantillonnage Introduction
Temps de réaction et facteurs computationnels
Inférence statistique
Les TESTS STATISTIQUES
Nombre de sujets nécessaires en recherche clinique
Principe de résolution des structures
Les TESTS STATISTIQUES
Échantillonnage-Estimation
Notions de variable aléatoire et de probabilité d’un événement
Moyenne, écart type et incertitude de mesure.
Fonction transformer l'énergie
variable aléatoire Discrète
La perception subjective de la corrélation dans les nuages de points
Progrès de la technique de mesure PLIF à deux couleurs
LASER : Plus de 40 ans d’histoire !
LES ÉLASTICITÉS DE LA DEMANDE ET DE L’OFFRE
La fonction quadratique
Statistique descriptive, analyse de données
Cours de physique générale I Ph 11
TRAVAIL SUR DOCUMENTS.
Fonction puissance Montage préparé par : André Ross
L’inférence statistique
Nombre de sujets nécessaires en recherche clinique
Formation théorique Niveau 2
Co-animation : mathématiques et biotechnologies en STL
Régression linéaire simple
Comprendre la variation
Comprendre la variation dans les données: Notions de base
TECHNIQUES QUANTITATIVES APPLIQUEES A LA FINANCE
La distribution normale
Le test t. Procédure de linférence statistique 1. Contexte théorique 2. Hypothèses 3. Seuil de signification et puissance 4. Taille de leffet 5. Collecte.
Le test t.
Université dOttawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :47 1 Concepts fondamentaux: statistiques et distributions.
Corrélation Principe fondamental d’une analyse de corrélation
Avantages et Désavantages
La statistique Définitions et méthodes. La statistique est la branche des mathématiques qui collecte, classe, analyse et interprète des données afin den.
Théorie… Inférence statistique: étude du comportement d’une population ou d’un caractère X des membres d’une population à partir d’un échantillon aléatoire.
L’Équilibre chimique Aspect quantitatif.
Inéquations du premier degré à une inconnue
Résoudre une équation du 1er degré à une inconnue
La théorie de la communication de C. Shannon
Lectures Volume du cours : Chapitre 7
Modélisation géométrique de base
Les intervalles de confiance pour la moyenne d’une population
1 - Programme de Seconde (juin 2009) Statistique et probabilités
Probabilités et Statistiques Année 2010/2011
Théorème de la limite centrale l’inférence statistique
Variables du comportement et lois simples des gaz
CORRECTION DU TP 7 : LA DIFFRACTION DE LA LUMIERE
Probabilités et Statistiques Année 2010/2011
Chapitre 3: Variables aléatoires réelles continues
Méthode d’Ératosthène :
Chapitre 4 Variables aléatoires discrètes
Analyse des données. Plan Lien entre les statistiques et l’analyse des données Propagation des erreurs Ajustement de fonctions.
1 Licence Stat-info CM3 a 2004 V1.2Christophe Genolini Problème des groupes Un amphi de 200 élèves : loi normale moyenne X et écart type s –Un élève :
LASER : Près de 50 ans d’histoire !
Distribution de la taille des aérosols
Numérations en microbiologie.
Cours Mesures & Instrumentation
1_Introduction Toute mesure est entachée d’erreur. Il est impossible d’effectuer des mesures rigoureusement exactes. Pour rendre compte du degré d’approximation.
Chap. 3 Récursion et induction. Les définitions par récurrence consistent à construire des objets finis, à partir d'autres, selon certaines règles. Les.
ECHANTILLONAGE ET ESTIMATION
 La valeur optimale du RRR est un compromis: Le RRR doit être faible pour réduire la conduction solide (pertes statiques) Le RRR doit être élevé pour.
Processus ponctuels Caractéristiques et Modèles de répartitions spatiales.
Transcription de la présentation:

Robert Botet Martine Meireles, Marie-Laure Rami, Bernard Cabane Comportement de dispersions colloïdales hétérogènes en taille - inversion des données saxs- Robert Botet Martine Meireles, Marie-Laure Rami, Bernard Cabane

Les sphères polydisperses… On voudrait analyser les courbes SAXS d’un empilement compact de sphères très polydisperses mais c’est difficile… structure aléatoire la plus compacte possible avec une distribution log-normale des rayons des grains

Les sphères polydisperses… On voudrait analyser les courbes SAXS d’un empilement compact de sphères très polydisperses mais c’est difficile… bien qu’on sache calculer numériquement le I(q)… donc fit, etc…

Les sphères polydisperses… Alors, on commence par un système très dilué de sphères très polydisperses c’est plus facile… système dilué de sphères avec une distribution log-normale des rayons des grains

Intensité SAXS par des sphères polydisperses… Si dilué que le facteur de structure = 1, et donc… avec f(r) = distribution des rayons

Inversion de l’intensité SAXS par des sphères polydisperses… et… un miracle mathématique!…

Inversion de l’intensité SAXS par des sphères polydisperses… (Titchmarsh, 1924) et… un miracle mathématique!  il existe une formule d’inversion exacte avec:

Inversion de l’intensité SAXS par des sphères polydisperses… (Titchmarsh, 1924) et… un miracle mathématique!  il existe une formule d’inversion exacte …mais elle n’est malheureusement pas utilisée…

Pourquoi la formule Bateman-Titchmarsh-Fox n’est pas utilisée… Connaître les valeurs exactes de f(r) demande une quantité infinie d’information …et les données expérimentales n’en fournissent qu’une quantité finie… q=1.0552 10-2 nm-1 q=1.0966 10-2 nm-1 q=1.1380 10-2 nm-1 q=1.1794 10-2 nm-1 q=1.2208 10-2 nm-1 q=1.2622 10-2 nm-1 q=1.3036 10-2 nm-1 q=1.3450 10-2 nm-1 q=1.3864 10-2 nm-1 q=1.4278 10-2 nm-1 …

Une autre façon d’utiliser la formule Bateman-Titchmarsh-Fox… n’essayez pas de calculer exactement f(r): une bonne valeur moyenne suffit… f(r) <f(r)> r-Dr/2 r r+Dr/2 … où <f(r)> est la valeur moyenne de la distribution sur un petit intervalle Dr centré en certaines valeurs de r

Une autre façon d’utiliser la formule Bateman-Titchmarsh-Fox… théorie de l’information →# optimum de valeurs de r et écart minimum entre ces valeurs, cohérents avec la quantité d’information contenue dans les données de SAXS <f(r)> (Taupin et Luzzati, 1982) … … r1 rmax r

Exemple: l’échantillon 17c connaissant qmin=1.10-2 et qmax=4.10-4, la théorie de l’information donne: rmax=300nm Dr=2.7nm et la <distribution des rayons>:

Exemple: l’échantillon 17c théorie de l’information: rmax=300nm Dr=2.7nm et la <distribution des rayons>:

Exemple: l’échantillon 17c théorie de l’information: rmax=300nm Dr=2.7nm donc pas d’information pour r < 2.7nm et r > 300nm … si on en veut, il faut utiliser d’autres expériences par exemple: Surface spécifique : 15.6m2/g Pression osmotique: 1 kPa pour f=10% compatibles avec le loi trouvée et extrapolée entre r0=1.5nm et r1=50nm

Exemple: l’échantillon 17c théorie de l’information: rmax=300nm Dr=2.7nm … et si on veut une précision plus grande que Dr ?... Dr=1nm

Exemple: l’échantillon 17c théorie de l’information: rmax=300nm Dr=2.7nm … et si on veut une précision plus grande que Dr ?... …et si on rajoute un bruit à I(q)?... Dr=1nm <(DI)2>=0.05I(q)

Conclusion… Il semble que la formule de Bateman-Titchmarsh-Fox donne de bons résultats pour l’inversion de l’intensité SAXS par des systèmes très dilués de billes polydisperses, si l’on veut bien se limiter à la précision déduite de la théorie de l’information on a alors accès à une valeur moyenne de la distribution en taille en des valeurs imposées des rayons (dépendantes du domaine des valeurs expérimentales de q utilisées)