mathématiques

moyenne d'ensemble

moyenne d'ensemble — anatomie d'une formule
18 articles liés · 5 formules

Description

Une moyenne d'ensemble est la moyenne d'une grandeur physique sur une grande collection de systèmes préparés de manière identique, appelée ensemble. En mécanique statistique, elle remplace la moyenne temporelle d'un système unique sur une longue période, sous l'hypothèse ergodique que les deux sont égales. Ce concept est central pour relier la dynamique microscopique aux propriétés thermodynamiques macroscopiques comme la température, la pression et l'entropie.

Histoire

Le concept d'ensemble a été introduit par Josiah Willard Gibbs dans son livre de 1902 « Principes élémentaires de mécanique statistique », en s'appuyant sur les travaux antérieurs de Ludwig Boltzmann et James Clerk Maxwell. La formulation de Gibbs a fourni une base rigoureuse pour la mécanique statistique.

Comment ça marche

Étant donné une distribution de probabilité ρ sur les micro-états possibles d'un système, la moyenne d'ensemble d'une observable A est ⟨A⟩ = ∫ A(x) ρ(x) dx (ou une somme pour les états discrets). Différents ensembles correspondent à différentes contraintes physiques : l'ensemble microcanonique fixe l'énergie, l'ensemble canonique fixe la température, et l'ensemble grand-canonique fixe la température et le potentiel chimique. La moyenne est ensuite calculée en pondérant chaque micro-état par sa probabilité selon la distribution de l'ensemble.

En pratique

Les moyennes d'ensemble sont utilisées dans les simulations de dynamique moléculaire pour calculer les propriétés des matériaux, dans les méthodes de Monte Carlo pour la physique statistique, et en apprentissage automatique pour estimer les valeurs attendues à partir de distributions de données.

Anecdote

En mécanique statistique quantique, la moyenne d'ensemble d'une observable est calculée comme la trace du produit de la matrice densité et de l'observable, reliant ainsi l'opérateur trace à ce concept.

Concept graph →

Formules

$$\langle h\nu \rangle = c \cdot k_B T$$
The average energy of photons in blackbody radiation is proportional to temperature.
Ce qu'il y a dans la formule
⟨hν⟩variableAverage photon energy — énergie joule
TvariableTemperature of the blackbody — température kelvin
cconstanteA numerical factor that depends on the frequency integration limits and the specific definition of 'average' (e.g., over the full spectrum). — proportionality constant = 2.701
k_BconstanteFundamental constant converting temperature to energy scale — constante de Boltzmann = 1.380649e-23 joule per kelvin
⟨ ⟩opérateurStatistical average over the photon distribution — moyenne d'ensemble
$$C_{l m l' m'} = \langle a_{l m} a^*_{l' m'} \rangle$$
Defines correlation coefficients of spherical harmonic coefficients.
Ce qu'il y a dans la formule
C_{lm l'm'}variableAngular power spectrum coefficients — angular power spectrum
a_{lm}variableSpherical harmonic coefficients of temperature map — spherical harmonic coefficient kelvin
⟨ ⟩opérateurEnsemble average over realizations — moyenne d'ensemble
*opérateurComplex conjugation — complex conjugate
$$\langle \eta_i(t) \eta_j(t') \rangle = 2 \gamma k_B T \delta_{ij} \delta(t-t')$$
Relates noise intensity to temperature and dissipation in equilibrium.
Ce qu'il y a dans la formule
η_i(t)variablenoise term at time t for component i — noise newton
η_j(t')variablenoise term at time t' for component j — noise newton
Tvariabletemperature — température kelvin
γvariabledissipation coefficient — dissipation coefficient kilogram per second
δ_ijvariableKronecker delta — kronecker delta
δ(t-t')variableDirac delta function — dirac delta function per second
k_Bconstanterelates energy to temperature — constante de Boltzmann = 1.380649e-23 joule per kelvin
⟨...⟩opérateuraverage over many realizations — moyenne d'ensemble
$$C(t) = \frac{\langle A(t) A(0) \rangle}{\langle A(0)^2 \rangle}$$
Measures how a system's state correlates with its initial state over time.
Ce qu'il y a dans la formule
C(t)variableNormalized autocorrelation function of observable A — fonction de corrélation
A(t)variableValue of observable A at time t — observable varies
A(0)variableValue of observable A at initial time — observable varies
⟨...⟩opérateurAverages the product over a statistical ensemble of initial conditions — moyenne d'ensemble
$$\text{MSD}(\tau) = \langle [x(t+\tau) - x(t)]^2 \rangle$$
Mean squared displacement measures particle spread over time.
Ce qu'il y a dans la formule
MSDvariableMean squared displacement — mean squared displacement metre squared
τvariableTime lag — temps second
xvariableParticle position — position metre
tvariableTime — temps second
⟨ ⟩opérateurEnsemble average over many trajectories or particles — moyenne d'ensemble
[ ]opérateurDifference between positions at two times — différence
²opérateurSquare of the displacement — square

Articles liés · 16

Une nuée née de la cupidité : comment la recherche de nourriture engendre le collectif
Imaginez une volée d'oiseaux qui se rassemble autour d'une mangeoire que personne n'a construite. Chaque oiseau cherche sa nourriture pour lui-même, mais au final, ils se retrouvent ensemble. D'habitude, on explique ce comportement par un instinct social : les oiseaux veulent être près de leurs congénères. Mais et si la nuée n'était qu'un effet secondaire de la cupidité ?
Météo contre climat : comment distinguer le bruit du signal
En hiver, dans un quartier de la ville, il tombe trois fois plus de neige que dans le quartier voisin. Une année, c'est la canicule, l'autre, le froid. Ce sont les caprices de la météo. Mais sur des décennies, on observe un autre glissement, plus lent : les hivers deviennent en moyenne plus doux. Distinguer l'un de l'autre est la tâche principale des climatologues.
Des gouttes qui se rattrapent dans un jet
Les gouttes d'eau sortent de la buse l'une après l'autre, comme des cyclistes sur une piste étroite. Celles qui vont plus vite rattrapent les plus lentes et fusionnent avec elles pour former des gouttes plus grosses.
Traitement du signal2026-07-161 minarXiv:2607.14738express
La complexité de la foule : pourquoi la moyenne ne fonctionne pas
D'habitude, la complexité des systèmes — du mouvement des satellites aux rythmes cardiaques — est évaluée par l'entropie moyenne (une mesure de l'imprévisibilité, telle que la concevait Ludwig Boltzmann).
Physique quantique2026-06-272 minarXiv:2606.28660express
Gaz quantiques2026-06-171 minarXiv:2606.19009express
Un gaz quantique défie les manuels scolaires
Les manuels divisent les particules en deux camps : les bosons aiment se serrer dans un même état, les fermions, catégoriquement non. Mais la nature admet une troisième option. Les anyons sont des quasiparticules dont le comportement se situe quelque part entre les deux.
Comment mesurer le chaos d'un système sans en connaître les règles
Un carrefour animé sans feux de signalisation. Les voitures avancent, freinent, changent de voie — et de l'extérieur, on dirait un chaos total. Mais si on observe un peu plus longtemps, on remarque un rythme : le flux tantôt s'épaissit, tantôt s'amincit.
Traitement du signal2026-04-241 minarXiv:2604.22695express
La respiration décomposée en ondes simples
Quand on respire, l'air ne circule pas en un flux régulier mais par vagues. Auparavant, les médecins et les scientifiques ne regardaient que les chiffres globaux : la quantité d'air entrée pendant l'inspiration, le débit maximal. Mais à l'intérieur d'une seule inspiration, il y a des nuances – de petits changements qui renseignent sur le fonctionnement des nerfs et des muscles.
Les empreintes du chaos : comment la géométrie des trajectoires révèle le moment du changement de régime
Le cœur bat régulièrement, puis soudain il plonge dans l'arythmie. Le climat garde son rythme habituel pendant des décennies, puis bascule en un été dans un nouvel état. Ces changements de régime évoquent un interrupteur qui bascule, mais dans les données réelles, nous ne voyons qu'un signal unidimensionnel bruité où le moment de la rupture est caché.
Systèmes dynamiques2026-04-112 minarXiv:2604.10225express
Quelles phases de la matière sont possibles, et lesquelles ne sont qu'un mirage
L'eau peut être de la glace, du liquide ou de la vapeur. Les physiciens appellent ces états des phases. En théorie, chaque phase a sa propre mesure — une façon de décrire à quel point elle est probable. Mais toute mesure que l'on peut imaginer ne se rencontre pas dans la nature. Certaines phases sont réelles, d'autres ne sont qu'une illusion mathématique.
Démystifions le condensat de Bose-Einstein
Dans un orchestre où chaque musicien joue la même note, le son se fond en un puissant unisson. C'est ainsi que naît le condensat de Bose-Einstein : une multitude de particules bosoniques, à température extrêmement basse, se comportent comme un tout.
Physique quantique2026-03-111 minarXiv:2603.10344express
Comment un ordinateur quantique a distingué le passé du futur
On ne peut pas regarder un film de tasse brisée à l'envers : l'augmentation du désordre, ou entropie, indique le sens du temps. Mais les équations du microcosme sont symétriques — le passé et le futur y sont équivalents.
Distiller l'océan : comment condenser des milliers de modèles d'El Niño en douze gouttes limpides
Des milliers de modèles mijotent dans un même chaudron, et la vapeur qui s'en élève est épaisse, opaque. Chacun murmure quelque chose à propos du futur El Niño, mais dans ce brouhaha, impossible de distinguer qui dit vrai et qui s'échauffe.
Dynamique chaotique2026-02-072 minarXiv:2602.07660express
Comment distinguer le chaos de l'ordre grâce à la trace d'une particule
Jetez une pierre dans un étang calme : les cercles se propageront régulièrement. Jetez-la dans un torrent tumultueux : l'eau tourbillonnera de manière imprévisible. Une question similaire taraude depuis longtemps les scientifiques : comment savoir, à partir de la seule trajectoire d'une particule, si son mouvement est chaotique ?
Un conseil d'anciens plutôt qu'un vote général : comment sélectionner les meilleures prévisions d'El Niño
Dans une pièce avec 80 conseillers, chacun crie sa vérité, et si l'on se contente d'écouter tout le monde et de faire la moyenne, on obtient un brouet. Il en va de même pour les prévisions d'El Niño : le modèle produit 80 scénarios d'avenir, mais ils ne sont pas tous aussi utiles. Certains se trompent moins souvent, d'autres plus, et d'autres encore parlent d'autre chose.